Для начала была построена корреляционная матрица, показывающая корреляции между всеми переменными модели (см. таблицу 3). Ни одна корреляция не превышает 0,85, из чего следует, что между регрессорами нет слишком высокой корреляции. Корреляция всех факторов с CAR более 0,1, что показывает, что кумулятивная аномальная доходность в какой-то степени зависит от всех факторов. В итоге в модели были оставлены все переменные.

Таблица 2

Корреляционная матрица с переменными из регрессии для техногенных катастроф

	CAR	FATALITIES	DAMAGE	RECENT	VOLATILITY	TIME	ECO
CAR	1,000
FATALITIES	-0,186	1,000
DAMAGE	-0,840	0,378	1,000
RECENT	0,143	-0,105	-0,178	1,000
VOLATILITY	-0,555	0,045	0,383	0,114	1,000
TIME	-0,456	0,588	0,569	-0,131	0,214	1,000
ECO	-0,499	0,022	0,401	-0,130	0,113	0,305	1,000

Мы воспользовались пошаговым методом построения регрессии и по очереди добавляли в модель перечисленные выше переменные. Первой была добавлена переменная DAMAGE по причине ее высокой корреляции с зависимой переменной. Следующие шаги можно проследить в таблице 2. Последним шагом стало добавление в модель дамми-переменных. Итоговая модель, имеющая минимальную стандартную ошибку и наиболее высокий R-квадрат, выглядит следующим образом:



CAR_0-2,i = ?? + ??1*FATALITIES_i + ??2*DAMAGE_i + ??3*RECENT_i + ??4*VOLATILITY_i + ??5*ECO_i +

В нее не попала лишь одна переменная - переменная TIME, так как включение ее в регрессию привело к увеличению стандартной ошибки.

Таблица 3

Сравнение различных регрессионных моделей для техногенных катастроф

Шаг	Модель	R-квадрат	Стандартная ошибка
1	CAR0-2 = ?? + ??1*DAMAGE	0.7060	0.04703
2	CAR0-2 = ?? + ??1*DAMAGE + ??2*VOLATILITY	0.7699	0.04234
3	CAR0-2 = ?? + ??1*DAMAGE + ??2*VOLATILITY + ??3*TIME	0.7706	0.04305
4	CAR0-2 = ?? + ??1*DAMAGE + ??2*VOLATILITY + ??3*FATALITIES	0.7827	0.0419
5	CAR0-2 = ?? + ??1*FATALITIES + ??2*DAMAGE + ??3*RECENT + ??4*VOLATILITY + ??5*ECO	0.8143	0.04026

Наличие мультиколлинеарности в модели было проверено с помощью VIF-теста в программе Stata. Считается, что мультиколлинеарности не наблюдается, если значение теста VIF меньше восьми. Далее с помощью RESET-теста Рамсея была проведена проверка на наличие в регрессии ошибок спецификации. По результатам теста модель оказалась неправильно специфицирована. Проблема была решена с помощью преобразования переменной DAMAGE в переменную DAMAGEinv, равную 1/DAMAGE. Итоговое уравнение регрессии выглядит следующим образом:

CAR_{0-2, i} = ?? + ??1*FATALITIES_i + ??2*DAMAGEinv_i + ??3*RECENT_i + ??4*VOLATILITY_i + ??5*ECO_i +

Далее был проведен White-тест для проверки модели на наличие гетероскедастичности. Тест показал, что остатки модели гомоскедастичны лишь на уровне 1%, тогда как на уровнях 5% и 10% была обнаружена гетероскедастичность (см. приложение 11). По этой причине мы еще раз построили регрессию, но уже с новыми, робастными стандартными ошибками, чтобы устранить проблему неоднородности наблюдений. Наконец, был проведен тест Чоу, проверяющий однородность модели по бинарному показателю. В нашем случае бинарными показателями являются две дамми-переменные: RECENT и ECO. Если тест показывает однородность, значит, дамми-переменная является значимой и может остаться в регрессии.

Регрессия для стихийных бедствий

В регрессию для стихийных бедствий попали следующие переменные:

FATALITIES - количество жертв катастрофы

DAMAGE - материальный ущерб катастрофы (в рублях), не нормировался на выручку, так как в данном случае ущерб от стихийных бедствий - ущерб государства РФ

RECENT - дамми-переменная (1- событие произошло в последние 5 лет, 0 - событие произошло раньше)

VOLATILITY - уровень волатильности на рынке в день катастрофы (за последние 4 недели до катастрофы)

LOCATION - дамми-переменная (1- событие рядом с Россией, 0 - событие произошло далеко от России)

OILPRICE - изменение цены на нефть (контрольная переменная)

EXCHRATE - изменение курса доллара (контрольная переменная)

Переменная LOCATION отображает близость эпицентра стихийного бедствия к России. Она равна 1 для событий, произошедших в Китае, Европе, Таиланде, Индии, и 0 для катастроф в Новой Зеландии, США и в других странах. VOLATILITY, OILPRICE и EXCHRATE - это контрольные переменные в регрессии. Мы не заинтересованы в их влиянии на CAR, но считаем, что они могут оказать сильное влияние на избыточную доходность рынка, в связи чем мы включили их в уравнение регрессии. Изменение цены на нефть (цены фьючерса на нефть Brent), как и изменение курса доллара было рассчитано за 25 дней событийного окна.

Таблица 4

Корреляционная матрица с переменными из регрессии для стихийных бедствий

	СAR	FATALITIES	DAMAGE	RECENT	VOLATILITY	LOCATION	OILPRICE	EXCHRATE
СAR	1,000
FATALITIES	-0,021	1,000
DAMAGE	0,074	-0,034	1,000
RECENT	0,265	-0,161	-0,182	1,000
VOLATILITY	-0,750	0,276	0,072	-0,464	1,000
LOCATION	0,125	-0,165	0,195	0,017	0,069	1,000
OILPRICE	0,594	-0,150	0,155	0,268	-0,481	0,054	1,000
EXCHRATE	-0,346	-0,078	-0,075	-0,274	0,166	0,043	-0,643	1,000

Судя по корреляционной матрице (см. таблицу 4), переменные FATALITIES и DAMAGE следует исключить, так как их корреляция с зависимой переменной менее 10%.

