Влияние компонентов интеллектуального капитала на эффективность компаний в развивающихся странах

  • Вид работы:
    Дипломная (ВКР)
  • Предмет:
    Эктеория
  • Язык:
    Русский
    ,
    Формат файла:
    MS Word
    245,06 Кб
  • Опубликовано:
    2017-07-03
Вы можете узнать стоимость помощи в написании студенческой работы.
Помощь в написании работы, которую точно примут!

Влияние компонентов интеллектуального капитала на эффективность компаний в развивающихся странах

Введение

Многие учёные сходятся во мнении, что в 21 веке интеллектуальный капитал (ИК) становится важным фактором создания стоимости компании и повышения её конкурентных преимуществ (Edvinsson&Malone, 1997; Sullivan, 2000; Furmanetal., 2002; Kaplan&Norton, 2004). В связи с этим появляется всё более острая необходимость для компаний эффективно управлять не только своими физическими активами, но и нематериальными, такими как квалификация, опыт и развитие сотрудников, деловые связи компании, её организационная структура, имеющиеся специальные лицензии, методики, возможности к инновациям и другое. В свою очередь собственникам, инвесторам и кредиторам необходимо понимать, какое влияние может оказывать ИК на те или иные показатели деятельности компании, чтобы применять наиболее выгодные для себя стратегии.Однако это затруднено тем, что существующие на данный момент стандарты отчётности практически не позволяют вести учёт ИК, а отражают лишь финансовые и материальные активы. Как пишет Кузубов (2009),«в настоящее время бухгалтерский учёт и аудит интеллектуальных активов обычно ограничивается финансовым измерением, не затрагивая нефинансовый аспект, управленческий контроль и анализ». Всё это создаёт высокую актуальность для исследования как методов оценки ИК, так и его влияния на результаты деятельности компаний.

На настоящее время существует немало работ, посвящённых влиянию ИК на различные аспекты деятельности компаний. Тем не менее, большинство работ по данной проблематике было проведено для развитых рынков. По развивающимся странам исследований гораздо меньше. Одна из главных причин - низкая доступность информации о компаниях, возникающая в том числе из-за менее развитой культуры раскрытия информации в отчётности. Существующие исследования в области влияния ИК на результаты деятельности компаний развивающихся стран, проводились в основном для азиатских компаний (Тайвань, Китай, Малайзия и др.). При этом страны Азии имеют свою специфическую культуру, в том числе культуру ведения бизнеса, что даёт вероятность зависимости результатов данных исследований от среды, в которой компании ведут свою деятельность и создаёт трудности в экстраполировании результатов на другие страны.

В данной работе влияние компонентов интеллектуального капитала на эффективность компаний исследуется в таких развивающихся странах, как Россия и Бразилия. Данные страны входят в группу БРИКС, и их экономики имеют некоторые общих черты. В частности, Россия и Бразилия являются одними из наиболее быстро развивающихся крупных стран, обладающих большим количеством важных для мировой экономики ресурсов. Для обеих этих стран так же характерно малое количество работ, исследующих влияние различных видов интеллектуального капитала на эффективность деятельности компаний этих стран. Тем не менее, по мнению Chenetal. (2005), ИК способствует развитию не только отдельных компаний, но и целых стран. Авторы считают, что для создания стоимости и конкурентных преимуществ развитие ИК не менее важно, чем инвестиции в физический капитал. Особую актуальность это имеет для ресурсных экономик, таких как Россия и Бразилия.Kaplan&Norton (2004)пишут, что страны, обладающие большими запасами природных ресурсов, но уделяющие мало внимания инвестициям в человеческий и структурный капитал, могут показывать более низкие темпы роста и продуктивности, чем страны, имеющие мало природных ресурсов, но осуществляющие значимые инвестиции в ИК.

Длядостиженияданнойцелибылипоставленыследующиеисследовательскиезадачи:

) выбрать наиболее применяемую классификацию видов ИК для проведения исследования;

) провести обзор существующих на данный момент научных работ и выяснить, какие результаты были получены в отношении того, как каждый вид ИК влияет на эффективность деятельности компаний;

) провести обзор существующих на данный момент исследований в области влияния интеллектуального капитала на финансовую эффективность компаний с развивающихся рынков;

) провести обзор наиболее используемых методов аппроксимации интеллектуального капитала и его видов;

) определить, какой метод аппроксимации является наиболее подходящим для проведения данного исследования;

) выдвинуть исследовательские гипотезы, опираясь на результаты, полученные в более ранних работах по исследованию влияния видов интеллектуального капитала на результаты деятельности компаний;

) выбрать наилучшую эконометрическую модель для проведения исследования на собранных данных;

) оценить выбранную модель на имеющихся данных и провести интерпретацию результатов.

Объектом данного исследования являются публичные компании, торгуемые на рынках России и Бразилии. Предметом исследования является выявление влияния различных элементов ИК - человеческого, отношенческого, инновационного и процессного - на операционные результаты деятельности компаний России и Бразилии. Для оценки данного влияния был выбран обобщённый метод наименьших квадратов и модель регрессии со случайными эффектами. Выборка включает в себя 324 наблюдения по 94 компании за период с 2005 по 2015 год. Также осуществлена проверка модели на устойчивость путем «чистки» выборки и уменьшения количества наблюдений. Человеческий, отношенческий, инновационный и процессный капитал оцениваются с помощью прокси-переменных, выбранных на основе проведённого обзора литературы.

Научная новизна данной работы заключается в использовании четырёхкомпонентной структуры ИК для оценки его влияния на показатели операционной эффективности компаний России и Бразилии. Ранее данная классификация с разделением структурного капитала на процессный и инновационный в исследованиях ИК в России и Бразилии использовалась лишь работе Bayburina&Golovko (2009), где исследовалось влияние на разницу в рыночной и балансовой стоимости компании. Между тем, расходы на НИОКР составляют важную часть ИК и имеет смысл выделить их из общего понятия «структурный капитал».

Результаты данного исследования могут быть полезны как для научного сообщества, так и для практиков. В частности, данная работа позволяет расширить представление исследователей о зависимости отдельных видов ИК и операционной эффективности компании на развивающихся рынках. Выводы данной работы также будут полезны и менеджерам для лучшего понимания роли каждого вида ИК в компании и формирования наиболее выгодных стратегий по управлению им.

Данная работа включает три главы. В первой главе проведён обзор существующих на настоящий момент исследований в области интеллектуального капитала и его составляющих. В частности, показано, какие существуют подходы к определению понятия «интеллектуальный капитал» и классификации его элементов; какие методы аппроксимации интеллектуального капитала и его видов являются наиболее используемыми; какие результаты были получены в работах, посвящённых исследованию влияния интеллектуального капитала и его компонентов на эффективность деятельности компаний разных стран, в том числе России и Бразилии. Во второй главе формулируются исследовательские гипотезы с опорой на результаты, полученные в более ранних работах, обосновывается выбор модели и приводится описание переменных. Третья глава включает в себя описание данных, на основе которых проводится исследование. Также в этой главе представлены результаты оценки выбранной модели и их интерпретация. Заключение содержит выводы на основе полученных результатов.

Глава 1. Обзор существующих исследований в области интеллектуального капитала

1.1 Определение интеллектуального капитала компании

Интерес к интеллектуальному капиталу, как к объекту исследований, начал появляться в 80-х годах прошлого века во время развития целого ряда наукоёмких отраслей, таких как компьютерная сфера, сфера биотехнологии, консультирование, разработка программного обеспечения, а также Интернет-индустрия. Одним из первых термин «интеллектуальный капитал» употребил Томас Стюарт в 1991 году и определил его как «совокупность знаний, информации, интеллектуальной собственности и опыта, которыми обладает каждый человек в компании и которые служат для создания конкурентных преимуществ и богатства компании» (Dzenopoljac, Janosevic, & Bontis, 2016).

Явление интеллектуального капитала (ИК) привлекло внимание многих учёных, что привело к появлению множества работ по исследованию его значимости и попыток дать ему чёткое определение. Edvinsson & Malone (1997) считают, что ИК - это «все знания, опыт, организационные технологии, отношения с клиентами и профессиональные навыки, которые способствуют поддержанию конкурентного преимущества компании на рынке». Brooking(1997) определяет ИК как совокупность нематериальных активов рынка, интеллектуальной собственности, человеческих способностей и инфраструктуры, которые способствуют функционированию компании.Roosetal.(1997) называют ИК скрытыми активами, «которые не полностью отражены в бухгалтерском балансе, и которые включают как то, что заключено в головах сотрудников, так и то, что остаётся в компании, когда они её покидают». Авторы считают, что такие активы играют всё более важную роль для выживания компании.Все эти определения указывают на составную структуру ИК, элементы которой в большинстве своем не отражены в финансовой отчётности компании, и рассматривают ИК как фактор развития компании.

С точки зрения Edvinsson (1997), ИК представляет собой разницу между рыночной и балансовой стоимостью компании и «по крайней мере так же важен для обеспечения стабильной прибыли, как и финансовый капитал». В данном определении сделана скорее попытка оценить ИК. Тем не менее, является неочевидным, что разница в рыночной и балансовой стоимости возникает лишь под влиянием ИК и требует доказательств.

Что касается взаимосвязи ИК и нематериальных активов компании, Lev (2000) пишет, что интеллектуальный капитал - это «требование» на будущие доходы, которое не имеет физического или финансового воплощения и отождествляет ИК и нематериальные активы. Bayburina&Golovko (2009), наоборот, считают, что понятие «интеллектуальный капитал» более широкое и включает в себя нематериальные активы, а также другие нефинансовые характеристики, создающие потенциал для будущего роста. В более поздних работах по исследованию ИК, авторы определяют его как специфические и ценные знания, которыми обладает компания, и называют ИК стратегическим активом (Riahi-Belkaoui, 2011). Iskharetal.(2014) называют ИК «экономическим богатством» и «наиболее ценным ресурсом, который повышает выживаемость компании».

Можно заметить, что каждый автор трактует ИК несколько по-своему, и нет общепринятого четкого определения этого феномена. По мнению Кузубова (2009), во многих случаях авторы дают определение ИК исходя из целей своего конкретного исследования. Тем не менее, общими чертами, присутствующими во всех определениях, является то, что ИК не имеет материальной формы, но при этом несёт в себе потенциал для получения тех или иных выгод для компании. Кроме того, большинство определений говорит о том, что ИК неоднороден и включает в себя различные элементы.

1.2 Методы оценки интеллектуального капитала компании

интеллектуальный капитал инновационный

Несмотря на большое количество исследований в сфере ИК, проблема оценки ИК и его элементов до сих пор является актуальной. На данный момент не существует универсального и общепринятого метода измерения ИК, у которого бы практически не было недостатков.

Одним из первых подходов к оценке ИК был метод Skandia Navigator, впервые применённый для измерения ИК шведской компании Skandia и впоследствии описанный Edvinsson, Malone (1997). Данный метод включает 112 базовых критериев для оценки 5 областей процесса создания ценности компании: финансовая, потребительская, процессная, область развития и область человеческих ресурсов. В оценку включаются, например, такие показатели, как количество персональных компьютеров на одного сотрудника, процент работников с учёной степенью, расходы на программное обеспечение и другие. Данный метод позволяет довольно полно оценить различные компоненты ИК компании, однако большое количество критериев, информацию по которым далеко не всегда можно получить из открытой отчетности компаний, делает его применение затруднительным для оценки большого количества компаний.

Еще один метод оценки ИК компании под названием IntangibleAssetMonitorApproach был предложен Sveiby (1997). Данный метод делает акцент 4 на индикаторах, которые отражают изменения и потоки нематериальных активов: рост, инновации, эффективность, стабильность. При этом для оценки каждого индикатора также предлагается несколько измерителей, таких, как, например, доля возвратов, уровень удовлетворённости клиентов, темп расширения компании и другие. Сами нематериальные активы при этом разделены на 3 категории: внутренние, внешние и активы, отражающие компетенции сотрудников, принимающих непосредственное участие в создании продукта, предлагаемого клиентам. Как и прошлый подход, данный метод также позволяет провести довольно обширный анализ ИК компании, но при этом для его применения необходима информация, редко содержащаяся в официальной отчётности. Таким образом, оба метода больше подходят для использования менеджерами компаний с целью формирования отчётности по ИК, чем для исследования ИК большого количества компаний.

Методы наиболее часто применяющиеся для оценки ИК в количественных исследованиях, включающих большое число компаний, можно разделить на две группы (Garanina, 2011;Andreeva & Garanina, 2016): анкетирование с использованием качественных показателей и количественная оценка ИК с использованием прокси-индикаторов. Первая группа методов представляет собой использование опросников, респондентами для которых являются ответственные лица компаний (Youndt etal., 2004; Tseng & Goo, 2005;Tovstiga & Tulugurova, 2007;Andreeva & Garanina, 2016). Данные анкеты обычно содержат вопросы касательно внутренней организации процессов в компании, включая, например, вопросы об уровне мотивации работников или об уровне взаимодействия компании со своими стэйкхолдерами. Данный метод хорош тем, что позволяет получить данные, не указанные ни в какой отчётности, и провести достаточно глубокий анализ роли ИК в компании. Тем не менее, он имеет один ярко выраженный недостаток: данные, собранные с помощью анкетирования, являются субъективными суждениями менеджмента компаний и могут не всегда соответствовать действительности.

Другая группа методов оценки ИК измеряет его с помощью количественных прокси с использованием данных из финансовой или нефинансовой отчетностей. Достоинством этого метода по сравнению с предыдущим является то, что источником данных служат проаудированные отчётности компаний, что позволяет говорить об их большей надёжности. Кроме того, количественные данные проще сравнивать между собой, что важно в исследованиях, куда входит большое число компаний.

К методам, использующим прокси-индикаторы, относится достаточно широко применяемый методVAIC(ValueAddedIntellectualCoefficient).Данный метод был предложен Pulic(2000) и использован многими исследователями для измерения ИК компаний (Tan et al., 2011; Firer & Williams, 2003; Chenet al., 2005;Kimuraetal., 2010; Fanetal., 2011;Mehralian, 2012;Dzenopoljacetal., 2016). VAICдаётинформациюотом, насколькоэффективноматериальныеинематериальныеактивыкомпанииучаствуютвсозданиистоимости. Данный коэффициент является суммой трёх составляющих: эффективности использования физического капитала (CEE), эффективности человеческого капитала(HCE) и эффективности структурного капитала(SCE). Более высокое значение VAIC предполагает, что руководство компании эффективнее использует её потенциал для создания стоимости. Человеческий капитал в данной модели измеряется через общие затраты на персонал. Структурный капитал определяется как разница между добавленной стоимостью и человеческим капиталом. Можно заметить, что мера измерения структурного капитала является достаточно общей и не конкретизирует причинность его возникновения, предполагая, что к структурному капиталу относится всё, что не относится к человеческому и при этом создаёт добавленную стоимость. Chenetal.(2005)говорятотом, что компонентVAIC, оценивающий структурный капитал не является достаточной мерой для его измерения, так как не учитывает инновационный капитал. Осколкина (2013) также не считает VAIC подходящей мерой для измерения ИК, так как он «отражает скорее не размер интеллектуального капитала или эффективность использования ИК, а эффективность самих интеллектуальных активов».Таким образом, данный метод не был выбран для проведения данного исследования, так как он обладает рядом недостатков, в частности, позволяет оценить лишь два вида ИК и при этом определяет структурный капитал довольно размыто.

В других работах, использующих количественные методы оценки ИК, авторы используют различные индикаторы для измерения того или иного вида ИК. Именно прокси-переменные выбраны для проведения данного исследования, так как они позволяют оценить каждый вид ИК в отдельности и процесс сбора данных для них является менее затруднительным, чем анкетирование ответственных лиц компаний. Более подробное описание некоторых прокси-переменных, используемых в исследованиях в области ИК, а также в данной работе, представлено в 3 главе в разделе «Описание переменных».

.3 Элементы интеллектуального капитала компании

Принято выделять несколько составляющих в структуре ИК, однако не существует одной единой его классификации. В данной работе используется популярная классификация ИК, принятая многими исследователями (Edvinsson & Malone, 1997; Brooking, 1997; Roos&Roos, 1997; Buren, 1999; ChooandBontis, 2002) и используемая в большом количестве работ по исследованию ИК (Tseng & Goo, 2005; Wang&Chang, 2005; Maditinos et. al, 2011; Scafarto et. al, 2016).

Человеческий капитал как составляющая ИК отдельно выделялся всеми исследователями. Brooking (1996) определял человеческий капитал, как совокупность коллективного опыта, креативности, способностей к решению проблем, лидерских и предпринимательских качеств, воплощенных в сотрудниках организации. Если говорить более кратко, то человеческий капитал - это нематериальные активы, заключенные в человеческих ресурсах компании (Dzenopoljacetal., 2016). Отличительной чертой человеческого капитала является то, что компания лишается его, когда теряет своих сотрудников (Bontis, 1998).

Во многих исследованиях найдена положительная зависимость между человеческим капиталом и эффективностью. Например,Chenetal. (2005), используя выборку из более чем 4000 наблюдений по публичным компаниям Тайвани и измеряя человеческий капитал как затраты на работников в рамках модели VAIC, выявили его положительное влияние на рыночную стоимость и производительность. Другое исследование (Bozbura, 2004) подтвердило, что человеческий капитал положительно влияет на рыночную стоимость (M/B) компаний Турции.

Тем не менее, существуют исследования, не подтверждающие данную положительную зависимость, либо подтверждающие её лишь частично. Chuetal. (2011), исследуя публичные компании Китая за 2001-2009 годы, нашли положительную связь с прибыльностью (ROA), но при этом получили, что человеческий капитал отрицательно влияет на рыночную стоимость (M/BV) и не связан с ROE и АТО. Maditinosetal. (2011) наоборот показали положительное влияние человеческого капитала на M/BV и ROE компаний Греции, но не нашли связи с ROA и ростом. При исследовании влияния ИК в компаниях Южной Африки (Firer&Williams, 2003; Shiu, 2006) и вовсе было получено отрицательное влияние человеческого капитала на производительность (АТО) и рыночную стоимость (M/BV).

Исследования также показывают, что различные виды ИК могут оказывать влияние друг на друга, увеличивая при этом совокупное влияние на эффективность компании. В частности, во многих работах (Tseng & Goo, 2005; Wang&Chang, 2005; Subramaniam&Youndt, 2005; Scafartoetal., 2016) показано, что человеческий капитал косвенно воздействует на эффективность компаний через положительное влияние на другие виды капитала и их последующее положительное влияние на эффективность. Inkinen (2015) в работе, посвященной обзору эмпирических исследований ИК, приходит к выводу, что человеческий капитал можно считать наиболее важным элементом ИК, так как он способствует наращиванию структурного и отношенческого капитала. Тем не менее, как считают некоторые исследователи (Scafartoetal., 2016), несомненно имея большое значение для компании, человеческий капитал не является достаточным для обеспечения наилучшей эффективности, и должен находиться во взаимодействии с другими видами ИК. Scafartoetal. (2016) занимались исследованием влияния ИК на эффективность деятельности крупных сельскохозяйственных компаний и получили отсутствие прямого влияния человеческого капитала на эффективность. Тем не менее, согласно результатам их исследования, бо̀льшие инвестиции в человеческий капитал помогают компании получить более высокую прибыль от инвестиций в НИОКР. Таким образом, результаты по исследованию влияния человеческого капитала на эффективность компаний несколько отличаются, но многие исследователи приходят к выводу, что человеческий капитал играет в компании довольно важную роль, так как-либо прямо, либо через другие виды ИК способствует увеличению её финансовых показателей.

Структурным капиталом называют всё то, что остаётся в организации, когда все сотрудники уходят домой (Roos&Roos, 1997). Иначе говоря, это внутренняя инфраструктура организации, имеющиеся технологии, изобретения, системы, механизмы и т.п., которые способствуют более эффективному её функционированию. Элементами структурного капитала принято считать инновационный и процессный капитал.

Многие исследователи считают, что существует значительная и положительная взаимосвязь между расходами на НИОКР и эффективностью бизнеса, как текущей, так и будущей. Sougiannis (1994) считает, что в среднем увеличение расходов на исследования и разработки на один доллар приводит к двукратному увеличению прибыли за семилетний период. Huang&Liu (2005) также нашли положительную связь между затратами на НИОКР и будущей прибыльностью и ростом компании. Вместе с этим они получили нелинейную зависимость: расходы на НИОКР положительно влияют на эффективность компании до тех пор, пока они не превышают определенного уровня. Chenetal. (2005) показал, что затраты на НИОКР оказывают значительное положительное влияние на прибыльность (ROA) и рост выручки, как текущие, так и будущие. Исследование Anagnostopoulou&Levis (2008), включающее большое число компаний Великобритании, показало стабильное увеличение роста продаж и чистого дохода вследствие увеличения расходов на НИОКР, но только для тех компаний, которые вынуждены вести НИОКР из-за отрасли, в которой функционируют. Однако не все исследования говорят об исключительно положительной связи инновационного капитала и эффективности. Scafartoetal. (2016) оценивали влияние инновационного капитала (представленного затратами на НИОКР) на текущую эффективность компании и получили значимую отрицательную зависимость. Результат объясняется тем, что инвестициям в НИОКР может потребоваться некоторое время, чтобы окупиться. Инновационный капитал также может влиять на эффективность компании и косвенно (Wang&Chang, 2005): в отрасли информационных технологий Тайвани инновационный капитал влияет на процессный, который в свою очередь влияет отношенческий. В результате клиентский отношенческий капитал с помощью инновационного влияет на эффективность.

Процессный капитал - это технологические процессы, системы и методики, которые применяются в организации для достижения лучшего качества продукции/услуг и эффективности работы (Scafartoetal., 2016).

В некоторых работах его также называют организационным. Как было показано Wang&Chang (2005), процессный капитал оказывает прямое положительное влияние на эффективность. Кроме того, инвестиции в процессный капитал приводят к повышению удовлетворённости клиентов и улучшению отношений с ними. Chengetal. (2010) подчёркивают большую значимость процессного капитала, так как он может влиять на корпоративную эффективность бизнеса не только за счет снижения стоимости операций, но и за счет повышения производительности клиентов. Их исследование также показало, что эффективные рабочие процессы положительно влияют на производительность компании за счет сокращения затрат на поддержание отношений с клиентами, таких как продажа, реклама и административные расходы.Недавнее исследование Scafarto et al. (2016) также показало, что процессный капитал оказывает значимое положительное влияние на такие меры прибыльности компании, как ROA, ROE и ROI. Стоит заметить, что большое количество авторов использовало метод VAIC для проведения исследования по влиянию ИК на результаты деятельности компаний, в котором выделены лишь человеческий и структурный капитал. Поэтому существует гораздо меньше исследований, исследующих отдельно влияние процессного капитала. Тем не менее, большинство из них показывают его положительное значение для эффективного функционирования компаний.

Еще одним элементом ИК является отношенческий капитал. Согласно Buren(1999), он представляет собой ценность отношений компании с её клиентами. Bontis(1998) включает в эти взаимоотношения не только клиентов, но и других внешних контрагентов, таких как поставщики, заинтересованные лица, правительство и других. Он говорит о том, что отношенческий капитал является внешним по отношению к компании. Считается, что данный вид капитала служит «мостом» в преобразовании ИК в рыночную стоимость и, таким образом, в эффективность (Chenetal., 2004). Данное суждение подтверждается в работе Wang&Chang (2005), где показана цепочка влияние видов ИК друг на друга, в конце которой отношенческий капитал прямо влияет на эффективность. Tseng & Goo (2005) обнаружили, что отношенческий капитал напрямую и положительно влияет на рыночную стоимость фирм, основываясь на данных опроса тайваньских производителей. Cheng et al. (2010) оценивали отношенческий капитал через затраты на поддержание отношений с клиентами (затраты на продажу и рекламу) и обнаружили, что чем выше стоимость поддерживаемых отношений с клиентами, тем выше положительный влияние на корпоративную эффективность.

1.4 Существующие исследования взаимосвязи интеллектуального капитала и эффективности компаний в развивающихся странах

В большом количестве работ, посвященных исследованию влияния ИК на результаты деятельности компаний в развивающихся странах, в качестве измерителя ИК и его составляющих используется метод прокси-индикаторов. В частности, большой популярностью обладает применение VAIC(Dzenopoljacetal., 2016; Firer & Williams, 2003; Mehralian, 2012; Gan&Saleh, 2008; Kamath, 2008; Fanetal., 2011). Фирер и Уильямс (Firer&Williams, 2003) исследовали влияние трех составляющих модели VAIC (человеческого, структурного и физического капитала) на эффективность компаний, измеряемую через ROA, ATO, MB. Результаты показали, что во всех взятых отраслях (банковская, электроэнергетическая, информационные технологии, услуги) физический капитал остается наиболее важным ресурсом для обеспечения корпоративной эффективности, в то время как человеческий и структурный капитал не оказывают значимого влияния на эффективность. Более того, рынок склонен реагировать негативно на большую долю человеческого капитала в компании. Данные результаты были частично подтверждены Kamath (2008) при исследовании компаний фармацевтической отрасли в Индии за период с 1996 по 2006 годы. С использованием модели VAIC им было показано, что стэйкхолдеры оказывают большее доверие к материальным активам, нежели к нематериальным. Кроме того, ни один из видов капитала не показал значимого влияния на продуктивность и производительность, хотя влияние человеческого капитала получилось наибольшим. Значимость физического капитала для эффективной работы компаний и отсутствие значимого влияния ИК утверждали Mehralian (2012) и Dzenopoljacetal. (2016) при исследовании фармацевтических компаний в Иране и компаний сферы информационно-коммуникационных технологий в Сербии соответственно. Тем не менее, используя метод VAIC, как и все вышеназванные авторы, Fanetal. (2011) получил противоположные результаты при анализе взаимосвязи между ИК с эффективностью предприятия (маржа операционной прибыли, ROE, P/B). Для исследования были взяты китайские компании таких отраслей, как промышленность, сфера информационных технологий, банковская и страховая сферы. Оказалось, что результаты несколько отличаются для разных отраслей. Однако совпадает то, что «движущей силой капитала для создания стоимости является человеческий капитал и структурный капитал, в то время как влияние физического капитала относительно невелико».

Положительная роль ИК в организации была найдена также Osman (2014) при изучении влияния ИК на инновационный потенциал и эффективность работы малых и средних предприятий Малайзии. Для оценки величины ИК был применён метод анкетирования. Результаты показали, что ИК, представленный человеческим, структурным и социальным капиталом, оказывает значимое положительное влияние на инновационный потенциал компании и на её эффективность. F‐Jardónetal. (2009), так же используя опросник, изучили роль человеческого, структурного и отношенческого капитала для 113 малых и средних предприятий в Аргентине, а также взаимосвязь между самими компонентами ИК. Было получено, что наиболее важным элементом ИК является человеческих капитал, так как он оказывает влияние на другие виды ИК: структурный и отношенческий, что согласуется с более ранними исследованиями (Bontis, 1998; WangandChang, 2005). В свою очередь отношенческий капитал влияет на структурный капитал, который уже прямо влияет на эффективность компании. Такими образом, человеческий капитал имеет важное значение для увеличения эффективности компании, хотя влияет на неё лишь косвенно.

В России было проведено относительно немного исследований, направленных на изучение влияния ИК на показатели эффективности компаний. В работе Андреевой и Гараниной (2016)показано, что большинство из них основаны на небольшой выборке (не более 45 российских компаний), и практически все они показывают, что человеческий и структурный капитал положительно влияют на различные показатели эффективности компаний. При этом некоторые работы выделяют человеческий капитал, как имеющий наибольшее влияние среди остальных видов ИК (Bayburina & Golovko, 2009; Garanina, 2011)). Отношенческийкапиталбылисследованлишьвнекоторыхработах(Bayburina&Golovko, 2009;Garanina, 2011; Andreeva&Garanina, 2016), результаты которых противоречивы.

Остановимся на российских исследованиях более подробно. Garanina(2011) исследовала влияние ИК на цены акций 43 компаний 4 отраслей: металлургия, добывающая промышленность, энергетика и услуги связи. Структурный капитал был представлен общими расходами компании и не был разделён на процессный и инновационный. Было выявлено, что материальные активы играют бо̀льшую роль в создании стоимости компании, чем нематериальные. Andreeva&Garanina(2016)провели опрос среди ответственных лиц 240 российских производственных компаний. В результате они получили, что человеческий и структурный капитал положительно влияют на организационную эффективность, в то время как отношенческий капитал влияния не оказывает. Главным объяснением отсутствия влияния, по их мнению, может служить то, что большинство компаний имеют достаточно высокие значения отношенческого капитала, по причине чего его наличие перестает быть конкурентным преимуществом. Кроме того, возможно существование лагов, которые модель не учитывала. Структурный капитал, наоборот, имеет низкое среднее значение и большую дисперсию, что говорит о том, что для тех компаний, которые им обладают, он является конкурентным преимуществом.

Исследования ИК в странах, входящих в БРИКС (Nadeemet al., 2017;Bayburina&Golovko, 2009) также выявляли значимое влияние человеческого капитала на показатели эффективности компаний (такие, как ROE, ROA, ATO и различия в рыночной и балансовой стоимости). В обоих исследованиях использовались лаги в несколько лет. Bayburina&Golovko(2009) назвали человеческий капитал ключевым фактором роста во всех исследуемых отраслях. Их исследование также показало, что инновационный капитал значимо положительно влияет на разницу в рыночной и балансовой стоимости. Nadeemetal.(2017) также выявили что инвестиции в структурный капитал приводят к повышению эффективности работы фирмы за счет осуществления инноваций в продукты и услуги. Исследования и разработки особенно важны для конкретных отраслей, таких как информационные технологии и фармацевтика.

Что касается Бразилии, ученые утверждают (yFernandezetal., 2012) что в быстро развивающейся бразильской экономике, особенно в быстро меняющемся городе и штате Рио-де-Жанейро, нематериальные активы становятся ключевым фактором успеха для устойчивого роста. Ряд исследований, использующих метод VAIC, был проведён для выявления роли ИК в создания стоимости бразильских компаний разных отраслей. Была найдена положительная и значимая связь между движением и запасами ИК и прибыльностью мебельных компаний (Kimuraetal., 2010), а также компаний сектора производства и сборки транспортных средств и запчастей (Bassoetal., 2010). Модель VAIC также смогла объяснить создание стоимости в компаниях производственных отраслей Бразилии (deAguiaretal., 2010).

Глава 2. Постановка гипотез и выбор методологии для исследования

2.1 Постановка гипотез

В данном разделе мы перейдём к постановке и обоснованию исследовательских гипотез.

Н1: человеческий капитал положительно и значимо влияет на эффективность.

Сотрудники компании являются той движущей силой, которая позволяет компании функционировать: как вести текущую деятельность, используя при этом имеющиеся в компании специальные программы и методики, так и разрабатывать новые продукты, создавать инновации, улучшать качество обслуживания. Это позволяет предположить, что опыт, знания и компетенции сотрудников, составляющие человеческий капитал, могут прямо влиять на эффективность деятельности компании. Данная гипотеза согласуется с результатами исследований Garanina(2011), Bayburina&Golovko(2009)Nadeemetal. (2017) для российских компаний и компаний стран БРИК.

Исследования по развитым странам носят противоречивый характер относительно влияния отношенческого капитала на эффективость. Тем не менее, будем предполагать, что для российский и бразильских компаний он положительно влияет на результаты их деятельности, так как в развивающихся странах формальные институты бывают не эффективны, и компании часто полагаются на преимущества личных связей. Положительное влияние отношенческого капитала было подтверждено в работах Wang&Chang(2005),Tseng&Goo(2005), Bayburina&Golovko(2009).

2.2 Выбор методологии

.2.1 Описание переменных

Объясняемыми переменными являются человеческий, отношенческий, инновационный и процессный капитал, измеряемые с помощью прокси-переменных. В таблице 1 представлены популярные прокси-переменные, используемые в качестве мер для элементов ИК в данной работе, с указанием, в каких работах они применялись ранее. Наиболее часто используемой прокси для человеческого капитала являются расходы на работников. Это можно обосновать тем, что человеческий капитал основан на профессионализме работников, а заработная плата, которую компания выплачивает работникам, является величиной, формируемой в условиях рынка. Это означает, что зарплаты квалифицированных работников обычно больше, так как они более востребованы. Таким образом, более высокие затраты компании на оплату труда работников могут означать увеличенное значение человеческого капитала. Количество работников также служит в качестве прокси для человеческого капитала во многих исследованиях, так как каждый новый сотрудник привносит дополнительные знания и возможности от реализации его потенциала. Коммерческие, общехозяйственные и административные расходы включают в себя затраты, связанные с получением и обслуживанием новых заказов, рекламой продукции, содержанием различных административных и технических подразделений и другие. Если компания эффективно распоряжается своими ресурсами, то можно сказать, что более высокое значение данных расходов отражает более активное взаимодействие с поставщиками, клиентами и заинтересованными лицами, то есть ведет к увеличению отношенческого капитала. В некоторых исследованиях (см. Таблицу 1) за меру отношенческого капитала берётся темп роста продаж. Этот показатель в основном отражает взаимодействие компании со своими клиентами, подразумевая, что именно преимущества отношенческого капитала помогают достичь роста продаж. Таким образом, в данной мере заключено условие, что рост продаж обусловлен именно преимуществом во взаимодействии с клиентами. Данное допущение является довольно грубым, однако, согласно некоторым авторам (см. Таблицу 1) может служить индикатором для отношенческого капитала.

Широко используемой мерой для инновационного капитала являются затраты на НИОКР, которые, согласно Lev(2000), являются его главной составляющей. Исследований, включающих процессный капитал, существует не так много. В частности, для его измерения использовались такие прокси, как продуктивность работников, добавленная стоимость на одного работника и отношение продаж к средним оборотным или внеоборотным активам. Большее количество прокси для процессного капитала взято для того, чтобы учесть его с разных сторон, так как ни одна прокси не отражает в полной мере все методики, программы и процессы, которыми обладает компания. Данные прокси скорее отражают результаты их использования, имея в этом отношении сходство со второй прокси для отношенческого капитала.

