Advertisement

2000-2022年上市公司财务表现与并购成效数据（含ROA、ROE及TOBINQ变动情况）.xlsx

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
这份Excel文件包含了从2000年至2022年间中国上市公司的财务表现和并购活动的数据分析，重点关注资产回报率(ROA)、股权回报率(ROE)以及托宾Q值(Tobins Q)的变化趋势。 2001-2022年上市公司企业财务绩效、公司价值及并购绩效数据（ROA、ROE、托宾Q变化） 时间范围：2001年至2022年 指标包括： - 证券代码 - 统计截止日期 - 证券简称 - 行业代码 - 行业名称 - 年份 - 总资产净利润率B（ROA） - 净资产收益率(ROE) B - 托宾Q (Tobin Q) - ROA00、ROA10、ROA20、ROA30 - ROE00、ROE10、ROE20、ROE30 - TobinQ00、TobinQ10、TobinQ20、TobinQ30 数据来源：整理自CSMAR数据库 范围：上市公司 方法说明： 总资产净利润率（ROA）= 净利润 / 平均资产总额 其中，平均资产总额 = 资产合计期末余额 + 资产合计期初余额） 净资产收益率 (ROE) = 净利润 / 股东权益平均余额 股东权益平均余额计算公式：(股东权益期末余额+股东权益期初余额)/2 托宾Q（Tobin Q）= 市值A/资产总计 其中，市值A=A股*今收盘价A + B股*今收盘价B （沪市*CNY_USD, 深市/HKD_CNY 转换为人民币） + (总股数- A股-B股) * 所有者权益合计期末值/实收资本本期期末值 + 负债合计本期期末值

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 2000-2022年上市公司财务表现与并购成效数据（含ROA、ROE及TOBINQ变动情况）.xlsx
    优质
    这份Excel文件包含了从2000年至2022年间中国上市公司的财务表现和并购活动的数据分析，重点关注资产回报率(ROA)、股权回报率(ROE)以及托宾Q值(Tobins Q)的变化趋势。 2001-2022年上市公司企业财务绩效、公司价值及并购绩效数据（ROA、ROE、托宾Q变化） 时间范围：2001年至2022年 指标包括： - 证券代码 - 统计截止日期 - 证券简称 - 行业代码 - 行业名称 - 年份 - 总资产净利润率B（ROA） - 净资产收益率(ROE) B - 托宾Q (Tobin Q) - ROA00、ROA10、ROA20、ROA30 - ROE00、ROE10、ROE20、ROE30 - TobinQ00、TobinQ10、TobinQ20、TobinQ30 数据来源：整理自CSMAR数据库 范围：上市公司 方法说明： 总资产净利润率（ROA）= 净利润 / 平均资产总额 其中，平均资产总额 = 资产合计期末余额 + 资产合计期初余额） 净资产收益率 (ROE) = 净利润 / 股东权益平均余额 股东权益平均余额计算公式：(股东权益期末余额+股东权益期初余额)/2 托宾Q（Tobin Q）= 市值A/资产总计 其中，市值A=A股*今收盘价A + B股*今收盘价B （沪市*CNY_USD, 深市/HKD_CNY 转换为人民币） + (总股数- A股-B股) * 所有者权益合计期末值/实收资本本期期末值 + 负债合计本期期末值
     
  • 合并后的上市公司财务报表
    优质
    本资料深入解析了合并后上市公司的财务报表编制原则、方法及重要性，旨在帮助投资者和分析师全面理解公司整体财务状况与经营成果。 合并报表工具用于母子公司的会计报表合并，并自动生成模板。
     
  • 2004-2022年上市公司托宾Q值数据.xlsx
    优质
    本Excel文件包含了自2004年至2022年间中国上市公司的托宾Q值数据，为研究公司资产价值提供了详实的数据支持。 2004-2022年上市公司托宾Q值数据 1. 时间：2004-2022年 2. 指标：年份、股票代码、股票简称、行业名称、行业代码、省份、城市、区县、行政区划代码、城市代码、区县代码、首次上市年份、上市状态、托宾Q值 3. 范围：上市公司 4. 来源：上市公司年报 5. 样本量：5万条数据 6. 指标解释： 托宾Q值是由经济学家詹姆斯·托宾提出的，用于衡量公司投资机会与市场对其估值之间的关系。理论上，当托宾Q值大于1时，公司的市值超过了其资产价值，表明该公司应增加投资；反之，如果Q值小于1，则表示公司的市值低于其资产价值，可能意味着过度投资或市场对公司前景不乐观。 计算公式： 托宾Q值 = 市值 / 总资产 其中，市值计算方法如下： - 人民币普通A股的今收盘价期末值 - 境内上市外资B股的今收盘价期末值乘以当日汇率 - （总股本数-人民币普通A股-境内上市外资B股）*（所有者权益合计期末值/实收资本本期期末值） - 负债合计本期期末值
     
  • 2007-2022年上市公司绿色转型数据.xlsx
    优质
    这份Excel文件包含了从2007年至2022年间中国上市公司在绿色转型方面的详细数据，旨在评估和展示企业在这15年间向可持续发展方向的努力与成就。 2007-2022年上市公司绿色化转型数据（仅结果） 1. 时间：2007-2022年 2. 范围：上市公司 3. 来源：上市公司年报、上市公司社会责任报告、公司官方网站信息 4. 指标包括证券代码、年份和企业绿色化转型情况。 5. 方法说明： 从宣传倡议、战略理念、技术创新、排污治理及监测管理五个方面，选取113个关键词来衡量企业的绿色化转型。统计这些关键词在上市公司年报中的出现频率，并计算词频数的自然对数值加一（即ln(词频+1)），以此反映企业绿色化转型的程度。 5. 参考文献：《企业绿色化转型与股价崩盘风险》（周阔）
     
  • 上市公司绿色申请与授权数据（2000-2023年）.xlsx
    优质
    该文件包含自2000年至2023年间中国上市公司的绿色专利申请和授权信息，涵盖各企业环保技术的研发及应用情况。 上市公司绿色申请与授权数据（2000-2023年）.xlsx
     
  • 上市公司债务融资成本数据（2001-2022年）.txt
    优质
    本文件提供了中国上市公司从2001年至2022年的债务融资成本详细数据，涵盖不同行业及年度变化趋势。 数据存储在网盘中，txt文件内包含下载链接及提取码，并且这些链接永久有效。详情参见相关文章中的样例数据与详细介绍。
     
  • 上市公司2000-2023年财务违规、违约及舞弊事件明细与处罚措施（含罚金）.xlsx
    优质
    该Excel文件详尽记录了自2000年至2023年间，中国上市公司发生的各类财务违规、违约及舞弊案例，并附有对应的处罚详情和罚款金额。 数据来源基于中国证监会、上海证券交易所、深圳证券交易所及北京证券交易所的数据整理以及上市公司公告。 数据期间：2000年至2023年4月 数据范围涵盖沪深两市与北京证券交易所的A股上市公司。 主要指标包括： - 证券代码 - 违规事件ID - 公告日期 - 证券简称 - 处理文件日期 - 公告发布机构 - 公告文件名称 - 处理文件号 - 处理单位 - 违反的法律法规 - 违规年度 - 违规行为 - 处分措施 - 罚款金额 该数据集包含1000多条记录。
     
  • 1990-2024年公司退市情况及上市公司退市名单（STATA分析）
    优质
    本研究运用STATA软件分析自1990年至2024年间公司的退市状况，并列出详细的退市上市公司名单，旨在揭示影响企业生存与发展的关键因素。 在IT行业中，数据分析是一项至关重要的任务，特别是在金融领域。本段落探讨的是关于“1990-2024年公司是否退市、上市公司退市名单、退市上市公司、退市公司”的研究项目，这是一个涉及大数据分析的课题，主要关注特定时间段内上市公司的退出情况。 首先，“是否退市”是二元变量，在数据分析中被用作分类或逻辑回归模型的重要特征。如果一家公司在某个时间点已经从市场撤出，则该指标值为1；否则为0。这一指标有助于预测公司未来的经营状况和风险水平。 其次，分析“退市年份”可以帮助识别公司的退出模式、周期性趋势以及可能的影响因素，如经济环境或政策变化等。通过对历史数据进行时间序列分析（包括趋势、季节性和循环性分析），可以建立模型来预测未来可能出现的市场变动和公司行为。 在数据分析过程中使用的原始数据集通常包含各种相关信息，例如财务报表、市值信息及盈利能力指标等，这些都对构建复杂的统计模型至关重要。比如通过生存分析模型评估哪些因素可能增加公司的退市风险。 计算代码一般以Stata脚本形式存在，这是一种广泛应用于社会科学和经济学领域的强大统计软件。该脚本涵盖了数据预处理步骤（如清洗缺失值）、变量转换、逻辑回归或Cox比例风险等高级建模方法的应用以及结果的解释说明等内容。 此外，在进行大规模数据分析时，可能还会使用到Hadoop、Spark这样的大数据技术平台及Python或R编程语言来高效地处理和分析海量数据集。这些工具能够帮助研究人员快速有效地找到隐藏在大量信息中的模式与趋势，并通过Matplotlib或ggplot2等可视化库将结果直观展现出来。 最后，在项目文件夹中通常会包含详细的说明文档，解释整个研究的过程、目的及所采用的具体统计方法等内容；同时也会提供一个数据集压缩包（如9751.zip），内含各个上市公司的详细信息和历史记录。这些资源对于深入理解公司退市背后的驱动因素具有重要价值。 综上所述，本项目不仅涉及大数据分析与时间序列建模等技术手段的应用，还涵盖了金融市场的公司生存研究及如何利用专业软件进行数据分析的技能训练。通过上述方法和技术的支持，可以为投资者提供重要的决策依据和市场洞察力。