Согласно полученным оценкам из Таблицы 12, каждая из моделей оказывается в целом значима, а вместе с ней и большинство используемых объясняющих переменных. Тест Ареллано-Бонда показывает наличие автокорреляции 1-го порядка для остатков модели и отсутствие на уровне значимости автокорреляции 2-го порядка. Такой результат означает выполнение одной из двух предпосылок модели Ареллано-Бонда. Однако, тест Саргана не отвергает основную гипотезу о сверхидентифицируемых ограничениях. Это свидетельствует о нарушении второй предпосылки: используемые инструменты невалидны. Следовательно, применение метода Ареллано-Бонда для данной выборки оказывается невозможным. Одной из потенциальных причин, объясняющих такой результат, является так называемая “ловушка больших выборок”. Если построить модели на выборках меньшего размера, то возможно, тест Саргана будет пройден для каждой из подвыборок. Однако, для такого шага требуется содержательное обоснование. В рамках настоящего исследование таким объяснением может служить тот факт, что детерминанты стоимости и эффективности деятельности компаний различаются в разных индустриях. Поэтому в следующем разделе будет предпринята попытка оценить модели для следующих девяти подгрупп сектора IT: Technology Hardware, Storage & Peripherals; Semiconductors & Semiconductor Equipment; Interactive Media & Services; IT Services; Entertainment; Electronic Equipment, Instruments & Components; Internet & Direct Marketing Retail; Software; Communications Equipment.

Таблица 12.

Источник: расчеты автора по Bloomberg

Примечание: в скобках стандартные ошибки; Значимость: (*) - на 10% уровне значимости; (**) - на 5% уровне значимости; (***) - на 1% уровне значимости.

Результаты оценки Модели (1) на подвыборке компаний из сектора Technology Hardware Storage & Peripherals подтверждают Гипотезу 2: показатель FCF/R&D и его лагированное значение оказывает положительное влияние на стоимость IT-компаний. Для компаний в индустрии Interactive Media & Services значимыми оказались лагированное значение зависимой переменной Tobin's Q, переменная R&D/Sales и ее лагированное значение, а также прибыль до вычета расходов по выплате процентов, налогов, износа и начисленной амортизации. Остальные объясняющие переменные незначимы. Гипотеза 1 подтверждается для второго лага и отвергается для первого. Гипотеза 2 не подтверждается, переменные незначимы. В индустрии Communications Equipment все коэффициенты при переменных кроме при лагированной переменной R&D/Sales оказались статистически отличны от нуля. Здесь так же Гипотеза 1 подтверждается для второго лага и отвергается для первого. Гипотеза 2 подтверждается.

Перейдем к анализу детерминант стоимости компаний из следующей тройки индустрий: Internet & Direct Marketing Retail, Entertainment и Electronic Equipment Instruments & Components (см. Таблица 14). Проведем тесты Саргана на валидность инструментов. Нулевая гипотеза о том, что инструменты валидны, не отвергается. Следовательно, будем считать, что выбранные инструменты не коррелируют с ошибкой, то есть являются валидными. Об адекватности применения предложенного подхода свидетельствуют и результаты тестов Ареллано-Бонда. Они показывают наличие автокорреляции 1-го порядка для остатков модели и отсутствие на уровне значимости автокорреляции 2-го порядка. Включение переменной ESG Disclosure Score в спецификацию модели стоимости компаний из секторов Internet & Direct Marketing Retail и Entertainment приводит к нарушению предпосылки модели, а именно, об отсутствии автокорреляции 1-го порядка для остатков модели. В индустрии Internet & Direct Marketing Retail все использованные переменные оказались значимы. Гипотеза 1 подтверждается для первого лага и отвергается для второго. Гипотеза 2 подтверждается для 1-го и 2-го лага. В модели для индустрии Entertainment все переменные, кроме прибыли до вычета расходов по выплате процентов, налогов, износа и начисленной амортизации оказались значимы. Гипотеза 1 не подтверждается, а Гипотеза 2 подтверждается только для второго лага. В секторе Electronic Equipment Instruments & Components Гипотеза 1 отвергается: переменная R&D/Sales отрицательно влияет на коэффициент Tobin's Q, а ее лагированое значение незначимо. Гипотез 4 так же отвергается, ESG отрицательно влияет на Tobin's Q.

