Размещено на http://www.allbest.ru/

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ

«НАУЧНО-ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ

«ВЫСШАЯ ШКОЛА ЭКОНОМИКИ»

ФАКУЛЬТЕТ ЭКОНОМИЧЕСКИХ НАУК

Образовательная программа «Экономика»

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА

По направлению подготовки 38.03.01 «Экономика»

На тему: «Влияние нефинансовой информации на стоимость компании»

Выполнил:

Студент 4 курса бакалавриата группы БЭК166

Андреевский Александр Константинович

Научный руководитель:

Доцент, к.э.н.

Сенаторова Елена Александровна

Москва 2020 г.

Содержание

• Введение
• Глава 1. Обзор литературы
• 1.1 Подготовка нефинансовых сведений к публикации
• 1.2 Основные стандарты раскрытия нефинансовой информации
• 1.3 Практические аспекты раскрытия нефинансовой информации
• 1.4 Подходы к оценке влияния нефинансовой информации на финансовые показатели
• 1.5 Модели оценки тональности текста
• Глава 2. Гипотезы и методология исследования
• 2.1 Гипотезы исследования
• 2.2 Формирование выборки
• 2.3 Описание переменных
• 2.3 Обработка текста
• 2.4 Построение регрессионной модели
• Глава 3. Результаты исследования
• 3.1 Описательные статистики
• 3.2 Результаты текстового анализа
• 3.3 Результаты регрессионного анализа
• Заключение
• Список литературы
• Приложение
• Приложение 1. Практические рекомендации для компаний
• Приложение 2. Обучающая выборка
• Приложение 3. Модель текстового анализа
• Приложение 4. Гистограммы распределения переменных
• Приложение 5. Фрагменты кода
• Приложение 6. Результаты статистических тестов

Введение

Ведение прозрачной и открытой деятельности приобретает все большее значение для конкурентоспособности компаний. Прозрачность подразумевает достоверное и своевременное раскрытие существенных фактов, как финансовых, так и нефинансовых, относящихся к аспектам всестороннего функционирования компании. Нефинансовой информации уделяется все большее внимание со стороны инвесторов, компаний, государства, потребителей и других групп стейкхолдеров. Вместе с увеличением внимания к публикации этих данных, возрастают также требования к их качеству и достоверности. В настоящее время подготовка нефинансовой информации к публикации предполагает использование одного или нескольких стандартов раскрытия данных.

Актуальность. В 2019 г. Европейская комиссия опубликовала стратегию развития ЕС до 2030 года «Towards a Sustainable Europe by 2030» [23]. Акцент стратегии был сделан на ESG-факторах (Ecological, Social, Governing). Выбор этих факторов обусловлен их важностью в достижении целей устойчивого развития (ЦУР), являющихся приоритетными для стран Европейского Союза. Мировые биржи активно работают над созданием индексов социального развития, удовлетворяя запросы стейкхолдеров (по состоянию на 2020 г. более 70 бирж представили собственные индексы).

В 2017 г. Правительство РФ выпустило Распоряжение о концепции развития публичной нефинансовой отчетности, предписывающее постепенный переход к публикации нефинансовых данных [49]. Правительством предусмотрено четыре основных этапа реализации перехода в период с 2017 по 2024 гг.:

1. Подготовка (2017-2018)

2. Формирование нефинансовых показателей и индексов, расширение состава компаний с обязательным раскрытием (2019-2020)

3. Принятие процедур аудита нефинансовой отчетности, расширение состава компаний и отраслей с обязательным раскрытием (2021-2022)

4. Анализ отраслевых практик, стандартизация, включение в список 500 компаний с наибольшей выручкой (2023-2024).

Данные примеры свидетельствуют о том, что принятие целей устойчивого развития и осознание важности нефинансовой информации постепенно становится необходимым условием успешной деятельности как для европейских, так и для российских компаний.

Теоретическая часть исследования посвящена изучению особенностей подготовки нефинансовой отчетности. Практическая часть - оценке влияния тональности нефинансовых отчетов на стоимость российских компаний.

Объектом исследования выступают российские компании, публикующие нефинансовую отчетность. Предмет исследования - взаимосвязь между нефинансовой информацией и стоимостью компании.

Целью исследования является оценка влияния нефинансовых данных на стоимость компании. Для достижения поставленной цели поставлены следующие задачи:

1. Провести обзор исследований, рассматривающих основные международные стандарты раскрытия нефинансовой информации и влияние нефинансовых сведений на стоимость компании.

2. На основе систематизации существующих исследований предложить практические рекомендации по раскрытию нефинансовой информации.

3. Сформулировать выводы по полученным результатам исследования влияния нефинансовой информации на стоимость компании с использованием методов анализа тональности текстов по выборке нефинансовой отчетности российских компаний.

Теоретическая значимость исследования. Новизна настоящего исследования заключается в применении методов анализа тональности к текстам нефинансовой отчетности, в то время как предыдущие исследования в основном концентрируются на факте наличия нефинансовой отчетности, рассматривая его в качестве индикативного признака. Кроме того, анализируется выборка российских компаний, в настоящий момент недостаточно широко представленная в существующих исследованиях.

Практическая значимость исследования. Разработанная модель текстового анализа помогает автоматизировать процесс оценки тональности нефинансовой отчетности. Выводы и практические рекомендации исследования могут быть полезны компаниям, оценивающим выгоды и издержки перехода к раскрытию нефинансовой информации или способы усовершенствования имеющихся процедур раскрытия нефинансовых сведений.

Ограничением исследования выступает относительно небольшой размер выборки нефинансовой отчетности российских компаний.

