Fintech and Green Investor Entry
Notice bibliographique
Résumé
Engaging green investors is essential for firms seeking a green transformation. A considerable amount of research has investigated the factors influencing green investor entry (GIE) into a firm. However, the impact of financial technology (Fintech) on GIE has been inadequately studied. This study empirically examines the influence of Fintech on GIE and its underlying mechanisms, using data from Chinese A-share listed firms from 2011 to 2020. The findings indicate that the advancement of Fintech in a city significantly enhances the ability of firms within its jurisdiction to recruit GIE. This conclusion remains strong despite the implementation of robustness checks and the consideration of endogeneity issues. Further analysis reveals that the positive effect of Fintech on GIE is more pronounced in non-state-owned enterprises, mature enterprises, and heavily polluting enterprises. Mechanism studies demonstrate that Fintech enhances GIE by mitigating financing constraints and improving enterprises' environmental governance performance and the quality of corporate information disclosure. Finally, our findings offer data and a reference for governments to entice green investors via the advancement of Fintech. • We examine the impact of Fintech on green investors entry (GIE) using Chinese A-share listed firms’ data between 2011 and 2020. • Fintech in the cities where enterprises headquartered can significantly promote the GIE. • The positive effect of Fintech on GIE is more pronounced in non-state-owned enterprises, mature enterprises, and heavily polluting enterprises. • Fintech can attract GIE by easing financing constraints, reducing information asymmetry, and improving firms risk-taking. • Our results provide evidence and a reference for governments to attract green investors through the development of Fintech.
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) | 0,001 | 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 | 0,001 | 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 ».