Использование финансовых данных для выявления стадий жизненного цикла организаций на развивающихся рынках

Для дальнейшего анализа выборка компаний разбивается двумя способами: на 8 стадий в соответствии с моделей Дикинсон, а также на 5 стадий, поскольку стадии «возрождение» (4-6) и «спад» (7-8) повторяют друг друга (поскольку в этих случаях возможно несколько вариантов соотношения знаков денежных потоков).

Поскольку в отчёте о движении денежных средств в части инвестиционной деятельности включаются ряд статей, никак не связанных с капитальными затратами (например, поступления от банковских депозитов или размещение свободных денежных средств на депозиты), то в модель будет введена следующая корректировка: если соотношение капитальных затрат и амортизации меньше единицы, то независимо от знака итогового денежного потока от инвестиционной деятельности, ДПИ будет отрицательным. Идея заключается в том, что для поддержания роста компания обязана не только замещать имеющиеся мощности, но и наращивать их. Таким образом, данная предпосылка выглядит так:

Если CAPEX/D&A > 1, то ICF > 0, если CAPEX/D&A <1, то ICF < 0

Сравнив два варианта выборки можно заметить, что на стадиях зарождения и роста разница практически отсутствует (всего одно наблюдение), однако на последующих стадиях выборка имеет ряд различий. Так на этапе зрелости при корректировке на CAPEX/D&A число наблюдений увеличивается на 13, что несущественно для данной стадии. На этапе турбулентности выборка уменьшается на 10 компаний, а на этапе спада - на четыре. Основная масса наблюдений приходит на стадии роста и зрелости (764 и 1121 наблюдение соответственно по Дикинсон и 764 и 1134 наблюдения после корректировки).

Таблица 6. Сравнение выборки, разбитой по модели Дикинсон и с учётом корректировки на CAPEX/D&A

	Общее кол-во наблюдений
Стадия	Дикинсон	CAPEX/D&A
	из 8	из 5	из 8	из 5
1	274	274	275	275
2	764	764	764	764
3	1121	1121	1134	1134
4	71	233	74	223
5	29	66	29	62
6	133	0	120	0
7	41	0	40	0
8	25	0	22	0
Итого наблюдений	2458	2458	2458	2458

В целом для дальнейшего исследования будет рассматриваться только пять стадий ЖЦО, а именно: зарождение, рост, зрелость, возрождение и спад.

В целях анализа целесообразности разбивки данной выборки двумя способами необходимо рассмотреть Критерий знаковых рангов Вилкоксона. Для этого тестируется значимость различий в способах разбивки на стадии (нулевая гипотеза Н0: методы дают одинаковые разбиения на группы). Поскольку были получены значимые различия на уровне значимости 5%, то далее следует анализировать результаты обоих методов разбиения, поскольку искомый результат должен быть различным. (См. приложение 1).

Далее составляется частотная таблица (Приложение 2), которая позволяет описать статистику разбиения выборки на группы. При этом таблица слева (Genstage) рассматривает выборку по Дикинсон. Таблица справа (Genstageas) - выборка, скорректированная на CAPEX/D&A.

2.3 Результаты идентификации стадий ЖЦО

С целью дальнейшего анализа далее будет рассмотрено четыре блока финансовых показателей, а именно:

Операционный анализ:

• Натуральный логарифм выручки (LnSales)

• Натуральный логарифм EBIT (LnEBIT)

• Отношение EBITDA к выручке (EBITDAtoSales)

• Отношение EBIT к выручке компании (EBITtoSales)

• Отношение потока денежных средств от операционной деятельности к выручке (CashFlowtoSales)

Анализ инвестиционной деятельности:

• Отношение капитальных расходов к выручке (CAPEXtoSales)

• Отношение капитальных расходов к амортизации (CAPEXtoD&A)

Дивиденды:

• Показатель выплаты дивидендов (Dividendratio)

Долговая нагрузка:

• Отношение чистого долга к собственному капиталу компании(NDtoE)

• Отношение чистого долга к EBITDA (NDtoEBITDA)

• Отношение собственного капитала к общим активам компании (EtoTA)

В таблицах внизу представлены медианные значении для каждого этапа ЖЦО. При этом слева представлены данные, полученные по методу Дикинсон, справа - после корректировки на соотношение CAPEX/D&A.

Операционный анализ:

Рис. 6. Темпы прироста выручки

Н1: темпы прироста Sales максимальны на ранних стадиях ЖЦО и постепенно убывают при переходе организации от стадии к стадии.

Рассматривая медианные значения темпов прироста выручки в зависимости от стадии ЖЦО можно заметить, что наибольшие темпы прироста имеют компании, находящиеся на стадии роста. В целом данное наблюдение выглядит весьма логичным. На первой стадии компания только начинает входить в бизнес, бизнес-модель ещё не отлажена, клиентов ещё недостаточно много. На втором этапе бизнес-модель уже сформирована, соответственно компания начинает масштабировать свою деятельность. На этом этапе темпы прироста выручки достигают максимальных значений. Далее начинается постепенный спад: на этапе расцвета темпы всё ещё высоки, однако компании приходится фокусироваться уже на оптимизации своего бизнеса.

Интересный результат получается на пятом этапе. Если при анализе выборки по Дикинсон темпы прироста выручки хоть и минимальны, но всё же положительны, то при корректировке темпы прироста компании скатываются в отрицательную область. Данное уточнение более логично, поскольку, согласно модели И.Адизеса на последнем этапе менеджмент компании сфокусирован не на бизнесе, а на своём статусе, власти и правильности выполнения корпоративных норм и правил. Соответственно, компания выполняет свою деятельность менее эффективно, несёт лишние операционные издержки, что в итоге приводит к потере своей доли на рынке и генерации убытков.

Таким образом, гипотеза 1 частично подтверждается: темпы прироста выручки достигают максимума на стадии «Рост», после чего следует замедление.

Рис. 7. Рентабельность по EBIT

Н2: Максимальной рентабельности компания достигает на стадии зрелости, после чего начинается снижение рентабельности.

