Формулировка и описание модели исследования

В рамках практической части данной работы для оценки интеллектуального капитала компаний будет использована модель Calculated Intangible Value, предложенная Томасом Стюартом в 1997 году. Расчет ценности нематериальных активов компаний в рамках метода CIV основан на модели остаточной операционной прибыли (Residual Operating Income – REOI). Как уже было отмечено ранее, данный метод расчета основан на предположении о том, что инвестиции в физические активы могут принести лишь среднеотраслевой доход, а все, что компания получает сверх него, обусловлено грамотным использованием ее нематериальных активов. Однако на сегодняшний день практически все компании, за редким исключением, так или иначе, имеют нематериальные активы, признаваемые и/или непризнаваемые в финансовой отчетности. Поэтому утверждать, что средняя компания в отрасли не имеет НМА совсем, было бы несколько некорректно. В то время как способность «обыгрывать» конкурентов на рынке и в отрасли представляется одним из важнейших факторов для принятия инвестором решения о покупке акций компании. Поэтому в рамках данного исследования предлагается в узком смысле рассматривать величину, полученную с помощью метода CIV, как ту часть нематериальных активов, за счет которой компания получает преимущество относительно конкурентов в отрасли, а в широком смысле, как индикатор способности компаний использовать свои нематериальные активы для получения этого преимущества. В общем случае, увеличение показателя CIV с течением времени говорит о способности компании создавать доход в будущем и наоборот, снижение показателя говорит о том, что инвестиции в НМА или структурные изменения в компании не окупаются (Starovic, Marr, 2003).

Метод Calculated Intangible Value изначально более широко использовался для оценки стоимости нематериальных активов отдельных компаний, нежели для выявления разного рода закономерностей. Так, впервые метод был использован Т. Стюартом для расчета величины интеллектуального капитала компании Merck ($11,1 млрд.) в 1995 году (Stewart, 1995). В 1998 году Френсис Кеннеди рассчитывал величину стоимости нематериальных активов одной из компаний за период с 1985 по 1996 также при помощи метода CIV (Kennedy, 1998), а в 2003 году Бен МакКлур (McClure, 2003) применял метод CIV для оценки стоимости интеллектуального капитала компании Intel ($35,3 млрд.). В настоящее время метод, предложенный Стюартом, наряду с VAIC^TM часто встречается в работах исследователей, направленных на выявление различного рода закономерностей влияния величины нематериальных активов на результаты деятельности компании (Kujansivu, Lonnqvist, 2007) (Kimura, Basso, Joao, 2009), (Волков, Гаранина, 2007), (Shiri, Mousavi, Vaghfi, Ahmadi, 2012), (Richeri, Basso, De Leiva,2007), (Aho, Stahle, Stahle, 2011).

Метод Calculated Intangible Value был выбран для данного исследования в силу нескольких причин. Во-первых, данный подход основан на данных финансовой отчетности компаний, которая находится в свободном доступе, что существенно упрощает процесс сбора данных для эмпирического анализа. Кроме того количественные показатели финансовой отчетности являются объективными и в меньшей степени подвержены субъективной оценке, чем различные качественные показатели для оценки нематериальных активов (Nayak et al.,2008). Несмотря на мнение, что финансовая отчетность не отражает результаты использования компанией своего интеллектуального капитала, следует отметить, что в отчетности отражается прибыль компании, являющаяся результатом использования всех ее ресурсов, в том числе и нематериальных (Kujansivu, Lönnqvist, 2007). Во-вторых, использование данного подхода позволяет проводить как межотраслевые сравнения, так и сравнения фирм внутри одной отрасли, что в полной мере отвечает одной из ключевых задач данного исследования. В-третьих, метод CIV, в отличие от многих других, дает численную оценку нематериальных активов в денежном выражении, что позволяет более эффективно выявить влияние их на зависимую переменную, рыночную капитализацию компании, которая так же имеет денежное выражение.

