Med utgångspunkt från tidigare finansiell krisforskning, där undersöknings-materialet ofta är baserade på data från alla tillgängliga företag eller med udda företag exkluderade, framgår i denna studie att nyckeltal identifierade i tidigare forskning även kan användas vid prognos av finansiell kris i en udda bransch, men att den inbördes tolkningen kan bli annorlunda. Med utgångspunkt från bioteknikbranschen under åren 2002 till 2007 identifieras med hjälp av logistisk regression nyckeltalen, avkastning på investerat kapital, ROIC, och korta skulder genom eget kapital, KSkEk, som indikatorer på finansiell kris. Avkastningsmåttet ROIC visar sig ligga i linje med tidigare forskning och är en god indikator på hur innovativa företag, som bioteknikföretag, presterar. Den andra indikatorn, KSkEk, går stick i stäv med tidigare observationer. Bland bioteknikföretag minskar ett högt KSkEk risken för ett företag att hamna i finansiell kris. Detta är tvärt emot tidigare resultat inom finansiell krisforskning och sannolikt en konsekvens av bioteknikbranschens särart. Således bör försiktighet iakttas vid applicerandet av finansiella krisindikatorer på enskilda branscher.
R E F E R E N S E R
P U B L I C E R A D E K Ä L L O R
Afifi, A.A & Clark, V. 2004. Computer-aided Multivariate Analysis. Chapman & Hall, 4 ed. London.
Altman, E I, 1968. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy, The Journal of Finance, Vol. 23, No. 4, Sep1968, pp. 589-609.
Asya, M, Collopy, F, 1998. How Effective are Neural Networks at Forecasting and Prediction? A Review and Evaluation, Journal of Forecasting, 17, 1998, pp. 481-495.
Beaver W., H., 1966, Financial Ratios As Predictors of Failure, Journal of Accounting Research, Vol. 4, 71-111.
Becchetti, L. & Sierra, J., 2003, Bankruptcy risk and productive efficiency in manufacturing firms, Journal of banking & Finance, 27 (11): 2099-2120
Beneda, Nancy, 2007. Performance and distress indicators of new public companies. Journal of Asset Management, Vol. 8, 2007, pp. 24–33.
Blum, M, 1974. Failing Company Discriminant Analysis, Journal of Accounting Research, Vol. 12, No. 1, Spring, 1974, pp. 1-25.
Bose, I, Pal, R, 2006. Predicting the survival or failure of click-and-mortar corporations: A knowledge discovery approach, European Journal of Operational Research, 174, 2006, pp. 959-982.
Campbell J. Y. et al., 2006, In search of distressed risk, working paper 12362, National bureau of economic research.
Chaya, D., 2004, Survival strategies for start-ups, Journal of commercial biotechnology, Vol 11, No 2, 130-133.
Collins, 1972, An Emperical Comparison of Bankruptcy Prediction Models, Journal of business finance and accounting, Vol 4, No. 4, 52 – 57.
Cramer J.S., 1991, The logit model: an introduction for economists, Routledge.
Dambolena, I G, Khoury, J, 1980. Ratio Stability and Corporate Failure. The Journal of Finance, Vol. 35, No. 4, 1980, pp. 1017-1026.
Demaris, 1992, Logit modelling, Applications in the social science, 86, Sage university paper.
Dunteman, 2006, An introduction to generalized linear models, Applications in the social science, 145, Sage university paper.
Edmister, R O, 1972. An Empirical Test of Financial Ratio Analysis for Small Business Failure Prediction, The Journal of Financial and Quantitative Analysis, Vol. 7, No. 2, 1972, pp. 1477-1493.
Hamberg, M., 2004, Strategic financial decisions, Liber. Malmö.
Horrigan, 1965, s 560, Some Empirical Bases of Financial Ratio Analysis, The Accounting Review, Vol 40, No.3, 558-568.
Laitinen E K, T, 2000. Bankruptcy prediction Application of the Taylor 's expansion in logistic regression, International Review of Financial Analysis, 9, 2000, pp.
327-349.
