Влияние выбросов парниковых газов на эффективность российских компаний

Описательная статистика показывает, что в проекте CDP участвуют компании с показателем роста выручки выше чем у компаний, не котируемых в CDP (10.26% против 7.35%), при среднем показателе 8.6%. Также размер компаний-участников CDP больше, чем размер холдингов, не предоставляющих информацию в CDP (13.62 и 12.89 соответственно). Такие показатели говорят в пользу того, что раскрытие данных в CDP выбирают компании более крупные, ориентированные больше на экспорт своей продукции.

Остальные средние показатели в разрезе участие/не участие в CDP значительно не отличаются между собой.

При исследовании влияния выбросов парниковых газов на рентабельность собственного капитала тенденция вышеизложенных показателей повторяется.

Средний показатель Q-Тобина для компаний, публикующих выбросы парниковых газов в годовый отчетах в отчетах об устойчивом развитии составляет 1.26, ROA - 8.57%, ROE - 16,6%.



3.2 Результаты эмпирического анализа

3.2.1 Влияние публикации выбросов парниковых газов на рыночную эффективность компании

Прежде чем включать в модель переменные необходимо проверить наличие связи между регрессорами.

Таблица 5

Корреляционная матрица

	Q-Tobin's	Capint	Leverage	Size	GHGesg	Sales Growth
Q-Tobin's	1.0000
Capint	-0.2213	1.0000
Leverage	0.3466	0.0129	1.0000
Size	0.0797	-0.0195	-0.1635	1.0000
GHGesg	0.2863	0.0608	-0.0606	0.5901	1.0000
Sales Growth	0.1258	-0.0826	0.0604	0.0758	-0.0357	1.0000

Для проверки наличия в исследуемой моделях мультиколинеарности мной была построена корреляционная матрица Пирсона (см.Таблица 5). Наблюдается небольшая корреляция между размером компании и бинарной переменной - публикация выбросов. Возможно это связано с тем, что компании, которые публикуют выбросы парниковых газов являются крупнейшими компаниями России в том числе и по выручке. Значения коэффициентов корреляции между факторами существенно ниже порогового значения (в качестве порогового значения было взято - 0,8), следовательно мультиколлинеарность в модели отсутствует. Также мной были рассчитаны коэффициенты вздутия дисперсии, значения которых подтвердили отсутствие мультиколлинеарности (пороговое значение коэффициента вздутия дисперсии - 8) (см.Приложение 4-2).

Для выявления подходящего типа модели исследования необходимо провести серию тестов. Сквозная регрессия не принимает во внимание индивидуальные особенности наблюдений и временные эффекты, и предписывает одинаковое поведение всем объектам выборки во все периоды времени. Модель с фиксированными и со случайными индивидуальными эффектами поможет решить эту проблему.

При выборе типа модели каждый из типов сравнивается между собой при помощи F-теста Вальда, теста Бройша-Пагана и теста Хаусмана. Проведя все тесты, можно сказать, что наилучшим типом модели для описания выбранных нами для исследования переменных является модель со случайными эффектами( в тесте Хаусмана p-value составляет более 0,05). Кроме этого так как в модели по переменной есть наблюдения по компаниям, по которым выбросы публикуются на протяжении всего периода, при этом проверка гипотезы предполагает рассмотрение эффекта публикации в разных отраслях, модель с фиксированным эффектом не может измерить такой эффект

Таблица 6

Оценки параметров регрессии для анализа связи между публикацией выбросов парниковых газов и коэффициентом Q-Тобина

Переменная	Pool	FE	RE	Robust RE
lnCapint	-0.254	-0.500	-0.350	-0.349
		0.000***	0.000***	0.002***
Leverage	0.122	0.011	0.032	0.031
		0.694	0.207	0.297
Size	-0.063	-0.254	-0.077	-0.070
		0.011**	0.055*	0.041**
Sales growth	0.002	0.001	0.001	0.001
		0.144	0.231	0.224
GHGesg
Chemistry	0.418	-	0.581	0.581
		-	0.094*	0.047**
Energy	0.147	0.130	0.103	0.102
		0.311	0.318	0.026**
Metal&Mining	1.063	-	0.975	0.975
		-	0.000***	0.000***
Oil&Gas	0.333	0.130	0.163	0.163
		1.151	0.061*	0.060*
Transport	0.224	-	0.225	0.225
		-	0.621	0.006***
Clean Industry	0.111	-0.025	-0.025	-0.025
		0.839	0.821	0.862
const	1.411	4.331	1.932	1.932
		0.000***	0.000***	0.000***
R2	56.70%	17.70%
Wald chi-squared statistic			90.81	1142.58

* Значим на 10% уровне ; ** Значим на 5% уровне ; *** Значим на 1% уровне

Выбранная модель со случайным эффектом протестирована на наличие гетероскедостичности. В построенной модели была обнаружена гетероскедостичность, таким образом, оценки коэффициентов были скорректированы по Уайту. Результаты представлены в таблице 6.

