Главная Коллекция "Revolution" Программирование, компьютеры и кибернетика Детерминанты стоимости компаний сферы информационных технологий

Детерминанты стоимости компаний сферы информационных технологий

Понятие информационных технологий; их классификации. Влияние различных детерминант на стоимость компаний IT-сектора. Построение двух модификаций регрессионной модели. Построение таблицы зависимостей влияния переменных на Tobin's Q и Residual Income.

Рубрика	Программирование, компьютеры и кибернетика
Вид	дипломная работа
Язык	русский
Дата добавления	07.12.2019
Размер файла	576,1 K

посмотреть текст работы

скачать работу можно здесь

полная информация о работе

весь список подобных работ

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Страница:

Размещено на http://www.allbest.ru/

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ

ВЫСШЕГО ОБРАЗОВАНИЯ

“НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ

“ВЫСШАЯ ШКОЛА ЭКОНОМИКИ”

Факультет экономических наук

Детерминанты стоимости компаний сферы информационных технологий

МАГИСТЕРСКАЯ ДИССЕРТАЦИЯ

по направлению подготовки 38.03.01 Экономика

образовательная программа “Корпоративные финансы”

Ругин Олег Геннадьевич

Рецензент

Head of digital БКС

И.А. Силаев

Руководитель

доцент, к.э.н.

Д. В. Тихомиров

Москва, 2019 г.

Содержание
Аннотация

Abstract

Введение

Глава 1. Теоретические аспекты создания стоимости для компаний сектора информационных технологий

1.1 Специфика отрасли и особенности классификации компаний сектора информационных технологий

1.2 Анализ существующих исследований подходов к оценке бизнеса компаний сектора информационных технологий

1.3 Теоретическое обоснование выдвинутых гипотез

Глава 2. Методология исследования

2.1 Общий подход к исследованию и описание модели

2.2 Модели исследования

2.3 Описание выборки данных

Глава 3. Эмпирический анализ детерминант стоимости и эффективности деятельности компаний

3.1 Предварительные расчеты

3.2 Оценивание динамических моделей

3.3 Оценивание динамических моделей для индустрий

Интерпретация результатов

Ограничения исследования

Дальнейшие исследования

Заключение

Список литературы

Приложения

Аннотация

В данной работе исследуются и тестируются детерминанты стоимости компаний сферы информационных технологий развитых и развивающихся стран. В различных работах уделяется большое внимание к подходам оценки рыночной стоимости компаний сферы IT на развитых рынках в контексте связи финансовых данных и рыночной капитализации, влияния интеллектуального капитала и использования нефинансовых показателей.

В работе используется классификация компаний по методологии GICS (The Global Industry Classification Standard) для определения публичных компаний, которые относятся к сектору IT, за период с 2003 по 2018 год. Выбор GICS обусловлен точностью определения сектора IT, а также частотой обновления стандарта. В качестве зависимой переменной используется показатель Tobin's Q. Ввиду существенного количества развивающихся стран будет также тестироваться прокси Residual Income в качестве зависимой переменной. Исследование проводилось с помощью построения динамической модели на основе панельных данных как для сектора IT компаний, попавших в классификацию GICS, так и отдельно для каждой из девяти подгрупп сектора Information Technology.

Ключевые результаты исследования:

1. Определены значимые детерминанты для каждой из девяти подгрупп сектора IT классификации GICS.

2. Каждая из подгрупп сектора IT обладает уникальными набором переменных, которые имеют значимое линейное и нелинейной влияние на прокси стоимости компаний и их эффективности.

Ключевые слова: стоимость IT компании, развитые и развивающиеся страны, Residual Income.

Abstract

In this paper, the value determinants of information technology companies in developed and developing countries are investigated and tested. In various works, great attention is paid to approaches to assessing the market value of IT companies in developed markets in the context of the relationship of financial data and market capitalization, the impact of intellectual capital and the use of non-financial indicators.

The paper uses the GICS classification to identify public companies that belong to the IT sector in the period 2003 - 2018. Tobin's Q indicator is used as the dependent variable. Due to the significant number of developing countries, Residual Income proxy will also be tested as the dependent variable. The study was carried out using the construction of a dynamic model based on panel data for the IT sector of companies included in the GICS classification, and separately for each of the nine subgroups of the Information Technology sector.

Key research results:

1. Significant determinants are identified for each of the nine subgroups of the IT sector of the GICS classification.

2. Each of the subgroups of the IT sector has a unique set of variables that have a significant linear and non-linear effect on the proxy value of companies and their effectiveness.

Keywords: cost of IT companies, developed and developing countries, Residual Income.

Введение

В последние несколько лет, на фоне аномального роста стоимости акций ряда компаний сектора информационных технологий, перед инвесторами и исследователями финансовых рынков вновь встал вопрос о том, как правильно оценивать акции таких компаний. Интернет-компании, такие как Facebook и Twitter, добились невероятно высоких оценок стоимости компании задолго до того, как стали прибыльными или даже наладили модель монетизации бизнеса. Когда компания Facebook провела IPO в 2012 году, оценка превысила 100 млн долларов, что сделало ее дороже многих компаний со столетней историей, и вызвало много вопросов относительно обоснованности такой цены. Ряд других IT-компаний, например, Pandora, Zynga, Groupon, получили оценку в диапазоне от 2 до 13 млрд долларов США при выходе на IPO, будучи глубоко убыточными.