McMillan, G S, Thomas P, 2004. Financial success in biotechnology: company age versus company science, Technovation, No. 25, 2005, pp. 463-468.
Menard S., 1995, Applied logistic regression analysis,Quantitative Applications in the social science, 106, Sage university paper.
Meyer & Pifer, 1970, Prediction of Bank Failures, The Journal of Finance, Vol. 25, No.4, 853-868.
Ohlson, J A, 1980. Financial Ratios and the Probabilistic Prediction of Bankruptcy, Journal of Accounting Research, Vol. 18, No. 1, Spring, 1980, pp. 109-131.
Olson & Mossman, 2003, Neural network forecasts of Canadian stock returns using accounting ratios, International Journal of Forecasting, 19, 453-465.
Peng, C-Y J, So, T-S H, Stage F K, St. John, E P, 2002. The Use And Interpretation Of Logistic Regression In Higher Education Journals: 1988-1999, Research in Higher Education, Vol: 43, No. 3, June 2002, pp. 259-293.
Santos, A A P, Newton da Costa Jr. C A, dos Santos Coelho, L, 2007.
Computational intelligence approaches and linear models in case studies of forecasting exchange rates, Expert Systems with Applications, 33, 2007, 816–823.
Simth, D, 2006, Redovisningens språk, tredje upplagan, Studentlitteratur.
Skogsvik, K, 1988. Prognos av finansiell kris med redovisningsmått, Akademisk avhandling för erhållande av ekonomie doktorsexamen vid Handelshögskolan i Stockholm, Abrahams Tryckeri, Karlskrona.
Robinsson, K C, 1998. An examination of the influence of industry structure on eight alternative measures of new venture performance for high potential independent new ventures, Journal of Business Venturing, 14, 1998, 165-187.
Vanderbyl, S, Kobelak, S, 2007. Critical success factors for biotechnology industry in Canada, Journal of Commercial Biotechnology, 2007, Vol. 13, No. 2, 68-77.
Wilcox, J W, 1973, A prediction of Business Failure Using Accounting Data, Journal of Accounting Research, Vol. 11, 188-190.
I N T E R N E T K Ä L L O R
Chicago State University, 2007,
http://www2.chass.ncsu.edu/garson/pa765/assocordinal.htm (2007-10-10)
Ernst & Young, 2007. Beyond Borders: The Global Biotechnology Report 2007.
www.ey.com/beyondborders
Garson D, 2006. http://www2.chass.ncsu.edu/garson/PA765/logistic.htm (2007-12-03)
North Carolilna State University, 2007,
http://www2.chass.ncsu.edu/garson/pa765/assocordinal.htm (2007-12-03)
Standard & Poor's, 2006,
http://www2.standardandpoors.com/spf/pdf/products/Compustat2006.pdf (2007-12-01)
B I L A G O R
B I L A G A 1 – L O G I S T I S K R E G R E S S I O N S A N A L Y S
Målet med regressionsanalys är att finna en uppsättning av variabler med hög förklarandegrad, det vill säga att i så hög grad som möjligt kunna förklara uppmätt variation i en beroende variabel genom en linjär kombination av oberoende variabler. Detta möjliggör att ett värde på den beroende variabeln kan förutsägas för givna värden på de oberoende variablerna. Utifrån regressionsmodellens regressionsparametrar går det att tolka hur de inbördes variablerna bidrar till modellens förklarandegrad, vilket kan bidra till ökad förståelse för det undersökta problemet.
Logitmodellen kan tillskrivas den mer omfångsrika klassen generaliserade linjära regressionsmodeller (Dunteman, 2006). Generaliserade linjära modeller, i jämförelse med den enkla linjära regressionsmodellen, OLS (ordinary least square), tillåter att den beroende variabeln har en icke normalfördelad fördelning samt att dess medelvärde kan vara en ickelinjär funktion av dess regressionsparametrar. Generaliserade modeller antar att den beroende variabeln tillhör familjen av exponentiella fördelningar.
) och en errorfördelning. Länkfunktionen är själva regressionen och funktionen beskiver den beroende variabelns medelvärde utifrån en uppsättning av oberoende variabler. Den andra delen, errorfördelningen, är en funktion av den beroende variabelns medelvärde. Ett specialfall kan tillskrivas normalfördelningen vars errorfördelning är konstant. Generaliserade linjära modeller antar att observationer av den beroende variabeln, y1,y2...,yn, är oberoende och att de kan tillskrivas samma exponentiella fördelning. Detta betyder att medelvärdena,
µn
µ
µ1, 2,..., , kan vara olika eftersom de generaliserade linjära modellerna antar att medelvärdena är relaterade till oberoende variabler genom länkfunktionen. En annan komponent bland exponentialfördelningar är den så kallade variansfunktionen, vilken är andraderivatan av b, b''(!).
ANVÄNDNINGSOMRÅDEN OCH HÄRLEDNING AV LOGITMODELLEN
Logitmodellen kan med fördel användas när den beroende variabeln inte är kontinuerlig, till exempel i en studie där intresset ligger på att förutsäga, testa teorier och öka förståelsen. Utfallet kan antingen vara binärt, binär logistisk regression, eller ha fler än två kategorier, så kallad polytomous logistisk regression.
I detta arbete modelleras ett binärt problem och såldes används binär logistisk regression. Skulle detta modelleras genom en vanlig regressionsmodell uppstår lätt problem med hur resultatet skall tolkas när den beroende variabeln inte är en sannolikhet. Utöver detta kan interceptet orsaka problem om det antar ett värde större än 1 eller mindre än 0 (en sannolikhet kan inte bli mindre än 0 eller större än 1).
Givet ett binärt utfall på den beroende variabeln kan detta beskrivas genom den så kallade Bernoulli- eller binärafördelningen, f(y|")="y(1!")1!ydär ! är sannolikheten för ett lyckat utfall. Det finns således två möjliga utfall, dels ! = 1 om utfallet är lyckat eller ! = 0 om utfallet är misslyckat. Detta ger att överstiga 1. När denna fördelning sätts i exponentialform fås:
) variansen till medelvärdet ! .
NÅGRA SKILLNADER MELLAN OLS OCH LOGITMODELLEN
För att lyfta fram skillnaden mellan modellerna kan en jämförelse mellan logitmodellen och OLS-modellen göras. Länkfunktionen för en logitmodell ges av:
µ
Medan länkfunktionen för OLS ges av:
µ µ
!( )= (4)
En stor skillnad är således att länkfunktionen i logitmodellen är en funktion av dess oberoende variabler. En ytterligare skillnad är variansen för en OLS modell är konstant medan logitmodellens varians kan beskrivas genom variansfunktion:
) kallat homoscedastiska, vilket inte är ett nödvändigt krav för logitmodeller.
HUR KAN RESULTATET TOLKAS?
För att utvärdera en regressionsmodell brukar den normal utvärderas i tre stag (Menard, 1995, s. 17). Först görs en bedömning av hur bra modellen är. Bedöms modellen vara bra görs en utvärdering dels av dess regressionsparametrar, och dels av huruvida modellen kan antas vara en korrekt tolkning av verkligheten.
Hur bra modellen är kan tolkas genom flera olika mått, så kallade goodness of fit mått. Ett vanlig förekommande mått är differensen mellan -2*log-likelihoodvärden för en modell innehållande alla variabler och en modell utan variabler. Detta mått kallas ofta för G. Att loglikelihoodvärdet multipliceras med -2 har att göra med att produkten har en ungefärlig ! fördelning. Detta kan liknas 2 vid ett F-test för multivariata linjära modeller. Testet säger att givet att alla parametrar !1,!2...,!n= 0 och att G är statistiskt signifikant, bidrar någon eller några av de oberoende variablerna till modellens prediktionsförmåga. (Menard,
1995, s. 19-22) Utöver goodness of fit test brukar även modellens klassificerings-förmåga testas. Modellens klassificeringsklassificerings-förmåga brukar anges i termer av Goodman-Krustal Gamma, Sommers D, Kendall’s Tau-a och Kendall’s Tau-b eller genom klassificeringstabeller och ROC-kurvor. Skillnaden mellan måtten och de olika sätten är bland anat att de angriper felklassificeringar på olika sätt (Chicago State University, 2007).
