Источник: Выходные данные программы STATA 17.0, 2023.

Таблица 3. Корреляционная матрица SRQ и объясняющих переменных

Источник: Выходные данные программы STATA 17.0, 2023.

Легенда: *P-значение < 0,05.

Кроме того, контрольная переменная CSIZE имеет среднее значение 8,585 и стандартное отклонение 0,765 при расчете натурального логарифма совокупных активов банков, попавших в выборку. Как видно из минимального и максимального значений CSIZE, равных 6,64 и 9,75 соответственно, это свидетельствует о том, что данные по размеру компаний (CSIZE) имеют большой разброс относительно своего среднего значения.

Качественная ESG-отчетность помогает инвесторам принимать обоснованные решения о долгосрочном соответствии своих инвестиций устойчивому развитию.

Согласно Таблице 3, коэффициенты положительной связи SRQ с SCSIZE, SCINDEP, SCDIL и CSIZE составляют соответственно 0,147, 0,344, 0,223 и 0,472; в то же время SCDIV имеет отрицательное значение связи в -0,007. Однако значимыми являются только ассоциации с SCINDEP, SCDIL и CSIZE. Кроме того, все объясняющие и контрольные переменные имеют умеренную или сильную положительную и значимую связь друг с другом, за исключением двух положительных связей CSIZE с SCSIZE и CSIZE с SCDIV (0,177 и 0,023 соответственно), которые не являются значимыми. Эти коэффициенты свидетельствуют о том, что улучшения соответствующих характеристик комитета по устойчивому развитию положительно коррелируют друг с другом. Кроме того, контрольная переменная CSIZE положительно коррелирует со всеми переменными исследования, причем коэффициенты варьируются от низкого значения 0,0227 (SCDIV) до высокого 0,4715 (SRQ). Это говорит о том, что в результате увеличения размера активов компаний повышается и качество их ESG-отчетности.

Таблица 4. Результаты диагностических тестов

Источник: Выходные данные программы STATA 17.0, 2023.

Легенда: За исключением SRQ и CSIZE, где p-значение > 0,05.

Для дальнейшего подтверждения отсутствия мультиколлинеарности между объясняющими переменными используется коэффициент инфляции дисперсии (VIF). По мнению Мюррея, Нгуена, Ли, Ремменги и Смита (2012), непрерывные переменные, рассчитываемые для соответствующего момента времени (переменные во времени), обязательно будут иметь элементы мультиколлинеарности. Таким образом, использование VIF измеряет степень детерминации объясняющих переменных в моделях. Исходя из позиции Коэна, Коэн, Уэста и Эйкена (2013) и Акинванде, Дикко и Самсона (2015), VIF более 5 при уровнях допустимого отклонения, приближающихся к 0, свидетельствует о высокой мультиколлинеарности объясняющих переменных. В столбце 8 Таблицы 3 представлены индивидуальные VIF объясняющих переменных, наименьший из которых составляет 1,36 (CSIZE), а наибольший — 7,86 (SCDIL). Это свидетельствует об отсутствии полной мультиколлинеарности между объясняющими переменными исследования. Об отсутствии полной мультиколлинеарности между переменными свидетельствует среднее значение VIF, которое не превышает 5, как показано в Таблице 3.

Кроме того, были проведены тесты на нормальность распределения (проверка асимметрии и эксцесса, тест Шапиро-Уилка), тесты Лагранжа и Бреуша-Пагана, одновременную корреляцию, панельную последовательную корреляцию и групповую гетероскедастичность. В Таблице 4 представлен обзор результатов этих тестов.

Таблица 5. Результаты регрессии

Источник: Выходные данные программы STATA 17.0, 2023.

Легенда: Коэффициенты; ** P-значение < 0,01; * P-значение < 0,05.

