Влияние компонентов интеллектуального капитала на эффективность компаний в развивающихся странах

3,4

максимальное =

9

corr (u_i, X) = 0 (assumed)

Wald Chi2 =

176.29

Prob > Chi2 =

0,0000

Переменная	Коэффициент	Робастная станд.ошибка	Z	P > |Z|
HC1	1,24e-07	1,41e-07	0,88	0,377
HC2	0,6126321	0,3220023	1,90	0,057
RC1	0,4648552	0,1178783	3,94	0,000
RC2	0,0102999	0,0339467	0,30	0,762
InnC2	-0,1452532	0,1280254	-1,13	0,257
PrC1	-0,000755	0,012291	-0,06	0,951
PrC2	1,11e-07	1,26e-08	8,83	0,000
Debt	0,0003806	0,0003319	1,15	0,252
D_2013	-0,0605984	0,0228997	-2,65	0,008
D_2014	-0,045545	0,0204144	-2,23	0,026
D_electr	0,0417338	0,0325027	1,28	0,199
D_country	-0,001784	0,0333713	-0,05	0,957
(Intercept)	-0,043778	0,033948	-1,29	0,197

sigma_u	0,11304373
sigma_e	0,13727937
rho	0,40408169



Таблица 6. Коэффициенты переменных в моделях с объясняемой переменной ROC.

Источник: расчёты автора

	Модель 1***	Модель 2***	Модель 3***
Wald Chi2	176,29	138,69	91,20
HC1	1,24e-07	1,26e-07	1,88e-07
HC2	0,6126321*	0,606914**	0,2222126
RC1	0,4648552***	0,4855928***	0,2176559
RC2	0,0102999	0,0159651	-0,0040634
InnC1	-	-	0,4758934
InnC2	-0,1452532	-0,1546637	-
PrC1	-0,000755	-0,0000753	0,0004958
PrC2	1,11e-07***	-	-
PrC3	-	4,21e-07***	-
PrC4	-	-	0,0549542***
Debt	0,0003806	0,000356	0,0005507
D_2013	-0,0605984***	-0,0447561**	-0,04936**
D_2014	-0,045545**	-0,0320844 *	-0,0453974**
D_country	-0,001784	0,016796	0,0192597
D_electr	0,0417338	0,0334782	0,059649*
div_Size1	-	-	-
(Intercept)	-0,043778	-0,0339392	-0,0675489*

Если включать переменную div_Size в модель, то она получается незначимой; при этом статистика Вальда ниже, чем в представленных моделях.

Результаты показывают, что в моделях, оценивающих влияние видов ИК на показатель прибыльности компании ROC, при включении в уравнение разных объясняющих переменных статистика Вальда варьируется от 191,92до 108,48. Все модели при этом являются значимыми при любом выбранном уровне значимости. Можно заметить, что самый низкий показатель статистики Вальда имеет модель, в которую включена переменная InnC1 вместо InnC2. Также в этой модели незначимыми являются переменная RC1, значимая в двух других моделях на 1%-ом уровне значимости, и переменная HC2, значимая в двух других моделях на 5 и 10%-ом уровнях значимости. При этом в модели с InnC1 на 10-ти % уровне становится значимой дамми-переменная энергетической отрасли, незначимая в моделях с более высокой статистикой Вальда. Разные прокси-переменные для процессного капитала (кроме PrC1) получились значимыми во всем трёх моделях (все на уровне значимости в 1%). Кроме того, все модели показывают значимое отрицательное влияние кризисных 2013 и 2014 годов на показатель ROC. Итого, принимая во внимание то, что модель 1 и 2 являются более качественными и результаты по ним более достоверны, можно сказать, что человеческий, отношенческий и процессный капитал оказывают значимое положительное влияние на ROC.

Влияние на ROA

Таблица 7. Результаты регрессии для Модели 1. Влияние на ROA

Источник: расчёты автора

Random-effect GLS regression
R-squared: within =	0.1904	Количество наблюдений =	323
between =	0.5374	Количество групп =	94
overall =	0.5291	Наблюдений на группу: среднее =	3,4
		максимальное =	9
corr (u_i, X) = 0 (assumed)	Wald Chi2 =	270.52
	Prob > Chi2 =	0,0000

Переменная	Коэффициент	Робастная станд.ошибка	Z	P > |Z|
HC1	8,27e-08	8,35e-08	0,99	0,322
HC2	0,0356197	0,1676173	0,21	0,832
RC1	0,2093621	0,0744157	2,81	0,005
RC2	-0,001681	0,0183521	-0,09	0,927
InnC2	0,0109486	0,0934366	0,12	0,907
PrC1	0,0077898	0,0070558	1,10	0,270
PrC3	1,42e-07	5,28e-08	2,69	0,007
PrC4	0,0124663	0,006431	1,94	0,043
Debt	0,0001968	0,0002145	0,92	0,359
D_2013	-0,0395365	0,012883	-3,07	0,002
D_2014	-0,0312208	0,0116368	-2,68	0,007
D_electr	0,0213631	0,017027	1,25	0,210
D_country	0,0239165	0,0168628	1,42	0,156
(Intercept)	-0,0188611	0,0167655	-1,12	0,261

sigma_u	0,06510807
sigma_e	0,07140938
rho	0,45394054

Таблица 8. Коэффициенты переменных в моделях с объясняемой переменной ROA

Источник: расчёты автора

	Модель 1***	Модель 2***	Модель 3***
Wald Chi2	270,52	156,94	87,90
HC1	8,27e-08	-
HC2	0,0356197	0,1784805	0,0764988
RC1	0,2093621***	0,2535404***	0,1357196
RC2	-0,001681	0,0095907	0,006953
InnC1	-	-	0,5295579**
InnC2	0,0109486	0,0039585
PrC1	0,0077898	0,0082698	0,0054493
PrC2	-	6,04e-08***
PrC3	1,42e-07***	-
PrC4	0,0124663**	-	0,0227767***
Debt	.0002148	0,0002177	0,0003286
D_2013	-0,0395365***	-0,0443755***	-0,0376233***
D_2014	-0,0312208***	-0,0305575**	-0,0319051**
D_country	0,0239165	0,0008783	0,0140192
D_electr	0,0213631	0,0126053	0,0223129
div_Size1	-	0,0027627	0,0094874*
(Intercept)	-0,0188611	-0,0187246	-0,0210415