Таблица 14.

Детерминанты стоимости компаний (Tobin's Q) с учетом динамики и индустрии

Источник: расчеты автора по Bloomberg

Примечание: в скобках стандартные ошибки; Значимость: (*) - на 10% уровне значимости; (**) - на 5% уровне значимости; (***) - на 1% уровне значимости.

Результаты анализа детерминант стоимости компаний для последних трех индустрий: Software, IT Services, Semiconductors & Semiconductor Equipment, приведенные в Таблице 15. Тесты Саргана и Ареллано-Бонда подтверждают адекватность выбора функциональной формы для всех трех уравнений. Гипотиза 1 отвергается для пременной R&D/Sales индустриях Software и Semiconductors & Semiconductor Equipment и подтверждается для IT Services, для лагированого значения переменной R&D/Sales Гипотиза 1 отвергается для IT Services и подтверждается для Software и Semiconductors & Semiconductor Equipment. Гипотеза 2 подтверждается для IT Services и Semiconductors & Semiconductor Equipment. Гипотеза 4 подтверждается для Software и IT Services.

Таблица 15.

Детерминанты стоимости (Tobin's Q) компаний с учетом динамики и индустрии

Источник: расчеты автора по Bloomberg

Перейдем к анализу детерминант эффективности деятельности компаний с учетом динамики и индустриальной специфики информационного сектора. Согласно вышеизложенной структуре регрессионного анализа на основании Модели (1), в Таблице 16 приводятся результаты для компаний из индустрий: Technology Hardware Storage & Peripherals, Interactive Media & Services, Communications Equipment. Аналогичным образом, вывод о возможности применения выбранного подхода сохраняется и в рамках Модели (2). Результаты тестов Саргана свидетельствуют о том, что инструменты подобраны правильно. Вместе с тем, тесты Ареллано-Бонда показывают наличие автокорреляции 1-го порядка для остатков модели и отсутствие на 1-% уровне значимости автокорреляции 2-го порядка.

Таблица 16.

Детерминанты эффективности деятельности компаний (RI) с учетом динамики и индустрии

Источник: расчеты автора по Bloomberg

Для модели стоимость IT-компании из сектора Communications Equipment включение в спецификацию переменной ESG Disclosure Score приводит к нарушению эконометрических предпосылок, а именно, к отсутствию автокорреляции 1-го порядка для остатков рассматриваемой модели.

В Таблицах 17 и 18 представлены результаты анализа детерминант эффективности деятельности компаний из следующей двух троек индустрий соответственно: Internet & Direct Marketing Retail, Entertainment, Electronic Equipment Instruments & Components и Software, IT Services, Semiconductors & Semiconductor Equipment. Результаты демонстрируют аналогичную картину и очередной раз подтверждают корректность выполненных расчетов с помощью динамических моделей. Проведение тестов Саргана и Ареллано-Бонда показывают результаты, аналогичные вышеприведенным интерпретациям.

Гипотеза 1 подтверждается для Internet & Direct Marketing Retail, Software и Entertainment: детерминанта и ее легированное значение положительно влияет на эффективность. Для Electronic Equipment Instruments & Components, IT Services и Semiconductors & Semiconductor Equipment положительно влияет только текущее значение детерминанты, а лагированные значения влияют отрицательно. Для всех индустрий, кроме Semiconductors & Semiconductor Equipment Гипотеза 1 относительно второго лага R&D/Sales отвергается.

Таблица 17.

Детерминанты эффективности деятельности компаний (RI)с учетом динамики и индустрии

Источник: расчеты автора по Bloomberg

Примечание: в скобках стандартные ошибки; Значимость: (*) - на 10% уровне значимости; (**) - на 5% уровне значимости; (***) - на 1% уровне значимости.

Таблица 18.

Детерминанты эффективности деятельности компаний (RI) с учетом динамики и индустрии

Источник: расчеты автора по Bloomberg

Примечание: в скобках стандартные ошибки; Значимость: (*) - на 10% уровне значимости; (**) - на 5% уровне значимости; (***) - на 1% уровне значимости.

Интерпретация результатов

В результате эмпирического исследования были выявлены следующие особенности данных: в значениях объясняющих переменных R&D/Sales и FCF/R&D обнаружена автокорреляция, что затруднило проверку сформулированных гипотез. В значениях зависимых переменных Tobin's Q и RI так же обнаружена автокорреляция, что приводит к предпосылке к использованию динамических моделей панельных данных. В качестве такой модели была предложена модель Ареллано-Бонда, которая обладает рядом существенных ограничений. Во-первых, метод требует наличие автокорреляции 1-го порядка и отсутствие автокорреляции 2-го порядка для остатков модели. Во-вторых, накладываются структурные ограничения на используемые инструменты. Оказалось, что если строить модель на всей выборке, то для модели Ареллано-Бонда не выполняется одна из предпосылок, ограничения сверхидентефицируемы. В связи с этим, нами было предложено решение, которое позволило построить модели Ареллано-Бонда для которых все тесты на ограничения модели были успешно пройдены. Мы разбили выборку на подвыборки по индустриям в соответствии с классификацией GICS. На основе построенных моделей мы смогли проверить гипотезы из главы 2. Результаты оказались зависимы от типа индустрии.

Tobin's Q.

1. Выявлена отрицательная зависимость влияния R&D/Sales в исследовании по модели Tobin's Q в 8 из 9 подгруппах сектора IT. Показатель L.R&D/Sales (c лагом), напротив, чаще характеризуется положительной зависимостью, что еще раз подтверждает важность учета лагов данных.

2. FCF/R&D влияет положительно на прокси стоимости компании в 2 секторах из 4-х.

3. ESG переменную удалось задействовать без нарушения предпосылок только в 4 подгруппах сектора IT из 9. Половина из этих наблюдений характеризовались положительной степенью влияния на стоимость компании.

4. VAIC прошел все предпосылки лишь в одной подгруппе (Semiconductors & Semiconductor Equipment) с отрицательным влиянием на прокси стоимости компании.

Residual Income.

1. Переменная R&D/Sales указывает на положительное существенное влияние на RI во всех подгруппах, однако лаги RI не имеют четкой зависимости.

2. FCF/R&D обладает выраженным негативным влияния на RI в 6 из 8 подгруппах. Рост FCF без роста R&D не может в должной степени обеспечить покрытие стоимости капитала акционеров. Лаги FCF/R&D со схожей негативной динамикой это подтверждают.

3. ESG характеризуется негативным влиянием на RI в 4 из 6 случаев.

4. VAIC (также в Semiconductors & Semiconductor Equipment) оказывает положительное влияние на RI.

Таблица 19.

Сравнение результатов исследования по IT-индустриям

см. продолжение таблицы 19 на следующей странице

Продолжение таблицы 19

Источник: систематизация автора

Ограничения исследования

На результаты исследования и полученные выводы необходимо наложить ряд ограничений:

· Изначальная выборка состояла из 3346 IT-компаниями за период с 2003 по 2018 гг. В дальнейшем при исследовании отдельно каждой подгруппы выборка сократилась до примерно 900 компаний при анализе Tobin's Q и RI соответственно. Данные ограничения были необходимы для прохождения тестов Саргана и Ареллано-Бонда.

· В выборку попали компании развитых и развивающихся стран с выручкой более $50 млн и капитализацией более $100 млн.