Рассмотрим подробнее этапы расчета стоимости интеллектуального капитала компаний. Расчет величины CIV в рамках метода состоит из семи последовательных шагов (Stewart, 1997).

1. На первом этапе рассчитывается средний доналоговый доход компании за последние три года (a). Выбор показателя доналогового дохода обусловлен желанием избежать искажений, связанных с различиями в налоговой политике компаний.

2. Рассчитывается средняя величина материальных активов компании на конец года (b) за последние три года (все активы, отраженные в графе «Активы» финансовой отчетности, кроме нематериальных активов).

3. Находится частное от деления среднего доналогового дохода компании на ее средние материальные активы, то есть рентабельность активов компании (a/b=c)

4. Аналогично, рассчитывается среднеотраслевой показатель рентабельности активов за три последних года (d). Если ROA компании превышает среднеотраслевое значение, то выполняются дальнейшие шаги.

5. Рассчитывается «избыточный» доход (е) компании путем умножения среднеотраслевой ROA (d) на величину материальных активов компании (b), затем из доналогового дохода (а) вычитается избыточный доход (е), то есть e=a - b*d.

6. Рассчитывается посленалоговый избыточный доход компании. Для этого рассчитывается средняя ставка налога за три года и вычитается из 1, затем эта величина умножается на избыточный доход компании. Получается следующее выражение: (a – d*b)*(1- средняя ставка налога за 3 года) = посленалоговый избыточный доход компании, который, согласно базовому предположению модели, является следствием интеллектуального капитала компании.

7. На последнем этапе рассчитывается чистая приведенная ценность избыточного посленалогового дохода компании, при этом в качестве фактора дисконтирования выступает средневзвешенная стоимость капитала компании. Чистая приведенная ценность избыточного посленалогового дохода компании, согласно методу CIV, и представляет собой стоимость интеллектуального капитала компании.

Следовательно, можно записать формулу расчета CIV компании следующим образом, где величина REOI представляет собой остаточную операционную прибыль, генерируемую нематериальными активами.

При этом величина CIV фактически представляет собой продисконтированную по средневзвешенной стоимости капитала сумму будущих остаточных операционных прибылей, генерируемых нематериальными активами компании на бесконечном периоде. Бесконечность горизонта планирования сводит величину к перпетуитету остаточной прибыли текущего периода, согласно правилу суммы членов бесконечной убывающей геометрической прогрессии. Напомним, что в рамках данной работы REOI рассматривается не как вся величина прибыли, создаваемая за счет нематериальных активов, а лишь та ее часть, что приносит компании конкурентные преимущества за счет грамотного использования ею своих нематериальных активов. Следует отметить, что вычисление данной величины возможно только в случае превышения рентабельности активов компании над среднеотраслевым аналогичным показателем.

Безусловно, используемый в настоящем исследовании метод не лишен недостатков. В работе Samuli Aho, Sten Stahle, Pirjo Stahle (Aho, Ståhle, Ståhle, 2011) выделяется несколько основных недостатков подхода. Во-первых, в рамках данного метода нематериальные активы не детализируются, не выделяются элементы интеллектуального капитала компаний. Во-вторых, в основе метода лежит показатель рентабельности активов, который может быть переоценен, недооценен или быть отрицательным у некоторых компаний, что практически неизбежно приводит к сокращению исследуемой выборки, поскольку использование метода требует превышения рентабельности активов компании над среднеотраслевой. Эта величина также подвержена влиянию амортизационной и налоговой политики. В-третьих, ключевая идея метода состоит в том, что только компании с доходностью выше среднеотраслевой имеют интеллектуальный капитал, однако в некоторых, особенно наукоемких, отраслях даже средние компании имеют интеллектуальный капитал, поэтому оценки могут быть несколько смещены. Метод так же не учитывает возможное отличие инвестиционного цикла компании от других фирм в отрасли. И, наконец, данный метод не учитывает размер компании (Nayak et al., 2008). Следует отметить, что наличие указанных недостатков в полной мере осознается автором и не оказывает существенного влияния на результаты данного исследования.

