员工满意度、管理情绪与财务绩效：来自indeed.com的研究

International Journal of Information Management Data Insights 3（2023）100155工作满意度、管理情绪和财务绩效：来自indeed.com冯思杰地址：44 West 4th St，New York，NY 10012，USAaRT i cL e i nf o保留字：应用机器学习数据科学技术计量经济学a b sTR a cT员工的工作评估包含许多公司特征的信息，这些信息是公司外部无法观察到的。求职者和现有员工使用Glassdoor和Indeed等职位审查网站，以告知对方当前的工作场所文化。本文从Indeed.com收集了超过120万条工作评论。机器学习和自然语言处理方法用于通过员工对公司管理的看法获得有关公司的定性数据。本文件旨在量化雇员情绪如何影响公司的财务业绩。通过将审查数据与公司级财务数据相匹配，分析发现，1%的收视率增加约0.68- 0.73%的市场价值，0.62- 1.01%的收入。然而，管理层情绪的上升可能对财务表现产生非单调的影响，表明在平衡财务业绩和员工对其角色的满意度时，交易是固有的1. 介绍工作回顾已经成为一个丰富的“内部”信息来源，这些信息涉及与员工满意度相关的定性因素，包括工作场所文化、管理实践和公司战略。近年来，大型求职评论网站已经收集了来自全球数十个国家调查显示，超过50%的求职者使用求职评论网站来帮助他们寻找工作。此外，公司已经对其战略和内部政策做出了有影响力的改变，以回应通过这些网站公开的评论（Dube Zhu，2021）。虽然工作评论已经激增，但现在的开放问题是如何从文本中提取相关信息进行分析。一种文献使用机器学习和自然语言处理技术将综述文本转换为定量数据。相关的问题是，根据审查中讨论的工作方面（例如，工作与生活的平衡、公司文化、与管理层的关系、福利），是什么决定了员工的满意度。这一领域的大多数研究都认为整个综述文本是相关的。然而，评论也有评分，这已经代表了员工的大部分意见。因此，问题是如何从审评案文中找出更多有价值的信息。本文旨在解决如何从评论文本中发现有价值的信息的问题。本文的方法不是使用整个综述文本，而是集中在讨论管理的综述部分。本文的另一个目标是将员工情感与公司实际财务业绩联系起来，即量化情绪如何对公司产生强烈的现实影响。出于这个原因，对管理的关注是重要的，因为公司内部的人在很大程度上控制着战略决策，从而影响财务结果。在工作评估中讨论的其他因素，如工作场所的便利设施，可能没有那么相关，在这项研究中没有强调。从职业网站Indeed.com上，检索到2012年至2017年的约120万次工作回顾。公司层面的财务数据来自Compustat。由于Compustat仅提供上市公司的数据，因此本研究仅挖掘上市公司的综述文本。为了提取与管理相关的文本部分，使用Doc2Vec将文本转换为嵌入。然后，使用两种监督学习方法XGBoost和深度这些指标捕捉了职位审查领域特有的情绪维度。监督算法的使用利用了评论提供的五个评级的标签性质，这使得这项研究成为标准的分类问题。Google Sentiments API也被用作情感分类器，它在通用语言使用环境中捕获文本中更广泛的情感此外，本文强调了考虑综述的通用性的重要性。提出了一种基于词频-逆文档频率（tf-idf）的文本通用性度量方法这些技术的进一步讨论，包括所用算法的详细信息，见第3。本文的主要贡献是量化员工对管理层的情绪如何OLS电子邮件地址：sfeng@stern.nyu.eduhttps://doi.org/10.1016/j.jjimei.2023.100155接收日期：2022年2月9日;接收日期：2022年11月29日;接受日期：2023年1月6日2667-0968/© 2023作者。由Elsevier Ltd.发布。这是一个CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）可在ScienceDirect上获得目录列表国际信息管理数据杂志见解期刊主页：www.elsevier.com/locate/jjimeiS. 冯International Journal of Information Management Data Insights 3（2023）1001552回归用于估计这些效应的大小。