The Influence of Intellectual Capital on Firm Performance Among Slovak SMEs  

Anna Pilková, Jana Volná, Ján Papula and Marián Holienka Faculty of Management, Comenius University, Bratislava, Slovak Republic anna.pilkova@fm.uniba.sk jana.volna@fm.uniba.sk jan.papula@fm.uniba.sk marian.holienka@fm.uniba.sk 

Abstract: Intellectual capital, which incorporates skills and knowledge at all levels of an organization, has become the most important  economic  resource  and  is  replacing  financial  and physical  capitals  as  the most  important  capital  in  the new economy. Uniqueness, and hence the possibility of a longer validity of chosen competitive strategy lies within the internal environment of the organization, not external. The ability to identify opportunities does not make the competitive ability long‐term, or even sustainable. Sustainability is built and affected by the ability of a company to set up correctly its internal resources, not only  tangible but  intangible as well, with a  focus on maximizing  the creation of value added  in  the value chain.  In relation with this view, the explanation why some companies have  long been successful, while others  fail, may just be answered through the analysis of their resources and capabilities. Issue of  intellectual capital and  its  influence on firm  performance  is  still  under  investigated  among  SMEs  in  Slovakia.  Positive  influence  of  intellectual  capital  on  firm performance has been proved  in numerous studies around the world, but the empirical evidence  in case of Slovak SMEs has not yet been provided. In these studies, to measure the  level of  intellectual capital and  its respective components  in SMEs,  value  added  intellectual  coefficient  (VAIC™),  as  developed  by  Ante  Pulic,  providing  the  information  about  the efficiency of tangible and intangible assets that can be used to generate value to a firm, is being applied.  

Keywords: intellectual capital, firm performance, VAIC™, SMEs, forward stepwise regression analysis 

1. Introduction

According  to  the  resource‐based  view on  the organization,  the  sustainable  competitive  advantage  is being achieved by continuous development of existing and by creating of new company’s’ resources and capabilities in  response  to  quickly  changing  market  conditions.  The  main  sources  of  a  company,  which  have  been developed in terms of today’s economy, are intangible resources, also referred to as the intellectual capital of the company. Intellectual capital, which incorporates skills and knowledge at all levels of an organization, has become  the most  important economic  resource  that  is  replacing  financial and physical capitals as  the most important  source  in  the  new  economy.  The  growing  awareness  and  acceptance  of  the  importance  of intellectual capital as a source of competitive advantage has led to the need for an acceptable measurement model,  given  that  traditional  financial  tools  do  not  address  the  necessary  concepts  of  intellectual  capital (Volkov 2012). The value added intellectual coefficient (VAIC™), method developed by Ante Pulic (Pulic 2004), uses  financial  statements of a firm  to  calculate  the efficiency  coefficient on  three  types of  capital – human capital, structural capital and capital employed. This measure, however being criticized by some authors, is the most frequent metric used to evaluate intellectual capital and its components using financial data. Due using information  from accounting statements as a basis, VAIC™  is a suitable method when providing analyses of human capital efficiency, structural capital efficiency, capital employed efficiency and firm performance on a macro level due better comparability between companies, sectors or nations.  

2. Intellectual capital and its influence on firm performance

Intellectual capital, defined as any knowledge convertible into value (Edvinsson 1997), brings the right schema for presenting qualities and potentials  for company stakeholders. There are several views at the breakdown structure of  intellectual capital model presented  in  literature, usually consisting of  three main components: human capital, structural capital (also labeled as internal or organizational capital) and relational capital (also labeled as external capital) including customer relationship component (Edvinsson 1997, Sveiby 1997, Stewart 1998, MERITUM  2002,  Bontis  2002, Mouritsen  et  al  2002,  Pablos  2003).  To  define  every  component  of intellectual  capital  independently,  human  capital  can  be  described  as  combinations  of  knowledge,  skills, innovativeness and ability of the company’s  individual employees  (Edvinsson and Malone 1997). The human capital  cannot be owned;  it  can only be  rented  (Edvinsson 1997). The  structural  capital  consists of  internal structure, which includes patents, concepts, models, computer, and administrative systems. Popular is defining the structural capital as knowledge that does not go home at night (Stewart 1998), or what left behind when 