В истории финансовых рынков уже неоднократно случались кризисы, вызванные перегревом рынка информационных технологии, однако объемы торгов и капитализация IT-компаний продолжают бить все новые рекорды. Если взглянуть на средний дневной объем торгов на биржах США по состоянию на начало июня 2018 года, то можно обнаружить, что из топ-20 компаний 13() относятся непосредственно к сектору информационных технологий (см. таблицу 1), а из оставшихся семи компаний 6 тесно связаны с IT-индустрией: 4() являются банками, 1() телекоммуникационный холдинг, а также Alibaba (Internet & Direct Marketing Retail).

Таблица 1

Рейтинг компаний по среднему дневному объем торгов

Ранг

Название компании

Средний дневной объем торгов за 3 месяца

Рыночная капитализация

1

Bank of America

67.04M

304.28B

2

AMD

60.43M

14.78B

3

Micron

48.47M

71.20B

4

Intel

36.06M

256.53B

5

Apple

36.01M

942.23B

6

Microsoft

30.04M

780.84B

7

Twitter Inc

29.80M

31.02B

8

AT&T

29.17M

207.75B

9

Snap

26.73M

16.46B

10

Comcast

25.15M

147.62B

11

Facebook

22.07M

547.37B

12

Wells Fargo&Co

19.35M

271.32B

13

Alibaba

17.76M

525.22B

14

Citigroup

17.10M

174.59B

15

NVIDIA

15.22M

159.21B

16

JPMorgan

14.30M

378.30B

17

Applied Materials

14.20M

53.74B

18

Jd.Com Inc Adr

14.16M

57.26B

19

Exxon Mobil

14.06M

353.95B

20

Square Inc

11.89M

24.75B

Примечание: данные по биржам США за 3 месяца по состоянию на 12.06.2018. IT-компании выделены голубым цветом. Источник: данные с сайта Investing.com

Столь высокий интерес инвесторов к IT-компаниям, обуславливает необходимость изучения факторов, оказывающих влияние на ценообразование таких компаний. Таким образом, целью данной работы является определение детерминант рыночной стоимости компаний сектора информационных технологий на развитых и развивающихся рынках.

Для достижения поставленной цели исследования необходимо выполнить ряд задач:

· Уточнить термин “информационные технологии”

· Изучить существующие классификации компаний сектора информационных компаний и выбрать наиболее подходящую

· Проанализировать существующие методы оценки стоимости бизнеса компаний сектора информационных технологий и выявить ключевые проблемы при оценке

· Изучить существующие эмпирические исследования компаний IT-сектора

· Выдвинуть и дать теоретическое обоснование гипотезам, проверяющим влияние того или иного фактора на стоимость компаний сектора информационных технологий

· Определить наиболее подходящий для данного исследования метод эмпирического анализа данных и построить модель исследования

· Описать критерии формирования выборки для последующего эмпирического анализа.

· Провести эмпирический анализ с использованием динамических моделей с временным лагом до трех лет. Определить значимые независимые переменные.

Объектом данного исследования станут публичные компании, относящиеся согласно классификации GICS к сектору информационных технологий, за период с 2003 по 2018 годы.

Предметом исследования станут различные факторы, которые могут оказывать влияние на стоимость компаний в секторе информационных технологий.

Новизна данной работы заключается:

- В рассмотрении компаний развивающихся и развитых и развивающихся стран, которые попадают под характеристику IT секторального классификатора GICS. Выборка была адаптирована с учетом последних изменений распределения компаний внутри сектора, которые были внедрены в 2018 году.

- В исследовании используются две прокси стоимости компании (Tobin's Q и Residual Income) для тестирования регрессии на каждой из девяти подгрупп классификатора GICS. Переход на более низкий уровень структуры GICS позволяет, как показали тесты, эффективно определять значимые детерминанты.

- Эконометрическая часть работы делает упор на динамические модели с временным лагом до трех лет.

Академическая значимость работы заключается в структурировании детерминант IT компаний развивающихся рынков на протяжении длительного временного периода (2003-2018) с использованием анализа данных в динамике.

Практическая значимость данной работы лежит в области исследований стоимости IT компаний. Работа может быть полезна организациям для формирования портрета инвестиционной привлекательности IT стартапов. Используя полученные выводы, могут быть усовершенствованы решения о финансировании, улучшены скоринг карты оценки стартапов.

Методологической базой исследования стали научные работы и статьи методология консалтинговых компаний (McKinsey, 2016) и (PWC, 2014) в области определения значимых факторов, влияющих на стоимость бизнеса компаний сектора информационных технологий

Работа структурирована следующим образом: в Главе 1 проведен обзор литературы, позволяющий сформировать определение IT компании. В Главе 2 показана методология исследования: гипотеза и выборки. В Главе 3 показываются результаты эмпирических исследований, интерпретация и дальнейшие возможные направления исследования.

Глава 1. Теоретические аспекты создания стоимости для компаний сектора информационных технологий

Данная глава посвящена уточнению термина “информационные технологии” и определению границ IT-сектора для последующего изучения. Далее приведена информация о специфике отрасли, а также об особенностях оценки стоимости компаний IT-сектора. Завершает первую главу обзор существующих эмпирических исследований и теоретическое обоснование выдвигаемых гипотез.

1.1 Специфика отрасли и особенности классификации компаний сектора информационных технологий

Определение принадлежности компании к тому или иному сектору становится все более проблематичным процессом, в особенности в тех случаях, когда речь идет об индустриях, сформировавшихся относительно недавно. Сам термин “информационные технологии” впервые был употреблен лишь около полувека назад, в 1958 году, в статье Harvard Business Review (Whisler & Leavitt, 1958). Авторы, полагали, что сложно придумать обобщенный термин для столь большого количества постоянно появляющихся и очень разноплановых компаний, которые так или иначе связаны с обработкой данных и компьютерными технологиями. Для того, чтобы как-то выделить подобные компании на фоне остальных, они внедрили временный термин - “информационные технологии” (Information technology). Сейчас рассуждения этих исследователей выглядят немного наивно, учитывая то, каким темпами увеличивается объем существующих данных и с какой частотой появляются новые компании или даже индустрии в наши дни.

По всей видимости, сектор информационных технологий так и не пришел в равновесие за прошедшие 60 лет, и по-прежнему, в зависимости от источника, этот термин трактуется по-разному - однако, для того чтобы изучать сектор и основные детерминанты стоимости компаний в нем, очевидно необходимо сначала определить его “границы”. Для этого можно обратиться к индустриальным классификациям (Industry classification), которые публикуются различными рейтинговыми агентствами и провайдерами финансовой информации, такими как Bloomberg, S&P, Reutters, или государственными статистическими агентствами. При составлении классификации подробно изучаются риск-профиль и финансовые характеристики огромной выборки компаний для того, чтобы затем определить каждую из них в какой-либо сегмент (например, классификация GICS присвоена более чем 44 тысячам компаний). Как правило, уровней в классификации от 3 до 5.

Проанализировав существующие наиболее популярные индустриальные классификации, было принято решение остановиться на Global Industry Classification Standard (GICS), так как эта классификация:

· однозначно выделяет сектор информационных технологий в отдельный кластер (в отличие, например, от классификации Bloomberg, в которой IT-компании являются частью сектора “Technology”)

· обладает достаточно глубокой детализацией (изучаемый IT-сектора разделен на 3 индустриальных группы, 7 отраслей и 14 под-отраслей)

· периодический обновляется (последняя редакций была в 2018 году, в отличие от других популярных классификаций, которые не обновлялись по 10-30 лет)

В таблице 2 представлен список проанализированных классификаций, а также информация об авторе каждой классификации, детализации (количестве уровней и элементов в каждом из уровней), а также годе последней редакции.

Таблица 2

Список изученных классификаций

Индекс

Полное название

Автор

Кол-во уровней

Кол-во элементов на каждом уровне

Год последней редакции

ISIC

International Standard Industrial Classification of All Economic Activities

United Nations Statistics Division

4

21/88/238/419

2008

NAICS

North American Industry Classification System

Governments of the United States, Canada, and Mexico

5

17/99/313/724/1175

2012

NACE

Statistical Classification of Economic Activities in the European Community

European Community

4

21/88/272/615

2006

SIC

Standard Industrial Classification

Government of the United States

4

11/83/416/1005

1987

ICB

Industry Classification Benchmark

FTSE

4

10/20/41/114

2005

GICS

Global Industry Classification Standard

Standard & Poor's, Morgan Stanley Capital International

4

11/24/68/157

2016

TRBC

Thomson Reuters Business Classification

Thomson Reuters

4

10/28/54/143

2015

Источник: Morgan Stanley Capital International.

GICS разработан совместно S&P и Morgan Stanley Capital International. Он присвоен более чем 40 тысячам компаний, которые разбиты на 4 уровня: 11 секторов, 24 индустриальных группы, 68 индустрий, и 157 под-отраслей. Краткое описание наиболее популярных существующих классификаций, а также полная классификация GICS приведены в приложении 1. В различных исследованиях отмечается, что выбранный нами классификатор используется аналитиками, управляющими фондов и другими участниками рынка, как базовый инструмент анализа сектора и входящих в него кампаний. Так, например, исследователями отмечаются преимущества GICS исходя из его качественных и количественных техник анализа принадлежности компании (Lбszlу Nagy1, 2017). Компании могут менять специфику работы уходя в сектор информационных технологий. Необходимо учитывать такие изменения. Так в 2018 году IT сектор GICS был обновлен для учета специфики компаний. В рамках этой переработки старый телекоммуникационный сектор GICS был заменен недавно расширенным сектором услуг связи. В данной работе учитываются эти изменения на этапе формирования выборки.

В рамках данного исследования для анализа мы будем использовать компании, относящиеся в соответствии с GICS к сектору Information Technology, а также части других секторов - Communication Services и Consumer Discretionary, к которым относятся такие компании как Netflix или Amazon, которые нелогично оставлять за рамками анализа. Далее в данном исследовании используя термины “IT-компания” и “компания сектора информационных технологий” мы будем иметь в виду именно компании относящиеся в соответствии с классификацией GICS к вышеупомянутым секторам и индустриям. Выборка из трех секторов GICS включает в себя 9 подгрупп:

1. Technology Hardware, Storage & Peripherals

2. Semiconductors & Semiconductor Equipment

3. Interactive Media & Services

4. IT Services

5. Software

6. Entertainment

7. Interactive Media & Services

8. Electronic Equipment, Instruments & Components

9. Internet & Direct Marketing Retail

1.2 Анализ существующих исследований подходов к оценке бизнеса компаний сектора информационных технологий

Примерно в то же время, когда появился термин “информационные технологии” появился также и новый термин - “nifty fifty”. В 1960-е и 70-е годы им обозначались 50 наиболее крупных по рыночной капитализации компаний с тенденцией к постоянному росту. В их число входили такие компании как IBM, General Electric, Xerox - своеобразные “единороги” того времени. В последнее время их часто сравнивают с современными “единорогами” (Facebook, Netflix, Apple, и другие) подразумевая то, что рынок сейчас перегрет также, как и тогда (Baker & Wurgler, 2006). Стоит отметить, что за ростом цен акций на протяжении 1960-х и начала 70-х годов последовал обвал в 1973 году.

Для оценки таких компаний были необходимы новые методы оценки, так как зачастую, несмотря на внушительные размеры капитализации, они не были прибыльными и не выплачивали дивидендов (в то время как Dividend discount model являлся одним из основных методов оценки). Тогда появились первые работы, в которых оценка стоимости компании не была завязана на бухгалтерские показатели и исторические данные, а опиралась в первую очередь на прогнозы будущего роста (Lucas Jr, 1967).

Перегретый в 90-е годы рынок информационных технологий, и в особенности интернет-компаний, привел к образованию экономического пузыря под названием “Пузырь доткомов” (Dot-com Bubble). Лопнув в 2001 году, он повлек за собой не только обвал на рынке акций и большое количество банкротств, но и написание ряда исследовательских работ, авторы которых ставили перед собой задачу понять из-за чего интернет-компании были оценены неправильно, и как в будущем более рационально подходить к их оценке.

В новых исследованиях вновь ставили под вопрос взаимосвязь финансовых показателей компании с их рыночной капитализацией и вводились новые метрики, оценивающие не столько метрики бухгалтерской отчетности, сколько различные фундаментальные показатели, такие как охват аудитории (“market capitalization per pair of eyeballs” (Schonfield, 2000)), рост количества пользователей, и т. д. (Core & Guay, 2003).

В целом, анализируя работы тех лет (Zingales, 2000), (Trueman & Zhung, 2001), (Demers & Baruch, 2001) можно выявить три основных тренда тех лет в оценке бизнеса:

1) снижение влияния материальных активов на процесс создания стоимости

2) увеличение значимости человеческого и интеллектуального капитала

3) увеличение влияния нематериальных активов на процесс создание стоимости

В своей работе (Yung, 2003). Показал, что из основных методов оценки стоимости наиболее применимы для IT-сектора сравнительный подход и DCF метод. Затратный метод показал крайне низкую релевантность, вероятно, из-за того, что при оценке затратным подходом не принимаются во внимание перспективы развития компании.

В тот же период широкое распространение (преимущественно в академических кругах) получила также модель, предложенная в исследовании (Schwartz & Moon, 2000) и доработанная в их исследовании (Schwartz & Moon, 2001). При помощи методов стохастической математики они рассчитывали возможные пути развития компании, из которых впоследствии моделировались основные финансовые метрики. Например, рассматривая показатель выручки компании они брали за “отправную точку” последнее доступное значение (период t₀), после чего аналитически вычисляли вероятности возможных исходов в t_1,t_{2, …}t_n, таким образом получая дерево решений. Так, их модель анализировала более 20 различных метрик, предлагая аналитическое решение или прокси-переменную для каждой из них.

Ее преимуществом было то, что в теории модель могла быть построена на достаточно малом количество доступных исторических данных, однако модель, возможно, излишне усложнена, что делает ее малопригодной для практического применения (Doffou, 2015). Ряд более поздних работ ( (Sievers & Klobucnik, 2012), (Mchawrab & Lleo, 2011)) предлагает модифицированные версии модели Schwartz & Moon, якобы более пригодные для практического использования, однако по-прежнему модель остается не очень популярной.

Опираясь на то, что экономические законы работают одинаково во всех отраслях, в том числе и в секторе информационных технологий, часть источников указывает на то, что для IT-компаний, в том числе на стадии становления (стартапов), лучше всего применим классический метод дисконтированных денежных потоков (McKinsey, 2016). В данном случае, авторы говорят о том, что широко распространенный сравнительный подход к оценке, в особенности такие мультипликаторы как P/E и EV/Sales, неприменим в том случае, если у компании отрицательный доход, либо отсутствует выручка. При этом, использование DCF при оценке IT-компаний также вызывает осложнения из-за того, что у компаний, как правило, нет “истории”, т.е. при выдвижении каких-либо предположений и введении предпосылок в модели, приходится опираться не на исторические значения, а в большей степени именно на прогнозы экспертов или собственные ожидания.

Обобщая изученные исследования на тему оценки стоимости компаний IT-сектора, можно выделить ряд особенностей, которым необходимо уделять пристальное внимание при оценке:

· более высокое относительно других индустрий значение патентов, нематериальных активов и, в целом, развития технологий (Strength of underlying technology)

· экстремально высокая волатильность денежных потоков (PWC, 2014), даже у компаний, присутствующих на рынке долгое время и имеющих высокую капитализацию.

· влияние жизненного цикла организации (подход к оценке стартапа отличен от подхода к оценке более зрелой компании) и жизненного цикла технологий (позволят ли имеющиеся в распоряжении компании технологии поддерживать темпы роста в будущем?) на стоимость компании.

В дальнейшем в работе будет приведена попытка систематизировать результаты изученных эмпирических исследований, будут выдвинуты гипотезы для собственного эмпирического исследования, а также приведено их теоретическое обоснование.

1.3 Теоретическое обоснование выдвинутых гипотез

Обобщая изученные исследования выделим основные детерминанты, которые теоретически должны оказывать влияние на стоимость IT-компаний.

H1a: Показатель R&D/Sales положительно влияет на стоимость компании, выраженную через MV/BV с возможным временным лагом до 3 периодов (лет).

H1b: Показатель R&D/Sales положительно влияет на эффективность деятельности компании, выраженную через RI с возможным временным лагом до 3 периодов (лет).

Основная часть эмпирических исследований всех наукоемких компаний, включая и IT-компании, посвящена влиянию интеллектуального капитала на их эффективность. Существует много трактовок понятия “интеллектуальный капитал”, однако все они направлены на то, чтобы каким-либо образом объяснить разницу между балансовой стоимостью компании и ее рыночной стоимостью.

Наиболее распространенным сейчас является следующая структура интеллектуального капитала:

	(1)

- человеческий капитал (Human Capital) - капитал, создающий добавленную стоимость благодаря знаниям и навыкам сотрудников (know-how), а также, возможно, их моральным ценностям. Хорошим примером компании с высоким уровнем человеческого капитала являются разного рода консалтинговые компании.

- организационный/структурный капитал (Structural Capital) - патенты, товарные знаки, различное техническое и программное обеспечение. Образцом компании с высоким уровнем структурного капитала может служить, например, компания Microsoft.

- клиентский капитал (Relationship Capital) - взаимоотношение с клиентами, восприятие бренда. Например, уровень лояльности покупателей товаров компании Apple может служить показателем высокого клиентского капитала.

Таким образом, в соответствие с концепцией интеллектуального капитала стоимость компании складывается из балансовой стоимости активов и стоимости интеллектуального капитала компании, которая оценивается отдельно.

Большое количество работ, изучающих IT-компании или так называемые высокотехнологичные компании, анализируют в качестве прокси интеллектуального капитала показатель интенсивности затрат на R&D (Ilyin, 2014), (Qian Long Kweh , 2014), (Lev & Nissim, 2008), выраженный через отношение , (Guo, et al., 2012), (Guo, et al., 2012), (Ilyin, 2014). Согласно этим исследованиям, затраты компании на разработку новых технологических решений и получение патентов позволяет компании оставаться конкурентной. Стоит отметить, что затраты на исследования не могут давать плоды моментально, и по логике должны оказывать воздействие с некоторым временным лагом. В эмпирическом исследовании будет проанализировано влияние на показатель стоимости компании, выраженной через с временным лагом от 1 до 2 периодов.

H2a: Показатель FCF/R&D положительно влияет на стоимость компании, выраженную через MV/BV с возможным временным лагом до 3 периодов (лет).

H2b: Показатель FCF/R&D положительно влияет на эффективность деятельности компании, выраженную через RI с возможным временным лагом до 3 периодов (лет).

Недавний опыт таких компаний как Yahoo, Kodak или Nokia показывает, что объем затрат не является гарантом создания стоимости. Перечисленные компании инвестировали, являясь лидерами в своей отрасли, инвестировали существенную часть выручки в R&D, но не смогли воплотить это в какое-либо материальное преимущество, и в итоге потеряли лидерские позиции.

Для того, чтобы оценить не только интенсивность затрат на R&D, но и их эффективность, стоит посмотреть на то как успешно компания умеет монетизировать свои инвестиции (Podolski, 2016). Прокси для эффективности затрат станет показатель FCF/R&D, то есть то, сколько единиц свободного денежного потока компания генерирует в расчете на единицу, затраченных на R&D. Данный показатель отражает не просто числовую зависимость, но и показывает в какой стадии может находиться компания исходя из ее привычек наращивать расходы на R&D по мере роста денежного потока (Damodaran, 1999).

H3a: Показатель VAIC (Value Added Intellectual Capital) положительно влияет на стоимость компании, выраженную через MV/BV с возможным временным лагом до 3 периодов (лет).

H3b: Показатель VAIC (Value Added Intellectual Capital) положительно влияет на эффективность деятельности компании, выраженную через RI с возможным временным лагом до 3 периодов (лет).

Показатель VAIC (Value Added Intellectual Capital) был введен хорватским исследователем Ante Pulic в 2000 году (Pulic, 2000). Его работа была одной из первых, изучающих взаимосвязь интеллектуального капитала и показателей эффективности компаний. По крайней мере в теории, он сумел выразить интеллектуальный капитал через вполне доступные показатели финансовой отчетности компании. Согласно его концепции:

· Человеческий капитал (Human Capital) - выражается, в основном, через затраты на персонал:

	(2)

· Эффективность человеческого капитала (Human Capital Efficiency):

	(3)

· Организационный капитал (Structural Capital) - выражается как разница между полученной добавленной экономической ценностью (Value added) и Human Capital:

	(4)

· Эффективность организационного капитала (Structural Capital Efficiency):

	(5)

· Эффективность интеллектуального капитала (Intellectual Capital Efficiency) являет собой сумму человеческого и структурного капитала:

	(6)

· Эффективность затрат на капитал (Capital employed efficiency) - выражается как отношение добавленной стоимости к затратам на капитал:

	(7)

· VAIC в свою очередь является функцией от эффективности интеллектуального капитала и эффективности затрат на капитал:

	(8)

Теоретически VAIC оценивает не только интеллектуальный капитал компании, но и ее общую эффективность. Нормальным показателем для IT-компаний считается значение в диапазоне от 1 до 3.

H4a: Значение индекса ESG Disclosure Score положительно влияет на стоимость компании, выраженную через MV/BV.

H4b: Значение индекса ESG Disclosure Score положительно влияет на эффективность деятельности компании, выраженную через RI.

Поскольку практически все исследования IT-компаний демонстрируют значимое влияние нематериальных активов и факторов, а также большую подверженность цены акции настроениям рынка, попробуем обратиться к показателям, которые могут оказать влияние на настроения инвесторов - ESG Disclosure Score. Этот показатель отражает “прозрачность” деятельности компании в части данных о корпоративном управлении и устойчивости развития компании, и составляется из трех групп метрик:

· Environmental Disclosure Score - данные об объемах выбросов в соответствии с международными экологическими требованиями, устойчивом развитии, и еще более чем 10 показателях, характеризующих взаимоотношения компании с окружающей средой.

· Social Disclosure Score - данные о действиях компании в области поддержания равноправия различных социальных групп, вовлечении в политические акции, работу с профсоюзами, и т.д.

· Governance Disclosure Score - данные о корпоративном управлении компании (количество независимых участников совета директоров, количество женщин в совете директоров), защите прав миноритарных акционеров, и т.д.

Расчет показателя производится компанией Bloomberg на основании данных отчетности и годовых отчетов компаний. По итогам анализа каждой компании присваивается рейтинг от 1 до 100.

Учитывая, что денежные потоки не всегда имеют определяющее значение при оценке IT-компаний, публикация всех перечисленных данных может стать сигналом для инвестора о направлении деятельности компании. Соответственно, логично предположить, что чем выше показатель прозрачности деятельности компании, выраженный через ESG Disclosure Score, тем выше будет оценка компании.

Новизна предложенных гипотез заключатся в предложении включить помимо затрат на R&D прокси эффективности затрат в виде FCF/R&D, а также изучить значимость качественных характеристик (ESG score). Также в модель добавлен VAIC, который будет рассчитан для каждой компании, что позволит протестировать эффективность популярного показатели оценки компаний.

Ознакомиться со сравнением исследуемых гипотез различных авторов можно в приложении 2.

Глава 2. Методология исследования

2.1 Общий подход к исследованию и описание модели

Эмпирическое исследование будет произведено при помощи построения панельной регрессии в пакете Stata с использованием данных в динамике (зависимые переменные могут анализироваться с временным лагом вплоть до трех лет).

В качестве зависимой переменной, выступающей как прокси для стоимости компании в аналогичных исследованиях, как правило, выступает показатель Tobin's Q - соотношение рыночной стоимости фирмы к стоимости ее активов - . Большое количество исследователей выбирает именно показатель Tobin's Q (Goebel, 2015), (Kweh, et al., 2013), (Pitelli Britto, et al., 2014), однако, некоторые исследования показывают, что на развивающихся рынках он не применим из-за того, что не соблюдается гипотеза об эффективности рынка, а волатильность цен слишком высока. Поскольку более половины первоначальной выборки относится к развивающимся рынкам, воспользуемся также другой прокси для определения влияния различных детерминант - Residual Income (RI). Данная переменная будет выступать скорее, как степень эффективности компании. На развивающихся рынках качественный рост быстрее конкурентов и инновационная деятельность не всегда могут отражаться в виде повышения стоимости (Tareq, 2012). В таком случае правильнее будет использовать прокси эффективности деятельности компании, выраженную через RI (RajeshKumar, 2015).

	(9)

Соответственно, получим две модификации модели с различными зависимыми переменными: Tobin's Q и RI.

Независимые переменные.

В качестве независимых переменных выступят

· Tobin's Q (отношение рыночной стоимости капитала компании к балансовой). Данный показатель выбран для исследования эффекта влияния детерминант на рыночную стоимость компании.

· Residual Income - показатель, который раскрывает способность компании генерировать прибыль с учетом стоимости всего задействованного капитала. Необходим для анализа детерминант на неустоявшихся развивающихся рынках.

Зависимые переменные.

· R&D/Sales - отношение затрат на НИОКР (Research and Development) к выручке компании.

· FCF/R&D - отношение свободного денежного потока к расходам на Research and Development.

· VAIC - Value Added Intellectual Capital, оценка интеллектуального капитала компании наряду с общей эффективностью.

· ESG Disclosure Score - “прозрачность” деятельности компании в части данных о корпоративном управлении и устойчивости развития компании. Составляется из трех групп метрик компанией Bloomberg.

Цель VAIC и ESG - предоставить инвестору агрегированную аналитику о различных срезах компании в удобной для восприятия форме. В связи с этим интересно проверить насколько качественной данная оценка деятельности компании на основе комплексного индикатора может быть в разрезе влияния на стоимость и эффективность.

Контрольные переменные

В качестве контрольных зависимых переменных выступят:

· Ln(Sales) - натуральный логарифм выручки компании, что также отражает ее размер в выборке.

