Спасибо большое тебе за все работы! ВСЕ СУПЕР! ) Рекомендую как отличного автора, настоящего профессионала! Дай Бог тебе здоровья и твоей семье!
Подробнее о работе
Гарантия сервиса Автор24
Уникальность не ниже 50%
Содержание
Введение 3
Глава 1. Обзор литературы 6
1.1 Подготовка нефинансовых сведений к публикации 6
1.2 Основные стандарты раскрытия нефинансовой информации 10
1.3 Практические аспекты раскрытия нефинансовой информации 15
1.4 Подходы к оценке влияния нефинансовой информации на финансовые показатели 17
1.5 Модели оценки тональности текста 19
Глава 2. Гипотезы и методология исследования 22
2.1 Гипотезы исследования 22
2.2 Формирование выборки 24
2.3 Описание переменных 25
2.3 Обработка текста 28
2.4 Построение регрессионной модели 29
Глава 3. Результаты исследования 33
3.1 Описательные статистики 33
3.2 Результаты текстового анализа 35
3.3 Результаты регрессионного анализа 40
Заключение 47
Список литературы 49
Приложение 53
Приложение 1. Практические рекомендации для компаний 53
Приложение 2. Обучающая выборка 54
Приложение 3. Модель текстового анализа 55
Приложение 4. Гистограммы распределения переменных 57
Приложение 5. Фрагменты кода 58
Приложение 6. Результаты статистических тестов 59
1.1 Подготовка нефинансовых сведений к публикации
Компании используют публикацию нефинансовых сведений как способ повысить информированность инвесторов и сделать сферу своей деятельности более прозрачной для широкой общественности. Как отмечают Lev and Feng, 2016 [28], традиционные методы раскрытия финансовой отчетности не успевают за изменениями, происходящими в экономике, что приводит к снижению их релевантности для инвесторов. Согласно оценкам для американских компаний, традиционные стандарты финансовой отчетности содержат не более 5% от объема информации, используемой инвесторами. Именно совокупность нефинансовых и финансовых сведений важна для всестороннего анализа и оценки будущих перспектив компании. В данной главе будет подробно рассмотрена специфика подготовки и публикации нефинансовых сведений.
Стоит отметить, что с точки зрения компании раскрытие нефинансовой информации сопряжено как с рядом преимуществ, так и с рядом недостатков.
...
1.2 Основные стандарты раскрытия нефинансовой информации
Наиболее распространенными стандартами подготовки и раскрытия нефинансовой отчетности являются стандарты GRI (Global Reporting Initiative). Создание GRI было направлено на объединение существующих подходов к раскрытию экономической, социальной и экологической информации в единую систему стандартов. Ориентиром при разработке послужили стандарты МСФО (CERES, 2002 [18]). Рекомендации GRI отличаются проработанностью и конкретизацией, что повышает информативность для стейкхолдеров компании. Многолетняя практика позволяет учитывать обратную связь от компаний и инвесторов, что выражается в последовательном обновлении редакций стандартов. О распространении стандартов среди российских компаний свидетельствует тот факт, что большинство компаний, выпускающих отчеты в области устойчивого развития, ориентируются именно на GRI как на методологическую основу (РСПП, 2019 [2]).
...
1.3 Практические аспекты раскрытия нефинансовой информации
Процесс подготовки нефинансовой отчетности включает в себя некоторые некоторые фундаментальные проблемы. Ключевой проблемой представляется недостаточно эффективный механизм раскрытия информации, который допускает публикацию не всех значимых для инвесторов и общественности фактов, является подверженным агентской проблеме, допускает сокрытие негативной информации (Dumay and Guthrie, 2017 [22]).
Как отмечается в отчете ACCA Global [7], унификация стандартов выступила бы положительным стимулом для компаний, раскрывающих нефинансовые данные. На настоящий момент обилие разнообразных требований приводит к сложностям, ограничивающим распространение нефинансовой отчетности. На основании систематизации существующих исследований были составлены практические рекомендации для компаний, публикующих нефинансовую отчетность (Приложение 1). Особенности подготовки нефинансовой отчетности представлены в Таблице 5.
Таблица 5.
...
1.4 Подходы к оценке влияния нефинансовой информации на финансовые показатели
Pisani et al. (2017) [42] на основе анализа 494 исследований, посвященных корпоративной социальной ответственности (КСО), выявили ряд закономерностей, выводов и методологических сложностей. Отметим наиболее релевантные из них в рамках текущего исследования. Большинство изученных исследований посвящены рассмотрению конкретных примеров на уровне страны или региона («phenomen-based research»), меньше внимание уделяется разработке общих подходов к проблематике и теоретического базиса. Отмечается недостаток исследований эффекта нефинансовой информации в развивающихся странах – преобладающая часть исследований сосредоточена на развитых странах, преимущественно США и Западной Европе. Исключение составляет КНР, на долю которой приходится наибольшее число исследований среди развивающихся стран.
Использованную в опубликованных работах методологию можно классифицировать как теоретическую (43.
...
1.5 Модели оценки тональности текста
Один из наиболее распространенных способов оценки тональности текста – это использование специализированных словарей тональностей. Согласно подходу, предложенному Loughran and McDonald, 2011 [31], текст разбивается на отдельные слова без учета их синтаксических связей и контекста. Затем слова приводятся к лексической основе при помощи процедур лемматизации и стемминга. Тональность слов оценивается по словарю. Полученные лингвистические показатели используют в качестве признаков в моделях классификации.
Релевантность использования словарей для анализа финансовых текстов подтверждена рядом исследований, в том числе Myskova, Hajek, 2019 [39], Loughran, McDonald, 2016 [32], Федорова et al., 2019 [4]. Существует специализированный финансовый словарь тональности Loughran & McDonald и ряд общеупотребимых словарей тональности, таких как AFINN и NRC.
...
2.1 Гипотезы исследования
На основе анализа существующих исследований в области текстового анализа и нефинансовой отчетности были сформулированы следующие гипотезы.
H1. Тональность нефинансовой информации влияет на стоимость компании.
Рост важности ESG-факторов, включение целей устойчивого развития в актуальную повестку, интерес инвестиционного сообщества к нефинансовой отчетности свидетельствуют о потенциальной возможности ее воздействия на финансовые результаты компании. Значимое положительное влияние тональности отчетности на стоимость компании было выявлено в ряде исследований, в том числе Myskova, Hajek, 2019 [39]; Moreno–Sandoval et al., 2019 [36].
