CC BY
16Список использованных источников
1. Райзберг Б.А., Лозовский Л.Ш., Стародубцева Е.Б.. Современный экономический словарь. — 2-е изд., испр. М.: ИНФРА-М. 479 с.. 1999. (Дата обращения: 14.12.2017)
2. Блог ленивого инвестора. «Оценка торговой стратегии с помощью коэффициента Шарпа». -URL: http://smfanton.ru/forex/koefficient-sharpa.html (Дата обращения: 23.11.2017)
3. «ФИНАМ». - URL: https://www.finam.ru/ (Дата обращения: 23.11.2017)
4. TradeLikeaPro.ru. Алексей Вергунов «Коэффициент Шарпа — оцениваем
эффективность вашей стратегии» [Электронный ресурс]: - URL: http://tradelikeapro.ru/koeffitsient-sharpa/ (Дата обращения: 23.11.2017)
5. Жданов И.Ю. «Коэффициент Шарпа. Формула расчета. Пример в Excel» [Электронный ресурс]: - URL: http: //finzz .ru/koefficient-sharpa-formula-rascheta-primer.html (Дата обращения: 23.11.2017)
6. Невежин В.П. Подходы к формированию инвестиционной привлекательности / журнал «Хроноэкономика», №5(7), 2017, с. 11-16
V V
УДК: 519.862
ВЫБОР ОПТИМАЛЬНОЙ МОДЕЛИ ПАНЕЛЬНЫХ ДАННЫХ ДЛЯ ОЦЕНКИ СТРУКТУРЫ КАПИТАЛА РОССИЙСКИХ КОМПАНИЙ ПО ВИДАМ ДЕЯТЕЛЬНОСТИ «СТРОИТЕЛЬСТВО» И «ОПЕРАЦИИ С НЕДВИЖИМОСТЬЮ»
Зинатулин К.Р., студент магистратуры Научный руководитель: профессор Орлова И.В. Финансовый университет при Правительстве Российской Федерации, Москва, Россия
Аннотация. В статье производится выбор оптимальной эконометрической модели для исследования влияния различных факторов на коэффициент структуры капитала компании, определяемый балансовым методом, для крупных российских фирм по видам деятельности ОКВЭД-2 «Строительство» и «Операции с недвижимостью». Наряду с этим произведен отбор ключевых детерминантов для каждой отрасли. Приведено разъяснение различий в структуре источников финансирования в указанных выше отраслях.
Ключевые слова: структура капитала, источники финансирования, строительство, операции с недвижимостью, финансовый рычаг.
THE CAPITAL STRUCTURE OF THE LARGEST RUSSIAN CONSTRUCTION AND REAL ESTATE COMPANIES: OPTIMAL PANEL DATA ECONOMETRIC MODEL
K.R. Zinatulin, master's degree student Supervisor: Professor Orlovа I.V.
Financial University under the Government of the Russian Federation, Moscow
Abstract. The present article could provide useful guidance for choosing an appropriate econometric model for the investigation of the influence of the key determinants on the capital structure ratio of the largest Russian construction and real estate companies.
Key words: capital structure determinants, financial leverage, panel data econometric model.
Введение между доходностью и рисками, позволяющими
В современной теории корпоративных максимизировать стоимость компании на рынке. финансов определение структуры капитала В общем смысле структура капитала объясняет играет важную роль для принятия эффективных соотношение между заемным и собственным стратегических решений, поддержания баланса капиталом компании.
В статье использованы статистические данные финансовой отчетности крупнейших (ранжированных по активам на конец периода выборки) действующих 62 российских компаний по виду деятельности ОКВЭД-2 «Строительство» и 46 компаний по виду деятельности «Операции с недвижимостью» за период с 2013 по 2016 год. Возраст компаний выбран более шести лет (на 2017 год). Компании, использованные в выборках, осуществляют активную деятельность на протяжении всего исследуемого периода (все показатели, используемые для определения зависимой и объясняющих переменных моделей, известны). Таким образом, заранее обеспечена однородность данных для упрощения анализа панельных данных. Статистические данные получены из профессиональной базы «СПАРК-Интерфакс» (Режим доступа) [8].
Определение эндогенных и экзогенных факторов для построения эконометрических моделей
Понятие структуры капитала определяется как соотношение заемного капитала к собственному капиталу. Оно имеет ряд различий с понятием структуры источников финансирования. Источники финансирования хозяйствующих субъектов можно представить в виде трех составляющих [2, С. 425]:
1. Собственные средства, включают в себя акционерный капитал, нераспределенную прибыль.
