Обсуждение путей реализации исследовательской задачи - Влияние интеллектуального капитала на развитие отрасли

Как было заявлено ранее, цель данного исследования - определить, как Интеллектуальный капитал влияет на EVA российских компаний в зависимости от отрасли. На основе проделанной работы по анализу научной периодики в области Интеллектуального капитала, стоимости компании и моделей поведения фирм в области знаний и инноваций мы выдвинули ряд гипотез, связанных с прокси-показателями Интеллектуального капитала, которые мы определили на основе анализа литературы. Суммируем необходимые нам прокси-показатели и опишем метод оценки каждого из них.

Таблица 1 Список переменных

Название переменной

Значение, тип переменной

Характеризуемый аспект

Способ оценки

EVA

Добавленная экономическая стоимость, непрерывная

Численное выражение эффекта ИК, зависимая переменная

EVA = (Инвестированный капитал(t-1)*(ROIC(t)-WACC(t))

И Инвестированный капитал(t) для 2004 года

Регрессоры

Int_assets

НМА

Генерация Стоимости через ИК

Int_assets =Нематериальные активы компании

Brand_forbes

Известность. Входит ли компания в Ranking Forbes 2000. Бинарная

Сила бренда, доверие к компании и влияние на рынке

Brand_forbes =1, если входит в Ranking Forbes 2000, иначе =0

Cost_1_emp

Затраты на 1 работника, непрерывная

Стоимость рабочей силы, квалификация сотрудника

= Затраты на содержание сотрудников/число сотрудников

Earn_per_emp

Прибыль на 1 сотрудника, непрерывная

Ценность 1 сотрудника в терминах прибыли

Earn_per_emp= EBIT/число сотрудников

Ir_assoc

Участие в бизнес-ассоциациях, бинарная

Связи на рынке

Ir_assoc =1, если компания вовлечена в бизнес-ассоциации, 0 - не вовлечена

Ir_site_quality

Качество сайта, категориальная (1-4).

Формирует отношение потребителей

Экспертная оценка на основе исследования сайта

Ic_km

Применяет ли фирма "intellectual capital"или "knowledge management" стратегию. Бинарная.

Стратегия фирмы в области ИК

На основе исследования сайта Поиск на сайте компании сочетаний intellectual capital/интеллектуальный капитал"или "knowledge management/управление знаниями"

Is_strategy

Применяет ли корпоративную стратегию. Бинарная.

Стратегия фирмы в области ИК

На основе исследования сайта. Поиск на сайте сочетаний "strategy/стратегия", "strategy implementation/применение стратегии"

Patents

Число патентов. Непрерывная.

Конкурентное преимущество фирмы через ИК

Patents = число патентов

Niocr

Затраты на Исследования и Разработки

Стратегия в сфере инноваций

Niocr = Итоговые затраты на НИОКР за период

Industry

Отрасль, категориальная (1-6)

Область интереса: какое влияние на ИК?
    1 - Construction &; Real Estate, 2 - Manufacturing, 3 - Energy &; Chemical, 4 - Services, 5 - Trade &; Related Services, 6 - Finance &; Insurance

Контрольные переменные

Bv

Book value, непрерывная

Стоимость активов позволяет проконтролировать размер компании

Бухгалтерская стоимость активов компании

N_emp

Численность сотрудников

Отражение размера компании. Согласно исследованию Usoff et al. (2002) , фирмы, обладающие большим Интеллектуальным капиталом, обычно больше по размеру

Число сотрудников из отчетности

Year

Год

Фиксированный эффект года - контрольная переменная. Нужно принять во внимание, что часть выборки приходится на период 2008-2009 годов - глобальный финансовый и экономический кризис, во время которого эффективность и результаты деятельности компаний пережили спад(Shakina, Barajas, 2013).