Таким образом, в данном разделе было обосновано применение метода CIV для расчета фундаментальной ценности нематериальных активов компании для целей данной работы в соответствии с его достоинствами и недостатками, историей использования метода другими исследователями. Кроме того, были подробно рассмотрены этапы расчета величины нематериальных активов в рамках этого метода и уточнена трактовка рассчитанной величины в контексте данного исследования. В следующем разделе на основе данного метода будет оценена стоимость интеллектуального капитала фирм Великобритании для того, чтобы выявить характер взаимосвязи между ним и стоимостью этих компаний.

2.2. Эмпирическая оценка характера взаимосвязи между интеллектуальным капиталом компаний и их стоимостью

В данном разделе будет представлен анализ выборки компаний Великобритании на наличие и выявление характера взаимосвязи между величиной интеллектуального капитала, используемого для получения конкурентного преимущества, и рыночной капитализацией компании. Для определения характера взаимосвязи будут протестированы эконометрические регрессионные модели. В качестве зависимой переменной выступает величина рыночной капитализации, в качестве независимой – величина интеллектуального капитала, рассчитанная по методу Calculated Intangible Value, а также ряд переменных, введенных для повышения качества модели и преодоления ограничений исследования. Первоначальная выборка содержала в себе ежегодные панельные данные о 239 компаниях Великобритании за период с 2004 по 2011 год. Представленные в выборке компании были объединены в следующие агрегированные отрасли: 1 – недвижимость и строительство, 2 – производство, 3 – энергетическая и химическая отрасли, 4 – услуги, 5 – торговля и сопутствующие услуги, 6 – финансы и страхование. Однако последняя отрасль была исключена из рассмотрения с целью соблюдения однородности данных.

Рассмотрим подробнее виды деятельности компаний, вошедших в каждую из агрегированных отраслей данного исследования. В отрасль №1 вошли такие виды деятельности, как жилищное строительство, инвестиционные трасты недвижимости, строительные компании, компании, занимающиеся развитием сферы недвижимости, а также компании занимающиеся арендой жилья и лизингом недвижимости. В отрасль №2 вошли компании, занимающиеся производством в сфере пищевой промышленности (мясная, молочная, рыбная и др.), фармацевтической, табачной, алкогольной и безалкогольной промышленности, производством упаковочной продукции, промышленного и сельскохозяйственного оборудования, аэрокосмической и оборонной промышленности, одежды и обуви, телекоммуникационного оборудования, домашней бытовой техники, мебели, электронного оборудования и инструментов. В отрасль №3 вошли компании, занимающиеся электроэнергетикой, газораспределением, компании, занятые в добыче разного рода металлов, в том числе драгоценных, минералов, добыче угля, нефти и газа. В отрасль №4 вошли компании, оказывающие услуги в сфере беспроводных телекоммуникаций, программного обеспечения, печати книг, журналов и газет, ресторанного бизнеса, казино и азартных игр, гостиничного бизнеса, экологические службы, кадровые службы, медицинские учреждения и прочие организации, оказывающие коммерческие услуги. В отрасль №5 вошли компании, занимающиеся оптовой и розничной торговлей в сфере продуктов питания, одежды и обуви, электронных приборов и другого, в том числе специализированные магазины, сетевые супермаркеты, оптовые дистрибьюторы и компании, занимающиеся продажами через Интернет.

