En studie av periodiseringsmanipulation på den svenska aktiemarknaden

Uppsala universitet

Företagsekonomiska institutionen Kandidatuppsats

Handledare: Katarina Hellström 2010-01-07

En studie av

periodiseringsmanipulation på den svenska aktiemarknaden

Lena Gamova Jarl Elfving

Sammandrag: Tidigare forskning har testat för periodiseringsmanipulation på bland annat den amerikanska marknaden och funnit att det existerar. Vinstmanipulation har konstaterats kunna påverka bolags resultat vilket betyder att det indirekt har potential att påverka aktiekurser. I denna uppsats testar författarna för vinstmanipulationsformen periodiseringsmanipulation på den svenska marknaden genom att använda sig av två modifierade versioner av Jones modellen. De finner att det förekommer periodiseringsmanipulation på den svenska marknaden men att det inte går att se ett tydligt samband mellan testresultaten och bolagens aktiekurser.

1. Inledning

Redovisningens syfte är att ge en verklig bild över ett bolags prestationer, dock är detta inte alltid utfallet. Prestation mäts vanligen genom att studera resultatet eller kassaflödet. Resultatet lämnar utrymme för justeringar i form av periodiseringar medan kassaflödet i större utsträckning registrerar rena transaktioner. Då resultatet lämnar utrymme för justeringar anses dessa på kort sikt vara ett bättre mått på prestation (Dechow P. M., 1994).

Att lämna utrymme för justeringar av resultatet lägger ett stort ansvar på företagsledningen som upprättar redovisning då denna måste klassa hur kostnader och intäkter skall justeras för att ge en korrekt bild av bolaget. Ledningens intresse sammanfaller kanske inte alltid med att ge en verklig bild av bolaget. Resultat kan därför vara av hög kvalité eller låg kvalité det vill säga resultat kan ge en verklig eller en förvrängd bild av ett bolags prestation.

Syftet med denna uppsats är att undersöka om vinstmanipulationsformen periodiseringsmanipulation förekommer på bolag noterade på den svenska marknaden. Vidare ämnar vi jämföra testets utfall med bolagens aktievärde för att undersöka ett eventuellt samband. Två modeller kommer att användas för att testa om det periodiseringsmanipulation existerar. Dessa modeller är; KLW-Jones (Kothari, Leone, & Wasley, 2005) och Ibrahim-Jones (Ibrahim, 2009). Båda dessa modeller bygger på Jones modellen från år 1991 (Jones, 1991) dock är de ändå väldigt olika i sin komplexitet. Det är därför intressant om de ger olika utslag för manipulation eller om de båda visar liknande resultat.

Att gå in och på olika vis ändra i finansiella rapporter skulle kunna ses som något av en gråzon inom redovisningen. Man kan argumentera att det är utfallet dessa handlingar får som är styrande för vad som anses falla innanför lagens ramar och vad som anses falla utanför. Exempelvis uppstår frågor om huruvida uppsåtlig manipulation med finansiella rapporter alltid medför en påverkan i bolagets värde på aktiemarknaden och i sådant fall hur man mäter omfattningen av denna värdeförändring. Vinstmanipulation är således ett intressant ämne då det tycks balansera mellan det lagliga och det mindre lagliga.

Uppsatsen är uppdelad enlig följande: Kapitel 2 förklarar vad vinstmanipulering är och hur det kan ske. I kapitel 3 beskrivs

Periodiseringsmanipulation och forskningen som gjorts inom området, i kapitel 4 redogör vi för forskningsmetod och forskningsunderlag. Kapitel 5 visar våra resultat och analyserar dem. I kapitel 6 presenteras vår slutats.

2. Manipulering av finansiella rapporter

Finansiella rapporter används för att värdera bolags prestationer, att bedöma i vilken utsträckning som bolagets nuvarande prestationer kan användas för att bedöma framtida prestationer, och med stöd av denna analys bestämma om nuvarande aktiepris motsvarar detta bolagets verkliga värde. Ur ett sådant perspektiv är en hög vinstkvalité något som med hög precision beskriver ett bolags nuvarande prestation.

Det är även en god indikator på framtida prestationer och ett sätt att bedöma bolagsvärdet. Vinstkvalité kan också definieras som att vinster är av hög kvalité när avkastning på kapital är ett bra mått på bolagets interna avkastning av bolagets nuvarande portföljtillgångar. Chefer tenderar att vilja ha vinster som är förutsägbara och ihållande för att detta kan förbättra deras rykte med analytiker och investerare.

Dessa vinster är dock av låg kvalité om de inte reflekterar bolagets verkliga värde. De senaste 40 åren har vinstkvalitén för bolag försämrats. Det finns olika teorier om varför detta har skett, dock pekar bevisen mot att den minskade vinstkvalitén är relaterad med ökande antal bolag som rapporterar förluster och engångsrelaterade händelser (Dechow & Schrand, 2004).

Vinstmanipulering är en medveten inblandning i den externa redovisningsprocessen, med motivet att gynna sig själv. Vinstmanipulering inträffar då chefer använder omdömen i finansiell redovisning och planerar transaktioner för att förändra finansiella rapporter för att antingen missleda aktieägare om de underliggande ekonomiska prestationerna av ett bolag eller för att influera egna intressen som beror på de rapporterade redovisningssiffrorna. Om man lägger dessa definitioner av vinstmanipulering med den tidigare nämnda definitionen av vinst kvalité visar detta tydligt på att vinstmanipulering minskar vinstkvalité (Dechow &

Schrand, 2004).

Att manipulera vinst kräver möjlighet och motiv, det finns tre huvudfaktorer som skapar incitament för chefer att manipulera. Faktor nummer ett är då kapitalmarknadstransaktioner är associerade med vinstmanipulering, dvs. att pengar går att tjäna på genom att antingen skapa säkerheter till högre priser eller genom

insider handel. Faktor nummer två är att chefer tenderar att vilja rapportera en uppåtgående kurva på vinst per aktie, med förhoppning att möta analytiker och investerares förväntningar. Den tredje faktorn är de individuella målen som dessa individer har genom sina kontrakt. Det vill säga man tenderar att manipulera för att tillskansa sig en högre bonus. Det existerar mindre vinstmanipulering i länder med stora aktiemarknader, utspritt ägarskap, starka rättigheter hos investerare och stora legala hinder (Dechow & Schrand, 2004).

Vinst kan manipuleras på tre olika sätt; genom periodiseringar, genom manipulation av verkliga ekonomiska händelser och genom att medvetet felklassificera poster inom finansiella rapporter. Det sista sättet skiljer sig från de andra två då detta inte förändrar det slutgiltiga resultatet för bolaget (McVay, 2006).

I denna uppsats har vi avgränsat oss till att bara behandla manipulation av periodiseringar.

Periodiseringsmanipulation förändrar inte transaktioner utan istället övervärderas existerade transaktioner. Till exempel kan man öka inkomster genom att reducera underhåll till tveksamma konton och slippa avskrivningar av tillgångar.

Informationsasymmetrin mellan marknaden och bolaget resulterar i att det är svårt för marknaden att få en korrekt bild av ett bolag genom att enbart analysera intäkter och kostnader. För att minska informationsasymmetrin och ge en mer korrekt bild av bolagets prestation kan bolaget periodisera kostnader och intäkter för att kassaflödet ska bli mer rättvisande (Dechow & Schrand, 2004).

