Tillämpning av en

(1)

Konkursprognostisering

Tillämpning av en

konkursprognosisteringsmodell på små svenska aktiebolag

Kandidatuppsats 15 HP | Redovisning | Vårterminen 2010

Av: Joakim Trädgårdh & Alfonso Gonzalez Handledare: Ogi Chun

(2)

Institutionen för Ekonomi och Företagande

Förord

Vi vill tacka vår handledare Ogi Chun, för hans betydelsefulla förslag, kommentarer och konstruktiv kritik på uppsatsen samt de stöd och förtroende vi fått då uppsatsarbetet har stött på problem.

Vi vill även tacka opponeringsgrupperna för värdefulla synpunkter och kommentarer.

Slutligen vill vi tacka de vänner som har hjälpt till att korrektur läsa uppsatsen och förbättra språket i den.

Joakim Trädgårdh och Alfonso Gonzalez, Stockholm den 25 maj 2010

(3)

Författare: Joakim Trädgårdh & Alfonso Gonzalez Handledare: Ogi Chun

Titel: Konkursprognostisering - Tillämpning av en tidigare svensk konkursprognostiseringsmodell för små aktiebolag.

Nyckelord Konkurser, småföretag inom Stockholms län, finansiella nyckeltal, konkursprognostiseringsmodeller, tidigare studier inom

konkursprognostisering.

Bakgrund Konkurser är ett problem för samhället som medför stora kostnader för bland annat leverantörer, kunder, anställda, investerare, banker, försäkringsbolag etc. Därför ligger det i allmänhetens intresse att motverka konkurser.

Syfte Denna uppsats avser att tillämpa en modell som har tagits fram i en tidigare svensk studie för att undersöka ifall den genererar liknande resultat, där den tidigare studiens population som avser hela Sverige, har testas i en mindre population, det vill säga Stockholms län, i och med detta testas modellens tillförlitlighet.

Problemformulering Kan den tidigare svenska studiens konkursprognostiseringsmodell ge liknande resultat om den istället enbart appliceras på Stockholms län?

Avgränsning Uppsatsen population omfattar endast mindre svenska aktiebolag inom Stockholms län och deras årsredovisningar för åren 2005-2007. Varför dessa år har valts är för att det har använts i den tidigare studien, men även för att finansiella nyckeltal påverkas av externa faktorer som till exempel finanskrisen, därför går inte år 2008 att tas i beaktning.

(4)

Abstract

Bankruptcy is a problem for the society in form of high costs for including suppliers, customers,

employees, investors, banks, insurance companies etc. The purpose of this study is to confirm or dismiss a bankruptcy prediction model that has been developed in a previous Swedish study, in order to predict bankruptcy with help of specific key figures. The model has only been tested in a larger perspective where the population consisted of all small firms in Sweden, in this study the model´s reliability is tested by that it instead been applied to a minor perspective, where the population only includes Stockholm.

With a quantitative approach of 12 different key figures from a total of 60 Swedish smaller registered companies in Stockholm between the years 2005-2007, has been studied. The companies are divided into two groups, companies with good financial health and companies that have ended up in bankruptcy.

The results shows that the model is applicable in a smaller population, but some of the key figures do not generate essential or any type of information about bankruptcy, but the majority of the key figures in the model did. The key figures that were most significant in our study are; debt, capital structure and return of equity.

(5)

Sammanfattning

Konkurs utgör ett problem för samhället i form utav av stora kostnader för bland annat leverantörer, kunder anställda, investerare, banker, försäkringsbolag etc. Syftet med denna uppsats är att bekräfta eller avfärda en konkursprognostiseringsmodell som framtagits i en tidigare svensk studie, för att kunna förutsäga konkurser med hjälp utav specifika nyckeltal. Modellen har endast testats i ett större perspektiv, det vill säga alla småföretag i Sverige och från populationen har ett urval gjorts, i denna uppsats ska modellens tillförlitlighet testas genom att den istället appliceras på en mindre population, där populationen endast innefattar Stockholms län. Med en kvantitativ ansats har 12 stycken olika nyckeltal från sammanlagt 60 svenska mindre aktiebolag inom Stockholms län mellan åren 2005-2007 undersökts. Där företagen delats upp i två grupper, företag med god finansiell hälsa och företag som har hamnat i obestånd.

Resultatet visar att modellen är applicerbar i en mindre population, men vissa av nyckeltalen generar inte väsentlig eller någon typ av information om konkurser, men majoriteten av nyckeltalen i modellen gjorde det. Nyckeltal inom skuldsättning, kapitalstruktur och räntabilitet är de som är mest

betydelsefulla för att motverka konkurser.

(6)

Innehållsförteckning

1. Inledning ... 1

1.1. Bakgrund ... 1

1.2 Problemdiskussion ... 3

1.3 Problemformulering ... 5

1.4 Syfte ... 5

1.5 Avgränsing ... 5

2. Teoretisk referensram ... 6

2.1 Inledning ... 6

2.2 Nyckeltal ... 6

2.3 Nyckeltalskategorier ... 7

2.3.1 Kapitalstruktur ... 7

2.3.2 Likviditetsmått ... 7

2.3.3 Lönsamhetsmått ... 8

2.3.4 Kassaflödesmått ... 8

2.3.5 Tillväxt- och omsättningsmått ... 8

2.4 Användning av nyckeltal ... 8

2.5 Kritik mot nyckeltal ... 10

2.6 Tidigare studier ... 10

2.6.1 Diskriminant analys ... 10

2.6.1.1 William Beaver ... 10

2.6.1.2 Edward Altman ... 11

2.6.1.3 Deakin ... 13

2.6.1.4 Dambolena & Khoury ... 13

2.6.1.5 Fulmer ... 13

2.6.1.6 Lennox ... 14

2.6.1.7 Gu ... 14

2.6.2 Logistisk regression ... 14

2.6.2.1 Ohlson ... 15

2.6.2.2 Platt & Platt ... 15

2.6.2.3 Kolari ... 15

2.6.2.4 Charitou ... 15

2.6.2.5 Kim & Gu ... 16

2.6.3 Sammanfattning av tidigare forskning ... 16

2.7 Teorisammanfattning ... 18

2.8 Tidigare svensk studie ... 19

(7)

2.9 Modell & beskrivning av nyckeltalen ... 21

3. Metod... 23

3.1 Tillvägagångssätt ... 23

3.1.2 Affärsdata ... 23

3.1.3 Medelvärde & standardavvikelse ... 24

3.2 Population & urval ... 24

3.3 Ansatser ... 25

3.4 Reliabilitet & validitet ... 25

4. Resultat & analys ... 27

4.1 Sammanfattning av tabell nr 2 ... 29

4.2 Förändring av medelvärde ... 29

4.2.1 Sammanfattning av tabell nr 3 ... 30

5. Slutdiskussion ... 31

5.1 Förslag till vidare forskning ... 32

6. Käll- & litteraturförteckning ... 33

6.1 Böcker ... 33

6.2 Internetkällor ... 34

6.3 Vetenskapliga artiklar & avhandlingar ... 35

1. Bilagor

Bilaga 1. - Sökningsmetod

Bilaga 2. - Företagsregister för konkursföretag Bilaga 3. - Företagsregister för icke konkursföretag Bilaga 4. - Uträkning konkurs 2005

Bilaga 5. - Uträkning icke konkurs 2005 Bilaga 6. - Uträkning konkurs 2006 Bilaga 7. - Uträkning icke konkurs 2006 Bilaga 8. - Uträkning konkurs 2007 Bilaga 9. - Uträkning icke konkurs 2007

(8)

1

1. Inledning

Detta kapitel inleds med fakta och bakgrund om konkurser. För att sedan fortsätta diskutera orsaker samt konsekvenser som uppstår i och med konkurser. Därefter kommer en kort presentation av modellen från den tidigare svenska studien som denna uppsats avser att tillämpa. Därpå redogörs sedan studiens problemformulering, syfte och avgränsning.

1.1 Bakgrund

Sverige har under de senaste årtiondena varit med om fler konkurser än under någon annan tidsperiod sedan 1930-talet¹. Toppåret 1992 var det en stadig minskning av antalet konkurser och under åren 2000- 2003 ökade antalet företagskonkurser, för att sedan återigen minska under de två senare åren. Antalet nystartade företag ökade markant 2007, men under 2008 rapporterades ett stort antal företagskonkurser.

Denna minskning var inte oväntad eftersom prognoser från föregående år hade förutspått nedgång och den stärktes ytterligare av att världen då drabbades av den globala finanskrisen. Antalet företagskonkurser ökade i mars 2009 med 85 procent jämfört med samma månad från tidigare år². Detta kan dels vara effekter av finanskrisen, eftersom att finanskrisen fortfarande var ett faktum under 2009.

Enligt konjunkturinstitutet börjar finanskrisen att avta, men först 2014 förutspås den svenska ekonomin åter vara i konjunkturellbalans.³ De företag som drabbades värst var små och ofta nystartade detaljhandelsföretag samt grossister inom handeln i områdena Stockholm, Malmö och Göteborg. Det är framför allt små och medelstora företag med 1-10 anställda som främst sätts i konkurs enligt statistik från UC.

1 Koponen, Anja. (2003). Företagens väg mot konkurs, Företagsekonomiska Institutet, Stockholms Universitet, Research Report, 2003:9, Sid. 38‐39.

2 Enligt statistik från UC; http://www.va.se/nyheter/2009/04/07/konkurserna-okar/

3 SCB, Medlingsinstitutet och Konjunkturinstitutet, pressmeddelande konjunkturläget mars 2010

(9)

2 Tabellen nedan visar antalet företagskonkurser i Sverige under januari-juni för de fem senaste åren.

Figur 1: Källa, UC Konkursstatistik, Företagskonkurser.

I Sverige finns det ungefär 900 000 företag idag och det svenska företagandet består nästan uteslutande av små och medelstora företag, de utgör 99,9 % av hela företagsbeståndet⁴.

Enligt kreditupplysningsföretaget Syna ökade antalet utslag i mål om betalningsförelägganden för företag med 2,5 % i mars 2010, jämfört med samma tidsperiod för 2009. Kreditrisken för ett aktiebolag bedöms utifrån ett stort antal parametrar som bland annat är betalningshistorik, företagets ekonomi, etableringsgrad, styrelse och allmän skötsamhet⁵. Under 2009 ökade antalet betalningsförelägganden kraftigt och fortsätter nu att göra det. Det innebär att en hel del företag fortfarande inte klarar av att betala sina räkningar, men under de senaste månaderna har många positiva signaler kommit från delar av näringslivet, men dessa har uppenbarligen inte nått ut till hela näringslivet⁶. Utvecklingen som Syna redovisar är resultatet av tiotusentals beslut från tiotusentals olika fordringsägare över hela landet.

”Vi ser en jämn ökning av kreditrisken för svenska aktiebolag sedan första kvartalet 2008. Det senaste kvartalet ökade fortfarande kreditrisken. Det visar att de generella problemen för de svenska företagen inte är över utan fortsätter att öka. Samtidigt ökar nu antalet betalningsförelägganden. Om utvecklingen inte vänder kommer vi att se ökade konkurser igen”, säger Harald Stjerna, informationsansvarig på kreditupplysningsföretaget Syna⁷.

4 Siffror hämtade från; http://www.ekonomifakta.se/sv/Artiklar/2009/Mars/Statistik-om-foretagande---en-djungel-av-siffror/

5 http://www.bolagsfakta.se/pressreleaser/visa/pressrelease/231052/antalet-konkurser-kan/5346EBAA-D1A1-3DD4-4922- C9927A168EA0

6 IBID

7 IBID

(10)

3 Sammanfattningsvis är konkurser ett problem för samhället och som citat verifierar kan konkurser komma att öka. Då det är små och medelstora företag som oftast drabbas av konkurser, som redan nämnts ovan, skulle det vara av stort värde för de företagen att kunna förutsäga konkurser innan de hinner inträffa. Det finns forskare som hävdar att det går att förutsäga konkurser med hjälp av finansiella nyckeltal och det är just detta denna uppsats kommer att behandla. En mer ingående redogörelse kommer att presenteras i stycket nedanför samt i teorikapitlet.

1.2 Problemdiskussion

Det finns flera olika orsaker till varför företag går i konkurs, den vanligaste orsaken är att företaget har brister i sin förmåga att agera på förändringar i sin operativa miljö samt att företaget lägger för mycket resurser på projekt med osäkra utkomster⁸. Konkurser är väldigt kostsamma för samhället och när ett företag går i konkurs är det inte enbart företaget som drabbas utan även ett flertal intressenter i företagets omgivning; dessa kan vara exempelvis anställda, kunder, leverantörer, kreditgivare och investerare. Konkurser medför även kostnader i form av direkta och indirekta kostnader. De direkta kostnaderna står för juristers och revisorers arvoden samt administrativa och professionella kostnader.

Indirekta kostnader är förlorad försäljning och vinst för företaget⁹. Det finns därför ett intresse av att försöka förutse konkurser hos många intressenter, detta görs antingen genom att studera strukturella faktorer och jämföra observationerna med historiskt utfall eller genom att studera finansiella nyckeltal.

Eftersom konkurser medför omfattande kostnader för samhället finns det ett intresse i att försöka hitta förklarande faktorer till varför en konkurs uppstår i ett företag.

Sedan 1960-talet har forskning kring konkursprognostisering bedrivits och det finns flera olika forskare, Altman 1968; Beaver 1966; Charitou m.fl. 2004; Gu 2002; Fredland och Morris 1976; m.fl., som har en gemensam uppfattning om att nyckeltal kan vara goda indikatorer för att förutsäga konkurser¹⁰. Dessa forskare har skapat modeller som med säkerhet kan förutsäga ifall ett företag är på väg mot konkurs med hjälp utav nyckeltal. De resultat som forskarna har kommit fram till är att en konkurs kan förutspås med 70-90 % korrekthet från 1-3 år före konkurs, men de har använts sig av olika nyckeltal och dessa kan ibland vara överlappande, eftersom att alla nyckeltal inte är lika effektiva på att förutsäga konkurser¹¹.

8 Dimitras, A.I, Zanakis, S.H. och Zopounidis, C. (1996). “A survey of business failures with an emphasis on prediction methods and industrial applications,” European Journal of Operational Research 90, Sid. 487-513

9 Warner, Jerold B (1997). “Bankruptcy Costs: Some Evidence”, The Journal of Finance, Vol. XXXII, Nr. 2

10 Charitou, A., Neophytou, E., Charalambous, C. (2004). ”Predicting Corporate Failure: Empirical Evidence for the UK”, European Accounting Review, Vol 13, No. 3, Sid. 465-497.

