مجموعه قابل توجهی از تحقیقات میزان پیش بینی حاکمیت شرکتی در سطح شرکت (FLCG) را بررسی می کند که عملکرد شرکت را پیش بینی می کند (به عنوان مثال، q Tobin ، سودآوری)، کدام یک از عناصر FLCG یا جنبه های حاکمیتی عملکرد را پیش بینی می کند، و همچنین ویژگی های شرکت را پیش بینی می کند. ‘ انتخاب های CG. ¹ این تحقیق پیامدهای عملی دارد زیرا می تواند تصمیمات نظارتی را در مورد قوانینی که باید اجباری باشند، راهنمایی می کند، سرمایه گذاران را در مورد اقدامات FLCG برای تحت فشار قرار دادن شرکت ها برای پذیرش آن راهنمایی می کند و به مدیران شرکت کمک می کند تا به فشار سرمایه گذار برای FLCG بهتر پاسخ دهند. این تحقیق هم در کشورهای مختلف و هم در چندین کشور، هم در بازارهای توسعه یافته و هم در بازارهای نوظهور (EMs) انجام شده است. اکثر مطالعات بر داده‌های تابلویی تکیه می‌کنند، اگرچه اغلب از طراحی تحقیقاتی دو طرفه (ساخت و زمان) اثرات ثابت (TWFE) استفاده نمی‌کنند.

موضوع اصلی نحوه اندازه گیری FLCG است. محققان از دو رویکرد متمایز استفاده می‌کنند: شاخص‌های خاص کشور (CSIs)، ساخته‌شده توسط محققان، و رتبه‌بندی حاکمیت شرکتی تجاری (CCGRs) ارائه‌شده توسط شرکت‌های تجاری. هر کدام مزایا و معایب بالقوه ای دارند. در ساختن CSI، محققین می توانند عناصر CSI را با دقت تعریف کنند و فقط عناصری را در بر گیرند که معتقدند با FLCG خوب مرتبط هستند. داده ها را می توان برای بسیاری یا همه شرکت های دولتی در یک کشور خاص جمع آوری کرد. علاوه بر این، عناصر CSI را می توان برای رسیدگی به قوانین و آداب و رسوم خاص کشور تنظیم کرد. با این حال، ساخت CSI ها به دلیل نیاز به درک قوانین و آداب و رسوم محلی و جمع آوری داده ها، اغلب به صورت دستی از گزارش های شرکت یا منابع دیگر، گران و زمان بر است. علاوه بر این، از آنجایی که CSI ها مختص کشور هستند، قابلیت تعمیم نتایج به سایر کشورها نامشخص است.

روش دیگر، CCGRها به راحتی با قیمت های مقرون به صرفه در دسترس هستند و تعداد زیادی از کشورها را در یک دوره زمانی قابل توجه پوشش می دهند، اگرچه معمولاً تنها بزرگترین شرکت ها در هر کشور هستند. اگر CCGR ها معیارهای خوبی از FLCG را ارائه دهند، ممکن است دلیل کمی برای ساخت CSI وجود داشته باشد. با این حال، CCGR ها محدودیت های مهمی دارند. آنها قابل تکرار نیستند زیرا ارائه دهندگان رتبه بندی مشخص نمی کنند که چگونه امتیازات در عناصر جداگانه برای ایجاد رتبه بندی کلی (راز تجاری آنها) ترکیب شوند. علاوه بر این، بسیاری از عناصر CCGR فردی مشکوک هستند. با این حال، اگر CCGRها معیارهای FLCG را با قدرت قابل توجهی برای پیش‌بینی نتایج شرکت ارائه دهند، ممکن است با وجود این محدودیت‌ها وسوسه شود که به آنها تکیه کند.

آزمایش مقدار یک اندازه گیری FLCG در گرفتن اثرات FLCG زیربنایی غیرقابل مشاهده ساده نیست. راهبرد واضح این است که بررسی کنیم که آیا معیار آنچه را که باید پیش‌بینی کند (مثلاً نتایج شرکت‌ها) را پیش‌بینی می‌کند یا خیر. در این مسیر دو تله وجود دارد که باید اجتناب کرد. اول، یک مشکل آزمون فرضیه مشترک وجود دارد. یکی به طور همزمان آزمایش می‌کند که آیا FLCG نتایج شرکت را پیش‌بینی می‌کند یا خیر و اینکه آیا معیار خاص برای درک مفهوم زیربنایی FLCG به خوبی کار می‌کند (به عنوان اعتبار سازه ، بلک و همکاران، 2017 از آن یاد می‌شود). دوم، مسئله قدرت آماری وجود دارد. یک همبستگی مشاهده‌شده بین اندازه‌گیری FLCG و نتایج شرکت (یا فقدان آن) می‌تواند منعکس‌کننده سوگیری متغیر حذف شده باشد اگر ویژگی‌های شرکت، که در طرح تحقیق کنترل نمی‌شوند، با CG و نتایج شرکت مرتبط باشند. شیوه‌های FLCG اغلب کمی تغییر می‌کنند و تنها به آرامی در طول زمان تغییر می‌کنند، که نشان می‌دهد FLCG با ویژگی‌های شرکت تغییرناپذیر زمان مرتبط است، که ممکن است برخی از آنها مشاهده نشده باشند. بنابراین، برای اینکه همبستگی بین FLCG و نتایج شرکت راهنمای معتبری برای علیت باشد (آیا تغییر در FLCG باعث تغییر در نتیجه می‌شود)، نیاز به یک طرح تحقیقاتی TWFE و همچنین متغیرهای کمکی ویژگی‌های شرکت با زمان متغیر است. برای اینکه طراحی TWFE قدرت آماری کافی داشته باشد، نیاز به تغییرات اساسی در داخل شرکت در FLCG در طول زمان است.