Таблица 5

Сравнение различных регрессионных моделей для стихийных бедствий

Шаг	Модель	R-квадрат	Стандартная ошибка
1	CAR(-5;20) = ?? + ??1*VOLATILITY	0.5626	.07118
2	CAR(-5;20) = ?? + ??1* VOLATILITY + ??2*OILPRICE	0.6332	0.06653
3	CAR(-5;20) = ?? + ??1* VOLATILITY + ??2* OILPRICE + ??3*EXCHRATE	0.6378	.06753
4	CAR(-5;20) = ?? + ??1* VOLATILITY + ??2*OILPRICE + ??3*RECENT + ??4*LOCATION	0.6696	.06595

Результаты пошагового построения регрессии можно увидеть в таблице 5. Наилучшей моделью оказалась модель номер 4 с самым высоким R-квадратом и наименьшей стандартной ошибкой. Уравнение регрессии:

CAR_(-5;20),i = ?? + ??1* VOLATILITY_i + ??2* OILPRICE_i + ??3*RECENT_i + ??4* LOCATION_i +

Были проведены те же тесты, что и в случае с первой регрессией: VIF-тест, RESET-тест, White-тест и тест Чоу. Так как гетероскедастичности и ошибок спецификации не было обнаружено, итоговое уравнение регрессии не поменялось.



3. Анализ результатов исследования

3.1 Результаты событийного анализа

В данном разделе будут рассмотрены основные результаты исследования. В связи с тем, что в данной работе нам важно проследить общий эффект от событий, а не рассмотреть каждую катастрофу в отдельности, мы решили не включать в этот раздел таблицы с рассчитанными аномальными и кумулятивными аномальными доходностями (AR и CAR). Также, по причине разнонаправленности исследования и большого количества результатов, мы не всегда включали в таблицы результаты всех тестов. Их можно увидеть в приложениях.

Влияние техногенных и природных бедствий на российский фондовый рынок. В выборку для измерения влияния техногенных и природных катастроф на российский фондовый рынок методом событийного анализа попали все 50 стихийных и 43 техногенных катастроф.

Таблица 6

Влияние техногенных катастроф на российский рынок (AAR)

	P-Values
День	AAR	Adj Patell	Adj BMP	Rank
0	-0,04%	0,510	0,507	0,396
1	0,08%	0,620	0,658	0,711
2	-0,17%	0,326	0,326	0,423
3	0,14%	0,544	0,543	0,531
4	0,01%	0,389	0,399	0,462
5	0,10%	0,618	0,629	0,769

Комментарий: результат считается значимым, если он значим по двум из трех тестов; * - значим на уровне 10%, ** - значим на уровне 5%, *** - значим на уровне 1%.

В таблице 6 можно видеть усредненные аномальные доходности индекса IMOEX после техногенных катастроф в каждый день событийного окна. Как можно заметить, ни в один из дней результат не оказался значимым, из чего мы делаем вывод, что на российский рынок выбранные нами техногенные катастрофы не влияют ни в один из дней. Однако, некоторые отдельные катастрофы все же повлияли на рынок на рассматриваемом нами окне, допустим, обвал шахты Уралкалия.

Таблица 7

Влияние стихийных бедствий на российский рынок (AAR)

	P-Values
День	AAR	Adj Patell	Adj BMP	Rank
-5	0,23%	0,932	0,965	0,904
-4	0,24%	0,920	0,943	0,921
-3	-0,09%	0,341	0,305	0,366
-2	-0,48%***	0,003	0,003	0,009
-1	0,10%	0,617	0,629	0,541
0	-0,22%*	0,050	0,063	0,159
1	-0,09%	0,452	0,467	0,563
2	-0,07%	0,366	0,339	0,360
3	-0,52%***	0,001	0,002	0,004
4	0,20%	0,471	0,478	0,748
5	0,09%	0,775	0,778	0,842
6	-0,34%	0,197	0,309	0,751
7	-0,44%**	0,000	0,011	0,017
8	0,61%	0,995	0,915	0,894
9	-0,04%	0,375	0,378	0,539
10	-0,24%	0,119	0,125	0,202
11	-0,10%	0,185	0,177	0,500
12	-0,08%	0,292	0,319	0,500
13	-0,26%	0,014	0,125	0,500
14	-0,19%	0,187	0,193	0,500
15	-0,08%	0,101	0,262	0,500
16	0,46%	1,000	0,835	0,500
17	-0,12%	0,371	0,350	0,500
18	-0,08%	0,559	0,558	0,500
19	-0,44%	0,090	0,204	0,500
20	-0,12%	0,139	0,122	0,500

Комментарий: результат считается значимым, если он значим по двум из трех тестов; * - значим на уровне 10%, ** - значим на уровне 5%, *** - значим на уровне 1%.

Стихийные бедствия, AAR по которым представлены в таблице 7, напротив, влияют на фондовый рынок в определенные дни. Индекс IMOEX в среднем имеет отрицательную аномальную за день до события (в день -2), в день события, на третий и на седьмой день. AAR в -0,48% за день до стихийного бедствия можно объяснить наличием у инвесторов информации о приближающемся бедствии из прогнозов погоды и новостей. Минимальная средняя аномальная доходность наблюдается в день события (-0,22%), тогда как в третий и седьмой день она достигает значений вдвое больше, что подтверждает необходимость наблюдать стихийные бедствия на длинном окне. Судя по результатам Event Study, наибольшая по модулю кумулятивная аномальная доходность наблюдалась на рынке вследствие урагана Айк в США (-54%), произошедшего осенью 2008 года, однако, при осознании того факта, что именно в это время фондовый рынок начал свое падение из-за мирового кризиса 2008, мы не сочли эту доходность значимой и убрали ее из выборки. Что касается российских катастроф, наиболее значимыми негативными событиями явились Челябинский метеорит и две погодные аномалии: рекордно высокая температура зимой в Москве 2020 года и аномальная жара в Москве летом 2019 года. Они привели к аномальным доходностям на окне (-5;20) в -5%, -4,3% и -4,5% соответственно. Что касается положительных доходностей, их, как ни странно, рынок продемонстрировал после аномального холода в Москве зимой 2017 года и смога в Москве в 2010. Более подробные результаты по каждому стихийному бедствию можно увидеть в приложении 13.

