Mothypotesen accepteras, som menar att företagens totala tillgångar skiljer sig åt mellan friska företag och dem i konkurs. Nedanstående tabell påvisar att resultatet dock skulle vara en aning tvetydigt beroende på vilket år och bransch som jämförs. Hypotesen skulle accepteras i handelsföretagsgruppen oavsett år, medan den skulle förkastas i den tillverkande gruppen oavsett år. I gruppen med tjänsteföretag skulle nollhypotesen accepteras år 2 och 3, medan den skulle förkastas år 1. Vid genomgång av medelvärdena i respektive grupp, går det klart se att de skiljer sig åt, och konkursföretagen har i medel färre tillgångar än de friska företagen. Det går också se att tillgångarna ökar för varje år, oavsett grupp, och trots att konkursföretagen går i konkurs efter år -1, ökade tillgångarna för det året.
år -1 år -2 år -3
Konkurs Friska z Konkurs Friska z Konkurs Friska z
Tillverkning 40 330 73 895 -2,58 36 556 68 189 -2,52 31 122 62 958 -2,62
Handel 36 515 50 281 -1,57 33 798 48 999 -1,79 30 047 43 488 -1,60
Tjänster 42 992 100 778 -2,01 35 685 90 697 -1,91 29 220 90 284 -1,76
Totalt 39 946 74 985 -3,19 35 346 69 295 -3,13 30 130 65 577 -2,82
Tabell 26; Totala tillgångar - Medelvärde och beräknade z-värden
Resultatet från hypotes 6-9 verkar bekräfta vad tidigare forskning påvisat, att ett företags nyckeltal klart påvisar skillnader mellan friska och välmående företag och dem med ekonomiska svårigheter. Gruszczynski menade att ett företag behöver vara lönsamt för att överleva, och bästa sättet att lyckas med det är att förbättra likviditeten och minska skulderna. Hypoteserna ovan visar att tillgångarna och likviditeten är sämre i konkursföretagen, vilket enligt forskningen är viktiga delar om företaget ska lyckas. Samtidigt menar Gilbert et al att värdena mellan olika konkursföretag kan skilja stort, vilket också till viss del kan bekräftas genom ovanstående tabeller och beräkningar.
H0.9: Totala tillgångar är lika i konkursföretag och friska företag.
4.10 Hypotes 10 - Konkursförutsägelse är sämre i tjänsteföretag
Detta resultat är mycket nära den kritiska gränsen, men värdet överstiger inte 1,64 och nollhypotesen kan därför inte förkastas. Detta innebär dock inte att beräkningarna fastställer att Z´´-score-modellen är sämre på tjänsteföretagen, utan endast att det inte går att förkasta antagandet därom.
I gruppen konkursföretag lyckades Z´´-score klassificera 15 tillverkningsföretag korrekt, vilket motsvarar 50 procent. Bland tjänsteföretagen var motsvarande siffra 63,3 procent. Även om det verkar vara en mer korrekt bedömning bland tjänsteföretagen, kan detta alltså inte stärkas vid en hypotesprövning, precis som det inte går att förkasta nollhypotesen.
Forskningen vill påvisa att nyckeltal mellan tillverkande företag och tjänsteföretag skiljer, men när det kommer till möjligheterna att skilja dem åt genom Z´´-score, är det inte lika enkelt. Även om nollhypotesen inte kan förkastas, ligger den korrekta klassificeringen väldigt lika och bransch verkar spela mindre roll, möjligen bortsett från handelsföretagen. T il lver k n
. Friskt Konkurs Totalt
T
jänste
r Friskt Konkurs Totalt
Friskt 18 7 25 Friskt 17 5 22 Gråzon 6 8 14 Gråzon 5 6 11 Konkurs 6 15 21 Konkurs 8 19 27 Totalt 30 30 60 Totalt 30 30 60 Han d el
Friskt Konkurs Totalt
T
OT
ALT
Friskt Konkurs Totalt
Friskt 21 17 38 Friskt 56 29 85
Gråzon 3 5 8 Gråzon 14 19 33
Konkurs 6 8 14 Konkurs 20 42 62
Totalt 30 30 60 Totalt 90 90 180
Tabell 27; Z´´-score, klassificering i antal, sista bedömningsåret.
H0.10: Z´´ kan förutse konkurser i tjänsteföretag i lägre grad än
i tillverkande företag ett år före konkurs.
H1.10: Z´´ kan inte förutse konkurser i tjänsteföretag i lägre grad än
T
il
lver
k
n
. Friskt Konkurs Totalt
T
jänste
r Friskt Konkurs Totalt
Korrekt 60,0% 50,0% 55,0% Korrekt 56,7% 63,3% 60,0% Gråzon 20,0% 26,7% 23,3% Gråzon 16,7% 20,0% 18,3% Felaktigt 20,0% 23,3% 21,7% Felaktigt 26,7% 16,7% 21,7% Totalt 100,0% 100,0% 100,0% Totalt 100,0% 100,0% 100,0% Han d el
Friskt Konkurs Totalt
T
OT
ALT
Friskt Konkurs Totalt
Korrekt 70,0% 26,7% 48,3% Korrekt 62,2% 46,7% 54,4%
Gråzon 10,0% 16,7% 13,3% Gråzon 15,6% 21,1% 18,3%
Felaktigt 20,0% 56,7% 38,3% Felaktigt 22,2% 32,2% 27,2%
Totalt 100,0% 100,0% 100,0% Totalt 100,0% 100,0% 100,0%
4.11 Hypotes 11 - Lönekostnad i konkursföretag
Nollhypotesen kan inte förkastas. Genom att studera nyckeltal i tabellen nedan vidare, går det se att lönekostnaden per anställd i medel är högre i tjänsteföretagen, både ett och två år före konkurs, och oavsett vilket av åren som beräknas, skulle nollhypotesen accepteras. Genom beräkning kan även konstateras, att ökningen i lönekostnad från år -2 till år -1, inte är avvikande på något sätt. Skulle hypotes sättas upp, att lönekostnaden är oförändrad från år -2 till år -1, skulle även den bekräftas, eftersom beräknade z-värden ligger inom z = ± 1,96.
år -1 år -2 Tillverkning Tjänster Tillv. Tjänst Tillv. Tjänst år -1 år -2 år -1 år -2 Medel 255,77 302,23 241,97 277,28 255,77 241,97 302,23 277,28 Konf. 18,89 28,12 24,21 27,61 18,89 24,21 28,12 27,61 Std.avv 52,78 78,59 66,53 77,15 52,78 66,53 78,59 77,15 Varians 2785,75 6176,95 4425,83 5951,96 2785,75 4425,83 6176,95 5951,96 Antal 30 30 29 30 30 29 30 30 z 2,69 1,88 -0,88 -1,24
Tabell 29; Lönekostnader i konkursföretag, tillverkning och tjänster
Forskningen menar att tjänsteföretag och företag med specialister, har högre lönekostnader än företag med mer allmänkunnande personal, vilket borde göra att tjänsteföretag har en högre lönekostnad per anställd än tillverkande företag. Genom uppsatt hypotes, kan detta i denna undersökningen inte heller motbevisas, och genom att kontrollera medelvärdena ovan, går det se viss skillnad, vilket också bekräftar hypotesen.
H0.11: Tjänsteföretag i konkurs har högre lönekostnad per anställd än
tillverkningsföretag i konkurs.
H1.11: Tjänsteföretag i konkurs har lika eller lägre lönekostnad per anställd än
4.12 Hypotes 12 - Lönekostnader
Nollhypotesen förkastas, och mothypotesen accepteras - konkursföretag har inte lika lönekostnad per anställd som friska företag. Testet gjordes dubbelsidigt, och hypotesprövningen talar inte om i vilken riktning de inte är lika, utan endast att avvikelse finns.
Genom att studera medelvärdena nedan, kan konstateras att nollhypotesen skulle förkastas i alla fall förutom tjänster år -2, men även där är det ganska nära gränsvärdet. Skulle hypotesen ändras, och istället påstå att lönekostnaden per anställd är högre i konkursföretagen än i de friska företagen, skulle gränsvärdet ändras från ± 1,96 till -1,64, och nollhypotesen skulle då förkastas i samtliga fall. Grundhypotesen talar inte om riktning, men genom att göra ovanstående justering, bekräftas även att lönekostnaden faktiskt är högre per anställd i de friska företagen än i konkursföretagen.
år -1 år -2
Konkurs Friska z
H0
accepteras Konkurs Friska z
H0
accepteras
Tillverkning 255,8 334,6 -5,63 Nej 242,0 322,0 -5,11 Nej
Handel 277,7 336,7 -3,23 Nej 266,1 327,1 -2,63 Nej
Tjänster 302,2 442,2 -2,10 Nej 277,3 467,5 -1,88 Ja
Totalt 278,6 371,2 -3,87 Nej 261,9 372,2 -3,12 Nej
Tabell 30; Lönekostnader- Medelvärde i samtliga urvalsgrupper, redovisat i kkr
H0.12: Konkursföretag har lika lönekostnad per anställd som friska företag.
4.13 Hypotes 13 - Intäkter per anställd
Nollhypotesen accepteras. Intäkt per anställd är högre i de friska företagen, vilket stämmer överens med tidigare testade hypotes om att lönekostnaderna är högre. Precis som i många liknande beräkningar ovan, går det se att resultatet skulle bli detsamma oavsett bransch eller år, eftersom inget av z-värdena understiger -1,64.
Avgörande faktor för att vinst ska kunna genereras i slutet och företaget ska bli lönsamt, är att varje anställd drar sitt lass till verksamheten och ovan fastställdes lönekostnaden vara högre i de friska företagen än konkursföretagen. Detta borde leda till att intäkterna per anställd också är högre i de friska företagen, vilket här också bekräftas.
år -1 år -2 år -3
Konkurs Friska z Konkurs Friska z Konkurs Friska z
Tillverkning 1679 2541 2,62 1414 2592 3,70 1628 2252 1,76
Handel 3899 3760 -0,18 5063 3963 -0,72 5123 3603 -1,02
Tjänster 1804 2618 1,41 1792 2736 1,40 2127 2662 0,74
Totalt 2461 2973 1,43 2745 3097 0,61 2995 2841 -0,26
Tabell 31; Intäkt per anställd - Medelvärden i samtliga urvalsgrupper, redovisat i kkr.
Medeltalen visar att det finns en avvikelse i handelsföretagen, där konkursföretagen år - 2 och år -3 ligger mycket högre än de friska företagen. Standardavvikelsen gör dock, att nollhypotesen inte kan förkastas.
H0.13: Intäkt per anställd är högre i friska företag än konkursföretag.
4.14 Hypotes 14 - Antal anställda
Nollhypotesen accepteras, som menar att antalet anställda i tjänsteföretag är lika i både konkursföretag och friska företag. Nollhypotesen skulle accepteras även om frågeställningen skulle ändras till att inkludera hela urvalet, oavsett vilket år som kontrolleras. Vad som är avvikande i tabellen nedan, är att nollhypotesen inte skulle accepteras om prövningen skulle göras på enbart handelsföretag, vilket vill påvisa att det faktiskt skiljer i antal anställda just här. Hypotesprövningen påvisar inte i vilken riktning det skiljer mellan grupperna, men medelantalen påvisar dock att handelsföretagen i konkurs verkar ha färre anställda än de friska företagen.
år -1 år -2 år -3
Konkurs Friska z Konkurs Friska z Konkurs Friska z
Tillverkning 49,3 45,6 0,39 47,6 44,3 0,33 47,5 43,6 0,40
Handel 26,5 40,1 -2,08 24,4 37,8 -2,01 23,0 35,7 -1,83
Tjänster 63,7 55,8 0,56 60,3 47,9 0,85 54,3 37,5 1,23
Totalt 46,5 47,2 -0,10 44,3 43,4 0,14 41,4 38,9 0,40
Tabell 32; Antal anställda - Medelvärde och beräknade z-värden
Vid analys av medelvärdena i tabellen ovan, och medianvärdena i tabellen nedan, verkar konkursföretagen ha aningen fler anställda än de friska företagen, bortsett från handelsföretagen, men genom att urvalet påvisar stor spridning kan inte hypotesprövningen bekräfta att så är fallet.
