Таблица 2.3 Описательная статистика выборки для генеральных директоров, НЕ обладающих «избыточной» властью. Значение переменной Power=0
2.2 Сравнение подвыборок (описательная статистика по госкомпаниям и частному бизнесу)
Таблица 2.4 Описательная статистика выборки, характеризующая директоров частных компаний. Переменная Private = 1
Таблица 2.5 Описательная статистика выборки, характеризующая директоров государственных компаний. Переменная Private = 0
В таблицах 2.4 и 2.5 приведены данные компаний из выборки с делением на частный бизнес и государственные компании. Основываясь на полученных результатах, можно сказать, что типичный портрет генерального директора частной компании выглядит так:
Средний возраст директора частной компании составил 49 лет, опытом работы в индустрии обладают более 74% директоров. Лишь небольшая их часть имеют связь с властью (28%) или являются выходцами из силовых структур (23%). Средний срок пребывания в должности составил более 8 лет. Больше четверти директоров являются основателями своих компаний.
К сравнению средний возраст генерального директора государственной компании составил 54 года, также большинство директоров имели опыт работы в данной сфере - тоже 75%, лишь небольшая часть является выходцами из силовых структур (29%), но абсолютное большинство из них имеет связь с властью - почти 80%, что логично. Средний срок пребывания в должности более 5 лет, и никто из директоров не является основателем компании, что также логично.
Что касается образования - для обеих подвыборок подтверждается тенденция, замеченная в научной литературе, что большинство генеральных директоров имеют связь с экономикой или финансами. Также в среднем показатели EVA у частных компаний выше, чем у государственных, а подход к планированию совпадает.
2.3 Анализ корреляций, построение полных и частичных регрессий
Были выделены базовые характеристики, влияющие на индексы EVA и CHI:
CEO_Ownership, CEO_Tenure, CEO_Industry, CEO_Duality.
Помимо базовых переменных мы пробуем учесть влияние образования (CEO_Special_education, CEO_Economist_Finansist, MBA) и связь с правительством и силовыми структурами (CEO_Government, FSB).
Для первичного метода исследования был выбран метод иерархического регрессионного анализа. Исследование проводилось в несколько этапов. Для начала были введены базовые характеристики, влияющие на CHI. Затем анализировались оставшиеся регрессоры, представляющие теоретический интерес. Отдельно рассматривалось влияние образования на финансовые показатели, а также влияние переменных, отвечающих за связи с властями (CEO_Government, FSB). В последней модели мы учли все регрессоры.
Для CHI наиболее удачной оказалась модель, включающая все регрессоры (модель №8 сквозной регрессии)
Еще до построения моделей мы подозревали наличие гетероскедастичности, которая практически всегда присутствует в наборе случайных данных. Чтобы избежать двойного тестирования, мы сразу использовали скорректированные ошибки по методу Уайта. Как показало дальнейшее исследование, данное решение было верным, т.к. последующее тестирование методами Бройша-Пагана и Голдфильда-Кванта, а также анализ графиков подтвердили наличие гетероскедастичности в моделях для CHI.
В качестве основных моделей мы использовали регрессию для панельных данных со случайными эффектами и сквозную регрессию. При выборе моделей мы опирались на статью John Becker-Blease (2016), в которой обсуждались преимущества и недостатки моделей с фиксированными эффектами для анализа влияния характеристик руководителя на показатели компании.
Недостатки модели с фиксированными эффектами состоят в необходимости оценивать большое число параметров и невозможности включить неизменные во времени переменные. Мы использовали внутригрупповую модификацию модели (fixed effects “within”), которая не учла эффекты переменных CEO_Government и FSB в Моделях №8 (Таблица 2.7)
После расчета коэффициентов регрессоров было построено несколько графиков для оценки состоятельности моделей. А именно: график распределения остатков от предсказанных величин, график распределения арифметических квадратных корней остатков, график квантиль-квантиль распределения и гистограмма частот.
Для значимости коэффициентов регрессии остатки должны быть распределены нормально. Это требование связано с нормальным распределением зависимой переменной для каждого уровня значений независимой переменной. Для проверки распределения остатков был выбран именно графический способ, т.к. формальные тесты очень чувствительны к размеру выборки.
Гистограмма частот показывает распределение зависимой переменной (CHI) от частот. По оси абсцисс откладывается значение переменной, по оси ординат - количество значений. В данном случае отчетливо наблюдается картина, что в случае зависимой переменной CHI данные распределены равномерно,
В квантильном графике остатков по оси абсцисс откладываются квантили нормального распределения (в нашем случае t-распределения), по оси ординат - квантили распределения остатков (в нашем случае стьюдентизированных остатков).
В случае с CHI «хвостов» не наблюдается, и данные распределены нормально. Такой же характер распределения для CHI подтверждается остальными графиками.
Для проведения диагностики модели используется также график остатков от предсказанной величины. По оси ординат откладываются стандартные отклонения остатков (в нашем случае стьюдентизированных остатков). Если величины распределены однородно в рамках двух стандартных отклонений от нуля можно сказать, что модель гомогенна. Иначе выражена гетерогенность.
Аналогично строится график корня из остатков.
В целом, как будет продемонстрировано далее, характер распределения данных не будет меняться для CHI вне зависимости от спецификации модели. На одинаковых типах графиков можно будет наблюдать одинаковый характер распределения. Таким образом, интерпретация графиков не будет отличаться друг от друга, поэтому каждый раз дублировать ее под графиками авторы посчитали нецелесообразным.
Наличие связи между регрессорами представлено в корреляционной таблице. Для оценки связи регрессоров из полученных данных с зависимыми переменными был построен ряд моделей, представленных в таблице ниже.
Модели для CHI:
Таблица 2.6 Модели CHI, построенные методом сквозной регрессии. Все ошибки исправлены по методу Уайта
Таблица 2.7 Модели CHI с фиксированными эффектами
Графики распределения остатков и диаграмма распределения для Model №8 CHI, Таблица 2.6
|
Рис. 2.1 |
Рис. 2.2 |
|
|
Рис. 2.3. Квантиль-квантиль распределение |
Рис.2.4 |
|
Таблица 2.8. Корреляционная таблица для всех регрессоров, использованных при построении регрессий, представленных в таблицах №2.5 -2.7
На корреляционную таблицу наложена тепловая карта. Цвета, означающие максимальную/минимальную корреляцию - синий/коричневый соответственно.
Здесь мы можем наблюдать, что высокая корреляция наблюдается между показателями Ownership и Founder, что легко можно объяснить тем, что во всей выборке только 2 человека в 2 компаниях владели существенным пакетом акций. Это Сергей Галицкий, основатель сети магазинов «Магнит», и Аркадий Волож, основатель компании Яндекс.
Также высокая корреляция наблюдается между переменными «President_N» и «Founder». Это также объясняется тем, что в компании Магнит и Яндекс таких должностей нет.
Между переменными Power и Industry также наблюдается повышенная корреляция относительно общего уровня, что может быть обусловлено временным фактором - наличие опыта в индустрии предполагает, что человек за свою профессиональную карьеру уже хорошо знает ключевых игроков в отрасли, и раз он является CEO (в выборке одни из крупнейших компаний в РФ), то пользуется несомненным авторитетом, что и влияет на его уровень властности и авторитарности.
2.4 Методология измерения "избыточной" власти директора
Как упоминалось ранее, в 1992 году в базовой статье (Finkelstein, 1992) была представлена методология, в которой предполагалось наличие взаимосвязи между личностными характеристиками исполнительного директора компании (CEO) и финансовыми показателями компании. Опираясь на теоретическую базу, сформулированную в социологии и теории игр, автор доказывал, что существует линейная связь между такими показателями, как возраст, количество лет пребывания в должности CEO, процент владения акциями и т.п. с одной стороны, и объемами продаж, показателями ROE - с другой. В последствии эта методология была взята за основу в большинстве статей, посвященных данной проблематике, и неоднократно подвергалась изменениям.
