Данный коэффициент предпочтительнее нормализовать при помощи взятия натурального логарифма для большей наглядности взаимосвязей по причине того, что значение логарифмированного коэффициента Тобина распределяется в промежутке от -3 до 3.

3.1.5. Контрольные переменные

Для того, чтобы анализ влияния разных видов социального капитала на финансовую эффективность российских компаний получился наиболее полным, необходимо использовать контрольные переменные, зарекомендовавшие себя в подобного рода исследованиях.

Среди наиболее часто встречающихся контрольных переменных, использование которых планируется в данном исследовании - стандартные размер компании и финансовый рычаг, а также уже более специфические - размер Совета Директоров и доля независимых директоров в составе Совета Директоров. К тому же, необходимо учесть влияние лет, учитывая предпочтительность использования панельных данных в исследовании.

Согласно различным исследованиям, размер Совета Директоров может нелинейно влиять на финансовую результативность компаний - с повышением количества членов в Совете он может стать перегруженным, менее сплоченным, что плохо скажется на финансовой эффективности (Barroso-Castro et al., 2016).

Помимо размера Совета Директоров, очень важной его характеристикой является его независимость, которая уже была упомянута ранее. Всевозможными официальными документами, в том числе Кодексом Корпоративного Управления РФ Кодекс корпоративного управления РФ, одобренный Банком России 21 марта 2014 г., рекомендуется в составе Совета Директоров иметь одну треть независимых директоров. Более того, во многих предшествующих данному исследованиях Советов Директоров и их влияния на финансовую эффективность фактор независимости был обозначен как значимо влияющий на результаты деятельности компаний различных отраслей и стран (Agrawal and Knoeber, 1996; Bhagat and Bolton, 2008; Francis et al., 2012).

Дабы подытожить все написанное в этом разделе, все переменные будут представлены в таблице 1.

Таблица 1

Переменные, задействованные в исследовании

Переменные	Описание
Зависимая переменная
Ln(Tobin_q)	Логарифмированный коэффициент Тобина
Независимые переменные
Degree	Degree centrality
Betweenness	Betweenness Centrality
Eigenvector	Eigenvector Centrality
Harmonic	Harmonic Centrality
Gov_dir_share	Доля директоров с опытом работы в государственных учреждениях
Co_work_exp	Исторический совместный опыт работы директоров в Совете Директоров
Контрольные переменные
Size	Размер компаний, рассчитываемый как натуральный логарифм выручки
Leverage	Финансовый рычаг компаний
Bd_size	Размер Совета Директоров
Roa	Рентабельность активов
Bd_ind	Доля независимых директоров в составе Совета Директоров
Dummy_2012	Дамми-переменная, 2012 год
Dummy_2013	Дамми-переменная, 2013 год
Dummy_2014	Дамми-переменная, 2014 год

3.2 Обоснование метода проведения исследования

Эконометрическая часть исследования будет проводиться с использованием регрессионного анализа, а именно с использованием метода наименьших квадратов. По причине использования панельных данных, коэффициенты регрессии будут рассчитываться для модели с фиксированными эффектами, что позволит учесть ненаблюдаемые характеристики фирм. Дополнительно был проведен тест Хаусмана, нулевая гипотеза которого не была отклонена. Тем не менее, качество моделей с фиксированными эффектами по коэффициенту детерминации within выше качества моделей со случайными эффектами.

Будут построены пять различных моделей для каждой из прокси-переменных для внешнего социального капитала и внутреннего социального капитала. Одной из причин, по которой используется такая методика, является высокая корреляция между данными прокси-переменными, которая выше 0,6 (приложение 1). Таким образом, это делается для борьбы с потенциальной мультиколлинеарностью в модели.

Регрессионные уравнения выглядят следующим образом:

(9)

, где - это финансовые результаты i-ой фирмы в t период. - это свободный член. - коэффициенты уравнения регрессии для независимых переменных. - включает в себя , , , и . - вектор контрольных переменных (размер компании, финансовый рычаг, размер СД, доля независимых директоров в СД, дамми-переменные, отвечающие за годы). - случайная ошибка в модели с фиксированными эффектами:

(10)

, где - ненаблюдаемые индивидуальные эффекты компаний. - случайная ошибка для модели без индивидуальных эффектов.

3.3 Описание выборки

Мишельбергер в своей статье 2016 года говорит, что из-за кодификации на страновом уровне возникает проблема сопоставимости результатов, если анализируются несколько стран одновременно (Michelberger, 2016). Поэтому в качестве страны для исследования выбрана Россия.

