Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Реферат

Данная работа посвящена выявления совокупности наиболее значимых факторов, оказывающих влияние на рыночную стоимость интернет-компаний. Были рассмотрены наиболее общие бизнес-модели компаний, осуществляющих свою деятельность через интернет, и с помощью регрессионного анализа, сделаны следующие выводы:

· При оценке рыночной стоимости интернет-компаний стоит учитывать факторы как финансового, так и операционного характера.

· Степень влияния операционных факторов, таких как количество активных пользователей и уровень их вовлеченности, на рыночную стоимость компаний варьируется в зависимости от специфики бизнес моделей компаний.

· Для компаний категорий, в целом показывающих устойчивые финансовые результаты (социальные сети, поисковые системы, электронная коммерция), наибольшим влиянием обладают показатели финансового характера, поэтому при оценке данных компаний стоит использовать классические рыночные мультипликаторы на основе выручки, прибыли и балансовой стоимости активов

· Для рыночной стоимости компаний категории «провайдеры контента» и «программное обеспечение» наибольшим значением обладают показатели аудиторного характера, посредством которых инвесторы пытаются оценить потенциал роста данных компаний в будущем, так как большинство компаний, входящих в выборку, еще не показывают положительные финансовые результаты.

Введение

Актуальность проблемы

В результате взлета акций интернет-компаний в конце 90-х годов начал образовываться "пузырь", послуживший причиной начавшегося 10 марта 2000 года краха IT-сектора, который остался в истории под названием «кризис доткомов». В этот день индекс американского рынка, специализирующийся на акциях высокотехнологичных компаний, NASDAQ, добрался до своего исторического максимума -- отметки 5132,52 пункта, за два месяца поднявшись на почти 1000 пунктов, что привело к удвоению показателя годичной давности. Многие аналитики были уверены, что NASDAQ пробьет планку в 6000 пунктов, и активно советовали вкладываться в растущие высокотехнологические компании. Однако вопреки прогнозам аналитиков, за рекордным ростом последовал резкий спад и всего за пять дней индекс NASDAQ вернулся на значение 4580 пунктов. Уже через год значения этого индекса колебались около отметки в 1500, а к концу 2002 году вообще приблизились ко дну -- 1100. Такое обвальное падение индекса произошло в первую очередь из-за переоцененности быстрорастущих, но не приносящих прибыли, интернет-компаний, многие из которых в ходе кризиса обанкротились и были ликвидированы.

Сегодня многие эксперты высказывают опасения о появлении нового "технологического пузыря". Индекс NASDAQ почти достиг рекордных показателей 15-летней давности (в первом квартале 2015 года значение индекса NASDAQ колеблется на уровне 4900-5100 пунктов), а инвесторы продолжают активно вкладывать деньги в быстрорастущие, но не приносящие прибыли интернет-проекты.

Так, крупнейший видеохостинг Youtube, несмотря на миллиардную месячную аудиторию и рост выручки на 33% за последний год (c 3 млрд. долл. в 2013 году до 4 млрд. долл. в 2014 году), до сих пор не приносит прибыли своему владельцу, Google, купившему Youtube за 1.65 млрд. долл. в 2006 году.

Twitter, сайт микро-блогов, несмотря на устойчивый рост аудитории и количества времени, которое она проводит на сайте, а также высокие темпы роста выручки (среднегодовой темп роста за последние три года составляет порядка 140%), также пока показывает негативные финансовые результаты: по итогам 2014 года чистый убыток Twitter составил 578 млн долл., что не помешало ему торговаться с коэффициентом P/S на уровне 20 в среднем на протяжении 2014 года, в то время как средний показатель P/S компаний, входящих в интернет-индекс QNET составил всего 2.82

Насколько текущая ситуация на рынке сопоставима с ситуацией начала 2000-х годов и возможен ли второй "кризис доткомов" в ближайшем будущем? Анализ ценовых мультипликаторов индекса NASDAQ, а также статистики по первичным размещениям технологичных компаний с начала 2000х годов по настоящий день свидетельствует о более адекватном восприятии инвесторами компаний технологичного сектора.

Во-первых, инвесторы в период “дотком-бума” недооценивали значимость фундаментальных показателей бизнеса, таких как, например, операционная и чистая прибыльность, и вкладывали деньги в первую очередь в «инновацию» или «технологию» с перспективой на быстрый рост в будущем, следствием чего стало использование завышенных рыночных мультипликаторов при оценке компаний. Так, показатель P/E для индекса NASDAQ в 2000 году составлял порядка 175 Long H. Tech stocks aren't at bubble levels // CNNMoney. 10.03.2015 , что в 5,5 раз превышает средний P/E за 2014 год. Аналитики банка HSBC Smith K. History of the Dot-Com Bubble Burst and How to Avoid Another // Money Crashers. 2012 подсчитали, что рыночная стоимость интернет компаний была переоценена на 40% и что компаниям следовало бы наращивать выручку в среднем на 80% в год в течение 5 лет чтобы оправдать ожидания инвесторов, что не представлялось возможным в рамках операционных моделей бизнеса большинства компаний тех лет, которые не смогли эффективно коммерциализировать свое растущее онлайн присутствие.