Таблица 1. Прокси-индикаторы для видов ИК

Вид ИК

Прокси-переменная

В каких работах использовалась

Человеческий капитал

Затраты на сотрудников

Edvinsson & Malone (1997), VanBuren (1999), Pulic (2000), Firer & Williams (2002), Tseng & Goo (2005),Kamath (2008), Bayburina & Golovko(2009);Garanina(2011), Scafarto et al. (2016)


Количество сотрудников

Edvinsson & Malone (1997), Skandia Navigator (1997), Wang & Chang (2005), Liu, Bayburina & Golovko (2008),

Отношенческий капитал

Коммерческие, обще-хозяйственные и адми-нистративные расходы

Chenet al. (2005), Wang & Chang (2005), Cheng et al. (2010),Scafarto et al. (2016)


Темп роста продаж

Chen (2004), Wang & Chang (2005), Garanina (2011)

Инноваци-онный капитал

Затраты на НИОКР

Chen et al. (2004), Wang & Chang (2005), Subramaniam & Youndt (2005),Bayburina & Golovko(2009), Cheng et al. (2010), Scafarto et al. (2016)

Процессный капитал

Продуктивность работника

Wang & Chang (2005)


Добавленная стоимость на одного работника

Wang &Chang (2005)


Продажи/средние оборотные активы

Wang & Chang (2005);


Продажи/средние внеоборотные активы

Wang & Chang (2005), Chu et al. (2008), Cheng et al. (2010), Scafarto et al. (2016)


Далее представлена таблица с информацией об используемых в модели переменных и источнике данных по ним.

Таблица 2. Информация об используемых переменных.


Название

Формула

Источник данных

Объясняемые переменные:

Показатели прибыльности

ROC

База данных ThomsonReuters


ROA

База данных ThomsonReuters


ROE

База данных ThomsonReuters

Рыночный показатель

P/BV

База данных ThomsonReuters

Объясняющие переменные:

Человеческий капитал

HC1

 Количество работников

Годовые отчёты компаний


HC2

Годовые отчеты компаний, база данных ThomsonReuters

Отношенческий капитал

RC1

База данных ThomsonReuters


RC2

База данных ThomsonReuters

Инновационный капитал

InnC1

Базыданных Thomson Reuters и Capital IQ


InnC2

Базыданных Thomson Reuters и Capital IQ

Процессный капитал

PrC1

База данных ThomsonReuters


PrC2

База данных ThomsonReuters, Годовые отчёты компаний


PrC3

База данных ThomsonReuters, Годовые отчёты компаний


PrC4

База данных ThomsonReuters

Контрольные переменные:

Размер компании

div_Size

База данных ThomsonReuters

Уровень долга

Debt

База данных ThomsonReuters

Дамми года

D_2013

1 - если 2013;  0 - если другой год.



D_2014

1 -2014 год;  0 - если другой год.


Дамми страны

D_country

1 - если Бразилия;  0 - если Россия.


Дамми отрасли

D_electr

1 - если энергетическая отрасль; 0 - если другая



Чтобы учесть влияние других факторов, которые также приводят к изменению значений объясняемых переменных, в модель были добавлены контрольные переменные. В этом качестве были взяты такие наиболее распространённые в работах по ИК контрольные переменные, как размер компании и уровень долга. Также для этого выбраны дамми-переменные 2013 и 2014 годов, так как кризисные для российской и бразильской экономики годы вероятнее всего отрицательно влияли на показатели операционной эффективности компаний. Кризис 2009 года не был учтён, так как по 2009 году в выборке присутствует довольно мало наблюдений. Также было решено учесть влияние энергетической отрасли, так как более половины компаний в выборке являются энергетическими.Кроме того, в модель была включена дамми страны, так как есть вероятность, что эффективность компаний в России и Бразилии отличается в виду межстрановых различий.

.2.2 Выбор модели

Кроме обычной сквозной регрессии существует еще две распространённых модели для работы с панельными данными - модель регрессии с фиксированными эффектами и модель со случайными эффектами. Для выбора наилучшей модели регрессии для работы с имеющейся выборкой были проведены тесты на сравнение трёх моделей между собой. Для сравнения модели с фиксированными эффектами и сквозной регрессии был применён тест Вальда, который проверяет гипотезу о равенстве нулю всех индивидуальных эффектов. Он показал, что модель сквозной регрессии хуже подходит для описания имеющихся данных, чем модель с фиксированными эффектами, в уравнениях, где объясняемыми переменными являются ROC, ROA и ROE (p-value значительно меньше 1%). Тем не менее, уравнение с объясняемой переменной P/BV лучше описывается сквозной моделью регрессии (p-value больше 10%-го уровня значимости). Аналогичные результаты в отношении модели со случайными эффектами были получены при проведении теста Бройша-Пагана, проверяющего гипотезу о равенстве нулю всех случайных индивидуальных эффектов. Таким образом, для выявления влияния элементов интеллектуального капитала на рыночный показатель эффективности компаний P/BV была выбрана модель сквозной регрессии.

Чтобы понять, какая модель - с детерминированными или со случайными эффектами - лучше подходит для работы с имеющейся выборкой и описания уравнений с остальными объясняемыми переменными, был использован подход Мундлака. Данный метод показал, что наиболее подходящей является модель со случайными эффектами.Для всех моделей тест показал p-value больше 5%-го уровня значимости, что доказывает, что модель со случайными эффектами является наилучшим выбором для имеющейся выборки при оценивании уравнений с ROC, ROA и ROE.

Таким образом, для проверки гипотез оцениваются многофакторные линейные регрессии обобщенным методом наименьших квадратов с использованием модели со случайными эффектами следующего вида:


где , PERF - одна из объясняемых переменных ROC, ROA или ROE, HC - одна или несколько прокси-переменных, характеризующих человеческий капитал компании, RC - одна или несколько прокси-переменных, характеризующих отношенческий капитал компании, InnC- одна или несколько прокси-переменных, характеризующих инновационный капитал компании, PrC - одна или несколько прокси-переменных, характеризующих процессный капитал компании (подробную информацию о прокси-переменных см. в Табл. 2).

Далее выборка была протестирована на наличие гетероскедастичности, автокорреляции и мультиколлинеарности - проблем, которые могут приводить к искажению результатов, получаемых с помощью выбранных моделей регрессии. Для тестирования данных на присутствие гетероскедастичности был проведён модифицированный тест Вальда. Тест показал, что нулевая гипотеза об отсутствии гетероскедастичности отвергается при любом уровне значимости. Таким образом, возникает необходимость использования робастных стандартных ошибок. Тест Вулвриджа на автокорреляцию показал, что данная проблема в данных отсутствует, так как p-value по всем уравнениям превышает 5%-ый уровень значимость, что подтверждает нулевую гипотезу об отсутствии автокорреляции.

Тестировании данных на наличие мультиколлинеарности между несколькими переменными было проведено с помощью расчёта показателя вздутия дисперсии VIF (varianceinflationfactor). Во всех регрессиях переменная Size имела VIF больше 10, что свидетельствует о наличии мультиколлинеарности. Для устранения этой проблемы вместо Size была введена новая переменнаяdiv_Size, раcсчитанная как отклонение Size от медианного значения в соответствующем году. При замене Size новой переменной, VIF во всех уравнениях не превышал 6.

Кроме того, была рассчитана матрица парных коэффициентов корреляции Пирсона. Переменные, имеющие коэффициенты корреляции выше 0,5 было решено не включать в одно уравнение, а оценить несколько уравнений отдельно. Это сделано для того, чтобы получить более качественные результаты, так как включение в уравнение регрессии сильно коррелированных факторов может приводить к увеличению дисперсий оценок коэффициентов и, как следствие, уменьшению статистик этих коэффициентов, что может повлиять на значимость коэффициентов. Ниже в таблице показано, какие переменные имеют коэффициенты корреляции выше 0,5 и не будут включены в одно уравнение регрессии.

Таблица 3. Переменные, имеющие высокий коэффициент корреляции.

X

Y

corr(X;Y)

InnC1

InnC2

0.6416

InnC1

PrC2

0.6565

InnC1

PrC3

0.5562

PrC2

PrC3

0.7320

PrC2

PrC4

0.5788

div_Size

HC1

0.5670


После проведения тестов на выбор наилучшей модели, проверки на наличие таких проблем, как гетероскедастичность, автокорреляция и мультиколлинеарность и устранения влияния данных проблем при их наличии, модель была оценена для получения результатов.

Глава 3. Эмпирическая проверка выдвинутых гипотез

3.1 Описание данных

Первым шагом для сбора данных стало получение списка российских и бразильских компаний, по которым будет проводиться исследование. Для этого компании нефинансового сектора России и Бразилии были найдены в базе ThomsonReuters.Затем из ThomsonReuters и Capital IQ были выгружены доступные данные по расходам на НИОКР компаний из имеющегося списка за период с 2005 по 2015 год. Данный временной период в 11 лет был выбран для того, чтобы иметь возможность получить как можно больше наблюдений, так как базы данных содержат много пропусков в данных по затратам на НИОКР. Верхней границей временного периода стал 2015 год, так как на момент написания данной работы данные по 2016 году в базах отсутствовали. В результате было получено 1132 наблюдения компания-год. Далее из базы данных ThomsonReuters были выгружены имеющиеся данные по расходам на работников для тех наблюдений, по которым уже были найдены данные по затратам на НИОКР. Таким образом, осталось 478 наблюдений компания-год. Далее из годовых отчётов компаний вручную были собраны данные по количеству работников. Оставшиеся данные - активы, чистые продажи, чистая прибыль (подробнее см. в таблице 2) - были выгружены из базы данных ThomsonReuters. В результате было получено 324 наблюдения компания-год по 94 компаниям (49 российских и 45 бразильских), из которых 165 наблюдений составлены по российским компаниям и 159 - по бразильским. Далее все компании были разбиты по отраслям: энергетическая, нефтегазовая, металлургическая, машиностроительная, пищевая (включая АПК). Наблюдения, не вошедшие ни в одну группу, были отнесены к группе «Прочие отрасли».

Далее представлены диаграммы, отражающие временную и отраслевую структуру данных. Как можно заметить по Рис. 1, выборка достаточно несбалансированная, гораздо больше наблюдений приходиться на временной период с 2011 по 2015 годы. Одной из причин того, что базы данных и сами отчетности компаний содержат много пропусков, может являться низкая культура раскрытия информации в развивающихся странах. Говоря о том, какие компании вошли в выборку, стоит сказать, что больше половины из них относятся к энергетической отрасли (171).

Рисунок 1. Количество наблюдений в выборке по годам

Источник: расчёты автора

 

Рисунок 2. Количество наблюдений в выборке по отраслям

Источник: расчеты автора

Далее приведена таблица с описательными статистиками используемых переменных.

Таблица 4. Описательные статистики переменных

Источник: расчёты автора


Количество наблюдений

Среднее значение

Стандартное отклонение

Минимум

Максимум

ROC

323

0,0870279

0,2230366

-1,6021

1,2677

ROA

324

0,0610293

0,1337451

-0,4924

0,9037

ROE

324

0,1021676

0,4601152

-5,0595

1,8839

P/BV

293

3,6922

19,35581

-3,5306

314,3186

HC1

324

34533,61

76902,58

12

462400

HC2

324

0,0460679

0,0594212

0

0,378

RC1

324

0,0906975

0,1247903

0

0,879

RC2

324

0,0101454

0,3683987

-0,9757

3,987

InnC1

324

0,0171481

0,0664652

0

0,8521

InnC2

324

0,023462

0,0813727

0

1,0662

PrC1

324

2,350306

1,495227

0,091

10,101

PrC2

324

497676,2

1069832

14795

1,07e+07

PrC3

324

76929,67

436969,5

-4807573

3644874

PrC4

324

1,424954

1,789522

0,0261

17,1292

Debt

324

3,913858

17,83878

-92,01

179,23

m_Size

324

-4,21e-07

1,837361

-5,9635

4,703171


.2 Результаты оценки регрессионной модели

В моделях со случайными эффектами, которые оцениваются с помощью обобщенного метода наименьших квадратов, показателем качества регрессии является уже не R2, авысокая статистика Вальда.Для получения результатов были оценены несколько моделей с различными объясняющими переменными и выбраны те, которые имеют наибольшую статистику Вальда. Далее в таблицах представлены коэффициенты и их значимость при переменных в выбранных моделях. Так как выборка содержит небольшое количество наблюдений, то были взяты уровни значимости 1, 5 и 10%. В таблицах используются следующие обозначения для уровней значимостей самих моделей и коэффициентов при переменных: *** - 1%, ** - 5%, * - 10%. Для Модели 1 (которая имеет наибольшую статистику Вальда среди всех) представлена подробная таблица с результатами регрессии. По остальным моделям таблицы с результатами вынесены в приложение (см. Приложения 1-5).

Влияние на ROC

Таблица 5. Результаты регрессии для Модели 1. Влияние на ROC

Источник: расчёты автора

Random-effect GLS regression

R-squared: within =

0.0507

Количество наблюдений =

323

 between =

0.5274

Количество групп =

94

 overall =

0.4178

Наблюдений на группу: среднее =

3,4



 максимальное =

9

corr (u_i, X) = 0 (assumed)

Wald Chi2 =

176.29


Prob > Chi2 =

0,0000


Переменная

Коэффициент

Робастная станд.ошибка

Z

P > |Z|

HC1

1,24e-07

1,41e-07

0,88

0,377

HC2

0,6126321

0,3220023

1,90

RC1

0,4648552

0,1178783

3,94

0,000

RC2

0,0102999

0,0339467

0,30

0,762

InnC2

-0,1452532

0,1280254

-1,13

0,257

PrC1

-0,000755

0,012291

-0,06

0,951

PrC2

1,11e-07

1,26e-08

8,83

0,000

Debt

0,0003806

0,0003319

1,15

0,252

D_2013

-0,0605984

0,0228997

-2,65

0,008

D_2014

-0,045545

0,0204144

-2,23

0,026

D_electr

0,0417338

0,0325027

1,28

0,199

D_country

-0,001784

0,0333713

-0,05

0,957

(Intercept)

-0,043778

0,033948

-1,29

0,197


sigma_u

0,11304373

sigma_e

0,13727937

rho

0,40408169


Таблица 6. Коэффициенты переменных в моделях с объясняемой переменной ROC.

Источник: расчёты автора


Модель 1***

Модель 2***

Модель 3***

Wald Chi2

176,29

138,69

91,20

HC1

1,24e-07

1,26e-07

1,88e-07

HC2

0,6126321*

0,606914**

0,2222126

RC1

0,4648552***

0,4855928***

0,2176559

RC2

0,0102999

0,0159651

-0,0040634

InnC1

-

-

0,4758934

InnC2

-0,1452532

-0,1546637

-

PrC1

-0,000755

-0,0000753

0,0004958

PrC2

1,11e-07***

-

-

PrC3

-

4,21e-07***

-

PrC4

-

-

0,0549542***

Debt

0,0003806

0,000356

0,0005507

D_2013

-0,0605984***

-0,0447561**

-0,04936**

D_2014

-0,045545**

-0,0320844 *

-0,0453974**

D_country

-0,001784

0,016796

0,0192597

D_electr

0,0417338

0,0334782

0,059649*

div_Size1

-

-

-

(Intercept)

-0,043778

-0,0339392

-0,0675489*


Если включать переменную div_Size в модель, то она получается незначимой; при этом статистика Вальда ниже, чем в представленных моделях.

Результаты показывают, что в моделях, оценивающих влияние видов ИК на показатель прибыльности компании ROC, при включении в уравнение разных объясняющих переменных статистика Вальда варьируется от 191,92до 108,48. Все модели при этом являются значимыми при любом выбранном уровне значимости. Можно заметить, что самый низкий показатель статистики Вальда имеет модель, в которую включена переменная InnC1 вместо InnC2. Также в этой модели незначимыми являются переменная RC1, значимая в двух других моделях на 1%-ом уровне значимости, и переменная HC2, значимая в двух других моделях на 5 и 10%-ом уровнях значимости. При этом в модели с InnC1 на 10-ти % уровне становится значимой дамми-переменная энергетической отрасли, незначимая в моделях с более высокой статистикой Вальда. Разные прокси-переменные для процессного капитала (кроме PrC1) получились значимыми во всем трёх моделях (все на уровне значимости в 1%). Кроме того, все модели показывают значимое отрицательное влияние кризисных 2013 и 2014 годов на показатель ROC. Итого, принимая во внимание то, что модель 1 и 2 являются более качественными и результаты по ним более достоверны, можно сказать, что человеческий, отношенческий и процессный капитал оказывают значимое положительное влияние на ROC.

Влияние на ROA

Таблица 7. Результаты регрессии для Модели 1. Влияние на ROA

Источник: расчёты автора

Random-effect GLS regression

R-squared: within =

0.1904

Количество наблюдений =

323

 between =

0.5374

Количество групп =

94

 overall =

0.5291

Наблюдений на группу: среднее =

3,4



 максимальное =

9

corr (u_i, X) = 0 (assumed)

Wald Chi2 =

270.52


Prob > Chi2 =

0,0000


Переменная

Коэффициент

Робастная станд.ошибка

Z

P > |Z|

HC1

8,27e-08

8,35e-08

0,99

0,322

HC2

0,0356197

0,1676173

0,21

0,832

RC1

0,2093621

0,0744157

2,81

0,005

RC2

-0,001681

0,0183521

-0,09

0,927

InnC2

0,0109486

0,0934366

0,12

0,907

PrC1

0,0077898

0,0070558

1,10

0,270

PrC3

1,42e-07

5,28e-08

2,69

0,007

PrC4

0,0124663

0,006431

1,94

0,043

Debt

0,0001968

0,0002145

0,92

0,359

D_2013

-0,0395365

0,012883

-3,07

0,002

D_2014

-0,0312208

0,0116368

-2,68

0,007

D_electr

0,0213631

0,017027

1,25

0,210

D_country

0,0239165

0,0168628

1,42

0,156

(Intercept)

-0,0188611

0,0167655

-1,12

0,261


sigma_u

0,06510807

sigma_e

0,07140938

rho

0,45394054


Таблица 8. Коэффициенты переменных в моделях с объясняемой переменной ROA

Источник: расчёты автора


Модель 1***

Модель 2***

Модель 3***

Wald Chi2

270,52

156,94

87,90

HC1

8,27e-08

-


HC2

0,0356197

0,1784805

0,0764988

RC1

0,2093621***

0,2535404***

0,1357196

RC2

-0,001681

0,0095907

0,006953

InnC1

-

-

0,5295579**

InnC2

0,0109486

0,0039585


PrC1

0,0077898

0,0082698

0,0054493

PrC2

-

6,04e-08***


PrC3

1,42e-07***

-


PrC4

0,0124663**

-

0,0227767***

Debt

.0002148

0,0002177

0,0003286

D_2013

-0,0395365***

-0,0443755***

-0,0376233***

D_2014

-0,0312208***

-0,0305575**

-0,0319051**

D_country

0,0239165

0,0008783

0,0140192

D_electr

0,0213631

0,0126053

0,0223129

div_Size1

-

0,0027627

0,0094874*

(Intercept)

-0,0188611

-0,0187246

-0,0210415


В уравнениях с объясняемой переменной ROA значения статистики Вальда колеблются от 308.21 до 97.91. Вновь результаты модели 3, куда включена прокси InnC1, отличаются от других моделей с переменной InnC2. При этом инновационный капитал значим в модели 3 на 5%-ом уровне значимости и не значим в двух других моделях, хотя тоже имеет положительный знак. Основываясь на результатах моделей с большей статистикой Вальда, можно заключить, что отношенческий капитал оказывает значимое влияние на ROA. Все модели показывают значимое на 1%-ом уровне положительное влияние процессного капитала. Также вновь значимое отрицательное влияние на прибыльность имеют кризисные годы.

Влияние на ROE

Таблица 9. Результаты регрессии для Модели 1. Влияние на ROE

Источник: расчёты автора

Random-effect GLS regression

R-squared: within =

0,0502

Количество наблюдений =

323

 between =

0,3344

Количество групп =

94

 overall =

0,2088

Наблюдений на группу: среднее =

3,4



 максимальное =

9

corr (u_i, X) = 0 (assumed)

Wald Chi2 =

65,05


Prob > Chi2 =

0,0000


Переменная

Коэффициент

Робастная станд.ошибка

Z

P > |Z|

HC2

0,6593897

0,5428633

1,21

RC1

0,4763897

0,2076514

2,29

0,022

RC2

-0,0824139

0,0604814

-1,36

0,173

InnC2

-0,3435592

0,339205

-1,01

0,311

PrC1

-0,0072368

0,0280743

-0,26

0,797

PrC2

1,60e-07

2,71e-08

5,88

0,000

Debt

0,0018584

0,0013369

1,39

0,165

D_2013

-0,1312715

0,0536835

-2,45

0,014

D_2014

-0,2492534

0,1194293

-2,09

0,037

D_electr

0,0302179

0,0594082

0,51

0,611

div_Size

0,0112231

0,0169252

0,66

0,507

D_country

-0,0893894

0,0985434

-0,91

0,364

(Intercept)

0,0240449

0,0627428

0,38

0,702


sigma_u

.22526762

sigma_e

.36048834

rho

.28083147



Таблица 10. Коэффициенты переменных в моделях с объясняемой переменной ROE

Источник: расчёты автора


Модель 1***

Модель 2***

Wald Chi2

65,05

45,88

HC11

-

-

HC2

0,6593897

0,1494783

RC1

0,4763897**

0,1643685

RC2

-0,0824139

-0,1009724*

InnC1

-

0,4813581

InnC2

-0,3435592

-

PrC1

-0,0072368

-0,0082956

PrC2

1,60e-07***

-

PrC3

-

-

PrC4

-

0,0692896***

Debt

0,0018584

0,0020323

D_2013

-0,1312715**

-0,1170159**

D_2014

-0,2492534**

-0,2520541**

D_country

-0,0893894

-0,0629653

D_electr

0,0302179

0,0664622

div_Size

0,0112231

0,0257238

(Intercept)

0,0240449

0,0066611


HC1 во всех уравнениях была незначима, уравнения с ней имели более низкую статистику Вальда

Модели, исследующие влияние видов ИК на показатель прибыльности ROE, имеют довольно невысокие значения статистики Вальда и, соответственно, низкое качество подгонки. Тем не менее, все три модели значимы при любом выбранном уровне значимости. Результаты показывают положительное влияние RC1 и отрицательное влияние другой прокси-переменной для отношенческого капитала - RC2. Причем обе переменные являются значимыми лишь в одной из двух моделей. Обе модели показывают, что процессный капитал значимо положительно влияет на ROE, а кризисные годы оказывают отрицательное влияние. Инновационный капитал не является значимым ни в одной модели и при этом разные прокси имеют разное направление влияние, как и в уравнениях, оценивающих связь с ROC.

Влияние на P/BV

В модели линейной регрессии, оценивающей влияние видов ИК на значение рыночного мультипликатораP/BV, показателем качества подгонки регрессии служит R2. Значения этого показателя для регрессий с общей значимостью на уровне 1-5% получаются слишком низкими (максимальное значение - 0.0221). Одновременно, ни один коэффициент в данной модели не является значимым, что позволяет говорить об отсутствии влияния видов ИК на значение данного показателя.

Таблица 11. Результаты линейной регрессии. Влияние на P/BV

Источник: расчёты автора

Linearregression



Количество наблюдений =

293


F( 14, 278) =

3,23


Prob>F =

0,0001


R-squared =

0,0221


Root MSE =

19,582


Переменная

Коэффициент

Робастная станд.ошибка

t

P > |t|

HC1

-0,0000129

0,0000102

-1,26

0,209

HC2

5,003932

20,22424

0,25

0,805

RC1

-0,9927487

8,835956

-0,11

0,911

RC2

2,995466

2,378201

1,26

0,209

InnC2

-4,754744

6,106776

-0,78

0,437

PrC1

-0,3564385

0,4930965

-0,72

0,470

PrC3

8,05e-07

2,36e-06

0,34

0,733

PrC4

1,105932

0,3989697

2,77

0,006

Debt

-0,0238113

0,0174412

-1,37

0,173

D_2013

0,5793481

1,891693

0,31

0,760

D_2014

-2,461674

1,566629

-1,57

0,117

D_electr

-1,342761

1,869857

-0,72

0,473

D_country

-2,265894

2,572311

-0,88

0,379

(Intercept)

5,120384

4,412303

1,16

0,247


3.3 Проверка устойчивости

Выборка из 324 наблюдений, используемая в модели, является в большой степени несбалансированной. Причиной этого является ограниченность данных о затратах на НИОКР, количестве сотрудников и затратах на персонал. Далеко не все компании в полной мере раскрывают финансовую и нефинансовую информацию, что является частой проблемой для сбора данных при проведении исследований на развивающихся рынках. Так или иначе, несбалансированность панельных данных может вызывать некоторые проблемы, в том числе смещение в оценках коэффициентов.

Чтобы проверить, что наша изначальная модель даёт нам достоверные результаты, было решено сделать проверку модели на устойчивость. Для этого из начальной выборки были удалены компаний, наблюдения по которым встречаются в полной выборке лишь 1-2 раза за рассматриваемый временной период в 11 лет. После удаления таких компаний в выборке осталось 268 наблюдений (134 по Бразилии и 134 по России) по 57 компаниям (28 Бразильских и 29 российских). При этом по каждой компании осталось не менее 3-ёх наблюдений. Наблюдения по компаниям энергетической отрасли в данной выборки по-прежнему составляют около половины всех наблюдений (126). С использованием данной новой выборки снова были оценены все модели регрессии для каждой объясняющей переменной.

Далее приведены описательные статистики используемых в модели переменных, основываясь на уменьшенной выборке.

Таблица 12. Описательные статистики переменных

Источник: расчёты автора


Количество наблюдений

Среднее значение

Стандартное отклонение

Минимум

Максимум

ROC

268

0,0848101

0,2112478

-1,6021

1,2677

ROA

268

0,0635067

0,1353267

-0,4924

0,9037

ROE

268

0,124847

0,3211631

-1,784

1,8839

P/BV

246

4,010743

20,99647

0,0488

314,3186

HC1

268

37950,79

83215,9

60

462400

HC2

268

0,0446381

0,0597065

0

0,378

RC1

268

0,0936493

0,1333343

0

0,879

RC2

268

0,0119343

0,3630055

-0,5922

3,987

InnC1

268

0,0155373

0,0527107

0

0,3999

InnC2

268

0,0195399

0,0542489

0

0,4103

PrC1

268

2,34294

1,455945

0,304

10,101

PrC2

268

537700,3

1128916

30941

1,07e+07

PrC3

268

101514

370241,5

-284125

3644874

PrC4

268

1,356013

1,619489

0,1285

17,1292

Debt

268

4,484552

17,73933

-89,31

179,23

m_Size

268

9,43e-07

1,805545

-6,493842

4,336157


Тест Вальда и тест Вулвриджа вновь показали наличие гетероскедастичности и отсутствие автокорреляции. Были также рассчитаны коэффициенты вздутия дисперсии. Их значения не превышали 6. Для выявления мультиколлинеарности снова была построена матрица парных коэффициентов корреляции Пирсона. Ниже представлена таблица переменных, имеющих коэффициент корреляции больше 0,5. Такие переменные оценивались в разных уравнениях.

Таблица 13. Переменные, имеющие высокий коэффициент корреляции

Источник: расчёты автора

X

Y

corr (X;Y)

InnC1

InnC2

0,8159

InnC1

PrC2

0,7639

InnC1

PrC3

0,7592

InnC1

PrC4

0,6240

PrC2

PrC3

0,9378

PrC2

PrC4

0,6220

PrC3

PrC4

0,6514

Влияние на ROC

Таблица 14. Результаты регрессии для Модели 1. Проверка устойчивости влияния на ROC

Источник: расчёты автора

Random-effect GLS regression

R-squared: within =

0,1538

Количество наблюдений =

268

 between =

0,7871

Количество групп =

57

 overall =

0,5456

Наблюдений на группу: среднее =

4,7



 максимальное =

9

corr (u_i, X) = 0 (assumed)

Wald Chi2 =

2030,97


Prob > Chi2 =

0,0000


Переменная

Коэффициент

Робастная станд.ошибка

Z

P > |Z|

HC1

1,44e-07

1,06e-07

1,36

0,175

HC2

0,3310956

0,3113112

1,06

0,288

RC1

0,5027333

0,0963429

5,22

0,000

RC2

0,0253331

0,0364378

0,70

0,487

InnC2

-0,331861

0,2471128

-1,34

0,179

PrC1

0,0123315

0,0086372

1,43

0,153

PrC3

3,91e-07

3,06e-08

12,79

0,000

Debt

0,0001784

0,0002625

0,68

0,497

D_2013

-0,0426371

0,0216332

-1,97

0,049

D_2014

-0,0103213

0,0174306

-0,59

0,554

D_electr

0,0177969

0,0290542

0,61

0,540

D_country

0,0289707

0,0342475

0,85

0,398

(Intercept)

-0,0601064

0,0451222

-1,33

0,183



sigma_u

0,06567037

sigma_e

0,13009431

rho

0,20306878


Таблица 15. Коэффициенты переменных в моделях с объясняемой переменной ROC.Проверка устойчивости

Источник: расчёты автора


Модель 1***

Модель 2***

Модель 3***

WaldChi2

2030.97

297,59

209,02

HC1

1,44e-07

2,30e-07*

9,51e-08

HC2

0,3310956

0,3425662

0,2224102

RC1

0,5027333***

0,4651958***

0,2888355**

RC2

0,0253331

0,0207217

0,0145185

InnC1

-

-

0,6933162

InnC2

-0,331861

-0,2728999

-

PrC1

0,0123315

0,0140437

-

PrC2

-

1,07e-07***

-

PrC3

3,91e-07***

-

-

PrC4

-

-

0,0480269***

Debt

0,0001784

0,0002206

0,000274

D_2013

-0,0426371**

-0,0584143**

-0,04837**

D_2014

-0,0103213

-0,0219188

-0,0264044

D_country

0,0289707

0,008796

0,0179593

D_electr

0,0177969

0,0218709

0,0635311*

div_Size

-

-0,0063542

0,00863

(Intercept)

-0,0601064

-0,0723218

-0,0608242


Модель 1 показывает самую высокую статистику Вальда (2030,97), что делает её наиболее достоверной. Результаты по всем моделям показывают, что, как и в моделях для полной выборки, значимое положительное влияние на ROC оказывают отношенческий капитал и процессный. Прокси-переменные для инновационного капитала также незначимы и имеют разные знаки. Человеческий капитал значим лишь в одной модели, и всего на уровне 10%.

Влияние на ROA

Таблица 16. Результаты регрессии для Модели 1. Проверка устойчивости влияния на ROA

Источник: расчёты автора

Random-effect GLS regression

R-squared: within =

0.2097

Количество наблюдений =

268

 between =

0.8313

Количество групп =

57

 overall =

0.6631

Наблюдений на группу: среднее =

4,7



 максимальное =

9




corr (u_i, X) = 0 (assumed)

Wald Chi2 =

1001.89


Prob > Chi2 =

0,0000


Переменная

Коэффициент

Робастная станд.ошибка

Z

P > |Z|

HC1

9,54e-08

6,53e-08

1,46

0,144

HC2

0,0936204

0,1472987

0,64

0,525

RC1

0,2827999

0,0548818

5,15

0,000

RC2

0,0111276

0,0195972

0,57

0,570

InnC2

-0,0882491

0,1974488

-0,45

0,655

PrC1

0,0112506

0,0056524

1,99

0,047

PrC3

2,70e-07

2,54e-08

10,65

0,000

Debt

0,0000863

0,0001811

0,48

0,634

D_2013

-0,0370902

0,0137142

-2,70

0,007

D_2014

-0,0155425

0,0088552

-1,76

0,079

D_electr

0,0038444

0,0166699

0,23

0,818

D_country

0,013017

0,0193859

0,67

0,502

(Intercept)

-0,0237821

0,0241168

-0,99

0,324


sigma_u

0,04510166

sigma_e

0,06761726

rho

0,30791426



Таблица 17. Коэффициенты переменных в моделях с объясняемой переменной ROA.Проверка устойчивости

Источник: расчёты автора


Модель 1***

Модель 2***

Модель 3***

Wald Chi2

1001,89

345,64

277,72

HC1

9,54e-08

1,12e-07

3,76e-08

HC2

0,0936204

0,1096059

0,0124861

RC1

0,2827999***

0,2466608***

0,1351551

RC2

0,0111276

0,0091357

0,0050347

InnC1

-

-

0,6163403

InnC2

-0,0882491

-0,027596

-

PrC1

0,0112506**

0,0123912*

0,0103332

PrC2

-

6,60e-08***

-

PrC3

2,70e-07***

-

-

PrC4

-

-

0,0246615**

Debt

0,0000863

0,0001124

 0,0001775

D_2013

-0,0370902***

-0,047797***

-0,0421144***

D_2014

-0,0155425*

-0,0243075**

-0,0273647**

D_country

0,013017

-0,0014269

0,0090469

D_electr

0,0038444

0,0083618

0,0290706

div_Size

-

-0,0022806

0,0048522

(Intercept)

-0,026784

-0,0207588


Результаты, полученные на уменьшенной выборке, подтверждают положительное влияние на прибыльность компании отношенческого и процессного капитала и отсутствие прямого значимого влияния человеческого капитала. Незначимое, но отрицательное влияние показывает переменная InnC2 и положительное, но также незначимое - InnC1. Среди дамми значимы лишь годы кризиса, которые влияют отрицательно.

Влияние на ROE

Таблица 18. Результаты регрессии для Модели 1. Проверка устойчивости влияния на ROA

Источник: расчёты автора

Random-effect GLS regression

R-squared: within =

0,1382

Количество наблюдений =

268

 between =

0,6788

Количество групп =

57

 overall =

0,4273

Наблюдений на группу: среднее =

4,7



 максимальное =

9

corr (u_i, X) = 0 (assumed)

Wald Chi2 =

334,08


Prob > Chi2 =

0,0000


Переменная

Коэффициент

Робастная станд.ошибка

Z

P > |Z|

HC1

6,76e-08

1,83e-07

0,37

0,711

HC2

0,0248088

0,3507888

0,07

0,944

RC1

0,6164232

0,1613983

3,82

0,000

RC2

0,0080997

0,0460177

0,18

0,860

InnC2

-1,185368

0,7231792

-1,64

0,101

PrC1

0,0297976

0,0113387

2,63

0,009

PrC3

5,16e-07

7,27e-08

7,10

0,000

Debt

0,0007894

0,0009297

0,85

0,396

D_2013

-0,1095499

0,057635

-1,90

0,057

D_2014

-0,0921186

0,0516369

-1,78

0,074

D_electr

0,0046451

0,0429241

0,11

0,914

div_Size

0,0046874

0,0157434

0,30

0,766

D_country

0,0335665

0,0501519

0,67

0,503

(Intercept)

-0,0284042

0,0596221

-0,48

0,634


sigma_u

0,09991523

sigma_e

0,22748787

rho

0,16171133


Таблица 20. Коэффициенты переменных в моделях с объясняемой переменной ROE.Проверка устойчивости

Источник: расчёты автора


Модель 1***

Модель 2***

Wald Chi2

334,08

118,56

HC1

6,76e-08

-

HC2

0,0248088

-0,3826118

RC1

0,6164232***

0,1995452

RC2

0,0080997

-0,0261356

InnC1

-

0,1077232

InnC2

-1,185368

-

PrC1

0,0297976***

0,0319069**

PrC2

-

-

PrC3

5,16e-07***

-

PrC4

-

0,0693444**

Debt

0,0007894

0,000952

D_2013

-0,1095499*

-0,1143435**

D_2014

-0,0921186*

-0,116564**

D_country

0,0335665

0,0176111

D_electr

0,0046451

0,0628351

div_Size

0,0046874

0,009338

(Intercept)

-0,0284042

-0,0586706


Значения статистики Вальда в модели, исследующей влияние на ROE на уменьшенной выборке варьируются от 334,08 до 118,56, что уже позволяет говорить о большей объясняющей силе модели по сравнению с регрессиями для полной выборки. Модель с большей статистикой Вальда показывает значимое положительное влияние отношенческого капитала на ROE. Обе модели также имеют положительные значимые коэффициенты при прокси-переменных для процессного капитала и дамми кризисных лет.

Влияние на P/BV

Результаты модели, построенной на уменьшенной выборке, показал значимость коэффициента при переменной PrC3. Тем не менее, R2в данной модели остаётся по-прежнему слишком низким, что не позволяет заключить наличие реального влияния.

Таблица 21. Результаты регрессии для Модели 1. Проверка устойчивости влияния на P/BV

Источник: расчёты автора

Linear regression



Количество наблюдений =

246


F( 14, 278) =

3,24


Prob > F =

0,0002


R-squared =

0,0296


Root MSE =

21,255


Переменная

Коэффициент

Робастная станд.ошибка

Z

P > |Z|

HC1

-6,83e-08

5,39e-06

-0,01

0,990

HC2

18,65464

15,74884

1,18

0,237

RC1

0,9420934

9,482779

0,10

0,921

RC2

3,763158

2,776011

1,36

0,177

InnC2

-15,0311

10,29595

-1,46

0,146

PrC1

0,4719782

0,5460202

0,86

0,388

PrC3

3,55e-06

1,53e-06

2,32

0,021

Debt

-0,019237

0,0143573

-1,34

0,182

D_2013

-1,83499

1,334041

-1,38

0,170

D_2014

-1,042286

1,691287

-0,62

0,538

D_electr

-3,162137

3,386246

-0,93

0,351

D_country

5,284359

3,229643

1,64

0,103

div_Size

-0,8337902

0,6864602

-1,21

0,226

(Intercept)

1,493416

1,651381

0,90

0,367


Выводы

Таким образом, принимая во внимание результаты регрессий, полученные по двум выборкам, можно сделать выводы относительно влияния каждого исследуемого вида ИК на показатели деятельности компании.Человеческий капитал оказывает значимое положительное влияние лишь на ROC.На остальные показатели эффективности данный вид капитала не оказывает значимого влияния, хотя коэффициенты при данных переменных являются положительными. Данный результат согласуется с выводами Chuetal. (2011) и Maditinosetal. (2011), которые также нашли связь человеческого капитала лишь с одним показателем прибыльности и получили отсутствие влияния на другой. Кроме того, многие исследования показывают, что при отсутствии прямого влияния человеческого капитала на эффективность, может существовать косвенная связь через влияние на другие виды ИК и их последующее воздействие на эффективность (Wang & Chang, 2005;Tseng & Goo, 2005;Scafarto et al., 2016).Поэтому дальнейшие исследования могут быть сфокусированы на выявлении взаимосвязей между различными элементами ИК, в частности, исследовании наличия косвенного влияния человеческого капитала на эффективность компаний.

Отношенческий капитал показывает сильную значимость практически во всех моделях, что позволяет заключить, что он положительно влияет на все показатели прибыльности компании. Подобные результаты были получены в работах Wang & Chang (2005), Cheng et al. (2010)и Scafarto et al. (2016). Стоит, однако, сказать, что устойчиво значимой получилась лишь одна прокси - RC1. Тем не менее, как было сказано выше, темп роста продаж является довольно грубым измерителем для отношенческого капитала, поэтому отсутствие значимости данной прокси не умаляет общей положительной значимости отношенческого капитала на эффективность компании.

Инновационный капитал, наоборот, незначим во всех уравнениях, кроме одного, где объясняемой переменной является ROA. Однако при проверке устойчивости модели данная переменная перестаёт быть значимой, что не позволяет говорить о достоверности результата и ведёт к выводу об отсутствии значимого влияния данного вида капитала на показатели эффективности. Тем не менее, стоит отметить, что в данной работе рассматривалась лишь текущая эффективность. В таком контексте затраты на НИОКР являются способностью компании к инновациям, но редко могут отождествляться с результатами разработок, готовых к использованию и генерированию прибыли, так как с момента осуществления расходов до момента внедрения в работу компании результатов исследований может потребоваться некоторое время, превышающее один отчётный период. Кроме того, при оценке влияния инновационного капитала, было выявлено что разные его прокси имеют разный знак, что позволяет говорить о неоднозначном воздействии на текущую эффективность. Тем не менее, в моделях с большей статистикой Вальда прокси для инновационного капитала имеет отрицательный знак, что согласуется с результатом исследования Scafarto et al. (2016).

Процессный капитал показал высокую значимость и положительное влияние на прибыльность компаний во всех оценённых моделях. Подобные результаты были получены Wang & Chang (2005) и Scafarto et al. (2016).

Также, учитывая низкое качество модели с объясняемой переменной P/BV, можно говорить о том, что ни один вид ИК не оказывает влияния на данный показатель. Результат согласуется с исследованиемNadeem et al. (2017), где ИК измерялся при помощи VAIC.Авторы также не выявили зависимость между ИК и P/BV в России и Бразилии.

Стоит также отметить, что дамми-переменная отрасли является значимой лишь в модели с объясняемой переменной ROC причем в уравнении с самой низкой статистикой Вальда. Это позволяет говорить о том, что энергетическая отрасль не оказывает значимого влияния на результаты, и выводы относительно влияния каждого вида капитала на эффективность компаний одинаковы для всех отраслей. Это же касается влияния страны, так как эта дамми-переменная незначима ни в одном уравнении. При этом незначимость страновой дамми может означать, что различия в правовой системе, культуре ведения бизнеса, уровне рисков и другие не являются существенными для того, чтобы повлиять на взаимосвязь ИК и эффективности компаний. Одновременно с этим дамми-переменные кризисных годов значимы во всех моделях и имеют отрицательный знак, что может свидетельствовать о том, что влияние ИК на эффективность в годы кризиса снижается.

Заключение

В данной работе было исследовано прямое влияние человеческого, отношенческого, инновационного и процессного капитала на операционную эффективность компаний России и Бразилии. Для оценки элементов ИК был выбран метод прокси-переменных, который позволяет количественно измерить каждый вид ИК. В качестве мер эффективности компании были взяты показатели прибыльности ROC, ROA, ROE и рыночный мультипликатор P/BV. Выборка была сформирована из 324 наблюдений по компаниям нефинансового сектора России и Бразилии за временной период с 2005 по 2015 годы. Для проведения анализа панельных данных были использованы модель регрессии со случайными эффектами и линейная модель регрессии, выбранные с помощью тестов, как наиболее подходящие для оценки того или иного вида эффективности компании. Также был проведён анализ устойчивости, заключающийся в оценке моделей на уменьшенной, но более сбалансированной выборке. Его результаты показали, что в целом влияние различных видов ИК на эффективность компании одинаково независимо от используемой выборки.

Таким образом, в результате проведения исследования были получены следующие выводы относительно влияния каждого вида ИК на показатели прибыльности и стратегической эффективности компаний:

) человеческий капитал оказывает значимое положительное влияние только на показатель прибыльности ROC и положительно, но незначимо связан с показателями ROA иROE;

) отношенческий капитал значимо положительно влияет на все выбранные показатели прибыльности;

) инновационный капитал не оказывает значимого влияния на показатели текущей эффективности компании;

) процессный капитал значимо положительно влияет на все выбранные показатели прибыльности;

Таким образом, результаты исследования показывают, что отношенческий и процессный капитал являются наиболее важными интеллектуальными ресурсами российских и бразильских компаний, которые влияют на показатели их прибыльности. При этом ни страна, ни энергетическая отрасль не оказывают влияния на связь элементов ИК и показателей прибыльности компаний. В то время как в кризисные годы положительное влияние ИК на прибыльность может снижаться.Кроме того, было показано, что ИК не позволяет объяснить изменение рыночного мультипликатора P/BV, измеряющего долгосрочную стратегическую эффективность.

Результаты данной работы делают вклад в научное знание в области влияния элементов ИК на результаты деятельности компаний развивающихся стран. Кроме того, они могут быть полезны менеджерам российских и бразильских компаний с точки зрения обращения более пристального внимания на те элементы ИК, которые более значимо влияют на прибыльность.

Оригинальность данной работы заключается в том, что в ней используется наиболее широкая на сегодняшний день классификация элементов ИК - человеческий, отношенческий, инновационный и процессный - для выявления взаимосвязи ИК с операционной эффективностью компаний России и Бразилии. При этом в существующих исследованиях в области влияния ИК на результаты деятельности компаний России и Бразилии (отдельно или в общей выборке) в основном использовалась классификация, не разделяющая инновационный и процессный капитал, а учитывающая их в составе структурного. Также в виду широкого применения модели VAIC часто неучтённым являлся и отношенческий капитал.

Данная работа имеет некоторые ограничения. Во-первых, использование прокси-индикаторов для оценки различных видов ИК хоть и является одним из наиболее применяемых методов, но не позволяет со всей полнотой оценить ИК компании. Финансовая и другая количественная информация, на основе которой строятся прокси-переменные, представлена в отчетности компаний по единым стандартам, что не позволяет учесть специфические особенности компании. Во-вторых, в виду низкого качества раскрытия информации компаниями, выборка, используемая в исследовании, содержит небольшое количество наблюдений и является несбалансированнной. В-третьих, в данной работе исследуется только прямое влияние видов ИК на показатели эффективности компании, тогда как многие исследования показали, что элементы ИК могут влиять на результаты деятельности компании косвенно, воздействуя через другие виды капитала. В-четвёртых, исследование оценивает влияние видов ИК лишь на текущие результаы её деятельности, в то время как некоторым видам капитала, особенно инновационному, может потребоваться некоторое время для воздействия. Все эти ограничения создают актуальные возможности для дальнейших исследований в этой области.