В процессе расчетов из общей выборки 239 компаний Великобритании были отобраны 80, рентабельность активов (ROA) которых, согласно требованиям подхода CIV, превышала среднеотраслевое значение. Таким образом, конечная выборка содержала в себе 5 отраслей, всего 640 компаний-лет. Дополнительно в настоящем исследовании были использованы показатели квалификации совета директоров, известности бренда, численности сотрудников и числа патентов, введенные для улучшения качества конечной модели (более подробно об этом будет рассказано ниже). При этом первые две переменные являются фиктивными. Показатель уровня квалификации совета директоров оценивался следующим образом: если более трети директоров имеет уровень квалификации «postgraduate» и более 5 лет опыта работы, переменная принимает значение 2, если более трети директоров имеет уровень квалификации «postgraduate» или более 5 лет опыта работы, переменная принимает значение 1, в остальных случаях – 0. Что касается известности бренда, показатель основан на данных глобального рейтинга 1000 компаний [62]. В случае упоминания компании в рейтинге переменная принимает значение 1, в обратном случае – 0. Ежегодные данные о количестве действующих патентов для каждой из компаний были получены из базы данных QPAT.

Данные о величине рыночной капитализации компаний за каждый год, показатели квалификации совета директоров, численности сотрудников, известности бренда, числа патентов, а так же исходные данные для расчета значений CIV были получены из базы данных, собранной в рамках проекта "Особенности создания ценности компании в период экономического кризиса: роль интеллектуальных ресурсов", осуществляемого в рамках Программы «Научный фонд НИУ ВШЭ» грант № 13-05-0021. Значения среднеотраслевых рентабельностей активов были получены с сайта Factiva (factiva.com). Все величины измеряются в млн. евро. Данные в исследовании являются сбалансированными, то есть содержат наблюдения по каждой компании за каждый период. Статистические характеристики величин представлены в таблице 1.

В целом по анализируемым данным можно отметить, что переменные не имеют нормального распределения (коэффициент Жарка-Бера принимает относительно высокое значение, а величина probability принимает значение 0).

Таблица 1

Описательные характеристики переменных

Рассмотрим полученную величину CIV в отраслевом разрезе (см. таблицу 2). Наибольшее среднее значение было получено для отрасли производства, а также отрасли торговли и сопутствующих услуг, в то время как наименьшую величину Calculated Intangible Value продемонстрировала агрегированная отрасль услуг. Как будет пояснено позже, такое распределение величин вполне объяснимо в силу специфики ведения бизнеса в каждой из рассматриваемых отраслей.

Кроме того, полученные данные в целом сопоставимы с результатами недавнего исследования (Goodridge et al., 2012), посвященного анализу влияния нематериальных активов на компании Великобритании в отраслевом разрезе, где наибольший объем таких активов был отмечен в отраслях производства, услуг распределения, бизнес-услуг (что пересекается с отраслью торговли и сопутствующих услуг в настоящем исследовании).

Прежде чем перейти к формулировке моделей исследования, следует обратить внимание на основные ограничения данной работы. Некоторые ограничения вызваны недостатками используемого метода, описанными выше.

Таблица 2

Данные CIV по отраслям

Например, в рамках использования для расчетов метода Calculated Intangible Value возникает ограничение, связанное с отрицательным или ниже среднеотраслевого значением рентабельности активов, что приводит к исключению такой формы из рассмотрения и анализа. Кроме того, относительно сравнения результатов настоящего исследования с другими, возникает ограничение, связанное с неполным соответствием деления всей выборки компаний на отдельные отрасли. Чтобы преодолеть данное ограничение и получить эффективные результаты, сравнения производятся только по аналогичным отраслям, выделенным в разных исследованиях. Если же это не представляется возможным, то будет произведено сравнение по выборке в целом. Одним из направлений дальнейшего улучшения качества результатов исследования представляется более подробное деление выборки на отрасли.

Перейдем к формулировке моделей исследования. Базовая регрессионная модель для тестирования в рамках достижения главной цели данного исследования имеет вид:

,

где: CAP_t – рыночная капитализация компании в период t,

β₀, β₁ – параметры уравнения регрессии,

τ – параметр, характеризующий временной лаг,

ε – случайный член, представляющий собой совокупность неучтенных в модели факторов.

