Склонность генерального директора к риску как фактор структуры капитала британских компаний

Амортизация основных средств также является своеобразным налоговым щитом, но недолгового происхождения.

Помимо щита от процентных выплат присутствует и налоговый щит недолгового происхождения (NDT - Non-Debt Tax shield). Он отвечает за льготы по налогу на прибыль, которые не связаны с долгом, в качестве которых выступает, к примеру, амортизация основных средств и инвестиции. Для расчёта этого фактора в исследованиях также используют модель ДеАнжело и Масулиса (DeAngelo, Masulis, 1980):

,

где OI - операционная прибыль,

int - проценты к уплате,

Tax - налоги на прибыль,

а rate - ставка налога на прибыль.

Однако для компаний Великобритании, используемых в выборке, налог на прибыль - так называемый «корпоративный налог» - является двухуровневым и зависит от размера полученного за год дохода; кроме того, присутствует дополнительный налог на компании, занимающиеся нефтедобычей, из-за чего посчитать его становится проблематично. Ввиду этого этот показатель упрощается, и для расчёта берётся отношение амортизации к активам.

Кроме того, надёжным фактором, объясняющий уровень левериджа, считается прибыль, поскольку при наличии собственных средств организация скорее всего использует их для финансирования проектов в первую очередь. С другой стороны, Пандей (Pandey, 2001) предполагал, что третьи стороны принимают решение о кредитовании также на основании того, насколько успешно фирма вела деятельность ранее, поэтому компании с более высоким показателем прибыльности способны привлекать больше заёмного капитала. Классическим показателем прибыльности является рентабельность активов (ROA) (Booth et al, 2001; Rajan, Zingales, 1995). Поскольку уровень долга в текущем периоде также влияет на этот показатель, в моделях он берется с лагом в один период, чтобы исключить эндогенность.

Структура и качество активов, а именно доля материальных активов (tangibility), являются обеспечением в случае получения кредита, что позволяет снизить ставку по нему. Этот параметр считается как доля основных средств в активах.

Перспективы роста тоже влияют на вероятность положительного решения о выдаче заёмных средств: так, динамично развивающиеся компании с большей вероятностью получат кредит. В качестве прокси для этого показателя преимущественно используется коэффициент Market-to-book (MTB), или отношение рыночной стоимости к балансовой (Bauer, 2004).

Помимо этого, позднее Фрэнк и Гоял (Frank, Goyal, 2009) также дополнительно предложили в качестве объясняющего фактора среднеотраслевой рычаг. Объясняющая сила этого фактора на выбор структуры капитала зависит как от специфических особенностей самой отрасли, к примеру, в Великобритании, как и во многих других странах, строительные компании не могут использовать деньги покупателей без отдельной договорённости, так как после оплаты они поступают не застройщикам, а хранятся у его юристов продавца на особом клиентском счёте, к которому тот не имеет доступа до сдачи объекта покупателю, что вынуждает компании брать кредиты на пополнение оборотных средств; а это, в свою очередь, вызывает увеличение среднего уровня рычага. Но кроме того, зависимость между среднеотраслевым уровнем закредитованности и уровнем компании может заключаться и в стадном эффекте, который был описан ранее в теоретическом обзоре: стремясь минимизировать риски, компании выбирают структуру капитала, соответствующую среднеотраслевой или же использованную компанией-лидером. Для учёта специфики отрасли используется либо дамми-переменная на отрасль, либо, как было предложено выше, значение среднеотраслевого рычага. В процессе построения моделей были протестированы оба варианта, и хотя включение дамми на отрасль также было значимым, был выбран второй вариант, так как он не только учитывает сам факт принадлежности к отрасли, но и связан с объясняемой переменной.

Так как данные содержат информацию об одних и тех же компаниях за период с 2009 по 2015 год, то в модель были также включена переменные, отвечающие за эффект каждого года. Базовым взят 2009 год.

Таким образом, итоговая модель примет следующий вид:

, (6)

где: - доля долга в источниках финансирования,

- бинарная переменная, где 1 - менеджер-рискофоб,

- сумма процентов к уплате,

- натуральный логарифм всех активов,

- налоговый щит недолгового происхождения,

- рентабельность активов,

- доля основных средств в активах,

- возможности роста,

- среднеотраслевой рычаг,

- фактор года.