Исследование включает в себя данные по 88 российским крупным публичным компаниям, акции которых торгуются на бирже, за 2012-2015 годы. Такой временной промежуток позволяет учесть кризисные годы в российской экономике, чтобы понять, отличалась ли эффективность компаний в этот период. Первоначальная выборка включала в себя 112 компаний, но из нее были исключены непубличные компании и компании из финансового сектора. Последние были исключены по причине того, что их отчетность отличается от отчетности нефинансовых компаний, и подобная несопоставимость может исказить результаты исследования.

Для расчета переменных, основанных характеристиках директоров, использовалась база данных по Советам Директоров российских компаний. Расчеты производились на характеристиках 980, 978, 945, 924 директоров с 2012 по 2015 годы соответственно.

Большая часть данных по финансовым индикаторам компаний была предоставлена Международной Лабораторией нематериальных активов при НИУ ВШЭ-Пермь, как и данные по Советам Директоров российских компаний. Некоторая часть данных по финансовым индикаторам была выгружена из баз данных Руслана и Amadeus. По причине неполноты представленной информации в этих базах данных, - отсутствие данных по некоторым компаниям - часть данных собрана вручную с корпоративных сайтов компаний и сайтов с историческими значениями котировок акций для расчета рыночной капитализации.

Итоговая выборка включает в себя 352 наблюдения. Большую часть компаний выборки составляют компании из отрасли энергетики. На втором месте компании, занимающиеся производственной деятельностью. Маленькая доля компаний в выборке принадлежит компаниям из сферы торговли и строительства. На рисунке 2 представлена круговая диаграмма распределения компаний выборки по отраслям.

Рис. 2. Распределение компаний выборки по отраслям

3.4 Описательные статистики

В таблице 2 представлены описательные статистики для целой выборки из 352 наблюдений.



Таблица 2

Описательные статистики для общей выборки

Переменная	Среднее	Медиана	Максимум	Минимум
Совместный опыт работы директоров	2,158	1,571	15,257	0,000
Доля директоров с опытом работы в гос. структурах	0,194	0,133	1,000	0,000
Betweenness Centrality	0,004	0,001	0,027	0,000
Degree Centrality	0,013	0,012	0,028	0,002
Eigenvector Centrality	0,011	0,000	0,215	0,000
Harmonic Closeness Centrality	92,770	116,170	218,545	2,286
Финансовый рычаг	0,525	0,420	12,353	0,000
Размер компании (натуральный логарифм выручки)	7,579	7,479	11,687	-2,606
Размер Совета Директоров	9,858	10,000	18,000	5,000
Рентабельность активов	0,036	0,044	0,853	-2,702
Доля независимых директоров	0,248	0,191	1,000	0,000
Коэффициент Тобина	1,292	0,782	38,538	-13,353
Логарифмированный коэффициент Тобина	-0,316	-0,188	3,652	-3,700

Далее был проведен анализ выборки на статистические выбросы с использованием ящичковых диаграмм, а также описательных статистик, по итогам которого были исключены наблюдения, в которых значения финансового рычага превышают 1. Это говорит о том, что у таких компаний отрицательный собственный капитал, а значит они имеют дело с крупными убытками. На основании этих же рассуждений были исключены наблюдения со значением коэффициента Тобина меньше нуля. Но, как уже было сказано выше, в работе используется логарифмированный коэффициент Тобина, который позволяет игнорировать разброс данной переменной. Помимо прочего, были исключены наблюдения, в которых значения тех или иных независимых переменных сильно отличаются от показателей большинства компаний в выборке. После исключения выбросов наблюдений в выборке стало 272.

Описательные статистики по итоговой выборке приведены в таблице 3.

Таблица 3

Описательные статистики для итоговой выборки

Переменная	Среднее	Медиана	Максимум	Минимум
Совместный опыт работы директоров	2,042	1,526	6,714	0,000
Доля директоров с опытом работы в гос. структурах	0,183	0,125	0,909	0,000
Betweenness Centrality	0,004	0,001	0,027	0,000
Degree Centrality	0,013	0,012	0,028	0,004
Eigenvector Centrality	0,011	0,000	0,145	0,000
Harmonic Closeness Centrality	95,28	120,37	218,55	4,00
Финансовый рычаг	0,428	0,417	0,973	0,000
Размер компании (натуральный логарифм выручки)	7,579	7,479	11,687	-2,606
Размер Совета Директоров	9,956	10,000	18,000	5,000
Рентабельность активов	0,048	0,048	0,348	-0,573
Доля независимых директоров	0,276	0,273	1,000	0,000
Коэффициент Тобина	1,376	0,824	11,198	0,025
Логарифмированный коэффициент Тобина	-0,324	-0,194	2,416	-3,699

По описательным статистикам можно заметить, что в среднем в Советах Директоров российских компаний сидят 10 директоров, среди которых лишь около 27% - это независимые директора. В среднем у компаний выборки в структуре капитала около 42% занимают долговые обязательства. Доля директоров с опытом работы в государственных структурах так же невелика - в среднем их около 18%.