Сгенерированная дамми-переменная, базовый год - 2003

Необходимо отметить, что у выбранных прокси-переменных есть свои ограничения, которые необходимо будет учесть при интерпретации результатов. Так, принадлежность компании к списку Forbes 2000 не является единственным и полным индикатором известности компании и силы бренда. Кроме того, лишь небольшой процент компаний из выборки входит в этот список. Показатели наличия корпоративной стратегии и применения управления ресурсами получены лишь на основе мониторинга сайта компании и могут искажать реальную ситуацию в том случае, если заявленная информация на сайте не соответствует реальной ситуации. В целом же выборка репрезенативна. Ее сильными сторонами являются широкий набор показателей, дающий определенную свободу в выборе регрессоров для построения эконометрической модели, и достаточно большой временной период: с 2004 по 2014 год. Однако в данных за 2014 год слишком много пропусков, поэтому на этапе построения регрессии с помощью эконометрического пакета EViews 2014 год был исключен программой из выборки за недостаточностью данных.

Наше исследование проводится на основе данных, предоставленных Международной лабораторией экономики нематериальных активов НИУ ВШЭ-Пермь. Выборка представляет собой широкий набор различных характеристик деятельности компании, от финансовых показателей до характеристик интеллектуального капитала. Данные в выборке взяты из финансовой отчетности компаний, с сайтов фирм, из сети Интернет, из рейтингов, а также включают экспертные оценки. Обсудим более подробно отраслевую структуру выборки. В Таблице 2 представлен список отраслей, вошедших в выборку, и число компаний в выборке. Соотношение числа компаний в отраслях представлено на Рисунке 5.

Таблица 2. Список отраслей

Название отрасли

Число компаний в выборке

1. Строительство и недвижимость

101

2. Производство

457

3. Энергия и полезные ископаемые

178

4. Услуги

97

5. Торговля

34

6. Финансовая деятельность и Страхование

96
распределение компаний в выборке по отраслям

Рис.5. Распределение компаний в выборке по отраслям

Как мы видим из представленных данных, выборка состоит из 963 компаний, почти половина из которых работает в производственном секторе, а самая малочисленная отрасль - это торговля.

В интересах дальнейшего исследования представленные 6 отраслей по признаку производства товара либо услуги были агрегированы в 2 большие группы: "Сфера производства" и "Сфера услуг". В первую группу были включены Строительство и недвижимость, Производство, Энергия и полезные ископаемые, а во вторую - Услуги, Торговля, Финансовая деятельность. Таким образом, мы получили две крупные группы, которые позволят нам проверить гипотезу о различной значимости элементов ИК для сфер производства и услуг. Соотношение секторов производства и услуг представлено на рисунке 6.

распределение компаний в выборке по сферам производства товаров и оказания услуг

Рис.6. Распределение компаний в выборке по сферам производства товаров и оказания услуг

Как мы видим, число фирм-производителей товаров в три раза больше, чем число фирм, оказывающих услуги. Для того, чтобы еще раз подтвердить обоснованность такого разделения, мы провели тест Вальда для того, чтобы сравнить описательные характеристики Добавленной экономической стоимости в рамках двух подвыборок. Отметим, что в обеих подвыборках фирмы демонстрируют положительный средний прирост экономической стоимости компании. Результаты представлены в таблицах и графиках ниже:

описательная статистика показателя eva для услуг

Рис.7. Описательная статистика показателя EVA для Услуг

описательная статистика показателя eva для производства

Рис.8. Описательная статистика показателя EVA для Производства

Как мы видим из сравнения описательных статистик, значения среднего, медианы и стандартного отклонения для подвыборок разные. Причем подгруппа "Производство" имеет более высокое среднее и максимальное значения, а в подгруппе "Услуги" EVA менее волатильна, что видно из меньшего СКО. Мы провели тесты на статистическую значимость различий Среднего, Медианы и Дисперсии для двух подвыборок. Результаты тестов приведены ниже.

Таблица 3 Результаты теста на статистическое равенство средних значений EVA по подвыборкам

Categorized by values of SERVICE

Sample (adjusted): 2004 2013

Method

Df

Value

Probability

T-test

8070

0.467065

0.6405

Satterthwaite-Welch t-test*

5175.711

0.804753

0.4210

Anova F-test

(1, 8070)

0.218150

0.6405

Welch F-test*

(1, 5175.71)

0.647628

0.4210

Таблица 4 Результаты теста на статистическое равенство медиан EVA по подвыборкам

Test for Equality of Medians of EVA

Categorized by values of SERVICE

Method

Df

Value

Probability

Wilcoxon/Mann-Whitney

5.514404

0.0000

Wilcoxon/Mann-Whitney (tie-adj.)