Рассмотрим несколько вариантов данной модели, а именно, с различной величиной τ, поскольку, влияние изменения фундаментальной ценности НМА, приносящих конкурентное преимущество компании на стоимость ее акций может иметь временной лаг. Таким образом, будет определено, имеет ли предполагаемая зависимость стоимости компании от CIV временной лаг. Модели будут протестированы на всей выборке компаний Великобритании с добавлением отраслевых фиктивных переменных-индикаторов для выявления отраслей, где нематериальные активы оказывают более сильное влияние на формирование стоимости компании, а также выявления общего характера взаимосвязи.

Выбирая спецификацию модели, важно отметить, что по результатам регрессионного анализа, модели вида описывают выборку более полно, чем аналогичная модель без лага , следовательно, выбор был сделан в пользу модели с лагом. Однако выбрать одну модель из нескольких лаговых было несколько сложнее, поскольку показатели их качества были примерно одинаковы. При этом, модели, включающие несколько лаговых переменных одновременно, например, CIV периода t-1 и t-2, не прошли проверку на значимость переменных, поэтому были исключены из рассмотрения. По итогам анализа полученных моделей с лагами 1, 2 и 3 порядка на всей выборке, были получены следующие результаты. По качеству модели с величиной лага 1 и 2 являются практически идентичными, кроме того, величины коэффициентов тоже достаточно близки. Однако в модели с лагом 1 год стандартные ошибки коэффициентов при переменных несколько ниже, что позволяет сделать вывод о большей надежности данных величин. Поэтому, а также в соответствии с некоторыми схожими исследованиями, например (Волков, Гаранина, 2007), (Shiri et al., 2012) и на основании здравого смысла была выбрана модель с величиной лага, равной 1 году. Дополнительно следует пояснить фразу «на основании здравого смысла». В частности, такой выбор величины лага обусловлен спецификой отражения в отчетности изменений, происходящих в компании за отчетный период (как правило, год). Поскольку оценка величины нематериальных активов в рамках данного исследования рассчитывается на основе данных официальной финансовой отчетности, такая специфика, безусловно, должна быть принята во внимание. А именно, необходимо учитывать, что изменения, произошедшие в компании за отчетный год, отражаются в течение года с момента события в финансовой отчетности. Таким образом, инвесторы получают информацию о положении дел в компании и принимают решения о совершении сделок купли-продажи акций компании на фондовом рынке, непосредственно влияя на их рыночную стоимость. Поэтому предположение о величине лага зависимости рыночной капитализации от величины нематериальных активов длиной в год представляется вполне обоснованным. Помимо отраслевых переменных-индикаторов, в модель также были включены дополнительные переменные, а именно, индикатор размера компании, выраженный в количестве сотрудников, показатель квалификации совета директоров, показатель известности бренда и число патентов, которыми владеет компания. Введение показателя размера компании обусловлено в первую очередь тем, что выбранный метод расчета фундаментальной стоимости нематериальных активов не учитывает размер компаний, однако некоторое влияние этой переменной на величину рыночной капитализации представляется обоснованно возможным, согласно таким исследованиям, как (Sharma, Singh, 2006), (Irfan, Nishat, 2002), поэтому переменная размера фирмы была включена в конечную модель. Следует также отметить, что качество модели при этом несколько улучшилось. Что касается переменных уровня квалификации совета директоров, известности бренда и количества патентов, которым владеет компания, эти переменные были включены в модель как дополнительные прокси-показатели интеллектуального капитала в компании. При этом высокая квалификация совета директоров представляет собой своеобразный показатель человеческого капитала в компании, так как уровень квалификации директоров зависит от их образования и стажа работы, которые, в свою очередь, во многом определяются требованиями компании; число патентов представляет собой элемент структурного капитала, а известность бренда – отношенческого капитала. Выбор таких прокси-переменных для элементов интеллектуального капитала был обусловлен наибольшей значимостью их в промежуточных регрессионных моделях. Кроме того, влияние указанных переменных на рыночную капитализацию подтверждено различными исследованиями. Так, например, М. Е. Барт и др. (Barth et al., 2003) в своей работе выявили строгую корреляционную зависимость между стоимостью бренда и стоимостью акций компании, в то время как Б. Х. Холл и др. (Hall et al., 2006) выявили положительную взаимосвязь между числом патентов, которыми владеет компания, и ее рыночной стоимостью. Что касается влияния уровня квалификации совета директоров, исследователи также подтверждают влияние этой переменной на стоимость компании. Так, Н. Либаерт (Lybaert, 1998) утверждал, что более высокие показатели компаний обусловлены положительным влиянием высокого уровня образования директоров на их готовность использовать дополнительные внешние источники информации при принятии решений, развивать деловое сотрудничество, прибегать к услугам консультантов, а также поощрять более детальный учет и мониторинг в компании. Позднее, Дж. Абор и Н. Бикпэ (Abor, Biekpe, 2007) подтвердили эти выводы в своем исследовании. Основной целью введения указанных переменных в модель было повышение объясняющей способности конечной модели и преодоление ограничений выбранного метода расчета интеллектуального капитала, который не позволяет выделить элементы интеллектуального капитала. В результате введения в модель дополнительных переменных скорректированный коэффициент детерминации увеличился с 85 до 95%.

