Моделирование развития высокотехнологичных отраслей экономики США в условиях реиндустриализации

Минат В.Н.1
1 Рязанский государственный агротехнологический университет им. П.А. Костычева

Статья в журнале

Экономика высокотехнологичных производств
Том 2, Номер 4 (Октябрь-декабрь 2021)

Цитировать:
Минат В.Н. Моделирование развития высокотехнологичных отраслей экономики США в условиях реиндустриализации // Экономика высокотехнологичных производств. – 2021. – Том 2. – № 4. – doi: 10.18334/evp.2.4.113823.

Аннотация:
Актуальность работы определяется необходимостью научного познания современной реиндустриализации экономики США как драйвера модернизации на основе технологий Индустрии 4.0, посредством моделирования деятельности предприятий высокотехнологичных отраслей промышленного сектора и сферы услуг, выступающих объектом настоящего исследования. Модернизация производственной сферы страны – мирового инновационного лидера имеет стратегической целью повышение эффективности, устойчивости и результативности высокотехнологичных отраслей, что составляет предмет настоящего исследования, очерченный временными рамками посткризисного неоиндустриального возрождения США. Особенностью настоящего исследования выступает оценка влияния факторов результативности и устойчивости на эффективность (рентабельность) деятельности компаний высокотехнологичного сектора американской экономики знаний, а также выявление и обоснование нелинейных зависимостей между внутренними факторами и чистой рентабельностью активов этих компаний. Анализ указанных факторов, представляющих собой динамические характеристики развития высокотехнологичного сектора США (в рамках выборки панельных данных) за 2011 – 2020 гг., проведен с использованием методов регрессивного анализа, моделирования со случайными эффектами. При этом, чистая рентабельность активов американских высокотехнологичных компаний выступает зависимой переменной. Эмпирическим путем установлена и смоделирована зависимость между рентабельностью и такими показателями, как размер компании, доля заемного капитала в ее балансе, устойчивость динамики выручки. Полученные результаты свидетельствуют о высокой устойчивости выручки как крупных компаний, так и самых мелких, при том, что максимальные показатели рентабельности характеризуют деятельность средних по размеру высокотехнологичных производств и инновационных услуг США. Выдвинутые автором гипотезы в целом подтверждаются. На основе построения линейных и нелинейных (параболических) моделей, позволивших установить оптимальные значения факторных переменных, сделан вывод о значительном положительном влиянии выделенных факторов на процесс реиндустриализации в США в разрезе компаний высокотехнологичного сектора экономики и выборе обоснованной стратегии управления структурой капитала в исследуемый временной промежуток.

Ключевые слова: реиндустриализация США, высокотехнологичные отрасли экономики, эконометрическое моделирование, факторы результативности и устойчивости, эффективность (рентабельность)

JEL-классификация: O31, O32, O33



Введение

Последствия глобализации американоцентричной мировой экономики и экономических отношений, сформированных в постиндустриальной и мир-системной парадигмах, связанных с транснационализацией и офшоризацией, объективно создали целый ряд издержек для национальных экономических систем. Не стали исключением и Соединенные Штаты Америки (США, Соединенные Штаты) – глобальный неокапиталистический центр мира, ядро экономики знаний и инновационной активности рубежа веков. Двадцать лет наступившего столетия ознаменовались устойчивой тенденцией выборочного роста производительности труда и объемов производства, нарастающего (хотя и не критического) дефицита высококвалифицированных кадров, соответствующих внедрению новейших технологий 6-го технологического уклада (ТУ), сокращения числа малого и среднего бизнеса в производящих (товарных) секторах американской экономики, увеличением торгового дефицита США [1]. Все это привело, несмотря на инновационно-технологическое лидерство Америки, оспариваемое Китаем, государствами Евросоюза и новыми индустриальными странами, к структурному кризису экономики Соединенных Штатов [2]. Выход из «постиндустриальной (деиндустриальной) ловушки», высвеченной последствиями кризиса 2007 – 2009 гг., видится американской политической и экономической элите в проведении целенаправленной политики реиндустриализации национального хозяйственного комплекса [3], сочетаемой с решорингом промышленности США [4]. Основой указанных процессов выступает инновационная по своей сути модернизация на всех этапах создания стоимости, предполагающая «осовременивание», усовершенствование американской индустрии посредством масштабной цифровизации и нано-, био-, информационных и когнитивных технологий (НБИК-технологий, NBIC technologies). Целью процесса такой реиндустриализации, характерной не только для США, но и для большинства развитых стран, является восстановление ими утраченных на рубеже ХХ и ХХI вв. позиций в промышленном производстве – основе капиталистического (в любой «упаковке») способа хозяйствования. Достижение поставленной глобальным капиталом цели, несмотря на тенденцию к регионализации геоэкономического пространства, способствует его трансформации, осуществляемой посредством структурных сдвигов и изменении отраслевых пропорций [5]. При этом, не вызывает сомнений, что драйвером реиндустриальной модернизации и экономической трансформации, создающим «новое окно возможностей» не только для американской, но и для всей мировой экономики, выступает высокотехнологичное производство и связанные с ним сектор инновационно-активных услуг. Это наиболее отчетливо проявилось (и зафиксировано многими исследователями для экономик разных стран мира [6; 7; 8]) в межкризисный период 2011 – 2020 гг.

Непреходящей по актуальности и практической значимости выступает проблема повышения эффективности деятельности высокотехнологичных компаний, формирующих соответствующие отрасли производственной и непроизводственной сферы, тесно взаимосвязанные между собой в экономике знаний. Указанные отрасли не только используют те или иные формы прямого, либо опосредованного государственного стимулирования, но и ориентируются на рыночный спрос и конкурентное развитие, что дополнительно актуализирует проблему соотношения/сочетания инструментов горегулирования и «невидимой руки рынка» [9].

