Влияние асимметрии информации на дивидендную политику российских компаний

	(1) Payout_ratio	(2) Payout_ratio	(3) Payout_ratio
log_EBITDA	-0,610 (0,384)	-0,600 (0,384)	-0,623 (0,433)
log_Total_Assets	1,042* (0,463)	1,008* (0,466)	0,983 (0,492)
Asset_Growth	-0,850* (0,396)	-0,811* (0,375)	-0,791 (0,410)
Debt_to_Equity	0,178** (0,0639)	0,191** (0,0651)	0,212** (0,0712)
FE_IBES_abs	0,652** (0,228)
FE_Smart_abs		0,530* (0,213)
AS_IBES_abs			0,490 (0,338)
_cons	-9,558 (5,307)	-9,046 (5,428)	-8,122 (5,609)
N	165	165	165
adj. R-sq	0,349	0,340	0,303
Standard errors in parentheses *p < 0,05, ** p < 0,01, ***p < 0,001

Показатель качества моделей R^2 within варьируется от 0,3240 до 0,3692, наименьший принадлежит модели с использованием ошибки AS_IBES_abs, учитывающей скорректированную прибыль. Другой показатель качества моделей, F-статистика, также принимает приемлемые значения.

Ошибки FE_IBES_abs и FE_Smart_Estimate_abs оказываются значимыми в отличие от AS_IBES_abs. Более того, положительные коэффициенты переменных FE_IBES_abs и FE_Smart_Estimate_abs свидетельствуют о прямой связи между размером асимметрии информации и долей дивидендов в прибыли компании. Следовательно, гипотеза о наличии влияния асимметрии не отвергается, в то время как гипотеза об обратном характере связи асимметрии и Payout_ratio не принимается.

Контрольная переменная log_EBITDA оказывается незначимой, это может быть последствием того, что дисперсия переменной log_Total_Assets, вероятно, объясняет зависимую переменную лучше. В отличие от результатов модели Li & Zhao, переменная, отражающая рост компании, оказывается значимой. Коэффициент Asset_Growth предполагает, что с увеличением темпов роста, компания стремится к снижению доли дивидендных выплат в чистой прибыли. Прямой характер взаимосвязи Payout_ratio и контрольной переменной Debt-to-Equity предполагает, что при увеличении долговой нагрузки компании не отказываются от выплаты дивидендов и даже увеличивают их долю в прибыли, привлекая новых внешних инвесторов или гарантируя собственным акционерам перспективы компании, что не согласуется с тезисами теории иерархии источников финансирования.

Аналогичные модели с log_Dividends в качестве зависимой переменной расположены в приложении № 5.

Аналогично для наглядного сравнения показателей качества трёх моделей далее представлены общей таблице №6.

Таблица №6

Результаты моделей с log_Dividends в качестве зависимой переменной

	(1) log_Dividends	(2) log_Dividends	(3) log_Dividends
log_EBITDA	0,993* (0,441)	0,994* (0,444)	0,934* (0,402)
log_Total_Assets	-0,0627 (0,487)	-0,0400 (0,486)	-0,00967 (0,447)
Asset_Growth	-0,337 (0,342)	-0,370 (0,343)	-0,276 (0,342)
Debt_to_Equity	0,0365 (0,0775)	0,0246 (0,0752)	0,0337 (0,0737)
FE_IBES_abs	-0,403 (0,523)
FE_Smart_abs		-0,268 (0,409)
AS_IBES_abs			-1,084 (0,605)
_cons	-0,241 (7,697)	-0,734 (7,713)	-0,0851 (7,596)
N	165	165	165
adj. R-sq	0,060	0,058	0,086
Standard errors in parentheses *p < 0,05, ** p < 0,01, ***p < 0,001

Исходя из данных таблицы, можно отметить низкие уровни показателей R^2 и F-статистики моделей с ошибками FE_IBES_abs и FE_Smart_Estimate_abs, что свидетельствует о низком качестве моделей. Вероятно, несостоятельность регрессий вызвана широким разбросом значений дивидендных выплат, который не удалось нивелировать ни применением логарифма, ни кластеризацией стандартных ошибок. Качество моделей и значимость коэффициента оказываются недостаточно высокими для релевантных заключений. На основании незначимости двух из трёх видов ошибок прогноза, третья гипотеза работы о влиянии асимметрии информации на переменную log_Dividends отвергается.

Модель с использованием ошибки AS_IBES_abs оказывается более состоятельной и значимой на 10% уровне благодаря объяснительной функции переменной ошибок. Оказалось, что на переменную log_Dividends данный показатель асимметрии информации оказывает более значимое влияние, чем на долю дивидендов в прибыли. Это может быть следствием того, что данная ошибка прогноза рассчитана аналитиками I/B/E/S с учётом скорректированной прибыли и дивиденды, не нормированные отчётной фактической прибылью, объясняет лучше. Отрицательный знак коэффициента говорит об обратной связи категорий, то есть при уменьшении уровня асимметрии компании склонны увеличивать размер дивидендов, что согласуется с тезисами сигнальной теории дивидендов. Четвёртая гипотеза о влиянии ошибки AS_IBES_abs на показатель дивидендной политики не отвергается, тем не менее, далее в ходе исследования модель с данной ошибкой ввиду низкого качества использоваться не будет.

