Диссертация (1151007), страница 19
Текст из файла (страница 19)
по 2015г., при этом преобладающая доля вданном списке сделок принадлежит MBO и IBO. Это объясняется тем, чтоиностранными исследовательскими агентствами к категории LBO относят сделкипо выкупу компании с привлечением заемных средств под залог активов целевойкомпании, а в России для снижения транзакционных рисков LBO частопроводятся с залоговым обеспечением со стороны самого покупателя, т.е. за счетего собственных актив. Это существенно затрудняет выявление LBO средипрочих сделок с привлечением кредитных средств. В связи с тем, что российскийрынок M&A не является абсолютно прозрачным, из первоначально полученногомассиваданныхбылиисключенынекоторыевысоколевереджированиетранзакции, информация о которых отсутствовала и в связи с этим не быловозможности однозначно отнести их к одному из типов выкупов.После того, как выборка для характеристики наблюдаемого явления (Y)была сформирована, необходимо было определить включаемые в модельобуславливающие факторы.
Т.к. выдвинутая нами гипотеза предполагает ростчисла LBO при условии дальнейшего укрепления и развития финансового икредитных рынков России, а также рынка прямых инвестиций, в модель должныбыли быть включены обуславливающие факторы, которые бы наилучшимобразом характеризовали данные три рынка. Мы предположили, что такимифакторами являются: число размещений для финансового рынка (Х1), число 96 фондов для рынка прямых инвестиций (Х2), количество действующих кредитныхорганизаций и их филиалов для кредитных рынков (Х3). Т.к. в первой половине1990-х годов российский фондовый рынок находился на стадии своегозарождения истановления, в экономическое развитие 2014-2015гг. носитнетипичный характер, мы решили, что в целях предотвращения полученияискаженногорезультатарегрессионногоанализа,лучшевоспользоватьсяинформационной базой, начиная с 2000г. и заканчивая 2013г.
В связи с этим ивыборка для характеристики наблюдаемого явления (Y) была сокращена до 380сделок, и был использован массив данных для анализа и для расчетарегрессионной модели, представленный в Таблице 5. 24Таблица 5. Характеристика массива данных для составления регрессионной моделиГодКоличество сделокLBO, их подвидов исхожих с нимисделок (вкл. MBO),шт.(Y)Числоразмещенийроссийскихкомпаний, шт.(X1)Число российскихфондов, шт.(X2)Количестводействующихкредитныхорганизаций и ихфилиалов(X3)20007330379320015335343320021344333262003133493219200412562323820052813793295200642289832812007543213034552008236155347020092031623183201027121702926201129101742807201249725923492013588314203720144013401708201514*3*314**1398Доступность данных по состоянию на 1кв.
2016г.: * - данные за 6 мес. 2015г., ** - данные за 9мес. 2015г. 24Источник: составлено автором с использованием данных информационно-аналитического порталаwww.mergers.ru, ресурсов Bloomberg, Thomson Reuters, Capital IQ и новостных лент компаний, вовлеченных всделки 97 На основании данных, приведенных в Таблице 5, с использованиеминструментария программного продукта MS Excel нами была построенамногофакторная регрессионная модель.После того, как с помощью Excel были получены расчетные данные, длякачественного определения вида зависимости регрессионной модели былипостроены графики зависимости объемов рынка LBO от каждого из независимыхфакторов.
Результаты представлены в Приложении З. Корреляционные поля награфиках в Приложении З показывают тенденции к изменению из левого угла вправый, что позволяют предположить, что между независимыми факторами Х1 иУ, Х2 и У, Х3 и У возможна зависимость линейного вида, которая может бытьописана с помощью модели множественной регрессии вида: Y = β0 + β1X1 + β2X2 +β3X3 + ε, где β1 – наклон прямой Y, зависящей от Х1, если остальные переменныеявляются константами, β2 – наклон прямой Y, зависящей от Х2, если остальныепеременные являются константами, β3 – наклон прямой Y, зависящей от Х3, еслиостальные переменные являются константами, ε – случайная ошибка Y в i-мнаблюдении.
Параметры для данной модели множественной регрессии с тремяобъясняющими переменными были найдены с помощью команды Сервис-Анализданных – Регрессия, на основании которых построена уравнение множественнойрегрессии,описывающеетенденцииразвитиярынкавыкуповдолговымфинансированием принимает вид: Yᴧ = 47,151 + 1,175X1 + 0,088X2 – 0,013X3, гдеYᴧ - предсказанное количество сделок LBO, их подвидов и схожих с ними сделок(шт.) [48]. Совокупные результаты выполнения в Excel команды Регрессияприведены в Таблице З.1 в Приложении З.Полученнаярегрессионнаястатистикапоказывает,чтоизменениезависимого фактора, количества сделок LBO, их подвидов и схожих с нимисделок,на96,3%рассматриваемыхобъясняетсяобуславливающихизменчивостьюфакторовсовокупности(R-квадратравентрех0,9634).Оставшиеся 3,7% приходятся на другие, не рассматриваемые в модели факторы.