Целью исследования выступает моделирование характера и степени влияния устойчивости и результативности деятельности высокотехнологичных компаний США на эффективность их функционирования в разрезе соответствующих отраслей промышленного производства и сферы услуг американской экономики в межкризисный период 2011 – 2020 гг.

При этом, автор, учитывая многообразие подходов к категориальной сущности и оценке эффективности, рассматривает данный экономический феномен в узком смысле – в качестве рентабельности деятельности компаний высокотехнологичных отраслей. В рамках предметно-объектной области настоящего исследования, охватывающей эконометрическое моделирование динамических взаимосвязей показателей устойчивости, результативности и эффективности американских высокотехнологичных компаний, имеет значение высокий уровень рентабельности. Именно он, выступая ключевым фактором успешности проводимой в современных США реиндустриализации экономики, способен обеспечить конкурентные преимущества и аккумулирование собственных финансовых средств/ресурсов, предназначенных для технического перевооружения и инновационно-технической модернизации американской индустрии. Это во многом определяет гибкость государственной технологической и инновационной политики, проводимой внутри страны за последнее десятилетие, отличительной чертой которой является «балансирование» между неолиберально-рыночными инструментами и откровенным «дирижизмом» [10], а также влияет на структуру внешнеторговых отношений США в разрезе высокотехнологичных товарных групп [11] и их стимулирование [12].

В этой связи не случаен выбранный хронотоп (пространство-время) исследования, очерченный десятилетием, прошедшим с момента крупнейшего на сегодняшний день мирового финансового кризиса 2007 – 2009 гг. и началом т. н. «ковидного» кризиса 2020 г. (потери мировой экономики от которого оценены Счетной палатой РФ в 4 – 10 трлн долл. США [13]), сравнимый для Соединенных Штатов по своей значимости с индустриальной модернизацией 1940-х гг. Именно временной период 2011 – 2020 гг., захвативший часть президентства Б. Обамы и весь президентский срок Д. Трампа, определяется специалистами в качестве активизации государственной политики по беспрецедентной практической реализации инициатив, направленных на стимулирование национальной обрабатывающей промышленности и законодательного закрепления институциональных основ этого процесса [3], развивающегося на основе цифровизации и NBIC-конвергенции [14].

Состояние исследования проблемы и формулирование задач и гипотез

Современная реиндустриализация (reindustrialization) США в известной степени отличается от аналогичных процессов, свойственных американской экономике после Великой депрессии 1930-х гг. и попыток выхода из череды экономических кризисов в 1970-х – 1980-х гг. При том, что суть реиндустриализации остается неизменной вот уже почти сто лет [1], американская неоиндустриальная концепция последнего десятилетия, опирающаяся на информатизацию (informatization), цифровизацию (digitalization) и знаниеемкость/ наукоемкость (knowledge / science intensity). Новой необходимостью ставится решоринг (reshoring), т. е. создание условий для модернизационного возобновления производительного капитала в рамках национальной экономики и национальной инновационной системы (НИС). Ядром такой модернизации выступает функционально-отраслевой технологический и экономический (в т. ч. коммерческий) синтез высокотехнологичных компаний индустриального и услугово-креативного сектора экономики знаний. Задача последних состоит в обеспечении перспективных стратегических направлений модернизации промышленного производства в США, что статистически прослеживается в 2011 – 2020 гг. Качественное усложнение самого процесса реиндустриализации «по-американски», в тех или иных вариациях, подхваченное всем глобальным миром, требует всестороннего исследования, непременно включающего моделирование специфических факторов и явлений микро-, мезо- и макроуровней финансово-экономической и организационно-управленческой подсистем общего процесса инновационно-технологической модернизации.

Моделированию различных аспектов деятельности высокотехнологичных компаний посвящено значительное число специальных исследований, охватывающих как макроуровневые [15; 16] и мезоуровневые (региональные) [17; 18] проблемы инновационно-технологического развития, так и проблемные вопросы внутриотраслевого [19; 20] порядка или уровня конкретного высокотехнологичного предприятия [21; 22; 23]. В последнем случае особое место занимают модели оргнанизационно-экономического механизма [24] и управления различными сферами деятельности высокотехнологичных компаний [25; 26; 27]. Немалое число как зарубежных [28; 29], так и отечественных [20; 30; 31] исследователей посвятили свои работы факторам, влияющим на рентабельность компании. В спектр таких факторов ими включены следующие: структура капитала, структура и оборачиваемость активов, корпоративное управление (форма собственности, организационная форма), уровень налоговой нагрузки на бизнес, курс национальной валюты и др.

Особо важным в рамках объектно-предметной области настоящего исследования представляется опыт эконометрического моделирования, увязывающего такие показатели деятельности предприятий, как эффективность, результативность, устойчивость, структура капитала. Основываясь, в первую очередь, на указанном опыте, представленном в работах российских и зарубежных ученых, автор выделяет следующие задачи своего исследования высокотехнологичных компаний США:

Во-первых, необходимо смоделировать влияние внутренних факторов результативности и устойчивости на эффективность (рентабельность) деятельности американских компаний высокотехнологичного сектора промышленности и услуг, применяя комплексный подход по отношению ко всем указанным направлениям моделирования [32; 33].

Во-вторых, при осуществлении моделирования надлежит использовать не только официальные статистические, но и динамические показатели. В числе последних главное значение следует уделить устойчивости динамики выручки, исследуемой в своем влиянии на рентабельность в комплексе с другими факторами [34; 35].

В-третьих, исследование предполагается проводить как в форме линейного моделирования влияния комплекса внутренних факторов на чистую рентабельность активов, так и с использованием нелинейных (параболических) моделей, широко применяемых в работах авторитетных ученых [29; 35; 36].