При формулировке модели отрасль финансы и страхование была исключена в связи с недостаточным объемом выборки (8 компаний всего, но только 1 имеет ROA выше среднеотраслевой). Фиктивные переменные являются бинарными и принимают значение 1 в случае принадлежности компании к отрасли, которую представляет переменная, и 0, если нет. Таким образом, были введены переменные ind с индексами, соответствующими номеру отрасли в рамках данного исследования. Полученная модель имеет следующий вид:

,

где: CAP _ij – рыночная капитализация i-й компании в j-м году,

D_i – бинарная переменная принадлежности i-й компании к k-й отрасли,

CIV_ij – рассчитанная величина фундаментальной стоимости нематериальных активов i-й компании в j-м году,

SIZE_ij – количество сотрудников в i-й компании в j-м году,

DIR_ij – уровень квалификации совета директоров i-й компании в j-м году,

PTN_ij – количество патентов i-й компании в j-м году,

BR_ij – известность бренда i-й компании в j-м году,

β₀-β₆ – неизвестные параметры модели,

ε_ij – остатки модели.

Следует отметить, что в отличие от переменной CIV, временной лаг влияния остальных переменных (SIZE, DIR, PTN, BR) на рыночную капитализацию не подтвердился, поэтому было принято решение о включении указанных переменных без временного лага. Кроме того, согласно имеющимся данным, показатели DIR и BR в рамках одной компании не изменялись в течение всего периода наблюдений. Следовательно, можно переписать формулу следующим образом: Полученная модель описывает 95% данных всей выборки и имеет наименьшие значения информационных критериев Акаике и Шварца по сравнению с альтернативными спецификациями моделей. Коэффициенты для каждой из отраслей вычислялись по принципу предельной надбавки к некому базовому уровню. За базовый уровень была взята одна из отраслей, имеющая наибольшее количество наблюдений (№ 2). При этом коэффициенты регрессионной модели, содержащие в себе информацию о принадлежности компании к одной из оставшихся 5 отраслей, представляют собой среднюю величину приращения коэффициента для каждой конкретной отрасли, относительно базовой. Для проверки полученных оценок коэффициентов модель была несколько раз переспецифицирована, то есть за базовую отрасль были взяты другие отрасли, однако величины оценок совокупных коэффициентов для каждой из отраслей оставались прежними.

