Приложение A. Расчет составляющих элементов преимущества

Марго Беллами, Джефф Шульц и Бен Беркли

Главный аналитический метод, используемый в нашей работе, – это декомпозиция – разбиение различий в фондорентабельности (ФР) между двумя компаниями на различия в отдельных составляющих ФР. Это обеспечило нам своего рода компас, показывающий, в каких направлениях надо вести поиск, чтобы выявить формы поведения, которые в наибольшей степени способствовали образованию наблюдаемых различий в ФР. Кроме того, после выявления этих форм поведения, такой декомпозиционный анализ обеспечивает количественные данные, подтверждающие наличие причинно-следственных связей между особенностями поведения управленцев и результативностью работы компании.

Арифметика рентабельности

Начнем наши объяснения того, как мы разбивали ФР на составляющие, с рассмотрения фундаментальной экономической арифметики.

Фондорентабельность – это отношение прибыли к активам. Так как нас интересуют данные за отдельные годы, мы будем рассматривать период, равный финансовому году каждой компании, то есть единый непрерывный отрезок времени в 12 месяцев.

На самом примитивном уровне основной формулой финансовой экономики, пожалуй, является формула прибыли:

Прибыль = Доход – Затраты.

Главная польза этой формулы заключается в точном разделении дохода и затрат за нужный период времени. Принципы определения дохода позволяют узнать, какой доход можно ассоциировать с данным годом, в то время как принципы определения затрат позволяют узнать, какие затраты пришлось понести для создания этого дохода.

На самом общем уровне доход определяется через произведение числа единиц продукта и цены единицы продукта. Поэтому существуют два способа увеличения дохода за некоторый период: увеличение числа проданных за этот период единиц продукта и увеличение цены каждой единицы продукта.

Доход = Число единиц продукта × Цена единицы продукта

Получение прибыли целесообразно разбить на два этапа. Сначала из доходов за данный период нужно вычесть себестоимость проданных товаров, или себестоимость реализованной продукции (СРП), то есть прямые затраты, понесенные в течение этого периода, к которым относятся, как правило, затраты на рабочую силу и материалы, а также относимые накладные расходы (например, затраты на отопление и освещение). Например, если вы руководите фабрикой, которая производит пластиковые пакеты, то себестоимость проданной продукции должна включать в себя как минимум заработную плату операторов, управляющих машинами, и стоимость пластиковых гранул, из которых путем экструзии получаются пакеты. Затем, вычитая из дохода СРП, мы получаем валовую прибыль, которая поэтому измеряется в долларах, а разделив валовую прибыль на доход, мы получим процент валовой прибыли за этот период.

Доход – СРП = Валовая прибыль

«Другие расходы» можно рассматривать как единую категорию, но некоторые компоненты высокого уровня имеет смысл рассмотреть отдельно. Административно-хозяйственные расходы (АХР), а также расходы на исследования и разработки (НИОКР) не требуют особых пояснений, хотя это понятия весьма широкие. Амортизационные отчисления, или просто амортизация, – это безналичные расходы, отражающие уровень реинвестирования, необходимый для восстановления основных фондов компании до состояния, который они имели в начале этого периода. К внеоперационной прибыли очень часто относят проценты по финансовым активам (например, кассовым остаткам), а к непредвиденным или чрезвычайным статьям относятся, например, прибыли или убытки от выбытия активов.

Все понятия, которые мы рассматривали до сих пор, включаются в отчеты о прибылях, и мы используем эти статьи, чтобы определить рентабельность продаж (РП) компании, которая отражает эффективность, с которой компания превращает доход в прибыль.

Бухгалтерский баланс отражает стоимость активов компании, и для нашего анализа представляют интерес два типа активов: оборотные активы и основные (внеоборотные) активы. Оборотные активы – это, как правило, финансовые активы или реальные активы, такие как товарно-материальные ценности, которые легко конвертируются в наличность менее чем за один год. Запасы часто выделяются в отдельную категорию оборотных активов. Основные активы – это материальные активы, например здания и сооружения, конвертация которых в денежные средства не ожидается как минимум в течение года. Суммарные активы – это сумма оборотных и основных (внеоборотных) активов. Оборачиваемость суммарных активов (ОСА) выражает эффективность генерации компанией доходов с использованием своих активов:

Фондорентабельность связывает отчет о прибылях и убытках с балансом компании:

Фондорентабельность = Рентабельность продаж × Оборачиваемость суммарных активов

или:

или:

или:

Разложение на составляющие (декомпозиция)

Начнем с декомпозиции годовой ФР за каждый год, а затем объединим эти годовые значения за некоторый промежуток времени (период, или эру). Анализ составляющих рентабельности за определенный период сужает диапазон возможных объяснений различий в рентабельности и обеспечивает систему координат для оценки соответствия между формами поведения и финансовыми показателями. Таким образом, декомпозиционный анализ побуждает нас идентифицировать формы поведения, которые способствуют возникновению различий в структуре рентабельности.

Мы делим декомпозицию на два этапа. На первом этапе (мы называем это «уровень I») мы разбиваем общее преимущество по ФР на его составляющие РП и ОСА. На втором этапе (уровень декомпозиции II) мы определяем составляющие элементы преимущества в пределах РП (валовая прибыль, АХР и др.) и ОСА (текущий оборот активов и оборот основных активов).

Декомпозиция – уровень I

Механика уровня I декомпозиции меняется в зависимости от знака РП для двух компаний и знака различия в РП и ОСА между двумя компаниями. Начнем с относительно простого случая: РП и ОСА у обеих компаний положительные, причем у более эффективной компании РП ниже, но ОСА выше.

Таблица 38. Случай 1

Процент общего преимущества по ФР, зависящий от различий в РП и ОСА, определяется по формуле:

Общее преимущество компании А по РП = –6 п.п.

Общее преимущество компании А по ОСА = 7,2 п.п.

Суммарное преимущество компании А по ФР = –6,0 + 7,2 = 1,2 п.п.

Этот пример – один из пяти случаев, к которым сводятся все наши попарные сравнения.

Случаи 2 и 3 очень похожи на случай 1.

Таблица 39. Пять возможных типов декомпозиции ФР

Таблица 40. Случай 2

Общее преимущество компании А по РП = 11 п.п.

Общее преимущество компании А по ОСА = 8 п.п.

Суммарное преимущество компании А по ФР = 11 + 8 = 19 п.п.

Таблица 41. Случай 3

Примечание. Компания A имеет преимущество по ОСА, если рассматривать ОСА изолированно. Однако, поскольку она более эффективно использовала свои активы, чтобы продавать товары при отрицательных значениях РП, даже при преимуществе по ОСА она отставала по ФР.

Общее преимущество компании А по РП = 3 п.п.

Общее преимущество компании А по ОСА = –6 п.п.

Суммарное преимущество компании А по ФР = 3 п.п. + (–6,0 п.п.) = –3 п.п.

Случаи 4 и 5 более сложные, поскольку в них приходится рассчитывать и распределять «объединенный» показатель. Это разделение объединенного компонента необходимо, когда одна компания имеет преимущество и по РП, и по ОСА, и при этом значения РП у обеих компаний положительные, а также когда одна компания имеет преимущество или по РП, или по ОСА, и при этом значения РП у обеих компаний отрицательные. В приведенной ниже таблице показано суммарное преимущество для компании, которая имеет преимущество и по РП, и по ОСА. Когда такое суммарное преимущество существует, оно разделяется на доли, соответствующие «чистым» преимуществам по составляющим показателям.

Таблица 42. Случай 4

Чистое преимущество = 3,6 + 4,8 = 8,4 п.п. из общего преимущества по ФР 10,8 п.п.

Объединенное преимущество = 10,8 – 8,4 = 2,4 п.п.

Объединенное преимущество с разбиением на доли, соответствующие соотношению «чистых» преимуществ:

Доля РП = (3,6: 8,4) × 2,4 п.п. = 1,0 п.п.