Глава 1. Обзор литературы

1.1 Подготовка нефинансовых сведений к публикации

нефинансовый информация стоимость компания

Компании используют публикацию нефинансовых сведений как способ повысить информированность инвесторов и сделать сферу своей деятельности более прозрачной для широкой общественности. Как отмечают Lev and Feng, 2016 [28], традиционные методы раскрытия финансовой отчетности не успевают за изменениями, происходящими в экономике, что приводит к снижению их релевантности для инвесторов. Согласно оценкам для американских компаний, традиционные стандарты финансовой отчетности содержат не более 5% от объема информации, используемой инвесторами. Именно совокупность нефинансовых и финансовых сведений важна для всестороннего анализа и оценки будущих перспектив компании. В данной главе будет подробно рассмотрена специфика подготовки и публикации нефинансовых сведений.

Стоит отметить, что с точки зрения компании раскрытие нефинансовой информации сопряжено как с рядом преимуществ, так и с рядом недостатков. Подробно рассмотрим основные из них, начиная с преимуществ. Во-первых, нефинансовые данные повышают прозрачность и укрепляют деловую репутацию фирм, служат поддержанию баланса интересов стейкхолдеров [3], увеличивают социальную ответственность менеджеров и значимость устойчивого развития [27]. Исследования Miralles-Quirуs et al., 2017 [35], Berthelot et al., 2012 [11] подтверждают наличие связи между выпуском нефинансовой отчетности компании и ее привлекательностью для инвесторов. Во-вторых, нефинансовые данные позволяют информировать стейкхолдеров о будущих рисках и возможностях, об ожидаемых в будущем результатах, приводить прогнозы относительно состояния отрасли и конкурентной среды. Это позволяет расширить инвестиционный горизонт, перейти от анализа прошлых достижений к стратегическому планированию будущего компании, обозначить промежуточные цели и действия по их достижению. В-третьих, в свете увеличения значимости устойчивого развития и роста влияния интеллектуального капитала качественные показатели деятельности компании приобретают более важное значение. В силу своих особенностей для их представления подходит именно нефинансовая отчетность. Наконец, нельзя не упомянуть и о прямой финансовой выгоде. Компании, раскрывающие нефинансовые данные, обладают преимуществом получения внешнего финансирования по более низкой стоимости (Ng and Rezaee, 2015 [40]). Крупные рейтинговые агентства Moody's и S&P Global учитывают нефинансовые показатели компаний при формировании своих инвестиционных оценок и рассчитывают премию за приверженность целям устойчивого развития [52], [53]. Несмотря на ряд неразрешенных в настоящее время методологических трудностей, возникающих при оценке влияния нефинансовой информации, ряд исследований демонстрируют положительное влияние нефинансовых данных на стоимость компании, мультипликаторы, волатильность курсовой стоимости и доходность (Cardamone et al., 2012 [16]; Carnevale et al., 2012 [17]; De Klerk et al., 2015 [19]).

Тем не менее, при принятии решения о раскрытии нефинансовых данных фирмы учитывают и существующие недостатки. Основным недостатком можно назвать сложность в количественной оценке эффекта от раскрытия и в отделении влияния нефинансовой отчетности от влияния других факторов, в том числе экзогенных. Кроме того, опросы инвесторов показывают наличие скептического отношения к содержательности, информативности и полноте нефинансовой отчетности (Camodeca et al., 2018 [15]). К этому прибавляется неразрешенная в настоящий момент проблема внешнего аудита отчетности и проверки достоверности информации. К добровольной процедуре проверки готовы прибегать не все компании. Характер требований и принципы государственного регулирования в большинстве стран в настоящий момент находятся на стадии разработки. Наконец, подготовка нефинансовой отчетности предполагает инвестиции в процедуры по сбору и обработке нефинансовых данных, привлечение опытных экспертов или развитие экспертизы внутри компаний, проведение процедуры внутреннего аудита и достоверности раскрываемой информации перед публикацией отчета.

Нефинансовая отчетность имеет ряд отличительных характеристик по сравнению с финансовой отчетностью. Финансовая отчетность представляет собой «снимок» компании на определенную дату или свод операций, более важных для понимания сути произошедших событий, нежели для прогнозирования будущих. В свою очередь, нефинансовая отчетность позволяет инвесторам строить прогнозы с расширенным горизонтом планирования за счет предоставления сведений о всех сферах деятельности фирмы. Кроме того, нефинансовая отчетность позволяет строить прогнозы относительно поведения других участников рынка, основываясь на нефинансовых сведениях. Например, раскрытие данных о проводимой политике в отношении защиты окружающей среды, борьбы с дискриминацией, реализации социальных проектов позволяет прогнозировать восприятие компании общественностью, ее долгосрочную репутацию и привлекательность для инвесторов. При этом стандарты нефинансовой отчетности справедливо считаются односторонними (ACCA Global, 2019 [7]). В них учитываются активы, но (за редким исключением) не учитываются обязательства. Как отмечают исследователи, для полноценности представленных данных интеллектуальный капитал, лежащий в основе нефинансовой отчетности, должен включать в себя обе стороны баланса, представлять как положительную, так и негативную информацию, отражать как успешные, так и неудачные инициативы компании (Caddy, 2000 [14]; De Villiers and Sharma, 2017 [20]).

Более подробное сравнение характеристик нефинансовой и финансовой отчетности представлено в Таблице 1.

Таблица 1. Сравнительные характеристики финансовой и нефинансовой отчетности

Критерий сравнения	Финансовая отчетность	Нефинансовая отчетность
Направленность	На прошлое. Представлены результаты и эффективность компании за рассматриваемый период	На будущее. Изложена стратегия развития компании на долгосрочный период, обозначены промежуточные цели
Аудит	Проходит стандартные аудиторские процедуры	Проходит внутренний аудит, процедура внешнего аудита реализована на добровольной основе
Декларируемая цель	Представление финансовой составляющей деятельности компании	Описание способов создания стоимости.
Категории данных	Количественные данные	Совокупность количественных и качественных данных
Взаимосвязь элементов	Зачастую элементы имеют индивидуальных характеристики, взаимосвязи не описаны	Показано взаимовлияние структурных компонентов компании
Вид капитала	Финансовый капитал	Все виды капитала: финансовый, производственный, интеллектуальный, человеческий, социальный, природный
Целевая аудитория	Источники финансового капитала: инвесторы, кредиторы	Обширная группа стейкхолдеров, включающая НКО, клиентов, сотрудников, поставщиков

Источник: Составлено автором на основании анализа существующих исследований.

