Курсовая работа (т): Влияние управления оборотным капиталом на деятельность компании

№

Обозначение

Показатель

Формула

Зависимая переменная

1.

Return on Net Assets (RONA)

(Чистая прибыль + проценты к уплате * (1-налог)/(активы - кредиторская задолженность)

Независимые переменные

2.

Inventory Turnover Period (ITP)

Период оборачиваемости запасов (З) в днях

З/Выручка*365

3.

Accounts Receivable Period (ARP)

Период оборачиваемости дебиторской задолженности (ДЗ) в днях

ДЗ/Выручка*365

4.

Accounts Payment Period (APP)

Период оборачиваемости кредиторской задолженности (КЗ) в днях

КЗ/Выручка*365

5.

Cash Convention Cycle (CCC)

Финансовый цикл

ITP+ARP-APP

Контрольные переменные

6.

Firm Size (SIZE)

Размер фирмы

Натуральный логарифм активов

7.

Leverage (LEV)

Финансовый леверидж

Заемный капитал/собственный капитал

8.

Current Ratio (CR)

Коэффициент текущей ликвидности

Текущие активы/текущие обязательства

Отрасль производства

Количество компаний

Химическая и нефтехимическая промышленность

36

Машиностроение и металлообработка

33

Пищевая промышленность

20

Металлургия

19

Промышленность строительных материалов

15

Легкая промышленность

5

Итого компаний по сфере производства

128

Вид торговли

Количество компаний

Оптовая

63

Розничная

44

Итого компаний по торговой сфере

107

Далее следует перейти к выбору эконометрического метода исследования. Если вернуться к результатам обзора эмпирический исследований, посвященных изучению влияния управления оборотным капиталом на эффективность деятельности компаний на разных ранках и для разных стран, то можно заметить, что в рассмотренных работах в качестве метода исследования был представлен регрессионный и корреляционный анализ, который был реализован в различных эконометрических пакетах. Таким образом, основываясь на предыдущих исследовательских работах, в качестве метода исследования в данной работе будет так же реализован эконометрический анализ имеющихся данных, который будет проведен при помощи эконометрического пакета Stata 13.0.

Полученные в ходе сбора информации данные представляют собой панельные данные, которые иллюстрируют изменение показателей в течение определенного периода времени. Важное преимущество панельных данных по сравнению с одномоментной выборкой состоит в том, что они позволяют учитывать и анализировать изменения на индивидуальном уровне.

Учитывая тот факт, что показатель финансового цикла рассчитывается на основе таких показателей, как периоды оборота запасов, дебиторской и кредиторской задолженности, что может вызвать сильную взаимную зависимость между переменными, было принято решение рассмотреть влияние данного показателя на эффективность деятельности компаний отдельно. Таким образом, в данной работе будет протестировано 2 регрессионные модели.

Первая модель, которая будет использована для выявления влияния периодов оборота запасов, дебиторской и кредиторской задолженностей на показатель эффективности деятельности компаний, имеет следующий вид:

 =  +  +  +  +  +  +

Где:

 - рентабельность чистых активов;

 - показатель оборачиваемости запасов;

 - показатель оборачиваемости дебиторской задолженности;

 - показатель оборачиваемости кредиторской задолженности;

 - размер компании;

 - показатель финансового левериджа;

 - коэффициент текущей ликвидности;

 - коэффициенты модели;

 - коэффициент ошибок.

Второе регрессионные уравнение, которые построено с целью выявления влияния показателя финансового цикла на показатель рентабельности чистых активов, имеет следующий вид:

 =  +  +  +  +

Где:

 - рентабельность чистых операционных активов;

 - показатель финансового цикла;

 - размер компании;

 - показатель финансового левериджа;

 - 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 оборотным капиталом и эффективности 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. рентабельность актив оборотный капитал

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.

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

Отрицательный финансовый цикл ССС<0

Независимые переменные

Зависимая переменная

Зависимая переменная

RONA

RONA

Const.

69,456***

104,614***

ССС

-0,046***

-

CR

0,026***

-

LEV

-0,013***

0,014*

SIZE

-1,172*

-3,801**

R2 within

0,063

0,035

R2 between

0,09

0,137

R2 overall

0,081

0,081

Значимость модели (критерий Фишера)

0,0000

0,0007

Р-значение для теста Хаусмана

0,9876

0,7312

По выборке компаний производственной сферы

По выборке компаний торговой сферы

Независимые переменные

Зависимая переменная

Зависимая переменная

 CR

 CR

Const.

166,100**

93,391**

ССС

0,241***

0,354***

LEV

-0,189***

-0,045***

SIZE

-

-

R2 within

0,128

0,228

R2 between

0,235

0,469

R2 overall

0,196

0,379

0,0000

0,0000

Р-значение для теста Хаусмана

0,3696

0,2568