2. Заемные средства (совокупные обязательства) - средства, которые фирма берет в долг под процент (векселя, банковские кредиты и ссуды, облигации) или без - кредиторская задолженность.
3. Смешанное финансирование, имеет общие черты с каждым из первых двух типов: конвертируемые облигации, привилегированные акции.
Как видно, некоторые источники имеют смешанный характер финансирования. К примеру, привилегированные акции как гибридный инструмент финансирования имеют ряд отличительных особенностей, относящихся и к собственным источникам финансирования, и к
заемным. Формально привилегированные акции принадлежат к собственным источникам. Их владельцы являются долевыми участниками акционерного капитала компании, и имеют вторичные требования к активам по сравнению с заемными средствами. В то же время, владельцы привилегированных акций не имеют права голоса, наряду с владельцами обыкновенных акций, поэтому они не могут повлиять на те стратегические решения, которые принимаются на собрании акционеров. Таким образом, компании в отношении владельцев привилегированных акций испытывают необходимость по выплате дивидендов на регулярной основе в обмен на отсутствие права голоса. В этом смысле, с точки зрения понятия структуры капитала, привилегированные акции следует отнести к заемному капиталу. Структуру капитала компаний можно представить следующим образом:
1. Заемный капитал - обязательства фирмы, капитал в форме привилегированных акций (при его наличии);
2. Собственный капитал - капитал в форме обыкновенных акций, накопленная прибыль.
Для упрощения модели и облегчения измерения коэффициента структуры капитала, используем следующее допущение:
коэффициент структуры капитала определяется соотношением совокупных заемных средств к совокупным активам (TD/A) [7, С.633].
Обязательства фирмы можно подразделить на долгосрочные и краткосрочные по сроку исполнения. При стабильном развитии компании используют источники долгосрочного финансирования. Соотношение уровней рисков предполагает использование именно
долгосрочного заемного капитала для измерения структуры капитала. Однако, в одной из рассматриваемых нами выборок (строительные компании) доля краткосрочных заемных средств по отношению к совокупным активам превышает долю долгосрочных заемных средств. Это свидетельствует о высоком уровне риска неплатежа в данной отрасли, поскольку сами краткосрочные займы должны быть погашены,
как правило, в течение 12 месяцев, что трудноосуществимо при реализации крупных долгосрочных проектов.
Объединяя вышесказанное, с учетом допущений, в качестве зависимых переменных
Total liabilities Совокупные обязательства
будем использовать три показателя: долю общих заемных средств в общих активах (TD/A), долю долгосрочных заемных средств (LTD/A) и долю краткосрочных заемных средств (STD/A).
TD/A =
LTD/A =
STD/A =
Total Assets Совокупные активы
Long - term Debt Долгосрочные обязательства
Совокупные активы Краткосрочные обязательства
Total Assets Current Liabilities Total Assets
Совокупные активы
Статистические результаты указанных выше показателей (средняя оценка по выборке за период), исходя из данных финансовой отчетности, представлены в Таблице 1. Для каждой отрасли наблюдается высокая концентрация заемных средств в отношении к
совокупным активам. Кардинальных изменений в показателях не происходит в период с 2013 по 2016 год. Это позволит нам получить более однородное представление данных в виде панельных, что может улучшить качество исследуемых моделей.
Таблица 1. Показатели структуры капитала исследуемых отраслей
Показатели структуры капитала 2013 2014 2015 2016 Среднее
Строительство
Заемные средства краткосрочные 75% 76% 71% 73% 74%
долгосрочные 13% 12% 17% 16% 14%
Операции с недвижимостью
Заемные средства краткосрочные 30% 32% 28% 27% 29%
долгосрочные 55% 59% 62% 50% 57%
В качестве ключевых детерминантов, которые определяемых по данным финансовой могут оказать влияние на структуру капитала, отчетности компаний. выбран распространенный список показателей,
Таблица 2. Описание ключевых детерминантов исследуемых моделей
Детерминант Описание
Scale Размер компании, выраженный масштабами производства
Tangibility Структура активов компании
Growth Показатель роста компании
ROS Рентабельность продаж
ROA Рентабельность капитала
Ниже приведено описание объясняющих переменных и особенности их выбора для построения моделей исследования эндогенных переменных.
1. Размер компании. Выбор данной экзогенной переменной можно обосновать тем, что крупные компании имеют большие возможности финансирования проектов. Это
связано с более высокими кредитными рейтингами и большей доступностью информации о таких компаниях. Логично предположить, что рост масштабов производства будет оказывать положительное влияние на использование финансового рычага. В качестве оценки масштабов производства различные
исследователи используют следующие балансовые показатели:
a. Sales - объем выручки в национальной валюте
b. LnSales - натуральный логарифм объема продаж. Использование логарифмического масштаба обеспечивает отсутствие гетероскедастичности при наличии в выборке как крупных, так и мелких компаний. В нашем случае данный показатель не имеет существенного значения, поскольку в выборке присутствуют только крупные фирмы.
c. Assets - совокупные активы компании. Для обеспечения сделок по закупке материальных активов, имеющих высокую стоимость, крупные компании могут использовать заемные средства.
d. LnAssets - натуральный логарифм совокупных активов. Как и в случае с
Tangible fixed assets
логарифмом объема продаж, данный показатель не будет иметь большого влияния на зависимые переменные, используемые в модели.
При анализе модели ограничимся использованием показателя общего объема выручки (без НДС, в тысячах рублей по данным ежегодной бухгалтерской отчетности). Предполагаем положительную связь зависимой переменной с этим фактором.
2. Структура активов компании. В основе выбора данного фактора - предположение о том, что крупные компании закупают больше основных средств, и их доля в фирме может положительно влиять на долю заемных средств, которые привлекают компании для реализации своих проектов. Объясняющий показатель выражен долей основных средств в совокупных активах фирмы и определяется уравнением:
Tangibility =
Total assets
Основные средства Совокупные активы
3. Показатель роста компании в исследуемой модели может не оказать должного влияния на коэффициент структуры капитала. В общем случае, при стабильном росте компании могут увеличивать использование финансового рычага. Для определения показателя роста
Total assetst
Growth = ----1
Total assetst-1
воспользуемся ежегодным приростом активов. В зависимости от принадлежности к той или иной теории структуры капитала данный показатель может оказывать разное влияние на эндогенную переменную.
Совокупные активы1 Совокупные активы^
-1
4. Эффективность деятельности фирмы измеряется рентабельностью продаж,
Operation income
ROS = >т „ ,-
Net Sales
5. Последний показатель, используемый при построении моделей - прибыльность. Активы являются локомотивом деятельности компаний, результатом которой становится чистая прибыль фирмы, получаемая акционерами. Чем выше обеспеченность активов компании чистой прибылью, тем меньший объем денежных средств компания будет занимать. Таким образом, можно предположить отрицательную связь между показателем рентабельности активов и исследуемыми
определяемой отношением операционном
прибыли компании к выручке.
Операционная прибыль
Выручка (без НДС)
переменными. Коэффициент рентабельности
активов определяется по формуле:
Net income Чистая прибыль
ROA = ----= ----
Total assets Совокупные активы
Выбор эконометрической модели для каждой отрасли
Панельные данные - пространственные выборки, каждый объект которых наблюдается в течение определенного промежутка времени. В качестве преимуществ использования панельных данных можно отметить снижение стандартных ошибок, предотвращение смещения
агрегированности и избежание ошибок, связанных с отсутствием значимых переменных [4, С.271]. В общем виде спецификацию модели панельных данных можно представить следующим образом:
yit = И + xit • Р + Eit
Наряду с наличием преимуществ, исследование панельных данных может вызвать ряд затруднений. В первую очередь они связаны с гетерогенностью свободного члена щ или различием коэффициентов для каждого Xit. Также к проблемам можно отнести неоднородность данных выборки, которая в данной работе устранена еще на подготовительном этапе. TD/Ait)
LTD/Ait} = + p1 • Sales + p2 • Tangibility + p3 • Growth + p4 • ROS + в4 • ROA + Eit
STD/Ait
Произведем оценку МНК-параметров деятельности. Здесь же проведем тестирование объединенных моделей для каждого вида моделей панельных для определения наилучшей.
Таблица 3. МНК-оценка параметров pooled-моделей исследуемых переменных
Существует три основных модели панели данных:
1. Объединенная модель, в которой не учитывается наличие индивидуальных эффектов для исследуемых объектов;
2. Модель с фиксированными эффектами или модель с детерминированным индивидуальным эффектом - гетерогенность учитывается в различии параметров
3. Модель со случайными эффектами -учитывается гетерогенность в поведении случайного возмущения.