Многие исследователи подчеркивают необходимость доработки существующих стандартов раскрытия нефинансовой информации, всесторонне охватывающих деятельность фирм и учитывающих релевантную для стейкхолдеров информацию. Необходимы процедуры по отделению релевантных данных от информационного шума. Проблему асимметрии призвана решить стандартизация и унификация отчетности. В следующих разделах представлен сравнительный анализ существующих стандартов, описаны их основные преимущества и недостатки.

1.2 Основные стандарты раскрытия нефинансовой информации

Наиболее распространенными стандартами подготовки и раскрытия нефинансовой отчетности являются стандарты GRI (Global Reporting Initiative). Создание GRI было направлено на объединение существующих подходов к раскрытию экономической, социальной и экологической информации в единую систему стандартов. Ориентиром при разработке послужили стандарты МСФО (CERES, 2002 [18]). Рекомендации GRI отличаются проработанностью и конкретизацией, что повышает информативность для стейкхолдеров компании. Многолетняя практика позволяет учитывать обратную связь от компаний и инвесторов, что выражается в последовательном обновлении редакций стандартов. О распространении стандартов среди российских компаний свидетельствует тот факт, что большинство компаний, выпускающих отчеты в области устойчивого развития, ориентируются именно на GRI как на методологическую основу (РСПП, 2019 [2]). Анализ практики, сложившейся в компаниях, помог выделить сложности и преимущества, к которым приводит раскрытие нефинансовых данных в соответствии со стандартами GRI (Таблица 2).

Таблица 2. Преимущества и недостатки использования стандартов GRI

GRI
Характеристика	Комментарий
1. Публикация абсолютных значений, не позволяющих судить о достаточности или недостаточности предпринятых мер.	Раскрываемых абсолютных показателей недостаточно для понимания достаточности предпринятых инициатив. Необходимо добавить возможность сравнения усилий компании по достижению ЦУР в определенных сферах с их текущим состоянием и средними значениями по отрасли.
2. Накопленная многолетняя практика	Наличие кейсов применения в большинстве отраслей и стран, возможность передачи опыта.
3. Наличие конкретизированных показателей нефинансовой деятельности	Отсутствие необходимости в разработке новых показателей, сопоставимость отчетов.
4. Учет интересов широкого круга стейкхолдеров	В отличие от других стандартов, ключевые метрики подобраны с учетом интересов не только инвесторов, но и широкой общественности.
5. Сочетание количественных и качественных показателей	Позволяет использовать и количественные показатели, и примеры из практики в качестве иллюстраций инициатив и проводимой политики по достижению ЦУР.

Источник: Составлено автором на основании анализа существующих исследований

С момента своего появления в 2013 году, широкое распространение также получили Международные стандарты интегрированной отчетности IR, выпускаемые Международным советом по интегрированной отчетности (IIRC). К публикуемым нефинансовым сведениям относится информация о мерах компании по защите окружающей среды и бережливом производстве, о достижениях в борьбе с неравенством и проявлениями социальной несправедливости (например, ограничений при приеме на работу или назначении в руководящий состав), о помощи социально незащищенным слоям населения. При создании данных стандартов использовался накопленный опыт предыдущих начинаний, в том числе, практика GRI. Первоначальной целью IR являлось создание единого отчета, призванного заменить собой другие существующие формы отчетности, объединив нефинансовые и финансовые данные. Однако на практике IR используется в дополнение к остальным формам отчетности. Основное методологическое отличие IR от GRI состоит в требованиях к раскрытию информации. GRI предполагает конкретизацию и предлагает ряд обязательных ключевых показателей, стандарты IR ограничиваются общими рекомендациями.

Отметим, что IR имеет ряд недостатков. Отсутствие требований к содержанию и полноте раскрываемой информации, отсутствие процедуры аудита приводит к замещению значимой информации привлекательной для стейкхолдеров, к субъективности суждений Maroun, 2017 [33]. Риск состоит в том, что некоторые компании могут использовать IR в качестве дополнительного маркетингового буклета. Это противоречит основополагающей цели IR, призванного сократить поиск информации для инвесторов путем представления всех релевантных данных в едином документе. При этом информация, предлагаемая к раскрытию стандартами, может быть как избыточной, так и недостаточной для инвесторов. Исследование отчетов, подготовленных в соответствии со стандартами IR, по выборке американских компаний выявило отсутствие в большинстве из них показателей, выделяемых инвесторами как наиболее важных в области корпоративного управления, экономической и социальной деятельности (Rupley et al., 2017 [43]). На практике инвесторы и другие участники финансовых рынков остаются главной целевой аудиторией IR, в то время как при создании декларировалось внимание к интересам широкой общественности (De Villiers and Sharma, 2017 [20]). Анализ существующих исследований позволил сформулировать список сложностей и преимуществ, к которым приводит раскрытие нефинансовых данных в соответствии со стандартами IR (Таблица 3).

Таблица 3. Преимущества и недостатки использования стандартов IR

Характеристика	Комментарий
1. Отсутствие процедуры обязательного внешнего аудита	Аудиторская проверка выявляет лишь факт наличия нефинансовой отчетности. Не выработаны требования в отношении достоверности раскрываемых сведений.
2. Отсутствие конкретных показателей, подлежащих раскрытию	Фактически, компании вправе самостоятельно выбирать индикаторы для включения в отчетность. Это затрудняет сопоставимость отчетности и приводит к искажению информации из-за выборочного раскрытия.
3. Несбалансированность показателей	Приводит к смещению в сторону раскрытия положительных достижений.
4. Отсутствие требований к информативности раскрываемой информации	Приводит к увеличению объемов отчетности и включению историй, примеров, рассказов о компании. Риск превращения отчета в маркетинговый документ.
5. Субъективность	Из-за отсутствия спецификаций относительно раскрываемой информации, интегрированные отчеты могут содержать субъективные суждения. Важность определяется эмитентом без внешнего контроля, что ведет к асимметрии информации.
6. Вовлечение различных отделов компании в совместную работу по сбору и обработке нефинансовых данных	Способствует повышению прозрачности и внутреннего контроля.