Теоретико-методологический обзор и «методический анализ» всей совокупности обозначенных выше источников, направленный на объект и предмет настоящего исследования, позволяет сформулировать следующие исследовательские гипотезы:

1. Повышение эффективности (рентабельности) деятельности компаний высокотехнологичных отраслей экономики США в межкризисный период 2011 – 2021 гг. происходило под воздействием факторов, характеризующих их устойчивость и результативность.

2. Максимальная эффективность деятельности высокотехнологичных отраслей США (в рамках выборки основных компаний) в период активной реиндустриализации (2011 – 2020 гг.) характеризуется оптимальными значениями факторов, отражающих их устойчивость и результативность.

3. В свою очередь оптимальные значения исследуемых факторов в рассматриваемый временной период определялись, в первую очередь, устойчивостью динамики выручки американских компаний высокотехнологичного сектора экономики, что имело прямое влияние на стратегию их развития в рамках Индустрии 4.0.

Конкретизация объекта исследования и обоснование методов

Выбранные в качестве объекта исследования компании, относимые к сектору высокотехнологичных отраслей американской промышленности, сгруппированы, согласно классификации Бюро Цензов США (United States Census Bureau) по 10 направлениям наиболее передовых технологий [37] и перегруппированных автором на основе рекомендаций Организации экономического сотрудничества и развития (ОЭСР) в четыре высокотехнологичные отрасли [2], что оптимизирует и генерализирует, но не снижает репрезентативность исследования. К указанным отраслям относятся: авиакосмическая промышленность (aerospace), производство компьютеров и офисного оборудования (computer and office equipment manufacturing), электронная промышленность и производство коммуникационного оборудования (electronics and communications equipment manufacturing), фармацевтическая промышленность (pharmaceutical industry).

Методологически правильным представляется исследование указанных отраслей в разрезе эконометрического моделирования факторов влияния, выраженных посредством динамического ряда необходимых показателей деятельности высокотехнологичных компаний в единстве с сектором инновационных услуг США. Поэтому аналогично автор группирует американские компании сферы услуг, связанные с вышеперечисленными высокотехнологичными отраслями обрабатывающей промышленности США, акцентируя внимание на отмеченных выше направлениях модернизации (таблица 1).

Таблица 1

Высокотехнологичные компании сферы услуг США,

соответствующие главным направлениям модернизации промышленности

Отрасли сферы услуг
Направления модернизации промышленности
Разработка компьютерного программного обеспечения, консультационные и иные услуги в данной сфере
Цифровизация
Разработки в области информационных технологий
Информатизация
Научные исследования и разработки по широкому спектру производственно-технологических проблем
Знаниеемкость / наукоемкость
Источник: составлено автором.

В основу моделирования по регрессионной шкале положена зависимая переменная, характеризующая эффективность деятельности американских высокотехнологичных компаний и представляющая собой чистую рентабельность их активов (net return on assets). Ее величина определяется через отношение чистой прибыли к активам компании, переведенные в проценты. В свою очередь, моделируемые факторы, влияющие на чистую рентабельность активов, выступают независимыми переменными, сгруппированными, согласно работам ряда российских [30; 31; 34; 38] и зарубежных [28; 29; 39; 40] авторов, следующим образом: а) контрольные б) характеризующие финансовую устойчивость, в) характеризующие устойчивость динамики выручки, г) характеризующие результативность.

Группа контрольных переменных, отражающих процент вариации чистой рентабельности активов, позволяет оценить влияние конкретных факторов на зависимую переменную. В моделировании участвуют три фактора: структура активов, в которой выделяется процентная доля основных средств (share of fixed assets in assets, SFAA), ликвидность, определяемая посредством коэффициента текущей ликвидности (current liquidity ratio, CLR) и «возраст компании» (company age, CA). В группе переменных, характеризующих финансовую устойчивость американских компаний моделируются два фактора: структура капитала, в которой нас интересует процентная доля заемного капитала в пассиве баланса компании (share of borrowed capital, SBC) и изменение структуры пассивов, определяемое как разность между долей заемного капитала отчетного и прошлого периодов, выраженная в процентах (ΔSBC). Понятно, что финансовая устойчивость снижается при увеличении любого из названных показателей. Среди переменных, характеризующих устойчивость динамики выручки компаний, наше внимание привлекает одноименный фактор (stability of revenue dynamics, SRD), количественное выражение которого состоит в особенности расчета нормированного модуля отклонений от линейного тренда выручки в период 2011 – 2020 гг. Указанная переменная как элемент моделирования отражает воздействие стабильности динамики выручки на чистую рентабельность активов компании. Четвертая группа переменных, характеризующих результативность деятельности высокотехнологичных компаний США, отражает влияние таких факторов, как «размер компании» (company size, CS) и темп прироста выручки (revenue growth rate, RGR). Особенностью расчета является приведение значений в натуральный логарифм от выручки, с учетом инфляции на 2011 г. При помощи этого фактора раскрывается влияние накопленной результативности (эффекта масштаба) на чистую рентабельность активов. Темп прироста выручки определяется как отношение выручки текущего периода (года) к выручке предыдущего, выраженное в процентах. Включение данной переменной в моделирование характеризует влияние изменения результативности на чистую рентабельность активов высокотехнологичных компаний каждой из выбранных отраслей.

На основе полной выборки американских высокотехнологичных компаний промышленного сектора [41; 42; 43] и связанных с ними компаний сферы инновационных услуг [44; 45; 46], функционирующих за исследуемый временной период, рассчитаны и сведены в табличную форму числовые характеристики и корреляционные матрицы вышеобозначенных независимых переменных согласно критерию Пирсона (таблица 2).

