В исследуемую выборку попало только около 2% всех ИТ компаний, находящихся в базе данных. Основная причина, по которой выборка состоит из такой маленькой доли компаний, - сильный рост количества фирм после 2010 года, а также прекращение функционирования ряда компаний после мирового кризиса или неуспешных компаний, которые находились на рынке короткий промежуток времени в середине исследуемого периода от одного года до четырех лет (информация о таких компаниях является неполной, так как в результате реорганизаций и банкротств финансовая история «обнуляется»). Также, большинство зарегистрированных ИТ-компаний являются частными, а информация по такому типу на практике не всегда хранится в открытом доступе, поэтому по существенной части компаний невозможно было собрать необходимые показатели. Все компании, которые не имеют финансовых показателей за полный период анализа, были исключены, поскольку их присутствие в выборке делает её несбалансированной. капитал собственность ликвидность актив

Стоит отметить, что в разных регионах существенный прирост компаний происходил в разное время в зависимости от индивидуальных характеристик развития региона и рынка. Например, в Китае большой прирост ИТ компаний пришелся на 2010 год, что и было большим толчком для положения Китая в мировой экономике и стремительному развитию. В свою очередь, в странах Латинской Америки резкий рост количества ИТ фирм произошел в 2013 году, что многие связывают с окончанием «золотого десятилетия» данного региона и применением новой модели развития. Во многих европейских странах и в Японии 2014 и 2015 года являлись периодом повышенной активности новых компаний в информационно-технологическом секторе, что связано с созданием благоприятных и льготных условий для молодых талантов. В частности, отличилась Франция, в которой количество ИТ компаний увеличилось на почти 1000 всего за год, такой рост связывают с новой льготной визовой политикой страны для технологических специалистов, предпринимателей и стартаперов.

Итак, с помощью программы Microsoft Excel проведем описательную статистику для исследуемой выборки, наглядно продемонстрировав результаты на диаграммах. Для начала оценим соотношение публичных и частных компаний, а также соотношение компаний развитого и развивающегося рынка. На Рисунке 2.1(а) и 2.1(б) представлены распределения по двум категориям. Выборку составляют 81.49% публичных компаний и только 18.51%, однако в действительности публичных компаний всего 8.5 тысяч (т.е. около 3.5% всех компаний). Как раз такое расхождение в распределении объясняется недоступностью информации, наличием неуспешных компаний и множеством новых стартапов. В выборку входит 66.79% компаний развитого рынка и 33.21% развивающегося, что также несколько отличается от реальных показателей, но не значительно.



Рис.2.1(а) Распределение выборки по типу компаний

Рис.2.1(б) Распределение выборки по уровню развитости рынка

Теперь рассмотрим распределение компаний выборки по экономическим регионам, а также отдельно по развитым и развивающимся странам, так как некоторые регионы, такие как Европа и Азия Примечание 1: Здесь и везде далее понятие «Азия» предполагает Азиатско-Тихоокеанский регион, включают в себя страны с разным уровнем развития рынка. На Рисунке 2.2 продемонстрировано процентное соотношение по регионам: существенную долю выборки составляют азиатские компании - 67.25%, вторую по размеру долю занимают американские компании в совокупности с канадскими - 16.8%, третью - 13.11% занимают европейские компании. Однако даже суммарная доля Африки, Среднего Востока и Латинской Америки в общей выборке составляет 2.86% и является незначимой.



Рис.2.2. Распределение выборки по экономическим регионам

Далее более подробно изучим распределение выборки по развитым и развивающимся странам. На Рисунке 2.3(а) продемонстрировано, что больше половины (57.25%) всех развитых стран в выборке занимают страны Азиатско-Тихоокеанского региона, на втором месте располагаются Соединенные Штаты Америки и Канада, занимая при этом долю ниже более в чем два раза - 25.16%, европейским развитым странам присвоено 17.59% выборки. Распределение выборки по развивающимся странам представлено на Рисунке 2.3(б), где существенная доля приходится на страны Азиатско-Тихоокеанского региона - 87.38%, при этом доли Африки, Среднего Востока и Латинской Америки возросли по сравнению с общей статистикой, но по-прежнему остаются незначимыми, а развивающиеся страны Европы составляют всего 7.13%. Таким образом, можно сделать вывод о том, что основными регионами, вовлеченными в информационно-технологическую индустрию, являются Азиатско-Тихоокеанский регион, США и Канада, а также Европа, поэтому стоит рассмотреть дополнительно какой вклад делает каждая страна внутри данных регионов.



Рис.2.3(а) Распределение выборки по развитым странам

Рис.2.3(б) Распределение выборки по развивающимся странам

Как уже было представлено раннее, страны Азиатско-Тихоокеанского региона занимают большую часть выборки, особенно их доля велика на развивающемся рынке. Итак, рассмотрим на Рисунке 2.4(а) развитые страны, играющие существенную роль на рынке ИТ: Южная Корея (58.6%) и Япония (26.55%), что достаточно близко к реальным соотношениям. Из развивающихся стран на Рисунке 2.4(б) характерно выделяются такие страны, как Тайвань (52.52%) и Китай (27.99%), однако на практике Китай занимают значительно большую долю рынка.



Рис.2.4(а) Распределение выборки по развитым странам Азии

Рис.2.4(б) Распределение выборки по развивающимся странам Азии

Регион Соединенных Штатов Америки и Канады стоит анализировать по доли каждого штата в общей доли региона, чтобы понимать, как рассредоточены ИТ компании внутри страны. На Рисунке 2.5 продемонстрировано, что Канада занимает 17.3% в общей доле с США.

Тем временем штат Калифорния занимает более существенную долю в 25.18%, что неудивительно, так как в данном штате расположена «Силиконовая долина», известная большой плотностью сосредоточения высокотехнологичных компаний разных направлений. Также количество ИТ компаний велико в штатах Нью Йорк (7.52%) и Массачусетс (6.68%), остальные штаты занимают меньшие доли, но в сумме составляют 43.32%.