График 1. Динамика индекса NASDAQ Composite, 1997-2015

Источник: YAHOO Finance - NASDAQ Composite (^IXIC) Historical PricesYAHOO Finance

Во-вторых, статистика по IPO подтверждает тезис о слишком агрессивном инвестировании в "дотком" компании в начале 2000х годов.

Так в 1999 году первичное размещение на NASDAQ провели 301 технологичных компаний, из которых только 17% на момент размещения были прибыльными. В 2000 году количество технологичных IPO также было на очень высоком уровне - 235 компаний, а доля прибыльных составляла всего 19%. После кризиса 2000 года количество размещений сократилось в 5-6 раз и на протяжении последних 10 лет составляет в среднем 30-40 технологичных компаний в год. Доля прибыльных компаний увеличилась в среднем за последние 10 лет до 50%, однако на протяжении 2013-2014 годов данный показатель снизился до 34%.



График 2. Количество IPO технологичных компаний и доля прибыльных компаний при первичном размещении акций, 1997-2014

Источник: Morril D. A Data-driven exploration of tech IPOs from 1997 to present //Mattermark. 12.05.2014 Morril D. A Data-driven exploration of tech IPOs from 1997 to present //Mattermark

Средний размер компаний, вышедших на IPO в 2014 году, вырос примерно в 10 раз по сравнению с 2000 годом, что можно объяснить тем, что технологичные компании, перед тем как стать публичными, сейчас проходят в среднем через три-четыре раунда привлечения финансирования Navarro B.J., Dot-com veteran: there's no bubble now // CNBC..

График 3. Медианная выручка технологичных компаний при первичном размещении акций , 1997-2014

Источник: Morril D. A Data-driven exploration of tech IPOs from 1997 to present //Mattermark. 12.05.2014 Morril D. A Data-driven exploration of tech IPOs from 1997 to present //Mattermark.

Средний размер первичного размещений интернет компаний к 2014 году вырос в 7-10 раз по сравнению с началом 2000х, при этом среднегодовая доходность от цены размещения снизилась так же в 7-10 раз, с 200% до 20-30% за последние пять лет.

График 4. Средний размер IPO технологичных компаний и рост цены за год после размещения , 1997-2014

Источник: Ritter J.R. Initial public offerings: technology stock IPOs // University of Florida. 04.12.2014 Ritter J.R. Initial public offerings: technology stock IPOs. University of Florida

Приведенная выше статистика свидетельствует о значительных изменениях ситуации на рынке акций технологичных компаний за последние 17 лет, однако доля неприбыльных компаний на рынке остается на довольно высоком уровне (2014 год - 37%), как и значения рыночных мультипликаторов, по которым данные компании торгуются (P/E индекса NASDAQ Composite выше среднего коэффициента по экономике в 1.5-2 раза P/Es & Yields on major indexes // The Wall Street Journal. 2015 ).

В связи с этим возникают вопросы касательно соотношения справедливой и рыночной стоимости компаний технологичного сектора, а также специфики их оценки. Какое значение инвесторы придают показателям операционной деятельности компаний, таким как, например, количество активных пользователей или число просмотренных страниц, по сравнению с привычными показателями финансовых результатов? Данная работа посвящена выявления совокупности наиболее значимых факторов, оказывающих влияние на рыночную стоимость интернет-компаний.

Гипотезы

В данной работе проверяются следующие гипотезы:

· При оценке рыночной стоимости интернет-компаний стоит учитывать факторы как финансового, так и операционного характера.

· Среди финансовых факторов наибольшим влиянием обладает показатель выручки компании.

· Степень влияния операционных факторов, таких как количество активных пользователей и уровень их вовлеченности, на рыночную стоимость компаний варьируется в зависимости от специфики бизнес моделей компаний.

Предметом исследования является изменение рыночной цены интернет-компаний под влиянием совокупности факторов финансового и операционного характера.

Объектом исследования являются публичные компании технологичного сектора, осуществляющие свою основную деятельность в интернете.

Цель работы - выявить ключевые факторы создания стоимости интернет-компаний.

Основные задачи исследования:

· Определить специфику оценки рыночной стоимости интернет-компаний.

· Выделить ключевые бизнес модели интернет-компаний исходя из основных источников денежных потоков.

· Определить список компаний для проверки гипотез исследования; распределить компании по основным сегментам исходя из бизнес-моделей; собрать все необходимые для анализа финансовые и операционные показатели.

· Выявить при помощи регрессионной модели наиболее значимые факторы финансового и операционного характера, влияющие на динамику рыночной стоимости компаний по целому сегменту.

· Предложить рыночные мультипликаторы, наилучшим образом отражающие ценность компаний интернет-сектора для инвесторов.

Методология

Для достижения поставленной цели была построена модель множественной регрессии с помощью статистического языка программирования R.

Информационная основа

Источником финансовых данных является Bloomberg Terminal и информационная система фондовой биржы NASDAQ.

Статистика по посещаемости сайтов и показателям вовлеченности аудитории была выгружена с ресурса alexa.com. при помощи, алгоритма, написанного на языке программирования Python.

Основными источниками научной литературы по исследуемой тематике стали электронные библиотеки JSTOR и Google Scholar.

1. Основная часть

Рыночная стоимость компании не всегда отражается ее фундаментальную или «внутреннюю» стоимость, так как помимо рациональных включает также нерациональные или поведенческие факторы.