11 James A. Ohlson; “Financial ratios and the probabilistic prediction of bankruptcy”, Journal of Accounting Research Vol.

18 No.1 1980, 109-130

(11)

4 Forskarna har kommit fram till olika resultat och ibland har de varit emotsägelsefulla, däremot är det överrens om att konkurser kan förutsägas fast med olika metoder.

Nyckeltal i denna uppsats kommer inte att ses som fasta beslutsavgörare, däremot kommer de att ses som en förenkling av verkligheten. De ska användas som hjälpmedel eller som riktlinjer, en mer ingående redogörelse kommer att ges i teorikapitlet.

En viktig och intressant forskningsfråga är att kunna avgöra specifika nyckeltal samt de kategorier som bäst kan diskriminera mellan grupperna konkurs och icke konkurs. För att kunna göra detta måste modeller framställas, det finns därmed ett behov av att kontinuerligt arbeta fram modeller vilka hittar de viktiga finansiella indikatorer som kan avslöja ett företags hälsa utifrån dagens förutsättningar. Genom att skapa en modell som visar ifall ett företag kommer att hålla sina framtida förpliktelser gentemot banker, försäkringsbolag, kunder, investerare och övriga intressenter, är som tidigare nämnts av ett stort samhällsintresse. Den här typen av forskning har till största delen inriktats på engelska och amerikanska företag, och detta gör att det kan vara svårt att tillämpa resultatet på de svenska företag som arbetar under andra förutsättningar. Då de svenska företagen opererar i ett annorlunda affärsklimat i en liten exportberoende ekonomi med skillnader inom beskattning, moms och liknande. Detta innebär att om forskningen ska frambringa ett gott resultat måste den även anpassas efter rådande förutsättningar. Det har utförts flera olika svenska studier om konkursprognostisering som har tagit hänsyn till dessa faktorer och författarna i denna uppsats har valt att inrikta sig på en tidigare studie som skrivits 2009 av två studenter på Mittuniversitet¹². Studenterna har tagit fram en konkursprognostiseringsmodell som är anpassad till svenska marknadsförhållanden genom att utföra statiska analyser som; anova-test, multiple diskriminant analys (MDA) och korrelations analys, för att få fram vilka nyckeltal som är mest signifikanta för att förutspå konkurser.

I denna uppsats kommer den framtagna konkursprognostiseringsmodellen att appliceras på små svenska aktiebolag inom Stockholms län, eftersom Mittuniversitet studenternas förslag om fortsatta studier bygger på att modellen ska prövas på ett mindre urval samt specificera sig på ett geografiskt område, då den tidigare studien har utförts på en population som avser hela Sveriges företagsmarknad för småföretag¹³. Varför denna modell ska testas på en mindre population är för att bekräfta modellens tillförlitlighet, med andra ord avser denna uppsats på att ett mindre urval inom ett visst område prövas för att bekräfta modellens tillförlitlighet.

12Mittuniversitetet Östersund, Institutionen för samhällsvetenskap, Företagsekonomi AV, Magisteruppsats 15 hp;

http://miun.diva-portal.org/smash/get/diva2:224687/FULLTEXT01 13IBID

(12)

5

1.3 Problemformulering

Kan den tidigare svenska studiens konkursprognostiseringsmodell ge liknande resultat om den istället enbart appliceras på Stockholms län?

1.4 Syfte

Denna uppsats avser att tillämpa en modell som har tagits fram i en tidigare svensk studie för att undersöka ifall den genererar liknande resultat, där den tidigare studiens population som avser hela Sverige, har testas i en mindre population, det vill säga Stockholms län, i och med detta testas modellens tillförlitlighet.

1.5 Avgränsning

Uppsatsen population omfattar endast mindre svenska aktiebolag inom Stockholms län och deras årsredovisningar för åren 2005-2007. Varför dessa år har valts är för att det har använts i den tidigare studien, men även för att finansiella nyckeltal påverkas av externa faktorer som till exempel finanskrisen, därför går inte år 2008 att tas i beaktning.

Det finns även övriga icke finansiella faktorer som kan påverka ett företags ekonomiska situation som bland annat består av kvalité på ledningen, produkter, bankrelationer etc. dessa övriga faktorer kommer inte att behandlas i denna uppsats.

(13)

6

2. Teoretisk referensram

I kapitel 2 behandlas det olika teoretisk angreppssätten som denna uppsats innefattar. En presentation om vad nyckeltal är, hur dessa används samt den kritik som finns mot dessa redogörs i detta kapitel.

Därefter presenteras tidigare studier som gjort inom ämnesområdet konkursprognostisering, för att slutligen presentera den konkursprognostiseringsmodell som har applicerats i denna uppsats.

2.1 Inledning

Nyckeltal är jämförelsetal vars syfte avser att beskriva komprimerad information av ett förhållande. De berör de särskilt viktiga delarna av verksamheten, detta för att kunna bedöma verksamhetens ekonomiska ställning och möjliga utveckling på kortare och längre sikt. Det som kännetecknar ett nyckeltal är att det är ett tal samt att det beskriver något vi är intresserade av. För att bilda ett nyckeltal måste intresset delas upp och jämföras med något, uppställningen blir därför följande:

Intresse/jämförelsebas

Den primära informationen hos företagen kan utforma nyckeltalen, som kan vara allt från personalomsättning till skuldsättningsgrad¹⁴. Enligt praxis används nyckeltal i samband med företagsbedömningar och de är numera en del av redovisningsinformationen som finns tillgänglig om företag. De första studierna om nyckeltal går att hämta enda från 30-talet, men har efter undersökningar på 60-talet av bland annat Beaver och Altman, blivit ännu mer omfattande beträffande konkursprediktioner. Ett flertal forskare har reviderat och granskat ursprungsmodellen för att finna nyckeltal som förutsäger kommande konkurser och som är av vikt för olika typer av företag och omständigheter, som bransch och storlek¹⁵.

2.2 Nyckeltal

Beräkning av nyckeltal innebär att kvotmått beräknas fram med hjälp utav redovisningsinformation från årsredovisningar, sedan görs en analys för att möjligen hitta skillnader mellan företags resultat angående nyckeltalsberäkningar till påföljd av olika ekonomiska förhållanden. Tillämpandet av nyckeltal vid konkursförutsägelser och riskbedömning går ut på två grundantaganden. Det första antagandet är att

14 Catasús, B, Gröjer, J.E, Högberg, O och Johrén, A. (2008). Boken om nyckeltal, Liber, Malmö, Sid. 16‐17.

15 Edward I. Altman, Predicting financial distress of companies; Revisiting the Z-score and Zeta models (1977);

http://pages.stern.nyu.edu/~ealtman/Zscores.pdf

(14)

7 nyckeltal antas skilja sig mellan företag som riskerar konkurs och företag som är solida. Det andra antagandet handlar om att denna skillnad går att tillämpa på prediktionsberäkningar för att kunna bedöma vilka företag som är i farozonen för att gå i konkurs, med andra ord de företag som riskerar att inte kunna betala tillbaka sina skulder. Ifall grundantaganden är berättigade skall vetskap om skillnaden i utfall påpeka ifall en konkursrisk är i närmande eller inte¹⁶.