Хотя было бы логично протестировать зависимость на российских данных, в нашей стране опционное вознаграждение относительно не распространено. Так, по данным исследования EY и RusBase 2014 года лишь 22% российских технологических компаний используют опционы как элемент долгосрочного вознаграждения (по сравнению с западными компаниями, в которых в западных компаниях значительную часть компенсации топ-менеджеров составляют долгосрочные вознаграждения, или иначе говоря, планы долгосрочной мотивации, вплоть до 90% в аналогичных американских компаниях). Этому способствует как развивающийся рынок, из-за чего фирмы могут испытывать ограниченный доступ к капиталу, так и высокая неопределённость, когда падение котировок акций может сделать опционное либо акционное вознаграждение демотивирующим, а также нестабильность инвестиционной среды. Кроме того, в правовом поле ещё не оформлен процесс организации подобного вознаграждения. Среди доступных вариантов - организация опционной стратегии через закрытый паевой фонд, но это сопряжено с высокими издержками и сложностью структурирования. Другой способ - передача акций стороннему оператору, что требует затрат на анализ юридических и налоговых рисков, из-за чего некоторые компании оформляют сделку с использованием иностранного законодательства, что также достаточно затратно.

Ввиду этих причин, а также потому, что для используемой модели более подходят компании в странах с развитым рынком капитала, где раскрываются данные на регулярной основе, с устоявшейся культурой корпоративного управления и историей опционного вознаграждения, для исследования были взяты британские компании. Помимо того, одной из предпосылок модели Блэка-Шоулза является неизменность безрисковой ставки процента, а в Великобритании в период с 2009 до 2015 года ставка колебалась в пределах 0,39-0,64%, и сохранялась на уровне 0,5% с 2010 по 2015 год. Средняя ставка в 2008 году значительно отличалась от этих значений и составила 4,68%, однако ввиду использования в модели лаговых переменных этот год не принимался при расчётах.

Для нахождения ответа на поставленный вопрос использованы данные базы по корпоративному управлению европейских компаний международной лаборатории экономики нематериальных активов (МЛЭНА) по 177 британским компаниям за 2008-2015 годы. Распределение компаний по отраслям можно видеть на рисунке 3.

Рис. 3. Отраслевая структура выборки

Согласно ему, наибольшее количество компаний (83%) ведут деятельность в сферах производства, торговли, сервисов и профессиональных услуг. Для целей исследования на основании этих данных были отобраны и/или финансовые показатели, а именно отношение долга к активам, рыночной стоимости к балансовой, рентабельность активов, натуральный логарифм активов, доля основных средств в активах и сумма процентных выплат. Также на основе годовых отчётов компаний дополнительно была собрана информация об опционных вознаграждениях генеральных директоров за 2014-2015 финансовый год, с помощью чего была рассчитана справедливая стоимость опционных пакетов по модели Блэка-Шоулза (Black, Scholes, 1973). Необходимо заметить, что для разных компаний сроки окончания финансового года колебались от 31 марта до 31 декабря 2015, а потому по этому параметру данные не являются однородными.

Таким образом, в работе на основе имеющихся данных по британским компаниям с помощью модели Блэка-Шоулза была подсчитана справедливая стоимость опционов и определена склонность менеджера компании к риску. Второй этап - проведение регрессионного анализа методом наименьших квадратов структуры капитала (зависимой переменной будет выступать отношение долга к активам по аналогии с существующими работами) на склонность к риску, контролируя на классические детерминанты структуры капитала. Ввиду того, что данные представляют собой несбалансированную панель, то есть содержат информацию об одних и тех же объектах на протяжении нескольких периодов времени, но в которой отсутствуют некоторые года, далее были протестированы модели, учитывающие панельные эффекты. Для целей обработки данных и построения моделей были использованы программное обеспечение MS Excel, язык программирования R c пакетами «plm», «readxl», «dplyr», «tidyr», «lmtest», «moments», «psych», «stats», «stargazer», «sandwich» и «strucchange».



4. Описание результатов

На первом этапе работы с данными мы проверили основные статистические характеристики переменных. Из имеющейся базы были отобраны необходимые для модели параметры, затем выборка была очищена от наиболее заметных выбросов, после чего была подсчитана описательная статистика. На этапе параметризации и спецификации эконометрической модели могла возникнуть эндогенность объясняющих переменных как одна из ошибок спецификации. В условиях реального мира эта проблема не может быть полностью преодолена, поскольку мы не можем с уверенностью утверждать, что приняли во внимание все необходимые параметры. В качестве причин возникновения может выступать невключение каких-либо существенный переменных, которые коррелированы с регрессорами модели. Классические детерминанты структуры капитала уже отработаны во многих исследованиях, в других проверяется значимость влияния дополнительных факторов, как и в данной работе; однако мы не можем утверждать, что в используемой модели учтены все факторы, а потому в ней возможно наличие эндогенности. Другой причиной являются ошибки измерения регрессоров. Для того, чтобы исключить ошибки измерения, выборка была проанализирована на наличие выбросов. На первом этапе был проведён визуальный анализ каждой переменной с помощью ящичковых диаграмм.