Источник: Составлено автором на основании анализа существующих исследований

SASB (Sustainability Accounting Standards Board) был создан по инициативе SEC (Securities Exchange Commission) в 2012 году с целью подготовки стандартов устойчивого развития с учетом отраслевой специфики (на момент создания стандарты покрывали 79 отраслей). Стандарты SASB в первую очередь предназначены для эмитентов, разместивших ценные бумаги на американских биржах и публикующих финансовую отчетность по форме K-10. Процесс подготовки данных, требуемых к раскрытию SASB, позволяет в дальнейшем включать их в годовые отчеты и адаптировать к другим существующим формам раскрытия нефинансовой информации (в их числе отчеты устойчивого развития, экологические отчеты). Преимущества и недостатки раскрытия нефинансовых данных в соответствии со стандартами SASB представлены в Таблице 4.

Таблица 4. Преимущества и недостатки использования стандартов SASB

Характеристика	Комментарий
1. Наличие конкретных KPI	Список конкретных KPI по каждой отрасли делает отчетность сопоставимой и интерпретируемой.
2. Специфичность американского законодательства, связанные с этим трудности при применении стандартов в других странах	При адаптации стандартов потребуется введение дополнительных ограничений и учет страновой специфики.
3. Ориентированность на инвесторов как на основную целевую аудиторию	Не учитываются интересы более широких групп стейкхолдеров. Менее релевантно для непубличных компаний.

1.3 Практические аспекты раскрытия нефинансовой информации

Процесс подготовки нефинансовой отчетности включает в себя некоторые некоторые фундаментальные проблемы. Ключевой проблемой представляется недостаточно эффективный механизм раскрытия информации, который допускает публикацию не всех значимых для инвесторов и общественности фактов, является подверженным агентской проблеме, допускает сокрытие негативной информации (Dumay and Guthrie, 2017 [22]).

Как отмечается в отчете ACCA Global [7], унификация стандартов выступила бы положительным стимулом для компаний, раскрывающих нефинансовые данные. На настоящий момент обилие разнообразных требований приводит к сложностям, ограничивающим распространение нефинансовой отчетности. На основании систематизации существующих исследований были составлены практические рекомендации для компаний, публикующих нефинансовую отчетность (Приложение 1). Особенности подготовки нефинансовой отчетности представлены в Таблице 5.

Таблица 5. Особенности подготовки нефинансовой отчетности к публикации

Особенность	Комментарий	Возможные результаты
1. Долгосрочное планирование	В соответствии с требованиями стандартов компании представляют планы развития на горизонте 5, 10, 15 лет и более.	Расширение инвестиционного горизонта. Внедрение процедуры регулярного пересмотра существующих стратегий развития, бизнес-модели компании.
2. Совместная работа различных подразделений компании	Выстроенное кросс-функциональное взаимодействие подразделений компании необходимо для подсчета ключевых показателей эффективности.	Улучшение процедур планирования, выявление «узких мест» в организации.
3. Описание процесса создания стоимости	Требования стандартов нефинансовой отчетности к существенности и полноте раскрытия ставят компании перед необходимостью факторного анализа процесса формирования стоимости на всех уровнях.	Возможность проанализировать все компоненты создания стоимости, определить их текущую эффективность.
4. Планирование будущих рисков и будущих возможностей	Дополнение традиционного анализа рисков (матрицы рисков, оценки влияния рисков и их вероятности с учетом сроков реализации) анализом возможностей с указанием их оцененной величины (матрица возможностей).	Повышение информированности, адаптация ожиданий стейкхолдеров.
5. Соблюдение последовательности изложения	При регулярной публикации отчетности следует сохранять преемственность и последовательность раскрытия ключевых показателей и изложения.	Возможность сравнительного анализа, оценки эффективности, отслеживания динамики.
6. Баланс объективной информации и субъективных суждений	Субъективный характер нефинансовой отчетности создает препятствия при подходе к ее оценке. Необходимо подкреплять утверждения статистикой.	Увеличение доверия к раскрываемой информации, возможность для проверки представленных сведений.
7. Определение существенной информации	Нефинансовая отчетность обладает ценностью в том случае, если содержит существенную и релевантную для стейкхолдеров информацию.	Выбор существенных показателей должен учитывать интересы и потребности широкого круга стейкхолдеров. Для выявления предпочтений может быть использовано проведение опросов.

Источник: Составлено автором на основании анализа существующих исследований

1.4 Подходы к оценке влияния нефинансовой информации на финансовые показатели

Pisani et al. (2017) [42] на основе анализа 494 исследований, посвященных корпоративной социальной ответственности (КСО), выявили ряд закономерностей, выводов и методологических сложностей. Отметим наиболее релевантные из них в рамках текущего исследования. Большинство изученных исследований посвящены рассмотрению конкретных примеров на уровне страны или региона («phenomen-based research»), меньше внимание уделяется разработке общих подходов к проблематике и теоретического базиса. Отмечается недостаток исследований эффекта нефинансовой информации в развивающихся странах - преобладающая часть исследований сосредоточена на развитых странах, преимущественно США и Западной Европе. Исключение составляет КНР, на долю которой приходится наибольшее число исследований среди развивающихся стран.

Использованную в опубликованных работах методологию можно классифицировать как теоретическую (43.9% от общего числа исследований) и эмпирическую (56.1%). Эмпирическую методологию, в свою очередь, можно разделить на три вида: количественную (26.3%), качественную (27.5%) и сочетающую оба подхода (2.2%). В этой связи стоит отметить, что рост числа количественных исследований приходится на последнее десятилетие (2006-2015). За этот период были выработаны различные способы оценки влияния нефинансовых данных на финансовые показатели, включающие использование дамми-переменных, построение индекса раскрытия нефинансовой информации на основе скоринговых моделей и изучение тональности отчетности. Систематизация релевантных исследований представлена в Таблице 6.