2.3 Nyckeltalskategorier

Det finns fem stycken olika kategorier som finansiella nyckeltal vanligen delas in i och dessa är;

kapitalstruktur, likviditet, lönsamhet, kassaflöde och tillväxt. En mer ingående beskrivning av dessa kommer att presenteras nedan.

2.3.1 Kapitalstruktur

Visar fördelningen av eget kapital och upplånade pengar i ett företag. Nyckeltal som visar företags kapitalstruktur är skuldsättningsgraden. Överskrider skulderna företagets tillgångar är företaget insufficient och har i och med det använt sitt eget kapital, då har de en hög skuldsättningsgrad. Soliditet är det vanligaste använda nyckeltalet när det kommer till mått inom kapitalstruktur. Soliditeten beskriver ett företags långskitiga betalningsförmåga, till exempel förutsättningar att betala ränta på lån och amortering¹⁷.

2.3.2 Likviditetsmått

Likviditetsmått visar ett företags kortsiktiga betalningsförmåga genom att företagets kassalikviditet räknas ut. Det gör man genom att jämföra kontanta medel/kortfristiga skulder och dess likviditet. Talen visar ifall ett företag på kortsikt kan betala tillbaka till exempel leverantörsskulder. Försvagande faktorer för likviditeten är investeringar, förluster, amortering på lån, utdelning till ägaren samt växande varulager¹⁸.

16 Foster, George. Financial statement analysis (2 ed.). London: Pentice-Hall international. 1986.

17 Modigliani, F. & Miller, M. (1963) “Corporate Income Taxes and the Cost of Capital: A Correction”. The American Economic Review. Vol. 53, No. 3, Sid. 433‐443.

18 Broomé, Elmér och Nylén. (1996). Kreditgivning till företag, Studentlitteratur: Lund, Sid. 183.

(15)

8

2.3.3 Lönsamhetsmått

Detta mått sätter företagets vinst i förhållande till andra finansiella tal exempelvis försäljning eller satsat kapital, med syfte att bedöma om resultatet är förmånligt eller inte. Ett företags vinst mäts med absoluta tal och hänsyn till företagets storlek tar de talen ej hänsyn till. Syftet med detta är att granska om

företagets resultat är tillfredställande eller inte. Det kan vara komplicerat att mäta lönsamheten när företag låter vinsten återinvesteras i företaget exempelvis i form av nyinvesteringar¹⁹. Denna problematik gör lönsamhetsmåttet till ett av de mer svåra nyckeltalen att mäta och jämföra²⁰.

2.3.4 Kassaflödesmått

Det här måttet är vanligt vid en analysering av en verksamhet och metoden kallas för kassaflödesanalys.

Kassaflödesmåttet uppvisar förändringarna under ett år, men också hur kapital använts och anskaffats under årets gång. Kassaflödet går att mätas gentemot bland annat totala tillgångar, försäljning och skulder. Kassaflödesanalysen visar företagets återbetalningsförmåga samt hur överskottet har används till att finansiera amortering samt ränta vid kreditgivning. En analysering av ett företag kan enkelt göras om nyckeltalet jämförs mellan åren. Om siffran är tillfredställande är förutsättningar bra för att företaget kommer att fullfölja betalning av sina banklån, men om siffran försämras flera år i rad är företaget troligtvis på väg mot bristande betalningsförmåga²¹.

2.3.5 Tillväxt- och omsättningsmått

Tillväxtsmåttet mäts vanligtvis med den procentuella ökningen av omsättningen, samt förändringen i totala tillgångar och förändringen i försäljningen. Antalet anställda kan även illustreras i tillväxten.

Omsättningen har fokus på den procentuella omsättningstillväxten, som kan vara en ökning eller minskning. Även inventarier samt kundfordringar räknas till omsättningen.

19 SEB Företagarguiden.

20 Ross, Stephen A, m.fl. (2005) Corporate Finance, Seventh Edition, McGraw Hill. Kap 1.

21 Broomé, Elmér och Nylén. (1996). Kreditgivning till företag, Studentlitteratur: Lund, Sid. 37-39.

(16)

9

2.4 Användning av nyckeltal

Det var först under mitten av 1900-talet som tekniken för nyckeltal påbörjade sin utveckling och bli användbar. För ungefär 100 år sedan tillämpades nästan enbart ett nyckeltal, detta nyckeltal var balanslikviditeten och det användes i förstahand till att granska kreditvärdighet. I dagsläget tillämpas olika nyckeltal av flertal aktörer och över åren har finansiella nyckeltal visat sig vara lämpliga i empiriska studier därför att företag under finansiell oro kan separeras från finansiellt friska företag²². Finansiella nyckeltal används för att uppskatta framtida variabler som exempelvis vinst, dessa används av banker, analytiker och revisorer, men också av forskare som via statistiska modeller kan göra värderingar i form av riskbedömning och kreditvärdighet²³. De finansiella nyckeltalen används för olika typer av syften till exempel bedömning av ett företags förmåga att kunna återbetala sina skulder samt för att hjälpa företagare att kontrollera och utvärdera företagets ekonomiska förhållanden, ledning och verksamhet. En nyckeltalsanalys är ett viktigt finansiellt verktyg för ekonomer, eftersom den fort kan visa ett företags ekonomiska ställning²⁴. Nyckeltalen är inte enbart tillämpningsbara vid analyser för ekonomin tillbaka i tiden, utan de är även ett verktyg för planering av en kommande budgetar.

Ytterligare ett ändamål som nyckeltalen har är att de kan ge oss mer kunskap om vilka förbindelser som företeelser har till varandra och i och med det leda till framgång. Ifall det existerar ett positivt samband mellan exempelvis försäljning och personalutbildning kan en högre stimulering av det personalutbildning leda till ett högre värde på försäljningen. Nyckeltalen måste samtidigt ständigt analyseras för att kunna avgöra vilka faktorer som är mest resultatrikast för det specifika företaget.

Ändamålet med användandet av nyckeltal är koncist att de ska kontrollera prestationer, underlätta diagnosen av en situation samt främja en bättre framtidsplanering och mäta företagets status över tiden²⁵.

22 Beaver, William H. (1966). ”Financial Ratios as Predictors of Failure”, Journal of Accounting Research, No. 3, Vol. Sid.

71‐111.

23 IBID Sid. 71‐111.

24 Rock, Bo. (1995). Nyckeltalens ABC, Ernst & Young, Stockholm, Sid. 5‐8.

25 IBID Sid. 5‐8.

(17)

10

2.5 Kritik mot nyckeltal

En del kritik finns gällande nyckeltal samt tillämpningen av de och det är viktigt att ha kunskap om detta. Nyckeltal kan vara framräknade enligt olika värderingsmetoder nämner Pinches med flera 1975²⁶, men de kan också vara medvetet korrigerade eller förskönade av en eller annan orsak. Då nyckeltal är en förenkling av verkligheten och inte speglar den exakta realiteten får dessa inte ses som fasta beslutsavgörare. De skall användas som hjälpmedel eller som riktlinjer. En bra realistisk överblick kan fås genom att flera olika nyckeltal används, dock finns det en risk med detta sätt och det är att tillvägagångssättet blir alltför invecklad och krånglig vilket gör att intresset för analysen kan sjunka. Ett ytterligare problem är att ett informationsöverskott kan uppstå när nyckeltalen blir för omfattande, eftersom att för mycket information blir för komplicerat att handskas med samt att det kan göra det svårare att fatta beslut. Datainsamling av väsentligtdata för företagets finansiering kan vara alltför tidskrävande, måtten ska därför ses som indikatorer istället för en absolut verklighet, samt att nyckeltalen alltid är anpassbara till det ägaren vill mäta. Det är inte rimligt att lägga ner tid på en alltför omfattande analys, då den tar tid från andra viktiga och aktiviteter som kräver tid, för att få företaget att överleva²⁷. Det är även viktigt att ha kännedom om att de analyserade talen inte alls speglar hel verksamheten.