329Pilková, A. - Papula, J. - Volná, J. – Holienka, M. (2013) “The influence of intellectual capital on firm performance among Slovak SMEs“, Proceedings of the 10th International Conference on Intellectual Capital, Knowledge Management and Organisational Learning. Reading: Academic Conferences and Publishing International Limited. ISBN 978-1-909507-80-7. pp. 329-338

 Anna Pilková et al. 

the staff went home (Edvinsson 1997). The third category of intellectual capital resources comprises external structure, customer capital and market assets, which are basically about relations with customers (Bukh et al. 2001).  Positive  influence of  intellectual capital on  firm performance has been discussed and analyzed  in numerous studies around the world (Chen et al. 2005, Mavridis and Kyrmizoglou 2005, Clarke et al. 2011, Komnenic and Pokrajčić 2012, Alipour 2012, Mondal and Ghosh 2012, Joshi et al. 2013). Uniqueness, and hence the possibility of a  longer validity of chosen competitive strategy of a company  lies within the  internal environment of the organization, not external. The ability  to  identify opportunities does not make  the  competitive ability  long‐term, or even sustainable. Sustainability is built and affected by the ability of a company to set up correctly its internal resources, not only tangible but  intangible as well, with a focus on maximizing the creation of value added  in  the  value  chain.  In  relation with  this  view,  the explanation why  some  companies have  long been successful, while others  fail, may  just be answered  through  the analysis of  their  resources and  capabilities. Figure  1  shows  the  process  of  influence  of  intellectual  capital  components  on  firm  performance  through financial  and  non‐financial  results  as  they  are  drafted within  ARCS model  for  Intellectual  Capital  Repoting (Koch et al. 2000). 

 

Figure 1: Process of  influence of  intellectual capital components on  firm performance  through  financial and non‐financial results as drafted within ARCS model for intellectual capital Repoting (Koch et al. 2000) 

3. Measurement of intellectual capital 

Because traditional  financial and management accounting  instruments are not able to capture all aspects of intellectual capital and report them to organizational managers and stakeholders, there is a high demand for an  appropriate  corporate  reporting  structure  (Nazari  and  Herremans  2007).  Over  the  past  years,  several methods have been developed to measure the intellectual capital of an organization. Karl Eric Sveiby presents an excellent summary of 42 existing measurement methods (Sveiby 2005). According to Sveiby, the suggested measuring methods for intellectual capital fall into four main categories:  1. Direct (DIC), which estimate the monetary value of intangible assets by identifying its various components. Once these components are identified, they can be directly evaluated, either individually or as an aggregated coefficient. 2. Scorecard (SC), through which various components of intangible assets or intellectual capital are identified and  indicators and  indices are generated and reported  in scorecards or as graphs. SC methods are similar to DIC methods; expect that no estimation is made of the monetary value of the Intangible assets. A composite index may or may not be produced. 3.  Market  capitalization  (MCM),  which  basically  calculate  the  difference  between  a  company's  market capitalization and its stockholders' equity as the value of its intellectual capital or intangible assets. 4. Return on assets (ROA), where average pre‐tax earnings of a company for a period of time are divided by the average tangible assets of the company. The result is a company ROA that is then compared with its industry average. The difference is multiplied by the company's average tangible assets to calculate an average annual 

 330

Pilková, A. - Papula, J. - Volná, J. – Holienka, M. (2013) “The influence of intellectual capital on firm performance among Slovak SMEs“, Proceedings of the 10th International Conference on Intellectual Capital, Knowledge Management and Organisational Learning. Reading: Academic Conferences and Publishing International Limited. ISBN 978-1-909507-80-7. pp. 329-338

Anna Pilková et al. 

earning from the Intangibles. Dividing the above‐average earnings by the company's average cost of capital or an interest rate, one can derive an estimation of the value of its intangible assets or intellectual capital. 

ROA methods are based on the assumption that the existence of  intellectual capital / intangible resources  in an  organization, which  are  generally  not  captured  in  the  balance  sheet  of  the  company,  affect  operating results of an organization recorded in the profit and loss statement of that organization. 

First two categories, the direct and scorecard intellectual capital measurement methods might be very useful at a company level, as a basis for internal management information especially in the connection with business strategy management. Actually, these methods are operating with indicators and calculations at business level, what  results  in worse  inter‐company  comparability. On  the other hand, market  capitalization  and ROA  are methods,  which  should  be  generally  preferred  when  providing  analyses  on  a  macro  level  due  better comparability between companies, sectors or nations due using information from accounting statements as a basis.  