5.514404

0.0000

Med. Chi-square

1

26.56401

0.0000

Adj. Med. Chi-square

1

26.25423

0.0000

Kruskal-Wallis

1

30.40872

0.0000

Kruskal-Wallis (tie-adj.)

1

30.40872

0.0000

Van der Waerden

1

24.52991

0.0000

Таблица 5 Результаты теста на сравнение средних значений EVA по подвыборкам

Test for Equality of Variances of EVA

Categorized by values of SERVICE

Method

Df

Value

Probability

F-test

(1314, 6756)

6.568575

0.0000

Siegel-Tukey

4.216036

0.0000

Bartlett

1

1274.266

0.0000

Levene

(1, 8070)

5.992344

0.0144

Brown-Forsythe

(1, 8070)

4.157165

0.0415

Согласно результатам теста, в подвыборках "Услуги" и "Производство" показатель EVA имеет статистически незначимую разницу в среднем, но на 1% уровне значимую разницу в Медиане и Дисперсии, что дает нам повод утверждать о наличии отраслевого эффекта для двух подвыборок.

Для повышения качества модели и получения более надежных результатов необходимо было провести анализ выборки на наличие выбросов, а также исключить возможную мультиколлинеарность. Проанализировав статистичские характеристики показателей из нашей выборки, мы наложили следующие ограничения:

    - EVA больше -10000 тыс. руб. и меньше - Прибыль на 1 работника меньше - Нематериальные активы компании меньше 5 000 тыс. руб. - Затраты на НИОКР меньше 20 000 тыс. руб. - Число менеджеров в компании меньше 40

Корреляционный анализ выявил слабую корреляцию между подавляющим числом регрессоров. Исключением стала статистически значимая умеренная положительная корреляция между прибылью и затратами на одного работника (45%) , умеренная положительная корреляция между числом работников и нематериальными активами (на уровне 40%), умеренная положительная корреляция между нематериальными активами и затратами на НИОКР (38%) качеством сайта и затратами на НИОКР (36%), качеством сайта и число работников (33,5%), а также заметная и значимая положительная корреляция между числом сотрудников и затратами ни НИОКР на уровне 62%. Эти значения не стали кричными для проведения дальнейшего анализа и построения регрессии. Более подробно ознакомиться с результатами корреляционного анализа можно в Приложении 1.

Задача эконометрического анализа - построить модель, описывающую зависимость добавленной экономической стоимости от компонентов Интеллектуального капитала. Экономическая модель в данном случае имеет вид:

EVA = F(прокси-показатели ИК, эффект отрасли,

Контрольные переменные)

Эконометрическое моделирование было осуществлено с использованием пакета EViwes, позволяющего работать с панельными данными. В качестве процедуры анализа данных было выбрано построение регрессии с применением фиксированного эффекта в кросс-секции. Выбор этой спецификации был обусловлен статистически и логически. Во-первых, с точки зрения здравого смысла, мы предполагаем, что в модели индивидуальные эффекты экономических единиц являются неслучайными и коррелированы с ошибкой. Это логично, так как для регрессии выбраны определенные компании, которые не менялись от года к году. Кроме того, мы провели тест Хаусмана для выбора между случайным и фиксированным эффектом. Результаты теста приведены ниже в Таблице 6.

Таблица 6 Результаты теста Хаусмана на определение спецификации эффекта

Equation: EQ01

Test cross-section random effects

Test Summary

Chi-Sq. Statistic

Chi-Sq. d. f.

Prob.

Cross-section random

625.456822

21

0.0000

Так как p<0,01, то основная гипотеза теста об уместности случайного эффекта отвергается, и мы подтверждаем свой выбор фиксиованного эффекта. Применение фиксированного эффекта заключается во введении дамми-переменных для контроля индивидуального эффекта компании на протяжении всего периода исследования и повышает объясняющую способность нашей модели, позволяя очистить исследуемые эффекты от индивидуальных эффектов фирм.

Похожие статьи




Обсуждение путей реализации исследовательской задачи - Влияние интеллектуального капитала на развитие отрасли

Предыдущая | Следующая