我发现有强有力的证据表明，在横截面中，评级与财务业绩之间存在正相关关系。评级增加1%，市值增加约0.68- 0.73%，收入增加0.62- 1.01%。管理层情绪、非通用指数和财务业绩之间也存在显著关系，但它们的关系是非单调的：在某些值范围内呈正相关，在其他值范围内呈负相关。这意味着，在某些情况下，公司可能能够在短期内以牺牲员工为代价来提高财务业绩。这些发现也与有关工作场所文化与公司绩效之间在一个现实世界的例子中，金融公司富国银行（Wells Fargo）在其管理团队的领导下实施了高压工作环境，这导致了短期的财务收益，但长期的巨大损失，他们的非法和不道德行为被广泛报道（Ji，Rozenbaum，Welch，2017）。虽然这种情况是在一个极端，许多公司可能会发现这样的交易在他们的决策，虽然在较小的程度上。本文的结果证实了这种交易的存在，以及它们对企业战略的重要性。本文的研究过程如下。第2节讨论了为分析提供信息的相关文献。第3节详细说明了数据收集方法、机器学习技术和使用的估计模型。第4节概述了分析结果和主要结论。第5节讨论了本文对文献的一些贡献，以及实际意义。最后，6总结了论文，并概述了这种方法的一些局限性，以及建议的研究扩展。2. 文献综述本文对现有的几个文献作出了新的贡献。之前的论文利用文本挖掘和机器学习方法在在线工作评论中找到有意义的信息。这些文献背后的核心理论基础是，“企业文化”对员工的业绩有影响。Schein（1990）将企业文化定义为共同的假设、价值观和信念，帮助员工理解哪些行为是适当的，哪些是不适当的。员工对其角色的情感在他们的工作表现和业务成功中起着重要员工情绪理论上与他们的士气呈正相关，因为更高的士气会导致生产力的提高 （ Judge ， Thoresen ， Bono ， &Patton ， 2001 ） 。 虽 然 Ia&Muchinsky（1985）在一项荟萃分析中发现了这种联系的微弱经验证据，但随后Judge et al.（2001）发现情绪与表现之间的正相关性为0.3。Harter，Schmidt，Hayes（2002）将业务作为分析的单位，并调查了7939个业务单位，以证明员工总体满意度与业务成果（包括盈利能力）之间存在很强的正相关关系。作者建议将管理实践转向提高员工满意度。员工的情绪和满意度显然在业务成功中起着重要作用工作回顾文本提供了新的细节和洞察员工的情绪。Popadak（2013）使用工作审查数据来评估积极的股东治理对财务业绩和企业文化的影响。Ji et al.（2017）发现，较低水平的公司- 工作满意度低、“文化和价值观”水平低的人更有可能受到SEC欺诈执法行动和证券集体诉讼的影响，尽管他们也更有可能超出市场盈利预期。Luo，Zhou，Shon（2016）使用Glassdoor的250，000多条评论发现员工满意度对企业绩效有积极影响。Dabirian，Kietzmann，Diba（2017）只研究了Glassdoor上十大最佳和最差的公司，并发现传统的员工价值主张（如工作的社会元素，具有挑战性的工作任务和专业发展）不所有这些因素的重要程度相同，而且它们的相对权重在各组织中有所不同。类似地，一类文献通过使用机器学习技术来分析文本来扩展对综述文本的检查。最初在Blei，Ng，&Jordan（2003）中构想的潜在狄氏分配（Latent Dirchlet Allocation，在此称为LDA）使用未标记的文本数据作为输入和输出“主题”，所述“主题”是文本语料库的词汇表中的词上的概率分布。结构主题模型（Roberts等人，2014; Roberts，Stewart，Tingley，Airoldi等人，2013）通过向模型中添加协变量并使用特定领域的知识来扩展LDA。Lee& Kang（2017）使用潜在狄利克雷分配（LDA）对Glassdoor进行了重新评估，发现工作满意度因素如“文化和价值观”和“高级管理人员”对保留有正向影响，对离职率有负向影响。Goldberg Zaman（2018）开发了一种专门针对HRM领域的文本分析技术，用于使用Indeed的评论来预测员工的不满Jung Suh（2019）将基于文本的方法扩展到LDA之外的优势分析和对应分析，以了解行业和公司层 面 每 个 工 作 满 意 度 因 素 的 情 绪 和 重 要 性 。 Sainju ， Hartwell ，Edwards（2021）还扩展了LDA，包括使用结构主题模型（STM），并得出结论，领导和管理，过度工作和压力环境是导致员工离职率较高的主导因素。