Полученные результаты частично подтверждают выдвинутую ранее гипотезу H1. Так публикация выбросов парниковых газов в грязных отраслях повышает рыночную эффективность компании, выраженную через коэффициент Q-Тобина. Наибольшее влияние публикации выбросов на эффективность зафиксировано в металлургии, коэффициент Q-Тобина на 0.975 будет выше для компаний, которые ракрыли выбросы парниковых газов в отчете. Наименьшее влияние публикации зафиксировано в энергетике, так различие между коэффициентом Q-Тобина, для компаний публикующих и не публикующих выбросы равно 0.102 в пользу раскрывающих компаний. При этом результаты моего исследования показали, что публикация выбросов парниковых газов в чистых отраслях незначима, знак при бинарной переменной публикации в чистой отрасли отрицательный. Такой эффект можно объяснить тем, что по умолчанию подразумевается, что в чистых отраслях не должно быть больших выбросов парниковых газов. Инвестор воспринимает информацию по выбросам в чистых отраслях как следствие неэффективного менеджмента, организации процесса и т.д. Выбросы в грязных отраслях неизбежны и воспринимаются они рынком иначе чем в чистых отраслях.

Данный результат соотвествует исследованиям Matsumura El, 2010, доказавшего, что публикация выбросов парниковых газов положительно влияет на стоимость компаний.

3.2.2 Влияние выбросов парниковых газов на эффективность компании

При построении данной модели также оценивалось наличие связи между регрессорами.

Таблица 7

(1) Корреляционная матрица для исследования влияния выбросов парниковых газов на коэфффициент Q-Тобина

	Q-Tobin's	Capint	Leverage	Size	GHG	CDP	Sales Growth
Q-Tobin's	1.0000
Capint	-0.1934	1.0000
Leverage	0.3754	0.2643	1.0000
Size	-0.2780	-0.0377	-0.2125	1.0000
GHG	-0.3001	-0.1693	-0.2523	-0.4098	1.0000
CDP	0.0396	-0.1913	-0.0753	0.3135	-0.0808	1.0000
Sales Growth	0.1874	-0.1866	-0.0860	0.2180	-0.1323	0.1155	1.0000

(2) Корреляционная матрица для исследования влияния выбросов парниковых газов на рентабельность активов

		ROA	Capint	Leverage	Size	GHG	CDP	Sales Growth
ROA		1.0000
Capint		-0.2892	1.0000
Leverage		-0.1813	0.1892	1.0000
Size		-0.1501	-0.0210	-0.2064	1.0000
GHG		-0.1318	-0.1546	-0.2315	-0.4139	1.0000
CDP		-0.0558	-0.1269	-0.0351	0.3156	-0.0949	1.0000
Sales Growth		0.2278	-0.2284	-0.1427	0.2059	-0.1446	0.1300	1.0000



(3) Корреляционная матрица для исследования влияния выбросов парниковых газов на рентабельность собственного капитала

	ROE	Capint	Leverage	Size	GHG	CDP	Sales Growth
ROE	1.0000
Capint	-0.3810	1.0000
Leverage	-0.3008	0.1627	1.0000
Size	-0.0649	0.0619	-0.1665	1.0000
GHG	-0.1599	-0.1627	-0.1652	-0.4850	1.0000
CDP	0.1350	-0.0901	-0.0460	0.3503	-0.1101	1.0000
Sales Growth	0.2859	-0.3116	-0.1122	0.2492	-0.1694	0.2467	1.0000

Значения коэффициентов корреляции в трех случаях (см. Таблица 7) между факторами существенно ниже порогового значения (в качестве порогового значения было взято - 0,8), следовательно мультиколлинеарность в модели отсутствует. Также мной были рассчитаны коэффициенты вздутия дисперсии, значения которых подтвердили отсутствие мультиколлинеарности (пороговое значение коэффициента вздутия дисперсии - 8) (см.Приложение 4-1).

Для выявления подходящего типа модели исследования была проведена серия тестов. При выборе типа модели каждый из типов сравнивается между собой при помощи F-теста Вальда, теста Бройша-Пагана и теста Хаусмана. Проведя все тесты, можно сказать, что наилучшим типом моделей для описания выбранных мной для исследования переменных является модель со случайными эффектами (в тесте Хаусмана p-value составляет более 0,05).

Также был проведен тест Чоу, который показал, что деление общей выборки на группы в зависимости от принимаемого значение бинарной переменной (участие компании в раскрытии выбросов в проекте CDP) не требуется.