H2. Отраслевая принадлежность компании оказывает значимое влияние на её стоимость.
Некоторые отрасли в силу своей специфики более чувствительны к оценкам их нефинансовых результатов.
...
2.2 Формирование выборки
В первоначальную выборку были включены 26 российских компаний, котирующихся на МосБирже и публикующих нефинансовую отчетность. Финансовые показатели компаний были получены из системы Bloomberg. Затем из выборки были исключены компании с пропусками финансовых данных. В случае, если в рассматриваемый период отчет об устойчивом развитии или экологический отчет не публиковались, рассматривались разделы годового отчета, содержащие информацию об устойчивом развитии. В финальную выборку включены 50 отчетов 17 российских компаний за период 2016-2019 гг. (Таблица 8).
Таблица 8. Выборка российских компаний
Компания
Отрасль
1. Газпром
Нефтяная и нефтегазовая промышленность
2. ЛУКОЙЛ
3. Татнефть
4. НОВАТЭК
5. Роснефть
6. Северсталь
Металлургия
7. Норникель
8. ЕВРАЗ
9. АЛРОСА
Промышленность драгоценных металлов
и алмазов
10. Полюс
11. МТС
Телекоммуникации и связь
Электроэнергетика
12. Россети
13.
...
2.3 Описание переменных
Финансовые переменные, включенные в модель, были выбраны на основе изучения релевантных исследований. Переменные были разделены на 4 категории: показатели рентабельности, показатели рыночной стоимости, показатели ликвидности, показатели размера компании (Таблица 9). Описание переменных приведено далее.
Зависимая переменная
Ln (MBV) – показатель рыночной стоимости, отражающий разницу между балансовой и рыночной стоимостью компании. Логарифмирование позволяет сгладить различие в стоимости компаний. Разрыв между балансовой и рыночной стоимостью может объясняться влиянием нефинансовых данных, что позволяет выбрать этот показатель в качестве зависимой переменной.
Объясняющие переменные
ROE (return on equity) – показатель рентабельности собственного капитала, который демонстрирует отношение чистой прибыли к собственному капиталу компании. Чем выше значение ROE, тем выше эффективность компании и отдача от использования собственного капитала.
...
2.3 Обработка текста
Нефинансовые отчеты компаний были загружены с сайтов компаний и из Библиотеки корпоративных нефинансовых отчетов РСПП [51]. Затем с помощью специализированной программы ABBYY FineReader отчеты были оцифрованы и переведены в текстовый формат. Тексты были разбиты на отдельные предложения и переведены в нижний регистр, из них были удалены знаки препинания и другие не-альфанумерические символы. В данном исследовании не применялось удаление стоп-слов, так как оно приводит к потери важной информации и искажает контекст предложения. Так, предложение «Вынуждены констатировать, что в отчетном периоде не удалось избежать несчастных случаев» после удаления стоп-слов превратилось бы в «Вынуждены констатировать отчетном периоде удалось избежать несчастных случаев». Поэтому от использования этой методики было решено отказаться.
После предобработки предложения были токенизированы – каждое из них получило свое уникальное численное представление.
...
2.4 Построение регрессионной модели
Чтобы оценить влияние нефинансовой информации на стоимость компании и проверить выдвинутые гипотезы, используются регрессионные модели. Теоретическая регрессионная модель адаптирована из исследований Taliento et al., 2019 [47] и Кузубов, Евдокимова, 2017 [1]. Данная модель используется для проверки основной гипотезы исследования
H1. Тональность нефинансовой информации влияет на стоимость компании.Спецификация теоретической регрессионной модели выглядит следующим образом:
,
где:
Ln MBV – целевая переменная,
ROA, ROE, PE, NWC_INV, TA – финансовые переменные,
TON – тональность отчета,
– мера оценки влияния фактора на зависимую переменную,
– случайная ошибка,
– номер наблюдения.
Для проверки гипотезы H2.
...
3.1 Описательные статистики
Описательные статистики представлены в Таблице 11. Среднее значение тональности составляет 0.146, максимальное 0.247. Среднее значение доли позитивной окраски текстов составляет 0.225, максимальное составляет 0.380, минимальное 0.106. Среднее значение доли негативной окраски текстов составляет 0.077, минимальное составляет 0.003, максимальное составляет 0.256. Среднее значение нейтральной окраски текстов составляет 0.698, минимальное составляет 0.375, максимальное составляет 0.879. Таким образом, преобладающей эмоциональная окраска российской нефинансовой отчетности – нейтральная.
Таблица 11. Описательные статистики переменных
Переменная
Среднее
Стандартное отклонение
Минимальное значение
Максимальное значение
Ln MBV
0.690
1.29
-1.97
3.35
ROA
16.4
10.1
1.2
41.2
ROE
39.9
49.7
-141
181
PE
8.90
6.97
1.69
45.9
NWC_INV
54122
293915
-368000
45.9
Ln_TA
12.9
2.86
51.5
16.9
POS
0.225
0.0496
0.106
0.380
NEG
0.0778
0.0572
0.003
0.256
NEU
0.698
0.0959
0.375
3.2 Результаты текстового анализа
Обучающая выборка была составлена вручную из нефинансовых отчетов российских компаний, опубликованных в период с 2016 по 2019 гг. Размер выборки составляет 1700 предложений. Предложения были классифицированы по 3 категориям (позитивные, негативные, нейтральные) на основе методики определения тональности, предложенной в исследовании Moreno–Sandoval et al., 2019 [36] и Groothuis, 2019 [24]. Позитивной тональностью обладают: оптимистичные прогнозы; предложения, содержащие информацию о успешных результатах компании, положительной динамике развития, полученных наградах, улучшении позиций компании в отрасли. Нейтральной тональностью обладают предложения, содержащие фактическую информацию, информацию о соответствии компании нормам законодательства и выполнению законодательных требований. Негативной тональностью обладают предложения, описывающие снижение ключевых показателей, выявленные риски, негативную динамику, невыполнение поставленных целей.
...