本文的新贡献是利用监督机器学习方法对职位评论文本进行情感分析。这与以前的文献不同，以前的文献基本上依赖于无监督算法，如LDA。使用LDA和STM等方法，必须叠加其他方法来衡量文本数据的情感。例如，在Jung Suh（2019）中，优势分析用于此目的。本文使用了最近流行的监督学习算法，其优点是使用评级本身的固有标签来量化评论中的情绪。所用算法的详细信息在3.4中讨论使用机器学习和自然语言处理方法进行的情感分析广义上，情感分析试图理解文本数据背后的观点或基本人类情感（Pak& Paroubek，2010; Pang &Lee，2004）。情感分析有广泛的应用。对积极和消极情绪的极性和主观性的检查已被用于分析Twit- ter数据的政治抗议（Neogi，Garg，Mishra，&Dwivedi，2021）;使用游客评论对酒店进行推荐（Mishra，Urolagin等人，2019; Mishra，Urolagin，&Jothi，2020）;增加对医疗患者的药物建议（Paliwal，Mishra，Mishra，Nawaz，&Senthilkumar）。另一种方法是对应用领域更加不可知，而是专注于提高情感预测的准确性，特别是使用Twitter数据（Alharbi&de Doncker，2019; Srivastava，Singh，&Drall，2019）。本文还通过使用调查数据（Bernhardt、Donthu、&Alfrett，2000年，Huang、Li、Meschke、&Guthrie，2015年）或“最佳工作场所”列表（Edmans，2011年），为将客户和员工绩效与公司绩效联系起来的更广泛的文献做出了贡献。这些文章认为，更健康的公司文化有利于人力资本。文化对员工保留的影响也是有关公司运营的相关文献的重点（De Bruecker、Van den Bergh、Beliën、Demeulemeester，2015年;Corominas、Lusa、Olivella，2012年; Bordoloi Matsuo，2001年），该文献使用数学模型得出员工流动率较高的负面影响，特别是对于更多依赖人与人之间互动的公司。员工流动产生负面影响的一个明显机制是增加公司的人力资源成本（Huselid，1995; Cascio，1991）。因此，公司内部的利益相关者可以从投资于信息管理中大大受益，这将最大限度地减少昂贵和破坏性的员工损失。本文概述了从员工的信息可以内部化的关键决策的方法。审查平台，如Glassdoor和Indeed，S. 冯International Journal of Information Management Data Insights 3（2023）1001553Fig. 1. 方法的结构。为利益相关者提供随时可用且有价值的信息，这些信息可以改进业务决策和绩效。（Sheng，Wang，&Amankwah-Amoah，2021; Symitsi，Stamolampros ， &Daskalakis ， 2018; Symitsi ， Stamolampros ，Daskalakis，&Kor fiatis，2021）先前的文献认为，公司管理和战略可以从计算业务分析的见解内部化中获益匪浅（McAfee，Brynjolfsson，Davenport，Patil，&Barton，2012，Kunc&&O 'brien，2019; Xu，Frankwick，Ramirez，2016）。鉴于“大裁员”（Sheather Slattery，2021年; Sull，Sull，Zweig，2022年; Van Dam，2021年）之后员工流动率高，保留率低，本文提供的见解至关重要&& 管理不善被认为是加剧这些转变的关键因素（Robertson，2021年，Meduri Jindal，2021年）。随着快速变化的劳动力市场条件有利于在家工作（霍普金斯费加罗，2021年），公司有更高的动力去了解什么能让员工满意。3. 方法大量的在线评论数据形成了一个关于员工如何看待他们的工作和公司的见解宝库。在本文中，综述数据首先从Indeed.com收集（第3.1）。然后，使用Word2Vec对复习文本进行预处理并转换为向量嵌入（第3.2节，第3.3节）。监督学习模型适用于审查数据，并使用审查文本的部分（第3.4节）对管理情绪进行预测第3.5节提出了处理一般性审查的方法。