Givet att modellen bedöms vara tillförlitlig med avseende på dess prediktionsförmåga och goodness of fit, blir nästa steg att analysera parameterestimaten, deras standardavvikelse, deras t-kvot och huruvida parametrarna är statistiskt signifikanta. t-kvoten beräknas genom:
j med (n-p-1) frihetsgrader. Det går även att beräkna variablernas signifikans genom likelihoodtest där modellens likelihoodvärde beräknas två gånger, en gång med variabeln närvarande och en med variabeln frånvarande. Differensen mellan de båda värdena är ! fördelad med en frihetsgrad. Tolkningen av variablerna är 2 inte självklart intuitiv eftersom en förändring av parametrarna ger upphov till en
förändring i ) parametrarnas log odds, där oddsförändringen mäts utifrån en enhetsförändring av den oberoende parametern (Cramer, 1990, s 10; Dunteman, 2006, s. 37-38).
Anta att vi har en enkel logistisk regression med en beroende och en oberoende variabel.
Om båda sidorna upphöjs med e. fås:
1
Detta medför utifrån en regressionsparameter kan dess odds beräknas.
Exempelvis om ! är 0,1 kommer dess odds vara 1 e!1vilket är lika med 1,105 ≈ 1,11 vilket betyder att en enhetsökning av X1ger upphov till 11 procent ökat odds.
Detta är en tolkning av enskilda parametrar, tolkningen av hela modellen är ett sannolikhetsmått. Anta att resultatet från (7) skulle vara 6 (ett helt slumpmässigt valt värde). Tolkningen skulle då vara att sannolikheten för den beroende variabeln skulle vara e6/(1+ e6)=0,997 Utfallet är med andra ord nästan 100 procent.
B I L A G A 2 – O U T L I E R D I A G R A M
Outliern som exkluderades från undersökningen befinner sig högst upp i högra hörnet på samtliga diagram.
1,0 0,8
0,6 0,4
0,2 0,0
7 6 5 4 3 2 1 0
Probability
Delta Deviance
Delta Deviance versus Probability
1,0 0,8
0,6 0,4
0,2 0,0
2,0
1,5
1,0
0,5
0,0
Probability
Delta Beta
Delta Beta versus Probability
1,0 0,8
0,6 0,4
0,2 0,0
20
15
10
5
0
Probability
Delta Chi-Square
Delta Chi-Square versus Probability
B I L A G A 3 – O U T L I E R D I A G R A M
Samma diagram som bilaga 2 fast med företaget som klassificeras som en outlier borttagen.
1,0 0,8
0,6 0,4
0,2 0,0
25 20 15 10 5 0
Probability
Delta Chi-Square
Delta Chi-Square versus Probability
B I L A G A 4 – M O D E L L B E A R B E T N I N G
TABELL 10: MODELLFRAMTAGNING – ROIC
Källa: JCF
TABELL 11: MODELLFRAMTAGNING – ROIC OCH KSKEK
Källa: JCF
Modell DF G G p
ROIC ReTill 2 18,46 0,00 0,950
ROIC ReAnlt 2 19,33 0,88 0,348
ROIC InKassaSk 2 18,45 0,00 0,956
ROIC LogTill 2 18,73 0,28 0,595
ROIC KassaTill 2 18,45 0,00 1,000
ROIC OmKSk 2 19,89 1,44 0,230