Таблица 8

Сравнение влияния природных и техногенных катастроф на российский рынок (CAAR)

	P-Values
Вид события	CAAR	Adj Patell	Adj BMP	Rank
Техногенные катастрофы	-0,24%	0,195	0,168	0,321
Природные катастрофы	-1,83%**	0,227	0,023	0,030

Комментарий: результат считается значимым, если он значим по двум из трех тестов; * - значим на уровне 10%, ** - значим на уровне 5%, *** - значим на уровне 1%

В целом, кумулятивная средняя аномальная доходность российского рынка вследствие стихийных бедствий оказалась равна -1,83% на событийном окне в 26 дней, тогда как после техногенных катастроф она была равна -0,24%. Однако, результат для техногенных катастроф оказался незначимым, из чего можно сделать вывод, что они не влияют на рынок в целом, так как влияют адресно на отдельные компании, что за счет неабсолютной корреляции нивелирует идиосинкратические риски. Природные бедствия негативно влияют на российский рынок. На данном этапе гипотеза H1 о том, что стихийные бедствий приводят к отрицательной аномальной доходности на рынке, подтвердилась, так же, как и гипотеза H5, утверждающая, что природные бедствия имеют больший эффект на рынок, чем техногенные. Далее будет проведена проверка влияния зарубежных и российских катастроф по отдельности. Наш результат согласуется с результатами Tavor и Teitler-Regev, а также Kowalewski и Spiewanowsky, утверждающими, что стихийные бедствия оказывают более сильно воздействие на фондовый рынок, чем промышленные аварии, а также со многими другими исследователями, обосновавшими негативный эффект стихийных бедствий.

Влияние техногенных катастроф на доходность компаний-участников и их отрасль. Для расчета аномальных доходностей компаний-участников техногенных аварий мы воспользовались выборкой лишь из 31 российской техногенной катастрофы и не использовали зарубежные события, так как нашей задачей является анализ российского рынка.

В приложении 12 можно увидеть таблицу со значениями CAR для каждой техногенной аварии на различных событийных окнах. Наибольшие по модулю кумулятивные аномальные доходности пришлись на такие события, как взрывы на угольной шахте Распадская в 2010 году, провал грунта на шахте Уралкалия и пожар на заводе ПАО Нижнекамскнефтехим, снизившие стоимость акций указанных компаний в среднем на 30% за 5 дней.

Таблица 9

Влияние техногенных катастроф на доходность компаний-участников на окне (0;5), AAR и CAAR

		P-Values
День	AAR/CAAR	Adj Patell	Adj BMP	Rank
AAR (0)	-2,1%**	0,000	0,022	0,001
AAR (1)	-1,3%*	0,000	0,090	0,183
AAR (2)	-0,2%	0,392	0,382	0,371
AAR (3)	0,2%	0,816	0,775	0,893
AAR (4)	0,2%	0,897	0,876	0,836
AAR (5)	-0,3%	0,254	0,207	0,486
СAAR (0-5)	-3,3%*	0,000	0,064	0,176

Комментарий: результат считается значимым, если он значим по двум из трех тестов; * - значим на уровне 10%, ** - значим на уровне 5%, *** - значим на уровне 1%

Судя по таблице 9, техногенные катастрофы в среднем вызывают падение цен акций компаний-участников на 3,3% на окне (0;5). Значимый эффект наблюдается в день события и на следующий после него день, когда цены падают на 2,1% и 1,3% соответственно. Мы видим, что, в сравнении со стихийными бедствиями, эффект является краткосрочным. Так, гипотеза H3, утверждающая, что компании, вовлеченные в техногенную аварию, испытывают падение доходности акций в краткосрочной перспективе, частично подтверждается. Многие авторы, такие, как Hamilton, или же Laguna Capelle-Blaneard пришли к такому же выводу. Воздействие на аномальную доходность таких факторов, как количество жертв, экономический ущерб и ущерб экологии, будет проверено в следующем разделе главы.

Таблица 10

Влияние российских техногенных катастроф на доходность отраслей компаний-участников на окне (0;5), AAR и CAAR

	AAR	CAAR
Отрасль	AAR (0)	AAR (1)	AAR (2)	AAR (3)	AAR (4)	AAR (5)	СAAR (0-5)
Металлургия	-0,1%	0,0%	-0,2%	-0,1%	0,2%	0,1%	-0,2%
Нефтегазодобыча и нефтепереработка	0,3%	0,0%	0,0%	0,3%	0,2%	-0,2%	0,4%
Химия и нефтехимия	-1,6% ***	-1,5% *	0,3%	-0,3%	0,3%	-1,2%	-4,0% **
Телекоммуникации	-0,4%	0,3%	-0,1%	-0,2%	-0,1%	0,5%	-0,1%
Транспорт	-1,5%	0,0%	0,1%	-1,8%	-1,2%	-0,1%	-4,7%

Комментарий: результат считается значимым, если он значим по двум из трех тестов; * - значим на уровне 10%, ** - значим на уровне 5%, *** - значим на уровне 1%