Всоответствии со шкалой Чеддока, полученный множественный коэффициент 98 корреляции R, равный 0,9282, указывает на весьма высокую тесноту связи междупредсказанным, т.е. вычисленным по уравнению регрессии, количеством сделокLBO, их подвидов и схожих с ними сделок и линейной комбинацией всехрассматриваемых независимых факторов. Значение показателя стандартнаяошибка описывает размер типичного отклонения наблюдаемого значения отлинии регрессии: диапазон количества сделок варьируется от предсказаннойвеличины на 5,3. Т.е. полученная регрессионная статистика позволяет с высокойвероятностью предполагать достоверность авторской гипотезы. При этомвеличина 47,151 является оценкой среднего количества сделок за год приравенстве объясняющих переменных нулю, т.е.
при отсутствии размещений,фондов прямых инвестиций и кредитных организаций. Т.к. такие условия,применительнокреальнойситуации,лишенысмысла,мынесталиинтерпретировать данный параметр. Интерпретация других коэффициентовпоказывает, что при увеличении размещений на одну штуку при фиксированнойвеличине других объясняющих переменных, количество сделок увеличится на1,175 единиц, при увеличении числа фондов прямых инвестиций на один прификсированной величине других объясняющих переменных, количество сделокувеличится на 0,088 единиц, а при снижении числа банков на один прификсированной величине других объясняющих переменных, количество сделокувеличится на 0,013. Т.е. используя прогнозные значения объясняющихпеременных X1, X2, X3, данную модель можно применять для расчета изменениягодового количества сделок LBO, их подвидов и схожих с ними сделок вкраткосрочном периоде.На наш взгляд, интерпретация зависимости прогнозируемого числа сделоктипа LBO от X1 и X2 кажется достаточно явной, в то время, как интерпретацииобратногохарактеразависимостиотчислакредитныхорганизацийпредставляется менее очевидной.
В рамках диссертационного исследования мыпредлагаем аргументировать этот факт следующим образом. Ввиду высокогориска, сопряженного с LBO, банкам необходимо создавать существенные резервыпри предоставлении финансирования для проведения подобных сделок. Это не 99 только предполагает наличие у кредитной организации определенного объемаресурсов, но и ее способность оперативно привлекать дополнительные средства.Т.е. возможность проведения сложно-структурированных LBO имеется в первуюочередь у крупных банков с хорошей репутацией и низким риском кредитнойполитики. Наличие большого числа кредитных организаций, не соответствующихданным условиям, приводят к снижению степени концентрации ресурсов,создаваятемсамымпрепятствиякпроведениювыкуповдолговымфинансированием.
В связи с этим, проводимые на современном этапе мерыПравительства РФ, направленные на оздоровление российской банковскойсистемы, в среднесрочной перспективе могут сформировать необходимую основудля разработки и реализации более эффективных моделей финансирования сделокLBO.Примеромподобныхмерявляетсяпроверкароссийскихбанков,сопровождаемая отзывом лицензий у неблагополучных кредитных организаций.За апрель-июнь 2016г. 25 банков из 654 банков, действовавших по состоянию на1 апреля 2016г., были лишены лицензии в основном по причине размещениясредств в активы низкого качества, неадекватной оценки рисков и формированиярезервов, влекущих за собой критическое снижение значений нормативадостаточности капитала. В 2016г. сокращение количества небольших и среднихбанков, слияния и поглощения с участием санируемых кредитных организаций иперераспределение средств клиентов продолжили постепенно увеличиватьконцентрацию активов сектора в крупнейших банках страны.
По состоянию на IIквартал 2016г. доля 200 крупнейших кредитных организаций выросла до 97,7% посравнению с соответствующим периодом 2015г. (96,8%) [73]. Необходимодальнейшее наблюдение за данной тенденцией в 2017-2018гг. и проверка еевлияния на предлагаемую регрессионную модель.Кроме того, для применения разработанной регрессионной модели дляпрогнозированиятенденцийрынкавыкуповдолговымфинансированиемнеобходимо проверить статистическую значимость самой модели, а такжезначения входящих в нее отдельных объясняющих переменных, подтвердив темсамым ее адекватность. Для выполнения этой задачи нами был проведен анализ 100 модели с помощью F-критерия, t-статистики и анализ остатков, который далследующие результаты:1.Анализ остатков позволяет определить, можно ли применять модельмножественной регрессии с тремя переменными.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