По результатам предварительного анализа выбросы были зафиксированы у всех переменных, но отдельно большим их количеством выделялись выплаты по процентам, рентабельность активов и недолговой налоговый щит, по которому также были зафиксированы отрицательные значения, вызванные отрицательной суммой амортизации в исходной базе. С точки зрения бухгалтерского учёта начисленная амортизация не может быть отрицательной, а потому такие значения являются ошибками измерения.

Разброс значений рентабельности и налогового щита недолгового происхождения обусловлен тем, что в выборке представлены компании из разных отраслей и разного размера: так, например, общая сумма активов принимает значения от 5 млн евро до 659 млрд евро. Прокси-переменная на размер компании также включена в модель, но для неё использовался натуральный логарифм активов, что позволило сгладить вариацию в данных.

Для построения модели предпочтительно убирать выбросы из выборки, поскольку для оценки параметров используемый метод наименьших квадратов чувствителен к подобным аномальным наблюдениям, а потому полученные коэффициенты могут быть смещены. Однако их ручное удаление может привести, во-первых, произвольному смещению выборки и оценок параметров, и во-вторых, к невозможности оценить эффективность для нетипичных фирм. Тем не менее, так как целью работы является оценка влияния параметра, допустимо использовать очищенную выборку. Но данные имеют панельную структуру, а потому оказывается, что в определенный год компания относится к «выбросам», а в другой является «типичным» наблюдением. В случае, если панель является сбалансированной, предпочтительнее удалять всю наблюдения, относящиеся к компании, если она хотя бы раз (более жёсткий критерий) или два и более (более мягкий) являлась нестандартным наблюдением. Однако имеющаяся выборка изначально несбалансированная, а потому простое исключение является приемлемым.

Всего в итоговой выборке 934 наблюдения. Описательная статистика выборки приведена в таблице 1.

Таблица 1

Описательная статистика (значения даны в долях, если не указано иное)

Показатель	Минимум	Среднее	Медиана	Максимум	SD	Коэф-т вариации
leverage	0,02	0,57	0,56	1,70	0,20	0,35
risk	0	0,22	0	1	-	-
interest, (млн.€)	0,00	60,43	5,74	1761,82	182,94	3,03
lagROA	-0,75	0,08	0,07	1,22	0,11	1,38
tangibility	0,00	0,24	0,18	1,21	0,23	0,96
ln(total assets)	2,30	6,48	6,32	13,35	1,75	0,27
NDT (Non-Debt Tax shield) (млн €)	0,00	0,05	0,04	0,37	0,04	0,80
MTB	-305,66	3,54	1,80	543,88	24,37	6,88
avgind	0,39	0,56	0,57	0,59	0,04	0,07

Как можно видеть из таблиц, среднее значение показателя левериджа составляет 0,57. Дополнительно было проверено среднее значение для подвыборок склонных и не склонных к риску руководителей с показателями 0,57 и 0,53 соответственно, что уже опровергает предположение, что несклонность к риску будет выражаться исключительно в меньшей доле заёмного капитала. В среднем у компаний заёмные средства немного преобладают над собственным капиталом, однако соотношение близко к равному. Также стоит заметить, что показатели среднего значения и медианы приблизительно равны, и это также говорит о том, что более половины компаний в своей деятельности не используют исключительно собственный капитал. Однако высокий коэффициент вариации по сравнению с пороговым значением 0,33 показывает, что данные неоднородны.

Компании в выборке в среднем являются прибыльными с коэффициентом рентабельности активов равным 8%. Также для всех компаний доля основных средств в активах составляет менее половины, в среднем - 24%. Кроме того, на основании прокси-переменной роста можно сказать, что инвесторы высоко оценивают перспективы компаний, средний показатель market-to-book ratio составляет 3,54.

Исходя из значений коэффициента вариации, можно сделать вывод, что данные гетерогенны, поскольку практически у всех переменных он больше порогового значения. Это ожидаемый результат, поскольку в выборке представлены компании разных размеров, что сказывается на их финансовых показателях. Это можно видеть на статистических параметрах прокси-переменной размера, натуральном логарифме активов.

Любопытно, что в некоторых исследованиях, в которых оценивалась склонность генеральных директоров к риску (например, Adams, Funk, 2012; Farag, Mallin, 2016), было выявлено, что женщины-руководители не склонны к риску. В выборке женщины занимали пост генерального директора хотя бы один год лишь в 7 компаниях, и ни в одном случае они не были отнесены к «склонным к риску».

В модели было использовано среднее значение по отраслям среди компаний выборки, которые можно видеть в таблице 2.