3.3 Результаты регрессионного анализа
Результаты оценки теоретической модели представлены в Таблице 14. Коэффициент детерминации равен 0.67, что говорит о достаточной предсказательной точности модели. Значимость регрессии подтверждается p-value, равным 4.102e-09.
Таблица 14. Результаты оценки теоретической регрессионной модели
Коэффициент
Стандартная ошибка
p-value
Intercept
-1.385
0.047
0.005
(**)
ROA
0.028
0.014
0.062154
ROE
0.015
0.002
4.18e-04
(***)
PE
0.041
0.016
0.018
(*)
NWC_INV
9.86e-07
4.07e-07
0.019
(*)
TA
-5.05e-08
2.53e-08
0.052
TON
6.008
2.443
0.018
(*)
0.67
Adj.
0.63
S.E.
0.78
F-statistic
14.86
p-value
4.10e-09
Обозначения: ***𝑝 <0.001, **𝑝 <0.01, *𝑝 <0.05
Результаты теста Бройша-Пагана позволяют сделать вывод об отсутствии гетероскедастичности в модели. На основании результатов тестов Шапиро-Уилкоксона и Харке-Бера основная гипотеза о нормальности остатков модели не отвергается. Результаты тестов приведены в Приложении 6, Таблицы 1-3.
...
Заключение
Изучение влияния нефинансовой информации на стоимость компании является обширной областью исследований, представляющих высокую практическую ценность для инвестиционного анализа, процесса государственного регулирования, стратегического планирования. Во многих работах в качестве прокси для нефинансовой информации используются индикаторные дамми-переменные, обозначающие наличие нефинансового отчета, или скоринговые модели, оценивающие степень раскрытия данных на основе критериев международных стандартов нефинансовой отчетности. Вклад данного исследования состоит в применении альтернативного подхода к оценке нефинансовой информации – анализа тональности текстов. Этот подход получил широкое распространение в смежной области, анализе финансовой отчетности компаний. Его адаптация к нефинансовой отчетности позволила добиться достаточно хороших результатов.
Для реализации данного подхода была использована модель глубокого обучения BERT.
...
Список литературы
1. Кузубов С., Евдокимова М. (2017) Повышает ли стоимость компании публикация нефинансовых отчетов по стандартам GRI? (на примере стран БРИКС) // Учет, анализ и аудит, № 2, стр. 28–36.
2. РСПП (2019) Нефинансовая отчетность в России и мире: цели устойчивого развития – в фокусе внимания. Аналитический обзор за период 2017-2018 гг.
3. Тумин В., Махалин В., Костромин П. (2016) Повышение информационной прозрачности как фактор устойчивого развития российских компаний // Вестник университета, №5, стр. 39–45.
4. Федорова Е., Демин И., Рогов О.. (2019) Применение словарей тональности для текстового анализа // Прикладная информатика, №14(1), стр. 5–15.
5. Фомкина С. (2016) Премия за размер: анализ российского рынка капитала // Вестник СПбГУ, Серия 5: Экономика, №4.
6. ACCA Global (2018) Insights into integrated reporting 2.0: Walking the talk // URL: https://www.accaglobal.com/content/dam/ACCA_Global/professional-insights/Insights-into-integrated-reporting-2-walking-the-talk/pi-insights-IR-2.0.pdf (дата обращения – апрель 2020).
7. ACCA Global (2019) Insights into integrated reporting 3.0: The drive for authenticity // URL: https://www.accaglobal.com/vn/en/professional-insights/global-profession/insights-into-integrated-reporting-3.html (дата обращения – апрель 2020).
8. Araci D. (2019) FinBERT: Financial Sentiment Analysis with Pre-trained Language Models // ArXiv, URL: https://arxiv.org/abs/1908.10063 (дата обращения – апрель 2020).
9. Arkhipov M., Trofimova M., Kuratov Y., Sorokin A. (2019) Tuning Multilingual Transformers for Language-Specific Named Entity Recognition. // Proceedings of the 7th Workshop on Balto-Slavic Natural Language Processing, pp. 89-93.
10. Barth M., Cahan S., Chen L., Venter E. (2015) The Economic Consequences Associated with Integrated Report Quality: Early Evidence from a Mandatory Setting // SSRN Electronic Journal.
11. Berthelot S., Coulmont M., Serret V. (2012) Do Investors Value Sustainability Reports? A Canadian Study // Corporate Social Responsibility and Environmental Management, №19(6).
12. Beretta V., Demartini C., Trucco S. (2018) Does environmental, social and governance performance influence intellectual capital disclosure tone in integrated reporting? // Journal of Intellectual Capital, Vol. 20, No. 1, pp. 100-124.
13. Brammer S., Pavelin S. (2008) Factors influencing the quality of corporate environmental disclosure // Business Strategy and the Environment, Vol. 17, pp. 120–136.
14. Caddy I. (2000) Intellectual capital: Recognising both assets and liabilities. Journal of Intellectual Capital, 1(2), 129–146.
15. Camodeca R., Almici A., Sagliaschi U. (2018) Sustainability Disclosure in Integrated Reporting: Does It Matter to Investors? A Cheap Talk Approach // Sustainability, №10.
16. Cardamone P., Carnevale C., Giunta F. (2012) The value relevance of social reporting: evidence from listed Italian companies // Journal of Applied Accounting Research, №13(3), p. 255–269.
17. Carnevale C., Mazzuca M., Venturini S. (2012) Corporate Social Reporting in European Banks: The Effects on a Firm's Market Value // Corporate Social Responsibility and Environmental Management, №19(3).
18. CERES (2002) 2001 Annual report: Life in the edge environment. // Boston, MA: Coalition for Environmentally Responsible Economies.
19. De Klerk M., De Villiers C., Van Staden C. (2015) The influence of corporate social responsibility disclosure on share prices: evidence from the United Kingdom // Pacific Accounting Review, №27, p. 208-228.
20. De Villiers C., Sharma U. (2017) A critical reflection on the future of financial, intellectual capital, sustainability and integrated reporting // Critical Perspectives on Accounting.
21. Devlin J., Chang M., Lee K., Toutanova K. (2019) BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding // ArXiv, URL: https://arxiv.org/abs/1810.04805 (дата обращения – апрель 2020).
22. Dumay J., Guthrie J. (2017) Involuntary disclosure of intellectual capital: is it relevant? // Journal of Intellectual Capital, №18, p. 29-44.