· Dummy-переменная, характеризующая принадлежность компании к развитому или развивающемуся рынку. Обозначим ее как “Development”.

2.2 Модели исследования

Первая модель исследования будет характеризовать влияние выбранных детерминант на стоимость компании:

Модель (1).

	(10)

Вторая модель исследования будет характеризовать влияние выбранных детерминант на эффективность деятельности компании:

Модель (2).

	(11)

2.3 Описание выборки данных

Первоначальная выборка была собрана при помощи базы данных Bloomberg. Отбор компаний происходил по классификации GICS (более подробная информация присутствует в главе 1.1 и приложении 1). В выборку вошли публичные компании следующих подгрупп сектора информационных технологий (более подробная информация представлена на рисунке 1):

1. Technology Hardware, Storage & Peripherals

2. Semiconductors & Semiconductor Equipment

3. Interactive Media & Services

4. IT Services

5. Software

6. Entertainment

7. Interactive Media & Services

8. Electronic Equipment, Instruments & Components

9. Internet & Direct Marketing Retail

В выборку вошли компании из более чем 60 стран мира: развитые и развивающиеся. Существенную долю занимает США с наибольшим числом компаний как по выручке, так и по капитализации.

Рис. 1. Структура сектора информационных технологий, используемая в текущем исследовании

Источник: классификация GICS

Рис. 2. Рыночная капитализация IT-компаний по странам. 2018 год

Источник: авторские расчеты

В рамках данного исследования не изучаются детерминанты стоимости стартапов, поэтому из выборки были исключены компании, у которых отсутствуют данные как минимум за 5 лет, а также компании с выручкой менее 50 млн долларов и капитализацией менее 100 млн долларов.

Первоначальная выборка состоит из 3346 публичных компаний за период с 2003 по 2018 гг., т.е. 16 лет. Таким образом, потенциальное количество наблюдений составляет 53536. Однако выборка не сбалансированная, данные не по всем компаниям полные, поэтому предполагается существенное сокращение выборки при анализе панелей.

Глава 3. Эмпирический анализ детерминант стоимости и эффективности деятельности компаний

3.1 Предварительные расчеты

В Таблице 3 предложена описательная статистика по выборке исследования, представленная 3346 IT-компаниями за период с 2003 по 2018 гг. Размер выборки исследования составляет 53536 наблюдений. Данные носят панельный характер и представляют собой несбалансированную панель: имеются наблюдения не для всех компаний выборки и не за весь период наблюдений. Максимальное количество доступных наблюдений представлено в переменной Tobin's Q: 33174. Следует обратить внимание на то, что для переменных интереса из Модели (1) и (2) максимальные значения, а также значения 99% квантили различаются более чем в два раза. Для переменной RI значение 1% квантили и минимальное значение различается более чем в 300 раз. Такой разброс значений переменных свидетельствует о наличии выбросов в выборке исследования.

Таблица 3.

Общие дескриптивные статистики по переменным для анализа детерминант стоимости (Tobin's Q) и эффективности (RI) компаний

	(1)	(2)	(3)	(4)	(5)	(6)	(7)	(8)
VARIABLES	N	mean	Sd	min	max	p1	p50	p99

Tobin's Q	33174	4.125	284.3	0.0383	51078	0.487	1.429	10.98
RI	27957	1.903	134.1	-14331	4511	-42.82	1.887	77.60
VAIC	24870	1.947	76.81	-11490	6143	-8.33	0	20,29
R&D/Sales	27991	0.0677	0.456	0	68.43	0	0.0216	0.444
FCF/R&D	19630	11.37	998.7	-90011	64495	-82.26	0.794	153.5
ESG Disclosure Score	8314	19.76	12.36	0.826	84.30	5.785	14.46	57.85
Ln(Sales)	33053	4.854	1.855	-7.601	12.49	0.527	4.748	9.682

Для борьбы с аномально высокими значениями мы осуществляем процедуру чистки данных. На первом шаге удаляем наблюдения, по которым наблюдаются пропуски хотя бы одного из значений в зависимых переменных Tobin's Q и RI из Модели (1) и (2). Данный шаг является допустимым, поскольку в одной из моделей обязательно будет наблюдаться значение или переменной Tobin's, или показателя RI. Следовательно, без потери общности мы можем исключить такие наблюдения из выборки исследования. На следующем шаге критериям подозрения на выброс мы считали компании, для которых значения переменных Tobin's Q и IR превосходят в 50 раз значение 99% квантили или принимает значение, не превышающее в 50 раз значение 1% квантили рассматриваемых переменных. Последующий анализ детерминант стоимости и эффективности компаний будет проводиться на выборке исследования с учетом принятых ограничений. В Таблице 4 представлена описательная статистика переменных интереса из Модели (1) и (2) с учетом ограничений, указанных выше.

Таблица 4.

