Företagsekonomiska Institutionen UPPSALA UNIVERSITET
Magisteruppsats
Kostnadseffektivitet i
Allsvenska fotbollsklubbar
En undersökning om vilka kostnadsposter som
påverkar klubbarnas målsättningar
Författare: Karl Söderman & Magdalena Tano Handledare: Robert Joachimsson
2
Sammanfattning
3
Innehåll
1. Inledning ... 5
1.1. Introduktion till målsättningar inom fotbollsklubbar ... 5
1.2. Tidigare studier ... 6
1.3. Syfte ... 6
2. Institutionell bakgrund ... 6
2.1. Allsvenskan: högsta divisionen ... 6
2.2. De svenska fotbollsklubbarnas målsättningar ... 7
2.3. Finansiell och icke-finansiell avkastning ... 8
3. Teori ... 8
3.1. Effektivitet och produktivitet ... 8
3.2. Variabler ... 9
3.2.1. Inputs ... 9
3.3. Outputs ... 11
3.3.1. Sportsliga Outputs ... 11
3.3.2. Finansiella Outputs ... 12
Överblick av variablerna och deras sammankoppling ... 12
5
1. Inledning
1Svenska fotbollsklubbar har på senare tid gått från att vara ideella föreningar till att allt mer likna kommersiella företag med ekonomiska intressen. Bolagiseringen av idrottsklubbar blev möjligt i Sverige först för cirka tio år sedan och förändringen mot allt mer affärsinriktade organisationer har sedan dess accelererat kraftigt (Persson 2009). Hammarby var en av de första svenska fotbollslagen som bolagiserades år 2001, och lyckades i och med detta räddas från en konkurs. Även Örgryte bolagiserades 2006 då klubben gått med förlust år efter år men fick möjlighet till 30 miljoner kronor genom en trio intresserade finansiärer. (Jönsson 2008) År 2007 omsatte Fotbollsallsvenskan för första gången över en miljard kronor (Landelius och Lennermo 2008:1). Men samtidigt som det rör sig om allt mer pengar är kärnverksamheten fortfarande sportslig, och det kan vara svårt att avgöra vilka insatser som leder till effekter på ett sportsligt respektive ekonomiskt resultat.
1.1. Introduktion till målsättningar inom fotbollsklubbar
Det kan förekomma olika målsättningar i fotbollsklubbar. De främsta målen borde röra antingen finansiella eller sportsliga, alternativt både och. Dessa skilda mål kan dock i stor utsträckning påverkas både negativt och positivt av varandra. Fotbollslag har fått lägga ner eller slå sig ihop med andra klubbar på grund av en otillräcklig ekonomisk situation. Det kan även hända att laget måste flyttas ner divisionsmässigt eller inte har råd att åka på matcher. En god ekonomi kan å andra sidan innebära att klubben får råd med bättre spelare och managers. Ett bra sportsligt resultat betyder dock inte nödvändigtvis ett bra finansiella resultat och vice versa. Vilka faktorer påverkar då ett finansiellt respektive sportsligt resultat?
6
outputpost där de förutsatte att klubbarnas mål var att maximera både sportsliga och finansiella resultat samtidigt. Problemet med en sådan analys är just att de förutsätter att lika mycket vikt läggs på båda resultaten och inte tar i beaktande att klubbarna kan ha olika prioriteringar.
1.2. Tidigare studier
Det har gjorts liknande studier främst på lag i den engelska högstaligan, men dock inte på den svenska. Det är svårt att applicera resultaten från studier av engelska ligan, på den svenska, i och med stora skillnader ligorna emellan. De engelska fotbollsklubbarna har varit bolagiserade sedan 1800-talet, medan detta är ett relativt nytt fenomen bland svenska fotbollsklubbar och där många klubbar fortfarande är föreningar. Lönerna skiljer sig även väsentligt i de olika ligorna, inom den engelska är löneskillnaderna mer extrema mellan toppen och botten. I den svenska ligan är lönerna inte lika höga och ligger även på en jämnare nivå. Bakom vissa av de engelska klubbarna, exempelvis Manchester United och Liverpool FC finns även stora finansiärer med enbart sportsliga intressen utan något krav på en finansiell vinst. Liknande privata finansiärer tycks inte förekomma i lika stor utsträckning i Sverige, men det är dock inte omöjligt att vissa ägare har ett större sportsligt än finansiellt intresse.
1.3. Syfte
Syftet med denna uppsats är att undersöka om det går att fastställa vilka parametrar som leder till sportslig och finansiell framgång inom allsvenska fotbollsklubbar. Genom att jämföra specifika kostnader för klubbarna och se vilka som haft störst inverkan på sportsliga och finansiella resultat, ska vi analysera vilka resurser de bör lägga tyngd på för att uppnå sina mål.
2. Institutionell bakgrund
I detta avsnitt kommer vi att närmare redogöra för hur den allsvenska ligan är uppbyggd, de allsvenska fotbollsklubbarnas uttalade målsättningar och diskutera finansiell och sportslig målsättning.
2.1. Allsvenskan: högsta divisionen
7
till segrare (SvFF 2010:9, 2 kap., §2 st2.1). Om flera lag har lika antal poäng avgörs placeringen av målskillnad och i tredje hand antal gjorda mål (SvFF 2010:9, 2 kap., §2 st2.1). De två lag som hamnar på lägst placering (15 & 16) flyttas ned till Superettan, som är ligan under Allsvenskan. Dessa ersätts istället av de två lag som placerat sig på 1:a och 2:a plats i Superettan. Det lag som hamnat på 14:e plats i Allsvenskan får sedan kvala mot det lag som placerat sig på 3:e plats i Superettan, och vinnaren efter dubbelmötet kniper den sista platsen till Allsvenskan.
Enligt Svenska fotbollsförbundets tävlingsbestämmelser (2010:23, kap 2., §21) förening på obestånd flyttas ned två serienivåer, om ej särskilda skäl enligt reglementet föreligger.
2.2. De svenska fotbollsklubbarnas målsättningar
Bland de svenska fotbollsklubbarnas uttalade mål finns det i enlighet med Vroomans (2000) teori både sportsliga och finansiella mål.
De svenska fotbollsklubbarnas finansiella mål är ofta snarlika där Hammarby IF Fotboll och Helsingborgs IF har som mål att höja sin omsättning (Inriktning och målsättningar för Hammarby Fotboll 2009:3-4, Helsingborgs IF Verksamhetsberättelse 2008:2), Hammarby IF Fotboll har också liksom Malmö FF som målsättning att få positiva resultat. AIK fotboll AB har det lite otydliga finansiella målet ”att vara Nordens mest framgångsrika klubb ekonomiskt”(AIK Fotboll AB Verksamhetsberättelse 2009:2)
De sportsliga målen är oftast tydligare där AIK Fotboll, IF Elfsborg, Hammarby IF Fotboll, Helsingborgs IF och Malmö FF alla har som mål att placera sig bland de bästa och kvalificera sig till internationella turneringar (AIK Fotboll AB Verksamhetsberättelse 2009:2, IF Elfsborgs årsredovisning 2008:2, Inriktning och målsättningar för Hammarby Fotboll 2009:4, Helsingborgs IF Verksamhetsberättelse 2008:2,MFF.se 2010-05-19). AIK, Hammarby och Malmö FF har alla också mål för att ha så mycket publik som möjligt.
Från AIK fotboll AB:s årsredovisning 2009, Inriktning och målsättningar för Hammarby fotboll 2009, Helsingborgs IF Verksamhetsberättelse 2008, IF Elfsborgs årsredovisning 2008.
8
engelska lagen att det inte finns någon korrelation mellan ligaplacering och årets resultat, vi har valt att kontrollera detta även för de svenska lagen, vilket vi redogör för i empirin.