Рис.2.5. Распределение выборки по штатам США и Канаде

Среди развитых европейских стран, согласно Рисунку 2.6(а), стоит выделить Великобританию (20.14%), Германию (18.77%), Францию (17.06%) и Швецию (12.97%). В действительности, эти страны также являются крупнейшими в Европе по созданию информационных технологий. На Рисунке 2.6(б) продемонстрировано распределение выборки по развивающимся странам Европы: доля Польши составляет 82.35%, что достаточно близко к реальным показателям, Россия занимает 7.35% в развивающихся странах Европы, все остальные страны в сумме занимают всего 10.29%. В целом, экономику Польши и России некоторые исследования относят к развитым странам или, по крайней мере, к развивающимся странам с относительно высокими экономическими показателями.



Рис.2.6(а) Распределение выборки по развитым странам Европы

Рис.2.6(б) Распределение выборки по развивающимся странам Европы

База данных S&P Capital IQ также предоставляет детальную информацию по разветвлению индустрии информационных технологий, выделяя три основных направления: Аппаратные технологии и оборудование (Hardware Technology and Equipment), Программное обеспечение и услуги (Software and Services), а также Полупроводники и полупроводниковое оборудование (Semiconductors and Semiconductor Equipment). Выборку в данной работе, как проиллюстрировано на Рисунке 2.7(а), составляют 47.5% компаний направления «аппаратная технология и оборудование», 36.66% - «программное обеспечение и услуги» и оставшиеся 15.84% занимают «полупроводники». При этом в каждом направлении большую долю занимают ИТ-компании развитых стран, согласно Рисунку 2.7(б).

Рис.2.7(а) Распределение выборки по направлению ИТ отрасли

Рис.2.7(б) Распределение выборки ИТ отрасли на рынках с разных уровней

Теперь проанализируем разделение долей выборки внутри каждого направления исследуемой индустрии. На Рисунке 2.8 представлено, что среди аппаратных технологий наибольшую долю занимает ответвление «электронные компоненты» - 29.06%, также значительные доли разделяют «оборудования для связи» (20.56%) и «электронное оборудование и приборы» (20.36%). Наименьшую долю занимает ветвь индустрии «электронные производственные услуги» -4.13%.

Рис.2.8. Распределение выборки внутри ветви «Аппаратные технологии»

Среди направления «программное обеспечение» наиболее популярным является ответвление «ИТ-консалтинг и прочие услуги», занимая в общем распределении 28.17%, согласно Рисунку 2.9. Также значительную долю в данном направлении занимают «прикладное программное обеспечение» (25.77%) и «программное обеспечение интернета» (23.52%), при этом, наблюдая за изменением статистики во времени, можно отметить, что доли этих направлений увеличиваются. Остальные ветви данного ИТ направления составляют менее значимую долю в выборке.



Рис.2.9. Распределение выборки внутри ветви «Программное обеспечение»

На Рисунке 2.10 проиллюстрировано разделение направления «полупроводники», которые в целом составляют наименее значимую долю, поскольку данное направление занимается производством вспомогательных и дополнительных деталей для первых двух направлений. Основную долю выборки занимает само оборудование для производства полупроводников (19.11%), также существенные доли занимают «цифровые полупроводники» (17.09%) и «аналоговые и смешанные сигналы» (8.86%). В данном направлении большую долю занимают «прочие» ветви направления (48.61%), поскольку «полупроводники» имеют множество узких ответвлений деятельности, которые составляют очень маленький процент в общем распределении, и поэтому их сложно выделить.

Рис.2.10. Распределение выборки внутри ветви «Полупроводники»



Раннее в работе было упомянуто о феномене нулевого долга и его распространенности среди ИТ компаний. В нашей выборке также с помощью дамми-переменной на нулевой долг были выделены 350 компаний (7% от всей выборки), у которых на протяжении всего анализируемого периода уровень долга оставался нулевым. Однако, несмотря на то, что у части крупных компаний некоторый промежуток времени долг также равнялся нулю (например, Apple до 2013 года, Alphabet до 2010 года, Yahoo Japan Corporation с 2010 года), они не входят в данную подвыборку, поскольку за весь период у этих компаний был долг. Данные 350 компании стоит исключить из основной выборки, так как особенность структуры данных компаний будет искажать результаты исследования. Кроме того, особенности такой структуры капитала предполагают другой подход к изучению исследуемого вопроса, так как общая будет неприменима к таким компаниям или будет давать ложные результаты.

В каждой индустрии функционируют компании-гиганты, лидеры рынка, чьи доходы и доходы в несколько раз отличаются от средних значений по индустрии. В исследуемой выборке было выделено 50 таких компаний (1% от всей выборки), из которых 2 компании также относятся к подвыборке с нулевым долгом. Среди наиболее узнаваемых и крупных не только в ИТ индустрии, но и в целом по рынку, подвыборку представляют такие компании, как Apple, Microsoft, Samsung Electronics, IBM, Alphabet, Intel и прочие. Данные крупные компании также стоит выделить в отдельную подвыборку и исключить из общей анализируемой выборки, так как результаты по компаниям-гигантом могут сильно отличаться от средних по индустрии. Такое предположение будет проверено путем применения общей модели к подвыборке крупных компаний.

Перед построением модели убедимся, что итоговая выборка, после исключения крупных компаний и компаний с нулевым долгом, имеет одинаковое количество наблюдений по всем переменным. Переведём итоговую выборку в пакет STATA для дальнейшего статистического анализа и построения модели. Исходные данные представляют собой финансовые показатели компании, необходимые для построения переменных и тестирования гипотез. С помощью команд xtset и xtdes проверяем являются панельные данные сбалансированными Примечание2: id - это заданный номер компании из выборки:

panel variable: id (strongly balanced)

time variable: year, 2008 to 2015

delta: 1 unit

id: 1, 2, ..., 4589 n = 4589

year: 2008, 2009, ..., 2015 T = 8

В Таблице 2.2 приведена описательная статистика для исходных финансовых показателей компаний, которая была выполнена с помощью команды sum. По данным из таблицы можно сделать вывод о том, что имеются незначительные пропуски данных (около 4%) по некоторым переменным, также таблица предоставляет информацию о средних (mean), минимальных (min) и максимальных (max) значениях для каждого показателя и их стандартные отклонения (std. dev.). К анализируемым финансовым показателям относятся чистая прибыль (netinc), общая выручка (totrev), расходы на исследования и разработки как отличительная черта ИТ компаний (rd), себестоимость реализованной продукции (cogs), чистый доход до вычета процентов, налогов, износа и амортизации (ebitda), совокупные текущие активы (totcuras), нематериальные активы также характерные для ИТ (intang), материальные активы (tang), совокупные активы (totas), совокупные текущие обязательства (totcurliab), совокупные обязательства (totliab), краткосрочный долг (curdebt), долгосрочный долг (noncurdebt), совокупный долг (totdebt), совокупный собственный капитал (toteq).