Диаграммы маржинальности по EBIT и EBITDA позволяют дополнить предыдущую картину.

На этапе «Зарождение» компания фокусируется на построении бизнес процессов и на расширении своей деятельности. Соответственно, пока клиентская база небольшая, менеджмент стремится максимально удовлетворить потребности каждого клиента, при этом маленькие масштабы бизнеса не позволяют покрывать текущие издержки. В итоге компания работает в убыток. На втором этапе, когда бизнес-модель отлажена, и запущен рост, компания начинает увеличивать свою рентабельность. На этапе «Зрелость» компания стремится получить максимальную прибыль с единицы проданной продукции, соответственно фокус идёт не на темп роста продаж, а на маржинальность (что чётко следует из диаграммы). На последующих этапах рентабельность организации падает, что в конечном итоге приводит как к сокращению выручки, так и ухода рентабельности в отрицательную зону.

Корректировка на CAPEXtoDA не вносит существенных изменений в результат, однако динамика рентабельности по EBITDA и по EBIT становится более плавной. Гипотеза 2 полностью подтверждается.

Анализ инвестиционной деятельности:

Рис. 9. Соотношение капитальных затрат к выручке

Н3: Капитальные затраты достигают пика на этапе роста и последовательно убывают на стадии зрелости и спада.

Следуя логике предыдущих двух гипотез можно отметить, что доля капитальных затрат в выручке максимальна на этапе «Рост», когда компания стремится занять как можно большую долю рынка, после чего следует неминуемый спад. Таким образом, гипотеза Н3 подтверждается.

Н4: Соотношение капитальных затрат и амортизации на ранних этапах больше единицы. К стадии зрелости оно приближается к единице, а на этапе зрелости становится меньше единицы.

Более интересным выглядит анализ соотношения капитальных затрат и амортизации. Основная идея данного показателя заключается в том, что для поддержания роста бизнеса компании необходимо увеличивать свои текущие мощности. Т.е. она должна не только поддерживать и вовремя заменять текущие активы, но и приобретать новые. На первых трёх этапах данное соотношение выше 1, что говорит о том, что компания приобретает новые мощности быстрее, чем выбывают старые. На этапе «Возрождение» компания уже стремится поддерживать свою текущую деятельность, т.е. здесь соотношение CAPEX к D&A близко к единице. В дальнейшем этот показатель падает меньше единицы, причём чем дальше, тем сильнее, а в отдельных случаях данное соотношение уходит в отрицательную область.

Таким образом, гипотеза 4 частично подтверждается, поскольку стадию «Возрождение» можно считать поздней стадией «Зрелости».

Дивиденды:

Рис 11. Доля дивидендов в операционной прибыли компании

Н5: В процессе роста компания имеет всё меньшее количество проектов, дающих удовлетворяющую доходность для акционеров, поэтому на более поздних этапах компания увеличивает дивидендных выплаты.

Согласно данным диаграммам видно, что дивиденды компания начинает выплачивать уже на этапе роста. Причём, если бы данные этап разбивался на несколько более подробных этапов, то, скорее всего, основная масса выплачиваемых дивидендов пришлась на промежуточный этап между ростом и стабильностью. Основная масса дивидендных выплат приходится на этап «Зрелость». Что интересно, на этапе «Возрождение» нет ни одного наблюдения, где следовали бы дивидендные выплаты. Таким образом, гипотеза 5 не подтверждается. Выплаты дивидендов следуют только на этапах «Рост» и «Зрелость».

Долговая нагрузка:

Рис. 12. Соотношение чистого долга к EBITDA

Н6: При продвижении по кривой ЖЦО уровень долговой нагрузки снижается к стадии зрелости, после чего следует её значительный рост.

Данные представленных выше диаграмм выглядят несколько противоречиво. С одной стороны, из первых двух диаграмм чётко следует тенденция к росту долговой нагрузки на первых двух этапах (соотношение Чистый долг/EBITDA отрицательное ввиду отрицательной величины EBITDA).После следует спад долговой нагрузки, при этом на последних двух этапах долговая нагрузка стремится к нулю. Однако медианное начение Eq/TA практически не выявляет различий в долговой нагрузке на различных этапах.

Данную динамику долговой нагрузки можно объяснить тем, что на ранних этапах компания стремится привлечь максимально возможное количество ресурсов. При этом на третьем этапе компания стремится достичь точки оптимального соотношения собственного и заёмного капитала и становится «Дойной коровой» для акционеров.

На последующих этапах данные противоречивы. Диаграмма «Соотношение чистого долга к EBITDA» на 5 этапе находится в отрицательной зоне, что при учёте отрицательной рентабельности по EBITDA может говорить о том, что компания имеет значительный читсый долг. С другой стороны, соотношение чистого долга к собственному капиталу говорит о том, что компания хоть и имеет долговую нагрузку, однако она значительно меньше, чем на ранних стадиях ЖЦО.

В теории можно утверждать, что максимальной долговой нагрузки компания должна достигать именно на пятом этапе, поскольку от текущей деятельности компания не может получить положительный финансовый результат и вынуждена финансировать свою текущую деятельность за счёт заемного капитала. Растущие расходы на обслуживание текущего долга усугубляют результаты компании от операционной деятельности, что ведёт к неминуемому банкротству.

Таким образом, гипотеза 6 подтвердилась только в первой части. Скорее всего, причиной этому послужило весьма малое количество наблюдений для данной стадии.

2.4 Выявление финансовых показателей для построения регрессии

Проведение данного исследования предполагает выявление ряда финансовых показателей, которые будут значимы на той или иной стадии ЖЦО. Кроме того, необходимо подчеркнуть, что данные показатели будут изменяться от стадии к стадии (что будет дополнительно протестировано), а значит необходимо посмотреть, каким образом это будет происходить.

Чтобы выявить ключевые финансовые показатели в данной работе был использован метод бинарной логистической регрессии.

Поскольку не каждый из представленных выше финансовых коэффициентов сможет выступить в качестве регрессора в модели, необходимо из них выявить те, которые будут значимо отличаться в полученных группах компаний. Для этого были использованы тесты Колмогорова-Смирнова, тест Спирмена, а также тест Манна-Уитни.

