2.6 Gender diversity & public governance
5.2.1 Resultaat regressie
De eerste stap van het Modified Jones model is kijken of de onafhankelijke variabelen; activa, verschil tussen omzet en vorderingen in het jaar en de materiele vaste activa van invloed zijn op de afhankelijke variabele van de totale discretionaire accruals verkregen uit het model van Loeff en Schaepkens (2009). Met behulp van de OLS regressie worden de onbekende parameters van de Beta geschat om vervolgens de totale niet discretionaire accruals te schatten.
Tabel 7 geeft de uitkomst aan van de invloed van de onafhankelijke variabelen op de totale discretionaire accruals. De significantie van het model heeft een waarde van 0.000 wat aantoont dat het model significant is. Het totale model verklaart dat 87,52 % van de onafhankelijke variabelen van invloed zijn op de afhankelijke variabele van totale discretionaire accruals. Deze hoge waarden voor de R-Square tonen aan dat het Modified Jones model goed gebruikt kan worden voor het voorspellen van de discretionaire accruals. Daarbij kan geconcludeerd worden dat door middel van het Modified Jones model de accruals uit de normale operationele activiteiten op een juiste manier gecorrigeerd worden.
Ook de onafhankelijke variabelen hebben individueel allemaal een significante invloed op de totale discretionaire posten. Waarbij de totale activa een sterke negatieve relatie heeft en verschil tussen omzet en vorderingen in het jaar en de materiele vaste activa een kleine positieve relatie hebben met de totale discretionaire accruals.
Tabel 7: Regressieresultaat formule 1 Modified Jones model
Linear regression Independent variable Beta Std. Error t P>t A τ-1 -376,4495 239,4536 -1,57 0.0116** ΔREVτ - ΔRECτ 0,2372097 0,0154221 1538 0.000*** PPEτ 0,25619 0,0040918 62,61 0.000***
Zie appendix A voor de definitie van de variabelen
R-squared 0,8752
Adjusted R-squared 0,8751
F (3, 2574) 6017,17
Prob > F 0,000***
Model Summary
Dependent variable = TAτ
* = significant bij een 0,10 level (1-tailed) ** = significant bij een 0,05 level (1-tailed) *** = significant bij een 0,01 level (1-tailed)
Formule: TAτ = α1(1/Aτ-1) + α2 ((ΔREVτ -ΔREVτ)/Aτ-1) + α3 (PPEτ/Aτ-1)
Aan de hand van de Beta’s uit het regressiemodel worden vervolgens de niet-discretionaire accruals geschat. Om uiteindelijk tot de disctionaire accruals te komen, moeten de niet-discretionaire accruals afgetrokken worden van de totale discretionaire accruals.
5.2.2 Beschrijvende statistiek
Na de berekening van de geschatte niet-discretionaire accruals en de discretionaire accruals kan de beschrijvende statistiek van alle drie de variabelen geanalyseerd worden. De gemiddelden van alle drie de variabelen zijn positief. Hierdoor kan geconcludeerd worden dat de waarden van de discretionaire posten gemiddeld genomen, vaker zijn gebruikt om het resultaat naar boven te sturen. Dit komt overeen met de resultaten uit paragraaf 5.1.3.
Verder blijkt uit de onderstaande tabel dat de geschatte niet discretionaire accruals een behoordelijk correctie doen op de totale discretionaire accruals uit het model van Loeff en Schaepkens (2009). Blijkbaar hebben de economische omstandigheden waarin een gemeente zich verkeerd een behoorlijke invloed op de discretionaire accruals.
Tabel 8: Beschrijvende statistiek Modified Jones model 5.2.3 Samenvatting
Uit dit onderzoek blijkt dat de onafhankelijke variabelen verkregen op basis van het Modified Jones model (Dechow et al., 1995), een grote invloed hebben op de discretionaire posten berekent op basis van het model van Loeff en Schaepkens (2009). Daarmee wordt aangetoond dat de modellen samen goed gebruikt kunnen worden in voor deze setting.
Ook blijkt na het analyseren van de beschrijvende statistiek dat het Modified Jones Model (Dechow et al., 1995) een behoorlijke correctie uitvoert op de totale accruals. Dit geeft aan dat veel van de totale accruals verkregen uit het model van Loeff en Schaepkens (2009) te verklaren zijn door de normale operationele activiteiten binnen de gemeenten.
Na de toepassing van dit model blijven alleen de absolute discretionaire accruals over, die
Variable N Mean Std.
Deviation Minimum p25 p75 Maximum
TAτ 2578 0,0236 0,4810 -1,1616 -0,0324 0,0657 19,2587
NDAτ 2578 0,0164 0,1213 -0,2545 -0,0097 0,0330 4,9793
DAτ 2578 0,0073 0,3825 -1,3688 -0,0437 0,0600 14,2793
voor paragraaf 5.3, om te verklaren of het geslacht van een burgemeester van invloed is op het gebruiken van discretionaire accruals.
5.3 Multiple regressiemodel
In de vorige paragrafen hebben we middels verschillende modellen een aantal variabelen voor earnings management en discretionaire posten gedefinieerd. Hiermee hebben we kunnen aantonen dat hypothesen 1 & 2 worden ondersteund. In deze paragraaf wordt een antwoord gegeven op hypothese drie.
H 3: Bij gemeenten met een vrouw als burgemeester is er minder sprake van resultaatsturing dan bij een gemeente met een man als burgemeester.
Om de hypothese te toetsen wordt bekeken of de onafhankelijk variabele van geslacht van een burgemeester, gezamenlijk met een aantal controlevariabelen, van invloed zijn op de mate van resultaatsturing bij de Nederlandse gemeenten. De zeven controlevariabelen die voor dit onderzoek gebruikt worden zijn omschreven in paragraaf 4.2.3.1.
Bij dit onderzoek is per gemeente data gebruikt van meerdere verslaggevingsjaren. Om deze reden worden voor dit onderzoek dummy variabelen voor de tijd en voor de identiteit (gemeenten) meegenomen. Met het creëren van dummy’s worden categorische onafhankelijke variabelen aangemaakt, waarmee de effecten op de tijd en de gemeente worden gecorrigeerd.
5.3.1 Beschrijvende statistiek
De variabelen die voor dit onderzoek zijn gebruikt, zijn onder te verdelen in nominale variabelen en ratio variabelen. De hoofdvariabele die wordt onderzocht, het geslacht van de burgemeester, is net als de controlevariabelen aantal inwoners (AI) en stedelijkheid (STED), een nominale variabele.
In tabel 9 zijn de gemiddelden per categorie voor de nominale waarden weergegeven. Voordat de resultaten worden geanalyseerd is het belangrijk om mee te nemen dat uit paragraaf 4.2 blijkt dat dit onderzoek de data een groot deel (87%) van het totaal aantal gemeenten omvat. Hierdoor kan worden gesteld dat verschillen tussen de categorieën niet te verklaren zijn door de gebruikte data, maar door de opbouw van de gemeenten in Nederland.
Uit de tabel kunnen we herleiden dat 19.3% van het totaal aantal burgemeesters over de jaren 2008 t/m 2014 een vrouw is. Verder blijkt dat de meeste Nederlandse gemeenten tussen de 20.000 en 50.000 inwoners hebben (zie ook appendix B). Over de stedelijkheid blijkt dat de meeste
Nederlandse gemeenten weinig stedelijk zijn, met een omgevingsadressendichtheid van 500 tot 100 adressen per km rondom een adres (zie ook appendix B).
Tabel 9: Beschrijvende statistiek nominale variabelen Multiple regressiemodel
Voor de onafhankelijk variabele geslacht van een burgemeester is nog een afzonderlijke tabel 10 opgenomen. Deze laat zien hoeveel vrouwen er in de jaren 2008 tot en met 2014 burgemeester waren. Uit de tabel blijkt dat het percentage vrouwen licht stijgt van 17.2 % in 2008 naar 21.5% in 2014.
Tabel 10: Geslacht van een burgemeester in de jaren 2008-2014
De overige controlevariabelen % vrouwen in de top 10% van een gemeente (TGENDER), ln van de totale activa van een gemeente (SIZE), verhouding eigen vermogen en totaal vermogen (LEV) en de rentabiliteit van de gemeenten (ROA), zijn ratio variabelen. De beschrijvende statistiek van deze variabelen is in tabel 11 opgenomen.
Uit de tabel kunnen we herleiden dat het aantal vrouwen in topfuncties bij gemeenten in
Variable GENDER % AI 3 5 7 % 25,7% 10,7% 3,2% STED % Categories TOTAL 80,7% 5 1 1,6% 3,5% 18,6% 21,2% 34,6% 22,1% 6 49,3% 3,7% 4 1 3 4 5,2% 2
Zie appendix A voor de definitie van de variabelen Zie appendix B voor de categorieën van de variabelen AI & SIZE
Female Male 100% 8 2 100% 19,3% 0,5% 100%
en de hoogste standaarddeviatie. Dit geeft aan dat de ln van de totale activa de grootste spreiding heeft en daarmee de gemeenten het meest van elkaar afwijken bij deze controlevariabelen. De ROA laat het laagste gemiddelde en standaardafwijking zien. Hieruit kan geconcludeerd worden dat deze maatstaf bij alle gemeenten nagenoeg gelijk is.
Zie appendix A voor de definitie van de variabelen
Tabel 11: Beschrijvende statistiek ratio veriabelen Multiple regressiemodel 5.3.2 Multicollineariteit
Voordat de multiple regressieanalyse uitgevoerd worden, wordt eerst gekeken de gekozen variabelen uit het model gecorreleerd zijn. Om dit te toetsen wordt gebruikgemaakt van Pearson’s correlatiecoëfficiënt. In tabel 12 zijn de uitkomsten weergegeven. De vetgedrukte cijfers met een ster geven aan welke variabelen gecorreleerd zijn met elkaar. Daarbij kunnen de waarden verschillen van sterk negatief gecorreleerd (-1) tot sterk positief gecorreleerd (+1). Onder de (-) 0,3 is er sprake van een kleine correlatie, tussen de (-)0,3 en (-)0,5 is er sprake van een middelmatige correlatie en bij (-)0,5 of hoger is er sprake van een sterke correlatie.
In de tabel is te zien dat er 20 variabelen zijn die gecorreleerd zijn met elkaar. De meeste van deze variabelen zijn heel zwak met elkaar gecorreleerd. De variabelen LEV & ROA zijn middelmatig met elkaar gecorreleerd. De variabelen AI & STED, AI & SIZE en STED & SIZE zijn sterk met elkaar gecorreleerd. Om te kijken of deze correlatie van invloed is op de regressieanalyse wordt een VIF test gedaan.
Variable N Mean Std.
Deviation Minimum p25 p75 Maximum
TGENDER 2578 0,20630 0,11130 0,00000 0,12770 0,28130 0,60000
SIZE 2578 11,54670 0,95530 7,60790 10,93050 12,06100 16,51360
LEV 2578 0,38910 0,49350 -0,41930 0,23580 0,50800 23,49950
Tabel 12: Uitkomsten Pearson’s correlatiecoëfficiënt Multiple regressiemodel
Uit Pearson’s correlatiecoëfficiënt is gekomen dat er een aantal variabelen uit de test sterk met elkaar gecorreleerd zijn. Om te bepalen of de variabelen wel of niet meegenomen kunnen worden in de regressie wordt een Variance Inflation Factor test gedaan (hierna VIF). Ook met deze test kan getoetst worden of er sprake is van op multicollineariteit. Bij een VIF waarde hoger dan 10 is er sprake van multicollineariteit. In tabel 13 is te zien dat alle VIF waarden ruim onder de kritieke waarde liggen. Dit betekent dat alle variabelen meegenomen kunnen worden in het regressiemodel.
Variable TAτ DAτ GENDER TGENDER AI STED SIZE LEV ROA
TAτ/DAτ 10000 10000 2578 2578 GENDER -0.0122 0.0136 10000 0.5349 0.4890 2572 2572 2572 TGENDER -0.0039 0.0246 0.1867* 10000 0.8522 0.2346 0.0000 2333 2333 2333 2333 AI 0.0242 0.0023 -0.1013* 0.2653* 10000 0.2193 0.9071 0.0000 0.0000 2578 2578 2333 2333 2578 STED -0.0337 0.0007 0.0519* -0.2569* -0.6385* 10000 0.0876 0.9700 0.0085 0.0000 0.0000 2578 2578 2572 2333 2578 2578 SIZE 0.0245 0.0137 -0.0929* 0.2580* 0.8892* -0.6653* 10000 0.2139 0.4865 0.0000 0.0000 0.0000 0.0000 2578 2578 2572 2333 2578 2578 2578 LEV -0.0142 -0.0150 0.0206 -0.0539* -0.0616* 0.0383 -0.1648* 1000 0.4720 0.4464 0.2961 0.0092 0.0017 0.0517 0.0000 2578 2578 2572 2333 2578 2578 2578 2578 ROA -0.0113 -0.0783* -0.0076 -0.0666* -0.0738* 0.0747* -0.1322* 0.4335* 1000 0.5656 0.0001 0.7004 0.0013 0.0002 0.0001 0.0000 0.0000 2578 2578 2572 2333 2578 2578 2578 2578 2578 Pearson's correlation
Zie appendix A voor de definitie van de variabelen
Zie appendix B voor de categorieën van de variabelen AI & SIZE * Indicatie voor Multicollineariteit
Variable VIF 1/VIF
GENDER 1.05 0.952287 TGENDER 1.14 0.874145 AI 4.74 0.211119 STED 1.83 0.546931 SIZE 5.19 0.192706 LEV 1.32 0.757116 ROA 1.27 0.790218 Mean VIF
Zie appendix A voor de definitie van de variabelen
Variance Inflation Factor
5.3.3 Normaliteit van de variabelen
Na de toets op multicollineariteit kan een toets op de verdeling van de variabelen worden gedaan. Bij een regressie analyse is het bevorderlijk als de variabelen normaal verdeeld zijn. De test die hiervoor wordt uitgevoerd is de Shapiro-Wilks test. Zoals ook in paragraaf 5.1.2 aangegeven, geeft de W-waarde aan of een variabele perfect normaal verdeeld is (W-waarde=1) of perfect scheef verdeeld (W-waarde=-1). Alleen bij een significante z-waarde wordt het model ondersteund.
Tabel 14: Uitkomsten Shapiro-Wilks test Multiple regressiemodel
In tabel 14 is de uitkomst van de test weergegeven. Bij alle variabelen wordt een significante z- waarde gevonden. Ook is te zien dat de variabelen GENDER, TGENDER, AI, STED en SIZE bijna perfect normaal verdeeld zijn. Deze variabelen zijn daarmee uiterst geschikt om een regressieanalyse uit te voeren. De waarden voor LEV en ROA zijn niet normaal verdeeld. Om deze variabelen normaler verdeeld te krijgen kan het logaritmisch transformeren van de variabelen helpen. Echter de variabelen LEV en ROA hebben ook negatieve waarden, hierdoor kunnen ze niet logaritmisch getransformeerd worden. Voor een regressieanalyse is het bevorderlijk als variabelen normaal verdeeld zijn, echter niet noodzakelijk. Daarom worden de waarden op dezelfde manier meegenomen.