23. European Commission (2019) Towards a Sustainable Europe by 2030 // URL: https://ec.europa.eu/commission/sites/beta-political/files/rp_sustainable_europe_30-01_en_web.pdf (дата обращения – апрель 2020).
24. Groothuis S. (2019) BERT for Sentiment Analysis on Sustainability Reporting // URL: https://qconlondon.com/london2020/presentation/bert-sentiment-analysis-sustainability-reporting
25. Hajek P., Olej V., Myskova R. (2014) Forecasting corporate financial performance using sentiment in annual reports for stakeholders’ decision-making // Technological and Economic Development of Economy, Vol. 20(4), pp.721–738.
26. Hiew, J., Xin H., Hao M., Duan L., Qi W., Yabo X. (2019) BERT-based Financial Sentiment Index and LSTM-based Stock Return Predictability. // arXiv: Statistical Finance, URL: https://arxiv.org/abs/1906.09024 (дата обращения – апрель 2020).
27. Ioannou I., Serafeim G. (2011) The consequences of mandatory corporate sustainability reporting // SSRN Electronic Journal, №7387.
28. Lev B., Feng G. (2016) The end of accounting and the path forward for investors and managers // Wiley Finance.
29. Liu Y., Liu L., Wang C. and Tsai M. (2016) FIN10K: A Web-based Information System for Financial Report Analysis and Visualization // Procceedings of CIKM '16, pp. 2441-2444
30. Loprevite S., Ricca B., Rupo D. (2018) Performance Sustainability and Integrated Reporting: Empirical Evidence from Mandatory and Voluntary Adoption Contexts // Sustainability, Volume 10, pp. 1351.
31. Loughran T., McDonald B. (2011) When Is a Liability Not a Liability? Textual Analysis, Dictionaries, and 10-Ks // The Journal of Finance, Volume 66, pp. 35–65.
32. Loughran T., McDonald B. (2016) Textual Analysis in Accounting and Finance: A Survey // Journal of Accounting Research, Volume 54, pp. 1187–1230.
33. Maroun W. (2017) Assuring the integrated report: Insights and recommendations from auditors and preparers. The British Accounting Review.
34. Meier J., Walid E., Rasmus F. (2018) The Predictive Power of the Sentiment of Financial Reports // ICTERI Workshops.
35. Miralles-Quirós M., Miralles-Quirós J., Arraiano I. (2017) Are Firms that Contribute to Sustainable Development Valued by Investors? // Corporate Social Responsibility and Environmental Management, №24.
36. Moreno–Sandoval A., Gisbert A., Haya P., Guerrero M., Montoro H. (2019) Tone Analysis in Spanish Financial Reporting Narratives // Proceedings of the Second Financial Narrative Processing Workshop (FNP 2019)
37. Myskova R., Hajek P. (2017) Comprehensive assessment of firm financial performance using financial ratios and linguistic analysis of annual reports // Journal of International Studies, Vol. 10, pp. 96-108.
38. Myskova R., Hajek P. (2018) Sustainability and Corporate Social Responsibility in the Text of Annual Reports—The Case of the IT Services Industry // Sustainability, Vol. 10, 4119.
39. Myskova R., Hajek P. (2019) Relationship between corporate social responsibility in corporate annual reports and financial performance of the US companies // Journal of International Studies, Vol. 12, pp. 269-282.
40. Ng A., Rezaee Z. (2015) Business sustainability performance and cost of equity capital // Journal of Corporate Finance, №34, p. 128-149.
41. Pagliarussi M., Aguiar M., Galdi F. (2016) Sentiment analysis in annual Reports from Brazilian companies listed at the BM&Fbovespa; // BASE - Revista de Administração e Contabilidade da Unisinos, №13 (1).
42. Pisani N., Kourula A., Kolk A., Meijer R. (2017) How global is international CSR research? Insights and recommendations from a systematic review. // Journal of World Business, Vol. 52, pp. 591-614.
43. Rupley K, Brown D., Marshall S. (2017) Evolution of corporate reporting: From stand-alone corporate social responsibility reporting to integrated reporting. // Research in Accounting Regulation, Vol.29.
44. Sierra-Garcia L., Garcia-Benau M., Bollas-Araya H. (2018) Empirical Analysis of Non-Financial Reporting by Spanish Companies // Administrative Sciences, Vol. 8, №29.
45. Smailović J., Žnidaršič M., Valentinčič A., Loncarski I., Pahor M., Martins P., Pollak S. (2017) Automatic Analysis of Annual Financial Reports: A Case Study // Computación y Sistemas, Vol. 21 (4), pp. 809–818.
46. Song Y., Wang H., Zhu M. (2018) Sustainable strategy for corporate governance based on the sentiment analysis of financial reports with CSR // Financial Innovation, Vol. 4.
47. Taliento M., Favino C., Netti A. (2019) Impact of Environmental, Social, and Governance Information on Economic Performance: Evidence of a Corporate ‘Sustainability Advantage’ from Europe // Sustainability, Vol. 11, 1738.
48. Zhao L., Li L., Zheng X. (2020) A BERT based Sentiment Analysis and Key Entity Detection Approach for Online Financial Texts // URL: https://arxiv.org/abs/2001.05326 (дата обращения – апрель 2020).
49. Концепция развития публичной нефинансовой отчетности // URL: http://docs.cntd.ru/document/456064017 (дата обращения – апрель 2020)
50. РСПП. Нефинансовая отчетность российский компаний // URL: http://www.rspp.ru/simplepage/nefinansovaya-otchetnost/ (дата обращения – апрель 2020).
51. РСПП. Библиотека корпоративных нефинансовых отчетов // URL: http://рспп.рф/about/registries/natsionalnyy-registr-i-biblioteka-korporativnykh-nefinansovykh-otchetov/ (дата обращения – апрель 2020).
52. Moody's Approach to ESG and Credit // URL: https://esg.moodys.io/ (дата обращения – апрель 2020).
53. S&P Global ESG Evaluation // URL: https://www.spglobal.com/ratings/en/products-benefits/products/esg-evaluation (дата обращения – апрель 2020).
Не подошла эта работа?