Говоря о переменной Совместный опыт директоров, отвечающей за внутренний социальный капитал директоров, можно сказать, что в среднем у компаний его уровень ниже среднего. Чем выше значение данной переменной, тем сильнее у директоров уровень совместного опыта в компании, тем выше сплоченность Совета Директоров.

По описательным статистикам можно заметить, что у переменной harm все еще заметен разрыв между средним значением и медианой, что может говорить о том, что среди значений данной переменной присутствуют неявные выбросы. При ближайшем рассмотрении данной переменной, а также при построении графиков распределения переменной и обычных графиков (рисунки 3 и 4), можно заметить, что ее значения образуют два кластера.

Рис. 3. Распределение переменной Harmonic Closeness Centrality



Рис. 4. График распределения значений переменной Harmonic Closeness Centrality

Подобное явление связано с тем, что данная переменная рассчитывается для всей сети директоров, которая, как уже упоминалось выше, разъединена, и в ней присутствуют компоненты мелких размеров. Для мелких компонент значения данной переменной будут ниже, чем значения переменной для самой крупной компоненты. По этой причине между значениями есть пропасть.

Пути решения данной проблемы будут описаны в следующем разделе.

Далее, рассмотрим более углубленно описательные статистики сетевых метрик в целом. По причине того, что данные сетевые метрики помогают определить наиболее влиятельного директора на уровне директоров и наиболее влиятельную компанию на уровне компаний, оценим, какие директора и компании в каждый из годов анализа являлись наиболее влиятельными по каждой из метрик (таблица 4).



Таблица 4

Российские директора и компании с наивысшим значением сетевых метрик

	Degree	Betweenness	Eigenvector	Harmonic Closeness
2012	Директор	Ремес Сеппо Юха (0,058 Значение метрики)	Селезнев Кирилл Геннадьевич (0,081)	Ремес Сеппо Юха (0,217)	Федоров Денис Владимирович (241)
	Среднее значение метрики	0,014	0,005	0,021	119,419
	Компания	ПАО «Московская объединённая электросетевая компания»	ПАО «Уралкалий»	ПАО «Московская объединённая электросетевая компания»	ПАО «Интер РАО»
2013	Директор	Чемезов Сергей Викторович (0,068)	Чемезов Сергей Викторович (0,109)	Златкис Белла Ильинична, Швецов Сергей Анатольевич, Иванова Надежда Юрьевна (0,273)	Бударгин Олег Михайлович (224)
	Среднее значение метрики	0,014	0,003	0,006	94,039
	Компания	ПАО «Московская объединённая электросетевая компания»	ПАО «Интер РАО»	ПАО «Юнипро» (ранее ОГК-4)	ПАО «Интер РАО»
2014	Директор	Чемезов Сергей Викторович (0,058)	Чемезов Сергей Викторович (0,098)	Кравченко Вячеслав Михайлович (0,289)	Кравченко Вячеслав Михайлович (216)
	Среднее значение метрики	0,014	0,004	0,019	95,557
	Компания	ПАО «Московская объединённая электросетевая компания»	ПАО «Объединенная авиастроительная организация»	ПАО «ФСК ЕЭС»	ПАО «Интер РАО»
2015	Директор	Чемезов Сергей Викторович (0,060)	Новак Александр Валентинович (0,145)	Варниг Артур Маттиас (0,254)	Новак Александр Валентинович (196,159)
	Среднее значение метрики	0,013	0,003	0,010	79,393
	Компания	ПАО «ФСК ЕЭС»	ПАО «Газпром»	РУСАЛ Саяногорск	ПАО «Газпром»

Как можно заметить из таблицы 4, чаще всего влиятельные директора, как и компании, по каждой из метрик в один год оказываются разными. Но некоторая тенденция наблюдается, учитывая то, что не один год среди наиболее влиятельных компаний с высоким внешним социальным капиталом оказываются такие компании как ПАО «Интер РАО», ПАО «Московская объединённая электросетевая компания» и ПАО «ФСК ЕЭС». В последние годы к ним можно причислить ПАО «Газпром».

3.5 Корреляционный анализ

В приложении 1 приведена корреляционная матрица значимых коэффициентов корреляции.

Можно заметить, что переменная Рентабельность активов высоко коррелирована с переменной Финансовый рычаг. Несмотря на это, оставим ее в анализе, так как она является часто используемой переменной в работах других авторов.



4. Описание результатов исследования

В этом разделе будут описаны результаты исследования, а также проведена интерпретация полученных результатов.