Выбранные модели со случайным эффектом протестированы на наличие гетероскедостичности. В построенных моделях была обнаружена гетероскедостичность, таким образом, оценки коэффициентов были скорректированы по Уайту. Ниже представлены оценки параметров регрессии для анализа связи между выбросами парниковых газов и эффективнсотью компании (Q-Тобин, ROA, ROE) с учетом устранения гетероскедостичности. Подробное сравнение моделей представлено в приложении 5-7.

Таблица 8

Оценки параметров регрессии для анализа связи между выбросами парниковых газов и эффективностью компании (Q-Тобин, ROA, ROE)

Переменная	Q-Тобина	ROA	ROE
lnCapint	-0,453	-5,356	-16,456
	0,005***	0,042**	0,001***
Leverage	-0,020	-3,442	1,652
	0,615	0,000***	0,466
Size	-0,297	-3,321	-3,161
	0,000***	0,000***	0,072*
Sales growth	0,004	0,039	0,023
	0,074*	0,364	0,792
GHG
Clean industry	-0,056	-0,741	-1,018
	0,000***	0,000***	0,006***
Dirty industry	-0,003	-0,038	-0,050
	0,010*	0,001***	0,002***
CDP	0,0780175	-0,8787468	-0,3091759
	0,323	0,534	0,923
const	0,004	72,114	65,112
	0,000***	0,000***	0,023**
Wald chi-squared statistic	72.25	68.77	59.13

* Значим на 10% уровне ; ** Значим на 5% уровне ; *** Значим на 1% уровне

Результаты исследования показывают следующее:

1) Снижение прямых выбросов парниковых газов как в грязной, так и в чистой отрасли ведет к росту коэффициента Q-Тобина. При этом в чистой отрасли при снижении интенсивности выбросов парниковых газов на 1 метрическую тонну, приходящуюся на единицу выручки, выраженной в млн рублей, коэффициент Q-Тобина в чистой отрасли увеличится на 0,056, в то время в грязной отрасли уменьшение коэффициента произойдет на 0,003. Связано это с тем, что 1 тонна выбросов для чистой отрасли не сопоставима с 1 тонной выбросов в грязной. Для металлургии снижение выбросов в 1 тонну, где годовые выбросы составляют несколько десятков миллион тонн, не так заметно как снижение выбросов в телекоммуникациях, где они априори достаточно низкие;

2) Снижение прямых выбросов парниковых газов как в грязной, так и в чистой отрасли ведет к росту коэффициента рентабельности активов (+0,741% для чистой отрасли, +0,038% для грязной).

Данный результат опровергает ранее опубликованные результаты исследований зарубежных авторов, которые доказывали прямую зависимость между показателями. На данных российских компаний можно с уверенностью сказать, что компании, которые минимизируют подверженность риску глобального потепления, максимизируют новые возможности получения прибыли, создают конкурентные преимущества перед своими конкурентами (Lash and Wellington, 2007), увеличивают прибыль и как следствие достигают более высоких значений рентабельности активов;

3) Снижение прямых выбросов парниковых газов как в грязной, так и в чистой отрасли ведет к росту коэффициента рентабельности собственного капитала (+1,018% для чистой отрасли, + 0,050% для грязной). Тем самым результаты в раннее изученных исследованиях подтверждаются на данных российских компаний;

4) Публикация выбросов парниковых газов российскими компаниями в международном проекте Carbon Disclosure Project не оказывает влияние на рыночную эффективность компании. Коэффициент при бинарной переменной незначим, хотя и положителен.

Результаты по контрольным переменным:

· Коэффициенты при размере компании (). для всех зависимых переменных (Q-Тобина, ROA, ROE) значимы и отрицательны. Результаты соотносятся с исследованием Magali A. Delmas (2010), Fortune Ganda and Khazamula Samson Milondzo (2018);

· Коэффициенты при финансовом рычаге () отрицательны и значимы только в случае с рентабельностью активов Iwata Hiroki and Okada Keisuke (2010);

· Коэффициенты при капиталоемкости (). для всех зависимых переменных (Q-Тобина, ROA, ROE) значимы и отрицательны. К аналогичному выводу пришли Iwata Hiroki and Okada Keisuke (2010) и Fortune Ganda and Khazamula Samson Milondzo (2018) - ROE и Magali A. Delmas (2010) - ROA. Для российский компаний отрицательная зависимость между Q-Тобина и капиталоемкостью может быть интерпретирована как снижение маржинальной полезности в инвестирование в неэффективные проекты;

· Коэффициент при потенциале роста () значим на 1% уровне и положителен только в связи с коэффициентом Q-Тобина. Полученный результат соотносится с исследованием Magali A. Delmas (2010).