Таблица 2.2. Описательная статистика исходных данных

Variable	Obs	Mean	Std. Dev.	Min	Max
netinc	36712	11.77638	146.4325	-7287.1	3690
totrev	36712	471.4516	2531.619	-236	122011.8
rd	36712	22.12639	139.2252	-32.8	6776
cogs	36712	345.5129	1992.432	-228.7	86702.9
ebitda	36579	47.049	247.6002	-2032	12384
totcuras	35221	270.8924	1316.167	0	66862.7
intang	35220	86.65726	597.0464	-206.2	25605.7
tang	35744	140.728	729.2327	-24020.4	17121.4
totas	35221	498.3416	2466.949	-3615.4	121618
totcurliab	35242	181.4728	1036.786	0	56933.9
totliab	35242	270.4284	1668.971	0	89572
curdebt	35238	44.44396	309.6206	-5.21	17766.53
noncurdebt	35220	69.04589	539.115	-.05	22791.6
totdebt	35745	109.4667	749.5226	-1479.2	36409.4
toteq	35745	231.1023	934.7343	-3677	36623.6

Несмотря на то, что из итоговой выборки уже были исключены компании с нулевым долгом и крупные компании, необходимо также очистить выборку от выбросов, которые будут определяться с помощью правила трёх сигм. Данное правило предполагает, что практически все значения нормально распределенной случайной величины лежат в интервале от до . Было решено применять правило трёх сигм для чистой прибыли компании, что привело к исключению 469 наблюдений (около 1.3% всех наблюдений).

3. Построение модели

Целью данного исследования является обнаружение результатов и трендов, характерных для всех информационно-технологический компаний вне зависимости от региона и от уровня развитости рынка, на котором функционирует компания, от основного направления отрасли и от использования ею акционерного капитала или только собственного.

Изначально модель строится и тестируется для всей составленной выборки: выбирается наиболее адекватная модель, далее для каждого фактора модели оставляется наиболее значимая объясняющая переменная. уже построенная модель применяется на выделенных подвыборках, а также отдельно для развитых и развивающихся стран и для публичных и частных компаний для возможности сравнения результатов и их применимости для компаний разных типов.

Определяющим моментом в построении модели является выбор объясняемой переменной, в данном случае необходимо выбрать показатель, который будет являться мерой левериджа, то есть некоторое финансовое измерение, которое показывает, сколько капитала приходит в виде долга или оценивает способность компании выполнять финансовые обязательства.

В пакете STATA была построена регрессия и проведен анализ для каждой возможной объясняемой переменной, отражающей леверидж компании, то есть для следующих соотношений: совокупные обязательства к совокупным активам (Total Liabilities/Total Assets), общая задолженность к совокупным активам (Total Debt/Total Assets), общая задолженность к капиталу (Total Debt/Total Capital), а также краткосрочный долг к совокупным активам (Short-term Debt/Total Assets) и долгосрочный долг к совокупным активам (Long-term Debt/Total Assets). Сравнивая все получившиеся модели, которые обладали одинаковым количеством одних и тех же показателей и отличались только самой объясняемой переменной по значению коэффициента детерминации (R2) и значимости независимых переменных, было выявлено, что наиболее адекватной моделью является модель с соотношением общего долга к совокупным активам (R2 более 0.8 для разных видов модели, то есть более 80% дисперсии зависимой переменной объясняется построенной моделью).

Итак, итоговая линейная регрессионная модель имеет следующий вид:

. ,.

где DA - соотношение общего долга к совокупным активам (Total Debt/Total Assets), profitability - прибыльность компании, size - её размер, growth - рост, liquidity - ликвидность активов, uniqueness - уникальность товара, operating capacity - эксплуатационная мощность и R&D capability - возможности к исследованиям и разработкам. При этом почти для каждого фактора будет тестироваться по несколько переменных (для прибыльности, размера и роста компании, а также производственных мощностей), предложенных раннее, а затем после устранения всевозможных несовершенств модели будет выбрана ровно одна наиболее значимая переменная для каждого фактора модели. В Таблице 2.3 приведена описательная статистика для зависимой и всех независимых переменных модели, которая раскрывает средние, минимальные, максимальные значения каждой переменной, а также их стандартное отклонение. Более того, в таблице проиллюстрировано, что теперь по каждой переменной одинаковое количество наблюдений.

Таблица 2.3. Описательная статистика всех переменных модели

Variable	Obs	Mean	Std. Dev.	Min	Max
DA	29106	.3679605	6.031108	-2.449977	648
EA	29106	.6234068	58.168	-99.23077	7830
ROA	29106	.0914446	19.961	-105	2960
ROE	29106	.0773607	22.73173	-1720	2960
profmarg	29106	-.6211795	24.72148	-1693.939	1936.364
ltotas	29106	4.365645	1.784488	-5.115996	10.44875
ltotrev	29106	4.19278	1.880141	-5.521461	10.79023
grtotas1	29106	1.27806	14.96269	-4.752988	2410
grtotas2	29106	-.0168242	1.416938	-129.6	1.210394
grtotrev	29106	1.276959	15.39017	-19.74873	1746.136
curr	29106	2.736681	7.475903	.0001119	697.5
uniq	29106	.7691753	5.086761	-15	845.7143
eqt	29106	5.846021	413.4295	-6445.555	64480
cat	29106	13.95552	638.8004	.0003472	64480
RD	29106	.441562	7.165157	-1	780.000