В уравнениях с объясняемой переменной ROA значения статистики Вальда колеблются от 308.21 до 97.91. Вновь результаты модели 3, куда включена прокси InnC1, отличаются от других моделей с переменной InnC2. При этом инновационный капитал значим в модели 3 на 5%-ом уровне значимости и не значим в двух других моделях, хотя тоже имеет положительный знак. Основываясь на результатах моделей с большей статистикой Вальда, можно заключить, что отношенческий капитал оказывает значимое влияние на ROA. Все модели показывают значимое на 1%-ом уровне положительное влияние процессного капитала. Также вновь значимое отрицательное влияние на прибыльность имеют кризисные годы.

Влияние на ROE

Таблица 9. Результаты регрессии для Модели 1. Влияние на ROE

Источник: расчёты автора

Random-effect GLS regression
R-squared: within =	0,0502	Количество наблюдений =	323
between =	0,3344	Количество групп =	94
overall =	0,2088	Наблюдений на группу: среднее =	3,4
		максимальное =	9
corr (u_i, X) = 0 (assumed)	Wald Chi2 =	65,05
	Prob > Chi2 =	0,0000

Переменная	Коэффициент	Робастная станд.ошибка	Z	P > |Z|
HC2	0,6593897	0,5428633	1,21	0,224
RC1	0,4763897	0,2076514	2,29	0,022
RC2	-0,0824139	0,0604814	-1,36	0,173
InnC2	-0,3435592	0,339205	-1,01	0,311
PrC1	-0,0072368	0,0280743	-0,26	0,797
PrC2	1,60e-07	2,71e-08	5,88	0,000
Debt	0,0018584	0,0013369	1,39	0,165
D_2013	-0,1312715	0,0536835	-2,45	0,014
D_2014	-0,2492534	0,1194293	-2,09	0,037
D_electr	0,0302179	0,0594082	0,51	0,611
div_Size	0,0112231	0,0169252	0,66	0,507
D_country	-0,0893894	0,0985434	-0,91	0,364
(Intercept)	0,0240449	0,0627428	0,38	0,702

sigma_u	.22526762
sigma_e	.36048834
rho	.28083147



Таблица 10. Коэффициенты переменных в моделях с объясняемой переменной ROE

Источник: расчёты автора

	Модель 1***	Модель 2***
Wald Chi2	65,05	45,88
HC11	-	-
HC2	0,6593897	0,1494783
RC1	0,4763897**	0,1643685
RC2	-0,0824139	-0,1009724*
InnC1	-	0,4813581
InnC2	-0,3435592	-
PrC1	-0,0072368	-0,0082956
PrC2	1,60e-07***	-
PrC3	-	-
PrC4	-	0,0692896***
Debt	0,0018584	0,0020323
D_2013	-0,1312715**	-0,1170159**
D_2014	-0,2492534**	-0,2520541**
D_country	-0,0893894	-0,0629653
D_electr	0,0302179	0,0664622
div_Size	0,0112231	0,0257238
(Intercept)	0,0240449	0,0066611

HC1 во всех уравнениях была незначима, уравнения с ней имели более низкую статистику Вальда

Модели, исследующие влияние видов ИК на показатель прибыльности ROE, имеют довольно невысокие значения статистики Вальда и, соответственно, низкое качество подгонки. Тем не менее, все три модели значимы при любом выбранном уровне значимости. Результаты показывают положительное влияние RC1 и отрицательное влияние другой прокси-переменной для отношенческого капитала - RC2. Причем обе переменные являются значимыми лишь в одной из двух моделей. Обе модели показывают, что процессный капитал значимо положительно влияет на ROE, а кризисные годы оказывают отрицательное влияние. Инновационный капитал не является значимым ни в одной модели и при этом разные прокси имеют разное направление влияние, как и в уравнениях, оценивающих связь с ROC.

Влияние на P/BV

В модели линейной регрессии, оценивающей влияние видов ИК на значение рыночного мультипликатораP/BV, показателем качества подгонки регрессии служит R2. Значения этого показателя для регрессий с общей значимостью на уровне 1-5% получаются слишком низкими (максимальное значение - 0.0221). Одновременно, ни один коэффициент в данной модели не является значимым, что позволяет говорить об отсутствии влияния видов ИК на значение данного показателя.

Таблица 11. Результаты линейной регрессии. Влияние на P/BV

Источник: расчёты автора

Linearregression
		Количество наблюдений =	293
	F( 14, 278) =	3,23
	Prob>F =	0,0001
	R-squared =	0,0221
	Root MSE =	19,582

Переменная	Коэффициент	Робастная станд.ошибка	t	P > |t|
HC1	-0,0000129	0,0000102	-1,26	0,209
HC2	5,003932	20,22424	0,25	0,805
RC1	-0,9927487	8,835956	-0,11	0,911
RC2	2,995466	2,378201	1,26	0,209
InnC2	-4,754744	6,106776	-0,78	0,437
PrC1	-0,3564385	0,4930965	-0,72	0,470
PrC3	8,05e-07	2,36e-06	0,34	0,733
PrC4	1,105932	0,3989697	2,77	0,006
Debt	-0,0238113	0,0174412	-1,37	0,173
D_2013	0,5793481	1,891693	0,31	0,760
D_2014	-2,461674	1,566629	-1,57	0,117
D_electr	-1,342761	1,869857	-0,72	0,473
D_country	-2,265894	2,572311	-0,88	0,379
(Intercept)	5,120384	4,412303	1,16	0,247



3.3 Проверка устойчивости

Выборка из 324 наблюдений, используемая в модели, является в большой степени несбалансированной. Причиной этого является ограниченность данных о затратах на НИОКР, количестве сотрудников и затратах на персонал. Далеко не все компании в полной мере раскрывают финансовую и нефинансовую информацию, что является частой проблемой для сбора данных при проведении исследований на развивающихся рынках. Так или иначе, несбалансированность панельных данных может вызывать некоторые проблемы, в том числе смещение в оценках коэффициентов.