4.1 Оценка коэффициентов уравнения регрессии

Возвращаясь к переменной Harmonic Closeness Centrality, значения которой, как уже было сказано ранее, образуют два кластера, было решено провести эмпирическое исследование в два этапа. На первом этапе включить дополнительную дамми-переменную, отвечающую за принадлежность к крупному кластеру (крупной компоненте). На втором этапе провести исследование на меньшей выборке, которой соответствуют значения крупной компоненты, чтобы понять, меняются ли результаты коренным образом или нет.

Всего было оценено десять регрессионных уравнений, пять из которых были построены на крупной выборке и пять на выборке, состоящей из значений крупной компоненты директоров.

Результаты построения регрессионных моделей представлены в таблицах 5 и 6.

Таблица 5

Результаты построения регрессионных уравнений для целой выборки

Переменные	Модель 1	Модель 2	Модель 3	Модель 4	Модель 5
Коэффициент (стандартная ошибка)
Совместный опыт	-0,018 (0,034)	-0,016 (0,033)	-0,019 (0,035)	-0,021 (0,033)	-0,018 (0,035)
Eigenvector Centrality	4,010** (1,663)	-	-	-	-
Degree Centrality	-	63,229*** (13,711)	-	-	-
Betweenness Centrality	-	-	10,961 (9,461)	-	-
Harmonic Closeness	-	-	-	0,008*** (0,002)	-
Доля директоров с опытом работы в гос. структурах	-	-	-	-	0,073 (0,346)
Финансовый рычаг	0,790* (0,461)	0,838* (0,474)	0,872* (0,480)	0,798* (0,474)	0,841* (0,467)
Размер компании	-0,185 (0,221)	-0,172 (0,222)	-0,154 (0,225)	-0,199 (0,223)	-0,157 (0,222)
Размер СД	-0,007 (0,046)	-0,059 (0,048)	0,005 (0,049)	-0,016 (0,049)	0,001 (0,048)
Рентабельность активов	0,245 (0,474)	0,313 (0,446)	0,304 (0,448	0,317 (0,452)	0,288 (0,451)
Доля независимых директоров	-0,263 (0,294)	-0,320 (0,299)	-0,318 (0,292)	-0,403 (0,291)	-0,288 (0,287)
Принадлежность к крупному кластеру	0,046 (0,111)	-0,007 (0,102)	0,004 (0,114)	-0,733*** (0,252)	0,032 (0,114)
y_2012	0,251 (0,176)	0,258 (0,180)	0,279 (0,188)	0,137 (0,188)	0,308* (0,183)
y_2013	0,141 (0,125)	0,090 (0,131)	0,104 (0,131)	0,031 (0,134)	0,116 (0,133)
y_2014	-0,209*** (0,079)	-0,195** (0,080)	-0,171** (0,078)	-0,238*** (0,086)	-0,161* (0,083)
Количество наблюдений	264	264	264	264	264
R2-within	0,201	0,212	0,179	0,209	0,174
F-st (p-value)	0,000	0,002	0,000	0,000	0,000

*** - значимость на 1%-ом уровне

** - значимость на 5%-ом уровне

* - значимость на 10%-ом уровне

Устойчивое положительное влияние на финансовую эффективность российских компаний по результатам регрессионной оценки показывают лишь некоторые независимые переменные из сетевых метрик, которые отвечают за внешний социальный капитал директоров. Переменная Degree Centrality положительно значимо влияет на финансовую эффективность российских компаний на 1%-ом уровне значимости, как и переменная Harmonic Closeness Centrality. Переменная Eigenvector Centrality также положительно значимо влияет на финансовую эффективность российских компаний, но уже на 5%-ом уровне значимости.

Помимо ключевых независимых переменных значимое влияние оказывает переменная leverage, отвечающая за финансовый рычаг, значимо положительно влияющая на финансовую эффективность компаний на 10%-ом уровне значимости. Также на фоне 2015 года, взятого за базовый во избежание ловушки фиктивных переменных, выделяется 2014 год, в который эффективность российских компаний была снижена. Эффект данной фиктивной переменной на эффективность компаний значим во всех моделях на 1%-ом, 5%-ом и 10%-ом уровнях.

Большей объясняющей способность обладает вторая модель, ввиду наиболее высокого значения коэффициента детерминации within - 0,212. Первая и четвертая модели также не уступают этой модели в качестве, тогда как третья и пятая оказываются слабее ввиду того, что ни одна из исследуемых в данных моделях переменных не является значимой.

После построения моделей пришлось столкнуться с невыполнением некоторых условий Гаусса-Маркова. Более точно, с условием о гомоскедастичности остатков. Тест Бройша-Пагана выявил гетероскедастичность во всех пяти моделях. Эффект гетероскедастичности был исключен посредством использования робастных стандартных ошибок в форме Уайта.

Далее были оценены те же регрессионные уравнения без переменной largecomp (принадлежность к крупному кластеру) на меньшей выборке. Также переменная roa (рентабельность активов) была исключена из анализа, так как ее включение не улучшает качество модели, а само ее влияние на коэффициент Тобина не является значимым.



