· Публичное акционерное общество, так как только данный тип фирмы обязан раскрывать данные о своей деятельности;

· Нахождение в одной из стран группы БРИКС: Бразилии, России, Индии, Китае или Южной Африканской Республике;

· Принадлежность к отрасли, определяемой в соответствии с кодировкой SIC. Полный перечень используемых кодов и соответствующих им отраслей представлен в Приложениях 1 и 2;

· Положительное значение показателя суммарной выручки. Критерий применен с целью исключения из анализа нефункционирующих компаний.

Что касается временных рамок исследования, то изначально рассматривался десятилетний период с 2007 по 2016 год, однако он был сокращен с 2008 по 2015 годы в связи с тем, что в 2007 году присутствует большое количество пропусков в различных показателях деятельности компаний, а также, на дату сбора данных, большая часть компаний еще не представила свою финансовую отчетность за 2016 год. Таким образом, данная работа охватывает восьмилетний период, что является достаточным Для сравнения, Ивашковская и Солнцева (2008) используют 6 летний период для России, Чен[Chen, 2004]- 6 летний для Китая, Бартолони[Bartoloni, 2013]- 8 летний для Италии и 13 лет для рада Европейских стран [Castro, Tascon, 2015]. для проведения исследования структуры капитала, особенно на развивающихся рынках.

В результате применения указанного перечня критериев была получена выборка из 1437 высокотехнологичных и 1485 неинновационных компаний, которая была преобразована в сбалансированную панель посредством программы Stata 13 Последующий регрессионный анализ будет проведен с использованием данной программы.. Однако, затем была произведена фильтрация наблюдений, с целью повышения качества исследуемых данных, состоящая из двух частей. На первом этапе из рассмотрения были исключены компании, для которых отсутствует более половины наблюдений по такому показателю как суммарная балансовая стоимость активов. Данный шаг был вызван тем, что большая часть переменных, применяемых в регрессионном анализе нормируются на величину активов, поэтому отсутствие значительной части наблюдений по данному показателю у компании делает ее рассмотрение нецелесообразным. На втором этапе был проведен анализ данных, включающий в себя рассмотрение максимальных и минимальных значений по всем используемым показателям, а также величину стандартных отклонений. Результатом данного анализа стало исключение из выборки тех наблюдений, для которых было выявлено значительное отклонение показателя от его среднего значения, что могло исказить последующие результаты регрессионного анализа. Итогом данных корректировок стало то, что количество исследуемых инновационных компаний сократилось до 939 штук, в то время как число рассматриваемых неинновационных фирм стало равно 659.

Распределение компаний по странам представлено на Графиках 1 и 2. Из графиков можно увидеть, что большая часть компаний из всех секторов сосредоточена в Китае, в то время как оставшиеся страны имеют примерно равные доли в выборке. Безусловно, данное распределение нельзя считать оптимальным, однако и в других исследованиях встречается подобное неравенство (например, [Castro, Tascon, 2015]), не рассматриваемое авторами как препятствие к осуществлению дальнейшего анализа.

График 1. Распределение инновационных компаний по странам

График 2. Распределение неинновационных компаний по странам.

3.2 Сравнение структуры капитала высокотехнологичных и неинновационных компаний

Продолжим изучение данных и перейдем, непосредственно, к описательным статистикам. Начнем со сравнения показателей базовой модели для высокотехнологичных и неинновационных компаний, представленных в Таблице 2 и Таблице 3 соответственно.

Таблица 2. Описательные статистики базовых переменных для инновационных компаний

Источник: составлено автором

Таблица 3. Описательные статистики базовых переменныхдля неинновационных компаний.

Источник: составлено автором

На основании представленных данных можно сделать ряд выводов относительно основных характеристик компаний и их различий между секторами. Во-первых, инновационные компании в выборке являются более прибыльными, чем неинновационные фирмы, хотя разница в данном показателе является не столь значительной.

Во-вторых, фирмы из различных секторов являются сопоставимыми по размеру, хотя неинновационные компании в среднем являются более крупными. Данные два показателя демонстрируют, что компании с различным уровнем инновационной активности имеют примерно одинаковый средний профиль относительно размера и прибыльности при очень близких величинах стандартных отклонений показателей, а это означает, что сравниваться будут соизмеримые фирмы. Это, в свою очередь, обеспечивает объективность выводов, которые будет получены далее.