Также генерирование переменных привело к несбалансированной выборке из-за пропусков данных в переменной, характеризующей размер компании, так как по всем отрицательным значениям логарифм не был построен. Кроме того, большое количество наблюдений было потеряно в результате формирования переменной роста, которая может наблюдаться только с периода t+1, поэтому из выборки выпадает 2008 год.

panel variable: id (unbalanced)

time variable: year, 2009 to 2015, but with gaps

delta: 1 unit

Теперь по этим данным проанализируем три модели: модель сквозной регрессии (Pool), модель регрессии с детерминированным индивидуальным эффектом (Fixed Effect, FE) и модель регрессии со случайным индивидуальным эффектом (Random Effect, RE), и определим, какая из них является наиболее адекватной. Для начала рассмотрим общий вид данных моделей:

1) Pool: ,

где - соотношение общего долга к совокупным активам, - значения объясняющих переменных;

2) FE: c ограничениями на коэффициент наклона в случае исследования специфического временного эффекта;

3) RE: с ограничениями на все коэффициенты в случае исследования специфического временного эффекта.

В Приложении 1 представлены результаты по модели сквозной регрессии. Стоит обратить внимание на значение R2=0.84, которое говорит об адекватности регрессии в целом, а также на значимость тестируемых переменных. Незначимы оказались такие переменные, как рентабельность собственного капитала, маржа прибыли, первая мера роста активов, рост выручки, а также мера ликвидности, уникальности товара и способности к исследованиям и разработкам.

Для модели с фиксированным индивидуальным эффектом результаты представлены в Приложении 2. Заметим, что значение R2=0.99 увеличилось, при этом некоторые незначимые переменные pool-модели стали значимыми: маржа прибыли и способности к R&D. Для определения лучшей модели между pool и FE нельзя сравнивать значения R2, поэтому выбор модели зависит от p-value F-статистики, который меньше любого адекватного уровня значимости. Значит, тестируемая гипотеза () отвергается, что говорит о целесообразности добавления индивидуальных эффектов в модель.

По модели со случайным индивидуальным эффектом результаты отображены в Приложении 3. Данная регрессия имеет R2=0.99, такой же, что и в модели с фиксированным эффектом, но при этом способности к R&D снова стали незначимой переменной. Теперь для сравнения с pool-моделью необходимо провести тест Бройша-Пагана с нулевой гипотезой: . С помощью команды xttest0 был получен p-value меньше любого уровня значимости, что говорит о том, что модель со случайными индивидуальными эффектами лучше модели сквозной регрессии.

Для сравнения моделей с фиксированным и случайным индивидуальными эффектами необходимо провести тест Хауссмана с помощью команды hausman fe re:

В результате проведенного теста р-value меньше уровня значимости, а это значит, что в модели со случайными эффектами оценки будут не состоятельны, поэтому необходимо использовать модель с фиксированными индивидуальными эффектами, так как эта модель даст может и неэффективные, но состоятельные оценки. Также данный результат был дополнительно проверен тестом Мундлака, который дал аналогичный результат. Модель с фиксированным индивидуальным эффектом может быть лучше, потому что каждая ИТ компания имеет свои индивидуальные особенности всех переменных, которые были включены в модель

Таким образом, определив наилучший тип модели, все дальнейшие тестирования будут проводиться на модели FE. В первую очередь будут проведены тесты на наличие гетероскедастичности, автокорреляции и мультиколлинеарности. Затем попробуем усовершенствовать регрессию, устранив проблемы модели и оставить единственную объясняющую переменную для каждого фактора.

Для проверки наличия гетероскедастичности между группами наблюдений (компаниями) в модели был применен тест Вальда (команда xttest3 для FE-модели), результаты которого говорят об отвержении гипотезы о равенстве дисперсий групп, так как p-value=0. Следовательно, гетероскедастичность присутствует в данных, что говорит об их неоднородности. Этот факт неудивителен, так как выборка состоит из множества разных компаний по уровню чистого дохода, по значениям сгенерированных переменных, кроме того, в выборке присутствуют пропуски.

Далее протестируем модель на наличие серийной автокорреляции AR (1), применив тест Вулдриджа с помощью команды хtserial. Значение p-value в данном случае меньше 5% уровня значимости, что указывает на наличие автокорреляции первого порядка в исследуемой модели, при этом она также предполагает зависимость ошибок во времени в рамках одной компании.



Теперь проведем тесты на наличие мультиколлинеарности в модели, которые также помогут выбрать объясняющие переменные. В таблице 2.4 с помощью команды corr была построена корреляционная матрица переменных:

Таблица 2.4. Корреляционная матрица

В первую очередь необходимо обратить внимание на высокую корреляцию между переменными разных факторов, так как внутри одного фактора в итоге останется одна переменная. Высокая корреляция наблюдается между переменными эксплуатационной мощности и переменными прибыльности. Тест vif также указывает на высокую корреляцию данных переменных.



По результатам исправления гетероскедастичности и автокорреляции путем применения команд в пакете STATA xtscc (поправки Дрисколла-Крааи), robust (поправки Уайта), newey (поправки Ньюи-Уеста), а также мультиколлинеарности путем исключения высококореллированных переменных, была выбрана наиболее адекватная модель, каждый фактор которой представляет одна переменная. Для получения окончательных результатов необходимо провести аналогичные процедуры выбора, тестирования и исправления итоговой регрессионной модели, а по окончанию сравнить результаты до и после исправлений несовершенств модели.

Итак, зафиксируем переменные, оставшиеся в итоговой регрессии: переменная прибыльности компании - рентабельность активов (ROА), размера компании - натуральный логарифм общих активов (ltotas), роста - процентный прирост общих активов (grtotas2), ликвидности - отношение текущих активов к текущим обязательствам (curr), уникальности товара - отношение себестоимости к выручке от продаж (uniq), производственной мощности - оборот текущих активов (cat) и способности исследований и разработок - сумма расходов по данному виду деятельности и нематериальных активов к выручке (RD). В Таблице 2.5 приведены описательные статистики по вновь сгенерированным переменным, заметим, что количество наблюдений также увеличилось из-за отсутствия пропусков тех переменных, которые уже больше не входят в модель.

