2
Av: Andreas Dahlgren & Tiina Söderqvist Handledare: Bengt Lindström & Jurek Millak
Södertörns högskola | Institutionen för ekonomi och företagande Kandidatuppsats 15 hp | Redovisning | vårterminen 2010
Konkursprediktion inom service- och informationsteknikbranschen
– En undersökning baserad på Altmans studie 1968
Sammanfattning
Under de senaste åren finns en ökad uppmärksamhet i att kunna förutspå konkurs och andra former av ekonomiska kriser. Vissa forskare menar att konkursprediktion har varit huvudforskningsämne inom redovisning och finans sedan Altmans studie från 1968. Under åren har flera modeller vuxit fram och tidigare forskning har påvisat att konkurs kan förutspås med en hög grad av tillförlitlighet.
Denna uppsats har som utgångspunkt Altmans studie från 1968. 66 företag har undersökts i tre år mellan åren 2000 och 2010, varav hälften av företagen har inlett konkurs och den resterande hälften är så kallade friska företag (ej konkurs). Detta i syfte för att undersöka om Altmans konkurspredektionsmodell Z’’- score kan appliceras på svenska företag inom service och informationsteknikbranschen.
De 33 friska företagen har jämförts mot de 33 konkursförsatta företagen och sedan sammanslagits för en total procentuell klassificering.
Vår studie visar att 14 av 33 konkurssatta företag visar tecken på konkurs ett år innan konkurs
inleddes. Totalt klassificeras bara 56 procent av företagen korrekt under de tre undersökta
åren. Detta innebär att denna undersökning visar att Altmans Z’’-score inte är en lämplig
metod för att förutspå konkurser bland svenska mikroaktieföretag inom service- och
informationsteknikbranschen i Sverige.
Innehållsförteckning
1. INLEDNING ... 1
1.1.BAKGRUND ... 1
1.2.PROBLEMFORMULERING ... 4
1.3.SYFTE ... 4
1.4.AVGRÄNSNINGAR ... 4
2. TEORI ... 5
2.1.INLEDNING ... 5
2.2.WILLIAM BEAVER ... 5
2.3.EDWARD I.ALTMAN ... 6
3. METOD ... 14
3.1.INLEDNING ... 14
3.2.URVAL ... 14
3.3.VALIDET OCH RELIABILITET ... 16
4. RESULTAT OCH ANALYS ... 17
4.1.OBEROENDE ... 17
4.1.BEROENDE ... 20
4.2.SAMMANFATTNING AV ANALYSER ... 22
4.3.EGNA REFLEKTIONER ... 26
4.4.KRITIK ... 27
5. SLUTSATS ... 28
6. FÖRSLAG TILL VIDARE STUDIER ... 28
7. REFERENSER... 29
7.1.BÖCKER, ARTIKLAR OCH AVHANDLINGAR ... 29
7.2.INTERNET ... 31
KONKURSFÖRSATTA FÖRETAG ... 43
SAMMANSTÄLLNING ÅR 2 ... 55
SAMMANSTÄLLNING ÅR 3 ... 56
1
1. Inledning
1.1. Bakgrund
Zopounidis & Dimitras diskuterar konkurs som ett världsomfattande problem där antalet konkurshotade företag kan betraktas som ett mått på utvecklingen och stabiliteten i ett lands ekonomi
1. Utöver de kostnader som drabbar en organisation vid konkurs, skapas även negativa effekter för industrin och ekonomin i allmänhet.
Enligt Hopwood et al. finns det tre typer av företagsmisslyckanden där den första typen omfattar företag vars misslyckande uppstår innan de etablerat sig. Den andra typen omfattar bolag vars obestånd är påskyndat av tecken på finansiell stress i de finansiella nyckeltalen. Den sista typen är företag vars misslyckande är plötsligt och utan några som helst tecken på finansiell orolighet.
2En drastisk typ av misslyckande är just konkurs. Både personliga konkurser och företagskonkurser har en stor tendens att generera dåligt rykte.
1.1.1. Vikten av att konkurser kan förutspås
I litteraturen har vikten av att konkurser kan förutspås funnits länge och Beaver var en av de första att förutspå företagskonkurser med hjälp av en univariat analys
3. Enligt Mckee & Lensberg har förutsägelse av konkurser varit huvudforskningsämne inom redovisning och finans sedan Altmans studie 1968
4. I Altmans studie används en så kallad multipel diskriminant analys (MDA) som sedan under åren har studerats noggrant av andra forskare.
Det finns både teoretiska och praktiska skäl att studera ett företags misslyckande.
Krisen av företagskonkurs kan påvisa mönster som annars kanske hade varit svåra att upptäcka under mer normala förhållanden. Dessa mönster kan därför påvisa
1 Zopounidis, C. & Dimitras (1998:2), A. (1998). “Multicriteria decision aid methods for the prediction of business failure”. Kluwer Academic Publishers, Dordrecht.
2 Hopwood, W., McKeown, J.C. & Mutchler, J.F. (1994). A reexamination of auditors versus model accuracy within the context of the going-concern opinion decision. Contemporary Accounting Research, 10(2): 409-431.
3 Beaver, W. (1966). Financial ratios as predictors of failure. Empirical research in Accounting, selected studies supplement to the Journal of Accounting Research, 4(1): 71-127.
4 Mckee, T.E. & Lensberg, T. (2002). Genetic programming and rough sets: A hybrid approach to bankruptcy classification. European Journal of Operational Research, 138(2): 436-541.
2
information som kan vara nyttig för både VD och investerare oavsett om det är sannolikt att de kommer drabbas av konkurs eller inte.
Pacey & Pham refererar till Altmans studie när de gör en internationell studie av konkursmodeller. De undersökte tio olika företag och kom fram till att konkurs kan förutspås med en hög grad av tillförlitlighet. Undersökningen visade att konkurs kunde förutspås från tre år till ett år innan med en korrekthet på 70-95procent.
5Om man kan förutspå konkurser leder det till att företag lättare kan utvärdera nya affärsförbindelser. Konkurs påverkar hela företagets existens och medför höga kostnader för företag, dess anställda, samhället och ett lands ekonomi
6. Företagskonkurser påverkar även företagets leverantörer och köpare. Beaver och Altman har även påvisat att företag som närmar sig konkurs påverkar börskursen negativt.
7Att kunna förutse och förebygga konkurs är därför en av de viktigaste faktorerna som bör analyseras i förväg eftersom att det ger en tidig varningssignal för att kunna undvika de konsekvenser en konkurs medför. Följaktligen är det viktigt att kunna förutspå och förebygga finansiella misslyckanden för alla inblandande: ägare eller aktieägare, chefer, anställda, långivare, leverantörer, kunder, samhället och regeringen.
Ur företagets synvinkel inkluderas även direkta och indirekta kostnader där direkta kostnader vid konkurs inkluderar avgifter såsom konkursarkivering och rättsliga, revisorer och andra professionella servicekostnader och där indirekta kostnader inkluderar exempelvis kostnader för utebliven produktion eller försäljning.