Enligt matchningsprincipen inom redovisningen skall kostnader och intäkter bokföras och periodiseras på liknande sätt. Samtidigt säger realisationsprincipen att intäkter skall redovisas i resultaträkningen först när försäljning skett. (Woelfel, 1993) Således uppstår ett grundläggande samband i sammanhanget mellan periodiseringar och kassaflöde. Periodisering uppstår då inkomster och utgifter bokförs under den period de förbrukas eller intjänas medan den faktiska betalningsströmmen – kassaflödet – sker under en annan period. Exempelvis sker en försäljning på kredit under år t0 och bokförs år t0, men betalningen inkommer inte förrän under år t1.

Samtidigt som periodiseringar potentiellt kan öka relevansen i de finansiella rapporterna skapar de även tillfällen för vinstmanipulering genom sitt beroende av ledningens egna antagen om bolagets framtid. Ju högre graden av bestämmande över periodiseringar blir desto mer ökar möjligheten att bedriva vinstmanipulation. Olika poster ger i olika utsträckning möjlighet för bestämmande; de poster som har hög grad

av bestämmande är kundfodringar, inventarier, andra rörelsetillgångar, anläggningstillgångar, samt pensionsutbetalningar. Poster som har låg grad av bestämmande är kortfristiga skulder och leverantörsskulder samt långfristiga skulder (Dechow & Schrand, 2004).

Periodiseringsmanipulation påverkar tidpunkten för upptäckt av vinst. Ett överskattat resultat från en period indikerar en underskattning för nästa period. Därför är vinstmanipuleringsstrategier baserade på periodiseringsmanipulation bara rationella om den förväntade kostnaden som är associerad med nästkommande periods underskattning inte övertar de förväntade fördelarna med den genomförda periodiseringsmanipulationen. Det är dock inte alltid som fördelarna överträffar nackdelarna, detta förklaras av att chefer till stor del är opportunistiska vid värdering av för och nackdelar. Att periodiseringsmanipulera är inte nödvändigtvis fel enligt GAAP. Bolag har utrymme att själva välja den redovisningsstandard som passar dem bäst. Då olika branscher kräver olika redovisningsstandarder för att producera relevanta årsredovisningar som representerar just deras branschspecifika siffror. I många fall kan dock bolag välja redovisningsstandarder utan att kunna rättfärdiga sina val ekonomiskt. Ett varningstecken som många studier visat är att hög tillväxt i sin absoluta magnitud talar om för oss att bolag håller på med periodiseringsmanipulering (Dechow & Schrand, 2004).

Kvaliteten hos periodiseringarna prissätts av investerare till följd av informationsrisken i ett företags vinst. Låg periodiseringskvalité innebär en ökad informationsrisk och medför högre ränteutbetalningar vilket i sin tur leder till högre kostnader för eget kapital och skulder. Informationsrisk är sannolikheten att företagsrelevant information som finns tillgänglig för investeringsbeslut är av sämre kvalitet, och denna risk har visat sig vara en faktor som inte kan diversifieras bort.

Periodiseringskvalité mäter i vilken utsträckning periodiseringar inom rörelsekapitalet systematiskt kartläggs i kassaflödet från den löpande verksamheten. Vinst hamnar i kassaflöden och periodiseringar i sin tur informerar investerare om inflödet av de redovisade vinsterna in i kassaflöden. Periodiseringskvalité kan bero dels på företagsmodell, storlek och omgivningen i vilken man bedriver sin verksamhet, eller bero på ledningens beslut och hur dessa inverkar på kostnaden för eget kapital. Det är dock periodiseringskvalité som beror på företagsspecifika egenskaper som har störst effekt och inte kan diversifieras bort (Francis, 2005). Genom att dela upp vinsten i en periodiseringsdel och en kassaflödesdel kan man studera fortlevnaden hos var och en

av dessa delar och således även kvalitén på vinsten. Periodiseringsdelen är den mindre uthålliga av dessa två på grund av över eller underuppskattning av nuvarande periodiseringar justeras genom nästkommande periodiseringar, vilket leder till högre omsättning än i kassaflödena. Periodiseringar i sin tur beror på företagets position i livscykeln, längden på företagscykeln och omsättningen inom verksamheten som bedrivs. Avsevärda positiva periodiseringar signalerar investeringar i rörelsetillgångarna (Dechow & Schrand, 2004).

3. Periodiseringsmanipulation

Periodiseringar är ett välstuderat redovisningsområde och det har genom åren förekommit mycket forskning på området. Just graden av manipulation är ofta svårupptäckt i periodiseringar då ett flertal poster innehåller möjlighet för ledningen att utifrån egna antaganden ställer upp prognoser för periodiseringar. Således kan ledningen använda sig av opportunistiska metoder vid periodiseringshantering utan att för den skull gå utanför ramen för det tillåtna (Dechow & Schrand, 2004).

Ett problem vid undersökning av vinstmanipulation genom periodiseringar är att en hög periodiseringsnivå inte nödvändigtvis behöver påvisa förekomsten av möjlig manipulation. Ett företags position i livscykeln påverkar periodiseringsnivån;

företag i stark tillväxtfas införskaffar inventarier och har fler kundfodringar än företag i mognadsfasen och uppvisar följaktligen även högre periodiseringsnivå (Dechow &

Schrand, 2004).

Tidigare forskning har delat upp periodiseringar i två komponenter;

förväntade periodiseringar (nondiscretionary accruals) och onormala periodiseringar (discretionary accruals). Förväntade periodiseringar brukar definieras som den normala nivån som krävs för att genomföra förväntade ekonomiska procedurer och styrs därför av ekonomiska faktorer. Onormala periodiseringar beror däremot enbart på ledningens beslut (Ibrahim, 2009). Det är alltså mätningar av onormala periodiseringar som varit i fokus för forskningen och ett flertal olika modeller har utarbetats för att beräkna denna variabel. Beräkningsmodellerna bygger vanligtvis på att först räkna ut den totala mängden periodiseringar för att sedan subtrahera med dem periodiseringar som anses vara förväntade och på så sätt upptäcka ifall det förekommer onormala periodiseringar. Styrkan på de tester som genomförs vid beräkningar enligt modellerna varierar och den största kritiken som framförts är att

testerna ger felspecificerade resultat då stickurvalet består av företag som uppvisar extrem finansiell prestanda. En gemensam svaghet hos modellerna är att om vinstmanipulering är korrelerad med företagets prestanda så kan alla modeller vara potentiellt felspecificerade. Även periodiseringsmanipulation som föreligger inom ekonomiskt rimlig magnitud är svårupptäckt med hjälp av modellerna och kräver mycket stora stickprov (Dechow, Sloan, & Sweeney, 1995). De mest erkända beräkningsmodellerna enligt vår mening kommer nedan att redogöras för i kronologisk ordning.

Den äldsta modellen för att räkna ut onormala periodiseringar är Healys modell (Healy, 1985). Denna modell jämför medelvärdet på totala periodiseringar skalat med det laggade värdet på totala tillgångar över den variabel man är intresserad av. För att kunna studera eventuell manipulation behövs en period då man antar att ingen manipulation förekommit. Denna kallas beräkningsperiod (estimation period).