4. Value added intellectual coefficient (VAIC™)

From  the  mentioned  42  measurement  methods,  value  added  intellectual  coefficient  (VAIC™),  a  method developed  by  Ante  Pulic  (Pulic  2004),  as  the  only  one  doesn’t  quite  fit  any  of  the  four  listed  categories, although it closest fits the ROA measurement methods (Sveiby 2005). According to Pulic, VAIC™ is an equation, which measures how much and how efficiently  intellectual capital and capital employed create value  (Pulic 2004). Ante Pulic (Pulic 2004) was one of the first scholars in the field of IC research to focus explicitly on the connection  between  IC  and  economic  performance  and  the  first  to  base  his  analyses  solely  on  company balance  sheet  figures,  i.e.  financial  indicators  (Stahle  et  al.  2011).  Until  present  times,  VAIC™  has  been frequently  quoted  in  academic  research  papers  through  various  analyses  investigating  the  performance  of individual companies, often on sectorial or national  level  (Mavridis and Kyrmizoglou 2005, Chen et al. 2005, Nazari and Herremans 2007, Kiong Ting and Lean 2009, Laing et al. 2010, Aras et al. 2011, Clarke et al. 2011, Pal and Soriya 2012, Pucar 2012, Alipour 2012, Mondal and Ghosh 2012, Komnenic and Pokrajcic 2012, Joshi et al. 2013).   

According to Pulic (Pulic 2004), VAIC™ calculations are based on intellectual capital efficiency (ICE) and capital employed  efficiency  (CEE),  where  value  added  intellectual  coefficient  (VAICTM)  is  the  sum  of  these  two coefficients. CEE can be calculated as VA/CE, where VA represents the value added and CE is the book value of the net assets of a company.  ICE  is obtained by adding up the human capital efficiency  (HCE) and structural capital efficiency (SCE), where HCE is calculated as VA/HC and SCE is calculated as SC/VA. Human capital (HC) includes total salaries and wages for the company and structural capital is calculated as VA – HC. Value added for  the  company  (VA)  is  the  difference  between  the  total  sales  (OUT)  and  total  input  or  the  total  cost  of bought‐in  materials,  components  and  services  (IN).  The  VAIC™  equation  is  drafted  in  figure  2.  As  a performance measurement  tool, greater value of VAICTM  indicates a higher efficiency  level of  the  company (Joshi et al. 2013).  If VAICTM rises over time, then the efficiency  level  improves and a company creates more value and vice versa (Joshi et al. 2013). 

Figure 2: Graphical illustration of VAIC™ equation 

331Pilková, A. - Papula, J. - Volná, J. – Holienka, M. (2013) “The influence of intellectual capital on firm performance among Slovak SMEs“, Proceedings of the 10th International Conference on Intellectual Capital, Knowledge Management and Organisational Learning. Reading: Academic Conferences and Publishing International Limited. ISBN 978-1-909507-80-7. pp. 329-338

 Anna Pilková et al. 

5. Research methodology  

5.1 Research goal The aim of this paper is to examine whether and to what extent the efficiency of intellectual capital and capital employed of  a  company  as defined within VAIC™ model developed by  Pulic  (Pulic 2004)  and  its  individual components affect the firm performance among SMEs in different industries in Slovakia. VAIC™ method uses financial statements of a firm to calculate the efficiency coefficient on three types of capital; human capital by the medium of human capital efficiency coefficient (HCE), structural capital by the medium of structural capital efficiency  coefficient  (SCE)  and  capital  employed by  the medium  of  capital  employed  efficiency  coefficient (CEE). As  a proxy  for profitability, we have deployed  return on  assets of  a  company  (ROA) due  its  general acceptance  as  a  performance measure  in  entrepreneurship  and  strategy  research. While  investigating  the effect  of  VAIC™  components  on  SME  performance,  our  analysis  also  accounts  for  return  on  equity  (ROE), leverage of the firm and firm size as control variables.  

