Does greenwashing dim green actions? Examining how greenwashing impacts consumers’ pro-environmental intentions
Notice bibliographique
Résumé
Purpose Greenwashing has become increasingly prevalent in contemporary business practices. Despite this rise, there remains a notable gap in academic research regarding how customers’ perceptions of greenwashing influence their pro-environmental intentions beyond mere green purchasing. This study aims to bridge this gap by drawing psychological inferences to understand how perceived greenwashing influences customers’ pro-environmental intentions. Design/methodology/approach This study uses a scenario-based, cross-sectional research design to explore the effects of perceived greenwashing. Data were collected from a micro-networking website, with a total of 360 Indian consumers participating in the study. The analysis was conducted using partial least squares – structural equation modeling (PLS-SEM) to assess the relationships posited in the research. Findings The analysis revealed that greenwashing significantly impacts perceived deceptiveness and consumer cynicism, both, in turn, influencing perceived ineffectiveness. This perceived ineffectiveness then negatively affects pro-environmental intentions, demonstrating how greenwashing undermines consumers’ willingness to engage in environmentally friendly behaviors. In addition, the study provides valuable insights into how different types of greenwashing affect these relationships. Practical implications The study offers critical implications for mitigating the negative impact of greenwashing on pro-environmental intentions, which are challenging to foster. Originality/value Existing literature primarily concentrates on the impacts of greenwashing on brands or customers’ switching and continuation intentions. This pioneering study introduces a unique perspective by exploring the impact of greenwashing on customers’ pro-environmental intentions in their everyday lives. Specifically, it investigates whether unethical practices by a brand can influence consumers’ lifestyles beyond the adverse effects these practices may have on the brand itself. This approach provides a deeper understanding of how greenwashing can affect consumer behavior in a broader context, offering significant insights into the intersection of corporate ethics and individual environmental actions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».