Det är mot denna period testas som stickprovsobservationerna från händelseperioden (event period) testas. Det som utmärker modellen från andra modeller är antagandet om att systematisk vinstmanipulation förekommer inom varje period av redovisningsåret och inte enbart i slutet av det. Stickprovet som modellen appliceras på delas upp i tre grupper avseende onormala periodiseringar. I en grupp gör antagandet att vinsten manipuleras uppåt och i de andra två görs antagandet att vinsten kommer manipuleras nedåt. Därefter genomförs ett inferenstest genom parvis jämförelse mellan medelvärdet av totala periodiseringar i gruppen där manipulation spås förekomma och medelvärdet av totala periodiseringar inom var och en av de övriga två grupperna. Detta tillvägagångssätt innebär att observationer där manipulationen antas vara uppåtdriven betraktas som beräkningsperiod medan observationer där manipulation antas vara nedåtdriven utgör händelseperioden.

Medelvärdet av totala periodiseringar från beräkningsperioden blir i slutändan måttet på onormala periodiseringar (Dechow, Sloan, & Sweeney, 1995).

NDA= Beräknade överperiodiseringar

TA= Totala periodiseringar skalade med laggade totala tillgångar

T= 1, 2… T är år inkluderade i beräkningsperioden τ= Ett år beställt som indikerar ett år i händelseperioden

En något förenklad variant på Healys modell är DeAngelo modellen (DeAngelo, 1986). I den är beräkningsperioden för överperiodiseringar begränsat till förra årets observationer. I övrigt är modellerna snarlika då bägge använder sig av totala periodiseringar från beräkningsperioden som proxyvariabel för förväntade onormala periodiseringar. Bägge modellernas svaghet är att om förväntade periodiseringar är konstanta över tiden och onormala periodiseringar har ett medelvärde på noll i beräkningsperioden så uppmäts förväntade periodiseringar utan fel. Men om onormala periodiseringar däremot förändras från period till period så kommer bägge modeller mäta förväntade periodiseringar med fel. Val av lämplig modell baseras således på vilket antagande man gör om tidsseriemönstret som genererar förväntade periodiseringar – om det har ett konstant medelvärde är Healys att föredra. Om förväntade periodiseringar däremot följer en slumpmässig promenad så är DeAngelo mest lämpad. Empiriska bevis tyder på att förväntade periodiseringar ändras i takt med ändringar av ekonomiska omständigheter och kan således inte antas vara konstanta (Dechow, Sloan, & Sweeney, 1995).

Formeln för DeAngelos modell är:

NDA_t=TA_t-1

Att lätta på antagandet om att förväntade periodiseringar skulle vara konstanta leder till Jones modell (Jones, 1991). Här försöker man kontrollera för den effekt som förändringar i ett företags ekonomiska omständigheter har på förväntade periodiseringar. Modellens svaghet är ett implicit antagande om att intäkter inte manipuleras. Om vinsten preparerats av intäkter som inskränkts exempelvis genom att periodisera kundfodringar i slutet av året som så kommer Jones modell exkludera en viss del av periodiseringsmanipulationen. Modellen har visat sig kunna förklara omkring 25 procent av variationen i totala periodiseringar.

NDA_t=

α

α

∆

α

∆REV_t= Intäkter år t minus intäkter år t-1 skalade med totala tillgångar t-1

PPEt = Brutto anläggningstillgångar och inventarier i år t skalat med totala tillgångar t-1 At-1 = totala tillgångar t-1

Alpha räknas ut genom att använda modellen TA1=a1(1/At-1)+a2(∆REV_t)+a3(PPEt)+υ_t

Den modifierade Jones-modellen togs fram som en förbättring av den ursprungliga Jones modellen och har i tidigare komparativa studier visat sig mer tillämplig för att påvisa periodiseringsmanipulation än ursprungliga Jones modellen (Ibrahim, 2009).

NDAt=

α

α

∆

∆

α

Där A står för totala tillgångar och ∆REV står för skillnaden i intäkter från år t till år t-1, ∆AR står för Skillnaden i kundfodringar från år t till år t-1 och PPE står för anläggningstillgångar.

En annan modell som i likhet med Jones inte antar konstant nivå på förväntade periodiseringar över tiden är Dechow & Sloans Industrimodell (Dechow &

Sloan, 1991). Skillnaden mot Jones är att man inte försöker direkt utarbeta determinanterna för förväntade periodiseringar utan gör antagandet att variationen inom determinanterna är vanligt förekommande hos företag inom samma industri.

Kritiken mot modellen är att den tar bort bara den variation i förväntade periodiseringar som är vanligt förekommande inom samma industri. Därför kommer ändringar som beror på omständigheter specifika för just det företaget på grund av dess branschtillhörighet visa på brister i Industrimodellen. Modellen tar även bort variationen i onormala periodiseringar som är korrelerad hos företag inom samma industri; detta blir problematiskt beroende på omfattningen av vinstmanipulerings incitament för den studerade industrisektorn (Dechow, Sloan, & Sweeney, 1995).

NDAt=

γ

γ

γ = Företagsspecifik parameter uppskattas genom OLS på observationerna inom beräkningsperioden.

median1(TAt)= medianen av totala periodiseringar skalat med laggade tillgångar för alla objekt som inte ingår i testet inom samma bransch.

4. Metod

Som verktyg för att testa för periodiseringsmanipulation har vi valt att använda två olika modeller som båda baseras på den ursprungliga Jones modellen. Dessa är modifierade Jones med ändringar av (Kothari, Leone, & Wasley, 2005), som i uppsatsen refereras till som KLW Jones och modifierade Jones med ändringar av (Ibrahim, 2009) som i uppsatsen refereras till som Ibrahim Jones. Två modeller har

valts dels för att öka styrkan i våra fynd och dels för att vi anser det vara intressant att jämföra modellerna sinsemellan då de innehåller olika grader av komplexitet. Bägge modeller baseras på ursprungliga Jones modellen men de har egna modifikationer. De kommer båda att testas på samma data. Nedan redogör vi för modellerna i kronologisk ordning.

KLW Jones modellen föreslår en förbättring av den modifierade Jones modellen där en inkludering av ROA (räntabilitet på totalt kapital) är tänkt att göra modellen mer oberoende av eventuella marknadsegenskaper.

(1) TAt= β1(1/At-1) + β2(∆REVt - ∆ARt) + β3(PPEt-1)+ β4(ROAt)+DACtTotal

TA står för totala periodiseringar och DAC är residualen i regressionen och står för den onormala periodiseringskomponenten. TA, ∆REV-∆AR, samt PPE delas med föregående års totala tillgångar för att undvika heteroskelasticitet.

Den andra modell vi ämnar använda oss av är något mer komplex och togs fram 2009 av Ibrahim. Det finns ett flertal olika poster som bolag kan använda sig av för periodiseringsmanipulation, det vill säga de alla av nuvarande tillgångar är i någon utsträckning påverkbara av justeringar vilket gör dem mottagliga för manipulation.

Tidigare modeller som beskrevs i föregående kapitel samt KLW Jones modellen som beskrivs i detta kapitel, tenderar att enbart testa för ett fåtal av dessa poster åt gången i en och samma regression. I Ibrahims Jones modell däremot, körs regressioner på varje post var för sig. Sedan slås residualvärdena från varje regression ihop till ett samlat mått på den onormala periodiseringsnivån för bolaget under året.