Следующим этапом изучения взаимосвязи асимметрии информации и дивидендной политики в рамках российского рынка будет анализ с учётом структуры собственности компаний. Будут рассмотрены модели с Payout_ratio в качестве зависимой переменной и со значимыми для неё ошибками FE_IBES_abs и FE_Smart_Estimate_abs. Структура собственности компаний будет выражена дамми-переменной, принимающей значение 1 для компаний, более 30% акций которых принадлежит государству, и 0 для компаний, акции которых принадлежат частным лицам или организациям. В таблице №7 представлена описательная статистика для Payout_ratio в разрезе по переменной Cap_Structure.

Таблица №7

Описательная статистика для Payout_ratio в разрезе по переменной Cap_Structure

Cap_St	N	mean	sd	p25	p50	p75	min	max
0	109	0,73226	0,62985	0,34947	0,63131	0,96805	0,26708	4,7558
1	56	0,42399	0,28112	0,24925	0,36773	0,50262	0,00006	1,2246
Total	165	0,62763	0,55605	0,26676	0,49501	0,84089	0,00006	4,7558

Согласно статистике среднее значение показателя Payout_ratio ниже для государственных компаний. Минимальное и максимальное значения показателя для государственных компаний также более низкие.

Особенностью моделей с фиксированными эффектами является невозможность идентифицировать коэффициенты, соответствующие объясняющим переменных, значения которых не меняются с течением времени. Так, оценка влияния дамми-переменной Cap_Structure будет проанализировано в рамках модели с использованием случайных эффектов. В таблицах №8 и №9 представлены регрессии RE с использованием ошибки FE_IBES_abs и FE_Smart_Estimate_abs и переменной Cap_Structure.

Таблица №8

Модель RE для Payout_ratio и FE_IBES_abs с использованием Cap_Structure

Random Effects GLS regression	Number of obs =	165
Group variable: Companies_number	Number og groups =	37
R-sq:	within =	0,3038	Obs per group: min =	2
	between=	0,1945	avg =	4,5
	overall=	0,2178	max =	6
			Wald chi2 (7) =	22,07
Corr (u_i, X) = 0 (assumed)	Prob > chi2 =	0,0012
	Std. Err. Adjusted for 37 clusters in Companies_number
Payout_ratio	Coef.	Robust Std.Err.	z	P > |z|	[95% Conf. Interval]
log_EBITDA	-0,2479007	0,2754091	-0,90	0,368	-0,787693	0,2918913
log_T_Assets	0,2290439	0,2676273	0,86	0,392	-0,295496	0,7535838
Asset_Growth	-0,6333911	0,3166936	-2,00	0,045	-1,254099	-0,012683
Debt_to_Equity	0,1125199	0,0469678	2,40	0,017	0,0204648	0,2045751
FE_IBES_abs	0,6363689	0,2284267	2,79	0,005	0,1886608	1,084077
Cap_Structure	-0.247036	0,1306637	-1,89	0,059	-0,503132	0,0090602
_cons	0.3633923	1,086764	0,33	0,738	-1,766626	2,49341
sigma_u	0,30217619
sigma_e	0,38249697
rho	0,38427997	(fraction of variance due to u_i)

Таблица №9

Модель RE для Payout_ratio и FE_Smart_Estimate_abs с использованием Cap_Structure

Random Effects GLS regression	Number of obs =	165
Group variable: Companies_number	Number og groups =	37
R-sq:	within =	0,2290	Obs per group: min =	2
	between=	0,1904	avg =	4,5
	overall=	0,2094	max =	6
			Wald chi2 (7) =	17,51
Corr (u_i, X) = 0 (assumed)	Prob > chi2 =	0,0076
	Std. Err. Adjusted for 37 clusters in Companies_number
Payout_ratio	Coef.	Robust Std.Err.	z	P > |z|	[95% Conf. Interval]
log_EBITDA	-0,2422073	0,2764689	-0,88	0,381	-0,784076	0,2996617
log_T_Assets	0,2215628	0,2672588	0,83	0,407	-0.302255	0,7453803
Asset_Growth	-0,5980553	0,3003143	-1,99	0,046	-1,186661	-0,00945
Debt_to_Equity	0,1168732	0,0482918	2,42	0,016	0,0222231	0,2115233
FE_Smart_abs	0,5195575	0,2176004	2,39	0,017	0,0930686	0,9460464
Cap_Structure	-0,2374222	0,1289516	-1,84	0,066	-0,490163	0,0153183
_cons	0,4267167	1,074304	0,40	0,691	-1,678879	2,532313
sigma_u	0,302192
sigma_e	0,38514302
rho	0,38104754	(fraction of variance due to u_i)

В моделях как с использованием ошибки прогноза прибыли FE_IBES_abs, так и FE_Smart_Estimate_abs переменная, отражающая долю государственного участия, оказывается статистически значимой. Государственные компании склонны выплачивать меньшую долю прибыли в качестве дивидендов, чем негосударственные компании, о чём свидетельствует отрицательный коэффициент переменной. Данное отличие может быть следствием того, что дивидендная политика является основным инструментом поддержания финансовой стабильности частных компаний. Удерживая собственных акционеров путём увеличения дивидендных выплат и привлекая потенциальных инвесторов лояльной к интересам акционеров дивидендной политикой, частые компании достигают положительной реакции как внутренних агентов компании, так и внешних агентов рынка. Однако добавление данной переменной в модели не даёт представления о том, как взаимосвязаны высокая доля государственного участия в акционерном капитале компании и её подверженность асимметрии.