Третьей особенностью выборки является тот факт, что высокотехнологичные компании имеют более низкий показатель доли материальных активов. Данный факт полностью соответствует теоретической предпосылке о том, что инновационные компании используют больше нематериальных активов в своей деятельности. Четвертый вывод заключается в том, что переменная MtB в среднем значительно выше для инновационных фирм. Поскольку данный фактор является одной из прокси-переменных для потенциала роста, то можно заключить, что описательная статистика подтверждает предположение о том, что высокотехнологичные фирмы обладают более высокими возможностями развития.

Получив общее представление о характере изучаемых данных, перейдем к первому этапу исследования, суть которого заключается в проверке значимости различий между влиянием детерминантов базовой модели на структуру капитала разных по инновационности компаний. Для достижения данной цели была построена базовая регрессия на данных о всех компаниях, включенных в выборку. Зависимой переменной выступает Debt, а объясняющими являются все факторы, чьи описательные статистики были рассмотрены ранее. Более того, в регрессии присутствует дамми-переменная, принимающая значение 1, если компания признается инновационной и 0 иначе. Результаты данной регрессии представлены в Таблице 4.

Основываясь на полученных результатах можно сделать вывод о том, что все коэффициенты модели значимы на 1% уровне, равно как и сама регрессионная модель. Значимость же дамми-переменной позволяет подтвердить предположение Гипотезы 1, о том, что инновационный характер деятельности компании влияет на ее уровень долга. Чтобы окончательно проверить данную гипотезу, построим две раздельные регрессии для высокотехнологичных и неинновационных фирм (без применения дамми-переменной), а затем проведем тест Чоу, который позволит определить, являются ли различия в построенных моделях значимыми.

Таблица 4. Результаты оценки базовой модели по трем различным выборкам

Источник: составлено автором

Результаты данного шага, представленные в Таблице 4, говорят о следующем: все регрессоры значимы вне зависимости от характера рассматриваемых компаний, направление их влияния на уровень долга в компании также сохраняется. Однако, объясняющая способность регрессии, примененной к неинновационным компаниям несколько выше ( R2выше на 4 пункта). Этот результат может означать, что одинаковый набор факторов хуже объясняет поведение инновационных компаний относительно формирования долга, чем поведение фирм, не связанных с инновационной деятельностью.

Теперь проведем тест Чоу, принимая за нулевую гипотезу о равенстве коэффициентов двух уравнений и исходя из того, что в модели присутствует 4 переменные, а число наблюдений по группе из инновационных фирм равно 6814, по остальным -4849. Результатом теста является то, что наблюдаемая F-статистика равна 48,82. Что же касается критического значения, то для 5% уровня значимости оно составляет 2,21. Наблюдаемое значение F-статистики значительно превышает критическое, из чего можно сделать вывод об отрицании нулевой гипотезы теста. Из полученного результата можно сделать вывод о том, что разные выборки следует описывать разными уравнениями, а это означает, что принцип принятия решения об образовании долговых обязательств различается для разных по степени инновационности компаний. Данный тезис позволяет сказать, что Гипотеза 1, выдвинутая в исследовании, подтверждается.

Теперь, зная, что различия между двумя описываемыми выборками из разных по инновационности компаниям действительно значимы, вернемся в Таблицам 1 и 2 и заметим, что средний наблюдаемый уровень долга инновационных фирм практически в два раза ниже, чем тот же показатель для неинновационных компаний. Для того чтобы проверить насколько данное отличие значимо, проведем тест Стьюдента на равенство двух средних величин. Необходимо отметить, что стандартные отклонения для переменной Debtпрактически совпадают для двух групп, поэтому проведение данного теста является возможным. Устанавливая нулевую гипотезу о равенстве средних, получаем значение t-статистики на уровне 14,25. При этом, критическое значение на 5% уровне значимости составляет 1,96, что позволяет отвергнуть нулевую гипотезу данного теста. Таким образом, тест Стьюдента утверждает, что средние величины долга различны для двух выборок. Данный результат, в свою очередь, позволяет заключить, что уровень долга инновационных компаний ниже, чем в других фирмах, что является подтверждением Гипотезы 2.

Подытоживая результаты первого этапа исследования, можно сказать, что Гипотезы 1 и 2 были подтверждены. Это означает, что компании, занимающиеся инновационной деятельностью, принимают решение об образовании долга иначе, чем фирмы, для которых инновационная активность не характерна. Более того, высокотехнологичные фирмы в среднем имеют более низкий уровень долговых обязательств, чем компании из других секторов.

3.3 Эконометрический анализ детерминант структуры капитала инновационных компаний

Первый этап исследования показал, что структура инновационных компаний значимо отличается от структуры капитала других компаний, в связи с чем необходим более тщательный и глубокий анализ детерминантов, оказывающих влияние на размер долга высокотехнологичных фирм.