Fotbollsklubbarna rankar inte sina målsättningar så det går inte att med en nyttofunktion undersöka om de maximerar sin nytta, däremot går det att mäta hur effektivt de utnyttjar sina resurser för att uppnå sina mål.
2.3. Finansiell och icke-finansiell avkastning
Som tidigare nämnts förutsätts företag ofta vara vinstmaximerande, vilket implicerar att de maximerar sin nytta genom att förbättra sin vinst. Sloane (1971) menar att fotbollsklubbar istället maximerar sin nytta genom sportsliga prestationer. Därför mäter bland annat Barros och Leach (2006a), Barros och Santos (2005), Haas (2003a), Haas (2003b), Kuypers och Szymanski (2000) och Kuper och Szymanski (2009) hur de sportsliga prestationerna skall maximeras och de använder således outputs som visar sportsliga prestationer. Vrooman (2000) menar att idrottsklubbar har som målsättning att lyckas både ekonomiskt och sportsligt och därför bör det finnas outputs för både finansiella och sportsliga resultat. Enligt Kuypers och Szymanskis (2000:24) undersökningar av de engelska lagen finns det inte någon konflikt mellan de båda målen. De har testat korrelationen mellan den sportsliga outputen ligaposition och den ekonomiska outputen resultat och kommit fram till att det inte finns någon korrelation över huvud taget. Detta implicerar att ett lag inta kan uppnå högre vinst genom att offra de sportsliga resultaten och inte heller att en satsning på det ena leder till det andra.
3. Teori
Denna del kommer att presentera de teorier som legat till grund för denna uppsats arbete. Först reds begreppen produktivitet och effektivitet ut, sedan följer en förklaring till de inputs och outputs som valts ut, och därefter en genomgång av olika mätmetoder som använts.
3.1. Effektivitet och produktivitet
9 Modell 3.1
Modellen är hämtad från Löfsten & Lindelöfs rapport (2005:02:24).
Modellen beskriver vägen från resurser till att målen uppnås och vad som kollas på när produktivitet och effektivitet undersöks. Produktivitet mäts alltså genom att titta på prestationerna i förhållande till resursanvändning. När effektiviteten skall undersökas sätts resurserna istället i relation till hur väl utsatta mål har uppfyllts.
3.2. Variabler
I de olika studier som har gjorts inom ämnet har många olika variabler använts av olika skäl. Det finns dock variabler som vanligtvis används för att mäta framgång som inte har använts i någon av fotbollsekonomistudierna. Nedan följer en sammanställning av finansiella inputs och sportsliga och finansiella outputs. Värt att tillägga är att det finns betydligt fler variabler som har använts men som vi har valt att inte inkludera då de inte har använts för att mäta finansiella inputs påverkan på både sportsliga och finansiella outputs.
3.2.1. Inputs
10
Bland klubbarna i de tre översta ligorna i det engelska seriesystemet fanns det mellan åren 1978-97 ett starkt samband mellan den finansiella inputen lönekostnader i proportion till det genomsnittliga i ligan och vilken position klubbarna hamnade på i seriesystemet (Kuypers och Szymanski 2000:165). Testet innehöll 40 observationer och förklaringsgraden låg på hela 0,92, vilket innebär att det med 92 % säkerhet stämmer och det finns en tydligt positiv korrelation, som de dock inte uttrycker numeriskt. Testet visar att de klubbar som investerar i högre spelarlöner får ett högre sportsligt resultat i längden. Samma test gjordes på 28 klubbar under perioden 1950-60 i England där förklaringsgraden enbart låg på 0,5 (Kuypers och Szymanski 2000:166-168). Orsaken till den betydlig lägre förklaringsgraden är enligt Kuypers och Szymanski (2000: 168) att det under den perioden fanns ett lönetak för hur mycket de bäst betalda spelarna i varje enskild klubb kunde få, vilket begränsade möjligheten för enskilda klubbar att investera i många talangfulla spelare3. En annan förklaring till varför korrelationen är så svag är att lönekostnaderna mellan lagen i urvalet skiljde sig avsevärt i de två olika perioderna. I 1950-60 undersökningen var de genomsnittliga lönekostnaderna för laget med högst lönekostnader knappt tre gånger högre än laget med de lägsta genomsnittliga lönekostnaderna. Under perioden 1978-1997 var skillnaden betydligt större då laget med de högsta genomsnittliga lönekostnaderna hade hela åtta gånger så höga lönekostnader som det lag som hade de lägsta. Enligt Kuypers och Szymanski (2000) innebär detta att desto jämnare klubbarna i en liga är ekonomiskt, desto mindre effektiva är de på att omvända sina resurser till sportsliga resultat.
2. Inköp av spelare: Även inköp av spelare har använts som input för att undersöka om det har någon effekt på de finansiella och sportsliga prestationerna. Kuper och Szymanski (2009:53-56) testade detta men kom fram till att nyinköp inte hade lika stor påverkan på resultaten som lönekostnaderna hade. Sambandet mellan ligaplacering och inköp av spelare under perioden 1978-97 var dock svagt då förklaringsgraden enbart låg på 0,16 jämfört med 0,92 för lönekostnader.
11
3. Avskrivningar: Mäter om allmänna investeringar ger förbättrade outputs. Barros och Leach (2006b) använder avskrivningar som mått på kostnaderna för arenakapital och spelarkapital. Detta för att undersöka hur mycket prisökningar på kapital påverkar de totala kostnaderna. Barros och Leach (2006b) kommer fram till att priset på spelarkapital påverkar rörelsekostnader men inte i lika hög grad som kostnader för spelarlöner som påverkar rörelsekostnaderna mer. Undersökningar på avskrivningars effekt på sportsliga och finansiella outputs har dock inte gjorts.
4. Totala kostnader: Testar om fotbollsklubbar kan förbättra sina sportsliga och finansiella outputs genom att förstora den totala verksamheten. Även detta mått har testats av Barros och Leach (2006b) fast i form av rörelsekostnader. De har kommit fram till att de totala kostnaderna ökar med högre intäkter och med fler åskådare.
5. Totala tillgångar: Mäter liksom totala kostnader om en större verksamhet ger bättre sportsliga och finansiella outputs men eftersom de inte bör förutsättas vara korrelerade kan båda användas. Barros och Leach (2006a) har använt detta mått och påvisat att klubbar har tilltagande skalavkastning vilket innebär att intäkter och sportsliga resultat blir bättre med större tillgångar.
3.3. Outputs
Nedan följer de finansiella och sportsliga outputsen.
3.3.1. Sportsliga Outputs
1. Placering: Mäter placering i förhållande till de andra lagen i seriesystemet. Flera av de allsvenska klubbarna har som mål att nå en så hög placering som möjligt. Har använts av Kuypers och Szymanski (2000) som visat att den huvudsakligen påverkas av spelarlöner än av inköp av nya spelare.
12
3. Totala åskådare: Även publiksiffror kan vara ett kompletterande mått på en fotbollsklubbs sportsliga prestationer, då det reflekterar hur attraktiv den sportsliga produkten är. Dessutom har flera av de allsvenska klubbarna som målsättning att ha så mycket publik på sina matcher som möjligt. Har använts av Barros och Leach (2006b) som kommer fram till att högre rörelsekostnader driver upp totala antalet åskådare. Haas (2003a) och Haas (2003b) använder måttet som ett mål för effektivt utnyttjande av resurser och tittar inte på vilka inputs som driver det.
4. Kvalificering till Champions League eller Europa League: Eftersom kvalificering till internationella turneringar är ett vanligt mål för de allsvenska klubbarna tas kvalificering till Champions League eller Europa league med som en output. Att kvalificera sig till Champions League anses som en bättre prestation än att kvalificera sig till Europa League vilket borde göra att två variabler borde användas. Men eftersom mätproblem uppstår på grund av att det går att ranka kvalificering till de två turneringarna bör endast en variabel användas.
