Twitter-аккаунты как инструмент увеличения стоимости компании

Более того генеральный директор в среднем публикует на своей персональной странице 0.17 постов в год. Стандартное отклонение 0.88, данное значение, приближенно к среднему и показывает на сколько в среднем отклоняются значения от средней арифметической изучаемой совокупности.

Теперь перейдем к финансовым показателям, так коэффициент Тобина (Tobin's Q) в таблице 1, как на основной показатель результатов деятельности компаний. Среднее значение коэффициента Тобина (Tobin's Q) выше 1, это говорит о том, что рынок оценивает компании в целом по выборке выше, чем их реальная балансовая стоимость. Однако необходимо отметить, что минимальное значение данного показателя составляет 0.0047, то есть рыночная стоимость компании намного меньше, чем балансовая стоимость, и существуют компании, которые рынок в свою очередь недооценивает. Стандартное отклонение составляет показывает, как распределены значения относительно среднего в нашей выборке, то есть согласно данному значению в среднем объекты отклоняются от общей выборки на 1.08. Можно отметить, что разброс значений довольно невелик и практически равен среднему значению коэффициента.

Далее перейдем к интерпретации описательных статистик независимых переменных. Необходимо отметить, что в выборке присутствуют отрицательные значения рентабельности активов (ROA), это свидетельствует о том, что в выборке присутствуют непреуспевающие компании, деятельность которых направлена на отсутствие получения чистой прибыли, то есть данные компании работают в убыток и неэффективно применяют свои активы. Более того, стоит отметить, что значение переменной лежит в диапазоне от -7.88 до 18.67. Стандартное отклонение показывает, что в среднем объекты в выборке отклоняются от генеральной совокупности на 4.51 и данное значение, приближенно к среднему.

Значение переменной финансовый рычаг «LEV», которая отражает отношение заемного капитала к собственному находится в диапазоне от -34.83 до 48.56. Показатель центрирования, а именно арифметическое среднее в данном случае составляет 9.30, то есть доля заемного капитала в сумме общих средств велика и это говорит о высоком финансовом риске компании. Данный показатель показывает использование заемного капитала компаниями и как это отражается на чистой прибыли. Стандартное отклонение составляет 10.49, после исключения слишком больших выбросов данное значение приближено к среднему значению.

Среднее значение коэффициента текущей ликвидности «Current ratio» составляет 1.61, и он входит в границу нормального значения (1,5-2,5). Данный коэффициент отражает платёжеспособность компании, чем больше значение коэффициента, тем, лучше. Это означает, что на один рубль текущих обязательств приходится 1.61 рубль текущих активов. Стоит также отметить, что минимальное значение составляет 0.164 это указывает невысокий риск у компании, что она не сможет оплачивать свои текущие счета. Максимальное же значение 11.39 и указывает на нерациональную структуру капитала.

На основе полученных показателей, средний возраст генерального директора «Age» составляет 52 года, кроме того стандартное отклонение равно 5.04, то есть в среднем показатели не сильно варьируются друг от друга и приближены к среднему. Минимальное и максимально значение находится в диапазоне от 31года до 65 лет соответственно значения не сильно разнятся друг от друга.

Среднее значение показателя пола генерального директора «Gender» составляет 0.89, данное число приближено к 1. Таким образом 89% всей выборки составляют мужчины.

Средний опыт работы «Experience» составляет 3 года, а максимальное значение 10 лет, однако минимальное значение 0 говорит о том, что многие генеральные директора пришли на пост не в исследуемый период. Стандартное отклонение также приближено к среднему значению, и показывает, что в среднем объекты отклоняются от генеральной совокупности на 2.59.

Таким образом можно составить портрет относительно характеристик генерального директора, то есть средний генеральный директор -- это мужчина в возрасте 52 года с опытом работы более 3 лет.

Таким образом, можно утверждать, что распределение анализируемых переменных отлично от нормального. Также, следует подчеркнуть, что значения переменных лежат в различных диапазонах и обладают колоссально различными средними значениями, особенно это касается переменных, которые выражены в денежном эквиваленте. Также стоит отметить, что стандартное отклонение по многим показателям приближенно к среднему, то есть наблюдения, не сильно разбросаны друг друга и правильно были исключены большие выбросы.

