Kontrollvariabler

Kontrollvariabler har inkluderats för att uppmärksamma eventuella skensamband (Djurfeldt et al., 2018) och bidrar därmed till en ökad validitet i studien. Kontrollvariablerna som används är både byråspecifika (Kontor, Branschspecialist,

Byråbyte, Revisionsavgift) och klientspecifika (Bransch, Storlek, Skuldsättning, Lönsamhet) samt År. Många av dessa kontrollvariabler förekommer även i tidigare studier

om SBO (se exempelvis Bédard et al., 2014; 2019; Gutierrez et al., 2018; Pinto & Morais, 2019; Sierra-García et al., 2019; Velte, 2018).

Kontor

Som tidigare nämnts har studier undersökt om det finns ett samband mellan byrå och revisionskvalitet (se exempelvis DeAngelo, 1981; Francis, 2011; Lawrence et al., 2011) men det finns även studier som har undersökt om det finns ett samband mellan kontorsstorlek och revisionskvalitet (se exempelvis Francis & Yu, 2009; Sundgren & Svanström, 2013). Enbart storleken på kontoret gör att oberoendet mot klienter ökar (Bills

et al., 2016; DeAngelo, 1981) eftersom större kontor inte är lika beroende av revisionsintäkter från ett enskilt företag (Reynolds & Francis, 2000). När det kommer till fortlevnadsvarningar i USA gav större kontor inom Big4 ut fler och mer träffsäkra varningar jämfört med mindre kontor (Francis & Yu, 2009). I Sverige har det visat sig att det inte finns något samband mellan storleken på kontoren inom de sex största byråerna (Big4 inklusive BDO och Grant Thornton) och revisionskvaliteten, dock fanns det ett positivt samband inom övriga byråer (Sundgren & Svanström, 2013). En förklaring till skillnader i revisionskvalitet mellan kontoren kan vara att större kontor har tillgång till mer expertis och specialistfunktioner än vad mindre kontor har (Francis & Yu, 2009; Sundgren & Svanström, 2013). På EY:s huvudkontor finns det exempelvis totalt 1500 medarbetare (Gustafsson, 2020) medan det på mindre orter finns betydligt färre medarbetare (Svanström, 2008). Då denna studie undersöker noterade bolag är det sannolikt att de revideras av en revisor på ett av de större kontoren inom respektive byrå och de större kontoren finns ofta i storstäderna, exempelvis ligger huvudkontoren för alla byråer inom Big4 i Stockholm (Deloitte, 2020; EY, 2020; KPMG, 2020; PwC, 2020). För att se om det finns en skillnad mellan kontoren har variabeln Kontor inkluderats och den kodas som en dummyvariabel med kategorierna Stockholm, Göteborg, Malmö och Annat kontor. Vid kategoriseringen har byråernas kontor i Stockholms län ansetts tillhöra Stockholm. Stockholm används som referensvariabel då de har flest antal observationer.

Branschspecialist

Branschspecialist har använts som variabel i flera studier inom revision (se exempelvis Axén, 2018; Ferguson et al., 2003; Habib & Bhuiyan, 2011; Numan & Willekens, 2012; Sierra-García et al., 2019). I en metaanalys av Hay et al. (2006) har en tredjedel av studierna funnit ett positivt samband mellan branschspecialist och revisionskvalitet och de resterande fann inget samband alls. Då variabeln har visat sig ha förklaringsvärde i andra studier inom revision (Hay et al., 2006) kan den tänkas ha ett samband med användningen av SBO. Operationaliseringen av branschspecialist har varierat genom åren men generellt mäts branschspecialist som revisionsbyråns marknadsandel inom en specifik bransch (Hay et al., 2006). Branschspecialist operationaliseras som en dummyvariabel med värdet 1 om den ansvarige revisionsbyrån har minst 30 procent av revisionsintäkterna inom en specifik bransch, i enlighet med Axén (2018), Numan och Willekens (2012) och Reichelt och Wang (2009).

Byråbyte

Då det konstaterats att det finns skillnader i kultur och revisionskvalitet mellan byråer (se exempelvis Bédard et al., 2014; Francis, 2011; Donatella et al., 2019) kan det därmed finnas skillnader i antal utgivna SBO om företaget precis har bytt revisionsbyrå (Sierra- García et al., 2019). Exempelvis nämner DeAngelo (1981) att byrån kan ha sänkt revisionsavgiften för att få uppdraget och Numan och Willekens (2012) fann ett negativt samband mellan byråbyte och revisionsavgift. Även det faktum att den nya revisorn vill göra ett extra bra intryck kan tänkas påverka revisionsberättelsen och SBO. Likt tidigare studier inom revision beräknas Byråbyte som en dummyvariabel med värdet 1 om det skett ett byte av byrå det senaste räkenskapsåret och 0 om det inte har skett (se exempelvis Axén, 2018; Brown & Knechel, 2016; Numan & Willekens, 2012; Sierra-García et al., 2019; Velte, 2018).

Revisionsavgift

Revisionsavgift har ofta använts i tidigare studier om SBO (se exempelvis Bédard et al., 2019; Gutierrez et al., 2018; Pinto & Morais, 2019; Sierra-García et al., 2019) och ansågs därför lämplig att använda även i denna studie. Revisionsavgiften kan påverkas av klientspecifika faktorer som företagets storlek och komplexitet men med tanke på att det är revisionsbyrån som i slutändan bestämmer revisionsavgiften har revisionsavgift klassificerats som byråspecifik. Pinto och Morais (2019) har funnit ett positivt signifikant samband mellan revisionsavgiften och antal SBO och nämner att det kan bero på att företag som har en hög revisionsavgift är mer komplexa och riskfyllda än andra företag. Däremot fann Sierra-García et al. (2019) att revisionsavgiften inte hade något signifikant samband med antal SBO. För att öka jämförbarheten mellan de olika revisionsavgifterna avseende revisionsuppdragen operationaliseras Revisionsavgift genom att dividera den debiterade revisionsavgiften med det reviderade företagets totala tillgångar.

Bransch

Branscher skiljer sig åt vilket kan ge effekter på revideringen och riskbedömningen av företag (Iskandar, 1996) och en del branscher anses mer komplexa än andra (Simunic, 1980). Ett exempel på detta är att företag inom branscher som generellt har mycket kundfordringar och varulager anses vara relativt svåra att revidera (Hay et al., 2006). Branschspecifika egenskaper kan därmed påverka vad revisorn uppfattat som särskilt betydelsefullt i sin revision och är därför viktigt att kontrollera för. Kategoriseringen av

variabeln Bransch utgår från indelningen på Nasdaq Stockholm (2020) men en del modifikationer har gjorts. Som tidigare nämnts har finans- och investmentbolag exkluderats vilket gjort att fastigheter blivit en egen kategori. För att inte ha för få observationer inom varje kategori har olja & gas, grundläggande tjänster och råvarusektorn slagits samman till en råvarugrupp. Av samma anledning har även telekom och teknologi slagits samman med varandra. Branschkategorierna är således fastigheter, hälsovård, industri, konsumenttjänster, konsumentvaror, råvaror och telekom & teknologi vilka kodas som dummyvariabler där industrisektorn används som referensvariabel.

Storlek

Trots att det råder teoretiska oklarheter när det kommer till vad som egentligen mäts med variabeln storlek (Tagesson et al., 2009) har den visat sig ha ett stort förklaringsvärde i tidigare studier om SBO (se exempelvis Gutierrez et al., 2018; Pinto & Morais, 2019; Sierra-García et al., 2019; Velte, 2018) och har därför inkluderats som kontrollvariabel. Storlek har i tidigare studier visat sig påverka antal SBO positivt (se exempelvis Pinto & Morais, 2019; Sierra-García et al., 2019). Storlek operationaliseras som den naturliga logaritmen av företagets totala tillgångar på balansdagen vilket också andra studier gjort (se exempelvis Bédard et al., 2019; Gutierrez et al., 2018; Pinto & Morais, 2019; Sierra- García et al., 2019; Velte, 2018).

Skuldsättning

Skuldsättning fångar effekten av potentiella finansiella problem hos de reviderade företagen. I Storbritannien har skuldsättning visat sig påverka antal SBO negativt (Sierra- García et al., 2019) men i Pinto och Morais (2019) studie på bolag i Frankrike, Storbritannien och Nederländerna fanns inget signifikant samband mellan skuldsättning och antal SBO. Skuldsättning operationaliseras genom att ta företagets totala skulder dividerat med dess totala tillgångar i enlighet med tidigare studier (se exempelvis Bédard

et al., 2019; Pinto & Morais, 2019; Sierra-García et al., 2019).

Lönsamhet

Lönsamhet är vanligt förekommande i tidigare studier om SBO (se exempelvis Bédard et al., 2019; Gutierrez et al., 2018; Pinto & Morais, 2019; Sierra-García et al., 2019; Velte, 2018). Pinto och Morais (2019) har funnit ett negativt signifikant samband mellan lönsamhet och antal SBO och förklarade att det kan bero på att företag med hög lönsamhet

utgör en lägre risk än företag med låg lönsamhet, vilket gör att färre SBO kan identifieras och ges ut av revisorn. Lönsamhet operationaliseras genom att beräkna ROA, resultatet före skatt dividerat med totala tillgångar, precis som tidigare studier gjort (Bédard et al., 2019; Gutierrez et al., 2018; Pinto & Morais, 2019; Sierra-García et al., 2019; Velte, 2018).

År

För att se om revisionsbyråernas användning av SBO har förändrats över tid har variabeln År inkluderats. Att 2016 är det första året som studeras beror på att ISA 701 trädde i kraft den 15 december 2016 (FAR, 2016) och att det därför var det första året med revisionsberättelser innehållandes SBO. År kodas som en dummyvariabel med 2016 som referensår.

Tabell 3: Operationalisering

Variabel Operationalisering

Beroende variabler

Index totalt Andel totala SBO

Index bolrel Andel bolagsrelaterade SBO Index redrel Andel redovisningsrelaterade SBO

Oberoende variabel

Revisionsbyrå Dummyvariabler (0,1) för vilken revisionsbyrå som upprättat revisionsberättelsen

Kontrollvariabler

Kontor Dummyvariabler (0,1) för vilket kontor som upprättat revisionsberättelsen Branschspecialist Dummyvariabel (0,1) där 1 innebär att ansvarig revisionsbyrå har minst

30% av de totala revisionsavgifterna inom en specifik bransch

Byråbyte Dummyvariabel (0,1) där 1 innebär att det skett ett byte av byrå det senaste räkenskapsåret

Revisionsavgift Den debiterade revisionsavgiften dividerat med det reviderade företagets totala tillgångar

Bransch Dummyvariabler (0,1) för vilken bransch som företaget tillhör

Storlek Den naturliga logaritmen av företagets totala tillgångar på balansdagen Skuldsättning Företagets totala skulder dividerat med dess totala tillgångar

Lönsamhet Företagets resultat före skatt dividerat med dess totala tillgångar År Dummyvariabler (0,1) för vilket år som avses