Рыночная стоимость - это оценка компании участниками фондового рынка, которая определяется соотношением спроса и предложения. Она рассчитывается путем умножения текущей цены акции на общее количество бумаг в обращении.

Фундаментальная или “внутренняя” стоимость компании отражает состояние дел в компании и ее экономический потенциал на основе анализа финансовых и операционных показателей деятельности компании. Данное понятие впервые было введено Беджамином Грэмом и Дэвидом Доддом в классическом труде по фундаментальному инвестиционному анализу “Анализ ценных бумаг”, в котором также были заложены принципы “стоимостного” инвестирования, базировавшегося на использовании фундаментальных показателей. Graham, D. Security Analysis: Sixth Edition, Foreword by Warren Buffett. (6th ed.). New York, NY: McGraw-Hill, 1934.

Значительное превышение рыночной цены акции над ее внутренней стоимостью может послужить причиной возникновения перегрева на фондовом рынке. Поэтому проблема выбора наиболее подходящего для конкретной сферы деятельности компании метода оценки ее внутренней стоимости и сопоставление полученной стоимости с рыночными котировками вызывает большой интерес со стороны инвесторов на протяжении уже многих лет.

Основной спецификой и сложностью для оценки интернет компаний являются быстрый рост, а также зачастую очень низкие либо негативные показатели прибыли, что затрудняет проведение оценки подобных компаний традиционными способами, такими как метод дисконтирования денежных потоков. Из наиболее известных подходов оценки внутренней стоимости интернет компаний стоит выделить следующие:

· Формула оценки быстрорастущих компаний К.Фожер и Х.Шоуки, базирующаяся на различных ступенях развития отрасли Faugere C., Shawky H.,A valuation formula for firms in the early stage of their lifecycle, 2000.. Данная формула включает в оценку негативные показатели прибыльности и низкие объемы продаж на начальных этапах деятельности компании. Недостатком данного подхода является ограниченная применимость к большим компаниям, а также то, что данная формула не учитывает вероятность дефолта.

· Моделирование денежных потоков компаний при помощи стохастического инвестиционного процесса. Недостатком данной модели является ограниченность ее применения для отдельно взятой компании Berk J., Green R., Vasant N., Optimal investment, growth options, and security returns, The Journal of Finance, 54 (5), 1999, p.1553-1608..

· Метод выделения темпов роста выручки от темпов роста стоимости капитала при оценке стоимости молодых интернет-компаний для понимания динамики изменения рыночной цены компаний, предложенный Э.Райз и А.Тархуни в 2003 году Rice E., Tarhouni A., Valuation of internet companies: irrational bubble or changed but rational expectations?, E-Business Review, 2003, p.14-22..

· Метод реальных опционов Швортца и Муна, скорректированный для исследования компаний интернет-сектора. Данный метод был использован К.Боунером для анализа Amazon.com в 2004 году, однако его модель не смогла объяснить показатели капитализации компании на тот момент Boner C., Real options and the valuation of growth stocks, Working Paper, 2004.. Более того метод реальных опционов достаточно сложен в применении.

· Сравнительный анализ с использованиям рыночных мультипликаторов, подходящих для оценки компаний с отрицательной доходностью и ограниченной доступностью исторических данных

Последний метод, оценка при помощи рыночных мультипликаторов, пользуется наибольшей популярностью у инвесторов и относительно прост в применение.

Рыночный мультипликатор представляет собой соотношение капитализации компании к выбранному финансовому или операционному показателю: чистой прибыли, операционной прибыли, выручке, чистым денежным потокам, балансовой стоимости активов и проч. Если значение мультипликатора слишком высокое по сравнению с другими компаниями из выборки, то это может сигнализировать о том, что компания переоценена. Если значение мультипликатора, наоборот, слишком низкое по сравнению с другими компаниями, это может говорить либо о том, что компания недооценена, либо о том, что компания испытывает финансовые трудности (сокращение объемов продаж, высокий уровень задолженности).

Несмотря на популярность метода рыночных мультипликаторов, теоретических и эмпирических работ, обсуждающих специфику его применения для быстрорастущих компаний интернет сегмента не так много. Самым ярким примером являются работы А. Дамодорана Damodara A., The dark side of valuation: firms with no earnings, no history and no comparables. Can Amazon.com be valued?, Stern School of Business Working Paper. 2000., в которых был поставлен вопрос о наиболее подходящих для компаний интернет-отрасли финансовых мультипликаторов, а также о необходимости использования специфичных именно для интернет индустрии операционных мультипликаторов на основе данных от аудитории ресурса.

2. Финансовые мультипликаторы

По мнению А. Дамодорана Damodaran A. Investment Valuation: Tools and Techniques for Determining the Value of Any Asset, 3rd Edition, 2012, p.542-571, мультипликаторы на основе выручки, такие как соотношение рыночной капитализации или стоимости бизнеса компании к продажам (коэффициенты P/S, EV/Sales), обладают рядом преимуществ над мультипликаторами на основе прибыли, такими как, соотношение рыночной капитализации к чистой прибыли или операционной прибыли до вычета амортизации (коэффициенты P/E и EV/EBITDA), что делает их более применимыми для оценки компаний интернет сегмента.

