Upload
others
View
3
Download
0
Embed Size (px)
Citation preview
Frans Lönngren
Finansiella nyckeltals förmåga att förutspå konkurs -
En kvantitativ studie av finländska små och medelstora företag
Pro gradu-avhandling i redovisning
Handledare: Karolina Söderlund
Fakulteten för Samhällsvetenskaper och Ekonomi
Åbo Akademi
Åbo 2021
ÅBO AKADEMI – FAKULTETEN FÖR SAMHÄLLSVETENSKAPER OCH
EKONOMI
Abstrakt för avhandling pro gradu
Ämne: Redovisning Författare: Frans Lönngren Arbetets titel: Finansiella nyckeltals förmåga att förutspå konkurs – En kvantitativ studie av finländska små och medelstora företag Handledare: Karolina Söderlund Tidigare forskning inom konkursprediktion har fokuserat på större, listade företag utanför Finland, vilket orsakat ett gap i forskningslitteraturen. Konkursprognostisering i små och medelstora företag är viktigt på grund av att de utgör den största delen av arbetsmarknaden i Finland. Syftet med avhandlingen är att redogöra vilka finansiella nyckeltal som har förmåga att prognostisera konkurs. Avhandlingens teoridel inleds med en introduktion om konkurslagen i Finland. Konkurslagens viktigaste moment presenteras för att förstå konkursprocessen på ett djupare plan. Därefter presenteras bokföringspraxis, varpå teoridelen avslutas med bokslutsanalys och konkursprognostisering för att upplysa om de viktigaste bokslutsbaserade nyckeltalen som används i studien. De viktigaste teoretiska perspektiven och empiriska iakttagelserna som gäller konkursprognostisering sammanfattas i en omfattande litteraturöversikt. Framförallt nyckeltalen soliditetsgrad och avkastning på eget kapital (ROE) är betydelsefulla i konkursprognostisering. I avhandlingen används logistisk regressionsanalys för att skilja mellan konkursföretag och icke-konkursföretag. I avhandlingen används även en klassifikations matris, Pearsons korrelationsmatris och en varians inflationsfaktor. Avhandlingens data består av det sista tillgängliga bokslutet för finländska små och medelstora företag året före konkurs. Insamlingen av data har skett via Voitto plus-databasen. I avhandlingen används totalt 100 företag, där 50 klassificerades som konkursföretag och 50 som icke-konkursföretag. Två nyckeltal var statistiskt signifikanta och visade en förmåga att kunna prognostisera konkurs. De två nyckeltalen är soliditetsgrad och avkastning på eget kapital (ROE). En lägre soliditetsgrad ökar risken för konkurs, och har därmed en negativ effekt på konkurs. Avkastning på eget kapital (ROE) har också en negativ effekt på konkurs, där lägre avkastning på eget kapital ökar risken för konkurs. Avhandlingen bidrar till att öka förståelsen av de nyckeltal som visade konkursprognostiseringsförmåga, och den underlättar därmed valet av nyckeltal för exempelvis intressenter och även för forskare som väljer att fortsätta forska i nyckeltalens prognostiseringsförmåga. Nyckelord: Konkursprognostisering, finansiella nyckeltal, finansiella variabler, små och medelstora företag, logistisk regressionsanalys, Pearsons korrelationsmatris Datum: 26.02.2021 Sidantal: 59
Innehållsförteckning 1 Inledning ............................................................................................................................. 1
1.1 Problemformulering och syfte ..................................................................................... 3
1.2 Avgränsningar ............................................................................................................. 5
1.3 Avhandlingens disposition .......................................................................................... 5
2 Den teoretiska referensramen.............................................................................................. 6
3 Konkurs ............................................................................................................................... 7
3.1 Konkursförfarandet ...................................................................................................... 8
4 Bokslutsanalys .................................................................................................................... 9
4.1 Nyckeltalsanalys ........................................................................................................ 11
4.2 Lönsamhetens relationstal ......................................................................................... 11
4.3 Finansieringens relationstal ....................................................................................... 13
4.3.1 Kapitalstruktur .................................................................................................... 14
4.3.2 Likviditet (tillräckligheten av finansieringen) .................................................... 15
4.4 Sammanfattning av nyckeltal .................................................................................... 17
5 Konkursprognostiseringsvariabler .................................................................................... 17
5.1 Finansiella variabler .................................................................................................. 19
5.2 Icke-finansiella variabler ........................................................................................... 21
6 Konkursprognostisering .................................................................................................... 23
6.1 Univariat analys ......................................................................................................... 23
6.2 Diskriminantanalys .................................................................................................... 24
6.3 Logistisk regressionsanalys ....................................................................................... 25
6.4 Problem relaterade med de klassiska statistiska metoderna ...................................... 27
6.5 Konkursprognostisering i Finland ............................................................................. 27
6.6 Sammandrag .............................................................................................................. 28
7 Metod ................................................................................................................................ 29
7.1 Forskningsstrategi ...................................................................................................... 29
7.2 Forskningsmetod ....................................................................................................... 30
7.2.1 Forskningsändamål ............................................................................................. 31
7.3 Forskningsdesign och val av modell ......................................................................... 32
7.4 Data och sampeldesign .............................................................................................. 32
7.4.1 Insamling av data ............................................................................................... 33
7.4.2 Val av sampel och stratifikation ......................................................................... 34
7.5 Självständiga variablerna ........................................................................................... 36
7.5.1 Finansiella variabler ........................................................................................... 36