Мы также рассмотрели влияние российских техногенных аварий на целые отрасли, в которых компании-участники осуществляют свою деятельность. Судя по таблице 10, только катастрофы, вызванные химическими компаниями влияют не только на саму компанию, но и на ее конкурентов, и понижают цену их акций. Так, аварии в химической отрасли вызывают негативную аномальную доходность индекса химии и нефтехимии в -4% на окне (0;5). Катастрофами в химической отрасли, которые вызвали самые большие аномальные доходности (CAR) на событийном окне являются являются пожар на шахте СКРУ-3 компании Уралкалий в Соликамске, обвал на шахте Уралкалия и пожар на заводе ПАО Нижнекамскнефтехим. CAR химической отрасли после них равны -7%, -6,6% и -3,7% соответственно. Также среди событий, повлиявших на всю отрасль, можно выделить возгорание самолета компании Аэрофлот в Шереметьево в 2019 году, которое привело к кумулятивной аномальной доходности всей транспортной отрасли, равной -4,5%. Гипотеза H4, утверждающая, что компании-конкуренты, как и компания-инициатор, испытывают падение цен акций после техногенных катастроф, частично отвергается, так как она сработала только для одной отрасли - химической.

Таблица 11

Влияние зарубежных техногенных катастроф на доходность отраслей компаний-участников на окне (0;5), AAR и CAAR

		AAR	CAAR
Отрасль	AAR (0)	AAR (1)	AAR (2)	AAR (3)	AAR (4)	AAR (5)	СAAR (0-5)
Нефтегазодобыча и нефтепереработка	0,2%	0,4%	0,2%	0,1%	-0,1%	0,2%	0,9%
Электроэнергетика	-0,8% *	-0,8% **	-1,3% **	0,3%	-0,4%	0,0%	-2,8% **
Металлургия	0,5%	0,0%	-0,3%	-0,2%	-0,7%	0,0%	-0,7%

Комментарий: результат считается значимым, если он значим по двум из трех тестов; * - значим на уровне 10%, ** - значим на уровне 5%, *** - значим на уровне 1%

Мы также не оставили без внимания зарубежные техногенные аварии, рассмотрев, как они влияют на российские компании из тех же отраслей. Нашим предположением было то, что крупные мировые явления могут повлиять не только на зарубежную компанию и зарубежный рынок, но и на компании из отрасли из других частей мира. Это оказалось верно для электроэнергетической отрасли - катастрофы, происходящие за рубежом по вине электроэнергетических компаний, влияют также и на электроэнергетическую отрасль в России, понижая индекс на 2,8%. В нашем случае катастрофами были авария на АЭС Фукусима-1 в 2011 году и прорыв плотины строящейся гидроэлектростанции в Лаосе в 2018. Также, стоит упомянуть, что некоторые отрасли были исключены из анализа по причине отсутствия отраслевого индекса в дату катастрофы или же недостаточного количества событий в определенной отрасли.

Влияние стихийных бедствий на различные отрасли. Одним из аспектов нашего анализа также стал обзор влияния стихийных бедствий на различные отрасли российской экономики.

Таблица 12

Влияние стихийных бедствий на доходность отраслевых индексов на окне (-5;20), CAAR

		P-Values
Отрасль	CAAR	Adj Patell	Adj BMP	Rank
Металлургия и горнодобывающая отрасль	-0,92%	0,375	0,157	0,332
Телекоммуникации	-0,42%	0,470	0,443	0,739
Электроэнергетика	-0,88%*	0,267	0,094	0,020
Нефтегазодобыча и нефтепереработка	0,16%	0,866	0,823	0,839
Финансы	-0,54%	0,256	0,218	0,366
Потребительские товары	-1,65%**	0,000	0,030	0,118
Химия и нефтехимия	0,04%	0,013	0,493	0,544
Транспорт	-0,97%**	0,015	0,029	0,480

Комментарий: результат считается значимым, если он значим по двум из трех тестов; * - значим на уровне 10%, ** - значим на уровне 5%, *** - значим на уровне 1%

В таблице 12 представлены CAAR, вызванные стихийными бедствиями, по каждой отрасли российской экономики. Мы можем увидеть, что больше всего бедствия влияют на потребительский сектор, вызывая у компаний из данного индекса отрицательную доходность в -1,65%, что противоречит исследованию Ruiz, утверждавшему, что в потребительском секторе доходность после катастроф увеличивается, так как повышается спрос на товары первой необходимости (Ruiz, 2010). Также влиянию подверглись транспортная и электроэнергетическая отрасль, испытавшие снижение цен акций на 0,97% и 0,88% на окне (-5;20) соответственно. В приложении 8 можно увидеть таблицу с AAR каждой отрасли вследствие бедствий в каждый день событийного окна. Примечательным в ней являются аномальные доходности транспортной отрасли в день катастрофы, на пятый, седьмой и 18 день около -0,4%. Реакцию транспортной отрасли можно объяснить тем, что некоторые стихийные бедствия действительно препятствуют движению транспорта. Например, извержение исландского вулкана в 2010, имеющееся в нашей выборке, помешало движению самолетов (Mazzocchi, 2010), в том числе, оно могло оказать влияние на маршрут, составленный российских авиакомпаниями. Также можно отметить доходность в -0,29% за день до катастрофы в электроэнергетической и химической отраслях, свидетельствующую о том, что инвесторы, увидев прогнозы, решили, что приближающиеся события могут затронуть данные отрасли. В общем и целом, гипотеза H2 о различном влиянии стихийных бедствий на все сектора российской экономики, не отвергается.

Влияние катастроф на компании и рынок в зависимости от типа события. Мы разделили катастрофы на несколько групп и проследили влияние каждой из них.