· Дамми на развитые страны исключена статистическим пакетом Stata из регрессии. Причиной служит линейная зависимость с константой.

· Тестирование гипотез производилось с помощью построения динамических панелей с временным лагом до 2-х периодов (лет).

Дальнейшие исследования

· Разделить страны на развитые и развивающиеся и проанализировать разницу применения Residual Income vs Tobin's Q для определения существенных детерминант.

· Увеличить количество временных лагов с применением исторических временных отрезков (до/после кризиса).

· Провести анализ детерминант в зависимости от степени зрелости компании.

· Рассмотреть возможность исследования компаний с разделением на IPO stage (до 5 лет после IPO) и post IPO stage (более 5 лет после IPO). Компании на разных стадиях могут отражать отличный подход инвесторов к оценке.

Заключение

Работа посвящена исследованию детерминант стоимости компаний сферы информационных технологий. В представленной магистерской диссертации:

· Уточнен термин “информационные технологии”: изучены существующие классификации компаний, отобраны наиболее подходящие сектора (GICS) для последующего эмпирического анализа. Стандарт GICS выбран, как наиболее прогрессивный с точки зрения отслеживания изменений в отрасли, а также имеющий наиболее глубокую детализацию.

· Изучены существующие работы, посвященные оценке стоимости бизнеса компаний IT-сектора и эмпирическим исследованиям этой отрасли.

· Выдвинуты 4 гипотезы (по два варианта гипотезы в каждой, в зависимости от зависимой переменной) о влиянии различных детерминант на стоимость компаний IT-сектора, а также приведено теоретическое обоснование каждой из них.

· Описаны критерии формирования выборки и представлена выборка из 3346 публичных компаний за период с 2003 по 2018 гг. в соответствии с классификацией GICS.

· Описана методология последующего эмпирического исследования и построены 2 модификации регрессионной модели.

· Эмпирическое исследование проведено с использованием динамических моделей с временным лагом до трех лет по каждой из подгрупп сектора IT с выполнением тестов Саргана и Ареллано-Бонда.

· Построена таблица зависимостей влияния определенных переменных на Tobin's Q и Residual Income.

Опираясь на проведенное эмпирическое исследование можно сделать вывод о том, что при оценке IT-компаний необходимо учитывать специфику отрасли, так как разные подгруппы сектора могут характеризоваться уникальным набором существенных независимых переменных. С практической точки зрения это означает, что при формировании инвестиционного портфеля анализ кампаний необходимо проводить отдельно по каждой из подгрупп сектора. При анализе компаний внутри сектора IT, без структурирования на подгруппы, может сложиться, к примеру, не верная картина компаний-лидеров, которые будут выявлены с использованием незначимых на верхнем уровне детерминант.

Дальнейшие исследования могут быть расширены в области сегментации компаний по страновым признакам, а также с учетом стадии жизненного цикла компании.

информационный технология регрессионный переменный

Список литературы

1) Arellano M., B. S., 1991. Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations. The review of Economics Studies, Том T. 58. - №. 2, pp. С. 277-297.

2) Baker, M. & Wurgler, J., 2006. Investor sentiment and the cross-section of stock returns. Journal of Finance.

3) Bitwise Asset Management, 2019. Analysis of Real Bitcoin Trade Volume. Ney York: б.н.

4) Core, J. & Guay, W., 2003. Market valuations in the New Economy: an investigation of what has changed. Journal of Accounting and Economics, pp. 43-67.

5) Damodaran, A., 1999. Research and Development Expenses:Implications for Profitability Measurement and Valuation. Stern School of Business.

6) Demers, E. & Baruch, L., 2001. A Rude Awakening: Internet Shakeout in 2000. Review of accounting studies.

7) Doffou, A., 2015. An Improved Valuation Model for Technology companies. International Journal of Finansial Studies.