Таблица 2.5. Описательная статистика переменных итоговой модели

Variable	Obs	Mean	Std. Dev.	Min	Max
DA	29233	.3832534	6.101058	-2.449977	648
ROA	29233	.0651528	20.03211	-219	2960
ltotas	29233	4.351475	1.802044	-5.115996	10.44875
grtotas2	29233	-.0353432	2.193728	-212.5	1.210394
curr	29233	2.750794	7.601645	.0001039	697.5
uniq	29233	.7880921	6.065945	-75.48387	845.7143
cat	29233	14.82147	641.5856	-64.77777	64480
RD	29233	.5657039	11.46151	-64.58334	1172

В Приложении 4-6 представлены результаты трех моделей, которые были протестированы путем аналогичных тестирований: F-статистка для сравнения моделей pool и FE, xttest0 для сравнения моделей pool и RE и hausman для выбора между моделью с фиксированным индивидуальным эффектом (FE) и случайным (RE).

В результате была выбрана модель с детерминированным эффектом, которую теперь необходимо проверить на наличие несовершенств: гетероскедастичности, автокорреляции и мультиколлинеарности. Тест Вальда на гетероскедастичность, p-value которого меньше любого уровня значимости, указывает на отвержение гипотезы о гомоскедастичности, то есть в модели присутствует гетероскедастичность.



Результаты теста Вулдриджа не отличаются от первоначальных результатов, так как p-value меньше любого уровня значимости, что свидетельствует о том, что нулевая гипотеза об отсутствии автокорреляции первого порядка отвергается. Таким образом, проблема автокорреляции в данной модели также присутствует.

Проверим модель на наличие мультиколлинеарности путем построения корреляционной матрицы и VIF-теста, результаты которых говорят о полном отсутствии мультиколлинеарности в модели.

Таблица 2.6. Корреляционная матрица

В результате тестирования модели были обнаружены гетероскедастичность и автокорреляция, которую попробуем исправить с помощью поправок Дрисколла-Крааи (команда в STATA xtscc). Данную поправку применяют для моделей с детерминированными эффектами, в которых присутствует гетероскедастичность и автокорреляция, с лагами от одного до четырех шагов. Как правило, наилучший результат представлен в исправлениях с лагом в четыре года, что и получилось на практике (результат представлен в Приложении 7). Также был проведены поправки Уайта на гетероскедастичность, однако результат робастности ошибок дал незначимую модель (p-value F-статистики превышает любой адекватный уровень значимости).

В результате исправлений гетероскедастичности и автокорреляции была получена значимая модель с высоким коэффициентом детерминации (R2=0.97). Теперь сравним коэффициенты до и после исправлений недостатков модели:

Сопоставив коэффициенты при переменных до исправления гетероскедастичности и автокорреляции, стоит отметить, что большинство коэффициентов существенно изменились. Таким образом, влияние рентабельности активов стало положительным и большим, переменная размера компании практически не изменилась, отрицательное влияние роста стало более негативным, также изменили знак влияния эксплуатационные мощности и способности к исследованиям и разработкам с положительного на отрицательный, и влияние константы незначительно ослабилось. Теперь проинтерпретируем полученные результаты и проверим их соответствие теории Trade-off или Pecking order.



Глава 3. Результаты исследования

1. Общие результаты

Подведем итоги по полученным результатам проведенного исследования. В таблице 3.1 приведена сводная таблица по значению коэффициента при каждом факторе модели, его значимость согласно t-статистике, влияние на финансовый рычаг компании и соответствие теории компромисса (Trade-Off) или теории порядка иерархии (Pecking Order).

В результатах исследования данной работы не было выявлено приверженности структуры капитала ИТ компании к какой-то одной теории, полученные результаты смешанные.

Нулевая гипотеза об отрицательной корреляции параметра со структурой капитала компании подтвердилась для следующих факторов модели: прибыльность, размер и возможности роста компании, что свидетельствует о применимости теории порядка иерархии. Однако предположение о негативной зависимости прибыльности и роста компании также соответствует компромиссной теории структуры капитала. При этом значение коэффициента при переменной прибыльности очень низкое, что говорит об очень слабом влиянии, тогда как коэффициенты при переменных роста и, в особенности размера компании, являются большей величиной, и поэтому сильнее влияют на финансовый рычаг компании.

Нулевая гипотеза о положительной зависимости производственной мощности компании и уровня долга в структуре капитала также подтвердилась и соответствует компромиссной теории, но значение коэффициента при данной переменной настолько низкое, что оказывает несущественное влияние на структуру капитала компании.

Для переменных ликвидности активов, уникальности товара и возможностей исследований и разработок результаты модели предоставляют незначимые результаты, так как p-value t-статистик переменных выше любого адекватного уровня значимости.

Таким образом, можно сделать вывод о том, что специфические особенности отрасли информационных технологий не оказывают существенного влияния на формирование структуры капитала ИТ компаний. Напротив, результаты соответствуют классическим исследованиям, то есть подтверждаются гипотезы для детерминантов структуры капитала, применимых для всех компаний на любом рынке и в любой отрасли.

