Badamy wpływ różnorodności płci w zarządzie (board gender diversity) na wyniki firm.

1. Gender board diversity and firm performance:
evidence from European data
Katarzyna Bech-Wysocka (FAME|GRAPE & Warsaw School of Economics)
Joanna Tyrowicz (FAME|GRAPE, University of Regensburg, and IZA)
Sebastian Zalas (FAME|GRAPE, University of Warsaw)
SENAMEK
March, 2024
1

2. Intro
• Badamy wpływ różnorodności płci w zarządzie (board gender diversity) na wyniki firm
2

3. Intro
• Badamy wpływ różnorodności płci w zarządzie (board gender diversity) na wyniki firm
• Wiemy, że:
• globalnie tylko 19% miejsc w zarządach firm zajmują kobiety
• tylko 13% firm ma zarządy zbalansowane płciowo
• mniej niż 5% CEOs największych firm to kobiety (International Labour Office 2015a)
2

4. Intro
• Badamy wpływ różnorodności płci w zarządzie (board gender diversity) na wyniki firm
• Wiemy, że:
• globalnie tylko 19% miejsc w zarządach firm zajmują kobiety
• tylko 13% firm ma zarządy zbalansowane płciowo
• mniej niż 5% CEOs największych firm to kobiety (International Labour Office 2015a)
• Elgart (1983) szacuje, że minie co najmniej 200 lat zanim doświadczymy równej reprezentacji
kobiet i mężczyzn w zarządach i kadrze kierowniczej firm
2

5. Intro
• Gender quota legislation
• w 2003 Norwegia wprowadziła obowiązek zatrudnienia 40% kobiet w zarządzie wszystkich spółek
akcyjnych i państwowych (obowiązuje od 2006)
• kwoty płciowe m.in. w Belgii, Francji, Niemczech, Islandii, Włoszech, Holandii, Hiszpanii, Szwecji,
a także Izraelu i Indiach
• w 2020 EU rozpoczęła prace nad wprowadzeniem kwot we wszystkich państwach członkowskich
3

6. Intro
• Gender quota legislation
• w 2003 Norwegia wprowadziła obowiązek zatrudnienia 40% kobiet w zarządzie wszystkich spółek
akcyjnych i państwowych (obowiązuje od 2006)
• kwoty płciowe m.in. w Belgii, Francji, Niemczech, Islandii, Włoszech, Holandii, Hiszpanii, Szwecji,
a także Izraelu i Indiach
• w 2020 EU rozpoczęła prace nad wprowadzeniem kwot we wszystkich państwach członkowskich
• Voluntary gender quotas
• w 2011 raport Lorda Davisa zasugerował wprowadzenie dobrowolnych kwot w UK → 32.4%
kobiet w zarządach spółek FTSE100 w 2019 (International Labour Office 2020)
• Deutsche Telekom wprowadził dobrowolne kwoty w 2010 → 40% kobiet wśród managerów
wyższego szczebla w 2015 (International Labour Office 2015b)
• w spółkach notowanych na australijskiej giełdzie w 2019 30% członków zarządu to kobiety
(International Labour Office 2020)
3

7. What we know - theory
• human capital theory → dodatni wpływ
e.g. Becker (1964), Miller and Triana (2009), Faccio et al. (2016), Shaukat et al. (2016), Low et al. (2015), Smith et al. (2006)
4

8. What we know - theory
• human capital theory → dodatni wpływ
e.g. Becker (1964), Miller and Triana (2009), Faccio et al. (2016), Shaukat et al. (2016), Low et al. (2015), Smith et al. (2006)
• social identity theory → ujemny wpływ
e.g. Tajfel and Turner (1986)
4

9. What we know - theory
• human capital theory → dodatni wpływ
e.g. Becker (1964), Miller and Triana (2009), Faccio et al. (2016), Shaukat et al. (2016), Low et al. (2015), Smith et al. (2006)
• social identity theory → ujemny wpływ
e.g. Tajfel and Turner (1986)
• social network theory → ujemny wpływ
e.g. Tönnies and Loomis (1959), Hambrick and Mason (1984), Ahern and Dittmar (2012)
4

10. What we know - theory
• human capital theory → dodatni wpływ
e.g. Becker (1964), Miller and Triana (2009), Faccio et al. (2016), Shaukat et al. (2016), Low et al. (2015), Smith et al. (2006)
• social identity theory → ujemny wpływ
e.g. Tajfel and Turner (1986)
• social network theory → ujemny wpływ
e.g. Tönnies and Loomis (1959), Hambrick and Mason (1984), Ahern and Dittmar (2012)
• resource dependency theory → dodatni wpływ
e.g. Salancik and Pfeffer (1978), Hillman et al. (2000), D’Souza et al. (2010), Isidro and Sobral (2014), Lückerath-Rovers
(2013)
4

