Capitolo 1 Il concetto di rischio 1
4.6 La Research Question 2 133
Così come abbiamo definito nel paragrafo 1, con la Research Question 2 verificheremo la probabilità che un’azienda adotti l’ERM dato il legame esistente con il leverage dell’impresa e le altre determinanti. Quest’analisi ci porterà a comprendere quali dei fattori che analizzeremo spingono maggiormente all’adozione della gestione integrata del rischio.
Per rispondere alla Research Question 2, abbiamo costruito due modelli. La differenza tra i due modelli sta nel fatto che mentre nella prima regressione tutte le variabili della regressione sono considerate prendendo a riferimento lo stesso anno di riferimento, nella seconda abbiamo considerato gli effetti ritardati dell’ERM sulla realtà aziendale e quindi la variabile dipendente che definiremo sarà “ritardata”, a one-‐period lagged dependent
variable così come si usa chiamarla in letteratura (vedi infra pagina 29).
La Research Question 2: ipotesi di contemporaneità
Con il primo modello abbiamo costruito una Logistic regression su dati Panel ad effetti fissi con le seguenti caratteristiche:
• la variabile dipendente è l’ERM, definita come una variabile binaria;
• le variabili indipendenti sono le seguenti: Market Leverage, Book leverage,
Profitability, Growth opportunity, Tangibility of assets, Firm size, Effective tax rate, Earnings volatility, Dividend payout e lo Share price Performance;
• tutte le variabili sono costruite così come sono state definite nel paragrafo 4.4; • l’arco temporale preso a riferimento va dal 2005 al 2013 e le imprese oggetto
dell’analisi sono 183.
Il modello che abbiamo costruito è il seguente:
ERMit = α + β1 Market Leverage + β2 Book Leverage + β3 Profitability + β4 Growth
opportunity + β5 Tangibility of assets +β6 Firm size + β7 Effective tax rate + β8
Earnings volatility + β9 Dividend payout + β10 Share price performance + εit
dove i rappresenta le 183 società del nostro campione e t l’arco temporale preso a riferimento.
Una volta costruito il modello i dati sono stati importati su Stata e mediante la funzione
Logistic regression su dati Panel ad effetti fissi sono stati ottenuti i risultati illustrati in
Figura 4.11 – Logistic Regression in ipotesi di contemporaneità con l’ ERM come variabile dipendente
EQUAZIONE VARIABILI COEFFICIENTI P-‐VALUE OSSERVAZIONI NUMERO
ERM leverage Market 2,759 0,084 1506
Book
Leverage 0,132 0,824 1626 Profitability -‐1,016 0,508 1627
opportunity Growth -‐0,602 0,116 1506
Tangibility of assets 0,117 0,801 1617
Firm size 4,590 0,000 1599
Effective tax rate -‐0,019 0,659 1608
Earnings volatility -‐0,01900 0,242 1619
Dividend Payout 0,10200 0,304 1463
performance Share price 0,473 0,105 1466
Fonte: elaborazione personale.
Così come si vede dalla tabella in figura 4.11, i risultati della nostra analisi non sono molto significativi. L’unica variabile che dà risultati soddisfacenti è la Firm size, che presenta una relazione diretta con l’adozione dell’ERM nella realtà aziendale. Tale risultato è coerente con quanto viene sostenuto dalla letteratura sul tema. All’aumentare della grandezza dell’impresa è molto più probabile che un’impresa adotti l’ERM. Ciò risiede nel fatto che, sebbene un approccio integrato alla gestione dei rischi comporti innumerevoli vantaggi (vedi Capitolo 2), non si può negare il fatto che per un’impresa rappresenti anche un investimento. Imprese non molto grandi probabilmente non potrebbero permettersi un approccio di questo tipo.
Alzando l’asticella del nostro p-‐value, ossia andando a considerare anche p-‐value < 10%, possiamo notare che la probabilità di adottare un sistema di ERM si pone in relazione diretta con l’aumento del market leverage di un’impresa. Un risultato simile è stato ottenuto dal lavoro di Bertinetti, Cavezzali e Gardenal (2013)102.
102 In tale studio però si è assunta una diversa misura del leverage di un’impresa, ossia data dal rapporto tra il book
In generale comunque la scarsa significatività dei dati ci ha portati ad analizzare una variante del modello che abbiamo presentato, ossia l’andare a considerare gli effetti ritardati dell’ERM sulla struttura finanziaria dell’impresa.
