Результаты оценки теоретической модели представлены в Таблице 14. Коэффициент детерминации равен 0.67, что говорит о достаточной предсказательной точности модели. Значимость регрессии подтверждается p-value, равным 4.102e-09.

Таблица 14. Результаты оценки теоретической регрессионной модели

Обозначения: ***5] <0.001, **5] <0.01, *5] <0.05

Результаты теста Бройша-Пагана позволяют сделать вывод об отсутствии гетероскедастичности в модели. На основании результатов тестов Шапиро-Уилкоксона и Харке-Бера основная гипотеза о нормальности остатков модели не отвергается. Результаты тестов приведены в Приложении 6, Таблицы 1-3.

Оценкам коэффициентов можно дать следующие интерпретации:

· . Положительное значение, что соответствует предварительным предположениям. Коэффициент значим на 10% уровне значимости.

· . Положительное значение, что соотносится с предварительными предположениями. Коэффициент значим на 1% уровне значимости.

· . Положительное значение, что соответствует предварительным предположениям. Коэффициент значим на 5% уровне значимости.

· . Положительное значение, что соответствует предварительным предположениям. Коэффициент значим на 5% уровне значимости.

· . Отрицательное значение, что расходится с предварительными предположениями. Согласно результатам оцененной модели, влияние размера компании на ее стоимость отрицательно. Коэффициент значим на 10% уровне значимости.

· . Положительное значение, что соответствует предварительным предположениям. Согласно результатам оцененной модели, увеличение тональности отчетов увеличивает стоимость компании. Коэффициент значим на 5% уровне значимости.

Таким образом, результаты регрессии подтверждают гипотезу H1.

Результаты оценки спецификации модели для проверки гипотезы H2 представлены в Таблице 15. Коэффициент детерминации равен 0.86, что говорит о высокой предсказательной точности модели. Значимость регрессии подтверждается p-value, равным 3.08e-11.

Таблица 15. Результаты оценки регрессионной модели с включением дамми-переменных для отрасли

Обозначения: ***5] <0.001, **5] <0.01, *5] <0.05

Отсутствие гетероскедастичности в модели и нормальность остатков подтверждается статистическими тестами. Результаты тестов приведены в Приложении 6, Таблицы 4-6.

Среди включенных дамми-переменных значимыми оказались все, кроме TRAN и INV, переменных транспортной промышленности и инвестиционной сферы соответственно. Предполагаемое влияние нефтегазовой отрасли (OIL) и химической (CHEM) подтвердилось. Оценки коэффициентов позволяют утверждать, что наибольшее влияние на стоимость компании оказывает принадлежность к энергетической, металлургической, нефтегазовой и телекоммуникационной отрасли. Универсальность и обобщение выводов были бы преждевременны из-за ограничений в размере выборки. Тем не менее, принимая во внимание существующие ограничения, на основе полученных результатов можно утверждать, что гипотеза H2 подтверждается.

Результаты оценки спецификации модели для проверки гипотезы H3 представлены в Таблице 16. Коэффициент детерминации равен 0.81, что говорит о высокой предсказательной точности модели. Значимость регрессии подтверждается p-value, равным 2.61e-06.

Таблица 16. Результаты оценки регрессионной модели с включением переменных избыточной тональности

Обозначения: ***5] <0.001, **5] <0.01, *5] <0.05

Гипотеза о значимости лингвистических переменных и аномальных значений тональности, превышающих средние значения по выборке, отвергается на любом разумном уровне значимости. Таким образом, гипотеза H3 не подтвердилась.

Результаты оценки усеченной модели, включающей только финансовые переменные, приведены в Таблице 17. Коэффициент детерминации равен 0.63, что говорит о достаточной предсказательной точности модели. Значимость регрессии подтверждается p-value, равным 1.47e-08. усеченной модели ниже, чем модели с добавлением тональности: 0.63 < 0.67. Таким образом, гипотеза H4 верна - добавление тональности позволяет увеличить предсказательную точность модели.

Таблица 17. Результаты оценки усеченной регрессионной модели

Обозначения: ***5] <0.001, **5] <0.01, *5] <0.05

Заключение

Изучение влияния нефинансовой информации на стоимость компании является обширной областью исследований, представляющих высокую практическую ценность для инвестиционного анализа, процесса государственного регулирования, стратегического планирования. Во многих работах в качестве прокси для нефинансовой информации используются индикаторные дамми-переменные, обозначающие наличие нефинансового отчета, или скоринговые модели, оценивающие степень раскрытия данных на основе критериев международных стандартов нефинансовой отчетности. Вклад данного исследования состоит в применении альтернативного подхода к оценке нефинансовой информации - анализа тональности текстов. Этот подход получил широкое распространение в смежной области, анализе финансовой отчетности компаний. Его адаптация к нефинансовой отчетности позволила добиться достаточно хороших результатов.

