Dirty air, empty coffers? Nonprofit donations and volunteering in the context of severe air pollution
Notice bibliographique
Résumé
Purpose Poor environmental conditions pose profound societal challenges, yet their impact on the nonprofit sector, particularly in terms of financial and organizational sustainability, remains largely unexplored. To address this concern, we investigate how hazardous air quality influences donations and volunteering in nonprofit organizations. Design/methodology/approach Combining county-level US EPA air quality data with 1.63 million IRS Form 990 filings by 248,749 nonprofits between 2010 and 2022, we examine the impact of air pollution on organizations across time and space. Instrumental variables regression and entropy-balancing techniques are employed to address potential endogeneity concerns. Additional analyses examine the roles of industry sub-sector, service orientation, donor sophistication and government funding in conditioning the relationship between air pollution and our two outcome variables. Findings Organizations in areas experiencing more hazardous air quality days are associated with lower levels of donations but higher levels of volunteering. Additional cross-sectional analyses suggest that environmental, health and human service nonprofits experience increased donations in the context of severe air pollution while arts and mutual benefit organizations see increased volunteering. Additional analyses on the conditioning effects of donor sophistication, service orientation, and government funding provide further insights into the empirical relationship between air pollution and nonprofit engagement. Originality/value This study provides one of the first large-N examinations of the organizational impact of localized environmental factors on charitable activity. In providing evidence for how air quality appears to be a robust, but underexplored factor affecting donor and volunteer behavior, our study underscores the importance of understanding how environmental challenges influence civic engagement.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».