Таблица 2

Среднеотраслевое значение рычага (в долях)

Отрасль	Доля долга в капитале
Сельское хозяйство	0,555
Строительство и недвижимость	0,581
Производство	0,574
Отрасль	Доля долга в капитале
Энергетика	0,386
Сервис	0,594
Торговля	0,574
Специализированные услуги	0,534

Дополнительно было проверено наличие корреляции между зависимыми переменными и протестирована значимость полученных коэффициентов. Результаты теста можно видеть в таблице 3.

Таблица 3

Матрица корреляций

	risk	int	ln(TA)	NDT	lagROA	tang	MTB	avgind
Risk	1,00	0,05	0,02	-0,02	0,00	-0,05	0,00	0,08**
Int	0,05	1,00	0,61***	0,00	0,04	0,16***	-0,02	-0,25***
ln(TA)	0,02	0,61***	1,00	0,00	0,08**	0,17***	-0,03	-0,13***
NDT	-0,02	0,00	0,00	1,00	-0,04	0,24***	-0,03	-0,06*
lagROA	0,00	0,04	0,08**	-0,04	1,00	0,02	0,21***	0,06*
tang	-0,05	0,16***	0,17***	0,24***	0,02	1,00	-0,06	-0,11***
MTB	0,00	-0,02	-0,03	-0,03	0,21***	-0,06*	1,00	0,00
avgind	0,08**	-0,25***	-0,13***	-0,06*	0,06*	-0,11***	0,00	1,00

*** коэффициент статистически значим на 1% уровне значимости;

** коэффициент статистически значим на 5% уровне значимости;

* коэффициент статистически значим на 10% уровне значимости.

Проведённый анализ показал, что корреляция между процентными выплатами и натуральным логарифмом активов достаточно высок (0,59) и значим на однопроцентном уровне, однако логически такая зависимость не подтверждается, и поскольку теория предполагает наличие обеих переменных в модели, мы не будем исключать какую-либо из них из модели; остальные коэффициенты корреляции не превышают порогового значения 0,3.

Хотя мы рассмотрели коэффициенты корреляции, также до построения регрессии были рассчитаны коэффициенты вздутия дисперсии (таблица 4). Затем мы сравнили полученные результаты с пороговым значением 10, и так как ни один коэффициент не превысил его, мы можем заключить, что мультиколлинеарности в модели скорее не наблюдается.

Таблица 4

Коэффициенты вздутия дисперсии

	risk	int	ln(TA)	tang	NDT	lagROA	MTB	avgind
VIF	1,01	1,61	1,56	1,07	1,07	1,11	1,05	1,07

Проведённые тесты (Бройша-Пагана, Дарбина-Уотсона) показали, что в модели присутствует гетероскедастичность и автокорреляция остатков, поэтому стандартные ошибки будут занижены. Чтобы исправить этот недостаток, использовались робастные стандартные ошибки.

Результаты оценивания модели представлены в таблице 5.



Таблица 5

Результаты оценки модели

Переменная	Оценка коэффициента
risk	-0,059*
interest	0,0001*
ln(total assets)	0,022**
NDT	0,217
lagROA	-0,096
tangibility	0,047
MTB	0,001**
avgind	1,453***
2010	-0,033***
2011	-0,033***
2012	-0,031***
2013	-0,041***
2014	-0,035
2015	-0,031
const	-0,383***
	0,122
N	921
F	11,000***

*** коэффициент статистически значим на 1% уровне значимости;

** коэффициент статистически значим на 5% уровне значимости;

* коэффициент статистически значим на 10% уровне значимости.

В присутствии переменной, отвечающей за отрасль (среднеотраслевого рычага) переменная риск значима на 5% уровне. Коэффициент показывает, что в случае, если менеджер является несклонным к риску, то при прочих равных он выберет меньшую долю долга в капитале компании. Однако без включения отрасли переменная, отражающая склонность к риску, является незначимой; при этом коэффициент корреляции между среднеотраслевым показателем долга и отношением к риску составляет 0,22 и является незначимым на 1% уровне.

Контрольные переменные в целом подтверждают предыдущие работы по влиянию детерминантов структуры капитала, хотя не все из них являются статистически значимыми. Так, процентные выплаты, размер фирмы и перспективы роста при прочих равных стимулируют к большей доле долга в капитале фирмы, когда как показатель прибыльности за прошлый год - к меньшей. Значение среднеотраслевого рычага также положительно влияет на размер заёмного капитала, что обусловлено спецификой отрасли либо минимизацией потерь в условиях асимметрии информации, что соответствует логике; показатель значим на 1% уровне.

Для выбранной модели был проведён тест Рамсея, согласно которому гипотеза о правильной спецификации не отвергается на 10% уровне; соответственно, мы можем предположить, что модель специфицирована верно.

Также для была проверена гипотеза о нормальности остатков регрессии с помощью теста Харке-Бера, по его результатам остатки не распределены нормально на 1% уровне. Ввиду этого тест на значимость модели был посчитан отдельно с использованием -статистики; модель статистически значима на 1% уровне.

