Assessing the Impact of ESG Performance on Firm Competitiveness: A Meta-Frontier DEA and OLS Regression Analysis of Global Optical Component Firms
Notice bibliographique
Résumé
The optical component industry is an industry that generates a high profit, yet it has rarely been explored on its management in the previous research. This study aims to investigate the impact of environmental (E), social (S), and governance (G) performance (ESGP) on firm competitiveness. Specifically, by using ordinal least square (OLS) regression, we analyze how overall ESGP and its components (E, S, G) impact the competitiveness including component of marketability, profitability, and innovation ability of global optical component firms, including those from Taiwan, Japan, China, and South Korea. We developed a meta-frontier data envelopment analysis (DEA) model including meta frontier, group frontier, and operational technology gap ratio to estimate firm competitiveness and analyzed 95 firm-year observations from 2016 to 2020. The meta-frontier DEA results indicate that optical component firms from Taiwan and Japan exhibit relatively higher competitiveness. Additionally, the ordinary least squares and truncated regression results reveal a significant positive association between ESGP and firm competitiveness, aligning with the resource-based view theory, where firms that performs in ESG practices obtaining unique resources and capabilities would develop a long-term competitive advantages, and also aligning with stakeholder theory, where firms that engage in ESG attract support from stakeholders, leading to a higher firm performance and competitiveness. The findings of the provides insights for the optical policymakers of the proper resource allocation to maximize firm competitiveness under the influence of ESGP.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».