В виду вышеперечисленного представленные ранее гипотезы данной работы отвергаются или принимаются:

H1: Публикация выбросов парниковых газов в годовых отчетах, отчетах об устойчивом развитии повышает рыночную эффективность компании, выраженную через коэффициент Q-Тобина. - Принята;

H2: Снижение выбросов парниковых газов ведет росту рыночной эффективности компании, выраженную через коэффициент Q-Тобина. - Принята;

H3: Публикация выбросов парниковых газов в проекте Carbon Disclosure Project повышает рыночную эффективность компании, выраженную через коэффициент Q-Тобина.- Отвергнута;

H4a: Снижение выбросов парниковых газов ведет к ухудшению показателя рентабельности активов.- Отвергнута;

H4b: Снижение выбросов парниковых газов ведет росту показателя рентабельности собственного капитала - Принята.

Таким образом в работе на данных российских компаний подтверждаются результаты опубликованных ранее исследований, изучающих влияние выбросов парниковых газов на эффективность японских, американских и европейских компаний. Так публикация выбросов парниковых газов российскими компаниями ведет к увеличению рыночной эффективности компании, аналогичный результат получил и Matsumura El. в 2010 г. на данных американских компаний. Стоит отметить что положительная связь между публикацией и эффективностью относится только к грязным отраслям. В исследовании Matsumura El. (2010) не рассматривался факт публикации выбросов в зависимости от отрасли. Также для российских компаний, как и для зарубежных, снижение выбросов парниковых газов ведет к увеличению коэффициента Q-Тобина и рентабельности собственного капитала (Kimitaka Nishitani, Katsuhiko Kokubu (2011), King A, Lenox M. (2002), Magali A. Delmas и Nicholas S. Nairn-Birch (2010), Fortune Ganda and Khazamula Samson Milondzo (2018)).

Однако в работе была выявлена связь, противоречущая результатам исследования Magali A. Delmas (2010) и Andewi Rokhmawatia (2017), которые утверждали что снижение выбросов парниковых газов воспринимается компаниями как дополнительные расходы, которые снижают эффективность компании, выраженную через рентабельность активов. На данных российских компаний можно с уверенностью сказать, что компании, которые минимизируют подверженность риску глобального потепления, т.е. снижают выбросы парниковых газов, максимизируют новые возможности получения прибыли, достигают более высоких значений рентабельности активов.

Тем самым результаты проведенного исследования доказывают, что компании, которые сокращают выбросы парниковых газов улучшают свою эффективность и создают себе имидж компании ответственной за экологию и окружающую среду. Таким образом, компании, которые проводят политику в области углеводородного менеджмента с целью снижения выбросов парниовых газов, наиболее привлекательны для инвесторов в качестве объекта для инвестирования.



Заключение

Данная работа исследует наличие и характер влияния выбросов парниковых газов на эффективность российских компаний, в том числе рассматривается влияние публичного разглашения выбросов в годовых отчетах, отчетах об устойчивом развитии на рыночную эффективность компании, выраженную через коэффициент Q-Тобина.

Результаты анализа частично подтвердили выводы существующих исследований:

1. Инвестиционная привлекательность компании, измеряемая коэффициентом Q-Тобина, для российских компаний, добровольно разглашающих выбросы парниковых газов, выше чем для компаний, не публикующих данную информацию. При этом данная зависимость характерна для компаний промышленного сектора, который включает такие отрасли как нефть и газ, черная/цветная металлургия, энергетика, химия, транспорт. Для чистых отраслей (телекоммуникации, ритейл, производство продуктов) подобная связь незначима.

2. Снижение прямых выбросов парниковых газов ведет к росту следующих показателей, характеризующих эффективность компании:

· Коэффициент Q-Тобина. Снижение прямых выбросов парниковых газов как в грязной, так и в чистой отрасли ведет к росту коэффициента Q-Тобина. При этом эффект снижения выбросов в большей мере оказывает влияние на Q-Тобина в чистых отраслях, нежели чем в грязных;

· Рентабельность собственного капитала (ROE). Сокращение выбросов парниковых газов увеличивает ROE. Подразумевается, что акционеры больше принимают во внимание долгосрочные результаты деятельности компании. В связи с тем, что выбросы парниковых газов могут регулироваться в будущем, компании, стремящиеся уменьшить их добровольно, чтобы снизить будущие риски, оцениваются акционерами выше;

· Рентабельность активов (ROA). Снижение выбросов парниковых газов ведет к увеличению рентабельности активов компании. Данный результат опровергает ранее опубликованные исследования зарубежных авторов, которые доказывали прямую зависимость между показателями. Российские компании, которые минимизируют подверженность риску глобального потепления, максимизируют новые возможности получения прибыли, создают конкурентные преимущества перед своими конкурентами, увеличивают прибыль и как следствие достигают более высоких значений рентабельности активов.