Построенная модель является сквозной и не учитывает эффекты, которые присущи пространственно-временным данным. Чтобы использовать эффективные способы устранения ненаблюдаемой гетерогенности объектов, доступные в этой разновидности данных, были также построены регрессии с фиксированными и случайными эффектами. Результаты оценки регрессий можно видеть в таблице 6.

Таблица 6

Результаты оценки моделей с панельными эффектами

	С фиксированными эффектами	Со случайными эффектами	Сквозная
risk	-0,004	-0,007	-0,059**
interest	0,000	0,000	0,0001**
log(total assets)	0,021	0,024***	0,022***
NDT	0,271***	0,243***	0,217
lagROA	-0,190***	-0,157***	-0,096*
tangibility	-0,168***	-0,074*	0,047*
MTB	-0,000	0,000	0,001***
avgind	0,654**	0,820***	1,453***
factor(2010)	-0,029***	-0,029***	-0,033
factor(2011)	-0,028***	-0,029***	-0,033
factor(2012)	-0,020***	-0,021**	-0,031
factor(2013)	-0,026***	-0,028***	-0,041*
factor(2014)	-0,020	-0,019*	-0,030
factor(2015)	-0,022*	-0,021**	-0,031
const	-	-0,016	-0,410***
	0,054	0,061	0,130
	-0,179	0,053	0,123
N	934	934	934
F	5,311***	7,526***	17,340***

*** коэффициент статистически значим на 1% уровне значимости;

** коэффициент статистически значим на 5% уровне значимости;

* коэффициент статистически значим на 10% уровне значимости.

Все модели являются значимыми на 1% уровне. По результатам F-теста и теста Бройша-Пагана в модели присутствуют панельные эффекты (p-значение < 0,01), и потому нет оснований использовать сквозную модель, так как этот метод не предполагает наличия взаимосвязи между отдельными единицами наблюдения. Данный вывод является ожидаемым, поскольку данные имеют панельную структуру, и использование этого метода нарушает предпосылки об остатках метода наименьших квадратов. Его применение оправдано, если не предполагается наличие гетерогенных характеристик объектов или моментов времени, что не предполагается, ведь база содержит информацию об одних и тех же компаниях в разные периоды времени. Для выбора между моделями с фиксированными и случайными эффектами был проведён тест Хаусмана, по которому гипотеза о том, что ненаблюдаемые факторы не коррелируют с регрессорами, не отвергается на 10% уровне (p-значение = 0,32), то есть лучшей среди представленных моделей является модель со случайными эффектами, а индивидуальные отличия носят случайный характер.

Однако объектами выборки являются компании в определённый год, и каждая обладает индивидуальными особенностями, то есть объекты выборки не могут рассматриваться как случайные извлечения из некоторой лежащей в основе генеральной совокупности. Соответственно, раз выборка неслучайная, то оценка модели с фиксированными эффектами является более предпочтительной несмотря на результаты тестов, поскольку модель со случайными эффектами не учитывает корреляцию между индивидуальными эффектами компаний и регрессорами. Также она обеспечивает гарантированное получение несмещённых и состоятельных оценок, и потому будет выбрана как итоговая модель для ответа на исследовательский вопрос.

В отличие от сквозной модели, в данном случае показатель склонности к риску, представляющий основной интерес, незначим на 10% уровне, то есть с учётом структуры выборки сделать вывод о том, что отношение к риску влияет на выбор структуры капитала, нельзя.

Полученный вывод согласуется с результатами ряда авторов (Broll, Wong, 2010; Devers et al., 2008), которые утверждали, что степень риска и склонность к нему не влияет на этот выбор либо может быть незначимой в зависимости от формы риска, который берёт на себя генеральный директор. Кроме того, сами руководители часто утверждают, что значения, получаемые по формуле Блэка-Шоулза, слишком высоки, и чем более руководитель не склонен к риску и чем больший процент его благосостояния составляют эти опционы, тем меньшей будет для него субъективная стоимость опциона (Hall, Murphy, 2002), а потому он может вести себя не так, как ожидается (рис. 4). В исследовании не учитывалась степень склонности или несклонности к риску, которые могли также иметь влияние на принятие решений.

Что касается контрольных переменных модели, то средний уровень левериджа в отрасли и недолговой налоговый щит положительно влияют на выбор доли долга в компаниях, что соответствует предыдущим исследованиям, равно как и отрицательное влияние прибыльности фирмы в предыдущем периоде.

Рис. 4. Стоимость 10-летнего опциона с ценой исполнения 30$ с точки зрения несклонного к риску руководителя.

* Источник: Hall, B., Murphy, K. Stock options for undiversified executives // Journal of Accounting and Economics. 2002. Vol. 33. P. 3-42.