Для того чтобы посмотреть, как анализируемые переменные взаимосвязаны друг с другом необходимо построить корреляционную матрицу, которая наглядно покажет характер и степень взаимосвязи. Оптимальные значения должны находиться в диапазоне от -1 до 1.

Матрица корреляций представлена в Приложении 1. В целом из результатов корреляционного анализа можно заметить, что существует сильная взаимосвязь 0,928 между переменными относительно количества публикаций, добавленных в избранное «Favorcomp» и количества публикаций, добавленных на страницы к другим пользователям «Retweetcomp». Данный коэффициент значим на 1% уровне, что показывает значимую статистическую связь. Этот факт дает возможность предполагать, что будет присутствовать мультиколлинеарность при построении модели, следовательно, целесообразно исключить данные переменные из модели, для более точного представления результатов.

Также стоит отметить, что значение корреляции между переменными упоминаний Twitter аккаунта компаний «Linkscmp» и количества публикаций, добавленных в избранное «Favorcomp» составляет 0,812, более того связь между количеством публикаций, которые добавляли к себе другие пользователи «Retweetcomp» и упоминанием страницы компании «Linkscmp» равен 0,781. Оба коэффициента значимы на 1% уровне, что говорит о наличии взаимосвязи между данными переменными. То есть можно говорить о том, что публикации, добавленные в избранное часто одни и те же публикации, которые добавляют к себе на страницы. Таким образом, необходимо оставить одну переменную об упоминаниях аккаунта, которая уже включает в себя ранее исключенные показатели.

Согласно результатам корреляционного анализа для аккаунтов генеральных директоров, существует сильная взаимосвязь между переменными количества публикаций, добавленных в избранное «Favorceo» и количества публикаций, добавленных на страницы к другим пользователям «Retweetceo» и составляет 0.986. Данный коэффициент значим на 1 % уровне и отражает статистическую значимость данной связи. При построении модели необходимо исключить данные два показателя, как и в первом случае.

Кроме того, существует взаимосвязь между переменными упоминаний Twitter аккаунта генерального директора «Linksceo» и количества публикаций, добавленных в избранное «Favorceo» составляет 0,828, к тому же существует связь между количеством публикаций, которые добавляли к себе другие пользователи «Retweetceo» и упоминанием страницы генерального директора «Linksceo» равен 0,803. Оба коэффициента значимы на 1% уровне, что говорит о наличии взаимосвязи между данными переменными. Полученные значения корреляции между индикаторами являются наибольшими, остальные показатели корреляционной матрицы являются малоинформативными.

Однако есть значения на уровне 0.696 между частотой публикаций компании и количеством публикаций, которые добавляли к себе другие пользователи «Retweetcomp». В дополнении возраст страницы генерального директора «Ceoacage» связан с частотой публикаций «Ceoper» 0.617, с количеством публикаций, добавленных в избранное «Favorceo» коэффициент равен 0.620 и количеством публикаций, добавленных на страницы к другим пользователям «Retweetceo» и составляет 0.646.

4.2 Регрессионный анализ

В ходе регрессионного анализа панельных данных будет проанализирована модель с фиксированными эффектами для выбранной зависимой переменной Tobin's Q. В модели с фиксированными эффектами свободный член изменяется по индивидуальным единицам i. Оценивание модели с фиксированными эффектами помогает учесть в модели ненаблюдаемые индивидуальные эффекты. Результаты оценивания модели для Twitter аккаунтов компаний и генерального директора представлены в таблице 2.

Кроме того, стоит отметить, что из первоначальной модели были исключены следующие переменные: «Age»- возраст генерального директора, так как существует ненаблюдаемая связь между данной переменной и тем фактом, что все 10 генеральных директоров, у которых есть личные персональные страницы в Twitter это мужчины, а большую часть выборки 89% составляют мужчины. В дополнение были исключены переменные относительно количества публикаций компании и генерального директора добавленных в избранное другими пользователями («Favorcomp» и «Favorceo»), а также показатели относительно количества публикаций компании и генерального директора, которые другие пользователи добавили к себе на страницы («Retweetcomp» и «Retweetceo»), так коэффициент корреляции между ними слишком высок и это вызовет проблему мультиколлинеарности.

Таким образом, была проанализирована модель с фиксированными эффектами, в которую вошли 13 переменных, отражающие необходимую информацию для подтверждения или отклонения выдвинутых гипотез.

