Building Climate Capability: Green HRM and Emissions-Linked Rewards in Bangladesh
Notice bibliographique
Résumé
Corporations are increasingly adopting climate objectives; yet, many find it challenging to integrate these goals into daily operations and achieve quantifiable carbon reductions. This paper hypothesizes and examines how Green Human Resource Management (GHRM) and emissions-linked incentives (ELR) together develop climate capabilities, which are characterized as the routines, skills, and governance practices that facilitate Scope 1–3 abatement. Utilizing strategic human capital and dynamic capabilities, we assert that (i) GHRM directly improves employees’ climate knowledge, motivation, and opportunities for action; (ii) ELR reinforces the instrumental pathway by linking rewards to validated emissions performance; and (iii) climate capabilities mediate the effects on pro-environmental behavior (PEB) and emissions performance. We estimate a structural equation model using a multi-firm, multi-respondent survey including managers and staff, alongside organization-level emissions KPIs. Results demonstrate that GHRM (β≈0.41, p<.001) and ELR (β≈0.27, p<.01) are both predictors of climate capacities, exhibiting a positive interaction (β≈0.12, p<.05). Capabilities subsequently predicted PEB (β≈0.48, p<.001) and enhancements in emissions intensity (β≈0.22, p<.05). We examine the consequences of implementation: integrate climate responsibilities into roles, certify training, accurately assess abatement, and incentivize teams based on confirmed reductions.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».