Материал: Стратегия развития металлургической промышленности

В выборку после удаления пропущенных значений были включены 450 компаний. Выборка получилась хорошо, однако не идеально сбалансированной, что, однако, не сильно помешало анализу. Период наблюдений - 8 лет (с 2006 года до 2013 года), что достаточно стандартный период времени для такого рода исследований. Количество наблюдений - 3600.

Круговая диаграмма 2.

Процентное соотношение количества компаний в выборке по подотраслям металлургической промышленности

Таким образом, в общем и целом, можно полагать, что выборка получилась в достаточной степени репрезентативной.

Таблица 1.

Описание переменных

В Таблице 1 представлены основные переменные, включенные в модель регрессионного анализа. Как было сказано ранее, нет единой системы показателей, которая бы однозначно была признана лучшей и отражала эффективность компании. В связи с этим было принято решение рассмотреть несколько показателей, отражающих разные аспекты финансовой результативности компании и было построено три модели с тремя разными зависимыми переменными. Совокупные активы отражают размер фирмы, чистая прибыль -основной показатель финансового результата работы фирмы, а выручка на работника отражает продуктивность рабочей силы. Все эти три показателя в совокупности дают определенное представление об успешности функционирования фирмы.

В качестве тестируемой переменной выступает бинарная переменная, отражающая принадлежность к группе экспортеров. К сожалению, в базе данных RUSLANAне представлено информации об объемах экспортируемой продукции, что в значительной степени ограничивает возможности для анализа.

В качестве контрольных переменных были выбраны возможные детерминанты эффективности компаний, в частности, фиктивные переменные на импорт (где 1 - импортер, 0 - нет), размер (1 - маленькая компания, 2 - средняя, 3 - большая, 4 - очень большая). Однако по большинству фирм в генеральной совокупности, например, нет данных по размеру, поэтому в качестве дополнительного показателя, отражающего размер, представлена переменная количество работников. Еще одной переменной является маржа прибыли. В качестве дополнительного регрессора выступает принадлежность к тому или иному региону (в котором компания зарегистрирована). Регионы при этом проранжированы по эффективности рейтинговым агентством «РИА Рейтинг» (где 1 - самый эффективный, 83 - самый неэффективнй регион).

В Таблице 2в свою очередь представлены описательные статистики рассматриваемых переменных.

Таблица 2.

Таблица описательных статистик рассматриваемых переменных

Как видно из настоящей таблицы, переменные, отражающие количество общих активов и чистой прибыли, имеют гораздо большие различия между компаний, чем во времени (стандартные ошибки оценок between гораздо больше, чем у оценок within), а вот выручка на работника показывает обратные результаты. Первое явление вполне понятно на интуитивном уровне - компании на российском рынке металлургии очень разные - от огромных вертикально интегрированных холдингов, до маленьких компаний, чей штат не превышает и 10 человек. Второе же может быть связано с тем, что интенсивность проектов в металлургии может сильно колебаться со временем (например, внезапное появление или окончание крупного строительства может значительно влиять на то, какой выглядит продуктивность работников).

Фиктивные переменные (среди которых экспорт, импорт, регион, размер) в данном исследовании меняются лишь между компаний - во времени они постоянны. Это одно из самых серьезных допущений данного анализа в силу того, что найти другие данные возможности не представилось. При этом важно отметить, что в среднем регионы компаний металлургической промышленности развитые (среднее значение - 21,04), а компании в основной своей массе - большие (среднее значение - 2,76).

Для выбора функциональной формы в модели стоит посмотреть, как распределены переменные, которые мы берем в качестве зависимых.

График 1.

Распределение логарифма зависимой переменной TotalAssets для экспортеров и неэкспортеров

График 2.

Распределение логарифма зависимой переменной NetIncomeдля экспортеров и неэкспортеров

График 3.

Распределение логарифма зависимой переменной Turnoverperpersonдля экспортеров и неэкспортеров

Из графиков 1-3 можно увидеть, что логарифмы зависимых переменных имеют распределение, похожее на нормальное. В связи с этим можно попробовать включить в модель именно натуральные логарифмы, что поможет избежать значительного разрыва в масштабах.

Эмпирическая модель

Для проверки первой гипотезы о наличии взаимосвязи между показателями финансовой эффективности компаний российской металлургии и экспортом были использованы основные модели для анализа панельных данных - модель сквозной регрессии, модель с детерминированным индивидуальным эффектом и модель регрессии со случайным индивидуальным эффектом.

Далее будут подробно рассмотрены данные модели.

Модель сквозной регрессии (pooledmodel)

Уравнение модели сквозной регрессии выглядит так:

Ln(yit)= 0 + 1Exporti + 2Importi + 3Ln(Employeeit) + 4Marginit + 5Sizei + 6Regioni + it(5)

Основное требование к модели - нормальное распределение ошибок it и некоррелированность их с регрессорами. При этом коэффициенты одинаковые по всем наблюдениям. При выполнении предпосылок модели состоятельные оценки можно получить методом наименьших квадратов, однако минусом модели является то, что индивидуальные эффекты компаний никак в ней не отражены, поэтому также рассматриваются и две другие модели.

Модель с детерминированными индивидуальными эффектами (fixedeffectmodel)

Уравнение модели имеет вид:

(yit)=i +1Exporti + 2Importi + 3Ln(Employeeit) + 4Marginit + 5Sizei + 6Regioni +it(6)

Смысл свободного члена в этой модели состоит в том, что в данном случае при анализе компании учитываются ненаблюдаемые индивидуальные эффекты, которые не меняются с течением времени, однако все же оказывают существенное влияние на эффективность рассматриваемых предприятий.

Модель со случайными индивидуальными эффектами (randomeffectmodel)

Уравнение модели выглядит следующим образом:

Ln(yit)= 1Exporti + 2Importi + 3Ln(Employeeit) + 4Marginit + 5Sizei + 6Regioni +I +it (7)

При этом iвключает в себя ненаблюдаемые индивидуальные эффекты компании, которые так или иначе влияют на ее эффективность и являются случайными, в чем есть принципиальное отличие от предыдущей модели. Вit же содержится обыкновенный шум.

Требования к модели включают в себя нормальное распределение u=I+ itпри нулевом математическом ожидании (в свою очередь, E( и E(). Оценивание модели производится Обобщенным методом наименьших квадратов (GLS).

Результаты оценки

Таблица 3.

Сравнение результатов регрессионного анализа для моделей pooledи randomeffect