Отрицательный знак при коэффициенте переменной, отвечающей за структуру активов, не согласуется с общепринятой теорией и характерен для стран с развивающейся экономикой компаний (Nivorozhkin, 2002; Ивашковская, Солнцева, 2009), однако такой знак наблюдается в моделях с учётом панельных эффектов, то есть подобный результат вероятнее всего является следствием зависимости индивидуальных эффектов фирм и данной переменной. Коррекция модели на год также оказалась значимой для 2010-2013 (на 1% уровне) и 2015 года (на 10% уровне), то есть по сравнению с 2009 годом в компаниях выбирался значимо меньший уровень долга.

Хотя по результатам исследования мы не можем сделать вывод о наличии влияния склонности к риску генерального директора на выбор структуры капитала возглавляемой им компанией, данную тему можно развивать с использованием иных метрик отношения к риску и на примере выборок разных стран.

Заключение

Концепция неприятия риска, описанная в теории перспектив, предполагает, что выбранная компанией структура капитала определяется не только объективными факторами, которые выдвигают классические теории, но и личностью директора, в частности, склонностью к риску.

В работе было оценено влияние склонности генерального директора к риску, рассчитанное на основе распоряжения опционными вознаграждениями, на выбор структуры капитала возглавляемых им компаний. Ввиду специфики базы данных оптимальным методом является модель с фиксированными эффектами.

Как показали результаты, в модели с учётом индивидуальных эффектов каждой компании мы не можем сделать вывод о том, как склонность генерального директора к риску влияет на структуру капитала британских компаний. Контрольные переменные в целом имеют то же влияние на выбор источников финансирования, как и ожидалось исходя из предыдущей литературы, кроме структуры активов, что может быть обосновано влиянием индивидуальных эффектов фирм. Также присутствует статистически значимое различие при выборе структуры капитала в 2010-2013 и 2015 годах, когда выбирался значимо меньший уровень долга по сравнению с 2009 годом.

Без учёта неоднородности объектов было получено, что несклонность к риску отрицательно влияет на долю долга в компании, то есть несклонные к риску руководителя при прочих равных выбирают меньших леверидж. Коэффициенты при контрольных переменных согласуются с экономической теорией. Однако для использования этой модели нет оснований ввиду особенностей формирования выборки, а именно её неслучайности.

Среди ограничений исследования стоит отметить, что генеральный директор обычно не определяет корпоративную политику в одиночку, а скорее делает выбор в качестве члена команды, то есть предпочтения риска других старших руководителей также могут внести вклад в принятие решения (Serfling, 2014). Также было обнаружено, что различные формы риска, который берет на себя генеральный директор, приобретая в собственность акции фирмы, оказывают различное и иногда незначимое влияние на поведение в отношении риска (Devers et al., 2008). А потому несмотря на десятилетия исследований, авторы до сих пор не могут предсказать, как менеджмент реагируют на подобное вознаграждение (Wowak, Hambrick, 2010).

Наконец, хотя модель Блэка-Шоулза является основной моделью для оценки справедливой стоимости опционов, её предпосылки не совпадают с теми условиями, в которых осуществляется выдача вознаграждений. Хотя предположения, лежащие в основе методологий ценообразования опционов, разумно описывают ситуацию, с которой сталкиваются внешние инвесторы, владеющие свободно торгуемыми опционами, они не описывают ситуацию, с которой сталкиваются руководители (и другие сотрудники), владеющие опционами на акции своей компании, поскольку получаемые пакеты опционов в подавляющем большинстве являются неторгуемыми.

Кроме того, в то время как внешние инвесторы, как правило, хорошо диверсифицированы (владеют небольшим количеством акций в большом количестве компаний), руководители компаний по своей природе недиверсифицированы, поскольку их физический и человеческий капитал непропорционально вложен в их компанию. Эти нарушения основополагающих допущений свидетельствуют о том, что традиционные методологии не совсем подходят для определения стоимости опционов.

Дальнейшие исследования могут включать расширение выборки компаниями из других стран, помимо Великобритании, и применение других методов для расчёта отношения к риску. Также в анализе можно рассмотреть отношение к риску совета директоров либо группы исполнительных директоров, чтобы учесть всех участников принятия решения.

Помимо этого, предыдущие работы показывают, что кроме склонности к риску на выбор источников финансирования оказывают влияние и другие поведенческие факторы, и далее возможно комплексное исследование ряда таких параметров.

Таким образом, несмотря на то, что на данном этапе нельзя выдвинуть определённую версию о влиянии склонности к риску на выбор источников финансирования, такой вывод работы также можно считать вкладом в литературу по структуре капитала.