Для рассмотрения эффекта асимметрии информации с учётом деления компаний на государственные и негосударственные в модели была включена интеракция Cap_Structure и показателя асимметрии информации. Результаты представлены в таблицах №10 и №11.

Таблица №10

Модель RE для Payout_ratio с интеракцией Cap_Structure и FE_IBES_abs

Random Effects GLS regression	Number of obs =	165
Group variable: Companies_number	Number of groups =	37
R-sq:	within =	0,3358	Obs per group: min =	2
	between=	0,1946	avg =	4,5
	overall=	0,2386	max =	6
			Wald chi2 (7) =	23,48
Corr (u_i, X) = 0 (assumed)	Prob > chi2 =	0,0014
	Std. Err. Adjusted for 37 clusters in Companies_number
Payout_ratio	Coef.	Robust Std.Err.	z	P > |z|	[95% Conf. Interval]
log_EBITDA	-0,23503	0,266422	-0,88	0,378	-0,75720	0,2871537
log_T_Assets	0,2243554	0,2610248	0,86	0,390	-0,28724	0,7359547
Asset_Growth	-0,574963	0,2999663	-1,92	0,055	-1,16289	0,0129603
Debt_to_Equity	0,1065785	0,463182	2,30	0,021	0,015797	0,1973604
Cap_Str*FE_IBES 0 1	0,9259165 -0,0049219	0,3123067 0,3718669	2,96 -0,01	0,003 0,989	0,3138065 -0,733768	1,538026 0,7239239
Cap_Structure	-0,349825	0,1645444	-0,21	0,832	-0,35748	0,2875186
_cons	0,1522278	1,121764	0,14	0,892	-2,04639	2,350844
sigma_u	0,31100747
sigma_e	0,37684013
rho	0,40516053	(fraction of variance due to u_i)



Таблица №11

Модель RE для Payout_ratio с интеракцией Cap_Structure и FE_Smart_Estimate_abs

Random Effects GLS regression	Number of obs =	165
Group variable: Companies_number	Number og groups =	37
R-sq:	within =	0,3278	Obs per group: min =	2
	between=	0,1860	avg =	4,5
	overall=	0,2257	max =	6
			Wald chi2 (7) =	19,00
Corr (u_i, X) = 0 (assumed)	Prob > chi2 =	0,0082
	Std. Err. Adjusted for 37 clusters in Companies_number
Payout_ratio	Coef.	Robust Std.Err.	z	P > |z|	[95% Conf. Interval]
log_EBITDA	-0,2375932	0,2706345	-0,88	0,380	-0,76803	0,2928407
log_T_Assets	0,2233533	0,2629925	0,85	0,396	-0,29210	0,7388092
Asset_Growth	-0,5527976	0,2795368	-1,98	0,048	-1,10068	-0,004916
Debt_to_Equity	0,1116667	0,0480063	2,33	0,020	0,017576	0,2057575
Cap Str* FE_Smart 0 1	0,7374418 -0,0761703	0,2934863 0,3709235	2,51 -0,21	0,012 0,837	0,1622192 -0,803167	1,312664 0,6508265
Cap_Structure	-0,0605183	0,1568249	-0,39	0,700	-0,367889	0,2468529
_cons	0,2551514	1,103754	0,23	0,817	-1,908168	2,41847
sigma_u	0,31091005
sigma_e	0,379663
rho	0,40141788	(fraction of variance due to u_i)

Наиболее высокая Wald-статистика и более приближенное к нолю значение P-value принадлежат модели с использованием ошибки FE_IBES_abs.

Положительные коэффициенты интеракций для частных компаний говорят о присутствии эффекта асимметрии. При этом коэффициенты влияния асимметрии информации для государственных компаний в обеих моделях статистически незначимы и достаточно близки к нолю, что свидетельствуют о том, что степень подверженности асимметрии информации практически идентична для дивидендной политики как государственных, так и частных компаний.

3.5 Управленческая значимость результатов

При анализе результатов моделей было обнаружено наличие влияния асимметрии информации на дивидендную политику, выраженную коэффициентом дивидендных выплат компаний. Также было выявлено, что частные компании и компании с высокой долей государственного участия подвержены влиянию асимметрии информации в равной степени. Согласно результатам моделей при более высокой асимметрии информации компаниям свойственно повышать долю дивидендов в прибыли, что согласуется с тезисами сигнальной дивидендной теории. Повышая долю дивидендов в прибыли, менеджеры компании, обладая полной информацией о её состоянии и перспективах, стремятся сообщить информацию как собственным акционерам, так и внешним агентам, то есть стремятся снизить уровень асимметрии. Так, предпосылкой увеличения доли дивидендов является стремление увеличить «прозрачность» финансового состояния и перспектив компании. «Прозрачность» достигается за счёт того, что увеличение дивидендных выплат обязывает акционерные общества к более подробному раскрытию информации в отчётности, которая контролируется на законодательном уровне. Необходимо отметить, что целью менеджеров может быть не только снижение асимметрии, но и создание иллюзии финансовой стабильности или ожидаемых позитивных перспектив компании. В данном случае менеджеры способны искусственно завышать размер дивидендов, удерживая собственных акционеров и передавая сигналы внешним агентам. При этом возрастает вероятность упущенных инвестиционных возможностей, перспективы которых, вероятно, могли бы превзойти иллюзию стабильности.

