Файл: Оборотные активы предприятия.pdf

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.

В таблице 3 представлены результаты оценивания параметров первой модели с рентабельностью активов (RONA) в качестве зависимой переменной для компаний двух отраслей – производственной и торговой. В таблице 5 представлены только те значения коэффициентов, которые являются статистически значимыми.

Таблица 5

Результаты оценивания параметров первой регрессионной модели

Примечание: * переменная значима на уровне 5%

** переменная значима на уровне 1%

*** переменная значима на уровне 0,01%

Представленные в таблице 5 результаты показывают, что наилучшими статистическими характеристиками обладает модель, оцененная по компаниям производственной сферы. Однако коэффициенты детерминации у двух выборок находятся на невысоком уровне. Обе модели являются статистически значимыми, причем коэффициенты перед независимыми переменными также являются статистически значимыми. При этом для показателей оборачиваемости запасов (ITP) и дебиторской задолженности (ARP) для двух выборок коэффициент значим на 0,01% и 1% уровнях значимости, для показателя оборачиваемости кредиторской задолженности (APP) – на 0,01% и 5% уровнях значимости. Отрицательные значения коэффициентов при переменных оборачиваемости запасов и дебиторской задолженности означает, что в производственных и торговых компаниях при прочих равных условиях данные показатели оказывают обратное влияние на рентабельность активов компании. Для показателя оборачиваемости кредиторской задолженности для двух выборок коэффициент при переменной имеет положительное значение, что означает его прямую связь с рентабельностью активов. Другими словами, компаниям в целях увеличения рентабельности активов целесообразно уменьшать показатели оборачиваемости запасов и дебиторской задолженности, и увеличивать показатель оборачиваемости кредиторской задолженности. Следует также отметить, что в модели, оцененной по производственным компаниям, все три контрольные переменные являются также статистически значимыми, что не согласуется с результатами по компаниям торговой отрасли, где коэффициенты перед переменными текущей ликвидности (CR) и натурального логарифма совокупных активов (SIZE) не являются значимыми. Данная регрессионная модель была оценена как модель со случайными эффектами, поскольку она наилучшим образом оценивает исследуемые данные. Р-значение для теста Хаусмана является незначимым, соответственно нулевая гипотеза о наличии случайных эффектов принимается.

Таким образом, в связи с полученными данными следует сделать вывод, что гипотеза 1 подтверждается полностью, а именно в том, что между рентабельностью активов и показателями оборачиваемости запасов и дебиторской задолженности существует обратная зависимость, а между показателем оборачиваемости кредиторской задолженности и рентабельностью активов существует прямая связь.

Далее следует проанализировать второе регрессионное уравнение, которые направлено на определение зависимости между рентабельностью активов и показателем финансового цикла. Исследование также проводилось отдельно по двум сферам – производственной и торговой. Результаты оценивания параметров второго регрессионного уравнения с рентабельностью активов (RONA) в качестве зависимой переменной для компаний двух отраслей – производственной и торговой представлены в таблице 6.

Таблица 6

Результаты оценивания параметров второй регрессионной модели

Примечание: * переменная значима на уровне 5%

** переменная значима на уровне 1%

***переменная значима на уровне 0,01%

Вторая регрессионная модель, оцененная по двум выборкам, является статистически значимой в обоих случаях. При этом коэффициенты при переменной финансового цикла (CCC) для производственных и торговых компаний являются статистически значимыми на 0,01% уровне значимости. Отрицательное значение данного коэффициента говорит об обратной связи между рентабельностью активов и показателем финансового цикла компаний для двух рассматриваемых отраслей. Иными словами, в целях увеличения рентабельности активов компаниям необходимо уменьшать свой финансовый цикл. Полученный результат согласуется с результатами предыдущих исследований. Также следует сказать, что в данной модели такие контрольные переменные, как коэффициент текущей ликвидности (CR) и логарифм совокупных активов (SIZE), в выборке по торговым компаниям являются статистически незначимыми, что противоречит результатам, полученным для производственных компаний. Таким образом, следует сделать вывод, что гипотеза 2 подтверждается.

Важно отметить, что при анализе результатов по выборке компаний торговой отрасли связь между показателями оборачиваемости оборотного капитала, показателем финансового цикла и рентабельностью активов является аналогичной, как и в производственных компаниях. Иными словами, показатель рентабельности активов имеет прямую связь с показателем оборачиваемости кредиторской задолженности, и обратную – с показателями оборачиваемости запасов, дебиторской задолженности и финансовым циклом. В связи с этим гипотеза 4 о том, что на направление связи между показателем финансового цикла и рентабельностью активов влияет отраслевая принадлежность компании не подтверждается.

Следует также сделать вывод, что все статистические характеристики оценивания в производственных компаниях значительно лучше, чем в компаниях торговой отрасли. Различия наблюдаются в объясняющей силе модели, которая определяется коэффициентом детерминации.

Далее следует проверить гипотезу 3 о том, если компаниям с положительным финансовым циклом следует уменьшать, а компаниям с отрицательным – увеличиваться свой финансовый цикл до нулевого значения. В целях исследования общая выборка по компаниям производственной и торговой сфер была разделена на выборки по знаку финансового цикла. В таблице 7 представлены результаты оценивания модели с положительным и отрицательным финансовым циклом по выборке компаний в целом. В таблице не показаны коэффициенты перед переменными, которые не являются статистически значимыми. Результаты показывают, что при положительном финансовом цикле модель статистически значима, также, как и показатель финансового цикла, и находится он в обратной зависимости от рентабельности активов, что было ранее подтверждено отдельно по выборкам производственных и торговых компаний. При отрицательном финансовом цикле модель является статистически значимой, однако коэффициент при переменной финансового цикла не является статистически значимым. Таким образом, в связи с полученными данными гипотеза 3 не подтверждается.

Таблица 7

Результаты оценивания параметров модели для выборок с положительным и отрицательным финансовым циклом

Примечание: * переменная значима на уровне 5%

** переменная значима на уровне 1%

***переменная значима на уровне 0,01%

Для того чтобы выявить, является ли ликвидность компании ограничением для роста рентабельности активов, была протестирована регрессионная модель, в которой в качестве зависимой переменной выступает коэффициент текущей ликвидности, а в качестве независимой переменной – величина финансового цикла.

В таблице 8 представлены результаты регрессионной модели, определяющей зависимость величины финансового цикла и коэффициента ликвидности для компаний производственной и торговой сфер деятельности по модели со случайными эффектами. Эконометрическая модель и независимая переменная являются статистически значимыми. Полученные результаты показывают прямую связь между величиной финансового цикла и коэффициентом ликвидности, то есть при увеличении величины финансового цикла увеличивается ликвидность компании. Данная связь вполне объяснима, поскольку увеличение показателя финансового цикла предполагает увеличение оборотных средств компании или уменьшение краткосрочных обязательств, что в свою очередь приводит к увеличению коэффициента текущей ликвидности.

Таблица 8

Результаты оценивания параметров модели, определяющей связь между величиной финансового цикла и коэффициентом ликвидности

Примечание: * переменная значима на уровне 5%

** переменная значима на уровне 1%