В данном исследовании зависимыми переменными выступают стадии ЖЦО. Независимыми - финансовые показатели, рассмотренные в предыдущей части главы.

Для построения модели перехода от стадии к стадии ЖЦО стадии разбиваются на пары, т.е. «Зарождение»-«Рост» (12), «Рост»-«Зрелость»(23), «Зрелость»-«Возрождение»(34), «Возрождение»-«Спад»(45).

Прежде всего необходимо проверить данные на нормальность распределения. Для этого был использован тест Колмогорова-Смирнова (Приложение 3). В строке «Асимптотическая значимость (2-сторонняя)» показана значимость для теста на соответствие эмпирического распределения показателей нормальному закону распределения (нулевая гипотеза Н0: эмпирическое неотлечимо от нормального). Имеем показатели 0%, что позволяет отвергнуть гипотезу о нормальности на уровне значимости 5%, поэтому далее следует пользоваться непараметрическими тестами и критериями.

Для выявления финансовых показателей, которые могут выступать в качестве регрессоров, необходимо выбрать из этой группы такие коэффициенты, значения которых будут различны для для каждой стадии ЖЦО. С целью решения данной задачи был использован непараметрический U-тест Манна-Уитни. Данный тест используется для оценки различий между двумя независимыми выборками (нулевая гипотеза Н0: на двух стадиях выборочные средние значения показателей равны). Результаты данного теста представлены в приложении 4. В данной таблице голубым цветом выделены значимые различия на уровне значимости 5%, поэтому далее именно они будут основными претендентами на включение в регрессионную модель бинарного выбора для этой пары стадий.

Далее необходимо отсечь те финансовые показатели, которые имеют высокий коэффициент корреляции, т.е. по сути дублируют друг друга в модели, что позволит избежать мультиколлинеарности. Поскольку данные выборки не подчиняются нормальному закону распределения, был использован ранговый метод корреляции Спирмена. Данная матрица представлена в приложении 5. В данной таблице серым выделена диагональ, красным - значения, при которых коэффициент корреляции значим и более 50%, зелёным - коэффициенты корреляции значимые и менее 20% или незначимые. В целом можно отметить, что ряд финансовых показателей имеет достаточно высокий коэффициент корреляции.

Таким образом, для дальнейшего анализа был отобран ряд наименее коррелирующих друг с другом показателей:

1) Логарифм Выручки (LnSales)

2) Отношение EBITDA к выручке (EBITDAtoSales)

3) Соотношение капитальных затрат и амортизации (CAPEXtoDA)

4) Коэффициент дивидендных выплат (Dividendratio)

5) Соотношение собственного капитала и активов (EqtoTA)

6) Соотношение чистого долга и EBITDA (NDtoEBITDA)

2.5 Построение регрессии

Для выявления факторов, позволяющих определить стадии жизненного цикла компании, и оценки статистической вероятности нахождения компании на соответствующих стадиях, применяется бинарная логистическая регрессия.

Модель бинарного выбора представляет собой нелинейную модель, в основе которой лежит логистическая функция от линейной комбинации регрессоров.

Метод обладает следующими достоинствами: во-первых, с его помощью можно оценивать; во-вторых, в качестве независимых переменных допускается использование всех типов переменных, в том числе категориальных; в-третьих, модель, построенная с помощью этого метода, является нелинейной, в нее можно включать взаимодействия независимых показателей. В логистической регрессии для оценки параметров используется метод максимального правдоподобия.

Модель логистической регрессии имеет следующий вид:

где Pj-- вероятность того, что компания j перейдет на следующую стадию;

e - экспоненциальная функция;

B1, B2…Bn -- коэффициенты регрессии;

X1, X2…Xn -- объясняющие переменные.

Использование такого подхода с использованием бинарной логистической регрессии обладает рядом преимуществ:

- одним из важных достоинств логистической модели является простота интерпретации полученных результатов: прогнозы по оценённой модели могут интерпретироваться как вероятность того, что событие наступит для конкретного наблюдения, а регрессоры - как факторы, влияющие на эту вероятность;

- как и простая линейная регрессия, модель бинарного выбора позволяет использовать как количественные, так и качественные показатели в качестве регрессоров (категориальные переменные могут быть включены в модель как фиктивные переменные), переменные взаимодействия показателей также допустимы.

В модели логистической регрессии в качестве зависимой переменной была задана бинарная переменная, показывающая стадию жизненного цикла: 1 -- компания находится на 2-й стадии -- стадии «роста», 0 -- компания находится на 1-й стадии -- стадии «зарождения». В качестве независимых переменных были взяты показатели, общепринятые для финансового анализа. Они были отобраны на предыдущих стадиях на основании двух критериев: имеют место значимые отличия в средних значениях этих финансовых показателей для компаний, находящихся на разных стадиях жизненного цикла; парные корреляции Спирмена для этих показателей невелики, что говорит о слабой статистической взаимосвязи этих кандидатов на роль независимых переменных.

Поскольку не по всем моделям были получены оценки (по причине либо недостатка наблюдений, либо наличия вычислительных проблем, либо незначимости получившихся регрессий), то ниже будет рассмотрено только две пары регрессий, основанных на выборке по Дикинсон и три пары регрессий, основанных на скорректированной выборке.

Построение модели перехода со 2 стадии на 3 (Дикинсон)

Рассмотрим качество регрессии для второй и третьей стадии ЖЦО по выборке Дикинсон: жизненный цикл финансовый диагностирование

Таблица 7.1. R2 Модели

-2 Log-правдоподобие	R-квадрат Кокса и Снелла	R-квадрат Нэйджелкерка
2451.228	.045	.061

Для оценки качества построенной регрессии необходимо вычислить R2 Кокса и Снелла и R2 Негелькерка. Данные показатели описывают дисперсию, которую можно объяснить с помощью логистической регрессии. Часть дисперсии, которая описывается с помощью логистической регрессии, определенная по методу Нэйджелкерка, составляет 6.1%, по методу Кокса и Снелла -- 4.5%

Среди представленных коэффициентов значимыми на 5% уровне значимости являются только LnSales, EBITDAtoSales, CAPEXtoDA и NDtoEBITDA. При этом как следует из таблицы ниже, данная модель удачно предсказывает только компании на 3ей стадии.