Таблица 6. Оценка влияния нефинансовых данных на финансовые показатели

		Влияние нефинансовой информации
Прокси для нефинансовой информации	Выборка	Положительное	Отрицательное	Не выявлено
Дамми-переменная (1 - в случае раскрытия нефинансовой информации, 0 - иначе)	· 1017 (2005-2013) / 1539 (2009-2014) фирм из стран БРИКС [1] · 146 канадских фирм (2007) [11] · 1650 компаний из 10 европейских стран (2001-2013) [35] · 178 итальянских компаний (2002-2008) [16] · 130 банков из 12 европейских стран (2002-2008) [17]	[1], [11], [35]	[16]	[17]
Индекс раскрытия нефинансовой информации (balanced scorecard approach)	· 35 испанских фирм (2018) [44] · 100 южноафриканских фирм (2011-2013) [10] · 841 европейская компания и 127 южноафриканских компаний (2012-2016) [30]	[44], [10], [30]	NA	NA
Тональность текста нефинансового отчета/отчета, включающего нефинансовую информацию (sentiment analysis)	· 204 бразильские компании (1997-2009) [41] · 150 европейских компаний (2014-2017) [47] · 109 европейских IT-компаний (2015-2016) [38] · 62 европейские компании, 102 отчета (2011-2016) [12]	[47], [38]	NA	[41], [12]

Примечание: NA - Not Available, соответствующие исследования не найдены

1.5 Модели оценки тональности текста

Один из наиболее распространенных способов оценки тональности текста - это использование специализированных словарей тональностей. Согласно подходу, предложенному Loughran and McDonald, 2011 [31], текст разбивается на отдельные слова без учета их синтаксических связей и контекста. Затем слова приводятся к лексической основе при помощи процедур лемматизации и стемминга. Тональность слов оценивается по словарю. Полученные лингвистические показатели используют в качестве признаков в моделях классификации.

Релевантность использования словарей для анализа финансовых текстов подтверждена рядом исследований, в том числе Myskova, Hajek, 2019 [39], Loughran, McDonald, 2016 [32], Федорова et al., 2019 [4]. Существует специализированный финансовый словарь тональности Loughran & McDonald и ряд общеупотребимых словарей тональности, таких как AFINN и NRC. В литературе встречаются примеры использования словарей для анализа нефинансовой отчетности, например исследование корпоративной социальной отчетности европейских компаний в работе Beretta et al., 2018 [12]. Более подробное описание исследований использования методов текстового анализа для анализа отчетов, содержащих нефинансовую информацию, приведено в Таблице 7.

Таблица 7. Использование моделей машинного обучения для анализа тональности отчетов, содержащих нефинансовую информацию

				Метрики
Исследование	Инструмент обработки текста	Классификаторы	Выборка	Accuracy	F1-мера	Precision	Recall
Moreno-Sandoval et al., 2019 [36]	Spanish FreeLing (специализированный финансовый словарь, адаптированный для испанского языка)	Классификаторы, использующие нейронные сети (IBM Watson, Azure, FinT-esp)	76 испанских компаний, 378 посланий к акционерам (2014-2017)	0.70 (Azure)	0.54 (IBM Watson)	0.72 (IBM Watson)	0.50 (FinT-esp)
Hajek et al., 2014 [25]	Bag-of-words, финансовые словари Loughran and McDonald	Метод опорных векторов (SVM), решающие деревья (NBDT, BFDT, KRDT), логистическая регрессия (LR)	448 годовых отчетов американских компаний (2008)	0.84 (SVM)	0.83 (SVM)	0.84 (SVM)	0.84 (SVM)
Song et al., 2018 [46]	Разметка текста вручную, подготовка обучающей выборки	Метод опорных векторов (SVM)	50 годовых отчетов китайских компаний (2008-2013)	0.87	0.92	0.97	0.88

Примечание: При использовании в работе нескольких классификаторов выбирались наилучшие результаты. Численные значения приведены с точностью до сотых

Стоит отметить, что тексты нефинансовой отчетности отличаются специфическими характеристиками. Как показано в работе Smailoviж et al., 2017 [45], в большинстве отчетов преобладает нейтральная тональность, эффект от положительных и негативных слов выражается слабо. В исследовании Moreno-Sandoval et al., 2019 [36] продемонстрировано, что отчеты компаний, получивших убыток за отчетный период, преимущественно содержат положительную тональность в своих отчетах, как и отчеты компаний, получивших прибыль. Это согласуется с теорией, представляющей нефинансовую отчетность в качестве репутационного инструмента. В силу этих причин, тональность нефинансовой отчетности может не отражать динамику стоимости компании за отчетный период, что может снижать точность предсказательных моделей. Из этого следует, что существует необходимость в адаптации словарей или использовании иного подхода, учитывающего семантику и контекст.

Реализацией этого подхода являются модели обработки естественного язык. Их перспективность отмечается в исследованиях Liu et al., 2014 [29], Myskova, Hajek, 2017 [37]. Пример такой модели, позволяющий достигать state-of-the-art результатов в области анализа тональности - это алгоритм глубокого обучения BERT, чувствительный к контексту и порядку слов в предложении. Модель BERT (Bidirectional Encoder Representations from Transformers), впервые представленная в работе Devlin et al., 2019 [21], была предварительно обучена на большом корпусе текстов. Были проанализированы различные случаи употребления слов, что позволило создавать векторные представления, сохраняющие контекст. Для использования BERT в задаче анализа тональности нефинансовой отчетности требуется предварительно обучить ее на размеченной выборке текстов, где каждому фрагменту ставится в соответствие тональность (негативная, нейтральная или положительная). В процессе обучения модель запоминает словосочетания, характерные для каждой тональности, определяет взаимосвязи и семантические структуры. Это позволяет учитывать различные случаи употребления слова и соответствующие изменения их смыслового наполнения.

