Ebitda и структура
Компания |
Капитализация, млн. $ |
EBITDA, млн. $ |
Структура |
Astarta |
160 |
14 |
1 |
Kernel |
661 |
16 |
1 |
MCB Agricole Holding |
230 |
4 |
1 |
MHP |
1662 |
166 |
0 |
Sintal Agriculture |
76 |
8 |
1 |
AgroGeneration |
70 |
7 |
1 |
Agroton |
208 |
21 |
1 |
Avanguard |
836 |
152 |
0 |
Milkiland N.V. |
357 |
46 |
0 |
Агролига |
8 |
1 |
1 |
CFG |
69 |
8 |
1 |
Industrial Milk Company |
124 |
20 |
0 |
KSG Agro |
121 |
12 |
1 |
Овостар |
134 |
11,6 |
0 |
В результате проведения регрессионного анализа методом наименьших квадратов было определено коэффициенты модели:
Cap=7,45*Ebitda-227,11*str+275,58
где str = (1 – Вертикально-интегрированная, 0 – Диверсифицированная),
По статистическим параметрам модель есть адекватной:
F |
Значимость F |
23,90144 |
0,000155 |
Результаты анализа:
|
Коэффициенты |
Стандартная ошибка |
t-статистика |
P-Значение |
Y-пересечение |
275,5808 |
151,1375 |
1,823378 |
0,098233 |
EBITDA, млн. $ |
7,457874 |
1,092182 |
6,828416 |
4,58E-05 |
Вертикально-интегрированная |
-227,111 |
160,243 |
-1,41729 |
0,186793 |
Как видим, из данных таблицы следует, что структура компании не значимая переменная (так как P-значение=0,186>(1-0,95)) с вероятностью 95%. Вывод: коэффициент возле структуры компании равен нулю, тоесть разницу между результатами IPO и типом компании статистически отсутствует.
Теперь посмотрим, влияет ли площадка размещения на результат на результат.
Таблица 19
Ebitda и площадка размещения
Компания |
Капитализация, млн. $ |
EBITDA, млн. $ |
WSE |
FSE |
LSE |
Astarta |
160 |
14 |
1 |
0 |
0 |
Kernel |
661 |
16 |
1 |
0 |
0 |
MCB Agricole Holding |
230 |
4 |
0 |
1 |
0 |
MHP |
1662 |
166 |
0 |
0 |
1 |
Sintal Agriculture |
76 |
8 |
0 |
1 |
0 |
AgroGeneration |
70 |
7 |
0 |
0 |
0 |
Agroton |
208 |
21 |
0 |
1 |
0 |
Avanguard |
836 |
152 |
0 |
0 |
1 |
Milkiland N.V. |
357 |
46 |
1 |
0 |
0 |
Агролига |
8 |
1 |
1 |
0 |
0 |
CFG |
69 |
8 |
0 |
0 |
1 |
Industrial Milk Company |
124 |
20 |
1 |
0 |
0 |
KSG Agro |
121 |
12 |
1 |
0 |
0 |
Овостар |
134 |
11,6 |
1 |
0 |
0 |
В результате проведения регрессионного анализа методом наименьших квадратов было определено коэффициенты модели:
Cap=7,95*EBITDA-3,28*Frankfurt-98,27*London+88,34
В данном случае размещение в Варшаве является базой сравнения.
По статистическим параметрам модель есть адекватной:
F |
Значимость F |
11,72236 |
0,001838 |
Результаты анализа:
|
Коэффициенты |
Стандартная ошибка |
t-статистика |
P-Значение |
Y-пересечение |
88,33471 |
96,12627 |
0,918945 |
0,382093 |
EBITDA, млн. $ |
7,953291 |
1,860278 |
4,275323 |
0,002064 |
Франкфурт |
-3,27909 |
164,9289 |
-0,01988 |
0,984571 |
Лондон |
-98,2652 |
235,5788 |
-0,41712 |
0,686363 |
Как видим, из данных таблицы следует, что все площадки размещения не значимые переменные (так как P-значение>(1-0,95)) с вероятностью 95%.Вывод: коэффициенты возле площадок равны нулю, тоесть разницу между результатами IPO и местом размещения статистически отсутствует.