Обобщенную спецификацию представим следующим образом:
TD/A LTD/A STD/A
Строительство
const 0.915747*** 0.138238*** 0.777509***
Sales 5.12212e-08 -9.35245e-07*** 9.86466e-07**
Tangibility -0.410455*** 0.226095** -0.636550***
Growth 0.0232932 0.0101752 0.0131180
ROS 0.184166*** 0.228114*** -0.0439474
ROA -1.21280*** -0.0377496 -1.17505***
RA2 0.394008 0.111695 0.241780
P-3HaneHHe (F) 1.22e-24 0.000025 3.58e-13
P-3HaneHHe FE-test 1.31482e-55 8.0132e-32 1.09466e-34
Prob: Breusch-Pagan 8.89574e-48 4.15547e-32 1.94409e-37
Prob: Hausman 0.000184044 0.00401503 0.0615837
TD/A LTD/A STD/A
Операции с недвижимостью
const 0.946826*** 0.592250*** 0.354576***
Sales 1.55080e-06 -5.63908e-06 7.18988e-06***
Tangibility -0.351492*** -0.00236098 -0.349131***
Growth -0.0107547 -0.00676992 -0.00398474
ROS 0.00778874 0.0289363 -0.0211476
ROA -1.58339*** -1.68671*** 0.103315
RA2 0.294047 0.248407 0.174127
P-3HaneHHe (F) 3.72e-12 7.70e-10 2.04e-06
P-3HaneHHe FE-test 2.74651e-21 5.29797e-28 3.75e-31
Prob: Breusch-Pagan 4.86397e-20 2.06157e-25 9.5104e-30
Prob: Hausman 0.000145078 9.28605e-05 0.00806243
Выбор типа модели панельных данных основывается на панельной диагностике полученных моделей.
1. Тестирование гипотезы о гомогенности свободного члена ^ (адекватность объединенной модели против модели с фиксированными эффектами). Нулевая гипотеза: H0:^ = j оценку производим с помощью F-теста для сумм квадратов остатков pooled-модели и FE-модели. Низкие значения p-статистики не подтверждают нулевую гипотезу и отдают преимущество модели FE (в таблице- p-значение FE-test).
2. Тестирование гипотезы на отсутствие случайного индивидуального эффекта (тест Бройша-Пагана) pooled-модели против модели RE. Нулевая гипотеза: Ho:om = 0; в качестве статистики используется множитель Лагранжа. Низкие значения p-статистики не подтверждают нулевую гипотезу и отдают преимущество модели со случайными эффектами (Prob: Breusch-Pagan - в таблице).
В случае, если нулевая гипотеза в первых двух тестах отвергается, следует произвести выбор между моделью со случайными эффектами и моделью с фиксированными эффектами.
3. Тест Хаусмана на отсутствие коррелированности случайного эффекта с регрессорами. Нулевая гипотеза: H0: Cov{^; Xjt} = 0 , используется тестовая статистика Хаусмана. Низкие значения p-статистики опровергают нулевую гипотезу и отдают преимущество модели
Таблица 4. МНК-оценки в регресс!
с фиксированными эффектами (Prob: Hausman - в таблице).
Анализируя полученные результаты p-статистики, делаем выбор в пользу использования моделей панельных с фиксированными эффектами для всех исследуемых переменных каждой отрасли. Исключение может представить модель со случайными эффектами для переменной STD/A в строительных компаниях (p-статистика теста Хаусмана 0,06).
Принимая во внимание тот факт, что большая доля заемных средств в строительных компаниях приходится на краткосрочные, а в компаниях, деятельность которых связана с операциями с недвижимостью, на долгосрочные, для каждой отрасли получим по одной модели, описывающей использование разных по срокам исполнения источников финансирования. Для строительства это модель с зависимой переменной TD/A (с учетом как долгосрочного, так и краткосрочного заемного финансирования), а для операций с недвижимостью - LTD/A. Для оптимизации моделей исключим незначимые переменные. Оценку моделей произведем с помощью МНК в регрессии с фиктивными переменными (LSDV).
Для каждой модели получены высокие коэффициенты детерминации (более 84%), следовательно, весомая доля зависимой переменной описана с помощью объясняющих факторов. На значения высоких коэффициентов детерминации также оказало влияние типа модели, так как учтены индивидуальные не зависящие от времени эффекты объектов моделей. с с фиктивными переменными (LSDV)
Строительство (DT/A) Операции с недвижимостью (LTD/A)
const 0.892022*** 0.564990***
Sales - -
Tangibility - -
Growth - -
ROS 0.0666131** -
ROA -0.891947*** -0.794383***
RA2 LSDV 0.922174 0.842291
Р-значение (F) 5.00e-75 1.69e-36
Таблица 5. Спецификации моделей с фиксированными эффектами по видам деятельности
Строительство TD/A = 0.89 + 0.07 • ROS - 0.68 • ROA
Операции с недвижимостью LTD/A = 0.56 - 0.79 • ROA
Заключение
Для каждой отрасли определена оптимальная модель, описывающая коэффициенты структуры капитала. Для строительных компаний этот коэффициент связан с общей долей заемных средств из-за высокой концентрации краткосрочных заемных средств, для компаний, оперирующих с недвижимостью - с долей долгосрочных. В результате исключения незначимых переменных, для каждой из отраслей большое влияние оказывает коэффициент рентабельности активов, описывающий долю чистой прибыли в совокупных активах. Знак при переменной совпадает с нашими предположениями. Для строительных организаций значимым также оказался коэффициент рентабельности продаж.
Список используемых источников.
1. Бабешко Л.О. Прогнозирование финансово-экономических показателей по разнородным данным: монография /Л.О. Бабешко, В.А. Бывшев. — М.: РУСАЙНС, 2017. —356 с. ISBN 978-5-4365-1786-5.
2. Макарова С. Г., Великороссова Е. Н. Особенности формирования структуры капитала компаний в различных отраслях российской экономики // Аудит и финансовый анализ. — 2014. — № 2. — С. 425-438.
3. Орлова И.В., Турундаевский В.Б. Многомерный статистический анализ при исследовании экономических процессов. Монография. — М.: МЭСИ, 2014. — С. 190
4. Ратникова Т. А. Введение в эконометрический анализ панельных данных // Экономический журнал ВШЭ. 2006. №4. - URL: http://cyberleninka.ru/article/n/vvedenie-v-ekonometricheskiy-analiz-panelnyh-dannyh-2 (дата обращения: 26.11.2017).
КиберЛенинка: https://cyberleninka.ru/article/n/ vvedenie-v-ekonometricheskiy-analiz-panelnyh-dannyh-2
5. Щукина Т.В. Детерминанты структуры капитала российских коммерческих предприятий. Современная экономика: проблемы и решения, [S.l.], v. 1, p. 121-128, апр. 2015. ISSN 2078-9017. Доступно на: <https://meps.econ.vsu.ru/index.php/meps/article/vie w/867>. Дата доступа: 26 ноя. 2017.
6. Bogomolov A.I., Nevezhin V.P. Information impact on the competitive economic system / Экономика и управление: проблемы, решения. 2017. Т. 4. № 3. С. 45-48.
7. Ferri, Michael G., and Wesley H. Jones. "Determinants of Financial Structure: A New Methodological Approach." The Journal of Finance, vol. 34, no. 3, 1979, pp. 631-644. JSTOR, JSTOR, www.jstor.org/stable/2327431.
V V ===================================
УДК 330.43
ЭКОНОМЕТРИЧЕСКОЕ ИССЛЕДОВАНИЕ ФАКТОРОВ, ВЛИЯЮЩИХ НА ОБЪЁМЫ БЮДЖЕТНЫХ ИНВЕСТИЦИЙ
Кондратенко М.А., студентка Научный руководитель: Богомолов А.И.,к.т.н., доцент Финансовый университет при Правительстве Российской Федерации, Москва
Аннотация: С целью выявления факторов, оказывающих негативное влияние на уровень бюджетных инвестиций и замедляющих, таким образом, экономический рост в России, в статье рассматривается эконометрическая модель факторов, влияющих на объёмы бюджетных инвестиций, оценивается качество модели, значимость включенных в неё факторов, а также проверяется наличие автокорреляции остатков. Данные представлены за 2004 - 2016 года.
Ключевые слова: бюджетные инвестиции, эконометрический анализ, инфляция, доходы консолидированного бюджета Российской Федерации, ВВП, тест Фишера, тест Рамсея, тест Стьюдента, тест Дарбина - Уотсона, автокорреляция