Table 1: Industry distribution of research sample 

SK NACE  Industry division  Sample size 01  Crop and animal production, hunting and related service activities  337 10  Manufacture of food products  88 22  Manufacture of rubber and plastic products  79 23  Manufacture of other non‐metallic mineral products  45 25  Manufacture of fabricated metal products, exc. machinery and equipment  181 27  Manufacture of electrical equipment  60 28  Manufacture of machinery and equipment  92 35  Electricity, gas, steam and air conditioning supply  84 41  Construction of buildings  163 42  Civil engineering  69 45  Wholesale/retail trade and repair of motor vehicles and motorcycles  132 46  Wholesale trade, except of motor vehicles and motorcycles  753 47  Retail trade, except of motor vehicles and motorcycles  397 49  Land transport and transport via pipelines  139 62  Computer programming, consultancy and related activities  99 

5.2 Sample 

We  have  based  our  analysis  on  2011  financial  statements  of  2,718  Slovak  SMEs  operating  in  15  different industries.  To  obtain  our  research  sample,  we  have  approached  the  commercial  database  of  business information portal Universal Register Plus operated by CRIF ‐ Slovak Credit Bureau. The vendor obtained this database from the official Company register collection of documents and official Business bulletin. The original available dataset contained financial statements of 6,211 companies for year 2011. We have applied several criteria to obtain the final sample. Firstly, we have selected only small and medium‐sized enterprises according to  the EU definition  (EC 2005), using  the annual  turnover and/or annual balance sheet  total criteria  (due  to missing  information  on  staff  headcount  and  autonomy  of  the  enterprise  these  criteria  were  omitted). Secondly, we have  removed  companies with  zero  turnover,  zero  staff  costs or negative equity value  in  the observed year from our selection. Finally, we have selected industries containing at least 10 companies in each SME size category (i.e. micro, small and medium), while assuring that this selection will reasonably cover the scope  of  existing  industries.  This  procedure  resulted  in  the  final  sample  of  2,718  SMEs.  Despite  limited representativeness of this sample (due to character of the original data from commercial database) resulting from convenience sampling, its considerable scale enables us to generalize the findings to certain extent. The industry distribution of our sample is presented in table 1. 

5.3 Analysis of the impact of VAIC™ and its components on firm performance 

To  state  the  impact  of  each  variable  (value  added  intellectual  coefficient  (VAIC),  human  capital  efficiency (HCE),  structural capital efficiency  (SCE), capital employed efficiency  (CEE),  return on equity  (ROE),  leverage and firm size) on return on assets (ROA), forward stepwise regression analysis has been applied on data. This method  enables  individual  adding  of  independent  variables  into  the  model  in  every  step  of  regression (according to setting F to enter/F to remove) till the moment when the best regression is achieved (Munková et  al  2012).  The model  allows  us  to  estimate  the  contribution  of  individual  independent  variables  to  the 

 332

Pilková, A. - Papula, J. - Volná, J. – Holienka, M. (2013) “The influence of intellectual capital on firm performance among Slovak SMEs“, Proceedings of the 10th International Conference on Intellectual Capital, Knowledge Management and Organisational Learning. Reading: Academic Conferences and Publishing International Limited. ISBN 978-1-909507-80-7. pp. 329-338

Anna Pilková et al. 

variability  explanation  of  the  dependent  variable  ROA.  All  variables  have  been  divided  into  3  groups: Dependent, independent and control. 

5.3.1 Dependent variable 

As  a dependent  variable  reflecting  performance  of  a  firm,  we  have  used  return  on  assets  of  a  company financial indicator (ROA). This indicator is calculated as the ratio of operating income to book value of the total assets of the company and it shows how profitable a company is relative to its total assets. ROA is commonly used as a key performance indicator of profitability of companies in their annual reports and it has been widely used as a measure of financial performance in earlier research (Joshi et al. 2013). 

5.3.2 Independent variables 

As independent variables, VAIC™ indicator as well as its components have been taken, specifically the human capital  efficiency  (HCE),  structural  capital  efficiency  (SCE)  and  capital  employed  efficiency  (CEE)  and  their impact  on  ROA  has been  analyzed. VAIC™  is  a  coefficient, which measures  how much  and  how  efficiently intellectual  capital and  capital employed  create value  (Pulic 2004). As described earlier,  it  consists of  three individual parts, the HCE, SCE and CEE. 

