企業財務危機前之媒體管理 (Media Management Before Corporate Financial Distress)
Notice bibliographique
Résumé
Chinese Abstract: 本文檢定企業之媒體管理與後續發生財務危機之相關性。以台灣50 成份 股為訓練樣本，使用支援向量機的演算法建立正負面新聞分類的依據。針對台 灣證券市場在1995 年至2010 年所發生的財務危機公司為觀察公司及其配對的 對照公司為研究樣本，檢定企業在爆發財務危機前是否會抑制公司負面新聞的 揭露或者進行塑造正面形象的新聞報導等媒體管理。實證結果顯示財務危機事 件日前一年，負面新聞會在各季持續揭露，然而，財務危機事件日前一季，企 業也會進行塑造正面新聞報導。English Abstract: This study examines the relationship between media management and subsequent corporate financial distress. Applying a Support Vector Machine algorithm to the component stocks on the TSEC Taiwan 50 index could establish a rule for classifying positive/negative news. By examining the behavior of these companies during periods of financial distress from 1995 to 2010 and that of control firms listed on the Taiwan Stock Exchange, we examine whether firms suppress negative news or whether they attempt to mold a positive image before exposing news of financial distress by means of media management. Our findings show that negative news would be continuously exposed in several quarters of the first year before financial distress occurs, but the positive image would be molded in the first quarter prior to the onset of financial distress.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».