Для уточнения формы необходимо выбрать, какие эффекты будут наблюдаться в данной модели. Отметим, что в этой модели значение T невелико (7 периодов), а N значительно (80). Для начала следует определить, является ли модель обычной (сквозной регрессией) или включает в себя фиксированные эффекты. По результатам F-теста предположение об отсутствии индивидуальных фиксированных эффектов отклоняется на уровне значимости 5%. Это также справедливо на содержательном уровне, поскольку, обычная регрессионная модель, без фиксированных эффектов предполагает, что у рассматриваемых единиц нет каких-либо индивидуальных различий. Однако в данном случае такое предположение было бы неверным, поскольку рассматриваемые компании являются относительно крупными, торгуются на фондовом рынке и обладают определенными отличительными чертами, такими, как специфика управления в компании, корпоративная культура, отношенческий и другие элементы интеллектуального капитала. В поддержку выбора в пользу модели с фиксированными эффектами против модели со случайными эффектами также следует отметить, что в силу индивидуальных особенностей анализируемых в данном исследовании компаний, каждая из них не может рассматриваться как результат случайного выбора из генеральной совокупности в силу того, что в исходную выборку были включены практически все торгуемые компании Великобритании. Отсутствие необходимости включения случайных эффектов в модель была также подтверждена эконометрическими тестами. Так, тест Хаусмана показал, что спецификация модели со случайными эффектами по периодам является неверной (значение probability больше 5%). Таким образом, был сделан выбор в пользу включения фиксированных эффектов.

Далее был проведен тест на необходимость включения фиксированных эффектов по пространственным данным и по периодам. Был использован встроенный тест пакета Eviews 7 для определения необходимости включения фиксированных эффектов в исходную модель. По результатам теста, нулевая гипотеза об отсутствии фиксированных эффектов по временным данным отклоняется, следовательно, фиксированные эффекты должны быть включены по периодам. Что касается введения фиксированных эффектов по пространственным данным, здесь требуется более подробный анализ.

Рассмотрим понятие «фиксированных эффектов» с экономической точки зрения. Введение фиксированных эффектов по пространственным данным в модель предполагает, что каждая из рассматриваемых в исходной выборке компаний обладает неким уникальным набором отличительных характеристик, которые являются неизмеримыми и/или напрямую не могут быть отражены в регрессионной модели, однако оказывают непосредственное влияние на результирующую переменную рыночной капитализации фирмы. Введение фиксированных эффектов в модель позволяет учесть это влияние, предполагая, что такой индивидуальный набор параметров различен для каждой отдельно взятой компании, но остается постоянным во времени для каждой из них на протяжении всего периода наблюдений. В точки зрения экономической теории, такое предположение является вполне обоснованным, поскольку, во-первых, рассматриваемый период включает в себя всего 8 лет, а во-вторых, компании действительно обладают ненаблюдаемыми и/или неизмеримыми индивидуальными особенностями, к которым можно отнести менеджмент в компании, учетную политику, корпоративную культуру, корпоративную социальную ответственность, специфику поддержки отношений с инвесторами и донесения до них важной информации, взаимодействие с покупателями и другими заинтересованными сторонами, отношение к инновациям, реакция на изменения в экономике региона, страны, мира и многое другое. Такие особенности понимаются под понятием «фиксированные эффекты» в регрессионных моделях панельных данных. Они, можно сказать, формируют «характер» компании, определяют ее «поведение» на рынке, а значит, оказывают непосредственное влияние на стоимость ее акций на фондовом рынке. Однако с учетом спецификации модели и цели настоящего исследования, было сделано предположение о том, что ненаблюдаемые индивидуальные эффекты компаний в рамках одной отрасли будут во многом схожи, поэтому дополнительное введение фиксированных эффектов по каждой из компаний представляется излишним.