Список литературы

Кузубов С.А. Развитие теоретико-методологических основ бухгалтерского учета и аудита интеллектуальных активов: дис. доктора экономических наук. Уральский государственный технический университет, Екатеринбург, 2009.

Осколкова М.А. Интеллектуальный капитал как фактор инвестиционной привлекательности компаний: диссертация кандидата экономических наук. НИУВШЭ, Москва, 2013.J. F., Basso L. F. C., Kimura H. Intellectual Capital and Value Creation in the Machinery and Equipment Industry //The Proceedings of the 2nd European Conference on Intellectual Capital. - 2010. - С. 10.S. C., Levis M. R&D and performance persistence: Evidence from the United Kingdom //The International Journal of Accounting. - 2008. - Т. 43. - №. 3. - С. 293-320.T., Garanina T. Do all elements of intellectual capital matter for organizational performance? Evidence from Russian context //Journal of Intellectual Capital. - 2016. - Т. 17. - №. 2. - С. 397-412.L. F. C., Kimura H., da Aguiar J. F. Intellectual capital and value creation in the production and assembly of vehicles and auto-parts sector in Brazil: a panel data analysis //Journal of Modern Accounting and Auditing. - 2010. - Т. 6. - №. 8. - С. 15.E., Golovko T. Design of Sustainable Development: Intellectual Value of Large BRIC Companies and Factors of their Growth //Electronic Journal of Knowledge Management. - 2009. - Т. 7. - №. 5. - С. 535-558.N. Intellectual capital: an exploratory study that develops measures and models //Management decision. - 1998. - Т. 36. - №. 2. - С. 63-76.T.F. Measurement and application of intellectual capital in Turkey //The Learning Organization. - 2004. - Т. 11. - №. 4/5. - С. 357-367., A. Intellectual Capital: Core Assets for the Third Millennium Enterprise // International Thompson Business Press, London. 1996.A. The management of intellectual capital //Long range planning. - 1997. - Т. 30. - №. 3. - С. 364-365.M. C., Cheng S. J., Hwang Y. An empirical investigation of the relationship between intellectual capital and firms’ market value and financial performance //Journal of intellectual capital. - 2005. - Т. 6. - №. 2. - С. 159-176.M. Y. et al. Invested resource, competitive intellectual capital, and corporate performance //Journal of Intellectual Capital. - 2010. - Т. 11. - №. 4. - С. 433-450.

Dženopoljac V., Janoševic S., Bontis N. Intellectual capital and financial performance in the Serbian ICT industry //Journal of Intellectual Capital. - 2016. - Т. 17. - №. 2. - С. 373-396.C. W., Bontis N. (ed.). The strategic management of intellectual capital and organizational knowledge. - Oxford University Press, 2002.K.W. S., Chan H.K., Wu W. W. Y. Charting intellectual capital performance of the gateway to China //Journal of Intellectual Capital. - 2011. - Т. 12. - №. 2. - С. 249-276.L. Developing intellectual capital at Skandia //Long range planning. - 1997. - Т. 30. - №. 3. - С. 320-373., L., Malone, M. Intellectual Capital: Realising Your Company’s True Value by Finding its Hidden Brainpower //Harper Collins, New York. 1997.L., Yuan X., Wang S. Research on the relationship between intellectual capital and company performance-an empirical analysis based on panel data //Proceedings of the Sixth International Symposium of Corporate Governance, M&D Forum, Dalian, August 20. - 2011. - Т. 21.

у Fernandez E. F. et al. Intellectual Capital Statements in Brazilian SME: Lessons Learned From the First Pilot-Implementations //ECKM 2012-Proceedings of the 13th European Conference on Knowledge Management: ECKM. - Academic Conferences Limited, 2012. - С. 312.

F-Jardón C. M., Susana Martos M. Intellectual capital and performance in wood industries of Argentina //Journal of Intellectual Capital. - 2009. - Т. 10. - №. 4. - С. 600-616. S., Mitchell Williams S. Intellectual capital and traditional measures of corporate performance //Journal of intellectual capital. - 2003. - Т. 4. - №. 3. - С. 348-360.J. L., Porter M. E., Stern S. The determinants of national innovative capacity //Research policy. - 2002. - Т. 31. - №. 6. - С. 899-933.T. A. Intellectual capital structure and value creation of a company: evidence from Russian companies //Open Journal of Economic Research. - 2011. - Т. 1. - №. 2.J.C., Liu J.C. Exploration for the relationship between innovation, IT and performance //Journal of Intellectual Capital. - 2005. - Т. 6. - №. 2. - С. 237-252. H. Review of empirical research on intellectual capital and firm performance //Journal of Intellectual capital. - 2015. - Т. 16. - №. 3. - С. 518-565. B., Mahdaoui L. Intellectual Capital and Human Capital, State of art and Proposal of Framework //European Conference on Knowledge Management. - Academic Conferences International Limited. - 2014. - Т. 3. - С. 1219.B.G. Intellectual capital and corporate performance in Indian pharmaceutical industry //Journal of Intellectual Capital. - 2008. - Т. 9. - №. 4. - С. 684-704. R. S., Norton D. P. Strategy maps: Converting intangible assets into tangible outcomes. - Harvard Business Press, Boston. 2004.H., Basso L. C., Aguiar J. F. Intellectual capital and value creation in the furniture manufacturing sector in Brazil //The Proceedings of the 2nd European Conference on Intellectual Capital. - 2010.B. Intangibles: Management, measurement, and reporting. - Brookings Institution Press, 2000.D. et al. The impact of intellectual capital on firms' market value and financial performance //Journal of intellectual capital. - 2011. - Т. 12. - №. 1. - С. 132-151. G. et al. Intellectual capital and corporate performance in Iranian pharmaceutical industry //Journal of intellectual capital. - 2012. - Т. 13. - №. 1. - С. 138-158.M. et al. Does intellectual capital efficiency improve firm performance in BRICS economies? A dynamic panel estimation //Measuring Business Excellence. - 2017. - Т. 21. - №. 1. - С. 65-85. J. An empirical investigation into the significance of intellectual capital and strategic orientations on innovation capability and firm performance in Malaysian information and communications technology (ICT) small-to-medium enterprises (SMEs): diss. - RMIT University, 2014.A. VAIC - an accounting tool for IC management //International journal of technology management. - 2000. - Т. 20. - №. 5-8. - С. 702-714.Belkaoui A. Intellectual capital and firm performance of US multinational firms: a study of the resource-based and stakeholder views //Journal of Intellectual capital. - 2003. - Т. 4. - №. 2. - С. 215-226.G., Roos J. Measuring your company's intellectual performance //Long range planning. - 1997. - Т. 30. - №. 3. - С. 413-426.V., Ricci F., Scafarto F. Intellectual capital and firm performance in the global agribusiness industry: the moderating role of human capital //Journal of Intellectual Capital. - 2016. - Т. 17. - №. 3. - С. 530-552.H. J. The application of the value added intellectual coefficient to measure corporate performance: evidence from technological firms //International Journal of Management. - 2006. - Т. 23. - №. 2. - С. 356.T. The accounting based valuation of corporate R&D //Accounting review. - 1994. - С. 44-68.K. E. The new organizational wealth: Managing & measuring knowledge-based assets. - Berrett-Koehler Publishers, 1997.M., Youndt M. A. The influence of intellectual capital on the types of innovative capabilities //Academy of management Journal. - 2005. - Т. 48. - №. 3. - С. 450-463.P. H. Value driven intellectual capital: how to convert intangible corporate assets into market value. - John Wiley & Sons, Inc., 2000.P.H., Plowman D., Hancock P. Intellectual capital and financial returns of companies //Journal of Intellectual capital. - 2007. - Т. 8. - №. 1. - С. 76-95.G., Tulugurova E. Intellectual capital practices and performance in Russian enterprises //Journal of Intellectual Capital. - 2007. - Т. 8. - №. 4. - С. 695-707.C. Y., James Goo Y. J. Intellectual capital and corporate value in an emerging economy: empirical study of Taiwanese manufacturers //R&D Management. - 2005. - Т. 35. - №. 2. - С. 187-201.Buren M. E. A yardstick for knowledge management //Training & development. - 1999. - Т. 53. - №. 5. - С. 71-78.W. Y., Chang C. Intellectual capital and performance in causal models: Evidence from the information technology industry in Taiwan //Journal of intellectual capital. - 2005. - Т. 6. - №. 2. - С. 222-236.M. A., Subramaniam M., Snell S. A. Intellectual capital profiles: An examination of investments and returns //Journal of Management studies. - 2004. - Т. 41. - №. 2. - С. 335-361.

Приложение 1

Результаты регрессий Модели 2. Влияние на ROC

Random-effect GLS regression

R-squared: within =

0.1563

Количество наблюдений =

323

 between =

0.5164

Количество групп =

94

 overall =

0.4694

Наблюдений на группу: среднее =

3,4



 максимальное =

9




corr (u_i, X) = 0 (assumed)

Wald Chi2 =

138.69


Prob > Chi2 =

0,0000


Переменная

Коэффициент

Робастная станд.ошибка

Z

P > |Z|

HC1

1.26e-07

1.39e-07

0.90

0.366

HC2

.606914

.3092884

1.96

0.050

RC1

.4855928

.1091105

4.45

0.000

RC2

.0159651

.0298218

0.54

0.592

InnC2

-.1546637

.1036827

-1.49

0.136

PrC1

-.0000753

.0117869

-0.01

0.995

PrC3

4.21e-07

6.81e-08

6.19

0.000

Debt

.000356

.0003055

1.17

0.244

D_2013

-.0447561

.0200837

0.026

D_2014

-.0320844

.0183907

-1.74

0.081

D_electr

.0334782

.0314215

1.07

0.287

D_country

.016796

.0310615

0.54

0.589

(Intercept)

-.0339392

.0350297

-0.97

0.333


sigma_u

.11744129

sigma_e

.13304107

rho

.43796168




Приложение 2

Результаты регрессии Модели 3. Влияние на ROC

Random-effect GLS regression

R-squared: within =

0.0902

Количество наблюдений =

323

 between =

0.4467

Количество групп =

94

 overall =

0.3856

Наблюдений на группу: среднее =

3,4



 максимальное =

9




corr (u_i, X) = 0 (assumed)

Wald Chi2 =

91.20


Prob > Chi2 =

0,0000


Переменная

Коэффициент

Робастная станд.ошибка

Z

P > |Z|

HC1

1.88e-07

1.66e-07

1.14

0.255

HC2

.2222126

.3641335

0.61

0.542

RC1

.2176559

.1462114

1.49

0.137

RC2

-.0040634

.0430964

-0.09

0.925

InnC1

.4758934

.3473381

1.37

0.171

PrC1

.0004958

.0135704

0.04

0.971

PrC4

.0549542

.0109309

5.03

0.000

Debt

.0005507

.0003826

1.44

0.150

D_2013

-.04936

.0194311

-2.54

0.011

D_2014

-.0453974

.0228237

-1.99

0.047

D_electr

.059649

.0359364

1.66

0.097

D_country

.0192597

.031431

0.61

0.540

(Intercept)

-.0675489

.0369221

-1.83

0.067


sigma_u

0,12158164

sigma_e

0,13671319

rho

0,44161787


Похожие работы на - Влияние компонентов интеллектуального капитала на эффективность компаний в развивающихся странах

 

Не нашли материал для своей работы?
Поможем написать уникальную работу
Без плагиата!