Таблица 13

Влияние различных видов техногенных катастроф на доходность компаний-участников на окне (0;5), AAR и CAAR

	AAR/CAAR
Тип катастрофы	AAR (0)	AAR (1)	AAR (2)	AAR (3)	AAR (4)	AAR (5)	СAAR (0-5)
Взрывы	-3,0%	-0,1%	-0,4%	-0,2%	0,6%	-0,6%	-3,6%
Пожары	-2,4% **	-0,7%	-0,4%	0,4%	-0,1%	0,2%	-3,7% **
Выбросы/ утечка токсичных веществ	-0,1% **	-2,1%	0,1%	-0,3%	-0,4%	-1,8%	-4,6%
Потопы	-5,3% **	-12,8%	0,5%	-0,7%	1,4%	0,3%	-16,6%
Обрушения	-1,4%	0,4%	-1,3%	1,9%	-0,9%	0,1%	-1,4%
Системные аварии	1,0%*	-1,1%*	0,2%	0,0%	-0,3%	-0,1%	-0,2%
Розливы топлива	0,2%	0,0%	-0,4%	0,3%	-1,3%	1,1%	5,8%

Комментарий: результат считается значимым, если он значим по двум из трех тестов; * - значим на уровне 10%, ** - значим на уровне 5%, *** - значим на уровне 1%

Что касается техногенных катастроф и их влияния на компании, инициировавшие инцидент, из таблицы 13 можно заключить, что на всем событийном окне влияние имеют только пожары, кумулятивная средняя аномальная доходность которых составила -3,7%. Однако в день события на доходность компаний также влияют выбросы, потопы и системные аварии. Последние, как ни странно, приводят к положительной аномальной доходности в день события, но потом она становится отрицательной. В нашей выборке системными авариями являются сбои в работе сети компаний Мегафон и Ростелеком, помешавшие абонентам пользоваться связью в течение целого дня. Появление негативной доходности лишь на следующий день может свидетельствовать о запоздавшей реакции рынка и о том, что масштаб проблемы стал понятен лишь к концу дня.

Таблица 14

Влияние различных видов техногенных катастроф на доходность российского рынка на окне (0;5), AAR и CAAR

	AAR/CAAR
Тип катастрофы	AAR (0)	AAR (1)	AAR (2)	AAR (3)	AAR (4)	AAR (5)	СAAR (0-5)
Розлив топлива	1,80%	1,26%	0,36%	-0,96% *	-2,02% ***	1,17%	1,63%
Взрыв	0,53%	0,13%	-0,40%	0,25%	-0,05%	-0,09%	0,36%
Пожар	-0,93% *	-0,42% *	-0,04%	0,41%	0,31%	0,05%	0,02%
Выброс/утечка токсичных веществ	-0,57%	0,40%	-1,68% ***	0,70%	0,18%	0,32%	-0,67%
Прорыв дамбы	0,60%	-0,10%	0,50%	0,46%	0,14%	0,03%	1,64%
Системная авария	-0,25%	0,06%	-0,44%	-0,6%*	0,12%	-0,5%*	-1,60%
Потоп	-1,21%	0,14%	0,47%	0,73%	0,80%	0,05%	0,98%
Обрушение	0,05%	-0,10%	0,08%	-0,29%	0,44%	-0,04%	0,14%

Комментарий: результат считается значимым, если он значим по двум из трех тестов; * - значим на уровне 10%, ** - значим на уровне 5%, *** - значим на уровне 1%

Как мы уже выяснили ранее, техногенные катастрофы в общем не влияют на российский фондовый рынок. Однако, судя по таблице 14, отдельные виды катастроф все же повлияли на IMOEX в определенные дни. Например, пожары повлияли на рынок в день события и на следующий день, выбросы вызвали отрицательную доходность индекса на второй день, а системные аварии и розлив топлива понизили стоимость акций из индекса на 0,6% и 0,96% соответственно на третий день. Системные аварии также вызвали негативную реакцию рынка в последний день событийного окна. Наибольший эффект оказали случаи розлива топлива на четвертый день - они понизили индекс на 2,02%. Примерами таких событий в выборке являются розлив топлива в Саратовской области из-за аварии на нефтепроводе "Транснефти" и розлив топлива в Мексиканском заливе компанией Вritish Petroleum BP в 2010 году. Причиной высокой аномальной доходности на четвертый день может служить то, что в нашей выборке оказалось больше зарубежных случаев розлива топлива, чем российских, влияние которых дошло до российского рынка позже.

Таблица 15

Влияние различных видов стихийных бедствий на доходность российского рынка на окне (-5;20), CAAR

		P-Values
Тип катастрофы	CAAR	Adj Patell	Adj BMP	Rank
Наводнение	0,4%	0,632	0,657	0,160
Ураган	-6,1%	0,103	0,528	0,010
Аномальная жара	-0,8%	0,153	0,068	0,649
Пожар	-3,1%	0,277	0,000	0,345
Осадки	-0,9%	0,359	0,293	0,415
Аномальный холод	-3,5%*	0,084	0,000	0,204
Землетрясение	0,4%	0,559	0,629	0,818
Цунами	-1,0%	0,240	0,179	0,205
Извержение вулкана	-5,5%**	0,042	0,019	0,496
Циклон	2,5%	0,638	0,536	0,077
Торнадо	-4,1%	0,188	0,198	0,207

Комментарий: результат считается значимым, если он значим по двум из трех тестов; * - значим на уровне 10%, ** - значим на уровне 5%, *** - значим на уровне 1%

Что касается отдельных видов стихийных бедствий, из таблицы 15 мы можем заключить, что на российский рынок на окне (-5;20) повлияли только два типа событий. Из российских событий на рынок повлиял только аномальный холод, понизивший индекс в сумме на 3,5% за 26 дней, тогда как из зарубежных эффект имели извержения вулканов. Они привели к накопленной средней аномальной доходности в -5,5%. Возможной причиной является то, что холода в России бывают действительно тяжелыми, и это может серьезно влиять на настроение инвесторов. Извержение вулкана же является редким и непредсказуемым событием, которое может повлиять на разные рынки. Так, гипотеза H2 о различном влиянии бедствий в зависимости от отрасли и типа катастрофы полностью подтверждена.