3.3.2. Finansiella Outputs
1. Totala intäkter: Ett vanligt mått för storleken på företag som flera av de allsvenska klubbarna har som mål att öka. Har använts av Barros och Leach (2006b) som kommer fram till att den drivs av rörelsekostnader.
2. Årets Resultat: Det vanligaste måttet för avkastning som dock inte har använts mellan input och output i någon av fotbollsekonomistudierna men eftersom flera av klubbarna har som mål att få positiva resultat testar vi variabeln. Kuper och Szymanski (2009:102-105) har undersökt korrelationen mellan de båda outputsen resultat och sportslig framgång, dock ej vilka finansiella inputs som leder till ett högre ekonomiskt resultat.
Överblick av variablerna och deras sammankoppling
13 Modell 3.2
Modellen är tänkt att förklara vilka inputs respektive outputs som kommer att undersökas, sambandet mellan dessa och hur de relaterar till uppställda mål. Vi kommer först att mäta produktiviteten genom att granska sambandet mellan inputs och outputs, och sedan föra en diskussion kring hur och i vilken utsträckning detta leder till att målsättningarna uppfylls.
3.4. Mätmetoder
Den enklaste mätmetod som har tillämpats är vanlig OLS regressionsanalys1 med en beroende variabel och metoden har använts av Kuypers och Szymanski (2000) och Kuper och Szymanski (2009). Eftersom endast en variabel har använts har de enbart kunnat testa en inputs effekt på en output åt gången. Detta har fördelen att det vid hög förklaringsgrad lätt går att se och kunna dra slutsatser om effekten av en specifik inputs påverkan på en output. Nackdelen är dock att det krävs många observationer för att få signifikanta resultat och det är dessutom svårt att jämföra olika inputs och outputs (Barros & Leach 2006b:7).
Därför har det istället varit vanligare att använda sig av en modell för Data Envelopement Analysis (DEA). Modellen har använts för att mäta effektiviteten av finansiella inputs på sportsliga och finansiella outputs av; Barros och Leach (2006a), Barros och Santos (2005), Haas (2003a), Haas (2003b). Samt för effektiviteten av finansiella och sportsliga inputs på enbart sportsliga outputs av;
14
Barros och Santos (2003), Barros (2003) , Fizel och D’Itri (1997), Fizel och D’Itri (1996) och Porter och Scully (1982). Modellen tillåter användandet av flera inputs och outputs och mäter hur effektivt de förstnämnda utnyttjas för att uppnå bästa output. Problemet med modellen är dock att den förutsätter att det finns en kombination av inputs som perfekt kan förklara hur outputsen skall se ut, vilket inte stämmer i verkligheten där den så kallade perfekta kombinationen enbart är den som är bäst i det studerade urvalet (Barros och Leach 2006b:396).
Barros och Leach (2006b) använder istället i sin undersökning en ekonometrisk kostnadsfunktion härled från Cobb-Douglas produktionsfunktion. Den mäter liksom DEA flera inputs påverkan på flera outputs men har även samma problem vad gäller effektivitetsestimering då den också förutsätter att det finns en fullständigt effektiv inputkombination. Det som dock gör den ekonometriska modellen fullständigt överlägsen jämfört med DEA motsvarigheten är att den känner av inputs som inte är relevanta och ger dem svaga värden istället för DEA som mäter helhetseffekten av alla inputs. Den ekonometriska kostnadsfunktionen ger alltså till skillnad från DEA resultat som tillåter ledningen i idrottsklubbar att få reda på vilka inputs som bör användas och vilka som bör undvikas för att nå önskat resultat för sina outputs.
4. Metod
Vi skall genomföra fyra olika tester enligt förutsättningarna i tabellen nedan:
Tabell 4.1 Tester
Test I Test II Test III Test IV
Tidsperiod 2003-2008 2003-2008 (2004-2008 för testen innehållande totala åskådare)
2004-2008 2004-2008
Lag i urvalet 5(4 för inköp av spelare)
10(9 för inköp av spelare)
10 10
Antal observationer 30(24 för inköp av spelare)
60(54 för inköp av spelare och 50 för outputen åskådare. 45 för samma output mot inputen inköp)
60 50
Testmetod Regressionsanalys mot varje enskild
Regressionsanalys mot varje enskild
15 variabel och två multipla regressionsanalyser variabel och två multipla regressionsanalyser
Produktionsfunktion outputen viktad ligaplacering och den finansiella outputsen årets resultat Finansiella Inputs Personalkostnader
Avskrivningar Totala kostnader Totala tillgångar Inköp av spelare Personalkostnader Avskrivningar Totala kostnader Totala tillgångar Inköp av spelare Personalkostnader Avskrivningar Totala kostnader
Sportsliga outputs Ligaplacering Totala poäng Total åskådare Kvalificering till CL/EL Viktad Ligaplacering Totala åskådare Kvalificering till CL/EL Viktad Ligaplacering Totala åskådare Kvalificering till CL/EL Viktad Ligaplacering
Finansiella outputs Totala intäkter Årets resultat
Totala intäkter Årets resultat
Totala intäkter Årets Resultat
Tabellen visar hur de olika testen går till och vilka variabler som används i dem.
I tabellen nedan presenteras de klubbar som har medverkat i de olika testen. Tabell 4.2 Klubbar i de olika testerna
Test I Test II Test III Test IV
Djurgårdens IF* AIK AIK AIK
IF Elfsborg Djurgårdens IF* Djurgårdens IF* Djurgårdens IF
Hammarby IF IF Elfsborg IF Elfsborg IF Elfsborg
Helsingborgs IF Gefle IF Gefle IF Gefle IF
Malmö FF Hammarby IF Hammarby IF Hammarby IF
Helsingborgs IF Helsingborgs IF Helsingborgs IF
Kalmar FF Kalmar FF Kalmar FF
16
IFK Norrköping IFK Norrköping IFK Norrköping
Trelleborgs FF Trelleborgs FF Trelleborgs FF
*Djurgårdens IF är inte med i testet för inputen inköp
*Djurgårdens IF är inte med i testet för inputen inköp
*Djurgårdens IF är inte med i testet för inputen inköp Tabellen visar vilka lag som är med i respektive test.
Nedan redogör vi för hur vi kom fram till detta:
Tidperioden som har granskats är åren 2003-2008. För att liksom Kuypers och Szymanski (2000) få så pass signifikanta resultat som möjligt hade en längre tidsperiod varit optimal men på grund av bristfällig tillgång till data från tidigare än 2003 så har vi inte haft möjlighet att gå längre tillbaka i tiden och då få rapporter för 2009 finns ute har vi valt att inte titta på senare år heller.
För att underlätta mätningen av sportsliga prestationer har vi liksom Barros och Leach (2006b) inledningsvis valt att basera studien på de fotbollsklubbar som under hela den granskade perioden spelat i den högsta ligan i det granskade landet vilket i vårt fall innebär Allsvenskan. Mätningsproblemet som uppstår om lag under något av åren har spelat i någon annan division är att sportsliga prestationer som poäng inte är jämförbara med de i den högsta ligan eftersom de är relativa till ligan laget spelar i. Vad gäller placering går det att liksom Kuypers och Szymanski (2000) och Kuper och Szymanski (2009) räkna divisioner som fortsättningar på varandra och därmed räkna placering i andra divisionen som placering + antalet lag i den översta divisionen. Detta mätsätt kan dock ifrågasättas då det egentligen bör ses som bättre att placera sig högst i den andra divisionen för att gå upp till den översta divisionen följande år än att hamna sist i den översta divisionen och följande år få spela i andra divisionen. Däremot så går det fortfarande att använda publiksnittet som ett mått då det inte är knutet till den specifika ligan.