Таблица 2

Средние значения, стандартные отклонения и корреляция факторных (независимых) переменных, используемых в моделировании

п/п №
Переменные
Среднее
Стандартные отклонения
Корреляции (r) и их значимость (p)
(в неоговоренных случаях p < 0,1; под сносками:
1 p < 0,05; 2 p < 0,01; 3 p < 0,001)
1
2
3
4
5
6
7
8
1
SFAA
14,77
17,94
1







2
CLR
3,14
15,98
– 0,03
1






3
CA
14,93
6,89
0,203
0,01
1





4
SBC
51,02
29,14
– 0,233
– 0,203
– 0,203
1




5
ΔSBC
–0,87
14,04
0,01
– 0,033
0,032
0,243
1



6
SRD
15,87
33,48
– 0,093
– 0,02
– 0,042
0,083
0,02
1


7
CS
19,71
1,15
0,083
– 0,063
0,153
0,073
– 0,031
– 0,083
1

8
RGR
7,13
53,04
– 0,053
– 0,02
– 0,053
0,103
– 0,03
– 0,103
0,203
1
Источник: рассчитано по данным официальной статистики США: [41–46].

Представленные факторные (независимые) переменные могут быть использованы в регрессивных моделях, т. к. не имеют сильной корреляции между собой, а для минимизации издержек мультиколлинеарности как исследуемые, так и контрольные переменные стандартизируются согласно альтметрическому методу Д.В. Марквардта [47].

Расчеты по построению регрессионных моделей проведены согласно методикам некоторых иностранных ученых с использованием языка R [48; 49] и модели со случайными эффектами, описанной в работе Я. Круассана и Г. Милло [48]. Все тестируемые модели, а именно: 1) базовая (контрольная) – для тестирования контрольных переменных, 2 и 3) две линейные – для определения устойчивости и результативности, 4 и 5) две нелинейные – для исследования квадратичной функции, содержат необходимые наборы независимых переменных. Для всех моделей, как уже отмечалось выше, зависимой переменной является чистая рентабельность активов.

Результаты регрессивного моделирования и их обсуждение

Исходя из проведенных расчетов, автором получены результаты регрессионного моделирования влияния факторов (объединенных в группы) на чистую рентабельность активов, выраженные посредством линейных и нелинейных (исследование квадратичной функции) зависимостей между переменными – конкретных моделей (таблица 3).

Таблица 3

Результаты регрессивного моделирования влияния определенных групп факторов на чистую рентабельность активов компаний высокотехнологичных отраслей США в 2011 – 2020 гг.


Группа
факторов

Переменные
Модели: в неоговоренных случаях p < 0,1; * p < 0,05; ** p < 0,01; *** p < 0,001
Базовая (контрольная)
Линейные зависимости
Нелинейные зависимости
Устойчивость
Результативность
Устойчивость
Результативность
(в скобках проставлены стандартные ошибки)
Константа и константные переменные
Intercept
8,99*** (0,27)
9,08***(0,30)
9,54***(0,30)
12,12***(0,31)
11,02***(0,33)
SFAA
– 1,95*** (0,23)
– 3,19***(0,23)
– 3,64***(0,25)
– 3,34***(0,25)
– 3,47***(0,24)
CLR
0,18 (0,14)
– 0,46**(0,16)
– 0,43**(0,16)
– 0,27 (0,11)
– 0,46**(0,16)
CA
– 1,56***(0,31)
– 1,86***(0,28)
– 2,26***(0,26)
– 2,44***(0,27)
– 2,33***(0,27)
Финансовая устойчивость
SBC

– 4,91***(0,25)
– 5,28***(0,23)
– 4,94***(0,25)
– 6,04***(0,27)
ΔSBC

– 3,40***(0,16)
– 2,99***(0,15)
– 3,22***(0,13)
– 3,35***(0,16)
Устойчивость выручки
SRD

– 1,92***(0,16)
– 1,46***(0,15)
– 0,70** (0,22)
– 0,54* (0,22)
Результативность
CS


1,20***(0,30)
0,83** (0,31)
2,14***(0,30)
RGR


1,34***(0,16)
1,54***(0,16)
1,33***(0,15)
Устойчивость
SBC2



– 2,24*** (0,19)

SBC SRD



1,80***(0,13)

SBC2 SRD



– 1,08*** (0,11)

Результативность
CS2




– 1,15***(0,16)
CS SRD




0,47**(0,20)
CS2 SRD




– 0,50**(0,19)
Оценка значимости моделей
Adj. R2
0,013
0,198
0,230
0,282
0,246
ΔR2
-
0,193
0,016
0,049
0,010
Fit statistics
F(4,0024) = 37,62
F(6,5378) = 317,06
F(8,6752) = 255,39
F(12,0112) = 260,15
F(11,8106) = 205,87
p
< 0,001
< 0,001
< 0,001
< 0,001
< 0,001
Источник: рассчитано по данным официальной статистики США: [41–46].

Включающая контрольные переменные базовая модель выделяет в качестве высокорентабельных «новые» высокотехнологичные компании США, а также компании с низкой долей основных средств в активах, что отрицательно влияет на их чистую рентабельность. В рамках линейного моделирования финансовой устойчивости и устойчивости выручки компаний (дополняющего контрольные переменные) выявлено отрицательное влияние соответствующих переменных на чистую рентабельность активов. При этом, чем ниже значения переменных SBC, ΔSBC и SRD, тем устойчивость компаний выше. Неслучайно в рассматриваемый период времени (2011 – 2020 гг.) американские высокотехнологичные компании, прежде всего, промышленного сектора, в стремлении к увеличению чистой рентабельности своих активов, стремятся к снижению доли заемного капитала в пассиве баланса (SBC) и снижению вариации выручки относительно линейного тренда, что фиксируется ежегодно. Это стабильно повышает их устойчивость. Наконец, развитие линейного моделирования до переменных, характеризующих изменение результативности деятельности высокотехнологичных компаний США (совокупно с первыми двумя моделями) отражает положительное влияние факторов размера компании (CS) и темпа прироста выручки (RGR) на чистую рентабельность активов. Следовательно, искомая величина зависимой переменной имеет наибольшее значение в отчетах крупных компаний США, обладающих большей выручкой (эффект масштаба) и имеющих высокие темпы ее прироста в 2011 – 2020 гг. Иными словами, увеличение чистой рентабельности активов напрямую зависит от повышения результативности высокотехнологичных компаний и отраслей экономики США в рассматриваемый временной период [3].

Произведенные расчеты также подтверждают нелинейную зависимость между долей заемного капитала в пассиве компаний высокотехнологичного сектора американской экономики (SBC) и чистой рентабельностью их активов. При нелинейном моделировании устойчивости все анализируемые переменные (SBC2, SBC SRD, SBC2 SRD) не просто имеют высокое значение, отражающее существенность влияние данной группы факторов на чистую рентабельность активов компаний, а при переходе к параболической зависимости (в отличие от линейных моделей) увеличивается доля объясненной регрессии искомой величины и оценка значимости указанной модели (R2).

Нелинейное моделирование устойчивости высокотехнологичных компаний США за период 2011 – 2020 гг. позволило выявить следующие закономерности:

1. Чистая рентабельность активов находится в зависимости от всех указанных переменных, поэтому увеличение данного показателя напрямую зависит от эффективности управления структурой капитала, которая, в свою очередь, определяется в зависимости от устойчивости выручки компании и динамики этой выручки в рассматриваемом периоде.

2. Высокоустойчивые промышленные компании высокотехнологичного сектора экономики США, в динамике деятельности которых наблюдается максимизация чистой рентабельности активов в 2011 – 2020 гг. поддерживают SBC на низком уровне, т. е. фактически стараются избегать значительных заимствований. При этом, высокотехнологичные компании сферы инновационных услуг отличаются гораздо более высокой SBC (превышающей аналогичные значения переменных, характеризующих деятельность компаний производственных отраслей в 5–6 раз).

3. Для компаний со средней устойчивостью выручки (SRD = 0) не допускают большого заимствования средств (не более 20%) для максимизации чистой рентабельности своих активов.

4. Компании с низкой устойчивостью выручки (SRD = 1) увеличивают SBC до 40% своих пассивов и более, стремясь максимизировать чистую рентабельность своих активов в рассматриваемый период времени. Это связано с быстрым оборотом капитала в условиях инновационной деятельности, резкими подъемами и спадами получения выручки в условиях цифровизации и финансиализации экономики, учитывая, что большинство американских компаний зависят от курса их акций (фиктивного капитала).

5. При высоких значениях SBC (более 65%) теряются преимущества высокой устойчивости выручки высокотехнологичных компаний, что обуславливает снижение чистой рентабельности их активов.

Построение модели нелинейной зависимости результативности компаний высокотехнологичных отраслей экономики США в 2011 – 2020 гг. направлено на проверку гипотезы о влиянии соответствующих переменных, определяющих одноименную группу факторов (см. таблицу 3), на чистую рентабельность активов. Расчеты подтверждают зависимость искомой переменной от «размера компании», что характеризуется рядом независимых переменных (CS2, CS SRD, CS2 SRD). Построенная модель (перевернутые параболы – inverted U shape) отражают следующие закономерности, характеризующие результативность компаний высокотехнологичного сектора экономики США:

1. По всем трем случаям моделирования факторов в разрезе указанных независимых переменных, максимальные показатели чистой рентабельности активов наблюдаются, как правило, в выборке средних по размеру компаний (с объемом выручки и занятых сотрудников, соответствующих критериям Бюро Цензов США, приведенных к 2011 г.). Характерно, что для этой группы компаний чистая рентабельность активов не только практически одинакова, но и не зависит от устойчивости их выручки.

2. Для крупных и малых компаний высокотехнологичного сектора экономики США (в соответствии с указанными выше критериями) устойчивость динамики выручки, наоборот, значительно влияет на рентабельность. Поэтому в исследуемый период времени прослеживается тенденция повышения устойчивости динамики выручки для увеличения чистой рентабельности активов крупных и мелких высокотехнологичных компаний.

3. В отношении крупных и мелких американских высокотехнологичных компаний в 2011 – 2020 гг. наблюдается тенденция медленного снижения чистой рентабельности активов, обеспечиваемого высокой устойчивостью выручки (SRD = – 0,4), несмотря на инфляцию национальной валюты США за 10 анализируемых лет.

4. Высокие темпы снижения чистой рентабельности активов характеризуют компании с низкой устойчивостью выручки (SRD = 1) по мере отклонения «размера компаний» от оптимального, хотя искомая зависимая переменная при прочих равных условиях переходит в отрицательные значения.

Из всего вышеперечисленного вытекает наблюдаемая в 2011 – 2020 гг. стратегия развития высокотехнологичных компаний США. Она определяется, в значительной мере, размером компаний, составляющих те или иные высокотехнологичные отрасли. Крупные и мелкие стремятся к устойчивой динамике выручки для повышения рентабельности. Кроме того, малые компании стараются в условиях жесточайшей глобальной конкуренции, подстегиваемой модернизационными процессами в рамках Индустрии 4.0, увеличить масштаб своей деятельности. Крупные фирмы, наоборот, выделяют часть бизнеса. Это характерно, прежде всего, для фармацевтических гигантов США [52]. Эффективным для развития высокотехнологичных компаний как в сфере промышленности, так и услуг в межкризисный период оказался средний масштаб их размеров (в плане выручки и занятости), для которых характерны: слабое влияние устойчивости динамики выручки на финансовый результат и максимизация чистой рентабельности активов в 2011 – 2020 гг.

