Isil Erel, Léa H. Stern, Chenhao Tan és Michael S. Weisbach*»

A "Sov.ai" szponzora

Segíthetnek-e az algoritmusok a cégeknek a vállalati igazgatók kinevezésével kapcsolatos döntéseikben?

A társaság igazgatósága jogilag felelős a társaság irányításáért. Az igazgatóság elvileg beszámol a részvényeseknek és képviseli érdekeiket. A gyakorlatban azonban nagy eltérések mutatkoznak az igazgatók minőségében és abban, hogy milyen mértékben szolgálják a részvényesek érdekeit. Mivel a vezérigazgató gyakran hatékonyan irányítja az igazgatóválasztási folyamatot, hajlamos olyan igazgatókat választani, akik valószínűleg nem fognak ellenezni, és nem valószínű, hogy olyan változatos perspektívákat kínálnak, amelyek segítenék a cég értékének maximalizálását. 1776-ban Adam Smith megjelentette a A nemzetek gazdagságátot, és felhívta mindenki figyelmét erre az ügynöki problémára. „Tanulmányunkban” bemutatjuk, hogy egy 21. századi technológia, a gépi tanulás hogyan segítheti a vállalatokat a magasabb színvonalú igazgatók kiválasztásában.

Algoritmusokat készítünk a rendezői teljesítmény mintán kívüli előrejelzésére.

Algoritmusokat fejlesztünk azzal a céllal, hogy jobban teljesítő rendezőket válasszunk. Az igazgatói teljesítmény egyértelmű mérőszáma nyilvánosan elérhető: az igazgató által a részvényesi választásokon megszerzett szavazatok hányada. Ez a szavazás tükrözi azt a támogatást, amelyet az igazgató személyesen részesít a részvényesek részéről, és magában kell foglalnia az igazgató teljesítményével kapcsolatos minden nyilvánosan elérhető információt. A későbbi választásokon az egyes igazgatóknak nyújtott részvényesek támogatását és a cég jövedelmezőségét teljesítménymérőként használva algoritmusokat készítünk az igazgatói teljesítmény ezen mérőszámainak mintán kívüli előrejelzésére.

Először megvizsgáljuk, hogy algoritmusaink pontosan előre jelezhetik-e a cégek által ténylegesen kiválasztott igazgatók minőségét. Ily módon megmutathatjuk, miben különböznek a géppel kiválasztott igazgatók a vezetőség által kiválasztott igazgatóktól, hogy megvilágítsuk az igazgatójelölési folyamatot.

Az algoritmus teljesítményét az egyesült államokbeli tőzsdén jegyzett nagyvállalatok igazgatóságába 2000 és 2014 között kinevezett új független igazgatók nagy mintáján értékeljük. Az XGBoostot használó algoritmusunk pontosan előre jelezheti az egyes igazgatók sikerét, különösen , azonosítani tudja, mely igazgatók valószínűleg népszerűtlenek a részvényesek körében. Ellentétben a gépi tanulási modellekkel (színes vonalak az alábbi ábrán), a standard ökonometriai modellek (azaz az OLS-modell) rosszul illeszkednek az adatokhoz a mintából, és az egyes igazgatók tényleges teljesítménye nem függ össze a modellek teljesítményének előrejelzéseivel hagyományos standard statisztikai megközelítések.

Az előrejelzések minőségére vonatkozó tesztek azt mutatják, hogy az előrejelzések szerint gyengén teljesítő rendezők valóban gyengén teljesítenek a reális jelöltek köréhez képest.