EMها احتمالاً زمینه پربارتری را نسبت به بازارهای توسعه یافته برای رسیدگی به این مسائل ارائه می دهند. اول، کشورهای توسعه یافته اغلب قوانین CG قوی دارند، و بنابراین تغییرات کمتری در شیوه های CG در بین شرکت ها و درون یک شرکت در طول زمان دارند. فقدان تغییرات درون شرکتی در طول زمان احتمالاً دلیل مهمی است که چرا اکثر مطالعات در کشورهای توسعه یافته نتایج بی‌ثمری پیدا کرده‌اند. ² در مقابل، در EMها، حداقل استانداردها اغلب پایین هستند، که امکان تغییرات در سطح شرکت و در نتیجه قدرت آماری بیشتر را فراهم می‌کند. همچنین، همانطور که شرکت ها و کشورها توسعه می یابند، انتخاب های شرکت می تواند به طور قابل توجهی در طول زمان متفاوت باشد. دوم، تحقیقات قبلی نشان می دهد که یک CSI خوب ساخته شده می تواند ارزش شرکت را با طراحی TWFE در EM ها پیش بینی کند (به عنوان مثال، بلک و همکاران، 2014؛ چونگ و همکاران، 2011). بنابراین، اگر یک CCGR نتواند ارزش شرکت را در EM ها پیش بینی کند، به احتمال زیاد به دلیل ساختار ضعیف آن است تا ناتوانی یک معیار خوب ساخته شده برای پیش بینی ارزش شرکت. در نهایت، تحقیقات قابل توجهی در EM ها با استفاده از CSIs انجام شده است، اما تحقیقات بسیار محدودی با استفاده از CCGR ها و هیچ کدام با استفاده از طرح های TWFE انجام نشده است. ³ جدول App-1 (موجود در پیوست آنلاین در SSRN در http://ssrn.com/abstract=3709531 ) مقالات منتخب قوی‌تر یا شناخته‌شده‌تر را در مورد مطالعه FLCG در سه بعد خلاصه می‌کند: تک در مقابل چند کشور. استفاده از CSI در مقابل CCGR. و روی EMها در مقابل بازارهای توسعه یافته تمرکز کنید. Claessens و Burcin Yurtoglu، 2013 بررسی کامل تری ارائه می دهند.

این مقاله به بررسی این موضوع می‌پردازد که آیا CCGR معیارهای مناسبی برای FLCG ارائه می‌دهد یا خیر. ما ارزش سه CCGR شناخته شده (Asset4، Thomson-Reuters یا TR، و Morgan Stanley Capital International یا MSCI) را ارزیابی می کنیم. هر کدام تعداد قابل توجهی EM را برای یک دوره زمانی قابل توجه پوشش می دهد. ابتدا، ارزیابی می‌کنیم که آیا این CCGRها ارزش شرکت (اندازه‌گیری شده با q Tobin ) یا سودآوری (اندازه‌گیری شده توسط EBIT/دارایی) را در چارچوب TWFE پیش‌بینی می‌کنند. ما هیچ مدرکی پیدا نکردیم که هر یک از این رتبه‌بندی‌ها ارزش یا سودآوری شرکت را پیش‌بینی کند، چه در بین کشورها و چه در کشورها. در یک بررسی استحکام، ما همچنین هیچ ارزش پیش‌بینی‌کننده‌ای در مدلی با استفاده از اثرات تصادفی شرکت (شرکت RE) و با اثرات ثابت سال، که قدرت آماری بیشتری دارد اما در برابر سوگیری متغیر حذف‌شده آسیب‌پذیرتر است، پیدا نمی‌کنیم.