Чтобы проверить, что наша изначальная модель даёт нам достоверные результаты, было решено сделать проверку модели на устойчивость. Для этого из начальной выборки были удалены компаний, наблюдения по которым встречаются в полной выборке лишь 1-2 раза за рассматриваемый временной период в 11 лет. После удаления таких компаний в выборке осталось 268 наблюдений (134 по Бразилии и 134 по России) по 57 компаниям (28 Бразильских и 29 российских). При этом по каждой компании осталось не менее 3-ёх наблюдений. Наблюдения по компаниям энергетической отрасли в данной выборки по-прежнему составляют около половины всех наблюдений (126). С использованием данной новой выборки снова были оценены все модели регрессии для каждой объясняющей переменной.

Далее приведены описательные статистики используемых в модели переменных, основываясь на уменьшенной выборке.

Таблица 12. Описательные статистики переменных

Источник: расчёты автора

	Количество наблюдений	Среднее значение	Стандартное отклонение	Минимум	Максимум
ROC	268	0,0848101	0,2112478	-1,6021	1,2677
ROA	268	0,0635067	0,1353267	-0,4924	0,9037
ROE	268	0,124847	0,3211631	-1,784	1,8839
P/BV	246	4,010743	20,99647	0,0488	314,3186
HC1	268	37950,79	83215,9	60	462400
HC2	268	0,0446381	0,0597065	0	0,378
RC1	268	0,0936493	0,1333343	0	0,879
RC2	268	0,0119343	0,3630055	-0,5922	3,987
InnC1	268	0,0155373	0,0527107	0	0,3999
InnC2	268	0,0195399	0,0542489	0	0,4103
PrC1	268	2,34294	1,455945	0,304	10,101
PrC2	268	537700,3	1128916	30941	1,07e+07
PrC3	268	101514	370241,5	-284125	3644874
PrC4	268	1,356013	1,619489	0,1285	17,1292
Debt	268	4,484552	17,73933	-89,31	179,23
m_Size	268	9,43e-07	1,805545	-6,493842	4,336157

Тест Вальда и тест Вулвриджа вновь показали наличие гетероскедастичности и отсутствие автокорреляции. Были также рассчитаны коэффициенты вздутия дисперсии. Их значения не превышали 6. Для выявления мультиколлинеарности снова была построена матрица парных коэффициентов корреляции Пирсона. Ниже представлена таблица переменных, имеющих коэффициент корреляции больше 0,5. Такие переменные оценивались в разных уравнениях.

Таблица 13. Переменные, имеющие высокий коэффициент корреляции

Источник: расчёты автора

X	Y	corr (X;Y)
InnC1	InnC2	0,8159
InnC1	PrC2	0,7639
InnC1	PrC3	0,7592
InnC1	PrC4	0,6240
PrC2	PrC3	0,9378
PrC2	PrC4	0,6220
PrC3	PrC4	0,6514



Так же, как и для полной выборки, ниже представлены результаты регрессий в виде коэффициентов и их значимости для моделей с разными прокси для элементов ИК, имеющих наибольшие значения статистики Вальда (остальные результаты регрессий см. в Приложении 6-10). Следует отметить, что при удалении из выборки наблюдений, встречающихся по компании всего 1-2 раза, значения статистики Вальда в целом увеличились.

Влияние на ROC

Таблица 14. Результаты регрессии для Модели 1. Проверка устойчивости влияния на ROC

Источник: расчёты автора

Random-effect GLS regression
R-squared: within =	0,1538	Количество наблюдений =	268
between =	0,7871	Количество групп =	57
overall =	0,5456	Наблюдений на группу: среднее =	4,7
		максимальное =	9
corr (u_i, X) = 0 (assumed)	Wald Chi2 =	2030,97
	Prob > Chi2 =	0,0000

Переменная	Коэффициент	Робастная станд.ошибка	Z	P > |Z|
HC1	1,44e-07	1,06e-07	1,36	0,175
HC2	0,3310956	0,3113112	1,06	0,288
RC1	0,5027333	0,0963429	5,22	0,000
RC2	0,0253331	0,0364378	0,70	0,487
InnC2	-0,331861	0,2471128	-1,34	0,179
PrC1	0,0123315	0,0086372	1,43	0,153
PrC3	3,91e-07	3,06e-08	12,79	0,000
Debt	0,0001784	0,0002625	0,68	0,497
D_2013	-0,0426371	0,0216332	-1,97	0,049
D_2014	-0,0103213	0,0174306	-0,59	0,554
D_electr	0,0177969	0,0290542	0,61	0,540
D_country	0,0289707	0,0342475	0,85	0,398
(Intercept)	-0,0601064	0,0451222	-1,33	0,183



sigma_u	0,06567037
sigma_e	0,13009431
rho	0,20306878

Таблица 15. Коэффициенты переменных в моделях с объясняемой переменной ROC.Проверка устойчивости