11. What we know - theory
• human capital theory → dodatni wpływ
e.g. Becker (1964), Miller and Triana (2009), Faccio et al. (2016), Shaukat et al. (2016), Low et al. (2015), Smith et al. (2006)
• social identity theory → ujemny wpływ
e.g. Tajfel and Turner (1986)
• social network theory → ujemny wpływ
e.g. Tönnies and Loomis (1959), Hambrick and Mason (1984), Ahern and Dittmar (2012)
• resource dependency theory → dodatni wpływ
e.g. Salancik and Pfeffer (1978), Hillman et al. (2000), D’Souza et al. (2010), Isidro and Sobral (2014), Lückerath-Rovers
(2013)
• agency theory → dodatni wpływ
e.g. Fama and Jensen (1983), Gul et al. (2008), Adams and Ferreira (2009), Simkins and Simpson (2003), Ararat et al. (2015),
Nguyen et al. (2015)
4

12. What we know - empirical analysis
• brak wpływu e.g. Harasheh and Provasi (2021), Ming and Eam (2016), Marinova et al. (2010), Joecks et al. (2013), Wiley
and Tormos (2018)
5

13. What we know - empirical analysis
• brak wpływu e.g. Harasheh and Provasi (2021), Ming and Eam (2016), Marinova et al. (2010), Joecks et al. (2013), Wiley
and Tormos (2018)
• meta-analysis Post and Byron (2015): wnioski mieszane
5

14. What we know - empirical analysis
• brak wpływu e.g. Harasheh and Provasi (2021), Ming and Eam (2016), Marinova et al. (2010), Joecks et al. (2013), Wiley
and Tormos (2018)
• meta-analysis Post and Byron (2015): wnioski mieszane
• Jak?
• niezgodne oszacowanania MNK, bo endogeniczność (self-selection lub reverse-causality)
5

15. What we know - empirical analysis
• brak wpływu e.g. Harasheh and Provasi (2021), Ming and Eam (2016), Marinova et al. (2010), Joecks et al. (2013), Wiley
and Tormos (2018)
• meta-analysis Post and Byron (2015): wnioski mieszane
• Jak?
• niezgodne oszacowanania MNK, bo endogeniczność (self-selection lub reverse-causality)
• natural experiments e.g. Ahern and Dittmar (2012), Matsa and Miller (2013), Yang et al. (2019)
5

16. What we know - empirical analysis
• brak wpływu e.g. Harasheh and Provasi (2021), Ming and Eam (2016), Marinova et al. (2010), Joecks et al. (2013), Wiley
and Tormos (2018)
• meta-analysis Post and Byron (2015): wnioski mieszane
• Jak?
• niezgodne oszacowanania MNK, bo endogeniczność (self-selection lub reverse-causality)
• natural experiments e.g. Ahern and Dittmar (2012), Matsa and Miller (2013), Yang et al. (2019)
• IV:
• Adams and Ferreira (2009) z wykorzystaniem social networks (instrument: proporcja mężczyzn,
którzy są w innych zarządach z kobietami)
• Low et al. (2015) instrument: procentowy udział kobiet wśród managerów niższego szczebla
• Smith et al. (2006) instrument: wykształcenie współmałżonka CEO
• Liu et al. (2014) instrument na poziomie sektora: udział kobiet managerów i zatrudnienie kobiet
5

17. Our contribution
Istniejąca literatura ma istotne ograniczenia:
1. spółki notowane na giełdzie → prawdopodobnie nie odzwierciedla ogólnych tendencji
⇒ dane o firmach wszystkich typów z wielu europejskich krajów
2. bazuje na analizie korelacji → wyniki obciążone
⇒ nowa strategia identyfikacji bazująca na shift-share IV (SSIV)
6

18. Dane
• 9 fal Orbis-Amadeus (2002 - 2020)
• każda fala zawiera informacje do 10 lat wstecz
• dane rejestrowe i finansowe firm + imiona i nazwiska managementu
• wszystkie typy firm: państwowe, prywatne, notowane na giełdzie
• problem: definicja zarządu i rady nadzorczej, płeć
• Próba:
• #krajów: 30-40
• #firm: 4.5 million
• #obserwacji: ponad 20 million
• #lat: ≈ 25
7