Модель BERT, учитывающая контекст, была успешно применена в анализе финансовой отчетности китайских компаний [26] (precision на контрольной выборке составила 79.3%) и выборке финансовых новостей Thomson Reuters [8] (accuracy на контрольной выборке составила 86%) . Ожидается, что применение BERT для анализа нефинансовой отчетности также позволит получить высокую точность классификации.

Глава 2. Гипотезы и методология исследования

2.1 Гипотезы исследования

На основе анализа существующих исследований в области текстового анализа и нефинансовой отчетности были сформулированы следующие гипотезы.

H1. Тональность нефинансовой информации влияет на стоимость компании.

Рост важности ESG-факторов, включение целей устойчивого развития в актуальную повестку, интерес инвестиционного сообщества к нефинансовой отчетности свидетельствуют о потенциальной возможности ее воздействия на финансовые результаты компании. Значимое положительное влияние тональности отчетности на стоимость компании было выявлено в ряде исследований, в том числе Myskova, Hajek, 2019 [39]; Moreno-Sandoval et al., 2019 [36].

H2. Отраслевая принадлежность компании оказывает значимое влияние на её стоимость.

Некоторые отрасли в силу своей специфики более чувствительны к оценкам их нефинансовых результатов. К таким отраслям относятся, например, нефтегазовая и химическая, в которых большое внимание уделяется влиянию на окружающую среду и контролю за экологичностью производства. Добавление в модель дамми-переменной для отраслей и оценка их значимости позволит проверить данную гипотезу. Значимое влияние отраслевой принадлежности было выявлено в исследованиях Sierra-Garcia et al., 2018 [44]; Brammer and Pavelin, 2008 [13].

H3. Значения лингвистических переменных, превышающие среднее по выборке за выбранный период, оказывают значимое влияние на стоимость компании.

Избыточные или аномальные значения лингвистических переменных, превышающие среднее значение по выборке, могут оказывать значимое влияние на стоимость компании, в то время как влияние абсолютных значений может оказаться незначимым, как продемонстрировано в работе Taliento et al., 2019 [47]. Для проверки гипотезы тестируется модель с добавлением аномальных значений тональности.

H4. Добавление нефинансовых переменных увеличивает предсказательную точность регрессионных моделей.

Как показывают исследования Myskova, Hajek, 2018 [38]; Meier et al., 2013 [34], нефинансовая информация позволяет точнее предсказывать стоимость и другие финансовые показатели компании. Для проверки гипотезы коэффициент детерминации для модели с включением нефинансовых переменных сравнивается с для усеченной модели (без включения нефинансовых переменных).

H5. Использование SVM совместно с BERT позволяет добиться наиболее высокой точности среди алгоритмов классификации.

Как показано в исследованиях Zhao L., 2020 [48] и Hajek et al, 2014 [25], в задаче текстового анализа SVM (метод опорных векторов) показывает наибольшую точность предсказаний по сравнению с другими классификаторами.

2.2 Формирование выборки

В первоначальную выборку были включены 26 российских компаний, котирующихся на МосБирже и публикующих нефинансовую отчетность. Финансовые показатели компаний были получены из системы Bloomberg. Затем из выборки были исключены компании с пропусками финансовых данных. В случае, если в рассматриваемый период отчет об устойчивом развитии или экологический отчет не публиковались, рассматривались разделы годового отчета, содержащие информацию об устойчивом развитии. В финальную выборку включены 50 отчетов 17 российских компаний за период 2016-2019 гг. (Таблица 8).

Таблица 8. Выборка российских компаний

Компания	Отрасль
1. Газпром	Нефтяная и нефтегазовая промышленность
2. ЛУКОЙЛ
3. Татнефть
4. НОВАТЭК
5. Роснефть
6. Северсталь	Металлургия
7. Норникель
8. ЕВРАЗ
9. АЛРОСА	Промышленность драгоценных металлов и алмазов
10. Полюс
11. МТС	Телекоммуникации и связь Электроэнергетика
12. Россети
13. РусГидро
14. Интер РАО
15. АФК Система	Инвестиционная компания
16. ФосАгро	Химическая промышленность
17. Аэрофлот	Транспорт и логистика

2.3 Описание переменных

Финансовые переменные, включенные в модель, были выбраны на основе изучения релевантных исследований. Переменные были разделены на 4 категории: показатели рентабельности, показатели рыночной стоимости, показатели ликвидности, показатели размера компании (Таблица 9). Описание переменных приведено далее.

Зависимая переменная

Ln (MBV) - показатель рыночной стоимости, отражающий разницу между балансовой и рыночной стоимостью компании. Логарифмирование позволяет сгладить различие в стоимости компаний. Разрыв между балансовой и рыночной стоимостью может объясняться влиянием нефинансовых данных, что позволяет выбрать этот показатель в качестве зависимой переменной.

Объясняющие переменные

ROE (return on equity) - показатель рентабельности собственного капитала, который демонстрирует отношение чистой прибыли к собственному капиталу компании. Чем выше значение ROE, тем выше эффективность компании и отдача от использования собственного капитала.

Ожидаемое влияние: Положительное. Ожидается, что увеличение стоимости компании сопровождается ростом ROE.

ROA (return on assets) - показатель рентабельности, отражающий эффективность использования активов компании. В отличие от ROE, ROA учитывает все активы компании. Чем выше значение ROA, тем выше эффективность предприятия в генерации выручки.

Ожидаемое влияние: Положительное. Ожидается, что увеличение стоимости компании сопровождается ростом ROA.

PE (price to equity) - показатель рыночной стоимости и инвестиционной привлекательности компании.

Ожидаемое влияние: Положительное. Ожидается, что увеличение стоимости компании сопровождается ростом PE.

NWC (net working capital) - показатель ликвидности, отражающий величину чистого оборотного капитала.

