Материал: Влияние интеллектуального капитала влияет стоимость компании

Теперь перейдём к гипотезам, связанным с более конкретными межотраслевыми различиями. Их проверка поможет нам более глубоко понять различия между фирмами по секторам и выявить отрасли, наиболее зависимые от Интеллектуального капитала. На основе изученного материала мы можем предположить, что

·   Гипотеза 5. Величина НМА имеет больший эффект для отраслей Энергетики, Услуг и Торговли, чем для других отраслей

·        Гипотеза 6. Отрасль Торговли получает наибольшую выгоду от известности бренда

·        Гипотеза 7. Применение стратегии управления знаниями имеет наибольший эффект в Торговле и Услугах

·        Гипотеза 8. Затраты на НИОКР приносят наибольшую выгоду для отраслей Производства и Энергетики

·        Гипотеза 9. Патентование более важно для Производства, Энергетики и Услуг, чем для других отраслей

Действительно, отрасль Энергетики является наукоёмкой, поэтому наращивает стоимость компании за счёт инвестиций в НИОКР, патентов и Нематериальных активов в целом. То же самое можно предположить для некоторых составляющих отрасли Производства (Электроника, Автомобилестроение и проч.). В отрасли услуг многие компании работают по патенту, тем самым охраняя свои конкурентные преимущества. В торговле огромное значение для покупателя имеет доверие к бренду, а высокая текучесть кадров обуславливает необходимость применения эффективной стратегии обучения.

Для того чтобы осуществить проверку выдвинутых гипотез, будет проведён регрессионный анализ добавленной экономической стоимости российских компаний. Для начала мы построим базовую модель, оптимальным образом описывающую зависимость EVA от прокси-показателей Интеллектуального капитала, а после этого введём отраслевой эффект. Поправка на принадлежность к сектору будет проводиться в два этапа. Сначала мы включим в модель фактор принадлежности к сфере производства товаров или услуг как бинарную переменную и выясним, значимы ли на самом деле различия между компаниями, производящими материальные и нематериальные блага. После этого мы протестируем более узкий эффект принадлежности к одной из шести отраслей нашей выборки, оценим знак и значимость совместных эффектов регрессора и отрасли. В заключение мы сделаем вывод о подтверждении или неподтверждении выдвинутых гипотез, сравним полученные нами результаты с теми, что были достигнуты предшественниками в этом вопросе, и постараемся объяснить возникшие расхождения.

Для проведения исследования, по аналогии с подходом Shakina, Barajas (2012), из всех возможных подходов к оценке Интеллектуального капитала мы выбрали два распространённых среди учёных аспекта: ресурсный и стоимостной. С одной стороны, ресурсный подход, который заключается в определении численных характеристик прокси-показателей интеллектуального капитала, позволяет нам углубиться в изучение инвестиционных предпочтений фирм и делать конкретные выводы о значимости того или иного компонента интеллектуального капитала. С другой стороны, стоимостный подход, который заключается в расчёте добавленной экономической стоимости компании как результирующего показателя использования Интеллектуальных ресурсов компании, позволяет оценить суммарный, конечный эффект, который оказывают вкупе все интеллектуальные ресурсы. Несмотря на тот факт, что ресурсный подход не даёт возможности полностью оценить весь Интеллектуальный капитал компании, мы рассматриваем такую комбинацию подходов как оптимальную для целей нашего исследования. Это мотивировано тем, что в результате в регрессии в качестве объясняющих переменных будут оценены входные параметры Интеллектуального капитала (ресурсный подход), а с другой стороны - конечный эффект Интеллектуального капитала, выраженный в изменении экономической стоимости компании. Таким образом мы максимально отразим суть Интеллектуального капитала как знаний, трансформируемых в стоимость фирмы, и получим достаточную степень конкретики для наших выводов.

3. Обсуждение путей реализации исследовательской задачи

Как было заявлено ранее, цель данного исследования - определить, как Интеллектуальный капитал влияет на EVA российских компаний в зависимости от отрасли. На основе проделанной работы по анализу научной периодики в области Интеллектуального капитала, стоимости компании и моделей поведения фирм в области знаний и инноваций мы выдвинули ряд гипотез, связанных с прокси-показателями Интеллектуального капитала, которые мы определили на основе анализа литературы. Суммируем необходимые нам прокси-показатели и опишем метод оценки каждого из них.