I sin modellkonstruktion utgick Ibrahim från att det enligt Securities and Exchange Commission (SEC) Accounting and Auditing Enforcement Releases (AAER’s) under åren 2000-2004 (fram till oktober 2004) återfanns 133 bolag som påstods ha använt sig av inkomstökände manipulation. Detta hade skett genom;

felaktig rapportering av intäkter, felaktig upptagning av intäkter till exempel från bill- and-hold försäljning, öka nedskrivningarna på leverantörsskulder för skadade varor, minska kundfodringar och kostnad sålda varor med förväntade rabatter, utebliven rapportering av lagerminskning, undvika avskrivningar genom att utan stöd öka livslängden på tillgångar. Således indikerade denna undersökning på att manipulation förekommer inom fler poster än en. Utifrån detta anser vi att en mer detaljerad modell kan ha högre precision och Ibrahims modell kan således vara mer relevant än de

föregående modellerna. Det är också möjligt att den ökade komplexitet som Ibrahims modell har inte tillför något mer än de tidigare modellerna. Modellen är som tidigare nämnt en utvidgning av den modifierade Jones modellen och ändras på så vis att den mäter periodisering inom varje relevant post separat. Den lägger till år t-1 för respektive periodiseringsomsättningshastighet till kontona fodringar, lager, kortfristiga skulder och andra rörelsekapitals regressioner. Dessa specifika omsättningsratios är inkluderade i en proxyvariabel för de periodiseringspolicys som antogs under föregående år. Det läggs också till en proxyvariabel för nuvarande prestationsnivå i regressionerna. Onormal periodisering mäts som resttermen i följande fem regressioner:

(2) ∆ARt=α 11 + β 11(1/At-1) + β21(∆REVt - ∆ARt) + β31(ARt-1/REVt-1) + β41ROAt + DARt

(3) ∆INV_t=α ₁₂+β ₁₂(1/A_t-1)+ β₂₂(∆REV_t - ∆AR_t) + β₃₂ (INV_t-1/COGS_t-1) + β₄₂ROA_t + DARt

(4) ∆APt=α 13+β 13(1/A_t-1)+ β23(∆REVt - ∆ARt) + β33(AP_t-1/PURCH_t-1) + β43ROA_t + DAP_t

(5) ∆OWCt=α 14+β 14(1/A_t-1)+ β24(∆REVt - ∆ARt) + β34(OWC_t-1/REV_t-1) + β44ROA_t + DOWC_t

(6) ∆DEPt=α 15+β 15(1/At-1)+ β25(∆REVt - ∆ARt) + β35PPEt + β45ROAt + DDEPt

För att undvika heteroskelasticitet har alla delta variabler blivit delade med de med föregående års totala tillgångar. ∆ARt står för ökning eller minskning i fodringar från år t-1 till år t, ∆INVt är ökningen eller minskningen av lager från år t-1 till år t,

∆APt Är ökningen eller minskningen för kortfristiga skulder från år t-1 till år t,

∆OWCt är den negativa förändringen i annat rörelsekapital definierat som (∆TAXt +

∆OTHt) där ∆TAXt är ökningen eller minskningen i skattefodring från år t-1 till år t och ∆OTHt är den negativa förändringen i andra nuvarande tillgångar och skulder från år t-1 till år t. ∆DEP_t är den negativa avskrivningen under år t, A_t-1 är de laggade totala tillgångarna under år t, REVt är totala intäkter under år t, COGSt-1 är kostnaden av sålda varor under år t-1, PURCHt-1 är inköp under år t-1, ROAt är avkastningen under år t uträknad som netto avkastningen under år t dividerat med totala tillgångar i början av år t. Vad gäller residualvärdena är DARt är onormala periodiseringar på

fodringar under år t, DINV_t är onormala periodiseringar på varulager under år t, DAP_t är onormala periodiseringar under kortfristiga skulder under år t, DOWC_t är onormala periodiseringar av annat rörelsekapital under år t och DDEP_t är onormala periodiseringar av avskrivningar under år t. Summan av ovanstående residualvärden blir de totala onormala periodiseringarna:

(7) DACttot

=DARt + DINVt + DAPt + DOWCt + DDEPt

För att kunna studera sambandet mellan bolagens aktiekurser och manipulationsvärden skapar vi en aktieportfölj där vi använder oss av relativprisindex. Relativprisindex innebär en slags deflatering av prisutvecklingen för en viss vara eller grupp i förhållande till den allmänna prisutvecklingen. Matematiskt är det en division mellan två indexserier där den studerade varan eller gruppens index divideras med index för en större jämförelsegrupp, exempelvis ett branschindex.

Stockholmsbörsens SIX General Index är i detta fall representativt som branschindex.

Vi skapar ett index för vår portfölj med år 2004 som basår och dividerar den med ett index på utvecklingen inom SIX General Index med år 2004 som basår. På så vis skapar vi ett relativprisindex som visar på den eftersökta värdeutvecklingen för just våra periodiseringsaktier jämfört med den allmänna värdeutvecklingen på aktiemarknaden under den studerade tidsperioden. Vi studerar även en kurva som visar enbart den deflaterade aktieutvecklingen, tabell 8 och figur 3.

(8) IndexRelativpris = IndexStuderad grupp / IndexJämförelsegrupp IndexStuderad grupp = Portföljvärdet / Portföljvärdet0

IndexJämförelsegrupp = SIX General indext / SIX General indext0

De regressionsvariabler som vi valt att studera är värden för justerade R², signifikansen, t-värdet och koefficienterna. För tabellsammanställningen av regressionskoefficienter har unstandardized coefficients använts. Alfa är modellens skärningspunkt med y-axeln. R² värdet benämns som förklaringsgrad för modellen, ju högre R² värdet är desto bättre anpassning har regressionsmodellen då den ligger närmare dataunderlaget. När modellen innehåller flera förklarande variabler på samma material behöver R² värdet anpassas och det är då det justerade R² värdet används vid jämförelser av regressionsanpassningar. Justerade R² värdet ökar bara om de nya förklarande variablerna förbättrar modellen mer än vad som kan anses vara

beroende på slumpen (Andersson, 2007, s. 94). I och med stickprovets storlek på 152 observationer kan man anta att t-fördelningen ansluter sig nära normalfördelningen.

För ett 95 % dubbelsidigt konfidensintervall så behöver därför t-värdet på koefficienterna vara högre än 1,96 för att de ska vara statistiskt signifikanta. Ju högre t-värdet är desto säkrare kan man vara på att avvikelsen som observerats inte orsakats av enbart en slump (Andersson, 2007, ss. 59-61). I Sig-kolumnen har signifikansen för varje variabel mätts och det krävs att signifikansvärdena ska vara under 0,05 för variabeln ska vara statistiskt signifikant i modellen.

I vår empiriska studie har utgångspunkten varit att använda redovisad data från aktiva bolag noterade på den svenska aktiemarknaden mellan perioden 2004-04- 01 till 2008-04-01 och vars aktier handlas i svenska kronor. Resultatet blev 357 bolag, därefter exkluderades banker och finansiella institut på grund av att de tillämpar annan redovisningsmetodik. Informationsinhämtningen har skett från Datastream¹ och det medförde en ytterligare begränsning av antalet studerade bolag då nödvändig data för relevanta poster inte alltid varit tillgänglig. Därför har ibland snarlika poster används, vid tillfällen då snarlika poster inte existerat har egna formler applicerats för att utvinna relevant information. Det gjordes även en avvägning av längden på studerad tidsperiod och forskningsunderlaget då bolag fick sållas bort allt eftersom på grund av inaktivitet eller avsaknad av redovisad information.

Slutligen bestod vårt underlag av 152 bolag fördelade över 17 olika branscher.