Для того, чтобы определить правильно ли была выбрана изначально модель с фиксированными эффектами, были построены вспомогательные модели: сквозная и модель со случайными эффектами и проверены с помощью соответствующих тестов.

Сквозная регрессия -- это самая ограничительная модель из всех возможных, она игнорирует панельную природу данных, не учитывает индивидуальные особенности наблюдений и временные эффекты, и предписывает одинаковое поведение всем объектам выборки во периоды времени.

Наиболее компромиссной является модель со случайными эффектами, так как она является менее ограниченной, чем сквозная, и дает более статистически значимые оценки параметров, чем модель с фиксированными эффектами. В модели учитывается существующая, не ненаблюдаемая гетерогенность. Для оценивания данной регрессии используется обобщенный метод наименьших квадратов.

Далее перейдем к проведению тестов для определения наилучшей модели. Для начала необходимо сравнить сквозную модель и модель с фиксированными эффектами с помощью теста Вальда. Данный тест проверяет гипотезу о равенстве нулю всех индивидуальных эффектов в модели с фиксированными эффектами.

Для выбора наилучшей спецификации между моделью со случайными эффектами и сквозной используют тест Бройша-Пагана. Данный тест предназначен, для проверки гипотез на наличие случайного индивидуального эффекта. Для данного теста характерны следующие гипотезы:

(сквозная модель лучше описывает данные)

(модель со случайным эффектом предпочтительнее)

На последнем этапе сравнивают модели с фиксированными индивидуальными эффектами со случайными эффектами, и для выявления наилучшей необходимо воспользоваться тестом Хаусмана. В этом тесте проверяются следующие гипотезы:

(модель со случайными эффектами лучше)

(модель с фиксированными эффектами лучше)

Перейдем к рассмотрению результатов полученных тестов. На основании проведенных тестов, можно сделать следующие выводы для проверки того, что мы изначально определили наилучшую модель с фиксированными эффектами:

1) Тест Вальда

F test that all u_i=0: F (93, 161) = 31.57 Prob > F = 0.0000

Поскольку p-уровень <0,01, 0.05, 0.1, то основная гипотеза отвергается, следовательно, индивидуальные эффекты не равны нулю, а значит регрессионная модель с фиксированными эффектами лучше подходит.

2) Тест Бройша-Пагана

Var(u) = 0 chibar2(01) = 188.91 Prob > chibar2 = 0.0000

Так как p-уровень <0.01,0.05,0.1, следовательно, нулевая гипотеза отвергается, иными словами, модель со случайными эффектами лучше, чем сквозная.

Так из двух проведенных ранее тестов видно, что модели с фиксированными эффектами и случайными эффектами лучше, чем сквозная, однако необходимо определить с помощью следующего теста Хаусмана, как из этих двух моделей наиболее предпочтительна для данного анализа.

3) Тест Хаусмана

chi2(12) = (b-B)'[(V_b-V_B) (-1)] (b-B) = 25.70 Prob>chi2 = 0.011

На основании полученного значения p-уровень <0.05,0.1 нулевая гипотеза отвергается, следовательно, можно сделать вывод о превосходстве модели с фиксированными эффектами.

Из всех рассмотренных моделей наилучшей и дающей эффективные оценки является модель с фиксированными эффектами. Таким образом, на начальном этапе была верно выбрана спецификация модели для анализа панельных данных. В таблице 2 представлены основные характеристики построенных моделей с учетом статистической значимости коэффициентов.

Таблица 2. Регрессионные модели для Twitter аккаунтов компаний и генерального директора с фиксированными эффектами

Уровень значимости p <0.001 ***, p <0.05 **, p <0.1*.

Исходя из полученных результатов, представленных в таблице 2, для зависимой переменной коэффициента Тобина (Tobin`s Q), значимой на 5% уровне оказалась переменная возраста Twitter аккаунта компании (Ageaccount), данный показатель имеет отрицательное значение, то есть действительно, чем дольше компания присутствует в Twitter, тем ниже коэффициент Тобина (Tobin`s Q) на 0.087. Стоит предположить, что это связано, в первую очередь с тем, что публикации несут меньше новой информации, наступает эффект привыкания.

Более того, прослеживается отрицательный эффект возраста аккаунта генерального директора (Ceoacage) на коэффициент Тобина. (Tobin`s Q) Данная переменная значима на 5% уровне, следовательно, нуждается в интерпретации, с увеличение возраста аккаунта генерального директора на единицу, финансовый коэффициент Тобина (Tobin`s Q) снижается на 0.175.