Для реализации данного подхода была использована модель глубокого обучения BERT. Модель была обучена на размеченной вручную выборке текстов нефинансовой отчетности российских компаний, состоящей из 1700 предложений. На контрольной выборке точность классификации тональности достигла 81%. Наилучшим классификаторов по совокупности метрик качества был признал случайный лес.

Полученные в ходе текстового анализа лингвистические переменные были использованы в качестве признаков в линейной регрессии для оценки влияния тональности нефинансовой информации на стоимость компании. В качестве зависимой переменной был использован логарифм отношения рыночной стоимости компании к балансовой стоимости. Результаты построенной регрессии подтверждают наличие статистически значимого положительного влияния тональности. Модель имеет достаточно высокую предсказательную силу , статистические тесты подтверждают нормальность остатков и отсутствие гетероскедастичности.

Использование спецификации модели с добавлением дамми-переменных для отраслей подтвердило гипотезу о том, что некоторые отрасли испытывают большее влияние от выпуска нефинансовой отчетности. К ним относятся энергетическая, металлургическая, нефтегазовая и телекоммуникационная. Стоит отметить, что обобщение выводов для всех российских компаний ограничено использованием небольшой выборки.

Сравнение усеченной модели, включающей только финансовые переменные, с основной теоретической моделью показало, что добавление в модель тональности отчетов увеличивает ее предсказательную точность. Перспективной областью для дальнейших исследований выступает использование альтернативного набора финансовых переменных, расширение выборки компаний и рассматриваемого временного периода.

В теоретической части исследования были достигнуты следующие результаты. На основе систематизации существующих исследований был составлен сравнительный обзор наиболее распространенных международных стандартов раскрытия нефинансовой информации. Также были подробно описаны особенности подготовки нефинансовой отчетности. Наконец, были подготовлены практические рекомендации по оптимизации процесса раскрытия нефинансовых сведений, которые позволят компаниям улучшать качество нефинансовой отчетности и более эффективно взаимодействовать с широкой общественностью.

Список литературы

1. Кузубов С., Евдокимова М. (2017) Повышает ли стоимость компании публикация нефинансовых отчетов по стандартам GRI? (на примере стран БРИКС) // Учет, анализ и аудит, № 2, стр. 28-36.

2. РСПП (2019) Нефинансовая отчетность в России и мире: цели устойчивого развития - в фокусе внимания. Аналитический обзор за период 2017-2018 гг.

3. Тумин В., Махалин В., Костромин П. (2016) Повышение информационной прозрачности как фактор устойчивого развития российских компаний // Вестник университета, №5, стр. 39-45.

4. Федорова Е., Демин И., Рогов О.. (2019) Применение словарей тональности для текстового анализа // Прикладная информатика, №14(1), стр. 5-15.

5. Фомкина С. (2016) Премия за размер: анализ российского рынка капитала // Вестник СПбГУ, Серия 5: Экономика, №4.

6. ACCA Global (2018) Insights into integrated reporting 2.0: Walking the talk // URL: https://www.accaglobal.com/content/dam/ACCA_Global/professional-insights/Insights-into-integrated-reporting-2-walking-the-talk/pi-insights-IR-2.0.pdf (дата обращения - апрель 2020).

7. ACCA Global (2019) Insights into integrated reporting 3.0: The drive for authenticity // URL: https://www.accaglobal.com/vn/en/professional-insights/global-profession/insights-into-integrated-reporting-3.html (дата обращения - апрель 2020).

8. Araci D. (2019) FinBERT: Financial Sentiment Analysis with Pre-trained Language Models // ArXiv, URL: https://arxiv.org/abs/1908.10063 (дата обращения - апрель 2020).

9. Arkhipov M., Trofimova M., Kuratov Y., Sorokin A. (2019) Tuning Multilingual Transformers for Language-Specific Named Entity Recognition. // Proceedings of the 7th Workshop on Balto-Slavic Natural Language Processing, pp. 89-93.

10. Barth M., Cahan S., Chen L., Venter E. (2015) The Economic Consequences Associated with Integrated Report Quality: Early Evidence from a Mandatory Setting // SSRN Electronic Journal.

11. Berthelot S., Coulmont M., Serret V. (2012) Do Investors Value Sustainability Reports? A Canadian Study // Corporate Social Responsibility and Environmental Management, №19(6).

12. Beretta V., Demartini C., Trucco S. (2018) Does environmental, social and governance performance influence intellectual capital disclosure tone in integrated reporting? // Journal of Intellectual Capital, Vol. 20, No. 1, pp. 100-124.

13. Brammer S., Pavelin S. (2008) Factors influencing the quality of corporate environmental disclosure // Business Strategy and the Environment, Vol. 17, pp. 120-136.