19. Dane - problemy rozwiązane
• Definicje:
• podział na executives i non-executives: supervisory boards i management boards
• identyfikacja firm zobligowanych do posiadania zarządu / rady nadzorczej
• jak? na podstawie analizy informacji prawnych dla każdego kraju (oraz zmian w prawie w
analizowanym okresie)
8

20. Dane - problemy rozwiązane
• Definicje:
• podział na executives i non-executives: supervisory boards i management boards
• identyfikacja firm zobligowanych do posiadania zarządu / rady nadzorczej
• jak? na podstawie analizy informacji prawnych dla każdego kraju (oraz zmian w prawie w
analizowanym okresie)
• Industry codes:
• zmiana NACE w 2007 ⇒ problematyczna analiza przed i po
• 50% automatycznie przekodowaliśmy na podstawie correspondence tables
• pozostałe hand-coded
8

21. Dane - problemy rozwiązane
• Definicje:
• podział na executives i non-executives: supervisory boards i management boards
• identyfikacja firm zobligowanych do posiadania zarządu / rady nadzorczej
• jak? na podstawie analizy informacji prawnych dla każdego kraju (oraz zmian w prawie w
analizowanym okresie)
• Industry codes:
• zmiana NACE w 2007 ⇒ problematyczna analiza przed i po
• 50% automatycznie przekodowaliśmy na podstawie correspondence tables
• pozostałe hand-coded
• Przypisywanie płci:
• specyficzne dla każdego kraju
• World Gender Names Database
• wynik: 99% dla mężczyzn i 97% dla kobiet
8

22. Dane - problemy do rozwiązania
• Jak mierzymy firm performance?
⇒ sales vs. growth of sales, profitability, productivity, liquidity, market-share?
9

23. Dane - problemy do rozwiązania
• Jak mierzymy firm performance?
⇒ sales vs. growth of sales, profitability, productivity, liquidity, market-share?
• Jak mierzymy board gender diversity?
• share of women among all board members in a given industry, country, and year
• average of the shares of women across firms in a given industry, country and year
• share of firms in a given industry, country and year which report no single woman on their board(s)
9

24. Dane - problemy do rozwiązania
• Jak mierzymy firm performance?
⇒ sales vs. growth of sales, profitability, productivity, liquidity, market-share?
• Jak mierzymy board gender diversity?
• share of women among all board members in a given industry, country, and year
• average of the shares of women across firms in a given industry, country and year
• share of firms in a given industry, country and year which report no single woman on their board(s)
• Które boards analizujemy?
⇒ osobna analiza dla supervisory i management boards
9

25. Board gender diversity
10

26. Board gender diversity
Statistic Management Board Supervisory Board All board positions
Average Share
N 60,301.00 30,478.00 64,227.00
Mean 0.20 0.21 0.21
Std. Dev. 0.17 0.21 0.14
25th perc. 0.09 0.05 0.13
Median 0.17 0.18 0.19
75th perc. 0.27 0.30 0.28
Weighted Share
N 60,301.00 30,478.00 64,227.00
Mean 0.20 0.21 0.22
Std. Dev. 0.16 0.20 0.13
25th perc 0.10 0.06 0.13
Median 0.18 0.19 0.20
75th perc 0.27 0.30 0.28
Firms with no women
N 60,301.00 30,478.00 64,227.00
Mean 0.74 0.62 0.67
Std. Dev. 0.21 0.31 0.20
25th perc. 0.65 0.45 0.55
Median 0.78 0.67 0.69
75th perc. 0.88 0.90 0.80
11

27. Board gender diversity in time
12

28. Board gender diversity across countries
13

29. Metodologia
• Chcemy oszacować:
log(sales)i,t = β0 + γ BGDi,t + βk log(total assetsi,t) + βl log(employmenti,t) + ηi + εi,t,
ale z powodu endogeniczności BGDi,t korzystamy z IV set-up.
14

30. Metodologia
• Chcemy oszacować:
log(sales)i,t = β0 + γ BGDi,t + βk log(total assetsi,t) + βl log(employmenti,t) + ηi + εi,t,
ale z powodu endogeniczności BGDi,t korzystamy z IV set-up.
• Shift-share IV, gdzie instrument zi,t konstruujemy jako:
zi,t =
X
n
sharei,t,n × shockn
14

31. Shift-share IV
• metodologia zaproponowana przez Bartik (1991)
• wykorzystywana obecnie w wielu aplikacjach:
• Autor et al. (2013) - ekspozycja chińskiego importu na zatrudnienie w sektorze produkcyjnym
• Boustan et al. (2013) - wpływ nierówności dochodów na podatki i wydatki publiczne
• Hummels et al. (2014) - wpływ offshoringu na wynagrodzenia
• Nunn and Qian (2014) - wpływ pomocy humanitarnej na konflikty zbrojne
• Qingyang (2023) - jak roboty przyczyniają się do zrównoważonego wzrostu gospodarczego
15

