Matching it up: non-standard work and job satisfaction.pdf
Gender board diversity and firm performance: evidence from European data
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
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
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
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
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