vid Linnéuniversitetet
Konkursprediktion
på tjänsteföretag i Sverige
Examensarbete i företagsekonomi Magisteruppsats, 15 hp Ekonomistyrning, 4FE91E, VT 2012 Författare: Johan Andersson, 790601 Handledare: Fredrik KarlssonSammanfattning
Magisteruppsats i Företagsekonomi. Ekonomihögskolan vid Linnéuniversitetet.
Författare: Johan Andersson
Handledare: Fredrik Karlsson
Titel: Konkursprediktion på tjänsteföretag i Sverige
Problem: Konkurser drar med sig höga kostnader på olika sätt, och genom åren har
många försök gjorts att finna modeller som kan förutse konkurser och därigenom undvika dem. Några av de mest beprövade modellerna är Altmans olika Z-scoremodeller, som genom åren visat olika resultat. Allt fler företag blir också verksamma inom tjänstesektorn, och forskningen menar att dessa företag skiljer sig från tillverkande företag när det gäller dess nyckeltal, vilket alltså borde påverka möjligheterna att förutse konkurser enligt de modeller som idag finns.
Syfte: Kontrollera huruvida Altmans Z´´-scoremodell fungerar på små- och medelstora
tjänsteföretag i Sverige, men även om korrelation mellan ett företags kreditbetyg och dess Z´´-score föreligger.
Metod: Uppsatsen är skriven utifrån ett positivistiskt synsätt med deduktiv ansats, och
bygger på kvantitativ sekundärdata. Analyser görs genom hypotesprövning.
Slutsats: Altmans Z´´-scoremodell fungerar dåligt på tjänsteföretag inom segmentet
små- och medelstora företag i Sverige. Resultatet blir detsamma, även om modellen tillämpas på tillverkande företag och handelsföretag. Däremot går det se skillnad på nyckeltal i företag försatta i konkurs och friska företag, bland annat genom att konkursföretag har sämre lönsamhet, balanslikviditet och skuldsättningsgrad.
Fortsatt forskning: Forskningen går isär när det gäller möjligheterna att förutse
konkurser, och det finns fortfarande många aspekter att pröva. Förslag på fortsatt forskning är därför att undersöka hur nyckeltalen verkligen skiljer sig åt, och om det därigenom är möjligt att undvika konkurser. Ytterligare alternativ kan vara att undersöka variablerna i Z´´-scoremodellen, och eventuellt justera dessa för bättre utfall.
Nyckelord: Altman, Z-score, konkurs, prediktion, nyckeltal, prognos, ekonomiska
Abstract
Master Thesis in Business Administration. Business School at Linnaeus University.
Author: Johan Andersson
Tutor: Fredrik Karlsson
Title: Bankruptcy prediction on service companies in Sweden
Problem: Bankruptcy is associated with a high cost in different ways, and over the
years, many attempts have been made to find models that can predict failures and thru that avoid them. Some of the most proven models are Altmans Z-score in various forms, which over the years have shown different results. More and more companies work with services, and research says that these companies differ from manufacturing companies when it comes to its economic ratios, which should affect the possibilities in predicting bankruptcy according to today available models.
Purpose: Check whether the Altman Z´´-score model works on small- and
medium-sized services companies in Sweden, but also check if correlation exist between a company's credit rating and its Z´´-score.
Method: The thesis is written with a positivist and deductive approach, based on
quantitative secondary data. Analyses are made by hypothesis testing.
Conclusion: Altman's Z´´-score does not work on small- and medium-sized service
companies in Sweden. The result is the same, even if the model is applied to manufacturing and trading companies. However, it is possible to see differences between bankrupt companies and healthy companies. Some ratios that show differences are profitability, balance sheet liquidity and leverage, which all are lower in bankrupt companies.
Continued research: Researchers are divided when it comes to the possibilities to
predict bankruptcy, and there are still many aspects to consider. Suggestions for continued researchis to examine how ratios really differ, and if it is thru that is possible to avoid bankruptcy. Another angle might be to examine the variables of the Z´´-score-model, and maybe adjust them for more accurate result.
Keywords: Altman, Z-score, bankruptcy, prediction, ratios, forecasting, financial
Översikt
1. INLEDNING ... 1
2. REFERENSRAM ... 14
3. METOD ... 40
4. ANALYS OCH RESULTAT ... 51
5. SLUTSATS ... 76
6. LITTERATURFÖRTECKNING ... 79
BILAGA A - Z-FÖRDELNING ... 83
BILAGA B - BERÄKNINGAR ... 84
BILAGA C - RESULTAT FRÅN HYPOTESPRÖVNING ... 131
Innehållsförteckning
1. INLEDNING ... 1
1.1 KONKURS ... 1
1.2 NYCKELTAL OCH KONKURSPREDIKTION ... 4
1.3 ALTERNATIV TILL KONKURS ... 7
1.4 TJÄNSTESEKTORN VS TILLVERKNINGSSEKTORN ... 8 1.5 KREDITBETYG ... 10 1.6 PROBLEMDISKUSSION ... 11 1.6.1 Frågeställning ... 12 1.6.2 Syfte ... 13 1.6.3 Avgränsningar ... 13 2. REFERENSRAM ... 14
2.1 INSOLVENS LEDER TILL KONKURS ... 14
2.2 ORSAKER TILL KONKURS ... 15
2.3 NYCKELTAL OCH KONKURSPREDIKTION ... 18
2.4 ALTMANS MODELLER OCH DESS UTVECKLING ... 19
2.5 KREDITBETYG ... 25
2.6 ANNAN FORSKNING OCH ALTERNATIVA METODER ... 26
2.7 TJÄNSTEFÖRETAG ... 34
2.8 HYPOTESSAMMANSTÄLLNING ... 39
3. METOD ... 40
3.1 METODVAL ... 40
3.2 URVAL OCH DATAINSAMLING ... 42
3.2.1 Population - Friska företag ... 43
3.2.2 Population - Konkursföretag ... 43
3.2.3 Urval ... 44
3.3 VALIDITET OCH RELIABILITET ... 45
3.4 KÄLLKRITIK ... 46
3.5 ANALYSMETOD ... 47
3.5.1 Hypotesprövning ... 47
3.5.2 Korrelation ... 49
4. ANALYS OCH RESULTAT ... 51
4.1 HYPOTES 1 - ÅLDER ... 51
4.2 HYPOTES 2 - MINST 80 PROCENT KAN FÖRUTSES ... 53
4.3 HYPOTES 3 - Z´´-SCORE FÖRSÄMRAS INFÖR KONKURS ... 55
4.4 HYPOTES 4 - KLASSIFICERING AV FRISKA FÖRETAG ÄR MER KORREKT ... 56
4.5 HYPOTES 5 - KREDITBETYG ... 58
4.6 HYPOTES 6 - BALANSLIKVIDITET ... 61
4.7 HYPOTES 7 - LÖNSAMHET ... 63
4.8 HYPOTES 8 - SKULDSÄTTNINGSGRAD ... 65
4.9 HYPOTES 9 - TOTALA TILLGÅNGAR ... 67
4.10 HYPOTES 10 - KONKURSFÖRUTSÄGELSE ÄR SÄMRE I TJÄNSTEFÖRETAG ... 68
4.11 HYPOTES 11 - LÖNEKOSTNAD I KONKURSFÖRETAG ... 70
4.12 HYPOTES 12 - LÖNEKOSTNADER ... 71
4.13 HYPOTES 13 - INTÄKTER PER ANSTÄLLD ... 72
4.14 HYPOTES 14 - ANTAL ANSTÄLLDA ... 73
4.15 HYPOTES 15 - VINSTMARGINAL ... 74 5. SLUTSATS ... 76 5.1 FORTSATT FORSKNING ... 78 6. LITTERATURFÖRTECKNING ... 79 BILAGA A - Z-FÖRDELNING ... 83 BILAGA B - BERÄKNINGAR ... 84 HYPOTES 1 - ÅLDER ... 84
HYPOTES 2 - MINST 80 PROCENT KAN FÖRUTSES ... 87
HYPOTES 3 - Z´´-SCORE FÖRSÄMRAS INNAN KONKURS ... 88
HYPOTES 4 - KLASSIFICERING AV FRISKA FÖRETAG ÄR MER KORREKT ... 91
HYPOTES 5 - KREDITBETYG ... 94
HYPOTES 6 - BALANSLIKVIDITET ... 96
HYPOTES 7 - LÖNSAMHET ... 101
HYPOTES 8 - SKULDSÄTTNINGSGRAD ... 105
HYPOTES 9 - TOTALA TILLGÅNGAR ... 109
HYPOTES 10 - KONKURSFÖRUTSÄGELSEN ÄR SÄMRE I TJÄNSTEFÖRETAG ... 113
HYPOTES 11 - LÖNEKOSTNAD I KONKURSFÖRETAG ... 114
HYPOTES 12 - LÖNEKOSTNADER ... 115
HYPOTES 13 - INTÄKT PER ANSTÄLLD (KKR) ... 119
HYPOTES 14 - ANTAL ANSTÄLLDA ... 123
HYPOTES 15 - VINSTMARGINAL ... 127
BILAGA C - RESULTAT FRÅN HYPOTESPRÖVNING ... 131
Tabellförteckning
Tabell 1; Träffsäkerhet enligt Svanborg & Winblad ... 23
Tabell 2; EM-score och rating ... 24
Tabell 3; Forskningssammanställning enligt Linder & Norrbelius ... 26
Tabell 4; Forskningssammanställning enligt Altman & Narayanan ... 27
Tabell 5; Träffsäkerhet enligt Linder & Norrbelius ... 33
Tabell 6; Hypotessammanställning ... 39
Tabell 7; Datainsamlingsmetoder enligt Andersen ... 40
Tabell 8; Grupper i undersökningen. ... 42
Tabell 9; Population före urval ... 44
Tabell 10; Antal företag i urval ... 44
Tabell 11; Valutakurser SEK/EUR, årsgenomsnitt 2005-2011. Avrundat till MSEK. ... 46
Tabell 12; Medelålder - Medelvärde och hypotesprövning ... 52
Tabell 13; Klassificering, Hypotesprövning av korrekta bedömningar av företag i konkurs. ... 53
Tabell 14; Total klassificering - Z´´-score ... 54
Tabell 15; Z´´-score, medelvärden i konkursföretag år -1 och år -3. ... 55
Tabell 16; z-värden för korrekt klassificerade företag, både friska och konkurs, sista bedömningsåret .... 56
Tabell 17; Utfall klassificering Z´´-score, sista bedömningsåret ... 57
Tabell 18; Antal företag med erhållet kreditbetyg ... 58
Tabell 19; Betygsskala Soliditet och "översättning" ... 58
Tabell 20; Pearsons r och t-test på respektive SNI-grupp ... 59
Tabell 21; Klassificering med kreditbetyg, sista bedömningsåret ... 60
Tabell 22; Balanslikviditet - Medelvärden och beräknade z-värden ... 61
Tabell 23; Lönsamhet/Avkastning totalt kapital - Medelvärden och beräknade z-värden ... 63
Tabell 24; Skuldsättningsgrad - Medelvärde och beräknade z-värden ... 65
Tabell 25; Skuldsättningsgrad - Medianvärde ... 66
Tabell 26; Totala tillgångar - Medelvärde och beräknade z-värden ... 67
Tabell 27; Z´´-score, klassificering i antal, sista bedömningsåret. ... 68
Tabell 28; Z´´-score, klassificering i procent, sista bedömningsåret... 69
Tabell 29; Lönekostnader i konkursföretag, tillverkning och tjänster ... 70
Tabell 30; Lönekostnader- Medelvärde i samtliga urvalsgrupper, redovisat i kkr ... 71
Tabell 31; Intäkt per anställd - Medelvärden i samtliga urvalsgrupper, redovisat i kkr. ... 72
Tabell 32; Antal anställda - Medelvärde och beräknade z-värden ... 73
Tabell 33; Antal anställda - Medianvärde ... 73
Tabell 34; Vinstmarginal - hypotesprövning av samband. ... 74
Tabell 35; Vinstmarginal - Medelvärde och beräknade z-värden ... 74
Tabell 36; Vinstmarginal - Beräknade z-värden mellan alla tre bedömningsår. ... 75
Figurförteckning
Figur 1; Normalfördelningskruva, signifikansnivå 5% - Dubbelsidig ... 48Formelförteckning
Formel 1; Z´´-score-modell... 6 Formel 2; Z-score-modell ... 20 Formel 3; Z´-score-modell ... 21 Formel 4; Z´´-score-modell... 22 Formel 5; EM-score-modell ... 24Formel 6; Beräkning av z vid hypotesprövning med medeltal ... 48
Formel 7; Pearsons r - Korrelationsberäkning ... 49
Formel 8; Z´´-score-modell... 50
Diagramförteckning
Diagram 1; Medelålder - Åldersfördelning i konkursföretag och friska företag ... 51Diagram 2; Medelålder - Åldersfördelning ... 52
Diagram 3; Korrelation Z´´-score / Kreditbetyg ... 59
Diagram 4; Balanslikviditet - Spridning boxplot, sista bedömningsåret ... 62
Diagram 5; Lönsamhet - Spridning boxplot, sista bedömningsåret ... 64
Diagram 6; Skuldsättningsgrad - Spridning boxplot, sista bedömningsåret ... 66
"Scientists, astronauts, navigators, meteorologists,
corporate management and financial analysts share a common task
- the continuous search for signals that will aid
in the prediction what lies ahead."
1. Inledning
Denna uppsats behandlar ett omdiskuterat och ständigt aktuellt ämne inom redovisningsforskningen - möjligheterna att förutse konkurser. Konkurs är inget positivt ord, även om det alla gånger inte behöver vara enbart negativt. Företagande handlar om risktagande, och för att växa kan företaget behöva göra extra satsningar. Ibland lyckas det, ibland inte. En konkurs innebär oftast ekonomiska och personliga förluster. Genom möjligheten att förutse en konkurs, eller kanske snarare de tecken som kan finnas i dess kölvatten, kan företagaren och andra intressenter agera innan konkursen är ett faktum. Ämnet som genom åren diskuterats är, huruvida det är möjligt att predicera en konkurs, men även vilka faktorer som måste bevakas, synnerhet när strukturen på företag och marknader förändras över tiden.
1.1 Konkurs
En konkurs drar alltid med sig extra kostnader för drabbades intressenter, t ex förlorade intäkter, stoppad produktion, förlorat arbete och utebliven lön1. Vidare förlorar staten skatter, och då har de kostnader som uppkommer i samband med konkursarbetet ännu inte tagits upp. Under 2011 gick 6 958 företag i konkurs i Sverige och under första månaderna 2012 kan en ökning i detta antal märkas2. Under januari och februari ökade antalet konkurser med 9 procent jämfört med samma period föregående år, och i konkursstatistiken är det aktiebolagen som är mest representerade3. Svenska Dagbladet4 menar i en artikel att finansiering genom bankerna blir allt svårare, vilket gör företagen mer beroende av egna vinster för att klara tuffa tider eller finansiera expansioner.
Vad innebär begreppet konkurs? För att finna förklaringen till detta är det enklast att gå direkt till konkurslagen (1987:672) 1 kap, 2§:
1 (Bernanke, 1981) (Eliasson, 1992) 2 (Tillväxtanalys, 2012) 3 (Tillväxtanalys, 2012) 4 (Svenska Dagbladet, 2012)
”En gäldenär som är på obestånd skall efter egen eller en borgenärs ansökan försättas i konkurs, om inte annat är föreskrivet.
Med obestånd (insolvens) avses att gäldenären inte kan rätteligen betala sina skulder och att denna oförmåga inte endast är tillfällig.”
Detta innebär kort och gott, kan företaget inte betala sina skulder, ska de försättas i konkurs, såvida betalningsförmågan inte försämrats temporärt.
Något som är av stort intresse i en diskussion om konkurser, är varför konkursen inträffar. Genom konkurslagen ovan, fastställs att konkursen i sig beror på att företaget inte längre finns möjlighet att betala sina skulder med de tillgångar som finns, eller förväntas inkomma inom kort. Varför uppstår då denna situation? Vilken litteratur man än väljer att läsa, kan slutsatsen endast bli en sak – dålig ledning och dåliga beslut. Eller dåliga är kanske ett felaktigt ordval, och istället går det referera till det som mindre bra. Detta har genom åren påvisats vara orsaken om och om igen, bl a genom utredningar av Statens Industriverk5, som menar att vanligaste orsakerna till konkurs är:
1. Ej kunskap (Bedömning av affärsförutsättningarna) 2. Ekonomisk planering (Stora brister i redovisning) 3. Dålig affärsidé (Verksamheten borde aldrig startats) 4. Ej kapital
Eliasson6 menar att konkurser beror på misstag, och skriver följande i sin rapport:
”Modern ekonomisk teori och modern välfärdsekonomi speglar visserligen en föreställning om en värld i vilket allt i princip kan förutses, och där konkursen är ett utslag av misstag; planeringsfel eller okunnighet, som inte borde tillåtas förekomma.”
Vidare menar Eliasson7 att, många företagare begår fundamentala fel, vilka inte går eller hinner rättas till innan det är för sent och därmed leder till konkurs. Enligt Koponen8 kan det många gånger vara mindre händelser och beslut, som leder fram till en konkurs. Även hon fann att orsakerna till konkurs handlar om beslut som inte alltid ger önskad
5 (Statens Industriverk, 1985, ss. 52-62) 6 (Eliasson, 1992) 7 (Eliasson, 1992) 8 (Koponen, 2003)
effekt, t ex genom att satsa på ett starkt varumärke och tillväxt framför vinst. Everett & Watson9 är också med i samma resonemang. De menar att det finns främst två orsaker till att företag misslyckas på marknaden; det första är ändamålsenlig ledarskap och beslutsfattande, medan det andra är avsaknad av kapital. Även om alla beslut som leder till konkurs inte behöver vara dåliga kan följden bli försämrad ekonomi. Exempel kan vara en situation där företaget måste satsa för att undvika konkurs, men om utvecklingen inte går som planerat, kan det ändå leda till konkurs. Precis som Everett & Watson och Statens Industriverk konstaterar, menar även Koponen10 att ägarnas kunskaper och förståelse om företagsledning och ekonomi spelar en viktig roll i dess framtida händelseförlopp enligt.
Så här långt har diskussionen mer eller mindre förutsatt att konkurser sker ofrivilligt efter att mindre lämpliga beslut tömt kassakistorna. Det finns dock en annan sida, som bygger på människans egoism och vilja att maximera sin egen vinning t ex genom att träda ut från marknaden vid en högkonjunktur11, samtidigt som Koponen12 påvisar att företag går i konkurs trots högkonjunktur.
Vidare finns marknader, som anses fungera perfekt, och där ej livskraftiga företag, oavsett orsak, rensas ut. Ett exempel på detta är transportbranschen13. Om inte företaget klarar möta marknadens krav i fråga om effektivitet, prissättning eller förmåga att följa lagar och regler, kommer de förr eller senare lämna marknaden.
Vanligaste orsakerna till att företaget måste lämna marknaden och försättas i konkurs, även om slutsatser gjorda av Ropega och Koponen inkluderas, beror på ett eller flera felaktiga verksamhetsbeslut. Beslut fattade av företagets ledning under en kortare eller längre period. Dessa felaktiga beslut leder till försämrad ekonomi och insolvens, och skulderna kan inte längre betalas. Ropega14 skriver:
9 (Everett & Watson, 1998) 10
(Koponen, 2003)
11 (Everett & Watson, 1998) 12 (Koponen, 2003)
13 (Andersson & Ståhl, 2007) 14
”Companies today must be able not only to reduce the crises in which they find themselves, but also must be able to see them in advance. In order to do this, tools must be used to identify the symptoms of the deteriorating situation of the company”
Företag måste i sin verksamhet upptäcka och förutse potentiella risker i förväg, för att undvika bli utkonkurrerade eller på andra sätt få en negativ utveckling. Genom att hålla koll på signalerna verksamhetens räkenskaper ger, hinner ledningen göra korrigerande åtgärder innan konkursen knackar på dörren. Detta gör nyckeltalsanalyser av företagets ekonomi nödvändiga för dess överlevnad.15
1.2 Nyckeltal och konkursprediktion
Genom ovanstående resonemang börjar vikten av att följa företagets utveckling träda fram, vilket är nödvändigt oavsett om intressenterna återfinns utanför eller inom företaget. Det finns alltid mål som företag önskar uppnå, och många gånger är dessa ekonomiska. Ägarna vill få återbäring och avkastning på satsade pengar. Företaget behöver utvecklas och investera och för det behövs kapital. Målen kan vara olika, men saknar ledningen rätt verktyg för att följa verksamheten, kan det snabbt gå åt fel håll och åtgärder sätts in för sent. Det är där nyckeltalsanalyser kommer in i bilden. Nyckeltal visar relationen mellan två mätvärden, och genom kontinuerlig uppföljning, kan förändringar märkas, och åtgärder kan sättas in innan det är för sent.16 Likviditet, soliditet och lönsamhet är några mått som brukar ingå i en nyckeltalsanalys. Ett enskilt nyckeltalen betyder ingenting, såvida de inte sätts i relation till något relevant, t ex branschgenomsnitt eller historik.17 Ett nyckeltal är endast en ledtråd eller startpunkt för vidare fördjupning enligt Paton18.
Intresset för nyckeltal kom tidigt, och Appiah & Abor19 menar att forskningen gällande företags misslyckande påbörjades redan på 30-talet. Större delen av forskningen gällande konkursprediktion påbörjades dock först under 60-talet, i samband med att Beaver och Altman publicerade sin forskning i ämnet.
15 (Eliasson, 1992) (Ropega, 2011) 16 (BAS-gruppen, 2010) 17 (Folkesson, 2009) 18 (Paton, 1928) 19
Beaver20 publicerade en artikel gällande nyckeltals förmåga att bedöma företags hälsa och förutse eventuella ekonomiska svårigheter. Precis som Paton, menar Beaver att nyckeltal kan ge värdefull information samtidigt som de måste användas med finkänslighet, för att undvika feltolkningar. Beavers analys gjordes genom att jämföra nyckeltal för nyckeltal, och slutsatsen blev att vissa nyckeltal fungerar som bättre indikatorer än andra, samtidigt som friska företag var lättare att klassificera.
Altman21 tog upp tidigare forskning, och liksom Beavers slutsats, visade företag på väg att misslyckas annorlunda nyckeltal i förhållande till väl fungerande organisationer. Beaver valde att analysera ett nyckeltal i taget, och därefter göra en bedömning av dess helhet. Altman ansåg detta vara mindre tillförlitligt och valde därmed en annan inriktning, nämligen en multipel diskriminantanalys (MDA). MDA innebär att flera nyckeltal används i samma analys, och varje observation kategoriseras enligt dess karaktär, t ex friskt företag eller konkursrisk. MDA innebär att varje variabel (nyckeltal) multipliceras med en koefficient framräknad utifrån hur viktig den är för slutgiltig klassificering. Summan av denna beräkning, gav ett Z-score, vilket avgjorde vilken grupp företaget tillhörde. Slutsatsen Altman gjorde, var att modellen gjorde rimligen korrekta bedömningar upp till två år före konkurs inträffade, samtidigt som klassificeringen blev sämre desto längre från själva året för konkurs bedömningen gjordes..
Det har genom åren har många andra beräkningsmetoder än MDA testats, och en del forskare anser att företagets kassaflöde måste integreras i modellerna för att de ska kunna göra korrekta klassificeringar22. Varje statistisk metod har sina styrkor och svagheter. Altman menade t ex att Beavers metod inte var tillförlitlig eftersom endast ett nyckeltal kunde bedömas åt gången23. Richardson et al24 menar i sin tur att en logistic-model är att föredra, eftersom MDA förutsätter en normalfördelad population.
Sedan Beaver och Altman publicerade sina studier under andra halvan av 60-talet, har modellerna använts som grund för vidareutveckling av nya modeller, och alla har olika syn på vad som behöver mätas och på vilket sätt bedömningen ska göras. Altman har
20
(Beaver, 1966) 21 (Altman E. I., 1968)
22 (Gentry, Newbold, & Whitford, 1985) 23 (Altman E. I., 1968)
24
även reviderat sin egen modell, för att anpassa den efter olika verksamheter och marknader. Grundmodellen, Z-score, gjordes för börsnoterade företag, och följdes av modellerna Z´ (icke noterade bolag) och Z´´ (företag i utveckling, branscheffekt borttagen). Beräkningen av Z´´-score görs enligt följande:
Z´´ = 6,56X1 + 3,26X2 + 6,72X3 + 1,05X4
X1 = Rörelsekapital / Totala tillgångar
X2 = Balanserad vinst / Totala tillgångar
X3 = Resultat före räntor och skatt / Totala tillgångar
X4 = Bokfört värde Eget kapital / Bokfört värde av total skuld
Z´´ = Erhållet index
Konkursrisk Gråzon Friskt
Z´´-score < 1,1 1,1 - 2,6 > 2,6
Formel 1; Z´´-score-modell
Erhåller företaget ett värde lägre än 1,1 anses det vara risk för konkurs, medan ett värde över 2,6 klassas som friskt och välmående.
Stor del av genomförd forskning är koncentrerad till USA, även om det på senare år återfinns exempel från både Asien och Europa. Den mest använda modellen, utifrån de sökningar som gjorts inför denna uppsats, är Altmans Z-score och därefter reviderade versioner. Det gäller både publicerade artiklar och skrivna uppsatser. Detta bekräftas även genom sammanställningar som genomförts av Altman & Narayanan25 och Balcaen & Ooghe26.
Svenska uppsatser som skrivits på området, påvisar i vissa fall att Altmans Z-score inte är riktigt tillförlitlig på svenska aktiebolag27. Lind & Sloberg28 kom fram till att Altmans modell inte med säkerhet kan urskilja ett konkursföretag i en grupp, även om modellen ibland träffade rätt. Samtidigt finns det andra uppsatser som menar att det dock finns tillförlitlighet i liknande modeller, bestående av andra nyckeltal29.
Litteraturgenomgången visade på få kopplingar gjorda mellan möjligheterna att förutse konkurser genom beräkning av t ex Z-score, och det kreditbetyg företaget har. Vad som nämns är, att bankerna i grunden använder sig av beräkningsmodeller för att kalkylera
25
(Altman & Narayanan, 1997) 26 (Balcaen & Ooghe, 2006) 27 (Metlik & Jakobsson, 2010) 28 (Lind & Sloberg, 2009) 29
den risk de tar genom att göra affärer med aktuellt företag, och dessa baserar sig på liknande beräkningar som kreditbetygen.
1.3 Alternativ till konkurs
En viktig aspekt i diskussioner gällande konkurser är, att det faktiskt finns alternativ till en ren likvidation genom konkurs. Rekonstruktion är ett exempel. Rekonstruktion ställer lägre krav än om företaget försätts i konkurs, då det här räcker att risk för obestånd föreligger30. Syftet med en rekonstruktion är att företaget efter en kortare tid åter ska stå på egna fötter. Under tiden omorganisation och skuldsanering pågår, är företaget skyddat från fordringsägarna och förvaltaren analyserar vilka åtgärder som behövs för detta. Företag med betalningssvårigheter kan också gå ut med ett så kallat underhandsackord, vilket innebär att de utan lagligt stöd ber fordringsägarna att efterskänka stora delar av skulderna, i hopp om att kunna fortsätta sin verksamhet utan större störningar.
Wachtmeister31 menar i sin uppsats att många små företag väntar för länge innan de ansöker om rekonstruktion, en process som kan ta veckor innan eventuell dom träder i kraft, och när ansökan väl görs är det för sent att göra något åt situationen och konkurs återstår som enda alternativ. Rekonstruktioner är betydligt mer kostsamma än konkurser eftersom utredningarna tar längre tid, vilket också gör det svårt för små bolag att ordna fram finansiering. Wachtmeister skriver i sina avslutande kommentarer:
"Ett stort företag har lättare att skaffa det kapital som krävs för en lyckad företagsrekonstruktion, tänkt att gagna såväl borgenärer som gäldenär. Mindre företag tjänar ofta mer på rekonstruktion genom konkurs eller uppnå underhandsackord och omförhandla avtal med de större borgenärerna, än att företa en kostsam företagsrekonstruktion..."
30 (Mellström & Emilsson, 2009, s. 54) 31
Witalisson32 skriver:
”De företag som hamnar i ekonomiska svårigheter väljer förmodligen att rekonstruera sitt bolag genom en konkurs. Förfarandet går betydligt snabbare…”
”De kostnader som är förknippade med en företagsrekonstruktion kommer för flertalet företag att vara så hög att det inte finns en reell möjlighet att ta sig igenom perioden efter att lönegarantin har tagit slut.”
För att en rekonstruktion överhuvudtaget ska lyckas, krävs kapitaltillskott och en ackorduppgörelse, men vanligtvis även någon typ av organisatorisk förändring.33 Witalisson34 påvisar, trots rekonstruktion fortsätter 40 procent av bolagen göra förlust efteråt och ungefär var tredje bolag begär ny rekonstruktion inom tre år.
Förutom alternativen företagsrekonstruktion och underhandsackord, kan givetvis fusion och försäljning givetvis förekomma. Dock brukar dessa alternativ vara mindre attraktiva om situationen redan talar för konkurs, eftersom det sannolikt skulle bli billigare att köpa upp konkursboet än företaget med dess aktuella skulder.
Även om rekonstruktion kan ses som ett alternativ till konkurs, är de båda starkt förknippade. Denna uppsats behandlar och refererar dock endast till konkurs framöver, men mycket av den teori som återfinns inom ämnet, går att koppla och överföra även till rekonstruktion, då grundprincipen inom konkursprediktion är möjligheten att förutse de ekonomiska svårigheterna innan de rotar sig för djupt.
1.4 Tjänstesektorn vs Tillverkningssektorn
Typiska drag för en tjänst är, enligt von Schéele, att den inte kan lagerhållas och är svår att demonstrera då den kan anses vara abstrakt. Vidare menar von Schéele att en tjänst är i större behov av kommunikation än vad en vara är, eftersom det finns tysta förväntningar om hur produkten ska fungera och hjälpa kunden.35 Motsatsen till detta blir istället en vara; den kan demonstreras och hanteras fysiskt, och därmed även
32 (Witalisson, 2010, ss. 38-39)
33 (Mellström & Emilsson, 2009, ss. 54-55) 34 (Witalisson, 2010, s. 39)
35
lagerhållas. Tjänster kan förknippas med tid och tillverkning med material. Tid går inte att hålla fast, eftersom den är flyktig och en förlorad timme är en förlorad timme, medan material kan i de flesta fall läggas på lager och plockas fram när det behövs igen. Genom att tiden inte kan lagerhållas, kan detta snabbt påverka ett företags balans- och resultaträkning, och därmed eventuella nyckeltal som används vid värdering och bedömning av företagets kreditvärdighet och framgång.
Varuproducerande företag har ofta maskinpark och lager av olika slag, något som ett tjänsteföretag inte har, eftersom deras produkter inte kan massproduceras och lagerhållas36. Detta skapar ett gap mellan balansräkningarna i ett tillverkande företag och ett som tillhandahåller tjänster, eftersom dessa varken kan eller får ta upp sin största tillgång - personalen - i redovisningen37. Orsaken att personal inte får tas upp i balansräkningen beror på definitionerna kring begreppet tillgångar. Ett företag måste t ex ha kontroll över en tillgång och den ska förväntas ge ekonomiska fördelar framöver38. En anställd kan sluta på företaget, vilket gör att kontroll-kravet fallerar direkt från början. Eftersom anställda därmed inte faller in under begreppet tillgång, kan de inte redovisas i balansräkningen, vilket i sin tur gör att tillgångsmassan för tjänsteföretag blir lägre än tillverkande företag. Genom att balansräkningen blir tunnare, påverkas även relaterade nyckeltal.
SCB indelar företag i avdelningar och grupper med hjälp av s.k SNI-koder (SNI = Svensk Näringsgrensindelning), där tillverkning återfinns i avdelning A-F och tjänster G-S. I viss statistik exkluderas avdelningarna K (finans- och försäkringsverksamhet) och O (offentlig verksamhet) inom tjänstesektorn.39. Denna exkludering görs inte i denna uppsats, eftersom bolagen i direkt mening fortfarande är tjänsteföretag, och exkluderingen endast har som syfte att jämställa statistik inom EU40. BAS-gruppen41 gör en indelning av företagen genom att benämna dem handels-, tillverkande och tjänsteföretag. Orsaken till att handelsföretag ingår i tjänstesektorn, beror på dess karaktär. De handlar med varor, och ses som en länk mellan säljare och köpare, men gör ingen egen raffinering av varan42. Däremot tillhandahåller de kanske många gånger
36 (von Schéele, 1996) 37 (Jäghult, 1989) 38 (Redovisningsrådet, 2006) 39 (SCB, 2012) 40 (Andersson E.-L. , 2012) 41 (BAS-gruppen, 2010) 42 (BAS-gruppen, 2010)
tjänster, som komplement till varorna, t ex en bilhandlare som även erbjuder service och reparation.
Av alla aktiebolag som gick i konkurs under 2011, var 63 procent aktiva inom tjänstesektorn.43 Under 2009 stod de tjänsteproducerande företagen för drygt 60 procent av näringslivets nettoomsättning, vilket stämmer ganska väl med andelen företag som är aktiva på marknaden i nämnda sektor. Samtidigt kan man observera att de endast står för 53 procent av näringslivets tillgångar44 och omkring 70 procent av vår befolkning arbetar i denna typ av företag45. De varuproducerande företagen har alltså större tillgångar per företag än de tjänsteproducerande, trots att de endast upptar knappt 40 procent av marknaden och 30 procent av alla anställda.
Genom ovanstående, kan konstateras att tjänstesektorn är av stort värde för dagens ekonomi och arbetsmarknad, samtidigt som observationer visar att tjänsteproducerande företag har färre tillgångar än de varuproducerande, vilket kan påverka nyckeltal som involverar värden från balansräkningen. Orsaken till den lägre andelen tillgångar, beror på det humankapital bolagen oftast innehar, men inte får tillgodogöras i balansräkningen46.
1.5 Kreditbetyg
Ett kreditbetyg bygger på betydligt fler byggstenar än konkursprediktionsmodellerna, och många gånger även färskare uppgifter. Prediktionsmodellerna använder historisk finansiell data, medan ett kreditbetyg förutom detta involverar aktuella händelser av icke finansiell natur. Bergsten & Wolkesson47 kunde i sin uppsats dock inte påvisa att det fanns något samband mellan ett företags kreditbetyg och dess framräknade Z-score i börsnoterade bolag. Samtidigt finns det företag med låga kreditbetyg som hänger i länge utan att konkurs inträffar, beroende på att något av kreditbedömarens kriterier drar ner betyget. Ett företag med bättre betyg, kan i sin tur försättas i konkurs, även om kanske sannolikheten är lägre att så sker än motsatt.
43 (Tillväxtanalys, 2012) 44 (SCB, 2012) (Företagens ekonomi 2009) 45 (von Schéele, 1996) 46 (Jäghult, 1989) 47
1.6 Problemdiskussion
Konkurser är kostsamma av många skäl. Förlorade arbeten, uteblivna löner, stoppad produktion och uteblivna skatteinbetalningar är bara några exempel, som påvisats i inledningen. Forskare menar, att olika indikatorer och tecken finns innan en konkurs är ett faktum, och om dessa tecken upptäcks och tolkas i tid kan en konkurs förhindras48. Att företag hamnar i ekonomiska svårigheter beror många gånger på att felaktiga beslut och satsningar, vilket på olika sätt framöver riskerar påverka företagets ekonomi negativt49. Ett beslut behöver dock inte alltid vara dåligt, även om det leder till konkurs. Beslutet kan vara nödvändigt för företagets överlevnad, med en risk att det inte utvecklas enligt förhoppning. Optimalt är givetvis att inte hamna i ekonomiska svårigheter från första början, men eftersom vissa effekter från affärsbeslut kan vara svåra att förutse, menar Ropega50 att företagen inte bara behöver minska riskerna, utan även kunna se dem i förväg vilket gör olika ekonomiska analyser ofrånkomliga om företaget har för avsikt att klara sig.
Genom åren har många modeller för att förutse konkurser skapats och Beaver och Altman anses vara pionjärer inom området. Modellerna som skapats har varit både enkla ekvationer och avancerade datasimuleringar, med den gemensamma nämnaren att nyckeltal används. Ska gemene man ha någon användning av möjligheterna att förutse en konkurs, eller i alla fall se hur sjukt ett företag är, behövs det en enkel modell med relativt enkla uträkningar som kan göras på egen hand. Altman51 använde en multipel diskriminantanalys (MDA), vilket genom åren visat sig vara mycket användbar och tillämpad inom forskningsområdet.52 MDA kräver endast tillgång till den formel som ska användas, samt den ekonomiska data som krävs för att få fram nödvändiga nyckeltal.
Tidigare forskning och uppsatser riktas ofta mot ett varierat urval i olika branscher, men ibland även ensidigt varuproducerande53. Nyckeltal kan skilja mellan bolag beroende på verksamhetstyp, något som blir viktigare att tänka på med tanke på dagens sammansättning av företag på marknaden. Tjänsteföretag har t ex färre
48 (Folkesson, 2009) (Paton, 1928) (Appiah & Abor, 2009) (Altman E. I., 1968) 49
(Koponen, 2003) (Everett & Watson, 1998) (Eliasson, 1992) 50 (Ropega, 2011)
51 (Altman E. I., 1968) 52 (Linder & Norrbelius, 2009) 53
anläggningstillgångar än tillverkande företag, vilket innebär att nyckeltal som involverar just dessa ser annorlunda ut i de olika grupperna. En orsak till att tjänsteföretagens tillgångar är annorlunda från tillverkande företag, är att humankapital inte får tillgodogöras i balansräkningen. Humankapital hävdas av ett antal forskare vara en viktig del i bedömningen av ett företags hälsa, men trots det sker liten eller ingen redovisning eller tillgodoräkning därav54. Färre tillgångar leder till en lägre balansomslutning, och i Altmans Z´´score-modell används totala tillgångar som nämnare i tre av fyra nyckeltal. I tjänsteföretag får balansräkningen stå tillbaka och vara av mindre betydelse, medan resultaträkningen får en mer framträdande roll med personalkostnader som en viktig faktor55.
En ytterligare aspekt på ett företags hälsa kan dess kreditbetyg vara. Ett kreditbetyg innehåller fler komponenter än t ex Altmans Z´´-score-modell, och tar inte endast hänsyn till finansiella mått, utan väger även in kvalitativ data. Bergsten & Wolkesson56 gjorde i sin uppsats en jämförelse mellan börsnoterade bolags Z-score och kreditbetyg, och menar i slutsatsen att det inte fanns något samband mellan dem. Altman menade dock, att det går koppla Z´´-score till kreditbetygskala, vilket han också gjorde genom en vidareutveckling av Z´´-score.57 Genom detta resonemang, har nedanstående frågeställningarna formulerats.
1.6.1 Frågeställning
Hur väl fungerar Altmans Z´´-score-modell som indikator gällande konkursrisk på små och medelstora tjänsteföretag i Sverige, och kan vi se ett samband mellan företagets Z´´-score och kreditbetyg?
Går det se skillnad på olika mättal för friska företag och konkursföretag inom segmentet små- och medelstora företag, och på vilket sätt märks i så fall dessa skillnader?
54 (Jäghult, 1989)
55 (BAS-gruppen, 2010, ss. 39-40) 56 (Bergsten & Wolkesson, 2009) 57
1.6.2 Syfte
Syftet med denna uppsats är, att undersöka om konkurser inom tjänstesektorn kan förutses med hjälp av Altmans Z´´-score. Vidare är syftet att se, oavsett branschtillhörighet, om det finns ett samband mellan ett företags kreditbetyg och erhållet Z´´-score. Syftet är även att kontrollera, även här oavsett bransch, om i uppsatsen utvalda nyckeltal kan påvisa skillnader mellan friska företag och dem i konkurs.
1.6.3 Avgränsningar
Det är i huvudsak två avgränsningar som gjorts, och den första är att endast svenska aktiebolag kommer användas i urvalet. Orsaken till att övriga företagsformer exkluderas beror på tillgången av finansiell data. Andra avgränsningen är företagsstorlek. Urvalet består av företag i intervallet små och medelstora. Definitionen för dessa är 10-250 anställda, omsättning på 2-50 MEUR samt balansomslutning på 2-43 MEUR58. Stora företag ingår inte, då dessa vanligtvis har större ekonomiska resurser att motstå de påfrestningar som t ex småföretagen kan stöta på. Inte heller kommer s.k mikroföretag (färre än 10 anställda) att inkluderas.
58
2. Referensram
Detta kapitel går igenom teorier och forskning inom konkursprediktion och nyckeltalsanalyser relevanta för denna uppsats. Genom dessa teorier skapas en referensram, vilken leder fram till ett antal hypoteser som senare kommer testas i senare kapitel. Referensramen har skapats genom att söka utgivna artiklar, böcker och uppsatser i ämnet, med utgångspunkt från Altmans teorier.
2.1 Insolvens leder till konkurs
Konkurser är kostsamma. Som nämndes i inledningen handlar det om förlorade intäkter för leverantörer, stoppad produktion för kunder, utebliven lön för anställda, kreditförluster för bankerna men även ägarnas födkrokar upphör och staten förlorar skatter.59
Enligt konkurslagen (1987:672) 1 kap, 2§, ska ett företag försättas i konkurs när det är insolvent och inte kan betala sina skulder inom överskådlig tid, och konkursen kan påkallas både av borgenären eller av företaget självt. Insolvens inträffar vanligtvis inte över en natt. Många inom forskningen påvisar, att ett företags ekonomi undermineras under en längre period vilket slutligen leder till ekonomiska svårigheter. I inledningen citerades Ropega60, vilket kan ses som en förenklad sammanfattning av varför företag försätts i konkurs:
”Companies today must be able not only to reduce the crises in which they find themselves, but also must be able to see them in advance. In order to do this, tools must be used to identify the symptoms of the deteriorating situation of the company”
Företag som går i konkurs skapar ringar på vattnet, vilket riskerar dra med andra företag i fallet pga. t ex uteblivna betalningar. Samtidigt visar forskningen att detta är en ovanlig orsak till konkurs. I de fallen så sker, återfinns oftast ett mycket starkt beroende mellan företagen, vilket resulterar i stora förluster, omöjliga att återhämta.61
59 (Bernanke, 1981) (Eliasson, 1992) (Koponen, 2003) (Appiah & Abor, 2009) 60 (Ropega, 2011)
61
2.2 Orsaker till konkurs
Orsakerna till konkurs kan vara många, men trots det är stora delar av litteraturen väldigt enig, även om infallsvinklarna kan vara något olika. Även om det kan låta hårt och något man inte vill höra, beror den största delen av konkurserna på dålig ledning och felaktiga beslut. Statens Industriverk62 påvisade i sin studie, att de vanligaste orsakerna till konkurs handlar om dålig kunskap både gällande ekonomi och drift, vilket försvårade företagarnas möjligheter att bedöma affärsrisker korrekt samt följa marknadens utveckling och därmed anpassa sin utveckling. Listan de kom fram till var följande:
1. Ej kunskap (Bedömning av affärsförutsättningarna) 2. Ekonomisk planering (Stora brister i redovisning) 3. Dålig affärsidé (Verksamheten borde aldrig startats) 4. Ej kapital (Störst betydelse för nystartade företag)
5. Konkursen planerad (Syfte att beröva fordringsägarnas medel) 6. Marknaden (Regler, lagar och normer förändrar förutsättningarna) 7. Konkurrensen (Vanligt i detaljhandelsföretag)
8. Force majeure
9. Marknadsföring (Ofta i kombination med dålig kunskap) 10. Konjunkturen
11. Konkursförlust 12. Produktutveckling 13. Devalvering
Dålig lönsamhet och dåliga affärsbeslut fick även Strömberg & Thorburn fram i sin rapport som vanligaste konkursorsak. Högt upp på deras lista hamnade även okunnig ledning och kund- och kreditförluster.63 Lika med ovanstående, går det utläsa ledarskap och felaktiga beslut som stora orsaker i många andra rapporter och artiklar, och Ropega64 menar att företagsledaren är den mest kritiska faktorn till att företag misslyckas. Enligt Eliasson65 hinner ledningen oftast inte rätta till enkla misstag i tid, eftersom deras kunskap inte räcker till för att upptäcka dem förrän de är uppenbara.
62 (Statens Industriverk, 1985, ss. 52-62) 63 (Strömberg & Thorburn, 1996, ss. 19-21) 64 (Ropega, 2011)
65
Koponen66 menar också att det många gånger är små händelser eller beslut, som stakar vägen mot konkurs. Bristande kunskap om företagandets alla delar, menar Koponen67, gör att många nystartade företag väljer att profilera sig starkt på marknaden samt jaga vinst, utan att bry sig om grunden, som företaget ska vila på under många många år. Listan över forskare, med liknande konklusioner, fortsätter. T ex menar Everett & Watson68 att större företag väljer att sprida affärsrisken på flera marknader, medan mindre och nystartade företag många gånger nischar sig eftersom ledningens kunskap och intresse är begränsad till ett speciellt område, vilket skapar ett osäkrare klimat. De vanligaste orsakerna som nu nämnts, bygger på interna problem i företaget. Everett & Watson69 påpekar dock att externa mikroekonomiska problem, såsom arbetslöshet, räntor och inflation, också påverkar företagets drift, samtidigt som de skriver att just de interna problemen är övervägande orsak, och kapitalbrist gör marknadens svängningar svårare att följa och parera. Klarar inte ledningen anpassa sig eller förutse potentiella problem i tid, riskerar de att tvingas ut från marknaden genom avveckling eller konkurs70. Everett & Watson71 menade även, att i en väl fungerande marknad går konkurser inte helt undvika och tecken på insolvens eller misslyckande kan inte alltid förutses, vilket stämmer väl överens med Andersson & Ståhls72 slutsats, som menar att icke fungerande företag tvingas bort från sin marknad, om de inte klarar konkurrens eller andra uppsatta krav.
Ett flertal forskare tar upp företagens livslängd som en faktor vid konkurser, vilket givetvis kan sammankopplas med ovanstående orsaker, såsom bristande kapital och kunskap.73 Omkring 50 procent av alla nystartade företag, måste stänga dörrarna till sin verksamhet igen efter 3-5 år. Strömberg & Thorburn74 påvisar även i sin rapport, att 50 procent av företag drivna av personer som tidigare varit involverade i en konkurs, försätts i konkurs en andra gång. Detta kan även kopplas samman med vad som
66 (Koponen, 2003) 67 (Koponen, 2003)
68 (Everett & Watson, 1998) 69 (Everett & Watson, 1998) 70
(Andersson & Ståhl, 2007) 71 (Everett & Watson, 1998) 72 (Andersson & Ståhl, 2007)
73 (Ropega, 2011) (Koponen, 2003) (Altman E. I., 1968) (Statens Industriverk, 1985, s. 53) 74
nämndes i inledningen, att var tredje rekonstruerat företag inom några år hamnar i samma läge igen75, vilket åter kan leda problematiken tillbaka till ledningen.
Everett & Watson76 skriver, att trots högkonjunktur och en stark ekonomi, finns det företag som kliver av marknadsplanen, just för att maximera sin egen vinst. Detta handlar då vanligtvis inte om någon konkurs, utan nämns i samband med diskussioner gällande företagens misslyckanden, vilket inte är detsamma som konkurs. Dock kan nämnas, att även Koponen77 tar upp konjunkturerna i sin avhandling, och undersökta företag gick i konkurs trots en pågående högkonjunktur. Orsaken till konkurserna var dock inte, som i Everett & Watson ovan, viljan att frånträda marknaden för att maximera sin egen vinst, utan här var det istället optimismen som satte stopp för fortsatt verksamhet. Detta riskerar att hända hälften av alla företag under deras första 3-5 verksamhetsår78. Heiss & Köke79 skriver att företag som uppvisar dålig ledning tillsammans med hög skuldsättning, snarare tenderar att sälja verksamheten innan det är allt för sent, vilket kan stämma överens med Everett & Watson, även om det då kanske inte handlar om maximering av vinst, utan snarare skadebegränsning. Samtidigt menar Wetter & Wennberg80 och Gilbert et al81 att orsakerna till företagarens beslut kan vara strategiska eller så enkla att denne hittat mer lukrativa möjligheter på annat håll. Muller et al82 menar också, precis som Koponen och Everett & Watson, att företag försätts i konkurs, trots avsaknad av tydliga tecken på ekonomiska problem. Ibland måste ett företag satsa, vilket inte alltid går enligt planerna.
75 (Witalisson, 2010) 76 (Everett & Watson, 1998) 77 (Koponen, 2003)
78
(Koponen, 2003) (Ropega, 2011) 79 (Heiss & Köke, 2004)
80 (Wetter & Wennberg, 2009) 81 (Gilbert, Menon, & Schwartz, 1990) 82
(Muller, Steyn-Bruwer, & Hamman, 2009)
H0.1: Konkursföretagens medelålder är lägre
än de friska företagens.
H1.1: Medelåldern på konkursföretagen är lika eller högre än de friska
2.3 Nyckeltal och konkursprediktion
För forskningen inom konkursprediktion är nyckeltalen en fundamental byggsten. Med hjälp av nyckeltal kan ett företags konkursrisk beräknas och slutsatser dras därefter. Diskussionerna om nyckeltalens betydelse och innebörd började tidigt, bl a genom Paton83som menar att en ekonom inte kan vara nöjd efter att böckerna balanserats och allt redovisats. Ekonomerna måste därefter med hjälp av utlåtanden, beräkningar, grafer och procentsatser påvisa vad de slutgiltiga siffrorna verkligen innebär. Nyckeltal kan beräknas på många olika sätt och kombinationerna är mer eller mindre oändliga, men samtidigt menar Paton att det endast är ett fåtal av alla nyckeltal som verkligen ger ledningen vägvisning, och att använda fel eller komplicerade nyckeltal kan göra ekonomernas rapporter svårare att tolka än att läsa siffrorna direkt från årsredovisningen. Paton84 tar även upp, precis som BAS-gruppen85, att ett individuellt nyckeltal betyder väldigt lite. Det måste sättas i relation till något innan det kan få en mening och betydelse, för att därefter utsättas för djupare analys. Även om nyckeltalen kan vara bra indikatorer på vad som har hänt eller är på väg att hända i företaget, måste ledningen förstå vad som verkligen mäts. Ett förbättrat nyckeltal kanske inte alls innebär att företaget går bättre. Paton86 tar omsättning som exempel, och menar även om omsättningen ökar, kan detta ske till mindre fördelaktiga villkor och därmed inom kort börja urholka företaget t ex genom lägre eller till och med inga vinster.
Beaver87 såg sin studie som en benchmarking inför kommande forskning, och ville ge avstamp för möjligheterna att förutse ekonomiska svårigheter innan det gått för långt. Han tog fram redovisningsdata för 79 konkursföretag som i sin tur matchades med 79 friska företag. Studien sträckte sig över fem räkenskapsår, och han kom fram till att nyckeltalen för de friska företagen höll sig ganska jämna under de jämförda åren. De företag som däremot gick i konkurs, kunde han klart se att värdena försämrades, vilket alltså skapade en allt större klyfta mellan de båda grupperna allt eftersom tiden gick. Slutsatsen han kom fram till var, att olika nyckeltal hade mindre eller större möjlighet att förutse insolvens och ekonomiska svårigheter, och det bästa han kunde finna var
83 (Paton, 1928) 84 (Paton, 1928) 85 (BAS-gruppen, 2010) 86 (Paton, 1928) 87 (Beaver, 1966)
kassaflöde/totala skulder. En del av slutsatsen var även att det var lättare att klassificera de friska företagen än de som var konkursmässiga, vilket kan leda till tveksamma investerare, som trots nyckeltalsanalyser riskerar att förlora satsat kapital, om bedömningen skulle visa sig vara felaktig. Beaver började med 30 nyckeltal indelade i sju grupper, och studien kom fram till fem stycken som visade bäst bild, och ingen av grupperingarna var representerad mer än en gång.
Altman tar också upp problematiken, liksom Paton, att en nyckeltalsanalys inte är bättre än bedömarens tolkning. Altman såg svagheter i Beavers modell, eftersom den gick ut på enskilda analyser av varje nyckeltal, för att därefter dra en slutsats. Altman ansåg att det måste göras enklare, samtidigt som han ansåg att nyckeltalen hade ett samband. Genom att sätta samman rätt kombination, kunde en formel erhållas som genom erhållet värde klassificerade företaget. Altman ville också genom sin studie, försöka bygga samman de traditionella nyckeltalsanalyserna med de mer moderna statistiska metoderna. Tidigare forskning av traditionell analys av nyckeltal, påvisar att det fanns en klar skillnad mellan de företag som gick i konkurs mot de som kunde fortsätta sin verksamhet år efter år.88
2.4 Altmans modeller och dess utveckling
Altman89 redovisade sin första modell 1968. Genom åren har modellen använts, beprövats och reviderats både av Altman själv, men även av många andra forskare. Första modellen som gjordes, var Z-score. Till skillnad från Beaver90 valde Altman använda en multipel diskriminant analys (MDA). Altman ansåg, att MDA var säkrare än Beavers metod, delvis för att MDA kombinerar flera nyckeltal i en viktad formel, och gör jämförelsen mellan företag enklare och därmed göra mer korrekta bedömningar. Vid användandet av MDA, delas urvalet in i en av två (eller fler) grupper, och varje enskild observation kan aldrig förekomma mer än en gång. Grupperna som används inom konkursprediktion är konkursföretag och friska företag. Altman valde ut 66 företag, lika fördelat mellan grupperna friska och konkursföretag. Företagen var och hade varit publika samt aktiva inom tillverkning mellan åren 1946-1965. Vidare
88 (Altman E. I., 1968) 89 (Altman E. I., 1968) 90
selekterades 22 nyckeltal ut, som påvisats vara viktiga i nyckeltalsanalyser. De 22 nyckeltalen gallrades sedan ut genom att först gruppera dem efter vad de visar, t ex lönsamhetsmått eller likviditetsmått. Eftersom nyckeltal, som använder liknande och i vissa fall samma ekonomiska värden, uteslöts därefter nyckeltal som påvisade stor korrelation med ett av dem andra, för att inte detta skulle tynga ner modellen i någon ände. Resultatet blev följande formel:
Z = 1,2X
1+ 1,4X
2+ 3,3X
3+ 0,6X
4+ 1,0X
5
X1 = Rörelsekapital / Totala tillgångar
X2 = Balanserad vinst / Totala tillgångar
X3 = Resultat före räntor och skatt / Totala tillgångar
X4 = Marknadsvärde Eget kapital / Bokfört värde av total skuld
X5 = Omsättning / Totala tillgångar
Z = Erhållet index
Konkursrisk Gråzon Friskt
Z-score < 1,81 1,81 - 2,99 > 2,99
Formel 2; Z-score-modell
Desto högre Z-score företaget erhåller, desto säkrare och stabilare anses det vara. Även om detta är grundregeln, räknade Altman fram gränsvärden på 1,81 samt 2,99. Fick företaget ett värde lägre än 1,81 ansågs det vara stor risk för konkurs, medan det över 2,99 ansågs hälsosamt och välmående. Företag med värden mellan 1,81 och 2,99 kunde inte med säkerhet säkerställa om de var konkursmässiga eller välmående, vilket gjorde att Altman kallade detta för en gråzon. Som slutsats till formeln skrev Altman:
"...the bankruptcy prediction model is an accurate forecaster of failure up to two years prior to bankruptcy and that the accuracy diminishes substantially as the lead time increases."
Samtidigt ställs frågan, huruvida det är viktigt att påvisa själva konkursen, eller om det räcker med att påvisa en nedåtgående trend. Oavsett vilket, menar Altman91, att modellen kan användas som vägvisare. Intressenter kan därmed lägga mer kraft där uppmärksamheten verkligen behövs, och investerare kan sortera bort de med störst risk utan vidare utredning.
91
Genom åren har Altman reviderat sin ursprungliga modell, beroende på vilken typ av företag som skulle bedömas. Första modellen, redovisad ovan, avsåg att bedöma börsnoterade bolag. Andra modellen, som istället avsågs bedöma icke börsnoterade bolag, döptes till Z´. För att anpassa formeln, ändrades först nyckeltalet X4, till att
istället gälla bokfört värde av eget kapital. Ytterligare förändringar gjordes, genom att räkna fram nya koefficienter, vilket gav en ny formel och nya gränsvärden:
Z´ = 0,717X
1+ 0,840X
2+ 3,100X
3+ 0,420X
4+ 0,998X
5
X1 = Rörelsekapital / Totala tillgångar
X2 = Balanserad vinst / Totala tillgångar
X3 = Resultat före räntor och skatt / Totala tillgångar
X4 = Bokfört värde Eget kapital / Bokfört värde av total skuld
X5 = Omsättning / Totala tillgångar
Z´ = Erhållet index
Konkursrisk Gråzon Friskt
Z´-score < 1,23 1,23 - 2,90 > 2,90
Formel 3; Z´-score-modell
I uppsatsen av Metlik & Jakobsson92 valde författarna att undersöka huruvida Altmans Z´-score-modell fungerar på svenska företag och om finanskrisen under 2008 påverkade tidigare friska företag. Deras analys byggde på 93 företag och dess årsredovisningar under perioden 2005-2009. Slutsatsen blev, att modellen inte fungerar särskilt väl på svenska företag. De kunde inte finna tillräcklig relation mellan beräkningarna och verkligt utfall. De såg också att Z´-score inte följde samma trend som de traditionella nyckeltalen som används vid analys. Hela 47 procent klassades som friska vid sista bokslutet före konkurs, samtidigt som deras soliditet och balanslikviditet befann sig långt under rekommenderade värden. Metlik & Jakobsson menade vidare, att 2008 års lågkonjunktur inte hade någon direkt påverkan på företagens nyckeltal, vilket också styrker vad övrig forskning påvisar.
Både Z- och Z´-score-modellerna byggde på beräkning av amerikanska bolag. Genom tredje modellen, som fick namnet Z´´, ville Altman minimera påverkan av bransch, men även ursprungsland. För att uppnå önskad effekt, plockades variabeln X5
(omsättning/totala tillgångar) bort, samtidigt som koefficienterna fick nya värden.93
92 (Metlik & Jakobsson, 2010) 93
Z´´ = 6,56X1 + 3,26X2 + 6,72X3 + 1,05X4
X1 = Rörelsekapital / Totala tillgångar
X2 = Balanserad vinst / Totala tillgångar
X3 = Resultat före räntor och skatt / Totala tillgångar
X4 = Bokfört värde Eget kapital / Bokfört värde av total skuld
Z´´ = Erhållet index
Konkursrisk Gråzon Friskt
Z´´-score < 1,1 1,1 - 2,6 > 2,6
Formel 4; Z´´-score-modell
Altman menade även att Z´´-score-modellen passade bättre till icke tillverkande företag än vad den ursprungliga Z-score-modellen. Altman & Hotchkiss vill dock påvisa, att formeln visat goda resultat inte bara på icke-tillverkande företag, utan även tillverkande, privata och publika, och resultaten visade på 80-90 procents träffsäkerhet.94 Senare forskning har dock gjorts, bl a av Altman & Sabato, där träffsäkerheten endast uppgick till 69 procent.95
Lind & Sloberg96 ville genom sin uppsats undersöka huruvida det var möjligt att förutse konkurser på svenska aktiebolag med hjälp av Altmans Z´´-score. De gjorde en analys av 59 konkursföretag 3-5 år före konkurstillfället, samt 21 friska företag under samma period. Resultatet de kom fram till, var att soliditet och betalningsförmåga var de viktigaste faktorerna i modellen. Dock var slutsatsen, vilket stämmer överens med Altmans97, att modellen endast bör användas tillsammans med andra analysmetoder eftersom de inte med säkerhet kan säga om det fanns något samband mellan de två grupperna. Z´´-score-modellen gav en träffsäkerhet på 45 procent 5 år före konkurs och 55 procent 3 år före.
Även Dahlgren & Söderqvists98 använde Altmans Z´´-score-modell, för att se om den kunde användas på svenska aktiebolag inom service- och informationsteknikbranschen. Urvalet bestod av totalt 66 företag, lika fördelat mellan friska och konkurs. De menade att utvald bransch arbetade på en marknad utsatt för snabb utveckling och snabba förändringar, vilket kunde påverka prediktionen. Kriterierna för urvalet var svenska aktiebolag i segmentet mikroföretag, vilket innebär max 10 anställda och
94
(Altman & Hotchkiss, 2006) 95 (Altman & Sabato)
96 (Lind & Sloberg, 2009) 97 (Altman E. I., 1968) 98
balansomslutning på högst 2 MEUR. Uppsatsens slutsats var att "Altmans
Z´´-scoremodell inte är den ultimata modellen att använda för att förutspå konkurser" i
utvald bransch, vilket de menar beror på branschens rörlighet. Utfallet blev bäst två år före konkursen, 62 procent, medan det blev sämst året före, då träffsäkerheten endast var 52 procent.
Svanborg & Winblad99 använde sig av Altmans grunder, men försökte även vidareutveckla modellen för att det skulle fungera på små svenska företag. Deras urvalskriterier var att företagen skulle vara privata aktiebolag aktiva inom tjänstesektorn med 1-4 anställda. Urvalet blev 60 företag, lika fördelat mellan friska och konkurs. Uppsatsen involverade både Z´- och Z´´-score-modellen från Altman, samt sin egen modell, kallad Z3. Z3-modellen tog de fram genom att använda sig av valda företags nyckeltal och mata in dem i SPSS, för att därigenom få fram lämpliga korrelationer. Modellen blev något förenklad, i förhållande till både Z´ och Z´´, och de tittade på nyckeltal två år tillbaka i tiden. Slutsatsen blev, att varken Z´ eller Z3 fungerar på deras urval, och att Z´´ var den bäst lämpade modellen att använda på små svenska aktiebolag. I sin slutsats, nämner de även den försiktighet som bör iakttas vid användandet av nyckeltal och modeller byggda på nyckeltalsanalyser, eftersom stor variation kan förekomma mellan olika länder. Träffsäkerheten i modelleringen blev följande:
Z´ Z´´ Z3
-1 år 51,7% 75,0% 46,7%
-2 år 46,7% 66,7% 46,7%
Tabell 1; Träffsäkerhet enligt Svanborg & Winblad100
Från Z´´-score-modellen, tog Altman även fram något han kallade EM-score, vilket kan ses som en vidareutveckling av Z´´-score-modellen, eftersom den bygger på samma variabler och koefficienter, men anpassades för att värdera företag på tillväxtmarknader runt om i världen. Skillnaden var att konstanten 3,25 lades till i början, för att få en jämförelseskala till Standard & Poors kreditbetyg, som löper från AAA ner till D i totalt 20 steg. Genom att addera 3,25 i formeln, blev rating D detsamma som Z´´ = noll (0) vid en snittberäkning av undersökta företags erhållna värden.101
99 (Svanborg & Winblad, 2009) 100 (Svanborg & Winblad, 2009) 101
EM-score kommer inte vidare att följas upp, men då den förekommer i vissa studier, har den tagits med här för att påvisa skillnaderna i Z´´-score och EM-score. Beräkning och bedömning enligt EM-score slutar inte efter denna klassificering, utan fortsätter i flera led. Utmynnelsen är ett kreditbetyg, tänkt att hjälpa börsanalytiker på amerikanska marknaden, att värdera utländska företag på växande marknader.
EM = 3,25 + 6,56X1 + 3,26X2 + 6,72X3 + 1,05X4
X1 = Rörelsekapital / Totala tillgångar
X2 = Balanserad vinst / Totala tillgångar
X3 = Resultat före räntor och skatt / Totala tillgångar
X4 = Marknadsvärde Eget kapital / Bokfört värde av total skuld
EM = Erhållet index
Konkursrisk Gråzon Friskt
EM-score < 4,35 4,35 - 5,85 > 5,85
Formel 5; EM-score-modell
Rating S&P EM-score Klassificering
AAA > 8,15 Friska företag AA+ 7,60 - 8,15 AA 7,30 - 7,60 AA- 7,00 - 7,30 A+ 6,85 - 7,00 A 6,65 - 6,85 A- 6,40 - 6,65 BBB+ 6,25 - 6,40 BBB 5,85 - 6,25 BBB- 5,65 - 5,85 Gråzon BB+ 5,25 - 5,65 BB 4,95 - 5,25 BB- 4,75 - 4,95 B+ 4,50 - 4,75 B 4,15 - 4,50 B- 3,75 - 4,15 Konkursrisk CCC+ 3,20 - 3,75 CCC 2,50 - 3,20 CCC- 1,75 - 2,50 D < 1,75
Tabell 2; EM-score och rating
H0.4: Klassificering av friska företag är mer korrekt än
klassificering av konkursföretag.
H1.4: Klassificering av friska företag är sämre eller lika med
2.5 Kreditbetyg
Kreditbetyget D hos Standard & Poor, står för "default", dvs. försatt i konkurs. Ska ett företag, enligt Standard & Poor, anses ha goda möjligheter att fullfölja sina skyldigheter bör erhållet betyg ligga över BBB.102 Vid framräkning av nya koefficienter för Altmans Z´´-score-modell, blev snittet för företag med betyg BBB 5,75.
Kreditbetyg grundas på mycket mer än finansiella nyckeltal, och ofta flera år tillbaka för att få en jämnare och mer korrekt bedömning.103 Soliditet104 bygger sina bedömningar på information från flera källor, och skriver på sin hemsida:
"Kreditratingen baseras på officiell information med källor från bland annat Bolagsverket, Skatteverket, SCB, Kronofogdemyndigheten och Lantmäteriverket."
Soliditet använder skalan AAA - C, där AAA är högst och C lägst och kredit avrådes. Bedömningen görs i flera olika delomdömen, som sedan sammanställs för att få fram huruvida företaget ska anses kreditvärdigt eller ej. Soliditet menar även, att deras system med 90 procents säkerhet kan avgöra huruvida ett företag kommer gå i konkurs inom ett år.105 Bergsten & Wolkesson106 gjorde en jämförelse mellan Altmans ursprungliga Z-score-modell och kreditbetyg för företag i fordonsindustrin, och menade i sin slutsats att Altmans metod från slutet av 60-talet mycket väl kan vara förlegad på grund av dess ålder, då de inte kunde finna ett betryggande samband mellan de två.
102
(Ekström & Lindgren, 2008) 103 (Ekström & Lindgren, 2008) 104 (Soliditet AB, 2012) 105 (Soliditet AB, 2012) 106
(Bergsten & Wolkesson, 2009)
H0.5: Ett företags kreditbetyg korrelerar med dess Z´´-score.
