Snäv definition av träffsäkerhet

För att belysa att tidsfördröjning påverkar träffsäkerheten görs tre olika modeller där de oberoende variablerna testas mot den beroende variabeln träffsäkerhet. I den första modellen (1) är den beroende variabeln om företaget fortlevt eller ej inom 12 månader, i den andra (2) är den om företaget fortlevt eller ej inom 36 månader och i den tredje (3) är

40

den om företaget fortlevt eller ej inom 60 månader efter fortlevnadsvarningen. I modell 1–3 används den snäva definitionen av träffsäkerhet, där företag som gått i konkurs eller har likviderats räknas som ej fortlevt.

Tabell 7. Modell 1–3: Tidsfördröjning

Träffsäkerhet(a)=β0+β1Formellstatus+β2Big4+β3Uppdragslängd+β4Tydlighet+ β5Storlek+β6Finanisellpåfrestning+β7Koncern+β8Kvinna+εi

Förväntat samband

Modell 1: 0–12 mån Modell 2: 0–36 mån Modell 3: 0–60 mån

Variabler Beta S.E. Beta S.E. Beta S.E.

Formell status + 16,603 2916 0,354 0,377 0,054 0,240 Big 4 + 0,939 0,758 -0,137 0,308 -0,204 0,212 Uppdragslängd - -0,051 0,126 -0,147 *** 0,053 -0,101 *** 0,033 Tydlighet + 0,882 1,090 0,238 0,330 -0,006 0,217 Storlek (ln balansomslutning) + 0,189 0,193 0,178 ** 0,076 0,118 *** 0,045 Finansiell påfrestning + 2,080 * 1,123 0,428 0,316 0,228 0,210 Koncern - 0,647 0,766 -0,715 ** 0,369 -0,494 ** 0,242 Kvinnlig revisor + -17,076 3715 0,134 0,386 -0,241 0,296 Konstant -25,985 2916 -4,900 *** 1,178 -2,594 *** 0,691 Nagelkerke R2 _0,198 0,076 0,053 Modellens Chi-två 16,386 ** 22,852 *** 23,393 ***

Rätt klassificerade i naiv modell 98,8% 92,0% 80,8%

Rätt klassificerade i faktisk modell 98,8% 92,0% 80,8%

Antal observationer (n) 691 691 691

***p-värde <0,01; **p-värde <0,05; *p-värde <0,10

Resultatet av de tre regressionsmodellerna återfinns i tabell 7. Förklaringsgraden indikeras av pseudo-R2 som mäts genom Nagelkerke R2 och är 0,198 i den första modellen och sedan sjunkande med längre tidsfördröjning. Det framstår därför som att de valda variablerna förklarar som mest de första 12 månaderna efter varningen, även om förklaringsgraden för alla tre modeller är låg då värden nära 1 tyder på hög förklaringsgrad (Djurfeldt & Barmark, 2009). Eftersom en större variation i den beroende variabeln ger säkrare regressionsskattningar (Djurfeldt et al., 2018) har dock modell 3, med en tidsfördröjning på 0–60 månader, valts som huvudmodell. Modell 3 kallas vidare för ursprungsmodellen.

Modell 1 har klassificerat 98,8% av företagen rätt, för modell 2 och 3 är siffran 92,0% respektive 80,8%. Jämfört med de naiva modellerna förbättras dock inte prediktionsförmågan när de oberoende variablerna läggs till, vilket tyder på att de oberoende variablerna inte tillför något till modellerna. Emellertid bör det tilläggas att det

41

är svårt att öka andelen rätt klassificerade när utgångsläget är högt (Collin, Tagesson, Andersson, Cato, & Hansson, 2009). På grund av att prediktionsförmågan inte förbättras görs Hosmer & Lemeshows test för att testa hur de predicerade värdena skiljer sig från de observerade och det önskade resultatet är att skillnaden inte ska vara signifikant. Testet visar att skillnaden inte är signifikant, utan kan förklaras av slumpen. Dessutom visar modellernas Chi-två att modellerna är signifikanta, vilket innebär att minst en av de oberoende variablerna bidrar till att förutspå värdet på den beroende variabeln.

I tabell 7 framgår att varken formell status eller big 4 visar på signifikanta samband i någon av de tre modellerna. Vi finner därför inget stöd för att kompetens påverkar träffsäkerheten, vilket indikerar att vi kan förkasta H1. Variabeln uppdragslängd uppvisar

dock ett starkt signifikant samband (i modellerna 2 och 3). Då modellerna visar på ett negativt samband tyder det på att ökad uppdragslängd leder till sämre träffsäkerhet. Modellerna visar dock inte stöd för att fortlevnadsvarningarnas tydlighet påverkar träffsäkerheten. Då uppdragslängd är signifikant i förväntad riktning kan emellertid hypotesen H2 tillsvidare inte förkastas. Som nämnt framgår det i den beskrivande

statistiken att träffsäkerheten ökar med tidsfördröjningen, då fler företag som fått en fortlevnadsvarning gått i konkurs eller likviderats ju längre tid som gått sedan varningen. Det finns därför stöd för hypotesen H3, att det finns ett positivt samband mellan

tidsfördröjning och träffsäkerhet,vilket gör att hypotesen ej förkastas.

Vidare framgår i tabell 7 att det finns signifikanta samband för tre av studiens kontrollvariabler. Variablerna storlek och koncern är starkt signifikanta i den förväntade riktningen i modell 2 och 3. Det ger därför stöd till att ju större företag som får en fortlevnadsvarning, desto högre är träffsäkerheten. Sambandet gäller oavsett om logaritmerad balansomslutning eller logaritmerad omsättning används för att mäta storlek. Dessutom visar resultatet stöd för att träffsäkerheten är sämre om företaget som fått en fortlevnadsvarning ingår i en koncern. För variabeln finansiell påfrestning finns ett svagt signifikant samband i modell 1. Det indikerar att träffsäkerheten är bättre om företaget som fått en fortlevnadsvarning är finansiellt påfrestat. För kontrollvariabeln kvinnlig revisor finns dock inga signifikanta samband i någon av modellerna.