最后，OLS回归模型被估计用于量化情绪对公司财务结果的影响（3.6）。本文中使用的方法概述在图。 1.3.1. 数据收集工作评级和评论数据收集自美国最大的工作网站Indeed。现有的时间框架为2012-2017年。每个评论包含以下信息：评论者所担任职位的职务名称、评论日期、从1到5的评分，公司，工作地点，以及评论的文本以及优点和缺点（见图1）。 A.2审查的例子）。公司的财务数据来自Compustat，这是一个针对上市公司的历史数据集。从Compustat，我收集每股收益（EPS），市场价值和收入的数据。这些变量被选为每家公司在收集评论的时间范围内财务表现的标准指标。由于本文的重点是解释员工情绪对财务结果的影响，因此只选择Compustat数据库中可用的公司的工作评论。虽然这种方法在普遍性方面存在缺陷，但对于私营企业或中小型企业来说，它是最好的方法，没有可靠的财务数据。使用Compustat中的公司列表，Python包beautifulsoup是用来挖掘来自Indeed.com的评论数据3.2. 数据预处理评论的文本被“词干化”到它们的基本词（例如，“competitive”到“compet”），并且在英语动词中常见的停用词（例如，“and”，“the”）被删除。出现在少于十个评论中的其他词也被移除，以约束馈送到算法中的结果矩阵的维度。分析中既使用了一元语法，也使用了两元语法，即单个词和两个词的序列。3.3. 文本挖掘为了测量管理情绪，Word2Vec算法被用作一种技术来识别评论文本中 哪 些 术 语 实际 上 与 管 理 相 关。 Word 2 Vec （ 在 Goldberg& Levy（2014）中引入;Mikolov，Grave，Bojanowski，Puhrsch，&Joulin（2017））使用浅层神经网络为单词创建向量（即嵌入），以便在向量空间中彼此接近的单词在含义上彼此接近。这种方法适用于识别特定单词的同义词，如Word2Vec是在评论样本上执行的。然后，使用结果拟合模型，检索与“管理”最相似的词的列表。根据Word2Vec，与管理最相似的十大词汇是：manag，manger，supervisor，mgmt，manager，uppermanag，mgt，leader，leadership，mgrs。虽然这些术语中的一些是经理或管理的缩写，但其他词，如领导者和主管，只是在上下文中的用法与经理的用法相似对于包含管理术语的每个审阅，由管理术语之前和之后的五个单词组成的管理短语被提取。例如，整个工作评审（见表A.4）为：“我一点也不喜欢沃尔玛的工作环境。有些员工很粗鲁，很不友好.如果你能跟上的话，这我我觉得他们会评判我，看不起我。”审查中的男性部分将构成管理层的一句话：S. 冯International Journal of Information Management Data Insights 3（2023）10015543.4. 预测管理层情绪3.4.1. 监督训练为了预测评论文本中对人的情感，选择性能最好的监督算法，并在评论和评级上进行训练。每个评论所附的五分之一的评分将是监督分类算法的标签，其中4或5颗星代表积极情绪，1或2颗星代表消极情绪。该模型的功能是基于评论文本的Word2Vec嵌入。之所以选择这种方法，是因为它允许基于领域的情感测量，这是特定于工作审查，以及情感的语义关联特定于描述工作领域。更具体地说，选择了两种监督算法。第一个是XGBoost（Chen&Guestrin，2016; Chen等人， 2015年），这是一种高效的基于决策树的方法。XGBoost的优点是它能够不过度拟合训练数据。由于它是一种梯度提升方法，这意味着该算法训练了一组简单模型来进行预测。对于XGBoost，组件简单模型是决策树。一个特征，在这种情况下是一个词或术语，当它被用来在树中做出一个重要的决定或对于单个决策树，一个项的重要性是在该项处的拆分提高性能的量实际上，这意味着通过是否包含该术语来划分的文档具有更高的准确性，即预测标签与实际训练标签的匹配。在计算上，它是用Python和xgboost包实现的。作为作 为 一 种 情 绪 分 类 器 ， 它 在 （ Giannakas ， Troussas， Krouska ，Sgouropoulou，Voyiatzis，2021; Memon，Patel，Patel，2019）中表现良好，这主要是由于它能够第二个监督算法是深度神经网络。