14. Caddy I. (2000) Intellectual capital: Recognising both assets and liabilities. Journal of Intellectual Capital, 1(2), 129-146.

15. Camodeca R., Almici A., Sagliaschi U. (2018) Sustainability Disclosure in Integrated Reporting: Does It Matter to Investors? A Cheap Talk Approach // Sustainability, №10.

16. Cardamone P., Carnevale C., Giunta F. (2012) The value relevance of social reporting: evidence from listed Italian companies // Journal of Applied Accounting Research, №13(3), p. 255-269.

17. Carnevale C., Mazzuca M., Venturini S. (2012) Corporate Social Reporting in European Banks: The Effects on a Firm's Market Value // Corporate Social Responsibility and Environmental Management, №19(3).

18. CERES (2002) 2001 Annual report: Life in the edge environment. // Boston, MA: Coalition for Environmentally Responsible Economies.

19. De Klerk M., De Villiers C., Van Staden C. (2015) The influence of corporate social responsibility disclosure on share prices: evidence from the United Kingdom // Pacific Accounting Review, №27, p. 208-228.

20. De Villiers C., Sharma U. (2017) A critical reflection on the future of financial, intellectual capital, sustainability and integrated reporting // Critical Perspectives on Accounting.

21. Devlin J., Chang M., Lee K., Toutanova K. (2019) BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding // ArXiv, URL: https://arxiv.org/abs/1810.04805 (дата обращения - апрель 2020).

22. Dumay J., Guthrie J. (2017) Involuntary disclosure of intellectual capital: is it relevant? // Journal of Intellectual Capital, №18, p. 29-44.

23. European Commission (2019) Towards a Sustainable Europe by 2030 // URL: https://ec.europa.eu/commission/sites/beta-political/files/rp_sustainable_europe_30-01_en_web.pdf (дата обращения - апрель 2020).

24. Groothuis S. (2019) BERT for Sentiment Analysis on Sustainability Reporting // URL: https://qconlondon.com/london2020/presentation/bert-sentiment-analysis-sustainability-reporting

25. Hajek P., Olej V., Myskova R. (2014) Forecasting corporate financial performance using sentiment in annual reports for stakeholders' decision-making // Technological and Economic Development of Economy, Vol. 20(4), pp.721-738.

26. Hiew, J., Xin H., Hao M., Duan L., Qi W., Yabo X. (2019) BERT-based Financial Sentiment Index and LSTM-based Stock Return Predictability. // arXiv: Statistical Finance, URL: https://arxiv.org/abs/1906.09024 (дата обращения - апрель 2020).

27. Ioannou I., Serafeim G. (2011) The consequences of mandatory corporate sustainability reporting // SSRN Electronic Journal, №7387.

28. Lev B., Feng G. (2016) The end of accounting and the path forward for investors and managers // Wiley Finance.

29. Liu Y., Liu L., Wang C. and Tsai M. (2016) FIN10K: A Web-based Information System for Financial Report Analysis and Visualization // Procceedings of CIKM '16, pp. 2441-2444

30. Loprevite S., Ricca B., Rupo D. (2018) Performance Sustainability and Integrated Reporting: Empirical Evidence from Mandatory and Voluntary Adoption Contexts // Sustainability, Volume 10, pp. 1351.

31. Loughran T., McDonald B. (2011) When Is a Liability Not a Liability? Textual Analysis, Dictionaries, and 10-Ks // The Journal of Finance, Volume 66, pp. 35-65.

32. Loughran T., McDonald B. (2016) Textual Analysis in Accounting and Finance: A Survey // Journal of Accounting Research, Volume 54, pp. 1187-1230.

33. Maroun W. (2017) Assuring the integrated report: Insights and recommendations from auditors and preparers. The British Accounting Review.

34. Meier J., Walid E., Rasmus F. (2018) The Predictive Power of the Sentiment of Financial Reports // ICTERI Workshops.

35. Miralles-Quirуs M., Miralles-Quirуs J., Arraiano I. (2017) Are Firms that Contribute to Sustainable Development Valued by Investors? // Corporate Social Responsibility and Environmental Management, №24.

36. Moreno-Sandoval A., Gisbert A., Haya P., Guerrero M., Montoro H. (2019) Tone Analysis in Spanish Financial Reporting Narratives // Proceedings of the Second Financial Narrative Processing Workshop (FNP 2019)

37. Myskova R., Hajek P. (2017) Comprehensive assessment of firm financial performance using financial ratios and linguistic analysis of annual reports // Journal of International Studies, Vol. 10, pp. 96-108.

38. Myskova R., Hajek P. (2018) Sustainability and Corporate Social Responsibility in the Text of Annual Reports--The Case of the IT Services Industry // Sustainability, Vol. 10, 4119.

