【摘 要】
:
在新型冠状病毒蔓延导致大多数企业股价下跌的时候,华大基因的股价逆势上涨,使其再一次走进公众视野。之前华大基因深陷负面新闻,股价大跌。此次翻身仗是华大基因利用重大事件成功进行印象管理的典范。本文通过回顾以往文献发现,我国现有文献对于企业利用重大公共卫生事件和重大政策事件进行印象管理的研究较少。因此本文从具体案例出发,研究华大基因的印象管理行为,分别从印象管理的主体、动机、策略和效果进行分析。利用文本
论文部分内容阅读
在新型冠状病毒蔓延导致大多数企业股价下跌的时候,华大基因的股价逆势上涨,使其再一次走进公众视野。之前华大基因深陷负面新闻,股价大跌。此次翻身仗是华大基因利用重大事件成功进行印象管理的典范。本文通过回顾以往文献发现,我国现有文献对于企业利用重大公共卫生事件和重大政策事件进行印象管理的研究较少。因此本文从具体案例出发,研究华大基因的印象管理行为,分别从印象管理的主体、动机、策略和效果进行分析。利用文本分析法分析华大基因的印象管理策略,用事件分析法和杜邦分析法从股价、企业绩效、发展能力三个方面评价华大基因的印象管理效果。文章发现,一、在负面事件冲击的印象管理中,相对于防御型印象管理而言获得型印象管理的效果更佳;二、企业在重大事件中通过捐赠、产品研发、响应国家政策等社会责任行为,有利于挽回企业的形象,并且使产品实力得到持久性提高;三、企业负面报道或印象管理会影响绩效水平,并且主要作用于企业的盈利能力来影响绩效水平。本文研究的创新点在于,已有文献较少研究政府这一目标对象,通过对案例企业的分析,发现其响应国家精准扶贫的政策是针对政府的印象管理行为,因此本文拓宽了企业印象管理的目标对象。并且对于印象管理的效果评价本文采用了事件分析法,能够更加直观反映其效果。希望通过本文的研究,对企业如何选择印象管理策略维护和修复企业形象提供思路,同时对投资者等利益相关者正确辨别企业印象管理行为提供帮助以及对监管部门提出建议。
其他文献
伴随着人机交互的普及,以及深度学习技术在计算机视觉领域的不断成功,基于深度神经网络的面部表情识别已经成为情感计算中的热门研究方向。在面部表情识别研究中,通常会面临三个方面的突出问题,第一方面,实际应用中图像采集设备捕捉到的人脸往往难以保证都是正脸,不可避免的会出现大量各种姿态的面部图像。然而,当前大部分的面部表情识别研究通常只针对正脸图像,当人脸姿态存在较大角度的旋转时,识别精度大幅下降。稳定可靠
“歌唱性”是音乐表演艺术必需具备的一种演奏状态,其描述的不是单纯音与音之间的连贯问题,也不是持续音之间相互连接的问题,而是情感状态的连接问题。钢琴独奏曲《松花江上》是崔世光依据原同名声乐独唱曲改编而成,作品充分利用了钢琴的优势,在保留原旋律的基础上将织体、音区、力度、和声等方面极大地扩展,强化了音乐的张力,使作品中的情感表达内涵得到丰富,“歌唱性”的表现视角得到扩充,增加了无限的艺术魅力。在长期的
机电一体化技术是一项综合性技术,涉及范围广,囊括了机械技术、计算机技术、电子技术等。在信息化技术持续发展中,人们对机电一体化技术的重视程度逐渐加深,其逐渐运用到各个领域中,为推动我国现代化建设作出了巨大贡献。本文首先对机电一体化技术及人工智能技术进行简单概述,然后探讨人工智能在机电一体化中的应用,最后展望人工智能环境下机电一体化技术的发展趋势。
近年来,随着社会技术的突飞猛进,尤其是人工智能技术的飞速发展,便捷的语音人机交互技术在文体领域的各类应用场景快速呈现。文体类应用场景中大多存在环境噪声过大的问题,严重影响实际人机语音交互的可靠性问题,该类问题统称为“鸡尾酒会问题”(Cocktail Party Problem,CPP),它一直是语音识别领域的热点研究问题之一。本文依托智能乒乓球训练项目,设计了一套智能乒乓球训练系统中的语音问答子系
信息科技进步催生了数据挖掘技术,聚类分析是数据挖掘中一项关键技术。聚类分析是一种无监督学习的技术,旨在不利用外部先验信息实现对未标记数据集的分类。聚类算法是聚类分析实现的主体,K-Means算法以其实现原理简单、时间复杂度低等优点广泛应用于聚类分析领域,但其存在K值需要预先设定、初始聚类中心随机选择易陷入局部最优解等不足。密度峰值聚类算法是一种新型的聚类算法,该算法具有原理简单、实现高效等特点,引
人脸表情识别技术作为情感计算领域中的一条重要分支,在安全驾驶、人机交互等方面有着较好的应用前景,研究人脸表情识别技术对推动人工智能的进一步发展具有重大的意义。现有的人脸表情识别技术主要适用于实验室条件下采集的人脸表情图像,但是在现实生活中采集的人脸表情图像大多会受到人体姿态、光照变化和遮挡等一些因素的干扰,增加了人脸表情识别的难度。本文研究基于注意力机制的人脸表情识别,主要工作内容如下:(1)在人
随着大数据和物联网等技术的发展,数据流已经成为一种新的数据形式,如何挖掘数据流中蕴含的信息逐渐成为研究热点。在有限的内存中快速处理数据流,以获取高质量的类簇划分的数据流聚类技术是数据流挖掘的一个重要方向。然而数据流聚类面临诸多挑战,基于密度的数据流聚类方法能够发现任意形状的类簇,但在概念漂移环境下存在参数难以设定、聚类精度低的不足;现有的数据流聚类方法不能很好地应对海量的多样化数据以及实现多源异构
高维数据由于自身直接处理的高复杂度和其本质特征的低维特性,结合日益增多的数据量和增大的数据样本维度,字典学习成为近些年来机器学习和计算机视觉研究领域的热点之一。字典学习算法应用于图像信号处理的基本假设是:自然图像本身具有稀疏特性,用一组过完备基(字典)将该图像信号线性表示出来,对应的表示在满足一定的稀疏度条件下,可以获取对原始信号的良好近似。从某种意义上来说,通用字典学习的优化模型是从信号恢复/重
相关滤波器在普通视频目标跟踪以及无人机跟踪方面都表现出了良好的性能,许多基于判别相关滤波器(Discriminative Correlation Filter,DCF)的方法在视频目标跟踪方面成功地利用构建模型缓解了边界效应和时间滤波退化问题。这些方法主要依赖于各种显式的先验正则化项,用一个结构框架来控制目标函数更新损失的退化,但往往忽略了数据保真项的损失,并且这些方法往往也会受到边界效应以及背景
近年来,基于卷积神经网络的有监督图像语义分割方法的研究取得了巨大进展。针对该方法所依赖的手动标签获取繁琐、费时的问题,一种流行的解决方法是通过游戏视频来收集类似于真实场景的图像并自动生成标签,随后利用迁移学习将合成场景训练的模型迁移到真实场景。由于域间差异,简单地将合成场景(源域)上学习的模型应用到真实场景(目标域)一般会出现较高的泛化误差,本文立足于迁移学习在图像语义分割中的应用,主要工作如下: