Актуальные материалы

Контекстное корпоративное управление, SSRN

Кевин Д. Чен, Университет Дьюка, kevin.chen@duke.edu
Джон И. Кор, Массачусетский технологический институт, jcore@mit.edu
Уэйн Р. Гуэй, Пенсильванский университет, guay@wharton.upenn.edu

Аннотация. В настоящей работе проводится оценка важности контекста (и наблюдаемого, и ненаблюдаемого) в определении вариантов форм корпоративного управления, выбираемых компанией. Мы показываем, что наблюдаемый контекст прогнозирует значительную вариацию выбираемых вариантов, не включённых в выборку (вневыборочных вариантов). Однако влияние контекста является в значительной степени нелинейным, а включение нелинейных факторов существенно улучшает точность прогнозирования. Мы также предлагаем метод получения информации о ненаблюдаемом контексте и показываем, что использование информации ещё больше повышает точность прогнозирования. Кроме того, мы разрабатываем новый показатель качества корпоративного управления – контекстное корпоративное управление (ККУ) (англ.: context consistent governance, CCG), – который показывает более высокие результаты по сравнению с безусловными индексами корпоративного управления и подчёркивает ценность включения контекста в определение количественных показателей КУ.

Ключевые слова: корпоративное управление, контекст, контекстные факторы, прогнозирование, машинное обучение

Классификация по JEL: D22, G30, G34

Мы благодарим Джона Кеплера (John Kepler), Сьюзи Ноу (Suzie Noh), Паноса Пататокаса (Panos Patatoukas) и участников семинаров в Бостонском колледже, Индианском университете, Университете Райса, Стэнфордском университете, Калифорнийском университете в Беркли и Вашингтонском университете. Мы с благодарностью отмечаем финансовую поддержку от Школы бизнеса Фукуа при Университете Дьюка, Школы менеджмента Слоуна при МТИ и Уортонской школы бизнеса.

  1. Введение

В научных кругах и среди практиков широко распространено мнение о том, что корпоративное управление зависит от контекста и что вряд ли можно предложить общие для всех рекомендации относительно КУ (напр., Adams et al., 2010; Armstrong et al., 2010). Несмотря на это, существующие количественные показатели качества корпоративного управления, применяемые в научной литературе, в том числе индексы КУ (например, G-индекс, E-индекс), обычно не включают контекстную информацию. Иными словами, эти показатели доказывают эффективность конкретных механизмов корпоративного управления, зачастую взвешиваемых одинаково, без учёта того факта, что компаниям разных видов могут требоваться разные структуры КУ. Эта практика, несомненно, обусловлена её удобством в применении количественных показателей качества корпоративного управления, но включение контекстных факторов представлялось бы естественным следующим шагом в расширении этих показателей и нашего понимания того, каким образом корпоративное управление влияет на принятие решений компанией. Какое значение имеет контекст для корпоративного управления? В какой степени релевантный для КУ контекст является наблюдаемым или ненаблюдаемым? Может ли наблюдаемая контекстная информация быть использована для улучшения показателей качества корпоративного управления? В настоящей работе предложена структура для решения этих вопросов.

Несмотря на обилие литературы по корпоративному управлению, её возможная помощь в ответе на эти вопросы ограничена. Во многих работах рассматривается то, как тот или иной аспект КУ компании влияет на её стоимость или результаты. Однако эти исследования обычно стараются абстрагироваться от контекста, отыскивая ситуации, в которых структура корпоративного управления компании (или удар по этой структуре) является обоснованно экзогенной. Хотя в некоторых работах были документально подтверждены связи между разными характеристиками компании и механизмами корпоративного управления, они не ставили целью дать оценку потенциальных нелинейных воздействий контекста на выбираемые варианты КУ, масштаба ненаблюдаемого контекста или того, как контекст может быть использован при количественном определении качества корпоративного управления.

В настоящей работе мы разрабатываем основанный на прогнозировании подход к исследованию того, как контекст формирует варианты выбора корпоративного управления компании. Опираясь на теоретическую и эмпирическую литературу прошлых лет, мы начинам с формулирования линейной модели прогнозирования, в которой учитывается наблюдаемый контекст, и используем эту модель для изучения того, насколько хорошо наблюдаемые контекстные факторы прогнозируют варианты выбора КУ в данных, не включённых в выборку[1]. Мы выявляем и включаем в модель четыре наблюдаемых контекстных фактора: жизненный цикл компании, характер её инвестиций, сложность операционной деятельности и информационную среду. Например, теория говорит, что издержки и положительные эффекты положений, предусматривающих меры защиты от враждебного поглощения, могут меняться на протяжении жизненного цикла компании (напр., Kim and Michaely, 2019; Johnson et al., 2022). Важно то, что наша модель прогнозированияможет подтвердить (или поставить под сомнение) существование причинно-следственной связи между наблюдаемым контекстом и вариантами выбора корпоративного управления без конкретизации стратегии идентификации, поскольку прогнозирование является необходимым (хотя и недостаточным) условием для каузальности (Watts, 2014; Gow et al., 2023).

Мы показываем, что наблюдаемый контекст прогнозирует значительное варьирование выбираемых вариантов корпоративного управления на вневыборочном наборе данных.[2] По сравнению с базовой моделью, не включающей контекста (т.е. безусловной моделью), линейная модель прогнозирования с наблюдаемым контекстом приводит к статистически значимому повышению точности прогнозирования для семи из десяти механизмов корпоративного управления. Хотя все наблюдаемые контекстные факторы в некоторой степени повышают точность прогнозирования, особенно важны такие факторы, как жизненный цикл и сложность операционной деятельности, приводящие к статистически значимым улучшениям точности прогнозирования, соответственно, для четырёх и пяти из десяти механизмов корпоративного управления. С усреднением по всем механизмам КУ линейная модель прогнозирования с наблюдаемым контекстом повышает точность прогнозирования на 18%. Поскольку прогнозирование является необходимым условием каузальности, наши результаты с точностью прогнозирования для данных, не включённых в выборку, соответствуют причинно-следственной связи между наблюдаемым контекстом и вариантами выбора корпоративного управления, подтверждая общее мнение о том, что наблюдаемый контекст имеет значение для структуры корпоративного управления.

Далее мы изучаем два потенциальных усовершенствования линейной модели прогнозирования. Во-первых, наблюдаемый контекст мог оказывать нелинейные воздействия на варианты выбора корпоративного управления. Например, информационная среда может играть особенно важную роль в молодых компаниях, где отмечается относительно более высокая информационная асимметрия.[3] Чтобы количественно выразить положительный результат от включения нелинейных факторов, мы опираемся на понятие «полнота модели», разработанное в работе Fudenberg, Kleinberg, Liang, and Mullainathan (2022) (далее – FKLM). Полнота модели сравнивает ошибку прогноза линейной модели прогнозирования с наименьшей возможной ошибкой прогноза, достигаемую с учётом наблюдаемых контекстных факторов, которую FKLM называют «неустранимой ошибкой». Вслед за FKLM мы оцениваем неустранимую ошибку, используя прогнозы, полученные при помощи алгоритма случайного леса – метода машинного обучения, который объединяет прогнозы от множества деревьев принятия решений. Усреднив данные по всем механизмам корпоративного управления, мы показываем, что полнота линейной модели прогнозирования составляет 0,32; это свидетельствует о том, что из общего варьирования вариантов выбора КУ, которые могли бы быть спрогнозированы наблюдаемыми контекстными факторами (т.е. прогнозируемого варьирования), линейная модель прогнозирует 32%, а остальные 68% приходятся на нелинейные факторы. Это позволяет сделать вывод о чрезвычайной важности нелинейных факторов для понимания роли контекста при влиянии на варианты выбора корпоративного управления. [4]

Во-вторых, может существовать ненаблюдаемый контекст (например, предпочтения CEO), который имеет значение для вариантов выбора корпоративного управления. Хотя в эмпирических исследованиях прошлых лет ненаблюдаемый контекст обычно учитывается при помощи использования фиксированных эффектов компании, этот метод не является обоснованным в нашей структуре прогнозирования, поскольку в данных, не входящих в выборку, присутствуют компании, которые не принадлежат к обучающей выборке. Для решения этой проблемы мы используем метод машинного обучения – алгоритм кластеризации k-modes – для получения информации о ненаблюдаемом контексте. Этот алгоритм группирует компании со сходными структурами корпоративного управления в кластеры без использования наблюдаемых контекстных факторов; поэтому кластеры, получаемые при помощи этого алгоритма, дают дополнительную информацию о ненаблюдаемом контексте, который может потенциально повысить качество модели прогнозирования (Chaturvedi et al., 2001).[5] Усреднив данные по всем механизмам корпоративного управления, мы показываем, что включение информации из этих кластеров существенно улучшает модель прогнозирования с наблюдаемым контекстом и нелинейными факторами, повышая точность прогнозирования на 27%. Это позволяет сделать вывод о том, что такие алгоритмы машинного обучения без учителя, как кластеризация k-modes, могут дать понимание ненаблюдаемого контекста, улучшая нашу способность объяснять вневыборочное варьирование в вариантах корпоративного управления.

Одной из основных проблем в исследованиях корпоративного управления является выражение качества КУ компании количественным показателем. Во многих исследованиях прошлых лет качество корпоративного управления измеряется при помощи индексов, что включает линейное агрегирование разноплановых механизмов КУ, которые определяются как безусловно сильные или слабые (более подробную информацию см. в табл. 1). В других исследованиях используются более простые и, возможно, более поддающиеся интерпретации показатели – такие как доля независимых директоров. Однако в очень немногих исследованиях учитывается контекстная информация при измерении качества корпоративного управления. Мы устраняем этот пробел при помощи разработанного нами нового показателя качества корпоративного управления – контекстного корпоративного управления (ККУ), – который показывает, насколько приближена фактическая структура КУ компании к структуре, прогнозируемой её наблюдаемыми контекстными факторами.

Мы установили, что ККУ имеет положительную связь с вневыборочными данными о стоимости и операционных показателях компании: увеличение одного стандартного отклонения в ККУ связано с увеличением стандартного отклонения значения «стоимость компании + 1» (операционные показатели + 1) на 0,12 (0,06); это свидетельствует о том, что наблюдаемый контекст может быть полезен для выявления компаний с высоким качеством корпоративного управления. Сравнивая ККУ с безусловными индексами корпоративного управления, мы установили, что ККУ имеет более прочные связи с вневыборочными результатами компании (с дополнительными контрольными переменными и без них). Это позволяет сделать вывод о том, что включение контекстной информации может улучшить измерение качества корпоративного управления.

Наша работа дополняет литературу о корпоративном управлении по нескольким аспектам. Во-первых, в ней содержатся новые свидетельства наличия и прочности причинно-следственных связей между наблюдаемыми контекстными факторами и механизмами корпоративного управления, при этом используется подход, основанный на прогнозировании.[6] Эти связи важны, поскольку зачастую именно они находятся в центре внимания в теории корпоративного управления и помогают нам понять, почему компании выбирают именно те варианты КУ, которые выбирают. На примере разных механизмов корпоративного управления мы показываем, что наблюдаемые контекстные факторы (особенно факторы жизненного цикла и сложности операционной деятельности) повышают точность прогнозирования.

Во-вторых, мы предлагаем оценки полноты для линейной модели, которая в эмпирической литературе давно используется как надёжный инструмент для изучения связей между характеристиками компании и механизмами корпоративного управления. Мы показываем, что линейная модель является крайне неполной и может быть значительно улучшена за счёт включения нелинейных воздействий контекстов на варианты выбора корпоративного управления.

В-третьих, мы вносив вклад в количественное измерение корпоративного управления, так как разработали зависящий от контекста показатель качества КУ – контекстное корпоративное управление (ККУ) – и провели его оценку . Наши результаты подчёркивают важность включения контекстной информации в количественное измерение корпоративного управления.[7]

  1. Варианты выбора корпоративного управления и наблюдаемые контекстные факторы
  • Варианты выбора корпоративного управления

Существует множество механизмов корпоративного управления, однако наша задача – сосредоточиться на вариантах выбора КУ, которые широко изучались в научной литературе. Для решения этой задачи мы изучили научные журналы, посвящённые бухгалтерскому учёту и финансам (JAE, JAR, TAR, JFE, JF и RFS) за пять лет, с 2016 по 2020 гг., и нашли все публикации, в которых используется какой-либо количественный показатель качества корпоративного управления в их эмпирическом анализе. В табл. 1 представлены наши описательные результаты и показано, что в общей сложности 210 публикаций содержат тот или иной эмпирический косвенный показатель (прокси-показатель) качества корпоративного управления, при этом публикации распределены примерно равномерно между журналами, посвящёнными бухучёту и финансам. В 57% этих публикаций используется какой-либо индекс корпоративного управления, примерно в 2/3 работ – G-индекс или Е-индекс. Другими часто используемыми эмпирическими косвенными показателями качества корпоративного управления являются независимость совета директоров (44% публикаций), размер совета директоров (30%) и двойственность генерального директора (27%).

На основании наших описательных результатов, представленных в табл. 1, мы изучили два широких класса вариантов выбора КУ: положения о мерах защиты от враждебного поглощения (antitakeover provisions) и характеристики совета директоров. Положения о мерах защиты от враждебного поглощения касаются разных способов, с помощью которых менеджеры защищены от отстранения от должности. Предотвращая угрозу отстранения от должности или мешая её реализации, эти положения открывают больше возможностей для уклонения от исполнения должностных обязанностей, создания сложной многоступенчатой структуры и получения личной выгоды менеджерами. Характеристики совета директоров касаются тех особенностей совета, которые могут влиять на его эффективность в процессе мониторинга работы менеджмента или его консультирования.

Для положений о мерах защиты от враждебного поглощения мы включаем шесть индикаторов, которые занимают видное место в G-индексе, впервые разработанном в публикации Gompers et al. (2003), и в Е-индексе, впервые разработанном в материале Bebchuk et al. (2009): советы директоров с постепенной сменой состава, «ядовитые пилюли», неравные права голоса, требования о наличии квалифицированного большинства для внесения изменений в положение о компании, требования о наличии квалифицированного большинства для внесения изменений в устав, требования о наличии квалифицированного большинства для утверждения сделок по слиянию. В советах директоров с постепенной сменой состава директора делятся на классы (их обычно три), и каждый год проводятся выборы директоров только одного класса. Как следствие, акционеры не могут сменить большинство директоров в какой-либо один год, что делает советы директоров такого типа мощным средством защиты от борьбы за голоса акционеров в случае попытки поглощения (proxy fight) или борьбы за доверенности на голосование (proxy contest). «Ядовитые пилюли» наделяют акционеров, не участвующих в торгах, особым правом – таким как право приобретать дополнительные акции с дисконтом в случае незапрашиваемого предложения о поглощении. Таким образом, они препятствуют поглощениям, результатом которых стало бы отстранение действующих менеджеров от должности. Неравные права голоса дают некоторым акционерам (как правило, инсайдерам или основателям) более широкие права голоса и могут защитить компанию от потенциальных враждебных поглощений. Требования о наличии квалифицированного большинства для внесения изменений в положение о компании или её устав затрудняют акционерам устранение норм, защищающих от поглощения, которые ранее были введены менеджментом в положение или устав. Наконец, требования о наличии квалифицированного большинства для утверждения сделок по слиянию могут предотвратить попытку поглощения враждебным участником, облегчив акционерам-инсайдерам защиту от попытки слияния. Указанные положения отражают важный и широко исследованный аспект корпоративного управления, в частности, защиту действующих менеджеров от отстранения от должности.

Для характеристик совета директоров мы рассматриваем размер совета, независимость совета, кооптирование кандидатов в СД и двойственность генерального директора. Размер совета директоров это число директоров, он является важным аспектом структуры совета, поскольку более многочисленный совет может быть способен предлагать более ценные рекомендации генеральному директору, но при этом возникают проблемы с координированием работы и бесплатным использованием ресурсов директорами (free-riding). Независимость совета директоров это доля независимых неисполнительных директоров в совете. Независимый совет директоров обычно считают необходимым для эффективного мониторинга работы менеджмента. В последние годы, вследствие принятия нормативных актов, предписывающих наличие в СД большинства независимых директоров, доля независимых неисполнительных директоров в советах значительно увеличилась и в меньшей степени различается в разных компаниях. Как альтернатива независимости совета директоров кооптирование кандидатов в СД это доля директоров, назначенных после вступления генерального директора в должность (Coles et al., 2014). Наконец, двойственность генерального директора касается ситуации, когда он одновременно является председателем совета директоров. В тех случаях, когда он занимает и должность председателя СД, совету может быть сложнее обеспечивать эффективный надзор и спрашивать с генерального директора.

  • Наблюдаемые контекстные факторы

В данном разделе мы вводим контекстные факторы, на которых сосредотачиваемся в нашем анализе. Наша задача – найти те контекстные факторы, которые могут быть значимыми для разных вариантов выбора корпоративного управления. Для этого мы обращаемся к теоретической и эмпирической литературе прошлых лет, посвящённой экономическим детерминантам корпоративного управления и его эффективности, и выявляем четыре общих конструкции. Ниже мы рассматриваем эти конструкции и то, как мы их задействуем. Следует отметить, что эти наблюдаемые контекстные факторы не являются исчерпывающими; очень возможно – и вероятно, – что имеются и другие контекстные факторы помимо рассматриваемых нами, которые влияют на варианты выбора корпоративного управления компании. Часть нашего анализа будет посвящена определению степени значимости других (возможно, ненаблюдаемых) контекстных факторов.

Наблюдаемый контекстный фактор № 1 – жизненный цикл. В литературе прошлых лет делается вывод о том, что польза и издержки механизмов корпоративного управления могут меняться на протяжении жизненного цикла компании. В работе Kim and Michaely (2019) указано, что у молодых компаний ниже агентские издержки, связанные с акциями двойного класса, поскольку у инсайдеров обычно имеются сильные стимулы собственников максимально увеличивать стоимость компании, возможности для её инноваций и роста связаны с менеджерами-основателями, а сторонние инвесторы знают об инвестиционных возможностях меньше инсайдеров. Johnson et al. (2022) показывают, что среднее соотношение между стоимостью компании и применением механизмов защиты от враждебного поглощения является положительным при IPO, но снижается и становится отрицательным по мере повышения зрелости компании. Field and Lowry (2022) показывают, что, хотя доля (в процентах) зрелых компаний с советами директоров, члены которых переизбираются не одновременно, или с акциями двойного класса, снизилась с 1990 г., доля новых публичных компаний с этими структурами за этот же период увеличилась. Karpoff and Wittry (2022) сделали обзор литературы о мерах защиты против враждебного поглощения и пришли к выводу, что исследователи могут использовать возраст компании или показатели её зрелости для учёта гетерогенных воздействий мер защиты от враждебного поглощения на стоимость компании. Чтобы задействовать жизненный цикл компании, мы используем два разных эмпирических косвенных показателя. Во-первых, мы используем натуральный логарифм один плюс число лет, в течение которых компания находилась в базе данных Compustat. Во-вторых, мы определяем индикаторную переменную, равную единице, если компания является зрелой, или минус единице в соответствии со структурами денежного потока, разработанными в работе Dickinson (2011).

Наблюдаемый контекстный фактор № 2 –  характер инвестиций. В литературе прошлых лет делается вывод о том, что компании с высоким уровнем долгосрочных инвестиций сталкиваются с иным комплексом проблем корпоративного управления, чем компании с низким уровнем долгосрочных инвестиций. Stein (1988) отмечает: компании с высоким уровнем долгосрочных инвестиций могут столкнуться с сильным давлением, направленным на поглощение, из-за временно низкой текущей прибыли, которое может быть неблагоприятным в долгосрочном плане, и выиграть от принятия таких мер защиты от враждебного поглощения, как советы директоров с постепенной сменой состава или «ядовитые пилюли». Cremers et al. (2017) показывают, что для компаний с высоким уровнем долгосрочных инвестиций, который определяется объемом расходов на НИОКР, наличие совета директоров с неодновременным переизбранием связано с более высокой стоимостью компании; это противоречит общему (безусловному) мнению, согласно которому в таких советах директоров менеджеры занимают прочные позиции, и эти СД связаны с более низкой стоимостью. По мнению Coles et al. (2008), знание инсайдерами особенностей компании особенно важно в компаниях с крупными инвестициями в НИОКР, а компании с большим объёмом таких инвестиций имеют более высокую долю директоров-инсайдеров.

В литературе также делается вывод о том, что потребность в определённых механизмах корпоративного управления меняется в зависимости от объёма инвестиций в развитие связей с инвесторами. Как отмечает Knoeber (1986), компании, которые вкладывают большие средства в развитие связей с инвесторами, могут выиграть от применения мер защиты от враждебного поглощения, поскольку те позволяют компании придерживаться стратегии бизнеса, которая не может быть с лёгкостью изменена коренным образом вследствие поглощения внешним покупателем. Cremers et al. (2017) показывают, что для компаний с большим объёмом инвестиций в развитие связей с инвесторами наличие совета директоров с неодновременным переизбранием связано с более высокой стоимостью компании. Johnson et al. (2015) показывают, что компании, вышедшие на IPO, применяют больше механизмов защиты от враждебного поглощения, когда им нужно защитить важные деловые отношения. Чтобы задействовать долгосрочные инвестиции компании, мы используем показатель её расходов на НИОКР (Cremers et al., 2017). Чтобы задействовать показатель инвестиций компании в развитие связей с инвесторами, мы используем долю продаж, которые приходятся на её крупнейшего клиента (Cremers et al., 2017).

Наблюдаемый контекстный фактор № 3 –  сложность операционной деятельности. В литературе прошлых лет делается вывод о том, что сложность операционной деятельности и организации компании является важным экономическим детерминантом структуры корпоративного управления компании. Linck et al. (2008) указывают, что более крупные компании с разнородными направлениями бизнеса и более сложными финансовыми структурами должны больше выигрывать от привлечения сторонних участников с разным опытом и знаниями, и это приведёт к наличию более крупных и независимых советов директоров. Goergen et al. (2019) установили, что реакция фондового рынка на обнародование наиболее часто указываемых причин совмещения должностей генерального директора и председателя совета директоров зависит от сложности и размеров компании, равно как и от конкурентоспособности и динамизма её бизнес-среды. Мы измеряем сложность операционной деятельности компании, используя её размеры, долю долга в структуре капитала и число бизнес-сегментов (Coles et al., 2008; Reeb and Upadhyay, 2010).

Наблюдаемый контекстный фактор № 4 –  информационная среда. В литературе прошлых лет делается вывод о том, что информационная среда компании также является важным экономическим детерминантом её структуры корпоративного управления. как показывают Cai et al. (2015), компании с более высокой информационной асимметрией меньше зависят от избираемых акционерами независимых советов директоров и больше от рыночной дисциплины и стимулов, имеющихся у генерального директора для мониторинга работы менеджмента. Adams and Fereira (2007) моделируют балансировку между мониторингом и консультированием и устанавливают, что совет директоров, не являющийся независимым, может быть оптимальным при наличии информационного трения. Ferreira et al. (2011) показывают, что информация, содержащаяся в ценах акций, влияет на структуру советов директоров компаний. Для задействования информационной среды компании мы используем данные нескольких аналитиков, дисперсию прогнозов аналитиков и ошибки прогнозов аналитиков (напр., Cai et al., 2015).

  1. Данные

Мы получаем данные о корпоративном управлении из материалов ISS Directors и ISS Governance. Наша выборка начинается с 2007 г., поскольку в 2007 г. RiskMetrics изменила методологию сбора данных о корпоративном управлении, что затруднило сравнение данных о КУ до и после 2007 г. Используя данные Compustat, Центра исследований цен на ценные бумаги (CRSP) и Оценочной системы институциональных брокеров (IBES), мы конструируем примерные показатели для контекстных факторов и результатов компаний. Наша окончательная выборка состоит из 13 711 наблюдения по годам компаний за 2007-2021 гг. Все непрерывные переменные винсоризированы на уровнях 1% и 99%. В табл. 2 приведена дескриптивная статистика по выборке в трёх блоках.

В блоке А представлена сводная статистика для разных положений, содержащих меры защиты от враждебного поглощения. Совет директоров с постепенной сменой состава является индикатором переменной, которая равна единице, если в компании есть совет директоров, в котором директора разделены на два класса, и принадлежащие к каждому классу директора избираются на сроки, которые частично совпадают. «Ядовитая пилюля» – индикатор переменной, равный единице, если в компании имеется право акционеров, реализуемое в случае несанкционированной смены контроля, которая делает компанию-объект поглощения финансово непривлекательной или размывает право голоса приобретателя. Неравные права голоса – индикатор переменной, равный единице, если держатели обыкновенных акций компании имеют неравные права голоса. Ограничения на изменение положения о компании – индикатор переменной, равный единице, если в компании существует норма, ограничивающая способность акционеров большинством голосов при голосовании изменять положение о компании. Ограничения на изменение устава – индикатор переменной, равный единице, если в компании существует норма, ограничивающая способность акционеров большинством голосов при голосовании изменять устав компании. Ограничения на одобрение сделок слияния – индикатор переменной, равный единице, если в компании существует норма, ограничивающая способность акционеров большинством голосов при голосовании утверждать сделку по слиянию. Размер совета директоров это число директоров, входящих в совет. Индекс мер защиты от враждебного поглощения это сумма всех положений, защищающих от враждебного поглощения. Средняя (медианная) компания в нашей выборке имеет 1,71 (2,00) положений защиты от враждебного поглощения.

Блок А также показывает сводную статистику для разных характеристик совета директоров. Для целей классификации в нашем последующем прогнозном анализе мы разработали бинарные индикаторы, используя характеристики совета директоров. Большой размер совета директоров это индикатор переменной, равный единице, если число директоров в совете больше медианного значения. Маленький размер совета директоров это индикатор переменной, равный единице, если доля независимых неисполнительных директоров в совете ниже медианного значения. Высокий уровень кооптирования кандидатов в СД это индикатор переменной, равный единице, если доля директоров, назначенных в совет после вступления генерального директора в должность, выше медианного значения. Двойственность генерального директора это индикатор переменной, равный единице, если генеральный директор одновременно является председателем совета директоров.

Кроме того, в блоке А приводится сводная статистика по контекстным переменным и результаты компаний.[8] «Возраст компании» это натуральный логарифм числа лет, в течение которых компания находится в базе данных Compustat. «Зрелость операционной деятельности» это индикатор переменной, равный единице, если компания является зрелой, или минус единице в соответствии со структурами денежного потока, разработанными в публикации Dickinson (2011). «Инвестиции в НИОКР» это расходы на НИОКР в пропорции к совокупным активам (если отсутствуют, то устанавливается значение «ноль»). «Инвестиции в развитие отношений с инвесторами» это доля совокупных активов, которая приходится на крупнейшего клиента компании. «Размер компании» это натуральный логарифм совокупных активов. «Леверидж» это сумма краткосрочного и долгосрочного долга в пропорции к совокупным активам. «Число сегментов» означает число сегментов бизнеса. «Число аналитиков» это натуральный логарифм числа аналитиков. «Дисперсия прогнозов аналитиков» это стандартное отклонение прогнозов относительно годовой чистой прибыли на акцию. «Ошибка прогнозов аналитиков» это абсолютное значение разницы между фактической и прогнозной годовой чистой прибылью на акцию. «Стоимость компанииt+1» означает рыночную стоимость активов в пропорции к номинальной стоимости активов в год t+1. Рыночная стоимость активов это номинальная стоимость активов плюс рыночная стоимость обыкновенных акций минус сумма номинальной стоимости обыкновенных акций. «Результаты операционной деятельности t+1» это доход от операционной деятельности до отчислений на износ в пропорции к величине совокупных активов в год t+1.

В блоке В показаны корреляции по всем механизмам корпоративного управления. За исключением «неравных прав голоса» положения о мерах защиты от враждебного поглощения положительно коррелируются друг с другом.  «Двойственность генерального директора» имеет положительную корреляцию с показателем «большой размер совета директоров», положительную корреляцию с показателем «низкий уровень независимости совета директоров» и положительную же корреляцию с показателем «высокий уровень кооптирования кандидатов в совет директоров». В блоке С показаны корреляции по всем контекстным переменным. Корреляции свидетельствуют о том, что контекстные переменные могут частично пересекаться. Например, «размер компании» имеет положительную связь с показателем «число аналитиков». Как мы показываем ниже, этот вопрос не является существенным для нашего анализа, поскольку нас интересует главным образом понимание совокупной способности всех контекстных факторов в объяснении вариантов выбора корпоративного управления компании.

  1. Наблюдаемый контекст и варианты выбора корпоративного управления
  • Схема исследования

В данном разделе мы исследуем, в какой степени наблюдаемый контекст (т.е. наблюдаемые контекстные факторы, описанные в разделе 2) может прогнозировать вневыборочные варианты корпоративного управления. Прежде чем углубиться в детали схемы нашего исследования, мы укажем, почему нас интересует прогнозирование выбираемых вариантов корпоративного управления с использованием наблюдаемого контекста. Как было рассмотрено в разделе 2, есть множество теоретических оснований полагать, что на выбранные компанией варианты корпоративного управления влияют наблюдаемые контекстные факторы – такие как её жизненный цикл или информационная среда. Изучение точности прогнозирования за пределами выборки даёт способ для оценки того, в какой степени эмпирические данные подкрепляют теорию. Например, FKLM указывают, что полезность экономических моделей можно оценить, проверяя верность их прогнозов.

Кроме того, изучение точности прогнозирования за пределами выборки даёт способ для оценки связи между наблюдаемым контекстом и механизмами корпоративного управления в тех случаях, когда дать прямые оценки коэффициентов невозможно из-за отсутствия обоснованно экзогенной вариативности наблюдаемых контекстных факторов компании. Это возможно благодаря связи между прогнозированием и каузальностью: если связь между контекстным фактором и каким-либо механизмом корпоративного управления является причинно-следственной, то контекстный фактор должен помочь при прогнозировании этого механизма КУ. Другими словами, прогнозирование является необходимым (хотя и недостаточным) условием для каузальности (Gow et al., 2023). Поддерживая мнение о том, что прогнозирование есть необходимое условие для каузальности, Watts (2014) заявляет: «Утверждение, будто прогнозирование есть необходимая (но недостаточная) особенность причинного объяснения, соответствует мнению о каузальности, которое почти повсеместно принято социологами – даже теми социологами, которые однозначно отрицали необходимость прогнозирования».

Таким образом, мы используем точность вневыборочного прогнозирования наблюдаемых контекстных факторов для вариантов выбора корпоративного туправления компании, чтобы прояснить, имеет ли наблюдаемый контекст значение для выбора этих вариантов. В частности, мы формулируем следующую проблему прогнозирования. Результатом процента Y является бинарный механизм корпоративного управления (например, совет директоров с постепенной сменой состава, двойственность генерального директора), а признаки Х это наблюдаемые контекстные переменные (например, возраст компании, число сегментов и др.). Правило прогнозирования это любая функция (•), которая использует наблюдаемые контекстные переменные С для оценки вероятности механизма корпоративного управления Y. Для нашего правила прогнозирования (•) мы начинаем с линейной функциональной формы (с) = 〈, 〉, где с это наблюдаемые контекстные переменные, а это вектор весов, применяемых к каждой контекстной переменной. Линейная модель долгое время использовалась в эмпирической литературе как надёжный инструмент для изучения связей между характеристиками компании и механизмами корпоративного управления (напр., Linck et al., 2008; Johnson et al., 2022). Далее, используя линейную функциональную форму, мы устанавливаем ориентир для нашего последующего анализа в разделе 5, где мы включаем нелинейности и ненаблюдаемый контекст в модель прогнозирования.

Мы используем следующую процедуру для оценки точности прогнозирования линейной модели на наборе данных вне выборки. Сначала мы произвольно разбиваем выборку на обучающий набор данных и тестовый набор данных. Обучающий набор данных включает 80% выборки, тестовый набор – остальные 20% выборки.[9] Затем мы проводим оценку логистической регрессии механизмов КУ на наблюдаемых контекстных переменных, используя обучающий набор данных для определения . Далее на основе оценённой модели мы прогнозируем варианты выбора корпоративного управления в тестовом наборе данных и рассчитываем два широко используемых показателя точности прогнозирования на наборе данных вне выборки: среднеквадратичную ошибку (mean squared error, MSE) и область на кривой рабочих характеристик приёмника (ROC-кривая; англ. area under the receiver operating characteristic curve, AUC). Показатель MSE рассчитывает среднеквадратичную ошибку между фактическими результатами и результатами, прогнозируемыми моделью. Показатель AUC измеряет способность модели прогнозирования проводить различия между компаниями, имеющими и не имеющими конкретный механизм корпоративного управления. В частности, он показывает количественное значение вероятности того, что компания с конкретным механизмом КУ получит более высокую прогнозируемую стоимость от модели, чем компания без механизма КУ. [10] Показатель AUC, равный 1,00, свидетельствует об идеальном прогнозировании, показатель 0,50 эквивалентен случайному угадыванию. Для повышения чёткости наших результатов мы представляем их в терминах дополнения AUC, что обозначается как = 1 – AUC. Поскольку точность прогнозирования выше в тех случаях, когда показатели MSE и ниже, мы также называем MSE и ошибкой прогнозирования с пониманием того, что меньшая ошибка прогнозирования эквивалентна по значению более высокой точности прогнозирования.

  • Результаты

В блоке А табл. 3 представлены показатели MSE, полученные с использованием описанной выше процедуры применения данных вне выборки. Рассмотрим сначала случай совета директоров с постепенной сменой состава. Показатель MSE по базовой модели (т.е. при отсутствии наблюдаемого контекста) равен 0,244. Когда в линейную модель прогнозирования включается только контекстный фактор «жизненный цикл», показатель MSE падает до 0,230. Аналогичным образом, когда в линейную модель прогнозирования включается только контекстный фактор «сложность операционной деятельности» («информационная среда»), MSE снижается до 0,219 (0,233). При включении в эту модель всех четырёх контекстных факторов вместе MSE снижается до 0,212. Это снижение MSE на 13% в сравнении с базовой моделью без контекстных факторов. T-статистика, в которой сравниваются ошибки в базовой модели с ошибками в линейной модели прогнозирования со всеми четырьмя контекстными факторами, показывает, что снижение MSE является статистически значимым. Таким образом, эти результаты говорят о том, что наблюдаемый контекст прогнозирует значительное варьирование за пределами выборки при использовании советов директоров с постепенной сменой состава и позволяет сделать вывод о значимости наблюдаемого контекста для принятия решения о целесообразности иметь совет такого типа.

Рассматривая другие механизмы корпоративного управления в блоке А табл. 3, мы устанавливаем, что в большинстве случаев четыре контекстных фактора прогнозируют значительное варьирование за пределами выборки и для других механизмов КУ. Например, «сложность операционной деятельности» приводит к статистически значимому снижению ошибки прогнозирования для пяти из десяти механизмов КУ, а «жизненный цикл» приводит к снижению ошибки прогнозирования для четырёх из десяти механизмов. При усреднении по всем механизмам КУ показатель MSE снижается с 0,204 в базовой модели до 0,188 в линейной модели прогнозирования при наличии всех четырёх контекстных факторов (снижение на 8%). Самое большое снижение MSE происходит при прогнозировании «большого размера совета директоров» – с 0,249 в базовой модели до 0,169 в линейной модели прогнозирования при наличии всех четырёх контекстных факторов (снижение на 32%).

В блоке В табл. 3 представлены оценки показателя для линейной модели прогнозирования. При усреднении по всем механизмам КУ этот показатель снижается с 0,500 в базовой модели до 0,355 в линейной модели прогнозирования при наличии всех четырёх контекстных факторов (снижение на 29%).[11] Это означает, что линейная модель прогнозирования со всеми четырьмя контекстными факторами имеет вероятность 64,5% ((1-0,355)*100) корректного определения того, будет компания иметь конкретный механизм корпоративного управления или нет. Другими словами, модель имеет 64,5%-ный шанс определения более высокой прогнозируемой стоимости для компании с этим конкретным механизмом КУ, чем для компании без него. В целом результаты в табл. 3 поддерживают мнение о том, что наблюдаемый контекст оказывает значительное влияние на выбор вариантов корпоративного управления.[12]

  1. Полнота модели и ненаблюдаемый контекст
  • Полнота модели

В предыдущем разделе мы использовали линейную модель прогнозирования, чтобы показать значимость наблюдаемого контекста для корпоративного управления и дать ориентир для способности наблюдаемого контекста прогнозировать варианты выбора КУ. Однако линейная модель может быть ограниченной, если наблюдаемый контекст оказывает нелинейное влияние на варианты выбрпа КУ. Например, информационная среда может играть особенно важную роль в более молодых компаниях, где существует относительно более высокая информационная асимметрия. Field and Lowry (2022) также показывают, что увеличение числа советов директоров, члены которых переизбираются не одновременно, среди компаний, проводящих IPO, приходится на компании с высокой информационной асимметрией.

В данном разделе мы рассматриваем, в какой степени линейная модель может быть улучшена за счёт включения нелинейных факторов, используя показатель «полнота модели», разработанный FKLM.

Прежде чем рассматривать полноту модели, необходимо сначала осмыслить понятие «неустранимая ошибка». FKLM определяют неустранимую ошибку как наименьшую возможную ошибку прогнозирования, которая достижима для конкретного набора характеристик. В нашем наборе неустранимой ошибкой является ошибка прогнозирования модели, которая использует информацию из конкретного набора контекстных факторов «наилучшим» образом, чтобы охватить регулярные характеристики выбираемых вариантов КУ.[13]

На основе этого понимания и вслед за FKLM полнота модели сравнивает показатели нашей линейной модели прогнозирования с «наилучшей возможной» моделью, принимая во внимание определённый набор контекстных факторов (в смысле минимизации ошибки прогнозирования).

где –  это ошибка прогнозирования (в данных вне выборки) базовой модели, которая является безусловной средней величиной в нашем наборе данных;  – ошибка  прогнозирования линейной модели прогнозирования с наблюдаемыми контекстными факторами; – неустранимая ошибка, связанная с наблюдаемыми контекстными факторами. Полнота модели варьируется от 0 до 1, при этом более низкое значение полноты модели свидетельствует о том, что включение нелинейных факторов может привести к более значительным снижениям ошибки прогнозирования (т.е. к повышениям точности прогнозирования).[14]

FKLM делают вывод о том, что показатель  можно измерять при помощи методов машинного обучения, таких как деревья решений, из-за их способности учитывать широкий спектр нелинейных факторов в данных. Поэтому мы используем алгоритм случайного леса – метод, объединяющий множество деревьев решения таким образом, который снижает переобучение, чтобы учесть показатель[15] В частности,  это ошибка прогнозирования вследствие применения алгоритма случайного леса с четырьмя наблюдаемыми контекстными факторами (жизненный цикл, характер инвестиций, сложность операционной деятельности и информационная среда) для прогнозирования вариантов выбора корпоративного управления. Как и в нашем более раннем анализе, мы измеряем ошибку прогнозирования, используя показатели MSE.

В блоке А табл. 4 представлены наши оценки полноты модели для положений о мерах защиты от враждебного поглощения, когда ошибка прогнозирования измеряется с использованием MSE. Мы устанавливаем, что полнота составляет 0,38 для советов директоров с постепенной сменой состава. Этот показатель интерпретируется следующим образом: линейная модель может прогнозировать только 38% варьирования числа таких советов директоров, которое может быть спрогнозировано наилучшей возможной моделью с наблюдаемыми контекстными факторами. Другими словами, 62% прогнозируемого варьирования – изменения числа советов директоров с постепенной сменой состава, которое может быть спрогнозировано при наличии наблюдаемых контекстных факторов, – обусловлено нелинейными воздействиями наблюдаемых контекстных факторов на использование советов директоров такого типа. Это поразительно и наводит на мысль о том, что нелинейные факторы очень важны для понимания того, как контекст влияет на варианты выбора корпоративного управления.

Важность нелинейных факторов касается и других положений о мерах защиты от враждебного поглощения. Среднее значение полноты модели по всем таким положениям равно 0,14, свидетельствуя о том, что линейная модель может прогнозировать лишь 14% прогнозируемого варьирования этих положений, а остальные 86% прогнозируемого варьирования обусловлены нелинейными факторами.

В блоке В табл. 4 представлены наши оценки полноты модели, когда ошибка прогнозирования измеряется с использованием показателя . Оценки полноты в этом случае выше, поскольку бинарный характер вариантов выбора КУ значительно ухудшает линейные функциональные формы, когда ошибка прогнозирования измеряется с применением MSE. Однако наши выводы остаются такими же. Средняя полнота по всем положениям о мерах защиты от враждебного поглощения равна 0,39, свидетельствуя о том, что линейная модель может прогнозировать только 39% прогнозируемого варьирования таких положений, а остальные 61% прогнозируемого варьирования обусловлены нелинейными факторами.

В табл. 5 представлены оценки полноты модели для характеристик совета директоров. Среднее значение полноты по всем характеристикам СД равно 0,28 и 0,47, когда ошибка прогнозирования измеряется с использованием показателей MSE и , соответственно. Как и в случае с положениями о мерах защиты от враждебного поглощения, существует значительное прогнозируемое варьирование характеристик совета директоров, которое обусловлено нелинейными воздействиями наблюдаемых контекстных факторов на характеристики СД. Характеристики совета директоров с наивысшей полнотой – «большой размер СД» со значением более 0,70; это позволяет сделать вывод о том, что по всем характеристикам СД линейная модель является наиболее подходящей для понимания выбора компаниями размера своих советов директоров.

В целом табл. 4 и 5 содержат доказательства того, что включение нелинейных факторов значительно улучшает точность прогнозирования контекста для вариантов выбора КУ. С усреднением по всем механизмам КУ и обоим показателям ошибки прогнозирования (т.е. MSE и) полнота линейной модели прогнозирования составляет 0,32. Это позволяет сделать вывод, что изучение нелийного влияния наблюдаемых контекстных факторов на варианты выбора корпоративного управления может быть плодотворным способом для углубления нашего понимания того, почему компании выбирают именно те структуры корпоративного управления, которые выбирают.

  • Ненаблюдаемый контекст

Помимо включения нелинейных факторов, линейная модель с наблюдаемыми контекстными факторами может также быть улучшена за счёт включения ненаблюдаемого контекста (например, предпочтений генерального директора). Хотя в эмпирических исследованиях предыдущих лет обычно учитывается ненаблюдаемый контекст при помощи использования фиксированных эффектов компаний, этот подход не оправдан в нашем наборе данных для прогнозирования, поскольку в данных вне выборки есть компании, которые не входят в обучающую выборку. Для решения этой проблемы мы предлагаем метод получения информации о ненаблюдаемом контексте, применяя алгоритм кластеризации k-modes к механизмам корпоративного управления компании (которые все являются бинарными переменными).[16] Концептуально кластеризация k-modes представляет собой метод машинного обучения без учителя, при помощи которого ищут паттерны, лежащие в основе вариантов выбора корпоративного управления компанией, без использования какой-либо информации от наблюдаемых контекстных факторов в нашей линейной модели прогнозирования. Алгоритм представляет эти паттерны в форме «кластеров», что даёт дополнительную информацию о ненаблюдаемом контексте, который может повысить качество модели прогнозирования.

В качестве примера пусть G = {G1, …, Gn} означает набор бинарных механизмов корпоративного управления. Предположим, мы решили сформировать три кластера (ниже мы рассматриваем, как выбрать число кластеров). Кластеризация k-modes представляет собой функцию k (G), которая формирует механизмы корпоративного управления в набор кластеров С = {C1, C2, C3} для каждого наблюдения i. Затем мы суммируем эти кластеры в единую переменную «ненаблюдаемый контекст», где для каждого наблюдения i. Следует отметить, что наблюдение может принадлежать только одному кластеру одновременно и что компании могут с течением времени менять кластеры.

Мы называем указанную выше переменную «ненаблюдаемый контекст», поскольку в кластерах, получаемых в результате применения алгоритма кластеризации k-modes, не используется информация от наблюдаемых контекстных факторов. Однако мы признаём, что количественное значение ненаблюдаемого контекста, полученное в результате применения алгоритма кластеризации k-modes, вряд ли учитывает все виды ненаблюдаемого контекста. Как следствие, наши результаты дают более низкую границу потенциального улучшения за счёт включения информации о ненаблюдаемом контексте.[17]

Основным гиперпараметром для алгоритма кластеризации k-modes является число кластеров. Для определения оптимального числа кластеров мы используем два статистических показателя: коэффициент силуэта кластера и индекс Калински-Харабаша. Оба эти показателя используются для оценки качества кластеров. Интуитивно понятно, что кластеры более высокого качества это те, в которых наблюдения в рамках кластера являются более сходными, а наблюдения в разных кластерах – менее сходными. Коэффициент силуэта кластера измеряет степень схожести наблюдения в его собственном кластере в сравнении с другим кластером и варьируется от -1 (плохо) до 1 (хорошо). Индекс Калински-Харабаша измеряет соотношение межкластерной дисперсии и внутрикластерной дисперсии, где более высокие значения индекса означают более качественную кластеризацию. В блоке А табл. 6 представлены значения этих двух статистических показателей для определения оптимального числа кластеров в алгоритме кластеризации k-modes. Мы проводим оценку этих статистических показателей для кластеров, варьирующихся от 3 до 7. Число кластеров, обусловливающее самый высокий коэффициент силуэта кластера и индекс Калински-Харабаша, равно трём, и мы поэтому выбираем три кластера в качестве гиперпараметра в алгоритме кластеризации k-modes.

Разработав переменную «ненаблюдаемый контекст», мы затем определяем потенциальное улучшение за счёт включения информации о ненаблюдаемом контексте в модель прогнозирования. В частности, мы сравниваем неустранимую ошибку в тех  случаях, когда для прогнозирования используются и наблюдаемые и ненаблюдаемые контекстные факторы,  (набл. и ненабл.) с неустранимой ошибкой в тех случаях, когда используется только наблюдаемый контекст, –  (набл.), которая была определена в разделе 5.1. Для данного сравнения интуитивно понятно, что  (набл.) является ошибкой прогнозирования при «наилучшем возможном» прогнозировании, которое мы можем выполнить с использованием только наблюдаемых контекстных факторов, а  (набл. и ненабл.) представляет собой ошибку прогнозирования при «наилучшем возможном» прогнозировании, которое мы можем выполнить с использованием информации и от наблюдаемого и от ненаблюдаемого контекста. Нас интересует повышение точности прогнозирования (если оно возникает) в результате включения информации о ненаблюдаемом контексте.

В блоке В табл. 6 проводится сравнение модели с наблюдаемым и ненаблюдаемым контекстом с моделью, в которой используется только наблюдаемый контекст, при измерении ошибки прогнозирования с применением показателя MSE. После усреднения по всем положениям с мерами защиты от враждебного поглощения  (набл.) равна 0,12, как показано ранее в разделе 5.1, а  (набл. и ненабл.) равна 0,09, что представляет собой снижение ошибки прогнозирования на 25%. После усреднения по всем характеристикам совета директоров  (набл.) равна 0,19, как показано в разделе 5.1, а  (набл. и ненабл.) равна 0,15, что представляет собой снижение ошибки прогнозирования на 21%. В блоке С табл. 6 сравниваются значения  (набл.) и  (набл. и ненабл.) при измерении ошибки прогнозирования с применением показателя . После усреднения по всем положениям с мерами защиты от враждебного поглощения ошибка прогнозирования снижается на 31% за счёт включения ненаблюдаемого контекста.

После усреднения по всем характеристикам совета директоров ошибка прогнозирования снижается на 34% за счёт включения ненаблюдаемого контекста. После усреднения по всем механизмам корпоративного управления и обоим показателям ошибки прогнозирования (т.е. MSE и ) включение ненаблюдаемого контекста улучшает модель прогнозирования с наблюдаемым контекстом и нелинейными факторами, снижая ошибку прогнозирования (т.е. повышая точность прогнозирования) на 27%. В целом в табл. 6 содержится свидетельство того, что использование алгоритмов машинного обучения без учителя (таких как кластеризация) может способствовать формированию дополнительных контекстных факторов, которые могут быть сложнее для наблюдения и всё же имеют значение для прогнозирования выбора вариантов корпоративного управления.

  1. Контекстное корпоративное управление
  • Конструирование числовых показателей

Основной проблемой в исследовании корпоративного управления является количественное измерение качества корпоративного управления. Во многих исследованиях прошлых лет качество корпоративного управления измеряется при помощи индексов, что включает линейное агрегирование разноплановых механизмов КУ, которые определяются как безусловно сильные или слабые (см. табл. 1). В других исследованиях используются более простые и, возможно, лучше поддающиеся интерпретации показатели – такие как доля независимых директоров или число акций, находящихся в собственности независимых директоров. Однако за немногими исключениями в исследованиях прошлых лет не делаются попытки учитыввать контекстную информацию в измерении качества корпоративного управления. В данном разделе мы разрабатываем новый показатель корпоративного управления – контекстное корпоративное управление (ККУ) (англ.: context consistent governance, CCG), – который показывает, насколько приближена фактическая структура КУ компании к структуре, прогнозируемой её наблюдаемыми контекстными факторами.

Не сразу становится ясно, что включение контекстной информации приведёт к улучшению измерения. Например, предположим, что используется линейная модель для прогнозирования наличия механизмов корпоративного управления как функции наблюдаемых контекстных факторов, после чего сопоставляется фактическая структура КУ компании с прогнозируемой. В этом случае, даже если структура КУ отличается от прогнозируемой, это отличие может не свидетельствовать о низком качестве корпоративного управления, поскольку могут существовать неучтённые нелинейные факторы. Для решения этой проблемы и разработки показателя контекстного корпоративного управления с большей способностью отличать низкое качество КУ от высокого мы используем модель прогнозирования, разработанную в разделе 5, которая сводит к минимуму ошибку прогнозирования для набора наблюдаемых контекстных факторов. В частности, эта модель прогнозирует варианты выбора корпоративного управления, используя алгоритм случайного леса с четырьмя наблюдаемыми контекстными факторами (жизненный цикл компании, характер её инвестиций, сложность операционной деятельности и информационная среда), включающими потенциальные нелинейные факторы.

Пусть G представляет собой набор механизмов корпоративного управления (советы директоров с постепенной сменой состава, «ядовитые пилюли», неравные права голоса, ограничения на внесение изменений в положение о компании, ограничение на внесение изменений в устав, ограничения на утверждение сделок по слиянию, большой размер совета директоров, низкий уровень независимости СД, высокий уровень кооптирования кандидатов в совет директоров и двойственность генерального директора), а g – произвольный элемент G. Тогда ККУ (CCG) определяется для компании i как2 , где  – прогнозируемая вероятность gi для компании i с использованием описанной выше модели прогнозирования. Более высокое значение CCG свидетельствует о том, что фактическая структура корпоративного управления компании ближе к структуре, прогнозируемой её контекстными факторами, при этом максимальное возможное значение равно нулю. В блоке А табл. 7 показано распределение значений CCG в данных, не входящих в выборку. CCG имеет среднее значение -1,48 и стандартное отклонение 0,62.

Для оценки нашего показателя контекстного корпоративного управления мы, как и в предыдущих исследованиях, изучаем связи ККУ со стоимостью и операционными результатами компании на год вперёд. Как и в наших предыдущих анализах, мы проводим оценку связей, используя тестовый набор данных ( 2 703 наблюдения). Мы измеряем стоимость компании как рыночную стоимость активов в пропорции к номинальной стоимости активов в год t+1. Рыночная стоимость активов это номинальная стоимость активов плюс рыночная стоимость обыкновенных акций минус сумма номинальной стоимости обыкновенных акций. Мы измеряем результаты операционной деятельности как доход от операционной деятельности до отчислений на износ в пропорции к величине совокупных активов в год t+1. Для сравнения результатов ККУ мы конструируем два безусловных индекса корпоративного управления, используя те же положения, что и для ККУ:

Индекс мер защиты от враждебного поглощения = совет директоров с постепенной сменой состава + «ядовитая пилюля» + неравные права голоса + ограничения на внесение изменений в положение о компании + ограничения на внесение изменений в устав + ограничения на утверждение сделок по слиянию.

Индекс совета директоров с редко сменяемыми членами совета = большой размер совета директоров + низкий уровень независимости СД + высокий уровень кооптирования кандидатов в совет директоров + двойственность генерального директора.

Индекс мер защиты от враждебного поглощения представляет собой равновзвешенную сумму положений с мерами защиты от враждебного поглощения, индекс совета директоров с редко сменяемыми членами совета это средневзвешенная сумма характеристик совета директоров. Мы анализировали эти положения с мерами защиты и характеристики совета директоров в разделах 4 и 5.

  • Результаты

В блоке В табл. 7 представлены одномерные связи ККУ на вневыборочном наборе данных с показателями стоимости и операционными результатами компании. Для простоты интерпретации все независимые переменные стандартизированы. В столбце (1) приводится положительная и статистически значимая связь между ККУ и показателем «стоимость компанииt+1»,  соответствующая ККУ, отражающему корпоративное управление высокого качества. В категориях экономических величин одно изменение стандартного отклонения в ККУ связано с изменением показателя «стоимость компанииt+1» на 0,16 (12% его стандартного отклонения). В столбце (2) показано, что и индекс мер защиты от враждебного поглощения, и индекс совета директоров с редко сменяемыми членами совета имеют отрицательные и статистически значимые связи со стоимостью компании, что соответствует исследованиям прошлых лет, в которых показано: эти безусловные индексы корпоративного управления, отражающие более высокую защиту менеджмента от отстранения от должности и более низкий уровень мониторинга работы СД, связаны с более низкой стоимостью компании (напр., Gompers et. Al., 2003; Bebchuk et al., 2009). В столбце 3 отражено ККУ вместе с индексом мер защиты от враждебного поглощения, и индексом совета директоров с редко сменяемыми членами совета и показано, что ККУ по-прежнему имеет положительную и статистически значимую связь со стоимостью компании; это позволяет сделать вывод о том, что контекстное корпоративное управление не охватывается безусловными индексами корпоративного управления. В столбцах (4-6) показано, что ККУ также имеет положительную и статистически значимую связь с показателем «результаты операционной деятельности t+1», который не поглощается безусловными индексами корпоративного управления. В категориях экономических величин в столбце (4) показано, что одно изменение стандартного отклонения в ККУ связано с изменением показателя «стоимость компанииt+1» на 0,005 (6% его стандартного отклонения).

В блоке С табл. 7 показаны многомерные связи ККУ на вневыборочном наборе данных с показателями стоимости и операционными результатами компании. Здесь мы учитываем все наблюдаемые контекстные прокси-показатели. В столбцах (1-3) показано, что ККУ имеет положительную и статистически значимую связь с показателем «стоимость компанииt+1», а в столбцах (4-6) – что ККУ имеет положительную и статистически значимую связь с показателем «результаты операционной деятельности t+1», свидетельствуя о том, что положительные связи сохраняются и после учёта прямых связей между наблюдаемыми контекстными прокси-показателями и результатами компании.

Возникает естественный вопрос: является ли ККУ более сильным индикатором качества корпоративного управления, чем безусловные индексы КУ. На основании результатов, приведённых в блоках В и С табл. 7, ответ представляется утвердительным. В столбце (1) блока С табл. 7 показано, что одно изменение стандартного отклонения в ККУ связано с изменением показателя «стоимость компанииt+1» на 0,13, а в столбце (2) – что одно изменение стандартного отклонения в индексе мер защиты от враждебного поглощения связано с изменением показателя «стоимость компанииt+1» всего на 0,04. В столбце (4) показано, что одно изменение стандартного отклонения в ККУ связано с изменением показателя «результаты операционной деятельности t+1» на 0,006, а в столбце (5) – что одно изменение стандартного отклонения в индексе мер защиты от враждебного поглощения связано с более незначительным изменением показателя «результаты операционной деятельности t+1», на 0,004. В целом наши результаты позволяют сделать вывод, что ККУ учитывает корпоративное управление высокого качества и является более сильным индикатором качества КУ, чем безусловные индексы корпоративного управления. В более общем плане они отражают ценность включения контекста в определение количественных показателей КУ.

  1. Вывод

В данной публикации разрабатывается новаторский подход к прогнозированию, цель которого – исследовать, как контекст определяет выбираемые компанией варианты корпоративного управления. Мы устанавливаем, что наблюдаемые контекстные факторы, особенно жизненный цикл компании и сложность её операционной деятельности, имеют существенную прогностическую значимость для наших вариантов выбора КУ, не включённых в выборку. Этот результат даёт новое доказательство, подкрепляющее мнение о том, что корпоративное управление по своей природе зависит от контекста. Кроме того, используя схему, предложенную в работе Fudenberg et al. (2022), мы проводим оценку полноты линейной модели, которая в эмпирической литературе давно используется как надёжный инструмент для изучения связей между характеристиками компании и механизмами корпоративного управления. Мы показываем, что линейная модель является крайне неполной и может быть значительно улучшена за счёт включения нелинейных воздействий контекста на варианты выбора корпоративного управления. Мы также предлагаем метод для получения информации о ненаблюдаемом контексте и показываем, что использование этой информации ещё больше повышает точность прогнозирования.

Привлекая результаты прогнозного анализа, мы предлагаем новый количественный показатель качества корпоративного управления – контекстное корпоративное управление (ККУ) (англ.: context consistent governance, CCG), – который показывает, насколько приближена фактическая структура КУ компании к структуре, прогнозируемой её контекстными факторами. Мы показываем, что контекстное корпоративное управление демонстрирует более прочные связи с будущей стоимостью компании и результатами её операционной деятельности, чем безусловные идексы КУ. В целом наш подход к прогнозированию предлагает новое понимание экономики и измерения корпоративного управления, а также концептуальную схему для будущего исследования, использующую методы прогнозирования и алгоритмы машинного обучения в дополнение к другим техническим приёмам.

[1] В эмпирических исследованиях линейная модель многие годы используется как надёжный инструмент для изучения связей между характеристиками компании и механизмами корпоративного управления (напр., Linck et al, 2008; Johnson et al, 2022). Она даёт ориентир для нашего последующего анализа, в котором мы включаем нелинейные факторы и ненаблюдаемый контекст в модель прогнозирования.

[2] Мы анализируем десять механизмов корпоративного управления, которые могут выбрать компании: советы директоров с постепенной сменой состава, «ядовитые пилюли» (методы борьбы с враждебным поглощением), неравные права голоса, ограничения на внесение изменений в положение о компании, ограничения на внесение изменений в устав, ограничения на одобрение сделок по слиянию, размер совета директоров, независимость совета директоров, кооптирование кандидатов в СД, двойственность генерального директора.

[3] В соответствии с этим утверждением Field and Lowry (2022) показывают, что увеличение числа советов директоров, в которых члены СД переизбираются не одновременно, среди выходящих на IPO компаний происходит в основном среди компаний с высокой информационной асимметрией.

[4] Следует отметить, что по определению полнота модели измеряется для определённых наблюдаемых контекстных факторов в модели прогнозирования. Как мы показываем далее, точность прогнозирования можно ещё больше повысить, учитывая в модели прогнозирования, помимо наблюдаемых контекстных факторов, ненаблюдаемый контекст.

[5] Другими словами, кластеры, получаемые при помощи алгоритма кластеризации k-modes, охватывают латентные переменные, которые влияют на варианты выбора корпоративного управления.

[6] Результат прогнозирования позволяет сделать вывод о наличии причинно-следственной связи только в смысле необходимого условия, но при этом он не учитывает потребность в условии надлежащей идентификации, которую зачастую трудно удовлетворить.

[7] Наша структура прогнозирования подчёркивает ценность методов прогнозирования, применяющих алгоритмы машинного обучения в исследованиях корпоративного управления, и дополняет результаты работы Erel et al. (2021), в которой делается вывод о том, что методы машинного обучения могут помогать компаниям в принятии решений о выдвижении канидатов в совет директоров.

[8] Уточним, что «контекстные факторы» касаются понятий «жизненный цикл», «характер инвестиций», «сложность операционной деятельности» и «информационная среда», а «контекстные переменные» означают косвенные характеристики, используемые для охвата этих понятий.

[9] В анализах, не сведённых в таблицы, мы рассматриваем альтернативные процедуры расщепления выборки – такие как k-кратная кросс-валидация или случайная разбивка компаний. Наши выводы являются обоснованными для этих других процедур.

[10] Следует отметить, что AUC применяется только в тех случаях, когда результат является бинарным. Все варианты выбора корпоративного управления в нашем анализе бинарны.

[11] Включение наблюдаемого контекста приводит к более выраженному повышению точности прогнозирования с  , чем с MSE, вследствие бинарного характера итоговых переменных.

[12] Если брать среднее значение оценочных показателей MSE и , то линейная модель со всеми четырьмя контекстными факторами уменьшает ошибку прогнозирования примерно на 18% ((18% + 29%)/2.

[13] Неустранимая ошибка измеряется для конкретного набора контекстных факторов. Включение дополнительных контекстных факторов в модель прогнозирования может уменьшить неустранимую ошибку, как мы показываем в разделе 5.2.

[14] FKLM используют полноту модели для определения той доли ошибки прогнозирования, которая обусловлена «регулярными характеристиками данных, которые модель не охватывает». В нашей структуре линейной модели мы используем немного другую терминологию – термин «нелинейные факторы» вместо «регулярных факторов».

[15] Подробную информацию об алгоритме случайного леса см. в работе Biau and Scornet (2016).

[16] Кластеризация k-modes представляет собой расширение алгоритма кластеризации k-средних, но для кластеризации категорийных данных. То есть вместо вычисления средних значений кластеров алгоритм k-modes использует точки – самые частые категории в кластере – для определения центов кластеров. Подробную информацию об алгоритме кластеризации k-modes см. в работе Chaturvedi et al. (2001).

[17] Следует также отметить, что наше понятие «ненаблюдаемый контекст» связано с наблюдаемыми контекстными факторами в нашей модели прогнозирования. Хотя за пределами нашей модели могут существовать дополнительные релевантные контекстные особенности, поддающиеся наблюдению, в существующей теоретической и эмпирической литературе нет чётких указаний на то, каковы они.

 

Перевод Российского института директоров
Москва, 2024