Toward carbon neutrality? legitimizing carbon-neutral disengagement in agri-food organizations
Notice bibliographique
Résumé
The aim of this article is to analyze the perceptions held by business leaders in the agri-food sector with regard to carbon neutrality pledges, and how these leaders justify their organizations' lack of commitment or relative passivity in this area. The results of a qualitative study carried out by using semi-structured interviews with 34 business leaders show that—despite the strategic importance of climate issues, the vulnerability of the agri-food sector to climate risks and growing institutional pressure to reduce and offset greenhouse gas (GHG) emissions—most respondents remain skeptical or even distrustful of the relevance and credibility of carbon neutrality targets. The findings show a core tension between recognizing the importance of the principle of carbon neutrality and adopting specific, measurable and short-term commitments. The rationalizations used to legitimize the absence of a clear commitment to reduce, measure and offset these organizations’ carbon footprint revolve around five main neutralization techniques: navigating resources and strategic constraints, claiming to engage in exemplary organizational practices, debunking carbon neutrality principles, tackling measurement challenges and ambiguities, and scapegoating large emitters. This study contributes to the literature on corporate carbon neutrality commitments, on impression management strategies and neutralization techniques, and on sustainability performance measurement and organizational accountability on climate issues. • Agri-food leaders are skeptical of the credibility of carbon neutrality targets. • Agri-food leaders are open to the principle of carbon neutrality. • Agri-food leaders criticize the integration of the principle of carbon neutrality. • Neutralization techniques are used to legitimize the absence of climate targets.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».