Закажи новую работу, сделанную по твоим требованиям
Содержание
Введение 3
Глава 1. Обзор литературы 6
1.1 Подготовка нефинансовых сведений к публикации 6
1.2 Основные стандарты раскрытия нефинансовой информации 10
1.3 Практические аспекты раскрытия нефинансовой информации 15
1.4 Подходы к оценке влияния нефинансовой информации на финансовые показатели 17
1.5 Модели оценки тональности текста 19
Глава 2. Гипотезы и методология исследования 22
2.1 Гипотезы исследования 22
2.2 Формирование выборки 24
2.3 Описание переменных 25
2.3 Обработка текста 28
2.4 Построение регрессионной модели 29
Глава 3. Результаты исследования 33
3.1 Описательные статистики 33
3.2 Результаты текстового анализа 35
3.3 Результаты регрессионного анализа 40
Заключение 47
Список литературы 49
Приложение 53
Приложение 1. Практические рекомендации для компаний 53
Приложение 2. Обучающая выборка 54
Приложение 3. Модель текстового анализа 55
Приложение 4. Гистограммы распределения переменных 57
Приложение 5. Фрагменты кода 58
Приложение 6. Результаты статистических тестов 59
1.1 Подготовка нефинансовых сведений к публикации
Компании используют публикацию нефинансовых сведений как способ повысить информированность инвесторов и сделать сферу своей деятельности более прозрачной для широкой общественности. Как отмечают Lev and Feng, 2016 [28], традиционные методы раскрытия финансовой отчетности не успевают за изменениями, происходящими в экономике, что приводит к снижению их релевантности для инвесторов. Согласно оценкам для американских компаний, традиционные стандарты финансовой отчетности содержат не более 5% от объема информации, используемой инвесторами. Именно совокупность нефинансовых и финансовых сведений важна для всестороннего анализа и оценки будущих перспектив компании. В данной главе будет подробно рассмотрена специфика подготовки и публикации нефинансовых сведений.
Стоит отметить, что с точки зрения компании раскрытие нефинансовой информации сопряжено как с рядом преимуществ, так и с рядом недостатков.
...
1.2 Основные стандарты раскрытия нефинансовой информации
Наиболее распространенными стандартами подготовки и раскрытия нефинансовой отчетности являются стандарты GRI (Global Reporting Initiative). Создание GRI было направлено на объединение существующих подходов к раскрытию экономической, социальной и экологической информации в единую систему стандартов. Ориентиром при разработке послужили стандарты МСФО (CERES, 2002 [18]). Рекомендации GRI отличаются проработанностью и конкретизацией, что повышает информативность для стейкхолдеров компании. Многолетняя практика позволяет учитывать обратную связь от компаний и инвесторов, что выражается в последовательном обновлении редакций стандартов. О распространении стандартов среди российских компаний свидетельствует тот факт, что большинство компаний, выпускающих отчеты в области устойчивого развития, ориентируются именно на GRI как на методологическую основу (РСПП, 2019 [2]).
...
1.3 Практические аспекты раскрытия нефинансовой информации
Процесс подготовки нефинансовой отчетности включает в себя некоторые некоторые фундаментальные проблемы. Ключевой проблемой представляется недостаточно эффективный механизм раскрытия информации, который допускает публикацию не всех значимых для инвесторов и общественности фактов, является подверженным агентской проблеме, допускает сокрытие негативной информации (Dumay and Guthrie, 2017 [22]).
Как отмечается в отчете ACCA Global [7], унификация стандартов выступила бы положительным стимулом для компаний, раскрывающих нефинансовые данные. На настоящий момент обилие разнообразных требований приводит к сложностям, ограничивающим распространение нефинансовой отчетности. На основании систематизации существующих исследований были составлены практические рекомендации для компаний, публикующих нефинансовую отчетность (Приложение 1). Особенности подготовки нефинансовой отчетности представлены в Таблице 5.
Таблица 5.
...
1.4 Подходы к оценке влияния нефинансовой информации на финансовые показатели
Pisani et al. (2017) [42] на основе анализа 494 исследований, посвященных корпоративной социальной ответственности (КСО), выявили ряд закономерностей, выводов и методологических сложностей. Отметим наиболее релевантные из них в рамках текущего исследования. Большинство изученных исследований посвящены рассмотрению конкретных примеров на уровне страны или региона («phenomen-based research»), меньше внимание уделяется разработке общих подходов к проблематике и теоретического базиса. Отмечается недостаток исследований эффекта нефинансовой информации в развивающихся странах – преобладающая часть исследований сосредоточена на развитых странах, преимущественно США и Западной Европе. Исключение составляет КНР, на долю которой приходится наибольшее число исследований среди развивающихся стран.
Использованную в опубликованных работах методологию можно классифицировать как теоретическую (43.
...
1.5 Модели оценки тональности текста
Один из наиболее распространенных способов оценки тональности текста – это использование специализированных словарей тональностей. Согласно подходу, предложенному Loughran and McDonald, 2011 [31], текст разбивается на отдельные слова без учета их синтаксических связей и контекста. Затем слова приводятся к лексической основе при помощи процедур лемматизации и стемминга. Тональность слов оценивается по словарю. Полученные лингвистические показатели используют в качестве признаков в моделях классификации.
Релевантность использования словарей для анализа финансовых текстов подтверждена рядом исследований, в том числе Myskova, Hajek, 2019 [39], Loughran, McDonald, 2016 [32], Федорова et al., 2019 [4]. Существует специализированный финансовый словарь тональности Loughran & McDonald и ряд общеупотребимых словарей тональности, таких как AFINN и NRC.
...
2.1 Гипотезы исследования
На основе анализа существующих исследований в области текстового анализа и нефинансовой отчетности были сформулированы следующие гипотезы.
H1. Тональность нефинансовой информации влияет на стоимость компании.
Рост важности ESG-факторов, включение целей устойчивого развития в актуальную повестку, интерес инвестиционного сообщества к нефинансовой отчетности свидетельствуют о потенциальной возможности ее воздействия на финансовые результаты компании. Значимое положительное влияние тональности отчетности на стоимость компании было выявлено в ряде исследований, в том числе Myskova, Hajek, 2019 [39]; Moreno–Sandoval et al., 2019 [36].
H2. Отраслевая принадлежность компании оказывает значимое влияние на её стоимость.
Некоторые отрасли в силу своей специфики более чувствительны к оценкам их нефинансовых результатов.