Таблица 3.1. Сводная таблица результатов исследования

№	Факторы	Коэффициенты	Значимость (p-value)	Влияние на структуру капитала	Какую теорию подтверждает
1	Прибыльность (ROA)	-.0337646	0.000	-	Pecking Order/ Trade-Off
2	Размер (ltotas)	-1.411904	0.000	-	Pecking Order
3	Рост (grtotas2)	-.2080432	0.001	-	Pecking Order/ Trade-Off
4	Ликвидность активов (curr)	.001713	0.108	не значимо	Trade-Off
5	Уникальность товара (uniq)	-.00013	0.844	не значимо	Pecking Order/ Trade-Off
6	Эксплуатационная мощность (cat)	.0010853	0.023	+	Trade-Off
7	Возможности исследований и разработок (RD)	.0009969	0.301	не значимо	Trade-Off

2. Результаты на развитых и развивающихся рынках

Компании любой индустрии, функционирующие на развитых и развивающихся рынках, как правило, имеют некоторые различия в работе фирмы, в том числе в финансовом менеджменте и в управлении структурой капитала, поскольку на эти решения также влияет экономика страны в целом. Поэтому необходимо ввести дамми-переменную на уровень развитости страны, в которой зарегистрирована компания, и провести аналогичную регрессии по двум данным подвыборкам и сравнить полученные результаты. По подвыборке из компаний развитых стран тестируется 19824 наблюдения по 2900 компаниям, а по подвыборке с компаниями развивающихся стран наблюдается 9987 наблюдения по 1449 компаниям.

Для двух данных подвыборок также по результатам тестирования была выбрана модель с детерминированным индивидуальным эффектом, в которой были обнаружены проблемы гетероскедастичности и автокорреляции. В последствие обнаруженные несовершенства модели были устранены с помощью поправок Дрисколла-Крааи, стоит отметить что наличие автокорреляции было обнаружено только у компаний развивающихся стран. Модели для обеих подвыборок получились значимыми с высоким коэффициентом детерминации R2=0.9 для модели по подвыборке с компаниями развитого рынка и R2=0.93 развивающего рынка. В Приложении 8 и 9 предоставлены результаты для компаний развитого и развивающегося рынка соответственно.

Проанализируем сходства и различия получившихся результатов между собой и с результатами общей модели. В таблице 3.2 представлены сводные результаты для наглядности различий результатов для компаний развитого и развивающегося рынка.

Для компаний развитого рынка были получены следующие результаты: ликвидность активов и уникальность товара незначимы, как и в общей модели, также незначимым на развитом рынке становится переменная роста компании, тогда как фактор возможности R&D, наоборот, становится значимым на 5% уровне. Однако, между возможностями R&D и структурой капитала наблюдается слабая положительная связь, что опровергает нулевую гипотезу данного исследования, но подтверждает предпосылки компромиссной теории. Результаты по значимости коэффициентов при переменных прибыльности, размера и операционной мощности компании согласуются с результатами по общей модели.

Для компаний развивающегося рынка были получены несколько иные результаты: фактор прибыльности становится незначимым на 5% уровне значимости, переменные возможности исследований и разработок и операционной мощности компании также становятся незначимыми. При этом ликвидность активов и уникальность товара становятся значимыми факторами, что можно объяснить тем, что компании развивающего рынка находятся в более трудном положении, соревнуясь с компаниями развитого рынка, поэтому уникальность их товара является одним из немногих конкурентных преимуществ. Нулевая гипотеза об отрицательной корреляции ликвидности активов и структуры капитала подтверждается и соответствует теории порядка иерархии, тогда как нулевая гипотеза об отрицательной корреляции уникальности товара компании и структуры капитала отвергается и согласуется с компромиссной теорией. Однако значение коэффициентов при переменных низкое, что свидетельствует лишь о слабой корреляции с объясняемой переменной. Также отличаются результаты для параметра размера компании, так как по общим результатам и по компаниям развитых стран коэффициент был достаточно большой, что говорила о сильном влиянии на структуру капитала, а для компаний развитого рынка данное значение несущественно.

Таблица 3.2. Сводная таблица результатов компаний развитого и развивающего рынка

№	Факторы	Коэффициенты Развитого рынка	Значимость (p-value) Развитого рынка	Коэффициенты Развивающего рынка	Значимость (p-value) Развивающего рынка
1	Прибыльность (ROA)	-.0337465	0.000	-.0032264	0.066
2	Размер (ltotas)	-2.563624	0.000	-.0296435	0.000
3	Рост (grtotas2)	-.0011311	0.162	.000794	0.001
4	Ликвидность активов (curr)	-.001156	0.383	-.0020005	0.001
5	Уникальность товара (uniq)	-.0013123	0.199	.0086047	0.007
6	Эксплуатационная мощность (cat)	.0009407	0.000	.0258069	0.114
7	Возможности исследований и разработок (RD)	.0023187	0.048	-.0026781	0.263

3. Результаты публичных и частных ИТ компаний

Структура капитала публичных и частных компаний в первую очередь различается наличием акционерного капитала, который компания получает в результате выпуска акций, то есть только публичная компания. Таким образом, строение капитала (equity) двух типов компаний может оказывать разное влияние на леверидж компании, поэтому стоит сравнить результаты регрессии по двум типам компаний (частным и публичным), чтобы доказать или опровергнуть данное влияние.

С помощью дамми-переменной было сгенерировано две подвыборки: 29385 наблюдений по 4283 публичным компаниям и 426 наблюдений по 66 частным компаниям. Такое резкое отличие по количеству наблюдений снова объясняется отсутствием данных частных фирм в открытом доступе по всем финансовым показателям, что и приводит к пропускам данных. Проделав аналогичные этапы выбора модели, тестирования на недостатки и устранения их, были получены результаты, представленные в Приложении 10 и 11 для публичных и частных компаний соответственно. При этом гетероскедастичность была обнаружена в обоих случаях, а автокорреляция только у частных компаний.

Для публичных компаний влияние переменных роста, ликвидности активов, уникальности товаров и возможностей R&D незначимы. Из значимых переменных наибольшее влияние оказывает размер компании, при этом подтверждая нулевую гипотезу. Также слабо-отрицательное влияние оказывает прибыльность компании и эксплуатационная мощность компании.

Результаты для частных компаний отличаются, во-первых, незначимостью переменной размера компании, потому что, как правило, частные компании не очень крупные и примерно одного уровня и размера, поэтому и нет влияния этого фактора. Также для частных компаний незначимы переменные ликвидности активов и возможности R&D, а также роста на 5% уровне значимости. Однако для частных компаний, как и для компаний развивающего рынка, становится значимым фактор уникальности товара. Кроме этого, коэффициент при переменной прибыльности больше, чем в других результатах, что говорит о более влиятельном воздействии прибыли на структуру капитала, а именно, при высокой прибыли, частная компания меньше будет использовать заёмный капитал. Ещё одним отличием от вышеописанных результатов является то, что эксплуатационная мощность компании оказывает положительное влияние на структуру капитала, опровергая нулевую гипотезу данного исследования, но подтверждая положение теории компромисса.