Den största branschen innehåller 50 bolag medan den minsta endast innehöll ett bolag. Då det är en stor skillnad i storlek mellan de olika branscherna kan inte resultat för de små branscherna ses som representativt för branschen som helhet. Tabell ett beskriver bolagens fördelning över branscher. Tabell två visar den deskriptiva statistiken för hela forskningsunderlaget för samtliga modeller. Bilaga tre är en sammanställning av de olika variablerna som använts vid beräkningarna och deras respektive beteckningar i Datastream.

Tabell 1. Fördelning av bolag över branscher.

Bransch Frekvens Procent

1 Thomsons Reuters Datastream är en av världens största databaser för finansiell information.

Automobiles & Parts 5 3,29%

Basic Resources 8 5,26%

Chemicals 1 0,66%

Construction & Materials 8 5,26%

Food & Beverage 3 1,97%

Health Care 16 10,53%

Industrial Goods & Services 50 32,89%

Media 5 3,29%

Oil & Gas 3 1,97%

Personal & Household Goods 10 6,58%

Real Estate 1 0,66%

Retail 5 3,29%

Technology 28 18,42%

Telecommunications 2 1,32%

Travel & Leisure 5 3,29%

Utilities 2 1,32%

Summa 152

Tabell 2. Deskriptiv statistik för hela forskningsunderlaget.

Kolumn1 Medel Median Standardavvikelse Min Max

TA -415008 -13295,5 1863958,537 -16944000 7927008

ΔAR 283155,8 14800 1402634,807 -4224992 16338000

ΔINV 190659,9 2972 922689,4701 -6565000 11400000

ΔAP 108044,3 4498,5 758803,3395 -2512000 14583010

ΔDEP 4076,67 647 280160,6156 -5035000 1828000

ΔOWC -331024 -7480 2624730,724 -36621000 22114970

ΔREV 900373 72500 3410891,663 -25621010 30158000

A 12043025 767986,5 34058703,62 3799 312864000

ROA 2,62% 6,10% 22,21% -241,60% 129,70%

AR 2548263 189432 8054486,069 10 81626000

REV 11910112 1092757 30876718,34 0 285404900

INV 1389887 97193,5 4046260,561 0 43645010

COGS 8271078 774834,5 21937204,39 0 207126000

AP 1154694 80368 3886622,271 8 52663010

PURCH 8394495 783915 22252287,99 -863 216560000

OWC -761877 -42994,5 4791488,623 -47854010 52600980

PPE 3396863 111190 10484890,84 0 88411010

5. Resultat

I detta kapitel presenterar och analyserar vi resultatet av den empiriska undersökningen. De värden på onormala periodiseringsnivån som de olika modellerna ger är inte tänkta att jämföras sinsemellan då de saknar faktiska enheter som exempelvis kronor. Istället är det mer intressant att studera eventuella trender över tidsperioden. Genom att dela varje värde med respektive modells basår kan man

lättare studera hur de olika modellerna förändras relativt basåret men även i förhållande till varandra. För att åskådliggöra grunden för denna deflatering presenteras nedan faktiska siffror av den onormala periodiseringsnivån för respektive modell under varje år. I tabell tre går det att utläsa de olika testvärden som modellerna producerat.

Tabell 3. Faktiska värden på totala onormala periodiseringsnivån från KLW Jones, Ibrahim Jones och Ibrahim Jones delkomponenter under hela testperioden.

Model 2004 2005 2006 2007 2008

KLW -2E-05 0 -6E-05 2E-05 -2E-05

Ibrahim 6E-05 -1,40E-04 5E-05 2E-05 5E-05

DAR 3E-05 -3E-05 4E-05 5E-05 -2E-05

DINV 2E-05 -3E-05 3E-05 -5E-05 3E-17

DAP 1E-05 0 5E-05 -2E-05 -7E-17

DOWC -2E-05 -1E-05 -2E-05 3E-05 -1E-05

DDEP 2E-05 -7E-05 -5E-05 1E-05 8E-05

För att möjliggöra en trendanalys av modellerna har år 2004 satts som beräkningsperiod mot vilken vi sedermera delar händelseperioden 2005-2008. Att utgå från fullständig enlighet med antagandet om att det under beräkningsperioden inte försiggår någon manipulation är givetvis en grov förenkling. Dock är det endast i en längre mätperiod som det skulle vara möjligt att uttala sig om periodiseringsnivåerna för just 2004 kan sägas vara mer relevanta än för något annat år. Det är fullt möjligt att 2004 kan tillhöra en period med särskilt hög periodiseringsmanipulation varvid en jämförelse av händelseperioden skulle få andra tolkningar. Även om sådan studie förefaller som högst intressant ligger sådana beräkningar utanför ramarna för denna uppsats.

Att värdet på den onormala periodiseringskomponenten, den så kallade – residualsumman, hos dem studerade bolagen är större än noll är en signal om att det kan ha förekommit periodiseringsmanipulation. Residualsumman står som bekant för den delen av ett företags totala periodiseringar som inte kan förklaras utifrån den nödvändiga periodiseringsnivån för att upprätthålla verksamheten. Att denna summa är skild från noll och fluktuerar, oavsett om den minskar eller ökar relativt beräkningsperioden, kan med den teoretiska bakgrunden sägas påvisa att det försiggår periodiseringsmanipulation. Att komponenten har uppmätts med hjälp av två modeller, varav en är mycket mer omfattande än den andra, ökar tilltron hos denna signal. Det kan tyckas att de framräknade värden på den onormala periodiseringskomponenten är låga och vi tror att storleken på forskningsunderlaget

kan ha spelat roll. Tidigare forskning baseras ofta på den amerikanska aktiemarknaden som är avsevärt större än den svenska aktiemarknaden. Således blir underlaget mer omfattande än i vår studie. En annan faktor som kan ha bidragit till dem låga värdena är att vårt underlag hade en ojämn branschfördelning där två sektorer dominerade stort. Detta kan ha påverkat resultatet på så vis att olika branscher kan gynnas av olika redovisningsstandarder och på sätt ges bolagen inom branschen en potentiell möjlighet att genomföra vinstmanipulation i allmänhet och periodiseringsmanipulation i synnerhet. På grund av en ojämn branschfördelning har vi inte kunnat studera variationer inom enskilda branscher för att se om periodiseringsmanipulation är mer förekommande inom någon särskild bransch. Om så vore fallet kan det ha påverkat våra testresultat då underlaget hade två särskilt tongivande branscher - Industrial Goods and Services som utgjorde cirka 33% av underlaget och Technology som utgjorde cirka 18% av underlaget. Andra begränsande faktorer som kan ha haft inverkan på resultatet är begränsningarna i Datastream då relevant data inte alltid varit tillgänglig.

Om vi studerar utvecklingen under händelseperioden relativt beräkningsperioden kan man konstatera en indikation om avsevärda procentuella svängningar inom residualsummorna. Det är inte relevant att fokusera på värden då onormala periodiseringar saknar siffervärde i exempelvis kronor. Själva förekomsten av svängningar blir således ett högst intressant fenomen då det tyder på att det försiggår aktivitet inom bolagens periodiseringsposter som inte kan förklaras av enbart ekonomiska handlingar. Härvid blir det intressant att studera hur de två olika modellerna noterar denna utveckling. Själva grundstommen i Ibrahims modell är i stort sett identisk med variablerna i KLW modellen; deflaterade (1/A), (REC-REV), ROA och i vissa fall även PPE. Sedan tillämpas en vidareutveckling och fördjupning för fem olika delposter. Därför är det intressant att just denna vidareutveckling ger under 2004-2006 nästan helt identisk utveckling men åt motsatta håll. Dock är det inte genomgående för perioden 2006-2008.

