Rémunération des décideurs facteur de comportement responsable, un effet en période de crise ?
Bibliographic record
Abstract
Il est généralement admis que certains risques pourraient être évités ou minimisés si les organisations adoptaient des démarches innovantes telles que la RSE. Pour stimuler cette adoption, certains conseils d’administration subordonnent, en partie, la rémunération de leurs décideurs à ces dernières. Aussi, cette étude, à partir du traitement de la base de données Vigéo Eiris, tente à vérifier le lien entre les décisions RSE et la rémunération de ces décideurs. Les données analysées datent de 2015-2016, années où la rémunération responsable a explosé, alors que la zone euro connaissait une crise de la dette et le monde était confronté à de fortes turbulences sur les marchés : inflation faible, mauvaises perspectives chinoises, prix du pétrole trop bas, menace d’une « guerre des monnaies », parce qu’il est important de comprendre si en période de crise, les décisions des cadres dirigeants sont effectivement liées à une rémunération fonction de critères RSE, vue comme une mesure d’incitation. Les résultats montrent que des 6 variables RSE retenues par Vigeo, une, la gouvernance, présente un biais de colinéarité et se trouve donc sortie de l’analyse ; une autre, le respect des droits humains n’est pas validée ; les quatre variables restantes expliquent juste 11,7 % de la rémunération. Ces premiers résultats quelque peu prometteurs permettent d’espérer qu’au lendemain de la crise sanitaire actuelle les conceptions évolueront sans doute dans un sens plus favorable à la RSE.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.012 | 0.060 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.019 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".