Таблица 3.3. Сводная таблица результатов публичных и частных компаний

№	Факторы	Коэффициенты Публичных компаний	Значимость (p-value)	Коэффициенты Частных компаний	Значимость (p-value)
1	Прибыльность (ROA)	-.0343027	0.000	-.1410496	0.043
2	Размер (ltotas)	-1.606756	0.000	.0165217	0.370
3	Рост (grtotas2)	-.0006818	0.232	-.1932923	0.051
4	Ликвидность активов (curr)	.0007442	0.374	.0012606	0.192
5	Уникальность товара (uniq)	-.0008523	0.143	-.2680327	0.001
6	Эксплуатационная мощность (cat)	.0009688	0.000	-.0701893	0.017
7	Возможности исследований и разработок (RD)	.0006101	0.721	-.0350069	0.531

4. Результаты крупных ИТ компаний

При построении выборки было выделено 50 компаний-гигантов ИТ индустрии, финансовые показатели которых превышают в несколько сотен раз средние по отрасли. Проверим применимость построенной регрессии для крупных компаний, а также выявить значимость факторов модели для данных компаний.

Результаты проведения аналогичных процедур по новой выборке из 336 наблюдений по 48 компаниям также привели к выбору модели с фиксированным индивидуальным эффектом. К недостаткам модели относятся гетероскедастичность и автокорреляция, которые в последствии устраняются с помощью поправок Дрисколла-Крааи. В целом, модель является адекватной (p-value F-статистики ниже любого уровня значимости), однако R2 модели имеет сравнительно низкое значение 0.3. Такое изменение может быть объяснено мультиколлинеарностью, обнаруженной VIF-тестом, большинства переменных, которая отсутствовала в предыдущих моделях. В основном наличие мультиколлинеарности в данном случае можно объяснить сравнительно маленьким количеством наблюдений. В Приложении 12 приведены итоговые результаты по модели.

При достаточно низком уровне коэффициента детерминации модели практически все объясняющие переменные являются значимыми (за исключением коэффициента ликвидности текущих активов), что также свидетельствует о наличии мультиколлинеарности в модели. Стоит отметить, что в результате присутствия данной проблемы оценки коэффициентов остаются несмещенными и чувствительными к изменению спецификации и изменению отдельных наблюдений, при этом качество уравнения, а также оценки переменных, не связанных мультиколлинеарностью, остаются незатронутыми.

Из значимых переменных положительное влияние на леверидж компании оказывают размер компании, уникальности товара и способности к R&D, при этом коэффициенты при данных переменных имеют низкие значение, что говорит о том, что любое изменение величины данных переменных окажет лишь несущественное влияние на финансовый рычаг компании. Аналогично для переменных с отрицательным влиянием на леверидж: прибыльности, роста и ликвидности, модуль значений коэффициентов которых также несущественен.

Заключение

В данном исследовании была поставлена задача выявить детерминанты структуры капитала, характерные для отрасли информационных технологий, и провести анализ их влияния на долю долга в общем капитале компании.

Построенная модель была протестирована для сгенерированной выборки из почти 5000 информационно-технологических компаний с данными по финансовым показателям за период с 2008 по 2015 год, который также дает возможность проанализировать способность ИТ компаний к восстановлению после кризиса. Также для дополнительного сравнения результатов компаний разных типов и размеров, компаний, функционирующих на рынках разного уровня развитости, были сгенерированы подвыборки для крупных, публичных и частных компаний, для развитого и развивающего рынка.

Главным результатом данной работы является то, что предположенные изначально особые переменные для ИТ компаний оказались значимыми не для всей модели. Переменная возможностей R&D деятельности оказалась значимой только для компаний развитого рынка, тогда как фактор уникальности товара оказался значим только для частных компаний.

В целом результаты исследования соответствуют смешанной теории порядка иерархии и компромисса, поскольку в модели подтвердились положения обеих теорий для разных факторов.

Однако полученные результаты и построенная модель не учитывают проблему эндогенности, которая может присутствовать в модели, если переменная коррелирована с ошибкой модели. Данная проблема может привести к смещенным и несостоятельным оценкам параметров и их дисперсий.

В дальнейшем исследовании необходимо проверить модель на наличие эндогенности, и при её обнаружении устранить с помощью метода инструментальных переменных, а также выявить новые особенные переменные для ИТ компаний и построить модель с учетом этих переменных.



Список литературы

1. Aghion P., Bond S., Klemm A., Marinescu I. Technology and Financial Structure: Are Innovative Firms Different? // Journal of the European Economic Association2(2-3), 2004 - pp. 277-288

2. Bessler W., Drobetz W., Haller R., and Meier I. The International Zero-Leverage Phenomenon - 2012

3. Bradley M., Jarrell G., Kim E. On the Existence of an Optimal Capital Structure: Theory and Evidence - The Journal of Finance - Vol. 39 №3 - 1984 - pp. 857-878

4. Chen H., Hsu W., Huang Y. Top management team characteristics, R&D investment and capital structure in the IT industry - Small Business Economics - Vol. 3, No. 3 - 2010 - pp. 319-333

5. Chen J., Strange R. The Determinants of Capital Structure: Evidence from Chinese Listed Companies - Economic Change and Restructuring - 2005 - pp. 11-35

6. Chunhua W., Meiyan S. Relationship between Capital Structure and Performance Evidence based on Information Technology Industry - 2nd International Conference on Advances in Computer Science and Engineering - Atlantis Press, 2013

7. Coleman S., Robb A. Capital Structure Theory and New Technology Firms: Is There a Match? - Management Research Review Vol. 35 No. 2, 2012 - pp. 106-120

8. Deesomsak R., Paudyal K., Pescetto G.The determinants of capital structure: evidence from the Asia Pacific region - The Journal of Multinational Financial Management - №14 - 2004 - pp. 387-405

9. Durand D. Cost of Debt and Equity Funds for Business: Trends and Problems in Measurement/ Conference on research in Business Finance. - National Bureau of Economic Research. - New York. - 1962. - p. 215-261.