Таким образом, управленческая значимость результатов заключается в подтверждении прямого характера связи между уровнем асимметрии информации и размером дивидендных выплат и указании необходимости обращаться не только к размеру дивидендных выплат при анализе состояния российских компаний, так как существует вероятность искусственного завышения дивидендов в условиях асимметрии.

Равная степень подверженности асимметрии государственных и частных компаний российского рынка свидетельствует о тенденциях развитого рынка и степени активного развития рыночных институтов.

ЗАКЛЮЧЕНИЕ

В данной выпускной квалификационной работе исследовалось влияние асимметрии информации на дивидендную политику компаний развивающегося российского рынка. Для определения наличия и характера взаимосвязи между категориями был проведён регрессионный анализ. Базу для эмпирического исследования составили данные из официальной МСФО и годовой отчётностей 37 крупных российских компаний, входивших не менее двух лет в состав Индекса Московской Биржи в период с 2014 по 2019 год. Итоговая выборка состоит из 165 наблюдений.

Дивидендная политика в модели была выражена в форме логарифмированной дивидендной выплаты за год и показателя Payout ratio. В качестве измерителей асимметрии информации использовались абсолютные значения таких ошибок прогнозов аналитиков на чистую прибыль компаний как Actual Surprise I/B/E/S, рассчитанный от скорректированной аналитиками I/B/E/S прибыли, I/B/E/S Estimate и Smart Estimate. В качестве контрольных переменных были выбраны EBITDA, ежегодный темп роста активов, общий размер активов и показатель долговой нагрузки компании. На втором этапе анализа взаимосвязи в модели была включена переменная, отражающая структуру собственности капитала компаний.

В ходе эмпирического исследования из пяти сформулированных гипотез одна была отвергнута и четыре подтверждены. Первая гипотеза о наличии влияния асимметрии информации на дивидендную политику принимается на основании результатов статистически значимых моделей. Ошибки прогноза I/B/E/S Estimate и Smart Estimate имеют статистически значимое влияние на зависимую переменную Payout ratio. Однако коэффициент I/B/E/S и Smart Estimate оказался положительным, что соответствует прямой связи категорий и согласуется с сигнальной дивидендной теорией. На основе данного наблюдения вторая гипотеза об обратной зависимости асимметрии информации и доли дивидендов в прибыли компании не принимается.

В рамках третьей гипотезы ожидалось, что связь между дивидендными выплатами, выраженными log_Dividends, и уровнем асимметрии, выраженным ошибкой Actual Surprise I/B/E/S, будет обратной. Из трёх моделей наиболее качественной оказалась именно модель с использованием Actual Surprise I/B/E/S, коэффициент которой был отрицательным и значимым на 10% уровне. Результаты модели позволяют не отвергать третью гипотезу об обратной связи между размером дивидендов и уровнем асимметрии информации, однако для дальнейших заключений модель ввиду низкого качества сочтена недостаточно релевантной и не была использована.

Для объяснения показателя Payout ratio ошибка прогноза Actual Surprise I/B/E/S оказалась незначимой, для log_Dividends - значимой на 10% уровне. Это может быть следствием того, что ошибка посчитана от скорректированной прибыли, в то время как для расчёта показателя Payout ratio использовалась фактическая прибыль из отчётности МСФО. Ввиду низкого качества модели с зависимой переменной log_Dividends и незначимости ошибки Actual Surprise I/B/E/S для Payout ratio четвёртая гипотеза о специфике ошибки принимается.

Пятая гипотеза о значимости структуры собственности для показателя дивидендной политики принимается. Для проверки гипотезы были построены модели с Payout ratio и значимыми для него ошибками I/B/E/S и Smart Estimate. Добавленная в модели структура собственности, выраженная дамми-переменной, оказалась значимой. Между дивидендной долей в прибыли компании и структурой собственности обнаружена обратная связь. Для частных компаний характерна более высокая доля дивидендов в прибыли по сравнению с государственными. Это может быть следствием того, что для частных компаний дивидендная политика является основным гарантом будущей финансовой стабильности, удержания собственных акционеров, привлечения потенциальных новых инвесторов и обеспечения положительной репутации компании на рынке. Далее были построены модели, включающие интеракцию уровня асимметрии и принадлежности компаний к государственным. Результаты модели показали, что разница в подверженности государственных и частных компаний асимметрии информации не наблюдается.

Таким образом, получены результаты, подтверждающие наличие влияния асимметрии информации на дивидендную политику российских компаний, выраженную показателем Payout ratio. Между категориями обнаружена прямая зависимость, что согласуется с тезисами сигнальной дивидендной теории. Однако введение в модель переменной, отражающей структуру собственности компаний, позволило сделать дополнительные заключения. Доля государственного участия оказалась статистически значима для размера доли дивидендов в прибыли компаний, для частных компаний показатель Payout_ratio оказался выше. При добавлении интеракции принадлежности компаний к государственным и уровня асимметрии в модели было обнаружено, что государственные и частые компании подвержены асимметрии практически в равной степени.