För den granskade perioden har vi fått ut ett urval på 7 klubbar men för en av dem; IFK Göteborg, har vi enbart fått tillgång på personalkostnader för 2007 och 2008 och har därför valt att exkludera dem i undersökningen. För ett annat lag i urvalet: Halmstad BK har vi inte heller fått tillgång till redovisningsdata. Vi har därför enbart kvar 5 lag i urvalet som blir 4 för variabeln inköp av spelare då Djurgården Fotboll AB inte uppger den informationen i sina redovisningar.
17
Kupers och Szymanski (2009) och räknat ligapositionerna i andra divisionen som en fortsättning på den övre. Den lägsta positionen som går att ha i den andra divisionen räknar vi som n då placeringsmåttet är relativt till alla positioner som klubbarna kan ha, där sistaplatsen i den lägsta divisionen vi granskar kan räknas som det lägsta möjliga placeringen1. På grund av det tidigare diskuterade mätproblemet med ligapositioner i de två divisionerna har vi valt att vikta om några av placeringarna i de två divisionerna. De lag som kvalificerar sig till den översta divisionen från den lägre bör viktas så att de har presterat bättre än de lag som i den övre divisionen inte klarat sig kvar. Under 2003-2007 spelade 14 lag i den översta divisionen och de två nedersta lagen åkte per automatik ut så vi kan då vikta om plats 13 och 14 med de två direktkvalificerade lagen från divisionen under så att lag 1 och 2 från andra divisionen får placering 13 och 14, medan lag 13 och 14 från första divisionen får plats 15 och 16. Plats 12 i den översta divisionen innebär dock en kvalplats som kan innebära att laget åker ner, och plats 3 i den andra divisionen kan på deras bekostnad ta sig upp. Därför kan vi i de fall då det lag som placerat sig på plats 12 i den övre divisionen misslyckas med att hålla sig kvar justera för detta. Det gör vi genom att räkna om så att lag 13 och 14 från den översta divisionen istället får placering 16 och 17, lag 12 får placering 15 medan lag 1, 2 och 3 i den nedre divisionen får placering 12, 13 och 14. För år 2007 var det dock enbart ett lag som åkte ur den översta divisionen och tre lag som gick upp från den nedre så därför räknar vi placeringen för det lag som kom på 14 plats i den översta ligan så att det får placeringen 17 och lag 1,2 och 3 i den nedre divisionen som plats 14, 15 och 16. År 2008 var antalet lag i den översta ligan utökat till 16 lag medan antalet lag i andra divisionen var detsamma. Detta leder till en ökning av n med två och även en förändring av viktningen så att lag 15 och 16 i den översta divisionen får plats 17 och 18 i den andra divisionen och lag 1 och 2 får placeringarna 15 och 16. Korrigering för de kvalande lagen ändras om på samma sätt som de tidigare.
Totalt finns det 23 lag som har spelat i Allsvenskan under den granskade perioden men det har varit svårt att få tag på data från dem eftersom många är ideella föreningar och inte ger ut sina redovisningar offentligt och vissa inte har haft fullständiga siffror för hela perioden så återstår 10 klubbar.
För outputen åskådare har vi inte fått tillgång till för data för 2003 för de lag som under det året spelade i andradivisionen. Detta gör att vi måste exkludera detta år för test vi gör där de påverkade lagen inkluderas.
18
använder liksom Barros och Leach (2006b) också en finansiell output: totala intäkter på grund av mätproblem med årets resultat som tas upp första stycket i kapitel 5.3.
Kuypers och Szymanski (2000) använder sig av stora urval av klubbar och använder de genomsnittliga inputsen och outputsen under sina granskade perioder. Barros och Leach (2006b) tar å andra sidan varje enskilt år för varje klubb och får på så sätt ett större urval vilket vi också väljer att göra för att kunna få fler observationer vilket underlättar gör det lättare att få signifikanta resultat. Antal observationer är alltså antalet lag multiplicerat med antalet år i varje test.
Datan för de använda variablerna har hämtats från respektive klubbs årsredovisningar med undantag för ligaplaceringar, antal åskådare och kvalificering till CL/EL som alla har hämtats från Svenska fotbollsförbundets hemsida.
4.1. Test I
I det första testet tar vi varje enskild input mot varje output och de uttrycks på följande vis med variabelnamn i parentes:
Finansiella Inputs:
Personalkostnader(PK): Räknas ut som: log(𝑃𝐾𝑡 𝑃𝐾𝑡∗ ) 6 𝑖=1
Där t är antalet år i undersökningen, log är logaritmen av variabeln framför, PKt är
personalkostnader år t och PKt* är de genomsnittliga personalkostnaderna för alla
fotbollsklubbar i populationen år t. PK är alltså det genomsnittliga relativa personalkostnaderna för varje fotbollsklubb. Kuypers och Szymanski (2009) använder samma metod fast för lönekostnader.
Avskrivningar(A): Räknas ut på samma sätt som personalkostnader fast med avskrivningar (At) och genomsnittliga avskrivningar(AVt*) istället för personalkostnader(ISt) och
genomsnittliga personalkostnader(PKt*).
Totala kostnader (TK): Räknas ut på samma sätt som personalkostnader fast med totala kostnader(TKt) och genomsnittliga totala kostnader(TKt*) istället för personalkostnader(PKt)
19
Totala tillgångar (TT): Räknas ut på samma sätt som personalkostnader fast med totala tillgångar(TTt) och genomsnittliga totala tillgångar(TTt*) istället för personalkostnader(PKt)
och genomsnittliga personalkostnader(PKt*).
Inköp av spelare(IS): Räknas ut på samma sätt som personalkostnader fast med inköp av spelare(SIt) och genomsnittliga inköp av spelare(ISt*) istället för personalkostnader(ISt) och
genomsnittliga personalkostnader(PKt*). Kuypers och Szymanski (2009) använder samma
metod.
Sportsliga outputs:
Ligaplacering(LP): Eftersom värdet på ligaplaceringen blir lägre ju högre/bättre den är måste en metod tillämpas där en bättre placering leder till ett högre värde. En metod som Kuypers och Szymanski (2009) använder är:
log 𝐿𝑃𝑡 𝑛 + 1 − 𝐿𝑃𝑡 n
i=x
Där LPt är ligaplaceringen år t och n är populationen i seriesystemet.
Totala poäng (TP): Räknas ut på samma sätt som personalkostnader fast med totala poäng (TPt) och genomsnittliga totala poäng (TPt*) istället för personalkostnader(PKt) och
genomsnittliga personalkostnader(PKt*).
Totala åskådare(TÅ): Räknas ut på samma sätt som personalkostnader fast med totala åskådare (TÅt) och genomsnittliga totala åskådare (TÅt*) istället för personalkostnader(PKt)
och genomsnittliga personalkostnader(PKt*).
Kvalificering till Champions League eller Europa League(CE): Räknas som en dummyvariabel där de lag som hamnar på en placering som gör att de kan kvalificera sig till Champions League eller Europa League säsongen efter får värdet 1 och de som inte gör det får värdet 0.
Finansiella Outputs:
Totala Intäkter(TI): Räknas ut på samma sätt som personalkostnader fast med totala intäkter (TIt) och genomsnittliga totala intäkter (TIt*) istället för personalkostnader (PKt) och
20
Årets resultat(ÅR): Eftersom det genomsnittliga årets resultat kan vara negativt leder det till att de lag som har negativa resultat då får bättre outputs om samma metod som används för personalkostnader används. Detta leder till felaktiga slutsatser och även om vi använder absoluta mått kan vi inte logaritmera dem eftersom de kan vara negativa. När vi testar årets resultat använder vi då istället de absoluta måtten för inputs och outputen årets resultat. På grund av dessa mätproblem kan vi inte förvänta oss allför mycket från den här variabeln då den inte går så bra att jämföra med de andra variablerna.
Alla inputs kommer att testas mot varje output i enkla regressionsanalyser. Vi kommer även att komplettera med två multipla regressionsanalyser för varje output där den första exkluderar inputen inköp eftersom data för detta saknas för Djurgårdens IF. Den andra multipla regressionen kommer att exkludera Djurgården men inkludera inputen inköp. De första testerna fås genom formeln:
𝑌 = 𝛽0+ 𝛽1X + 𝜀𝑖
Där Y är output och X är input. De multipla testerna görs enligt följande två modeller: Multipelt test I: 𝑌 = 𝛽0+ 𝛽1PK + 𝛽2A + 𝛽3TK + 𝛽4TT + 𝜀𝑖
Mutipelt test II: 𝑌 = 𝛽0+ 𝛽1PK + 𝛽2A + 𝛽3TK + 𝛽4TT + 𝛽5IS𝜀𝑖
Orsaken till varför vi använder oss av multipla regressionsanalyser är för att kunna jämföra de olika inputsens påverkan på outputsen då deras korrelationer ställs mot varandra.
Testet kommer att visa om det finns ett statistiskt tydligt samband mellan inputsen och outputsen (detta visas av hur hög förklaringsgraden mellan 0 och 1 där 0 inte ger något signifikant resultat och 1 visar ett 100 % samband) och hur starkt positivt/negativt det är (vilket visas av korrelationen där -1 visar ett fullständigt negativt samband, 0 visar att det inte finns något samband över huvud taget och 1 visar ett perfekt samband).
4.2. Test II
I test två tas den sportsliga outputen totala poäng bort och den sportsliga outputen variabeln viktad ligaplacering ersätter ligaplacering:
Viktad ligaplacering(VLP): Viktad ligaplacering uttrycks precis som ligaplacering men rankingen ändras som förklarat tidigare i metoden.
21
4.3. Test III
I test III försvinner variablerna ligaplacering, årets resultat, spelarinköp och totala tillgångar. Den första eftersom den inte säger något annat än viktad ligaplacering och den andra eftersom den kan vara negativ och därför inte går att logaritmera. Eftersom testet är en kostnadsfunktion försvinner även de finansiella inputs som inte är kostnader (spelarinköp är en utgift och totala tillgångar är en tillgång). Ingen av variablerna mäts relativt som i de tidigare två testen(med undantag för VPL) utan skrivs istället in som i formeln nedan:
log(TKit) =β0+β1log(PKit)+β2log(Ait)+ β3VPLit+ β4log(TÅit)+ β5CEit+ β6log(TIit)+εit
Den skrivs sedan om som en Cobb-Douglas funktion i likhet med Barros och Leach (2006b) och är den funktion vi använder för att skatta variablerna i test III:
log(TKit/Ait) =β0+β1log(PKit/Ait)+ β2VPLit+ β3log(TÅit)+ β4 CEit+ β5log(TIit)+εit
Totala kostnader är variabeln som förklaras så testet visar hur mycket de olika x-variablerna påverkar de totala kostnaderna. Barros och Leach (2006b) använde sin modell för att ta reda på vilka x-variabler som var kostnadsineffektiva och således kunde minskas på utan att påverka sin output och tvärtom för de kostnadseffektiva. De fick i sin studie en förklaringsgrad på över 0,92 och ett F-värde på 325,12 vilket indikerar att modellen hade hög precision i studien av de engelska lagen och kunde förutse vilka variabler som var mest och minst effektiva för önskade outputs. PK skall i vårt test visa kostnaden av humankapital medan A är kostnaden för kapital. Innan regressionen körs måste vi dock också i likhet med Barros och Leach (2006b) köra en OLS regressionsanalys av den ursprungliga funktionen(innan TK och PK divideras på A) för att se om kostnadsfunktionen går att använda eftersom den måste vara signifikant.
22
gjorde vi det inte heller för denna. εit uttrycks i deras test som (Vit+Uit) där Vit är den traditionella
feltermen, och därmed samma sak som εit,och Uit mäter den tekniska ineffektiviteten hos varje
klubb. Vi är inte intresserade att gå djupare och splittra upp dessa eftersom vi som nämnts ovan inte är intresserade av att mäta de enskilda klubbarna. De använde också rörelsekostnader istället för totala kostnader men eftersom klubbarna hade olika definitioner på vad som skulle ingå i dessa ansåg vi att totala kostnader var en bättre variabel att jämföra med.
De resultaten som fås i testet kommer att visa hur mycket totala kostnader påverkas av varje variabel där ett högt positiv/negativt värde på en input visar på att de totala kostnaderna är känslig för inputen och om priset på inputen ökar/sjunker kommer de totala kostnaderna öka/sjunka mycket. För outputs visar ett högt positivt/negativt värde att det är dyrt/billigt att öka outputen.
4.4. Test IV
För att prova Kuypers och Szymanskis (2000) tes om att det inte finns någon korrelation mellan sportsliga och det finansiella resultatet årets testar vi också:
Å𝑅 = β0+ β1𝑉𝐿𝑃 + 𝜀
Testet kommer att visa om det finns en konflikt mellan satsningen på den sportsliga och finansiella outputen.
5. Empiri
Nedan följer en sammanställning av test I, II och III I tabellformat med kommentaravsnitt under varje tabell liksom ett test av sambandet mellan sportsliga och finansiella resultat i allsvenskan.
5.1. Test I
Resultatet från Test I redovisas i tabellen nedan: Tabell 5.1 Sammanställning av resultaten från test I
23 Spelarinköp(SI) -0,0005 (0,0002) -0,0013 (0,0003) 0,0773 (0,3049) 0,0186 (0,0217) 0,0121 (0,0054) 278,1534 (0,0019) Multipel test I: R2(förklaringsgrad) 0,2147 0,2750 0,4062 0,1758 0,2346 0,1167 Personalkostnader(PK) 1,3987 0,1749 0,1011 0,6478 -0,5766 -20224,9547 Avskrivningar(A) -0,0632 -0,0203 -0,0413 -0,0048 -0,0907 -2176,1073 Totala kostnader(TK) 0,0296 0,1344 0,5808 0,1109 0,5983 10423,4499 Totala tillgångar(TT) -0,4349 -0,0771 -0,0331 -0,2712 0,0283 5768,8627
Multipel test II:
R2(förklaringsgrad) 0,1570 0,1669 0,6158 0,2697 0,3672 0,1643 Personalkostnader(PK) 0,9693 0,1006 0,0652 0,4975 -0,4468 -27380,9418 Avskrivningar(A) -0,1043 -0,0352 -0,0622 0,2386 -0,2805 -3950,1301 Totala kostnader(TK) 0,6567 0,2336 0,8026 0,7292 0,2183 8967,9752 Totala tillgångar(TT) -0,1759 -0,0432 -0,0447 0,0356 -0,1277 5883,1629 Spelarinköp(SI) -0,0965 -0,0232 0,0227 -0,0388 -0,0186 601,6702 Vertikalt visas alla inputs (X) påverkan på varje output (Y) som visas horisontellt. Positiva Innebär positiv påverkan och negativ en negativ påverkan. Förklaringsgraden för varje test visas i parentes under varje resultat. För de multipla testen skrivs den gemensamma förklaringsgraden ut som R2.
Från test I kan vi se att alla test som vi har gjort baserat på enkel regressionsanalys har fått exceptionellt låga värden för förklaringsgraden så vi kan inte dra några slutsatser om dessa. För outputen totala åskådare går det dock att se att förklaringsgraderna är något högre och som högst i testet mot totala kostnader. Det är dock fortfarande bara 0,34 och går inte att dra några signifikanta slutsatser om. I den första multipla regressionsanalysen stiger generellt förklaringsgraderna och de är också här som högst för totala åskådare på 0,41. För den andra multipla regressionsanalysen är resultatet generellt sett det bästa med hela 0,62 i förklaringsgrad för totala åskådare. Det är också tydligt att det är totala kostnader som är den starkast korrelerade variabeln med ett β-värde på 0,8 men med tanke på att de andra kostnadsvariablerna som ingår i testet har låga β-värden (det högsta på 0,0652) är det svårt att säga vilken typ av kostnad som leder till mer publik.
