My blog Practice makes perfect
文献集锦
如何理论创新？
管理学理论集锦
Python实际应用
聚类标准误与固定效应
巫师3：狂猎
Stata应用技巧
Python知识与技巧
双重差分法（DID）
创新文献阅读与摘要
计量经济学
Python绘图相关
CSR Scope & Emphasis
type
Post
status
Published
date
slug
summary
tags
category
Python实际应用
icon
password
网址
作者
标签
文章链接
发布时间
来源
论文基本信息
- 期刊：Academy of Management Journal
- 作者：Zhang Yanlong, Wang Heli, Zhou Xiaoyu
- 发表年份：2020
本文严格按照上文提及的方法，提取并计算CSR Scope Conformity 和 Emphasis Differentiation 这两个核心 CSR 战略指标。
一、数据准备与致密化
数据来源：
上市公司基本情况/CG_Co.xlsx[来自CSMAR数据库]
上市公司社会责任评价指标表/CSRR_EvaluationIndex.xlsx[来自CSMAR数据库]
1. 变量定义
- CSR投入： 公司 在第 年对社会议题 的披露次数。
- 披露状态 (): 公司 在第 年是否披露议题 （1 表示披露，0 表示未披露）。
2. 关键变量计算：数据致密化
CSMAR 原始数据通常只包含 的记录，而未披露的默认为0。计算行业平均值前，我们必须创建所有缺失的 (公司, 年份, 议题) 组合，并将其CSR投入（ ） 赋值为 0。
代码实现：
二、核心变量：滞后特征向量中心性
计算步骤详述
Scope与Emphasis这两个指标都依赖于特征向量中心性 ( ) 作为权重。 衡量的是议题 在特定时间、特定行业内作为行业规范的相对重要性。
计算要求： 必须对每个 (IndustryCode, Year) 组合单独进行计算。
- 步骤：创建双模从属矩阵 ( ) • 目的： 捕捉公司是否披露了各个议题。 • 方法： 在第 年，针对特定的行业 ，将数据透视成一个矩阵 。 ◦ 行： 行业 内的所有公司 ( )。 ◦ 列： 所有 9 个 CSR 议题 ( )。 ◦ 值： (二元变量，公司 在第 年是否披露了议题 。 则为 1，否则为 0)。
- 步骤：转换单模概念网络 ( ) • 目的： 将公司-议题的关联网络，投影成议题-议题的共现网络 。 • 方法： 通过矩阵乘法 实现。 ◦ 中的值 代表在第 年，议题 和 共同被行业 内公司披露的次数。共现次数越多，连接强度越高。
- 步骤：计算特征向量中心性 ( )
• 目的： 识别网络中最具影响力和连接性的议题，将其作为行业规范的权重。
• 方法： 将 转换为
networkx图对象，然后计算每个节点（议题 ）的特征向量中心性得分。 • 滞后处理： 得到的 是第 年的权重，用于衡量公司在当期 年的行为。
代码实现：
三、Scope Conformity (范围一致性) 计算
Scope Conformity 衡量公司在第 年披露的议题与第 年行业核心规范的重叠程度。
公式：
代码实现：
四、Emphasis Differentiation 计算
Emphasis Differentiation 衡量公司CSR投入结构比例与行业平均投入结构比例的差异程度，并使用 加权。
公式：
关键变量：投入比例 ( 和 )
- ，公司对议题 的投入占公司总投入的比例
- ，行业平均对议题 的投入占行业平均总投入的比例
代码实现：
五、最终结果标准化 (Z-Score)
根据实证研究的惯例，最常用的标准化方法是 Z-Score 标准化（也称为均值-方差标准化）。
Z-Score 标准化的目标是将数据转换为均值为 0、标准差为 1 的分布。
公式：
其中：
• 是原始数据点（例如，Scope Conformity 或 Emphasis Differentiation 的计算结果）。
• 是所有数据点的平均值（Mean）。
• 是所有数据点的标准差（Standard Deviation）。
代码实现：
资源获取
CSR-scope-and-emphasis [Github]
Prev
美国专利类型
Next
如何读懂中国专利文献及获取专利文献信息
Loading...