Как уже было упомянуто ранее, одной из целей данной работы является выявление влияния "властности" (или "власти", в дальнейшем будем считать, что эти термины взаимозаменяемы без искажения смысла) генеральных директоров российских компаний на величины экономической прибыли (EVA - Economic value added) и горизонта планирования компании (CHI - Corporate Horizon Index). В статьях опирающихся на Adams R. B., Almeida H., Ferreira D. «Powerful CEOs and their impact on corporate performance» утверждается, что наличие "избыточной" власти играет ключевую роль при принятии стратегических решений.
Для того, чтобы в нашем случае сформулировать понятие "избыточной власти" генерального директора, нам было необходимо скомбинировать одиночные бинарные переменные, выразив через новую, бинарную переменную, обозначающую избыточность власти.
Перед тем, как приступить к описанию того, как посчитана переменная "избыточной власти", необходимо отметить, что из-за невозможности получения данных ввиду множества причин, не зависящих от авторов, показатели вознаграждения директоров не были включены в расчеты, хотя они всегда играют важную роль в исследованиях на американском рынке.
Ниже представлены метрики, согласно которым рассчитывался бинарный показатель, характеризующий наличие "избыточной" власти.
CEO_Duality - переменная принимает значение 1 в случае, если CEO является председателем совета директоров, иначе 0
CEO_Tenure - срок пребывания в должности, абсолютное значение, в годах
СEO_Industry- наличие опыта работы в данной индустрии (есть опыт - 1, нет - 0)
CEO_President - занимает ли директор одновременно пост президента компании. Переменная принимает три значения: 1,0, нет должности. Чтобы учитывать её в регрессии мы разбили данный параметр на две dummy переменных:
CEO_President_Y - 1 в случае в случае занимаемой должности президента, в остальных случаях 0
CEO_President_N - показатель равен 1, если директор не занимает должность президента компании, иначе 0
Founder - является ли CEO основателем компании (1 - да, 0 - нет)
Данные показатели складываются, после чего вычисляется медиана по выборке. Значениям, равным или превосходящим медианное значение, присваивается 1 ("сверхвластный" директор), остальным 0 (совокупность данных не позволяет утверждать, что у директора избыточный уровень власти).
Полученная переменная носит название Power и будет использована в ряде моделей в дальнейшем.
2.5 Постановка гипотез исследования
Опираясь на изученную литературу, сформулируем гипотезы зависимости для CHI от властности директора. Показатель CHI был впервые разработан и описан в статье McKinsey. Описание методики, по которой составлялся индекс, было дано ранее. Формулируются следующие гипотезы:
Гипотеза 2a "Властность" генерального директора положительно влияет на CHI компании
Гипотеза 2b "Властность" генерального директора отрицательно влияет на CHI компании
Гипотеза 3a Образованность генерального директора положительно влияет на CHI
Глава 3. Анализ и результаты
3.1 Влияние властности на горизонт планирования
Для исследования зависимости CHI от образованности и властности директора была построена следующая модель
Уравнение 3.1
Зависимая переменная CHI была нормализована.
Таблица 3.1 Модель CHI-Power
Независимые переменные:
Power - властность генерального директора (1 - для сверхвластных директоров, 0 - для властных)
CEO_Age - возраст генерального директора
CEO_Government - принадлежность к правительству (1 - да, 0 - нет)
FSB - принадлежность к федеральной службе безопасности (1 - да, 0 - нет)
Переменные, связанные с образованием директора:
CEO_Special_education - наличие специального образования в выбранной отрасли (1 - да, 0 - нет)
CEO_Economist_Finansist - образование в области экономики и/или финансов (1 - да, 0 - нет)
MBA - наличие степени MBA (1 - да, 0 - нет)
Первичная оценка модели методом наименьших квадратов и анализ графиков не выявила гетероскедастичности модели, а также показала линейное распределение квантилей и нормальное распределение частот. На графиках можно заметить выбросы, однако оценка расстояний Кука не выявила влиятельных переменных.
Таблица 3.2. Корреляционная таблица для всех регрессоров
|
Рис. 3.1. |
Рис. 3.2. |
|
|
Рис. 3.3 |
Рис. 3.4 |
|