В приложении 9 можно также увидеть более подробную таблицу с AAR. Из нее следует, что в день катастрофы на рынок влияют только наводнения, циклоны и торнадо. О торнадо инвесторам известно заранее - за 4 дня до события уже проявляется негативная реакция рынка. Самыми долгоиграющими бедствиями являются цунами, ураганы и землетрясения, после них рынок испытывает негативную аномальную доходность даже в 18, 19 и 20 день событийного окна.

Сравнение российских и зарубежных катастроф

Таблица 16

Сравнение влияния российских и зарубежных стихийных бедствий на российский рынок на окне (-5;20), CAAR

		P-Values
Тип катастроф	CAAR	Adj Patell	Adj BMP	Rank
Российские	0,18%	0,223	0,055	0,301
Зарубежные	-2,56%*	0,029	0,096	0,136

Комментарий: результат считается значимым, если он значим по двум из трех тестов; * - значим на уровне 10%, ** - значим на уровне 5%, *** - значим на уровне 1%

Из сравнения российских и зарубежных природных бедствий, наглядно представленного в таблице 16, можно сделать вывод, что российские бедствий в общем не влияют на рынок, тогда как влияют именно зарубежные, понижая индекс в сумме на 2,56% за 26 дней. Наша выборка включила самые масштабные бедствия последних 13ти лет. Среди них были такие зарубежные инциденты, как землетрясение на Гаити, ураган Сэнди в США, тайфун Хайян на Филлипинах. Такие события затрагивают не только локальные рынки, но и зарубежные, влияя на определенные отрасли экономики или на настроение инвесторов в целом. Что касается российских стихийных бедствий, они, как мы уже упоминали, не являются такими масштабными, как зарубежные, поэтому их влияние не оказалось значимым. Также, причиной может служить выбранное нами событийное окно - возможно, временной промежуток в 26 дней оказался слишком длинным для российских событий. Однако, российские стихийные бедствия вызвали ответную реакцию фондового рынка в определенные дни событийного окна. Наиболее значимая реакция рынка на локальные бедствия наблюдается за два дня до катастрофы: доходность падает на 0,66%, из чего следует, что в общем случае инвесторы осведомлены о приближающихся событиях заранее. Также рынок реагирует в день события, на третий, седьмой, тринадцатый и четырнадцатый день. Однако падение цен составляет менее половины процента, что, скорее всего, и явилось причиной незначимого влияния на протяжении всего событийного окна (см. приложение 10). Интересным также является то, что зарубежные катастрофы не влияют на российский рынок в день события, их эффект впервые касается России лишь на третий день после катастрофы. В итоге, мы можем заключить, что гипотеза H1 подтверждается лишь частично, так как влияние на российский рынок оказали только зарубежные стихийные бедствия.

Таблица 17

Сравнение влияния российских и зарубежных техногенных катастроф на российский рынок на окне (0;5), CAAR

		P-Values
Тип катастроф	CAAR	Adj Patell	Adj BMP	Rank
Российские	-0,77%*	0,052	0,080	0,106
Зарубежные	1,30%	0,832	0,892	0,861

Комментарий: результат считается значимым, если он значим по двум из трех тестов; * - значим на уровне 10%, ** - значим на уровне 5%, *** - значим на уровне 1%.

В случае с техногенными катастрофами мы получили противоположный результат. Зарубежные явления не повлияли на российский рынок, тогда как российские техногенные катастрофы понизили индекс в среднем на 0,77% за 6 дней. Причина, по нашему мнению, состоит в том, что техногенные аварии являются более локальными, они, чаще всего, влияют только на саму компанию-участника и ее конкурентов из той же отрасли. Существует мало зарубежных промышленных явлений, способных повлиять на другие рынки. Из нашей выборки на окне (0;5) влияние на российский рынок оказали только такие зарубежные события, как розлив нефти в Южной Корее компанией Samsung Heavy Industries в 2007 году и взрыв на заводе в Венесуэлле в 2012. Их CAR составил -0,48% и -0,4% соответственно. Другие события оказали влияние на других окнах, однако, в совокупности зарубежные явления привели к меньшему эффекту, чем российские. Мы приняли решение включать в регрессионный анализ только российские техногенные катастрофы и зарубежные стихийные бедствия по причине их значимости.

3.2 Результаты регрессионного анализа

Регрессия для техногенных катастроф. После проведения тщательного отбора модели с наилучшей спецификацией мы оценили следующую регрессию:

CAR_{0-2, i} = ?? + ??1*FATALITIES_i + ??2*DAMAGEinv_i + ??3*RECENT_i + ??4*VOLATILITY_i + ??5*ECO +

Она была оценена после замены стандартных ошибок робастными для устранения проблемы наличия гетероскедастичности. Далее мы убедились в отсутствии мультиколлинеарности в модели по результатами VIF-теста, значение которого оказалось меньше восьми (см. приложение 11).

После преобразования переменной DAMAGE в DAMAGEinv тест Рамсея показал, что модель правильно специфицирована. Тест принял гипотезу о том, в модели отсутствуют ошибки спецификации, на всех уровнях значимости с P-Value = 0,12. Вдобавок, проведенный нами тест Чоу, выявляющий однородность модели по бинарному показателю, продемонстрировал, что модель однородна и обе бинарные дамми-переменные могут присутствовать в модели (см. приложение 11). Результаты регрессионного анализа выглядят так:

Таблица 18

Результаты регрессии на CAR техногенных аварий

Source	SS	df	MS
Model	.133847279	5	.026769456
Residual	.084311648	25	.003372466
Total	.218158928	30	.007271964

Number of obs = 31

F(5, 25) = 7.94

Prob > F = 0.0001

R-squared = 0.6135

Adj R-squared = 0.5362

Root MSE = .05807

CAR	Coef.	Std. Err.	t	P>|t|	[95% Conf. Interval]
DAMAGEinv	614.3675	285.1108	2.15	0.041**	27.1709	1201.564
VOLATILITY	-31.82453	7.090295	-4.49	0.000***	-46.42727	-17.2218
FATALITIES	-.0007198	.0009203	-0.78	0.442	-.0026153	.0011757
ECO	-.0637672	.022151	-2.88	0.008***	-.109388	-.0181464
RECENT	.0084455	.0070242	1.20	0.240	-.0060212	.0229122
_cons	.0465291	.020975	2.22	0.036**	.0033302	.0897279

Комментарий: результат значим * - на уровне 10%, ** - на уровне 5%, *** - на уровне 1%.