Общее преимущество по РП: 3,6 + 1,0 = 4,6 п.п.

Доля ОСА = (4,8: 8,4) × 2,4 п.п. = 1,4 п.п.

Общее преимущество по ОСА = 4,8 + 1,4 = 6,2 п.п.

Общее преимущество компании B по РП = 4,6 п.п.

Общее преимущество компании B по ОСА = 6,2 п.п.

Суммарное преимущество компании B по ФР = 4,6 + 6,2 = 10,8 п.п.

Таблица 43. Случай 5

(Компания В имеет преимущество по ОСА, если рассматривать ОСА изолированно. Однако, поскольку она более эффективно использовала свои активы, чтобы продавать товары при отрицательных значениях РП, даже при преимуществе по ОСА она отставала по ФР.)

Чистое преимущество по РП + ОСА = 3 + 6 = 9 п.п. из суммарного преимущества по ФР 12 п.п.

Объединенное преимущество = 12 – 9 = 3 п.п.

Доля РП = (3,0: 9,0) × 3,0 п.п. = 1,0 п.п.

Общее преимущество по РП = 3,0 + 1,0 = 4 п.п.

Доля ОСА = (6,0: 9,0) × 3,0 п.п. = 2,0 п.п.

Общее преимущество по ОСА = 6,0 + 2,0 = 8 п.п.

Общее преимущество компании А по РП = 4 п.п.

Общее преимущество компании А по ОСА = 8 п.п.

Суммарное преимущество компании А по ФР = 4 + 8 = 12 п.п.

Декомпозиция – уровень II

Рентабельность продаж

Показатель РП можно далее разбить на валовую прибыль (ВП) и некоторые виды расходов: продажи, общие и административные расходы (АХР), научные исследования и разработки (НИОКР), амортизационные расходы, прекращаемые операции, чрезвычайные/непредвиденные расходы, доли миноритариев и налоги на прибыль (все в процентах от продаж). ОСА можно разделить на текущий оборот активов за вычетом товарно-материальных запасов (ТОА – ТМЗ), оборот ТМЗ (ТМЗ – ОА), оборачиваемость основных средств (ООС) и оборот прочих активов (прочие активы ПА – ОА). На уровне декомпозиции II мы привязываем различия в показателях РП и ОСА к различиям в их составляющих на уровне декомпозиции I.

Ниже перечислены этапы соотнесения различий в РП с ее составляющими из отчетов о прибылях и убытках:

1. Рассчитываем каждую категорию расходов в виде процента от продаж (колонки А, B и С в приведенной ниже таблице).

2. Для каждой категории расходов рассчитываем преимущество в процентных пунктах (колонка D) для компании с более высокой ФР.

3. Рассчитываем чистое преимущество по РП, умножая разность процентных значений для каждого составляющего элемента на нижнее значение ОСА.

4. Если нужно разделить на составляющие суммарное преимущество, рассчитываем относительную долю общего чистого преимущества по РП, которую обеспечивает каждая составляющая. Берем чистое преимущество для каждого составляющего элемента РП из колонки Е и делим на общее чистое преимущество по РП (также в колонке Е).

5. Рассчитываем долю каждого элемента в объединенном преимуществе путем умножения процента чистого преимущества по РП на общее объединенное преимущество по РП (колонка G).

6. Для определения полного вклада каждого элемента нужно сложить «сырое» преимущество и объединенное преимущество.

Оборачиваемость суммарных активов

Разбиение ОСА на составляющие элементы – процесс более сложный. Оборачиваемость активов представляет собой отношение, и для того, чтобы разбить этот показатель на аддитивные составляющие элементы, нужно оперировать обратными величинами. То есть, хотя ТОА + ООС ≠ ОСА, 1/ТОА + 1/ООС = 1/ОСА.

1. Рассчитываем обратное значение для каждого элемента ОСА (колонки B и C).

2. Для каждого компонента определяем различие в процентных пунктах (колонка D).

3. Рассчитываем относительную долю общего преимущества по ОСА, приходящуюся на каждый элемент (колонка E).

4. Рассчитываем чистое преимущество по ОСА (в %), умножая относительную долю каждого составляющего элемента на общее чистое преимущество по ОСА (колонка F).

5. Если нужно разделить на составляющие объединенное преимущество, умножаем относительную долю общего преимущества по ОСА для каждого элемента на общее объединенное преимущество по ОСА (колонка G).

6. Для определения полного вклада каждого элемента нужно сложить «сырое» преимущество и объединенное преимущество.

Декомпозицию на уровне II мы проиллюстрируем примером для случая 4, который достаточно сложен, чтобы можно было показать всю мощь нашего метода.

Таблица 44. Декомпозиция – уровень II

 

Приложение B. Библиография исследований успеха

Мы относим книгу к жанру так называемых исследований успеха, если в качестве главной зависимой переменной (или – переменных) фигурирует как минимум одна из трех величин, используемых для оценки эффективности корпораций: ФР, рост доходов (выручки) или совокупный доход акционеров (СДА). Попытки исследовать специфические формы поведения, например склонность к инновациям, управление человеческими ресурсами или эффективность основных операций, в которых используется метод сравнительного анализа конкретных ситуаций, мы не относим к исследованиям успеха, потому что компания может, скажем, активно внедрять новшества, не достигая при этом высокой рентабельности вследствие влияния других факторов.

Бесспорным лидером в этом жанре сегодня является Джим Коллинз. Четыре самые продаваемые книги, написанные либо им одним, либо в соавторстве – «Построенные навечно» (Built to Last), «От хорошего к великому» (Good to Great), «Как гибнут великие» (How the Mighty Fall) и «Великие по собственному выбору» (Great by Choice), – мы считаем заслуживающими самого серьезного внимания. С нашей стороны было бы ошибкой пытаться выполнить аналогичное исследование, не изучив максимально внимательно его выборки, методы и выводы. Другие авторы, мнения которых мы учитываем в своем метаанализе, были выбраны нами по одной или нескольким в основном субъективным причинам: или мы считали авторов авторитетными исследователями, или их книги имели большой коммерческий успех, или полученные ими результаты имели большой практический эффект. Мы считаем, что наш список, не будучи исчерпывающим, является все же достаточно представительным для данной области.

Подчеркнем еще раз: в главе 2 мы рассматриваем только вопросы выбора методик, и в частности составления выборки. Мы не утверждаем, что рекомендации, предлагаемые другими авторами, неправильные; однако мы ставим под сомнение принципы, на основании которых их можно объявлять правильными. Мы считаем, что в этой работе мы ставим важные вопросы и делаем важные выводы, но, конечно, читатели вправе не соглашаться с нами. Например, в книге «В поисках совершенства» Том Питерс отметил, что он и его соавтор Роберт Уотерман начинали с анализа 62 компаний, выбранных по рекомендациям партнеров McKinsey и «многих других умных людей», основанным на их впечатлениях от того, «кто крут» и «кто делает крутую работу». Затем они применили некоторый набор количественных показателей, после чего число компаний в списке сократилось с 62 до 43. Среди тех, кто не прошел этот второй тур, тогда оказалась компания General Electric, что, по мнению Питерса, «показывает, насколько “глупа” может быть простая интуиция и насколько “умны” могут быть хорошо продуманные системы показателей».

По словам Питерса, в ходе этой работы он понял, что правильный путь поиска тех, у кого можно многому научиться, – это доверять своим инстинктам, а затем проверять интуитивные выводы эмпирически. Такой подход, безусловно, заслуживает внимания, но самым важным моментом здесь является именно проверка интуитивных догадок. Метод исследований успеха подразумевает, что компании классифицируются как исключительные (выдающиеся) на основании критериев, которые считаются значимыми в данном исследовании. В книге «В поисках совершенства», как и во всех прочих исследованиях успеха, которые мы изучили, утверждается, что вы можете узнать нечто полезное, способное помочь вам сделать свою компанию лучше, – в соответствии с некоторой конкретной меркой корпоративной эффективности. Выборку можно формировать на основании любых критериев при условии, что затем она будет проверена. В противном случае можно утверждать лишь то, что любой желающий может узнать кое-что о том, как повысить эффективность работы в соответствии с критериями, которые использовались при составлении выборки.