Таблица 1 Список переменных

Название переменной	Значение, тип переменной	Характеризуемый аспект	Способ оценки
EVA	Добавленная экономическая стоимость, непрерывная	Численное выражение эффекта ИК, зависимая переменная	EVA = (Инвестированный капитал(t-1)*(ROIC(t)-WACC(t)) и Инвестированный капитал(t) для 2004 года
Регрессоры
int_assets	НМА	Генерация Стоимости через ИК	int_assets =Нематериальные активы компании
brand_forbes	Известность. Входит ли компания в Ranking Forbes 2000. Бинарная	Сила бренда, доверие к компании и влияние на рынке	brand_forbes =1, если входит в Ranking Forbes 2000, иначе =0
cost_1_emp	Затраты на 1 работника, непрерывная	Стоимость рабочей силы, квалификация сотрудника	= Затраты на содержание сотрудников/число сотрудников
earn_per_emp	Прибыль на 1 сотрудника, непрерывная	Ценность 1 сотрудника в терминах прибыли	earn_per_emp= EBIT/число сотрудников
ir_assoc	Участие в бизнес-ассоциациях, бинарная	Связи на рынке	ir_assoc =1, если компания вовлечена в бизнес-ассоциации, 0 -не вовлечена
ir_site_quality	Качество сайта, категориальная (1-4).	Формирует отношение потребителей	Экспертная оценка на основе исследования сайта
ic_km	Применяет ли фирма "intellectual capital"или "knowledge management" стратегию. Бинарная.	Стратегия фирмы в области ИК	На основе исследования сайта Поиск на сайте компании сочетаний intellectual capital/интеллектуальный капитал"или "knowledge management/управление знаниями"
is_strategy	Применяет ли корпоративную стратегию. Бинарная.	Стратегия фирмы в области ИК	На основе исследования сайта. Поиск на сайте сочетаний "strategy/стратегия", "strategy implementation/применение стратегии"
patents	Число патентов. Непрерывная.	Конкурентное преимущество фирмы через ИК	Patents = число патентов
niocr	Затраты на Исследования и Разработки	Стратегия в сфере инноваций	niocr = Итоговые затраты на НИОКР за период
industry	Отрасль, категориальная (1-6)	Область интереса: какое влияние на ИК?	1 - Construction & Real Estate, 2 - Manufacturing, 3 - Energy & Chemical, 4 - Services, 5 - Trade & Related Services, 6 - Finance & Insurance
Контрольные переменные
bv	Book value, непрерывная	Стоимость активов позволяет проконтролировать размер компании	Бухгалтерская стоимость активов компании
n_emp	Численность сотрудников	Отражение размера компании. Согласно исследованию Usoff et al. (2002) , фирмы, обладающие большим Интеллектуальным капиталом, обычно больше по размеру	Число сотрудников из отчётности
year	Год	Фиксированный эффект года - контрольная переменная. Нужно принять во внимание, что часть выборки приходится на период 2008-2009 годов - глобальный финансовый и экономический кризис, во время которого эффективность и результаты деятельности компаний пережили спад (Shakina, Barajas, 2013).	Сгенерированная дамми-переменная, базовый год - 2003

Необходимо отметить, что у выбранных прокси-переменных есть свои ограничения, которые необходимо будет учесть при интерпретации результатов. Так, принадлежность компании к списку Forbes 2000 не является единственным и полным индикатором известности компании и силы бренда. Кроме того, лишь небольшой процент компаний из выборки входит в этот список. Показатели наличия корпоративной стратегии и применения управления ресурсами получены лишь на основе мониторинга сайта компании и могут искажать реальную ситуацию в том случае, если заявленная информация на сайте не соответствует реальной ситуации. В целом же выборка репрезенативна. Её сильными сторонами являются широкий набор показателей, дающий определённую свободу в выборе регрессоров для построения эконометрической модели, и достаточно большой временной период: с 2004 по 2014 год. Однако в данных за 2014 год слишком много пропусков, поэтому на этапе построения регрессии с помощью эконометрического пакета EViews 2014 год был исключён программой из выборки за недостаточностью данных.

Наше исследование проводится на основе данных, предоставленных Международной лабораторией экономики нематериальных активов НИУ ВШЭ-Пермь. Выборка представляет собой широкий набор различных характеристик деятельности компании, от финансовых показателей до характеристик интеллектуального капитала. Данные в выборке взяты из финансовой отчётности компаний, с сайтов фирм, из сети Интернет, из рейтингов, а также включают экспертные оценки. Обсудим более подробно отраслевую структуру выборки. В Таблице 2 представлен список отраслей, вошедших в выборку, и число компаний в выборке. Соотношение числа компаний в отраслях представлено на Рисунке 5.

Таблица 2 Список отраслей

Название отрасли	Число компаний в выборке
1. Строительство и недвижимость	101
2. Производство	457
3. Энергия и полезные ископаемые	178
4. Услуги	97
5. Торговля	34
6. Финансовая деятельность и Страхование	96

Рис.5. Распределение компаний в выборке по отраслям

Как мы видим из представленных данных, выборка состоит из 963 компаний, почти половина из которых работает в производственном секторе, а самая малочисленная отрасль - это торговля.

В интересах дальнейшего исследования представленные 6 отраслей по признаку производства товара либо услуги были агрегированы в 2 большие группы: «Сфера производства» и «Сфера услуг». В первую группу были включены Строительство и недвижимость, Производство, Энергия и полезные ископаемые, а во вторую - Услуги, Торговля, Финансовая деятельность. Таким образом, мы получили две крупные группы, которые позволят нам проверить гипотезу о различной значимости элементов ИК для сфер производства и услуг. Соотношение секторов производства и услуг представлено на рисунке 6.

Рис.6. Распределение компаний в выборке по сферам производства товаров и оказания услуг

Как мы видим, число фирм-производителей товаров в три раза больше, чем число фирм, оказывающих услуги. Для того, чтобы ещё раз подтвердить обоснованность такого разделения, мы провели тест Вальда для того, чтобы сравнить описательные характеристики Добавленной экономической стоимости в рамках двух подвыборок. Отметим, что в обеих подвыборках фирмы демонстрируют положительный средний прирост экономической стоимости компании. Результаты представлены в таблицах и графиках ниже.

Как мы видим из сравнения описательных статистик, значения среднего, медианы и стандартного отклонения для подвыборок разные. Причём подгруппа «Производство» имеет более высокое среднее и максимальное значения, а в подгруппе «Услуги» EVA менее волатильна, что видно из меньшего СКО. Мы провели тесты на статистическую значимость различий Среднего, Медианы и Дисперсии для двух подвыборок. Результаты тестов приведены ниже.

Рис.7. Описательная статистика показателя EVA для Услуг

Рис.8. Описательная статистика показателя EVA для Производства

Таблица 3 Результаты теста на статистическое равенство средних значений EVA по подвыборкам

Categorized by values of SERVICE
Sample (adjusted): 2004 2013
Method	df	Value	Probability
t-test	8070	0.467065	0.6405
Satterthwaite-Welch t-test*	5175.711	0.804753	0.4210
Anova F-test	(1, 8070)	0.218150	0.6405
Welch F-test*	(1, 5175.71)	0.647628	0.4210

Таблица 4 Результаты теста на статистическое равенство медиан EVA по подвыборкам

Test for Equality of Medians of EVA
Categorized by values of SERVICE
Method	df	Value	Probability
Wilcoxon/Mann-Whitney		5.514404	0.0000
Wilcoxon/Mann-Whitney (tie-adj.)		5.514404	0.0000
Med. Chi-square	1	26.56401	0.0000
Adj. Med. Chi-square	1	26.25423	0.0000
Kruskal-Wallis	1	30.40872	0.0000
Kruskal-Wallis (tie-adj.)	1	30.40872	0.0000
van der Waerden	1	24.52991	0.0000

Таблица 5 Результаты теста на сравнение средних значений EVA по подвыборкам

Test for Equality of Variances of EVA
Categorized by values of SERVICE
Method	df	Value	Probability
F-test	(1314, 6756)	6.568575	0.0000
Siegel-Tukey		4.216036	0.0000
Bartlett	1	1274.266	0.0000
Levene	(1, 8070)	5.992344	0.0144
Brown-Forsythe	(1, 8070)	4.157165	0.0415

Согласно результатам теста, в подвыборках «Услуги» и «Производство» показатель EVA имеет статистически незначимую разницу в среднем, но на 1% уровне значимую разницу в Медиане и Дисперсии, что даёт нам повод утверждать о наличии отраслевого эффекта для двух подвыборок.

Для повышения качества модели и получения более надёжных результатов необходимо было провести анализ выборки на наличие выбросов, а также исключить возможную мультиколлинеарность. Проанализировав статистичские характеристики показателей из нашей выборки, мы наложили следующие ограничения:

·        EVA больше -10000 тыс.руб. и меньше <19 000 тыс. руб.

·        Прибыль на 1 работника меньше <15 тыс. руб.

·        Нематериальные активы компании меньше 5 000 тыс.руб.

·        Затраты на НИОКР меньше 20000 тыс.руб.

·        Число менеджеров в компании меньше 40

Корреляционный анализ выявил слабую корреляцию между подавляющим числом регрессоров. Исключением стала статистически значимая умеренная положительная корреляция между прибылью и затратами на одного работника (45%) , умеренная положительная корреляция между числом работников и нематериальными активами (на уровне 40%), умеренная положительная корреляция между нематериальными активами и затратами на НИОКР (38%) качеством сайта и затратами на НИОКР (36%), качеством сайта и число работников (33,5%), а также заметная и значимая положительная корреляция между числом сотрудников и затратами ни НИОКР на уровне 62%. Эти значения не стали кричными для проведения дальнейшего анализа и построения регрессии. Более подробно ознакомиться с результатами корреляционного анализа можно в Приложении 1.

Задача эконометрического анализа - построить модель, описывающую зависимость добавленной экономической стоимости от компонентов Интеллектуального капитала. Экономическая модель в данном случае имеет вид:

EVA = F (прокси-показатели ИК, эффект отрасли, контрольные переменные)

Эконометрическое моделирование было осуществлено с использованием пакета EViwes, позволяющего работать с панельными данными. В качестве процедуры анализа данных было выбрано построение регрессии с применением фиксированного эффекта в кросс-секции. Выбор этой спецификации был обусловлен статистически и логически. Во-первых, с точки зрения здравого смысла, мы предполагаем, что в модели индивидуальные эффекты экономических единиц являются неслучайными и коррелированы с ошибкой. Это логично, так как для регрессии выбраны определённые компании, которые не менялись от года к году. Кроме того, мы провели тест Хаусмана для выбора между случайным и фиксированным эффектом. Результаты теста приведены ниже в Таблице 6.

Таблица 6 Результаты теста Хаусмана на определение спецификации эффекта

Equation: EQ01
Test cross-section random effects
Test Summary	Chi-Sq. Statistic	Chi-Sq. d.f.	Prob.
Cross-section random	625.456822	21	0.0000

Так как p<0,01, то основная гипотеза теста об уместности случайного эффекта отвергается, и мы подтверждаем свой выбор фиксиованного эффекта. Применение фиксированного эффекта заключается во введении дамми-переменных для контроля индивидуального эффекта компании на протяжении всего периода исследования и повышает объясняющую способность нашей модели, позволяя очистить исследуемые эффекты от индивидуальных эффектов фирм.

Эконометрический анализ проводился в три этапа:

.        Построение базовой модели, описывающей зависимость стоимости компании от Интеллектуального капитала

.        Введение эффекта сферы производства или услуг

.        Введение эффекта отрасли

На каждом из обозначенных этапов мы делали выводы о значимости тех или иных компонентов Интеллектуального капитала для формирования добавленной стоимости компании и переходили от обобщённых выводов к всё более конкретным, специфическим для групп компаний, заключениям. Результаты эконометрического анализа представлены ниже.

4. Оценка влияния Интеллектуального капитала на EVA

.1 Базовая модель зависимости EVA от Интеллектуального капитала

Для начала мы построили Базовую регрессию, которая наилучшим образом объясняет зависимость Добавленной экономической стоимости компании от интересующих нас элементов Интеллектуального капитала. Базовая модель нужна нам для того, чтобы на начальных этапах выявить факторы, которые будут статистически значимы для Добавленной экономической стоимости, и уже для значимых переменных моделировать отраслевой эффект. Результаты регрессионного анализа приведены в таб. 7.

Таблица 7 Результаты регрессионного анализа. Базовая модель

Переменная	Коэффициент
C	24.36
INT_ASSETS	0.15***
BRAND_FORBES	-277.53***
EARN_PER_EMP	91.31***
COST_EMP/N_EMP	-39.52
IC_KM	-109.42***
IS_STRATEGY	17.09*
IR_ASSOC	81.69**
IR_SITE_QUALITY	-6.23
NIOCR	-0.03***
PATENTS	-0.98***
N_EMP	-0.01***
BV	0.08***	-8.34
YEAR=2006	1.97
YEAR=2007	3.35
YEAR=2008	-31.47***
YEAR=2009	-8.21
YEAR=2010	9.91
YEAR=2011	13.88
YEAR=2012	-14.39
YEAR=2013	-43.77***

*** - значимо на уровне 1%

** - значимо на уровне 5%

* - значимо на уровне 10%R-squared = 0,77

Число наблюдений = 872

Число периодов =10

Мы получили значимую модель, которая объясняет дисперсию зависимой переменной на 77%. Часть регрессоров по знаку и значимости соответствовали нашим ожиданиям. Так, при прочих равных условиях, рост Нематериальных активов компании на 1 тыс. руб. приводит в среднем к росту EVA на 0,15 тыс.руб. (на 1% уровне значимости). Рост прибыли на одного работника на 1 тыс. руб. в среднем при прочих равных условиях отражается в росте EVA на 91,31 тыс. руб.(на 1% уровне значимости). Наличие у компании стратегии повышает её добавленную экономическую стоимость в среднем на 17,09 тыс.руб.(на10% уровне значимости), а участие в бизнес-ассоциациях имеет положительный эффект, который выражается в росте EVA в среднем на 81,69 по сравнению с компаниями, не участвующими в ассоциациях (на 5% уровне значимости). Были также подтверждены ожидания относительно необходимости учёта кризисных годов: 2008 и 2013 годы статистически значимы в роли контрольных переменных и наиболее сильно сокращают EVA для российских компаний.

Вопреки нашим ожиданиям, нахождение фирмы в списке Forbes 2000 имеет статистически значимый отрицательный эффект на стоимость компании: EVA компаний из рейтинга при прочих равных условиях в среднем на 277,5 тыс. руб. ниже, чем компаний, в него не входящих (на 1% уровне значимости). Это согласуется с результатами Shakina, Barajas (2012) для Известности компании. Применение стратегий управления знаниями, получение нового патента, рост затрат на НИОКР на 1 тыс. руб. также снижают EVA в среднем на 109,42 тыс. руб., 0,98 тыс. руб. и 0,03 тыс. руб., соответственно.

Качество сайта и затраты на одного сотрудника оказалось незначимыми для формирования добавленной экономической стоимости компании. 

.2 Моделирование различия между производственной сферой и сферой услуг

Следующим шагом нашего исследование стало включение эффекта сферы услуг. Для того чтобы проверить, различны ли результаты инвестирования в Интеллектуальный капитал для фирм-производителей товаров и фирм, оказывающих услуги, мы поделили выборку на две части (Производство и Услуги) и ввели переменную service. Переменная service была сгенерирована нами как бинарная: service = 1, если компания принадлежит к сфере услуг, и service = 0 в противном случае. К сфере Услуг мы отнесли следующие отрасли:

·        Услуги

·        Торговля

·        Финансовая деятельность

Всего к сфере услуг было отнесено 135 компаний.

К сфере Производства мы отнесли оставшиеся отрасли:

·        Строительство и недвижимость

·        Производство

·        Энергия и полезные ископаемые

Всего к сфере производства было отнесено 737 компаний

В базовую модель мы добавили совместный эффект переменных и сферы, сгенерированный как произведение регрессора и бинарной переменой service, и оценили его значимость. Таким образом мы смогли выяснить, оказывает ли принадлежность к сфере услуг какой-либо дополнительный эффект в формировании Добавленной экономической стоимости через Интеллектуальный капитал. Включение эффектов взаимодействия не изменило значимости и объясняющей способности базовой модели. Результаты оценки совместных эффектов приведены ниже:

Таблица 8 Результаты тестирования совместных эффектов регрессоров и бинарной переменной service

Совместный эффект	Коэффициент
INT_ASSETS*SERVICE	-0.38**
BRAND_FORBES*SERVICE	438.32***
EARN_PER_EMP*SERVICE	129.03
IC_KM*SERVICE	109.36**
IS_STRATEGY*SERVICE	17.36
IR_ASSOC*SERVICE	-183.17**
IR_SITE_QUALITY*SERVICE	14.31
NIOCR*SERVICE	-0.10*
PATENTS*SERVICE	1.09

*** - значимо на уровне 1%

** - значимо на уровне 5%

* - значимо на уровне 10%

Все совместные эффекты приведены в сравнении с базовой отраслью производства. Таким образом, инвестировать в НМА и НИОКР в сфере услуг менее выгодно, чем в сфере производства, в то время как Известность бренда, внедрение стратегии управления Интеллектуальным капиталом и Знаниями в фирме принесут большую отдачу в терминах добавленной экономической стоимости именно в сфере услуг.

На основании этих выводов мы можем сказать, что

·   Гипотеза 1 о большей значимости Нематериальных активов для производства, чем для услуг, подтвердилась

·        Гипотеза 2 о большей отдаче от НИОКР для производства, чем для услуг, подтвердилась

·        Гипотеза 3 о большей значимости силы бренда для услуг, чем для производителей, подтвердилась

·        Гипотеза 4 о большей отдаче от управления знаниями для сферы услуг, чем для производства, подтвердилась

Таким образом, с помощью этой спецификации мы подтвердили первые четыре гипотезы.

 

.3 Моделирование различия между отраслями

Для того, чтобы проверить гипотезы относительно разницы влияния элементов Интеллектуального капитала на добавленную экономическую стоимость компании в зависимости от отрасли, мы добавили в базовую регрессию совместный эффект отрасли и регрессоров, сгенерированный как произведение переменной и дамми отрасли, и оценили его значимость. Чтобы избежать превышения допустимого количества переменных в модели, мы оценивали новую регрессию каждый раз отдельно для каждой переменной. Включение совместного эффекта не снижало значимости модели и оставляло объяснительную способность регрессии на уровне 77-78%.

Результаты регрессионного анализа с совместным эффектом приведены ниже в разбивке по переменным:

Таблица 9 Отраслевой эффект для Нематериальных активов

Совместный эффект	Коэффициент и значимость
INT_ASSETS*W_CONSTR_1	2.07
INT_ASSETS*W_ENERGY_3	2.75***
INT_ASSETS*W_SERVICES_4	2.07***
INT_ASSETS*W_TRADE_5	9.46***
INT_ASSETS*W_FINANCE_6	-4138.41

*** - значимо на уровне 1%

** - значимо на уровне 5%

* - значимо на уровне 10%

Все эффекты приведены в сравнении с отраслью Производства.

Таблица 10 Отраслевой эффект для силы бренда

Совместный эффект	Коэффициент и значимость
BRAND_FORBES*W_CONSTR_1	158.43*
BRAND_FORBES*W_ENERGY_3	-547.89***
BRAND_FORBES*W_SERVICES_4	62.49
BRAND_FORBES*W_TRADE_5	551.46***
BRAND_FORBES*W_FINANCE_6	99.31

*** - значимо на уровне 1%

** - значимо на уровне 5%

* - значимо на уровне 10%

Все эффекты приведены в сравнении с отраслью Производства.

Таблица 11 Отраслевой эффект для стратегии управления знаниями

Совместный эффект	Коэффициент и значимость
IC_KM*W_CONSTR_1	98.39
IC_KM*W_TRADE_5	123.38**
IC_KM*W_ENERGY_3	-61.59
IC_KM*W_SERVICES_4	109.98*

*** - значимо на уровне 1%

** - значимо на уровне 5%

* - значимо на уровне 10%

Все эффекты приведены в сравнении с отраслью Производства. Для изучения этого эффекта данных по отрасли финансов и страхования оказалось недостаточно.

Таблица 12 Отраслевой эффект для стратегии компании

Совместный эффект	Коэффициент и значимость
IS_STRATEGY*W_CONSTR_1	-19.46
IS_STRATEGY*W_ENERGY_3	-50.43**
IS_STRATEGY*W_SERVICES_4	-2.36
IS_STRATEGY*W_TRADE_5	105.24***
IS_STRATEGY*W_FINANCE_6	-15.65

*** - значимо на уровне 1%

** - значимо на уровне 5%

* - значимо на уровне 10%

Все эффекты приведены в сравнении с отраслью Производства.

Таблица 13 Отраслевой эффект для затрат на НИОКР

Совместный эффект	Коэффициент и значимость
NIOCR*W_CONSTR_1	-0.58
NIOCR*W_MANUF_2	-0.29***
NIOCR*W_SERVICES_4	-0.13**
NIOCR*W_TRADE_5	-0.92
NIOCR*W_FINANCE_6	-4.85

*** - значимо на уровне 1%

** - значимо на уровне 5%

* - значимо на уровне 10%

Все эффекты приведены в сравнении с отраслью Производства.

Таблица 14 Отраслевой эффект для патентов

Совместный эффект	Коэффициент и значимость
PATENTS*W_CONSTR_1	22.32***
PATENTS*W_MANUF_2	24.16***
PATENTS*W_SERVICES_4	24.19***
PATENTS*W_TRADE_5	25.56***

*** - значимо на уровне 1%

** - значимо на уровне 5%

* - значимо на уровне 10%

Все эффекты приведены в сравнении с отраслью Энергетики. Для изучения этого эффекта данных по отрасли финансов и страхования оказалось недостаточно.

Объединив результаты в сводную Таблицу 15, мы можем получить обобщённую характеристику эффективности применения компонентов Интеллектуального капитала по отраслям.

Таблица 15 Сводная характеристика отраслевых эффектов

Регрессор/ Отрасль	Строительство и недвижимость	Производство	Энергия и полезные ископаемые	Услуги	Торговля	Финансовая деятельность
НМА		базовая	+***	+***	+***
Известность бренда	+*	базовая	_***		+***
IC_KM стратегия		базовая		+*	+*	Недостаточно данных
Is_стратегия		базовая	_**		+***
НИОКР		базовая	+***	+***
Патенты	+***	+***	базовая	+***	+***	Недостаточно данных

(+) - эффект положительный по сравнению с базовой отраслью

(-) - эффект отрицательный по сравнению с базовой отраслью

*** - значимо на уровне 1%

** - значимо на уровне 5%

* - значимо на уровне 10%

Таким образом, при прочих равных условиях, инвестиции в НМА в энергетике, услугах и торговле принесут большую отдачу в терминах добавленной экономической стоимости, чем в отрасли производства.

Известность бренда для Строительства и недвижимости и Торговли более важна, чем для производства, а для энергетики - менее важна, чем для производства. Применение Обучающих стратегий приносит наибольший результат по сравнению с производственной отраслью в отраслях Торговли и Услуг. По сравнению с отраслью производства, наличие корпоративной стратегии менее важно в энергетике и более важно в торговле. Затраты на НИОКР приносят дополнительные по сравнению с производством выгоды в отраслях энергетики и услуг. По сравнению с отраслью Энергетики и полезных ископаемых, наличие патентов более важно для Строительства, Производства, Услуг и Торговли, причём наибольшее сравнительное преимущество получает торговля.

Исходя из полученных выводов, мы можем сказать, что

·        Гипотеза 5 о значимости НМА была подтверждена

·        Гипотеза 6 о значимости бренда была подтверждена

·        Гипотеза 7 о применении стратегии управления знаниями подтвердилась

·        Гипотеза 8 подтвердилась частично: затраты на НИОКР приносят большую отдачу в отрасли энергетики, чем в производстве и услугах

·        Гипотеза 9 подтвердилась частично: для Производства, Услуг, Торговли и Строительства прирост стоимости компании от каждого нового патена более высок, чем в Энергетике.

Суммируя полученные на всех стадиях моделирования результаты, мы можем заключить следующее:

1.  Рост Нематериальных активов приносит выгоду предприятию в терминах добавленной экономической стоимости. В то же время, их величина имеет дополнительный эффект для сферы производства, а особенно сильный - для Энергетики. В то же время для компаний из отраслей услуг и торговли это дополнительное преимущество тоже наблюдается

2.       Затраты на Исследования и разработки в среднем статистически значимо отрицательно связаны с добавленной экономической стоимостью компании. Но всё же они приносят большую выгоду предприятиям-производственникам, чем сфере услуг, и максимальный эффект имеют в отрасли Энергетики.

.        Ориентированность компаний сферы услуг на создание бренда, известного и вызывающего доверие покупателя, оправдана: Известность и сила бренда, действительно, приносят большую выгоду компаниям в сфере услуг, а особенно - в торговле.

.        Управление знаниями, обучение сотрудников в сфере услуг приносит большую отдачу, чем в производстве. Это подтверждается и на отраслевом уровне: наиболее ориентированы на создание экономической стоимости компании через образование и знания Торговля и Услуги.

.        Что касается Энергетики, несмотря на наукоёмкость и ориентированность на Интеллектуальный капитал этой отрасли, патенты приносят ей меньшую выгоду, чем отраслям Производства, Строительства, Торговли и Услуг.

.        Дополнительно мы выявили, что участие в бизнес-ассоциациях приносит большую выгоду компаниям-производственнкам, чем фирмам, оказывающим услуги.

Заключение

Целью нашей работы было изучить, как Интеллектуальный капитал влияет на Стоимость компании, и какую роль в этом процессе играет отраслевая принадлежность фирмы. Эта исследовательская задача сформировалась на основе анализа большого количества научной периодики, посвящённой эффективному внедрению компонентов Интеллектуального капитала на предприятиях в различных отраслях. Большая часть работ основывалась на изучении наукоёмких отраслей, таких как биотехнологии, производство полупроводников, электроника и машиностроение.

В связи с этим стало интересно протестировать полученные выводы в разрезе максимально доступного числа отраслей. Это стало первой особенностью нашей работы. Кроме того, несмотря на интенсивность изучения Интеллектуального капитала во всём мире, фундаментальных работ, посвящённых именно российскому рынку, достаточно мало. Это обусловлено, вероятно, спецификой развивающегося рынка, затруднённой доступностью информации за большой период времени (учётная политика западных компании имеет гораздо более долгу историю и, соответственно, более широкую информационную базу), а также малой концентрацией крупных Интеллектуалоёмких, наукоёмких компаний на российском рынке.

Однако все эти факторы, формирующие институциональную среду развития Интеллектуального капитала в России, как раз и являются интересными. Могут ли быть применимы выводы, сделанные на зарубежном опыте, как алгоритм развития для российских фирм? Работа с данными по российским компаниям стала второй отличительной особенностью нашей работы. В дополнение, во время изучения релевантных источников мы пришли к выводу, что различия в эффективности Интеллектуального капитала воспринимаются авторами на двух уровнях.

Во-первых, авторами выделяются сфера производства и услуг, и это деление подразумевает наличие особенностей, связанных с материальной или нематериальной природой производимого компанией продукта.

Во-вторых, компании рассматриваются в контексте более мелкого деления по отраслям (строительство, торговля, производство товаров потребления, промышленных товаров и проч.). Это даёт основание полагать, что внутри каждой сферы (производства и услуг) есть отрасли, более и менее зависимые от Интеллектуального капитала, и один и тот же компонент знаний предприятия может быть мощным драйвером стоимости как для энергетической компании, так и для торговой.

Такой двухуровневый подход к рассмотрению различий применения Интеллектуального капитала для наращения стоимости компании стал ещё одной отличительной чертой проделанной работы. Так, особенностью нашей работы стала попытка рассмотрения отраслевого эффекта на двух уровнях: на уровне 6 отраслей (Строительство и недвижимость, Производство, Энергия и полезные ископаемые, Услуги, Торговля, Финансовая деятельность) и в разрезе двух агрегированных групп компаний, относящихся к Производству либо к сфере Услуг, на примере российских комапний.

В результате исследования мы подтвердили почти все гипотезы, выдвинутые на основе обобщения выводов предыдущих исследований. Это значит, что специфика и институциональная среда российского рынка не является фактором, делающим успешное развитие Интеллектуального капитала в России невозможным. Она лишь вносит коррективы, но в целом тенденции, имеющие место в зарубежных компаниях, сохраняются и на российском рынке.

Обсудим более детально результаты, к которым мы пришли в своей работе, и сравним их с ожидаемыми результатами, сформированными на фоне изучения предыдущих исследований. Многие из ожидаемых результатов подтвердились. Так, Нематериальные активы компании приносят положительный вклад в её экономическую стоимость, притом особенно силён этот вклад в Энергетике, Торговле и Услугах. Подтвердилась также ожидаемая ориентированность Торговли и Услуг и предприятий, оказывающих услуги, в целом, на обучение персонала и продвижение за счёт установления связей с потребителями через сильный бренд. Наши выводы соответствуют заключениям предыдущих исследователей, что говорит о наличии общих законов трансформации Интеллектуального капитала в стоимость компании. В то же время, мы выявили, что в целом эффект от применения образовательных практик, стратегии и от известности бренда отрицателен для стоимости компании.

В случае с брендом это может быть объяснено слишком узким содержанием прокси-показателя, характеризующего силу бренда: не только принадлежность к списку Forbes говорит об известности и влиятельности компании. Возможно, ненаблюдаемые нами параметры других компаний, не входящих в топ-2000, оказывали более сильный эффект. В этом случае необходим поиск дополнительных, более полных характеристик бренда. Что касается критерия применения компанией стратегии управления знаниями и ориентированности на интеллектуальный капитал, который привносит отрицательный вклад в стоимость компании, его уязвимость также заключается в способе измерения. Информация, предоставленная компанией на сайте, может не отражать реальной ситуации.

Например, фирма, заявляющая, что активно проводит обучение сотрудников, предлагает работникам развитие через освоение нового опыта, по меркам выбранного нами показателя будет оценена как использующая стратегию знаний. Но эти данные могут быть фальсифицированы компанией с целью повышения привлекательности для потенциальных работников, в то время как само обучение в фирме присутствует лишь в виде передачи опыта от старых работников новым. Наличие у фирмы определённой стратегии, также определяемое на основе мониторинга сайта, напротив, связано с более высокой экономической стоимостью. Конечно, стратегия развития есть у каждой фирмы, но логично предположить, что если фирма акцентирует на ней внимание, следование этой стратегии играет важную роль в деятельности компании, и разработана она именно как конкурентное преимущество для повышения эффективности деятельности.

В целом, проведённая работа позволила протестировать заявленные гипотезы и получить ответ на поставленный исследовательский вопрос в рамках доступных данных. Однако в ходе нашей работы мы столкнулись с рядом ограничений. Во-первых, в научном сообществе не существует общепринятого метода измерения ИК, поэтому выбранные нами прокси-показатели и методика в целом могут показаться спорными. Во-вторых, мы столкнулись с тем, что российский рынок имеет собственную специфику: отставание в развитии некоторых производственных отраслей, несовершенная сфера услуг и проч. Эти факторы обуславливают различия в выводах, полученных нами, и выводах, достигнутых на основе анализа развитых рынков Европы, США и высокотехнологичных отраслей Японии, Малайзии и Тайваня. В-третьих, ограниченность в доступе к данным по некоторым показателям деятельности фирм, в частности, по исследованиям и разработкам, ограничили наш круг переменных и возможности для анализа. Преодоление перечисленных ограничений может стать перспективой дальнейшего исследования представленной темы.

Что касается перспектив развития представленной темы, интересным представляется также включение в рассмотрение как можно большего количества факторов, определяющих инвестиционную политику компании в сфере интеллектуального капитала, и развитие логических цепочек, связывающих факторы принятия решений, компоненты интеллектуального капитала и стоимость фирмы. По мнению многих исследователей, в том числе, Shakina,Barajas (2012) , существует широкий набор внешних и внутренних институциональных факторов трансформации интеллектуального капитала, влияющих на хранение, преумножение, распространение Знаний в фирмах. Помимо отраслевой специфики, рассмотренной нами, существуют также условия защиты интеллектуальной собственности в стране, развитие инфраструктуры рынка, различные экономические стимулы, стратегия страны в сфере инноваций и образовательная система. Более того, страновая специфика, социальные и политические факторы могут определять силу воздействия каждого из перечисленных критериев по-своему в рамках отдельного государства.

Также учёные отмечают наличие взаимного влияния элементов Интеллектуального капитала друг на друга. Так, Wang (2014) утверждает, что образование предпринимателя и интеллектуальная собственность, которой обладает фирма, определяет её инвестиции в НИОКР. Всё это даёт нам повод считать, что глубина исследований Интеллектуального капитала неограниченна: статистические и логические связи между компонентами, их совместное влияние на деятельность фирмы, модели принятия инвестиционных решений в области управления знаниями - перспективные и интересные направления для расширения и уточнения проведённой работы.

Список использованных источников

1.     Acuna A., Parra V.,Troncoso S., (2012), Design of applied strategic management model the construction sector: Impact of construction association, Journal of Construction, Vol 11, Iss 1, pp 4-15

2.       Bontis, N. (1998), Intellectual capital: An exploratory study develops measures and Model, Management Decision, Vol 36, No 2, pp 63-76

.        Brooking, A. (1996), Intellectual capital: Core assets for the third millennium enterprise, London: Thomson Business Press

.        Dadashinasab M., Sofian S. (2014), The Impact of Intellectual Capital on Firm Financial Performance by Moderating of Dynamic Capability, Asian Social Science, Vol 10, No 17

.        Dumay, J. (2012), Grand theories as barriers to using IC concepts, Journal of Intellectual Capital, Vol 13, No 1, p 10

.        Dumitru, A. (2011), Brand value - convergence between marketers and accountants Quality, Access to Success, Vol 12, Iss 2, pp 1582-2559

.        Edvinsson L., Malone M. S. (1997), Intellectual capital: Realizing your company’s true value by finding its hidden brainpower, Harper Business

.        Ericksona S., Rothberg H. (2015), Knowledge assets in services across industries and across time, Investigaciones Europeas de Dirección y Economía de la Empresa, No 21, pp 58-64

9.       Erpen, J. Calle, D. (2015), Knowledge management methods and techniques applied to improve intellectualcapitalmanagement in abusinessassociation: "ACIJS" , Navus-revista de gestao e tecnologia, Vol5, Iss 1, pp 22-35