Как асимметрия информации влияет на дивидендную политику, так и дивидендная политика может быть рассмотрена как инструмент снижения асимметрии информации. Таким образом, может возникнуть ситуация обратного влияния. Такие исследователи как рассматривали взаимосвязь данных категорий с точки зрения обратного влияния. Исследователи в рамках изучения развитых рынков приходили к выводу, что регулирование дивидендной политики текущего периода снижает асимметрию информации в будущем периоде. Таким образом, взаимосвязь категорий может быть также изучено с учётом лага. Работа оставляет пространство для будущего исследования связи между категориями в рамках динамических моделей с включением лага.

СПИСОК ЛИТЕРАТУРЫ

Aharony J. & Swary I. Quarterly dividend and earnings announcements and stockholders' returns: an empirical analysis. // The Journal of Finance. 1980. № 35 (1). P. 1-12

Aivazian V., Booth L. & Clearly S. Dividend Policy and the Organization of Capital Markets. // Journal of Multinational Financial Management. 2003. № 13 (2). P. 101-121

Ajinkya B.B., Atiase R.K. & Gift, M.J. Volume of Trading and the Dispersion in Financial Analyst Earnings Forecasts. // Accounting Review. 1991. № 66. P. 389-401

Allen F. & Michaelly R. Payout Policy. // Handbook of the Economics of Finance. Edited by G. M. Constantinides, M. Harris & R. Stulz. 2003. P. 339-422

Amihud Y. & Murgia M. Dividends, Taxes, and Signaling: Evidence from Germany. // The Journal of Finance. 1997. № 52 (1). P. 397-408

Bhattacharya S. Imperfect Information, Dividend Policy, and “the Bird in the Hand” Fallacy. // Bell Journal of Economics. 1979. № 10 (1). P. 259-270

Bowen R., Davis A. & Matsumoto D. Do Conference Calls Affect Analysts' Forecasts? // The Accounting Review. 2002. № 77. P. 285-317

Chen S. & Matsumoto D. A. Upgrades Vs. Downgrades: The Impact on Access to Information and Analysts' Forecast Accuracy. // 2003. Journal of Accounting Research, forthcoming

Dewenter K. L. & Warther V. A. Dividends, Asymmetric Information, and Agency Conflicts: Evidence from a Comparison of the Dividend Policies of Japanese and U.S. Firms. // The Journal of Finance. 1998. № 53 (3). P. 879-904

Elton E.J., Gruber M.G. & Gultekin M.N. Professional Expectations: Accuracy and Diagnosis of Errors. // Journal of Financial and Quantitative Analysis. 1984. № 19. P. 351-363

Easterbrook F. H. Two Agency-Cost Explanations of Dividends. // The American Economic Review. 1984. № 74 (4). P. 650-659

Glen J. D., Karmokolias Y., Miller R. R. & Shah S. Dividend Policy and Behavior in Emerging Markets. To Pay or Not to Pay. // Discussion Paper. 1995. № 26. 1-26

Gordon J. M. The Savings Investment and Valuation of a Corporation. // The Review of Economics and Statistics. 1962. №44 (1). P. 37-51

Hijazi S. T. & Yasir B. T. Determinants of Capital Structure: a Case for Pakistani Cement Industry. // Lahore Journal of Economics. 2006. № 11 (1). P. 63-80

Jensen M. C. & Meckling W. H. Theory of the Firm: Managerial Behavior, Agency Costs and Ownership Structure. // Journal of Financial Economics. 1976. № 3. P. 305-360

Jeong J. An Investigation of Dynamic Dividend Behavior in Korea. // International Business & Economic Research Journal. 2011. №10 (6). P. 21-31.

Kaen Fred R. & Baumann Hans D. Firm Size, Employees and Profitability in U.S. Manufacturing Industries. 2003

Khang K. & King T.-H. D. Is Dividend Policy Related to Information Asymmetry? Evidence from Insider Trades Gains. // Financial Management. 2002. № 35. P. 71-94

Lang M. H. & Lundholm R. J. Corporate Disclosure Policy and Analyst Behavior. // Accounting Review. 1996. P. 467-492

Li K. & Zhao X. Asymmetric Information and Dividend Policy. // Financial Management. 2008. № 37 (4). P. 673-694

Lin T.-J., Chen Y.-P., Tsai H-P. The Relationship Between Information Asymmetry, Dividend Policy and Ownership Structure. // Finance Research Letters. 2017. № 20. P. 1-12

Lintner J. Distribution of Income of Corporations Among Dividends, Retained Earnings, and Taxes. // American Economic Review. 1956. № 46 (2). P. 97-113

Miller M. & Modigliani F. Dividend Policy, Growth and the Valuation of Shares. // The Journal of Business. 1961. № 34. P. 411-433

Miller M. & Rock K. Dividend Policy under Asymmetric Information. // The Journal of Finance. 1985. № 40. P. 1031-1051

Myers S. C., Majluf N. S. Corporate Financing and Investment Decisions When Firms Have Information the Investors Do Not. // The Journal of Financing Economics. 1984. №13 (2). P. 187-221

Ross S. A. The Determination of Financial Structure: The Incentive-Signaling Approach. // The Bell Journal of Economics. 1977. P. 23-40

Rozeff M. S. Dividend Yields Are Equity Risk Premiums. // Journal of Financial Research. 1984. №5 (3). P. 249-259

Vojtech Cindy M. The Relationship Between Information Asymmetry and Dividend Policy. // FEDS Working Paper. 2012