Введение фиксированных эффектов во временные ряды панельных данных в свою очередь предполагает, что каждая из исследуемых компаний выборки была приблизительно в равной мере подвержена влиянию совокупности факторов в каждый отдельно взятый год периода наблюдений, при этом факторы влияния неодинаковы для разных лет. Это также справедливо для данного исследования и с точки зрения экономического смысла, поскольку все компании располагаются в одном государстве, а значит, относительно равномерно подвержены влиянию изменений в его политической, экономической, социальной и других сферах жизни. При этом следует отметить, что период наблюдений включает в себя как докризисные года (2004-2007), так и года кризиса (2008-2009) и года послекризисного восстановления экономики. Поэтому в модель вводятся фиксированные временные эффекты (period fixed effects) для того, чтобы избежать усреднения глобальных колебаний величины рыночной капитализации по годам и учесть влияние событий каждого года, поскольку адекватная оценка исследуемой зависимости не представляется возможной без учета внешних факторов. В частности, эффект влияния кризиса 2008 года на медианную и среднюю величину рыночной капитализаций компаний наглядно демонстрирует следующий график (см. рис. 2).

Рис. 2. Динамика изменений среднего и медианного значения рыночной капитализации выборки компаний Великобритании

Таким образом, была выбрана модель с фиксированными эффектами по временным данным. В результате проверки качества модели были получены следующие результаты. Модель является значимой, все коэффициенты в ней также являются значимыми на 5% уровне. Анализ остатков модели показал, что математическое ожидание близко к нулю, следовательно, можно говорить о несмещенности оценок модели. Однако остатки не имеют нормального распределения (по значениям критерия Жарка-Бера и probability), следовательно, условия Гаусса-Маркова не выполняются автоматически, поэтому продолжим проверку. Проверим наличие автокорреляции. Статистика Дарбина-Уотсона составляет 2,14582 и попадает в интервал между dH= 1.82741 и 4-dH= 2,7259, что говорит об отсутствии автокорреляции в модели. Следовательно, остатки не зависят друг от друга (некоррелированы), и можно говорить об эффективности оценок в рамках рассматриваемой модели. Графический анализ остатков показал наличие гетероскедастичности в модели, поэтому была введена поправка в форме Уайта. Следует отметить, что на содержательном уровне, учитывая характер зависимой переменной, можно сказать, что гетероскедастичность остатков является следствием комплексности результирующей переменной, то есть того, что в реальности совокупность включенных в модель параметров – не является исчерпывающим набором факторов, оказывающих влияние на рыночную капитализацию, что, безусловно, очевидно. Поэтому, необходимо учесть гетероскедастичность в модели, а не избавляться от нее. По результатам проверки качества модели, полученные коэффициенты являются достаточно надежными, а говоря эконометрическим языком, эффективными, несмещенными и состоятельными.

В таблице 3 приведены оценки коэффициентов, полученные в рассматриваемой регрессионной модели. По данным таблицы можно сделать несколько важных выводов. Во-первых, очевидно, что величина CIV оказывает положительное влияние на величину рыночной капитализации всех рассматриваемых отраслей Великобритании. В среднем, при увеличении величины CIV в периоде t-1, рыночная капитализация собственного капитала компании в периоде t при прочих равных условиях несколько увеличивается. Во-вторых, указанное влияние имеет временной лаг, составляющий 1 год, что на содержательном уровне, безусловно, имеет смысл, поскольку, требуется от квартала до года, чтобы опубликовать отчетность, в которой будут отражены события, произошедшие в компании за отчетный год.

Таблица 3

Результаты эмпирического исследования

Кроме того, инвесторам и другим заинтересованным сторонам требуется время, чтобы осознать, что компания получила дополнительные конкурентные преимущества на рынке и, оценив возможные будущие выгоды от них, совершить сделки купли-продажи на фондовом рынке, что в свою очередь приведет к изменению рыночной цены акций компании. В-третьих, следует отметить высокий коэффициент перед константой в данной модели, который свидетельствует о множестве других факторов, оказывающих совокупное влияние на рыночную капитализацию компании, помимо фундаме