2.6 Tidigare studier

Det har skapats olika modeller samt utförts forskning för konkursprognostisering sedan 1960-talet. I de tidigare studierna användes enbart nyckeltal ifrån särskilda år för att därefter utveckla det till ett spann av år.²⁸ På 1950- och 1960- talet i Amerika bedrevs det i stor omfattning forskning inom ämnesområdet, där forskare med hjälp utav nyckeltal samt ekonomisk data ville skapa prognosmodeller för att förutsäga konkurser. Resultatet av deras studier visade att konkursföretag uppvisade siffror som är väsentligt avvikande ifrån företag med god finansiellhälsa redan flera år innan konkurs var ett faktum²⁹. De olika modellerna har bidragit till att forskningen om konkursprognostisering utvecklats och generellt delas uppfattningen av flera forskare att företagen ska klassificeras i två grupper konkurs och icke konkurs.

När grupptillhörlighet ska bestämmas i undersökningar brukar metodens betydelsefullaste del att förutspå tillhörigheten, vara ett antal variabler, denna klassifikation har lett till den diskriminerade

26 Pinches, A, Eubank, K, Mingo, J Caruthers. (1975). ”The hierarchical classifications of financial ratios”, Journal of Business Research.

29 Koponen, Anja. (2003). Företagens väg mot konkurs, Företagsekonomiska Institutet, Stockholm Universitet, Research Report, 2003:9, Sid. 52.

(18)

11 metoden³⁰. I denna kategori av metoder är diskriminant analys, Altman1968; Deakin 1972; Dambolena m.fl. 1980 m.fl., den metoden som är vanligast för konkursprognostisering. Det finns alternativ till diskriminant analysen och det är logit/probit analysen, Ohlson 1980; Ward 1994; Platt 1972; Gilbert 1990, samt linjära sannolikhetsmodellen, Vranas 1992, som också hör till denna klass.³¹

2.6.1 Diskriminant analys

2.6.1.1 William Beaver

William Beaver var en av pionjärerna inom området, han utförde forskning där enskilda/individuella nyckeltal hämtades ifrån företags balans- och resultaträkningar för att sedan tillämpas i en univariat metod. Beavers urval bestod av 79 industriföretag som hade misslyckat mellan åren 1954-1964, där ekonomisk data hämtats från fem år innan konkursen. För att inte missvisande effekter som exempelvis bransch- och storlekskillnader inte skulle uppstå matchades varje företag med ett annat företag med god finansiellhälsa, det vill säga ett kontrollföretag. Kontrollföretagen var framgångsrika, från samma bransch samt storleksklass. Data som samlats in behandlades i en jämförelseanalys och därefter undersöktes sedan skillnaden mellan dessa. Resultatet visade att konkursföretag hade ett lågt kassaflöde, låg nettovinstmarginal samt hög skuldsättning³².

Beaver konstaterade att alla finansiella nyckeltal inte är lika effektiva på att förutsäga konkurser och att de enskilda nyckeltalen kan ange olika samt oklara resultat.

2.6.1.2 Edward Altman

Metoden förfinades av Edward Altman 1968 som istället för att använda sig utav en univariat modell använde sig av en multipel diskriminant analys. Denna metod var bättre i det avseende att den kan användas med flera olika nyckeltal³³. Altmans modell kallas för ”The Z-score model” som än idag under utveckling, och är en av byggstenarna till bankernas klassificering vid kreditbedömning. Denna metod är väletablerat vertyg hos banker, revisor, investerar samt portföljförvaltare när dessa ska förutsäga konkurser hos företag samt privatpersoner³⁴. Altmans första studie bestod av 30 konkursdrabbade

30 Dimitras, A.I, Zanakis SH, och Zopounidis, C. (2004). “A survey of business failures with an emphasis on prediction methods and industrial applications,” European Journal of Operational Research 90, 1996, Sid.

487-513.

31 Charitou, A., Neophytou, E., Charalambous, C. (2004). ”Predicting Corporate Failure: Empirical Evidence for the UK”, European Accounting Review, Vol 13, No. 3, Sid. 465-497.

32 Beaver, William H. (1966). ”Financial Ratios as Predictors of Failure”, Journal of Accounting Research, No.

3, Sid. 71-111.

33 Altman, Edward I. (1968). ”Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy”, The Journal of Finance, Vol. 23, no. 4, Sid. 589‐609.

34 Körner, Svante och Wahlgren, Lars. (2005). Statistiska metoder, Studentlitteratur, Lund, Sid. 183.

(19)

12 företag och 30 framgångsrika företag, där Altmans beroende variabler var företagen och de oberoende var nyckeltalen, som var 22 stycken, nyckeltalen kallas även för diskriminanter. Med diskriminanterna och med hjälp av koefficienter skapas en diskriminantfunktion som ger varje observation en poäng, det vill säga ett Z-värde. Detta Z-värde kategoriserar sedan företag mellan konkurs- eller icke konkursmässiga. Resultatet av Altmans studie visade att i 95 % av fallen kunde konkurs förutsägas³⁵. Den slutgiltiga diskriminatfunktionen bestod av fem kombinationstal som presenteras nedanför:

Z = 0,012*X1 + 0,014*X2 + 0.033*X3 + 0.006*X4 + 0.999*X5 X1 = Working Capital / Total Assets.

Arbetande Kapital/Totala Tillgångar: Mäter likvida medel i förhållande till företagets storlek; betalningsberedskap.

X2 = Retained Earnings/Total Assets

Kumulativ vinst/Totala tillgångar: Mäter lönsamhet som återspeglar företagets ålder och intjäningsförmåga; lönsamhet på lång sikt.

X3 = Earnings Before Interest and Taxes / Total Assets

Vinst före räntor och skatter/Totala Tillgångar: Mäter kapitalavkastning.

X4 = Market Value of Equity / Book Value of Total Liabilities.

Marknadsvärde på aktier/Bokförda totala skulder: Soliditet X5 = Sales/Total Assets.

Omsättning/Totala tillgångar: Standard mått; Kapitalets förmåga att producera resultat.

För att avgöra ifall ett företag ligger i riskzonen för konkurs används företagens nyckeltal ifrån resultat- och balansräkningarna och dessa sätts i formeln. Ifall värdet är lägre än Altmans Z-värde löper företaget risk för att hamna i konkurs och tvärtom. De nyckeltal som visade sig vara avgörande i studien var EBIT/Totala tillgångar, försäljning/totala tillgångar samt soliditeten. Den skillnad som finns mellan Beavers univariata studie och Altmans studie är att Altmans studie visade att försäljning var en viktig variabel, medan den visade sig vara obetydlig i Beavers studie. Den kritik som riktas mot studien är bland annat åldern på modellen, urvalet för att det var relativt få företag samt att det skulle minska effekterna i dagens granskningar av företags finansiella hälsa.

Multipel diskiminant analysen utvecklades under de kommande decennierna, där Altman och Loris 1976 utförde en studie med fler företag än tidigare och med sex stycken nyckeltal som hade minskats ifrån 30 stycken. Studiens resultat var en noggrannhet på 90 % och de fastlog kriterier som stämde

35 Altman, E. (1968). ”Financial ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy”, The Journal of Finance, Vol. 23, no 4, Sid. 589‐609.

(20)

13 överens med ett konkursdrabbat företag. Ett konkursbenäget företag kännetecknas av följande enligt forskare; företagets ålder, nettoförluster som är upprepade, för stort upplånat kapital samt kraftigt reducerat eget kapital³⁶. Denna analys har styrkts av flera forskare.

2.6.1.3 Deakin

Deakin, 1972, hävdar att konkurser kan förutsägas tre år i förväg med hög sannolikhet. Med en sådan förmåga kan de företag som hamnar i finansiellkris vidta åtgärder för att motverka en konkurs. Det tillförlitligaste resultatet som Deakin fick var två år innan konkurs med en felmarginal på 10 %. De nyckeltal som var avgörande då var; skuldsättningsgrad, kassaflöde samt nettomarginal, dock bör det tas i åtanke att populationen var relativ liten och senare observationen bör göras för att öka studiens validitet³⁷.

2.6.1.4 Dambolena & Khoury

Efter ett antal år utvecklades analysen ytterligare av Dambolena och Khoury, 1980, där det skapades en tillförlitlighet på 78 % på klassifikationen mellan 68 stycken företag fem år innan de hamnade i obestånd. Det användes 19 nyckeltal från 4 år men skillnaden gentemot tidigare studier var måttet standardavvikelse. Det resultat som konkursdrabbade företagen fick var en standardavvikelse mellan 0 och 0,06 vilket innebär att det är ett trovärdigt resultat. Forskarna fann flera variabler som var avgörande, men huvudsakligen visade sig avkastningen var den väsentligaste. Analysens korrekthet blev 1, 3 samt 5 år innan konkursen 87 %, 85 % och 78 %³⁸.

2.6.1.5 Fulmer

Ytterligare en forskare som utförde en studie med en multipel diskriminant analys var Fulmer 1984.

Fulmer använde sig av 40 nyckeltal på 60 företag och det resultatet visade en noggrannhet på 98 % ett år före konkurs. Med mer än ett års förutsägelse fick Fulmer en noggrannhet på 81 %. Av de 40 nyckeltal Fulmer använde sig utav visade det sig enligt honom att 9 variabler i kategorierna lönsamhet, kassaflöde, kapitalstruktur samt omsättning visade skillnaden bäst mellan företagen³⁹.

36 Altman, Edward I och Loris, Bettina. (1976). ”A financial early warning system for over‐the‐counter broker‐dealers”, The Journal of Finance, Vol XXXI, NO.4, Sid.1201-1217.

37 Deakin, Edward B. (1972). ”A Discriminant Analysis of Predictors of Business Failure”, Journal of accounting research, vol:10 iss:1, Sid. 167‐179.

38 Dambolena, Ismael G. and Khoury, Sarkis J. (1980). ”Ratio Stability and Corporate Failure”, The Journal of finance, vol:35 iss:4, Sid. 1017‐1026.

39 Fulmer, John G. Jr., Moon, James E., Gavin, Thomas A., Erwin, Michael J. (1984). "A Bankruptcy Classification Model For Small Firms". Journal of Commercial Bank Lending, Sid. 25-37.

(21)

14 2.6.1.6 Lennox

Lennox, 1999,undersökte orsakerna bakom konkurser hos 949 brittiska börsnoterade företag och han antydde att lämpligheten med en diskriminant analys bygger på två antagande: Att informera i form av att variabler måste antas vara normalfördelade samt att proverna kan dras slumpmässigt från respektive populationer, det vill säga konkurs och icke konkurs. Det resultat som studien kom fram till var att skuldsättningen var avgörande ⁴⁰.

2.6.1.7 Gu

Under början av 2000-talet fann Gu (2002) att kapitaltäckningen delade in företag i restaurangbranschen i grupper och därmed visade upp en multipel diskriminant analys med en noggrannhet på 92 % korrekthet. En kombination av nyckeltalen nettoresultat/skulder samt skulder/tillgångar delar in företagen i kategorierna⁴¹.

Den kritik som finns mot denna typ av analysmetod är att den enbart lämpar sig för större företag⁴² och innehåller ett begränsat statistiskt krav⁴³. Kritiken som har uppstått har gett grund till nya teorier, vilka kombinerar metoden fast med andra tekniker, detta för att få högre tillförlitlighet. Dessa nya tekniker är följande; Logistisk regression (Logit), Probit regression, Neural Network

2.6.2 Logistisk regression

Logit analyser är vanligast efter diskriminant analysen, dessa modeller baseras sig på en kumulativ sannolikhetsfunktion. Metoden anger sannolikheten för att ett företag ska tillhöra en av ovanstående kategorierna det vill säga konkurs eller icke konkurs⁴⁴.

40 Lennox, C. (1999). “Identifying failing companies: A re‐evalution of the logit, probit and MDA approaches”, Journal of Economics and Business, 51(4), Sid. 347-364.

41 Gu, Zheng (2002). “Analyzing bankruptcy in the restaurant industry: A multiple discriminant model”, Hospitality Management 21, 25–42.

42 Koponen, Anja. (2003). Företagens väg mot konkurs, Företagsekonomiska Institutet, Stockholm

43 Charitou, A., Neophytou, E., Charalambous, C. (2004). ”Predicting Corporate Failure: Empirical Evidence for the UK”, European Accounting Review, Vol 13, No. 3, Sid. 465‐497.

44 Dimitras, A.I, Zanakis, S.H. och Zopounidis, C. (1996). “A survey of business failures with an emphasis on prediction methods and industrial applications,” European Journal of Operational Research 90, Sid. 487‐513.

(22)

15 2.6.2.1 Ohlson

Det var Ohlson, 1980, som var pionjären med att använda sig av denna typ av analys, Ohlson jämförde 105 stycken konkursdrabbade företag med 2058 stycken framgångsrika företag. Han började med nio variabler, utav de nio var det tre stycken som var mest betydelsefulla, och dessa var; skuldsättningsgrad i relation till totala tillgångar, avkastning på eget kapital och företagets storlek i form av tillgångar.

Resultatet av studien blev en korrekthet mellan 92-96%⁴⁵.

2.6.2.2 Platt & Platt

Ett decennium senare utför Platt och Platt,1990, en logitanalys och fick ett resultat med 90% korrekthet.

De variabler som visade sig vara viktiga var; kassaflöde/försäljning samt skuld/totala tillgångar enligt forskarna⁴⁶.

2.6.2.3 Kolari

Ungefär tio år senare fastställer Kolari m.fl. 2002, genom en logitanalys att nyckeltal inom dessa kategorier; skuldsättning, lönsamhet samt soliditet skiljer sig åt mellan företagsgrupperna⁴⁷.

2.6.2.4 Charitou

Två år senare har Charitou m.fl. 2004, försökt att förfina tekniken ännu mer, och huvudorsaken till varför företag misslyckas är att de inte klarar av att betala tillbaka sina ränteskulder och lån. Detta innebär att kassaflödet från den operationella verksamheten inte räcker till.

Med en databas som är mer aktuell än tidigare samt en annan typ av metod försöker forskarna att tillämpa en logitanalys samt en Neutral Networks analys med hjälp utav olika kassaflödesbaserade nyckeltal för att hitta nya metoder som kan förutsäga konkurser. Charitous studie från 2004 är relativt ny och den behandlar företag mellan åren 1988 till 1997. Resultatet han fick visar att det fanns tre finansiella variabler som var signifikanta för att förutspå konkurser och dessa är; kassaflöde, lönsamhet samt en finansiell hävstång, med andra ord företagets kapitalstruktur. Dessa variabler bildade en korrekt klassifikation med 83 % mellan företagen ett år före konkurs.

45 James A. Ohlson (1980); “Financial ratios and the probabilistic prediction of bankruptcy”, Journal of Accounting Research Vol. 18 No.1, 109-130

46 Platt, Harland och Platt, Marjorie. (1990). ”Development of a class of Stable Predictive Variables: the Case of Bankruptcy Predictions” Journal of Business Finance & Accounting, 17, Sid. 31-51.

47 Kolari, James, Glennon, Dennis, Shin, Hwan, Caputo, Michele. (2002). “Predicting large US commercial bank failures”, Journal of Economics and Business 54, Sid. 361–387.

(23)

16 2.6.2.5 Kim & Gu

Några år senare utvecklade Kim och Gu 2006, studien från 2002 genom att samma data användes i en logistik analys för att utvärdera den lämpligaste metoden. Deras resultat visade en korrekthet på 94 % ett år före konkurs. Kim och Gu hävdar att det viktigast är att inta försiktighet i finansiering samt hålla nere driftkostnaderna. För att minimera konkursrisken ska man enligt logtimodellen se över hur man finansiera sina tillgångar, med andra ord kapitalstrukturen. Kim och Gu förespråkar slutligen logitmodellen och menar att den ska föredras före en multiple diskriminant analys eftersom dess sundhet är bättre⁴⁸.

2.6.3 Sammanfattning av tidigare forskning

En sammanfattning av tidigare forskning har gjorts och sammanställts i en tabell, för att det ska vara överskådligt. Tabellen visar vilket land, metod, antal variabler samt korrekt klassifikation. Denna tabell visar den tidigare forskningen inom området som har haft mest betydelse för ämnesområdet⁴⁹.

Tabellen går att se på nästa sida.

48 Kim, Hyunjoon, Gu, Zheng, (2006). Predicting Restaurant Bankruptcy: A Logit Model in Comparison with a Discriminant Model” Journal of Hospitality & Tourism Research, Vol. 30, No. 4, Sid. 474-493.

49Tabell hämtad från:Charitou, A., Neophytou, E., Charalambous, C. (2004). ”Predicting Corporate Failure: Empirical Evidence for the UK”, European Accounting Review, Vol 13, No. 3, Sid. 465-497.

(24)

17 Tabell nr 1

Summerande tabell av tidigare forskning

Författare Land/Region Bransch Metod Initiala Variabler Förklarande variabler

Korrekt klassifikation Konkurs %

Korrekt klassifikation Ej Konkurs %

Korrekt klassifikation Totalt %

Beaver 1966 USA Olika MDA 30 3 79 79 87

Altman1968 USA Tillverk. MDA 22 4 94 97 95

Deakin 1972 USA - MDA 14 3 97 97 97

Altman och Lorris 1976

USA Bank MDA 5 4 90 90 90

Altman, Haldeman,Na rayanan 1977

USA Tillverk.F

örsäljning

DA 10 1 96 90 90

Ohlson 1980 USA Tillvek. Logit 9 3 105 st 2,058 92

Dambolena, Khoury 1980

USA Tillvek

Förslijnin g

MDA 19 8 89 100 95

Fulmer 1984 USA Olika/tillv erkning

MDA 40 9 30st 30st 98

Zmijewski 1984

USA - Probit 6 3 40st 800st -

Aziz 1988 USA Olika Logit 12 2 93 86 90

Platt,Platt 26 2 93 86 90

USA Olika Logit 26 2 93 86 90

Raghupathi m.fl. 1991

USA Olika NN 13 3 51st 51st 86

Lennox 1999 UK Olkika MDA 6 1 160st 789st 95

Laitinen 2000 USA Olika Logit 10 3 80 79 79,8

Nam, Jinn 2000

Korea / Asien - Logit 10 3 80 74 77

Grice, Ingram 2001

USA Olika MDA 5 4 96 79 84

Beynon, Peel 2001

UK Tillverk VPRSm

.m

12 4 86,7 96,7 91,7

Kolari m.fl.

2002

USA Bank Logit 28 3 18st 1061st 95

Gu 2002 USA Restaur

ang

MDA 7 2 89 94 92

Becchetti m.fl. 2003

Italien Olika Logit 9 8 25st 4081st 95

Charitou m.fl. 2004

UK Industri Logit/N

N

44 3 51st 51st 83

Cielen m.fl.

2004

Belgien Olika/BA nk

MDA 11 11 90st 276st 85

Pompe m.fl.

2005

Belgien Industri MDA/N

N

45 8 71 75 73

Young, Yue 2005

USA Olika Isot.se

o.m.m

23 10 24 28 -

Kim, Gu 2006 USA Restaur

ang

MDA 7 2 18st 18st 92

Chi, Tang 2006

Asien Olika/Ex

port

Logit 24 8 60st 80st 86

(25)

18 Tabellen visar att multipel diskriminant analysen dominerade mellan 1960 och 1980-talet. Medan logitanalysen var aktuell under 1990 fram till 2000-talet. Den totala korrekta klassifikationen ligger runt 90 %. Många studier har använt sig av 20-40 stycken oberoende variabler, det vill säga nyckeltal. Detta för att sedan få fram vilka av dessa variabler som gett en högre signifikans vid gruppklassificeringen. De flesta av studierna har genomförts i USA med amerikanska företag och databaser.⁵⁰

2.7 Teorisammanfattning

Det som är gemensamt för alla forskare är att ytterligare forskning behövs inom området, med nya angreppsätt, metoder, infallsvinklar. Ett stort problem är att studierna har olika resultat och att man inte kan fastställa vilken analysmetod som är den lämpligast⁵¹. Foskare inom området väljer olika nyckeltal och de kan då bli överlappande, nyckeltal har reducerats och slagits samman eftersom de indikerar på liknade resultat⁵². Den tidigare forskningen som har gjorts visar att nyckeltal inom kapitalstruktur, lönsamhetsmått och kassaflödesmått har stor betydelse, men en enighet om vilka specifika nyckeltal som genererar högst värde och bäst anvisar konkurs därtill i vilken ordning de är betydelsefulla saknas idag. Det som har påvisats är att nyckeltal genom åren kan minska samt öka i betydelse samt att medelvärdet förändras över tiden, detta innebär att en modell fort kan bli inaktuell. Då ekonomin ständigt förändras och att företag påverkas av olika faktorer, innebär det att företagens förutsättningar förändras.