Wang X., Manry D., Wandler S. The Impact of Government Ownership on Dividend Policy in China. // Advances in Accounting. 2011. № 27 (2). P. 366-372



ПРИЛОЖЕНИЕ №1

Графики распределения переменных

1.1 Распределение переменной Dividends	1.2 Распределение переменной EBITDA
1.3 Распределение переменной Total_Assets	1.4 Распределение переменной Total_Sales



ПРИЛОЖЕНИЕ №2

Графики распределения логарифмированных переменных

2.1 Распределение переменной log_Dividends	2.2 Распределение переменной log_EBITDA
2.3 Распределение переменной log_Total_Assets	2.4 Распределение переменной log_Total_Sales



ПРИЛОЖЕНИЕ №3

Таблица корреляций

	l_Div	Payout	DivA	l_EB	l_Ass	l_Sales	Emp	MB	Ass_Gr	DE	IBES	Smart	AS
l_Div	1.00
Payout	0.2	1.00
DivA	0.46	0.40	1.00
l_EB	0.65	-0.20	0.03	1.00
l_Ass	0.52	-0.22	-0.24	0.92	1.00
l_Sales	0.54	-0.14	-0.11	0.90	0.90	1.00
Empl	0.35	-0.02	-0.22	0.62	0.69	0.73	1.00
MB	0.19	0.28	0.44	-0.03	-0.21	-0.14	-0.10	1.00
Ass_Gr	0.01	-0.08	-0.16	0.01	0.06	0.04	0.09	0.07	1.00
DE	-0.01	0.38	0.08	-0.16	-0.18	-0.11	-0.01	0.69	0.13	1.00
IBES	-0.16	0.26	-0.09	-0.07	-0.03	-0.07	-0.01	0.04	0.07	0.15	1.00
Smart	0.15	0.24	-0.06	-0.07	-0.03	-0.09	-0.03	0.02	0.04	0.13	0.90	1.00
AS	-0.21	0.19	-0.22	-0.10	0.01	-0.06	-0.07	-0.12	0.06	0.07	0.66	0.59	1.00



ПРИЛОЖЕНИЕ №4

Регрессии FE на Payout_ratio

Приложение №4.1 Регрессия для Payout_ratio и FE_IBES_abs с FE

Fixed Effects (within) regression	Number of obs =	165
Group variable: Companies_number	Number og groups =	37
R-sq:	within =	0,3692	Obs per group: min =	2
	between=	0,0073	avg =	4,5
	overall=	0,0026	max =	6
			F (5, 36) =	14,40
Corr (u_i, Xb) = -0,8250	Prob > F =	0,0000
	Std. Err. Adjusted for 37 clusters in Companies_number
Payout_ratio	Coef.	Robust Std.Err.	t	P > |t|	[95% Conf. Interval]
log_EBITDA	-0,6102628	0,1555093	-3,92	0,000	-0,918084	-0,302442
log_T_Assets	1,042257	0,2266297	4,60	0,000	0,5936574	1,490857
Asset_Growth	-0,8496465	0,2664694	-3,19	0,002	-1,377106	-0,322187
Debt_to_Equity	0,177584	0,046273	3,84	0,000	0,0859894	0,2691786
FE_IBES_abs	0,652179	0,1736266	3,76	0,000	0,3084958	0,9958622
_cons	-9,557647	3,792782	-2,52	0,013	-17,06523	-2,050068
sigma_u	0,78211288
sigma_e	0,38249697
rho	0,80698804	(fraction of variance due to u_i)

Приложение №4.2 Регрессия для Payout_ratio и FE_Smart_Estimate_abs с FE

Fixed Effects (within) regression	Number of obs =	165
Group variable: Companies_number	Number og groups =	37
R-sq:	within =	0,3604	Obs per group: min =	2
	between=	0,0031	avg =	4,5
	overall=	0,0043	max =	6
			F (5, 36) =	13,86
Corr (u_i, Xb) = -0,8154	Prob > F =	0,0000
	Std. Err. Adjusted for 37 clusters in Companies_number
Payout_ratio	Coef.	Robust Std.Err.	t	P > |t|	[95% Conf. Interval]
log_EBITDA	-0,5999599	0,157006	-3,82	0,000	-0,910744	-0,289176
log_T_Assets	1,008006	0,227862	4,42	0,000	0,5569669	1,459044
Asset_Growth	-0,8107628	0,2673892	-3,03	0,003	-1,340043	-0,281482
Debt_to_Equity	0,190942	0,0458957	4,16	0,000	0,1000942	0,2817898
FE_Smart_abs	0,5297396	0,1514675	3,50	0,001	0,2299188	0,8295603
_cons	-9,045652	3,804552	-2,38	0,019	-16,57653	-1,514774
sigma_u	0,76276819
sigma_e	0,38514302
rho	0,79684304	(fraction of variance due to u_i)

