Research on Financial Performance Evaluation of Pharmaceutical Enterprises Based on Big Data Analysis and Their Digital Development Paths
Notice bibliographique
Résumé
Under the background of the development of digital economy industry, more and more enterprises begin to make attempts of digital change.After constructing the financial performance index system of pharmaceutical enterprises, the study selects 30 pharmaceutical listed companies as the research samples, and evaluates their financial performance by using the principal component analysis method and the collected relevant data.On this basis, the study selects indicators of digitalization degree and puts forward research hypotheses, explores the influence of digitalization degree on the financial performance of pharmaceutical enterprises through correlation analysis, multiple regression analysis and time lag effect analysis, and then puts forward the path of digitalization development of pharmaceutical enterprises in combination with the results of the analysis.The results show that the financial performance of the sample pharmaceutical enterprises is at a medium level, with an average composite score of 0.520, among which pharmaceutical enterprises E10, E6 and E22 have the best performance, with scores above 0.9.The degree of digitization has a negative impact on the financial performance of enterprises at the 1% level, but the coefficient of digital capital investment turns from negative to positive after the lag two period, and there is a time-lag effect of digitization on the financial performance of pharmaceutical enterprises.It is recommended to promote the digitalization of pharmaceutical enterprises by encouraging the cultivation of digital talents, improving the law and cultivating thinking, and building a digital platform.
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 | 0,005 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».