Анализ влияния стоимости идентифицированных нематериальных активов и объектов интеллектуальной собственности на уровень капитализации российских компаний

В составе факторов, обуславливающих повышение капитализации компании в современных условиях, выделяются НМА и ОИС, роль которых возрастает по мере развития науки и техники, появления новейших технологий и увеличения числа инноваций во всех сферах экономической деятельности. Определение влияния стоимости идентифицированных нематериальных активов компаний на их капитализацию и стоимость будет способствовать повышению инвестиционной привлекательности и укреплению конкурентоспособности российских компаний.

Решение данной задачи предполагает построение оценочных моделей взаимосвязей двух признаков на основе корреляционно-регрессионного анализа. Для моделирования были использованы встроенный пакет Excel «Анализ данных», статистические пакеты анализа данных Gretl, The R Project for Statistical Computing, Stata. В качестве объекта анализа были выбраны российские и зарубежные компании высокотехнологичных отраслей.

Исследование парных корреляционных взаимосвязей между факторным и результативным признаками включает ряд этапов:

  • ? установление факта наличия связи, определение ее направления;
  • ? измерение степени тесноты связи между признаками;
  • ? построение регрессионной модели, т.е. нахождение аналитического выражения связи;
  • ? оценку адекватности модели, ее экономическую интерпретацию.

В качестве факторного признака «X» выступает стоимость НМА компании. Под капитализацией (результативный признак «У») будем понимать произведение рыночной стоимости одной акции компании (курс акции) на количество акций в обращении. Тесноту связи между двумя линейно зависимыми признаками определим с использованием линейного коэффициента корреляции (г), расчет которого автоматизирован с применением указанных выше пакетов анализа статистических данных. Для качественной оценки тесноты связи служит шкала Чэддока (табл. 1.14).

Шкала Чэддока

Таблица 1.14

Модуль показателя тесноты связи

0,1-0,3

0,3-0,5

0,5-0,7

0,7-0,9

0,9-0,99

Характеристика силы связи

Слабая

Умеренная

Заметная

Тесная

Весьма тесная

Источник: [1, с. 15]

Чем ближе коэффициент корреляции г к 1 по модулю, тем теснее связь между изучаемыми признаками. Если г<0, тозависимость между признаками обратная. Если коэффициент корреляции стремится к О, то линейная зависимость отсутствует, что не исключает другую форму связи. В этом случае необходим другой показатель тесноты связи для нелинейных форм зависимости, в частности эмпирическое корреляционное отношение, которое находится по формуле (1.2):

где 5^ и air,,,, — соответственно межгрупповая и общая дисперсии результативного признака [1, с. 15].

При этом качественную оценку тесноты связи также проводят по таблице Чэддока.

Регрессионный анализ проведем с использованием инструмента Регрессия пакета «Анализ данных» и статистического пакета анализа данных Gretl. Помимо коэффициентов регрессии и тесноты связи данные пакеты позволяют оценить и адекватность полученной линейной регрессионной модели у = а + арс.

Анализ адекватности данной модели предполагает оценку того, насколько построенная теоретическая модель взаимосвязи признаков отражает фактическую зависимость между этими признаками, т.е. является практически пригодной. Анализ адекватности выполняется в несколько этапов:

  • ? оценка статистической значимости коэффициентов уравнения а0, cij для заданного уровня надежности;
  • ? определение практической пригодности построенной модели на основе оценок линейного коэффициента корреляции г и индекса детерминации R2
  • ? проверка значимости уравнения регрессии в целом по F — критерию Фишера;
  • ? проведение RESET теста, оценивающего правильность выбора спецификации модели;
  • ? проверка модели на гетероскедастичность (неоднородность наблюдений).

Последний пункт можно не выполнять, если предварительно исключить гетероскедастичность модели заменой исходных данных на их производные, логарифмы, относительные изменения или другую нелинейную функцию. Этот подход приводит к независимости дисперсии случайных возмущений результативного признака от значений объясняющих переменных, т.е. модель становится гомоскедастичной. Для проверки наличия гетероскедастичности случайных ошибок регрессионной модели, полученной по прологарифмированным исходным значениям признаков, используется Breusch-Pagan test.

Все расчеты по пяти этапам автоматизированы в специализированных пакетах анализа статистических данных.

Важной сопутствующей задачей для целей настоящего исследования является проверка причинно-следственной связи между временными рядами факторного и результативного признака, которую предлагается решить с применением теста Ерейнджера (англава Granger causality test).

Суть задачи заключается в следующем. Есть две изменяющиеся во времени величины —X и Y. Величина X является Ерейнджер-при- чиной для Y, если значения X в прошлом помогают предсказать будущие значения Y. Другими словами, тест позволяет ответить на вопрос: действительно ли изменение стоимости НМА (X) повлечет за собой изменение капитализации компании (Y). Это проверяется с помощью модели линейной регрессии значений Y на прошлых значениях X и Y.

Иными словами, значения Y представляются в виде (1.3):

где Yi — значение переменной Y в момент времени /;

Xi — значение переменной X в момент времени /;

к— временная задержка (в нашем случае лаг). Она определяет, влияние какой давности надо проверить.

Если в полученной регрессии коэффициентами рк можно пренебречь, то считается, что прошлые значения X не помогают предсказывать Y и, стало быть, X не является причиной по-Грейнджеру для Y. И наоборот, если в данном выражении коэффициенты рк статистически значимы и ими пренебречь нельзя, то мы считаем, что X является причиной по-Грейнджеру для Y.

На практике регрессия проводится методом наименьших квадратов, после этого для коэффициентов рк оценивается F-статистика. Если соответствующее ^-значение меньше выбранного уровня значимости, то коэффициентами рк пренебречь нельзя и считается, что Y зависит от X. В качестве уровня значимости обычно принимают 5%.

Аналогичный тест можно проделать, чтобы проверить, не существует ли причинно-следственная связь между прошлыми значениями Y и будущими значениями X. Если каждая из переменных вносит значимый вклад в прогноз другой, то, возможно, существует некоторая другая переменная, которая влияет на оба фактора. Необходимо отметить, что результаты теста могут зависеть от количества использованных лагов в регрессиях.

Процедура нахождения F-статистики автоматизирована во многих программных продуктах. Нами выбран пакет The R Project for Statistical Computing, который открывает широкие возможности при анализе данных, представленных в виде временных рядов.

Информационную базу исследования составили информационно-аналитическая система Bloomberg, базы данных СПАРК (информационный продукт ИНТЕРФАКС), Thomson Reuters, информация, размещенная на официальных сайтах российских организаций [2]. Эмпирическую основу исследования составили финансово-экономические показатели российских компаний, чьи акции котируются на ОАО «Московская биржа», расчеты и экспертные оценки авторов [3].

 
Посмотреть оригинал
< Пред   СОДЕРЖАНИЕ   ОРИГИНАЛ   След >