Для определения нормальности распределения данных исследования для остатков регрессии фиксированных эффектов выполняются проверки асимметрии и эксцесса и тест Шапиро-Уилка. Судя по результатам, приведенным в Таблице 4, каждый совместный скорректированный хи-квадрат имеет альфа-значение асимметрии/эксцесса менее 0,05 (за исключением SRQ и CSIZE), что свидетельствует о том, что большинство переменных в целом дают z-статистику, превышающую 1,96. Это говорит о том, что данные исследования являются смещенными (несимметричными). Аналогичным образом z-показатели Шапиро-Уилка выходят за пределы вилки +/-1,96, причем все они значимы при p-значениях менее 0,05, следовательно, данные по переменным распределены не нормально.

Наличие серийной корреляции в панелях приводит к тому, что параметры идиосинкразических ошибок коэффициентов становятся меньше их действительного состояния, а R2 — выше (Wooldridge, 2002). Данные Таблицы 4, где F-значение равно 16,754, а p-значение равно 0,0027, свидетельствуют о наличии последовательной корреляции в структуре панельных данных, нулевая гипотеза «отсутствие серийной корреляции» не может быть подтверждена.

Кроме того, в исследовании проводится кросс-секционная проверка независимости Песарана для выяснения наличия или отсутствия корреляции остатков регрессии по компаниям, попавшим в выборку. Это связано с наличием временных корреляций, также известных как кросс-секционная зависимость, между регрессионными остатками сумм моделей, что приводит к смещению оценок. Нулевая гипотеза исследования состоит в том, что корреляция между остатками отсутствует на 5 % уровне значимости. Для теста с p-значением 0,1296 в таблице 4 значение хи-квадрата равно 1,516. Тем самым нулевая гипотеза подтверждается, и авторы исследования приходят к выводу, что остатки регрессии модели не связаны между собой.

Кроме того, в исследовании проведена проверка групповой гетероскедастичности с использованием остатков регрессии по обобщенному методу наименьших квадратов (GLS) и на основе модифицированной статистики Вальда. Это объясняется тем, что, исходя из предположения о гомоскедастичности остатков, наличие гетероскедастичности приводит к смещению стандартных ошибок оценок. Нулевой гипотезой для данного теста является то, что остатки регрессионных моделей гомоскедастичны на 5 % уровне значимости. На основании значимого значения хи-квадрата, равного 1875,31, при p-значении 0,000, представленного в Таблице 4, исследование не подтверждает нулевую гипотезу. Вместо этого делается вывод о том, что остатки моделей являются гетероскедастичными.

Как уже отмечалось выше, результаты тестов Шапиро-Уилка и проверки асимметрии/эксцесса свидетельствуют о наличии выбросов в условных остатках регрессии с фиксированнами эффектами (FE). Однако, преобразование данных не представляется возможным, поскольку объясняющие переменные исследования, основанные на VIF, не обладают мультиколлинеарностью. Кроме того, наличие в панели временной корреляции, панельной серийной корреляции и групповой гетероскедастичности негативно сказывается на оценках параметров и смещает стандартные ошибки (Cameron, 2009). Поэтому для устранения этих аномалий и обеспечения согласованности, эффективности и отсутствия смещения стандартной ошибки при оценке коэффициентов параметров в исследовании используется оценка стандартной ошибки с поправкой на панель (PCSE), предложенная в работах Бека и Каца (1996, 1995).

В Таблице 5 приведены z-показатели, p-значения и PCSE каждой предикторной переменной по зависимым переменным. В ее основе лежит модель, переформулированная таким образом:

SRQi,t = β0 + β1SCSIZEi,t + β2SCINDEPi,t + β3SCDIVi,t + β4SCDILi,t + β5CSIZEi,t + εi,t (1)

Таблица 6. Проверка гипотез исследования

Источник: Выходные данные программы STATA 17.0, 2023.

Легенда: ** P-значение < 0,01; * P-значение < 0,05.

Результат PCSE для модели наименьших квадратов показывает R2, равный 10,84 %, по сравнению с общим R2, равным 30,12 % для модели фиксированных эффектов, что свидетельствует о значительном падении на 19,28 %. При пороге значимости p-значения