Файл: Оборотные активы предприятия.pdf

– коэффициент текущей ликвидности;

– коэффициенты модели;

– коэффициент ошибок.

Согласно мнению авторов (Shin, Soenen, 1998) управление оборотным капиталом осуществляется в соответствии с двумя целями: увеличением рентабельности компании и поддержанием должного уровня ликвидности. Данное обстоятельство увеличивает сложность управления оборотным капиталом, так как цели увеличения рентабельности и увеличения ликвидности во многом противоречат друг другу, поэтому исключается возможность одновременного исполнения двух целей. В связи с этим по мнению других авторов (Волков, Никулин, 2009) основной целью управления оборотным капиталом выступает именно рост рентабельности, так как именно этот показатель является драйвером ценности капитала компании. При этом ликвидность должна рассматриваться как ограничение роста рентабельности. Вследствие вышесказанного, в исследовании для эмпирического подтверждения теории об ограничении роста рентабельности компании через ее ликвидность, будет построена регрессионная модель зависимости коэффициента текущей ликвидности от величины финансового цикла. Регрессионная модель имеет следующий вид:

= + + + +

Где:

– коэффициент текущей ликвидности;

– показатель финансового цикла;

– размер компании;

– показатель финансового левериджа;

– коэффициенты модели;

Таким образом, представленные эконометрические модели для изучения взаимосвязи между результатами управления оборотным капиталом компаний и эффективностью ее деятельности позволяют перейти к реализации регрессионного исследования.

Глава 3. Эмпирический анализ взаимосвязи управления оборотными активами и эффективностью деятельности компании

3.1. Дескриптивный анализ исследуемых данных

Прежде чем перейти непосредственно к анализу данных, необходимо провести описательный анализ выборки с тем, чтобы иметь общее представление об имеющихся данных.

Описательная статистика переменных по компаниям производственной и торговой отраслей представлена в таблице 4. Прежде всего следует рассмотреть зависимую переменную, выраженную в виде рентабельности чистых активов. Из таблицы видно, что в выборку попали как прибыльные, так и неприбыльные компании, у которых показатель рентабельности активов является отрицательным. При этом среднее значение коэффициента рентабельности для промышленных и торговых компаний составляет 13% и 18% соответственно.

Если говорить о независимых переменных, то следует отметить, что для первой выборки по производственным компаниям средний показатель оборачиваемости запасов (ITP) составляет 55 дней, при этом минимальный период оборачиваемости запасов сводится к 2 дням, а максимальный превышает 327 дней. По второй выборке для торговых компаний показатели являются немного ниже и показывают, что в среднем величина оборачиваемости запасов сводится к 42 дням, минимальный период - 1 день, а максимальный – 404 дня.

Показатель оборачиваемости кредиторской задолженности (APP) показывает, что в среднем производственным компаниям требуется 80 дней, чтобы расплатиться по своим обязательствам, причем минимальный период прекращения обязательств перед кредиторами составляет 1 день, а максимальный – 883.

Для компаний торговой отрасли период оборачиваемости кредиторской задолженности ниже на 3 дня по сравнению с компаниями производственной сферы и составляет 77 дней. Минимальные и максимальные значения для данного показателя аналогичны с результатами по производственным компаниям.

Среднее значение показателя оборачиваемости дебиторской задолженности (ARP) по производственным компаниям превышает все предыдущие средние показатели оборачиваемости данной отрасли и составляет 91, день что говорит о том, что компаниям требуется больше времени, чтобы получить задолженность от покупателей и заказчиков. При этом минимальный срок сводится к 5 дням, в максимальный к 863 дням. Для компаний торговли средний показатель оборачиваемости дебиторской задолженности практически в два раза ниже, чем для производственной отрасли, в то время как максимальные и минимальные значения аналогичны между двумя отраслями.

Следует отметить, что среднее значение показателя финансового цикла как для компаний производственной сферы, так и для компаний сферы торговли имеет положительное значение и составляет в среднем 66 и 19 дней соответственно. У торговых компаний значение финансового цикла значительно ниже, чем в производственных компаниях, что объясняется наличием существенных различий между бизнес-моделями этих двух отраслей.

Таблица 4

Описательная статистика переменных регрессионных моделей

Таким образом, по проведенную анализу данных по двум выборкам по производственной и торговой отраслям следует сформулировать основные выводы. Для торговых компаний финансовый цикл значительно ниже, чем для компаний производственной сферы. Данный факт объясняется тем, что производственные компании, как правило, имеют больший объем запасов, необходимый для обеспечения производственного процесса. В среднем производственные компании расплачиваются по своим обязательствам быстрее, чем получают оплату за проданную продукцию от покупателей и заказчиков, в то время как для торговых компаний наблюдается обратная ситуация. Оборачиваемость запасов в торговых компаниях происходит быстрее из-за отсутствия длительного производственного цикла, который характерен для производственных предприятий.

Большинство компаний из выборки, а именно 86% производственных и 68% торговых компаний из числа всех наблюдений по двум выборкам, имеют положительное значение финансового цикла, что означает необходимость финансирования их операционного цикла. В случае если значение является отрицательным, то дебиторская задолженность погашается перед уплатой кредиторам компании.

Для того чтобы приступить к тестированию регрессионных моделей, сначала необходимо произвести их диагностику.

Для начала необходимо проверить данные на наличие выбросов. Для этого использовались показатели Studentized Residual, Cook's Distance и DFITS. После исключения всех выбросов оценка моделей по производственным компаниям производилась на основе 632 наблюдений, а по торговым компаниям - в количестве 535 наблюдений.

Также необходимо проверить распределение остатков моделей на нормальность. Проведенные формальные тесты показали, что по результатам тестов нулевая гипотеза о нормальности распределения остатков модели отвергается. Однако следует заметить, что распределение остатков не влияет на эффективность и состоятельность МНК-оценок.

Для проверки регрессионных моделей на наличие мультиколлинеарности следует сначала оценить коэффициенты парной корреляции между переменными. Была построена корреляционная матрица между независимыми количественными переменными производственных компаний, представленными в наборе данных. Исходя из данной матрицы все парные корреляции между переменными менее 0.8, что говорит об отсутствии сильной зависимости между переменными, однако следует обратить внимание на коэффициент корреляции между периодом оборачиваемости дебиторской и кредиторской задолженностей (0,6). Наличие такой зависимости объясняется тем, что чем больше кредиторская задолженность, образовавшаяся в результате приобретения дополнительного количества запасов, тем выше дебиторская задолженность, образовавшаяся в результате увеличения продаж. Для того чтобы оценить силу линейной зависимости между регрессорами, не ограничиваясь парными корреляциями, следует применить критерий Variance Inflation Factor (VIF). Результаты оценки данного критерия показывают, что значения VIF для каждого регрессора не превышает 5, что говорит об отсутствии мультиколлинеарности в модели.

Для компаний производственной сферы между тремя основными показателями оборачиваемости оборотного капитала между собой прослеживается прямая связь, при этом показатель финансового цикла также имеет положительную зависимость с периодами оборачиваемости запасов и дебиторской задолженностью, но при этом прослеживается обратная связь с периодом оборачиваемости кредиторской задолженности.

Следует отметить, что коэффициент текущей ликвидности также положительно зависит от показателей оборачиваемости запасов, дебиторской задолженности и финансового цикла, отрицательно – от показателя оборачиваемости кредиторской задолженности.

Также была построена корреляционная матрица для компаний торговой сферы, причем полученные результаты являются аналогичными с результатами для переменных производственных компаний.

Далее следует проверить модели на наличие гетероскедастичности. Для этого необходимо провести тесты - тест Бройша-Пагана и Уайт тест. Полученные результаты показывают, что нулевая гипотеза о постоянстве дисперсии остатков отвергается (p-value <0,5), то есть тесты подтверждают наличие гетероскедастичности. Для того, чтобы определить истинная или ложная представленная гетероскедастичность, следует оценить правильность спецификации модели. Правильность выбранной спецификации подразумевает отсутствии пропущенных переменных. Для этого следует воспользоваться тестом Рамсея и Linktest. Результаты показали, что в первом случае p-value>0.05, следовательно, нулевая гипотеза об отсутствии пропущенных переменных принимается на 5% уровне значимости. Поскольку во втором тесте коэффициент перед квадратом предсказанного значения зависимой переменной незначим, то Linktest также не выявил ошибки спецификации и пропущенные переменные отсутствуют. Таким образом, выявленная гетероскедастичность является истинной и представляет собой свойство данных (оценки несмещенные, но неэффективные).

Таким образом, после проведения описательной статистики данных выборки и диагностики модели исследования следует перейти к тестированию регрессионных моделей и интерпретации результатов.

3.2. Результаты эмпирического исследования и их интерпретация

При анализе панельных данных выделяют три вида регрессий: объединенная модель (pooled model), регрессия со случайными эффектами (random effects model) и регрессия с фиксированными эффектами (fixed effects model) [11]. Для выбора модели наиболее адекватно подходящей исследуемым данным были проведены тесты на попарные сравнения оцененных моделей. Для сравнения между объединенной моделью и моделью с фиксированными эффектами был проведен тест Вальда, который показал, что наиболее точно описывает данные модель с фиксированными эффектами. Для сравнения объединенной модели регрессии и модели со случайными эффектами был проведен тест Бройша-Пагана, который выделил последнюю модель как более точно подходящую для анализа имеющихся данных. Тест Хаусмана позволяет выбрать между моделью с фиксированными эффектами и моделью со случайными эффектами. Результаты данного теста для каждой исследуемой модели приведены в таблицах с результатами соответствующих моделей. Все тестируемые модели были оценены с помощью регрессии со случайными эффектами.