这类模型是一种Krose，Smagt，1993; Anderson，1995）。实现是使用Python中的tensorflow完成的。该模型可能特别适合于情感分析，因为它能够进行非线性关联。文本嵌入之间的关联（Severyn Moschitti，2015; Alharbi de Doncker，2019）。3.4.2. Google云情感SDK监督方法允许采用特定领域的方法来分析情绪，仅限于提供的评论文本。管理层情绪不需要专门针对职位审查数据进行培训，因为与情绪无关的其他术语（例如行业相关术语，例如销售，运输等）可能会影响预测。Google Sentiment Analysis是一个最先进的API，可以分析任何文本的情感，并给出[-1，1]之间的分数。监督方法和谷歌情感分析都被用来捕捉评论文本中的情感，这既是特定于工作评论文本的领域，也是日常语言更广泛背景下的情感。3.5. 通用审评并不是所有的评论都是同样的信息。有些评论很简短，不讨论工作或工作环境的具体情况例如，一个评论说"管理很棒"，比一个评论说"管理很棒，因为他们注意反馈，并对绩效进行详细的评估"，先验地不那么具有信息性。如果不考虑通用性的衡量标准，所有的评论都将具有相同的权重。我介绍了一种称为非通用指数（以下称为NGI）的衡量标准，以说明综述中的通用性水平NGI是矢量数据（Ramos等人，2003年）。tf-idf粗略地衡量了术语对特定文档的重要性。这通过术语在文档中出现的频率来衡量，然后通过术语在所有文档中出现的频率来为了衡量文档的如第A.1节所述，一个术语在所有文档中的频率越高，其逆文档频率（idf）就越低。因此，如果一个文档包含许多在所有评论中常用的单词，那么它的平均tf-idf（和NGI）值将很低。相反，如果一篇评论包含许多在所有文档中不常使用的单词，则其NGI将很高。例如，由“managstaegreat“组成的管理短语每个评审和管理短语都有自己的非通用指数权重，因此，当按公司平均评级时，较通用的评审的权重低于较不通用的评审。这种措施将使公司能够以突出相对更具信息性的审查的方式管理信息，这可以改善他们关于更彻底地考虑何种反馈方式的决策。3.6. 分析分析的目的是确定从上述机器学习方法中获得的基于评论文本的特征是否OLS估计的目的是量化通过机器学习方法确定的管理层情绪对公司财务结果的影响。虽然先前的文献（例如Bernhardt等人，2000）使用调查数据将企业文化与公司业绩联系起来，将情绪分析与财务数据结合起来，可以更直接地衡量对公司的情绪如何影响业绩。使用OLS估计，情绪的系数值将直接表明其对一系列不同金融结果变量的影响程度。数据按公司和年份汇总数据集中每个变量的数据。公司• 每股收益（Earnings per share）• 市场价值：market value• 营业额：收入公司基于审查文本的特征将是回归的解释变量。它们是：• 评论：平均评分• ���������������������������������深度神经网络算法• ������������审查文本的平均非通用索引• 管理短语索引表示评审文本对于回归方法，目标是确定基于文本的特征的估计beta值是否（a）在5%水平上具有统计学意义，以及（b）是正还是负。正beta估计表明，公司业绩与评论文本管理情绪呈正相关，而负beta估计表明，如果管理情绪下降，公司业绩将增加ols模型合并OLS回归的回归模型为以下方程：������,���=���0+���1���������������������,���−1+���2���������������������������������,���,���−1+���3���������������������������������������,���,���−1基于特定文档的词频-逆文档频率（TF-IDF），这是将文本转换为+ 100万美元���������， +50万美元������������， ++，（一）S. 