Начнем анализ с рассмотрения описательных статистик дополнительных факторов, которые были приведены в методологической части работы. Как видно из Таблицы 5, эффективная налоговая ставка на прибыль, выступающая в качестве прокси-переменной для налоговых льгот, в среднем равна 18%. Данное значение вполне соответствует действительности, так как в Бразилии ставка налога на прибыль составляет 30%, в России 20%, в Индии 30% с возможностью 200% налогового вычета по расходам на исследования и разработки, в Китае 15% для высокотехнологичных компаний , а в ЮАР 30%. Учитывая, что большую часть выборки составляют китайские компании, наблюдаемая средняя величина эффективной ставки по налогу на прибыль закономерно повышается за счет более высоких ставок в других странах. Более того, Возраст средней по выборке компании составляет 15 лет и принимает значения от 4 до 95 (в таблице представлен логарифм возраста; минимальное значение округлено программой до нуля). Это означает, что анализироваться будут совершенно разные по времени существования компании - и укоренившиеся игроки рынка, и фирмы, недавно вышедшие на него. Также можно отметить, что переменная RnD имеет несколько меньшее число наблюдений, в сравнении с другими детерминантами. Этот факт можно объяснить тем, что многие компании не выделяют расходы на исследования и разработки в отдельную статью в своей финансовой отчётности.

Таблица 5. Описательные статистики дополнительных переменных.

Источник: составлено автором

Рассмотрим также корреляционную матрицу для независимых переменных, представленную в Таблице 6. Можно заметить ряд особенностей, присутствующих в этой матрице. Во-первых, относительно высокая корреляция переменной MtB с такими факторами как Prof и Size. Данный факт можно вполне логично объяснить тем, что, с одной стороны, более прибыльные компании будут закономерно иметь большую рыночную стоимость в силу своей привлекательности для участников рынка. С другой стороны, более крупные компании (где размер определяется как логарифм продаж) обладают большим объемом активов (корреляция этих показателей составляет более 0,9), что приводит к снижению показателя MtB. В целом же, не учитывая высокую корреляцию между недолговым щитом и долей амортизации нематериальных активов, что естественно в силу принципа расчета переменных, можно отметить низкую степень взаимосвязи между различными факторами.

Сделав выводы относительно основных характеристик тех детерминантов, которые будут использованы на втором этапе исследования, перейдем непосредственно к тестированию регрессионных моделей. Начнем с построения pooledмодели, а затем сравним ее с более сложными моделями с фиксированными и случайными эффектами.

Таблица 6. Матрица корреляций

Источник: составлено автором

Результаты всех трех моделей представлены в Таблице 7, однако прежде чем начинать интерпретировать полученные результаты, необходимо, во-первых, определить, какая из моделей является предпочтительной для объяснения выбора структуры капитала, а во-вторых, провести проверку выбранной модели на наличие таких потенциальных проблем как мультиколлинеарность, гетероскедастичность и автокорреляция.

Для выявления наиболее адекватной модели проведем ряд тестов, попарно сравнивающих все три модели друг с другом. Начнем с F-теста (встроен в процедуру оценки FE-модели, поэтому результат не приведен отдельно), статистика по которому равна 11,66 при ее критическом значении 1,1. Данный результат говорит о том, что выбирая между pooledмоделью и моделью с фиксированными эффектами, предпочтение отдается именно второму варианту спецификации. Для сравнения pooledмодели и модели со случайными эффектами проведем тест Бройша-Пагана (Приложение 3), тестовая статистика которого утверждает, что RE модель обладает большей объясняющей способностью . И, наконец, сравним FEи REмодели, применяя для этой цели тест Хаусмана (Приложение 4). По результатам данного теста предпочтение отдается модели с фиксированными эффектами. Отсюда можно сделать финальный вывод, что наиболее эффективной спецификацией является модель с фиксированными эффектами, в то время как pooledрегрессия признается наименее предпочтительной.

Таблица 7. Результаты оценивания регрессионных моделей

Источник: составлено автором

Следующий шаг по получению наиболее оптимальной модели заключается в проверке наличия различных ошибок, первой из которых может выступать мультиколлинеарность. Для проверки наличия данной ошибки подсчитаем такой показатель как VIF. Результаты, представленные в Таблице 8 говорят о том, что проблема мультиколлинеарности может присутствовать в модели с фиксированными эффектами, так как несколько значений VIF превышают значение 4, которое традиционно принимается за максимальный уровень. Однако, применив этот же подход к сквозной регрессии можно заметить, что для нее нет ни одного значения VIF, превышающего допустимый уровень. Более того, рассмотрение корреляционной матрицы не выявило крайне сильных связей между переменными, в связи с чем можно заключить, что проблема мультиколлинеарности не имеет в модели достаточной силы, чтобы оказывать значимое влияние на коэффициенты перед различными переменными.