Во-первых, мультипликаторы на основе выручки можно применять для компаний с отрицательными показателями доходности, что является частым явлением для молодых компаний интернет сегмента. Во-вторых, показатели выручки менее волатильны по сравнению с показателями прибыли, а также менее поддаются манипулированию с точки зрения составления отчетности. Однако, основным недостатком использования мультипликаторов на основе выручки является вероятность переоценки компании исходя из высоких темпов роста выручки при полном игнорировании показателей рентабельности.

Экономист А. Козберг при исследовании основных факторов, влиявших на рыночную стоимость технологичных компаний в начале 2000 годов, помимо упомянутых выше мультипликаторов указывал на значительное влияние показателя соотношения рыночной капитализации и балансовой стоимости активов Kozberg, A. The Value Drivers of Internet Stocks: A Business Models Approach. Working Paper. New York: Zicklin School of Business, 2001..

3. Операционные мультипликаторы

Дамодоран Damodaran A. Investment Valuation: Tools and Techniques for Determining the Value of Any Asset, 3rd Edition, 2012, p.571-580 также указал на особую значимость специфичных операционных мультипликаторов. Для компаний интернет сектора такие мультипликаторы рассчитываются на основе данных по охвату аудитории и качеству ее вовлеченности

Впервые применимость показателей траффика сайтов для оценки компаний интернет сектора была исследована в 2000 году группой экономистов из университета штата Вашингтона и Стенфорда Rajgopal, S., Kotha, S., Venkatachalam, M. The Relevance of Web Traffic for Internet Stock Prices. Working Paper. University of Washington, 2000.. Результаты исследования подтвердили прямую зависимость финансовых результатов компании от объемов интернет траффика для большинства компаний интернет сектора.

Влияние других аудиторных показателей на рыночную капитализацию компаний в 2001 году выявили экономисты Э.Демерс и Б. Лев Demers, E.A., Lev, B. A Rude Awakening: Internet Shakeout in 2000. Working Paper. University of Rochester, 2001.. Они выделили следующие показатели аудиторного характера:

· Охват аудитории - потенциал привлечь уникальных посетителей

· Время, проведенное уникальными пользователями на сайте

· Лояльность клиентов - среднее количество посещений сайта уникальными посетителями за определенный период

В 2001 году Козберг Kozberg, A. The Value Drivers of Internet Stocks: A Business Models Approach. Working Paper. New York: Zicklin School of Business, 2001. впервые изучил влияние финансовых и нефинансовых показателей на рыночную стоимость компаний интернет-сегмента в разрезе бизнес-моделей. В качестве нефинансовых показателей он выделил следующие факторы:

· Уникальная аудитория - количество уникальных посетителей сайта за месяц

· Охват аудитории - доля посетителей сайта от общего числа интернет пользователей

· Количество просмотренных страниц - общее количество страниц, просмотренное всеми посетителями сайта

· Среднее количество просмотров страниц на посетителя

· Среднее время, проведенное посетителем на сайте

· Среднее количество посещений на одного уникального посетителя сайта

Козберг выявил значительную корреляцию рыночной стоимости компании с количеством уникальных посетителей сайта. Так же он пришел к выводу, что набор факторов, оказывающих наибольшее значение на оценку компании, варьируется в зависимости от бизнес-моделей компании интернет сегмента.

мультипликатор рыночный стоимость интернет

4. Классификация бизнес моделей

В данной работе будут рассмотрены компании интернет сегмента, то есть компании, получающие более 50% своих доходов от деятельности в интернетеTimmers, P. Business Models for Electronic Markets. Electronic Markets, 1998, pp.3-8. .

Основу выборки составляют компании, входящие в наиболее известные на рынке интернет индексы: интернет индекс NASDAQ (QNET), интернет индекс Dow Jones (DJNET) и индекс социальных сетей Solactive Social Media Total Return Index (SOCL).

Интернет индекс NASDAQ (QNET) включает в себя 93 компании, осуществляющие свою деятельность в интернете и торгующиеся на биржах NASDAQ, NYSE и NYSE Amex. Данный индекс был создан в ноябре 2007 года для отслеживания показателей деятельности крупнейших и наиболее ликвидных компаний интернет-сектора.

Интернет индекс Dow Jones (DJNET) включает в себя 41 самую крупную и активно торгующуюся компанию интернет-сектора в США. Впервые данный индекс был посчитан в 1997 году.

Индекс социальных сетей Solactive Social Media Total Return Index (SOCL) состоит из 30 крупнейших компаний, осуществляющих свою деятельность в сфере социальных интернет медиа. Индекс впервые был посчитан в 2011 году и охватывает компании по всему миру.

Финальная выборка включает в себя 102 компании. В данную выборку не вошли компании, по которым отсутствовала необходимая для проведения анализа информация финансового или операционного характера.

Вся выборка поделена на четыре сегмента исходя из операционной модели бизнеса компании: социальные сети и поисковые системы, провайдеры контента, электронная коммерция и программное обеспечение. Данная классификация основана на типологии «4С», разработанной Бернаром Уирцем в 2010 году Wirtz, B.W., Schilke, O., Ullrich, S.Strategic Development of Business Models' Long Range Planning, April-June. 2010, p.272-290., скорректированную и дополненную автором исследования исходя из выявления основного источника денежных потоков компании. Типология «4С» состоит из следующих сегментов: Content (провайдеры контента), Commerce (электронная коммерция), Context (поисковики) и Connection (социальные сети). Данная типология проста для анализа, так как предлагает только четыре категории, внутри которых бизнес-модели имеют незначительные различия, но при этом позволяет охватить практически весь спектр компаний, осуществляющих свою деятельность в интернете. В результате анализа основных источников генерации денежных потоков было принято объединить социальные сети и поисковые системы в одну категорию, так как компании данных сегментов опираются в основном на доходы от рекламы. Также было принято решение добавить дополнительную категорию, которая объединяла бы разработчиков программного обеспечения, мобильных приложений и игр, которые распространяют свой продукт через интернет.

Для компаний сегмента социальные сети (пример, Facebook и Twitter) и поисковые системы (пример, Google) основным источником выручки является реклама. Поисковые системы агрегируют и структурируют информацию различного рода, тогда как социальные сети предоставляют физическую и виртуальную инфраструктуру для обмена информацией.

Бизнес-модель компаний-провайдеров контента (пример, Netflix) в большинстве случаев опирается на денежные потоки от подписки, однако для некоторых представителей данного сегмента (пример, Pandora) реклама также является важным источников доходов. Данные компании предоставляют удобный для потребителей доступ к различным типам онлайн-контента.

Для компаний сегмента электронной коммерции, в которую также входят компании, предоставляющие торговые площадки (пример, Amazon и Ebay), основным источником доходов являются продажи товаров и услуг, а также комиссия от транзакций.

Основным источником доходов для компаний сегмента “программное обеспечение”, в которую также входят компании-разработчики мобильных приложений и игр (пример, Zynga), являются средства полученные от продаж программного обеспечения как услуги (англ. SaaS - software as a service).

Таблица 1. Классификации бизнес-моделей интернет-компаний

Сегмент	Описание	Источники доходов	Примеры
Социальные сети и поисковые системы	Предоставление платформы для обмена информацией через интернет; агрегирование и структурирование информации для упрощения поиска информации в интернете	Реклама	Facebook, Google
Провайдеры контента	Предоставление удобного доступа к онлайн-контенту (музыке, фильмам, тематической информации и проч.)	Подписка, реклама	Netflix, Pandora
Электронная коммерция	Предоставление эффективной торговой площадки для обмена товарами и услугами; оптовые и розничные онлайн магазины	Продажи товаров и услуг	Amazon, Ebay
Программное обеспечение	Создание программ, процедур, правил для обработки информации	Продажи и обслуживание программного обеспечения как услуги	Zynga, Blucora

5. Методология анализа данных

Для достижения цели работы, выявления ключевых факторов создания стоимости интернет-компаний, был проведен множественный регрессионный анализ, так как он позволяет установить зависимость одной переменной (рыночная стоимость компании) от двух или более независимых переменных (финансовые и операционный показатели).

В качестве зависимой переменной взята цена акции компании. В качестве независимых переменных рассмотрены следующие факторы финансового и операционного характера:

Финансовые показатели:

· Прибыль на акцию (EPS)

· Операционная прибыль до вычета амортизации на акцию (EBITDA per share)

· Выручка на акцию (Revenue per share)

· Чистые денежные потоки на акцию (FCF per share)

· Балансовая стоимость активов на акцию (BV per share)

Операционные показатели:

· Количество посетителей сайта за определенный период, нормированное по количеству акций в обращении

· Показатель отказов

· Среднее время, проведенное на сайте одним посетителем

· Среднее количество просмотренных страниц одним посетителем

Данные, как по финансовым, так и по операционным показателям взяты помесячно за 2013-2014 годы. Данный выбор обоснован ограниченностью исторических данных аудиторного характера за более ранние периоды.

Было построено множество линейных регрессий для каждой из четырех категорий компаний. Набор данных для каждого из сегментов представлял из себя усредненные данные по каждому из параметров по всем компаниям, входящим в данный сегмент.

Линейная регрессия представляет собой оценку связи между одной объясняемой зависимой переменной и набором независимых переменных. С помощью метода наименьших квадратов были найдены коэффициенты при независимых переменных. Полученные коэффициенты показывают чувствительность зависимой переменной к соответствующей независимой переменной при фиксации остальных параметров. В результате тестирования нулевой гипотезы, утверждающей, что все проверяемые параметры влияют на рыночную стоимость компании, были отбросаны незначимые параметры на основе оценки значения p-value.

Для проверки достоверности модели так же были построены множественные регрессии с квадратичной зависимостью и линейные модели, которые отбрасывали незначимые параметры, основываясь на модифицированном критерии Mallow's Cp Gilmour, Steven G. (1996). "The interpretation of Mallows's C_p-statistic". Journal of the Royal Statistical Society, Series D 45 (1): 49-56.. Данные модели были сопоставлены с помощью дисперсионного анализа с первоначальными линейными моделями.

6. Результаты анализа: описательная статистика

Ниже представлены агрегированные результаты по средним рыночным мультипликаторам, по которым компании торговались в 2014 году по всей выборке, а также в разрезе классификации по бизнес-моделям.

Таблица 2. Описательная статистика: вся выборка (102 компании)

Названия строк	Mean	Median	Max	Min	St Dev
Рыночная капитализация, млн. долл.	34 921,2	2 172,6	1 061 337,7	160,7	125 326,0
Выручка, млн. долл.	2 423,9	149,5	43 232,5	12,6	7 180,0
Рентабельность	1,9	1,8	163,9	-153,1	28,9
EV/Sales	4,6	3,5	24,2	0,0	4,2
P/E	120,9	34,8	1 915,6	0,0	319,6
P/CF	68,0	20,2	1 414,2	0,0	192,6
P/EBITDA	64,0	21,0	1 481,3	0,0	194,5
P/S	4,8	3,4	19,4	0,3	4,1

Таблица 3. Описательная статистика: социальные сети и поисковые системы (17 компаний)

Названия строк	Mean	Median	Max	Min	St Dev
Рыночная капитализация, млн. долл.	125771,3	13 027,4	1 061 337,7	167,9	266 258,9
Выручка, млн. долл.	5 128,3	554,7	19 733,0	22,2	7 422,4
Рентабельность	26,4	23,9	163,9	-43,5	43,0
EV/Sales	8,6	7,7	24,2	0,4	6,1
P/E	195,4	34,8	1 915,6	0,0	483,9
P/CF	62,1	29,2	528,3	0,0	124,4
P/EBITDA	67,8	32,4	591,3	0,0	142,2
P/S	9,3	9,2	19,4	0,7	5,2

Таблица 4. Описательная статистика: провайдеры контента (16 компаний)

Названия строк	Mean	Median	Max	Min	St Dev
Рыночная капитализация, млн. долл.	3 451,9	537,1	23 789,9	293,4	5 683,8
Выручка, млн. долл.	282,0	78,8	1 376,2	24,8	387,9
Рентабельность	-9,1	-4,1	25,2	-153,1	41,7
EV/Sales	4,0	1,8	10,3	0,5	2,6
P/E	45,0	26,1	116,0	0,0	43,3
P/CF	91,4	25,4	461,9	2,1	148,6
P/EBITDA	31,1	17,0	99,4	0,0	32,0
P/S	4,1	3,8	9,7	0,3	2,8

Таблица 5. Описательная статистика: электронная коммерция (21 компания)

Названия строк	Mean	Median	Max	Min	St Dev
Рыночная капитализация, млн. долл.	17 613,4	4 538,7	149 151,7	238,5	35 669,3
Выручка, млн. долл.	1 869,4	231,7	22 247,0	25,6	4 872,2
Рентабельность	3,7	2,5	27,3	-14,8	11,4
EV/Sales	3,8	1,9	15,6	0,0	3,8
P/E	89,4	33,9	745,2	0,0	164,9
P/CF	29,0	20,5	119,2	0,0	32,2
P/EBITDA	73,0	20,1	1 084,0	0,0	232,4
P/S	4,0	2,2	16,3	0,3	3,9

Таблица 6. Описательная статистика: программное обеспечение (48 компаний)

Названия строк	Mean	Median	Max	Min	St Dev
Рыночная капитализация, млн. долл.	20 807,1	1 180,3	420 182,5	160,7	73 531,6
Выручка, млн. долл.	2 422,6	107,5	43 232,5	12,6	8 805,4
Рентабельность	-4,0	-3,2	35,2	-41,8	16,3
EV/Sales	3,7	2,8	14,2	0,7	3,0
P/E	133,6	31,6	1 618,0	0,0	350,7
P/CF	79,4	17,5	1 414,2	0,0	256,8
P/EBITDA	69,8	17,4	1 481,3	0,0	225,1
P/S	3,8	3,0	15,0	0,3	3,1

Из представленных выше данных можно сделать следующие выводы:

· Многие параметры имеют большие показатели стандартного отклонения, что можно объяснить неоднородностью показателей в разрезе различных категорий, а также наличием выбросов.

· Самые большие компании по рыночной капитализации составляют категорию “социальные сети и поисковые сети”, в то время как наименьшие компании попали в группу “провайдеры контента”.

· Средние показатели коэффициента P/S составляют порядка 4-5 для трех из четырех категорий компаний. Социальные сети и поисковые системы торгуются в среднем по коэффициенту вдвое превышающему средний показатель по выборке, что можно объяснить более высокими показателями выручки компаний данного сегмента.

· Средние показатели коэффициента P/E сильно варьируются в зависимости от сегмента компаний - от 45 для категории провайдеров контента до 195 для социальных сетей и поисковых систем. Подобные высокие показатели коэффициента свидетельствуют либо о высоких ожиданиях инвесторов касательно будущей прибыльности компаний, либо о том, что компании сильно переоценены (среднее значение коэффициента P/E индекса NASDAQ на начало 2015 года составляет порядка 30). Так же столь сильный разброс значений мультипликатора может свидетельствовать о неприменимости мультипликатора P/E при оценке компаний интернет сегмента. Однако медианные значения коэффициента P/E в целом составляют порядка 25-35, что может быть наиболее достоверной оценкой среднего мультипликатора по сектору в силу сильной степени позитивной асимметрии распределения данных по данному параметру.

· Среднее значение коэффициента P/EBITDA составляет порядка 60-70 для компаний категорий “социальные сети и поисковые системы”, “электронная коммерция” и “программное обеспечение”. Компании категории “провайдеры контента” торгуются по коэффиценту в два раза меньше, что можно объяснить самыми низкими среди всех категорий показателями рентабельности. Опять же в силу сильной позитивной асимметрии распределения данных есть смысл смотреть на медианные значения коэффициента P/EBITDA, которые варьируются в интервале 20-30 для разных категорий компаний.

· Средние значения коэфициента P/CF сильно варьируются в интервале от 30 до 90, что можно объяснить различной спецификой бизнес моделей рассматриваемых компаний.

Далее представлены результаты регрессионного анализа для каждой из четырех категорий компаний.

7. Результаты анализа: регрессионный анализ

7.1 Компании категории «социальные сети и поисковые системы»

Исходя из представленных ниже результатов анализа наиболее значимыми параметрами для компаний категории «социальные сети и поисковые системы» стали в первую очередь финансовые показатели, среди которых наибольшее влияние на независимую переменную оказывает показатель прибыли на акцию (EPS). Также на рыночную стоимость компаний данной категории значимое влияние оказывают показатели онлайн траффика.

Таблица 7. Результаты регрессионной модели: социальные сети и поисковые системы

Распределение значение параметров по выборке (описание параметров представлено в приложении 2)

Factor	Coef	Min	1st Qu	Median	Mean	3rd Qu	Max
PX_LAST	y	78.02	90.52	157.28	207.57	311.55	455.29
IS_EPS	f1	0.695	1.269	1.648	2.748	3.602	9.975
REVENUE_PER_SH	f2	7.741	8.178	9.361	13.038	17.417	33.804
EBITDA_PER_SH	f3	1.699	2.165	2.440	4.091	5.679	14.028
EV_TO_SH_OUT	f4	122.9	143.8	237.5	266.8	389.3	520.3
FREE_CASH_FLOW _PER_SH	f5	1.297	1.616	1.754	3.084	3.437	12.301
BOOK_VAL_PER_SH	f6	38.95	41.10	43.54	47.37	52.20	69.52
PAGEVIEWS	q1	6.703	6.887	7.147	7.128	7.269	7.645
DURATION	q2	463.8	477.8	488.9	489.5	497.7	524.9
BOUNCE_RATE	q3	0.2882	0.3307	0.3559	0.3461	0.3598	0.3822
VISITORS_PER_SH	q4	2.97e+09	3.236e+09	3.307e+09	3.353e+09	3.534e+09	3.789e+09

Уравнение наилучшей модели (полные результаты анализа представлены в приложении 3)

lm(formula = y ~ f1 + q1 +q2 + q3 + q4)

Multiple R-squared	0.8874
Adjusted R-squared	0.8561
p-value	6.135e-08
Residual standard error	54.15 on 18 df
F-statistic	28.36 on 5 and 18 df

	Estimate	Std. Error	t value	Pr(>|t|)	Signif. level
(Intercept)	1.628e+03	7.990e+02	2.037	0.0566	0.1
f1	2.794e+01	1.601e+01	1.745	0.0981	0.1
q4	-2.876e-05	5.710e-06	-5.036	8.6e-05	0.001

Результаты регрессионного анализа позволяют сделать следующие выводы по значимым факторам:

· Гипотеза о необхоимости рассматривать финансовые и операционные показатели в совокупности для данной категории сегментов подтвердилась, однако именно финансовые показатели оказывают наибольшее влияние на рыночную стоимость компаний. Высокая значимость финансовых показателей свидетельствует о более зрелом подходе инвесторов в оценивании развитии данного сегмента интернет компаний.

· Среди финансовых показателей наибольшим влиянием на динамику рыночной стоимости компаний данного сегмента обладает показатель прибыли на акцию, что говорит о применимости мультипликаторов P/E для оценки данных компаний.

· Показатель охвата траффика является важной составляюшей при оценке компаний, однако отрицательный коэфициент при параметре можно интерпретировать необходимостью оценки инвесторами потенциала аудитории генерировать прибыль, так как невсегда высокие показатели охвата свидетельствуют о положительных финансовых результатов в силу высоких издержек на привлечение новых и поддержание текущих посетителей. В силу сильной лояльности и высоких транзакционных издержек для пользователей, показатели вовлеченности, такие как время проведенное на сайте или количество просмотренных страниц, не являются значимыми.

· Равномерное распределение остатков на графике 5 указывает о надежности использования построенной модели для тестирования гипотез исследования.

График 5. Распределение остатков: социальные сети и поисковые системы

7.2 Компании категории «провайдеры контента»

Представленные ниже результаты регрессионного анализа свидетельствуют о наибольшей значимости операционных показателей вовлеченности аудитории, показатель отказов, для компаний, предоставляющих онлайн контент. Так же на рыночную стоимость компаний данной категории существенное значение оказывают показатели потока свободных денежных средств.