Источник: расчёты автора

	Модель 1***	Модель 2***	Модель 3***
WaldChi2	2030.97	297,59	209,02
HC1	1,44e-07	2,30e-07*	9,51e-08
HC2	0,3310956	0,3425662	0,2224102
RC1	0,5027333***	0,4651958***	0,2888355**
RC2	0,0253331	0,0207217	0,0145185
InnC1	-	-	0,6933162
InnC2	-0,331861	-0,2728999	-
PrC1	0,0123315	0,0140437	-
PrC2	-	1,07e-07***	-
PrC3	3,91e-07***	-	-
PrC4	-	-	0,0480269***
Debt	0,0001784	0,0002206	0,000274
D_2013	-0,0426371**	-0,0584143**	-0,04837**
D_2014	-0,0103213	-0,0219188	-0,0264044
D_country	0,0289707	0,008796	0,0179593
D_electr	0,0177969	0,0218709	0,0635311*
div_Size	-	-0,0063542	0,00863
(Intercept)	-0,0601064	-0,0723218	-0,0608242

Модель 1 показывает самую высокую статистику Вальда (2030,97), что делает её наиболее достоверной. Результаты по всем моделям показывают, что, как и в моделях для полной выборки, значимое положительное влияние на ROC оказывают отношенческий капитал и процессный. Прокси-переменные для инновационного капитала также незначимы и имеют разные знаки. Человеческий капитал значим лишь в одной модели, и всего на уровне 10%.

Влияние на ROA

Таблица 16. Результаты регрессии для Модели 1. Проверка устойчивости влияния на ROA

Источник: расчёты автора

Random-effect GLS regression
R-squared: within =	0.2097	Количество наблюдений =	268
between =	0.8313	Количество групп =	57
overall =	0.6631	Наблюдений на группу: среднее =	4,7
		максимальное =	9
corr (u_i, X) = 0 (assumed)	Wald Chi2 =	1001.89
	Prob > Chi2 =	0,0000

Переменная	Коэффициент	Робастная станд.ошибка	Z	P > |Z|
HC1	9,54e-08	6,53e-08	1,46	0,144
HC2	0,0936204	0,1472987	0,64	0,525
RC1	0,2827999	0,0548818	5,15	0,000
RC2	0,0111276	0,0195972	0,57	0,570
InnC2	-0,0882491	0,1974488	-0,45	0,655
PrC1	0,0112506	0,0056524	1,99	0,047
PrC3	2,70e-07	2,54e-08	10,65	0,000
Debt	0,0000863	0,0001811	0,48	0,634
D_2013	-0,0370902	0,0137142	-2,70	0,007
D_2014	-0,0155425	0,0088552	-1,76	0,079
D_electr	0,0038444	0,0166699	0,23	0,818
D_country	0,013017	0,0193859	0,67	0,502
(Intercept)	-0,0237821	0,0241168	-0,99	0,324

sigma_u	0,04510166
sigma_e	0,06761726
rho	0,30791426



Таблица 17. Коэффициенты переменных в моделях с объясняемой переменной ROA.Проверка устойчивости

Источник: расчёты автора

	Модель 1***	Модель 2***	Модель 3***
Wald Chi2	1001,89	345,64	277,72
HC1	9,54e-08	1,12e-07	3,76e-08
HC2	0,0936204	0,1096059	0,0124861
RC1	0,2827999***	0,2466608***	0,1351551
RC2	0,0111276	0,0091357	0,0050347
InnC1	-	-	0,6163403
InnC2	-0,0882491	-0,027596	-
PrC1	0,0112506**	0,0123912*	0,0103332
PrC2	-	6,60e-08***	-
PrC3	2,70e-07***	-	-
PrC4	-	-	0,0246615**
Debt	0,0000863	0,0001124	0,0001775
D_2013	-0,0370902***	-0,047797***	-0,0421144***
D_2014	-0,0155425*	-0,0243075**	-0,0273647**
D_country	0,013017	-0,0014269	0,0090469
D_electr	0,0038444	0,0083618	0,0290706
div_Size	-	-0,0022806	0,0048522
(Intercept)	-0,0237821	-0,026784	-0,0207588

Результаты, полученные на уменьшенной выборке, подтверждают положительное влияние на прибыльность компании отношенческого и процессного капитала и отсутствие прямого значимого влияния человеческого капитала. Незначимое, но отрицательное влияние показывает переменная InnC2 и положительное, но также незначимое - InnC1. Среди дамми значимы лишь годы кризиса, которые влияют отрицательно.

Влияние на ROE



Таблица 18. Результаты регрессии для Модели 1. Проверка устойчивости влияния на ROA

Источник: расчёты автора

Random-effect GLS regression
R-squared: within =	0,1382	Количество наблюдений =	268
between =	0,6788	Количество групп =	57
overall =	0,4273	Наблюдений на группу: среднее =	4,7
		максимальное =	9
corr (u_i, X) = 0 (assumed)	Wald Chi2 =	334,08
	Prob > Chi2 =	0,0000

Переменная	Коэффициент	Робастная станд.ошибка	Z	P > |Z|
HC1	6,76e-08	1,83e-07	0,37	0,711
HC2	0,0248088	0,3507888	0,07	0,944
RC1	0,6164232	0,1613983	3,82	0,000
RC2	0,0080997	0,0460177	0,18	0,860
InnC2	-1,185368	0,7231792	-1,64	0,101
PrC1	0,0297976	0,0113387	2,63	0,009
PrC3	5,16e-07	7,27e-08	7,10	0,000
Debt	0,0007894	0,0009297	0,85	0,396
D_2013	-0,1095499	0,057635	-1,90	0,057
D_2014	-0,0921186	0,0516369	-1,78	0,074
D_electr	0,0046451	0,0429241	0,11	0,914
div_Size	0,0046874	0,0157434	0,30	0,766
D_country	0,0335665	0,0501519	0,67	0,503
(Intercept)	-0,0284042	0,0596221	-0,48	0,634

sigma_u	0,09991523
sigma_e	0,22748787
rho	0,16171133

Таблица 20. Коэффициенты переменных в моделях с объясняемой переменной ROE.Проверка устойчивости