Мы пришли к результату, что ни один из качественных факторов (тип, структура компании и площадка размещения) статистически не влияют на капитализацию. Следовательно, в модель будет включен только показатель EBITDA.
Наилучшие результаты показала следующая функциональная форма зависимости:
По статистическим параметрам модель есть адекватной:
F |
Значимость F |
19,12094 |
0,001112 |
Результаты анализа:
|
Коэффициенты |
Стандартная ошибка |
t-статистика |
P-Значение |
Y-пересечение |
3,327664 |
0,497116 |
6,693944 |
3,4E-05 |
EBITDA, млн. $ |
0,700251 |
0,16014 |
4,372749 |
0,001112 |
Как видим, из данных таблицы, следует что все коэффициенты значимы (так как P-значение<(1-0,95)) с вероятностью 95%. Вывод: модель полностью подходит для прогнозирования и анализа.
Такой вид модели объединяет в себе реакцию капитализации как на абсолютное значение показателя EBITDA, так и на его относительный прирост. Коэффициент 27,87 мультиплицирует абсолютную величину. А коэффициент 0,7 это в точности эластичность капитализации по показателю EBITDA.
Ошибка
линейной аппроксимации составляет
8,55%,
Для сравнения построим модель зависимости капитализации от производного показателя EBITDA с гектара.
Таблица 20. EBITDA с гектара
Компания |
Капитализация, млн. $ |
EBITDA/ha, тис. $/ha |
Astarta |
160 |
192 |
Kernel |
661 |
1003 |
MCB Agricole Holding |
230 |
58 |
MHP |
1662 |
1509 |
Sintal Agriculture |
76 |
119 |
AgroGeneration |
70 |
337 |
Agroton |
208 |
178 |
Avanguard |
836 |
950 |
Milkiland N.V. |
357 |
1806 |
Агролига |
8 |
159 |
CFG |
69 |
531 |
Industrial Milk Company |
124 |
467 |
KSG Agro |
121 |
480 |
Источник: Официальные данные отчетов с сайтов компаний
В результате проведения регрессионного анализа методом наименьших квадратов было определено коэффициенты модели:
Cap=0,582*(EBITDA/ha)
По статистическим параметрам модель есть адекватной:
F |
Значимость F |
23,06502 |
0,000721 |
Результаты анализа:
|
Коэффициенты |
Стандартная ошибка |
t-статистика |
P-Значение |
EBITDA/ha, nbc. $/ha |
0,5821137 |
121,2079 |
4,802605 |
0,000551 |
Ошибка
линейной аппроксимации составляет
103%,
В данном случае коэффициент 0,582 это средний мультипликатор для аграрных компаний Украины. Данная модель не может быть использована для прогнозирования, а только для анализа. Тоесть прогнозы делать по отдельным случаям статистически не имеет смысла, а констатация значения средне рыночного мультипликатора 0,582 вполне обоснована.
Для анализа и прогноза нужно использовать предыдущую модель.
Подводя итог нужно обратить внимание, что статистически доказано влияние финансовых показателей на условия и результаты заимствования капитала. Для каждого вида привлечения капитала показаны наиболее важные факторы. Так при IPO важен показатель EBITDAи это абсолютно логично: инвесторов интересует, какой денежный поток генерирует компания, рассчитывая на часть прибыли компании в виде дивидендов. При размещении облигаций инвесторов волнует помимо показателя EBITDA еще и земельный банк компании, а кредиторов величина необоротных активов как гарантия возврата кредита.
Следовательно, принимая решения о привлечении капитала, руководство компании вполне обосновано может воспользоваться моделями, выведенными в работе, и спрогнозировать результат каждого вида заимствования (зная собственную внутреннею ситуацию, значения финансовых показателей и издержки по улучшению каждого из них) и выбрать наиболее выгодный вариант.