Кроме того, на 10% уровне значима переменная отражающая частоту публикаций генерального директора (Ceoper) и имеет положительный характер. То есть, при изменении публикаций генерального директора на 1 единицу, коэффициент Тобина (Tobin`s Q) увеличивается на 0.142. Публикации генерального директора отражают основные мысли, которые отражают деятельность компаний, следовательно, чем чаще он публикует свои аккаунтов, чем чаще он выставляют какую-то информацию, тем выше коэффициент Тобина (Tobin`s Q), тем больше привлекательность компании для потенциальных клиентов и заинтересованных сторон, возможно и для инвесторов.

В то же время существует отрицательный эффект от логарифма активов (Lnassets) и данная переменная значима на 10% уровне. Согласно данным результатам, чем старше возраст аккаунта, тем коэффициент Тобина (Tobin`s Q) уменьшается на 0.087.

Остальные показатели не имеют статистической значимости и не нуждаются в интерпретации.

Таким образом, в данной модели есть статистически значимые переменные, необходимые для ответа на выдвинутые гипотезы. Twitter аккаунты генеральных директоров и компаний оказывают отрицательное влияние на финансовый показатель Тобина (Tobin`s Q), то есть чем дольше страницы зарегистрированы в социальной сети, тем ниже становится коэффициент Тобина (Tobin`s Q). К тому же стоит отметить положительное влияние частоты публикаций генерального директора на финансовый показатель Тобина (Tobin`s Q). Исходя из полученных результатов необходимо отметить, что на финансовые показатели деятельности компаний оказывают влияние следующие характеристики Twitter аккаунтов компаний: возраст аккаунта генерального директора и компаний в Twitter, а также частота публикаций генерального директора. Основываясь на вышесказанном, невозможно однозначно сделать вывод о гипотезах, выдвинутых ранее. Из-за того, что некоторые характеристики оказывают отрицательное влияние, некоторые положительное, а ряд индикаторов не имеет статистической значимости, нет достоверного ответа на гипотезы.

Заключение

Цель данной работы заключалась в определении характеристик Twitter аккаунтов, которые оказывают влияние на финансовые результаты деятельности компании. В процессе изучения литературы было обнаружено, что современные работы направлены на изучение влияния аккаунтов в социальных сетях в основном на репутацию компании в целом. Как социальные сети помогают в эффективности взаимодействия с потенциальными клиентами, работниками. То есть оценивался эффект исключительно на внешнюю составляющею компании и всегда этот эффект оказывался положительным (Capriotti, Ruesja, 2018).

Исходя из того, что в настоящее время Интернет -- это платформа многочисленных возможностей для продвижения компании, улучшения ее финансовых результатов. В связи с этим данное исследование обладает новизной и не похоже не на одно другое исследование из-за данных, которые были собраны относительно Twitter аккаунтов. Соответственно гипотезы касались влияния использования Twitter аккаунтов на результаты деятельности компаний.

Основываясь на ранее изученной литературы относительно финансовых результатов были подобраны контрольные переменные, информация относительно персональных аккаунтов компаний и генерального директора, в частности. Была оценена модель с фиксированными эффектами с зависимой переменной коэффициент Тобина (Tobins`Q) для компаний и генерального директора.

Стоит отметить, что результаты получились неоднозначными, некоторые характеристики Twitter аккаунтов, такие как частота публикаций генеральным директором (Ceoper), оказывает положительный эффект на финансовый показатель Тобина (Tobins`Q). Индикаторы, отражающие возраст аккаунта генерального директора и компании, в свою очередь, показывают отрицательное влияние на коэффициент Тобина (Tobins`Q). Компаниям необходимо чаще обращать внимание на информативность и частоту публикаций.

Подводя итог, стоит сказать об ограничениях данного исследования. Во-первых, ограниченная выборка, то есть были включены не все компании, так как есть еще индекс FTSE 350 крупнейших компаний, включающие дополнительные единицы.

Во-вторых, всего 10 генеральных директоров и 69 компаний используют свои аккаунты в качестве инструмента. В связи с этим целесообразно расширить выборку и добавить другие компании или же использовать другие социальные сети, где генеральные директора присутствует в большем количестве. кроме того, в дальнейшем возможно усложнение использованного эконометрического инструментария для тестирования вопросов самоотбора. Возможно включение дополнительных единиц покажет более релевантные и значимые результаты.