.        Guo, W., Shiah-Hou, S., Chien, WJ (2012), A study onintellectualcapitaland firm performance in biotech companies, Applied economics letters, Vol19, No 16, pp1603-1608

.        InCaS, (2009), Intellectual Capital Statement. Made in Europe, available at: http://www.incaseurope.eu/images/stories/InCaS_Publishable_Guideline.pdf

.        Greco M., Cricelli, L., Grimaldi M. (2013), A strategic management framework of tangible and intangible assets, European Management Journal, Vol 31, No 57

13.   Maditinos D., Šević Z., Tsairidis C. (2010), Intellectual Capital and Business Performance: An Empirical Study for the Greek Listed Companies , European Research Studies, Volume XIII, Issue (3)

.       Malerba F., (2004), Sectoral Systems of Innovation: Concepts, Issues and Analyses of Six Major Sectors in Europe, Chapter 1 - Sectoral Systems of Innovation-Basic Concepts, Cambridge University Press

.       Naidenova I., Parshakov P. (2013), Intellectual capital investments: evidence from panel VAR analysis, Journal of Intellectual Capital, Vol 14, No 4, pp 634-660

16.     Pavitt K. (1984), Sectoral patterns of technical change: Towards a taxonomy and a theory Keith,Research Policy, Vol 13, Iss 6, pp 343-373

.        ShakinaE., Barajas A (2013) , The Contribution of Intellectual Capital to Value Creation, Contemporary Economics, Vol. 7, Issue 4, pp 25-40

.        Shakina E., Barajas A. (2014), Value Creation Through Intellectual Capital In Developed European Markets, Journal of Economic Studies. Vol 41, No 2, p 275

.        Sharma R., Teng Yu Hui P.,Wah Tan M. (2007), Value-added knowledge management for financial performance: The case of an East Asian conglomerate,Vine, Vol 37, Iss 4, pp 484 - 501

.        Sofian, S. (2005), Intellectual Capital and Management Accounting Practices. (PhD Thesis), University of Bradford, Bradford

.        Stewart, T. A. (1991), Brainpower: Intellectual Capital is Becoming Corporate America's Most Valuable Asset and can Be its Sharpest Competitive Weapon; the Challenge is to Find What you Have - and Use it, Fortune, Vol 123, No 11, 44-60

.        Sveiby K., (2001), Methods for Measuring Intangible Assets, p 1

.        Tan X. (2010), Clean technology R&D and innovation inemerging countries-Experience from China, Energy Policy, Vol 38, pp 2916-2926

.        Tseng, C.-Y., Goo, Y.-J.J. (2005), Intellectual capital and corporate value in an emerging economy: empirical study of Taiwanese manufacturers, R&D Management, Vol 35, No 2, p 188

.        UstinovaL., Ustinov A.(2014), Studying the Impact of Intellectual Capital at Industrial Enterprises on Their Market Capitalization, Asian Social Science; Vol 10, No 20

.        Survilait S., Siuniene R., Shatrevi V. (2015), Intellectual capital approach to modern management through the perspective of a company’s value added, Business: Theory and Practice, Vol 16, No 1, pp 31-44

.        Wang J. (2014), R&D activities in start-up firms: What can we learn from founding resources? , Technology Analysis & Strategic Management, Vol 26, No 5, pp 517-529, http://dx.doi.org/10.1080/09537325.2013.870990

.        Yook K. (2004), The Measurement of Post-Acquisition Performance Using EVA, Quarterly Journal of Business and Economics, Vol 43, No 3/4, pp 67-83

Приложение 1

Корреляционная матрица регрессоров

	BRAND_FORBES	COST_1_EMP	EARN_PER_EMP	IC_KM	INT_ASSETS	IR_ASSOC	IR_SITE_QUALITY	IS_STRATEGY	N_EMP	NIOCR	PATENTS
BRAND_FORBES	1.000000
	-----
COST_1_EMP	0.006700	1.000000
	0.8154	-----
EARN_PER_EMP	0.004182	0.085042	1.000000
	0.8841	0.0030	-----
IC_KM	0.081077	-0.004354	-0.005865	1.000000
	0.0047	0.8794	0.8380	-----
INT_ASSETS	0.529332	0.009181	0.003044	0.011711	1.000000
	0.0000	0.7490	0.9155	0.6832	-----
IR_ASSOC	0.052871	-0.030797	0.002918	-0.012598	-0.006154	1.000000
	0.0652	0.2830	0.9190	0.6606	0.8302	-----
IR_SITE_QUALITY	0.029418	0.065601	0.012000	0.042996	0.103331	0.129378	1.000000
	0.3052	0.0221	0.6758	0.1338	0.0003	0.0000	-----
IS_STRATEGY	0.003479	-0.016432	-0.002616	0.129933	0.019649	0.106403	1.000000
	0.9035	0.5668	0.9274	0.0000	0.0000	0.4934	0.0002	-----
N_EMP	0.192376	-0.028852	-0.019708	0.029638	0.409204	0.093683	0.244422	0.066787	1.000000
	0.0000	0.3146	0.4922	0.3016	0.0000	0.0011	0.0000	0.0198	-----
NIOCR	0.034136	0.002463	0.041422	0.073388	0.039440	0.183108	0.322974	0.057586	0.312647	1.000000
	0.2340	0.9316	0.1487	0.0104	0.1691	0.0000	0.0000	0.0446	0.0000	-----
PATENTS	0.025335	-0.019281	-0.003938	-0.030713	-0.012034	0.027147	0.136329	0.038721	0.071890	-0.019826	1.000000
	0.3772	0.5016	0.8908	0.2843	0.6749	0.3440	0.0000	0.1770	0.0121	0.4896	-----