ROIC EkSk 2 19,93 1,48 0,224
ROIC LSkRör 2 19,35 0,90 0,344
ROIC LaRör 2 20,30 1,85 0,174
ROIC AnlEk 2 19,84 1,39 0,238
ROIC SkTill 2 18,45 0,00 1,000
ROIC KSkEk 2 23,35 4,90 0,027
G mäter skillnaden mot enbart ROIC
Modell DF G G p
ROIC KSkEk ReTill 3 23,35 0,00 1,000
ROIC KSkEk ReAnlt 3 23,84 0,49 0,920
ROIC KSkEk InKassaSk 3 23,40 0,05 0,997
ROIC KSkEk LogTill 3 23,48 0,13 0,988
ROIC KSkEk KassaTill 3 23,36 0,01 1,000
ROIC KSkEk OmKSk 3 23,64 0,29 0,961
ROIC KSkEk EkSk 3 24,39 1,04 0,792
ROIC KSkEk LSkRör 3 23,35 0,00 1,000
ROIC KSkEk LaRör 3 25,35 2,00 0,573
ROIC KSkEk AnlEk 3 23,58 0,23 0,972
ROIC KSkEk SkTill 3 23,44 0,08 0,994
G mäter skillnaden mot enbart ROIC och KSkEk
B I L A G A 5 – K O R R E L A T I O N S M A T R I S
P-värdet anges under respektive värde
ReTill RörTill ReAnlt InKassaSk LogTill ROIC KassaTill OmKSk EkSk KSkEk AnlEk KassaFör ReFör RörFör LSkRör LaRör RörTill 0,65
0
ReAnlt 0,58 0,221
0 0,007
InKassaSk 0,209 -0,126 0,322
0,01 0,123 0
LogTill 0,418 0,197 0,358 0,488
0 0,015 0 0
ROIC 0,287 -0,144 0,355 0,275 0,297
0 0,077 0 0,001 0
KassaTill -0,247 0,111 -0,274 -0,431 -0,336 -0,245
0,002 0,175 0,001 0 0 0,002
OmKSk 0,168 0,291 0,075 -0,408 -0,108 0,164 0,528
0,04 0 0,36 0 0,186 0,044 0
EkSk 0,166 0,209 0,058 -0,383 -0,182 0,177 0,28 0,801
0,042 0,01 0,479 0 0,025 0,03 0 0
KSkEk 0,086 0,064 0,142 0,011 0,026 0,02 -0,054 -0,036 -0,011
0,296 0,437 0,084 0,895 0,753 0,807 0,512 0,656 0,892
AnlEk 0,137 -0,021 0,238 0,142 0,131 0,12 -0,315 -0,192 -0,142 0,69
0,094 0,801 0,003 0,082 0,11 0,142 0 0,018 0,083 0
KassaFör 0,066 -0,044 0,071 0,106 -0,004 0,085 -0,202 -0,114 -0,089 0,031 0,164
0,423 0,596 0,388 0,194 0,961 0,301 0,013 0,164 0,278 0,708 0,044
ReFör -0,015 -0,021 -0,066 -0,033 -0,025 -0,061 0,072 0,066 0,017 -0,008 0,01 0,321
0,855 0,801 0,42 0,684 0,765 0,456 0,379 0,422 0,832 0,926 0,9 0
RörFör 0,058 -0,001 0,046 0,013 -0,054 0,068 -0,078 -0,023 -0,008 -0,001 0,051 0,462 0,542
0,476 0,993 0,575 0,875 0,512 0,41 0,342 0,776 0,924 0,988 0,536 0 0
LSkRör 0,016 0,006 0,003 0,165 0,131 -0,032 -0,187 -0,18 -0,27 -0,262 -0,013 0,14 -0,162 -0,011
0,846 0,941 0,973 0,043 0,108 0,699 0,022 0,027 0,001 0,001 0,873 0,086 0,048 0,892
LaRör 0,169 -0,023 0,18 0,168 0,103 0,202 -0,494 -0,246 -0,156 0,048 0,142 0,114 -0,03 0,048 0,084
0,038 0,778 0,027 0,04 0,21 0,013 0 0,002 0,056 0,555 0,082 0,164 0,712 0,557 0,305
SkTill -0,683 -0,947 -0,256 0,11 -0,207 0,048 0,059 -0,253 -0,286 -0,104 -0,055 0,013 0,015 -0,022 0,108 -0,034
0 0 0,002 0,178 0,011 0,555 0,475 0,002 0 0,206 0,499 0,87 0,853 0,793 0,187 0,677