How do mandatory climate-related disclosures affect energy and agriculture markets?
Notice bibliographique
Résumé
With the rise of mandating climate-related disclosures (CRD), this paper investigates how energy and agriculture markets are exposed to climate disclosure risk. Using the multivariable simultaneous quantile regression and data from 1 January 2017 to 29 February 2024, we examine daily and monthly responses of energy and agriculture markets to climate disclosure risk, energy risk, market sentiment, geopolitical risk, and economic policy risk. The sample covers the global market, Australia, Canada, European Union (EU), Hong Kong, Japan, New Zealand, Singapore, the United Kingdom (UK), and the United States (US). The results show that climate disclosure risk creates both positive and negative shocks on the energy and agriculture markets and the impacts are asymmetric across quantiles in different economies. The higher climate disclosure risk, the greater impacts of crude oil future on the energy sector in North America (Canada and the US) and Europe (EU and the UK), but no greater effects in Asia Pacific (Australia, New Zealand, and Singapore). The agriculture sector can hedge against economic policy and geopolitical risks, but it is highly exposed to climate disclosure and energy risks. This study timely contributes to the modest literature on the asymmetric effects of climate disclosure risk on the energy and agriculture markets at the global and national levels. Our findings offer practical implications for policy makers and investment practitioners in understanding financial effects of mandating CRD to diversify risks depending upon market conditions and policy uncertainty.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,013 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».