8) Eli, A. & Baruch, L., 1996. Value relevance of nonfinancial information: The wireless communication industry. Journal of Accounting and Economics.

9) Goebel, V., 2015. Estimating a measure of intellectual capital value to test its determinants. Journal of intellectual Capital, pp. 101-120.

10) Guo, W.-C., Shiah-Hou, S.-R. & Chien, W.-J., 2012. A study on intellectual capital and firm perfomance in biotech compnies. Applired Economics Letters, pp. 999-1004.

11) Ilyin, D., 2014. The Impact of Intellectual Capital on Companies' Performance: Evidence from Emerging Markets. Journal of Corporate Finance Research.

12) Ilyin, D. S., 2014. The Impact of Intellectual Capital on Companies' Performance: Evidence from Emerging Markets. Journal of Corporate Finance Research, pp. 46-66.

13) Kweh, Q. L., Chan, Y. C. & Ting, I. W., 2013. Measuring intellectual capital efficiency in the Malaysian software sector. Journal of Intellectual Capital, pp. 310-324.

14) Lбszlу Nagy1, M. O., 2017. Financial Market Implied Industry Classificatio. European Financial Systems 2018, p. 445.

15) Lev & Nissim, 2008. On the Informational Usefulness of R&D Capitalization and Amortization, б.м.: б.н.

16) Lucas Jr, R., 1967. Adjustment Costs and Theory of Supply. Journal of Political Economy, pp. 321-334.

17) Mchawrab, S. & Lleo, S., 2011. Schwartz and Moon Valuation Model: Evidence from IT Companies, б.м.: б.н.

18) McKinsey, 2016. Valuing high-tech companies.

19) Pitelli Britto, D., Monetti, E. & Lima, J. d. R. J., 2014. Intellectual capital in tangible intensive firms: the case of Brazilian real estate companies. Journal of Intellectual Capital,, pp. 333 - 348.

20) Podolski, E., 2016. Free Cash Flow and R&D Productivity.

21) Pulic, A., 2000. VAIC™ - an accounting tool for IC management. International Journal of Technology Management.

22) PWC, 2014. Cross sector valuation: What entertainment, media & communication companies should consider when acquiring targets, б.м.: б.н.

23) Qian Long Kweh , 2014. Measuring intellectual capital efficiency in the Malaysian software sector. Journal of Intellectual Capital.

24) RajeshKumar, P. o. F. I. o. M. T. D. U., 2015. Valuation Theories and Concepts.

25) Schonfield, E., 2000. How Much Are Your Eyeballs Worth?. Fortune.

26) Schwartz, E. & Moon, M., 2000. Rational Pricing of Internet Companies. Financial Review.

27) Schwartz, E. & Moon, M., 2001. Rational Pricing of Internet Companies Revisited. Financial Review.

28) Sievers, S. & Klobucnik, J., 2012. Valuing high technology growth firms, б.м.: б.н.

29) Tareq, M. A., 2012. s Residual Income Model (RIM) REALLY Superior to Dividend Discount Model (DDM)?'-A Misconception. Journal of Business and Management (IOSR-JBM).

30) Trueman, B. & Zhung, X.-J., 2001. "Back to basics: forecasting the revenues of internet firms. Review of accounting studies.

31) Whisler, T. & Leavitt, T., 1958. Management in the 1980's. Harvard Business Review.

32) Yung, T. C., 2003. Valuation of high tech firms: Rope played by intangibles at IPO, б.м.: б.н.

33) Zingales, L., 2000. In search of new foundations. Journal of finance.

Приложения

Приложение 1

Таблица 20

Классификация GICS

Источник: Morgan Stanley Capital International.

Приложение 2

Таблица 21

Обзор литературы и исследований на предмет сравнения подходов (Часть 1)

Источник: Авторская систематизация.

Таблица 21

Обзор литературы и исследований на предмет сравнения подходов (Часть 2)

Размещено на Allbest.ru