Oberoende variabler

En oberoende variabel är det som förändras i ett test och varierar på olika sätt. En oberoende variabel kan också kallas förklarande variabel och orsaksvariabel (Gujarati & Porter 2008). Teorin bygger på UET, varför chefers karaktärsdrag används som oberoende variabler i denna studie (Hambrick & Mason 1984). När det gäller följande karaktärsdrag finns det så

kallade synliga och icke synliga. Synliga är karaktärsdrag som tydligt kan ses hos en person, till exempel ålder. I motsats härtill är icke synliga karaktärsdrag som inte kan ses hos en person, till exempel en chefs ämbetstid. Hambrick och Mason (1984) hävdar att båda typerna av attribut hjälper till att förklara ett företags beslutsprocess. En blandning av attribut har valts för att studera minst ett karaktärsdrag som representerar varje attribut. En annan anledning till att båda attributen är representerade är att se potentiella skillnader i risker beträffande en attribut-aspekt av karaktärsdragen. (MacGregor, Hsieh & Kruchten 2005)

Kön

Kön klassificeras efter Frank, Tacconelli och Uwe (2007) studie som utgår från att det finns två biologiska kön, det manliga och kvinnliga. Denna variabel är också en dummyvariabel, kodad som noll och ett. Siffran noll indikerar att chefen är en man, medan ett indikerar

kvinna. Denna klassificering följer även tidigare studier (Ting, Azizan & Kweh 2015). För att kunna besluta om en chef faller inom kategorin man eller kvinna har namn, foton, och även artiklar där pronomen som “han” och “hon” uttryckts, använts för att beskriva personen i fråga.

Tabell 2 Kön

Ålder

Ålder är antalet år som cheferna är vid mätpunkten (Ting, Azizan & Kweh 2015). Chefernas åldrar har samlats in från företagens hemsidor, LinkedIn, Hitta.se, Bloomberg och

tidningsartiklar som Dagens Industri och Svenska Dagbladet.

Utbildning

Utbildning har kategoriserats i fyra olika kategorier enligt tabell 3 nedan. Skalan sträcker sig från ett till fyra och är beroende av chefers utbildningsnivå. Studien görs på svenska

börsnoterade företag, det finns en svensk utbildningsnivå kallad Civilekonom bland svenska ekonomer och chefer. Många chefer är ekonomer, därav har denna utbildningsnivå har

betraktats och klassificerats som en masterexamen inom tredje nivån i skalan nedan (Högskoleverket 2007). Denna variabel är även den en dummy vilket gör att varje utbildningsnivå antingen kan få siffran noll eller ett där noll indikerar att det inte är den utbildningsnivån utan en annan med ett indikerar att det är den utbildningsnivån.

Tabell 3 Utbildningsnivå

Utbildningsnivå 1 indikerar att cheferna har gått ut gymnasiet men inte har avslutat någon högskoleexamen, medan en chef med utbildningsnivå 4 har en doktorsexamen. Denna skala har valts eftersom andra studier använde skalor med olika storlekar, Datta och Rajagopalan (1998) använde exempelvis en sju-skalig tabell inkluderande ett intervall från

gymnasieexamen till doktorand. Wally och Becerra (2001) använde tre nivåer,

kandidatexamen, magisterexamen och doktorsexamen. Vidare använde Bany-Ariffin et al. (2014) en skala med fem nivåer. En blandning av tidigare studier beslutades för att få ut det bästa av tidigare studier och matcha den här studien av svenska företag. Det beslutades ett intervall på fyra nivåer, inkluderande vanliga utbildningsnivåer i Sverige (Universitets- och högskolerådet 2019).

Erfarenhet

Denna variabel beror på chefens tidigare erfarenhet inom en eller flera ledningspositioner. Huruvida en chef har erfarenhet eller ej har kontrollerats genom tidigare presenterade titlar inom samma företag eller i andra företag som kunde finnas på bland annat företagens hemsidor, LinkedIn eller tidningsartiklar. Skalan är noll och ett, en dummyvariabel baserad på Ting, Azizan och Kwehs studie (2015). En chef med en etta betyder att chefen har haft en ledningsposition tidigare, vilket indikerar detsamma som om en chef har haft en CEO-nivå tidigare som används i Ting, Azizan & Kweh (2015).