39. Myskova R., Hajek P. (2019) Relationship between corporate social responsibility in corporate annual reports and financial performance of the US companies // Journal of International Studies, Vol. 12, pp. 269-282.

40. Ng A., Rezaee Z. (2015) Business sustainability performance and cost of equity capital // Journal of Corporate Finance, №34, p. 128-149.

41. Pagliarussi M., Aguiar M., Galdi F. (2016) Sentiment analysis in annual Reports from Brazilian companies listed at the BM&Fbovespa // BASE - Revista de Administraзгo e Contabilidade da Unisinos, №13 (1).

42. Pisani N., Kourula A., Kolk A., Meijer R. (2017) How global is international CSR research? Insights and recommendations from a systematic review. // Journal of World Business, Vol. 52, pp. 591-614.

43. Rupley K, Brown D., Marshall S. (2017) Evolution of corporate reporting: From stand-alone corporate social responsibility reporting to integrated reporting. // Research in Accounting Regulation, Vol.29.

44. Sierra-Garcia L., Garcia-Benau M., Bollas-Araya H. (2018) Empirical Analysis of Non-Financial Reporting by Spanish Companies // Administrative Sciences, Vol. 8, №29.

45. Smailoviж J., Ћnidarљiи M., Valentinиiи A., Loncarski I., Pahor M., Martins P., Pollak S. (2017) Automatic Analysis of Annual Financial Reports: A Case Study // Computaciуn y Sistemas, Vol. 21 (4), pp. 809-818.

46. Song Y., Wang H., Zhu M. (2018) Sustainable strategy for corporate governance based on the sentiment analysis of financial reports with CSR // Financial Innovation, Vol. 4.

47. Taliento M., Favino C., Netti A. (2019) Impact of Environmental, Social, and Governance Information on Economic Performance: Evidence of a Corporate `Sustainability Advantage' from Europe // Sustainability, Vol. 11, 1738.

48. Zhao L., Li L., Zheng X. (2020) A BERT based Sentiment Analysis and Key Entity Detection Approach for Online Financial Texts // URL: https://arxiv.org/abs/2001.05326 (дата обращения - апрель 2020).

49. Концепция развития публичной нефинансовой отчетности // URL: http://docs.cntd.ru/document/456064017 (дата обращения - апрель 2020)

50. РСПП. Нефинансовая отчетность российский компаний // URL: http://www.rspp.ru/simplepage/nefinansovaya-otchetnost/ (дата обращения - апрель 2020).

51. РСПП. Библиотека корпоративных нефинансовых отчетов // URL: http://рспп.рф/about/registries/natsionalnyy-registr-i-biblioteka-korporativnykh-nefinansovykh-otchetov/ (дата обращения - апрель 2020).

52. Moody's Approach to ESG and Credit // URL: https://esg.moodys.io/ (дата обращения - апрель 2020).

53. S&P Global ESG Evaluation // URL: https://www.spglobal.com/ratings/en/products-benefits/products/esg-evaluation (дата обращения - апрель 2020).

Приложение 1

Практические рекомендации для компаний

Примечание: Составлено автором на основе ACCA Global (2019) «Insights into integrated reporting 3.0: The drive for authenticity» [7]

Приложение 2

Обучающая выборка

Рисунок 1. Гистограмма распределения длины предложений нейтральной тональности предложений из обучающей выборки

Рисунок 2. Гистограмма распределения длины предложений положительной тональности предложений из обучающей выборки

Рисунок 3. Гистограмма распределения длины предложений отрицательной тональности предложений из обучающей выборки

Приложение 3

Модель текстового анализа

Таблица 1. Примеры истинных и предсказанных значений тональности

Примечание: Истинное значение - значение, определенное в ходе ручной разметки данных.

Приложение 4. Гистограммы распределения переменных

Рисунок 1. Гистограммы распределения тональности компаний

Приложение 5. Фрагменты кода

1. Обработка текста отчетов

2. Обучение модели BERT

Приложение 6. Результаты статистических тестов

Таблица 1. Результаты теста Бройша-Пагана на гетероскедастичность для основной теоретической регрессионной модели

Таблица 2. Результаты теста Шапиро-Уилкоксона на нормальность остатков для основной теоретической регрессионной модели

Таблица 3. Результаты теста Харке-Бера на нормальность остатков для основной теоретической регрессионной модели

Таблица 4. Результаты теста Бройша-Пагана на гетероскедастичность для регрессионной модели с добавлением дамми-переменных для отрасли

Таблица 5. Результаты теста Шапиро-Уилкоксона на нормальность остатков для регрессионной модели с добавлением дамми-переменных для отрасли

Таблица 6. Результаты теста Харке-Бера на нормальность остатков для регрессионной модели с добавлением дамми-переменных для отрасли

Размещено на Allbest.ru