Publish or Perish – do French hospitals disclose their greenhouse gas emissions for vertical differentiation?
Notice bibliographique
Résumé
French legislation requires large and medium-sized hospitals to publicly report their greenhouse gas (GHG) emissions. Yet, many hospitals fail to comply with this regulation, while others report voluntarily. The organizational drivers behind this behavior remain underexplored. This study examines whether hospitals disclose their GHG emissions as part of a broader strategy to differentiate themselves-similar to how they report patient satisfaction scores to signal quality. We explore whether carbon reporting is used as a vertical differentiation strategy in the French healthcare system. We used a mixed-methods approach. First, we analyzed national administrative data to test whether reporting GHG emissions is associated with reporting patient satisfaction scores. Second, we conducted semi-structured interviews with hospital managers to understand the motivations behind emissions reporting. Quantitatively, we found no significant association between the two types of reporting. Hospitals do not appear to use GHG emissions disclosure and patient satisfaction scores as part of the same signaling strategy. Qualitative findings confirmed that GHG reporting is primarily driven by internal factors such as executive leadership, process improvement, and organizational values, rather than external differentiation or patient demand. Carbon reporting in French hospitals is not currently used as a differentiation strategy. Stronger regulatory enforcement is needed to ensure compliance. In addition, hospitals require support-through methodological guidance, training, and the development of dedicated sustainability roles-to integrate environmental performance into their management systems and contribute meaningfully to healthcare decarbonization.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».