...
2.2 Формирование выборки
В первоначальную выборку были включены 26 российских компаний, котирующихся на МосБирже и публикующих нефинансовую отчетность. Финансовые показатели компаний были получены из системы Bloomberg. Затем из выборки были исключены компании с пропусками финансовых данных. В случае, если в рассматриваемый период отчет об устойчивом развитии или экологический отчет не публиковались, рассматривались разделы годового отчета, содержащие информацию об устойчивом развитии. В финальную выборку включены 50 отчетов 17 российских компаний за период 2016-2019 гг. (Таблица 8).
Таблица 8. Выборка российских компаний
Компания
Отрасль
1. Газпром
Нефтяная и нефтегазовая промышленность
2. ЛУКОЙЛ
3. Татнефть
4. НОВАТЭК
5. Роснефть
6. Северсталь
Металлургия
7. Норникель
8. ЕВРАЗ
9. АЛРОСА
Промышленность драгоценных металлов
и алмазов
10. Полюс
11. МТС
Телекоммуникации и связь
Электроэнергетика
12. Россети
13.
...
2.3 Описание переменных
Финансовые переменные, включенные в модель, были выбраны на основе изучения релевантных исследований. Переменные были разделены на 4 категории: показатели рентабельности, показатели рыночной стоимости, показатели ликвидности, показатели размера компании (Таблица 9). Описание переменных приведено далее.
Зависимая переменная
Ln (MBV) – показатель рыночной стоимости, отражающий разницу между балансовой и рыночной стоимостью компании. Логарифмирование позволяет сгладить различие в стоимости компаний. Разрыв между балансовой и рыночной стоимостью может объясняться влиянием нефинансовых данных, что позволяет выбрать этот показатель в качестве зависимой переменной.
Объясняющие переменные
ROE (return on equity) – показатель рентабельности собственного капитала, который демонстрирует отношение чистой прибыли к собственному капиталу компании. Чем выше значение ROE, тем выше эффективность компании и отдача от использования собственного капитала.
...
2.3 Обработка текста
Нефинансовые отчеты компаний были загружены с сайтов компаний и из Библиотеки корпоративных нефинансовых отчетов РСПП [51]. Затем с помощью специализированной программы ABBYY FineReader отчеты были оцифрованы и переведены в текстовый формат. Тексты были разбиты на отдельные предложения и переведены в нижний регистр, из них были удалены знаки препинания и другие не-альфанумерические символы. В данном исследовании не применялось удаление стоп-слов, так как оно приводит к потери важной информации и искажает контекст предложения. Так, предложение «Вынуждены констатировать, что в отчетном периоде не удалось избежать несчастных случаев» после удаления стоп-слов превратилось бы в «Вынуждены констатировать отчетном периоде удалось избежать несчастных случаев». Поэтому от использования этой методики было решено отказаться.
После предобработки предложения были токенизированы – каждое из них получило свое уникальное численное представление.
...
2.4 Построение регрессионной модели
Чтобы оценить влияние нефинансовой информации на стоимость компании и проверить выдвинутые гипотезы, используются регрессионные модели. Теоретическая регрессионная модель адаптирована из исследований Taliento et al., 2019 [47] и Кузубов, Евдокимова, 2017 [1]. Данная модель используется для проверки основной гипотезы исследования
H1. Тональность нефинансовой информации влияет на стоимость компании.Спецификация теоретической регрессионной модели выглядит следующим образом:
,
где:
Ln MBV – целевая переменная,
ROA, ROE, PE, NWC_INV, TA – финансовые переменные,
TON – тональность отчета,
– мера оценки влияния фактора на зависимую переменную,
– случайная ошибка,
– номер наблюдения.
Для проверки гипотезы H2.
...
3.1 Описательные статистики
Описательные статистики представлены в Таблице 11. Среднее значение тональности составляет 0.146, максимальное 0.247. Среднее значение доли позитивной окраски текстов составляет 0.225, максимальное составляет 0.380, минимальное 0.106. Среднее значение доли негативной окраски текстов составляет 0.077, минимальное составляет 0.003, максимальное составляет 0.256. Среднее значение нейтральной окраски текстов составляет 0.698, минимальное составляет 0.375, максимальное составляет 0.879. Таким образом, преобладающей эмоциональная окраска российской нефинансовой отчетности – нейтральная.
Таблица 11. Описательные статистики переменных
Переменная
Среднее
Стандартное отклонение
Минимальное значение
Максимальное значение
Ln MBV
0.690
1.29
-1.97
3.35
ROA
16.4
10.1
1.2
41.2
ROE
39.9
49.7
-141
181
PE
8.90
6.97
1.69
45.9
NWC_INV
54122
293915
-368000
45.9
Ln_TA
12.9
2.86
51.5
16.9
POS
0.225
0.0496
0.106
0.380
NEG
0.0778
0.0572
0.003
0.256
NEU
0.698
0.0959
0.375
3.2 Результаты текстового анализа
Обучающая выборка была составлена вручную из нефинансовых отчетов российских компаний, опубликованных в период с 2016 по 2019 гг. Размер выборки составляет 1700 предложений. Предложения были классифицированы по 3 категориям (позитивные, негативные, нейтральные) на основе методики определения тональности, предложенной в исследовании Moreno–Sandoval et al., 2019 [36] и Groothuis, 2019 [24]. Позитивной тональностью обладают: оптимистичные прогнозы; предложения, содержащие информацию о успешных результатах компании, положительной динамике развития, полученных наградах, улучшении позиций компании в отрасли. Нейтральной тональностью обладают предложения, содержащие фактическую информацию, информацию о соответствии компании нормам законодательства и выполнению законодательных требований. Негативной тональностью обладают предложения, описывающие снижение ключевых показателей, выявленные риски, негативную динамику, невыполнение поставленных целей.
...
3.3 Результаты регрессионного анализа
Результаты оценки теоретической модели представлены в Таблице 14. Коэффициент детерминации равен 0.67, что говорит о достаточной предсказательной точности модели. Значимость регрессии подтверждается p-value, равным 4.102e-09.