Таблица 6

Результаты построения регрессионных уравнений для крупной компоненты директоров

Переменные	Модель 1	Модель 2	Модель 3	Модель 4	Модель 5
Коэффициент (стандартная ошибка)
Совместный опыт	0,001 (0,052)	0,015 (0,050)	0,001 (0,052)	0,007 (0,049)	-0,004 (0,053)
Eigenvector Centrality	3,830** (1,693)	-	-	-	-
Degree Centrality	-	56,311*** (16,482)	-	-	-
Betweenness Centrality	-	-	11,868 (8,625)	-	-
Harmonic Closeness	-	-	-	0,007** (0,003)	-
Доля директоров с опытом работы в гос. структурах	-	-	-	-	-0,186 (0,397)
Финансовый рычаг	1,302** (0,532)	1,343** (0,563)	1,425** (0,558)	1,246** (0,560)	1,377*** (0,516)
Размер компании	0,483** (0,223)	0,520** (0,205)	0,547** (0,220)	0,528** (0,209)	0,530** (0,221)
Размер СД	-0,013 (0,033)	-0,064 (0,043)	0,001 (0,039)	-0,019 (0,040)	-0,007 (0,039)
Доля независимых директоров	-0,356 (0,239)	-0,353 (0,276)	-0,444* (0,227)	-0,418 (0,261)	-0,407* (0,219)
y_2012	-0,085 (0,137)	-0,099 (0,129)	-0,056 (0,135)	-0,253 (0,157)	-0,036 (0,148)
y_2013	-0,162 (0,125)	-0,274** (0,122)	-0,233** (0,118)	-0,344*** (0,128)	-0,241* (0,133)
y_2014	-0,385*** (0,119)	-0,382*** (0,118)	-0,336*** (0,115)	-0,423*** (0,131)	-0,336*** (0,118)
Количество наблюдений	171	171	171	171	171
R2-within	0,378	0,407	0,368	0,390	0,359
F-st (p-value)	0,000	0,027	0,028	0,036	0,001

*** - значимость на 1%-ом уровне

** - значимость на 5%-ом уровне

* - значимость на 10%-ом уровне

Изменения, вызванные фокусированием на крупной компоненте сети директоров, оказались незначимыми, как можно заметить из таблицы 6. Переменные Eigenvector Centrality, Harmonic Closeness Centrality и Degree Centrality также имеют положительное значимое влияние на финансовые результаты российских компаний и значимы на 5%, 5% и 1%-ых уровнях значимости соответственно. Помимо контрольных переменных leverage и дамми-переменной, отвечающей за 2014 год, значимыми оказались переменная size во всех моделях на 5%-ом уровне значимости, отвечающая за размер фирмы, дамми-переменная, отвечающая за 2013 год и переменная ind_share, отвечающая за долю независимых директоров в компании. Значимость последних двух переменных разнится от модели к модели, то есть является непостоянной, что не сказать о знаке влияния, который постоянен среди всех моделей.

Большей объясняющей способностью обладает также вторая модель с ключевой независимой переменной Degree Centrality.

По причине наличия в данных моделях гетероскедастичности, ее эффект также был элиминирован при помощи робастных стандартных ошибок в форме Уайта.

Ни в одной из десяти моделей не оказались значимыми ключевые независимые переменные cwexp (Совместный опыт работы), Betweenness Centrality и gov_dir_share (доля независимых директоров).

4.2 Описание и интерпретация полученных результатов

В начале исследования были выдвинуты две гипотезы о влиянии внутреннего и внешнего социальных капиталов директоров на финансовые результаты деятельности российских компаний. Далее рассмотрим, получилось ли подтвердить одну из этих гипотез на основании проведенного исследования или нет.

Три независимые переменные eigen, degree и harm, относящиеся к сетевым метрикам Eigenvector Centrality, Degree Centrality и Harmonic Centrality оказались значимыми и показывают положительное влияние на финансовую эффективность крупных российских корпораций из выборки, тогда как переменные betw и gov_dir_share, относящиеся к Betweenness Centrality и доле директоров с опытом работы в государственных органах, не показывают значимого влияния на коэффициент Тобина.

Положительное влияние первых трех переменных говорит о том, что влиятельность директора и в целом фирмы, относящаяся конкретно к данным метрикам, и ее связанность с другими компаниями положительно влияет на успехи компании. Таким образом, внешний социальный сетевой капитал играет некоторую роль в успешном функционировании компаний в российской среде. Отталкиваясь от тех переменных, которые оказались незначимыми, можно сказать, что Совет Директоров, являющийся «мостом» или своеобразным связующим между другими фирмами и их Советами Директоров (Betweenness Centrality), не увеличивает таким образом рыночную привлекательность фирмы. Тогда как Советы Директоров, через которые проходит много информации (Degree Centrality), которые сами способны быстро распространять информацию (Harmonic Closeness), и которые имеют много влиятельных знакомств в других компаниях (Eigenvector Centrality), способны увеличивать рыночную привлекательность своих компаний.