Human  capital  efficiency  coefficient  (HCE)  is  calculated by dividing  a  company’s  value  added by  its human capital  to  indicate  in  practice  the  real  productivity  of  the  company’s  personnel,  i.e.  how much  value  the company creates through one monetary unit invested in human resources (Stahle et al. 2011). There are three groups of possible results of HCE measure. If it is given the value more than “1”, this means that the created value added must have been greater than the human resources costs. If it is given the value less than “1”, the created value added  is  less  than  the human  resources costs and  if  the measure gives exactly  the value “1”, created  value  added  accurately  equals  the  costs  of  human  resources.  Structural  capital  efficiency  (SCE) measures how much capital a company can create through one monetary unit invested in value added, i.e. it measures the productivity or efficiency of value added  (Stahle et al. 2011).  It  is given by the formula SC/VA. Since  SC equals VA – HC, exactly  the  same  input data  (HC and VA) enter  into  this measure as  into human capital efficiency  component  (HCE). Capital employed efficiency  coefficient  (CEE)  is  created  as  value  added divided by net assets of the company. This metric reflects how much value the company creates relative to its capital employed, expressed by net assets as a proxy. 

5.3.3 Control variables 

To check the impact of other variables that may explain observed relationships with firm performance (ROA), three control variables have been  included within  the  regression analysis: Return on equity  (ROE),  leverage and size of the firm. 

Return on equity (ROE) is calculated as the ratio of operating income of a business to its stockholders' equity. It is a measure of profitability of stockholders' investments. Leverage of the firm is calculated as the ratio of total debt to book value of the total assets of the company. A high proportion of debt may lead a firm to primarily focus on the needs of debt holders (Williams 2000). This is not consistent with the stakeholder view assumed by  value  added  and VAIC™  (Clarke  et  al. 2011). Alternatively,  firms  that  rely heavily on debt may  lack  the security required to attract investors, and will likely have higher interest payments, reflecting on the riskiness and returns of he firm (Clarke et al. 2011). The size of the firm  is determined as a book value of total assets. Because it may have an impact on the dependent variable (ROA), it has been used as a control variable in the regression models. In our analysis we employed a natural logarithm of this figure. 

6. Results

6.1 Descriptive statistics  Main descriptive statistics such as mean, median, minimum, maximum, standard deviation, variance, kurtosis and skewness individually for human capital efficiency coefficient (HCE), structural capital efficiency coefficient (SCE),  capital  employed  efficiency  coefficient  (CEE)  and  value  added  intellectual  coefficient  (VAIC)  are presented in the annex of this paper. 

333Pilková, A. - Papula, J. - Volná, J. – Holienka, M. (2013) “The influence of intellectual capital on firm performance among Slovak SMEs“, Proceedings of the 10th International Conference on Intellectual Capital, Knowledge Management and Organisational Learning. Reading: Academic Conferences and Publishing International Limited. ISBN 978-1-909507-80-7. pp. 329-338

 Anna Pilková et al. 

6.2 Regression analysis To state the impact of independent variables on firm performance (ROA), we have applied stepwise regression analysis on data with the purpose to estimate the contribution of each individual independent variable to the variability explanation of the dependent variable. We have developed two different types of models, each for all 15 industries. The first group of 15 models with value added intellectual coefficient (VAIC) as independent variable (table 2 and 3) and the second group with HCE, SCE and CEE as independent variables (table 4 and 5). 

Table 2: Overview of regression – modeling of the dependent variable ROA, models 1.1 – 1.8 

 

Table 3: Overview of regression – modeling of the dependent variable ROA, models 1.9 – 1.15 

 

Table 4: Overview of regression – modeling of the dependent variable ROA, models 2.1 – 2.8 

 

 334

Pilková, A. - Papula, J. - Volná, J. – Holienka, M. (2013) “The influence of intellectual capital on firm performance among Slovak SMEs“, Proceedings of the 10th International Conference on Intellectual Capital, Knowledge Management and Organisational Learning. Reading: Academic Conferences and Publishing International Limited. ISBN 978-1-909507-80-7. pp. 329-338

Anna Pilková et al. 

Table 5: Overview of regression – modeling of the dependent variable ROA, models 2.9 – 2.15 

To explain the functionality of the model, we give an example with model 2.1. At the beginning the variables are not  in a  regression equation, no variable has been entered or  removed.  In model 1, which  reflects  the industry 01  ‐ Crop  and  animal production, hunting  and  related  service  activities,  the progress has been  as follows. In the first step, one variable in regression model ‐ the variable SCE has been entered. As the table of stepwise summary (table 4) shows, after entering one variable the determination index (R‐square) went up by 0.412 (R‐square (SCE)). In the second step, two variables are in regression equation, the variable CEE has been entered. The determination index (R‐square) went up by 0.124, and this model explains 54.6% variability of the variable ROA.  In  the  third  step,  the variable ROE has been entered and  the determination  index  (R‐square) went up by 0.016. In the fourth step, the variable leverage has been entered and the determination index (R‐square) went up by 0.007, while this model explains 55.9% variability of the variable ROA  (total R‐square of 0.559). 

According  to  table 2 and 3  in Model 1, VAIC™ coefficient  is positive and significant at  the 0.1%  level  for all industries but one: 35 Electricity, gas, steam and air conditioning supply. At this  industry, VAIC doesn’t have sufficient explanatory power and only two control variables (ROE and  leverage  in which ROE has a dominant position) explain variability of ROA. In spite of fact, that VAIC coefficient has sufficient explanatory power in 14 industries, there are five industries in which ROE has greater explanatory power than VAIC. 

While according to Model 1 VAIC™ is positive and significant for all industries but one in Model 2  table 4 and 5 it is appearant that only in one industry (46: Wholesale trade, exept of motor vehicles and morcycles) all three VAIC  components  contribute  to  explanation  of  ROA  variability. While  capital  employeed  (CEE)  contributes significantly  to  variability  of  ROA  explanation  in  all  15  industries,  human  capital  (HCE)  contributes  in  10 industries and structural capital (SCE) only in 7 industries. In addition CEE has greater explanatory power in 10 industries than either HCE or SCE. Based on these findings CEE is generally the more dominant component in VAIC™ when predicting ROA in companies across industries.  

7. Discussion and conclusion

This paper concerns highly topical issue of the competitiveness development and the support of the growth of small  and medium‐sized  enterprises  (SMEs)  as  the  driving  force  of  economic  development  of  Slovakia.  To examine the success of this development expressed via performance results, there is the need to identify the enablers through the concept of intellectual capital. 

Many  experts  share  opinion  that  intellectual  capital  at  nowadays  is  the  most  important  asset  of  the companies, industries or regions that significantly contributes to value creation. There is a general interest to know whether and at which extend  intellectual capital contributes to this value creation.  In spite of the fact that many research studies have been run so far the complex issue of measurement of the intellectual capital impact  on  value  of  companies,  industries,  states  hasn’t  been  satisfactory  solved,  yet.  The  results  of  these 

335Pilková, A. - Papula, J. - Volná, J. – Holienka, M. (2013) “The influence of intellectual capital on firm performance among Slovak SMEs“, Proceedings of the 10th International Conference on Intellectual Capital, Knowledge Management and Organisational Learning. Reading: Academic Conferences and Publishing International Limited. ISBN 978-1-909507-80-7. pp. 329-338

 Anna Pilková et al. 

studies are also various measurement tools that have been applied on different analyzed objects. One of such tools is VAIC™.  This paper examines whether and to what extent the efficiency of intellectual capital and capital employed of a company as defined within VAIC™ model and  its  individual components affect  the  firm performance among SMEs in different industries in Slovakia. Based on analysis of 2,718 SMEs operating in 15 industries we found out positive significant relations between VAIC™ and ROA as a proxy of value creation in 14 industries.   However, the industry with no significant relationship (35: Electricity, gas, steam and air conditioning supply) shows  the highest mean value of VAIC™  (see  figure 9  in Annex), which  suggest  that  relatively high  level of intellectual capital is present in companies irrespective their performance, while the performance is driven by another  factors.  These  findings  are  in  line with  other  studies which  have  been  run  in  different  countries. Despite  the  fact  that VAIC™ has  sufficient explanatory power  in 14  Slovak  industries we  found out greater explanatory power of ROE in 5 of them. This finding may be explained by the traditional industrial concepts in the mind of the Slovak SME´s owners and managers. It suggests that high emphasis is still placed on quantity of production,  revenues  and  profits  in  business  success  evaluation  instead  of  knowledge  content  and  value creation efficiency which is a core of VAIC™ measure (Pulic, 2000, 2004). This traditional concept seems to be most visible in already above mentioned industry 35: Electricity, gas, steam and air conditioning supply   We have also studied impacts of three components of VAIC™ on ROA. We found out that Slovak companies in 10  industries  (out  of  15) would  benefit  if  they  further  invest  in  human  capital  ‐  skills  and  knowledge  of employees. However, similarly as in other studies carried out worldwide, we have concluded that physical and financial  capital  provides  the  strongest  influence  over  the  value  creation  process  and  has  significant  and positive influence on ROA in all 15 industries. This also confirms that intellectual capital both is not sole value creator and must be accompanied with optimal structure of physical and financial capital and CEE is still very dominant  component  in  VAIC™.  This may  be  again  explained  less  emphasizing  of  the  intellectual  capital component in the process of value creation in Slovakia. Our research has also confirmed that structural capital efficiency (SCE)  is  less embedded component with dominant explanatory power  in only two  industries out of 15.  Our  research  has  a  few  limitations.  First  of  all,  it  is  based  on  one‐year  data  (2011), which means  that  no dynamics and time lag analysis could be run. We understand that in this type of investigation time lag is very important  to  study,  too. We have not also  studied  relationships between components of  IC  that create  so‐called  moderating  effects.  Finally,  further  more  detailed  industrial  analysis  to  identify  reasons  of differentiation among industries as far as impact of individual components of intellectual capital is important, too.   Nevertheless,  our  research  is  the  first  in  to  study  IC  from  value  creation  perspectives  in  Slovakia  and contributes to extent knowledge in this field in our country.  

Acknowledgements 

This paper has been funded by project Vega 1/0920/11. 

Annex 1 

Table 6: Statistics summaries for human capital efficiency (HCE) coefficient 

 

 336

Pilková, A. - Papula, J. - Volná, J. – Holienka, M. (2013) “The influence of intellectual capital on firm performance among Slovak SMEs“, Proceedings of the 10th International Conference on Intellectual Capital, Knowledge Management and Organisational Learning. Reading: Academic Conferences and Publishing International Limited. ISBN 978-1-909507-80-7. pp. 329-338

Anna Pilková et al. 

Table 7: Statistics summaries for structural capital efficiency (SCE) coefficient 

Figure 8: Statistics summaries for capital employed efficiency (CEE) coefficient 

Figure 9: Statistics summaries for value added intellectual coefficient (VAIC) coefficient 

References 

Alipour, M. (2012) “The effect of intellectual capital on firm performance: an investigation of Iran insurance compaMeasuring Business Excellence, Vol. 16, No. 1, pp. 53‐66. 

nies”, 

 and 

ctual 

Aras, G., Aybars, A. and Kutlu, O. (2011) “The interaction between corporate social responsibility and value added intellectual capital: empirical evidence from Turkey”, Social Responsibility Journal, Vol. 7, No. 4, pp. 622‐637. 

Bontis, N. (2002) World Congress on Intellectual Capital Reading. Butterworth‐Heinemann, Boston, 392 pp. Bukh, P.H., Larsen, H.T. and Mouritsen, J. (2001) “Constructing intellectual capital statements“, Scandinavian Journal of 

Management, Vol. 17, pp. 87‐108. Chen, M., Cheng, S. and Yuchang, H. (2005) “An empirical investigation of the relationship between Intellectual capital

firms’ market value and financial performance”, Journal of Intellectual Capital, Vol. 6, No. 2, pp. 159‐176. Clarke, M., Seng, D. and Whiting, R. (2011) “Intellectual capital and firm performance in Australia”, Journal of Intelle

Capital, Vol. 12, No. 4, pp. 505‐530. Edvinsson, L. (1997) “Developing intellectual capital at Skandia”, Long Range Planning, Vol. 30, No. 3, pp. 366‐73. Edvinsson, L. and Malone, M.S. (1997) Intellectual Capital. The proven way to establish your comopany's real value by 

measuring its hidden brainpower. Harper Business, London. European Commission (2005) The new SME definition. User guide and model declaration. Publications Office of the 

European Union, Luxembourg. Joshi, M., Cahill, D., Sidhu, J. and Kansal, M. (2013) “Intellectual Capital and Financial Performance: an Evaluation of the 

Australian Financial Sector“, Journal of Intellectual Capital, Vol. 14, No.2, pp. 264‐285. Kiong Ting, I. and Lean, H. (2009) “Intellectual capital performance of financial institutions in Malaysia”, Journal of 

Intellectual Capital, Vol. 10, No. 4, pp. 588‐599. 

337Pilková, A. - Papula, J. - Volná, J. – Holienka, M. (2013) “The influence of intellectual capital on firm performance among Slovak SMEs“, Proceedings of the 10th International Conference on Intellectual Capital, Knowledge Management and Organisational Learning. Reading: Academic Conferences and Publishing International Limited. ISBN 978-1-909507-80-7. pp. 329-338

 Anna Pilková et al. 