Приложение №4.3 Регрессия для Payout_ratio и AS_IBES_abs с FE

Fixed Effects (within) regression	Number of obs =	165
Group variable: Companies_number	Number og groups =	37
R-sq:	within =	0,3240	Obs per group: min =	2
	between=	0,0003	avg =	4,5
	overall=	0,0080	max =	6
			F (5, 36) =	11,79
Corr (u_i, Xb) = -0,8061	Prob > F =	0,0000
	Std. Err. Adjusted for 37 clusters in Companies_number
Payout_ratio	Coef.	Robust Std.Err.	t	P > |t|	[95% Conf. Interval]
log_EBITDA	-0,6231608	0,1613781	-3,86	0,000	-0,942599	-0,303723
log_T_Assets	0,9832151	0,2342582	4,20	0,000	0,5195153	1,446915
Asset_Growth	-0,7912821	0,2752343	-2,87	0,005	-1,336092	-0,246473
Debt_to_Equity	0,2117623	0,046504	4,55	0,000	0,1197106	0,3038141
AS_IBES_abs	0,4903898	0,2202569	2,23	0,028	0,0544047	0,9263749
_cons	-8,121828	3,894704	-2,09	0,039	-15,83115	-0,412501
sigma_u	0,733930069
sigma_e	0,39593977
rho	0,77457116	(fraction of variance due to u_i)



ПРИЛОЖЕНИЕ №5

Регрессии RE на Payout_ratio

Приложение №5.1 Регрессия для Payout_ratio и FE_IBES_abs с RE

Random Effects GLS regression	Number of obs =	165
Group variable: Companies_number	Number og groups =	37
R-sq:	within =	0,2985	Obs per group: min =	2
	between=	0,1444	avg =	4,5
	overall=	0,1798	max =	6
			Wald chi2 (7) =	50,52
Corr (u_i, X) = 0 (assumed)	Prob > chi2 =	0,0000
	Std. Err. Adjusted for 37 clusters in Companies_number
Payout_ratio	Coef.	Robust Std.Err.	z	P > |z|	[95% Conf. Interval]
log_EBITDA	-0,24162	0,1124723	-2,15	0,032	-0,46206	-0,211775
log_Total_Assets	0,1957725	0,1151213	1,70	0,089	-0,02986	0,421406
Asset_Growth	-0,589848	0,2584254	-2,28	0,022	-1,09637	-0,083360
Debt_to_Equity	0,1171104	0,0274883	4,26	0,000	0,063234	0,1709864
FE_IBES_abs	0,6371305	0,1708161	3,73	0,000	0,302337	0,971924
_cons	0,8276517	1,110888	0,75	0,456	-1,34965	3,004952
sigma_u	0,30813873
sigma_e	0,38249697
rho	0,3935674	(fraction of variance due to u_i)

Приложение №5.2 Регрессия для Payout_ratio и FE_Smart_Estimate_abs с RE

Random Effects GLS regression	Number of obs =	165
Group variable: Companies_number	Number og groups =	37
R-sq:	within =	0,2941	Obs per group: min =	2
	between=	0,1427	avg =	4,5
	overall=	0,1736	max =	6
			Wald chi2 (7) =	48,20
Corr (u_i, X) = 0 (assumed)	Prob > chi2 =	0,0000
	Std. Err. Adjusted for 37 clusters in Companies_number
Payout_ratio	Coef.	Robust Std.Err.	z	P > |z|	[95% Conf. Interval]
log_EBITDA	-0,2365558	0,1132012	-2,09	0,037	-0,45843	-0,014685
log_Total_Assets	0,190133	0,1157838	1,64	0,101	-0,03679	0,4170651

Подобные документы

• Моделирование ROA российских фармацевтических компаний

  Анализ рентабельности активов как отношения чистой прибыли к среднему значению совокупных активов. Вертикальный анализ актива бухгалтерского баланса ПАО "ВЕРОФАРМ". Тестирование существующих моделей ROA на выборке российских фармацевтических компаний.
  
  дипломная работа [728,1 K], добавлен 09.09.2016
  

• Отраслевые факторы структуры капитала российских компаний

  Выбор детерминант структуры капитала компаний, функционирующих на российском рынке. Сбор статистических данных по российским компаниям в разрезе отраслей российской экономики, построение и тестирование регрессионных моделей с учетом фактора отрасли.
  
  дипломная работа [898,9 K], добавлен 31.10.2016
  

• Дуальность решений менеджеров при решении инвестирования в интеллектуальную ресурсную базу компании

  Основные аспекты отношений между собственниками и топ-менеджментом компании. Раскрытие информации об интеллектуальном капитале как решение агентской проблемы. Влияние интеллектуальных ресурсов на конкурентоспособность и результаты деятельности компании.
  
  дипломная работа [1,5 M], добавлен 26.08.2017
  

• Влияние изменения цены сырой нефти марки Brent на рыночные котировки нефтяных компаний России

  Построение эмпирической модели, оценивающей связи между акциями, ценой сырой нефти, курсом рубля к доллару и фондовыми индексами США и РФ. Исследование временных рядов на наличие коинтеграции. Анализ взаимного влияния котировок акций нефтяных компаний.
  
  дипломная работа [11,1 M], добавлен 26.10.2016
  

• Дескриптивная статистика: понятие одномерного распределения. Расчет и анализ одномерных распределений в пакетах ОСА и SPSS

  Вид одномерного распределения для номинальной шкалы с совместимыми альтернативами. Меры центральной тенденции. Математическое ожидание, отклонение. Показатели асимметрии, эксцесса. Построение распределений в пакете ОСА и SPSS, визуальное представление.
  