В-третьих, стоит упомянуть о возможных пропущенных значимых переменных, например, как контент аккаунта. Необходимо посмотреть, как измеряется данный индикатор, так как информация, связь имеет отрицательный знак. Действительно, то, что публикуют пользователи оказывает непосредственное влияние на просмотры страницы, как часто другие пользователи посещают аккаунты, как часто происходит взаимодействие. Возможно именно из-за того, что генеральный директор и компания в целом не отслеживают публикуемую информацию получаются отрицательные результаты.

Кроме того, для дальнейшего развития данной темы возможно включить дополнительные характеристики, такие как количество подписчиков у генерального директора и компании, одна ко очень тяжело получить данные о пользователях за определенные период, так как количество меняется каждый день.

Из-за своей новизны данное исследование, могло быть полезно другим исследователям, для прослеживания взаимосвязи на других странах, компаниях. В последующем, чтобы компании и генеральные директора умело использовали в собственных целях различные социальные площадки, необходимо изучать более подробно данную область, так как с помощью Интернета и его корректного использования можно добиться огромных результатов. Таким образом, если компании хотят обеспечить длительное пребывание на рынке, то им просто необходимо следовать современным тенденциям.

Подводя итог, следует подчеркнуть, что нет однозначного представления о взаимосвязи использования аккаунтов в социальных сетях и финансовых результатов компании. Тем не менее, данный вопрос остается открытым для многих исследований, и однажды, найдется правильная стратегия использования социальных сетей для повышения эффективности деятельности компании, для увеличения ее финансовых результатов.

Список литературы

1. Aarakit S. M., Kimbugwe F. K. The Relationship between Social Networks and Firm Performance //International Journal of Social Science and Economics Invention. - 2015. - Т. 1. - №. 01. - С. 69 to 82-69 to 82.

2. Aichner T., Jacob F. Measuring the degree of corporate social media use //International Journal of Market Research. - 2015. - Т. 57. - №. 2. - С. 257-276.

3. Aladwani A. M. Facilitators, characteristics, and impacts of Twitter use: Theoretical analysis and empirical illustration //International Journal of Information Management. - 2015. - Т. 35. - №. 1. - С. 15-25.

4. Barnes N. G., Lescault A. M., Holmes G. The 2015 Fortune 500 and social media: Instagram gains, blogs lose //University of Massachusetts at Dartmouth-Center for Marketing Research. - 2015.

5. BarNir A., Smith K. A. Interfirm alliances in the small business: The role of social networks //Journal of small Business management. - 2002. - Т. 40. - №. 3. - С. 219-232.

6. Barreda A. A. et al. Generating brand awareness in online social networks //Computers in human behavior. - 2015. - Т. 50. - С. 600-609.

7. Birley S., Cromie S., Myers A. Entrepreneurial networks: their emergence in Ireland and overseas //International Small Business Journal. - 1991. - Т. 9. - №. 4. - С. 56-74.

8. Bollen J., Mao H., Zeng X. Twitter mood predicts the stock market //Journal of computational science. - 2011. - Т. 2. - №. 1. - С. 1-8.

9. Boyd D., Golder S., Lotan G. Tweet, tweet, retweet: Conversational aspects of retweeting on twitter //2010 43rd Hawaii International Conference on System Sciences. - IEEE, 2010. - С. 1-10.

10. Capriotti P., Ruesja L. How CEOs use Twitter: A comparative analysis of Global and Latin American companies //International Journal of Information Management. - 2018. - Т. 39. - С. 242-248.

11. Chatterji A. K., Toffel M. W. Do CEO activists make a difference? Evidence from a field experiment. - 2016.

12. DiStaso M. W., McCorkindale T. A benchmark analysis of the strategic use of social media for fortune's most admired US companies on facebook, twitter and youtube //Public relations journal. - 2013. - Т. 7. - №. 1. - С. 1-33.

13. Edelman R. Edelman trust barometer: Annual global study //Edelman Intelligence. - 2017. - С. 1-16.

14. Evans A., Twomey J., Talan S. Twitter as a public relation tool //Public Relations Journal. - 2011. - Т. 5. - №. 1. - С. 1-20.