Также не оказалась значимо влияющей на финансовые результаты российских фирм переменная gov_dir_share, отвечающая за долю директоров с опытом работы в государственных органах. Таким образом, степень центральности играет более значимую роль в Советах Директоров российских компаний, чем государственный опыт работы, влияния которого на финансовую эффективность российских компаний нет.

Таким образом, гипотезу H2 о положительном влиянии внешнего социального капитала на финансовую эффективность компаний можно частично подтвердить на основании значимости трех из пяти прокси-переменных для внешнего социального капитала.

Гипотезу H1 подтвердить не удалось, так как переменная cwexp (совместный опыт работы), отвечающая за внутренний социальный капитал, оказалась незначимой во всех десяти построенных моделях.

Следовательно, можно подытожить, что для российских компаний внешний социальный капитал более важен, чем внутренний социальный капитал. Компании, ассоциирующиеся с высоким внутренним социальным капиталом и высокой внутренней сплоченностью, которая может формироваться с увеличением совместного опыта работы, не отличаются от компаний с низким уровнем внутреннего социального капитала. Но высокий внешний социальный капитал, который позволяет получать важную информацию извне и важные связи, помогает компаниям функционировать успешнее в российской среде.



Заключение

Ранее обозначенный тезис, заключающийся в том, что в трудно прогнозируемой среде социальный капитал директоров Совета Директоров, а в частности внешний социальный капитал, позволяет бороться с неопределенностью и рисками и повышать эффективность фирм, был подтвержден данным исследованием.

Были построены десять различных моделей влияния внутреннего и внешнего социального капиталов директоров на коэффициент Тобина российских компаний. В качестве детерминант внешнего социального капиталов были взяты четыре сетевые метрики - Harmonic Closeness Centrality, Eigenvector Centrality, Degree Centrality и Betweenness Centrality, а также переменная, отвечающая за долю директоров в Совете с опытом работы в государственных структурах. За внутренний капитал директоров была взята переменная, называемая историческим совместным опытом.

Результаты исследования смогли подтвердить гипотезу о положительном влиянии внешнего социального капитала директоров на эффективность компаний, но лишь на основании результатов, полученных шестью моделями из десяти, в которых используются такие переменные как Harmonic Closeness Centrality, Eigenvector Centrality и Degree Centrality. Советы Директоров, через которые проходит много информации от других директоров, которые способны быстро распространять информацию через других директоров, а также Советы, имеющие в сети знакомств много центральных (влиятельных) директоров, увеличивают финансовую эффективность своих компаний.

Помимо данных ключевых факторов свою значимость в формировании финансовой успешности российских компаний показал лишь финансовый рычаг во всех моделях и размер компании в пяти моделях. Таким образом, повышение рискованности компанией, заключающееся в увеличении займов, и увеличение размера компании положительно влияют на ее эффективность.

Несмотря на попытку привнести новое в исследования социального капитала директоров, исследование сложно назвать завершенным. Многое из того, что можно было бы сделать для повышения качества исследования, не было сделано по ряду причин.

Во-первых, в исследовании акцентируется внимание на всех директорах Совета Директоров, тогда как именно независимые директора имеют больший доступ к другим компаниям. По этой причине смещение фокуса исследования на независимых директоров могло бы дать более интересные результаты.

Во-вторых, в исследовании не была учтена особая специфика российского корпоративного управления относительно социального капитала. В следующих исследованиях можно задействовать совместный эффект социального капитала с другими переменными. Например, совместный эффект социального капитала с концентрацией деловой активности. Гипотетически, компании в крупных городах могут функционировать успешнее, так как имеют более прямой и быстрый доступ к качественным директорам с высоким социальным капиталом.

В-третьих, в исследовании используется сильно ограниченный временной промежуток, несмотря на наличие части данных для исследования в базе данных Международной Лаборатории экономики нематериальных активов. Такой временной промежуток выбран из соображений, что при рассмотрении более длинного периода времени можно столкнуться с тем, что ключевые взаимосвязи изменились. На это в большой степени влияет изменчивость самого российского рынка.

Подводя итог по исследованию, важно отметить, что были соблюдены все условия Гаусса-Маркова. Несмотря на это, нельзя сказать, что была исключена эндогенность, которая может присутствовать в подобного рода исследованиях. Более успешные компании могут иметь больше ресурсов, как денежных, так и интеллектуальных, чтобы привлекать качественные кадры в свою компанию. Отсюда вытекает еще одна из возможностей для последующих исследований - преодоление потенциальной эндогенности.