Таблица 7.3 Количество верно предсказанных наблюлюдений

Наблюденные	Предсказанные
	d_of5_up23	Процент правильных
	2	3
Шаг 1	d_of5_up23	2	129	632	17.0
		3	43	1076	96.2
	Общая процентная доля			64.1

Построим эту же модель, откинув те переменные, которые оказываются незначимыми для модели:

Таблица 7.4 Переменные в уравнении

		B	Среднеквадратичная ошибка	Вальд	ст.св.	Знач.	Exp (B)
	LnSales	.084	.026	10.515	1	.001	1.088
	EBITDAtoSales	1.260	.367	11.784	1	.001	3.527
	CAPEXtoDA	-.091	.018	24.889	1	.000	.913
	NDtoEBITDA	-.016	.007	5.704	1	.017	.984
	Константа	-1.245	.531	5.494	1	.019	.288

a. Переменные, введенные на шаге 1: LnSales, EBITDAtoSales, CAPEXtoDA, Dividendratio, EtoTA, NDtoEBITDA.

Таблица 7.5. R2 Модели

	-2 Log-правдоподобие	R-квадрат Кокса и Снелла	R-квадрат Нэйджелкерка
	2452.795	.044	.060

a. Оценка прекращена на итерации номер 10, так как оценки параметров изменились менее, чем на ,001.

Таблица 7.6.Количество верно предсказанных наблюлюдений

Наблюденные			Предсказанные
			d_of5_up23		Процент правильных
			2	3
	d_of5_up23	2	133	628	17.5
		3	41	1078	96.3
	Общая процентная доля				64.4

По сравнению с первым вариантом оба R2 уменьшились на 0.1%. Модель имеет низкую объясняющую способность, однако верно определяет 64.4% случаев (96.3% на третьем этапе ЖЦО).

Полученная модель имеет вид:

Z = - 1.245 + 0.084*LnSales + 1.26*EBITDA/Sales - 0.091*CAPEX/D&A - 0.016*ND/EBITDA

Pj = 1/(1+e-z) = 1 / 1+e(- 1.245 + 0.084*LnSales + 1.26*EBITDA/Sales - 0.091*CAPEX/D&A - 0.016*ND/EBITDA)

Где Pj - вероятность того, что организация j находится на 3й стадии, а (1-Pj) - вероятность того, что организация находитяс на 2й стадии.

Полученные результаты оценки модели, позволят говорить о влиянии на вероятность определения стадии цикла ряда финансовых показателей: LnSales, EBITDA/Sales, CAPEX/D&A, ND/EBITDA. Однако смысл полученных коэффициентов не очевиден. Возможная их трактовка в модели логистической регрессии требует рассмотрения величины соотношения шансов (odds-ratio), что делает интерпретацию значительно более простой. Эта величина, характеризующая шансы наступления события, определяется как отношение вероятностей наступления события и вероятности того, что оно не наступит. Логарифм отношения шансов в логистической модели представляет собой более следующее выражение - линейную комбинацию регрессоров:

Таким образом, полученные оценки параметров модели можно интерпретировать как величины изменения логарифмических шансов, вызванное изменением на единицу независимых переменных.

Возвращаясь к главе 2.3 можно отметить некоторые различия полученной модели и представленных там диаграмм. Так темпы роста выручки достигали максимальных значений на этапе роста, после чего они замедлялись, однако в полученной модели при увеличении темпов прироста выручки шансы компании перейти на стадию «Зрелость» растут. Однако остальные три независимые переменные подтвердились. Так при увеличении рентабельности по EBITDA на одну единицу шансы компании перейти на следующую стадию увеличиваются на 1.26. Помимо этого при снижении соотношения капитальных затрат и уровня чистого долга шансы компании на переход на 3й этап также увеличиваются.

Стоит отметить, что, несмтря на неплохие показатели предсказаний по модели, она обладает низкой описательной способностью, что говорит о её несовершенстве - анализируемые финансовые показатели не позволяют в полной мере объяснить вероятность перехода межу рассматриваемыми стадиями. Аналогичную оговорку можно сделать и для ряда моделей, приведённых далее.

Построение модели перехода с 3 стадии на 4 (Дикинсон)

Для дальнейшего анализа в приложение 6 был вынесен первый этап анализа регрессии. В нижепреведённых моделях исключены те переменные, которые оказываются незначимыми для модели.

При построении модели перехода организации с 3 на 4й этап R2 также получились небольшими - 7.3% для Кокса и Снелла и 12.1% для Нэйджелкерка.

Таблица 8.2. Переменные в уравнении

	B	Среднеквадратичная ошибка	Вальд	ст.св.	Знач.	Exp (B)
	LnSales	-.315	.043	52.628	1	.000	.729
	CAPEXtoDA	-.084	.041	4.204	1	.040	.919
	Dividendratio	-.038	.020	3.479	1	.062	.963
	EtoTA	-.864	.313	7.626	1	.006	.421
	NDtoEBITDA	-.077	.032	5.777	1	.016	.926
	Константа	5.424	.838	41.848	1	.000	226.679

Однако количество правильно предсказанных наблюдений для третьего этапа составило 99.9%. Для четвёртого этапа предсказательная сила модели очень слаба - всего 3.4% верно предсказанных наблюдений.

Полученная модель имеет следующий вид:

Z = -0.315*LnSales - 0.084*CAPEX/D&A - 0.038*Dividendratio - 0.864*EtoTA - 0.077*ND/EBITDA

Pj = 1/(1+e-z) = 1 / 1+e(-0.315*LnSales - 0.084*CAPEX/D&A - 0.038*Dividendratio - 0.864*EtoTA - 0.077*ND/EBITDA)

Данная модель показывает, что при сокращении темпов роста выручки, снижении капитальных затрат и дивидендных выплат вероятность перехода компании от стадии «Зрелость» к стадии «Возрождение» увеличивается. При этом, что примечательно, значимыми оказались сразу две переменные, отвечающие за долговую нагрузку компании. Данную тенденцию можно объяснить тем, что пре достижении четвёртого этапа у компании значительно сокращается количество инвестиционных проектов. В итоге из-за этого начинается снижаться выручка, а зарабатываемые денежные средства компания тратит на сокращение долговой нагрузки, возможно, понимая, что такая политика позволит переждать ей тяжёлые времена и рано или поздно вернуться обратно на третью стадию.