För att öka jämförbarheten mellan modellerna har vi valt att använda år 2004 som riktmärke för övriga år. Vi gör därför antagandet att det under år 2004 inträffar noll onormala periodiseringar. Värdena för de övriga åren visar därför den procentuella förändringen från år 2004.

Tabell 4. Nivån på onormala periodiseringar i procent för KLW Jones, Ibrahim Jones, Ibrahim Jones delkomponenter, Aktiekurser och Relativprisindex med år 2004 som basår.

Modell 2004 2005 2006 2007 2008

KLW 0,00% -100,00% 200,00% -200,00% 0,00%

Ibrahim 0,00% -333,33% -16,67% -66,67% -16,67%

DAR 0,00% -200,00% -233,33% 25,00% -140,00%

DINV 0,00% -250,00% -200,00% -266,67% -100,00%

DAP 0,00% -100,00% 0,00% -140,00% -100,00%

DOWC 0,00% -50,00% 100,00% -250,00% -133,33%

DDEP 0,00% -450,00% -28,57% -120,00% 700,00%

Aktiekurs 0,00% 40,10% 71,88% 58,08% -10,37%

Realtivprisindex

0,00% 23,33% 9,45% -14,36% -39,54%

Figur 1. Illustrerar nivån på onormala periodiseringar i procent för KLW Jones och Ibrahim Jones med år 2004 som basår.

Figur 2. Illustrerar nivån på onormala periodiseringar i procent för KLW Jones, Ibrahim Jones, Aktiekurser och Relativprisindex med år 2004 som basår.

Figur 3. Figur som illustrerar utvecklingen av onormala periodiseringsnivåer i procent för KLW Jones samt Ibrahim Jones uppdelad i sina delkomponenter med år 2004 som basår

Det förefaller finnas att de bägge modeller är i fas men med en viss förskjutning sinsemellan; under 2004-2005 faller Ibrahims modellvärden mer än KLW som under år 2005-2006 ökar mer än Ibrahims. Under 2006-2007 pekar bägge modeller på en nedgång som blir djupare för KLW än för Ibrahim. Värt att notera är att även om den procentuella förändringen varierar mellan modellerna så förefaller de följa samma trend; de indikerar en uppåt eller nedåtgående trend vid samma tidpunkt.

Om man gör antagandet att det inte sker någon manipulation under år 2004 kan man dra slutsatsen att alla värden som inte stämmer med 2004 års värden indikerar två olika saker: antingen har det förekommit manipulation under det studerade året eller att det redan förekom manipulation under år 2004. Det sistnämnda skulle i sådant fall innebära att manipulation redan förekommer under samtliga år som vi testat för och att de trender vi analyserar är enbart avvikelser från onormala periodiseringsnivån innan år 2004. Innan vi genomförde testet förväntade vi oss att Ibrahim Jones med sin ökade komplexitet skulle ge oss ett annat utfall än KLW Jones. Testet ger oss olika utfall men båda modellerna tycks kunna ge en indikation om att den procentuella ökningen kommer åtminstone vara av samma tecken. Även om Ibrahim Jones modellen har starkare förklaringsgrad på sina regressioner än KWL (Se bilagor 1-6) kan det inte utifrån dem trender vi observerat inte hävdas att modellens ökade detaljrikedom skulle kunna påvisa markant annorlunda resultat än KWL.

Att den procentuella nivån på onormala periodiseringsnivåerna fluktuerar kan betyda att manipulation inte går att upprätthålla på en jämn nivå under flera år. Det styrks av att periodiseringsmanipulation egentligen innebär en fördröjning av tidpunkten för upptäckt av betalningsströmmen och att denna tidpunkt kan ha infallit under året och redan blivit åtgärdad av ledningen. Manipulationen kan alltså minska i tillräckligt stor omfattning att summan blir plus minus noll för en post i årsredovisningen. Fluktuationerna i modellernas trendlinjer kan också betyda att manipulation skiftas till andra poster som exempelvis KLW Jones inte räknar med men Ibrahims Jones gör. Detta skulle i sådant fall kunna avsevärt påverka utvecklingen inom modellens trendlinje över tiden.

Att Ibrahim Jones använder sig av ett fem regressioner per år istället för en regression som i KLW Jones gör intressant att titta på utvecklingen inom de olika delkomponenter som Ibrahim Jones bygger på. En utökning av regressioner kan göra modellen mer exakt då fler poster och ratios kan tas med i beräkningarna men det kan även medverka till att irrelevant data tas upp. En fråga som man kan ställa sig är;

behövs verkligen alla Ibrahims regressioner eller räcker KLWs enda regression.

Ibrahim motiverar de ökade delkomponenterna med Securities and Exchange Commission (SEC) Accounting and Auditing Enforcement Releases (AAER’s) undersökning som pekade på att bolag väljer att använda en mängd olika poster för att manipulera. Med stöd av denna undersökning bör Ibrahim Jones bli ett mer exakt test då den testar alla de poster som undersökningen tar upp till skillnad från KLW Jones som enbart använder sig av variablerna anläggningstillgångar, intäkter, kundfodringar och ROA.

Överlag tycks Ibrahims delkomponenter följa varandra även om de reagerar olika starkt. Märkbart är att komponenten AR (kundfodringar) under större delen av den studerade tidsperioden går åt motsatt håll i förhållande till de andra komponenterna. Komponenten DEP (avskrivningar) reagerar sedan väldigt starkt under slutet av testperioden och ökar flerdubbelt. En fördel med att Ibrahim Jones modellen är att den tar i beaktande fler poster än KWL Jones. Den ökade noggrannhet i beräkningsmetodiken som denna utvidgning medför kan medföra att det blir svårare för företagsledningar som önskar öka manipulationen att genomföra sina planer. Om ledningen är medveten att alla finansiella poster där man har haft svängrum nu tas med i beräkningarna kan minska viljan att manipulera. Förutsättningen för att detta skulle vara sant är dock att dels att ledningen är medveten om att tester med KLW

Jones och Ibrahim Jones modellerna genomförs samt att det finns incitament för att faktiskt undvika indikationer om periodiseringsmanipulation inom dem finansiella sammanställningarna. Om dessa kriterier inte uppfylls ter det sig troligen oväsentligt att utöka modellerna ytterligare då informationen som utvinns med hjälp av dem inte får gehör på marknaden.

Härav kommer vi in på det andra syftet med uppsatsen: att testa om det föreligger ett samband mellan de nivåer på onormala periodiseringar som de testade modellerna uppvisar och de undersökta bolagens aktiekurser. Av testets resultat kan vi utläsa att aktiekursernas svängningar inte helt överstämmer med manipulationssvängningarna. Under den studerade tidsperioden går aktiekursen under två år åt samma håll som manipulationsnivåerna och under två år sår dessa två åt olika håll. År 2005 indikerar modellerna att det förekommer väldigt lite manipulation vilket får sin effekt år 2006 då modellerna indikerar en ökad grad manipulation samtidigt som aktiekursen stiger. Detta får sin effekt år 2007 då aktiekursen och manipulationen sjunker. Detta skulle kunna innebära att stora svängningar i manipulation är tillräckliga för att påverka aktiekurserna medan små svängningar i manipulationen inte får samma genomslag. Den enskilda posten som har förhållandevis samma utveckling som aktiekursen genom åren är inventarier då den ligger på ungefär samma nivå fast med omvänt tecken.