Мы видим, что R-квадрат регрессии снизился с 0,81 до 0,61 после замены переменной DAMAGE на DAMAGEinv, но эта замена была необходима. Итоговый R-квадрат говорит о том, что регрессия с выбранными нами переменными объясняет более половины кумулятивной аномальной доходности. Значимыми оказались коэффициенты при всех переменных, кроме коэффициентов при количестве жертв и дамми-переменной RECENT. Мы видим, что CAR имеет обратную зависимость от всех величин. Техногенные аварии, которые наносят вред экологии, приводят к доходности, на 6,3% меньшей, чем доходности от катастроф, которые вреда не нанесли. Волатильность - самая значимая переменная. При увеличении волатильности цен акций компании на 1% CAR снижается на 31%. С переменной DAMAGEinv (1/DAMAGE) у CAR также отрицательная связь. Значение коэффициента говорит о том, что кумулятивная аномальная доходность уменьшается на 1/614 при увеличении количества смертей на одну. Так, из результатов регрессии мы видим, что кумулятивные аномальные доходности акций компаний-участников техногенных катастроф на окне (0;2) тем больше, чем более высок материальный ущерб, нанесенный компании. Доходность также зависит от того, был ли нанесен ущерб экологии. Однако, она также возникает в большей степени у компаний, имеющих высокую волатильность цен акций. Это говорит о том, что инвесторы в большей степени обеспокоены величиной экономического ущерба, нанесенного фирме, так как большие убытки могут нанести ощутимый вред компании, ее деятельности, и, как следствие, акционерам, и они не задумываются о количестве смертей, которые принесла авария. Они также заинтересованы в экологической ответственности компании, чьи акции они купили, и негативно реагируют на неисполнение фирмами их обязательств. Этот результат согласуется с результатом автора Hamilton, чей анализ показал, что компании, наносящие вред окружающей среде выбросами в атмосферу, страдают от высоких негативных аномальных доходностей (Hamilton, 1995). Результат, показывающий отсутствие влияния количества жертв, совпал с результатом авторов Scholtens и Boersen, обнаруживших отсутствие влияния даже самых масштабных катастроф с огромным количеством жертв (Scholtens and Boersen, 2011). Однако, он противоречит результатам Ho, Qiu и Tang, выяснившим, что аномальная доходность имеет сильную обратную зависимость от количества жертв авиакатастрофы (Ho, Qiu and Tang, 2012).

Регрессия для стихийных бедствий. Была оценена следующая регрессионная модель:

CAR_(-5;20),i = ?? + ??1* VOLATILITY_i + ??2* OILPRICE_i + ??3*RECENT_i + ??4* LOCATION_i +

Все результаты тестов можно увидеть в приложении 11. Мультиколлинеарности обнаружено не было, так как VIF-тест показал значение, меньшее восьми. Вдобавок, на уровне 5% не наблюдается гетероскедастичность, вследствие чего мы не стали использовать робастные стандартные ошибки. Что касается ошибок спецификации, RESET-тест Рамсея показал, что модель специфицирована правильно. Модель оказалась однородной по обоим бинарным переменным: RESENT и LOCATION. Результаты регрессионного анализа:

Таблица 19

Результаты регрессии на CAR стихийных бедствий

Source	SS	df	MS
Model	.19391429	4	.048478573
Residual	.095678336	22	.004349015
Total	.289592627	26	.011138178

Number of obs = 27

F(4, 22) = 11.15

Prob > F = 0.0000

R-squared = 0.6696

Adj R-squared = 0.6095

Root MSE = .06595

CAR	Coef.	Std. Err.	t	P>|t|	[95% Conf. Interval]
VOLATILITY	-80.7572	18.17022	-4.44	0.000***	-118.4399	-43.07446
OILPRICE	.2973525	.1427571	2.08	0.049**	.0012924	.5934125
RECENT	-.0278635	.029237	-0.95	0.351	-.0884973	.0327704	...

Подобные документы

• Российский рынок акций: анализ и перспективы развития

  История развития финансового рынка России, сущность и виды акций. Фондовый рынок и крупнейшие эмитенты российского рынка акций, рынок акций "второго эшелона". Влияние мирового финансового кризиса на российский рынок, современное состояние рынка акций.
  
  курсовая работа [350,2 K], добавлен 18.04.2010
  

• Российский рынок акций

  Понятие и свойства, виды цен и классификация, доходность акций; обыкновенные и привилегированные акции. Фундаментальные факторы развития российского рынка акций, крупнейшие эмитенты рынка. Акции "второго эшелона", современный рынок первичного размещения.
  
  курсовая работа [43,9 K], добавлен 09.11.2009
  

• Влияние пиратских игр на доходность акций компании (издателей)

  Определение негативного влияния пиратства, которое подрывает продажи в альтернативных магазинах. Исследование связи пиратства и доходности акций компаний. Ознакомление с количеством релизов официальных и пиратских игр. Анализ рыночной модели CAPM.
  
  дипломная работа [597,4 K], добавлен 23.08.2017
  

• Влияние объявлений о дивидендных выплатах на цены акций российских компаний

  Обоснования направления влияния дивидендных выплат. Политика выплаты российских компаний. Метод event study. Расчет нормальной доходности акции, влияние объявлений о дивидендных выплатах на цены. Усредненная избыточная доходность по типам новостей.
  
  курсовая работа [454,5 K], добавлен 13.10.2016
  

• Российский рынок акций: современное состояние проблемы и перспективы развития

  Место и роль российского рынка акций в экономических отношения. Оценка динамики объема, состава и структуры фондовой системы. Анализ места рыночной концепции ценных бумаг в системе финансовых механизмов. Исследование капитализации компаний России.
  