Построение модели перехода с 4 стадии на 5 (Дикинсон)

Таблица 9.1. Сводка для модели

-2 Log-правдоподобие	R-квадрат Кокса и Снелла	R-квадрат Нэйджелкерка
233,072a	.226	.349

При построении модели перехода организации с 4 на 5й этап R2 значительно увеличивается - 22.6% для Кокса и Снелла и 34.9% для Нэйджелкерка.

Количество правильно предсказанных наблюдений для четвёртого этапа составило 97.4%. Для пятого этапа количество предсказанных наблюдений (относительно двух предыдущих моделей) уже весьма значительно - 31.3%

Полученная модель имеет следующий вид:

Z = -5.215*EBITDAtoSales + 1.571*EtoTA - 0.031*NDtoEBITDA

Pj = 1/(1+e-z) = 1 / 1+e(5.215*EBITDAtoSales + 1.571*EtoTA - 0.031*NDtoEBITDA)

Примечательно, что в этой модели опять наибольшую объясняющую способность имеют коэффициенты, связанные с долговой нагрузкой. Так, согласно модели, при сильном падении рентабельности компании наблюдается тенденция к сокращению долга - растёт доля собственного капитала в совокупных активах, а также снижается соотношение чистого долга и EBITDA. Похожий результат получается и в главе 2.3. Тем не менее не совсем понятно, как интерпретировать данные показатели. Возможно, на данный этап попадают те компании, которые фокусируются на выплате долгов кредиторам и начинают готовиться к ликвидации путём распродажи всех активов.

Построение модели перехода со 2 стадии на 3 (Корректировка на CAPEXtoDA)

Таблица 10.1. Сводка для модели

-2 Log-правдоподобие	R-квадрат Кокса и Снелла	R-квадрат Нэйджелкерка
2465.108	.044	.060

Для откорректированной выборки на коэффициент CAPEX/D&A при построении модели перехода со 2го на 3й этап R2 также получились небольшими - 4.4% для Кокса и Снелла и 6.0% для Нэйджелкерка.

Таблица 10.2. Переменные в уравнении

	B	Среднеквадратичная ошибка	Вальд	ст.св.	Знач.	Exp (B)
LnSales	.083	.026	10.263	1	.001	1.087
EBITDAtoSales	1.277	.367	12.085	1	.001	3.586
CAPEXtoDA	-.094	.018	26.042	1	.000	.910
NDtoEBITDA	-.015	.006	5.567	1	.018	.985
Константа	-1.211	.531	5.207	1	.023	.298

Тем не менее, данная модель также достаточно хорошо прогнозирует переход компании на 3ю стадию (96.3% правильно предсказанных наблюдений).

В целом можно констатировать, что данная регрессия имеет незначительные отличия от варианта анализа выборки по Дикинсон. Причина этого - основная масса наблюдений пришлась на 2 и 3 этапы, при этом число наблюдений в варианте с корректировкой незначительно отличается от варианта Дикинсон.

Построение модели перехода с 3 стадии на 4 (Корректировка на CAPEXtoDA)

На более поздних стадиях выборка, учитывающая корректировку, имеет значительные отличия по числу наблюдений от варианта Дикинсон. Это позволяет получить более-менее нормальную модель перехода компании с 3 на 4й этап.

Таблица 11.1. Сводка для модели

-2 Log-правдоподобие	R-квадрат Кокса и Снелла	R-квадрат Нэйджелкерка
1210.024	.134	.212

Для скорректированной выборки на коэффициент CAPEX/D&A при построении модели перехода со 3го на 4й этап R2 получились уже более хорошими, чем в предыдущих моделях, однако также недостаточно большими - 13.4% для Кокса и Снелла и 21.2% для Нэйджелкерка.

Несмотря на то, что после корректировки количество верно предсказанных наблюдений сократилось с 99.9% до 98.7% для этапа «Зрелость», количество верно предсказанных наблюдений для четвёртого этапа выросло3.4% до 14.2%

Модель имеет следующий вид:

Z = -0.362*LnSales - 1.85*EBITDA/Sales - 0.081*CAPEX/D&A - 0.049*Dividendratio - 0.465EtoTA

Pj = 1/(1+e-z) = 1 / 1+e(-0.362*LnSales - 1.85*EBITDA/Sales - 0.081*CAPEX/D&A - 0.049*Dividendratio - 0.465EtoTA)

В целом можно отметить, что результаты модели достаточно хорошо соотносятся с диграммами, приведёнными в главе 2.3 текущей диссертации.

При снижении динамики выручки, рентабельности бизнеса, снижении соотношения капитальных затрат и мортизации, сокращении дивидендов и долговой нагрузки шансы компании перейти с третьей на четвёртую стадию увеличиваются. Очевидно, что на данном этапе компания начинает терять свои позиции на рынке, поскольку менеджмент фокусируется больше на своих насущных потребностях, а не на потребностях бизнеса (аналог стадии «Аристократизм» - «Ранняя бюрократизация» у И.Адизеса). Поскольку доходы компании падают, она вынуждена сокращать дивидендные выплаты, а отсутствие новых инвестиционных проектов приводит к снижению капитальных затрат. Компания пытается сохранить статус кво.