冯International Journal of Information Management Data Insights 3（2023）100155表15Indeed和Compustat提供的公司评论汇总统计数据201220132014201520162017所有平均难度等级3.753.773.773.773.743.653.73评价数115,736171,864184,896203,985196,718365,8511,240,541多家公司1687189219852109212823902738平均每股收益0.40.350.380.20.310.420.23平均市场价值7346.268222.088937.798970.799567.0411579.228946.93平均收入1909.651843.681787.141632.131701.91950.191851.98为了解释评论文本的非通用指标与预测的管理层情绪之间的相互作用，我还估计了一个回归，其中包括非通用指标与其指标的乘积：������,���=���0+���1���������������������,���−1+���2���������������������������������,���,���−1+���3���������������������������������������,���,���−1+4，， −1+ 5，， −1+��� 6， −1���������������������������������������������������+7，������，���������������������������������������−1+8������������������，，���������������������������������������������−1表2辨别正面和负面评论的最重要的功能。++，（二）在这里，���评分������代表公司在第-1年的平均评分������，由以下给出的每个评论的一般性加权���。类似地，������，������������������������������������，���−1代表平均深度神经网络管理情绪，由管理短语的通用性加权。因此，评级、情绪和NGIs将在回归中以非线性方式进入。本集团亦计入年度固定业绩预测，以吸纳一段时间内的趋势。������������������对所有变量进行对数转换，以明确解释系数。4. 结果4.1. 分析审查数据总的来说，有2738家公司的124万条评论。所有评论的平均评分为3.73。大多数评论者对他们的工作给予4分（31%）或5分（21%）的正面评价，只有14%的评论者对他们的工作给予1分或2分（满分5分）的负面评价。(See示例见表A.4）。评论数量每年都在增长，从2017年开始收集了超过365，000条评论。Compustat覆盖的公司数量也逐年增长，2017年达到2390家。平均评级每年保持大致稳定，2017年的平均评级最低。这可能是由于2017年的审查数量变化较大。数据总结见表14.2. 与正面和负面评论最相关的词4.2.1. 朴素的方法：词频为了更好地理解用于描述工作积极体验（评级4或5）与消极评级（1或2）的词汇差异表A.5显示了所有评论中出现的20个最常见的词;表A.6显示了正面评论的常用词;表A.7显示了负面评论的常用词。虽然所有的评论都有描述工作方面的词汇（客户、一天、公司、人、时间），但积极的评论包含反映工作建设性方面的词汇（学习、享受），而消极的评论则提到了薪酬，这可能反映了他们对薪酬的不满。4.2.2. 监督学习方法发现与正面和负面评论最相关的词的另一种方法是使用拟合XGBoost模型中最重要的特征在这种方法下，一个生动的描述出现了主要是什么使某些立场不受欢迎。除了可怕、可怜、可怕、最糟糕等情绪化的语言外，还提到了员工的解雇留下负面评价。这与先验预期一致，表明该算法在发现识别术语方面是合理更有意思的是包括了员工流失，这清楚地表明公司面临持续的挑战，导致许多员工对自己的角色和公司不满意。对非专业和非组织化工作环境的描述也是负面工作体验的重要决定因素，微观管理也是如此。从积极的一面来看，提到他们工作中最喜欢的部分的评论更有可能留下高评分，以及那些描述家庭等工作环境的评论。公司可以利用在线审查的信息管理，通过更多地投资于减少审查的负面影响，例如通过提供在职培训来减少非专业性，从而改善其人力资源投资决策4.3. 回归结果回归分析的结果可直接量化财务表现的审阅特征工作评级对使用所有三个利益变量衡量的财务表现有积极和重大的影响所有结果列于表3中。就各公司而言，评级指数每上升1%，市值将相应增加0. 68 - 0.73%，收入将增加0. 62 - 1. 01%，每股盈利将增加0- 0. 06%。