Список использованной литературы

1. Abdeldayem, M.M., Sedeek, D.S. Managerial Behavior and Capital Structure Decisions; Do Overconfidence, Optimism and Risk Aversion Matter? // Asian Economic and Financial Review. 2018. Vol. 8. №. 7. P. 925-945.

2. Adams, R., Funk, P. Beyond the Glass Ceiling: Does Gender Matter? // Management Science. 2012. Vol. 58(2). P. 219-235.

3. Alderson, M., Betker, B. Managerial incentives, net debt and investment activity in all-equity firms // Studies in Economics and Finance. 2012. Vol. 29. № 4. P. 232-245.

4. Baker M., Wurgler J. Market Timing and Capital Structure // Journal of Finance. 2002. Vol. 57(1). P. 1-32.

5. Barros L., Alexandre M. Overconfidence, managerial optimism and the determinants of capital structure // Working paper. 2007.

6. Beattie V., Goodacre A., Thomson S. Corporate financing decisions: UK survey evidence // Journal of Business Finance & Accounting. 2006. №33(9-10). P. 1402-1434.

7. Benischke, M.H., Martin, G.P., Glaser, L. CEO equity risk bearing and strategic risk taking: The moderating effect of CEO personality // Strategic Management Journal. 2019. Vol. 40 №1. P. 153-177.

8. Black, F., Scholes, M. The Pricing of Options and Corporate Liabilities // Fischer Journal of Political Economy. 1973. Vol. 81(3). P. 637-654.

9. Brealey R.A., Myers S.C., Allen F. Corporate Finance, Eighth Edition, McGraw-Hill, New York. 2006.

10. Broll, U., Wong, K. The Firm Under Uncertainty: Capital Structure and Background Risk // Dresden Discussion Paper in Economics. 2010. №04/10.

11. Cain, M.D., McKeon, S. B. CEO Personal Risk-Taking and Corporate Policies // Journal of Financial and Quantitative Analysis. 2016. Vol. 51. №1. P. 139-164.

12. Chakraborty, A., Gao, L.S., Sheikh, S. Does size affect the relation between option compensation and managerial risk taking? Evidence from Canadian listed companies // International Journal of Finance & Economics. 2019. Vol. 24. №1. P. 20-32.

13. Chen J. Determinants of capital structure of Chinese-listed companies // Journal of Business Research. 2004. Vol. 57. P. 1341-1351.

14. DeAngelo, H., Masulis, R.W. Optimal Capital Structure Under Corporate and Personal Taxation // Journal of Financial Economics. 1980. Vol. 8. №1. P. 3-27.

15. Devers, C.E., McNamara, G., Wiseman, R.M., Arrfelt, M. Moving closer to the action: Examining compensation design effects on firm risk // Organization Science. 2008. №19(4). P. 548-566.

16. Dittmar, A., Thakor, A. Why Do Firms Issue Equity? // Journal of Finance. 2007. Vol. 62(1). P. 1-54.

17. Donaldson, G. Corporate Debt Capacity: A study of Corporate Debt Policy and the Determination of Corporate Debt Capacity // Boston, Division of Research, Harvard Graduate School of Business Administration. 1961.

18. Fama, E., French, K. Financing decisions: Who issues stock? // Working Paper. 2004.

19. Farag, H., Mallin, C. The influence of CEO demographic characteristics on corporate risk-taking: evidence from Chinese IPOs // European Journal of Finance. 2016. №24(16). P. 1528-1551.

20. Fauver, L., McDonald, M.B. Culture, agency costs, and governance: International evidence on capital structure // Pacific-Basin Finance Journal. 2015. Vol. 34. P. 1-23.

21. Frank, M., Goyal, V. Capital structure decisions // Working Paper. 2003.

22. Gonzбlez, M., Guzmбn, A., Pombo, C., Trujillo, M.-A. Family firms and debt: Risk aversion versus risk of losing control // Journal of Business Research. 2013. Vol. 66. № 11. P. 2308-2320.

23. Graham, J.R., Harvey, C.R., Puri M. Managerial Attitudes and Corporate Actions // Journal of Financial Economics. 2013. №109(1). P. 103-121.

24. Hackbarth, D. Determinants of corporate borrowing: A behavioral perspective // Working Paper, Indiana University. 2004

25. Hall, B., Murphy, K. Stock options for undiversified executives // Journal of Accounting and Economics. 2002. Vol. 33. P. 3-42.

26. Hambrick, D.C., Mason, P. Upper Echelons: The Organization as a Reflection of its Top Managers // Academy of Management Review. 1984. №9(2). P. 193-206.