5.2. Test II
Resultatet från test II redovisas i tabellen nedan: Tabell 5.2 Sammanställning av resultaten från test II
24 Totala kostnader(TK) 0,7617 (0,2489) 0,5344 (0,5499) 0,1529 (0,0764) 0,5676 (0,5055) 831,2165 (0,0049) Totala tillgångar(TT) 0,4712 (0,1924) 0,4212 (0,6829) 0,0708 (0,0330) 0,4423 (0,6199) 976,9317 (0,0137) Spelarinköp(SI) 0,1486 (0,0604) 0,3637 (0,6128) 0,0248 (0,0144) 0,1646 (0,2402) 645,8149 (0,0157) Multipel test I: R2(förklaringsgrad) 0,3673 0,8418 0,1512 0,7304 0,0804 Personalkostnader(PK) 0,6440 0,8706 0,3735 0,6454 -3408,6133 Avskrivningar(A) -0,3097 -0,0050 -0,0684 -0,0540 -1992,1465 Totala kostnader(TK) 0,3735 0,0478 0,0647 0,0706 176,3029 Totala tillgångar(TT) 0,2480 0,0747 -0,0601 0,1916 3629,9575
Multipel test II:
R2(förklaringsgrad) 0,3627 0,8527 0,0652 0,7170 0,1167 Personalkostnader(PK) 0,6011 0,8187 0,1560 0,5576 -6815,6882 Avskrivningar(A) -0,3813 -0,0169 -0,0284 -0,0246 -2524,1615 Totala kostnader(TK) 0,3584 0,0399 0,0531 0,0659 144,4054 Totala tillgångar(TT) 0,3744 0,0939 0,0173 0,2135 4380,8945 Spelarinköp(SI) -0,0616 0,0294 -0,0143 -0,0056 1119,1007 Vertikalt visas alla inputs (X) påverkan på varje output (Y) som visas horisontellt. Positiva innebär positiv påverkan och negativ en negativ påverkan. Förklaringsgraden för varje test visas i parentes under varje resultat. För de multipla testen skrivs den gemensamma förklaringsgraden ut som R2.
I test II är populationen större vilket ger högre förklaringsgrader och således mer signifikanta resultat. För outputen ligaplacering är de dock fortfarande låga. I Jämförelse med Kuypers och Szymanskis (2000) test där de får förklaringsgrader på 0,92 (studie 1978-97) respektive 0,5 (1950-60) för inputen lönekostnader mot outputen ligaplacering är resultatet 0,25 väldigt lågt. Den höga förklaringsgraden från den nyare studien förklarades av att det då inte fanns något lönetak och att löneskillnaderna mellan lagen då var betydligt högre. Men bland de svenska lagen har det lag med de i genomsnitt högsta personalkostnaderna (AIK med 45 244 tkr), liksom i Kuypers och Szymanskis (2000) studie (mäter dock lönekostnader och inte alla personalkostnader) knappt tre gånger så höga kostnader (2,8 för att vara exakt) som det med de lägsta (Norrköping med 16065 tkr). I de två multipla regressionsanalyserna är förklaringsgraden högre än tidigare med 0,37 och 0,36 i respektive test vilket fortfarande är för lågt för att kunna dra några slutsatser om.
25
Grafen visar sambandet mellan lags åskådare och deras personalkostnader för varje enskilt år under perioden 2004-2008. De lag som ligger under linjen under vissa år måste relativt sett betala högre personalkostnader för att uppnå samma publiksnitt som genomsnittet och de som ligger över kan spendera mindre på personal för att uppnå samma åskådarantal.
För inköp av spelare är det här det enda testet där det över huvudtaget finns något signifikant samband över huvud taget på 0,61 och korrelationen är någorlunda hög på 0,36. Från de två multipla regressionsanalyserna får vi också hög förklaringsgrad på 0,84 respektive 0,85 och där ser vi också att det dock huvudsakligen är personalkostnader som är den drivande posten med en korrelation på hela 0,87 respektive 0,81 jämfört med den näst högsta; totala tillgångar på 0,07 respektive 0,09. CL/EL har i alla test låga förklaringsgrader med den högsta på 0,15 för den första multipla regressionsanalysen där personalkostnader återigen är den mest drivande posten på 0,37.
Totala intäkter har en stark korrelation med inputsen totala kostnader, totala tillgångar och personalkostnader med förklaringsgrader på 0,51, 0,62 och 0,70 där den sistnämnda även för den här outputen har en nästintill perfekt korrelation på 1,02. Från de multipla regressionsanalyserna är förklaringsgraderna också höga med 0,73 och 0,71 och de starkast korrelerade inputsen är personalkostnader och tillgångar.
För outputen årets resultat är förklaringsgraderna svaga för alla variabler och den starkaste förklaringsgraden når enbart 0,12.
5.3. Test III
Resultaten från test III redovisas i tabellen nedan:
-2 -1,5 -1 -0,5 0 0,5 1 1,5 -1,5 -1 -0,5 0 0,5 1 To tala åskåd ar e r e lativ t til l ge n o m sn itt e tlogar itm e rat
Personalkostnader relativt till genomsnittet logaritmerat
26 Tabell 5.3 Totala kostnader(log(TK/A)) Konstant -0,9048 (-2,8957) Personalkostnader (log(PK/A)) 0,9867 (66,8007)
Viktad ligaplacering (log(VPL)) 0,0029 (0,8347)
Totala åskådare (log(TÅ)) 0,1457 (2,6015)
Champions League eller Europa League (CE) -0,0169 (-0,4865)
Totala Intäkter (log(TI)) -0,0130 (-0,2549) Vertikalt visas alla variablers påverkan på de totala kostnaderna. Positiva resultat indikerar att totala kostnader ökar med variabeln och negativa att de minskar. t-ration för varje test visas i parentes efter varje resultat och positiva tal över 2,406 är liksom negativa tal under -2,406 signifikanta med 99 % sannolikhet.
Efter att ha genomfört en regressionsanalys på den ursprungliga OLS regressionsformeln som uttryckes som:
log(TKit) =β0+β1log(PKit)+β2log(Ait)+ β3VPLit+ β4log(TÅit)+ β5CEit+ β6log(TIit)+εit
Fick vi en förklaringsgrad på hela 0,99 och ett F värde på 487 vilket implicerar att X-variablerna har ett oerhört tydligt samband med den förklarande variabeln. Även för Cobb-Douglas testet får vi en förklaringsgrad på 0,99 och ett F-värde på 960 vilket tydligt visar att resultatet är signifikant på 99 % nivå då F bara behöver vara över 3,42 för det här testet.
27
5.4. Test IV
Precis som Kuypers och Szymanskis (2000) får vi en svag korrelation och en förklaringsgrad på enbart 0,055 vilket implicerar att det inte finns något samband mellan resultat och vilken placering klubbar hamnar på, detta illustreras grafisk nedan:
Grafen visar sambandet mellan årets resultat (uttryckt i tusentals kronor) och den relativa ligaplaceringen uttryckt som: (log(LPt/(n+1-LPt))
6. Uppsatskritik
I det här avsnittet tar vi upp kritik mot de modeller vi har använt och vårt tillvägagångssätt.