Источник: расчёты автора

	Модель 1***	Модель 2***
Wald Chi2	334,08	118,56
HC1	6,76e-08	-
HC2	0,0248088	-0,3826118
RC1	0,6164232***	0,1995452
RC2	0,0080997	-0,0261356
InnC1	-	0,1077232
InnC2	-1,185368	-
PrC1	0,0297976***	0,0319069**
PrC2	-	-
PrC3	5,16e-07***	-
PrC4	-	0,0693444**
Debt	0,0007894	0,000952
D_2013	-0,1095499*	-0,1143435**
D_2014	-0,0921186*	-0,116564**
D_country	0,0335665	0,0176111
D_electr	0,0046451	0,0628351
div_Size	0,0046874	0,009338
(Intercept)	-0,0284042	-0,0586706

Значения статистики Вальда в модели, исследующей влияние на ROE на уменьшенной выборке варьируются от 334,08 до 118,56, что уже позволяет говорить о большей объясняющей силе модели по сравнению с регрессиями для полной выборки. Модель с большей статистикой Вальда показывает значимое положительное влияние отношенческого капитала на ROE. Обе модели также имеют положительные значимые коэффициенты при прокси-переменных для процессного капитала и дамми кризисных лет.

Влияние на P/BV

Результаты модели, построенной на уменьшенной выборке, показал значимость коэффициента при переменной PrC3. Тем не менее, R2в данной модели остаётся по-прежнему слишком низким, что не позволяет заключить наличие реального влияния.



Таблица 21. Результаты регрессии для Модели 1. Проверка устойчивости влияния на P/BV

Источник: расчёты автора

Linear regression
		Количество наблюдений =	246
	F( 14, 278) =	3,24
	Prob > F =	0,0002
	R-squared =	0,0296
	Root MSE =	21,255

Переменная	Коэффициент	Робастная станд.ошибка	Z	P > |Z|
HC1	-6,83e-08	5,39e-06	-0,01	0,990
HC2	18,65464	15,74884	1,18	0,237
RC1	0,9420934	9,482779	0,10	0,921
RC2	3,763158	2,776011	1,36	0,177
InnC2	-15,0311	10,29595	-1,46	0,146
PrC1	0,4719782	0,5460202	0,86	0,388
PrC3	3,55e-06	1,53e-06	2,32	0,021
Debt	-0,019237	0,0143573	-1,34	0,182
D_2013	-1,83499	1,334041	-1,38	0,170
D_2014	-1,042286	1,691287	-0,62	0,538
D_electr	-3,162137	3,386246	-0,93	0,351
D_country	5,284359	3,229643	1,64	0,103
div_Size	-0,8337902	0,6864602	-1,21	0,226
(Intercept)	1,493416	1,651381	0,90	0,367

Выводы

Таким образом, принимая во внимание результаты регрессий, полученные по двум выборкам, можно сделать выводы относительно влияния каждого исследуемого вида ИК на показатели деятельности компании.Человеческий капитал оказывает значимое положительное влияние лишь на ROC.На остальные показатели эффективности данный вид капитала не оказывает значимого влияния, хотя коэффициенты при данных переменных являются положительными. Данный результат согласуется с выводами Chuetal. (2011) и Maditinosetal. (2011), которые также нашли связь человеческого капитала лишь с одним показателем прибыльности и получили отсутствие влияния на другой. Кроме того, многие исследования показывают, что при отсутствии прямого влияния человеческого капитала на эффективность, может существовать косвенная связь через влияние на другие виды ИК и их последующее воздействие на эффективность (Wang & Chang, 2005;Tseng & Goo, 2005;Scafarto et al., 2016).Поэтому дальнейшие исследования могут быть сфокусированы на выявлении взаимосвязей между различными элементами ИК, в частности, исследовании наличия косвенного влияния человеческого капитала на эффективность компаний.

Отношенческий капитал показывает сильную значимость практически во всех моделях, что позволяет заключить, что он положительно влияет на все показатели прибыльности компании. Подобные результаты были получены в работах Wang & Chang (2005), Cheng et al. (2010)и Scafarto et al. (2016). Стоит, однако, сказать, что устойчиво значимой получилась лишь одна прокси - RC1. Тем не менее, как было сказано выше, темп роста продаж является довольно грубым измерителем для отношенческого капитала, поэтому отсутствие значимости данной прокси не умаляет общей положительной значимости отношенческого капитала на эффективность компании.

Инновационный капитал, наоборот, незначим во всех уравнениях, кроме одного, где объясняемой переменной является ROA. Однако при проверке устойчивости модели данная переменная перестаёт быть значимой, что не позволяет говорить о достоверности результата и ведёт к выводу об отсутствии значимого влияния данного вида капитала на показатели эффективности. Тем не менее, стоит отметить, что в данной работе рассматривалась лишь текущая эффективность. В таком контексте затраты на НИОКР являются способностью компании к инновациям, но редко могут отождествляться с результатами разработок, готовых к использованию и генерированию прибыли, так как с момента осуществления расходов до момента внедрения в работу компании результатов исследований может потребоваться некоторое время, превышающее один отчётный период. Кроме того, при оценке влияния инновационного капитала, было выявлено что разные его прокси имеют разный знак, что позволяет говорить о неоднозначном воздействии на текущую эффективность. Тем не менее, в моделях с большей статистикой Вальда прокси для инновационного капитала имеет отрицательный знак, что согласуется с результатом исследования Scafarto et al. (2016).