Поскольку компании, упомянутые как выдающиеся в книге «В поисках совершенства», отбирались не по показателям ФР, роста доходов или СДА, предлагаемые в ней рекомендации подразумевают лишь то, что они позволят повысить вероятность того, что данную компанию можно будет идентифицировать как место, где умные люди делают классные штуки. Это тоже достойная цель, но она очень сильно отличается от цели достижения выдающейся рентабельности. Единственный способ выработки обоснованных заключений относительно того, каким образом можно достичь выдающейся рентабельности, состоит в том, чтобы связать подобные рекомендации с соответствующими доказательствами, полученными от компаний, которые сами достигли выдающейся рентабельности. В случае «В поисках совершенства» только одна компания имела исключительно высокую ФР, средняя вероятность наличия выдающейся ФР в выборке составляет 29 %, а средние оценки в баллах для роста выручки и СДА для всей выборки равны 5.

Возможно, Питерс и Уотерман действительно планировали найти совершенство, но нашли лишь посредственность. Просто они не знали об этом.

Другие работы в нашем списке являются исследованиями успеха только по смыслу. Например, в книге Мэтью Олсона и Дерека ван Бевера «Stall Points» рассматривается феномен разворота траекторий развития с восходящей на нисходящую. Здесь для каждого данного года t сравниваются темпы роста компании за 10 лет до него (t–10) и через 10 лет после него (t+10). Год, для которого значение x = t–10 – t+10 оказывается максимальным, считается годом изменения траектории развития. Затем авторы пытаются выявить различия в поведении компании между этими двумя периодами.

При этом, чтобы пережить такую потерю темпа, компания не обязательно должна иметь выдающиеся темпы роста: это может быть и переход от посредственного к ужасному или даже от ужасного к катастрофическому. Числовое значение x само по себе ничего не значило: требовалось только, чтобы оно было наибольшим числом в соответствующей последовательности. При обсуждении анализа моделей эффективности мы обратили внимание на то, что, как это имеет место и в отношении характеристик долговечности, для поиска точек перегиба необходимо использовать достаточно надежный статистический метод. Поскольку наибольший элемент можно найти в любом наборе неодинаковых чисел, метод, описанный в «Stall Points», не соответствует этому критерию.

В таблице в главе 2 мы приводим данные компаний, которые в «Stall Points» классифицируются как «непрерывно развивающиеся», то есть как компании, у которых не было точки перегиба на траектории роста. Авторы «Stall Points» прямо утверждают, что их рекомендации могут помочь компаниям избежать падения темпов роста, и применительно к их выборке это утверждение обоснованное. Однако ведь подразумевается (по крайней мере, мы подразумеваем), что постоянный рост на 0,1 % в год без перелома траектории сам по себе не является целью – целью является исключительный рост. Поэтому мы считаем, что имеет смысл проверить, обеспечивают ли непрерывно растущие компании из данной выборки действительно заметный рост за время своего существования. И действительно, 17 % компаний из их выборки имеют 9-балльные оценки по этому показателю. Но 83 % их выборки составляют компании с оценками ниже 9 баллов, а добрая четверть этой выборки «непрерывно растущих» компаний попадает в 25 % худших компаний из нашей базы данных.

Мы пытались быть столь же снисходительными при анализе выборок других авторов, исследования которых мы оценивали, включая только те компании, которые описывались в качестве образцов для подражания, и оценивая их выборки с учетом только тех данных, которые были доступны авторам в то время.

Ссылки на исследования успеха

Tom Peters and Robert Waterman. In Search of Excellence. HarperBusiness, 2004 (originally published 1982).

(Питерс Т., Уотерман Р. В поисках совершенства. Уроки самых успешных компаний Америки / Пер. с англ. М., 2011.)

Jim Collins and Jerry I. Porras. Built to Last. HarperBusiness, 2004 (originally published 1996).

(Коллинз Дж., Поррас Дж. Построенные навечно: успех компаний, обладающих видением / Пер. с англ. М., 2013.)

Mehrdad Baghai, Stephen Coley and David White. The Alchemy of Growth. Basic Books, 1999.

Jon Katzenbach. Peak Performance. Harvard Business Review Press, 2000.

Richard Foster and Sarah Kaplan. Creative Destruction. Crown Business, 2001.

(Фостер Р. Созидательное разрушение: почему компании, «построенные навечно», показывают не лучшие результаты и что надо сделать, чтобы поднять их эффективность / Пер. с англ. М., 2005.)

Jim Collins. Good to Great. HarperCollins, 2005 (originally published 2001).

(Коллинз Дж. От хорошего к великому: почему одни компании совершают прорыв, а другие нет / Пер. с англ. М., 2010.)

Chris Zook and James Allen. Profit from the Core. Harvard Business Press, 2001.

(Зук К., Аллен Дж. Стратегии роста компании в эпоху нестабильности / Пер. с англ. М., 2007.)

William Joyce and Nitin Nohria. What Really Works. HarperBusiness, 2004.

Alfred Marcus. Big Winners and Big Losers. FT Press, 2005.

David G. Thomson. Blueprint to a Billion. John Wiley & Sons, 2006.

Matthew S. Olson and Derek Van Bever. Stall Points. Yale University Press, 2008.

Keith R. McFarland. The Breakthrough Company. Crown Business, 2008.

Patrick Viguerie, Sven Smit and Mehrdad Baghai. The Granularity of Growth. John Wiley & Sons, 2008.

(Вигери П., Смит С., Багаи М. Рост бизнеса под увеличительным стеклом / Пер. с англ. М., 2009.)

Jim Collins. How the Mighty Fall. HarperCollins, 2009.

(Коллинз Дж. Как гибнут великие и почему некоторые компании никогда не сдаются / Пер. с англ. М., 2012.)

Paul Leinwand and Cesare Mainardi. Essential Advantage. Harvard Business Review Press, 2010.

Jim Collins and Morten T. Hansen. Great by Choice. HarperBusiness, 2011.

(Коллинз Дж., Хансен М. Великие по собственному выбору / Пер. с англ. М., 2013.)

Paul Nunes and Tim Breene. Jumping the S-Curve. Harvard Business Review Press, 2011.

Scott Keller and Colin Price. Beyond Performance. John Wiley & Sons, 2011.

(Келлер С., Прайс К. Больше, чем эффективность: как самые успешные компании сохраняют лидерство на рынке / Пер. с англ. М., 2014.)

Christian Stadler. Enduring Success. Stanford Business Books, 2011.

 

Приложение С. Идентификация выдающихся показателей

Наша основная мера эффективности – это фондорентабельность (ФР) в течение всего срока существования компании, но мы учитываем также рост выручки (доходов) и совокупный доход акционеров (СДА). Для оценки относительной эффективности компаний по каждому показателю мы используем статистические методы.

Фондорентабельность (ФР)

В рамках нашей аналогии с подбрасыванием монеты легко рассчитать вероятность достижения того или иного результата, потому что мы знаем вероятность каждого из двух возможных результатов каждого подбрасывания: при каждом подбрасывании вероятности выпадения орла и решки составляют по 50 %. А какова вероятность того, что случайно выбранная компания, имеющая в этом году оценку 4 балла, в следующем году будет иметь оценку 7 баллов? Чтобы иметь возможность отвечать на подобные вопросы, мы построили матрицу 10 × 10, в которую внесли наблюдаемые частоты всех вариантов изменения оценок компаний в следующем году по сравнению с предыдущим.

