Дипломная работа: Влияние интеллектуального капитала на результаты деятельности российских банков

Чтобы проверить, есть ли у банка патенты и в каком количестве, то есть присутствуют ли у него инновационные наработки (Hormiga et al., 2011, Molodchik, Shakina, Barajas, 2014, Molodchik, Jardon, Bykova, 2019), введем соответствующую переменную, которая будет отражать число патентов у определенного банка. Чем их меньше, тем, ожидается, хуже работают инновации такого банка и тем он в меньшей мере успешный.

Таким образом, выбранные для проведения исследования факторы были классифицированны по составляющим интеллектуального капитала. Итог представлен в таблице 1:

Таблица 1

Разделение переменных по элементам ИК

Кроме этого, имеет место ввести дополнительные переменные, то есть контрольные, которые не относятся к интеллектуальному капиталу, но могут влиять на зависимую переменную, то есть на рентабельность активов. Включение таких переменных позволит улучшить прогнозное качество модели. Среди них - возраст компании (Molodchik, Jardon, Bykova, 2019), рассчитываемый от момента ее существования до каждого из четырех годов исследования. Далее - размер компании (Al-Musali, Ku Ismail, 2016, Alhassan, Asare, 2016, Andreeva, Garanina, 2017, Ozkan, Cakan, Kayacan, 2017), являющийся логарифмом ее суммарных активов. И наконец финансовый рычаг, или кредитное плечо банка, - отношение заемных средств организации к ее собственным средствам. В настоящем случае финансовый рычаг рассчитывался, как отношение обязательств банка к его активам (Meles и др., 2016, Ozkan, Cakan, Kayacan, 2017).

В исследование также будут включены временные фиктивные переменные, отражающие конкретный год используемых данных и необходимые для моделирования регрессии на панельных данных.

Существует множество ненаблюдаемых факторов, которые могли бы влиять на итоговые результаты деятельности компаний. Тем самым, включив все выявленные факторы в модель, можно предположить, что в модели присутствует эндогенность в силу пропущенных переменных.

2.3 Метод исследования

Для проведения настоящего исследования было выбрано достаточно много факторов, характеризующих интеллектуальный капитал. Однако чтобы представить модель исследования более структурированно, предотвратить потерю переменных из-за коррелированности, более точно ответить на поставленный исследовательский вопрос и подтвердить выдвинутые гипотезы, в работе будет применен метод главных компонент. Это позволит сократить размерность данных и уменьшить число регрессоров.

Настоящий метод используется в подобных данному исследованиях интеллектуального капитала, когда, аналогично, множество факторов определенным образом группируются в компоненты. Так, к примеру, Molodchik и Jardon (2017) применяли метод главных компонент в своей работе, посвященной интеллектуальному капиталу и доказывающей, что он повышает уровень новизны продукта для более чем 1400 российских предприятий малого и среднего бизнеса. В иной работе Molodchik, Jardon и Bykova (2019) также использовали метод главных компонент для оценки вклада интеллектуального капитала в эффективность российских предприятий на уровне компаний и отрасли в целом, и впоследствии значимое воздействие интеллектуального капитала подтвердилось.

Итак, суть метода состоит в том, чтобы получить компоненты, являющиеся линейной комбинацией исходных факторов. Стоит отметить, что определение новых компонент еще не снижает размерность данных, так как их количество совпадает с изначальными переменными. Тем самым, ключевая цель проведения данного метода заключаются в том, чтобы выбрать максимально изменчивую компоненту, которая будет иметь максимальную выборочную дисперсию и, тем самым, наиболее релевантно представлять исходные факторы.

Для того, чтобы провести настоящую процедуру выбора компонент будет применен подход Кейзера (Kaiser, 1960), согласно которому главными компонентами будут являться те, у которых собственные значения (дисперсии, выделяемые факторами) больше единицы.

Кроме того, чтобы реализовать указанный выше подход, данные должны удовлетворять критерию адекватности выборки Кайзера-Мейера-Олкина, КМО. Основываясь на нем, значение КМО не менее, чем 0,5 будет свидетельствовать о том, что метод главных компонент применим, иначе - стоит отказаться от его использования (Kaiser, 1974).

После того, как будут выявлены главные компоненты, лучшим образом характеризующие человеческий, отношенческий, структурный капитал, будет построена регрессионная модель зависимости рентабельности активов банков от элементов интеллектуального капитала.

Для того, чтобы принять во внимание различия между объектами наблюдений и иметь возможность их оценить, необходимо учесть структуру панельных данных.

Стоит отметить, что панельные данные позволяют учесть возможную неоднородность объектов выборки с помощью учета индивидуальных эффектов, характеризующих влияние и наблюдаемых, и ненаблюдаемых переменных. Таким образом, будет построена модель с фиксированными эффектами или модель «within».

Так, регрессия с фиксированными эффектами («within») представляет регрессию с отклонениями от средних по времени значений факторов. Преимущество такой модели заключается в том, что она учитывает индивидуальные эффекты и, тем самым, исключает ненаблюдаемые переменные. При этом, предполагается, что объясняющие переменные коррелируют с индивидуальными эффектами.

Тем самым, построение «within»-регрессии будет служить попыткой нивелировать эффект присутствующей эндогенности. Более того, данная модель гарантирует получение несмещенных и состоятельных оценок. Оценивание такой регрессии будет происходить с помощью метода наименьших квадратов.

2.4 Описание выборки

Финансовая сфера в России является одной из крупнейших и ведущих в стране. Согласно данным Росстата, к 2015 году финансовая деятельность входила в десятку отраслей, имеющих наибольший вклад в прирост ВВП страны (рисунок 2).

Рис. 2 Крупнейшие вклады отраслей в ВВП России в 2015 году

На рисунке 2 по убываю доли в ВВП страны представлены отрасли, 10-ое место из которых занимает финансовая, составляя 4% в общей доли [7]. Суммарно, представленные отрасли формируют 84% в структуре ВВП России. При этом, стоит иметь в виду, что банки являются ключевыми участниками финансовой отрасли, и соответственно, играют важную роль в экономике страны.

Так, для настоящего исследования была использована база данных, предоставленная Международной лабораторией экономики нематериальных активов (ВШЭ, Пермь). Среди данной базы данных, состоящей из 1096 компаний разных отраслей, были отобраны все банки. Таким образом, выборка была сокращена до 62 компаний-представителей банковской сферы. Все представленные в базе данных банки являлись акционерными. Тем самым, настоящая выборка презентует все существовавшие на момент сбора данных акционерные банки России, акции которых хоть раз проходили листинг и котировались на бирже.

По причине отзыва лицензии в 2012-2015 годах из выборки были исключены следующие банки: Волга-Кредит, Волго-Камский, Тульский Промышленник, Акционерный Сибирский Нефтяной банк (Сибнефтебанк), Региональный банк развития, Пробизнесбанк. Кроме того, по причине принятия решения о ликвидации в 2012-2015 годах были исключены: ТрансКредитБанк, КИТ Финанс Инвестиционный банк, Коммерческий банк «Петрокоммерц» [1,8]. Тем самым, выборка сократилась на 9 банков. Итоговое число банков в выборке составило 53.

Согласно докладу ассоциации банков России за 2019 год, число банков в России за 2012, 2013, 2014, 2015 года достигало 978, 956, 923, 834 соответственно [4]. В среднем, за 4 года количество банков составляло 923. Тем самым, на рисунке 3 можно наблюдать долю настоящей выборки, состоящей из только акционерных банков, в генеральной совокупности всех банков России. Так, исследуемая выборка акционерных банков, в среднем по 4 годам, составляет только 6% общей совокупности банков России.

Рис. 3 Доля исследуемой выборки в генеральной совокупности

Используемая для исследования база данных состоит из финансовых и нефинансовых показателей, лежащих в основе переменных, которые отражают количественные и качественные характеристики интеллектуального капитала. Финансовые данные были собраны из годовых отчетностей банков, содержащихся на сайтах по финансовому анализу банков таких, как Куап.ру. Другая информация была включена согласно иным общедоступным источникам, таким как веб-сайты компаний, патентные и информационные бюро, рейтинговые агентства.

Таким образом, общее количество наблюдений за 4 года по 53 банкам составило 212. Следующая глава будет посвящена полученным в настоящем исследовании результатам.

3. Эмпирические результаты

3.1 Описательные статистики

Проведем предварительный анализ данных, для чего рассмотрим ключевые описательные статистики по выбранным переменным.

Анализируя переменные человеческого капитала, отдельное внимание стоит уделить находящейся в его составе категориальной переменной, характеризующей квалификацию совета директоров (таблица 2). В основном, около 60% членов совета директоров в различных банках одновременно не имеют последипломную квалификацию и опыт работы более 5 лет. При этом, у 33% совета директоров отсутствуют и последипломная квалификация, и опыт работы более 5 лет, и лишь 10% наделены обеими характеристиками. Соответственно, достаточно низкое число банков обладает высоко квалифицированными участниками совета директоров, что выделяет их в выборке.

Таблица 2

Значения переменной «квалифик. совета директоров»

В дальнейшем для построения регрессии данная категориальная переменная будет преобразована в дамми-переменную так, что будет обозначать наличие квалификации и принимать значение 1 (изначальные значения 1 и 2), или ее отсутствие и принимать значение 0 (аналогично изначальному значению 0).

Итоговая информация по переменным человеческого капитала представлена в таблице 3. Итак, для превалирующего большинства банков члены совета директоров обладают квалификацией. Также, согласно данной таблице, максимальный опыт работы менеджеров составляет 14 лет, что достаточно много, и, соответственно, ценно для банка. Однако, средний опыт менеджеров составляет лишь 4 года, варьируясь от года до восьми лет, что приблизительно втрое меньше имеющегося максимума. Тем самым, можно отметить, что имеющаяся выборка является достаточно гетерогенной, где для каждого банка характерны свои условия по опыту набираемых претендентов на должности менеджеров.

Затраты на содержание персонала в общих операционных расходах в среднем составляют 0.58. Минимальные затраты достаточно разнятся с максимальными издержками на содержание работников, 0.08 против 0.74. Это означает, что некоторые банки в отличие от других отводят относительно небольшие суммы на своих сотрудников. Возможная причина этому может заключаться в том, что некоторые банки оказывают необходимые финансовые услуги в дистанционном формате, что позволяет руководству такого банка снижать издержки на содержание сотрудников.

Стоит заметить, что затраты на подготовку и переподготовку кадров, в сравнение с затратами на общее содержание сотрудников, являются невысокими, что может объясняться их более редкими выплатами в течение года. Их среднее значение колеблется около значение 0.001, что достаточно отдалено от максимума в исследуемой выборке - 0.023, что вновь подчеркивает гетерогенность настоящей выборки (таблица 3).

Таблица 3

Описательные статистики по переменным человеческого капитала

Далее рассмотрим переменные отношенческого капитала. Среди них также имеется категориальная переменная - это качество сайта. Основываясь на таблице 4, стоит заметить, что для наибольшего процента банков (41,5%) за 4 года качество сайта оценивалось в 2 балла из 4 возможных. Следующей по популярности была максимальная оценка, то есть 4, таких банков было 56 (26,4%). Банков, получивших оценку 1 за качество собственного сайта, было меньше всего - 13,2%. Тем самым, многие сайты банков не удовлетворяют выдвинутым критериям, что выявляет возможные пути для дальнейшего развития и совершенствования.

Таблица 4

Значения переменной «качество сайта»