Таблица 8. Оценки VIF

Источник: составлено автором

Второй потенциальной проблемой модели может являться наличие в ней зависимости дисперсии ошибок от номера наблюдения или гетероскедастичности. Для проверки предположения о наличии данной проблемы проведем обобщенный тест Вальда (Приложение 5).Нулевая гипотеза теста заключается в том, что дисперсия ошибки не зависит от наблюдения, однако результат теста говорит о том, что нулевая гипотеза отвергается. Таким образом, в рассматриваемой модели с фиксированными эффектами присутствует гетероскедастичность.

Наконец, проверим модель на наличие в ней автокорреляции. Вообще, существует два вида автокорреляции - серийная (или просто автокорреляция) или пространственная. Второй вид автокорреляции свойственен тем моделям, где число лет, рассматриваемых в выборке, превышает число компаний. Для данных, исследуемых в дипломной работе характерно обратное, потому что число анализируемых компаний более чем в сто раз превышает размер временного периода. Поэтому, исходя из характера данных предполагаем, что в модели может присутствовать только серийная автокорреляция, суть которой заключается в том, что ошибки наблюдений по одной фирме за разные периоды могут быть связаны друг с другом.

Итак, протестируем модель с фиксированными эффектами на наличие в ней серийной автокорреляции, применяя для этой цели тест Вулдриджа (Приложение 6). По результатам теста, нулевая гипотеза об отсутствии связи ошибок наблюдений отвергается, тем самым выявляя присутствие автокорреляции в рассматриваемой модели.

Таким образом, результатом исследования модели с фиксированными эффектами является выявление в ней проблем гетероскедастичности и серийной автокорреляции, в связи чем дальше будет произведена корректировка модели.

Для корректировки применим следующий набор инструментов: поправки Уайта (учет гетероскедастичности), поправки Роджерса (учет гетероскедастичности и автокорреляции), а также непараметрическую оценку ковариационной матрицы Опция sccв программе Stata13 (также учет гетероскедастичности и автокорреляции). Результаты, представленные в Приложении 7 свидетельствуют о том, что вне зависимости от корректировки модели с учетом различных поправок, коэффициенты перед всеми переменными сохраняют свои знаки и уровни значимости. Отсюда можно сделать вывод, что первоначальная модель с фиксированными эффектами, представленная в Таблице 7, является применимой для анализа детерминантов структуры капитала, так как все выявленные проблемы не оказывают значимого влияния на результаты полученных оценок. Более того, стоит отметить, что в силу некоторых особенностей, например наличии в выборке пропусков данных, описанные процедуры выявления ошибок и проведения корректировок не могут быть полноценно применены к двум другим моделям - сквозной и со случайными эффектами, в связи с чем предположим, что их оценки коэффициентов, представленные в Таблице 7не являются искаженными.

Также стоит сказать несколько слов о потенциальной проблеме эндогенности. В рамках данного исследования проверка гипотезы о наличии данной проблемы представляется затруднительной, в связи со сложностью поиска инструмента для проверки гипотезы. Однако, стоит упомянуть, что одной из возможных причин эндогенности может являться одновременность, когда не ясно влияет ли объясняющая переменная на зависимую или может иметь место обратная связь. В рамках изучения структуры капитала инновационных компаний, может возникать следующий вопрос: влияет ли инновационная активность на уровень долга, или же, наоборот, компания принимает решение об инвестировании в исследования и разработки на основании текущего уровня заимствований? Ответ на данный вопрос дается в работе Бартолони[Bartoloni, 2013], где проводится тест на причинность Грэнджера. Результатом данного теста является доказательство того факта, что именно финансовый рычаг является зависимой переменной, что позволяет предположить отсутствие проблемы эндогенности, в том числе и в целях данной ВКР.

3.4 Анализ результатов тестирования модели

Построив ряд регрессионных моделей, а также получив представление о роли различных ошибок в формировании коэффициентов при изучаемых детерминантах, перейдем непосредственно к анализу полученных результатов, представленных в Таблице 7.