Заключение

Предпринятое эконометрическое моделирование позволяет сформулировать ряд общих выводов, полностью, либо частично подтверждающих предварительно выдвинутые исследовательские гипотезы.

Первый. Первоначальное линейное моделирование показывает регрессионные зависимости, отражающие влияние на чистую рентабельность активов американских высокотехнологичных компаний следующих из рассматриваемых групп факторов: а) доля основных средств в активах и «возраст компаний» носят отрицательное влияние, б) напротив, факторы результативности и устойчивости имеют положительное влияние. Это означает, что линейные регрессивные модели подтверждают положения, выдвинутые в первой (по счету) из трех представленных гипотез – эффективность деятельности высокотехнологичных компаний США в 2011 – 2020 гг. зависит от повышения результативности и устойчивости этих компаний и представленных ими отраслей экономики знаний.

Второй. Последующее исследование раскрыло существование нелинейной зависимости между финансовой устойчивостью, определяемой долей заемного капитала, и чистой рентабельностью активов компаний, а также между «размером компании» и чистой рентабельностью активов. Описанные выше закономерности, полученные по результатам анализа нелинейных моделей (парабол) указывают на повышение эффективности американских высокотехнологичных компаний в сфере управления структурой капитала. Стратегическое управление зависит от устойчивости динамики выручки, а максимизация значений чистой рентабельности активов – от «размеров компаний» (крупных, средних, мелких/малых). Этот полностью подтверждает вторую гипотезу о выборе компаниями оптимальных факторов, влияющих на их модернизационное развитие в условиях реиндустриализации американской экономики 2011 – 2020 гг.

Третий. Оптимальные значения исследуемых факторов в рассматриваемый временной период не всегда определялись устойчивостью динамики выручки американских компаний высокотехнологичного сектора экономики. Эта зависимость выявилась при нелинейном моделировании финансовой устойчивости и чистой рентабельности активов компаний. Аналогичной зависимости между «размером компании» и чистой рентабельность ее активов в исследуемый временной период не обнаружено. Таким образом, третья гипотеза подтверждается частично/выборочно – в зависимости от задач модернизации, стоящих перед компаниями в условиях регулируемых рыночных отношений, в рамках которых происходит реиндустриализация экономики США.

Динамические характеристики модернизационного развития компаний американского высокотехнологичного сектора экономики в разрезе рассмотренных отраслей промышленности и сферы услуг в целом создают некий общий тренд на преодоление противоречий, вызванных постиндустриальной парадигмой рубежа тысячелетий. В 2010-е годы Соединенные Штаты все более активно берут курс на индустриальное усиление посредством высоких технологий. Этот курс подтверждается в т. ч. посредством моделирования долгосрочного развития высокотехнологичных отраслей экономики США в 2011 – 2020 гг. Несмотря на недостаточность/слабость глобального значения американской реиндустриализации для возврата в мировые индустриальные лидеры в 2020-х гг., при условии господствующего положения в этой сфере Китая, Японии, Южной Кореи, США остаются мировым инновационным лидером. Следовательно, модернизация американского национального «высокотехнологичного ядра» на основе цифровизации, информатизации, знаниеемкости имеет куда более основательную базу, чем в вышеупомянутых странах. Проведенное эконометрическое моделирование, в свою очередь, раскрывает количественные характеристики такого «качественного поворота» США в сторону реиндустриализации.

[1] «Реиндустриализация в рыночной экономике представляет собой комплекс мер политики государственного стимулирования экономического роста за счет модернизации существующих отраслей промышленности и создания новых производств. Как правило, речь идет об обрабатывающей промышленности и ее ядре – отраслях высоких технологий» [3. С. 19-20].

[2] ОЭСР выделяет на основе расчета общих затрат на науку с помощью матрицы «затраты – выпуск» высокотехнологичные отрасли промышленности.

[3] Это подтверждается результатами предыдущих работ автора, связанных с исследованием концентрации и пространственной локализации высокотехнологичных компаний США в 2015 – 2019 гг. [50; 51].


Источники:

1. Кондратьев В. Проблемы деиндустриализации в США // Перспективы. Электронный журнал. – 2019. – № 3(19). – c. 130-147. – doi: 10.32726/2411-3417-2019-3-130-147.
2. Симония М.А., Торкунов А.В. Структурный кризис в США // Свободная мысль. – 2013. – № 1(1637). – c. 65-80.
3. Варнавский В.Г. Посткризисная реиндустриализация: от концепции к реализации // Друкеровский вестник. – 2019. – № 1. – c. 18-28. – doi: 10.17213/2312-6469-2019-1-18-28.
4. Гудкова Т.В., Логинова В.С. Решоринг промышленности США: цифровизация vs глобализация // США и Канада: экономика, политика, культура. – 2020. – № 7. – c. 42-60. – doi: 10.31857/S268667300010134-7.
5. Варнавский В.Г. Трансформация мирового геоэкономического пространства в условиях реиндустриализации // Вестник Института экономики Российской академии наук. – 2019. – № 2. – c. 119-133. – doi: 10.24411/2073-6487-2019-10022.
6. Захаров А.Н. Перспективы реиндустриализации развитых экономик (США, Канада и Австралия) // Вестник МГИМО Университета. – 2018. – № 1(58). – c. 213-245. – doi: 10.24833/2071-8160-2018-1-58-213-245.
7. Карпов С.А. Международные стратегии развития высокотехнологичных производств // Экономика. – 2020. – № 4. – c. 197-208. – doi: 10.18334/evp.1.4.111218.
8. Ковальчук Ю.А., Ищенко М.М. Высокотехнологичное производство как «новое окно возможностей» в посткризисной экономике // Корпоративное управление и инновационное развитие экономики Севера: Вестник Научно-исследовательского центра корпоративного права, управления и венчурного инвестирования Сыктывкарского государственного университета. – 2016. – № 3. – c. 25-33.
9. Звягин А.А. Высокие технологии. Госвмешательство vs невидимая рука рынка // Экономика высокотехнологичных производств. – 2020. – № 4. – c. 155-172. – doi: 10.18334/evp.1.4.111147.
10. Минат В.Н. Государственная региональная политика и развитие региональных инновационных систем в США // Федерализм. – 2020. – № 4(100). – c. 173-188. – doi: 10.21686/2073-1051-2020-4-173-188.
11. Минат В.Н. Динамика структуры внешней торговли США высокотехнологичной продукцией обрабатывающей промышленности // Международная торговля и торговая политика. – 2020. – № 4(24). – c. 44-62. – doi: 10.21686/2410-7395-2020-4-44-62.
12. Минат В.Н. Стимулирование экспорта высокотехнологичной продукции обрабатывающей промышленности США // Международная торговля и торговая политика. – 2021. – № 2(26). – c. 30-46. – doi: 10.21686/2410-7395-2021-2-30-46.
13. Официальный сайт ТАСС. [Электронный ресурс]. URL: https://tass.ru (дата обращения: 08.11.2021).
14. Пороховский А.А. Рыночный механизм американской экономики: роль цифровизации // США и Канада: экономика, политика, культура. – 2020. – № 5. – c. 24-38. – doi: 10.31857/S268667300009424-6.
15. Иванус А.И. О моделировании динамики инновационного развития высоконаучных технологий на примере Китайской Народной Республики // Экономика высокотехнологичных производств. – 2021. – № 1. – c. 9-20. – doi: 10.18334/evp.2.1.111828.
16. Русакова А.С., Старожук Е.А., Красникова А.С. Анализ систем управления полным жизненным циклом высокотехнологичной продукции в России и зарубежных странах // Вопросы инновационной экономики. – 2021. – № 2. – c. 767-784. – doi: 10.18334/vinec.11.2.112261.
17. Минат В.Н. Инновационная деятельность и пространственная структура обрабатывающей промышленности США // Инновации. – 2020. – № 10(264). – c. 82-94. – doi: 10.26310/2071-3010.2020.264.10.010.
18. Спицын В.В. Источники роста и территориальное размещение высокотехнологичных отраслей в России // Вестник НГУЭУ. – 2019. – № 2. – c. 55-70. – doi: 10.34020/2073-6495-2019-2-055-070.
19. Аносов Р.С., Бывших Д.М., Зеленская С.Г., Пасичник В.А. Оптимизации затрат на жизненном цикле образца техники радиоэлектронной борьбы: применение методов регрессивного анализа и математического программирования // Экономика. – 2020. – № 1. – c. 13-26. – doi: 10.18334/evp.1.1.110963.
20. Спицын В.В., Трифонов А.Ю., Рыжкова М.В., Спицына Л.Ю. Рентабельность предприятий химической промышленности в турбулентной экономике: моделирование в разрезе форм собственности // Экономический анализ: теория и практика. – 2018. – № 9(480). – c. 1604-1621.
21. Абрамов Т.Е., Баранов М.В., Соколянский В.В. Моделирование деятельности высокотехнологичного инновационного предприятия при помощи производственной функции типа Кобба-Дугласа // Экономика. – 2021. – № 2. – c. 93-106. – doi: 10.18334/evp.2.2.112051.
22. Баранов В.В., Баранова И.В., Зайцев А.В., Карпова В.Б. Модернизация производства на основе создания и интеграции системы инноваций в стратегию развития высокотехнологичного предприятия // Вопросы инновационной экономики. – 2015. – № 3. – c. 95-126. – doi: 10.18334/inec.5.3.589.
23. Климова В.С. Цыгулева Д.С., Соколянский В.В. Технология создания производственной функции клиентского капитала высокотехнологичных компаний с замкнутым циклом // Экономика. – 2020. – № 3. – c. 105-114. – doi: 10.18334/evp.1.3.110970.
24. Фролов В.Г., Трофимов О.В., Климова Е.З. Разработка системной модели организационно-экономического механизма развития приоритетных высокотехнологичных отраслей производства в соответствии с концепцией Индустрия 4.0 // Вопросы инновационной экономики. – 2020. – № 1. – c. 71-84. – doi: 10.18334/vinec.10.1.100682.
25. Алабугин А.А., Береговая И.Б. Метод оценки качества управления использованием диверсифицированных ресурсов формирования и развития высокотехнологичного промышленного производства // Лидерство и менеджмент. – 2019. – № 3. – c. 189-200. – doi: 10.18334/lim.6.3.40948.
26. Ганус Ю.А., Старожук Е.А. Модель ключевой компетенции как базовая методика управления полным жизненным циклом высокотехнологичной продукции в долгосрочной перспективе // Вопросы инновационной экономики. – 2020. – № 3. – c. 1111-1113. – doi: 10.18334/vinec.10.3.110721.
