Distinct outside forces influencing firm outcomes: Social media and city crime
Notice bibliographique
Résumé
Business entities face a multitude of external influences such as social, economic, and environmental factors. These outside forces have the capacity to instigate meaningful financial outcomes, emphasizing their importance for both the firms themselves and external stakeholders, namely, investors and regulatory authorities. In my dissertation, I explore two such outside yet discrete forces – social media engagement and city crime. Building on the concept of “online firestorms” that tweets can entice, I investigate a set of tweets sent by the S&P500 firms and their CEOs that the Twitterverse considers controversial. Consistent with social media’s cancel culture, I find evidence that the perceived controversial CEO tweets are associated with significant negative stock market reactions. The detrimental impact of CEOs’ controversial tweets is intensified for firms with “Star CEOs” and reversed for firms with high individual ownership. Using the same concept of “controversy” in firm tweets, I find contrasting outcomes that imply a positive significant reaction of controversial tweets on the stock market. This evidence complements inferences from previous studies that documented price-distortion behavior of social media messages firms post. Sentiment analyses of these firm-tweets reveal when the tweet contents are positively oriented, the market reacts more optimistically no matter the perceived controversy in the tweets. My dissertation expands the influence of outside forces by investigating crime rate in the city in which firms are headquartered. Using the Accounting and Auditing Enforcement Releases issued by the SEC to firms for fraudulent financial reporting and the city crime rates in the USA, I show evidence that indicates the higher the crime rate in the city in which firms are headquartered, the higher the likelihood of fraudulent reporting. Further, with subsample analysis, I demonstrate a nuanced influence of CEO compensation and of proximity to the SEC’s headquarter, on the relationship between crime and fraudulent financial reporting.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».