Таблица 14. Результаты оценки теоретической регрессионной модели
Коэффициент
Стандартная ошибка
p-value
Intercept
-1.385
0.047
0.005
(**)
ROA
0.028
0.014
0.062154
ROE
0.015
0.002
4.18e-04
(***)
PE
0.041
0.016
0.018
(*)
NWC_INV
9.86e-07
4.07e-07
0.019
(*)
TA
-5.05e-08
2.53e-08
0.052
TON
6.008
2.443
0.018
(*)
0.67
Adj.
0.63
S.E.
0.78
F-statistic
14.86
p-value
4.10e-09
Обозначения: ***𝑝 <0.001, **𝑝 <0.01, *𝑝 <0.05
Результаты теста Бройша-Пагана позволяют сделать вывод об отсутствии гетероскедастичности в модели. На основании результатов тестов Шапиро-Уилкоксона и Харке-Бера основная гипотеза о нормальности остатков модели не отвергается. Результаты тестов приведены в Приложении 6, Таблицы 1-3.
...
Заключение
Изучение влияния нефинансовой информации на стоимость компании является обширной областью исследований, представляющих высокую практическую ценность для инвестиционного анализа, процесса государственного регулирования, стратегического планирования. Во многих работах в качестве прокси для нефинансовой информации используются индикаторные дамми-переменные, обозначающие наличие нефинансового отчета, или скоринговые модели, оценивающие степень раскрытия данных на основе критериев международных стандартов нефинансовой отчетности. Вклад данного исследования состоит в применении альтернативного подхода к оценке нефинансовой информации – анализа тональности текстов. Этот подход получил широкое распространение в смежной области, анализе финансовой отчетности компаний. Его адаптация к нефинансовой отчетности позволила добиться достаточно хороших результатов.
Для реализации данного подхода была использована модель глубокого обучения BERT.
...
Список литературы
1. Кузубов С., Евдокимова М. (2017) Повышает ли стоимость компании публикация нефинансовых отчетов по стандартам GRI? (на примере стран БРИКС) // Учет, анализ и аудит, № 2, стр. 28–36.
2. РСПП (2019) Нефинансовая отчетность в России и мире: цели устойчивого развития – в фокусе внимания. Аналитический обзор за период 2017-2018 гг.
3. Тумин В., Махалин В., Костромин П. (2016) Повышение информационной прозрачности как фактор устойчивого развития российских компаний // Вестник университета, №5, стр. 39–45.
4. Федорова Е., Демин И., Рогов О.. (2019) Применение словарей тональности для текстового анализа // Прикладная информатика, №14(1), стр. 5–15.
5. Фомкина С. (2016) Премия за размер: анализ российского рынка капитала // Вестник СПбГУ, Серия 5: Экономика, №4.
6. ACCA Global (2018) Insights into integrated reporting 2.0: Walking the talk // URL: https://www.accaglobal.com/content/dam/ACCA_Global/professional-insights/Insights-into-integrated-reporting-2-walking-the-talk/pi-insights-IR-2.0.pdf (дата обращения – апрель 2020).
7. ACCA Global (2019) Insights into integrated reporting 3.0: The drive for authenticity // URL: https://www.accaglobal.com/vn/en/professional-insights/global-profession/insights-into-integrated-reporting-3.html (дата обращения – апрель 2020).
8. Araci D. (2019) FinBERT: Financial Sentiment Analysis with Pre-trained Language Models // ArXiv, URL: https://arxiv.org/abs/1908.10063 (дата обращения – апрель 2020).
9. Arkhipov M., Trofimova M., Kuratov Y., Sorokin A. (2019) Tuning Multilingual Transformers for Language-Specific Named Entity Recognition. // Proceedings of the 7th Workshop on Balto-Slavic Natural Language Processing, pp. 89-93.
10. Barth M., Cahan S., Chen L., Venter E. (2015) The Economic Consequences Associated with Integrated Report Quality: Early Evidence from a Mandatory Setting // SSRN Electronic Journal.
11. Berthelot S., Coulmont M., Serret V. (2012) Do Investors Value Sustainability Reports? A Canadian Study // Corporate Social Responsibility and Environmental Management, №19(6).
12. Beretta V., Demartini C., Trucco S. (2018) Does environmental, social and governance performance influence intellectual capital disclosure tone in integrated reporting? // Journal of Intellectual Capital, Vol. 20, No. 1, pp. 100-124.
13. Brammer S., Pavelin S. (2008) Factors influencing the quality of corporate environmental disclosure // Business Strategy and the Environment, Vol. 17, pp. 120–136.
14. Caddy I. (2000) Intellectual capital: Recognising both assets and liabilities. Journal of Intellectual Capital, 1(2), 129–146.
15. Camodeca R., Almici A., Sagliaschi U. (2018) Sustainability Disclosure in Integrated Reporting: Does It Matter to Investors? A Cheap Talk Approach // Sustainability, №10.
16. Cardamone P., Carnevale C., Giunta F. (2012) The value relevance of social reporting: evidence from listed Italian companies // Journal of Applied Accounting Research, №13(3), p. 255–269.
17. Carnevale C., Mazzuca M., Venturini S. (2012) Corporate Social Reporting in European Banks: The Effects on a Firm's Market Value // Corporate Social Responsibility and Environmental Management, №19(3).
18. CERES (2002) 2001 Annual report: Life in the edge environment. // Boston, MA: Coalition for Environmentally Responsible Economies.
19. De Klerk M., De Villiers C., Van Staden C. (2015) The influence of corporate social responsibility disclosure on share prices: evidence from the United Kingdom // Pacific Accounting Review, №27, p. 208-228.
20. De Villiers C., Sharma U. (2017) A critical reflection on the future of financial, intellectual capital, sustainability and integrated reporting // Critical Perspectives on Accounting.
21. Devlin J., Chang M., Lee K., Toutanova K. (2019) BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding // ArXiv, URL: https://arxiv.org/abs/1810.04805 (дата обращения – апрель 2020).
22. Dumay J., Guthrie J. (2017) Involuntary disclosure of intellectual capital: is it relevant? // Journal of Intellectual Capital, №18, p. 29-44.
23. European Commission (2019) Towards a Sustainable Europe by 2030 // URL: https://ec.europa.eu/commission/sites/beta-political/files/rp_sustainable_europe_30-01_en_web.pdf (дата обращения – апрель 2020).