Skillnad skulle också kunna bero på det förhållandet mellan stora och små bolag och den inverkan som ett bolags modell och storlek har på periodiseringskvalitén. I ett litet bolag skulle det eventuellt kunna vara lättare för manipulation att få genomslag i aktiekursen. Det kan ha att göra med att små bolag ofta förbises av analytiker och utan en genomgående extern analys kan således investeringsbesluten basera sig på enbart redovisade resultat så som exempelvis vinst.

Därmed kan underlaget för investeringsbeslutet bli missvisande; att studera vinsten utan att ta i beaktande vinstkvalitén på denna ger inte hela bilden. God vinstkvalité sammankopplas med förutsägbara och ihållande vinstnivåer och om dessa innehåller manipulation kan det verka menligt på investeringsbeslutet. Investerare kan således överskatta – eller underskatta – bolagets verkliga värde vilket avspeglar sig i aktiekursen. Att all fokus läggs på endast ett begränsat antal poster gör det därmed lättare att undgå upptäckt av manipulation inom en eller flera av dem andra posterna.

Små bolag i uppstarts- och tillväxtfasen inom sin livscykel uppvisar ofta stora periodiseringsnivåer då man köper in inventarier och ökar lager för att kunna

expandera. Därav kan det finnas svårigheter i att se vad som är egentlig periodiseringsnivå och vad som är tillspetsad periodiseringsangivelse. Detta argument har dock vändas tvärtom och appliceras på stora bolag; ett bolag som omsätter stora summor kan maskera manipulation av mindre belopp som då dessa skulle kunna förloras i ”bruset”. Är det ett etablerat bolag kan det även ha fler poster att använda sig av än ett litet. Däremot kan bolaget följas av analytiker och denna externa granskning kan göra det svårare att undgå upptäckt av ledningsstyrda periodiseringsbeslut. Härav kan man dra en parallell mellan yttre tillsyn och upprätthållandet av en god periodiseringskvalité. Gemensamt är dock att manipulationen får samma effekt på resultatet som jämfört med ett litet bolag – en oriktig framställning av bolagets finansiella ställning.

Som tidigare beskrivit i den teoretiska bakgrunden är det tre huvudfaktorer som skapar incitament för chefer att manipulera; pengar går att tjäna på antingen genom att skapa säkerheter till högre priser eller genom insiderhandel, att chefer tenderar att vilja rapportera en uppåtgående kurva på vinst per aktie eller att chefer vill uppnå de individuella kontraktsmålen. För att man skall kunna uppnå analytikers förväntningar och rapportera en uppåtgående vinst per aktie eller för att man skall kunna tjäna pengar genom insiderhandel, krävs att analytiker och marknaden inte är medvetna om att manipulation förekommer. Om man utgår från antagandet om perfekt marknad där alla aktörer har fullständig information och är medvetna om att manipulationen existerar bör inte marknaden påverkas av periodiseringsmanipulation.

Detta eftersom den informationsrisk som periodiseringsmanipulation kan innebära för investerare redan tas i beaktande när man investerar i bolagets aktier då aktieköp styr av en bedömning av hur väl bolaget kommer att kunna prestera finansiellt över en viss tidsperiod. Bolag som använder sig av periodiseringsmanipulation kan således öka informationsrisken i sin vinst. Detta borde i sin tur påverka vinstkvalitén då vinsten inte längre kan fungera som en god indikator på framtida prestationer om periodiseringsdelen i vinsten påverkats av annat än rena ekonomiska faktorer. Låg vinstkvalité gör det svårare att korrekt bedöma bolagsvärdet och därför är det intressant att studera hur bolagens aktier har värderats av marknaden. Om antagandet om perfekt marknad stämmer skulle marknadens värdering av bolaget, aktiekursen, redan innehålla en justering för att periodiseringsnivån inom bolaget och på så vis inte ge märkbara utslag i en jämförande studie med nivåerna på dem onormala periodiseringarna. Vår tillämpning av relativprisindex är tänkt att lättare kunna

åskådliggöra den värdeförändring som skett inom de aktier som ingått i vår periodiseringsportfölj. Detta sker genom att man räknar bort marknadsutvecklingen på börsen som helhet och studerar enbart utvecklingen inom portföljen. Vi antar att det kan ha förekommit bolag som uppvisat noll på onormala periodiseringsnivåer antingen under ett specifikt år eller på en delkomponent. Dock har inget av dem ingående bolagen uppvisat en nollnivå under alla år vilket styrker antagandet om att portföljen ändå kan ses som representativ för bolag där periodiseringsmanipulation förekommer. Det går att observera en viss trend i portföljens värdeutveckling; när bägge modeller tyder på nedåtgående nivåer av onormala periodiseringar ökar värdet på portföljen. När modellerna signalerar ökning av onormala periodiseringsnivåer minskar dock värdet på portföljen. Även om trenden inom portföljen inte är en exakt åtföljning av de tillämpade modellernas mönster så kan ändå ett svagt samband urskiljas. I denna uppsats testar vi enbart för periodiseringsmanipulation och därav går det inte att uttala sig säkert för att värdeförändringen för periodiserade aktier beror på just sämre vinstkvalité och vinstmanipulering. Genomför man flera komplimenterande tester samtidigt som inkluderar manipulation av verkliga ekonomiska händelser, felklassificiering inom finansiella rapporter samt periodiseringsmanipulation är det inte otänkbart att ett mer tydligt samband kan åskådliggöras.

Studerar man regressionsdatan (se bilagor 1-6) från KLWs modell ger den modellen förhållandevis låga R² värden utom för år 2006 med 26,6 % och år 2008 med 10,4 %. Just 2006 är det året som uppvisar flest signifikanta värden där alla ingående variabler blir signifikanta. Under 2008 blir tre av fem variabler signifikanta.

Alfa för alla åren blir signifikant. Ibrahims modell saknar ett justerat R² värde för året då de enskilda posterna detaljstuderas. Ser man till delposternas R² värden och deras variation över åren är det OWC som har genomgående de lägsta. De övriga posternas förklaringsgrad följer ett beg-och-dal-bane-mönster där höga värden ett år följs av låga nästa, för att följas av högre värden år 3. Det medför att andelen av variation inom de olika delposterna över hela tidsperioden inte alltid kan förklaras av ett linjärt samband mellan dem och de oberoende variablerna. När det gäller signifikanta variabler är det en mer jämn spridning där man finner signifikanta variabler inom nästan alla poster under ett år. En skillnad mot KWLs modell är att alfavärdena oftare blir ickesignifikanta. Se bilagor för regressionsdata.

6. Slutsats

Den empiriska studie som vi genomfört indikerar att det förekommer periodiseringsmanipulation inom bolag noterade på den svenska marknaden. Både modellerna Ibrahim Jones och KLW Jones indikerar att det årligen förekommer förändringar av onormala periodiseringar. Då testet utförts under en relativt kort tidsperiod är det svårt att identifiera vad som är den normala nivån för denna typ av periodiseringar. Det kan innebära att de svängningar som modellerna indikerar på är för små för att märkas av marknaden.

För att påvisa om marknaden påverkas av periodiseringsmanipulation har två tester genomförts. Det första testet undersökte sambandet mellan testbolagens aktiepris från år till år och deras respektive manipuleringsresultat. Detta test fann inte ett samband som påvisar att manipulationen påverkar aktiepriset. Istället skapades ett relativprisindex för att se om det tydligare gick att se ett samband då marknadsavkastningen dragits av. Detta test upptäckte ett visst samband mellan manipulationstrenden och aktietrenden. Dock är det svårt att dra slutsatser om värdeutveckling för enskilda bolag då detta test utförts på hela testgruppen gemensamt.

