MétaCan
Menu
Retour à la cohorte
Enregistrement W4416006035 · doi:10.5465/amproc.2025.267bp

Negotiating with Environmental Activists in the Shadow of Regulation

2025· article· en· W4416006035 sur OpenAlexaff
Kartik Rao, Adam Fremeth, Guy L. F. Holburn

Notice bibliographique

RevueAcademy of Management Proceedings · 2025
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueRegulation and Compliance Studies
Établissements canadiensWestern UniversityTrent University
Organismes subventionnairesnon disponible
Mots-clésNegotiationRegulatory stateShadow (psychology)Context (archaeology)DiscretionFlexibility (engineering)Environmental regulationRegulatory focus theory

Résumé

récupéré en direct d'OpenAlex

We study interactions between firms and environmental activists that occur in the regulatory domain to examine the conditions under which they reach cooperative outcomes to pre-empt formal regulatory contestation. We argue that a munificent regulatory environment plays a central role in enabling cooperative outcomes by providing firms greater access to resources and regulatory flexibility that allows them greater discretion in addressing the demands of environmental activists. We further contend that regulatory munificence mitigates the effects of firms’ environmental impact, activists’ inclination to adopt contentious tactics, and pressures from competing stakeholders – attributes that hinder the ability of firms and environmental activists to achieve cooperative outcomes. We empirically test our predictions in the context of U.S. electric utility sector, where state-level regulatory proceedings provide stakeholders, including environmental activists, the opportunity to participate and influence regulatory outcomes. Statistical analysis of the outcomes of negotiations between firms and environmental activists in these state regulatory proceedings between 1990 to 2015 provides strong support for our predictions. Our study contributes novel insights to the research on firm-stakeholder relations by examining interactions that occur between them in the relatively understudied, but critical, regulatory domain.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,714
Score d'incertitude au seuil0,318

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,226
Écart entre enseignants0,214 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAcademy of Management ProceedingsMême sujetRegulation and Compliance StudiesTravaux en français237 207