دوم، ما موضوع فرضیه مشترک را بررسی می کنیم که در ادبیات CG به آن پرداخته نشده است. ما شواهدی ارائه می‌دهیم که دلیل احتمالی شکست CCGRها در پیش‌بینی عملکرد شرکت، ساخت و ساز ضعیف است، نه توانایی یک اندازه‌گیری FLCG به خوبی مشخص برای پیش‌بینی q Tobin . ما با بررسی اینکه آیا قدرت پیش‌بینی ضعیف CCGRها از پوشش محدود آنها (معمولاً تنها بزرگترین شرکت‌ها در هر کشور) ناشی می‌شود، شروع می‌کنیم. برای انجام این کار، ما قدرت پیش‌بینی CCGRها را برای پیش‌بینی q Tobin با قدرت پیش‌بینی CSIs از Black و همکاران مقایسه می‌کنیم. (2014، در اینجا BCKKY)، برای شرکت های موجود در هر دو نمونه. بنابراین، این تحلیل محدود به برزیل، هند، کره و ترکیه است. BCKKY نشان می دهد که CSI های آنها قدرت پیش بینی q Tobin را با TWFE در هند، کره و ترکیه و با شرکت RE در برزیل دارند. با وجود اندازه کوچک نمونه های همپوشانی، BCKKY CSI ها قدرت پیش بینی معقولی را حفظ می کنند. با این حال، برای همان شرکت ها، CCGR ها هیچ قدرت پیش بینی ندارند. مطابق با Black et al. (2020)، نشان می‌دهیم که قدرت CSI در پیش‌بینی q Tobin برای نمونه‌های همپوشانی ناشی از تنوع در افشای سطح شرکت است، که بخشی از هر CSI را تشکیل می‌دهد اما تا حد زیادی از CCGRها حذف شده است.

سوم، ما مستقیماً اعتبار سازه را با بررسی همبستگی بین CCGRهای مختلف و همبستگی بین CCGRها و CSIهای BCKKY برای مشاهدات همپوشانی سالهای شرکت بررسی می کنیم. رتبه‌بندی‌های Asset4 و TR نسبتاً با یکدیگر همبستگی دارند، اما این همبستگی مکانیکی است، زیرا شاخص TR پس از خرید Asset4 توسط تامسون رویترز بر روی شاخص Asset4 ساخته شد. با این حال، رتبه‌بندی Asset4 و TR ارتباط ضعیفی با رتبه‌بندی MSCI دارد و هر سه رتبه‌بندی با BCKKY CSI همبستگی ضعیفی دارند. این همبستگی کم بیشتر نشان می دهد که فقدان قدرت پیش بینی CCGR ها نشان دهنده ساختار ضعیف شاخص است. ⁴

چهارم، ما از نظر کیفی ارزیابی می‌کنیم که آیا عناصر CCGR معیارهای معقولی برای حکمرانی هستند که معمولاً درک می‌شوند. ما متوجه می شویم که اغلب آنها نیستند. برخی به جای حکمرانی، نتایج را می سنجند. برخی تا حد زیادی یا کاملاً تکراری از دیگران هستند. برخی ذهنی هستند. برخی، حتی زمانی که در مورد حکمرانی هستند، به نظر معقول نیستند (در بخش 4.5 در زیر مثال هایی ارائه می دهیم). برخی از عناصر از بازارهای توسعه‌یافته اقتباس شده‌اند (مثلاً اقدامات دفاعی از تصرف) و ممکن است جنبه‌های حاکمیتی را که در EM مهم هستند، جایی که اکثر شرکت‌ها خانواده یا گروه کنترل‌کننده‌ای دارند، ضعیف نشان دهند (بچوک و همدانی، 2009).

در نهایت، بررسی می‌کنیم که آیا می‌توانیم سیگنال‌های حاکمیتی مفید را از عناصر جداگانه رتبه‌بندی‌های TR و MSCI استخراج کنیم، که برای آن امتیازات عنصر جداگانه داریم. پس از حذف عناصر غیرمرتبط با حاکمیت از هر رتبه‌بندی، شبه رتبه‌بندی‌ها را به عنوان مجموع وزن‌نشده عناصر مرتبط با حاکمیت ایجاد می‌کنیم. این شبه رتبه‌بندی‌ها هیچ قدرت پیش‌بینی برای q یا سودآوری توبین ندارند . ما همچنین تجزیه و تحلیل مؤلفه اصلی (PCA) را انجام می دهیم و پنج مؤلفه قوی را برای هر رتبه بندی مطالعه می کنیم. هیچ کدام قدرت پیش بینی ثابتی را ارائه نمی دهند.

در مجموع، ما هیچ مدرکی مبنی بر اینکه CCGR ها معیارهای مناسبی از FLCG را ارائه می دهند، نمی یابیم. CCGRها در شکل کنونی خود جایگزین قابل استفاده ای برای CSI ها، چه برای تحقیقات FLCG و چه به عنوان راهنمایی برای جنبه هایی از شرکت ها یا سرمایه گذاران CG ارائه نمی دهند. نتایج ما مکمل نگرانی‌هایی است که شاخص‌های FLCG باید با احتیاط مورد استفاده قرار گیرند زیرا حاکمیت بهینه ممکن است در شرکت‌ها متفاوت باشد (به عنوان مثال، باگات و همکاران، 2008).

این رساله بصورت زیر پیش میرود. بخش 2 دو رویکرد برای ایجاد معیارهای CG را مورد بحث قرار می دهد: CSIs در مقابل CCGR ها، و رتبه بندی Asset4، TR و MSCI و پوشش آنها را خلاصه می کند. بخش 3 روش شناسی ما را توسعه می دهد. بخش 4 نتایج ما را ارائه می دهد. بخش 5 به پایان می رسد.