50 Mittuniversitetet Östersund, Institutionen för samhällsvetenskap, Företagsekonomi AV, Magisteruppsats 15 hp;

http://miun.diva-portal.org/smash/get/diva2:224687/FULLTEXT01

51 Altman, Edward I. (1968). ”Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy”, The Journal of Finance, Vol. 23, no. 4, Sid. 589‐609

52 Chen, Kung H. (1981). “An Empirical Analysis of Useful Financial Ratios”, Financial management, Vol 10, No. 1, Sid. 51.

(26)

19

2.8 Tidigare svensk studie

Konkursprognostisering: En empirisk studie av småföretag i Sverige författare: Carina Linder och Therese Norrbelius.

Den tidigare studien baserar sig på konkursprognostisering och dess historik, där problemet diskuteras som det har redogjorts i denna uppsats. Syfte med deras studie är; Syftet med studien är att urskilja de nyckeltal vilka indelar konkursdrabbade svenska småföretag från icke konkursdrabbade.

Prognostiseringen handlar om att finna indikationer i företagens finansiella och ekonomiska data vilka i sin tur avslöjar företagets hälsa”. Avgränsning i deras studie har efterliknats i denna studie, för att pröva om deras konkursprognostiseringsmodell går att applicera på en mindre population och urval, då deras studie omfattar alla små företags i Sverige har deras studie ett större perspektiv. Urvalet i deras studie består av 521 konkursföretag och 521 icke-konkurs företag som ska representera alla små företag i Sverige, och uppsatsen baserar sig på tidigare studier. De har använt sig av tre stycken statistiska analysmetoder som är följande: anova-test, multipel diskriminant analys samt en korrelationsanalys.

Anova-test användes för att minska antalet variabler samt för att plocka ut de mest betydelsefulla. Med den multipla diskriminant analysen diskriminerades variablerna mellan grupperna utifrån de utvalda oberoende variablerna. De oberoende variablerna i deras är studie är nyckeltalen och det beroende variablerna är företagen som har klassificerats som dummy variabler där beteckningen 0 står för konkursföretag och 1 för icke konkursföretag. Slutligen utfördes en korrelationsanalys för att kontrollerar ifall de oberoende variablerna var multikonlinjära, med andra ord korrelerar med varandra.

De hade 30 stycken nyckeltal som är tagna ifrån tidigare modeller och alla dessa statiska tester utfördes för att få fram de nyckeltal som är mest signifikanta. Efter alla tester fick de fram dessa nyckeltal;

(27)

20 Resultat och slutsats från den tidigare svenska studien⁵³

Variabler Kategori År 1 År 2 År 3

X2Skuldsättningsgrad Kapitalstruktur X(4)

X3. Totala skulder/Totala tillgångar " X(3) X(1)

X4. Kontanta tillgångar/Totala tillgångar " X(7) X(3)

X5. Soliditet " X(2)

X7.Kontantamedel& kundfodringar/kortfristiga skulder Likviditet X(2)

X9. Räntabilitet Lönsamhet X(1)

X12. Bruttovinstmarginal " X(10) X(6)

X17. Försäljning/totala tillgångar Kassaflöde &

Effektivitet

X(5)

X18. EBIT/Totala tillgångar " X(12)

X19. EBIT/Totala skulder " X(11)

X20. Ålder X X(5)

X 24. Behållen inkomst/Totala tillgångar ” X(6) X(1) X(4)

X 25. Företagets storlek av Försäljning Omsättning X(9)

X29. Inventarier/Försäljning ” X(8)

Nyckeltalen kunde prognostisera konkurs upp till cirka 90 % ett år före konkurs, cirka 60 % två år före konkurs samt cirka 70 % tre år före konkurs. Deras slutsats uppvisar att en konkurs är en process och det sker under ett flertal år.

En kapitalstruktur i ett företag som är ogynnsamt leder till finansiella problem, som i sin tur följer med i nästa års resultat. Studien visar också att om ett företag har problem med kapitalstrukturen får företag även problem med räntabiliteten och behållen inkomst/totala tillgångar. Alla siffror som denna studie har behandlat finns systematiskt genom tiden och de visar att de inte beror på slumpen. De viktigaste variablerna enligt studien är inom skuldsättnings/kapitalstruktur, räntabilitet samt företagens ålder har stor innebörd. Måtten som har mindre betydelse är tillväxt och kassaflöde.

(28)

21

2.9 Modell & beskrivning av nyckeltal.

Modellen är hämtad från den tidigare svenska studien, dock har två stycken nyckeltal sorterats bort, varför dessa utelämnats redogörs mer ingående i metodkapitlet.⁵⁴

Variabler Kategori

X1. Skuldsättningsgrad Kapitalstruktur

X2. Totala skulder/Totala tillgångar "

X3. Kontanta tillgångar/Totala tillgångar "

X4. Soliditet "

X5. Kontanta medel & kundfodringar/kortfristiga skulder Likviditet

X6. Räntabilitet Lönsamhet

X7. Bruttovinstmarginal "

X8. Försäljning/totala tillgångar Kassaflöde & Effektivitet

X9. EBIT/Totala tillgångar "

X10. EBIT/Totala skulder "

X11. Ålder X

X12. Inventarier/Försäljning Omsättning

X1. Skuldsättningsgrad: Totala Skulder/Eget kapital, visar betalningsförmåga på lång sikt, lägre skuldsättning ger högre finansiell styrka för företag.

X2. Totala skulder/Totala tillgångar: Visar skuldernas storlek i förhållande till tillgångarna samt mäter hur stor del av dessa som har finansierats med skulder.

X3. Kontanta tillgångar/Totala tillgångar: Visar kassans andel av de totala tillgångarna.

X4. Soliditet: Andel Eget kapital/Totala tillgångar, beskriver den betalningsförmågan på lång sikt för ett företag.

X5. Kontanta medel & kundfordringar/kortfristiga skulder: Visar ett företags kassalikviditet, kortsiktiga betalningsförmågan, med andra ord hur kassa samt bank täcker de kortfristiga skulderna.

(29)

22 X6. Räntabilitet: Avkastning på eget kapital, visar den ekonomiska avkastningen på det satsade kapitalet, benämns även som lönsamheten och är det ägarna är mest intresserade av. Visar också hur effektivt ett företag använder sina finansiella resurser.

X7. Bruttovinstmarginal: Visar hur lönsam företagets försäljning är samt hur stora marginalerna är.

Bruttoresultatet är försäljning efter avdrag för sålda varor för företag.

X8. Försäljning/Totala tillgångar: Mäter ett företags effektivitet att använda sina tillgångar i relation till försäljning. Ett högt värde gör att mindre investeringar behövs för att generera försäljning, därmed högre lönsamhet.

X9. EBIT/Totala tillgångar: Resultat före skatt och räntor/Totala tillgångar, Mäter företags effektivitet i att generera avkastning på sina tillgångar, utan påverkan av finansiella val. Nyckeltalet är användbart i avseende för att jämföra företag som befinner sig i olika skattesituationer samt olika skuldsättningar.

X10. EBIT/Totala skulder: Resultat före skatt och räntor/Totala skulder.

X11. Ålder X: Företagsålder.

X12. Inventarier/Försäljning: Nyckeltalet visar ifall inventarierna växer i onödan.