Общие дескриптивные статистики по переменным для анализа детерминант стоимости и эффективности компаний

	(1)	(2)	(3)	(4)	(5)	(6)	(7)	(8)
VARIABLES	N	Mean	Sd	min	max	p1	p50	p99
Tobin's Q	32145	1.945	1.599	0.0383	14.99	0.487	1.404	8.713
RI	27169	3.519	31.05	-1,603	1,546	-40.45	1.884	73.20
R&D/Sales	27128	0.0646	0.155	0	15.40	0	0.022	0.434
VAIC	24154	2.05	18.2	-638	1090	-8.02	0	19.84
FCF/R&D	19143	4.227	130.9	-3,489	5,951	-79.29	0.790	136.5
ESG Disclosure Score	8009	19.97	12.46	0.826	84.30	6.198	14.88	57.85
Ln(Sales)	31894	4.918	1.777	0.0244	12.49	1.083	4.787	9.671

Источник: расчеты автора по Bloomberg

Таким образом, типичная компания по выборке представляет собой наблюдение со значением коэффициента Tobin's Q равным 1.404, RI в размере 1.884, расходами на Research and Development составляющими 2.2% от Sales, с VAIC равным нулю, с FCF/R&D 0.790, с показателем ESG 14.88, с логарифмом продаж 4.787.

Перейдем к эконометрическому анализу детерминант стоимости и эффективности деятельности IT-компаний. Поскольку спецификации базовых моделей (1) и (2) из Раздела 2.2 предполагают учет динамики зависимых переменных, то будет важным проанализировать матрицы парных корреляций для основных объясняющих переменных. Это позволит выявить проблему мультиколлинеарности. В силу большого числа включенных в модели детерминант приведем матрицы парных коэффициентов корреляции в несколько этапов и таблиц. На первом шаге построим коэффициенты парных корреляций между переменными R&D/Sales, FCF/R&D и значениями этих показателей за предыдущие 5 лет. В случае наличия мультиколлинеарности, построение отдельных корреляционных таблиц будет достаточно для обнаружения данной проблемы.

Как видно из Таблиц 5 и 6 между R&D/Sales, FCF/R&D и значениями этих показателей за предыдущие периоды времени присутствует значительная корреляция. Таким образом, данный результат свидетельствует о наличие проблемы мультиколинеарности, которая, как правило, приводит к смещению оценок. Для решения данной проблемы в эконометрической литературе обычно используют два подхода: расчет главных компонент на основе переменных с сильной зависимостью или исключение таких переменных из спецификации модели. Основной недостаток первого подхода заключается в отсутствии возможности интерпретировать полученные компоненты относительно исходных переменных. Поскольку нас интересует возможность интерпретации результатов, то мы воспользуемся вторым подходом.

Таблица 5.

Матрица корреляций для переменной R&D/Sales

Variables	(1)	(2)	(3)	(4)	(5)	(6)
(1) R&D/Sales	1.000
(2) L1.R&D/Sales	0.392	1.000
(3) L2.R&D/Sales	0.101	0.386	1.000
(4) L3.R&D/Sales	0.045	0.097	0.386	1.000
(5) L4.R&D/Sales	0.041	0.044	0.098	0.388	1.000
(6) L5.R&D/Sales	0.225	0.096	0.052	0.098	0.379	1.000

Источник: расчеты автора по Bloomberg

Таблица 6.

Матрица корреляций для переменной FCF/R&D

Variables	(1)	(2)	(3)	(4)	(5)	(6)
(1) FCF/R&D	1.000
(2) L1.FCF/R&D	0.249	1.000
(3) L2.FCF/R&D	0.646	0.409	1.000
(4) L3.FCF/R&D	0.017	0.714	0.301	1.000
(5) L4.FCF/R&D	0.005	0.025	0.022	0.058	1.000
(6) L5.FCF/R&D	0.009	0.007	0.009	0.017	0.462	1.000

Источник: расчеты автора по Bloomberg

Продолжим построение парных коэффициентов корреляции для остальных объясняющих переменных. Как видно из Таблицы 7, многие переменные коррелируют между собой. Так, например, переменная ESG Disclosure Score имеет значительную линейную связь с VAIC, Ln(Sales).

Таблица 7.

Матрица парных корреляций для переменных, включенных в модель

Variables	(1)	(2)	(3)	(4)	(5)	(6)
(1) R&D/Sales	1.000
(2) FCF/R&D	-0.028	1.000
(3) VAIC	0.001	0.002	1.000
(4) ESG Disclosure Score	0.029	-0.007	0.347	1.000
(5) Ln(Sales)	-0.159	0.000	0.458	0.514	1.000
(6) Dummy imf adv	-0.071	-0.021	0.048	0.164	0.047	1.000

Источник: расчеты автора по Bloomberg

Для демонстрации значимости проблемы мультиколлинеарности, построим Модели (1) и (2) с включением в них разных лагов переменных R&D/Sales и FCF/R&D соответственно. Оценим Модель (1), характеризующую детерминанты стоимости IT-компаний. Согласно результатам, добавление лагированных переменных в спецификацию меняет знак или уровень значимости коэффициентов при регрессорах, что наглядно демонстрирует важность учета такой проблемы как мультиколлинеарность (см. Таблицу 8). Кроме того, следует отметить, что дамми на развитые страны исключена статистическим пакетом Stata из регрессии. Это является причиной линейной зависимости с константой. Несмотря на ряд благоприятных сигналов в статистическом смысле: значимость каждой из приведенных моделей в целом и большинства включенных в модель переменных, отвержение гипотезы о незначимости индивидуальных эффектов; модели фактически не обладают объясняющей силой. Об этом свидетельствуют чрезвычайно низкие значения . Изменение спецификации модели через добавление других регрессоров не привело к улучшению результатов. В дальнейшем будет предложен путь к решению данной проблемы.

Таблица 8.