27. Яковлева Е.А., Платонов В.В., Карлик Е.М., Шарич Э.Э., Яковлева Д.Д. Эмпирическая модель систематизации финансовых показателей по функциям менеджмента как основа установления инновационного потенциала организации // Лидерство и менеджмент. – 2019. – № 2. – c. 73-90. – doi: 10.18334/lim.6.2.40883.
28. Jarallah S., Saleh A.S., Salim R. Examining pecking order versus trade-off theories of capital structure: New evidence from Japanese firms // International Journal of Finance and Economics. – 2018. – № 1. – p. 204-211. – doi: 10.1002/ijfe.1657.
29. Le T.P.V., Phan T.B.N. Capital structure and firm performance: Empirical evidence from a small transition country // Research in International Business and Finance. – 2017. – № 42. – p. 710-726. – doi: 10.1016/j.ribaf.2017.07.012.
30. Лихутин П.Н., Савченко А.А. Определение существенных факторов при декомпозиции рентабельности собственного капитала // Вестник НГУЭУ. – 2017. – № 1. – c. 146-161.
31. Сухова Л.Ф. Новые факторы управления рентабельностью капитала предприятия // Финансовая аналитика: проблемы и решения. – 2015. – № 6(240). – c. 2-12.
32. Спицын В.В. Методологический подход к оценке эффективности развития сложных социально-экономических систем // Экономика: вчера, сегодня, завтра. – 2017. – № 4А. – c. 25-32.
33. Третьякова Е.А., Осипова М.Ю. Сочетание статического и динамического подходов в оценке устойчивого развития региональных социально-экономических систем // Вестник Пермского университета. Серия: Экономика. – 2016. – № 2(29). – c. 79-92. – doi: 10.17072/1994-9960-2016-2-79-92 .
34. Спицын В.В. Устойчивость, результативность и эффективность предприятий высокотехнологичных отраслей в условиях кризиса: эконометрическое моделирование // Вестник НГУЭУ. – 2020. – № 2. – c. 160-176. – doi: 10.34020/2073-6495-2020-2-160-176.
35. Спицын В.В., Михальчук А.А., Трифонов А.Ю., Булыкина А.А. Развитие высокотехнологичных отраслей промышленности и услуг России в условиях кризиса: анализ панельных данных за 2013–2017 гг // Экономический анализ: теория и практика. – 2019. – № 8. – c. 1394-1411. – doi: 10.24891/ea.18.8.1394 .
36. Задорожная А.Н. Определение оптимальной структуры капитала: от компромиссных теорий к модели APV // Финансы и кредит. – 2015. – № 44(668). – c. 15-28.
37. The State of U.S. Science and Engineering indicators 2020. Ncses.nsf.gov. [Электронный ресурс]. URL: https://ncses.nsf.gov/pubs/nsb20201 (дата обращения: 20.10.2021).
38. Спицын В.В. Рентабельность предприятий высокотехнологичных отраслей и влияющие на нее факторы: анализ и моделирование // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Экономические науки. – 2019. – № 6. – c. 149-160. – doi: 10.18721/JE.12613.
39. Chatterjee S. The Impact of Working Capital on the Profitability: Evidence from the Indian Firms. SSRN Electronic Journal. Elsevier BV. [Электронный ресурс]. URL: https://ssrn.com/abstract=2125228 .
40. Jain S., Bhargava A., Bhargava A. Impact of Capital Structure on Profitability of Indian Manufacturing Firms // Asian Journal of Research in Banking and Finance. – 2017. – № 7. – p. 299-306. – doi: 10.5958/2249-7323.2017.00085.2.
41. Manufacturing Annual Report. 2011–2020. United States Department of Commerce. 2012–2021. Pwc.co.uk. [Электронный ресурс]. URL: https://www.pwc.co.uk/industries/manufacturing/insights/annual-manufacturing-report.html (дата обращения: 24.10.2021).
42. State of North American Manufacturing 2011–2020 Annual Report. 2012–2021. Business.thomasnet.com. [Электронный ресурс]. URL: https://business.thomasnet.com/state-of-north-american-manufacturing-ualp (дата обращения: 24.10.2021).
43. Manufacturing USA: A Third-Party Evaluation of Program Design and Progress. Deloitte. [Электронный ресурс]. URL: http://www2.deloitte.com/content/dam/Deloitte/us/Documents/manufacturing/us-mfgmanufacturing-USA-program-and-process.pdf (дата обращения: 29.10.2021).
44. Industry Data. Bureau of Economic Analysis (BEA). [Электронный ресурс]. URL: https://apps.bea.gov/iTable/iTable.cfm?ReqID=51&step=1 (дата обращения: 25.10.2021).
45. International Trade in Goods and Services. Bureau of Economic Analysis (BEA). [Электронный ресурс]. URL: https://www.bea.gov/data/intl-trade-investment/international-trade-goods-and-services (дата обращения: 25.10.2021).
46. Employment Projections. Bureau of Labor Statistics (BLS). [Электронный ресурс]. URL: https://www.bls.gov/emp/tables/industry-occupation-matrix-industry.htm (дата обращения: 25.10.2021).
47. Marquardt D.W. You should standardize the predictor variablesin yourregression models // Journal of the American Statistical Association. – 1980. – № 75. – p. 87-91. – doi: 10.1080/01621459.1980.10477430.
48. Croissant Y., Millo G. Panel Data Econometrics in R: The plm Package // Journal of statistical software. – 2008. – № 2. – p. 1-43. – doi: 10.18637/jss.v027.i02.
49. Ai C., You J., Zhou Y. Estimation of fixed effects panel data partially linear additive regression models // The Econometrics Journal. – 2014. – № 17(1). – p. 83-106. – doi: 10.1111/ectj.12011.
50. Минат В.Н. Инновационное развитие промышленности США: пространственный подход // Развитие территорий. – 2021. – № 2(24). – c. 26-35. – doi: 10.32324/2412-8945-2021-2-26-35.
51. Минат В.Н. Инновационное развитие обрабатывающей промышленности США: региональный аспект // Наука о человеке: гуманитарные исследования. – 2021. – № 1. – c. 209-216. – doi: 10.17238/ issn1998-5320.2021.15.1.23.
52. Минат В.Н. Динамика развития фармацевтических компаний Соединенных Штатов Америки // Вестник Самарского государственного экономического университета. – 2021. – № 8(202). – c. 19-28. – doi: 10.46554/1993-0453-2021-8-202-19-28.

Страница обновлена: 26.11.2021 в 22:11:30