32. Shift-share IV
• metodologia zaproponowana przez Bartik (1991)
• wykorzystywana obecnie w wielu aplikacjach:
• Autor et al. (2013) - ekspozycja chińskiego importu na zatrudnienie w sektorze produkcyjnym
• Boustan et al. (2013) - wpływ nierówności dochodów na podatki i wydatki publiczne
• Hummels et al. (2014) - wpływ offshoringu na wynagrodzenia
• Nunn and Qian (2014) - wpływ pomocy humanitarnej na konflikty zbrojne
• Qingyang (2023) - jak roboty przyczyniają się do zrównoważonego wzrostu gospodarczego
• ALE nie w analizie wpływu BGD na wyniki firm
15

33. Shift-share IV - szczegóły
zi,t =
X
n
sharei,t,n × shockn
• shock (shift) - reprezentuje globalną zmianę np. zmiany w kierunku równości płci w zarządach
• share - ekspozycja firmy i w czasie t na szok
• shocks vary at a different level than the shares
• super ważne: panel nie wystarczy, musi być dodatkowy level of variation
16

34. Shift-share IV - przykłady
zi =
X
n
sharei,n × shockn
• Card (2001): x - relative employment (natives vs. immigrants) in region i , shock - national
immigration growth from origin country n, share - lagged shares of migrants from origin n in
region i
17

35. Shift-share IV - przykłady
zi =
X
n
sharei,n × shockn
• Card (2001): x - relative employment (natives vs. immigrants) in region i , shock - national
immigration growth from origin country n, share - lagged shares of migrants from origin n in
region i
• Blanchard and Katz (1992): x - employment growth in region i , shock - national growth of
industry n, share - lagged employment shares of industry in a region
17

36. Shift-share IV - własności
• podobnie jak w przypadku standardowego IV: relevance & exogeneity conditions
18

37. Shift-share IV - własności
• podobnie jak w przypadku standardowego IV: relevance & exogeneity conditions
• shock exogeneity - Borusyak et al. (2022), Adão et al. (2019)
• share exogeneity - Goldsmith-Pinkham et al. (2020)
• decyzja ex ante
18

38. Nasze SSIV
SSIV formulated as:
IVk,t =
X
c
# womenc,k,t−10
# managersk,t−10
| {z }
share
· ∆women presence measurec,t,t−10
| {z }
shift
LUB
IVc,t =
X
k
# womenk,c,t−10
# managersc,t−10
| {z }
share
· ∆women presence measurek,t,t−10
| {z }
shift
c - country, k - sector, t - time.
• women presence measure: can be average women share or weighted average women share or
average number of women
• shift factor: change over 10 years (LUB jeden punkt w przeszłości)
• share: lagged (initial)
19

39. Pierwsze wyniki
OLS Pooled IV FE FE FE-IV FE-IV
BGD -0.181∗∗∗ 6.942∗∗∗ -0.0226∗∗∗ -0.0129∗∗∗ -1.223∗∗∗ -0.269∗∗∗
(0.00128) (0.0747) (0.00166) (0.00166) (0.0260) (0.0401)
log(employment) 0.583∗∗∗ 0.602∗∗∗ 0.450∗∗∗ 0.447∗∗∗ 0.448∗∗∗ 0.447∗∗∗
(0.000546) (0.00128) (0.000801) (0.000799) (0.000812) (0.000801)
log(total assets) 0.553∗∗∗ 0.733∗∗∗ 0.470∗∗∗ 0.472∗∗∗ 0.471∗∗∗ 0.471∗∗∗
(0.000391) (0.00215) (0.000725) (0.000750) (0.000738) (0.000754)
Firm FE No No Yes Yes Year Yes
Year FE No No No Yes No Yes
Observations 21539985 21539985 21539985 21539985 21539985 21539985
Notes: s.e. in parentheses, *p < 0.1, ** p < 0.05, *** p < 0.01. Standard errors are clustered at the firm level. We
instrument women share with IV based on lagged average share of women.
20

40. Problemy
• rozkład BGD
21

41. Problemy
• rozkład (dopasowanie w first stage)
22

42. Problemy
• rozwiązanie: zero-one inflated beta distribution
Yit ∼ 0 ( or 1) with probability 1 − pit
Yit ∼ Beta(µitφ, (1 − µit)φ) with probability pit
• parametry szacujemy metodą MLE w:
logit(pit) = α0 + XT
it α + ait
logit(µit) = γ0 + W T
it γ + bit
• funkcja zoib w Stata
23