Ожидаемое влияние: Положительное. Ожидается, что увеличение стоимости компании сопровождается ростом ликвидности.

Ln (TA) - показатель размера компании. Логарифмирование позволяет сгладить различие в величине активов компаний.

Ожидаемое влияние: Положительное. Как продемонстрировало исследование Фомкиной, 2016 [5], на российском фондовом рынке существует премия за размер. Исходя из этого, ожидается, что более крупные компании отличаются более высокой рыночной стоимостью.

Таблица 9. Описание финансовых показателей

Категория	Показатель	Формула
Рентабельность	ROE	Отношение чистой прибыли к балансовой стоимости собственного капитала
	ROA	Отношение чистой прибыли к балансовой стоимости активов
Рыночная стоимость	P/E	Стоимость акции / Доход, приходящийся на акцию
	Ln MBV	Натуральный логарифм отношения рыночной стоимости к балансовой
Ликвидность	NWC	Чистый оборотный капитал
Размер	Ln TA	Натуральный логарифм рыночной стоимости активов (показатель размера компании)

Примечание: ROE - return on equity, ROA - return on assets, P/E - price to equity, MBV - market to book value, NWC - net working capital, TA - total assets.

Опираясь на предыдущие исследования в области текстового анализа и влияния нефинансовых данных на финансовые результаты, были выбраны лингвистические переменные, представленные в Таблице 10.1. Метрики качества моделей текстового анализа представлены в Таблице 10.2.

Таблица 10.1. Описание лингвистических переменных

Переменная	Формула расчета
Positive (частота слов с положительной окраской)	Количество положительных слов / Длина отчета
Negative (частота слов с негативной окраской)	Количество негативных слов / Длина отчета
Neutral (частота слов с нейтральной окраской)	Количество нейтральных слов / Длина отчета
Tonality (тональность текста)	(Частота положительных слов - Частота негативных слов) / (Частота положительных слов + Частота нейтральных слов + Частота негативных слов)

Таблица 10.2. Описание метрик качества моделей текстового анализа

Метрика	Формула расчета
Accuracy	(True Positive + True Negative) / (True Positive + True Negative + False Positive + False Negative)
Precision	True Positive / (True Positive + False Positive)
Recall	True Positive / (True Positive + False Negative)
F-мера (F1 score)	(2 * Precision * Recall) / (Precision + Recall)

Примечание: True Positive - число предложений положительной тональности, правильно классифицированных моделью; True Negative - число предложений негативной тональности, правильно классифицированных моделью; False Positive - число предложений негативной тональности, ошибочно классифицированных моделью как положительные; False Negative - число предложений положительной тональности, ошибочно классифицированных моделью как негативные.

2.3 Обработка текста

Нефинансовые отчеты компаний были загружены с сайтов компаний и из Библиотеки корпоративных нефинансовых отчетов РСПП [51]. Затем с помощью специализированной программы ABBYY FineReader отчеты были оцифрованы и переведены в текстовый формат. Тексты были разбиты на отдельные предложения и переведены в нижний регистр, из них были удалены знаки препинания и другие не-альфанумерические символы. В данном исследовании не применялось удаление стоп-слов, так как оно приводит к потери важной информации и искажает контекст предложения. Так, предложение «Вынуждены констатировать, что в отчетном периоде не удалось избежать несчастных случаев» после удаления стоп-слов превратилось бы в «Вынуждены констатировать отчетном периоде удалось избежать несчастных случаев». Поэтому от использования этой методики было решено отказаться.

После предобработки предложения были токенизированы - каждое из них получило свое уникальное численное представление. Была вычислена длина наибольшего токена и все токенизированные предложения были приведены к этой длине путем их заполнения нулями. Это позволило объединить предложения в один массив, что ускорило процесс обработки данных. В результате обработки токенизированных предложений модель возвращает их векторные представления (word embeddings). Сгенерированные векторные представления представляют собой признаки, на основе которых классификатор предсказывает тональность предложения. Фрагменты кода, использовавшегося для обработки текстов и обучения модели, приведены в Приложении 5.

2.4 Построение регрессионной модели

Чтобы оценить влияние нефинансовой информации на стоимость компании и проверить выдвинутые гипотезы, используются регрессионные модели. Теоретическая регрессионная модель адаптирована из исследований Taliento et al., 2019 [47] и Кузубов, Евдокимова, 2017 [1]. Данная модель используется для проверки основной гипотезы исследования H1. Тональность нефинансовой информации влияет на стоимость компании.

Спецификация теоретической регрессионной модели выглядит следующим образом:

,

где:

Ln MBV - целевая переменная,

ROA, ROE, PE, NWC_INV, TA - финансовые переменные,

TON - тональность отчета,

- мера оценки влияния фактора на зависимую переменную,

- случайная ошибка,

- номер наблюдения.

Для проверки гипотезы H2. Отраслевая принадлежность компании оказывает значимое влияние на её стоимость используется следующая спецификация регрессионной модели:

,

где:

Ln MBV - целевая переменная,

ROA, ROE, PE, NWC_INV, TA - финансовые переменные,

TON - тональность отчета,

- индикаторные переменные, принимающая значение 0 или 1 в зависимости от отраслевой принадлежности компании (oil - нефтегазовая, met - металлургическая, gld - промышленность драгоценных металлов и алмазов, tel - телекоммуникационная, enrg - энергетическая, inv - инвестиционная, tran - транспорт и логистика, chem - химическая),

- мера оценки влияния фактора на зависимую переменную,

- случайная ошибка,

- номер наблюдения.

Для проверки гипотезы H3. Значения лингвистических переменных, превышающие среднее по выборке за выбранный период, оказывают значимое влияние на стоимость компании используется следующая спецификация модели:

,

где:

Ln MBV - целевая переменная,

ROA, ROE, PE, NWC_INV, TA - финансовые переменные,

POS, NEG, NEU, TON - лингвистические переменные,

dPOS, dNEG, dNEU, dTON - относительные значения тональности, вычисленные как разница между абсолютным значением тональности и средним значением по выборке за временной период, к которому относится наблюдение,

- мера оценки влияния фактора на зависимую переменную,

- случайная ошибка,

- номер наблюдения.