6.1. Modellkritik
Av de modeller vi har haft som förebilder har Kuypers och Szymanskis (2000) tillvägagångssätt haft svagheten att de har använt sig av en alldeles för simpel modell med bara en variabel åt gången vilket för dem dock har fungerat bra eftersom de ändå har fått signifikanta resultat men som lätt blir insignifikanta om svagare variabler används. De har dessutom bara undersökt om specifika inputs påverkar outputs och inte hur starkt de har det i och med att de bara kommenterat förklaringsgrader men inte korrelationen annat än hur kurvans lutning ser ut. Det hade varit intressant att jämföra hur stark korrelationen var för att kunna jämföra med de resultat vi har fått från våra undersökningar. Dessutom har de enbart mätt finansiella inputs påverkan på sportsliga outputs och helt bortsett från de finansiella. De senare har de bara mätt mot sportsliga outputs vilket inte förklarar den frågeställnigen vi har haft. Vad gäller Barros och Leach (2006b) metod där de använde sig av en Cobb-Douglas modell så säger inte resultaten så mycket om vilka inputs som driver outputs utan snarare hur de totala kostnaderna påverkar både inputs och outputs och är egentligen bättre när den
-30000,0 -20000,0 -10000,0 0,0 10000,0 20000,0 30000,0 40000,0 -2,0 -1,0 0,0 1,0 2,0 3,0 4,0 Å re ts R e su ltat t kr Relativ placering
28
som i Barros och Leachs (2006b) studie testar hur effektivt olika lag utnyttjar sina resurser i jämförelse med varandra vilket inte är syftet med den här uppsatsen.
6.2. Metodkritik
De undersökningar som har gjorts inom ämnet har baserats på många olika statistiska modeller så vi fick göra avvägningar när vi valde våra modeller och valde bort andra. Huvudorsaken till att vi ändå valde OLS regressionsanalys och Cobb-Douglas var för att de ändå var beprövade för tester på det vi ämnade undersöka vilket den diskuterade modellen DEA inte var eftersom den jämför effektiviteten klubbar emellan och inte bestämmer vilka inputs som påverkar specifika outputs.
Om vi hade haft ett större urval av klubbar och använt oss av en längre tidsperiod hade vi förmodligen fått tydligare resultat men med tanke på tillgängligheten på redovisningar för åren innan 2003 hade det varit svårt att förlänga tidsperioden. Vi hade förmodligen kunnat öka antalet klubbar i undersökningen om vi hade varit mer ihärdiga i våra förfrågningar men vi valde att respektera att de inte hade tid att hjälpa oss då de hade mycket annat att göra.
Samma sak gäller när vi undersökte klubbarnas mål där vi till en början ämnade intervjua samtliga klubbar i undersökningen utan att få svar från en enda. Vi fick därför lov att titta närmare på de utsatta målen i årsredovisningar och andra rapporter och urvalet blev således mindre och gav oss inte möjligheten att undersöka hur klubbarna rankade sina preferenser.
Vi är också medvetna om att vi skulle ha kunnat använda andra inputs och outputs än de vi valde men vi fick lov att göra avvägningar både utifrån vilka som var intressanta men också vilka som var tillgängliga. Exempelvis så uttrycks avskrivningar på spelare olika i redovisningarna beroende på vilken redovisningsmetod de har använt och vissa klubbar har ägt sina arenor och skrivit av dem medan andra har hyrt och vi har således inte kunnat göra bra jämförelser av dem utan att först redigera dem eller dela upp dem i olika grupper. Outputen årets resultat behöver revideras för att bättre kunna mätas då den till skillnad från de andra inputsen inte kan tas som ett relativt mått eller logaritmeras eftersom den kan vara negativ. Ett förslag vore att göra om den till dummyvariabler där exempelvis vinstmarginaler på under -25% hade fått en ranking på 1, 0 resultat hade fått en ranking på 2, 25 % hade fått 3 osv.
29
Variabeln tillgångar kunde ha delats upp i flera delar eftersom den inte säger vilken typ av tillgångar som leder till specifika resultat. Den kunde exempelvis ha delats upp i materiella och immateriella anläggningstillgångar och omsättningstillgångar. Problemet här är dock återigen det faktum att vissa klubbar äger sina egna arenor och då oftast har en betydligt större balansomslutning än de som inte har det.
7. Analys
Utifrån de tre test vi har genomfört har vi generellt sett fått ganska insignifikanta resultat vilket för test I kan förklaras med det begränsade urvalet, men är dock svårare att förklara den bristande signifikansnivån i test III. Variablerna har inte alls varit lika signifikanta som i Barros och Leach (2006b) studie, utan det har varit väldigt spridda resultat för de olika outputsen. Anledningen till den stora spridningen för outputen poäng kan dock vara att den endast tas upp i det första testet med otillräckligt urval. Varför outputen placering, som i Kuypers och Szymanskis (2000) studier har haft ett klart samband med inputen lönekostnader, inte visar ett tydligare samband i vår studie är dock svårare att förklara. Förvisso har vi inte använt samma variabel som de då vi har använt de totala personalkostnaderna och inte enbart löner till spelarna. Detta kan vara en bidragande förklaring, men skillnaden är så pass stor så det måste finnas fler orsaker. Den svenska ligan är spelarlön/personalkostnadsmässigt lika jämn som den engelska var mellan åren 1950-60 då de också hade en låg förklaringsgrad på 0,5 men den svenska ligan har till skillnad mot de engelska lagen under den perioden inget lönetak vilket tillåter en utveckling mot en ojämnare liga som den engelska var under perioden 1978-97. Varför detta inte har skett ännu är dock inget som vi har undersökt i den här uppsatsen, men jämnheten kan vara en orsak till varför vi inte hittar någon tydlig förklaring till vilka kostnader som leder till en högre ligaplacering. Sedan är de engelska studierna baserade på större urval och fler klubbar så om detta var tillgängligt skulle vi kanske få lika tydliga resultat som de för de engelska klubbarna.
30
relativt billigt sett till hur stark effekt en ökning av personalkostnader får på åskådarantalet, med i princip perfekt korrelation från test II. För inköp av spelare är det här den enda outputen som påverkas och resultatet pekar på att klubbar som lägger mer kapital på att köpa dyrare spelare får mer publik. . De lag som har stora tillgångar har mer åskådare än de som har mindre men eftersom korrelationen är tydligare för personalkostnader bör lag som vill ha mer åskådare investera i dem snarar än att öka sina tillgångar.
För den sista sportsliga outputen CL/EL är resultaten i regel väldigt insignifikanta och därför kan vi inte dra några slutsatser om vilken input som leder till europaspel. Detta beror nog huvudsakligen på att vi har testat det som en dummyvariabel med bara två möjliga värden (0 och 1) vilket förmodligen skulle behöva ett oerhört stort urval eller en regressionsanalys med fler variabler för att kunna ge signifikanta resultat.
För variabeln årets resultat hittar vi inga tydliga samband vare sig i vad som leder till bra respektive dåliga resultat och vi hittar inte heller någon konflikt mellan årets resultat och den sportsliga outputen viktad ligaplacering vilket bekräftar Kuypers och Szymanskis (2000) test om att det inte finns något samband mellan sportsliga och finansiella resultat.
8. Slutsats
Vi har i den här uppsatsen undersökt vilka faktorer som påverkar sportsliga och finansiella outputs. Vi har granskat flera variabler för de båda outputsen men bara fått ett signifikant resultat för en variabel per output.
För sportsliga framgångar har vi kommit fram till att fotbollsklubbar kan öka antalet åskådare genom att köpa in fler spelare och öka sina tillgångar men att det är betydligt viktigare att investera i personalkostnader som är den faktor som påverkar åskådarantalet mest. För de andra sportsliga resultaten kan vi inte dra några tydliga slutsatser då signifikansen från testen har varit så pass låga men det kan vara som i likhet med vad Kuypers och Szymanski kommit fram till för de engelska lagen mellan 1950-60, att ligan helt enkelt är för jämn och det därmed inte finns någon enskild input som ger någon sportslig fördel i längden och det istället skiljer sig från år till år. Det kan också vara så att det är icke-finansiella faktorer som påverkar de sportsliga resultaten.