Список литературы

1. Березинец И.В., Ильина Ю.Б., 2016. Занятость советов директоров и финансовая результативность деятельности компаний. Вестник С.-Петербургского ун-та. Серия Менеджмент (1): 3-30.

2. Abraham, A., Hassanien, A.-E., Snбїel, V. (Eds.), 2010. Computational Social Network Analysis, Computer Communications and Networks. Springer London, London. https://doi.org/10.1007/978-1-84882-229-0

3. Adams, R.B., Hermalin, B.E., Weisbach, M.S., 2010. The Role of Boards of Directors in Corporate Governance: A Conceptual Framework and Survey. J. Econ. Lit. 48, 58-107. https://doi.org/10.1257/jel.48.1.58

4. Adler, P.S., Kwon, S.-W., 2002. Social capital: Prospects for a new concept. Acad. Manage. Rev. 27, 17-40.

5. Agrawal, A., Knoeber C.R., 1996. Firm performance and mechanisms to control agency problems between managers and shareholders. J. of Financial and Quantitative Analysis. 31, 377-397.

6. Ahrens, T., Filatotchev, I., Thomsen, S., 2011. The research frontier in corporate governance. J. Manag. Gov. 15, 311-325. https://doi.org/10.1007/s10997-009-9115-8

7. Barroso-Castro, C., Villegas-Periсan, M. del M., Casillas-Bueno, J.C., 2016. How boards' internal and external social capital interact to affect firm performance. Strateg. Organ. 14, 6-31.

8. Becker, G.S., 1964. Human Capital: A Theoretical and Empirical Analysis. 2d ed. New York: Columbia University Press for the NBER.

9. Bhagat, S., Black, B., 1999. The uncertain relationship between board composition and firm performance. Bus. Lawyer 921-963.

10. Bhagat, S., Black, B., 2001. The Non-Correlation Between Board Independence and Long-Term Firm Performance. Journal of Corporation Law Vol. 27 231-273.

11. Bhagat, S., Bolton, B., 2008. Corporate governance and firm performance. J. Corp. Finance 14, 257-273. https://doi.org/10.1016/j.jcorpfin.2008.03.006

12. Burt, R. S. 1992. Structural holes: The social structure of competition. Cambridge, MA: Harvard University Press.

13. Cannon-Bowers, J. A, Salas, E., & Converse, S. A., 1993. Shared mental models in expert team decision making. In N. J. Castellan, Jr. (Eds.), Individual and group decision making: Current issues. 221-246.

14. Carroll, G.R., Harrison, J.R., 1998. Organizational demography and culture: Insights from a formal model and simulation. Adm. Sci. Q. 637-667.

15. Carter, D. A., Simkins, B. J., W. G. Simpson, 2003. Corporate Governance, Board Diversity, and Firm Value. Financial Review, 38, 33-53.

16. Cramton, C., 2001. The Mutual Knowledge Problem and Its Consequences for Dispersed Collaboration. Organization Science, 12 (3), 346-371.

17. Demb, A., Neubauer, F.-F., 1992. The corporate board: Confronting the paradoxes. Long Range Plann. 25, 9-20. https://doi.org/10.1016/0024-6301(92)90364-8

18. Erhardt, N.L., Werbel, J.D., Shrader, C.B., 2003. Board of director diversity and firm financial performance. Corp. Gov. Int. Rev. 11, 102-111.

19. Fich, E.M., Shivdasani, A., 2006. Are busy boards effective monitors? J. Finance 61, 689-724.

20. Fischer, H.M., Pollock, T.G., 2004. Effects of social capital and power on surviving transformational change: The case of initial public offerings. Acad. Manage. J. 47, 463-481.

21. Francis, B.I., Hasan, Q.Wu. 2012. Do Corporate Boards Affect Firm Performance? New Evidence from the Financial Crisis. Unpublished paper, Bank of Finland.

22. Freeman, L.C., 1979. Centrality in social networks: Conceptual clarification. Social Networks. 1, 215-239.

23. Hillman, A.J., 2005. Politicians on the Board of Directors: Do Connections Affect the Bottom Line? J. Manag. 31, 464-481. https://doi.org/10.1177/0149206304272187

24. Hsung R.M., Wang J.H., 2016. Rethinking Social Capital and Entrepreneurship in Greater China. Routledge.

25. Iwasaki, I., 2008. The determinants of board composition in a transforming economy: Evidence from Russia. J. Corp. Finance 14, 532-549. https://doi.org/10.1016/j.jcorpfin.2008.09.005

26. Johnson, S.G., Schnatterly, K., Hill, A.D., 2013. Board Composition Beyond Independence: Social Capital, Human Capital, and Demographics. J. Manag. 39, 232-262. https://doi.org/10.1177/0149206312463938