Процессный капитал показал высокую значимость и положительное влияние на прибыльность компаний во всех оценённых моделях. Подобные результаты были получены Wang & Chang (2005) и Scafarto et al. (2016).

Также, учитывая низкое качество модели с объясняемой переменной P/BV, можно говорить о том, что ни один вид ИК не оказывает влияния на данный показатель. Результат согласуется с исследованиемNadeem et al. (2017), где ИК измерялся при помощи VAIC.Авторы также не выявили зависимость между ИК и P/BV в России и Бразилии.

Стоит также отметить, что дамми-переменная отрасли является значимой лишь в модели с объясняемой переменной ROC причем в уравнении с самой низкой статистикой Вальда. Это позволяет говорить о том, что энергетическая отрасль не оказывает значимого влияния на результаты, и выводы относительно влияния каждого вида капитала на эффективность компаний одинаковы для всех отраслей. Это же касается влияния страны, так как эта дамми-переменная незначима ни в одном уравнении. При этом незначимость страновой дамми может означать, что различия в правовой системе, культуре ведения бизнеса, уровне рисков и другие не являются существенными для того, чтобы повлиять на взаимосвязь ИК и эффективности компаний. Одновременно с этим дамми-переменные кризисных годов значимы во всех моделях и имеют отрицательный знак, что может свидетельствовать о том, что влияние ИК на эффективность в годы кризиса снижается.



Заключение

В данной работе было исследовано прямое влияние человеческого, отношенческого, инновационного и процессного капитала на операционную эффективность компаний России и Бразилии. Для оценки элементов ИК был выбран метод прокси-переменных, который позволяет количественно измерить каждый вид ИК. В качестве мер эффективности компании были взяты показатели прибыльности ROC, ROA, ROE и рыночный мультипликатор P/BV. Выборка была сформирована из 324 наблюдений по компаниям нефинансового сектора России и Бразилии за временной период с 2005 по 2015 годы. Для проведения анализа панельных данных были использованы модель регрессии со случайными эффектами и линейная модель регрессии, выбранные с помощью тестов, как наиболее подходящие для оценки того или иного вида эффективности компании. Также был проведён анализ устойчивости, заключающийся в оценке моделей на уменьшенной, но более сбалансированной выборке. Его результаты показали, что в целом влияние различных видов ИК на эффективность компании одинаково независимо от используемой выборки.

Таким образом, в результате проведения исследования были получены следующие выводы относительно влияния каждого вида ИК на показатели прибыльности и стратегической эффективности компаний:

1) человеческий капитал оказывает значимое положительное влияние только на показатель прибыльности ROC и положительно, но незначимо связан с показателями ROA иROE;

2) отношенческий капитал значимо положительно влияет на все выбранные показатели прибыльности;

3) инновационный капитал не оказывает значимого влияния на показатели текущей эффективности компании;

4) процессный капитал значимо положительно влияет на все выбранные показатели прибыльности;

Таким образом, результаты исследования показывают, что отношенческий и процессный капитал являются наиболее важными интеллектуальными ресурсами российских и бразильских компаний, которые влияют на показатели их прибыльности. При этом ни страна, ни энергетическая отрасль не оказывают влияния на связь элементов ИК и показателей прибыльности компаний. В то время как в кризисные годы положительное влияние ИК на прибыльность может снижаться.Кроме того, было показано, что ИК не позволяет объяснить изменение рыночного мультипликатора P/BV, измеряющего долгосрочную стратегическую эффективность.

Результаты данной работы делают вклад в научное знание в области влияния элементов ИК на результаты деятельности компаний развивающихся стран. Кроме того, они могут быть полезны менеджерам российских и бразильских компаний с точки зрения обращения более пристального внимания на те элементы ИК, которые более значимо влияют на прибыльность.

Оригинальность данной работы заключается в том, что в ней используется наиболее широкая на сегодняшний день классификация элементов ИК - человеческий, отношенческий, инновационный и процессный - для выявления взаимосвязи ИК с операционной эффективностью компаний России и Бразилии. При этом в существующих исследованиях в области влияния ИК на результаты деятельности компаний России и Бразилии (отдельно или в общей выборке) в основном использовалась классификация, не разделяющая инновационный и процессный капитал, а учитывающая их в составе структурного. Также в виду широкого применения модели VAIC часто неучтённым являлся и отношенческий капитал.

Данная работа имеет некоторые ограничения. Во-первых, использование прокси-индикаторов для оценки различных видов ИК хоть и является одним из наиболее применяемых методов, но не позволяет со всей полнотой оценить ИК компании. Финансовая и другая количественная информация, на основе которой строятся прокси-переменные, представлена в отчетности компаний по единым стандартам, что не позволяет учесть специфические особенности компании. Во-вторых, в виду низкого качества раскрытия информации компаниями, выборка, используемая в исследовании, содержит небольшое количество наблюдений и является несбалансированнной. В-третьих, в данной работе исследуется только прямое влияние видов ИК на показатели эффективности компании, тогда как многие исследования показали, что элементы ИК могут влиять на результаты деятельности компании косвенно, воздействуя через другие виды капитала. В-четвёртых, исследование оценивает влияние видов ИК лишь на текущие результаы её деятельности, в то время как некоторым видам капитала, особенно инновационному, может потребоваться некоторое время для воздействия. Все эти ограничения создают актуальные возможности для дальнейших исследований в этой области.



Список литературы

Кузубов С.А. Развитие теоретико-методологических основ бухгалтерского учета и аудита интеллектуальных активов: дис. доктора экономических наук. Уральский государственный технический университет, Екатеринбург, 2009.

Осколкова М.А. Интеллектуальный капитал как фактор инвестиционной привлекательности компаний: диссертация кандидата экономических наук. НИУВШЭ, Москва, 2013.