Tabell 4 Erfarenhet

Ämbetstid

Ämbetstid definieras som chefens antal år sedan han eller hon tillträdde befattningen i det specifika företaget fram till året för mätning. Detta följer Ting, Azizan & Kwehs (2015) studie om CEO:s personliga karaktärsdrag.

Förseelser

En registrering av förseelse återspeglar bristen på självkontroll och impulsivitet. Olagliga handlingar återspeglar risktagande och att en person inte är lika behållen från olaglig

verksamhet som personer med icke-registrerad förseelse. (Keane, Maxim & Teevan 1993) De olika förseelserna som cheferna har begått är mot trafikregler och stöld (Verifiera 2019). Eftersom dessa betraktas som mindre förseelser, finns det en risk att de inte kommer att påverka hävstången i den utsträckning denna studie försöker förklara. Dessutom finns det bara fyra chefer från det totala urvalet av 179 som hade registrerade förseelser, vilket också kan göra det svårt att generalisera till resten av befolkningen. På grund av det lilla antalet felaktigheter kodas variabeln som en dummyvariabel, vilket innebär att det bara finns noll och ett på skalan. En nolla indikerar att en toppchef inte har några registrerade förseelser, medan ett indikerar att han eller hon har en eller flera registrerade förseelser.

Tabell 5 Registrerade förseelser

4.3.3 Kontrollvariabler

För att kunna besvara forskningsfrågan behövs kontrollvariabler som kan påverka

hävstången. Olika kontrollvariabler behövs eftersom det kan finnas flera som påverkar den beroende variabeln. De variabler som valts att kontrollera för är baserade på tidigare studier.

Industriklassificering

Industriklassificeringen samlas in från Thomson Reuters Datastream och visas som den senaste angivna kategorin (Thomson Reuters 2019). Denna variabel har valts eftersom företag i olika industrier står inför olika slags kapitalstrukturbeslut (Agarwal 2013), därför är industrin viktigt att ta hänsyn till när hävstången studeras (Selling & Stickney 1989).

Exempelvis har Schwartz och Aronson (1967) tidigare inkluderat industri när de studerar ett företags kapitalstruktur eftersom denna inte varierar lika mycket inom en specifika industri, men tenderar att ha desto större variation mellan olika industrier. Detta beror på att olika industrier möter olika risker och på grund av detta försöker varje industri följa en viss optimal kapitalstruktur (Schwartz & Aronson 1967). Vidare visar en studie av Das och Roy (2007) att ett företags storlek och olika variationer av industriklassificeringar kan påverka

kapitalstrukturen i företag. Korteweg (2010) kom även fram till att optimal hävstång skulle kunna vara positivt relaterad till andel materiella tillgångar vilket resulterar i en sammantagen bedömning vid att industriklassificering borde ha en negativ relation till kapitalstruktur.

Tabell 6 Industriklassificering

Industrierna kodas som dummyvariabler uppdelade i nio olika intervall från 1 till 9.

Exempelvis verkar ett företag i intervall 2 inom industrin för basmaterial, medan ett företag i intervall 8 verkar inom finans. Se tabell 6 ovan för ytterligare förklaring om vilken industri som tillhör vilket intervall. Varje intervall har ett värde mellan noll och ett, precis som tidigare dummyvariabler, där noll indikerar att det inte är den industrin medan ett indikerar att det är den specifika industrin. För att ytterligare förklara hur många företag som finns inom de olika industrierna finns en tabell för att ge en översikt (se tabell 7 nedan).

Tabell 7 ​Antal företag fördelade på industri och chefer

I tabell sju framgår att den första industrin (olja och bensin) endast har ett företag observerat för CEO respektive CFO, medan för COO hade den första industrin inga företag med en sådan ledningsperson. Detsamma gäller för den andra sektorn (basmaterial) där ingen COO kunde hittas. Liknande gäller för den sjunde industrin (telekommunikation) där endast ett företag kunde observeras med en CEO och COO. Anledningen till det faktum att företaget inte finns i CFO-kolumnen beror på att det inte fanns en CFO med tillräckligt lång ämbetstid för att ingå i studien. De flesta inkluderade företag är verksamma inom den tredje (industrier) och åttonde (finans) industrin.