Кроме этого было выявлено, что для российского бизнеса характерно: раскрытие информации о выбросах парниковых газов в международном проекте Carbon Disclosure Project не оказывает влияние на инвестиционную привлекательность российских компании, выраженную через коэффициент Q-Тобина.

В данном исследовании я показала, что на данных российских компаний снижение выбросов парниковых газов ведет к увеличению рентабельности активов, что противоречит результатам зарубежных исследований, в которых была обнаружена положительная связь между выбросами и рентабельностью активов (Magali A. Delmas (2010); Andewi Rokhmawatia (2017)). Данное различие можно объяснить тем, что российские компании на сегодняшний день не воспринимают расходы на снижение выбросов парниковых газов, как расходы, которые снижают эффективность компании, выраженную через рентабельность активов. На данных российских компаний можно с уверенностью сказать, что компании, которые минимизируют подверженность риску глобального потепления, т.е. снижают выбросы парниковых газов, достигают более высоких значений рентабельности активов. Кроме этого в работе путем укрупненного рассмотрения факта публикации выбросов в разных отраслях показывается, что публикация выбросов парниковых газов в годовых отчетах или отчетах об устойчивом развитии положительно влияет на рыночную эффективность компаний, принадлежащих к грязным отраслям. Данный результат не противоречит выводам Matsumura El. (2010), доказавшего также положительную связь между исследуемыми показателями без рассмотрения факта публикации в зависимости от принадлежности компании к отрасли, однако позволяет детально рассмотреть эффект влияние публикации выбросов на эффективность компании в разрезе отраслей. Объяснение такому уточнению может быть следующее: компании в грязных отраслях имеют более значительные выбросы парниковых газов, которые несут в себе больше климатических рисков, нежели чем объемы выбросов в чистых отраслях, именно поэтому публичное раскрытие выбросов в годовых отчетах или отчётах об устойчивом развитии в грязных отраслях является для рынка сигналом о том, что компания со всей ответсвенностью понимает и учитывает эти риски в своей деятельности.

Работа вносит вклад в ряд релевантных научных исследований и подтверждает значимость экологических факторов при оценке эффективности компаний на российском рынке.

Дальнейшим вкладом в расширение исследования данной темы на выборке российских компаний может стать изучение не только прямых выбросов парниковых газов (Scope 1), но и косвенных (Scope 2, Scope 3). Так как данное исследование в показателях эффективности не учитывает долг компании, было бы интересно изучить влияние выбросов парниковых газов на стоимость долга, как меру эффективности компании в области политики финансирования.



Список использовнной литературы

1. Грицевич И.Г. Перспективы и сценарии низкоуглеродного развития: ЕС, Китай и США в глобальном контексте / Грицевич И.Г - М.: Скорость цвета, 2011. 36 с.

2. Гайдаев В. Ответственные инвестиции по-российски. Ноябрь 2019 [Электронный ресурс] / Коммерсантъ. 2019. Электрон.дан. Режим доступа. URL: https://www.kommersant.ru/doc/4140264

3. ESG факторы в инвестировании. Июнь 2019 [Электронный ресурс] / PricewaterhouseCoopers. 2019. Электрон.дан. Режим доступа. URL:https://www.pwc.ru/ru/sustainability/assets/pwc-responsible-investment.pdf

4. Ким А., Кухнин И. «Управлять нельзя игнорировать»: как работать с климатическими рисками. 2019 [Электронный ресурс] / РБКpro. 2019.Электрон.дан. Режим доступа. URL: https://pro.rbc.ru/demo /5e202b0b9a79473aa9aa33b8

5. Орсаг Мэт, Аллен Джеймс, Слоггетт Джастин. ESG-ИНТЕГРАЦИЯ: рынки, методы и данные. 2019 [Электронный ресурс] / CFA INSTITUTE. 2019. Электрон.дан. Режим доступа.URL: https://www.unpri.org/download?ac=9522

6. Петухова Л. Биржа благородства: кому и зачем нужны высокоморальные инвестиции. Август 2017 [Электронный ресурс] / РБК. 2017. Электрон.дан. Режим доступа. URL: https://www.rbc.ru/money/17/08/2017/59955a8a9a7947351a81d4c4

7. Павлова Т. Деньгам - зеленый свет. Октябрь 2019 [Электронный ресурс] / Ведомости. 2019. Электрон.дан. Режим доступа.URL: https://www.vedomosti.ru/partner/articles/2019/10/03/812508-dengam-zelenii-svet

8. Anton W.R, Deltas G, Khanna M. Incentives for environmental self-regulation and implications for environmental performance/ Anton WR, Deltas G, Khanna M.// Journal of Environmental Economics and Management, 2004.48(1), pp. 632-654.