Då periodiseringar möjliggör för bolag att själv bestämma hur de vill hantera vissa poster inom den finansiella redovisningen skapas tillfällen för manipulation.

Vårt test visar att dessa tillfällen utnyttjas. Enligt modellernas resultat uppvisade inget av testbolagen nollvärden för manipulation under testperioden. Av detta kan man dra slutsatsen att alla bolag manipulerar i någon utsträckning, man kan också dra slutsatsen att modellerna alltid indikerar någon form av manipulation.

För framtida forskning skulle det vara intressant att undersöka om manipulation skiljer sig mellan branscher. Vidare skulle funna sambandet mellan relativprisindex och manipulations trender behöva testas under en längre testperiod. Om sambandet mellan relativprisindex och resultat från manipulations modeller korrelerar, skulle det bekräfta att manipulation existerar i tillräckligt stor utsträckning för att påverka marknaden.

Litteraturförteckning

Andersson, G. (2007). Regressions och tidsserieanalys. Lund: Studentlitteratur.

DeAngelo, L. (1986). Accounting numbers as market valuation substitutes: A study of managemnet buyouts of public stockholders. The Accounting Review , 61, ss. 3-36.

Dechow, P. M. (1994). Accounting earnings and cash flows as measures of firm performance The role of accounting accruals. Journal of Accounting and

Economics (18), ss. 3-42.

Dechow, P. M., & Schrand, C. M. (2004). Earnings Quality.

Dechow, P. M., & Sloan, R. G. (1991). Executives incentives and the horizon

problem: An empirical investigation. Journal of Accounting and Economics , 14, ss.

51-89.

Dechow, P. M., Sloan, R. G., & Sweeney, A. P. (1995). Detecting Earnings Management. 70 (2), ss. 193-225.

Francis, J. (2005). The Market Pricing of Accruals Quality. Journal of Accounting and Economics. (39), ss. 295-327.

Healy, P. M. (1985). The effect of bonus schemes on accounting decisions. Journal of Accounting and Economics , 7, ss. 85-107.

Ibrahim, S. S. (2009). The Usefulness of Measures of Consistency of Discretionary Components of Accruals in the Detection of Earnings Management. (36), ss.

1087–1116.

Jones, J. (1991). Earnings management during import relief investigations.

Journal of Accounting Research , 29, ss. 193-228.

Kothari, S. P., Leone, A., & Wasley, C. (2005). Performance Matched Discretionary Accrual Measures. Journal of Acounting & Economics , 39, ss. 97-163.

McVay, S. E. (2006). Earnings Management Using Classification Shifting: An Examination of Core Earnings and Special Items. (81), ss. 501-531.

Woelfel, C. (1993). Financial Statement Analysis: The Investor's Self-Study to Interpreting & Analyzing Financial Statements, ss.10-11.

Bilagor

Bilaga 1. Resultat från Ibrahim Jones regressionerna för år 2004

År 2004 N=152 Koefficient t Sig

α 0,026 1,563 0,12

1/A -92,047 -0,256 0,798

(ΔREV-ΔAR)/A 0,102 9,229 0

ROA -0,037 -1,035 0,303

AR/REV 0,011 0,171 0,864

AR AdjR² = 0,491

α 0,006 0,789 0,431

1/A -129,926 -0,491 0,624

(ΔREV-ΔAR)/A 0,098 12,069 0

ROA -0,177 -6,966 0

INV/COGS -0,015 -0,74 0,461

INV AdjR² = 0,712

α 0,013 2,078 0,039

1/A 5,722 0,028 0,977

(ΔREV-ΔAR)/A 0,072 11,696 0

ROA -0,12 -6,11 0

AP/PURCH -0,026 -1,125 0,263

AP AdjR² = 0,697

α 0,014 0,395 0,694

1/A 1063,581 0,809 0,42

(ΔREV-ΔAR)/A -0,017 -0,412 0,681

ROA 0,114 0,889 0,375

OWC/REV 0,009 1,151 0,252

OWC AdjR² = -,012

α -0,016 -2,465 0,015

1/A -208,645 -1,124 0,263

(ΔREV-ΔAR)/A 0,056 9,971 0

ROA -0,09 -5,131 0

OWC/REV 0,038 2,11 0,037

DEP AdjR² = 0,595

Bilaga 2, Resultat från Ibrahim Jones regressionerna för år 2005

År 2005 N=152 Koefficient t Sig

α 0,023 1,211 0,228

1/A 630,812 1,612 0,109

(ΔREV-ΔAR)/A 0,051 2,896 0,004

ROA 0,004 0,127 0,899

AR/REV 0,112 1,444 0,151

AR AdjR² = 0,064

α 0,027 2,524 0,013

1/A 208,863 0,561 0,576

(ΔREV-ΔAR)/A 0,079 4,772 0

ROA -0,01 -0,308 0,758

INV/COGS 0,01 0,469 0,64

INV AdjR² = 0,114

α 0,024 4,95 0

1/A -90,671 -0,485 0,628

(ΔREV-ΔAR)/A 0,035 4,211 0

ROA -0,01 -0,598 0,551

AP/PURCH -0,002 -0,612 0,541

AP AdjR² = 0,091

α -0,063 -2,173 0,031

1/A 777,44 0,695 0,488

(ΔREV-ΔAR)/A 0,072 1,459 0,147

ROA 0,127 1,276 0,204

OWC/REV -0,00005221 -0,014 0,989

OWC AdjR² = -0,001

α -0,013 -2,494 0,014

1/A -95,553 -0,524 0,601

(ΔREV-ΔAR)/A 0,025 3,117 0,002

ROA -0,022 -1,358 0,173

OWC/REV 0,018 2,792 0,006

DEP AdjR² = 0,101

Bilaga 3, Resultat från Ibrahim Jones regressionerna för år 2006

År 2006 N=152 Koefficient t Sig

α 0,025 2,641 0,009

1/A -62,731 -0,21 0,834

(ΔREV-ΔAR)/A 0,191 7,34 0

ROA -0,025 -0,759 0,449

AR/REV -0,03 -1,012 0,313

AR AdjR² = 0,255

α -0,006 -0,818 0,415

1/A -192,873 -0,768 0,444

(ΔREV-ΔAR)/A 0,173 7,922 0

ROA -0,032 -1,167 0,245

INV/COGS 0,021 1,194 0,234

INV AdjR² = 0,297

α 0,012 2,017 0,045

1/A -104,728 -0,421 0,674

(ΔREV-ΔAR)/A 0,115 5,332 0

ROA -0,042 -1,549 0,124

AP/PURCH -0,042 -3,108 0,002

AP AdjR² = 0,191

α 0,006 0,343 0,732

1/A 380,644 0,47 0,639

(ΔREV-ΔAR)/A -0,15 -2,134 0,034

ROA -0,116 -1,895 0,06

OWC/REV -0,003 -1,963 0,051

OWC AdjR² = 0,059

α 0,001 0,521 0,603

1/A 69,755 0,855 0,394

(ΔREV-ΔAR)/A 0,011 1,548 0,124

ROA -0,047 -5,377 0

PPE/A 0,013 2,641 0,009

DEP AdjR² = 0,172