La Research question 2 con effetti ritardati
Come abbiamo già detto, in questa sede andremo a considerare il legame tra l’adozione dell’ERM in azienda con il leverage delle imprese e le sue determinanti, considerando però gli effetti ritadarti dell’ERM sulla realtà aziendale. Per fare questo abbiamo costruito un modello in cui mentre l’ERM è considerato all’anno (t), tutti le altre variabili sono considerate all’anno (t-‐1). Tale modalità di approcciarsi all’ERM in realtà sembrerebbe più corretta poiché l’implementazione in azienda di un sistema di gestione integrata del rischio comporta delle modifiche “manageriali” e strutturali che difficilmente possono essere riscontrate nel brevissimo termine. L’implementazione dell’ERM in azienda, richiedendo il coinvolgimento di tutto il personale aziendale, richiede del tempo. Per questi motivi ci pare opportuno presentare anche questa tipologia di analisi.
Con il secondo modello abbiamo costruito una Logistic regression su dati Panel ad effetti fissi con le seguenti caratteristiche:
• la variabile dipendente è l’ERM (t), definita come una variabile binaria ;
• le variabili indipendenti sono le seguenti considerate all’anno (t-‐1): Market
Leverage, Book leverage, Profitability, Growth opportunity, Tangibility of assets, Firm size, Effective tax rate, Earnings volatility, Dividend payout e lo Share price Performance;
• tutte le variabili sono costruite così come sono state definite nel paragrafo 4.4; • l’arco temporale preso a riferimento va dal 2006 al 2013103 e le imprese oggetto
dell’analisi sono 183.
Il modello che abbiamo costruito è il seguente:
ERMi (t) = α + β1 Market Leverage + β2 Book Leverage + β3 Profitability + β4 Growth
opportunity + β5 Tangibility of assets +β6 Firm size + β7 Effective tax rate + β8
Earnings volatility + β9 Dividend payout + β10 Share price performance + εit
dove i rappresenta le 183 società del nostro campione e t l’arco temporale preso a
103 La considerazione in questa analisi degli effetti ritardati ci ha portato ad escludere un anno dall’arco temporale
riferimento.
Una volta costruito il modello i dati sono stati importati su Stata e mediante la funzione
Logistic regression su dati Panel ad effetti fissi sono stati ottenuti i risultati illustrati in
figura 4.12.
Figura 4.12 – Logistic Regression con effetti ritardati con l’ERM come variabile dipendente
EQUAZIONE VARIABILI (t-‐1) COEFFICIENTI P-‐VALUE OSSERVAZIONI NUMERO
ERM leverage Market 3,624 0,089 1332
Book Leverage 0,890 0,463 1444
Profitability -‐1,866 0,272 1445
opportunity Growth -‐0,332 0,444 1332
Tangibility of assets -‐0,565 0,543 1436
Firm size 5,302 0,000 1427
Effective tax rate 0,052 0,962 1428
Earnings volatility 0,007 0,752 1437
Dividend Payout 0,130 0,272 1301
performance Share price 0,790 0,025 1293 Fonte: elaborazione personale.
I risultati mostrano quanto dicevamo in precedenza: l’andare a considerare gli effetti ritardati dell’adozione dell’ERM sulla realtà aziendale fa sì che i risultati a cui siamo giunti siano leggermente più significativi. Abbiamo 2 variabili molto significative, con un p-‐value < 0,05, e una variabile comunque abbastanza significativa con un p-‐value < 0,10, che dovrebbero, ognuna con il proprio segno, essere fattori determianti la probabilità di adottare un sistema di ERM da parte delle imprese prese a riferimento. Quindi, rispetto al modello precedente abbiamo una variabile significativa in più che risulta determinante ai fini della probabilità dell’adozione dell’ERM nella realtà aziendale.
La Firm size e il market leverage, così come abbiamo già visto nel precedente modello, presentano una relazione positiva con il market leverage. Inoltre, in questa seconda analisi, si nota come un altro fattore determinante la probabilità di adottare l’ERM in azienda è lo
Shire Price Performance. Quindi, sembrerebbe dai nostri risultati che la presenza di
Per molti di questi dati non abbiamo un punto di riferimento in letteratura, per cui è difficile trarre conclusioni definitive. L’unica cosa che possiamo mettere in evidenza è che abbiamo riscontrato che per il nostro campione le 3 variabili evidenziate in figura 11 sono in grado, ognuna con il proprio segno, di influenzare la probabilità di adottare l’ERM in azienda.