Перемещаясь по строке 1 в приведенной ниже таблице, мы увидим, что компании, которые имели оценку 0 баллов (по 10-балльной шкале) за 1-й год, с вероятностью 52,8 % заканчивают следующий год с той же оценкой. Вероятность получения оценки 1 балл составляет 18,2 % и так далее, вплоть до перехода к оценке 9 баллов, вероятность которого составляет 4,4 %. Очевидно, что чаще всего в следующем году компания получает ту же оценку, что и в предыдущем, причем у компаний с самыми высокими и самыми низкими оценками это проявляется особенно ярко.

Используя эти частотные вероятности, мы можем строить модели и определять вероятности любых заданных профилей рентабельности. Например, можно узнать вероятность получения пяти 5-балльных оценок на основании данных за семь лет, если в 1-й год компания имела оценку 7 баллов, или вероятность получения восьми 7-балльных оценок за 10 лет, если в 1-й год компания имела оценку 9 баллов. Однако такие расчеты имеют весьма ограниченное применение. Это совершенно аналогично расчету вероятности какого-либо конкретного числа последовательных выпадений орла при подбрасывании монеты. Каждый конкретный результат почти невероятен, но какой-то из них неизбежен. Конкретный результат имеет значение только тогда, когда он по своей природе является значимым для нас и при этом статистически неожиданным.

Таблица 45. Матрица изменений 10-балльных оценок (%)

Источники: Compustat; анализ Deloitte.

Посмотрим на эту проблему под другим углом: компания может однажды получить оценку 9 баллов просто потому, что ей повезло, выпал счастливый случай. Но если она один раз получила оценку 9 баллов, то высока вероятность получения ею 9 баллов и в следующем году, просто потому, что 9-балльные результаты чаще повторяются. И теперь, когда компания получила уже две 9-балльные оценки подряд, мы не сможем сказать, что это просто эхо удачи, которая имела место в первый год. Пусть в первый год просто повезло, но со временем воздействие этого «повезло» исчезает, и поэтому вероятность того, что 9-балльные оценки повторяются просто в силу остаточного воздействия первоначальной удачи, исчезающе мала. Действительно, вероятность получения только 9-балльных оценок в течение 11 лет наблюдений чрезвычайно мала. Но именно реализация такого маловероятного случая и позволяет отнести компанию к категории «чудотворцев».

При этом необходимо, однако, принимать во внимание общее число компаний, которые наблюдались в течение этих 11 лет. Если в нашей базе данных сотни, а тем более тысячи компаний, то вероятность получения одной или даже несколькими компаниями одиннадцати 9-балльных оценок подряд в результате повторений удачи в сочетании с инерцией от каждого предыдущего позитивного импульса возрастает. Например, выпадение орла 11 раз подряд при подбрасывании симметричной монеты весьма маловероятно, однако достаточно довести число участников такого эксперимента всего лишь (примерно) до двух тысяч человек, чтобы – почти наверняка – хотя бы один человек получил такой результат. Итак, при достаточном числе испытаний почти невероятные события становятся достаточно вероятными, и, объясняя их появление какими-либо причинно-следственными связями, легко получить «ложноположительное» заключение.

Используя матрицу изменений 9-балльных оценок (таблица 45), мы выполнили 1000 имитаций для всех реально существовавших компаний, начиная с их фактических 9-балльных оценок и отслеживая частоту появления 9-балльных годовых оценок у компаний с разным сроком существования. Для иллюстрации: наша тысяча имитаций показала, что вероятность случайного получения компанией с 11-летней историей пяти и более годовых 9-балльных оценок составляет всего 4,3 %. Итак, подобный исход маловероятен, и поэтому, если мы видим компанию с пятью или более 9-балльными оценками за 11 лет наблюдений, мы с достаточной уверенностью можем предположить, что компания действительно продемонстрировала исключительную рентабельность.

Однако в нашей совокупности имеется 856 компаний со сроком существования 11 лет. И даже если для какой-либо конкретной компании вероятность получения пяти или более 9-балльных оценок составляет менее 5 %, мы по-прежнему должны ожидать увидеть в этой совокупности 37 компаний с пятью и более годовыми 9-балльными оценками просто потому, что таких «11-летних» компаний в ней очень много.

В нашей популяции имеется 45 компаний с пятью и более годовыми 9-балльными оценками за 11 лет. То есть таких компаний оказалось больше, чем можно было ожидать, и мы можем с некоторой долей уверенности заключить, что как минимум некоторые из них (скорее всего, 8) на самом деле являются выдающимися. К сожалению, у нас нет никакой возможности узнать, какие именно 8. Самое лучшее, что мы можем сделать, – это выбрать наугад 8 компаний из всей группы в 45 компаний, и смириться с 82 %-й вероятностью (37 из 45), что мы выбрали компании, которым просто повезло, то есть с 82 %-й вероятностью «ложноположительного» результата.

Для уменьшения вероятности появления ложноположительных результатов мы можем поднять планку – потребовать наличия более длинного ряда 9-балльных оценок для того же срока наблюдений, чтобы вероятность ложноположительного результата снизилась до желательного уровня. Мы определяем, что для попадания в категорию «чудотворцев» компания должна иметь такую цепочку годовых 9-балльных оценок, чтобы вероятность случайного сочетания таких оценок составляла менее 10 % и при этом вероятность ложноположительного результата тоже должна составлять менее 10 %.

Поскольку мы работаем с годовыми 9-балльными оценками, мы можем сравнивать рентабельность любой компании с рентабельностью любой другой компании в данном году. Используя матрицу изменений 10-балльных оценок для определения вероятности заданного числа 9-балльных оценок (для «чудотворцев») или 6-, 7– и 8-балльных оценок (для «стайеров») в течение заданного срока наблюдений, мы можем сравнить вероятность достижения выдающейся рентабельности любой компанией с аналогичной вероятностью для любой другой компании независимо от года ее основания и срока существования.

Ни в одном из наших критериев нет ничего предначертанного свыше. Почему вероятность отбраковки составляет 10 %? Почему не 5 или не 15 %? Почему нужно выделять «чудотворцев» только по 9-балльным годовым оценкам? Ведь можно было бы считать «чудотворцами», например, компании с 8– и 9-балльными оценками при маловероятной частоте их получения.

Практически для любого подобного набора параметров мы можем лишь интуитивно оценить его разумность. Важно то, что наше определение используется в контексте строгого статистического анализа: любая компания, для которой число случаев соответствия всем установленным критериям превышает число случаев, вытекающее из теории вероятностей, может претендовать на звание выдающейся компании. Чтобы наше исследование было (как минимум – потенциально) полезным, достаточно, чтобы показатели рентабельности, которые мы определили, имели адекватную доверительную валидность. Вы сами должны оценить, соответствуют ли выбранные нами критерии рентабельности вашим субъективным представлениям о том, каков должен быть уровень рентабельности, к которому стоит стремиться. В определенной степени этот выбор объясняется также здравым смыслом: если сделать критерии чересчур строгими, может оказаться, что у нас вообще не останется компаний, подлежащих исследованию; а если они будут слишком мягкими, то и полученные выводы окажутся недостаточно обоснованными. В приведенной ниже таблице показано, в течение скольких лет компания должна получать заданную оценку в баллах (или оценки в заданном диапазоне баллов) при том или ином сроке существования, чтобы преодолеть пороговое значение 90 %-й вероятности.

В этих расчетах есть некоторые контринтуитивные аспекты, требующие дополнительного пояснения. Число лет, в течение которых компании необходимо получать целевые оценки в баллах (или оценки в целевом диапазоне баллов), не увеличивается монотонно с увеличением срока существования компании. Отметим, например, что если компания существует 20 лет, то для зачисления в «чудотворцы» она должна получить 12 годовых 9-балльных оценок, если компания существует 30 лет, то число необходимых 9-балльных оценок снижается до 10, а если она существует уже 45 лет, оно снова увеличивается до 16. Это связано с нашим методом коррекции проблемы ложноположительных результатов, а также так называемой систематической ошибки выжившего (survivor bias).

Таблица 46. Число целевых годовых оценок по 10-балльной шкале, необходимое для достижения статуса «чудотворца»

Источники: Compustat; анализ Deloitte.

Исходя из матрицы изменений 10-балльных оценок, для получения статуса «чудотворца» компании, данные по которой имеются за 35 лет, требуется больше годовых 9-балльных оценок, чем компании, данные по которой имеются за 20 лет; однако компаний с данными за 20 лет больше, чем компаний с данными за 35 лет, поэтому чтобы снизить вероятность получения ложноположительного результата до 10 %, нам необходимо «поднять планку» для компаний с данными за 20 лет.

Неожиданно большие значения для компаний с данными за 45 лет связаны со сравнительно большим числом таких компаний в нашей совокупности; многие из них возникли еще до 1966 г. (начало нашей базы данных) и все еще существовали в 2010 г. (конец нашей базы данных). Наши значения квантильной регрессии отражают как минимум некоторые воздействия выживаемости на ФР, но даже в этом случае если эти компании-долгожители имеют какие-то отличительные особенности, то, компенсируя большее число таких компаний ужесточением критериев, мы снижаем вероятность систематической ошибки выжившего.

СДА и рост выручки

Для выявления в статистическом смысле исключительных значений роста выручки и СДА требуется иной подход, поскольку при определении рентабельности компании в течение определенного периода необходимо учитывать кумулятивность: кумулятивный годовой рост от года 0 до года 2 зависит от показателей, достигнутых компанией и в 1-й год, и во 2-й год. Поэтому компания может продемонстрировать заоблачный относительный рост в течение 2-го года (например, рост на 50 %), даже если она вообще практически не росла в предыдущие два года (годы 0 и 1), и это означает, что ее рост в течение 2-го года рассчитывается на основании слишком малой базы. Исходя из этого, мы решили, что наш подход с использованием 10-балльных годовых оценок здесь неуместен. В самом деле, возьмем экстремальный пример: компания, у которой годы 50 %-го «усыхания» чередуются с годами 100 %-го роста при анализе половины данных, соответствующих бурному росту (согласно критериям выявления выдающейся рентабельности), будет характеризоваться очень быстрым ростом, хотя ее общий рост за этот период составит 0 %.

Вместо этого мы строили регрессионные модели отдельно для роста выручки и для СДА (на концептуальном уровне оба этих показателя анализируются одинаково). Эта регрессия позволяет прогнозировать рентабельность, которую данная компания «должна иметь» в данном году в зависимости от ее размеров, года, отрасли, срока существования и показателей за предыдущий год. В каждом конкретном году фактическая рентабельность компании обычно отклоняется от прогнозируемого значения и оказывается либо выше его (положительный остаток), либо ниже его (отрицательный остаток). Сумма этих остатков образует кумулятивный остаток компании, или «сырую» R-оценку.

Однако напрямую сравнивать «сырые» R-оценки мы не можем. Две компании, имеющие одинаковые годовые R-оценки, получат разные агрегированные оценки, если у них разные сроки существования: если R-оценки роста у компаний А и В составляют, скажем, 5 % в год, но компания А существует 15 лет, а компания В – 20 лет, то компания В будет иметь более высокую R-оценку просто в силу большей длительности ее существования, а не в силу более интенсивного роста. Для коррекции этого несоответствия мы используем моделирование, позволяющее определить ожидаемую R-оценку для компаний с разной длительностью наблюдений. Таким образом мы получаем «исправленные» R-оценки для всех компаний, уже сопоставимые между собой. Затем мы упорядочиваем эти исправленные R-оценки, ранжируя каждую компанию по СДА и росту выручки с учетом срока ее существования.

 

Приложение D. Анализ категорий, траекторий и эр

Мы приступили к этому проекту в начале 2007 г., и к тому времени у нас были данные до 2006 г. включительно. До середины 2008 г. мы разрабатывали методики и делали выборку. Изучение конкретных случаев заняло больше времени, чем ожидалось, и мы уверены, что кое-что из того, что мы сделали, до нас не делал еще никто.

Выводы мы смогли сформулировать только в начале 2011 г. Мы могли бы приложить усилия, чтобы тогда же и опубликовать свою работу, но сочли, что выводы, полученные на основании массива данных, включающего данные лишь до 2006 г., представленные в 2012 г., могли бы показаться уже неактуальными, особенно в свете очередной Великой депрессии. Мы хотели узнать, как дальше складывались дела у компаний, показатели которых мы исследовали, и поэтому обновили все свои расчеты, включив в них данные еще за четыре года (с 2007 по 2010 г. включительно).

Все наши «чудотворцы» при переквалификации с использованием тех же строгих критериев с вероятностью не менее 90 % попадали в ту же категорию; вероятность ошибочного отнесения к этой категории составляла менее 10 %. У компаний Abercrombie & Fitch, Thomas & Betts и Wrigley вероятность ошибочного попадания в ту же категорию немного повысилась, потому что как минимум год из этих дополнительных четырех лет они не получали оценки в 9 баллов, но при этом все оцениваемые параметры у них остались в заданных пределах.

«Стайерам» повезло меньше, но все же не настолько, чтобы мы могли определенно утверждать, что изменили свое мнение и включили бы их в более низкую категорию, если бы работали с данными по 2010 г. с самого начала. При составлении выборки в 2006 г. мы сделали некоторые исключения из наших правил отбора, прежде всего – в отношении отсекающей вероятности 10 % для ложноположительных результатов при поиске подходящих «стайеров» для наших «чудотворцев»: Finish Line, Werner, HMI и Hubbell – почти половина нашей выборки – не соответствовали этому критерию. Мы пошли на этот компромисс, потому что нам важно было обеспечить качественное сходство. И даже худшая из них, компания Finish Line, в отношении истинно положительных результатов все же продемонстрировала вероятность выше той, которая должна иметь место просто при подбрасывании монеты.

С учетом дополнительных данных результаты у Finish Line уступали случайным (для подбрасывания монеты), но лишь чуть-чуть. У Werner, HMI и Hubbell вероятности получения ложноположительного результата тоже увеличились, причем даже в абсолютном выражении, но не до уровня, соответствующего качественным изменениям. Вполне возможно, мы смогли бы найти несколько новых троек, поскольку для совокупности в целом мы предпочли бы сохранить вероятность получения ложноположительных результатов, возможно, несколько ближе к нашему значению отсечки 10 %. Мы не считаем, что эти смещения могли существенно повлиять на наши выводы, тем не менее приводим здесь соответствующие данные, чтобы вы могли сами оценить, так это или нет.

Мы также обновили свой анализ по периодам. Доверительные интервалы показывают, насколько мы уверены в том, что данный период относительной эффективности закончился. Поэтому чем выше значение доверительного интервала, тем либеральнее оцениваются периоды за пределами диапазона целевых 10-балльных оценок (перед объявлением об окончании периода).

В 2006 г., когда мы впервые подготовили свою выборку, мы охарактеризовали траектории наших выдающихся компаний с использованием 90 %-го доверительного интервала. После обновления анализа для наших компаний с учетом данных до 2010 г. траектории у некоторых из них для уровня доверия 90 % изменились. Но при использовании 99 %-го доверительного интервала ни у одной компании тип траектории не изменился, хотя в некоторых точках изменились параметры.

Например, при использовании 90 %-го доверительного интервала при добавлении к данным до 2006 г. данных за 2007–2010 гг. траектории у A&F and Heartland изменились, превратившись из траекторий удержания НЦКП в траектории ослабления НЦКП. Однако при использовании 99 %-го доверительного интервала обе компании сохранили устойчивую траекторию удержания НЦКП, оставшись в категории «чудотворцев» (нетривиальная особенность этого вида статистического анализа – возможность из будущего изменить прошлое: добавив еще несколько лет с 9-балльными оценками, обе компании можно снова вернуть на траектории удержания НЦКП даже с 90 %-м доверительным интервалом).

Таблица 47. Анализ категорий

Источники: Compustat; анализ Deloitte.

Таблица 48. Анализ траекторий

Источники: Compustat; анализ Deloitte.

Таблица 49. Анализ эр

Источник: анализ Deloitte.

Для выделения таких эр тоже использовался вероятностный метод, упомянутый в примечаниях в главе 2. При этом вероятности привязываются к годам, по которым мы идентифицируем эры. Поскольку это так называемый метод Байеса, мы считаем началом периода год, следующий за любым годом, для которого вероятность того, что это последний год (предыдущего) периода, превышает 50 %. Компании, в базе данных которых нет ни одного года, соответствующего этому критерию, имеют только одну эру абсолютной рентабельности.

Вот разбивка нашей полной совокупности выдающихся компаний по эрам и типам траекторий.

Таблица 50. Зависимости между эрами и траекториями

Источник: анализ Deloitte.

 

Приложение Е. Диаграммы изменений рентабельности

Рис. 3. Linear Technology («чудотворец»)

1. Годовые значения ФР (данные Compustat).

2. Изменение ФР для каждой эры абсолютной рентабельности. Эры выделяются с помощью метода, упомянутого в главе 2. Линии изменения рассчитывались с помощью метода наименьших квадратов (МНК).

3. Верхний контрольный предел (ВКП) для каждой эры абсолютной рентабельности. ВКП устанавливается на уровне +1,5 стандартного отклонения от ожидаемого значения для каждого годового значения ФР, определенного с помощью МНК-регрессии, используемой для построения линии изменения.

4. Нижний контрольный предел (НКП) для каждой эры абсолютной рентабельности НКП устанавливается на уровне –1,5 стандартного отклонения от ожидаемого значения для каждого годового значения ФР, определенного с помощью МНК-регрессии, используемой для построения линии изменения.

5. Годовые оценки по 10-балльной шкале отражают относительную рентабельность. Ежегодные абсолютные значения ФР преобразуются в оценки по 10-балльной шкале по методу, описанному в главе 2. Эти оценки можно сравнивать между собой во времени, по отрасли и между компаниями.

6. Выделены целевые оценки для каждой компании. У «чудотворцев» выделены все 9-балльные оценки, у «стайеров» выделены все 6-, 7– и 8-балльные оценки. У «середнячков» выделенные целевые оценки отсутствуют.

7. Полоса оценок относительной рентабельности, которые ниже целевых оценок по 10-балльной шкале для данной компании. Периоды относительной рентабельности выделяются с помощью метода, описанного в главе 2.

8. Полоса оценок относительной рентабельности, соответствующих целевым оценкам по 10-балльной шкале для данной компании. Периоды относительной рентабельности выделяются с помощью метода, описанного в главе 2.

9. Значения ФР. Для облегчения сравнения мы старались по возможности сохранять оси неизменными на всех этих диаграммах. На тех диаграммах, на которых диапазон пришлось изменить, чтобы захватить большие экстремальные значения, относительный масштаб был сохранен, так что наклон линий изменения (тренда) по-прежнему легко сравнивать.

10. Год. Для облегчения сравнения разбивка по этой оси одинаковая на всех этих диаграммах.

Условные обозначения, соответствующие этой сводке объяснений, повторяются на всех диаграммах.

Рис. 4. Micropac Industries («стайер»)

Рис. 5. International Rectifier («середнячок»)

Краткая сводка данных для тройки производителей полупроводников

Полупроводники

Источники: Compustat; анализ Deloitte.

Рис. 6. Medtronic («чудотворец»). Медицинское оборудование

Рис. 7. Stryker («стайер»). Медицинское оборудование

Рис. 8. Invacare («середнячок»). Медицинское оборудование

Краткая сводка данных для тройки производителей медицинского оборудования

Медицинское оборудование

Источники: Compustat; анализ Deloitte.

Рис. 9. Thomas & Betts («чудотворец»). Электропроводка

Рис. 10. Hubbell («стайер»). Электропроводка

Рис. 11. Emrise («середнячок»). Электропроводка

Краткая сводка данных для тройки производителей электропроводки

Электропроводка

Источники: Compustat; анализ Deloitte.

Рис. 12. Abercrombie & Fitch («чудотворец»). Одежда для семьи

Рис. 13. Finish Line («стайер»). Одежда для семьи

Рис. 14. Syms («середнячок»). Одежда для семьи

Краткая сводка данных для тройки розничных продавцов одежды

Одежда для семьи

Источники: Compustat; анализ Deloitte.

Рис. 15. Wm. Wrigley Jr. Company («чудотворец»). Кондитерские изделия

Рис. 16. Tootsie Roll Industries («стайер»). Кондитерские изделия

Рис. 17. Rocky Mountain Chocolate Factory («стайер»). Кондитерские изделия

Краткая сводка данных для тройки производителей кондитерских изделий

Кондитерские изделия

Источники: Compustat; анализ Deloitte.

Рис. 18. Weis Markets («чудотворец»). Продовольственные товары

Рис. 19. Publix Supermarkets («стайер»). Продовольственные товары

Рис. 20. Whole Foods Markets («середнячок»). Продовольственные товары

Краткая сводка данных для тройки продавцов продовольственных товаров

Продовольственные товары

Источники: Compustat; анализ Deloitte.

Рис. 21. Merck & Co. («чудотворец»). Фармацевтика

Рис. 22. Eli Lilly & Co. («стайер»). Фармацевтика

Рис. 23. KV Pharmaceutical («середнячок»). Фармацевтика

Краткая сводка данных для тройки фармацевтических компаний

Фармацевтика

Источники: Compustat; анализ Deloitte.

Рис. 24. Heartland Express («чудотворец»). Автомобильные грузоперевозки

Рис. 25. Werner Enterprises («стайер»). Автомобильные грузоперевозки

Рис. 26. P.A.M. Transportation Services («середнячок»). Автомобильные грузоперевозки

Краткая сводка данных для тройки грузоперевозчиков. Автомобильные грузоперевозки

Источники: Compustat; анализ Deloitte.

Рис. 27. Maytag («чудотворец»). Бытовая техника

Рис. 28. HMI Industries («стайер»). Бытовая техника

Рис. 29. Whirlpool («середнячок»). Бытовая техника

Краткая сводка данных для тройки производителей бытовой техники

Бытовая техника

 

Приложение F. Анализ согласованности

Поскольку в качестве переменной для оценки эффективности мы используем годовые значения ФР, при анализе любого промежутка времени более одного года как единого, недифференцированного промежутка возникает риск маскировки существенных годовых колебаний. Периоды и эры, которые мы используем для идентификации релевантных различий в поведении, были бы чрезвычайно зыбкой основой, если бы имели место сильные колебания наших независимых переменных (РП и ОСА как составляющих преимущества по ФР за определенные промежутки времени), которые мы сопоставляем с относительно плавно меняющимися или вообще неизменными различиями в поведении в течение тех же периодов времени.

Чтобы избежать этого, мы проанализировали динамику изменений составляющих элементов преимущества по ФР для каждого из наших попарных сравнений за соответствующие периоды времени. В приведенных ниже таблицах приводятся процентные доли от общего числа наблюдений по всей выборке для каждой сравниваемой пары, которые соответствуют общим цифрам за весь рассматриваемый период.

Например, если мы посмотрим на обобщенную статистику для «чудотворцев» и «стайеров» по всем девяти сравнениям, мы увидим, что в среднем в течение 87 % времени преимущество по годовой валовой прибыли имело тот же знак, что и преимущество по валовой прибыли за весь период сравнения «чудотворцев» со «стайерами». Если рассматривать отдельно периоды относительно высокой рентабельности, это значение возрастает до 90 %, а в периоды относительно низкой рентабельности оно уменьшается до 81 %. Медианное значение в целом и в периоды относительно высокой рентабельности составляет 100 %, то есть это максимальное значение, которое может иметь наш параметр соответствия, и это означает, что не менее половины всего времени имеет место идеальное соответствие между знаком годового значения и средним значением за период.

Рассматривая конкретные попарные сравнения, например Linear Technology с Micropac Industries, мы видим, что средний процент преимущества по ФР, обусловленного преимуществом по валовой прибыли, равен 25,7 %, медианное значение равно 25 %, межквартильный размах (МКР) равен 9,7 %, а соответствие составляет 100 %.

Ниже приведены обобщенные статистические данные для всех трех типов попарных сравнений и для всех 27 попарных сравнений, так что вы сами сможете решить, является ли разброс элементов преимущества за периоды времени, выявленный с помощью наших статистических методов, достаточно малым, чтобы оправдать наши поиски устойчивых различий в поведении за те же периоды.

Обобщенный уровень: попарные сравнения для всей выборки

Обобщенные статистические данные для выборки

«Чудотворцы» и «стайеры»

«Чудотворцы» и «середнячки»

«Стайеры» и «середнячки»

Обобщенная статистика для всех попарных сравнений

Полупроводники

Linear Technology – Micropac Industries

Linear Technology – International Rectifier

Micropac Industries – International Rectifier

Медицинское оборудование

Medtronic – Stryker

Medtronic – Invacare

Stryker – Invacare

Электропроводка

Thomas & Betts – Hubbell

Thomas & Betts – Emrise

Hubbell – Emrise

Одежда

Abercrombie & Fitch – Finish Line

Abercrombie & Fitch – Syms

Finish Line – Syms

Кондитерские изделия

Wm. Wrigley Jr. Company – Tootsie Roll Industries

Wm. Wrigley Jr. Company – Rocky Mountain Chocolate Factory

Tootsie Roll Industries – Rocky Mountain Chocolate Factory

Продовольственные товары

Weis Markets – Publix Super Markets

Weis Markets – Whole Foods Market

Publix Super Markets – Whole Foods Market

Фармацевтика

Merck & Co. – Eli Lilly & Co.

Merck & Co. – KV Pharmaceutical

Eli Lilly & Co. – KV Pharmaceutical

Автомобильные грузоперевозки

Heartland Express – Werner Enterprises

Heartland Express – P.A.M. Transportation Services

Werner Enterprises – P.A.M. Transportation Services

Бытовая техника

Maytag – HMI Industries

Maytag – Whirlpool

HMI Industries – Whirlpool

 

Приложение G. Статистический анализ малых выборок

Многие из нас знакомы с тем, что иногда называют «поваренной книгой статистики»: это нормальное распределение, среднее значение и стандартное отклонение, t-тесты на значимость. В нашем анализе эти методы редко оказывались полезными. В своей крупномасштабной работе для учета особенностей ФР и природы явлений, которые мы пытались оценить количественно, мы использовали ряд непараметрических методов, таких как квантильная регрессия и локально-линейная (LOESS) регрессия.

Поскольку размер массива данных для исследования конкретных компаний у нас гораздо меньше, нам пришлось использовать другие методы, что отразилось на надежности выводов, которые мы сделали из этого анализа.

Чтобы вам было легче понять наш подход к этой проблеме, ниже мы приводим в сокращенном виде таблицу 6 из главы 3, в которой оценивается вероятность связи между относительной конкурентной позицией и относительной рентабельностью в наших выборках с использованием попарных сравнений (в таблице 6 мы рассматриваем наши тройки как целое, и поэтому в каждой из них одна компания занимает «промежуточную» конкурентную позицию; при попарных сравнениях можно сравнивать только ценовые и неценовые позиции).

При сравнении «чудотворцев» с «середнячками» легко видеть, что семь «чудотворцев» имеют неценовую конкурентную позицию, и два имеют ценовую позицию. В каждом случае между «чудотворцами» и «середнячками» имеются определенные различия.

Эта выборка из 9 попарных сравнений составляет 5,2 % от нашей группы из 174 «чудотворцев», и возможные ложноотрицательные результаты здесь не учитываются. Если бы наша выборка была абсолютно репрезентативной по отношению к нашей группе в целом, мы могли бы с полным основанием сделать вывод, что «чудотворцы» имеют неценовые конкурентные позиции относительно «середнячков» в течение 78 % рассматриваемого времени, то есть в подавляющем большинстве случаев, и это убедительно доказывало бы наличие сильной связи между выдающейся рентабельностью и неценовыми конкурентными позициями.

Таблица 51. Относительные конкурентные позиции при попарном сравнении

Источник: анализ, выполненный авторами.

При ссылках на нашу «группу» из «чудотворцев» и «стайеров» мы игнорируем проблему возможных ложноотрицательных результатов.

Однако наша выборка, скорее всего, не вполне репрезентативна, прежде всего – из-за ее небольшого размера. Получить экстремальный результат в небольшой выборке гораздо легче, чем в большой. В обычном случае можно было бы рассчитать доверительный интервал для нашей оценки 78 %, но для малых выборок этот метод непригоден. Вместо этого мы намереваемся проверить вероятность того, что наша выборка могла быть получена из распределения, в котором равновероятными являются три возможных результата. Так, если мы предположим, что компания-«чудотворец» с одинаковой вероятностью может иметь неценовую, ценовую и такую же относительную конкурентную позицию, как и «середнячок», мы сможем оценить вероятность получения выборки, которую мы фактически получили.

Если использовать аналогию, это можно уподобить оценке вероятности того, что монета действительно симметрична, по результатам определенного числа бросков. Если предполагается, что монета симметрична, и если из 10 бросаний выпадает 6 орлов, то вероятность несимметричности монеты с повышением частоты выпадения орлов равна вероятности выпадения 6 и более орлов из 10 бросаний, то есть 38 %. На этом этапе оценка становится субъективной. Означает ли это, что вероятность того, что монета симметрична, составляет только 38 %? Или это означает, что монета, вероятно, симметрична? Если бы это было возможно, вы собрали бы больше данных. Если вы не можете собрать больше данных, необходимо сделать вывод на основании имеющихся данных или вообще воздержаться от выводов.

При тестировании моделей со множеством ячеек, как в приведенной выше таблице, обычно ищут значимую кластеризацию в таблицах сопряженности признаков с помощью так называемой статистики хи-квадрат. Однако для малых выборок (например, когда N < 30) и для случаев, когда ожидаемое число ячеек меньше 5 более чем для 20 % ячеек, этот метод непригоден. Например, если у нас 9 компаний в столбце или строке, то следует ожидать, что число компаний в каждой ячейке будет равно 9/3, что меньше 5.

С учетом этого мы продолжим аналогию с моделированием. Предположим, что мы бросаем гипотетическую «симметричную» трехстороннюю монету k раз, где k – число компаний в строке или столбце. Затем мы оцениваем вероятность попадания m или более смоделированных компаний в одну и ту же ячейку. Мы повторяем этот процесс 10 миллионов раз, вычисляя процент времени, в течение которого m или более моделируемых компаний из k попадают в одну ячейку.

Таким образом, на самом деле мы проверяем, можно ли ожидать, что не меньше чем m компаний из k могут собраться вместе в любой из трех ячеек в строке (или столбце) случайным образом. Итак, приведенные выше значения в % – это вероятности того, что наблюдаемая кластеризация не является случайной («случайной» означает, что все фирмы имеют одинаковую вероятность [p = ⅓] попадания в каждую ячейку). Однако мы не утверждаем, что вся группа выглядит как наша выборка. Скорее мы утверждаем, что судя по нашей выборке, чтобы сделать выгодное вложение, нужно учитывать наличие систематических связей между относительной конкурентной позицией и результатами попарных сравнений.

Так, если у «чудотворцев» при сравнениях со «стайерами» неценовая конкурентная позиция обнаруживается в 6 раз чаще, чем ценовая, то мы не утверждаем, что так обстоят дела и во всей группе. Но мы утверждаем, что вероятность появления соотношения 6:1 в совокупности с равномерным распределением взаимоисключающих вариантов очень мала, и поэтому «чудотворцы» с большей вероятностью должны иметь неценовые конкурентные позиции, нежели ценовые. Это как если бы мы тестировали монету в предположении, что она симметрична, а у нас в семи бросаниях выпало шесть орлов. Вероятность того, что наша «монета» не смещена в сторону неценовой конкурентной позиции, при этом составляет 1,6 %. Мы не можем с уверенностью сказать, что она не имеет такого смещения, но не стали бы держать пари против этого.

 

Приложение Н. Изменения конкурентной позиции и изменения рентабельности

При исследованиях регрессии (см. главу 3) использовался обычный метод наименьших квадратов (МНК). Как правило, поскольку наши независимые и зависимые переменные – это трехкатегорийные дискретные переменные, можно было бы использовать упорядоченную пробит-модель, так как мы пытаемся оценить вероятность попадания в одну из трех заданных категорий для зависимой переменной (изменение эффективности: негативное, без изменений, позитивное).

Однако для такого анализа необходимо, чтобы каждая независимая переменная имела дисперсию для каждого состояния зависимой переменной. Здесь, к сожалению, «Изменение позиции» = 0 в каждом из пяти примеров, в которых «Изменение эффективности» = 0. В такой ситуации можно получить весьма неточные оценки коэффициентов регрессии и среднеквадратической ошибки.

Для сравнения – МНК позволяет обрабатывать такие данные. При переходе на МНК мы проигрываем в эффективности, поскольку зависимая переменная (изменение эффективности) не непрерывна, а категоризована. Однако предпочтительнее все же использовать этот более консервативный метод, чем получить смещенные оценки с помощью упорядоченного пробит-метода.

Для каждой из наших 18 выдающихся компаний мы можем охарактеризовать связь между изменением (или его отсутствием) для каждой категории эффективности и стратегической позицией. Здесь рассматриваются три зависимости. Во-первых, «стайеры» с большей вероятностью страдают от спадов, независимо от изменений позиции. Во-вторых, компании с неценовой конкурентной позицией с большей вероятностью работают с большей эффективностью, независимо от категории.

Однако наиболее важным и наиболее статистически значимым является третье эмпирическое заключение: смещение конкурентной позиции в сторону неценовой конкурентной позиции связано с последующим повышением рентабельности, а смещение конкурентной позиции в сторону ценовой конкурентной позиции связано с последующим снижением рентабельности.

Ниже приводятся детали регрессионного анализа, упомянутого в главе 3.

Таблица 52. Сводка данных

Регрессия 1. Stryker и Publix: обработка данных об изменениях рентабельности

Регрессия 2. Stryker и Publix: обработка данных без учета изменений рентабельности

 

Приложение I. Структура преимущества по рентабельности

Построив регрессии различий в показателях валовой прибыли, «других расходов» и оборачиваемости активов и различий в ФР по данным для каждой компании за каждый год (фирмо-год) по сравнению со среднеотраслевыми значениями, мы можем проверить наличие связи между преимуществом по ФР и влияющими на него факторами вне зависимости от формальных связей между ними.

Результаты квантильной регрессии, представленные ниже, в обобщенном виде приведены в главе 4. Параметры основных воздействий валовой прибыли, «других расходов» и оборачиваемости активов позволяют определить степень трансформации «середнячками» каждого дополнительного процентного пункта преимущества по валовой прибыли (по сравнению со среднеотраслевым значением) в дополнительные процентные пункты преимущества по ФР. Коэффициент 0,32 для валовой прибыли означает, что для каждого дополнительного процентного пункта преимущества по валовой прибыли «середнячок» может ожидать 0,32 п.п. преимущества по ФР.

Основные воздействия для «чудотворцев» и «стайеров» означают, что эти компании могут рассчитывать на то, что преимущества по ФР по сравнению со среднеотраслевыми значениями у них будут больше, чем у «середнячков» соответственно на 4,82 и 1,92 п.п. (напомним, однако, что в среднем преимущество над среднеотраслевыми значениями ФР у «середнячков» обычно составляет 0 п.п., поэтому основные эффекты для «чудотворцев» и «стайеров» фактически соответствуют их преимуществам над «середнячками». Аналогично, у «середнячков» преимущество в оборачиваемости активов в один «полный оборот» обычно связано с уменьшением преимущества по ФР на 1,56 п.п., в то время как увеличение преимущества по «другим расходам» на 1 п.п. дает им дополнительно 0,27 п.п. преимущества по ФР (знак «–» обусловлен особенностями построения модели, но интерпретация должна быть такой, как описано выше). Эти параметры отражают «КПД» трансформации каждого типа преимущества для данного фактора в преимущество в рентабельности.

Параметры для эффектов взаимодействия поэлементно отражают «КПД» преобразования преимуществ по валовой прибыли, «другим расходам» и оборачиваемости активов в преимущество по ФР «чудотворцами» и «стайерами». Добавление параметров учета эффектов взаимодействия к основному эффекту позволяет получить суммарный эффект для каждой категории эффективности.

Описательная статистика, представленная ниже, показывает диапазон изменения каждого из этих факторов, что указывает на возможность определения значимых преимуществ по ФР, обусловленных изменениями того или иного фактора. Распределения получаются несколько громоздкими, поэтому межквартильный размах (Q3–Q1 в приведенной ниже таблице), по-видимому, является лучшей поточечной оценкой изменчивости для каждого фактора.

Эти распределения также показывают, что преимущества по валовой прибыли у «чудотворцев» встречаются чаще, чем у «стайеров», и что «чудотворцы» чаще, чем «стайеры», мирятся с отставаниями по расходным статьям. Это согласуется с результатами исследований конкретных случаев; в частности, мы видим, что «чудотворцы» Heartland и А&F достигают исключительно высоких значений валовой прибыли за счет увеличения расходных статей.

Согласованность результатов крупномасштабного статистического анализа и подробного анализа конкретных случаев позволяет нам с большой долей уверенности заключить, что для достижения преимущества по рентабельности «чудотворцы» в целом полагаются на валовую прибыль и что они достигают больших значений валовой прибыли, потому что ради этого идут на увеличение расходов. Иными словами, справедливость трех наших правил подтверждается не только результатами исследований конкретных случаев, но и результатами исследований структуры преимуществ по рентабельности, наблюдаемой в нашей группе выдающихся компаний.

Таблица 53. Квантильная регрессия для структуры преимуществ по рентабельности

Источник: анализ, выполненный авторами.

Таблица 54. Описательная статистика

Примечание. Структура регрессии такова, что положительное значение в графе «Другие расходы» означает отставание по расходам.

 

Приложение J. Различия в поведении при попарном сравнении

Чтобы облегчить анализ различий в поведении при попарных сравнениях (в парах и между парами), мы построили несколько таблиц, в которых показатель поведения обозначается как 0, если две компании демонстрируют одинаковую активность по данному аспекту поведения, как 1, если первая компания в паре более активна, и как –1, если она менее активна по данному аспекту поведения.

Эти аспекты поведения можно характеризовать многими различными, но при этом одинаково корректными способами. Например, при оценке слияний и поглощений (M&A) мы использовали только число сделок, совершенных за период сравнения. При таком подходе размеры сделок игнорируются: например, пять сделок, на которые приходится 10 % доходов компании, обеспечат ей большую интенсивность слияний и поглощений, чем у компании, у которой на две сделки приходится 50 % доходов. Можно попытаться ввести весовую дифференциацию, но, в конце концов, любой выбор имеет свои плюсы и минусы, и выбрать однозначно лучший вариант, скорее всего, невозможно.

И мы все-таки опираемся на этот довольно поверхностный анализ, который, однако, обеспечивает легкодоступный формат данных, что позволяет нам сформулировать третье правило, гласящее, что других правил нет. (Отсутствие значения в клетке таблицы означает, что мы не смогли прийти к выводу относительно значимого сходства или различия.)

Таблица 55. Различия в формах поведения

Источник: анализ, выполненный авторами.