Количество правильно предсказанных наблюдений для четвёртого этапа увеличилось до 98.2%. Для пятого этапа количество предсказанных наблюдений также незначительно, но подросло - 31.7%. При этом показатель NDtoEBITDA стал не значим (В отличие от варианта Дикинсон), поэтому не был включён в данную модель

Полученная модель имеет следующий вид:

Z = -5.133*EBITDAtoSales + 1.55*EtoTA

Pj = 1/(1+e-z) = 1 / 1+e(5.133*EBITDAtoSales + 1.55*EtoTA)

Согласно данному варианту модели при значительном сокращении рентабельности по EBITDA компания увеличивает свои шансы перейти с четвёртого этапа на пятый. Долг также как и в варианте Дикинсон начинает сокращаться.

В целом стоит отметить, что хотя различия между вариантом разбивки выборки по Дикинсон и вариантом с учётом корректировки на соотношение CAPEX и D&A не отличаются координально, тем не менее корректировка на данную переменную увеличивает объясняющую способность моделей и даёт более высокий процент правильных наблюдений.

Резульатом второй главы являются следующие выводы:

Н1: темпы прироста Sales максимальны на ранних стадиях ЖЦО и постепенно убывают при переходе организации от стадии к стадии - гипотеза подтвердилась частично (темпы прироста выручки достигают максимума на стадии «Рост», после чего следует замедление)

Н2: Максимальной рентабельности компания достигает на стадии зрелости, после чего начинается снижение рентабельности - гипотеза подтвердилась.

Н3: Капитальные затраты достигают пика на этапе роста и последовательно убывают на стадии зрелости и спада - гипотеза подтвердилась.

Н4: Соотношение капитальных затрат и амортизации на ранних этапах больше единицы. К стадии зрелости оно приближается к единице, а на этапе зрелости становится меньше единицы - гипотеза подтвердилась частично (единицы данное соотношение достигает к стадии «Возрождение», после чего становится меньше единицы)

Н5: В процессе роста компания имеет всё меньшее количество проектов, дающих удовлетворяющую доходность для акционеров, поэтому на более поздних этапах компания увеличивает дивидендных выплаты - гипотеза не подтвердилась (Основная масса дивидендных выплат происходит на 2 и 3 этапах)

Н6: При продвижении по кривой ЖЦО уровень долговой нагрузки снижается к стадии зрелости, после чего следует её значительный рост - частично подтвердилась (Скорее всего, причиной этому послужило недостаточное количество наблюдений для данной стадии.)

Помимо этого были построены логистические регресси для моделерования перехода компании от стадии к стадии. В качестве промежуточных выводов технического характери можно отметить следующие:

1) Тест Колмогорова - Смирнова выявил, что большинство данных из представленной выборки не соответствуют нормальному закону распределения. В итоге, для дальнейшего анализа были использованы непараметрические тесты. Благодаря ранговому методу Спирмена были выялвены 6 наименее коррелирующих финансовых показателей. Значимые коэффициенты для каждой из пар стадий мы смогли выявить с помощью непараметрического U-теста Манна - Уитни.

2) Были построены вероятностные модели разграничения стадий ЖЦО. При этом для разбивки по Дикинсон качество модели в терминах правильных предсказаний составило 64.4% для стадий «Рост» - «Зрелость», 83.3% для стадии «Зрелость» - «Возрождение» и 83.1% для стадий «Возрождение» - «Стагнация». После корректировки качество данных моделей выросло до 64.6%, 81.8% и 84.0% соответственно. Можно отметить, что R2 данных моделей оказались недостаточно высокими, однако количсетво верно предсказанных наблюдений в моделях оказывается в целом высоким. Это позволяет нам говорить о том, что модель может использоваться для диагностирования стадии ЖЦО.

3) Также было статистически доказано, что для различных этапов ЖЦО статистически значимыми являются различные финансовые показатели.

4) Показатель CAPEXtoDA оказался значимым практически во всех моделях, что позволяет говорить о том, что его также целесообразно использовать при анализе стадий жизненного цикла организаций. Интересно, что действительно на ранних этапах данный показатель оказывался выше единицы, а на стадиях «Возрождение» и «Спад» уходил в область меньше единицы. Действительно, данный коэффициент наглядно показывал, что на этих этапах мощности компаний устаревают быстрее, чем появляются новые. Поэтому компания и сталкивается с падением выручки, рентабельности, доли рынка и т.д.



Глава 3. Анализ финансовых показателей, характерных для разных стадий ЖЦО российских компаний

3.1 Анализ и описание выборки

Данная глава посвящена отдельному исследованию выборки Российских компаний за период с 2006 по 2014 год. Всего в данной выборке представлено 42 компании и 368 наблюдений-год. Данная выборка была собрана из данных базы Bloomberg, плюс отдельные показатели отбирались вручную. В выборку не включались компании из финансового сектора, сектора страхования и социальных услуг. Столь небольшое количество компаний объясняется небольшим разнообразием эмитентов, представленных на Московской бирже и предоставляющих консолидированную отчётность по международным стандартом в течение хотя бы нескольких лет.

Рис. 15. Разбивка выборки по секторам:

В целом основу выборки составляют компании из секторов добычи нефти и газа, производство чёрной и цветной металлургии, а также компании из сектора электроэнергетики. Хотя количество наблюдений не очень большое, возможно, данное исследование позволит выявить особенности развития жизненного цикла российских компаний.

3.2 Методология идентификации стадий ЖЦО

Также как и в предыдущей главе за базу взята модель V. Dickinson, в соответствии с которой в зависимости от соотношения денежных потоков, компании разбиваются на 8 стадий жизненного цикла, а затем дублирующие стадии были сокращены до 5. Также вторым вариантом послужило разбиение выборки с корректировкой на коэффициент CAPEX/D&A.

Таблица 13. Сравнение выборки, разбитой по модели Дикинсон и с учётом корректировки на CAPEX/D&A

	Дикинсон	CAPEX/D&A
Стадия	Из8	Из5	Из8	Из5
1	14	14	15	15
2	147	147	147	147
3	173	173	182	182
4	1	39	1	30
5	22	2	22	1
6	16	0	7	0
7	2	0	1	0
8	0	0	0	0
Итого наблюдений	375	375	375	375

Сравнив два варианта выборки можно заметить, что на стадиях зарождения и роста разница также практически отсутствует (всего одно наблюдение). При введении корректировки 9 компаний переместились с этапа «Возрождение на этап «Зрелость». На этапе «Спад» по Дикинсон оказалось всего два наблюдения, а после корректировки это число сократилось и вовсе до одного наблюдения.