Таблица 8. Результаты регрессионной модели: провайдеры контента

Распределение значение параметров по выборке (описание параметров представлено в приложении 2)

Factor	Coef	Min	1st Qu	Median	Mean	3rd Qu	Max
PX_LAST	y	34.11	49.25	60.26	56.80	64.55	73.90
IS_EPS	f1	-0.44125	-0.24017	-0.09036	-0.10632	0.02687	0.19187
REVENUE_PER_SH	f2	3.411	3.936	4.004	4.152	4.289	5.522
EBITDA_PER_SH	f3	-0.1395	0.3986	0.4881	0.4195	0.5470	0.6448
EV_TO_SH_OUT	f4	31.79	48.00	64.51	58.89	69.13	72.99
FREE_CASH_FLOW _PER_SH	f5	-0.05577	0.19177	0.31931	0.24994	0.32879	0.46824
BOOK_VAL_PER_SH	f6	9.669	14.740	14.960	15.706	16.837	24.627
PAGEVIEWS	q1	3.776	4.218	4.388	4.435	4.736	5.008
DURATION	q2	259.7	297.5	302.6	301.2	307.6	319.6
BOUNCE_RATE	q3	0.4042	0.4538	0.4703	0.4650	0.4799	0.5154
VISITORS_PER_SH	q4	71488597	87326441	92146730	93886597	101492177	115903498

Уравнение наилучшей модели (полные результаты анализа представлены в приложении 4)

lm(formula = y ~ f5 + q1 + q2+ q3 + q4)

Multiple R-squared	0.7055
Adjusted R-squared	0.6237
p-value	0.0002594
Residual standard error	6.832 on 18 df
F-statistic	8.623 on 5 and 18 df

	Estimate	Std. Error	t value	Pr(>|t|)	Signif. level
(Intercept)	2.208e+02	6.396e+01	3.452	0.00284	0.01
f5	3.532e+01	1.013e+01	3.485	0.00264	0.01
q3	-1.971e+02	6.637e+01	-2.970	0.00821	0.01

Результаты регрессионного анализа позволяют сделать следующие выводы по значимым факторам:

· При оценке компаний провайдеров онлайн-контента стоит смотреть на совокупность финансовых и операционных факторов, при этом последние играют наибольшее влияние в силу незрелости и самых низких показателей прибыльности бизнес-моделей компаний данной категории.

· Значимость показателя отказов логично вписывается в бизнес-модель компаний, предоставляющих в пользование онлайн-контент, таких как, например, Netflix или DMD. Это объясняется тем, что потенциал данных компаний в первую очерель зависит от среднего потребления контента каждым пользователем, что выражается в количестве просмотренных страниц и преобразуется в доходы от подписки и рекламы.

· Влияние показателей движения свободных денежных средств на цену компаний является интересным выводом, который можно объяснить необходимостью поддержания достаточного количества денежных средств для продолжения деятельности компаний данного сегмета, а именно создания, покупки и распространения контента.

· Равномерное распределение остатков на графике 6 указывает о надежности использования построенной модели для тестирования гипотез исследования.



График 6. Распределение остатков: провайдеры контента

7.3 Компании категории «электронная коммерция»

Согласно результатам регрессионного анализа, представленным ниже, наиболее значимыми факторами при оценке рыночной стоимости компаний категории «электронная коммерция» являются показатели финансового характера, такие как балансовая стоимость на акцию. Также влияние на изменение рыночной стоимости компаний данного сегмента оказывают показатели онлайн трафика.

Таблица 9. Результаты регрессионной модели: электронная коммерция

Распределение значение параметров по выборке (описание параметров представлено в приложении 2)

Factor	Coef	Min	1st Qu	Median	Mean	3rd Qu	Max
PX_LAST	y	75.43	94.46	114.98	107.50	120.45	126.66
IS_EPS	f1	0.3540	0.4681	0.7043	0.7219	0.9065	1.1975
REVENUE_PER_SH	f2	8.050	9.019	9.491	9.574	10.251	11.691
EBITDA_PER_SH	f3	0.7617	0.9791	1.3090	1.2243	1.3656	1.8573
EV_TO_SH_OUT	f4	61.97	82.59	106.03	96.25	112.43	113.98
FREE_CASH_FLOW _PER_SH	f5	-0.2384	0.7316	1.2182	1.0003	1.3376	2.2206
BOOK_VAL_PER_SH	f6	12.98	14.59	16.69	16.12	17.48	18.60
PAGEVIEWS	q1	6.678	7.118	7.274	7.331	7.490	8.108
DURATION	q2	343.0	357.2	370.2	369.9	379.8	403.2
BOUNCE_RATE	q3	0.3260	0.3561	0.3660	0.3649	0.3753	0.3918
VISITORS_PER_SH	q4	63 574284	85772192	92850098	93893529	99769844	123489872

Уравнение наилучшей модели (полные результаты анализа представлены в приложении 5)

lm(formula = y ~ f6 + q1 + q2 + q3 + q4)

Multiple R-squared	0.9008
Adjusted R-squared	0.8733
p-value	1.986e-08
Residual standard error	6.247 on 18 df
F-statistic	32.71 on 5 and 18 df

	Estimate	Std. Error	t value	Pr(>|t|)	Signif. level
(Intercept)	1.235e+01	7.251e+01	0.170	0.8667
f6	8.414e+00	9.768e-01	8.613	8.43e-08	0.001
q4	6.258e-05	2.815e-05	2.223	0.0393	0.05

Результаты регрессионного анализа позволяют сделать следующие выводы по значимым факторам:

График 7. Распределение остатков: электронная коммерция

· Значимость финансовых показателей на рыночную стоимость компаний, занимающихся электронной торговлей, можно объяснить тем, что данный сегмент является наиболее зрелым и при оценке данных компаний стоит в первую очередь опираться на классические рыночные мультипликаторы: P/E, P/BV.

· Значимость показателя P/BV можно объяснить преобладанием материальных активов на ...