Aguiar J. F., Basso L. F. C., Kimura H. Intellectual Capital and Value Creation in the Machinery and Equipment Industry //The Proceedings of the 2nd European Conference on Intellectual Capital. - 2010. - С. 10.

Anagnostopoulou S. C., Levis M. R&D and performance persistence: Evidence from the United Kingdom //The International Journal of Accounting. - 2008. - Т. 43. - №. 3. - С. 293-320.

Andreeva T., Garanina T. Do all elements of intellectual capital matter for organizational performance? Evidence from Russian context //Journal of Intellectual Capital. - 2016. - Т. 17. - №. 2. - С. 397-412.

Basso L. F. C., Kimura H., da Aguiar J. F. Intellectual capital and value creation in the production and assembly of vehicles and auto-parts sector in Brazil: a panel data analysis //Journal of Modern Accounting and Auditing. - 2010. - Т. 6. - №. 8. - С. 15.

Bayburina E., Golovko T. Design of Sustainable Development: Intellectual Value of Large BRIC Companies and Factors of their Growth //Electronic Journal of Knowledge Management. - 2009. - Т. 7. - №. 5. - С. 535-558.

Bontis N. Intellectual capital: an exploratory study that develops measures and models //Management decision. - 1998. - Т. 36. - №. 2. - С. 63-76.

Bozbura T.F. Measurement and application of intellectual capital in Turkey //The Learning Organization. - 2004. - Т. 11. - №. 4/5. - С. 357-367.

Brooking, A. Intellectual Capital: Core Assets for the Third Millennium Enterprise // International Thompson Business Press, London. 1996.

Brooking A. The management of intellectual capital //Long range planning. - 1997. - Т. 30. - №. 3. - С. 364-365.

Chen M. C., Cheng S. J., Hwang Y. An empirical investigation of the relationship between intellectual capital and firms' market value and financial performance //Journal of intellectual capital. - 2005. - Т. 6. - №. 2. - С. 159-176.

Cheng M. Y. et al. Invested resource, competitive intellectual capital, and corporate performance //Journal of Intellectual Capital. - 2010. - Т. 11. - №. 4. - С. 433-450.

Dћenopoljac V., Janoљevic S., Bontis N. Intellectual capital and financial performance in the Serbian ICT industry //Journal of Intellectual Capital. - 2016. - Т. 17. - №. 2. - С. 373-396.

Choo C. W., Bontis N. (ed.). The strategic management of intellectual capital and organizational knowledge. - Oxford University Press, 2002.

Chu K.W. S., Chan H.K., Wu W. W. Y. Charting intellectual capital performance of the gateway to China //Journal of Intellectual Capital. - 2011. - Т. 12. - №. 2. - С. 249-276.

Edvinsson L. Developing intellectual capital at Skandia //Long range planning. - 1997. - Т. 30. - №. 3. - С. 320-373.

Edvinsson, L., Malone, M. Intellectual Capital: Realising Your Company's True Value by Finding its Hidden Brainpower //Harper Collins, New York. 1997.

Fan L., Yuan X., Wang S. Research on the relationship between intellectual capital and company performance-an empirical analysis based on panel data //Proceedings of the Sixth International Symposium of Corporate Governance, M&D Forum, Dalian, August 20. - 2011. - Т. 21.

у Fernandez E. F. et al. Intellectual Capital Statements in Brazilian SME: Lessons Learned From the First Pilot-Implementations //ECKM 2012-Proceedings of the 13th European Conference on Knowledge Management: ECKM. - Academic Conferences Limited, 2012. - С. 312.

F-Jardуn C. M., Susana Martos M. Intellectual capital and performance in wood industries of Argentina //Journal of Intellectual Capital. - 2009. - Т. 10. - №. 4. - С. 600-616.

Firer S., Mitchell Williams S. Intellectual capital and traditional measures of corporate performance //Journal of intellectual capital. - 2003. - Т. 4. - №. 3. - С. 348-360.

Furman J. L., Porter M. E., Stern S. The determinants of national innovative capacity //Research policy. - 2002. - Т. 31. - №. 6. - С. 899-933.

Garanina T. A. Intellectual capital structure and value creation of a company: evidence from Russian companies //Open Journal of Economic Research. - 2011. - Т. 1. - №. 2.

Huang J.C., Liu J.C. Exploration for the relationship between innovation, IT and performance //Journal of Intellectual Capital. - 2005. - Т. 6. - №. 2. - С. 237-252.

Inkinen H. Review of empirical research on intellectual capital and firm performance //Journal of Intellectual capital. - 2015. - Т. 16. - №. 3. - С. 518-565.

Iskhar B., Mahdaoui L. Intellectual Capital and Human Capital, State of art and Proposal of Framework //European Conference on Knowledge Management. - Academic Conferences International Limited. - 2014. - Т. 3. - С. 1219.

Kamath B.G. Intellectual capital and corporate performance in Indian pharmaceutical industry //Journal of Intellectual Capital. - 2008. - Т. 9. - №. 4. - С. 684-704.

Kaplan R. S., Norton D. P. Strategy maps: Converting intangible assets into tangible outcomes. - Harvard Business Press, Boston. 2004.

Kimura H., Basso L. C., Aguiar J. F. Intellectual capital and value creation in the furniture manufacturing sector in Brazil //The Proceedings of the 2nd European Conference on Intellectual Capital. - 2010.

Lev B. Intangibles: Management, measurement, and reporting. - Brookings Institution Press, 2000.

Maditinos D. et al. The impact of intellectual capital on firms' market value and financial performance //Journal of intellectual capital. - 2011. - Т. 12. - №. 1. - С. 132-151.

Mehralian G. et al. Intellectual capital and corporate performance in Iranian pharmaceutical industry //Journal of intellectual capital. - 2012. - Т. 13. - №. 1. - С. 138-158.