10. Frank M., Goyal V. Capital Structure Decisions: Which Factors Are Reliably important? - Financial Management - 2009 - pp.1- 37

11. Grossman S., Hart O. Corporate financial structure and managerial incentives - The Economics of Information and Uncertainty, Chicago: University of Chicago Press- 1982

12. Harris M., Raviv A. Capital structure and the informational role of debt - The Journal of Finance. - Vol. 45. №2. - 1990. - pp. 321-349

13. Harrison B., Widjaja T. The Determinants of Capital Structure: Comparison between Before and After Financial Crisis - Economic Issues- Vol. 19, Part 2 - 2014 - pp. 55-82

14. Hogan T., Hutson E. Capital structure in new technology-based firms: evidence from the Irish software sector Series Centre for Financial Markets working paper series; WP-04-19 - 2004 -pp.1-34

15. Huang G., Song F. The determinants of capital structure: Evidence from China - China Economic Review - №17 - 2006 - рр.14- 36

16. Kцksal B., Orman C. Determinants of Capital Structure: Evidence from a Major Developing Economy - Central Bank of the Republic of Turkey - №14/26 - 2014 - рр.1-51

17. Liu Y., Ren J. An Empirical Analysis on the Capital Structure of Chinese Listed IT Companies - International Journal of Business and Management - Vol. 4 №8 - 2009 - pp. 46-51

18. Modigliani F., Miller M.H., The Cost of Capital, Corporation Finance and the Theory of Investment // American Economic Review. - 1958. - №48. - pp. 261-297.

19. Modigliani F., Miller M.H. Corporate Income Taxes and the Cost of Capital: A correction // American Economic Association. - №53. - 1963. - pp. 433-443.

20. Myers S., Majluf N. Corporate Financing and Investment Decisions When Firms Have Information That Investors Do Not Have - Journal of Financial Economics - 1984 - Vol. 13 № 2. - pp. 187-221

21. Rajan R., Zingales L. What Do We Know about Capital Structure? Some Evidence from International Data - The Journal of Finance - Vol. 50 №5 - 1995 - pp. 1421-1460

22. Sheeran R. Capital Structure Choice and the New High-Tech Firm // Proceedings of the Academy of Economics and Finance, 2001

23. Song H. Capital Structure Determinants: An Empirical Study of Swedish Companies - CESIS: Electronic Working Paper Series - №25 - 2005 - рр.1-26

24. Strategy PwC - 2016 Technology Industry Trends: Three ways to enter an existing market - 2016 - https://www.strategyand.pwc.com/trends/2016-technology-industry-trends

25. Strebulaev I.A., Yang B. The mystery of zero-leverage firms. - Journal of Financial Economics. - №109. - 2013 - pp.1-23

26. Suresha B., Shefali М. Determinants of Capital Structure -Evidence from Listed Information Technology Firms in India -European Journal of Business and Management - Vol.7 №24 - 2015

27. Teixeira N., Parreira J. Determinants of capital structure of the information technology industry // The International Journal of Management Science and Information Technology (IJMSIT) 2015 - pp. 114 - 132

28. Vгtavua S. The impact of capital structure on financial performance in Romanian listed companies - Procedia Economics and Finance - №32 - 2015 - pp. 1314-1322

29. Vergas N., Cerqueira A., Brandгo E. The determinants of the capital structure of listed on stock market nonfinancial firms: Evidence for Portugal - EP-UP, School of Economics and Management, University of Porto - 2015 - pp.1-35



Приложение

Результаты pool-модели до выбора переменных

Результаты FE-модели до выбора переменных

Результаты RE-модели до выбора переменных



Результаты итоговой pool-модели

Результаты итоговой FE-модели



Результаты итоговой RE-модели

Результаты итоговой FE-модели с поправками



Результаты итоговой FE-модели с поправками для компаний на развитом рынке

Результаты итоговой FE-модели с поправками для компаний на развивающемся рынке



Результаты итоговой FE-модели с поправками для публичных компаний

Результаты итоговой FE-модели с поправками для частных компаний

Результаты итоговой FE-модели с поправками для крупных компаний



Список основных команд в пакете STATA

reshape long netinc totrev rd cogs ebitda totcuras intang tang totas totcurliab totliab curdebt noncurdebt totdebt toteq dumm dumt, i(id) j(year)

xtset id year

gen DA=totdebt/totas

gen ROA=netinc/totas

gen ltotas=ln(totas)

xtset id year

gen lagtotas=l.totas

gen grtotas2=(totas-l.totas)/l.totas

gen curr=totcuras/totcurliab

gen uniq=cogs/totrev

gen cat=totrev/totcuras

gen RD=(rd+intang)/totrev

reg DA ROA ltotas grtotas2 curr uniq cat RD

est store pool

xtreg DA ROA ltotas grtotas2 curr uniq cat RD, fe

est store fe

xtreg DA ROA ltotas grtotas2 curr uniq cat RD, re

est store re

xttest0

hausman fe re

mundlak DA ROA ltotas grtotas2 curr uniq cat RD

test ROA ltotas grtotas2 curr uniq cat RD

xttest3

xtserial ROA ltotas grtotas2 curr uniq cat RD

corr DA ROA ltotas grtotas2 curr uniq cat RD

vif, uncentered

xtscc DA ROA ltotas grtotas2 curr uniq cat RD, fe lag(1)

xtscc DA ROA ltotas grtotas2 curr uniq cat RD, fe lag(2)

xtscc DA ROA ltotas grtotas2 curr uniq cat RD, fe lag(3)

xtscc DA ROA ltotas grtotas2 curr uniq cat RD, fe lag(4)

est store fscc

est tab fe fscc

global LIST "ROA ltotas grtotas2 curr uniq cat RD"

reg $LIST, robust

est store ols_robust

est tab fe ols_robust

Размещено на Allbest.ru