27. Judge, W.Q., Naoumova, I., Koutzevol, N., 2003. Corporate governance and firm performance in Russia: an empirical study. J. World Bus. 38, 385-396. https://doi.org/10.1016/j.jwb.2003.08.023

28. Khanna, T., Palepu, K.G., Sinha, J., 2005. Strategies that fit emerging markets. Harv. Bus. Rev. 83, 4-19.

29. Kim, Y., 2005. Board network characteristics and firm performance in Korea. Corp. Gov. Int. Rev. 13, 800-808.

30. Kor, Y.Y., Sundaramurthy, C., 2009. Experience-Based Human Capital and Social Capital of Outside Directors. J. Manag. 35, 981-1006. https://doi.org/10.1177/0149206308321551

31. Larcker, D.F., So, E.C., Wang, C.C.Y., 2013. Boardroom centrality and firm performance. J. Account. Econ. 55, 225-250. https://doi.org/10.1016/j.jacceco.2013.01.006

32. Lazareva, O., Rachinsky, A., Stepanov, S., 2008. A survey of corporate governance in Russia, in: Corporate Governance in Transition Economies. Springer, pp. 315-349.

33. Lee, J.-H., Jang, M., Choi, C., 2016. Social Capital of Corporate Boards: Effects on Firm Growth. Soc. Behav. Personal. Int. J. 44, 453-462. https://doi.org/10.2224/sbp.2016.44.3.453

34. Michelberger, K., 2016. Corporate Governance Effects on Firm Performance: A Literature Review. Reg. Form. Dev. Stud. 20. https://doi.org/10.15181/rfds.v20i3.1346

35. Muravyev, A., 2017. Boards of directors in Russian publicly traded companies in 1998-2014: Structure, dynamics and performance effects. Econ. Syst. https://doi.org/10.1016/j.ecosys.2016.12.001

36. Nicholson, G.J., Alexander, M., Kiel, G.C., 2004. Defining the social capital of the board of directors: An exploratory study. J. Manag. Organ. 10, 54-72.

37. Pechersky, A., 2016. Diversity in Board of Directors: Review of Diversity as a Factor to Enhance Board Performance. Stud. Commer. Bratisl. 9. https://doi.org/10.1515/stcb-2016-0009

38. Peng, M.W., Luo, Y., 2000. Managerial ties and firm performance in a transition economy: The nature of a micro-macro link. Acad. Manage. J. 43, 486-501.

39. Pfeffer, J. and Salancik, G. R. (1978), The External Control of Organizations: A Resource Dependence Perspective, Harper & Row, New York.

40. Post, C., Byron, K., 2015. Women on Boards and Firm Financial Performance: A Meta-Analysis. Acad. Manage. J. 58, 1546-1571. https://doi.org/10.5465/amj.2013.0319

41. Rochat, Y., 2009. Closeness centrality extended to unconnected graphs: The harmonic centrality index, in: ASNA.

42. Roland, G., 2000. Corporate governance systems and restructuring: The lessons from the transition experience, in: Annual Bank Conference on Development Economics, The World Bank, Washington DC. Citeseer.

43. Shaw, T.S., Cordeiro, J.J., Saravanan, P., 2016. Director network resources and firm performance: Evidence from Indian corporate governance reforms. Asian Bus. Manag. 15, 165-200. https://doi.org/10.1057/s41291-016-0003-1

44. Terjesen, S., Aguilera, R. V., & Lorenz, R., 2015. Legislating a woman's seat on the board: Institutional factors driving gender quotas for boards of directors. Journal of Business Ethics, 128(2), 233-251.

45. Tian, J.J., Haleblian, J.J., Rajagopalan, N., 2011. The effects of board human and social capital on investor reactions to new CEO selection. Strateg. Manag. J. 32, 731-747. https://doi.org/10.1002/smj.909



Приложение 1

Корреляционная матрица

	cwexp	gov_dir_share	betw	degree	eigen	harm	leverage	size	roa
cwexp	1,000
gov_dir_share		1,000
betw	-0,106	0,433	1,000
degree	-0,294	0,353	0,683	1,000
eigen	-0,191	0,207	0,415	0,617	1,000
harm	-0,258	0,343	0,705	0,819	0,475	1,000
leverage		-0,114		-0,147			1,000
size	0,137	0,388	0,248	0,181		0,175	-0,102	1,000
q_tobin		-0,179	-0,132	-0,257		-0,201	0,350
board_size	-0,283	0,229	0,251	0,730	0,294	0,554	-0,159	0,163
ind_share							0,127
ln.tobin.q	0,219	-0,205	-0,153	-0,332	-0,181	-0,284	0,285	0,127
roa							-0,792	0,102	1,000

Размещено на Allbest.ru

...