 

an 

tand 

Koch, G., Leitner, K.H. and Bornemann, M. (2000) “Measuring and reporting intangible assets and results in a EuropeContract Research Organization”, Paper prepared for the Joint German‐OECD Conference Benchmarking Industry‐Science Relationships, Berlin, October 16‐17. 

Komnenic, B. and Pokrajčić, D. (2012) “Intellectual capital and corporate performance of MNCs in Serbia”, Journal of Intellectual Capital, Vol. 13, No. 1, pp. 106‐119. 

Laing, G., Dunn, J. and Hughes‐Lucas, S. (2010) “Applying the VAIC model to Australian hotels”, Journal of Intellectual Capital, Vol. 11, No. 3, pp. 269‐283. 

Mavridis, D. and Kyrmizoglou, P. (2005) “Intellectual Capital Performance Drivers in the Greek Banking Sector”, Management Research News, Vol. 28, No. 5, pp. 43‐62. 

MERITUM (2002) “MERITUM Guidelines for Managing and Reporting on Intangibles, Measuring Intangibles to Undersand Improve Innovation Management”, [online], InCaS. http://ec.europa.eu/research/social‐sciences/projects/073_en.html. 

Mondal, A. and Ghosh, S. (2012) “Intellectual capital and financial performance of Indian banks”, Journal of IntelleCapital, Vol. 13, No. 4, pp. 515‐530. 

ctual 

l, 

‐

, 

Mouritsen, J., Bukh, P.N., Larsen, H.T. and Johansen, M.R. (2002) “Developing and managing knowledge through intellectual capital statements”, Journal of Intellectual Capital, Vol. 3, No. 1, pp. 10‐29. 

Munková, D., Stranovská, E. and Ďuračková, B. (2012) “Impact of Cognitive‐Individual Variables on Process of Foreign Language Learning”, Procedia ‐ Social and Behavioral Sciences 46, 5430‐5434. 

Nazari, J. and Herremans, I. (2007) “Extended VAIC model: measuring intellectual capital components”, Journal of Intellectual Capital, Vol. 8, No. 4, pp. 595‐609. 

Pablos, P.O.D. (2003) “Knowledge management projects: state of the art in the Spanish manufacturing industry International”, Journal of Manufacturing Technology and Management, Vol. 14, No. 4, pp. 297‐310. 

Pal, K. and Soriya, S. (2012) “IC performance of Indian pharmaceutical and textile industry”, Journal of Intellectual CapitaVol. 13, No. 1, pp. 120‐137. 

Pucar, S. (2012) “The influence of intellectual capital on export performance”, Journal of Intellectual Capital, Vol. 13, No. 2, pp. 248‐261. 

Pulic, A. (2004) “Intellectual capital – does it create or destroy value?”, Measuring Business Excellence, Vol. 8, No. 1, pp. 6268. 

Stähle, P., Stähle, S. and Aho, S. (2011) “Value added intellectual coefficient (VAIC): a critical analysis”, Journal of Intellectual Capital, Vol. 12, No. 4, pp. 531‐551. 

Stewart, T. (1998) Intellectual Capital Nicholas Brealey Publishing, London. Sveiby, K. E. (1997) The New Organizational Wealth: Managing and Measuring Knowledge‐based Assets. Barrett‐Kohler

San Francisco.  Sveiby, K.E. (2005) “Methods for measuring intangible assets”, [online]. 

www.sveiby.com/Portals/0/articles/IntangibleMethods.htm. Volkov, A. (2012) “Value Added Intellectual Co‐efficient (VAIC): A Selective Thematic‐Bibliography”, Journal New Busine

Ideas and Trends, Vol. 10, No. 1, pp. 14‐24. ss 

l Williams, M. (2000) “The Association between Gender and Ethnic Diversity of Board Structure on the Intellectual CapitaPerformance of Publicly Listed Companies from an Emerging Economy: Evidence from South Africa”, [online]. www.vaic–on.net/download/Paper3.pdf. 

 

338Pilková, A. - Papula, J. - Volná, J. – Holienka, M. (2013) “The influence of intellectual capital on firm performance among Slovak SMEs“, Proceedings of the 10th International Conference on Intellectual Capital, Knowledge Management and Organisational Learning. Reading: Academic Conferences and Publishing International Limited. ISBN 978-1-909507-80-7. pp. 329-338