Kandidatuppsats 15 hp
Har kapitalstrukturen i
svenska företag förändrats i
och med införandet av IFRS
16?
Företagsekonomiska institutionen
Uppsala universitet
HT 2020
Datum för inlämning: 2021-01-15
Felipe Alvarado
Ludvig Lundqvist
Sammandrag
Den första januari 2019 implementerades en ny redovisningsstandard gällande leasing, IFRS 16. Förändringen resulterade i att leasingavtal endast ska redovisas som finansiell leasing, något som enligt tidigare forskning förväntas förändra företagens kapitalstruktur. Syftet med uppsatsen är därmed att undersöka om kapitalstrukturen förändrats hos företag noterade på Nasdaq OMX Stockholm efter implementeringen av IFRS 16, samt om olika branscher påverkats. För att undersöka syftet används två regressionsmodeller. Urvalet består av 254 företag. Studiens variabler har valts utifrån hur vanligt förekommande de är inom tidigare forskning, där Rajan & Zingales (1995) är den huvudsakliga källan. Uppsatsen finner signifikanta samband mellan soliditet och de oberoende variablerna market-to-book, storlek och lönsamhet. Överlag finner uppsatsen att implementeringen av IFRS 16 inte haft någon inverkan på kapitalstrukturen hos företag noterade på Nasdaq OMX Stockholm. Vi finner stöd för att IFRS 16 resulterat i en lägre soliditet för branschen handel, samtidigt finner vi ingen påverkan av IFRS 16 för resterande branscher.
Innehållsförteckning
1. Inledning 1
2. Redovisningsstandarder 3
2.1 IAS 17 3
2.2 IFRS 16 3
2.3 Effekterna av IFRS 16 på företagens kapitalstruktur 4 3. Vad bestämmer ett företags kapitalstruktur? 5
3.1 Kapitalstruktur 5
3.2 Trade-off teorin 5
3.3 Pecking order teorin 6
3.4 Faktorer som påverkar kapitalstrukturen 6
3.5 Sammanfattning teoriavsnitt 9 4. Metod 11 4.1 Regressionsmodeller 11 4.2 Modellernas variabler 12 4.2.1 Beroende variabel 12 4.2.2 Oberoende variabler 13 4.2.3 Dummyvariabler 14
4.3 Data och urval 15
4.4 Korrelationsmatris och databearbetning 16
5. Resultat och analys 18
5.1 Deskriptiv statistik 18
5.2 Korrelation 20
5.3 Regressionsanalys 21
5.3.1 Resultat Modell 1 21
5.3.2 Resultat Modell 2 24
6. Slutsats och förslag till vidare forskning 26
6.1 Slutsats 26
6.2 Förslag till vidare forskning 27
7. Källförteckning 28
1. Inledning
Den nya redovisningsstandarden IFRS 16, som behandlar leasing, implementerades den första januari 2019 och ersatte föregångaren IAS 17 (IFRS, 2016). Bakgrunden till bytet är att den tidigare standarden, IAS 17, inte återspeglade företags faktiska ekonomiska verklighet. IAS 17 möjliggjorde för företag att exkludera den hyrda tillgången och leasingskulden i balansräkningen, vilket gjorde det svårare för investerare att jämföra företags finansiella siffror. Avsikten med IFRS 16 är att samtliga leasingavtal ska inkluderas i balansräkningen, samt åtgärda de problem som fanns hos IAS 17. Målet är därmed att IFRS 16 ska öka jämförbarheten, skapa ett mer standardiserat sätt att redovisa leasing och underlätta för användare av finansiella rapporter (IFRS, 2016). Förändringen innebär att det blir mindre komplicerat för investerare att granska och värdera ett företags finansiella tillstånd (IASB, 2016a).
Kritiken mot IAS 17 grundade sig i att företag kunde klassificera leasingavtal som finansiella eller operationella leasingavtal (IASB, u.å.). Som en konsekvens kunde företagen själva välja den sortens avtal som lämpade företaget bäst (IASB, 2016a). Branswijck et al. (2011) menar att operationell leasing resulterade i fördelar när denna användes. Fördelarna grundade sig i att både de hyrda tillgångarna och skulderna kunde hållas utanför balansräkningen där endast information om framtida leasingförpliktelser existerade i fotnoter, samt att alla risker kopplat till avtalet fördes över till leasegivaren. Utifrån denna kritik ansågs IAS 17 inte samverka med den föreställningsram som International Accounting Standards Board (IASB) utformat. IASB menar att finansiell information ska vara begriplig, relevant, tillförlitlig och jämförbar (IASB, 2020).
För att förbättra kvaliteten på de finansiella rapporterna implementerade IASB den nya redovisningsstandarden IFRS 16 från och med den 1 januari 2019 (IASB, 2016b). Enligt IFRS 16 kan leasing inte kategoriseras som operationell leasing. Istället ska i princip all leasing redovisas som finansiell leasing (IFRS, 2016). Detta påverkar de finansiella
rapporterna i sin helhet då IFRS 16 resulterar i att den leasing som tidigare var operationell numera skall inkluderas i företagens balansräkningar (nyttjanderätt och skuld) och även redovisas på ett annat sätt i resultaträkningen. Följaktligen förändras företagens tillgångar och skulder, vilket bör påverka företagens nyckeltal (IFRS, 2016).
Med tanke på att de finansiella nyckeltalen förväntas förändras i och med införandet av IFRS 16 är det relevant att studera kapitalstrukturen innan (2018) och efter (2019) införandet av den nya redovisningsstandarden. Kapitalstrukturen är intressant att studera då den påverkar företagens ställning på marknaden genom deras möjligheter till extern finansiering och förväntad avkastning hos ägare och långivare (Myers & Majluf, 1984). Därmed visar ett företags kapitalstruktur information som är intressant och nödvändig för investerare. Kapitalstrukturen påverkas av flera variabler, exempelvis materiella tillgångar, lönsamhet, företagsstorlek och market-to-book-kvot (Rajan & Zingales, 1995). Vidare påverkar dessa förklaringsvariabler kapitalstrukturen olika beroende på vilken bransch företagen verkar inom (Titman & Wessels, 1988). Enligt PwC (2016) kommer branscher påverkas i olika omfattning av implementeringen, där exempelvis dagligvaruhandeln, flygbolag och hälsovård förväntas få en större förändring i nyckeltalen.
Eftersom resultatet av övergången förväntas bidra till en ökning av tillgångar och skulder i balansräkningen bör det även innebära förändring i kapitalstrukturen. Denna uppsats motiveras av att det saknas forskning som studerar den faktiska effekten av IFRS 16 på svenska företags kapitalstruktur. Syftet med uppsatsen är därmed att undersöka om kapitalstrukturen förändrats hos företag noterade på Nasdaq OMX Stockholm efter implementeringen av IFRS 16, samt om olika branscher påverkats.
2. Redovisningsstandarder
I följande kapitel beskrivs bakgrunden samt innebörden av IFRS 16 och IAS 17 samt förväntad effekt av den nya redovisningsstandarden enligt tidigare forskning.
