Behavior and Consequences of COVID-19-related Voluntary Disclosure: Evidence from Pharmaceutical Companies
Notice bibliographique
Résumé
With the explosion of COVID-19, a number of publicly traded companies in the pharmaceutical industry have thrown themselves into the development of novel coronavirus vaccines and therapeutics, and have voluntarily disclosed information about the development process. In this paper, six companies with different quality ratings of information disclosure in the pharmaceutical industry (refer to the results of the 2019 Shenzhen Stock Exchange quality assessment of information disclosure) were selected to explore the behavior and consequences of voluntary disclosure of information by listed companies in the pharmaceutical industry in China. The results show that voluntary disclosure of positive news will have a positive impact on the company’s share price. Companies with high disclosure quality ratings have lower price volatility before and after disclosure. Low-rated companies have volatile stock prices before and after disclosure, and the price gains are unsustainable for long periods of time, even falling back to lower levels than they were before disclosure. It is not the case that companies’ share prices do not fluctuate due to poor disclosure appraisal results, but rather they may cause a larger market reaction for the purpose of misleading investors. To some extent, this paper enriches the research on voluntary information disclosure of listed companies and will make listed companies understand the consequences of voluntary information disclosure on COVID-19-related issues, provide evidence for relevant supervisory authorities to regulate voluntary information disclosure further, and create a better voluntary information disclosure environment for China’s stock market.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».