15. Hajli M. A research framework for social commerce adoption //Information Management & Computer Security. - 2013. - Т. 21. - №. 3. - С. 144-154.

16. Hogg T., Adamic L. Enhancing reputation mechanisms via online social networks //EC. - 2004. - Т. 4. - С. 236-237.

17. Kaplan A. M., Haenlein M. Users of the world, unite! The challenges and opportunities of Social Media //Business horizons. - 2010. - Т. 53. - №. 1. - С. 59-68.

18. Kearney C., Liu S. Textual sentiment in finance: A survey of methods and models //International Review of Financial Analysis. - 2014. - Т. 33. - С. 171-185.

19. Kent M. L., Taylor M. Building dialogic relationships through the World Wide Web //Public relations review. - 1998. - Т. 24. - №. 3. - С. 321-334.

20. Kietzmann J. H. et al. Social media? Get serious! Understanding the functional building blocks of social media //Business horizons. - 2011. - Т. 54. - №. 3. - С. 241-251.

21. Kim A. J., Johnson K. K. P. Power of consumers using social media: Examining the influences of brand-related user-generated content on Facebook //Computers in Human Behavior. - 2016. - Т. 58. - С. 98-108.

22. Kim S., Park H. Effects of various characteristics of social commerce (s-commerce) on consumers' trust and trust performance //International Journal of Information Management. - 2013. - Т. 33. - №. 2. - С. 318-332.

23. Kim E., Sung Y., Kang H. Brand followers' retweeting behavior on Twitter: How brand relationships influence brand electronic word-of-mouth //Computers in Human Behavior. - 2014. - Т. 37. - С. 18-25.

24. Leitch D., Sherif M. Twitter mood, CEO succession announcements and stock returns //Journal of computational science. - 2017. - Т. 21. - С. 1-10.

25. Lewis B. K., Nichols C. Social media and strategic communication: A three-year study of attitudes and perceptions about social media among college students //Public Relat. J. - 2016. - Т. 10. - №. 1. - С. 1-23.

26. Lim Y., Lee-Won R. J. When retweets persuade: The persuasive effects of dialogic retweeting and the role of social presence in organizations' Twitter-based communication //Telematics and informatics. - 2017. - Т. 34. - №. 5. - С. 422-433.

27. Liu L. et al. A social-media-based approach to predicting stock comovement //Expert Systems with Applications. - 2015. - Т. 42. - №. 8. - С. 3893-3901.

28. Lovejoy K., Waters R. D., Saxton G. D. Engaging stakeholders through Twitter: How nonprofit organizations are getting more out of 140 characters or less //Public Relations Review. - 2012. - Т. 38. - №. 2. - С. 313-318.

29. Medina R. Z., Sбnchez Cobarro P. H., Martнnez H. M. The importance of the" strategic game" to frame the political discourse in Twitter during 2015 Spanish Regional Elections //Communication & society. - 2017. - Т. 30. - №. 3.

30. Men L. R. CEO credibility, perceived organizational reputation, and employee engagement //Public Relations Review. - 2012. - Т. 38. - №. 1. - С. 171-173.

31. Men L. R., Tsai W. H. S. Public engagement with CEOs on social media: Motivations and relational outcomes //Public Relations Review. - 2016. - Т. 42. - №. 5. - С. 932-942.

32. Molyneux L. What journalists retweet: Opinion, humor, and brand development on Twitter //Journalism. - 2015. - Т. 16. - №. 7. - С. 920-935.

33. Naudй P. et al. The influence of network effects on SME performance //Industrial Marketing Management. - 2014. - Т. 43. - №. 4. - С. 630-641.

34. Nisar T. M., Whitehead C. Brand interactions and social media: Enhancing user loyalty through social networking sites //Computers in Human Behavior. - 2016. - Т. 62. - С. 743-753.

35. Park D. J., Berger B. K. The presentation of CEOs in the press, 1990-2000: Increasing salience, positive valence, and a focus on competency and personal dimensions of image //Journal of Public Relations Research. - 2004. - Т. 16. - №. 1. - С. 93-125.

36. Porter M. C., Anderson B., Nhotsavang M. Anti-social media: executive Twitter “engagement” and attitudes about media credibility //Journal of Communication Management. - 2015. - Т. 19. - №. 3. - С. 270-287.