43. Problemy
• rozkład (dopasowanie w first stage) z zero-one inflated beta distribution
24

44. Problemy
• ALE forbidden regressions: model nieliniowy w first stage (Wooldridge (2010) ”Econometric
Analysis of Cross Section an Panel Data”, p. 265-268)
25

45. Problemy
• ALE forbidden regressions: model nieliniowy w first stage (Wooldridge (2010) ”Econometric
Analysis of Cross Section an Panel Data”, p. 265-268)
• rozwiązanie: e.g. Adams et al. (2009) use a three-step procedure:
• use probit to regress the endogenous variable on the instrument(s) and control variables
• use the predicted values from the previous step in an OLS first stage together with the control
(but without the instrumental) variables
• do the second stage as usual
25

46. Problemy
• alternatywne rozwiązanie: restrict sample
• no nevertakers
• board size ­ 2
• board size ­ 3
• more variability through firm age
• wybrane kraje, sektory
26

47. Problemy
• alternatywne rozwiązanie: restrict sample
27

48. Estimation - MB, no nevertakers, board size ­ 2
OLS Pooled IV FE FE FE-IV FE-IV
BGD in MB positions -0.152∗∗∗ 5.938∗∗∗ -0.00372 -0.0104∗∗ -0.378∗∗∗ -2.760∗∗∗
(0.00546) (0.216) (0.00455) (0.00458) (0.0689) (0.248)
log(employment) 0.600∗∗∗ 0.679∗∗∗ 0.419∗∗∗ 0.420∗∗∗ 0.419∗∗∗ 0.421∗∗∗
(0.00166) (0.00382) (0.00285) (0.00285) (0.00285) (0.00302)
log(total assets) 0.566∗∗∗ 0.720∗∗∗ 0.427∗∗∗ 0.424∗∗∗ 0.428∗∗∗ 0.419∗∗∗
(0.00117) (0.00571) (0.00236) (0.00243) (0.00240) (0.00259)
Firm FE No No Yes Yes Yes Yes
Year trend No No No Yes No Yes
Observations 2251886 2251886 2251886 2251886 2251886 2251886
Notes: s.e. in parentheses, *p < 0.1, ** p < 0.05, *** p < 0.01. Standard errors are clustered at the firm level.
28

49. Estimation - MB, no nevertakers, board size ­ 2 IV only results
1st stage 2nd stage 1st stage 2nd stage
ssiv -0.615∗∗∗ -0.205∗∗∗
(0.0117) (0.0102)
log(employment) 0.0000552 0.419∗∗∗ 0.000417 0.421∗∗∗
(0.000348) (0.00285) (0.000346) (0.00302)
log(total assets) 0.00202∗∗∗ 0.428∗∗∗ -0.00168∗∗∗ 0.419∗∗∗
(0.000288) (0.00240) (0.000290) (0.00259)
BGD in MB positions -0.378∗∗∗ -2.760∗∗∗
(0.0689) (0.248)
F stat 2742.04 1697.36
Firm FE Yes Yes Year Yes
Year trend No No Yes Yes
Observations 2251886 2251886 2251886 2251886
Notes: s.e. in parentheses, *p < 0.1, ** p < 0.05, *** p < 0.01. Standard errors are clustered at the firm level.
29

50. Dalsze wyzwania
• jedna zmienna instrumentalna → nie można zweryfikować empirycznie exogeneity condition
(overidentifying restrictions test)
• teoretycznie wszystkie shares powinny być egzogeniczne, ale w praktyce to założenie może być
często nie spełnione
• rozwiązanie: Apfel (2022)
30

51. Dalsze wyzwania
• jedna zmienna instrumentalna → nie można zweryfikować empirycznie exogeneity condition
(overidentifying restrictions test)
• teoretycznie wszystkie shares powinny być egzogeniczne, ale w praktyce to założenie może być
często nie spełnione
• rozwiązanie: Apfel (2022)
• co robimy na boku? Matsa and Miller (2013)
30

52. Wnioski
Co już mamy?
1. Wpływ BGD na wyniki firmy: causal inference możliwe w IV set-up
2. Wnioski z literatury dla stock listed firms niekoniecznie generalizują się do wszystkich firm
3. Raczej ujemny wpływ BGD na wyniki firmy → social identity theory & social network theory
effects dominate
31

53. Thank you!
Questions or suggestions?
w: grape.org.pl
t: grape org
f: grape.org
e: k.bech@grape.org.pl
32