Начнем с первых двух переменных (Profи LProf), отвечающих за текущий и лаговый показатели прибыльности компании соответственно. При всех спецификациях модели сохраняется отрицательный знак обоих коэффициентов, причем переменная Prof является значимой на однопроцентном уровне в сквозной регрессии и модели с фиксированным эффектами. Данный результат совпадает с большинством ранее рассмотренных исследований и имеет абсолютные значения коэффициентов, достаточно близкие к оценкам, полученным, например, в работе Кастро и Таскон[Castro, Tascon, 2015]. Полученный знак при переменных означает, что более прибыльные компании склонны формировать меньший объем долга, что совпадает с ожидаемым влиянием переменных и подтверждает теорию порядка финансирования. Отрицательный коэффициент при лаговом показателе прибыльности означает, что компании также склонны опираться на прошлогодние результаты своей деятельности, ведь это позволяет формировать ожидания относительно текущих результатов.

Переменная Sizeпоказывает устойчивое позитивное влияние на величину долговых обязательств, что соответствует теории компромисса. Существует по крайней мере два объяснения подобного влияния. Во-первых, более крупные фирмы ассоциируются с меньшей вероятностью банкротства, в связи с чем издержки заимствования уменьшаются[Titman, Wessels, 1998]. Во-вторых, чем большую долю на рынке занимает фирма, тем издержки информационной асимметрии, связанные с ее деятельностью, уменьшаются, также открывая ей доступ к более выгодным условиям по займам. Оба данных эффекта особенно актуальны для инновационных компаний, поэтому оценки коэффициентов при переменной положительны.

Следующая важнейшая переменная - Tang - также имеет устойчивое позитивное влияние на уровень долга. Полученные оценки коэффициентов соответствуют теории компромисса, так как с увеличением доли материальных активов растет обеспечительная база для займа, повышая максимальный потенциальный объем долга и улучшая условия его образования. Как и предполагалось, данный эффект будет иметь сильное влияние именно для инновационных компаний, в силу того что уровень из материальных активов заметно ниже, по сравнению с нетехнологичными фирмами.

Последняя переменная, входящая в базовую модель - это MtB, и коэффициент при ней имеет положительный знак на однопроцентном уровне значимости вне зависимости от спецификации модели. Данный результат означает, что потенциал роста, измеряемый как соотношение рыночной и балансовой стоимости капитала компании позитивно сказывается на мотивации фирмы к заимствованию. Данный результат противоречит ожиданиям, а также большинству работ, включающих аналогичную переменную в анализ. Можно предположить, что подобное влияние объясняется недостаточностью собственных средств компаний для финансирования своего собственного роста. Однако, важно отметить, что влияние данного фактора является крайне слабым при всех спецификациях модели, поэтому возможно утверждать, что, хоть влияние данного фактора и является устойчивым, оно не играет важной роли в процессе принятия решения о формировании дополнительной единицы долга.

Приступим к анализу коэффициентов оставшихся переменных, первой из которых является потенциал роста GrOpp, измеряемый как отношение капитальных затрат к суммарной стоимости активов. Данная переменная имеет негативное влияние на величину левереджа, что совпадает с предположением данной работы, однако переменная не является значимой. Объяснение заключается в том, что капитальные затраты - это капитал, который компании используют с целью приобретения или модернизации различного рода физических активов, которые не играют основополагающей роли в деятельности инновационных компаний. Уровень материальных активов в высокотехнологичных компаниях относительно низкий, поэтому и рассматриваемая переменная не ассоциируется с потенциалом роста, достаточным для оказания влияния на размер долговых обязательств.

Переменная RnD является последней прокси для отражения потенциала развития инновационной фирмы и в рамках рассматриваемых моделей имеет значимое негативное влияние в сквозной регрессии и модели со случайными эффектами. Данный эффект согласуется с изначальными предположениями, а также находит свое подтверждение в ряде работ[Clausen, Hirth, 2016; Hyytinen, Pajarinen, 2005]. Таким образом можно утверждать, что расходы на исследования и разработки, выступая в качестве индикатора потенциала развития компании, действительно снижают мотивацию к заимствованию вследствие существования издержек не доинвестирования в будущем.

Влияние, которое оказывает налоговый щит (TaxSh), также совпадает с тем предположением, которое было сделано в методологической части - во всех трех спецификациях модели данная переменная позитивно влияет на размер финансового рычага. Стоит, однако, отметить, что переменная значима только при pooledмодели на 5% уровне, что свидетельствует о том, что налоговый щит нельзя назвать крайне важным фактором, ему, скорее, отводится второстепенная роль.

Переменная, отвечающая за возраст компании (Age), демонстрирует крайне неожиданное влияние - чем старше становится фирма, тем меньше она склонна заимствовать. Подобное влияние можно объяснить двумя способами. Во-первых, возраст положительно коррелирует с прибыльностью компании, следовательно, можно предположить, что более взрослая фирма будет склонная заимствовать меньше. Во-вторых, возможно, что для рассматриваемых компаний специфика их деятельности достаточно велика, чтобы кредиторы опасались выдавать займ, несмотря на долговременное существование фирмы.

