Пупенцова Светлана Валентиновна, кандидат экономических наук, доцент, доцент Высшей школы производственного менеджмента
Санкт-Петербург
Scopus ID: 57202894580
Researcher ID: S-1087-2016
Svetlana V. Pupentsova, Candidate of Economic Sciences, Associate Professor, Associate Professor of the Graduate School of Industrial Management
St. Petersburg
Scopus ID: 57202894580
Researcher ID: S-1087-2016
Измайлов Максим Кириллович, кандидат экономических наук, доцент, доцент Высшей школы производственного менеджмента
Санкт-Петербург
Scopus ID: 57208470615
Researcher ID: AAO-3701-2021
Maxim K. Izmaylov, Candidate of Economic Sciences, Associate Professor, Associate Professor of the Graduate School of Industrial Management
St. Petersburg
Scopus ID: 57208470615
Researcher ID: AAO-3701-2021
Цель. Разработка адаптированного подхода к применению моделей CAPM и WACC в условиях российской экономики с учетом санкционных ограничений, волатильности кредитных ставок и отраслевой специфики.
Методы. Сравнительный анализ четырех техник расчета: классической методики А. Дамодарана с поправками, гибридного подхода (синтез данных сайта Damodaran и МосБиржи), метода на основе российских биржевых индексов и модификации Fernández. Исследование опиралось на статистические данные Московской биржи, аудиторские отчеты TestFirm, показатели Центробанка России.
Результаты работы. Авторами получены диапазоны норм отдачи на инвестированный капитал по отраслям по состоянию на 31.12.2025: 17,11–21,16% для нефтегазовой отрасли, 16,65–19,78% для электроэнергетики, 16,54–21,7% для металлургии, 17,23 20,53% для строительства, 15,06–21% для финансовой сферы. В работе выполнен теоретический анализ чувствительности WACC к изменению стоимости заемного капитала: при увеличении стоимости долга на 8,71% теоретическое изменение нормы отдачи на инвестированный капитал составляет 4,3% для строительства (при доле заемного капитала 66%) и 2,2% для телекоммуникаций (при доле заемного капитала 33%). Это демонстрирует значимую отраслевую дифференциацию за счет эффекта налогового щита и различий в структуре капитала. Предложен алгоритм замены критических параметров для моделей: переход на ОФЗ как без рисковый актив, расчет премии за риск через отраслевые индексы, использование β = 1 при низкой детерминации регрессий.
Выводы. Подтверждена сопоставимость рассматриваемых подходов и возможность их совместного использования для построения диапазонных оценок норм отдачи на капитал в пределах выборки. Тест Фридмана не выявил значимых различий между четырьмя методиками (χ² = 7,2; p = 0,066), что свидетельствует об их сопоставимости. Перспективы исследования связаны с созданием национальной базы финансовых параметров и интеграцией машинного обучения для динамической калибровки моделей.
Purpose: to develop an adapted approach to the application of CAPM and WACC models in the Russian economy, taking into account sanctions restrictions, volatility of credit rates, and industry specifics.
Methods: the article utilizes comparative analysis of four calculation techniques: the classical method of A. Damodaran with adjustments, a hybrid approach (synthesis of data from the Damodaran and Moscow Exchange websites), a method based on Russian stock indices, and a modification by Fernández. The study relied on statistical data from the Moscow Exchange, TestFirm audit reports, and indicators from the Central Bank of Russia.
Results: the authors have obtained the ranges of return rates on invested capital by industry as of December 31, 2025: 17.11–21.16% for the oil and gas industry, 16.65–19.78% for the electric power industry, 16.54–21.7% for the metallurgical industry, 17.23–20.53% for the construction industry, and 15.06–21% for the financial sector. A theoretical sensitivity analysis of WACC to changes in the cost of debt is performed: an increase in the cost of debt by 8.71% leads to a theoretical change in the return on invested capital of 4.3% for construction (with a debt share of 66%) and 2.2% for telecommunications (with a debt share of 33%), demonstrating significant sectoral differentiation due to the tax shield effect and differences in capital structure. The authors propose an algorithm for replacing critical parameters in models: switching to OFzs as a risk-free asset, calculating the risk premium using industry indices, and using β = 1 in cases of low regression determination.
Conclusions and Relevance: the comparability of the approaches under consideration and the possibility of their joint use for constructing range estimates of the return on capital within the sample have been confirmed. The Friedman test revealed no significant differences between the four methods (χ² = 7.2; p = 0.066), indicating their comparability. Prospects for further research include the creation of a national database of financial parameters and the integration of machine learning for dynamic model calibration.
The authors declare that there are no conflicts of interest present.