Tillverkning Handel Tjänster Totalt
Konkurs 39,0 23,0 51,0 35,5
Friska 30,0 29,0 29,5 30,0
Tabell 33; Antal anställda - Medianvärde
H0.14: Antalet anställda i tjänsteföretag är lika i konkursföretag
och friska företag.
H1.14: Antalet anställda i tjänsteföretag är inte lika i konkursföretag
4.15 Hypotes 15 - Vinstmarginal
Nollhypotesen kan inte förkastas, vilket innebär att det inte finns tillräckliga bevis för att acceptera mothypotesen. Tjänsteföretagen i konkurs kämpar, precis som tillverkande företagen, men tjänsteföretagen verkar lida av djupare förluster än vad övriga två grupper gör både år -3 och året för konkurs. Dock bör tilläggas, att konfidensintervallet också är som störst (-10,7% ± 19,7% för år -3 och -7,7% ± 8,6% året för konkurs), vilket gör medeltalet mer osäkert för hela populationen.
år -1 år -2 år -3
Tillverkn. Tjänster Tillverkn. Tjänster Tillverkn. Tjänster
Medel -2,7% -7,7% -1,4% 2,4% 1,4% -10,7% Konfidens 3,7% 8,6% 3,5% 5,6% 2,7% 19,7% Std.avv 10,3% 24,0% 9,7% 15,6% 7,4% 52,2% Varians 1,1% 5,7% 0,9% 2,4% 0,5% 27,3% Antal 30 30 30 30 28 27 z -1,06 1,12 -1,19
Tabell 34; Vinstmarginal - hypotesprövning av samband.
Jämförs vinstmarginalerna mellan friska företag och konkursföretag istället, blir skillnaderna ganska markanta. Minst avvikelse mellan friska och konkursföretagen går att se på handelsföretagen, som har en låg marginal i de friska företag och i konkursföretagen faktiskt bibehåller en positiv marginal sista året innan konkurs.
år -1 år -2 år -3
Konkurs Friska z Konkurs Friska z Konkurs Friska z
Tillverkning -3% 8% -4,40 -1% 9% -4,34 1% 9% -3,49
Handel 2% 4% -1,21 1% 3% -1,40 2% 5% -1,54
Tjänster -8% 12% -3,95 2% 10% -1,85 -11% 8% -1,86
Totalt -3% 8% -5,38 1% 7% -3,98 -2% 7% -2,74
Tabell 35; Vinstmarginal - Medelvärde och beräknade z-värden
H0.15: Vinstmarginalen är lägre i tjänsteföretag inför en konkurs än i
tillverkande företag.
H1.15: Vinstmarginalen är lika eller högre i tjänsteföretag inför en konkurs än i
Företagens vinstmarginal skiljer sig åt om företaget är i konkurs eller om det räknas som friskt, men som kan ses i tabellen ovan, går det se skillnader mellan tillverkande företag och tjänsteföretag, och eftersom konfidensintervallet är ganska stort på tjänsteföretagen, behöver även sambandet mellan de olika åren och branscherna testas. Genom beräkningarna i ovanstående tabell framgår att alla tre åren ligger inom gränsvärdena, och slutsatsen därav blir att vinstmarginalen med stor sannolikhet är lika dålig i båda branscherna.
Tillverkning Tjänster år -1 år -2 år -3 år -1 år -2 år -3 Medel -2,7% -1,4% 1,4% -7,7% 2,4% -10,7% Konfidens 3,7% 3,5% 2,7% 8,6% 5,6% 19,7% Std.avv 10,3% 9,7% 7,4% 24,0% 15,6% 52,2% Varians 1,1% 0,9% 0,5% 5,7% 2,4% 27,3% Antal 30 30 28 30 30 27 z 0,51 1,94 1,21 -1,25 1,73 -0,27
Tabell 36; Vinstmarginal - Beräknade z-värden mellan alla tre bedömningsår.
Görs samma analys de tre sista åren före konkurs i respektive bransch, kan inte heller där uteslutas att vinstmarginalerna är lika varandra från år till år, även om det mellan år -1 och år -2 inom tjänsteföretagen är väldigt nära gränsvärdet. Slutsats gällande vinstmarginalen blir därmed att den är lägre i konkursföretagen än vad den är i de friska företagen, men det går inte påvisa några skillnader mellan företagen i konkurs. Att vinstmarginalen är lägre stämmer överens med resultatet från hypotes 6-9 ovan, och eftersom det finns ett samband mellan lönsamhet, likviditet och vinstmarginal, blir detta lite av en självklarhet i resonemanget.
5. Slutsats
Tidigare forskning har påvisat att det finns indikatorer som skiljer friska företag från dem med ekonomiska svårigheter. Genom åren har olika modeller framkommit, för att i förväg kunna förutse konkurser och skilja de friska från de sjuka, och Altmans modeller har blivit väl testade genom åren. Modellerna är gamla och genom åren har kritik framkommit dels om dess funktion men även innehåll. Ett antal forskare har menat att modellerna inte fungerar beroende på företagens och marknadernas sammansättningar, men även att de inte tar hänsyn till alla påverkande aktiviteter. Denna uppsats har haft i syfte att undersöka hur tillförlitlig Altmans Z´´-score är på små- och medelstora tjänsteföretag i Sverige, och om det finns en koppling mellan erhållet kreditbetyg och framräknat Z´´-score. Tidigare forskning påvisar att det finns skillnader mellan tjänsteföretag och tillverkningsföretag, vilket gör att modeller och nyckeltal borde därför se olika ut beroende på bransch. Uppsatsens inledande frågeställning var följande:
Hur väl fungerar Altmans Z´´-score-modell som indikator gällande konkursrisk på små och medelstora tjänsteföretag i Sverige, och kan vi se ett samband mellan företagets Z´´-score och kreditbetyg?
Erhållet resultat i denna uppsats vill påvisa, att det finns ett samband mellan företagets kreditbetyg och Z´´-score, och relationen kan tolkas som måttlig till stark. Detta går emot det resultat Bergsten & Wolkesson kom fram till i sin uppsats, samtidigt som resultatet ger stöd för Altmans teorier om att samband finns. När det istället kommer till frågan om hur väl Z´´-score-modellen fungerar på vald grupp, måste resultatet tolkas som att den fungerar dåligt. Modellen kunde endast klassificera 54,4 procent av totala urvalet korrekt, vilket i det närmaste kan jämföras med slumpen. Studien inkluderade 180 företag, och kastas ett mynt upp i luften 180 gånger, kommer krona med mycket stor sannolikhet att hamna uppåt 50 procent av kasten. Studien kan dock konstatera, vilket stämmer med tidigare forskning, att klassificering av friska företag är mer korrekt än klassificering av konkursföretag, samtidigt som företagens kreditbetyg gav en något bättre klassificering, både totalt och gällande friska företag.
Tidigare forskning menar också att klassificering av tjänsteföretag borde vara mindre korrekt än i tillverkande företag, vilket denna studie heller inte kan bekräfta. Sista
bedömningsåret visade klassificeringen med hjälp av Z´´-score på totalt utfall mellan 48,3 procent och 60,0 procent beroende på bransch. Z´´-score-modellen fungerar därmed inte alls särskilt väl på små- och medelstora företag, vare sig det handlar om tjänsteföretag, tillverkande företag eller handelsföretag. Det gick dock se en försämring av konkursföretagens Z´´-score åren före konkurs samtidigt som de friska företagen ligger på en relativt jämn nivå, vilket alltså kan vara en möjlig indikator precis som både Beaver och Altman menade i sina ursprungliga slutsatser. Modellen kan fungera som vägvisare, men inte ensamt avgöra om ett företag kommer gå i konkurs inom den närmsta tiden.
Uppsatsen andra fråga i inledningen var:
Går det se skillnad på olika mättal för friska företag och konkursföretag inom segmentet Små- och Medelstora företag, och på vilket sätt märks i så fall dessa skillnader?
Det finns skillnader i nyckeltal, både mellan branscher men kanske främst mellan företagen försatta i konkurs och de som klassificeras som friska, inte mellan branscherna. Den bransch som verkar avvika är dock handelsföretagen. Dessa nyckeltal avvek mest från både tillverkande företag och tjänsteföretag. Referensramen tar upp företagens ålder som en faktor, vilket kan bekräftas genom denna uppsats, genom att konstatera en åldersskillnad mellan de friska företagen och konkursföretagen. Vidare konstateras att antalet anställda är lika i båda grupperna, även om medelvärde och medianvärde vill påvisa annat. Det fanns dock inte tillräckligt starka bevis för att anta att skillnad mellan grupperna. Intäkterna per anställd är lägre i konkursföretagen. Andra nyckeltal där det går se skillnad är lönsamhet och vinstmarginal, som båda är lägre i konkursföretagen än i de friska företagen. Detta kan hänga samman med att konkursföretagen har lägre intäkter men lika antal anställda, vilket alltså genererar lägre vinst och dessa företag blir därmed mindre lönsamma. Andra nyckeltal som skiljer sig åt är företagens balanslikviditet, vilken också är sämre i konkursföretagen precis som vinstmarginal och lönsamhet. Detta kan även kopplas samman med att konkursföretagen har lägre tillgångar i allmänhet och att dess skuldsättning är högre än de friska företagen.
Sammanfattningsvis blir slutsatsen, att det finns klara skillnader mellan friska företag och företag som försatts i konkurs. Däremot kan studien inte bekräfta Z´´-score- modellens funktion, eller att det skulle finnas skillnader i Z´´-score mellan tillverkande företag och tjänsteföretag. Samtidigt konstateras att, precis som forskningen också tidigare påvisat, genom uppföljning av företagets nyckeltal kan de ekonomiska svårigheterna upptäckas tidigare och tittar man på rätt nyckeltal, kan kanske de största problemen undvikas. Skillnaderna i nyckeltal upptäcktes dock i denna uppsats genom att jämföra med friska företag, vilket indikerar att det måste finnas någon typ av jämförelsebas för att säga om talet är dåligt eller ej. Vilka nyckeltal som bäst påvisar ekonomiska svårigheter verkar dock kvarstå att finna.
5.1 Fortsatt forskning
Det finns många aspekter inom området att gå vidare med, och som konstaterades redan i referensramen, är forskningen fortfarande mycket oenig om vilka modeller som fungerar bäst, vilka faktorer som ska vara med och så vidare. Punkter av intresse, kan fortsättningsvis vara att titta närmre på nyckeltalsanalyser, för att faktiskt finna nyckeltal som visar på ekonomiska svårigheter i ett företag.
Eftersom Z´´-score-modellen trots allt kan påvisa vissa indikationer eftersom strax över hälften trots allt klassificeras korrekt, kan det även finnas intresse i att se över modellens koefficienter, om justeringar kan göras och därmed erhålla förbättrad klassificering.
Eftersom urvalet i denna uppsats stundtals påvisar ganska stor spridning, kan det även vara intressant att gå vidare med liknande urval, men i mindre grupperingar. Små- och medelstora företag är ett stort intervall, vilket kan behöva begränsas ytterligare för att se tydligare resultat.
Vidare forskning av kvalitativa mått kan också vara av stort intresse. Eftersom prediktionsmodellerna genom åren ständigt uppvisar olika resultat, måste det finnas andra faktorer som gör att företaget försätts i konkurs. Genom en kvalitativ studie, går det ta fram orsakerna, men även om företagsledningen fokuserat på fel saker att följa upp, och vilka åtgärder som försökt vidtagas före konkursens faktum.
6. Litteraturförteckning
Affärsdata. (u.d.). Affärsdata. Hämtat från http://www.ad.se den 16 Maj 2012
Agarwal, V., & Taffler, R. J. (2007). Twenty-five years of the Taffler z-score model: does it really have predictive ability? Accounting and business research , 37 (4), 285-300.
Almega. (den 15 02 2012). Almega. Hämtat från http://www.almega.se
Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The Journal of Finance , 23 (4), 589-609.
Altman, E. I., & Hotchkiss, E. (2006). Corporate Financial Distress and Bankruptcy. Hoboken/New Jersey: John Wiley & Sons Inc.
Altman, E. I., & Narayanan, P. (1997). An international survey of business failure classification models. Financial markets, institutions & instruments , 6 (2), 1-57.
Altman, E. I., & Sabato, G. Modeling Credit Risk for SMEs: Evidence from the US Market. Andersen, I. (1998). Den uppenbara verkligheten. Lund: Studentlitteratur.
Andersson, E.-L. (den 4 Maj 2012). SCB. (J. Andersson, Intervjuare)
Andersson, J., & Ståhl, J. (2007). Småländska åkeriers konkurrenskraft när marknaden
avregleras. Växjö: Ekonomihögskolan / Växjö Universitet.
Appiah, K. O., & Abor, J. (2009). Predicting corporate failure: some emirical evidence from the UK. Benchmarking: An International Journal , 16 (3), 432-444.
Arun, R., & Kasilingam, R. (Januari-Mars 2011). Predicting solvency: Indian IT companies.
SCMS Journal of Indian Management , 81-95.
Balcaen, S., & Ooghe, H. (2006). 35 years of studies on business failure: an overview of the classic statistical methodologies and their related problems. The British Accounting Review , 38, 63-93.
BAS-gruppen. (2010). BAS Nyckeltal. Vällingby: Norstedts Juridik AB.
Beaver, W. H. (1966). Financial ratios as predictors of failure. Journal of Accounting Research ,
4 (3), 71-111.
Befring, E. (1994). Forskningsmetodik och statistik. Lund: Studentlitteratur.
Berg, D. (2007). Bankruptcy prediction by generalized additive models. Appl. Stochastic
Models Bus. Ind. , 23, 129-143.
Bergsten, P.-O., & Wolkesson, J. (2009). Z-score vs rating - Outside vs inside. Lund: Ekonomihögskolan, Lunds Universitet.
Bernanke, B. S. (1981). Bankruptcy, Liquidity and Recession. American Exonomic Review , 71 (2), 155-159.
Bhargava, M., Dubelaar, C., & Scott, T. (1998). Predicting bankruptcy in the retail sector - an examination of the validity of key measures of performance. Journal of retailing and consumer
services , 5 (2), 105-117.
Bolagsverket. (den 25 02 2012). Bolagsverket. Hämtat den 25 02 2012 Creswell, J. W. (2009). Research Design. SAGE Publications Inc.
Dahlgren, A., & Söderqvist, T. (2010). Konkursprediktion inom service- och
informationsteknikbranschen. Södertörn/Stockholm: Södertörns Högskola.
Ekström, O., & Lindgren, C. (2008). Kreditbetyg - En alfabetisk utgångspunkt i ett numeriskt
perspektiv. Lund: Företagsekonomiska Institutionen / Lunds Universitet.
Eliasson, G. (1992). Affärsmisstag och konkurser.
European Commission. (den 27 02 2012). European Commission. Hämtat från
http://ec.europa.eu/enterprise/policies/sme/facts-figures-analysis/sme-definition/index_en.htm Everett, J., & Watson, J. (1998). Small business failure and external risk factors. Small Busniess
Exonomics , 11 (4), 371-390.
Folkesson, E. (2009). Företaget i ekonomisk kris. Halmstad: Talentum HR AB.
Gamerschlag, R., & Moeller, K. (2011). The positive effects of human capital reporting.
Corporate Reputation Review , 14 (2), 145-155.
Gentry, Newbold, & Whitford. (1985). Predicting bankruptcy: If cash flow's not the bottom line, what is?
Gilbert, L. R., Menon, K., & Schwartz, K. B. (1990). Predicting bankruptcy for firms in financial distress. Journal of Business Finance & Accounting , 17 (1), 161-171.