Term重要性可怕0.0060贫困0.0058可怕的0.0045最糟糕0.0042不专业0.0029告诉0.0028火0.0026不要0.0022图尔诺夫0.0022谎言0.0021吸0.0019放手0.0018上0.0018半导体器件0.0017粗鲁像家人一样0.0017沉闷0.0017吼0.0016布里尔0.0016除非0.0015微管理0.0015无风琴0.0015确保0.0015笑话0.0015底线0.0015Excel0.0015各种0.0015鲁成0.0015promis0.0014缺乏0.0014S. 冯International Journal of Information Management Data Insights 3（2023）1001556表3解释合并OLS财务业绩的回归结果。标准误差报告低于系数估计值。（一）（二）（三）（四）（五）（六）3.7173.6004双金属-1.77磅-3.7223-1.1609米-4.0860.07160.09960.52190.74620.53390.7962������������⋅������������������-0.01960.1443-0.64990.04820.360.40370.04840.0579马币0.7306小行星0.6764千足金0.6192小行星1.0132双头龙0.01060.030.07950.23130.06820.264-0.00520.01220.03431.0382双头龙0.02271.0714小提琴0.00720.02670.05150.17940.05690.1969���������������⋅������������������-0.0198-1.2682-1.289千足金0.03480.24720.26290.00390.07960.00370.948千足金-0.03230.8788澳门葡京0.00870.05190.05170.28710.05310.2574���������������⋅������������������������-0.0832-1.0573-0.99660.05870.31680.2956-0.00880.0071-0.1046-0.1749-0.11730.36210.01260.03530.09240.27110.09280.29250.01320.0435米0.161米0.95030.2022年，0.9611双金属0.00810.01770.05870.13220.05480.1244基于文本的功能对市场价值和收入也有显著的影响，但对每股收益没有影响。管理层情绪相关特征的影响也很重要，这表明除了员工对工作的总体情绪外，管理层情绪对公司业绩有额外的权重有趣的是，管理层情绪的NGI很重要，而整体审查的NGI则不重要。管理层情感与其NGI之间交互作用项的显著性表明，管理层情感与财务绩效之间呈现非线性、非单调的关系。虽然神经网络管理层情绪对市值的影响显著且正面，但非通用指数加权情绪对市值及收益均显著且负面���������������������������������每增加1%的市值，市值将增加（1.04 - 1.27亿美元）%，收入将增加（1.07 - 1.29亿美元）%。���������������������������������这意味着：• 当最大值≤0.8时：最大值的增加可能会增加财务业绩���������������������������������������•当风险指数> 0. 8���������������������������时，风险指数的增加可能会降低财务表现。Google也是如此。 管理 情绪 （中文）���������������������������上一������������期间的市值增加1%，使本期间的市值增加（0. 95 - 1. 06亿美元）%，收入增加（0.88 - 1亿美元）%。即使存在神经网络管理情绪，谷歌管理情绪的重要性也表明，捕捉特定领域和非特定领域的情绪对最终结果至关重要。总体而言，根据OLS，上期的工作评级与本期的财务业绩之间可能存在正相关关系上一期间的管理层情绪和非一般性的管理层情绪与本期间的财务表现之间可能存在显著但非线性的关系。这对公司的影响是，做出有利于员工满意度的决策同样，某一季度的员工满意度较低可能表明下一季度的绩效较低。这些信息的可用性将使公司能够做出决定，以减少未来损失的可能性，例如通过削减其他地方的成本5. 讨论5.1. 