Ezután mérlegeljük, hogy az algoritmus javasolhat-e elfogadható alternatív választásokat az igazgatók közül annak a cégnek, aki jobban teljesített volna. Tesztkészletünkben minden egyes igazgatósági kinevezéshez reális potenciális jelölteket állítunk össze: olyan igazgatókat, akik egy éven belül egy kisebb szomszédos cég igazgatóságába kerültek. Feltehetően ezek a potenciális jelöltek vonzónak találták volna a lehetőséget, hogy egy nagyobb közeli vállalat igazgatóságába kerüljenek, mivel a nagyobb cégek igazgatói posztja általában jobban fizető és tekintélyesebb, mint a kisebb cégeknél. Jelezték azt is, hogy rendelkezésre állnak és hajlandóak erre a konkrét helyre utazni a testületi ülésekre. Bár nem figyeljük meg a potenciális jelöltek teljesítményét (azaz a címkét) (a szelektív címkézési probléma), jelöltünk tervezését pool lehetővé teszi számunkra, hogy megfigyeljük, mit nevezünk „kvázi címkéjüknek”: teljesítményüket azon a fórumon, amelyhez ténylegesen csatlakoztak.

Összehasonlítva a potenciális jelöltek reális csoportjával, az algoritmusaink szerint gyengén teljesítő rendezők teljesítménye jóval alacsonyabb, mint azok, akiknek jó teljesítményt jósoltak. Ráadásul azok a személyek, akiknek a modell jó teljesítményt jósol, és elfogadták a közeli cégek igazgatói posztját, szintén jobban teljesítettek ezeknél a cégeknél, mint azok az igazgatók, akiket a szóban forgó cég választott.

A várhatóan gyengén teljesítő rendezők nagyobb valószínűséggel férfiak, több korábbi és jelenlegi igazgatói pozícióval, kevesebb képesítéssel és nagyobb hálózattal rendelkeznek, mint azok az igazgatók, akiket az algoritmus javasolna a helyükre.

Az algoritmus által javasolt igazgatók és a cégek által ténylegesen kiválasztott igazgatók közötti különbségek lehetővé teszik, hogy felmérjük azokat a tulajdonságokat, amelyeket túlértékelnek az igazgatójelölési folyamatban. Az algoritmusok választásától való eltérések arra utalnak, hogy a cégek által kiválasztott igazgatók nagyobb valószínűséggel férfiak, pénzügyi hátterűek, korábban több igazgatói tisztséget töltöttek be, kevesebb végzettséggel és nagyobb hálózattal rendelkeznek. Eredményeink elfogadható értelmezése az, hogy azok a cégek, amelyek előre láthatóan népszerűtlen igazgatókat jelölnek ki, hajlamosak olyan igazgatókat választani, akik olyanok, mint a meglévő igazgatók, míg az algoritmus azt sugallja, hogy a diverzitás hozzáadása jobb ötlet lenne.

Bizonyos értelemben az algoritmus pontosan azt mondja el, amit az intézményi részvényesek már régóta mondanak, hogy azok az igazgatók, akik nem régi barátok a menedzsmenttel, és eltérő hátterűek, nagyobb valószínűséggel figyelik a menedzsmentet. Ezen túlmenően a kevésbé kötődő igazgatók eltérő és potenciálisan hasznosabb véleményeket fogalmazhatnak meg az irányelvekkel kapcsolatban. Például a TIAA-CREF (jelenleg TIAA) vállalatirányítási politikája nagyrészt az igazgatótanácsok diverzifikálására irányul az 1990-es évek óta, emiatt.

Összességében a gépi tanulás ígéretes az irányítási struktúrák kiválasztásának folyamatának megértésében, és potenciálisan segíthet a valós világban működő cégeknek kormányzásuk javításában.

Határozottan hangsúlyozzuk, hogy az algoritmusok inkább kiegészítik, semmint helyettesítik az emberi megítélést. Az algoritmikus döntési segédletek segíthetnek a cégeknek azonosítani a potenciális igazgatók alternatív választási lehetőségeit, ezáltal több, változatosabb háttérrel és tapasztalattal rendelkező jelölt számára nyithatnak helyet az igazgatóságban, akik egyébként figyelmen kívül maradtak volna.

Erel: Fisher College of Business, Ohio State University, NBER és ECGI ([email protected]); Stern: Foster School of Business, Washingtoni Egyetem ([email protected]); Tan: Számítástechnikai Tanszék, Colorado Egyetem, Boulder ([email protected]); Weisbach: Fisher College of Business, Ohio State University, NBER és ECGI ([email protected]). Az akadémiai cikket innen töltheti le:

https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3144080.