8
5 Pacey, J.W. & Pham, T.M. (1990). The predictiveness of bankruptcy models: Methodological problems and evidence. Australian Journal of Management, 15(2): 315-337.
6 Jerold B.Warner (1977). Bancruptcy costs: some evidence. The journal of finance. Vol XXXII, NO 2, May 1977
7 Zopounidis, C. & Dimitras (1998:2), A. (1998). “Multicriteria decision aid methods for the prediction of business failure”. Kluwer Academic Publishers, Dordrecht.
8 Altman, E.I. (1993). Corporate financial distress and bankruptcy: A complete guide to predicting and avoiding distress and profiting from bankruptcy. New York: John Wiley and Sons. s. 17
3
Det är även användbart bland företagens chefer att skapa sig en förståelse om konkurs, dess orsaker och dess möjliga lösningar. Det är också viktigt för ekonomiska förvaltare, dvs. de som har det affärsmässiga ansvaret, av framgångsrika företag att känna till sina företagsrättigheter och eventuella åtgärder som bör vidtas när deras kunder eller leverantörer går in i konkurs.
Modeller för förutsägelse av konkurser hjälper företag att planera sina strategier och få reda på styrkor och svagheter för närstående företag och agera därefter. Detta är avgörande för företagets framgång då företaget exempelvis har mer information om vilka företag de bör och inte bör ingå avtal med för att bibehålla en ekonomisk säkerhet.
Under de senaste åren finns en ökad uppmärksamhet i konkurs och andra former av ekonomiska kriser. 2009 fattade tingsrätten beslut om 7 638 konkurser, vilket innebär en ökning med 21 procent för företagen jämfört med 2008. Antalet anställda som berördes uppgick till 29 095 personer vilket är en ökning med 50 procent. Enligt Soliditet har antalet ej kreditvärdiga aktiebolag ökat med 9,4 procent från januari 2009 till januari 2010, vilket kommer att resultera att 3 300 företag kommer att försätta sig i konkurs det kommande året.
9Detta innebär även att ämnet fortsätter att vara intressant för forskare inom områdena för redovisning, ekonomi och finans.
1.1.2. Konkurs i service- och informationsteknikbranschen
Orsaker och faktorer som påverkar service och informationsteknikbranschen liknar orsakerna och faktorerna i andra branscher, men utöver de finns även de snabba förändringarna inom teknik vilket gör denna bransch mer känslig för ekonomiska kriser. Med snabba förändringar menas att tekniken utvecklas och förändras hela tiden, en modern produkt idag kan vara omodern nästa månad.
Det finns tre huvudsakliga problem med äldre konkursförutsägelsemodeller när det gäller att förutspå konkurser inom service och informationsteknik.
För det första så var tillverkningsföretag ledande på marknaden under den tid Altman utvecklade sin förutsägelseteori. Detta stämmer inte idag. För det andra så har
9 http://www.soliditet.se/upload/Externa_dokument/Soliditet_Rapport_AAA_100124.pdf (tillgänglig 2010-05-04)
4
företag inom service och informationsteknik andra typer av finansiella siffror och normer avseende nyckeltal jämfört med tillverkningsföretag. Det tredje och sista problemet är att effekten av snabba förändringar och den snabba utvecklingen gör det svårare och mer komplicerat att förutsäga konkurser inom branschen service och informationsteknik.
10Det finns därför ett behov av att undersöka om Altmans modell, som fortfarande är tillämpliga för att bistå finansinstitut, banker och andra organisationer för att förutsäga misslyckanden noggrant, även kan vara till hjälp i service och informationsteknikföretag i Sverige.
1.2. Problemformulering
Kan man förutspå konkurser inom service och informationsteknikbranschen i Sverige med hjälp Altmans Z´´- score?
1.3. Syfte
Konkurser är ett ständigt problem och det finns därför ett intresse för alla intressenter att utforska möjliga sätt att förutsäga ekonomiska kriser och konkurser i ett tidigt skede och därmed snabbt kunna ta till åtgärder i ett försök att minimera kreditförluster. Därför är det intressant att undersöka om service- och informationsteknikbranschen kan använda Altmans Z’’ - score för att förutsäga en ekonomisk kris.
1.4. Avgränsningar
Studien kommer endast att ta hänsyn till aktiebolag inom den privata sektorn i service- och informationsteknikbranschen. Företagen är så kallade mikroföretag
11och har en omsättning på minst 2 miljoner svenska kronor.
10 Habtom Woldemichael Kidane (2004), “Predicting financial distress in IT and services companies in South Africa” s. 4-5
11 http://europa.eu/legislation_summaries/enterprise/business_environment/n26026_sv.htm (Tillgänglig 2010-04-29 16:29:00)
5
2. Teori
2.1. Inledning
Redan på 30-talet började forskare studera orsaker till företags misslyckande.
Forskare såg att konkurshotade företag visade väsentliga skillnader bland nyckeltal jämfört med icke konkurshotade företag. Efter Altman och Beavers undersökningar om konkursförutsägelser under 60-talet har ett flertal forskare granskat och reviderat ursprungsmodellen för att finna nyckeltal som förutspår konkurser under olika omständigheter.
Nyckeltal används oftast i samband med företagsbedömningar och är tal som visar på hur företaget mår. Beräkning av nyckeltal genomförs genom att man utifrån information från årsredovisningar räknar fram kvotmått. Företags resultat, gällande nyckeltalsberäkningar till följd av olika ekonomiska förhållanden, analyseras sedan för att finna en eventuell skillnad eller ett eventuellt utmärkande.
Det finns två grundantaganden av användandet av nyckeltal vid konkursförutsägelser. Det första är att företag som är solida/stabila och företag som riskerar konkurs har nyckeltal som skiljer sig åt. Det andra antagandet är att skillnaden mellan dessa nyckeltal går att applicera på förutsägelseberäkningar för att bedöma vilket av företagen som riskerar konkurs.
122.2. William Beaver
1966 kom Beaver med en studie om teorier angående nyckeltalsanalyser. Beaver bygger sin studie på en modell med kassaflöde som utgångspunkt och presenterar sedan fyra olika idéer angående likvida kassaflödesmodellers relation till finansiella nyckeltal. Han jämförde 30 finansiella nyckeltal med konkurssatta och icke konkurssatta företag fem år innan konkurstillfället. I studien visar Beaver att det finns en substantiell skillnad avseende dessa mellan konkurssatta och icke konkurssatta företag. Skillnaden syntes i nyckeltalsberäkningarna åtminstone tre år före konkurs. I studien beräknades soliditet, likviditet och räntabilitet enskilt och Beaver kom fram till att de största skillnaderna fanns i kassaflödet. Konkurssatta
12 Foster, George (1986), “Financial statement analysis” (2 ed.), London: Pentice-Hall international.Ch 11.
6
företag visade lågt kassaflöde följt av låg nettovinstmarginal och högre skuldsättning och detta var synligt redan fem år innan konkurstillfället. Beavers studie stärker därmed teorierna om konkursförutsägelse med hjälp av nyckeltalsanalyser.
132.3. Edward I. Altman
2.3.1. Altman Z-score
Z - score är den mest kända och allmänt vedertagna modellen för att förutspå konkurser. Modellen presenterades 1968 av professorn Edward I Altman.
14Altman ses som en av de främsta experterna inom området och har sedan dess publicerat böcker och artiklar om företagskonkurser, kreditriskanalyser, etc.
Att nyckeltal som lönsamhetsmått, betalningsförmåga och likviditet varit signifikanta indikatorer på konkursrisk har forskare kunnat visa sen 1930-talet. Beaver var, som nämnts ovan, första forskaren som bevisade att nyckeltal har en potentiell förmåga att förutspå finansiella kriser
15. Han visade i en univariat studie med hjälp av nyckeltal att konkurser kunde förutspås upp till fem år före de inträffade(upprepning, kan tas bort). En nackdel med en univariat analys är dock att varje nyckeltal betraktas separat, vilket bidrar till att resultatet blir tvetydigt. Ett företag som visar dålig lönsamhet kan exempelvis ha en likviditet som är bättre än genomsnittet vilket då innebär att det kan bli problematiskt för en intressent att bedöma om företaget är ett potentiellt krisföretag eller inte. Altman genomförde istället en Multiple Discriminant Analysis (MDA) där flera variabler ingick för att erhålla ett bättre resultat.
16Altman delade in företagen som han studerade i två grupper, en undersökningsgrupp med konkursföretag och en kontrollgrupp med friska företag. Efter noggranna observationer av resultat och balansräkningar valde Altman ut fem olika nyckeltal som skulle ingå i modellen.
13 Beaver,W.H (1963) Financial ratios as predictors of financial failure, Journal of Accounting,vol 4
14 http://pages.stern.nyu.edu/~ealtman/, (tillgänglig 2010-03-29)
15 Beaver,W.H (1963) Financial ratios as predictors of financial failure, Journal of Accounting,vol 4
16 Altman, Edward. I. (1968) Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The Journal of Finance. s.589-609
7
De utvalda nyckeltalen delades in i kategorierna likviditet, lönsamhet, hävstångseffekt, betalningsförmåga och aktivitetsmått. Han tilldelade även nyckeltalen olika vikter beroende på dess signifikans. Med hjälp av MDA kunde Altman härleda en linjär funktion som beskriver skillnaden mellan de olika grupperna.
Den ursprungliga diskriminantfunktionen är Z = V1 X1 + V2 X2 + … + VnXn, där V utgör de särskiljande koefficienterna och X utgör de oberoende variablerna.
Altmans modell:
Z = 0,012 (X1) + 0,014 (X2) + 0,033 (X3) + 0,006 (X4) + 0,999 (X5)
X1= Rörelsekapital / Totala tillgångar
Detta nyckeltal används till att bedöma företagets kortsiktiga likviditetsrisk och beskriver därmed hur stor del av det totala kapitalet som binds i rörelsekapital.
Rörelsekapitalet är skillnaden mellan omsättningstillgångarna och de kortfristiga skulderna.
X2 = Balanserade vinstmedel / Totala tillgångar
Detta nyckeltal anger förhållandet mellan ackumulerade vinster (eller förluster) som återinvesterats i företaget och de totala tillgångarna.
Desto högre tal desto mer lönsamt har företaget varit sett ur ett historiskt perspektiv.
Altman menar att detta nyckeltal är relevant eftersom att förekomst av konkurs är högre bland yngre företag och vid användning av detta nyckeltal visar ofta yngre företag lägre tal eftersom de inte har lika mycket balanserade vinstmedel.
17
17 Altman, Edward. I. (1968) Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The Journal of Finance. s.589-609
8
X3 = Resultat före finansiella poster / Totala tillgångar
Detta nyckeltal beskriver hur väl företaget utnyttjar sina tillgångar och kan därför ge en bild över hur produktivt företaget är. Då företags framtida existens till stor del beror på hur väl tillgångar utnyttjas menar Altman att detta nyckeltal har väldigt hög signifikansnivå.
X4 = Marknadsvärde på eget kapital / Totala skulder
Detta nyckeltal visar på företagets långsiktiga likviditetsrisk dvs. betalningsförmåga.
X5 = Försäljning / Totala tillgångar
Detta nyckeltal visar tillgångarnas förmåga att generera försäljning, vilket även kan sägas vara ett mått på företagets effektivitet.
Z = Index
Modellen tar fram ett index (Z) som beskriver om företaget befinner sig i finansiell kris eller inte.
Företag med Z - score ”mindre” än 1,81 är konkursmässiga företag.
Företag med Z - score ”mellan” 1,81 – 2,99 går ej att klassificera (gråzonen).
Företag med Z - score ”högre” än 2,99 är ej konkursmässiga företag.
Desto högre Z - score desto starkare är företagets finansiella ställning. De företag vars Z-score hamnar i gråzonen/”Zone of Ignorance” är företag som är svåra att klassificera på grund av att deras finansiella situation varken kan anses vara
”konkursmässig” eller "friskt", vilket kan innebära att ett företag med ett Z-score inom gråzonen kan felklassificeras .
18
18 Bhabatosh Banerjee (2005), Financial Policy And Management Accounting 7Th ED, Prentice-Hall of India Private Limited. s.372
9
Altman sorterade sedan upp resultaten i Typ I och Typ II:
Typ I - Konkursföretag har klassificerats korrekt (konkursmässigt).
Typ I fel - Konkursföretag har klassificerats felaktigt (friskt).
Typ II - Friska företag har klassificerats korrekt (friskt).
Typ II fel - Friska företag har klassificerats felaktigt (konkursmässigt).
Ett år innan konkurs var prediceringsförmågan 94procent på Typ I (konkursföretag) och 97 procent på Typ II. Detta ger en total prediceringsförmåga på 95 procent. Två år innan konkurs var prediceringsförmågan 72 procent respektive 94 procent, en total på 83 procent. Tre år innan konkurs var prediceringsförmågan totalt 48 procent.
2.3.2. Altman Z’
Altman reviderade senare modellen för att man även skulle kunna applicera den på onoterade bolag. Marknadsvärdet på eget kapital byttes ut med bokfört värde på eget kapital i nyckeltalet X4 med den enkla anledningen att marknadsvärde på eget kapital inte kan beräknas i ett onoterat bolag.
Den reviderade Z-score modellen:
Z' = 0.717(X1) + 0.847(X2) + 3.107(X3) + 0.420(X4) + 0.998(X5)
X
1= Rörelsekapital / Totala tillgångar
X
2= Balanserade vinstmedel / Totala tillgångar X
3= Resultat före finansiella poster / Totala tillgångar X
4= Bokfört värde på eget kapital / Totala skulder X
5= Försäljning / Totala tillgångar
Företag med Z - score ”mindre” än 1,23 är konkursmässiga företag.
Företag med Z - score ”mellan” 1,23 – 2,90 går ej att klassificera (gråzonen).
Företag med Z - score ”större” än 2,90 är ej konkursmässiga företag.
10
2.3.3. Altman Z’’
Altman insåg efter Z’-modellen att den behövde revideras ytterligare för att eliminera branschspecifika effekter. Den nya reviderade modellen fick namnet Z’’.
Z´´-modellen inkluderar inte variabeln X5 = Försäljning/Totala tillgångar då detta nyckeltal anses vara känsligt för olika branscher.
Precis som i Z´ så byttes marknadsvärde på eget kapital ut mot bokfört värde på eget kapital.
Z'' = 6.56(X1) + 3,26(X2) + 6,72(X3) + 1,05(X4)
X
1= Rörelsekapital / Totala tillgångar
X
2= Balanserade vinstmedel / Totala tillgångar X
3= Resultat före finansiella poster / Totala tillgångar X
4= Bokfört värde på eget kapital / Totala skulder
Företag med Z - score ”mindre” än 1,10 är konkursmässiga företag.
Företag med Z - score ”mellan” 1,10 – 2,60 går ej att klassificera (gråzonen).
Företag med Z - score ”större” än 2,60 är ej konkursmässiga företag.
I denna studie kommer Z´´- score modellen att användas då vi har onoterade aktiebolag inom service- och informationsteknikbranschen. Mer ingående om detta i metodkapitlet.
2.3.4. Altman ZETA
1977 utvecklades en nyare modell av Z-score med ett antal förbättringar. När denna
modell testades innehöll urvalet 53 konkursföretag och 58 friska företag, både
detaljhandelsföretag och tillverkningsföretag. De största anledningarna till en
förbättring av modellen var skillnaderna i storlek och finansiell profil hos
konkurssatta företag de senaste åren (innan 1977) och behovet av en modell baserad
på mer aktuell data under en kortare tid. En annan anledning var även behovet av en
11
modell att kunna använda oberoende av bransch. ZETA-modellen är än idag en pengainbringande enhet och formeln för modellen är därmed sekretessbelagd.
ZETA-modellen sägs ge en korrekt klassificering på 90 procent ett år innan och upp till 70 procent fem år innan.
192.3.5. Övrig utveckling
Under åren har olika forskare, även Altman själv, förfinat och utvecklat Beavers och Altmans teorier. Deakin (1972) bekräftade MDA och menar att konkurser kan förutspås redan tre år i förväg med relativt hög noggrannhet. Två år innan konkurs var felmarginalen 10 procent och därav det säkraste resultatet hittills. Större population och fler observationer bör göras för att öka validiteten av studien.
201976 utförde Altman och Loris en ny studie med sex nyckeltal och med fler företag än tidigare. De kom fram till ett antal kännetecken för ett företag med risk för konkurs. Dessa var företagets ålder, återkommande nettoförluster, stor andel lånat kapital och kraftigt minskat eget kapital.
21Dambolena och Khoury (1980) forskade även dem inom ämnet och skapade en 78 procent tillförlitlig klassifikation mellan 68 stycken företag fem år innan konkurs.
Utmärkande för deras studie var att de även använde sig av måttet standardavvikelse.
Konkurssatta företag hade standardavvikelse 0 - 0,06 vilket tyder på ett trovärdigt resultat. Resultatet visade på att avkastningen är det väsentliga.
221984 använde forskaren Fulmer 40 olika nyckeltal på 60 olika företag och fick en 98 procent korrekthet ett år före konkurs och 81 procent på mer än ett år före. Av de
19Altman, E, Haldeman, R. & Narayanan, P. (1977). Zeta analysis: a new model to identify bankruptcy risk of corporations. Journal of Banking and Finance, 1(1): 29-54.
20 Deakin, Edward B. (1972). ”A Discriminant Analysis of Predictors of Business Failure”, Journal of accounting research, vol:10 iss:1, Sid. 167‐179.
21 Altman, Edward I och Loris, Bettina. (1976). ”A financial early warning system for over‐the‐counterbroker‐dealers”, The Journal of Finance, Vol XXXI, NO.4, Sid.1201‐1217.
22Dambolena, Ismael G. and Khoury, Sarkis J. (1980). ”Ratio Stability and Corporate Failure”, The Journal of finance, vol:35 iss:4, Sid. 1017‐1026.
12
olika variablerna ansågs 9 variabler i kategorierna lönsamhet, kassaflöde, kapitalstruktur och omsättning visa den bästa skillnaden mellan företagen.
232003 skriver Englund i sin artikel att de nyckeltal som Altman presenterade i sina studier kan påvisa framtida ekonomiska problem. Englund menar på att Altmans studie fortfarande är relevant, men framhäver även att man bör vara försiktig med hur man applicerar modellen eftersom skillnader mellan relevanta nyckeltal kan finnas mellan olika branscher och länder.
24Sedan det multivariata angreppssättet började användas har allt fler forskare forskat inom det och det har gett upphov till en mängd olika teorier. Teorierna som utvecklats kombineras ofta med andra tekniker för att finna en ännu högre tillförlitlighet. Exempel på detta är neurala nätverk som består utav en mängd sammankopplade ”neuroner”. Dessa fungerar som en artificiell hjärna där nätet stimuleras med insignaler t.ex. konkurshistorik, kurshistorik mm.
Det neurala nätverket tränas sedan för att kunna hitta lämpliga samband mellan dessa insignaler och data. Eftersom neurala nätverk arbetar med flera typer av indata, är tekniken mer flexibel än att jämföra enskilda indikatorer t.ex. nyckeltal.
25Enligt en studie gjord på företag i Australien påvisade Yim and Mitchell att modeller med neurala nätverk överträffade de traditionella statistiska modeller för att förutspå konkurs både ett år och två år innan misslyckandet. Även en studie av Huong Giang Nguyen visar att modeller för neurala nätverk resulterar i hög tillförlitlighet vid konkursprediktion.
26
23Fulmer, John G. Jr., Moon, James E., Gavin, Thomas A., Erwin, Michael J. (1984). "A Bankruptcy Classification Model For Small Firms". Journal of Commercial Bank Lending, Sid. 25‐37.
24Fulmer, John G. Jr., Moon, James E., Gavin, Thomas A., Erwin, Michael J. (1984). "A Bankruptcy Classification Model For Small Firms". Journal of Commercial Bank Lending, Sid. 25‐37.
25 http://www.optimalbors.se/neuralt_natverk.htm (tillgänglig 2010-05-31)
26 Huong Giang Nguyen (2005), “Using Neutral Network in Predicting Corporate Failure”, School of Banking and Finance, The University of New South Wales s 1-4.
13
Laitinen och Kankanpää gjorde en studie på finska företag där de jämförde olika modeller från de klassiska traditionella till de senaste neurala nätverk. Deras studie visade att ingen modell resultatmässigt överträffade den andra.
27
27 Teija Laitinen and Maria Kankaanpää (1999), “Comparative analysis of failure prediction methods:
the Finnish case”, The European Accounting Review 1999, 8:1, 67–92
14
3. Metod
3.1. Inledning
Denna undersökning har en utgångspunk från Altmans studie 1968. Som underlag i hans studie använde han 66 olika företag, 33 konkurssatta och 33 friska. Gruppen med de konkurssatta företagen innehöll tillverkningsföretag som ansökte om konkurs åren 1946-1965. Altman visste att en 20 års period inte var det ultimata, men tvingandes till detta på grund av datarestriktioner. Den andra gruppen innehöll tillverkningsföretag valda av slumpen, men som fortfarande existerande under den tiden som analysen genomfördes samt att den insamlade data var från 1946-1965.
Företagen var sorterade efter bransch och storlek, med en restriktion på tillgångarnas storlek ($1 miljon - $25 miljoner). Altman valde att eliminera de små företagen (under $1 miljon) och de väldigt stora företagen för att inte ha alltför stor spridning i gruppen med de konkurssatta företagen. Han menade även att företag med mycket tillgångar inte alltför ofta går i konkurs.
I Altmans studie tog han fram den kända Z - score modellen genom att ta fram vikten av olika nyckeltal (se teoriavsnitt). I vår undersökning kommer den framtagna reviderade Z - score modellen, Z’’-score, att användas för att testa om metoden även kan användas på 2000-talet på företag inom service och informationsteknik- branschen.
3.2. Urval
För att undersökningen ska kunna genomföras behövs årsredovisningar från bolag inom service- och informationsteknikbranschen i Sverige. Totalt hämtas årsredovisningar från 66 olika aktiebolag från Affärsdata
28. Valet av bolagen genomförs med hjälp av Affärsdatas utökade sökfunktion och sedan slumpning av de framtagna resultaten. Sökningen sker även medhjälp av SNI-koder (Svensk Näringsgrensindelning)
Anledningen till valet av just 66 olika aktiebolag är på grund av att denna studie utgår från Altmans studie 1968. För att kontrollera resultatet är 33 av dessa 66
28 http://www.affarsdata.se/ (tillgänglig 2010-05-11)
15
aktiebolag så kallade "friska" bolag som inte är konkurssatta och fortfarande aktiva år 2010. Resterande 33 är bolag som inledde konkurs under åren 2000-2010. Från varje konkurssatt aktiebolag hämtas tre (3) årsredovisningar, som är tre (3) år tillbaka i tiden från att konkurs är inledd. För de friska bolagen gäller minst tre (3) årsredovisningar som är i årsföljd och under samma år som de konkurssatta bolagen.
Varför minst tre (3) årsredovisningar hämtas är för att se hur tidigt en konkurs kan förutspås.
3.2.1. Restriktioner
Krav som ställs på bolagen är att de:
- är aktiebolag
- är så kallade mikroföretag, dvs. ett företag som sysselsätter färre än 10 personer och vars omsättning eller balansomslutning inte överstiger 2 miljoner euro per år.
29- har minst en omsättning på 2 miljoner kronor (det första året när första
årsredovisningen hämtas), för att eliminera de minsta bolagen.
Viktigt att notera är att de restriktioner och val som genomförts inte är helt homogena med Altmans, detta dels på grund av att Altmans studie även involverade en uträkning av vikt av olika nyckeltal samt att det finns en del datarestriktioner.
Anledningen till valet av dessa (tre) krav är att bolagen inte ska klassas som större bolag men ändå ha tillräckligt mycket i nettoomsättning för att vara intressant att undersöka. Noterbart är att den utvalda gruppen med konkurssatta bolag inte är helt homogen på grund av det inte är exakt samma storlek på företagen. Kontrollgruppen är noggrant utvald för att likna konkursbolagen så mycket som möjligt med liknande nettoomsättning. Om fler bolag än 33 passar in i kontrollgruppen, slumpas 33 stycken ut av dessa.
På nyckeltal från årsredovisningarna appliceras sedan Altmans Z’’-score. Resultatet av hur många konkurssatta bolag som förutspåddes korrekt, dvs. med konkurs, samt felaktigt, icke konkurs, slås sedan ihop med hur många icke konkurssatta bolag som
29 http://europa.eu/legislation_summaries/enterprise/business_environment/n26026_sv.htm (Tillgänglig 2010-04-29 16:29:00)
16
förutspåddes korrekt samt felaktigt för att få en total procentuell korrekthet. Företag med ett Z - score inom gråzonen/”Zone of Ignorance” elimineras från resultatet då det finns en möjlighet för att dessa företag kan felklassificeras
30, vilket i sådana fall skulle påverka resultatet.
3.3. Validet och reliabilitet
För att bedöma om utfallet i undersökningspopulationen av konkurssatta företag är korrekt använder vi oss av en kontrollgrupp med friska företag. Eftersom att undersökningen använder sekundärdata som årsredovisningar, som bara kan utläsas på ett sätt, innebär det att data inte kan misstolkas. Detta gör att data och därmed resultatet kan valideras högre. Reliabiliteten blir även högre då undersökningen är baserad på en redan befintlig studie av Altman.
30 Bhabatosh Banerjee, Financial Policy And Management Accounting 7Th ED, Prentice Hall of India s.372
17
4. Resultat och analys
I denna del presenteras utfall av undersökningen med hjälp av diagram.
Utfallsdiagram följs av resultat och analys år för år med start från första året, dvs. ett år innan konkurs inleds. Resultatet presenteras med två olika varianter, det ena när åren är oberoende av varandra, dvs. att företaget inte behöver ha klassificerats korrekt första året för att få inkluderas i det andra årets resultat och det andra är när åren är beroende av varandra, dvs. att företaget första året måste klassificeras korrekt för att få fortsätta vara med i urvalet i andra året etc. I slutet sammanfattas de två olika resultatvarianterna tillsammans med Altmans resultat från 1968,
4.1. Oberoende
4.1.1. Ett år innan konkurs inleds
Efter en applicering av Altmans Z’’-scoremodellen på denna undersöknings urval visas här utfallet ett år innan konkurs inleds:
Figur 1: Urval år 1
18
Tabell 1: Typ I är konkurssatta företag som även klassificerades som konkurssatt enligt Z’’ - score.
Typ II är friska företag som enligt Z’’ - score klassificerats som friskt.
Sex företag från Typ I och fyra företag från Typ II uteslöts på grund av deras Z’’- score befann sig i gråzon, även kallad ”Zone of ignorance”. Efter att ha applicerat Z’’-score på de 33 konkurssatta företagen året innan en konkurs inleddes visar resultatet att 14 av de dessa företag visar tecken på konkurs. Det är en klassificering på att endast 51,85 procent. Resultatet av de friska företagen visar att 13,79 procent felaktigt förutspåddes med konkurs, trots att de fortfarande finns och är friska. Ett år innan konkurs visar resultatet totalt att bara 69,03 procent klassificerades korrekt, vilket är en stor skillnad, nästan 26 procentenheter, från Altmans 95 procent.
Redan ett år innan konkurs inleds syns alltså tecken på att modellen inte är lika tillförlitlig att applicera på företag inom service och informationsteknikbranschen i Sverige jämfört med Altmans urval på amerikanska företag.
ÅR 1 Antal korrekt Procent korrekt Antal fel Procent fel N
Typ I
14 51,85 % 13 48,15 % 27Typ II
25 86,21 % 8 13,79 % 29Totalt
39 69,03 % 27 30,97% 5619
4.1.2. Två år innan konkurs inleds
Nedan visas resultat när åren är oberoende av varandra, dvs. även om företaget första året hamnade i gråzon så utesluts inte företaget utan Z’’-score testas även detta år.
Figur 2: Utfall, år 2
ÅR 2 Antal korrekt Procent korrekt Antal fel Procent fel N
Typ I
12 41,38 % 17 58,62 % 29Typ II
23 82,14 % 5 17,86 % 28Totalt
35 61,76 % 31 37,34 % 57Tabell 2: Typ I är konkurssatta företag som även klassificerades som konkurssatt enligt Z’’ - score.
Typ II är friska företag som enligt Z’’ - score klassificerats som friskt.
Två år innan konkursinledning förutspåddes bara 41,38 procent av de konkurssatta
företagen med konkurs efter applicering av Z’’-score. Detta visade en total korrekt
klassificering med bara 61,76 procent. Altmans studie visade en korrekthet på 72
procent bland konkurssatta företag och 94 procent bland friska, detta ger en total
procentuell korrekthet på 83 procent. Det skiljer alltså 21,24 procentenheter mellan
Altmans och denna undersökning.
20
4.1.3. Tre år innan konkurs inleds
Figur 3: Utfall, år 3
ÅR 3 Antal korrekt Procent korrekt Antal fel Procent fel n
Typ I
7 25,00 % 21 75,00 % 28Typ II
24 85,71 % 4 14,29 % 28Totalt
31 55,35 % 35 44,65 % 56Tabell 3: Typ I är konkurssatta företag som även klassificerades som konkurssatt enligt Z’’ - score.
Typ II är friska företag som enligt Z’’ - score klassificerats som friskt.
Tre år innan konkurs visade endast 25 procent av de konkurssatta företag tecken på konkurs efter appliceringen av Z’’-score. Friska företag, Typ II, klassificerades korrekt med 85,71 procent vilket är ungefär liknande som de övriga två åren. Tredje året visar en total klassificering på 55,35 procent, vilket i och för sig är mer än Altmans 48 procent, men visar ändå bara att vartannat företag är korrekt förutspådd.
4.1. Beroende
Ett konkurssatt företag som klassificerats som friskt ett år innan konkurs bör inte
kunna påverka den totala procentuella korrektheten för övriga år, därför visas här
även det ”beroende” resultatet av undersökningen. Nedan visas allstå resultatet när
21
åren är beroende av varandra, dvs. att om första året visade gråzon är företaget uteslutet även från resterande år samt att företag måste visa konkurs första året för att kunna klassificeras med konkurs året innan det etc.
4.1.1. Ett år innan konkurs inleds
Eftersom att detta är första året innan konkurs inleds ser det oberoende resultatet likadant ut som det beroende resultatet.
Tabell 4: Typ I är konkurssatta företag som även klassificerades som konkurssatt enligt Z’’ - score.
Typ II är friska företag som enligt Z’’ - score klassificerats som friskt.
Ett år innan konkurs inleds har 10 företag uteslutits på grund av att deras Z’’-score hamnat i gråzon/Zone of Ignorance. En total klassificering av korrekthet ligger på 69,03 procent.
4.1.2. Två år innan konkurs inleds
Tabell 5 : Typ I är konkurssatta företag som även klassificerades som konkurssatt enligt Z’’ - score.
Typ II är friska företag som enligt Z’’ - score klassificerats som friskt.
30 av de 66 företagen klassificeras korrekt både ett och två år innan konkurs inleds.
Detta är en total procentuell klassificering på 59,13 procent. 16 företag har visat en Z’’-score inom gråzon/Zone of Ignorance och utesluts därmed.
ÅR 1 Antal korrekt Procent korrekt Antal fel Procent fel N
Typ I
14 51,85 % 13 48,15 % 27Typ II
25 86,21 % 8 13,79 % 29Totalt
39 69,03 % 27 30,97% 56ÅR 2 Antal korrekt Procent korrekt Antal fel Procent fel N
Typ I
9 37,50 % 15 62,50 % 24Typ II
21 80,77 % 5 19,23 % 26Totalt
30 59,13 % 20 40,87% 5022
4.1.3. Tre år innan konkurs inleds
ÅR 3 Antal korrekt Procent korrekt Antal fel Procent fel N
Typ I
5 25,00 % 15 75,00 % 20Typ II
20 86,96 % 3 13,04 % 23Totalt
31 55,98 % 35 44,02 % 43Tabell 6: Typ I är konkurssatta företag som även klassificerades som konkurssatt enligt Z’’ - score.
Typ II är friska företag som enligt Z’’ - score klassificerats som friskt.
Det tredje och sista året där Z’’-score har applicerats utesluts 23 företag på grund av
att deras Z’’-score har hamnat i gråzonen där det är för osäkert att göra en
klassificering då det finns risk att företagen felklassificeras. Bara en fjärdedel av de
konkurssatta företagen och 20 av de friska företagen klassificeras korrekt de tre åren.
22
4.2. Sammanfattning av analyser
År 1 Denna undersökning (oberoende) Denna undersökning (beroende) Altmans 1968
Antal korrekt
Procent korrekt
Antal fel
Procent
fel N Antal
korrekt
Procent korrekt
Antal fel
Procent
fel N Antal
korrekt
Procent korrekt
Antal fel
Procent
fel N
Typ I
14 51,85 % 13 48,15 % 27 14 51,85 % 13 48,15 % 27 31 94,00 % 2 6,00 % 33Typ II
25 86,21 % 8 13,79 % 29 25 86,21 % 8 13,79 % 29 32 97,00 % 1 3,00 % 33Totalt
39 69,03 % 27 30,97% 56 39 69,03 % 27 30,97% 56 63 95,00 % 3 5,00% 66Tabell 7: Typ I, antal korrekt, är konkurssatta företag som även klassificerades som konkurssatt enligt Z’’ - score. Typ II, antal korrekt, är friska företag som enligt Z’’ - score klassificerats som friskt.
23
Med en applicering av Z’’-score på alla 66 företag ett år innan konkurs inleds visas en korrekthet på 69,03 procent både när åren är beroende av varandra samt när de är oberoende. Detta kan jämföras med Altmans 95 procent, en skillnad på nästan 26 procentenheter. Den stora skillnaden finns i Typ I, de konkurssatta företagen, där denna undersökning har en klassificering på nästan 52 procent medan Altman har en träffsäkerhet på 94 procent. Med andra ord klassificeras bara vart och vart annat Typ I företag korrekt och att kunna förutspå konkurs med applicering av Z’’-score på företag inom service och IT-branschen ser därför inte ljust ut.
Det finns även en skillnad mellan antalet företag i gråzon. I Altmans studie hamnar
inget av de 66 företagen i gråzon/Zone of Ignorance, medan denna undersökning har
10 företag som hamnar i gråzon med ett Z’’-score mellan 1,10 och 2,6. Något som
även påvisar att detta inte har någon större betydelse för resultatet är att även om alla
företag med ett Z’’-score i gråzon istället skulle klassificerats korrekt ökar den totala
procentuella klassificeringen bara med cirka fem procentenheter.
24
År 2 Denna undersökning (oberoende) Denna undersökning (beroende) Altmans 1968
Antal korrekt
Procent korrekt
Antal fel
Procent
fel N Antal
korrekt
Procent korrekt
Antal fel
Procent
fel N Antal
korrekt
Procent korrekt
Antal fel
Procent
fel N
Typ I
12 41,38 % 17 58,62 % 29 9 37,50 % 15 62,50 % 24 23 72,00 % 9 28,00 % 32Typ II
23 82,14 % 5 17,86 % 28 21 80,77 % 5 19,23 % 26 31 94,00 % 2 6,00 % 33Totalt
35 61,76 % 31 37,34 % 57 30 59,13 % 20 40,87% 50 54 83,00 % 11 5,00% 65Tabell 6: Typ I är konkurssatta företag som även klassificerades som konkurssatt enligt Z’’ - score. Typ II är friska företag som enligt Z’’ - score klassificerats som friskt.
25
Efter att Z’’-score applicerats både ett och två innan konkurs får vi en klassificering på totalt 61,76 procent när åren är oberoende och 59,13 procent när åren är beroende av varandra. Även om en korrekthet på 60 procent inte är ett speciellt högt resultat jämfört med Altmans 83 procent är det positivt att det inte framkommer några större skillnader procentuellt mellan det beroende och oberoende resultatet. Värt att notera är att resultaten från oberoende och beroende är väldigt lika varandra under alla tre åren både för Typ I och Typ II företag. Det styrker därmed resultatet att två år innan konkurs inleds klassificeras 60 procent av företagen korrekt inom service och IT- branschen vid en applicering av Z’’-score.
Det syns, precis som ett år innan konkurs inleds, stora skillnader från Altmans studie mellan företagen som befinner sig i gråzon. I hans studie hamnade totalt ett av företagen i gråzon till skillnad från denna undersökning där 16 (beroende) företag befann sig inom denna zon. Men precis som vid första året ser man ingen större skillnad om dessa företag istället skulle klassificerats som korrekt.
Eftersom att Altman i sin artikel från 1968 inte presenterar resultaten från år 3, förutom den totala klassificeringen på 48 procent, presenteras inte en sammanställningstabell från tredje året. Resultatet, som även presenterades under rubrik 4.1.3, visar att fem av Typ I, konkurssatta företag, och 20 av Typ II, friska företag, klassificerats korrekt alla tre åren, en total klassificering på nästan 56 procent. Både två och tre år innan konkurs inleds klassificerats alltså bara lite mer än vartannat företag korrekt. Efter att undersökt alla tre åren kan vi även konstatera att fler företag hamnar i gråzon i denna undersökning än i Altmans, 35 procent jämfört med 1,5 procent. Detta tyder på att företagen i undersökningen är svåra att klassificera, vilket i sin tur tyder på att Z’’-score inte är utvecklad för att användas på svenska företag i en rörlig bransch som service- och informationsteknikbranschen.
Vid en jämförelse mellan Typ I och Typ II företag syns det att lite mer än 70 procent
av alla företagen i undersökningen klassificeras som friska. Om Z’’-score hade varit
en perfekt modell att använda hade denna procentsats förmodligen istället legat runt
50 procent, då det är lika många konkurssatta som friska företag som finns med i
undersökningen. Altmans studie hamnar på cirka 56 procent och visar därmed att just
26
denna modell är anpassad och utvecklad på tillverkningsföretag på den amerikanska marknaden. Det som tydligt syns i denna undersökning är att Z’’-score i genomsnitt är högre, vilket innebär att företag klassificeras mer som friska än som konkurssatta.
Resultatet blev alltså en korrekt klassificering på nästan 70 procent ett år samt 60 procent två år innan konkurs. Vid jämförelse med Altmans 94 procent ett år samt 83 procent två år innan konkurs innebär denna undersöknings resultat att Altmans Z’’- score inte är en lika lämplig metod för att förutspå konkurser bland just svenska mikroaktieföretag inom service- och informationsteknikbranscher.
4.3. Egna reflektioner
En anledning till att denna undersöknings resultat visar annorlunda resultat än Altmans studie kan vara att hans studie genomfördes på företag i USA. USA tillhör de länder med anglosaxiskredovisningsteori medan Sverige tillhör de länder med kontinentalredovisningstradition. Kontinental innebär att staten, banker och familjeintressen har ett avgörande ägarinflytande och företagen finansieras ofta med upplånat kapital. Den anglosaxiska innebär istället att ägaren själv lägger ut pengar och detta kan innebära en viss skillnad bland nyckeltal som hanterar eget kapital.
31Försiktighetsprincipen tillämpas också inom den kontinentala och på så vis skyddas då borgenärerna.
32Den innebär att det är viktigt att inte övervärdera tillgångar och det medför att företagen ofta värderar tillgångarna till det lägsta tillåtna värdet.
33I anglosaxisk redovisningstradition finns inte samma koppling mellan redovisning och beskattning som hos den kontinentala. Detta innebär att marknadens krav på information kunnat tillgodoses i större utsträckning samt att tillgångar inte värderas på samma sätt. Detta skulle kunna innebära att de nyckeltal som används för att beräkna Z-score ser annorlunda ut beroende på vilken redovisningstradition som används. Dessutom skiljer sig lagstiftning avseende konkurs från land till land. Med andra ord kanske värdena i Z-score borde anpassas utifrån länder/traditioner för att få en högre korrekt klassificering.
31 Smith, Dag (2000), Redovisningens språk, 2:a upplagan, Studentlitteratur, Lund, s180-190
32 Ibid.
33 Artsberg, Kristina (2005): Redovisningsteori-policy och –praxis, 2:a upplagan, Liber, Malmö
27
En annan anledning till att konkursprediktioner kan vara svåra inom service- och informationsteknikbranschen är, som nämndes i bakgrunden, att branschen påverkas väldigt mycket av utveckling. Det är en ”rörlig” bransch där dagens produkt kan vara omodern imorgon, vilket innebär att ett IT-företag utan några som helst tecken på konkurs idag faktiskt snabbt kan få ekonomiska kriser på grund av exempelvis satsning på fel typ av produkt.
Eftersom att denna bransch har detta ”problem” kanske den nyare utvecklingen av exempelvis neurala nätverk tillsammans med senare modeller passar bättre för att få fram olika tecken på ekonomiska kriser eller konkurser. Kanske även ZETA- modellen kan ge bättre resultat eftersom att det är en utvecklad Z-score modell, mer specificerad och anpassad efter just det företag som analyseras samt att fler nyckeltal används.
4.4. Kritik
Kritik mot resultatet och anledningen till att modellen inte visar samma tillförlitlighet
som i Altman’s studie skulle kunna vara att urvalet av företag inom service- och
informationsteknikbranschen skulle kunna innehålla tillverkande företag och vid
tillverkande företag behövs en annan modell av Z-score användas. I Altmans studie
fanns en restriktion på tillgångarnas storlek till skillnad från denna undersökning där
en restriktion istället sattes på nettoomsättning, vilket även det skulle kunna bidra till
ett felaktigt resultat. Fler anledningar skulle kunna vara att urvalet skulle behövt vara
större för att ge en rättvisare bild eller att det under 2000-2010 funnits finansiella
kriser.
28
5. Slutsats
Undersöknings syfte var att utforska om det fanns möjlighet, med hjälp av Altmans Z’’-score, att förutsäga ekonomiska kriser inom service- och informationsteknikbranschen i Sverige för att snabbt kunna ta till åtgärder för att minimera kreditförluster.
Undersökningen visar att Almans Z’’-scoremodell inte är den ultimata modellen att använda för att förutspå konkurser inom denna bransch i Sverige. Trots att det finns tecken på att konkurs kan förutspås så räcker inte dessa samt en korrekthet klassificering på totalt 70 procent, 60 procent och 56 procent för att klassificera modellen som tillförlitlig. Detta även på grund av att det är Typ II företagens klassificering som står för den större delen av korrektheten, ungefär 70 procent av den totala klassificeringen. Svaret på vår problemformulering ”Kan man förutspå konkurser inom service- och informationsteknikbranschen i Sverige med hjälp Altmans Z’’- score?” är alltså nej.
Vi tror att huvudorsaken till detta är att service- och informationsteknikbranschen är en alldeles för rörlig bransch där nyckeltal förändras för ofta för att de ska kunna användas på det sättet som de gör i denna modell.
6. Förslag till vidare studier
Efter att ha genomfört en undersökning med att applicera Altmans Z’’-modell på
företag inom service- och informationsteknikbranschen anser vi att ett stort problem
är den rörliga utvecklingen bland just IT-företag. På grund av detta vore det
intressant att genomföra undersökningar med andra modeller tillsammans med den
nyare, mer utvecklade tekniken med neurala nätverk. Det kan även vara intressant att
se mer ingående på nyckeltal för att se om några större skillnader finns beroende på
vilken redovisningstradition landet följer.
29
7. Referenser
7.1. Böcker, artiklar och avhandlingar
Altman, Edward. I. Financial ratios, discriminant analysis and the prediction of
corporate bankruptcy.The Journal of Finance, VOL XXIII, 1968 s.589-609.Altman, E, Haldeman, R. & Narayanan, P. (1977). Zeta analysis: a new model to
identify bankruptcy risk of corporations. Journal of Banking and Finance, 1(1): 29-54.
Altman, Edward I och Loris, Bettina. (1976). ”A financial early warning system for
over‐the‐counterbroker‐dealers”, The Journal of Finance, Vol XXXI, NO.4,Sid.1201‐1217.
Altman, E.I. (1993). Corporate financial distress and bankruptcy: A complete guide
to predicting and avoiding distress and profiting from bankruptcy. New York: JohnWiley and Sons.s.17.
Bhabatosh Banerjee (2005), Financial Policy and Management Accounting 7Th ED.
Prentice Hall of India, s.372
Artsberg, Kristina (2005): Redovisningsteori-policy och –praxis, 2:a upplagan, Liber, Malmö.
Beaver,W.H (1963) Financial ratios as predictors of financial failure, Journal of Accounting,vol 4.
Beaver, W. (1966). Financial ratios as predictors of failure. Empirical research in Accounting, selected studies supplement to the Journal of Accounting Research, 4(1): 71-127.
Dambolena, Ismael G. and Khoury, Sarkis J. (1980). ”Ratio Stability and Corpo-rate
Failure”, The Journal of finance, vol:35 iss:4, Sid. 1017‐1026.Deakin, Edward B. (1972). ”A Discriminant Analysis of Predictors of Business
Failure”, Journal of accounting research, vol:10 iss:1, Sid. 167‐179.30
Englund, Hans. 2003. Nyckeltal kan påvisa framtida betalningsoförmåga. Balans (2).
Foster, George. Financial statement analysis (2 ed.). London: Pentice-Hall interna- tional. 1986.Ch 11.
Fulmer, John G. Jr., Moon, James E., Gavin, Thomas A., Erwin, Michael J. (1984).
"A Bankruptcy Classification Model For Small Firms". Journal of Commercial Bank Lending, Sid. 25‐37.
Hopwood, W., McKeown, J.C. & Mutchler, J.F. (1994). A reexamination of audi-
tors versus model accuracy within the context of the going-concern opinion deci- sion. Contemporary Accounting Research, 10(2): 409-431.Jerold B.Warner (1977). Bancruptcy costs: some evidence. The journal of finance.
Vol XXXII, NO 2, May 1977.
Mckee, T.E. & Lensberg, T. (2002). Genetic programming and rough sets: A hy-brid
approach to bankruptcy classification. European Journal of Operational Re-search,138(2): 436-541.
Pacey, J.W. & Pham, T.M. (1990). The predictiveness of bankruptcy models: Me-
thodological problems and evidence. Australian Journal of Management, 15(2): 315-337.
Smith, Dag (2000), Redovisningens språk, 2:a upplagan, Studentlitteratur, Lund.
s.180-190.
Zopounidis, C. & Dimitras, A. (1998). Multicriteria decision aid me-thods for the
prediction of business failure. Kluwer Academic Publishers, Dor-drecht 1998:2.Habtom Woldemichael Kidane (2004), Predicting financial distress in IT and
services companies in South Africa. s. 4-5.Teija Laitinen and Maria Kankaanpää (1999), “Comparative analysis of failure
prediction methods: the Finnish case”, The European Accounting Review 1999, 8:1,67–92.
31