24. Groothuis S. (2019) BERT for Sentiment Analysis on Sustainability Reporting // URL: https://qconlondon.com/london2020/presentation/bert-sentiment-analysis-sustainability-reporting
25. Hajek P., Olej V., Myskova R. (2014) Forecasting corporate financial performance using sentiment in annual reports for stakeholders’ decision-making // Technological and Economic Development of Economy, Vol. 20(4), pp.721–738.
26. Hiew, J., Xin H., Hao M., Duan L., Qi W., Yabo X. (2019) BERT-based Financial Sentiment Index and LSTM-based Stock Return Predictability. // arXiv: Statistical Finance, URL: https://arxiv.org/abs/1906.09024 (дата обращения – апрель 2020).
27. Ioannou I., Serafeim G. (2011) The consequences of mandatory corporate sustainability reporting // SSRN Electronic Journal, №7387.
28. Lev B., Feng G. (2016) The end of accounting and the path forward for investors and managers // Wiley Finance.
29. Liu Y., Liu L., Wang C. and Tsai M. (2016) FIN10K: A Web-based Information System for Financial Report Analysis and Visualization // Procceedings of CIKM '16, pp. 2441-2444
30. Loprevite S., Ricca B., Rupo D. (2018) Performance Sustainability and Integrated Reporting: Empirical Evidence from Mandatory and Voluntary Adoption Contexts // Sustainability, Volume 10, pp. 1351.
31. Loughran T., McDonald B. (2011) When Is a Liability Not a Liability? Textual Analysis, Dictionaries, and 10-Ks // The Journal of Finance, Volume 66, pp. 35–65.
32. Loughran T., McDonald B. (2016) Textual Analysis in Accounting and Finance: A Survey // Journal of Accounting Research, Volume 54, pp. 1187–1230.
33. Maroun W. (2017) Assuring the integrated report: Insights and recommendations from auditors and preparers. The British Accounting Review.
34. Meier J., Walid E., Rasmus F. (2018) The Predictive Power of the Sentiment of Financial Reports // ICTERI Workshops.
35. Miralles-Quirós M., Miralles-Quirós J., Arraiano I. (2017) Are Firms that Contribute to Sustainable Development Valued by Investors? // Corporate Social Responsibility and Environmental Management, №24.
36. Moreno–Sandoval A., Gisbert A., Haya P., Guerrero M., Montoro H. (2019) Tone Analysis in Spanish Financial Reporting Narratives // Proceedings of the Second Financial Narrative Processing Workshop (FNP 2019)
37. Myskova R., Hajek P. (2017) Comprehensive assessment of firm financial performance using financial ratios and linguistic analysis of annual reports // Journal of International Studies, Vol. 10, pp. 96-108.
38. Myskova R., Hajek P. (2018) Sustainability and Corporate Social Responsibility in the Text of Annual Reports—The Case of the IT Services Industry // Sustainability, Vol. 10, 4119.
39. Myskova R., Hajek P. (2019) Relationship between corporate social responsibility in corporate annual reports and financial performance of the US companies // Journal of International Studies, Vol. 12, pp. 269-282.
40. Ng A., Rezaee Z. (2015) Business sustainability performance and cost of equity capital // Journal of Corporate Finance, №34, p. 128-149.
41. Pagliarussi M., Aguiar M., Galdi F. (2016) Sentiment analysis in annual Reports from Brazilian companies listed at the BM&Fbovespa; // BASE - Revista de Administração e Contabilidade da Unisinos, №13 (1).
42. Pisani N., Kourula A., Kolk A., Meijer R. (2017) How global is international CSR research? Insights and recommendations from a systematic review. // Journal of World Business, Vol. 52, pp. 591-614.
43. Rupley K, Brown D., Marshall S. (2017) Evolution of corporate reporting: From stand-alone corporate social responsibility reporting to integrated reporting. // Research in Accounting Regulation, Vol.29.
44. Sierra-Garcia L., Garcia-Benau M., Bollas-Araya H. (2018) Empirical Analysis of Non-Financial Reporting by Spanish Companies // Administrative Sciences, Vol. 8, №29.
45. Smailović J., Žnidaršič M., Valentinčič A., Loncarski I., Pahor M., Martins P., Pollak S. (2017) Automatic Analysis of Annual Financial Reports: A Case Study // Computación y Sistemas, Vol. 21 (4), pp. 809–818.
46. Song Y., Wang H., Zhu M. (2018) Sustainable strategy for corporate governance based on the sentiment analysis of financial reports with CSR // Financial Innovation, Vol. 4.
47. Taliento M., Favino C., Netti A. (2019) Impact of Environmental, Social, and Governance Information on Economic Performance: Evidence of a Corporate ‘Sustainability Advantage’ from Europe // Sustainability, Vol. 11, 1738.
48. Zhao L., Li L., Zheng X. (2020) A BERT based Sentiment Analysis and Key Entity Detection Approach for Online Financial Texts // URL: https://arxiv.org/abs/2001.05326 (дата обращения – апрель 2020).
49. Концепция развития публичной нефинансовой отчетности // URL: http://docs.cntd.ru/document/456064017 (дата обращения – апрель 2020)
50. РСПП. Нефинансовая отчетность российский компаний // URL: http://www.rspp.ru/simplepage/nefinansovaya-otchetnost/ (дата обращения – апрель 2020).
51. РСПП. Библиотека корпоративных нефинансовых отчетов // URL: http://рспп.рф/about/registries/natsionalnyy-registr-i-biblioteka-korporativnykh-nefinansovykh-otchetov/ (дата обращения – апрель 2020).
52. Moody's Approach to ESG and Credit // URL: https://esg.moodys.io/ (дата обращения – апрель 2020).
53. S&P Global ESG Evaluation // URL: https://www.spglobal.com/ratings/en/products-benefits/products/esg-evaluation (дата обращения – апрель 2020).
Купить эту работу vs Заказать новую | ||
---|---|---|
0 раз | Куплено | Выполняется индивидуально |
Не менее 40%
Исполнитель, загружая работу в «Банк готовых работ» подтверждает, что
уровень оригинальности
работы составляет не менее 40%
|
Уникальность | Выполняется индивидуально |
Сразу в личном кабинете | Доступность | Срок 1—6 дней |
2000 ₽ | Цена | от 3000 ₽ |
Не подошла эта работа?
В нашей базе 55763 Дипломной работы — поможем найти подходящую