Для проверки гипотезы H4. Добавление нефинансовых переменных увеличивает предсказательную точность регрессионных моделей теоретическая регрессионная модель сравнивается с усеченной моделью, включающей только финансовые переменные:

,

где:

Ln MBV - целевая переменная,

ROA, ROE, PE, NWC_INV, TA - финансовые переменные,

- мера оценки влияния фактора на зависимую переменную,

- случайная ошибка,

- номер наблюдения.

Глава 3. Результаты исследования

3.1 Описательные статистики

Описательные статистики представлены в Таблице 11. Среднее значение тональности составляет 0.146, максимальное 0.247. Среднее значение доли позитивной окраски текстов составляет 0.225, максимальное составляет 0.380, минимальное 0.106. Среднее значение доли негативной окраски текстов составляет 0.077, минимальное составляет 0.003, максимальное составляет 0.256. Среднее значение нейтральной окраски текстов составляет 0.698, минимальное составляет 0.375, максимальное составляет 0.879. Таким образом, преобладающей эмоциональная окраска российской нефинансовой отчетности - нейтральная.

Таблица 11. Описательные статистики переменных

Переменная	Среднее	Стандартное отклонение	Минимальное значение	Максимальное значение
Ln MBV	0.690	1.29	-1.97	3.35
ROA	16.4	10.1	1.2	41.2
ROE	39.9	49.7	-141	181
PE	8.90	6.97	1.69	45.9
NWC_INV	54122	293915	-368000	45.9
Ln_TA	12.9	2.86	51.5	16.9
POS	0.225	0.0496	0.106	0.380
NEG	0.0778	0.0572	0.003	0.256
NEU	0.698	0.0959	0.375	0.879
TON	0.146	0.0506	0.0279	0.247

Корреляционная матрица переменных представлена на Рисунке 1. Высокая отрицательная корреляция наблюдается между негативной и нейтральной (-0.9), позитивной и нейтральной (-0.87) эмоциональной окраской текстов. Действительно, чем выше доля нейтральной эмоциональной окраски, тем ниже доля негативной и позитивной, что объясняется построением переменных (сумма показателей эмоциональной окраски равна 1). Высокая отрицательная корреляция также наблюдается между ln_TA и NWC_INV (-0.58), ln_TA и ln_MBV (-0.51).

Рисунок 1. Корреляционная матрица переменных

Гистограммы распределения финансовых переменных представлены на Рисунке 2, гистограммы распределения показателей тональности компаний представлены на Рисунке 1 в Приложении 4. Распределение переменных ROE, ROA и Ln MBV приблизительно аппроксимируется нормальным распределением. Распределение переменных PE и NWC смещено влево, а распределение Ln TA - вправо.



Рисунок 2. Гистограммы распределения финансовых переменных

3.2 Результаты текстового анализа

Обучающая выборка была составлена вручную из нефинансовых отчетов российских компаний, опубликованных в период с 2016 по 2019 гг. Размер выборки составляет 1700 предложений. Предложения были классифицированы по 3 категориям (позитивные, негативные, нейтральные) на основе методики определения тональности, предложенной в исследовании Moreno-Sandoval et al., 2019 [36] и Groothuis, 2019 [24]. Позитивной тональностью обладают: оптимистичные прогнозы; предложения, содержащие информацию о успешных результатах компании, положительной динамике развития, полученных наградах, улучшении позиций компании в отрасли. Нейтральной тональностью обладают предложения, содержащие фактическую информацию, информацию о соответствии компании нормам законодательства и выполнению законодательных требований. Негативной тональностью обладают предложения, описывающие снижение ключевых показателей, выявленные риски, негативную динамику, невыполнение поставленных целей.

Распределение тональности предложений из обучающей выборки представлено на Рисунке 3. Выборка является несбалансированной, что обусловлено спецификой нефинансовой отчетности - количество нейтральных и положительных сведений значительно превышает количество негативных. Этой особенности подвержены как отчеты российских, так и европейских компаний, как отмечается в работе Moreno-Sandoval et al., 2019 [36].

Рисунок 3. Распределение тональности отчетов

Слова, наиболее часто встречающиеся в обучающей выборке, представлены на Рисунке 4. К ним относятся: компания, развитие, управление, социальный, производственный, корпоративный, безопасность.



Рисунок 4. Наиболее распространенные слова в обучающей выборке

Наиболее распространенные биграммы (сочетания из двух слов) приведены на Рисунке 5. В их число входят: окружающая среда, устойчивое развитие, охрана труда, промышленная безопасность, корпоративное управление, повышение эффективности, управление риском. Присутствие среди биграмм названий компаний объясняется формированием выборки предложениями из реальной отчетности компаний, в том числе и компаний, представленных на графике. Некоторые слова представлены в неправильном падеже, что объясняется лемматизацией (приведением слов к словарной форме) на этапе предобработки текста обучающей выборки - прилагательные и существительные представлены в именительном падеже, единственном числе; глаголы, причастия и деепричастия - в инфинитиве несовершенного вида.



Рисунок 5. Наиболее распространенные биграммы в обучающей выборке

Наиболее распространенные слова также представлены в виде WordCloud (Рисунок 6), где размер слова соответствует частоте его употребления.

Рисунок 6. Наиболее часто используемые слова

Для текстового анализа использовалась русскоязычная модификация BERT DeepPavlov Sentence RuBERT Base Cased, предварительно обученная на корпусе русскоязычной Википедии (более 1.6 млн статей, размер словаря составляет 150 тысяч слов). Процесс обучения русскоязычной модификации BERT подробно описан в работе Arkhipov et al., 2019 [9]. После обучения выборка была разбита на тренировочную (75%) и контрольную (25%). Точность классификации была измерена на контрольной выборке.

Для оценки точности классификации были использованы следующие модели ...