Catering to their pleasure: female employees and corporate philanthropy
Notice bibliographique
Résumé
Purpose The paper aims to examine how employee gender diversity shapes corporate philanthropy (CP) as a strategic employee governance tool. Drawing on stakeholder salience theory, the authors argue that firms in female-dominated industries are more motivated to use CP to appeal to women employees, who are more responsive to such initiatives. They further explore how this effect is moderated by employee human capital, organizational slack and board gender composition, highlighting conditions under which firms adjust philanthropic strategies to engage employees effectively and manage intra-stakeholder heterogeneity. Design/methodology/approach The paper uses panel data of Chinese A-share listed firms from 2009–2020 and uses Tobit regression to examine the relationship between female employee representation and CP. CP is measured by firms’ charitable contributions reported in financial statements, while female employee representation is proxied by industry classification (female-dominated vs others). To address potential endogeneity and ensure robustness, propensity score matching is applied. Findings The paper provides empirical insights confirms that firms in female-dominated industries exhibit significantly higher levels of CP. This effect strengthens when employees have higher education or firms possess greater slack resources, but weakens with increased board gender diversity. Originality/value The paper addresses how gender-specific stakeholder pressures shape CP. It shows that intra-employee gender heterogeneity drives CP, refining stakeholder salience theory by demonstrating how employee composition influences firm strategies. It also uncovers a countervailing effect of female directors, who may reduce the influence of female employees on CP, challenging assumptions of gender-aligned governance. By integrating stakeholder salience theory with gender dynamics, the study offers theoretical insights and practical guidance for firms seeking to use CP strategically to engage employees and manage intra-stakeholder heterogeneity.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».