27. Hambrick, D.C. Upper echelons theory: An update // Academy of Management Review. 2007. №32(2). P. 334-343.

28. Harris, M., Raviv, A. The Theory of Capital Structure // The Journal of Finance. 1991. Vol. 46. №1. P. 297-355.

29. Kahneman, D., Tversky, A. Judgment Under Uncertainty: Heuristics and Biases // Science, New Series. 1974. Vol. 185. №. 4157.

30. Karpaviиius, S., Yu, F. Managerial risk incentives and a firm's financing policy // Journal of Banking & Finance. 2019. Vol. 100. P. 167-181.

31. Kayhan, A., Titman, S. Firms' Histories and Their Capital Structure // Journal of Financial Economics. 2007. Vol. 83. P. 1-32.

32. Kraus, A., Litzenberger, R.H. A state-preference model of optimal financial leverage // The Journal of Finance. 1973. Vol. 28. №4. P. 911-922.

33. Lambert, R.A., Larcker, D.F., Verrecchia, R.E. Portfolio considerations in valuing executive compensation // Journal of Accounting Research. 1991. №29(1). P. 129-149.

34. Larraza-Kintana, M., Wiseman, R.M., Gomez-Mejia, L.R., Welbourne, T.M. Disentangling compensation and employment risks using behavioral agency model // Strategic Management Journal. 2007. Vol. 28(10). P. 1001-1019.

35. Lim, E. CEO option wealth and firm risk-taking: An analysis of multiple reference points // Long Range Planning. 1973. Vol. 50. №6. P. 809-825.

36. Malmendier, U., Tate, G. Does Overconfidence Affect Corporate Investment? CEO Overconfidence Measures Revisited // European Financial Management. 2005. Vol. 11. №5. P. 649-659.

37. Malmendier, U., Tate, G., Yan, J. Corporate financial policies with overconfident managers. 2005. Paper presented at the 8th Annual Texas Finance Festival.

38. Martin, G.P., Gomez-Mejia, L.R., Wiseman, R.M. Executive stock options as mixed gambles: Re-visiting the behavioral agency model // Academy of Management Journal. 2013. Vol. 56(2). P. 451-472.

39. Merton, R.C. The Theory of Rational Option Pricing // The Bell Journal of Economics and Management Science. 1973. Vol. 4(1). P. 141-183.

40. Modigliani F., Miller M.H. The Cost of Capital, Corporation Finance and the Theory of Investment // American Economic Review. 1958. P. 261-297.

41. Miller М.Н., Modigliani F. Dividend Policy, Growth and the Valuation of Shares // Journal Business. 1961. oct. P. 411-433.

42. Miller М.Н., Modigliani F. Corporate Income Taxes and the Cost of Capital: A Correction // Journal Business, 1963. P. 433-443.

43. Myers S. Capital Structure // The Journal of Economic Perspectives. 2001. № 15(2). P. 81-102.

44. Niu, W., Zeng, Q. Corporate financing with loss aversion and disagreement // Finance Research Letters. 2018. Vol. 27. P. 80-90.

45. Nivorozhkin E. Capital structures in emerging stock markets: The case of Hungary // The Developing Economies. 2002. №40 (2) P. 166-187.

46. Pandey I.M. Capital Structure and the Firm Characteristics: Evidence from an Emerging Market // IIMA Working Paper. 2001. № 2001-10-04.

47. Pao, H.-T., Chih Y.-Y. Comparison of Linear and Nonlinear Models for Panel Data Forecasting: Debt Policy in Taiwan // Review of Pacific Basin Financial Markets and Policies. 2005. Vol. 08:03. P. 525-541

48. Seifert B., Gonenc Pecking order behavior in emerging markets // Journal of International Financial Management and Accounting. 2010. Vol. 2(21). P. 1-31.

49. Titman S., Wessels R. The Determinants of Capital Structure Choice // Journal of Finance. 1988. Vol. 43. №1. P. 1?19.

50. Wowak, A.J., Hambrick, D.C. A model of person-pay interaction: How executives vary in their responses to compensation arrangements // Strategic Management Journal. 2010. №31(8). P. 803-821.

51. Wowak, A.J., Mannor, M.J., Wowak, K.D. Throwing caution to the wind: The effect of CEO stock option pay on the incidence of product safety problems // Strategic Management Journal. 2015. Vol. 36(7). P. 1082-1092.

52. Zuckerman, M. Dimensions of Sensation Seeking // Journal of Consulting and Clinical Psychology. 1971. №36. P. 45-52.

53. Ивашковская И.В., Солнцева М.С. Детерминанты стратегических решений о финансировании крупных компаний на развивающихся рынках капитала: пример России, Бразилии и Китая // Российский журнал менеджмента. 2009. том 7, № 1, с. 25-42.

54. Солодухина А.В., Репин Д.В. В поисках решения загадки структуры капитала: поведенческий подход // Корпоративные финансы. 2008. №1(5).

Размещено на allbest.ru

...