9. Andewi Rokhmawati, Ardi Gunardi. Is going green good for profit? Empirical evidence from listed manufacturing firms in Indonesia/ Andewi Rokhmawati, Ardi Gunardi// International Journal of Energy Economics and Policy,, 2017.- №4, pp. 181-192

10. Andewi Rokhmawatia. The Effect of GHG Emission, Environmental Performance, and Social Performance on Financial Performance of Listed Manufacturing Firms in Indonesia/ Andewi Rokhmawatia// Social and Behavioral Sciences, 2015. №211, pp. 461 - 470

11. Climate action 100+ 2019. Progress report. September 2019 [Электронный ресурс] / Climate action 100+. 2019. Электрон.дан. Режим доступа.URL:https://climateaction100.files.wordpress.com/2019/10/ progressreport 2019.pdf

12. Cormier, D., M. Magnan and B. Morand. The Impact of Corporate Pollution on Market Valuation: Some Empirical Evidence/ Cormier, D., M. Magnan and B. Morand. // Ecological Economics,1993. Vol. 8, pp. 135-155

13. Douglas G. Cogan. Corporate Governance and Climate Change: Making the Connection / Douglas G. Cogan // Ceres, Boston. MA, 2006. p. 300

14. Delmas Magali A, Nairn-Birch, Nicholas S. Is the tail wagging the dog? An empirical analysis of corporate carbon footprints and financial performance/ Delmas Magali A, Nairn-Birch, Nicholas S// UCLA Institute of the Environment and Anderson School of Management,2011.- Vol.50

15. Emissions Gap Report 2018. November 2018 [Электронный ресурс]/ United Nations Environment Programme. 2018. Электрон.дан. Режим доступа. URL: https://www.unenvironment.org/resources/emissions-gap-report-2018

16. Emissions Gap Report 2019. November 2019 [Электронный ресурс]/ United Nations Environment Programme. 2019. Электрон.дан. Режим доступа. URL: https://www.unenvironment.org/resources/emissions-gap-report-2019

17. Epstein, M. J. Making Sustainability Work--Best Practices in Managing and Measuring Corporate Social, Environmental, and Economic Impacts/Epstein, M. J. M.: Berrett-Koehler Publishers, 2014. 43 p.

18. Fortune Ganda, Khazamula Samson Milondzo. The Impact of Carbon Emissions on Corporate Financial Performance: Evidence from the South African Firms/Fortune Ganda, Khazamula Samson Milondzo// Sustainability №7, 2018. Vol. 10, pp.1-22.

19. Gompers P, Ishii J, Metrick A. Corporate governance and equity prices/ Gompers P, Ishii J, Metrick A.// The Quarterly Journal of Economics, 2003. 118(1), pp. 107-155.

20. Global Carbon Project. 2019 [Электронный ресурс]/ The Global Carbon Project. 2019. Электрон.дан. Режим доступа. URL: http://www.globalcarbonatlas.org/en/CO2-emissions

21. Global Sustainable Investment Review 2018. March 2019 [Электронный ресурс]/ The Global Sustainable Investment Alliance (GSIA). 2019. Электрон.дан. Режим доступа. URL: http://www.gsi-alliance.org/wp-content/uploads/2019/03/GSIR_Review2018.3.28.pdf

22. Hannah Ritchie and Max Roser. CO? and Greenhouse Gas Emissions. 2018 [Электронный ресурс]/ World in Data. 2018. Электрон.дан. Режим доступа. URL: https://ourworldindata.org/co2-and-other-greenhouse-gas-emissions#citation

23. Hamilton, J. Pollution as News: Media and Stock Market Reactions to the Toxics Release Inventory Data/ Hamilton, J.// Journal of Environmental Economics and Management,1995. Vol. 28, pp. 98-113.

24. Henriques I, Sadorsky P. The determinants of an environmentally responsive firm: an empirical approach/ Henriques I, Sadorsky P.// Journal of Environmental Economics and Management, 1996. 30(3), pp.381-395.

25. Iwata Hiroki, Okada Keisuke. How does environmental performance affect financial performance? Evidence from Japanese manufacturing firms/ Iwata Hiroki, Okada Keisuke// Munich Personal RePEc Archive, 2010.- №27721, Vol.28

26. Kolk A, Levy D, Pinkse J. Corporate responses in an emerging climate regime: the institutionalization and commensuration of carbon disclosure / Kolk A, Levy D, Pinkse J. // European Accounting Review, 2008.- 17(4), pp. 719-745.

27. Kimitaka Nishitani, Katsuhiko Kokubu. Why Does the Reduction of Greenhouse Gas Emissions Enhance Firm Value? The Case of Japanese Manufacturing Firms/ Kimitaka Nishitani, Katsuhiko Kokubu// Business Strategy and the Environment, 2012. 21(8), Vol.13

28. King A, Lenox M. Exploring the locus of profitable pollution reduction./ King A, Lenox M.//Management Science, 2002. 48(2), pp. 289-299.

29. Ki-Hoon Lee, Byung Min, Keun-HyoYook. The impacts of carbon(CO2) emissions and environmental research and development(R&D) investmenton firm performance/ Ki-Hoon Lee, Byung Min, Keun-HyoYook// J.Production Economics, 2016.- №167, pp.1-11

30. Larelle Chapple, Peter M. Clarkson, Daniel L. Gold. The Cost of Carbon: Capital Market Effects of the Proposed Emission Trading Scheme (ETS) / Larelle Chapple, Peter M. Clarkson, Daniel L. Gold // Abacus, Accounting Foundation, University of Sydney,2011. Vol. 49(1), pages 1-33.

31. Lash J, Wellington F. Competitive advantage on a warming planet / Lash J, Wellington F.// Harvard Business Review, 2007. 85(3), pp. 95-102.

32. Matsumura, E., R. Prakash. Firm-Value Effects of Carbon Emissions and Carbon Disclosures / Matsumura, E., R. Prakash // The Accounting Review - 2014.- Vol. 89, No. 2, pp. 695-724

33. Matsumura, E., R. Prakash. Carbon Emissions and Firm Value/ Matsumura, E., R. Prakash //Social Research Research Network - 2010.Vol. 49

34. McConnell JJ, Servaes H. Equity ownership and the two faces of debt. Journal of Financial Economics/McConnell JJ, Servaes H.// Journal of Financial Economics,1995.-39(1), pp.131-157

35. Paul A. Griffin, David H.Lont,Yuan Sun. The Relevance to Investors of Greenhouse Gas Emission Disclosures/ Paul A. Griffin, David H.Lont,Yuan Sun //UC Davis Graduate School of Management Research Paper. 2011..- Vol. 57, No. 01-11.

36. Pankaj Bhatia, Janet Ranganathan. The Greenhouse Gas Protocol. Corporate Accounting and Reporting Standard (Revised Edition). 2017 [Электронный ресурс] / The Greenhouse Gas Protocol - 2017. Электрон.дан. Режим доступа.URL: https://ghgprotocol.org/sites/default/files/standards/ghg-protocol-revised.pdf

37. Report of Global Warming of 1.5 єC. 2018 [Электронный ресурс]/ The Intergovernmental Panel on Climate Change (IPCC). 2018. Электрон.дан. Режим доступа. URL: https://www.ipcc.ch/sr15/

38. Sasaki T, Yonezawa Y. Corporate governance and stockholder value/ Sasaki T, Yonezawa Y.// Securities Analyst Journal, 2000.- 38(9), pp. 28-46

39. Yang Stephanie Liu, Xiaoyan Zhou, Jessica Yang. Corporate Carbon Emission and Financial Performance: Does Carbon Disclosure Mediate the Relationship in the UK? / Yang Stephanie Liu, Xiaoyan Zhou, Jessica Yang //ICMA Center. Discussion Paper Number: ICM-2016-03. 2016.- 42 p.



Приложение

Приложение 1

Распределение выбросов углекислого газа по странам (млрд.метрических тонн в эквиваленте CO?) [20]



Приложение 2

Важные для инвесторов ESG факторы при принятии ими инвестиционных решений (в % опрошенных из 162 инвесторов) [3]



Приложение 3

Удаление статистических выбросов из первоначальной выборки

Влияние публикации выбросов ПГ на эффективность компании
	Переменная в модели	Статистические выбросы
Финансовый рычаг	Leverage	<1; >7.4
Капиталоемкость	Capint	>1.7; <-1
Размер компании	Size	>16.5
Потенциал роста	Sales Growth	>40; <-20
Влияние выбросов парниковых газов на эффективность (Q-Tobin's/ROA)
Рентабельность активов	ROA	>30
Финансовый рычаг	Leverage	<1; >7.4
Капиталоемкость	Capint	>1.7; <-1
Размер компании	Size	-
Потенциал роста	Sales Growth	>40
Влияние выбросов парниковых газов на эффективность (ROE)
Рентабельность собственного капитала	ROE	>50;<-50
Финансовый рычаг	Leverage	<2; >6
Капиталоемкость	Capint	>1.7; <-1
Размер компании	Size	-
Потенциал роста	Sales Growth	<-20