Företagens storlek

Intäkter eller nettoomsättning är omsättningen och övriga rörelseintäkter exklusive avkastning, bidrag och rabatter. Storleken på intäkterna samlas in från Thomson Reuters Datastream och är transformerade variabler genom log-funktion. (Thomson Reuters 2019) Ett större företag kommer att få en mindre effekt från cheferna och deras karaktärsdrag, ett sätt att då mäta ett företags storlek är genom att använda intäkter. (Brunninge, Nordqvist & Wiklund 2007) I denna studie mäts företagets storlek genom intäkter, vilket också valdes

eftersom tidigare studier har använt detta som ett mått på företagets storlek (Ting, Azizan & Kweh 2015). Hävstången påverkas av företagets storlek, eftersom större företag har en mindre risk för att gå i konkurs och är mer diversifierade borde de ha högre hävstång och vara mer stabila medan mindre företag vill låna på kortare sikt vilket gör att förhållandet till hävstång borde vara positivt (Titman & Wessels 1988).

Ledningsgruppens storlek

Ledningsgruppens storlek har samlats in från företags hemsidor och därmed är variabeln det antal personer företaget presenterar som ledningen. Ledningens karaktärsdrag påverkar mer desto färre personer i ledningen och därför är det viktigt att titta på ledningsgruppens storlek alltså borde relationen till hävstång vara positiv (Brunninge, Nordqvist & Wiklund 2007).

Ägarkoncentration

Ägarkoncentrationen har samlats in från Holdings (2019) och mäts som summan av de fem största ägarnas aktier dividerat med företagets trettio största ägares aktier, i enlighet med studien av Ting, Azizan och Kweh (2015). En studie gjord av Zeitun och Tian (2007) hävdar att ägarkoncentration är viktigt att titta på eftersom det påverkar ett företags välbefinnande, varför ägarkoncentrationen skulle kunna användas för att hjälpa till med att förutse ett företags sannolikhet för konkurs. En större ägarkoncentration borde leda till en högre risk samt mindre diversifiering och bör således ha en positiv relation till hävstång.

Avkastning på tillgångar (ROA)

Selling och Stickney (1989) förklarar att avkastning på tillgångar (ROA) är en indikation på ett företags framgång. ROA mäter lönsamheten i ett företag utan hänsyn till hur tillgångarna finansierats, med andra ord spelar skuld i perspektiv till eget kapital ingen roll. Det faktum att företag önskar verka inom en optimal kapitalstruktur, delvis på grund av de förmånliga kostnaderna av att använda skuld och genom att försöka väga räntan för skulderna och ROA-räntan, indikerar ett samband mellan lönsamhet och skuldnivå (Myers 1984). ROA beräknas i enlighet med Selling och Stickney (1989) studie som formeln nedan och har inhämtats från Thomson Reuters (2019).

vkastning på tillgångar

A = ^{Nettoresultat + (1 − skattesats) (räntekostnad)} _{genomsnittliga totala tillgångar}

ROA används vidare också i tidigare studier för att kontrollera när företagens hävstång mäts (Ting, Azizan & Kweh 2015). För att förstå ROA är det också viktigt att förstå att hastigheten varierar mellan olika industrier och företag (Selling & Stickney 1989). En högre avkastning på tillgångarna innebär oftast en högre risk och därför borde ROA ha en positiv relation till hävstången.

P/E-tal

P/E-tal är pris per aktie dividerat med vinst per aktie. Datan samlades in från Thomson

Reuters (2019). P/E-talet används för att värdera ett företag och visar hur lång tid det tar att få tillbaka det som betalats för aktien genom företagets vinst (Groth & Anderson 1997). Denna värdering indikerar att en högre kvot ger en längre tid innan investeringen är återbetald medan en lägre kvot innebär att det går fortare. Nyaata (2009) undersökte sambandet mellan P/E-tal och kapitalstruktur med ett resultat som indikerar ett svagt negativt samband, vilket skulle innebära att om kapitalstrukturen ökar kommer P/E-talet minska. Med hänsyn till denna tidigare studie förväntas förhållandet mellan P/E-tal och hävstång bli negativt vid en antagen riktning.