42

Tabell 8. Modell 4–5: Revisionsbyrå

Träffsäkerhet(a)=β0+β1Formellstatus+β2PwC+β3KPMG+β4Deloitte+β5BDO+β6GT+β7Mazar+β8Annan+ β9Uppdragslängd+β10Tydlighet+β11Storlek+β12Finanisell påfrestning+β13Koncern+β14Kvinna+εi

Träffsäkerhet(a)=β0+β1Formellstatus+β2PwC+β3EY+β4Deloitte+β5BDO+β6GT+β7Mazar+β8Annan+ β9Uppdragslängd+β10Tydlighet+β11Storlek+β12Finanisell påfrestning+β13Koncern+β14Kvinna+εi Modell 4: Referenskategori EY Modell 5: Referenskategori KPMG

Variabler Förväntat samband Beta S.E. Beta S.E.

Formell status + -0,049 0,251 -0,049 _0,251 Revisionsbyrå PwC ? 0,381 0,407 -0,666 _0,450 EY ? - - _{-1,047 ** 0,503} KPMG ? 1,047 ** 0,503 - - Deloitte ? -0,362 0,699 _{-1,409 * 0,722} BDO ? -0,934 0,807 _{-1,981 **} 0,826 Grant Thornton ? 0,655 0,496 -0,392 _0,531 Mazar ? 2,278 *** 0,622 _{1,231 **} 0,649 Annan revisionsbyrå ? 0,478 0,369 -0,569 _0,411 Uppdragslängd - -0,102 *** 0,034 _{-0,102 ***} 0,034 Tydlighet + 0,015 0,225 0,015 _0,255 Storlek (ln balansomslutning) + 0,125 *** 0,046 0,125 *** 0,046 Finansiell påfrestning + _{0,235 0,216 0,235 0,216} Koncern - -0,544 ** 0,247 -0,544 ** 0,247 Kvinnlig revisor + _{-0,205 0,299 -0,205 0,299} Konstant -3,136 *** 0,799 -2,089 *** 0,815 Nagelkerke R2 _0,104 0,104 Modellernas Chi-två _{46,500 *** 46,500 ***}

Rätt klassificerade i naiv modell 80,8% _80,8%

Rätt klassificerad i faktisk modell 81,3% _81,3%

Antal observationer (n) 691 ₆₉₁

***p-värde <0,01; **p-värde <0,05; *p-värde <0,10

För att särskilt testa revisionsbyrå görs ytterligare två modeller. Modellerna presenteras i tabell 8 och den beroende variabeln är om företaget fortlevt 0–60 månader efter fortlevnadsvarningen eller ej, med den snäva definitionen av träffsäkerhet. Den oberoende variabeln big 4 har bytts ut mot de fyra stora byråerna, de tre medelstora byråerna och en kategori för andra revisionsbyråer. När flera dummyvariabler används för att fånga samma sak behövs en referenskategori (Djurfeldt & Barmark, 2009), vilket i modell 4 är EY och i modell 5 är KPMG. Anledningen till att en av big 4-byråerna väljs som referenskategori är eftersom syftet främst är att jämföra de större revisionsbyråerna. I tabell 8 framgår att förklaringsgraden Nagelkerke R2 _{nästan har fördubblats jämfört med}

43

ursprungsmodellen och är 0,104. Modellerna klassificerar 81,3% rätt, vilket är en ökning på 0,5 procentenheter jämfört med den naiva modellen som klassificerar 80,8% rätt. Till skillnad mot modellerna i tabell 7 ger de oberoende variablerna följaktligen en förbättring i att förklara träffsäkerhet jämfört med de naiva modellerna. Dessutom visar modellens Chi-två att modellerna är starkt signifikanta.

I modell 4, med EY som referenskategori, framgår att det finns ett starkt signifikant positivt samband för KPMG. Sambandet går att tolka som att revisorer på KPMG ger högre träffsäkerhet än EY. Däremot visar varken PwC eller Deloitte några signifikanta samband i jämförelse med EY. Resultatet från modell 4 visar dock på en skillnad mellan de olika big 4-byråerna eftersom skillnaden mellan EY och KPMG är signifikant. För att få ytterligare stöd testades även att använda KPMG som referenskategori, vilket visas i modell 5. Resultatet visar att både EY och Deloitte har signifikant negativa samband, vilket kan tolkas som att de ger lägre träffsäkerhet än KPMG. Det ger därför stöd för att träffsäkerheten mellan big-4 byråerna skiljer sig åt.

Oavsett om EY eller KPMG används som referenskategori finns ett starkt signifikant positivt samband för Mazar. Det förefaller därför som att Mazar ger högre träffsäkerhet än referenskategorin. Dessutom visar BDO på ett starkt signifikant negativt samband i modell 5, vilket tyder på att BDO ger sämre träffsäkerhet än KPMG. Resultatet går därför att tolka som att det även finns skillnader mellan andra byråer än inom big 4. Resultaten är dock blandade och då formell status inte är signifikant ger det stöd för att tillsvidare förkasta hypotesen H1. Variabeln uppdragslängd är, liksom i ursprungsmodellen, starkt

negativt signifikant i både modell 4 och 5 vilket är till fördel för hypotes H2. Vidare är

kontrollvariablerna storlek och koncern, liksom i urspungsmodellen, starkt signifikanta i den förväntade riktningen.