文学贡献本文弥合了用机器学习技术测量员工情绪的文献和解释员工情绪如何影响公司绩效的文献之间的差距在第一种情况下，以前的论文使用tf-idf，LDA，STM等方法来解释工作评论中的情绪。然而，并没有说明为什么情绪对公司的现实世界结果很重要。重点更多地集中在衡量和解释员工情绪本身。 在第二种情况下，重点是检查来自工作评论的评级数据（Ji等人，2017）及其对公司性能的影响，但它们没有使用机器学习方法提取文本特征。在分析中没有利用案文本身提供的补充资料本文的方法是做到这两点：它引入了使用最新的监督学习算法对工作评论进行情感分析的新这证明了机器学习技术在为量化现实世界的影响提供新信息方面的潜力。此外，以前的论文集中在审查文本作为一个整体，并没有考虑情绪管理特别。这篇文章展示了从评论文本中提取更多相关部分的重要性，特别是因为评级可能已经代表了整体评论。因此，重要的是要考虑文本的附加价值是什么。并非所有的审查文本都与公司业绩有关。例如，员工可能喜欢他们的工作场所到他们的房子的近距离，并将其包括在评论中。然而，对管理层的看法更有见地，因为管理层控制着公司内部的大部分决策。员工直接观察管理层，这不是外部利益相关者（如股东）可以做到的。这些数据的局限性然而，在许多员工中平均，该信号可能更具信息性，因此有利于公司跟踪。S. 冯International Journal of Information Management Data Insights 3（2023）10015575.2. 实际影响公司可以从现任和前任员工留下的工作评论中找到有用的见解。这些见解对决策具有战略意义公司可能会找到对其人力资源战略的直接反馈，评论通常是匿名的，这为员工提供了更好的保护。公司还应更具体地关注审查的相关部分，特别是公司领导者可能能够实施更改的反馈。此外，各公司应检查审查在描述其管理实践方面的通用性。更一般的情绪可能没有更具体和详细的情绪那么大的6. 结论如今，关于员工情绪的在线数据来源越来越多。在本文中，一些有价值的见解，从这些数据的使用获得的突出。当工作审查数据与机器学习技术相结合时，许多新的量化途径就会打开。其中一个途径是确定员工对管理层的看法，这对公司另一个途径是了解通用综述文本在衡量其情感重要性方面的重要性。虽然这些指标以前是无法观察到的公司特征，但通过应用机器学习方法，它们变得可以观察到。我发现评级与财务表现之间存在正相关关系，而管理层情绪与财务表现之间存在显著但非线性的关系。这些发现表明，在创造更好的工作场所文化和短期财务业绩之间可能存在权衡。在一个受高员工流动率和低员工保留率影响很大的经济体中，这种影响可能会产生广泛的影响。本文还介绍了可以应用于工作重新查看文本，以实现情感分析的方法。这些方法包括使用Doc 2 Vec对评论文本进行矢量化，使用XGBoost和深度神经网络等监督算法来训练专门针对工作评论领域的情感分析模型，以及基于tf-idf的通用评论文本（NGI）的度量。这些方法可能具有超出该领域范围的广泛适用性，特别是当评论文本与评级配对本文的另一个见解是将分析重点放在评论文本中提供评级之外的其他信息的部分，例如确定情感空间。公司业绩偏向于较大的公司。对于较小的公司和私人公司，情绪和业绩之间可能存在不同的另一个延伸的途径是对每个行业分别进行研究。市场情绪对公司表现的影响很可能因行业而异。例如，餐饮服务业的员工情绪普遍较低，但可能不会对公司业绩产生重大影响，因为公司业绩主要由消费者需求驱动。作为对比，科技行业可能有更高的员工情绪，也可能经历更大的情绪对公司业绩的影响，因为这个行业在很大程度上依赖于高度专业化的人力资本。这可能会导致深入的研究领域的见解，如人力资本对公司绩效的影响，这对管理决策有着广泛的影响。同样，地域差异可能需要单独调查。可能的情况是，情感的影响在地理上是不同的，特别是对于城市与非城市环境。在就业市场饱和的城市地区，由于工人有更多机会找到新的机会，因此情绪对业绩的影响可能更大。在就业市场薄弱的地区，情况可能并非如此。这样的研究可能会对商业决策产生深刻的影响，特别是在位置选择如何影响员工满意度方面。竞争利益作者声明，他们没有已知的竞争性经济利益或个人关系，可能会影响本文报告的工作。附录A1. 评分：5颗星2. 职位名称3. 审查地点4. 审查日期5. 审查案文蓝色框表示在决定评审员给出的评级时可能很重要的术语表A1EX为每个评级的评论样本这是对管理层的批评，而不是对整个工作的在分析中这些额外的变量被发现对公司的财务结果本文有几个不足之处，这