  курсовая работа [607,8 K], добавлен 16.09.2017
  

• Рынок ценных бумаг

  Экономическая сущность и роль ценных бумаг. Финансовые инструменты, используемые на рынке ценных бумаг. Доходность ценных бумаг и модели оценки акций. Принципы оценки стоимости облигаций и индексы на рынке ценных бумаг. Опционы, фьючерсные сделки.
  
  учебное пособие [606,1 K], добавлен 15.01.2009
  

• Стоимость и доходность отдельных видов ценных бумаг

  Стоимостная оценка акции. Методы оценки акций. Определение курсовой стоимости акции. Стоимостная оценка облигации. Ценообразование бескупонной облигации. Облигации с постоянным купонным доходом. Понятие доходность к погашению (доходность до погашения).
  
  контрольная работа [56,9 K], добавлен 16.06.2010
  

• Выбор оптимального портфеля инвестора

  Расчет фактической, ожидаемой и безрисковой доходности и риска по акциям. Определение привлекательности акций для инвестирования. Определение коэффициента Шарпа. Сравнение выбранного портфеля акций с индексным портфелем. Доходность акции на единицу риска.
  
  курсовая работа [1,6 M], добавлен 24.05.2012
  

• Анализ долгосрочной доходности при проведении размещений акций российскими компаниями

  Мотивы и интересы сторон в размещении акций, преимущества и недостатки, процедура проведения. Особенности вторичных размещений акций (SPO). Анализ долгосрочной доходности при проведении размещений акций российскими компаниями, обзор рынка в России.
  
  дипломная работа [2,0 M], добавлен 03.07.2017
  

• Анализ влияния изменения рейтингов на ценообразование ценных бумаг

  Исследование влияния деятельности рейтинговых агентств на доходность еврооблигаций российских эмитентов, обращающихся на зарубежных торговых площадках. Анализ показателей доходности ценных бумаг в определенные временные периоды методом Event Study.
  
  дипломная работа [244,5 K], добавлен 31.08.2016
  

• Ценные бумаги, их виды и доходность

  Ценные бумаги как экономическая категория, определяющая имущественные права владельца на долю совокупного капитала, на распределение и перераспределение прибыли. Виды и классификация акций и облигаций, их реквизиты, доходность и риски, рыночная цена.
  
  контрольная работа [50,2 K], добавлен 17.03.2015
  

• Влияние публикации финансовой отчетности на динамику цен акций российских нефтегазовых компаний в зависимости от характера новости

  Виды информации о компании, специфика ее влияния на цены акций компании. Установление связи между отчетным событием и ценой акции предприятия. Влияние публикации финансовой отчетности на цены акций компаний нефтегазовой отрасли: выборка, модель.
  
  дипломная работа [1,3 M], добавлен 28.09.2017
  

• Оценка рыночной стоимости 100% пакета акций ОАО "Вертикаль"

  Теоретическое изучение основных методов оценки стоимости бизнеса и подходов компаний к оценке стоимости акций. Выявление и анализ особенностей оценки стоимости обыкновенных акций. Проведение оценки рыночной стоимости 100% пакета акций ОАО "Вертикаль".
  
  дипломная работа [322,7 K], добавлен 04.08.2012
  

• Влияние факторов на эффективность сделок слияний и поглощений

  Выявление теоретических аспектов слияния и поглощения, анализ статистики и результативности рынка M&A. Выбор метода для оценки эффективности сделок слияний и поглощений. Детерминанты, влияющие на доходность сделок при покупке компаний разных типов.
  
  дипломная работа [185,3 K], добавлен 30.12.2015
  

• Портфельные риски и модель оценки доходности финансовых активов

  Общее понятие и теории инвестиционного портфеля. Сущность портфельных рисков, пути их диверсификации. Модель оценки доходности финансовых активов (САРМ): основные предпосылки и особенности построения. Бета-коэффициенты ликвидных Российских акций.
  
  контрольная работа [270,6 K], добавлен 16.02.2011
  

• Влияние валютных рисков на эффективность российских публичных компаний в период 2011-2016 годов

  Модели оценки влияния валютных рисков на доходность компании. Суть методики в области ценообразования активов. Анализ модели определения детерминант, влияющей на степень подверженности денежным угрозам. Определение рентабельности активов и прибыли.
  
  дипломная работа [416,7 K], добавлен 26.08.2017
  

• Развитие российских нефтяных компаний

  Характеристика современного состояния нефтяного сектора экономики РФ. Проблемы и тенденции экономического развития нефтяной отрасли. Факторы, влияющие на стоимость акций компаний различных отраслей. Динамика цен акций российских нефтяных компаний.
  
  дипломная работа [1,0 M], добавлен 23.08.2017
  

• Особенности и перспективы развития фондового рынка Украины

  Исследование фондового рынка Украины, анализ динамики его развития, выявление перспектив. Характеристика фондового рынка как элемента финансового рынка, первичный и вторичный рынок ценных бумаг. Развитие законодательной базы, регулирующей фондовый рынок.
  
  курсовая работа [383,3 K], добавлен 02.03.2010
  

• Рынок ценных бумаг

  Сущность, стоимость, качество, цена, эмиссия, формы и срок существования ценных бумаг. Характеристика, особенности, виды, обязательства, выпуск, доходность акций, облигаций, векселей. Форвардные, фьючерсные, опционные контракты. Функции фондовой биржи.
  
  шпаргалка [245,3 K], добавлен 26.04.2009
  

• Финансовый рынок

  Закономерности функционирования и значение фондового рынка в экономике государства. Основные элементы рынка и их взаимосвязь. Состояние и перспективы финансового рынка Приволжского Федерального округа. Определение среднего курса акций в отчетном периоде.
  
  контрольная работа [1,4 M], добавлен 22.09.2009
  

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