Дальнейший анализ предполагает разбивку компаний на пять стадий ЖЦО, а именно: зарождение, рост, зрелость, возрождение и спад.

В целях анализа целесообразности разбивки данной выборки двумя способами необходимо рассмотреть Критерий знаковых рангов Вилкоксона. Аналогичным образом тестируется значимость различий в способах разбивки на стадии (нулевая гипотеза Н0: методы дают одинаковые разбиения на группы). Полученные различия являются значимыми на уровне значимости 5%, поэтому далее будут анализироваться результаты обоих методов разбиения (См. приложение 7).

Далее составлена частотная таблица (Приложение 8), которая позволяет описать статистику разбиения выборки на группы. При этом таблица слева (Genstage) рассматривает выборку по Дикинсон. Таблица справа (Genstageas) - выборка, скорректированная на CAPEX/D&A.

3.3 Выявление финансовых показателей для построения регрессии

Для построения регрессии для российских компаний были отобраны следующие показатели:

Операционный анализ:

• Натуральный логарифм выручки (LnSales)

• Натуральный логарифм EBIT (LnEBIT)

• Отношение EBITDA к выручке (EBITDAtoSales)

• Отношение EBIT к выручке компании (EBITtoSales)

• Отношение потока денежных средств от операционной деятельности к выручке (CashFlowtoSales)

Анализ инвестиционной деятельности:

• Натуральный логарифм капитальных затрат (LnCAPEX)

• Отношение капитальных расходов к выручке (CAPEXtoSales)

• Отношение капитальных расходов к амортизации (CAPEXtoD&A)

Показатели ликвидности:

• коэффициент абсолютной ликвидности (Cashratio)

• коэффициент срочной ликвидности (Quickratio)

• коэффициент текущей ликвидности (CurrentRatio)

Дивиденды:

• Показатель выплаты дивидендов (Dividendratio)

Долговая нагрузка:

• Отношение чистого долга к собственному капиталу компании(NDtoE)

• Отношение чистого долга к EBITDA (NDtoEBITDA)

• Коэффициент покрытия процентов (EBITtoInt)

Также как и в главе 2 был использован метод бинарной логистической регрессии.

Поскольку не каждый из представленных выше финансовых коэффициентов сможет выступить в качестве регрессора в модели, необходимо из них выявить те, которые будут значимо отличаться в полученных группах компаний. Для этого были использованы тесты Колмогорова-Смирнова, тест Спирмена, а также тест Манна-Уитни.

В данном исследовании зависимыми переменными выступают стадии ЖЦО. Независимыми - финансовые показатели, рассмотренные в начале главы 2.3.

Аналогично будем строить модель перехода от стадии к стадии ЖЦО путём разбивки стадий на пары, т.е. «Зарождение»-«Рост» (12), «Рост»-«Зрелость»(23), «Зрелость»-«Возрождение»(34), «Возрождение»-«Спад»(45).

Результаты проверки данных на нормальность распределения. Представлены в Приложение 9. Асимптотическая значимость для теста на соответствие эмпирического распределения показателей нормальному закону распределения равна 0%, что позволяет отвергнуть гипотезу о нормальности на уровне значимости 5%, поэтому далее следует пользоваться непараметрическими тестами и критериями.

Далее проведён непараметрический U-тест Манна-Уитни, который позволяет выявить различия в значениях финансовых коэффициентов для разных стадий. В приложении 10 голубым цветом выделены значимые различия на уровне значимости 5%, поэтому далее именно они будут основными претендентами на включение в регрессионную модель бинарного выбора для этой пары стадий.

Далее проведён корреляционный анализ Спирмана (Приложение 11), который позволяет отобрать наименее кореллирующие друг с другом финансовые показатели и устронить проблему мультиколлинеарности. В данной таблице серым выделена диагональ, красным - значения, при которых коэффициент корреляции значим и более 50%, зелёным - коэффициенты корреляции значимые и менее 20% или незначимые. В целом можно отметить, что ряд финансовых показателей имеет достаточно высокий коэффициент корреляции.

Таким образом, для дальнейшего анализа был отобран ряд наименее коррелирующих друг с другом показателей:

1) Логарифм Выручки (LnSales)

2) Отношение EBITDA к выручке (EBITDAtoSales)

3) Соотношение капитальных затрат и амортизации (CAPEXtoDA)

4) Коэффициент дивидендных выплат (DivtoEBIT)

5) Коэффициент абсолютной ликвидности (Cashratio)

6) Соотношение собственного капитала и активов (EqtoTA)

7) Соотношение чистого долга и EBITDA (NDtoEBITDA)

3.4 Построение регрессии

Построение модели перехода с 1 стадии на 2 (Дикинсон)

Здесь, как и в предыдущей главе, будут рассмотрены итоговые регрессии, которые исключают незначимые переменные. Первый этап построения регрессии был вынесен в приложение 12. По выборке для российских компаний удалось построить шесть пар регрессий (По три для разбивки по Дикинсон и с корректировкой). Это «Зарождение» - «Рост», «Рост» - «Зрелость», «Зрелость» - «Турбулентность».

Рассмотрим качество регрессии для первой и второй стадии ЖЦО по выборке Дикинсон:

Таблица. Сводка для модели

-2 Log-правдоподобие	R-квадрат Кокса и Снелла	R-квадрат Нэйджелкерка
75,899a	.111	.244

R2 для данной регрессии вышли не очень большими - 11.1% для Кокса и Снелла и 24.4% для Нэйджелкерка.

В данную регрессию были включены только значимые переменные, которых оказалось три: LnSales, EBITDAtoSales и Cashratio

Несмотря на низкие R2 данная модель даёт достаточно высокую точность в предсказании стадии ЖЦО - 91.7%.

Полученная модель имеет вид:

Z = 0.818*LnSales + 6.907*EBITDA/Sales + 2.186*Cashratio

Pj = 1/(1+e-z) = 1 / 1+e(0.818*LnSales + 6.907*EBITDA/Sales + 2.186*Cashratio)

Где Pj - вероятность того, что организация j находится на 2й стадии, а (1-Pj) - вероятность того, что организация находится на 1й стадии.

Результат данной модели говорит о том, что при увеличении темпов роста выручки и рентабельности по EBITDA шансы компании перейти со стадии «Зарождение» на стадию «Рост» возрастают. Кроме того, значимым является и коэффициент абсолютной ликвидности. Скорее вего, данный моент можно объяснить тем, что при переходе на вторую стадию компания начинает активно наращивать бизнес, для чего привлекает максимально возможное количество денежных средств из всех возможных источников.

Построение модели перехода со 2 стадии на 3 (Дикинсон)

При построении модели перехода организации со 2 на 3й этап R2 также получились небольшими - 10,1% для Кокса и Снелла и 13.4% для Нэйджелкерка.

Помимо низких R2 данная модель имеет и умеренное количество верно предсказанных наблюдений - 54.9% для второй стадии и 75.8% для третьей. Тем не менее, 2/3 наблюдений она предсказывает верно.

Таблица 15.3. Таблица классификации

Наблюденные		Предсказанные
			d_of5_up23		Процент правильных
			2	3
Шаг 6	d_of5_up23	2	78	64	54.9
		3	39	122	75.8
	Общая процентная доля				66.0

Полученная модель имеет следующий вид:

Z = - 0.239*CAPEX/D&A + 3.484*EBITDAtoSales

Pj = 1/(1+e-z) = 1 / 1+e(- 0.239*CAPEX/D&A + 3.484*EBITDAtoSales)

По достижении стадии «Зрелость» компания переносит свой фокус с наращивания выручки и активов на оптимизацию бизнес-процессов. Данная регресси показывает, что снижение уровня капитальных затрат по отношению к амортизации повышает вероятность перехода компании на стадию «Зрелость». При этом видно, что показатель EBITDAtoSales более ощутимо повышает шансы компании на третью стадию.

Построение модели перехода с 3 стадии на 4 (Дикинсон)

При построении модели перехода организации с 3 на 4й этап R2 получились выше, чем для двух предыдущих моделей - 20.3% для Кокса и Снелла и 43.4% для Нэйджелкерка.

Таблица 16.2. Переменные в уравнении

	B	Среднеквадратичная ошибка	Вальд	ст.св.	Знач.	Exp (B)
CAPEXtoDA	-.354	.199	3.159	1	.076	.702
lnSales	-.735	.342	4.612	1	.032	.480
EBITDAtoSales	-10.525	3.825	7.571	1	.006	.000
Cashratio	2.432	.844	8.302	1	.004	11.380
Константа	4.857	2.699	3.239	1	.072	128.593

Количество правильно предсказанных наблюдений для третьего этапа составило 100%, для четвёртого - 29.4%. Общая процентная доля правильно предсказанных наблюдений составила 93.3%

Полученная модель имеет следующий вид:

Z = -0.354*CAPEXtoDA - 0.735*lnSales - 10.525*EBITDAtoSales + 2.432*Cashratio

Pj = 1/(1+e-z) = 1 / 1+e(-0.354*CAPEXtoDA - 0.735*lnSales - 10.525*EBITDAtoSales + 2.432*Cashratio)

При переходе компании с третьего этапа на четвёртый компания продолжает снижать уровень капитальных затрат (CAPEXtoDA учитывается в регресси со знаком минус). Помимо этого, у компании начинает сокращаться выручка и рентабелность по EBITDA. К этому приводит потеря организациией своей доли на рынке. Также примечательно, что коэффициент абсолютной ликвидности идёт в модели со знаком плюс. Как следует из модели, следствием недостаточного количества инвестиционных проектов является скопление денежных средств на счетах компании. На вопрос тратит ли их компания деньги на выплату дивидендов, снижение долга или просто копит их на счетах данная модель ответа не даёт

Построение модели перехода с 1 стадии на 2 (Корректировка на CAPEXtoDA)

Таблица 17.1. Сводка для модели

-2 Log-правдоподобие	R-квадрат Кокса и Снелла	R-квадрат Нэйджелкерка
77,482a	.128	.273

Для откорректированной выборки на коэффициент CAPEX/D&A при построении модели перехода 1го на 2й этап R2 получились 12.8% и 27.3% для Кокса и Снелла и Нэйджелкерка соответственно. До корректировки данные R2 были несколько ниже - 11.1% и 24.4% соответственно.

Данная модель смогла предсказать 99.3% правильных наблюдений для компаний со второй стадии, однако для первой стадии количество правильных наблюдений составило только 13.3%. Общий процент правильно предсказанных наблюдений составил 91.1%.

В целом можно констатировать, что данная регрессия имеет незначительные отличия от варианта анализа выборки по Дикинсон. Полученная модель имеет вид:

Z = 0.857*LnSales + 7,493*EBITDA/Sales + 2.363*Cashratio

Pj = 1/(1+e-z) = 1 / 1+e(0.857*LnSales + 7,493*EBITDA/Sales + 2.363*Cashratio)

Тем не менее, веса всех коэффициентов выше, чем в модели, построенной по выборке в соответствии с методологией Дикинсон.

Построение модели перехода со 2 стадии на 3 (Корректировка на CAPEXtoDA)

В данной модели после корректировки R2 также незначительно подросли до 11.1% для Кокса и Снелла и 14.9% для Нэйджелкерка.

Отдельно стоит заметить, что в данном варианте разбивки выборки вес коэффициента CAPEXtoDA увеличивается, а вес коэффициента EBITDAtoSales уменьшается. Сама модель даёт 52.1% правильно предсказанных наблюдений для стадии «Рост» и 84.1% для стадии «Зрелость». Общее количество верно предсказанных наблюдений по данной модели составило 69.6%.

Модель имеет следующий вид:

Z = - 0.276*CAPEX/D&A + 3.195*EBITDAtoSales

Pj = 1/(1+e-z) = 1 / 1+e(- 0.276*CAPEX...