Коэффициент при недолговом щите (NDTS) имеет отрицательный знак, что соответствует предположению о том, что выгоды от амортизации активов играют заметную роль, снижая мотивацию к использованию долга. Особенно данная переменная важна для инновационных компаний, так как к сумме амортизации основных средств добавляется амортизация нематериальных активов.

И, наконец, заключительная переменная, использованная на данном этапе исследования - это доля амортизации нематериальных активов в суммарной величине амортизации (IntAmort). Несмотря на предположение об отрицательном влиянии, фактический коэффициент имеет положительный знак и, более того, он значим при всех рассматриваемых спецификациях модели. Данная переменная является прокси для уровня нематериальных активов в компании, поэтому, руководствуясь теорией порядка финансирования, можно предположить, что выявленное направление влияния означает, что увеличение доли нематериальных активов приводит к необходимости их внешнего финансирования. Обеспечение нематериальных активов с использованием собственного капитала может быть рискованным в силу природы актива, следовательно, компании могут потребоваться внешние долговые ресурсы.

Итоговые результаты по всем значимым переменным представлены в Таблице 9.

На данном этапе исследования было получено представление относительно роли различных детерминантов в формировании компанией структуры своего капитала, однако этого недостаточно, чтобы делать окончательные выводы. Во-первых, необходимо проверить значимость странового фактора, а, во-вторых, проверить полученные результаты на устойчивость.

Таблица 9. Значимые результаты оценивания регрессионных моделей

Источник: составлено автором

Как уже было отмечено в методологической части, фактор нахождения компании на территории определенной страны из списка БРИКС будет учтен при помощи ведения в анализ набора дамми-переменных. Однако, такой подход имеет проблему, связанную с необходимостью определения базисной переменной: результаты регрессии могут быть чувствительны к определению базиса. С целью разрешения данной проблемы применим следующий подход построим 5 независимых регрессии, поочередно используя каждую страну как базисную. Более того, необходимо отметить, что будет использована pooled-модель. Данный выбор осуществлен по двум причинам: наилучшая выявленная модель - FE - не учитывает дамми-переменные, а модель со случайными эффектами хоть и технически лучше, чем сквозная регрессия, но все же имеет некоторые недочеты, с точки зрения смысла (например, модель REделает коэффициент при переменной Profнезначимым).

Результаты введения в модель страновых-дамми представлены в Таблице 10 (сверху обозначены страны, взяты е за базу). На основании полученных оценок коэффициентов можно сделать ряд выводов. Во-первых, коэффициенты для основных переменных не меняются в зависимости от базовой страны. Во-вторых, значения коэффициентов слабо отличаются от оценок, полученных ранее (Таблица 7), сохраняя все знаки и уровни значимости. В-третьих, значимость дамми-переменных сильно зависит от выбранной базы. Эти три наблюдения позволяют предположить, что включение в модель странового фактора не имеет смысла. Для проверки данного предположения был проведен тест на проверку гипотезы о незначимом отличии от нуля q-коэффициентов регрессионного уравнения, где q- это количество дамми, обозначающих страны (четыре), а в качестве уравнения с ограничениями будет выступать обычная pooled-модель. Результатом теста стало то, что включение дамми-переменных в анализ является оправданным.

Таким образом, страновой фактор, действительно оказывает влияние на структуру капитала рассматриваемых компаний. Более тщательный анализ позволяет сделать вывод о том, что страны находятся в следующем порядке относительно силы позитивного влияния на величину долга: Бразилия, ЮАР, Россия, Китай, Индия. Однако, в то же время, можно сказать, что сила данного фактора не слишком высока, ведь корректировка, вносимая страновым фактором, лишь незначительно изменяет коэффициенты при переменных основного уравнения.

Таблица 10.Результаты оценки модели с включением страновых-дамми

Источник: составлено автором

Построив и протестировав окончательную модель интерпретируем ее с точки зрения выполнения гипотез данной ВКР. Начнем с Гипотезы 4, которая утверждает, что потенциал роста и нематериальные активы компании негативно влияют на величину ее долга. Исходя из полученных результатов можно сказать, что гипотеза подтверждается лишь частично. С одной стороны, прокси-переменная для доли нематериальных активов - IntAmort - имеет устойчивое положительное влияние на левередж. С другой стороны, две из трех прокси потенциала роста (MtB, GrOpp, RnD) имеют отрицательные знаки, причем единственный позитивно влияющий фактор (MtB) имеет крайне слабое влияние на объем заимствований. Таким образом, часть гипотезы о нематериальных активах не соответствует полученным результатам, в то время как часть о потенциале роста, скорее, верна.

Что же касается Гипотезы 3, то ее также нельзя однозначно подтвердить. Оценки коэффициентов таких переменных как Prof, Ageи IntAmort подтверждают приверженность рассматриваемых компаний теории порядка. Однако, оценки таких переменных как Tang, Sizeи NDTS соответствуют теории компромисса. Исходя из такого соотношения переменных сложно заключить, какая из теорий более точно описывает поведение инновационных компаний стран БРИКС, в связи с чем можно подытожить, что был получен «классический» результат, когда обе теории играют роль, а гипотеза нашла поддержку, но недостаточно явную, чтобы получить подтверждение.

3.5 Усложнение модели и проверка результатов на устойчивость

Разделение компаний по потенциалу роста. Рассматривая потенциал роста как один из важнейших факторов, определяющих структуру капитала инновационных компаний, важным и интересным представляется более глубокое изучение данного параметра. Для этого, следуя за Кастро и Таскон[Castro, Tascon, 2015], разделим изучаемые компании на две подгруппы по следующему признаку: те фирмы, потенциал роста (MtB) которых выше медианного значения, и те, чей потенциал, соответственно, ниже. Затем построим регрессии с фиксированными эффектами по каждой группе, оценим различия в полученных оценках и проведем тест Чоу, чтобы определить значимость данных различий.

Таблица 11. Результаты оценки модели с учетом величины MtB

Источник: составлено автором

Как видно из Таблицы 11, результаты оценок коэффициентов достаточно сильно изменяются в зависимости от принадлежности к одной из групп. В целом можно выделить, что компании с более низким потенциалом роста в большей степени опираются на показатель своей прибыльности в прошлом периоде, а размер инвестиций в нематериальные активы и выгоды, порождаемые ими, не имеют значимого влияния на размер долга. Наоборот, компании с меньшим потенциалом склонны опираться на текущий показатель прибыльности, а также учитывать величину располагаемых нематериальных активов. Данные наблюдения вполне соответствуют логике, ведь имея небольшие возможности роста, небольшое их изменение будет иметь заметное влияние на финансовый рычаг, в то время как компании с большим потенциалом не являются столь чувствительными к изменениям данного фактора. Также стоит отметить, что тест Чоу на равенство коэффициентов уравнений подтверждает важность потенциала развития как фактора, играющего большую роль в определения структуры капитала инновационных компаний, так как его результат свидетельствует о целесообразности раздельного рассмотрения двух данных подгрупп.

Проверка устойчивости результатов. Заметной частью многих исследований структуры капитала является проверка полученных результатов на устойчивость. Это означает, что модель претерпевает ряд изменений, результаты которых демонстрируют, насколько сильно меняются первоначальные выводы. В рамках данной работы также будет произведено тестирование модели на устойчивость. Во-первых, необходимо отметить, что процедура коррекции ошибок, проведенная ранее, сама по себе служит индикатором устойчивости, потому что результаты не меняются при введении в модель различных технических усложнений. Во-вторых, введение в анализ странового фактора показало, что оценки коэффициентов претерпели лишь незначительные изменения. Это означает, что модель в ее первоначальном виде уже дает стабильные результаты. Однако, далее проведем два дополнительных теста на устойчивость, которые позволят дать более полную оценку данной характеристике модели.

Изменение зависимой переменной. Проверим устойчивость полученных результатов к изменению зависимой переменной, и возьмем в качестве нее не суммарный долг, а только величину долгосрочных займов. Результаты, представленные в Приложении 8, свидетельствуют о том, что несмотря на заметные различия в полученных оценках коэффициентов, основные переменные, значимые при всех спецификациях модели, сохраняют уровни своей значимости и направление влияния. Более того, сами оценки имеют близкие значения, что позволяет сказать, что результаты, полученные в данном исследовании, являются в достаточной мере устойчивыми к корректировке зависимой переменной.

Сокращенная выборка. Еще одним способом проверки устойчивости полученных результатов может выступать сокращение перечня исследуемых компаний только до тех, для которых имеются данные за весь рассматриваемый в работе период времени. Подобный шаг позволить определить, насколько сильно изменятся результаты исследования, если значительно сократится количество наблюдений.

Результатом указанного преобразования выборки стало то, что число компаний сократилось практически на треть - до 698 фирм. Результаты регрессионного анализа, представленные в Приложении 9 говорят о том, что большая часть детерминантов сохраняют свою значимость при тестировании на измененных данных. Более того, сохраняются и знаки большинства полученных коэффициентов. Ряд факторов, особенно имеющих наивысшие уровни значимости, имеют также очень близкие к оригинальным величины коэффициентов. Все это позволяет сказать, что существенное сокращение выборки не оказывает крайне сильного влияние на результаты оценивания, то есть результаты данного исследования можно считать довольно устойчивыми.

Заключение

Данная выпускная квалификационная работа посвящена исследованию структуры инновационных компаний стран БРИКС. Целью же данной работы является выявление основных особенностей структуры капитала инновационных компаний стран БРИКС, значимых детерминантов структуры капитала и направления их влияния. Для достижения данной цели был проведен анализ, состоящий из трех основных этапов.

Во-первых, на основе теоретических предпосылок, а также работ большого числа различных авторов, были выявлены основные особенности инновационных компаний, которые оказывают влияние на структуру их капитала. К таким особенностям можно отнести существование издержек информационной асимметрии, связанных со специфичностью и уникальностью деятельности инновационных компаний, наличие высокого потенциала роста, порождаемого присутствием сетевых эффектов, высокой применимостью инноваций и низкими предельными и транспортными издержками. Более того, было отмечено, что в структуре активов высокотехнологичных компаний нематериальные активы занимают заметно большую долю, чем в других фирмах.

Во-вторых, был проведен сравнительный анализ между высокотехнологичными и неинновационными компаниями. Между ними были проведены сопоставления по таким параметрам как прибыльность, размер, доля материальных активов и потенциал роста. Итогом данного анализа стало то, что гипотеза о необходимости объяснения структуры капитала разных по степени инновационности компаний разными моделями была подтверждена. Более того, было доказано, что уровень заимствований инновационных фирм находится на более низком уровне.

Наконец, на третьем этапе был проведен подробный анализ только инновационных компаний с использованием более широкого перечня переменных.

Результаты, полученные на данном этапе работы, позволили сделать несколько основных выводов. Во-первых, коэффициенты при оцениваемых переменных подтвердили значимость как теории порядка финансирования, так и теории компромисса, тем самым не давая полностью подтвердить одну из гипотез исследования. Во-вторых, было получено, что доля нематериальных активов в компании имеет разнонаправленное влияние на величину долга, что также противоречит одной из гипотез данной работы. Однако, было доказано, что потенциал роста является значимым фактором, оказывающим преимущественно негативное влияние на уровень финансового рычага компании.

Также была произведена проверка модели на наличие в ней таких ошибок как мультиколлинеарность, автокорреляция и гетероскедастичность, показавшая, что результаты исследования не являются искаженными. Более того, при помощи дамми-переменных был учтен страновой фактор, который хоть и оказался значимым, однако не продемонстрировал сильного влияния на величину долга компаний. Помимо этого, был произведен раздельный анализ для компаний с различным уровнем потенциала роста, который подтвердил важность потенциала роста как детерминанты структуры капитала инновационных компании.

В заключение, такие методы как изменение зависимой переменной и сокращение числа исследуемых компаний позволили сделать вывод об устойчивости полученных в исследовании результатов.

В целом, итогом данной работы можно считать получение представления о тех детерминантах, которые оказывают значимое влияние на структуру капитала инновационных компаний стран БРИКС. Полученные результаты свидетельствуют о том, что эти компании используют относительно мало заемного капитала при наличии высокого потенциала роста, что говорит о необходимости преодоления проблемы информационной асимметрии, с целью повышения не только темпов роста отдельных компаний, но и экономики в целом.

Список источников

1. Ивашковская Л., Солнцева М. (2008). Структура капитала в российских компаниях как стратегическое решение. Вестник Санкт-Петербургского университета, 8 (3), 3-32.

2. Acemoglu D., Zilibotti F., Aghion P. (2006). Distance to frontier, selection and economic growth. JournaloftheEuropeanEconomicAssociation, 4(1), 37-74.

3. Adedeji A. (2001). A cross-sectional test of pecking order hypothesis against static trade-off theory on UK. University of Birmingham Working Paper.

4. Aghion P., Bond S., Klemm A., Marinescu I. (2004). Technology and financial structure: are innovative firms differentJournal of the European Economic Association, 2, 277-288.

5. Bartoloni E. (2013). Capital structure and innovation: causality and determinants. Empirica, 40, 111-151.

6. Booth L., Varouj A., Demirguk-Kunt A., Maksimovic V. Capital Structures in Developing Countries. Journal of Finance, 56...