Приложение 4

(1) Коэффициенты взудия дисперсии (VIF) для исследования влияния выбросов парниковых газов на эффективность компании

	Q-Tobin's	ROA	ROE
	VIF	1/VIF	VIF	1/VIF	VIF	1/VIF
Capint	1.18	0.84	1.14	0.88	1.21	0.82
Size	1.76	0.56	1.73	0.57	1.95	0.51
Leverage	1.33	0.75	1.28	0.78	1.16	0.86
Sales growth	1.1	0.91	1.13	0.88	1.25	0.79
GHG (clean)	1.22	1.22	1.22	0.82	1.29	0.77
GHG (dirty)	1.55	1.55	1.54	0.64	1.62	0.61
CDP	1.16	0.86	1.14	0.87	1.19	0.83

(2) Коэффициенты взудия дисперсии (VIF) для исследования влияния публикации выбросов парниковых газов на эффективность компании

	Q-Tobin's
	VIF	1/VIF
Capint	1.19	0.84
Size	2.25	0.44
Leverage	1.29	0.77
Sales growth	1.1	0.9
GHGesg	1.63	0.61



Приложение 5

Оценки параметров регрессии для анализа связи между выбросами парниковых газов и эффективностью компании, выраженной через коэффициент Q-Тобина

Переменная	Pool	FE	RE	Robust RE
lnCapint	-0,483	-0,513	-0,453	-0,453
	0,000***	0,001***	0,000***	0,005***
Leverage	0,124	-0,042	-0,020	-0,020
	0,012**	0,357	0,629	0,615
Size	-0,311	-0,5133242	-0,297	-0,297
	0,000***	0,344	0,001***	0,000***
Sales growth	0,010	0,003	0,004	0,004
	0,017**	0,081*	0,005***	0,074*
GHG
Clean industry	-0,059	-0,077	-0,056	-0,056
	0,003 ***	0,292	0,077*	0,000***
Dirty industry	-0,004	0,000	-0,003	-0,003
	0,000***	0,910	0,002***	0,010*
CDP	0,111	0,055	0,078	0,0780175
	0,280	0,301	0,116	0,323
const	5,360	3,777	5,600	0,004
	0,000 ***	0,103	0,000 ***	0,000***
R2	50,69%	34,79%
Wald chi-squared statistic			43.55	72.25



Приложение 6

Оценки параметров регрессии для анализа связи между выбросами парниковых газов и эффективностью компании, выраженной через рентабельность активов

Переменная	Pool	FE	RE	Robust RE
lnCapint	-5,081	-7,829	-5,356	-5,356
	0,009***	0,098*	0,030**	0,042**
Leverage	-2,126	-5,303	-3,441828	-3,442
	0,002***	0,001***	0,000***	0,000***
Size	-3,047	2,976646	-3,321	-3,321
	0,000***	0,549	0,006***	0,000***
Sales growth	0,083	-0,028	0,039	0,039
	0,117	0,561	0,297	0,364
GHG
Clean industry	-0,610	-3,839	-0,741	-0,741
	0,023**	0,084*	0,079*	0,000***
Dirty industry	-0,036	0,006	-0,038	-0,038
	0,000***	0,872	0,005***	0,001***
CDP	-0,608	-0,906	-0,879	-0,8787468
	0,666	0,573	0,503	0,534
const	61,988	-1,743	72,114	72,114
	0,000***	0,98	0,000***	0,000***
R2	31,41%	36,57%
Wald chi-squared statistic			32.65	68.77



Приложение 7

Оценки параметров регрессии для анализа связи между выбросами парниковых газов и эффективностью компании, выраженной через рентабельность собственного капитала

Переменная	Pool	FE	RE	Robust RE
lnCapint	-13,588	-20,691	-16,456	-16,456
	0,000***	0,120	0,001***	0,001***
Leverage	2,691	-1,779	1,651676	1,652
	0,071*	0,669	0,415	0,466
Size	-3,424	8,199132	-3,161	-3,161
	0,005***	0,44	0,147	0,072*
Sales growth	0,148	-0,115	0,023	0,023
	0,133	0,284	0,755	0,792
GHG
Clean industry	-0,796	-7,518	-1,018	-1,018
	0,055*	0,037**	0,155	0,006***
Dirty industry	-0,049	0,024	-0,050	-0,050
	0,001***	0,703	0,026**	0,002***
CDP	0,132	-0,786	-0,309	-0,309176
	0,958	0,786	0,899	0,923
const	60,494	-69,878	65,112	65,112
	0,002***	0,645	0,047**	0,023**
R2	41,71%	25,39%
Wald chi-squared statistic			20.49	59.13

Размещено на Allbest.ru

...