2.1 IAS 17
IAS 17 implementerades 1982 och är numera ersatt av IFRS 16 (IASplus, 2019). IAS 17 riktade in sig på de redovisningsprinciper och upplysningar som var tillämpliga på
leasingavtal för leasetagare och leasegivare. Standarden delade in leasingavtal i operationella och finansiella leasingavtal. Ett finansiellt leasingavtal enligt IAS 17 var ett avtal som i huvudsak överförde alla risker med ägandet till leasetagaren. Alla andra leasingavtal
klassificerades som operationella leasingavtal. De finansiella leasingavtalen betraktades som ett köp av leasetagaren samt en försäljning hos leasegivaren och redovisades som en tillgång och skuld i företagens balansräkning (IFRS, 2017). De operationella leasingavtalen
redovisades genom att den underliggande tillgången stannade i leasegivarens balansräkning samtidigt som leasetagaren endast behövde redovisa leasingavgifterna som en kostnad, vilket inte påverkade balansräkningen (Branswijck et al. 2011). Gällande leasingbetalningar fanns det en skillnad mellan finansiell och operationell leasing. Finansiella leasingbetalningar fördelades i regel mellan ränta och amortering (IAS 17:25). För operationella leasingavtal redovisades betalningar som en linjär kostnad i resultaträkningen över leasingperioden, såvida ett annat systematisk förfarande inte var mer representativ för användaren över tidsperioden (IAS 17:33)
2.2 IFRS 16
IFRS 16 implementerades den första januari 2019 med syfte att säkerställa att både
leasetagare samt leasegivare levererar väsentlig och korrekt information (IFRS, 2016; IFRS 16:1). Genom IFRS 16 är det inte möjligt att klassificera leasingavtal som operationella leasingavtal. Istället ska samtliga leasingavtal, med vissa undantag, kategoriseras och redovisas som finansiella leasingavtal likt IAS 17. Enligt de undantag som finns kan exempelvis korttidsleasingavtal (leasingavtal som är kortare än 12 månader) redovisas som en kostnad, antingen linjärt över leasingperioden alternativt på ett annat passande sätt (IFRS
16:5). Ytterligare exempel på undantag är leasingavtal med lågt värde (IFRS 16:5). De nämnda undantagen är dock inget denna uppsats tar i beaktning
Förändringen från IAS 17 till IFRS 16 innebär att leasetagare estimerar nyttjandetiden för tillgången, därefter beräknas de förväntade betalningarna som tillgången förväntas generera under tillgångens livslängd och till slut ska dessa diskonteras tillbaka till nuvärdet (IFRS, 2016). I de finansiella rapporterna ska leasingavtal redovisas som en finansiell skuld och nyttjanderätten i företagets balansräkning (IFRS 16:22). För leasegivare innebär
implementeringen av IFRS 16 en oförändrad redovisning (PwC, 2019). I och med att balansräkningen för många företag således har påverkats bör kapitalstrukturen förändrats, vilket kommer att beröras djupare nedan.
2.3 Effekterna av IFRS 16 på företagens kapitalstruktur
Implementeringen av IFRS 16 förväntas påverka företagens tillgångar och skulder, vilket innebär att kapitalstrukturen bör förändras. Framför allt gäller det företag med en hög andel operationell leasing (IFRS, 2016). Enligt Magli et al. (2018) kommer det ske stora
förändringar i framför allt företagens balansräkning på grund av IFRS 16. De menar att det innebär en ökning av finansiella skulder, där skulderna hos de europeiska börsnoterade företagen förväntas öka med cirka 576 miljarder euro. Således bör det innebära att soliditeten i företagen minskar som en följd av IFRS 16. Även en studie från Norge, vilka också
redovisar i enlighet med IFRS, pekar på att kapitalstrukturen kommer förändras efter införandet av IFRS 16 (Mesrobian et al. 2018). De menar att tillgångarna och skulderna kommer öka samtidigt som det egna kapitalet kommer minska.
3. Vad bestämmer ett företags kapitalstruktur?
I följande kapitel presenteras relevanta teorier inom kapitalstrukturforskning. Vidare beskrivs de variabler som enligt tidigare forskning påverkar företags kapitalstruktur samt deras koppling till teorierna.
3.1 Kapitalstruktur
Ett företags kapitalstruktur definieras som kombinationen mellan eget kapital och skulder (Abdullah & Tursoy, 2019). En teori som legat till grund för en stor mängd forskning inom ämnet är Modigliani - Miller (MM)-teorin (Modigliani & Miller, 1958). Ett central antagande i MM-teorin är att perfekt kapitalmarknad råder, vilket innebär att det inte existerar några transaktionskostnader, konkurskostnader eller skatter. Utifrån antagandet presenteras två hypoteser. Den första menar att företagets kapitalstruktur inte påverkar dess värde. Den andra hypotesen menar att det finns ett positivt samt proportionerligt samband mellan ett företags kostnad för eget kapital och skuldsättningsgrad. Utifrån denna teori har det utvecklats ett flertal teorier som motreaktioner, däribland trade-off teorin och pecking order teorin. Även om båda teorierna är överens om att kapitalstrukturen är värderelevant grundar de sig i olika argument (Abdullah & Tursoy, 2019). Dessa teorier och skillnader mellan dem berörs nedan.
3.2 Trade-off teorin
Trade-off teorin grundar sig i att företag utformar sin kapitalstruktur genom en avvägning mellan de fördelar och nackdelar kopplade till finansiering med eget kapital eller skulder (Kraus & Litzenberger, 1973). De menar att företagen, upp till en viss nivå, ökar sitt värde genom skuldsättning. Tanken är att företaget kan dra nytta av skatteskölden eftersom kostnaden för skulder är avdragsgill. Samtidigt medför en hög skuldsättning även risker för företag eftersom de riskerar att inte kunna fullfölja sina betalningsåtagande. Vid problemen att återbetala sina skulder tillkommer indirekta kostnader för företaget, vilket kan resultera i konkurs. Därav menar trade-off teorin att det är av vikt att finna avvägningen mellan
fördelarna med hög skuldsättning och riskerna kopplat till hög skuldsättning (Kraus & Litzenberger, 1973). Myers (1984) menar att företag sätter ett skuldsättningsmål och rör sig mot det. Målet går ut på̊ att hitta en balans mellan effekten av skatteskölden och kostnader för
lån, så kallad optimal kapitalstruktur. Med andra ord förklarar teorin att det kan vara gynnsamt med skuldsättningsfinansiering.
3.3 Pecking order teorin
Det har uppkommit kritik gentemot trade-off teorin (Myers & Majluf, 1984). Kritiken grundar sig i att teorin inte kan förklara sammansättningen av företagens kapitalstruktur. Myers & Majluf menar att även liknande företag innehar en relativt stor skillnad i dess kapitalstruktur, samt att den optimala kapitalstrukturen influeras av andra faktorer än de som presenteras av trade-off teorin. Med beaktande av denna kritik utvecklade Myers & Majluf pecking order-teorin. Teorin menar att företagen snarare rankar vilken sorts kapital de vill inneha, istället för att nå den optimala kapitalstrukturen. Pecking order teorin menar att företag föredrar internt kapital snarare än extern kapital. Grunden till att företag föredrar internt kapital beror på informationsasymmetri mellan ledningen i företaget, ägare och övriga intressenter. Anledningen är att ledningen antas besitta mer information gällande
investeringarnas framtida avkastning samt tänkbara risker företaget står inför. Som en konsekvens av informationsasymmetrin kan uppfattningen om företagets värde skilja sig mellan parterna. När företag emitterar ut ytterligare aktier kan investerare komma att anta att företag är övervärderat. Om så är fallet kommer dessa investerare att inte betala det utsatta priset för aktierna vilket resulterar i att aktiepriset sjunker (Myers & Majluf, 1984). Med internt kapital riskerar inte aktiekursen påverkas i samma utsträckning vilket gör att företag rangordnar kapitalet genom att intern finansiering föredras framför extern (Myers, 1984).
3.4 Faktorer som påverkar kapitalstrukturen
Enligt tidigare forskning finns det mängder med faktorer som kan påverka företagens kapitalstruktur. Följaktligen är det relevant att vidare behandla de variabler som, enligt tidigare forskning, har en betydande inverkan på företagens kapitalstruktur. Utifrån
litteraturen presenteras dessa variabler, samt hur de förväntas påverka kapitalstrukturen och hur de är kopplade till pecking-order och trade-off teorin. Genomgången görs för att med trovärdighet kunna genomföra en analys av företagens kapitalstruktur. Följande stycken har utgångspunkt i Titman & Wessels (1988) och Rajan & Zingales (1995) välciterade studier
gällande kapitalstruktur, samt en mer nutida översiktsstudie av Graham & Leary (2011). De variabler som är vanligt förekommande inom tidigare forskning, är materiella tillgångar, företagsstorlek, lönsamhet och market-to-book-kvot, vilket även är de variabler Rajan & Zingales (1995) använder i sin regressionsmodell. Utöver dessa avses även variabeln bransch att studeras eftersom bransch har en stark påverkan på kapitalstrukturen (Titman & Wessels, 1988; Bradley et al. 1984). Variablerna förklaras vidare nedan.
Materiella tillgångar
Rajan & Zingales (1995) menar att om en stor del av ett företags tillgångar är materiella kommer dessa fungera som säkerhet, vilket innebär att risken för långivarna minskar. Desto större andel materiella tillgångar som redovisas i balansräkningen, desto mer villiga kommer långivarna vara gällande tillhandahållande av lån. Graham & Leary (2011) och Al-Najjar & Hussainey (2011) styrker att det existerar ett negativt samband mellan soliditeten och
materiella tillgångar. De förstnämnda menar att orsaken är att materiella tillgångar är mindre komplicerade att omvandla till kapital, jämfört med immateriella tillgångar, vilket bör öka skuldsättningen i företag med en hög andel materiella tillgångar. Detta bör därför minska nackdelarna med skuldsättning och ge utrymme för högre skuldsättning, för att uppnå den optimala kapitalstrukturen (Graham & Leary, 2011). En högre skuldsättning i sammanhanget ger stöd för trade-off teorin, vilket innebär ett negativt samband mellan soliditet och
materiella tillgångar.
Storlek på företaget
Storleken på företag kan också tänkas påverka kapitalstrukturen. Ett stort kommer troligtvis ha en lägre kostnad vid betalningssvårigheter och därav skapas utrymme för större lån
(Titman & Wessels, 1988). Rajan & Zingales (1995) menar att storleken kan ses som en mått på hur sannolikt det är att företaget försätts i konkurs, där ett stort företag har en lägre risk och tvärtom för mindre företag. En potentiell förklaring till detta kan vara att större företag är mer diversifierade och därmed har lägre sannolikhet att gå i konkurs (Rajan & Zingales, 1995). Lägre förväntade konkurskostnader innebär att det är möjligt för större företag att inneha en högre hävstång för att uppnå optimal kapitalstruktur. Därmed finns det ett negativt samband mellan storlek och företagens soliditet, vilket stödjer trade-off teorin.
Lönsamhet
Titman & Wessels (1988) menar att lönsamheten kommer öka det egna kapitalet och därav påverka kapitalstrukturen. Företag med hög lönsamhet har utrymme att skuldsätta sig mer, dels på grund av besparingar genom skatteskölden men också på grund av lägre kostnader vid betalningssvårigher (Hovakimian, Hovakimian & Tehranian, 2004). Samtidigt menar pecking order teorin att desto mer lönsamt ett företag är desto mer intern finansiering, under
förutsättning att utdelningen är konstant (Frank & Goyal, 2009). Harrison & Widjaja (2014) studerar amerikanska företags kapitalstruktur. De menar att trade-off teorin argumenterar för ett negativt samband mellan lönsamhet och soliditet, vilket innebär att en högre lönsamhet innebär en lägre soliditet. Vidare finner Myers & Majluf (1984) stöd för ett positivt samband mellan lönsamhet och soliditet, eftersom ett företag med högre lönsamhet vanligtvis utformar kapitalstrukturen med mer intern kapital. Det positiva sambandet ger stöd för pecking order teorin. Även Rajan & Zingales (1995) och Margaritis & Psillaki (2010) finner ett positivt samband mellan lönsamhet och soliditet.
Market-to-book-kvot (M/B-kvot)
Rajan & Zingales (1995) menar att market-to-book-kvoten (M/B-kvoten) vanligtvis betraktas som en proxy för investeringsmöjligheter. Författarna finner ett positivt samband mellan soliditet och M/B-kvot, eftersom företag med en högre M/B-kvot har högre kostnader vid ekonomiska bekymmer. Sambandet är i enlighet med pecking order teorin. Kapitaltillgångar som också är tillväxtmöjlighet säkerställer inte värdet som tillför ett företag (Frank & Goyal, 2009). Även Graham & Leary (2011) och Harrison & Widjaja (2014) menar att det råder ett positivt samband mellan soliditet och M/B-kvot. Ovanstående forskning visar att det råder risker som uppstår på grund av osäkerhet avseende värdet som tillför företag och därav kan det konstateras att ökning i soliditet ger stöd för pecking order teorin.
Bransch
Bowen et al. (1982) finner skillnader i olika branschers kapitalstruktur. Vidare blir företagen influerade av den aktuella branschen de verkar inom eftersom deras soliditet har benägenhet att närma sig branschgenomsnittet. Även Hurdle (1974) menar att företag inom liknande branscher möter likartade risker. Det existerar olika önskvärda skuldsättningnivåer beroende på vilken bransch som företaget verkar inom, vilket tyder på en liknande kapitalstruktur. Samtidigt menar trade-off teorin att målskuldsättningen varierar mellan företag och branscher. Företag med säkra, materiella tillgångar tenderar att ha en högre
skuldsättningsgrad, samtidigt som företag med riskfyllda tillgångar vanligtvis innehar en lägre skuldsättning (Brealy et al. 2011). Enligt trade-off teorin bör därför företag inom likartade branscher inneha en liknande kapitalstruktur.
Tabell 1: Sammanställning av variabler och förväntningar
Oberoende variabel Förväntade samband Källa
Materiella tillgångar Negativt Al-Najjar & Hussainey (2011), Graham & Leary (2011), Rajan & Zingales (1995)
Företagsstorlek Negativt Rajan & Zingales (1995)
Lönsamhet Positivt Harrison & Widjaja (2014), Margaritis & Psillaki, (2010), Myers & Majluf (1984), Rajan & Zingales (2010)
Market-to-book-kvot Positivt Graham & Leary, (2011), Harrison & Widjaja, (2014), Rajan & Zingales (1995),
Tabell 1 visar de förväntade sambanden mellan uppsatsens oberoende variabler och beroende variabel (soliditet).
3.5 Sammanfattning teoriavsnitt
Teoriavsnittet utgår från variabler som tidigare forskning menar påverkar kapitalstrukturen, samt vilken effekt de förväntas åstadkomma. Enligt tidigare forskning förväntas även IFRS 16 ha en inverkan på kapitalstrukturen. Magli et al. (2018) och Mesrobian et al. (2018) förväntar sig en lägre soliditet som en konsekvens av den nya redovisningsstandarden.
Utifrån trade-off teorin och pecking order teorin behandlas de olika faktorernas påverkan på kapitalstrukturen och de förväntade sambanden förklaras. Trade-off teorin samt pecking order teorin är centrala, på olika sätt, eftersom de kan förklara företagens val av kapitalstruktur.
Teorierna används även för att studera variablernas påverkan på kapitalstrukturen baserat på företagens branschtillhörighet. Faktorerna som studeras är valda med hänsyn till hur frekvent de förekommer i tidigare forskning, där Graham & Leary (2011), Rajan & Zingales (1995) och Titman & Wessel (1988) är de mest centrala studierna. Uppsatsens förväntningar sammanställs i tabell 1.
4. Metod
I följande kapitel beskrivs hur undersökningen genomförs. Först presenteras studiens
modeller, vilket följs av beskrivningar till hur modellernas beroende och oberoende variabler framtagits. Därefter redogörs för studiens urval och datainsamlingsprocess. Till sist
presenteras förklaringar till korrelationsmatriser och hur datamaterialet bearbetas.
4.1 Regressionsmodeller
För att studera studiens hypoteser används två multipla regressionsmodeller. Uppsatsens regressionsmodeller har sin utgångspunkt i den modell som Rajan & Zingales (1995) presenterar i sin studie. Till skillnad från Rajan & Zingales (1995), som använder skuldsättningsgraden, använder denna uppsats soliditet som beroende variabel. Valet av oberoende variabler är en direkt replikering. Utöver det tillkommer dummyvariabler.
Modell 1 mäter sambandet mellan den beroende variabeln soliditet och de oberoende variablerna företagsstorlek, materiella tillgångar, M/B-kvot och lönsamhet, samt om
sambandet förändras till följd av IFRS 16. Dummyvariabeln i den första modellen beskriver IFRS 16 och belyser dess påverkan på observationernas soliditet.
SOLt = 𝛼 + β1 MTt + β2 M/Bt + β3 STOt + β4 LÖNt + β5 D + ɛt
Den andra modellen bygger vidare på Modell 1. För att studera om kapitalstrukturen påverkats inom de olika branschkategorierna tillkommer sex dummyvariabler, en för varje bransch. Branschen material fungerar som referensgrupp. För att urskilja förändringen beräknas differensen för den beroende variabeln och de oberoende variablerna. Differensen avser perioden 2018 och 2019. Exempelvis beräknas differensen i lönsamhet genom att subtrahera värdet på lönsamheten för 2019 med värdet på lönsamheten 2018, för varje enskilt företag. I Modell 2 är β6-β10 regressionskoefficienter för respektive bransch-dummy. Genom dessa koefficienter, tillsammans med deras p-värde, avses det studeras om de olika
ΔSOLt = β1 ΔMT + β2 ΔM/B + β3 ΔSTO + β4 ΔLÖN + β5Industri + β6Fastigheter + β7
Handel + β8Information & kommunikation + β9Finans + β10Hälsovård + ɛt
SOL är soliditet, MT är materiella tillgångar, STO är företagsstorlek, LÖN är lönsamhet, M/B är market-to-book-kvot, 𝛼 är intercept, β är regressionskoefficient, t är tidsindikator, D är dummyvariabel för år i Modell 1 och bransch i Modell 2, Δ är differens och ɛ är felterm.
4.2 Modellernas variabler
För att göra en analys av förändringen i kapitalstruktur efter IFRS 16 krävs det att flera oberoende variabler tas i beaktning eftersom det inte bara finns en variabel som påverkar kapitalstruktur (Yegon et al. 2014). I enlighet med de variabler Graham & Leary (2011), Harrison & Widjaja, (2014) och Rajan & Zingales (1995) behandlar i sina studier är det dessa variabler som denna uppsats använder sig av.
De oberoende variablerna som valts ut i uppsatsen mäts och definieras i enlighet med tidigare forskning. I de fall det inte råder konsensus gällande förklaringar och formler, exempelvis gällande lönsamhet och market-to-book, används de definitioner som är mest förekommande inom tidigare forskning. Avsikten är att uppsatsens resultat ska kunna kopplas, jämföras och utvärderas med hänsyn till de redan existerande forskningsartiklarna inom ämnet.
4.2.1 Beroende variabel
Soliditet
Kapitalstrukturen visar relationen mellan företagens skulder samt eget kapital. För att studera sambandet används, enligt tidigare forskning, olika mått. Exempelvis använder Rajan & Zingales (1995) och Titman & Wessels (1988) sig av skuldsättningsgraden. Samtidigt visar Lindblom et al. (2011) att soliditeten är det mest förekommande måttet för kapitalstruktur i Sverige. Soliditeten beräknas genom eget kapital dividerat med totala tillgångar. Soliditeten är relaterad till skuldsättningsgrad som Titman & Wessels (1988) och Rajan & Zingales (1995) använder sig av, eftersom en hög soliditet innebär en låg skuldsättningsgrad, och
tvärtom. Med hänsyn till ovanstående kommer kapitalstruktur i denna studie att mätas som soliditet utifrån företagens bokförda värden.
Soliditet = Bokfört värde på eget kapital / Bokfört värde på totala tillgångar
4.2.2 Oberoende variabler
Materiella tillgångar
För att mäta kapitalstrukturen används materiella tillgångar. I enlighet med tidigare forskning (Al-Najjar & Hussainey, 2011; Rajan & Zingales, 1995; Titman & Wessel, 1988) använder denna uppsats samma definition. Detta innebär att det bokförda värdet på materiella
anläggningstillgångar divideras med det bokförda värdet på totala tillgångar. Kvotvärdet logaritmeras sedan genom den naturliga logaritmen för att göra variabeln mer
normalfördelad.
Materiella tillgångar = Materiella anläggningstillgångar / Bokfört värde på totala tillgångar
Företagsstorlek
I enlighet med Harrison & Widjaja (2014) samt Rajan & Zingales (1995) använder denna uppsats den naturliga logaritmen av företagets nettoomsättning för att mäta företagsstorlek. Den naturliga logaritmen används för att variabeln ska bli mer normalfördelad. Således kommer följande definition att användas i uppsatsen.
Storleken = ln(nettoomsättning)
Lönsamhet
Ännu en oberoende variabel som antas påverka kapitalstrukturen är lönsamhet. Margaritis & Psillaki (2010) och Harrison & Widjaja (2014) mäter lönsamheten genom att dividera resultatet före räntor och skatter (EBIT) med företagets totala bokförda tillgångar. Rajan & Zingales (1995) mäter lönsamheten genom EBITDA i täljaren. EBITDA mäter ett företags rörelseresultat före räntekostnader, skattekostnader, ned- och avskrivningar samt
amorteringar. Därmed existerar det skillnader i hur tidigare forskning mäter lönsamhet. I denna uppsats används EBIT i täljaren, eftersom av- och nedskrivningar kan inkluderas i olika poster i en resultaträkning, vilket gör EBITDA mer komplicerat att mäta. Samt då flertalet nämnda studier inom fältet använt samma definition.
Morales-Díaz & Zamora-Ramírez (2018) visar att EBIT ökar i samband med införandet av IFRS 16, vilket betyder att lönsamheten förväntas öka. Ökningen i EBIT uppstår eftersom den operationella leasingkostnaden elimineras och ersätts med en lägre avskrivningskostnad (IASplus, 2016)
Lönsamhet = EBIT / Bokfört värde på totala tillgångar Market-to-book-kvot
Detta mått går att utforma på två olika sätt, antingen som book-to-market-kvot eller market- to-book-kvot (M/B-kvot). Market-to-book-kvot är dock den variant som är mest
förekommande inom tidigare forskning. Bland annat Rajan & Zingales (1995), Lemmon & Zender (2010) och Harrison & Widjaja (2014) använder sig av denna. Denna studie definierar M/B-kvoten, i enlighet med ovanstående forskning, som marknadsvärdet på totala tillgångar dividerat med bokförda värdet på totala tillgångar. Marknadsvärdet på totala tillgångar består av bokförda värdet på skulder adderat med marknadsvärdet på eget kapital. Marknadsvärdet på eget kapital beräknas genom att multiplicera respektive stamakties aktiepris med
respektive stamakties utestående aktier för den valda tidpunkten. Därefter har det totala värdet för stamaktierna adderats. Till skillnad från tidigare studier logaritmerar denna uppsats kvotvärdet, genom den naturliga logaritmen, för att göra variabeln mer normalfördelad.
M/B - kvot = Marknadsvärdet på totala tillgångar / Bokfört värde totala tillgångar
4.2.3 Dummyvariabler
I studiens första regressionsmodell kommer en dummyvariabel användas för att studera effekten av IFRS 16 på kapitalstrukturen. Dummyvariabeln i Modell 1 förses med värdet 0 för de observationer från 2018, och värdet 1 för observationer som hänförs till 2019. Den andra modellen avser studera om soliditeten förändrats i olika branscher. De olika branscherna antar värdena 0 eller 1 i regressionen. Numreringen baseras på vilken bransch som studeras, där den bransch som studeras antar värdet 1 och resterande branscher antar värdet 0 för observationen. För att åtgärda det eventuella problem rörande multikollinearitet kommer modellen att använda en bransch som referensgrupp, vilken innebär att
dummyvariabler uppstår perfekt multikollinearitet vilket innebär att en modell inte kan värderas korrekt (Jaggia & Kelly, 2019).
4.3 Data och urval
Den data som krävs för att tillämpa regressionsmodellerna hämtas från databasen Refinitiv Eikon. För varje börsnoterat företag på den svenska marknaden Nasdaq OMX Stockholm inhämtas variablernas komponenter, vilket innefattar bokfört värde på eget kapital, bokfört värde på totala tillgångar, materiella anläggningstillgångar, nettoomsättning, EBIT och bokfört värde på totala skulder för 2018 och 2019, samt antal utestående aktier och aktiekursen sista april för 2019 och 2020. (Se bilaga för variabelnamn i Refinitiv Eikon).
Med hjälp av Refinitiv Eikon genomförs branschindelningen genom
branschklassificeringssystemet Global industry classification standard (GICS). Uppsatsens initiala urval består av 327 företag inom elva branscher. På grund av att vissa företag har brutet räkenskapsår har dessa exkluderats i studien, eftersom de inte börjar tillämpa IFRS 16 under samma tidsperiod. Även de företag där finansiell information saknas har exkluderats. Det totala bortfallet uppgår till 73 företag, därav uppgår det slutgiltiga urvalet till 254 observationer. Utifrån GICS:s indelning genomfördes ytterligare indelningar då vissa branscher innehöll få företag vilket medför att inga trovärdiga slutsatser kan dras. Vidare baserades uppdelningen med beaktande av att få data mer lätthanterlig genom färre variabler i regressionen. Indelningen resulterade i företagen klassificerades inom sju olika branscher, vilket visas i tabell 2.
Tabell 2: Branschindelning
Branschtillhörighet Antal företag vilka klassificerar för studien Industri 75 Material 10 Handel 42 Hälsovård 43 Finans 11
Information & kommunikation 49 Fastigheter 24
Antal företag 254
4.4 Korrelationsmatris och databearbetning
Utöver de presenterade regressionsmodellerna utformas även en korrelationsmatris med parvisa korrelationer. Korrelationsmatriser används för att studera ifall det förekommer multikollinearitet mellan de utvalda oberoende variablerna. Multikollinearitet förekommer i de fall då de oberoende variablerna, i regressionsmodellen, korrelerar med varandra i hög grad. Det är av vikt att studera detta för att kunna undersöka de oberoende variablerna faktiska påverkan på den beroende variabeln. Gränsen för multikollinearitet uppgår till 0,8, i enlighet med Harrison & Widjaja (2014). Gränsen innebär att multikollinearitet inte
förekommer i de fall där siffran ges ett värde lägre än 0,8. Djurfeldt & Barmark (2009) menar att en hög korrelation betyder att de oberoende variablerna, i stor utsträckning, påverkar varandras beta-koefficient vilket innebär en risk för typ II-fel. En korrelationsmatris kommer således utformas separat för 2018 och 2019 under resultatavsnittet.
För att göra datamaterialet mer jämförbart används logaritmering i den mån det anses relevant och möjligt. Det resulterar i att variablerna market-to-book, företagsstorlek och materiella tillgångar logaritmeras genom den naturliga logaritmen. För variablerna soliditet och lönsamhet används det ursprungliga kvotvärdet. För soliditeten finns inget behov av logaritmering, samtidigt som det för lönsamheten inte är möjligt att logaritmera på grund av höga negativa värden. I enlighet med tidigare presenterade argument innebär logaritmering att variabeln, i högre utsträckning, blir normalfördelad. Extremvärden gällande de oberoende variablerna behandlas genom winsorization. Transformation genomförs för att begränsa eventuella extremvärdens påverkan på resultatet (Phipso et al. 2016). Gränserna för skevhet och kurtosis sätts till -1 och 1. Det innebär att om variablerna antar ett värde mellan -1 och 1 är de normalfördelade (Pallant, 2020).
5. Resultat och analys
I resultat- och analysavsnittet redovisas och studeras uppsatsens resultat. Data presenteras och analyseras genom deskriptiv statistik och utifrån de två regressionsmodellerna.
5.1 Deskriptiv statistik
I tabell 3 och 4 redovisas beskrivande statistik för regressionsvariablerna före (2018) och efter (2019) införandet av IFRS 16. Den deskriptiva statistiken avser påvisa övergripande skillnader mellan perioderna. Variablerna i dessa tabeller är även de variabler som inkluderas i regressionen under nästkommande avsnitt.
Tabell 3: Deskriptiv statistik för 2018
Variabel Medelvärde Median St.dev Skevhet Kurtosis Min Max P25 P75 N
Soliditet 0,477 0,443 0,196 0,363 0,073 0,01 0,92 0,35 0,593 254 Lönsamhet 0,69 0,068 0,078 0,032 -0,267 -0,07 0,22 0,034 0,11 254 Storlek 21,45 21,402 2 -0,143 -0,04 16,81 26,07 20,4 22,8 254 M/B-kvot 0,5 0,341 0,628 0,815 0,127 -0,9 1,93 -4,49 -1,895 254 Materiella tillgångar -3,454 -3,071 2,007 -0,734 -0,76 -8,17 -0,09 -4,494 -1,89 254
Tabell 3 behandlar deskriptiv statistik gällande de undersökta variablerna för tidpunkten innan
implementeringen av IFRS 16, alltså 2018. Soliditet = Bokfört värde på eget kapital / Bokfört värde på totala tillgångar. Lönsamhet = EBIT / Bokfört värde totala tillgångar. Företagsstorlek = ln(nettoomsättning). M/B - kvot = Marknadsvärdet på totala tillgångar / Bokfört värde totala tillgångar. Materiella tillgångar = Materiella anläggningstillgångar / Bokfört värde totala tillgångar.
Tabell 4: Deskriptiv statistik för 2019.
Variabel Medelvärde Median St.dev Skevhet Kurtosis Min Max P25 P75 N
Soliditet 0,463 0,438 0,197 0,335 0,018 0,01 0,92 0,334 0,576 254 Lönsamhet 0,064 0,063 0,077 -0,075 0,066 -0,09 0,23 0,029 0,11 254 Storlek 21,601 21,449 1,928 0,077 -0,33 17,74 26,79 20,393 22,937 254 M/B-kvot 0,441 0,301 0,542 0,724 0,07 -0,97 1,63 0,038 0,717 254 Materiella tillgångar -2,435 -2,133 1,293 -0,598 -0,233 -5,44 -0,11 -3,239 -1,492 254
Tabell 4 behandlar deskriptiv statistik gällande de undersökta variablerna för tidpunkten efter implementeringen av IFRS 16, alltså 2019. Soliditet = Bokfört värde på eget kapital / Bokfört värde på totala tillgångar. Lönsamhet = EBIT / Bokfört värde totala tillgångar. Företagsstorlek = ln(nettoomsättning). M/B - kvot = Marknadsvärdet på totala tillgångar / Bokfört värde totala tillgångar. Materiella tillgångar = Materiella anläggningstillgångar / Bokfört värde totala tillgångar.
Genom den deskriptiva statistiken kan vi urskilja att soliditetens medelvärde förändrats från 47,7 procent till 46,3 procent, vilket innebär att företagens skuldsättning ökat. Även
medianen har minskat. Vidare har standardavvikelsen ökat vilket innebär att observationerna avviker mer från medelvärdet för 2019 jämfört med 2018. En möjlig förklaring till denna skillnad kan vara att branscher använder leasing i olika omfattning, något som kan påverka effekten av IFRS 16. I enlighet med PwC (2016) finns en skillnad gällande den påverkan IFRS 16 haft inom olika branscher, där vissa branscher alltså påverkats mer respektive mindre. Även för de oberoende variablerna är det möjligt att utläsa förändringar. Utifrån lönsamheten och M/B-kvoten går det att urskilja en minskning, både baserat medelvärde och median. För storleken har det skett en marginell ökning i medelvärde samtidigt som
medianen ökat. Materiella tillgångar ökat i relativt hög utsträckning, både för medianen och medelvärdet.
Utifrån skevhet och kurtosis är det möjligt att påvisa en relativt hög nivå av normalfördelning för variablerna. Gällande kurtosis och skevhet antar samtliga variabler ett värde mellan de önskade gränserna -1 till 1. Ovanstående indikerar på en relativt hög grad av
5.2 Korrelation
Tabell 5: Korrelationsmatris för 2018.
Variabler SOL STO LÖN MT MB
SOL 1
STO -0,42*** 1
LÖN 0,051 0,33*** 1
MT -0,041 0,348*** 0,204*** 1
MB 0,266*** -0,226*** 0,239*** 0,044 1
Tabell 5 illustrerar korrelationen mellan uppsatsens regressionsvariabler för perioden innan implementeringen av IFRS 16 (2018). SOL = Soliditet. STO = Storlek. LÖN = Lönsamhet. MT = Materiella tillgångar. MB = Market-to-Book. Den statistiska signifikansen beskrivs av stjärnor, *** = 0,01, ** = 0,05, * = 0,1
Tabell 6: Korrelationsmatris för 2019.
Variabler SOL STO LÖN MT MB
SOL 1
STO -0,404*** 1
LÖN 0,097 0,353*** 1
MT -0,123* 0,299*** 0,131** 1
MB 0,308*** -0,213*** 0,195*** 0,03 1
Tabell 6 illustrerar korrelationen mellan uppsatsens regressionsvariabler för perioden efter implementeringen av IFRS 16 (2019). SOL = Soliditet. STO = Storlek. LÖN = Lönsamhet. MT = Materiella tillgångar. MB = Market-to-book. Den statistiska signifikansen beskrivs av stjärnor, *** = 0,01, ** = 0,05, * = 0,1
Korrelationsmatriserna syftar till att studera ifall det förekommer några parvisa korrelationer. Från tabell 5 och 6 kan vi utläsa att multikollinearitet inte förekommer eftersom ingen parvis korrelation antar ett värde över 0,8. Utifrån matriserna utläser vi att storleken och materiella tillgångar är negativt korrelerad med soliditeten, samtidigt som lönsamheten och market-to- book är positivt korrelerat med soliditeten. För lönsamheten saknas dock signifikans.
5.3 Regressionsanalys
Utifrån de utformade regressionsmodellerna presenteras i detta avsnitt om det skett någon förändring i kapitalstruktur efter införandet av IFRS 16 (Modell 1) samt om
implementeringen förändrat kapitalstrukturen inom olika branscher (Modell 2). Resultatet analyseras utifrån trade-off teorin och pecking order teorin.
5.3.1 Resultat Modell 1
Tabell 7: Resultat från regressioner för Modell 1
Variabel Koefficient t-kvot Signifikansnivå
Konstant 1,456*** 10,286 <0,01 Storlek -0,046*** -9,991 <0,01 Lönsamhet 0,476** 3,333 <0,01 Materiella tillgångar 0,004 0,921 0,357 Market-to-book 0,047*** 3,355 0,001 Dummy_2019 0,008 0,525 0,600 R2 0,241 N 244
Tabell 7 redovisar resultatet för Modell 1, studiens första multipla regression. Koefficienterna i tabellen, för de oberoende variablerna, avser upplysa om variabeln i frågas samband med soliditeten. I denna modell avser dummyvariabeln tidpunkterna innan (2018) respektive efter (2019) IFRS 16. Soliditeten = Bokfört värde på eget kapital / Bokfört värde på totala tillgångar. Lönsamhet = EBIT / Bokfört värde totala tillgångar.
Företagsstorlek = ln(nettoomsättning). M/B - kvot = Marknadsvärdet på totala tillgångar / Bokfört värde totala tillgångar. Materiella tillgångar = Materiella anläggningstillgångar / Bokfört värde totala tillgångar. I enlighet med Rajan & Zingales (1995) värderas p-värdena enligt följande: *** = 0,01, ** = 0,05, * = 0,1.
Resultatet visar signifikanta samband mellan de oberoende variablerna storlek, lönsamhet och market-to-book, samtidigt som sambandet mellan materiella tillgångar och soliditet inte är
signifikant. Det innebär att tre av fyra variabler påverkar kapitalstrukturen hos noterade företag på Nasdaq OMX Stockholm.
Från R2-värdet går det att tolka hur mycket av variationen i den oberoende variabeln förklaras
av regressionens övriga variabler. sannolikt Resultatets R2-värdet visar att 24,1 procent av
den beroende variabeln kan förklaras av de övriga variablerna. Hovakimian (2006) använder sig av fem oberoende variabler för att mäta skuldsättningen, varav fyra av dem ingår i vår första modell. Deras R2-värde uppgår till 17,6 procent vilket innebär att vårt R2-värde är
relativt likt tidigare forskning. Uppsatsens R2-värde innebär att 75,9 procent kan förklaras av
något annat. Därmed kan det antas finnas fler variabler som påverkar företagens
kapitalstruktur. Graham & Leary (2011) menar exempelvis att företagets ålder, vinstens volatilitet och andel forskning och utveckling är andra variabler som påverkar
kapitalstrukturen. Samtidigt menar Yegon et al. (2014) att det är svårt, nästintill omöjligt, att studera alla de faktorer som kan antas påverka ett företags kapitalstruktur. Variablerna har dock i denna studie valts ut i enlighet med de variabler som är vanligt förekommande inom tidigare forskning. Nedan följer resultaten för dessa utvalda variabler samt hur och om de kan kopplas till trade-off teorin respektive pecking order teorin.
Storlek
Resultatet indikerar på att företagsstorleken har ett negativt samband med soliditeten. Det negativa samband är i enlighet med de resultat tidigare forskning presenterat (Rajan &
Zingales, 1995) och i linje med studiens förväntningar. Det negativa sambandet är marginellt, men statistiskt signifikant då signifikansnivån understiger en procent. Resultatet visar att större företag tendera att ha en lägre soliditet.
Sambandet kan tänkas ha sin förklaring i att större företag tenderar att vara mer diversifierade och således besitter stabilare kassaflöden, vilket bidrar till en ökad möjlighet att få lån av kreditgivare. Mindre företag tenderar även att behöva betala högre avgifter för lån vilket innebär att det blir dyrare för dem att låna. Höga lånekostnader innebär en lägre skuldsättning för mindre företag jämfört med större företag (Graham & Leary, 2011). Sambandet är i enlighet med trade-off teorin eftersom teorin, enligt Myers (1984), menar att en lägre soliditet är önskvärt för större företag, då de därigenom kan dra nytta av skattesköldens effekter i högre grad.
Lönsamhet
Utifrån ovanstående resultat finns det ett samband mellan oberoende variabeln lönsamhet och beroende variabel soliditet. Koefficienten visar talet 0,476 med en signifikansnivå på en procent. Detta innebär att desto mer lönsamt ett företag är desto högre soliditet. Lönsamhet har en påverkan på det egna kapitalet och därför en påverkan kapitalstrukturen (Titman & Wessels, 1988). Resultatet är i enlighet med Myers & Majluf (1984) som menar att företag med högre lönsamhet vanligtvis utformar kapitalstrukturen med mer intern kapital. Resultatet indikerar att företagen väljer högre soliditet framför högre skuldsättning och är därav
förenligt med pecking order teorin. Företag med hög lönsamhet har utrymme att skuldsätta sig mer på grund av skattesköldseffekter (Hovakimian, Hovakimian & Tehranian, 2004). Enligt resultatet verkar inte skatteskölden ge incitament för en högre skuldsättningsgrad, vilket skulle förklaras enligt trade-off teorin.
Materiella tillgångar
Studien förväntade sig ett negativt samband mellan den oberoende variabeln materiella tillgångar och beroende variabeln soliditet, i enlighet med trade-off teorin. Eftersom p-värdet överstiger tio procent går det inte att uttala sig om det finns något samband.
Market-to-book
Resultatet i tabell 7 visar att det finns påverkan mellan oberoende variabeln market-to-book och beroende variabeln soliditet med en signifikansnivå på en procent. Detta är förenligt med vår förväntan om positiv påverkan. Rajan & Zingales (1995) menar att market-to-book- kvoten (M/B-kvoten) vanligtvis betraktas som en proxy för investeringsmöjligheter och även dem finner ett positivt samband mellan soliditeten och M/B-kvoten. Vårt resultat indikerar på ett ökat stöd för pecking order teorin, i enlighet med Graham & Leary (2011), Harrison & Widjaja (2014) och Rajan & Zingales (1995).
Dummyvariabel
Syftet med dummyvariabeln är att få en bild över den aggregerade förändringen i soliditet efter IFRS 16 och är därmed ett av uppsatsens huvudsakliga resultat. Eftersom
signifikansnivån för vår dummyvariabel är högre än tio procent går det inte att påvisa ett samband mellan implementeringen av IFRS 16 och företagens soliditet. Utifrån resultatet kan vi därmed inte visa att IFRS 16, på en övergripande nivå, haft en påverkan på
överens med studien av Mesrobian et al. (2018). De menar att företags kapitalstruktur förväntas förändras till följd av införandet av IFRS 16, en effekt vi inte kan urskilja. Samtidigt undersöker vår uppsats inte samma marknad vilket kan tänkas som en möjlig förklaring till skillnaden i resultat.
5.3.2 Resultat Modell 2
Tabell 8: Resultat från regressioner för Modell 2
Variabel Koefficient t-kvot Signifikansnivå
Storlek 0,004 0,170 0,865 Lönsamhet 0,205 1,638 0,103 Materiella tillgångar -0,007 -1,104 0,271 Market-to-book -0,007 -0,394 0,694 Finans -0,007 -0,269 0,788 Fastighet 0,026 1,054 0,293 Hälsovård -0,014 -0,861 0,390 Handel -0,036** -2,548 0,011 Industri -0,005 -0,467 0,641 Info & kommunikation 0,002 0,135 0,893
R2 0,086
N 244
Tabell 8 redovisar resultaten för Modell 2, studiens andra multipla regression. De framtagna koefficienterna avser visa hur de olika branschernas kapitalstruktur påverkats av IFRS 16. Branscherna representerar varsin dummyvariabel. När värdet är 1 i en bransch antar alla andra branscher värde 0. Vidare beräknas differensen för de oberoende variablerna och den beroende variabeln genom att subtrahera värdet för 2019 med värdet för 2018. Soliditet = Bokfört värde på eget kapital / Bokfört värde på totala tillgångar. Lönsamhet = EBIT / Bokfört värde totala tillgångar. Företagsstorlek = ln(nettoomsättning). M/B - kvot = Marknadsvärdet på totala tillgångar / Bokfört värde totala tillgångar. Materiella tillgångar = Materiella anläggningstillgångar / Bokfört
värde totala tillgångar. I enlighet med Rajan & Zingales (1995) värderas p-värdena enligt följande: *** = 0,01, ** = 0,05, * = 0,1.
Utifrån tabell 8 kan vi utläsa att det enbart dummyvariabeln handel är signifikant. Från resultatet är det därmed inte möjligt att dra några statistiskt säkerställda slutsatser för resterande variabler. En möjlig förklaring till varför vi enbart finner signifikans för en dummyvariabel kan tänkas bero på den utformade branschindelningen. Litteraturen pekar på att det främst är vissa branscher som påverkas av införandet av IFRS 16, däribland
flygbranschen, dagligvaruhandeln, hälsovård samt textil och kläder (PwC, 2016). Vi valde att genomföra en branschindelning som enbart bestod av sju branscher, vilket betyder att
exempelvis flygbolag tillhör branschen industri. Således innefattar kategorierna bolag som vid en bredare kategorisering inte skulle ingå i samma grupp. Genom vår studie är det inte möjligt att, mer precist, studera effekten IFRS 16 haft på exempelvis flygbranschen.
Anledningen är att det finns företag som vid en bredare kategorisering inte hade fallit under samma kategori. I gruppen industri utgör flygbolagen en liten del av urvalet, vilket gör det omöjligt att utifrån vårt angreppssätt studera effekterna på mer specifika branscher. På grund av att det finns andra företag inom mindre leasingintensiva branscher som påverkar resultatet. Förklaringsgraden (R2-värdet) indikerar på att 8,6 procent av variationen i den beroende
variabeln kan förklaras av övriga variabler i modellen.
För dummyvariabeln handel går det dock att urskilja ett svagt negativt samband med en signifikansnivå på en procent. Det betyder att soliditeten för företag inom denna bransch, efter införandet av IFRS 16, blivit marginellt lägre. Därmed har förändringen av
redovisningsstandarden en signifikant effekt hos företagen inom denna bransch. Eftersom branschen handel, enligt vår branschindelning, innefattar företag från både dagligvaruhandeln samt textil och kläder är det i enlighet med de förväntningar PwC (2016) publicerat.
6. Slutsats och förslag till vidare forskning
6.1 Slutsats
Tidigare forskning gällande IFRS 16 påverkan på företagens kapitalstruktur bygger främst på förväntningar, det saknas därmed forskning som påvisar de faktiska effekterna av
redovisningsförändringen på den svenska marknaden. Denna uppsats syftar därför till att studera om kapitalstrukturen förändrats hos företag noterade på Nasdaq OMX Stockholm efter implementeringen av IFRS 16, samt om det förekommer branschskillnader. De
finansiella mått som regressionsmodellerna bygger på motiveras av att de är förekommande i tidigare forskning. Med anledning till den tid vi haft att genomföra studien har denna uppsats begränsat antalet variabler. Resultatet kopplas till existerande teorier inom
kapitalstrukturforskning för att på ett trovärdigt sätt kunna förklara utfallen.
Modell 1 visar de oberoende variablernas påverkan på soliditeten, samt om IFRS 16 haft inverkan på kapitalstrukturen. Resultatet indikerar att market-to-book, lönsamhet och storlek har en påverkan på kapitalstrukturen vilket är förenligt med Rajan & Zingales (1995). Utifrån resultatet kan vi visa att IFRS 16, på en övergripande nivå, inte påverkat kapitalstrukturen hos företag noterade på Nasdaq OMX Stockholm. Resultatet visar att förklaringsgraden (R2-
värdet) uppgår till 24,1 procent, något som indikerar att fler variabler påverkar
kapitalstrukturen, i enlighet med Graham & Leary (2011). Med beaktande av ovanstående kan kritik riktas mot vår studie eftersom det finns fler faktorer som vi inte
tar hänsyn till.
I Modell 2 finner vi icke-signifikanta resultat för fem av sex branscher. Det betyder att det inte finns någon branscheffekt mellan förändringen i soliditet och de övriga variablerna och därmed har IFRS 16 inte haft en påverkan på kapitalstrukturen inom dessa branscher, vilket är i enlighet med förväntningarna enligt PwC (2016). För den bransch som var signifikant visar det negativa sambandet att handelsföretagens soliditet minskat efter implementeringen av IFRS 16. En förklaring till att vi enbart finner signifikanta resultat för en bransch kan bero på studiens branschindelning. Enligt PwC (2016) ska exempelvis flygbranschen påverkas. Genom vår indelning är det dock inte möjligt att studera så specifika branscher. En sådan
undersökning skulle behöva ta hänsyn till ett större urval för att kunna klassificera företagen inom fler branscher.
6.2 Förslag till vidare forskning
Utifrån de slutsatser vi redogjort för i uppsatsen anser vi att det finns flera möjliga förslag till vidare forskning. Överlag anser vi att det saknas forskning gällande de faktiska effekterna IFRS 16 haft på företagens kapitalstruktur, varpå vår förhoppning är att denna uppsats ska bidra till forskningsfältet. Vi anser att det fortsatt vore önskvärt med mer forskning inom ämnet. Vår uppsats studerar endast företagen på Nasdaq OMX Stockholm, således kan ett förslag vara att inkludera fler företag från andra marknader, exempelvis från andra nordiska länder med liknande institutionella miljöer. I denna uppsats har de oberoende variablerna hämtats direkt från en av Rajan & Zingales (1995) modeller, vilka även är vanligt
förekommande i tidigare forskning (Graham & Leary, 2011; Harrison & Widjaja, 2014). Samtidigt finns det fler faktorer, än de som behandlas i denna uppsats, som enligt tidigare forskning kan tänkas ha en påverkan på ett företags kapitalstruktur, något som även vårt R2-
värde indikerar på. Exempelvis menar Graham & Leary (2011) att även vinstens volatilitet, företagets ålder, risk och skattesköld kan påverka kapitalstrukturen. Därmed kan ett
ytterligare möjligt angreppssätt vara att inkludera fler oberoende variabler för att uppnå en ökad förklaringsgrad (R2-värde). Vidare hade det även varit intressant att genomföra en liknande studie några år efter införandet av IFRS 16, för att därigenom studera ifall det förekommer någon långsiktig effekt som skiljer sig mot de kortsiktiga effekter som kan noteras.
I denna uppsats har samtliga företag klassificerats inom sju branscher, eftersom vi inte kunde finna en önskvärd mängd observationer inom specifika branscher för att genomföra en
regression. Det kan därmed vara önskvärt att studera hur kapitalstrukturen förändrats i en mer specifik bransch, exempelvis flygbranschen, vilket är en bransch som karakteriseras av en hög andel leasing. Utifrån det hänseendet hade en mer specifik och omfattande
branschindelning varit önskvärd, alternativt att enbart studera de mer leasingintensiva branscherna. Därmed skulle en sådan studie kunna ge ett mer precist resultat och möjlighet till en bättre och mer omfattande analys. Utifrån denna uppsats finner vi därmed flertalet olika angreppssätt att tillämpa för att bidra till forskningsområdet.
7. Källförteckning
Abdullah, Hariem & Tursoy, Turgut. (2019). Capital structure and firm performance: evidence of Germany under IFRS adoption. Review of Managerial Science.
Al-Najjar, B. & Hussainey, K. 2011, Revisiting the capital-structure puzzle: UK evidence, The journal of risk finance, Vol. 12, no. 4, pp. 329-338.
Bowen, R.M., Daley, L.A. & Huber, C.C. 1982, Evidence on the Existence and Determinants of Inter- Industry Differences in Leverage, Financial management, Vol. 11, no. 4, pp. 10-20.
Bradley, M., Jarrell, G.A. & Kim, E.H. 1984, On the Existence of an Optimal Capital Structure: Theory and Evidence, The Journal of finance (New York), Vol. 39, no. 3, pp. 857-878.
Branswijck, D., Longueville, S. & Everaert, P. 2011, the financial impact of the proposed
amendments to ias 17: evidence from Belgium and the Netherlands, accounting and management information systems, Vol. 10, no. 2, pp. 275
Brealey, R.A., Myers, S.C. & Allen, F. 2011, Principles of corporate finance, 10., global edn, McGraw-Hill/Irwin, New York, NY.
Djurfeldt, Göran., Barmkark, Mimmi. 2009. Statistisk verktygslåda - multivariat analys, 1 upplaga. Studentlitteratur AB, Malmö
Frank, M. Z., & Goyal, V. K. (2009). Capital Structure Decisions: Which Factors Are Reliably Important? Financial Management, Vol. 38, no. 1, pp. 1-37
Graham, J.R. & Leary, M.T. 2011, A Review of Empirical Capital Structure Research and Directions for the Future, Annual review of financial economics, Vol. 3, no. 1, pp. 309-345.
Harrison, B., Widjaja, T.W., (2014), The Determinants of Capital Structure: Comparison between Before and After Financial Crisis, Economic Issues Journal Articles, Vol 19, no. 2, pp. 55-83
Hovakimian, A. 2006, "Are Observed Capital Structures Determined by Equity Market Timing?", Journal of financial and quantitative analysis, Vol. 41, no. 1, pp. 221-243.
Hovakimian, G., Hovakimian, A., & Tehranian, H. (2004). Determinants of target capital structure: The case of dual debt and equity issues. Journal of Financial Economics, Vol. 71, no. 3, pp. 517 -
Hurdle, G.J. 1974, "Leverage, Risk, Market Structure and Profitability", The review of economics and statistics, Vol. 56, no. 4, pp. 478-485.
IASB. (2016a). IFRS 16 Effects Analysis. [ 2020-11-10] https://cdn.ifrs.org/-/media/project/leases/ifrs/published-documents/ifrs16-effects-analysis.pdf
IASB. (2016b). IFRS 16. [Hämtad: 2020-11-10] http://eifrs.ifrs.org/eifrs/bnstandards/en/IFRS16.pdf
IASB. (2020). About us.(Hämtad: 2020-11-12) https://www.ifrs.org/about-us/who-we-are
IASB. (u.å.). IAS 17 Leases. [Hämtad: 2020-11-12) https://www.ifrs.org/issued-standards/list- ofstandards/ias-17-leases
IASplus (2016). IFRS 16 marks the end of off-balance sheet treatment for leases [Hämtad: 2020-12-
22] https://www.iasplus.com/en-ca/cfos-corner/corporate-reporting/ifrs-16-marks-the-end-of-off-
balance-sheet
IASplus (2019). IAS 17 – Leases.[Hämtad: 2020-11-15] https://www.iasplus.com/en/standards/ias/ias17
IFRS (2016). IFRS 16 Leases. London: International Accounting Standards Board. [Hämtad: 2020- 11-12] https://cdn.ifrs.org/-/media/project/leases/ifrs/published-documents/ifrs16-effects-analysis.pdf IFRS (2017). IAS 17 - Leases. London: International Accounting Standards Board. [Hämtad: 2020- 12-22]
https://www.ifrs.org/issued-standards/list-of-standards/ias-17-leases/
IFRS (u.å.). IFRS 16 Leases. London: International Accounting Standards Board. [Hämtad: 2021-01- 11]
https://www.ifrs.org/issued-standards/list-of-standards/ifrs-16-leases/
Jaggia, S. & Kelly, A. 2019, Business statistics: communicating with numbers, 3.th edn, McGraw- Hill, New York, NY.
Kraus, A. & Litzenberger, R.H. 1973, "A state-preference model of optimal financial leverage", The Journal of finance (New York), Vol. 28, no. 4, pp. 911-922.
Lemmon, M.L. & Zender, J.F. 2010, "Debt Capacity and Tests of Capital Structure Theories", Journal of financial and quantitative analysis, Vol. 45, no. 5, pp. 1161-1187.
Lindblom, t., Sandahl, g., & Sjögren, s. (2011). Capital structure choices. international journal of banking, accounting and finance, Vol. 3, no. 1, pp. 4–30.
Magli, Francesca & Nobolo, Alberto & Ogliari, Matteo. (2018). The Effects on Financial Leverage and Performance: The IFRS 16. International Business Research, Vol. 11, no. 8.
Margaritis, D. och Psillaki, M. (2010). Capital structure, equity ownership and firm performance, Journal of Banking & Finance, Vol. 34, no. 3, pp. 621–632
Mesrobian, H., Moen, K., & Stenheim, T. (2018). “Effekter av ny leasingstandard IFRS 16 for børsnoterte foretak i Norge.” Magma, Vol. 21, no. 1, pp. 24-34.
Modigliani, F. & Millers, M.H. (1958). The cost of capital, corporation finance and the theory of investment. The American Economic Review, Vol. 48, no. 3, pp. 261-29
Morales-Díaz, J. & Zamora-Ramírez, C. (2018) ‘The Impact of IFRS 16 on Key Financial Ratios: A New Methodological Approach’, Accounting in Europe, Vol. 15, no. 1, pp. 105–133
Myers, S. C. (1984). The Capital Structure Puzzle. The Journal of Finance, Vol. 39, no. 3, pp. 575–592. Myers, S.C. & Majluf, N.S. 1984, "Corporate financing and investment decisions when firms have information that investors do not have", Journal of financial economics, Vol. 13, no. 2, pp. 187-221.
Pallant, Julie, 2020. Spss survival manual: A step by step guide to data analysis using spss (McGraw Hill: Open University Press, Buckingham)
Phipso, B., Lee, S., Majewski, I.J., Alexander, W.S. & Smyth, G.K. 2016, "Robust hyperparameter estimation protects against hypervariable genes and improves power to detect differential expression", The annals of applied statistics, Vol. 10, no. 2, pp. 946-963
PwC. (2016). A study on the impact of lease capitalisation - IFRS 16: The new lease standard. [hämtad 2020-11-27] https://www.pwc.com/sk/en/audit/assets/2017/a-study-on-the-impact-of-lease- capitalisation.pdf
Stockholm Large Cap [hämtad 2021-01-07]
https://www.pwc.se/sv/pdf-reports/finansiell-rapportering/ifrs-16-ny-leasingstandard-ny.pdf
Rajan, R.G., Zingales, L., 1995. What do we know about capital structure? Some Evidence from International Data. The Journal of Finance, Vol. 50, no. 5, pp. 1421–1460.
Titman, S. & Wessels, R. (1988). The Determinants of Capital Structure Choice. The Journal of Finance. Vol. 43, no. 1
Yegon, C., Cheruiyot, J., Sang, Dr. J., Cheruiyot, Dr. P. K., Kirui, J., & Rotich, J. (2014). The Effects of Capital Structure on Firm’s Profitability: Evidence from Kenya’s Banking Sector. Research Journal of Finance and Accounting, Vol. 5, no. 12, pp. 181-187
8. Bilaga
Tabellen nedan visar de komponenter som krävs för uppbyggande av variablerna, vilka hämtas från Refinitiv Eikon.
Tabell 9: Varibelnamn i Refinitiv Eikon
Namn i uppsatsen Variabelnamn i Refinitiv Eikon
Bokfört värde totala skulder Total Liabilities EBIT Operating income Nettoförsäljningen Net sales
Materiella tillgångar Property/Plant/Equipment, Total - Net Aktiekurs Price close
Bokfört värde på eget kapital Total equity Bokfört värde på totala tillgångar Total assets