Nadeem M. et al. Does intellectual capital efficiency improve firm performance in BRICS economies? A dynamic panel estimation //Measuring Business Excellence. - 2017. - Т. 21. - №. 1. - С. 65-85.

Osman J. An empirical investigation into the significance of intellectual capital and strategic orientations on innovation capability and firm performance in Malaysian information and communications technology (ICT) small-to-medium enterprises (SMEs): diss. - RMIT University, 2014.

Pulic A. VAIC - an accounting tool for IC management //International journal of technology management. - 2000. - Т. 20. - №. 5-8. - С. 702-714.

Riahi-Belkaoui A. Intellectual capital and firm performance of US multinational firms: a study of the resource-based and stakeholder views //Journal of Intellectual capital. - 2003. - Т. 4. - №. 2. - С. 215-226.

Roos G., Roos J. Measuring your company's intellectual performance //Long range planning. - 1997. - Т. 30. - №. 3. - С. 413-426.

Scafarto V., Ricci F., Scafarto F. Intellectual capital and firm performance in the global agribusiness industry: the moderating role of human capital //Journal of Intellectual Capital. - 2016. - Т. 17. - №. 3. - С. 530-552.

Shiu H. J. The application of the value added intellectual coefficient to measure corporate performance: evidence from technological firms //International Journal of Management. - 2006. - Т. 23. - №. 2. - С. 356.

Sougiannis T. The accounting based valuation of corporate R&D //Accounting review. - 1994. - С. 44-68.

Sveiby K. E. The new organizational wealth: Managing & measuring knowledge-based assets. - Berrett-Koehler Publishers, 1997.

Subramaniam M., Youndt M. A. The influence of intellectual capital on the types of innovative capabilities //Academy of management Journal. - 2005. - Т. 48. - №. 3. - С. 450-463.

Sullivan P. H. Value driven intellectual capital: how to convert intangible corporate assets into market value. - John Wiley & Sons, Inc., 2000.

Tan P.H., Plowman D., Hancock P. Intellectual capital and financial returns of companies //Journal of Intellectual capital. - 2007. - Т. 8. - №. 1. - С. 76-95.

Tovstiga G., Tulugurova E. Intellectual capital practices and performance in Russian enterprises //Journal of Intellectual Capital. - 2007. - Т. 8. - №. 4. - С. 695-707.

Tseng C. Y., James Goo Y. J. Intellectual capital and corporate value in an emerging economy: empirical study of Taiwanese manufacturers //R&D Management. - 2005. - Т. 35. - №. 2. - С. 187-201.

Van Buren M. E. A yardstick for knowledge management //Training & development. - 1999. - Т. 53. - №. 5. - С. 71-78.

Wang W. Y., Chang C. Intellectual capital and performance in causal models: Evidence from the information technology industry in Taiwan //Journal of intellectual capital. - 2005. - Т. 6. - №. 2. - С. 222-236.

Youndt M. A., Subramaniam M., Snell S. A. Intellectual capital profiles: An examination of investments and returns //Journal of Management studies. - 2004. - Т. 41. - №. 2. - С. 335-361.



Приложение 1

Результаты регрессий Модели 2. Влияние на ROC

Random-effect GLS regression
R-squared: within =	0.1563	Количество наблюдений =	323
between =	0.5164	Количество групп =	94
overall =	0.4694	Наблюдений на группу: среднее =	3,4
		максимальное =	9
corr (u_i, X) = 0 (assumed)	Wald Chi2 =	138.69
	Prob > Chi2 =	0,0000

Переменная	Коэффициент	Робастная станд.ошибка	Z	P > |Z|
HC1	1.26e-07	1.39e-07	0.90	0.366
HC2	.606914	.3092884	1.96	0.050
RC1	.4855928	.1091105	4.45	0.000
RC2	.0159651	.0298218	0.54	0.592
InnC2	-.1546637	.1036827	-1.49	0.136
PrC1	-.0000753	.0117869	-0.01	0.995
PrC3	4.21e-07	6.81e-08	6.19	0.000
Debt	.000356	.0003055	1.17	0.244
D_2013	-.0447561	.0200837	-2.23	0.026
D_2014	-.0320844	.0183907	-1.74	0.081
D_electr	.0334782	.0314215	1.07	0.287
D_country	.016796	.0310615	0.54	0.589
(Intercept)	-.0339392	.0350297	-0.97	0.333

sigma_u	.11744129
sigma_e	.13304107
rho	.43796168



Приложение 2

Результаты регрессии Модели 3. Влияние на ROC

Random-effect GLS regression
R-squared: within =	0.0902	Количество наблюдений =	323
between =	0.4467	Количество групп =	94
overall =	0.3856	Наблюдений на группу: среднее =	3,4
		максимальное =	9
corr (u_i, X) = 0 (assumed)	Wald Chi2 =	91.20
	Prob > Chi2 =	0,0000

Переменная	Коэффициент	Робастная станд.ошибка	Z	P > |Z|
HC1	1.88e-07	1.66e-07	1.14	0.255
HC2	.2222126	.3641335	0.61	0.542
RC1	.2176559	.1462114	1.49	0.137
RC2	-.0040634	.0430964	-0.09	0.925
InnC1	.4758934	.3473381	1.37	0.171
PrC1	.0004958	.0135704	0.04	0.971
PrC4	.0549542	.0109309	5.03	0.000
Debt	.0005507	.0003826	1.44	0.150
D_2013	-.04936	.0194311	-2.54	0.011
D_2014	-.0453974	.0228237	-1.99	0.047
D_electr	.059649	.0359364	1.66	0.097
D_country	.0192597	.031431	0.61	0.540
(Intercept)	-.0675489	.0369221	-1.83	0.067

sigma_u	0,12158164
sigma_e	0,13671319
rho	0,44161787

Размещено на Allbest.ru