  курс лекций [2,4 M], добавлен 09.10.2013
  

• Теория и методы статистического прогнозирования

  Проверка гипотезы на наличие тенденции. Обоснование периода упреждения прогноза. Выбор оптимальной прогнозной модели по коэффициенту детерминации. Получение точечного и интервального прогноза. Расчет параметров линейной и экспоненциальной моделей.
  
  реферат [567,8 K], добавлен 30.09.2014
  

• Энтропия

  Понятие энтропии. Энтропия как мера степени неопределенности. Понятие об информации. Измерение информации. Теорема Шеннона о кодировании при наличии помех. Пример использования энтропии в прогнозировании и ее значение для прогнозирования.
  
  реферат [77,0 K], добавлен 14.12.2008
  

• Математическое моделирование роста доходности страховой компании

  Общая характеристика основных фактов и понятий при моделировании деятельности страховых компаний. Влияние поведения страховых агентов на рост их доходности. Разработка программы-справочника по совершенствованию отношений Страховщика и Страхователя.
  
  дипломная работа [129,6 K], добавлен 07.12.2010
  

• Анализ финансовой устойчивости компаний нефтегазового сектора

  Финансовая устойчивость предприятий нефтегазового сектора Российской Федерации, в том числе в кризисные периоды. Зависимость размера долга от макро- и микро- экономических показателей. Регрессия для нефтегазовых компаний РФ с государственным участием.
  
  дипломная работа [619,5 K], добавлен 20.10.2016
  

• Модель системы управления собственным и заемным капиталом предприятия

  Подходы к оптимизации структуры капитала. Анализ формирования собственного и заемного капитала. Расчет эффекта финансового рычага. Влияние дивидендной политики на структуру капитала. Моделирование финансовой системы ООО "Первый Автомобильный Салон".
  
  дипломная работа [184,0 K], добавлен 13.02.2015
  

• Обработка статистической информации при определении показателей надежности

  Теоретические основы первичной обработки статистической информации. Особенности определения минимального числа объектов наблюдения при оценке показателей надежности. Анализ вероятностной бумаги законов нормального распределения и распределения Вейбулла.
  
  курсовая работа [163,5 K], добавлен 22.03.2010
  

• Проведение выборочного наблюдения

  Освоение методики организации и проведения выборочного наблюдения; статистических методов и методов компьютерной обработки информации; методов оценки параметров генеральной совокупности на основе выборочных данных. Проверка статистических гипотез.
  
  лабораторная работа [258,1 K], добавлен 13.05.2010
  

• Разработка и создание автоматизированной системы обработки информации

  Разработка и создание системы учета отгрузки и реализации готовой продукциии, возможность просматривать накладные реализаций, поступлений. Алгоритм решения задачи. Коды проектируемой системы автоматизированной обработки информации. Листинг программы.
  
  курсовая работа [17,6 K], добавлен 12.01.2009
  

• Проектирование автоматизированной информационной системы

  Проектирование формы входных документов и выходного плана выплат по вкладам на основе исходной информации. Рассмотрение наиболее рациональных путей разработки автоматизированной информационной системы в условиях Маслянинского ДО ОАО Банк "Левобережный".
  
  курсовая работа [314,6 K], добавлен 28.04.2010
  

• Моделирование временного ряда

  Геометрическое случайное блуждание. Стохастическое дифференциальное уравнение, процесс авторегрессии AR(p). Оценка волатильности и тренда: коэффициенты асимметрии и эксцесса, пр. Фрактальное броуновское движение. Исследование мультифрактального спектра.
  
  курсовая работа [1,2 M], добавлен 09.09.2017
  

• Математические модели, методы и средства обработки информации при управлении жилищно-коммунальным хозяйством региона

  Методики решения аналитической задачи оценки функционирования жилищно-коммунального хозяйства региона. Математическая модель, метод и алгоритм решения задачи планирования вывоза бытовых отходов на заводы по их переработке. Ввод дополнительной информации.
  
  автореферат [755,5 K], добавлен 23.03.2009
  

• Статистический анализ

  Построение интервального вариационного ряда распределения предприятий по объему реализации. Графическое изображение ряда (гистограмма, кумулята, огива). Расчет средней арифметической; моды и медианы; коэффициента асимметрии; показателей вариации.
  
  контрольная работа [91,1 K], добавлен 10.12.2013
  

• Проверка статистических гипотез при помощи системы "Minitab" для Windows

  Общие понятия статистической проверки гипотез. Проверка гипотез на основе выборочной информации, понятие нулевая и альтернативная гипотезы. Формулировка общего алгоритма проверки. Проведение проверки статистической гипотезы в системе "Minitab" и MS Excel.
  
  методичка [741,9 K], добавлен 28.12.2008
  

• Средства эконометрического моделирования и прогноза курса акций British Petroleum

  Исследование изменения во времени курса акций British Petroleum средствами эконометрического моделирования с целью дальнейшего прогноза с использованием компьютерных программ MS Excel и Econometric Views. Выбор оптимальной модели дисперсии ошибки.
  
  курсовая работа [1,2 M], добавлен 14.06.2011
  

• Вероятностно-статистические методы моделирования экономических систем

  Элементарные понятия о случайных событиях, величинах и функциях. Числовые характеристики случайных величин. Виды асимметрии распределений. Статистическая оценка распределения случайных величин. Решение задач структурно-параметрической идентификации.
  
  курсовая работа [756,0 K], добавлен 06.03.2012
  

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам