Nyckeltal och finansiell kris
EN STUDIE AV BIOTEKNIKBRANSCHEN
ULF ERIKSSON
• ulf@telia.comFREDRIK KÄLLGREN
• fredrik.kallgren@gmail.comHANDLEDARE: JOACHIM LANDSTRÖM
S A M M A N D R A G
Tidigare forskning har genom att studera alla tillgängliga företag eller företag med udda branscher exkluderade identifierat vissa nyckeltal som bra indikatorer på finansiell kris. I denna studie undersöks om dessa nyckeltal även ger ett samstämmigt resultat för en udda bransch. Med utgångspunkt från bioteknikbranschen identifieras genom logistisk regression nyckeltalen korta skulder genom eget kapital och avkastning på investerat kapital som indikatorer på finansiell kris.
Avkastning på investerat kapital överensstämmer med tidigare resultat, medan korta skulder genom eget kapital bör, för denna bransch, tolkas tvärt emot jämfört med tidigare studier.
Nyckelord: bioteknik, finansiell kris, logistisk regression, nyckeltal
I N N E H Å L L
1 INLEDNING ... 1
2 FINANSIELL KRIS... 3
2.1 PROGNOS AV FINANSIELL KRIS... 3
3 LOGISTISK REGRESSION... 4
3.1 BINÄR LOGISTISK REGRESSION... 5
4 DATAURVAL OCH DATABEHANDLING ... 6
4.1 KONSTRUKTION AV UNDERSÖKNINGSDATA... 6
4.2 URVAL AV NYCKELTAL... 9
4.3 BEARBETNING AV NYCKELTAL OCH FÖRETAGSDATA... 11
5 KONSTRUKTION AV MULTIVARIAT PROGNOSMODELL ... 15
5.1 MULTIVARIAT FRAMFÖR UNIVARIAT... 16
6 INDIKATORER PÅ FINANSIELL KRIS... 19
6.1 ROIC – ETT STRATEGISKT OCH PRECIST MÅTT... 20
6.2 KSKEK – STICK I STÄV MED TIDIGARE FORSKNING... 21
7 SLUTSATSER... 22
REFERENSER ... 23
PUBLICERADE KÄLLOR... 23
INTERNETKÄLLOR... 25
BILAGOR... 26
BILAGA 1 – LOGISTISK REGRESSIONSANALYS... 26
BILAGA 2 – OUTLIERDIAGRAM... 30
BILAGA 3 – OUTLIERDIAGRAM... 32
BILAGA 4 – MODELLBEARBETNING... 34
BILAGA 5 – KORRELATIONSMATRIS... 35
T A B E L L E R O C H F I G U R E R
TABELL 1: TILLGÅNGAR OCH RESULTAT ... 1
FIGUR 1: FÖRETAG I KRIS ... 7
TABELL 2: UPPREPAD FINANSIELL KRIS ... 8
TABELL 3: DEFINITIONER NYCKELTAL ... 10
TABELL 4: DEFINITIONER NYCKELTALSKOMPONENTER... 11
TABELL 5: INFÖRDA BEGRÄNSNINGAR FÖR BERÖRDA NYCKELTAL ... 11
FIGUR 2: SAMHÖRIGHET BLAND NYCKELTALEN ... 13
TABELL 6: JÄMFÖRELSE MELLAN KRIS OCH ICKE KRISBOLAG ... 14
TABELL 7: UNIVARIATA LOGITMODELLER... 16
TABELL 8: PROGNOSMODELL FÖR FINANSIELL KRIS... 17
TABELL 9: PROGNOSMODELL AV FINANSIELL KRIS FÖR BIOTEKNIKBOLAG ... 18
FIGUR 3: SANNOLIKHET ATT DRABBAS AV FINANSIELL KRIS ... 19
TABELL 10: MODELLFRAMTAGNING – ROIC... 34
TABELL 11: MODELLFRAMTAGNING – ROIC OCH KSKEK... 34
1 I N L E D N I N G
Resultat från tidigare studier visar att redovisningsbaserade nyckeltal kan användas vid prognos av finansiell kris i företag (Altman, 1968; Ohlson, 1980;
Zmijewski, 1984; Campbell, 2006; Becchetti & Sierra, 2003). Till grund för dessa studier används ett stort undersökningsmaterial med många företag som representerar ett brett spektrum av branscher. Vid bearbetning av undersöknings- materialet exkluderas ibland udda
1branscher från undersökningarna, eftersom de anses försämra resultatet (Ohlson, 1980, s. 114). Vanligt är också att endast tillverkningsföretag undersöks (Becchetti & Sierra, 2003). Tidigare vedertagna resultat avser finna breda generella samband för finansiell kris. Detta lämnar empiriska frågor obesvarade. Kan generella redovisningsbaserade nyckeltal även användas vid prognos av finansiell kris i en udda bransch?
Bioteknikindustrin är en udda bransch. År 2006 var bioteknikindustrin den enda branschen
2som uppvisade ett genomsnittligt negativt resultat samt den bransch med lägsta redovisade tillgångarna under samma period, se tabell 1 nedan (JCF, 2007-11-05).
TABELL 1: TILLGÅNGAR OCH RESULTAT
Tillgångar och resultat för år 2006 för olika sektorer enligt JCF fact sets sektoruppdelning. Med hälsovård avses alla läkemedelsrelaterade bolag som inte klassificeras som bioteknikbolag. Trimmat medel innebär att de högsta och lägsta 5 procenten av observationerna exkluderas innan medelvärdesberäkning.
Källa: JCF
1 Med udda industri menas ofta en industri som har en avvikande struktur eller drabbas av finansiell kris på andra grunder än den genomsnittliga industrin (Ohlson, 1980).
2 enligt JCF fact sets branschuppdelning
Sektor N Trimat Medel Median Trimat Medel Median
Bioteknik 225 1358 607 -122 -76
Detaljhandel 724 6651 2320 486 120
Energy 694 30762 7609 2114 402
Finans 2471 2508 477 1172 346
Healthcare 640 3262 1038 279 50
Industri 3431 3842 1645 204 69,5
Konsumentp. 1719 5696 1754 444 85
Service 4208 3562 1149 227 56,2
Teknik 1705 3248 1213 156 48
Telecom 217 30531 6489 1986 40
Transport 541 11775 4174 646 213
Tillgångar (MSEK) Resultat (MSEK)
Bioteknikindustrin, som till stor del är helt riskkapitalfinansierad, har hittills under sin trettioåriga existens inte uppvisat ett positivt resultat (McMillan et al, 2004, s. 463). Idag anses dock bioteknikindustrin vara själva motorn i utvecklingen av läkemedel och utvecklingen inom branschen är stark, med större stabilitet och stadigt tilltagande avkastning med utveckling mot lönsamhet (Ernst & Young, 2007). Branschens mognad har medfört att investerare i allt större utsträckning väljer att investera mer i färre projekt (Chaya, 2004). Denna omställning har gjort att bioteknikbolagen har ändrats sina affärsmodeller. De ingår mer frekvent i allianser och samarbetar i högre utsträckning med externa aktörer (ibid). Ett hinder för bioteknikbranschen är de höga utvecklingskostnaderna, de långa utvecklingstiderna samt osäkerheten rörande forskning och framställning av produkter (Ernst & Young, 2007). Utvecklingskostnader som enligt existerande redovisningsprinciper inte får aktiveras som en immateriell tillgång (Ernst &
Young, 2007; Smith, 2006, s. 203). Sammantaget kan bioteknikbranschen beskrivas som en udda bransch med stora inbördes variationer, något som skiljer sig från förutsättningar bakom resultaten av bland andra Ohlson (1980), som exkluderat udda branscher. Med utgångspunkt från tidigare finansiell krisforskning undersöks i denna studie huruvida det finns vedertagna redovisningsbaserade nyckeltal som, i en udda bransch som bioteknikbranschen, kan indikera på att ett företag kommer att hamna i finansiell kris, samt vad som kan utläsas av eventuella nyckeltal och erhållen modell.
Finansiell kris bland bioteknikföretag angrips i detta arbete i två steg. Först
konstrueras en empirisk modell för prognos av finansiell kris med utgångspunkt
från tidigare forskning i ämnet. I det andra steget utvärderas den erhållna
modellen. Närmast följer kapitel 2 där begreppet finansiell kris beskrivs. I kapitel 3
diskuteras valet av undersökningsmetod. Därefter i kapitel 4 och 5 beskrivs och
diskuteras studiens företagsurval, primärmängd av nyckeltal samt konstruktionen
av modellen. Avslutningsvis analyseras den erhållna modellen i kapitel 6 följt av
slutsatser i kapitel 7.
2 F I N A N S I E L L K R I S
Då ett företag inte kan uppfylla sina dagliga finansiella åtaganden eller då ett företag går i konkurs befinner det sig i finansiell kris. En entydig definition på finansiell kris existerar inte (Skogsvik, 1988, s. 7). I några studier relateras finansiell kris till när ett företag inte kan fullgöra sina förpliktelser, medan i andra avses den juridiska termen konkurs (Blum, 1974; Ohlson, 1980; Wilcox, 1973; Becchetti &
Sierra, 2003). Fördelen med att använda konkurs framför finansiell kris är att det finns klara regler och lagar för när konkurs inträder. Finansiell kris, till skillnad mot konkurs, är ett vagare begrepp vilket har lett till att forskare definierar begreppet olika. Blum (1974) definierar företag i finansiell kris som företag vilka visar en oförmåga att betala skulder, företag vilka går i konkurs eller företag som kommer överens med kreditgivare att sänka skulderna. Beneda (2007) definierar ett företag i finansiell kris genom att företagets aktievärde faller med 95 procent av dess marknadsvärde inom två år efter börsintroduktion, beräknat på den första månadens slutpris efter att företaget har börsintroducerats. Skogsvik (1988, s. 7) definierar finansiell kris som ”att förmögenhetsvärdet av ett marginellt kapitaltillskott till ett företag (beloppsmässigt) understiger ifrågavarande tillskott”.
Altmans (1966) syn på finansiell kris är liknande den som innehas av Skogsvik.
Han anser att företaget är i finansiell kris när förväntade och bestående lönsamhetsproblem förekommer.
2 . 1 P R O G N O S A V F I N A N S I E L L K R I S
Vid prognos av finansiell kris används vanligtvis redovisningsbaserad historisk data där tidsintervall och tidsenhet för prognoserna kan varieras (Skogsvik, 1988;
Ohlsson, 1980). Skogsvik (1988) ser två brister med prognos av finansiell risk. För
det första är de olika utfallen, fortlevnad eller finansiell kris, alltför generella för att
kunna avgöra om en investering är lönsam. För det andra visas inte
samvariationen mellan avkastningar för olika investeringsalternativ, vilket gör det
ointressant att prognostisera finansiell kris givet en diversifierad
investeringsportfölj (Skogsvik, 1988, s. 28). Skogsvik påpekar dessutom att historisk
redovisningsbaserad data ska tolkas med försiktighet då till exempel penningvärdet
förändras över tiden (Skogsvik, 1988, s. 1). Även Ohlsson (1980) är tveksam och
menar att dikotomin konkurs kontra ej konkurs, på sin höjd är en klumpig uppskattning av vinstmöjligheten av ett hypotetiskt beslutsproblem.
3 L O G I S T I S K R E G R E S S I O N
Logistisk regression väljs för att undvika problem med nödvändiga antaganden hos framförallt den enkla linjära regressionsmodellen, OLS
3, och diskriminant- analyser, samt för att modellen skall vara enkel att tolka och dra slutsatser kring.
Laitinen (2000) konstaterar att de vanligaste förkommande metoderna inom finansiell krisforskning är diskriminantanalys och logistisk regressionsanalys.
Likaså konstaterar Peng et al (2002, s. 271-272) att logistisk regression är vanligt förekommande samt att metoden ökar i popularitet. Ohlson (1980) väljer en probit
4modell framför en multivariat diskriminantanalysmodell, MDA
5eftersom de specifika statistiska krav på de oberoende variablerna som MDA kräver för fördelningar inte kan bli tillgodosedda, samt att resultaten från MDA är svåra att tolka. När diskriminantanalys väljs motiveras valet utifrån att metoden är mer stabil mot avvikelser från multivariat normalitet (Laitinen, 2000, s. 323; Skogsvik, 1988, s. 46-47). Även multipel regressionsanalys förekommer i litteraturen (Meyer
& Pifer, 1970; Collins, 1972). Skogsvik (1988, s. 47) anser dock att dessa metoder inte kan användas när utfallet är binärt eftersom metoderna förutsätter att spridningen kring det observerade medelvärdet skall vara konstant.
En nackdel med logitmodeller är att de är linjära, således kan inte icke linjära aspekter på ett problem modelleras (Olson & Mossman, 2003; Laitinen, 2000). För att gå runt detta problem används neurala nätverk i ett flertal studier (Olson & Mossman, 2003; Santos et al., 2007). Det argumenteras för att metoden är ett mer lämpligt alternativ för prognoser och klassificeringsproblem där den visat sig bättre i jämförelse mot både OLS samt logistisk regression (Olson &
Mossman, 2003). Nackdelen med neurala nätverk är att de är svåra att tolka samt
3 Eng. Ordinary Least Square
4 Probit- och logitmodeller väljs i stort sett med samma motivering. Både Ohlson (1980), som väljer en probitmodell, och Skogsvik (1988), som väljer en logitmodell, motiverar sina metodval delvis utifrån att de kommer runt de nödvändiga krav som MDA ställer på datamängden. Skogsvik (1988, s. 232) menar att det inte finns några väsentliga skäl till varför probitregression väljs framför logistisk regression. Likaså konstaterar Cramer (1991, s. 17) att givet att de båda modellerna är anpassade på samma data är de i stort sett oskiljbara och det är omöjligt på empiriska grunder att skilja de båda metoderna åt.
5 Eng. Multivariate Drisciminant Analysis
att de lider av risken att överanpassas på den undersökta datamängden (Adya &
Collopy, 1998; Olson & Mossman, 2003).
Logistisk regression förutsätter inte att oberoende variabler är vare sig multivariat normalfördelade eller att varians/kovarians-matriserna är identiska (Skogsvik, 1988, s. 48). Logistisk regression är tillämpbar även när den oberoende variabeln har ett diskret utfall (Cramer, 1990; Dunteman, 2006; Menard, 1995).
Vidare inbjuder den linjära uppställningen till enkel tolkning av modellen och dess oberoende variabler (ibid). Detta tillsammans med att det inte kan förutsättas att undersökningen har lika varians-kovariansmatriser samt att undersökningens huvudmål inte är att finna nya mönster medför att en binär logistisk regressionsmodell väljs.
3 . 1 B I N Ä R L O G I S T I S K R E G R E S S I O N
Resultatet från en binär logistiskt regression är ett estimat av sannolikheten för en utfallsvariabel Y* givet att den beroende variabeln y antar ett av två möjliga utfallen. I denna studie modelleras följande:
= 1
yi
om företag i drabbas av finansiell kris (1)
= 0
yi
annars (2)
Den logistiska sannolikhetsfunktionen är
6;
u u
i e
Y e x y
P
= = = +
) 1
| 1
(
*, för i = 1,2,…,n (3)
där
u=
A+
B1X1+
B2X2+ ... +
BkXk(4)
Vilket genom logit-transformationen ger loggoddset;
!
+
"" =
#
$
%% &
'
( A B
jX
ijY Y
*
*
ln 1 (5)
6 Se bilaga 1 för en härledning av sannolikhetsfunktion från exponentialfördelningen.
(Cramer, 1990, s. 5-30). Binär logistisk regression är lika med logaritmen av att klassificeras i en utfallsgrupp delat med sannolikheten att inte göra det. Enligt definitionen i (1) och (2) ger negativa värden på parametrarna i (5), allt annat lika, minskad sannolikhet att företaget hamnar i finansiell kris. Vanligt är att parametrarna från den logistiska regressionen tolkas i termer av oddskvoter tillföljd av en enhetsförändring av enskilda parametrar eller att sannolikheten för olika situationer enligt (3) beräknas
7.
4 D A T A U R V A L O C H D A T A B E H A N D L I N G
Urvalet baseras enbart på aktiebolag och ej koncerner eftersom det utan särskilda avtal knappast föreligger ett juridiskt bindande avtal rörande ekonomiska kriser i det egna dotterbolaget som gör externa investerare skadelösa (Skogsvik, 1988, s.
150). All finansiell information kommer från JCF Quant version 4,00. JCF tillhandahåller 50 redovisningsmått rörande fundamentaldata som i sin tur baseras på data från Standard and Poor's Compustat databas. Compustat innehåller totalt 65 000 värdepapper och täcker in mer än 90 procent av världens kapitalbindning.
Fundamentaldata från Compustat används av mer än 30 000 hedgefonder, analytiker, företag och universitet. (JCF Quant ver. 4,0 glossary; Standard &
Poor's, 2007)
4 . 1 K O N S T R U K T I O N A V U N D E R S Ö K N I N G S D A T A
Från JCF framgår att det totala antalet företag med tillfredsställande informationsmängd mellan åren 2003 och 2007 varierar från 199 till 225 stycken per år. I databasen finns begränsad data för år 2002 och tidigare år, varav det blir naturligt att begränsa undersökningen till de efterkommande åren. Finansiell kris mäts vid slutet av varje år och bokslutsdatum för den sista årsredovisningen som var tillgänglig i JCF under året innan krismätningen utgör prognostidpunkten.
I likhet med Beneda (2007) definieras i denna studie finansiell kris som när ett företag tappar en väsentlig del av sitt marknadsvärde. Denna definition är speciellt intressant från ett riskkapitalperspektiv, vilka är de som i huvudsak investerar initialt i bioteknibolag (Beneda, 2007; Chaya, 2004). Definitionen
7 Se bilaga 1 för en utförlig beskrivning av logitmodellen och oddskvoten.
möjliggör också enkel identifiering av krisföretag. Hur stor andel av företagets marknadsvärde som ska förloras för att benämna det finansiell kris är en bedömningsfråga. Vid en konkurs är hela marknadsvärdet förlorat och kan klart benämnas som finansiell kris, medan en procentuell gräns för var finansiell kris träder in, blir en avvägningsfråga. Efter en genomgång av de data som används i denna studie bedöms företag befinna sig i finansiell kris när företagets börsvärde fallit med 80 procent under ett kalenderår. Beneda (2007) har en gräns på 95 procents fall under två år för att visa på finansiell kris. Med de data som används i denna studie tillsammans med en prognossikt på två år leder till att 95 procent är en för hög gräns. Med 95 procent börsfall som gräns för var finansiell kris infinner sig påträffas för få observationer bland populationen av undersökta företag. Till vänster i figur 1 nedan visas den procentuella andelen företag i finansiell kris enligt två olika definitioner av finansiell kris, 80- respektive 85-procentigt börsfall under ett år. Med både en 80- och 85-procentig gräns identifieras krisföretag under hela mätperioden 2003 till 2007.
FIGUR 1: FÖRETAG I KRIS
Diagrammen visar procentuella andelen företag som befinner sig i finansiell kris vid gränserna för finansiell kris enligt 80- respektive 85-procentigt börsfall. Med alla företag innefattas alla observationer av kris oberoende om företaget har drabbas av kris under tidigare år. Unika företag innebär att endast den första obeservationen av finansiell kris för ett företag noteras.
Alla "Krisföretag"
0.0%
1.0%
2.0%
3.0%
4.0%
5.0%
6.0%
2007 2006 2005 2004 2003
Krisföretag / Total
Krisföretag (-85%) / Total Krisföretag (-80%) / Total
Unika "krisföretag"
0.0%
1.0%
2.0%
3.0%
4.0%
5.0%
6.0%
2007 2006 2005 2004 2003
Krisföretag / Total
Unika krisföretag (-85%) / Total Unika krisföretag (-80%) / Total Källa: JCF
Bland de undersökta företagen befinner sig några i finansiell kris upprepade
gånger under åren 2003 till 2007. Av företagen som går in i finansiell kris drabbas
37 procent av dessa av finansiell kris under det nästkommande året, 11 procent av
företagen drabbas av finansiell kris tre år i rad och 42 procent av finansiell kris
minst två gånger, se tabell 2 nedan. Dessa företag tas endast med det första året de är i finansiell kris eftersom enstaka företag som upprepade gånger hamnar i finansiell kris ska ges för stor vikt i undersökningen. Efter att företag som är med flera år är eliminerade finns de unika företagen kvar vilket visas till höger i figur 1 ovan.
TABELL 2: UPPREPAD FINANSIELL KRIS
För bioteknikbolag tenderar finansiell kris vara ett återkommande fenomen. I diagrammet anges bioteknikföretag som har drabbas av finansiellkris fler än en gång under perioden 2003-2007. Ett "x"
markerar det år då företaget den 31/12 har tappat mer än 80 % av sitt börsvärde jämfört med den 1/1 samma år. Av totalt 19 bioteknikbolag som drabbas av finansiellkris drabbas 8 stycken (42 %) av finansiell kris minst ytterligare en gång och 2 stycken (11 %) drabbas av finansiell kris ytterligare två gånger under perioden 2003-2007.
Källa: JCF
Med insikt i de begräsningar rörande data som finns tillgänglig för bioteknikföretag och för att undersökningen inte ska innehålla för få observationer, fastslås att ett företags börsvärde ska falla med minst 80 procent för att det ska karakteriseras som ett företag i finansiell kris. Ett 80-procentigt fall av börsvärdet är en klar signal för vad marknaden anser om företagets framtidsutsikter och inom bioteknikbranschen, där förmågan att attrahera kapital för forskning och utveckling är av fundamental betydelse.
I enighet med undersökningsmetodiken som beskrivs i Skogsvik (1988, s.
203), fördelas slumpmässigt sju stycken icke krisföretag på varje identifierat krisföretag. Detta innebär att nyckeltalsinformation för ett krisföretag konsekvent hämtas under samma redovisningsperiod som gäller för ett icke krisföretag och därmed blir fördelningen av krisföretag mot fortlevnadsföretag likformigt fördelat över hela undersökningsperioden. Dock är en större del av redovisnings- informationen som undersöks hämtad från den senare hälften av undersökningsperioden då antalet krisföretag ökar med tiden, se figur 1 ovan.
Denna snedfördelning anses vara av mindre betydelse jämfört med fördelen att ha en jämnare fördelning av kris mot icke krisföretag. I två fall frångås regeln om
Bioteknikföretag i finansiell kris 2003 2004 2005 2006 2007
Tekmira Pharmaceuticals Corp. x x
Aphton Corporation x x x
IMCOR Pharmaceutical Co. x x
Orchestra Therapeutics Inc x x x
Evolutec Group x x
Genta Inc x x
Neopharm Inc x x
Urigen Pharmaceuticals Inc. x x
slumpvis fördelning av fortlevnadsföretag då de valda företagen inte uppvisar tillräckligt med redovisningsinformation. Dessa företag byts ut mot två nya slumpvist valda fortlevnadsföretag. Totalt för de fem åren, 2003 till 2007
8, består undersökningen av 19 stycken unika företag som klassificeras vara i finansiell kris och 133 stycken som klassificeras som icke krisföretag.
4 . 2 U R V A L A V N Y C K E L T A L
Skogsvik (1988) gör en genomgång av litteraturen rörande prognos av finansiell kris med redovisningsmått fram till och med år 1981. Han finner att 55 olika nyckeltal har funnits vara av vikt vid prognos av finansiell kris. Ytterligare nyckeltal som visat sig viktiga är kassalikviditet och avkastning på investerat kapital, ROIC
9(Bose & Pal, 2006; Robinsson, 1998). Nyckeltalen från tidigare forskning utgör denna studies primärmängd av redovisningsmått
10, vilket följer resonemanget hos Beaver (1966, s. 78-79) där primärmängden av nyckeltal väljs ut ifrån hur frekvent de har förkommit i tidigare studier, samt utifrån hur bra de har presterat i att prognostiserat finansiell kris. Med utgångspunkt från Skogsvik (1988), Bose & Pal (2006) samt Robinsson (1998) definieras i denna studie primärmängden av nyckeltal enligt tabell 3 samt definitionerna enligt tabell 4.
Räntabilitetsmåttet ROIC definieras genom avkastningen på det genomsnittliga investerade kapitalet under det föregående året
11. Sammantaget består studiens primärmängd av 25 stycken nyckeltal
12.
8 I undersökningen är även år 2007 inkluderat. Det som skiljer 2007 mot övriga år är att data sträcker sig till den 20 november är således drygt en månad kortare. En månads förskjutning bedöms inte påverka resultatet tillräckligt för att motivera att 2007 exkluderas från undersökningen.
9 Eng. Return On Invested Capital
10 Enligs Skogsvik (1980, s. 39) kan primärmängd definieras som urvalet av oberoende variabler i en prognosstudie. För en utförlig diskussion av begreppet, jämför med diskussionen av begreppet primärmäng i Skogsvik (1980) kapitel 3 och 8.
11 Följer av definitionen i Compustat (Standard & Poor).
12 Primärmängden innehåller färre nyckeltal än sammanställningen av Skogsvik (1988) på grund av att många nyckeltal som framkommit i tidigare studier är industrispecifika och bedöms inte vara relevanta för bioteknikföretag samt att begränsningar i JCF gör det omöjligt att bryta ner redovisningsinformation i tillräckligt stor utsträckning för att kunna konstruera alla mått i enlighet med Skogsvik (1988).
TABELL 3: DEFINITIONER NYCKELTAL
Källa: Skogsvik (1988), Bose & Pal (2006), Robinsson (1998) och Standard and Poor REDOVISNINGSKOMPONENTER
Förkortning Definition
Avkastning ReTill Resultat* / Tillgångar
ReRäTill (Resultat + Räntekostnader) / Tillgångar ROIC Resultat* / Genomsnittligt investerat kapital
Kapitalomsättning EkFör Eget Kapital / Försäljning
FörTill Försäljning / Tillgångar
Omtill Omsättningstillgångar / Tillgångar ReFör Resultat* / Försäljning
RörTill Rörelsekapital / Tillgångar
Lageromsättning OmFör Omsättningstillgångar / Försäljning
Finansiell struktur InKassaSk Internt Kassaflöde / Skulder InKassaKSk Internt Kassaflöde / Korta Skulder SkTill Skulder / Tillgångar
Likviditet på kort sikt KSkEk Korta skulder / Eget kapital OmKSk Omsättningstillgångar / Korta skulder LaRör Lager / Rörelsekapital
Likviditetsposition KassaFör Kassatillgångar / Försäljning
KassaKSk Kassatillgångar / Korta Skulder KassaTill Kassatillgångar / Tillgångar REDOVISNINGSKVOTER
AnlEk Anläggningstillgångar / Eget kapital
EkSk Eget Kapital / Skulder
KassaLa Kassa / Lager
LSkRör Långa Skulder / Rörelsekapital
ReRäRäK (Resultat + Räntekostnader) / Räntekostnader ReAnlt Resultat / Anläggningstillgångar
RörFör Rörelsekapital / Försäljning
Kassalikviditet Finansiella Omsättningstillg. / Kortfristiga Skulder REDOVISNINGSMÅTT - ABSOLUTTAL
logTill Log(Totala Tillgångar)
TABELL 4: DEFINITIONER NYCKELTALSKOMPONENTER
4 . 3 B E A R B E T N I N G A V N Y C K E L T A L O C H F Ö R E T A G S D A T A
I en första bearbetning av nyckeltalen tas KassaLa och ReRäRäK bort, då dessa nyckeltal, tillföljd av otillräcklig data, icke är definierade för mer än 50 procent av företagen. Utöver ej definierbara nyckeltal förekommer ett antal extremvärden som starkt avviker från övriga nyckeltal. Effekten av sådana tal mildras genom att begränsningar införs för berörda nyckeltal. Värden på nyckeltal som är större eller mindre än nedre respektive övre gränser ersätts med vederbörligt gränsvärde enligt tabell 5 nedan
13.
TABELL 5: INFÖRDA BEGRÄNSNINGAR FÖR BERÖRDA NYCKELTAL
Begränsningarna beskriver högsta och lägsta värde som nyckeltalen får anta. Begräsningarna införs på nyckeltal där några observationer starkt avviker från de övriga med syftet att mildra effekten från dessa observationer.
13 Jämför med Skogsvik (1988, s. 190-191)
Nedre Övre
Nyckeltal (%) gränsvärde gränsvärde
ReTill -1000 1000
EkFör -5000 5000
ReFör -1000 1000
OmFör -5000 5000
KassaFör -5000 5000
ReAnlt -10000 10000
RörFör -5000 5000
DEFINITIONER
Avskrivningar Avskrivningar av både immateriella och materiella tillgångar Eget kapital Tillgångar - Skulder
Försäljning Omsättninga
Investerat kapitalb Eget kapital + Långa skulder + minoritetsintresse + preferensaktier Korta skulder Ej räntebärande skulder
Långa skulder Räntebärande skulder Omsättningstillgångar Korta ej räntebärande tillgångar Resultat Resultat före skatt
Resultat* Resultat före extraordinära poster
Skulder Korta + långa skulder
Tillgångar Korta tillgångar + materiella tillgångar + immateriella tillgångar
aAtt försäljning sätts lika med omsättning beror på att försäljningssiffror inte finns specificerade
bI enighet med Standard and Poor's Compustat
För att säkerställa kvalitén i datamängden jämförs, där det är möjligt, färdigberäknade nyckeltal tillhandahållna av JCF med samma mått beräknade utifrån dess fundamentaldata. En udda observation för ROIC identifieras där ett företag uppvisar en skillnad på 1,57 varvid hela företaget anses tvivelaktigt och tas bort från undersökningen.
Eftersom den logistiska modellen antas vara linjär och den beroende variabeln antas vara en funktion av oberoende variabler, bör nyckeltal som informationsmässigt överlappar varandra exkluderas från undersökningen (Dunteman, 2006, s. 32; Skogsvik, 1988, s. 188). Kovarierande variabler existerar i stort sett alltid, vilket delvis beror på att vissa finansiella nyckeltal beräknas utifrån gemensamma nämnare, dels eftersom vissa redovisningsmått tenderar att röra sig mer eller mindre proportionellt åt en gemensam riktning (Horrigon, 1965, s. 560). Resultatet av kovarians är att enskilda variabler inte kommer att uppvisa signifikans samt att standardfelet för regressionsparametrarna kommer att öka, något som försvårar tolkningen av variablerna (Menard, 1995, s. 65-66). Av detta följer att kovarierande variabler bör begränsas i regressionsmodellen.
För att begränsa starkt korrelerande faktorer används klusteranalys
14. Ett alternativ till klusteranalys är att använda en korrelationsmatris. Klusteranalys ger dock genom dendrogrammet, en tydlig visuell bild över variablers egenskaper baserat på samhörighet, vilket underlättar analysen, se figur 2 nedan. Resultaten från klusteranalysen och korrelationsmatrisen är i stort identiska. Nyckeltal som grupperas närmast är också de som visar högst korrelation, se bilaga 5.
Dendrogramet nedan visar en körning med statistikprogrammet Minitab vid användning av korrelation som distansmått och single linkage
15som klustermetod.
14 Jämför med Dunteman, 2006, s. 41
15Förutom single linkage prövas i Minitab även avergae och median metoderna som ska vara mindre känsliga för outliers, de ger dock liknande resultat, varvid single linkage väljs.
FIGUR 2: SAMHÖRIGHET BLAND NYCKELTALEN
Dendrogrammet visar samhörigheten hos de analyserade nyckeltalen. Nyckeltal med högre grad av samhörighet tenderar att ha hög korrelation och bildar tillsammans grupper. Varje färg i dendrogrammet representerar ett kluster vid indelning av nyckeltalen efter nio kluster (N=152).
SkTillLaRörLSkRörRörFörReFörKassaFörOmFörEkFörAnlEkKSkEkEkSkKassaKSkQuick ratioOmKSkKassaTillOmTillROICLogTillInKassaKSkInKassaSkReAnltRörTillFörTillReRäTillReTill
55,39
70,26
85,13
100,00
Samhörighet
Från klusteranalysen följer att det finns tre tydliga kluster om tre variabler och två kluster om två variabler som har en hög samhörighet, varvid ett nyckeltal kan väljas som representant för varje respektive kluster. För nyckeltalen EkFör, OmFör och KassaFör väljs KassaFör. För InKassaSk och InKassaKSk väljs InKassaSk, detta val följer resultatet av Ohlson (1980) som finner denna variabel viktig. ReTill väljs i klustret ReTill, ReRäTill och FörTill. Vidare väljs OmKSk inom klustret OmKsk, Kassalikviditet och KassaKSk. Till sist väljs KassaTill framför OmTill. För de övriga klustren bestående av enbart ett mått väljs detta mått. Klusteranalysen resulterar i 14 nyckeltal fördelade över 9 kluster
16.
Givet att nyckeltal är lågt korrelerade är nyckeltal som antar markant skilda värden mellan gruppen av krisföretag och icke krisföretag särskilt intressanta (Skogsvik, 1988, s. 202-214). I tabell 6 nedan visas medelvärde och standard- avvikelse för nyckeltal grupperade efter kris eller icke krisföretag. Signifikant skilda från noll (α = 0,05) är nyckeltalen ReTill, ReAnlt, OmKSk, EkSK och ROIC. Det framgår att krisföretag uppvisar ett sämre negativt resultat i förhållande till skulder och en sämre likviditet på kort sikt. Krisföretag har dessutom sämre avkastning på
16 Nio stycken kluster valdes eftersom det anses resultera i en lämplig uppdelning med avseende på nyckeltalens karaktäristiska och graden av samhörighet
investerat kapital. Dessa skillnader är intuitivt rimliga även om icke krisföretag uppvisar ett genomsnittligt negativt resultat. Vidare har krisföretag, förutom ett större negativt resultat i förhållande till anläggningstillgångar (ReAnl), även signifikant lägre andel eget kapital i förhållande till skulder (EkSk). Detta är motsägelsefullt, då långivare ofta är mer restriktiva med utlåning till företag med större andel fasta kostnader, mer ofördelaktig försäljning samt låg andel fasta tillgångar (Hamberg, 2004, s. 232-238).
TABELL 6: JÄMFÖRELSE MELLAN KRIS OCH ICKE KRISBOLAG
Medelvärde, standardavvikelse och medelvärdeskillnad för kris (19 st) respektive ickekrisbolag (133 st). De nyckeltal som signifikant (α = 0,05) skiljer sig mellan kris och icke krisföretag är ReTill, ReAnlt, OmKSk, EkSK och ROIC. Störst skillnad i absoluta tal mellan de signifikanta nyckeltalen uppvisar ReAnlt (14,61) och minst skillnad ROIC (1,26).
Källa: JCF
Nyckeltal Medel Std Medel Std Medel p
ReTill -0,838 0,705 -0,3835 0,9859 0,4545 0,019
RörTill 0,4163 0,2809 0,342 1,247 -0,0743 0,558
ReAnlt -23,84 27,56 -9,23 19,53 14,61 0,037
InKassaSk -1,526 1,532 -0,984 2,129 0,542 0,182
LogTill 2,597 0,526 2,7847 0,7798 0,1877 0,186
KassaTill 0,5843 0,3045 0,5189 0,2669 -0,0654 0,383
OmKSk 3,529 2,709 5,61 4,66 2,081 0,008
EkSk 1,906 2,495 4,179 5,185 2,273 0,003
KassaFör -1,35 2,472 -0,042 9,805 1,308 0,205
ReFör 1,0469 0,27 1,07 1,449 0,0231 0,869
RörFör -1,092 2,289 56,4 648,2 57,492 0,31
LSkRör 0,771 1,665 0,4234 1,0553 -0,3476 0,387
LaRör 0,157 0,452 0,1333 0,3056 -0,0237 0,826
AnlEk 0,053 0,672 0,2611 0,4965 0,2081 0,208
SkTill 0,615 0,532 0,555 1,312 -0,06 0,72
ROIC -1,651 1,749 -0,389 0,7399 1,262 0,006
KSkEk -0,94 4,7 0,3526 1,0248 1,2926 0,247
Kris Icke Kris
5 K O N S T R U K T I O N A V M U L T I V A R I A T P R O G N O S M O D E L L
Skogsvik (1988, s. 221-227) rangordnar univariata logistiska prognosmodeller utefter deras klassificeringsförmåga, för att sedan använda dem som utgångspunkt vid konstruktion av multivaraiata prognosmodeller. I enighet med Skogsvik (1988) utvärderas modellerna i denna undersökning utefter Hosmer-Lemeshow-testet, H- L-test, samt mot Somers D. Med ett H-L-test prövas nollhypotesten, att det inte föreligger någon skillnad mellan observerade och prognostiserade värden. Somers D
17beskriver, å andra sidan, modellens tendens till felklassificeringar. Utöver dessa tre mått anges modellens likelihoodvärde vilket möjliggör test av nollhypotesen, att koefficienten tillhörande variabeln är noll, mot alternativhypotesen, att den inte är noll
18. Från tabell 7 nedan kan noteras att KassaFör samt RörFör inte estimerar modellen på en acceptabel nivå. Detta tillsammans med att de inte uppvisar någon statistiskt säkerställd skillnad bland medelvärdena mellan kris och icke krisföretag enligt tabell 6 ovan, innebär att de utesluts från att ingå i den slutgiltiga modellen. Ytterligare, baserat på en sammanvägd bedömning utifrån både ett lågt log likelihood, lågt Sommers D och låg skillnad av medelvärden medför att även RörTill och ReFör utesluts.
Avsaknaden av betydelse för ReFör och RörTill kan bero på att endast ett fåtal bioteknikbolag har en produkt på marknaden, något som gäller både kris och icke krisföretag. När vissa bolag har en produkt på marknaden medan andra inte har det, kan det leda till stora inbördes skillnader bland nyckeltalen. Vilket kan göra nyckeltalen volativa, något som i sin tur kan försämra prediktionsförmågan. I RörFör avspeglas denna volatilitet genom att måttet har den i särklass största standardavvikelsen av alla mått, se tabell 6 ovan.
17 Somers D är samma sak som Goodman-Krustal gamma fast justerat för oklara klassificeringar (eng. ties) och anger kvoten: (antal korrekta klassificeringar – antal felaktiga klassificeringar) / totalt antal klassificeringar. Till exempel blir tolkning av ett Somers D på 0,5 att med hjälp av de oberoende variablerna i modellen kommer klassificeringsfelen att bli 50 % lägre. (North Carolilna State University, http://www2.chass.ncsu.edu/garson/pa765/assocordinal.htm)
18 Ett p värde > 0,05 indikerar att variabeln inte ska sättas till noll givet α = 0,05.
TABELL 7: UNIVARIATA LOGITMODELLER
Univariata logitmodeller för prognos av finansiell kris bland bioteknikbolag (N=152).
Källa: JCF
5 . 1 M U L T I V A R I A T F R A M F Ö R U N I V A R I A T
Multivariata prognosmodeller bör alltid vara bättre än univariata prognosmodeller (Skogsvik, 1988, s. 227; Demaris, 1992, s. 31). Vid användandet av alla 13 kvarvarande nyckeltal uppnås en logistisk regressionsmodell med ett log likelihoodvärde på -41,72, dock är alla koefficienter statistiskt osäkra varvid det bedöms vara opassande att bevara alla nyckeltal, se tabell 8.
Nyckeltal Chi square p Somers D Log likelihood p
ReTill 13,248 0,104 0,56 -56,018 0,114
RörTill 10,968 0,204 -0,1 -57,221 0,757
ReAnlt 17,408 0,026 0,52 -54,153 0,015
InKassaSk 15,174 0,056 0,031 -56,731 0,3
LogTill 7,276 0,507 0,12 -56,73 0,299
KassaTill 12,602 0,126 0,17 -56,723 0,296
OmKSk 3,455 0,903 0,28 -55,044 0,035
EkSk 2,243 0,973 0,28 -54,847 0,028
KassaFör 19,58 0,012 0 -57,096 0,557
ReFör 9,953 0,268 -0,07 -57,265 0,928
RörFör 39,227 0 0,04 -57,064 0,522
LSkRör 1,717 0,887 0,04 -56,629 0,258
LaRör 7,2647 0,297 -0,1 -57,219 0,753
AnlEk 3,176 0,923 0,17 -55,753 0,082
SkTill 6,315 0,612 0,2 -57,253 0,856
ROIC 8,061 0,428 0,64 -47,91 0,001
KSkEk 12,774 0,12 -0,17 -54,604 0,024
Hosmer-Lemeshow
TABELL 8: PROGNOSMODELL FÖR FINANSIELL KRIS
Vid användning av alla kvarvarande nyckeltal fås en logistiskt regressionsmodell utan signifikanta parametrar.
Modellen uppnår ett Log likelihood värde på -41,72 (G = 30,56 df = 13, p = 0,004). (N=152)
Källa: JCF
Genom att successivt addera nyckeltal som signifikant bidrar till modellen enligt log likelihoodtest
19kan de variabler med högst förklarande grad erhållas (Menard, 1995, s. 38). Eftersom ROIC uppvisar det lägsta log likelihoodvärdet samt lägsta p-värdet i den totala modellen, väljs att utgå från ROIC. Av övriga 12 nyckeltal är det endast KSkEk som tillsammans med ROIC uppvisar signifikant förbättring i förhållande till en modell bestående av enbart ROIC och utifrån både ROIC och KSkEk förmår inget av de kvarvarande nyckeltalen en signifikant förbättring, se bilaga 4. Med ROIC och KSkEk uppnås ett likelihoodvärde på - 45,5.
Trots att begränsningar av extrema nyckeltal har införts, kan det fortfarande finnas företag i datamängden som kan betecknas som outliers. Potentiella outliers kan identifieras genom att de i ∆-Pearson- ! , ∆ avvikelse- och ∆
2koefficientplottar uppvisar ett avvikande mönster (Menard, 1995, s. 74-79). Från
19 Log likelihoodtestet är ett !2-test eftersom när log likelihoodvärdet multipliceras med -2 får den en approximativ !2-fördelning. Detta värde brukar oftast anges som G eller Gm i olika statistikprogram. Anta att vi har två modeller, modell A och B. Med log likelihoodtestet går det att testa om modell B, givet att modell A, förklarar den oberoende variabeln. Med andra ord betecknas, G(B|A) i testet som G(B) – G(A). Differensen testas mot !2-fördelningen med det antal frihetsgrader som är lika med differens av frihetsgraderna mellan modellerna A och B. (Demaris, 1992, s. 29-32; Dunteman, 2006, s. 32; Menard, 1995, s. 38-39)
95 % KI
Variabel Koef SE koef Z P Oddskvot Övre Nedre
Constant -4,69 2,22 -2,11 0,034
ReTill -0,08 1,13 -0,07 0,944 0,92 0,1 8,44
ReAnlt -0,01 0,01 -0,64 0,524 0,99 0,96 1,02
InKassaSk -0,21 0,31 -0,69 0,488 0,81 0,44 1,48
LogTill 0,43 0,57 0,75 0,451 1,54 0,5 4,75
ROIC -0,73 0,44 -1,68 0,093 0,48 0,2 1,13
KassaTill 2,47 1,82 1,35 0,175 11,82 0,33 421,51
OmKSk -0,18 0,20 -0,9 0,369 0,84 0,56 1,24
EkSk -0,06 0,21 -0,27 0,785 0,95 0,63 1,42
KSkEk -0,32 0,24 -1,34 0,181 0,73 0,46 1,16
AnlEk 0,43 0,92 0,46 0,642 1,53 0,25 9,24
LSkRör 0,06 0,38 0,15 0,88 1,06 0,5 2,24
LaRör 1,65 0,98 1,69 0,091 5,2 0,77 35,24
SkTill -0,42 1,08 -0,39 0,697 0,66 0,08 5,44
dessa plottar tillsammans med en närmare inspektion av avvikande företag beslutas att utesluta ett företag från själva modellen. Detta resulterar i att graferna får en mjukare kurva, log likelihood värdet minskar från -45,5 till -41,8 samt att Somers D ökar från 0,65 till 0,67 varvid exkluderandet av den avvikande observationen är rimlig, se bilaga 2 och 3. Den resulterande logistiska modellen, baserad på 132 icke krisföretag och icke krisföretag, visas i tabell 9 nedan
20.
TABELL 9: PROGNOSMODELL AV FINANSIELL KRIS FÖR BIOTEKNIKBOLAG
Genom att successivt lägga till nyckeltal och utvärdera förbättringen utifrån log likelihoodtestet erhålls en modell bestående av ROIC och KSkEk, Log likelihood = -41,8 (G = 30,3, p = 0,000), Somers D = 0,67, H- L: !2= 5,37 (p=0,716). (N=151)
Källa: JCF
20 Det kan noteras att endast ROIC:s koefficient är signifikant (α = 0,05) skild från noll.
Koefficienterna enligt tabell 9 testas genom Waldtestet. Detta test kan vid stora koefficienter förstärka felen vilket kan resultera i att nollhypotesen felaktigt behålls och därav används ofta en signifikansnivå större än 0,05 (Menard, 1995, s. 39; Afifi & Clark, 1996). Waldtestet är även mer känsligt i små populationer jämfört med log likelihoodtestet och därför är log likelihoodtestet att föredra framför Waldtestet (Garson , 2006; Menard, 1995, s. 38). Utifrån ett signifikant log likelihoodtest och ett signifikant Waldtest (α = 0.10) väljs att behålla KSkEk.
95 % KI
Variabel Koef SE koef Z P Oddskvot Övre Nedre
Konstant -3,05 0,438 -6,95 0,000
ROIC -1,456 0,3837 -3,79 0,000 0,23 0,11 0,49
KSkEk -0,22 0,1223 -1,8 0,072 0,8 0,63 1,02
6 I N D I K A T O R E R P Å F I N A N S I E L L K R I S
ROIC och KSkEk är den kombination av nyckeltal som visar sig vara bäst på att indikera finansiell kris bland bioteknikföretag. Måtten är dock av olika betydelse för sannolikheten att ett företag ska drabbas av kris. I figur 3 nedan visas sannolikheten att drabbas av kris som funktion av både ROIC och KSkEk inom observerat intervall för respektive nyckeltal. Från den tydliga s-formade ytan i figur 3 kan noteras att ROIC påverkar utfallet av finansiell kris i större omfattning än KSkEk.
FIGUR 3: SANNOLIKHET ATT DRABBAS AV FINANSIELL KRIS
Plot av sannolikhen att drabbas av kris som funktion av KSkEk och ROIC. Värdena som ROIC och KSkEk får anta ligger inom det intervall som återfinns bland de undersökta företagen tillika det intervall som används för att estimera modellen. Diagrammet visar en tydlig s-formad plan yta, vilket indikerar att ROIC är av störst betydelse och att KSkEk bara i marginell omfattning påverkar utfallet av finansiell kris bland bioteknikbolag.
-15.24 -5.57 4.09
-6.75
-5.08
-3.41
-1.74
-0.08
1.59
0.00 0.20 0.40 0.60 0.80 1.00
P(Kris)
KSkEk
ROIC
0.00-0.20 0.20-0.40 0.40-0.60 0.60-0.80 0.80-1.00 Källa: JCF
Skillnaderna i ROIC och KSkEk bland de undersökta bioteknikföretagen är
stora och ytan i figur 3 ovan säger inget om var företagen är placerade. För att
bättre förstå branschen kan ett hypotetiskt genomsnittsföretag användas som
referens. Bland de undersökta bioteknikföretagen är medelvärdet för ROIC = -
0,55 och för KSkEk = 0,19. Enligt erhållen modell är sannolikheten att drabbas
av kris för det genomsnittliga bioteknikföretaget: logit(kris) =-3,05 -1,46 *(-0,55) -
0,22*0,19 = -2.288 vilket ger sannolikheten
e0,4659/( 1 +
e0,4659) ≈ 9,2 %. Från
modellen i tabell 9 ovan kan utläsas att en enhets ökning av ROIC minskar oddset
att drabbas av kris. I termer av sannolikheter motsvarar en enhets ökning av ROIC, för det genomsnittliga bioteknikföretaget, att sannolikheten att drabbas av kris minskar med 6,9 procent till 2,3 procent. Likaså leder en enhets ökning av KSkEk till att oddset att drabbas av kris minskar med en faktor på 0,79. I sannolikheter leder detta till en 1,7 procentig minskning av sannolikheten att drabbas av finansiell kris till totalt 7,5 procent. En enhets ökning kan tyckas vara en stor förändring men skillnaden mellan kris och icke krisföretag för bioteknikföretag är 1,26 (p =0,006), se tabell 6 ovan.
6 . 1 R O I C – E T T S T R A T E G I S K T O C H P R E C I S T M Å T T
Resultatet att avkastningsmåttet ROIC är en god indikator av finansiell kris stämmer med andra iakttagelser om att företag med låg avkastning tenderar att löpa högre risk att drabbas av finansiell kris ( Campell, 2006). ROIC är också ett av de vanligaste förekommande nyckeltalen i studier rörande strategisk styrning samt inom undersökningar kring entreprenörskap och hur nya innovativa företag presterar (Robinson, 1998, s. 168). Bland bioteknikbolag kan strategisk styrning relateras till hur investerare väljer att investera eftersom inflödet av kapital anses av både externa placerare och av bioteknikbolagen själva vara en nyckelfaktor för att lyckas (Chaya, 2004; Vanderbyl och Kobelak, 2006, s. 69-71). Det totala inflödet av kapital som investeras i bioteknikbolag tenderar att hålla sig på en konstant nivå men antalet projekt som investerare väljer att investera i blir färre (Chaya, 2004). Detta kan tolkas som att investeringar mer strategiskt väljs ut.
Denna studie styrker att ROIC, som här visat sig vara är en bra indikator på
finansiell kris, är ett viktigt mått utifrån hur marknaden strategiskt väljer att
investera. Enligt Ernst & Young (2007) är bioteknikbolag drivkraften bakom
läkemedelsutveckling, de är dessa företag som driver utvecklingen framåt. Om
detta kan likställas med att vara innovativ överensstämmer denna undersöknings
resultat med liknande undersökningar i att ROIC kan användas vid studier
rörande hur nyskapande innovativa företag presterar. Utöver detta visas att ROIC
kan, mer specifikt än tidigare känt, användas för att prognostisera om innovativa
företag inom bioteknikbranschen kommer att drabbas av finansiell kris.
6 . 2 K S K E K – S T I C K I S T Ä V M E D T I D I G A R E F O R S K N I N G
Det finns traditionellt en stark tro på att ett låg KSkEk i relation till den bransch där företaget är verksam innebär en minskad risk för finansiell kris, något som påvisas i Edmisters studie (1972, s. 1488). Detta resultat är helt motsatt jämfört med resultatet i denna undersökning, där det visar sig att ett högt KSkEk minskar risken för ett företag att hamna i finansiell kris. Att resultaten är helt olika kan bero på att olika företag ifrån olika branscher undersöks. Edmisters (1972) undersökning ser på mindre företag i allmänhet, medan denna undersökning koncentreras enbart på bioteknikbolag. De båda studierna har även många år emellan sig, och den undersökta tidsperioden är olika
21. Den erhållna modellen i denna studie indikerar att ett högt värde på KSkEk minskar risken för att ett företag ska hamna i finansiell kris. Detta innebär att desto högre korta skulder jämfört med eget kapital ett bioteknikföretag har, desto större sannolikhet är det att företaget undkommer finansiell kris. De korta skulderna består vanligtvis av kostnader som företaget har för den dagliga ruljansen, till exempel kostnader för försäljning. En anledning till att dessa kostnader innebär minskad risk att drabbas av finansiell kris kan bero på att korta skulder är relaterade till om ett företag har försäljning eller ej.
21 Edmister (1972) undersöker företag mellan åren 1954 till 1969 medan denna studie sträcker sig mellan åren 2003 till 2007.
7 S L U T S A T S E R
Med utgångspunkt från tidigare finansiell krisforskning, där undersöknings- materialet ofta är baserade på data från alla tillgängliga företag eller med udda företag exkluderade, framgår i denna studie att nyckeltal identifierade i tidigare forskning även kan användas vid prognos av finansiell kris i en udda bransch, men att den inbördes tolkningen kan bli annorlunda. Med utgångspunkt från bioteknikbranschen under åren 2002 till 2007 identifieras med hjälp av logistisk regression nyckeltalen, avkastning på investerat kapital, ROIC, och korta skulder genom eget kapital, KSkEk, som indikatorer på finansiell kris. Avkastningsmåttet ROIC visar sig ligga i linje med tidigare forskning och är en god indikator på hur innovativa företag, som bioteknikföretag, presterar. Den andra indikatorn, KSkEk, går stick i stäv med tidigare observationer. Bland bioteknikföretag minskar ett högt KSkEk risken för ett företag att hamna i finansiell kris. Detta är tvärt emot tidigare resultat inom finansiell krisforskning och sannolikt en konsekvens av bioteknikbranschens särart. Således bör försiktighet iakttas vid applicerandet av finansiella krisindikatorer på enskilda branscher.
R E F E R E N S E R
P U B L I C E R A D E K Ä L L O R