37. Purohit H. et al. What kind of# conversation is Twitter? Mining# psycholinguistic cues for emergency coordination //Computers in Human Behavior. - 2013. - Т. 29. - №. 6. - С. 2438-2447.

38. Ramachandran K., Ramnarayan S. Entrepreneurial orientation and networking: Some Indian evidence //Journal of Business Venturing. - 1993. - Т. 8. - №. 6. - С. 513-524.

39. Rao T., Srivastava S. Twitter sentiment analysis: How to hedge your bets in the stock markets //State of the art applications of social network analysis. - Springer, Cham, 2014. - С. 227-247.

40. Rybalko S., Seltzer T. Dialogic communication in 140 characters or less: How Fortune 500 companies engage stakeholders using Twitter //Public relations review. - 2010. - Т. 36. - №. 4. - С. 336-341.

41. Schaupp L. C., Bйlanger F. The value of social media for small businesses //Journal of Information Systems. - 2013. - Т. 28. - №. 1. - С. 187-207.

42. Shandwick W. The social CEO: Executives tell all //Luettavissa: https://www. webershandwick. com/uploads/news/files/Social-CEO-Study. pdf. Luettu. - 2012. - Т. 20. - С. 2016.

43. Shen H., Kim J. N. The authentic enterprise: Another buzz word, or a true driver of quality relationships? //Journal of Public Relations Research. - 2012. - Т. 24. - №. 4. - С. 371-389.

44. Suбrez-Rico Y., Gуmez-Villegas M., Garcнa-Benau M. Exploring Twitter for CSR Disclosure: Influence of CEO and Firm Characteristics in Latin American Companies //Sustainability. - 2018. - Т. 10. - №. 8. - С. 2617.

45. Tajvidi R., Karami A. The effect of social media on firm performance //Computers in Human Behavior. - 2017.

46. Terilli S. A., Arnorsdottir L. I. The CEO as celebrity blogger: Is there a ghost or ghostwriter in the machine //Public Relations Journal. - 2008. - Т. 2. - №. 4. - С. 1-21.

47. Turk J. V. S. et al. Examining the interplay of an organization's prior reputation, CEO's visibility, and immediate response to a crisis //Public Relations Review. - 2012. - Т. 38. - №. 4. - С. 574-583.

48. Vidgen R., Mark Sims J., Powell P. Do CEO bloggers build community? //Journal of communication management. - 2013. - Т. 17. - №. 4. - С. 364-385.

49. Wright D. K., Hinson M. D. An analysis of the increasing impact of social and other new media on public relations practice //12th annual International Public Relations Research Conference, Miami, Florida. - 2009. - С. 1-22.

50. Wright D. K., Hinson M. D. An analysis of new communications media uses in public relations: Results of a five-year trend study //Public Relations Journal. - 2010. - Т. 4. - №. 2. - С. 1-27.

51. Yu Y., Duan W., Cao Q. The impact of social and conventional media on firm equity value: A sentiment analysis approach //Decision Support Systems. - 2013. - Т. 55. - №. 4. - С. 919-926.

52. Zhong B., Hardin M., Sun T. Less effortful thinking leads to more social networking? The associations between the use of social network sites and personality traits //Computers in Human Behavior. - 2011. - Т. 27. - №. 3. - С. 1265-1271.

53. Ратникова Т. А., Фурманов К. К. Анализ панельных данных и данных о длительности состояний: учеб. пособие //М.: Изд. дом Высшей школы экономики. - 2014.

54. Shandwick W. Socializing your CEO IV: The engagement factor //Verfьgbar unter: [Электронный ресурс] URL: http://www.webershandwick. com/uploads/news/files/Socializing Your CEO_FINAL. pdf (03.01. 2018). - 2017.

55. [Электронный ресурс] URL: https://www.web-canape.ru/business/vsya-statistika-interneta-na-2019-god-v-mire-i-v-rossii/

56. [Электронный ресурс] URL: https://web-assets.domo.com/blog/wp-content/uploads/2017/05/Report_SocialCEO_2016.pdf

57. [Электронный ресурс] URL: https://www.statisticbrain.com/twitter-statistics/

58. [Электронный ресурс] URL: https://ru.wikipedia.org/wiki/Твиттер

Приложение 1

Таблица 3. Корреляционная матрица

Уровень значимости p <0.01 ***, p <0.05 **, p <0.

Размещено на Allbest.ru