31
klubbar som allokerar om sina kostnader mot personal kan förbättra sina sportsliga och finansiella outputs utan att behöva höja sina totala kostnader och således bli mer effektiva på att utnyttja sina resurser.
32
Litteraturförteckning
Barros, C. P., Santos, A. 2003. ”Productivity in sports organisational training activities: A DEA study”.
European Journal of Sport Management Quarterly, 1, 46-65.
Barros, C. P., Santos, A. 2005. “Les relations entre performance sportive et la performance financière dans le football: Application au cas du football Portugaise”. i G. Bolle & M. Dsbordes (Eds.),
Marketing et football:Une perspective internationale . Voiron, France: Presses Universitaires du
Sport.
Barros, C.P., Leach, S.2006a. Performance evaluation of the English Premier Football League with data envelopment analysis, Applied Economics, Vol. 38, 1449-1458
Barros, C.P., Leach, S. 2006b. “Analyzing the Performance of the English F.A. Premier League With an Econometric Frontier Model”, Journal of Sports Economics, Volume 7, No 4, 391-407
BusinessDictionary.com, hämtat den 4 juni 2010, URL:
http://www.businessdictionary.com/definition/effectiveness.html
Fizel, J.L. and M.P. D’Itri, 1996, “Estimating Managerial Efficiency: The case of college basketball coaches”, Journal of Sport Management, 10, 435-445.
Fizel, J.L. and M.P. D’Itri, 1997, “Managerial efficiency, managerial succession and organizational Performance”, Managerial and Decision Economics, 18, 295-308.
Haas, D. J. 2003a. “Financial efficiency in Major League Soccer”. Journal of Sport Economics, Volume 4, No. 3, 203-215
Haas, D. J. 2003b. “Productive efficiency of English Football Teams: A data envelopment approach”.
Managerial and Decision Economics, 24, 403-410
Huldschiner, H. 2007. ”Mer än guld står på spel i Allsvenskan”, Dagens Industri, hämtat den 19 maj 2010, URL: http://di.se/Templates/Public/Pages/ArticlePrint.aspx?pl=114690__ArticlePageProvider Jönsson, J. 2008. ”Bolagisering ett sätt att få in nya pengar”, Sydsvenskan, hämtat den 4 juni 2010, URL:
http://www.sydsvenskan.se/sport/article386152/Bolagisering-ett-sattbratt-fa-in-nya-pengar.html
Kuper, S. Szymanski, S. 2009. Why England lose & other curious football phenomena explained, 1st edition, London, HarperCollinsPublishers.
Kuypers, T. Szymanski, S. 2000. Winners and Losers: The Business Strategy of Football, London, Penguin Books.
Landelius, F., Lennermo, S. 2008. “Ekonomiska och sportsliga målsättningar – En studie av elitidrottsföreningars styrning” Handelshögskolan vid Göteborgs universitet.
MFF.se, hämtat den 19 maj 2010, URL:
33
Miller, M.H, Modigliani, F. 1961, “Dividend Policy, Growth, and the Valuation of Shares”, The Journal
of Business, vol. 34, No. 4, 411-433
Morgan, W. Katz, M.L. Rosen, H.S. 2006. Microeconomics, European Edition, Berkshire, McGraw-Hill Education.
Newbold, P. Carlson, W.L. Thorne, B. 2006. Statistics for Business and Economics, 6th edition, New Yersey, Pearson Prentice Hall.
Persson, P. 2009. “Kritik från flera håll mot bolagisering” FriaTidningen, hämtat den 4 juni 2010, URL: http://www.fria.nu/artikel/77471
Porter, P. Scully, G.W. 1982. “Measuring managerial efficiency: The case of baseball”, Southern
Economic Journal, 48, 642-650.
Sloane, P. 1971. “The economics of professional football: the football club as a utility maximizer, Scottish Journal of Political Economy”, 17, 121–45
SvenskElitfotboll.se, hämtat den 1 juni 2010, URL: http://www.svenskelitfotboll.se
SvFF 2009. “Svenska fotbollsförbundets tävlingsbestämmelser” hämtat från svenskfotboll.se den 4 juni 2010, URL: http://svenskfotboll.se/svensk-fotboll/tavling/foreskrifter-och-tavlingsbestammelser Vrooman, J. 2000. “The economics of American Sport Leagues”, Scottish Journal of Political Economy, Vol. 47, Issue. 4, 364-398.
34
Appendix
Regressionsanalys
Regressionsanalys är en vanlig mätmetod för att mäta om en eller flera variabler (x) påverkar en annan (y) . Om ett samband identifierats kan modellen användas för att förutspå hur y påverkas beroende på en förändring av x, och därmed bli en hjälp till att avgöra vad resurserna bör läggas på och hur de ska fördelas.
Modellen uttrycks som (Newbold, Carlson, Thorne 2006): 𝑌 = 𝛽0+ 𝛽1X1+ 𝛽2X2… βn+𝜀𝑖
Där Y är den beroende variabeln,β0 är… β0, β1 och βn är de endogena variablerna beroende av X1, X2
och Xn är exogena variabler och εi är slumpvariabeln. Kuypers och Szymanski (2000) och Kuper och
Szymanski (2009) använder sig av en förenklad version av modellen med enbart en exogen variabel och då uttrycks modellen som:
𝑌 = 𝛽0+ 𝛽1X1+ 𝜀𝑖
Där Y uttrycks som antigen en sportslig eller finansiell output och X1 anges som olika finansiella
inputs
Produktionsfunktioner
En produktionsfunktion visar den högsta möjliga ouput som kan produceras baserat på en given kombination av inputs (Morgan, Katz och Rosen, 2006:262&331). Funktionen baseras på en eller flera inputs och uttrycks som:
Y=f(X1,X2…Xn)
Där Y är total output och X1,X2…Xn är inputfaktorer som till exempel humankapital. Cobb-Douglas
produktionsfunktion(Newbold, Carlson, Thorne 2006:505) uttrycker det enligt formeln: Q=β0Lβ1Kβ2
Där Q är kvantitet output producerad, β0 är den endogena konstanten, L är mängden humankapital
som används, K är mängden kapital och β1 och β2 visar de relativa förändringarna i output när
mängden L respektive K ändras. Ifall L och K är de enda inputs som används blir därmed β1+ β2=1 och
kan skrivas om som β2= 1-β1 och därmed och för att få fram koefficienten β1 måste först båda sidorna
35 log(Q)=log(β0)+ β1log(L)+β2log(K)
och eftersom β2= 1-β1 går det att skriva om funktionen som:
log(Q)=log(β0)+ β1log(L)+(1- β1)log(K)
och för att lösa ut β1 går det att köra en regression på log(Q/K) på log(L/K) vilket fås genom:
log(Q)-log(K)=log(β0)+β1[log(L)-log(K)]
log(Q/K) =log(β0)+β1log(L/K)
Sedan fås β2 genom att subtrahera 1 med β1.
36
Noter
1Den sista möjliga placeringen skulle egentligen vara den sista placeringen i den sista divisionen i seriesystemet
men eftersom divisionerna delar på sig i den tredje divisionen är ranking av placeringar i dessa divisioner inte applicerbara på divisionerna över dem.
2
Föreningen Svensk Elitfotboll är en intresseorganisation för fotbollsklubbarna i de två översta divisionerna inom svensk fotboll: Allsvenskan och Superettan. De har bland annat hand om gemensamma avtal med syfte att ge förbättrade ekonomiska förutsättningar för svenska fotbollsklubbar att lyckas bättre i europeiska cuper.(
http://www.svenskelitfotboll.se/ 2010-06-01)
3 För att denna förklaring skall gälla förutsätts det att det råder avtagande marginalavkastning på