7.6 Beroende variabeln .................................................................................................... 38
7.7 Logistiska regressionsmodellen ................................................................................. 38
7.8 Klassifikationsmatrisen ............................................................................................. 39
7.9 Pearsons korrelationsmatris ....................................................................................... 41
7.10 Reliabilitet och validitet ............................................................................................. 42
8 Empiriska resultat ............................................................................................................. 43
8.1 Beskrivande statistik .................................................................................................. 43
8.1.1 Soliditetsgrad, % ................................................................................................ 45
8.1.2 Avkastning på eget kapital (ROE) ..................................................................... 46
8.2 Den logistiska regressionen ....................................................................................... 46
8.2.1 Soliditetsgrad, % ................................................................................................ 47
8.2.2 Avkastning på eget kapital (ROE) ..................................................................... 48
8.2.3 Variance inflation factor (VIF) .......................................................................... 48
8.3 Klassifikationsmatrisen ............................................................................................. 49
8.4 Korrelationsmatrisen ................................................................................................. 50
9 Analys ............................................................................................................................... 53
9.1 Soliditetsgrad, % ........................................................................................................ 53
9.2 Avkastning på eget kapital (ROE) ............................................................................. 54
9.3 Jämförelse med Ohlsons modell ................................................................................ 55
9.4 Klassifikationsmatrisen ............................................................................................. 55
9.5 Reliabilitet och validitet av resultaten ....................................................................... 56
10 Resultat .......................................................................................................................... 56
11 Avslutande diskussion ................................................................................................... 57
11.1 Avhandlingens begränsningar ................................................................................... 58
11.2 Rekommendationer för framtida forskning ............................................................... 59
Källor ........................................................................................................................................ 61
Tabeller
Tabell 1: De 11 självständiga variablerna (nyckeltalen) .......................................................... 37
Tabell 2: Beskrivande statistik för konkursföretagen............................................................... 44 Tabell 3: Beskrivande statistik för icke-konkursföretagen....................................................... 45
Tabell 4: Modellöversikt för steg 1 och 2 i den logistiska regressionen .................................. 47
Tabell 5: Variabler i ekvationen ............................................................................................... 47
Tabell 6: Koefficienterna för de valda nyckeltalen .................................................................. 48 Tabell 7: Klassifikationsresultatet för konkursföretagen och icke-konkursföretagen. ............ 50
Tabell 8: Prestandamått från klassifikationsmatrisen ............................................................... 50 Tabell 9: Pearsons korrelationsmatris ...................................................................................... 52
Figurer
Figur 1: Konkursansökningar 2009-2018 (Asiakastieto, 2018) ................................................. 2 Figur 2: Undersökning av företagets ekonomiska situation (Laitinen, 1986, s.10) ................. 10 Figur 3 Induktion och deduktion enligt Wiedersheim-Paul och Eriksson (1991) .................... 30
Figur 4: Formeln för den logistiska regressionen (Ohlson, 1980) ........................................... 39
Figur 5: Klassifikationsmatrisen, översatt från den ursprungliga källan (Hair, 1992) ............. 40
Figur 6: Notation till klassifikationsmatrisen, översatt från den ursprungliga källan (Hair, 1992) .................................................................................................................................................. 40 Figur 7: Klassifikationsmatrisens prestandamätare, översatt från den ursprungliga källan (Hair, 1992) ......................................................................................................................................... 41
1
1 Inledning Att bolag går i konkurs är inget nytt fenomen. Att kunna förutse konkurs är däremot något som
ökat i betydelse sedan finanskrisen på 1930-talet. De tidigare forskarna (Ramser och Foster,
1931; Fitzpatrick, 1932; Winakor och Smith, 1935; Mervin, 1942) undersökte nyckeltal och
demonstrerade att företag i finansiellt trångmål hade betydligt svagare nyckeltal än
framgångsrika företag (Laitinen, 1990, s. 39). Konkurser orsakar finansiella skador för
investerare, intressenter och ekonomin överlag (Salimi, 2015; Bernstein, et al., 2017). Ett bevis
på det är Enron skandalen år 2008 som inte bara orsakade ekonomisk skada lokalt, utan även
globalt (Sieczka & Sornette, 2011).
Med konkurs menas att det kapital som investerats i företaget gått förlorat. Orsaken till det är
att det investerade kapitalet oftast är bundet till verksamheten genom exempelvis immateriell
egendom eller produktutveckling. Metoder för att förutse konkurser har utvecklats med jämn
takt sedan 1960-talet för att bättre kunna prognostisera rådande omständigheter inom företag
som kunde tyda på konkurs. På grund av att konkurser spelar en stor roll i det ekonomiska
samhället, är det viktigt att kunna förutse konkurser varpå man kan vidta åtgärder för att
potentiellt rädda företaget. O andra sidan kan dessa metoder användas för att dra slutsatsen att
företaget inte längre är lönsamt, och därmed vore det bättre att likvidera bolaget för att inte
samla på sig mera förluster. (Laitinen & Laitinen 2004, s. 19). Eftersom konkurs kan påverka
flera olika intressenter, förekommer det ett etiskt dilemma inom ämnet. Konkurs kan ses som
etiskt motiverat då det minimerar skadan och maximerar nyttan för de involverade
intressenterna (Boetcher, Cavanagh & Xu, 2014). De intressenter som är involverade i konkurs
kan förlora sina arbeten, pensioner och trygghet. Ifall ett företag verkligen inte kan möta sina
obligationer och upplever svårigheter med att fortsätta sin verksamhet ses det inte som oetiskt
ifall företaget gick i konkurs. Ett företag med märkvärda ekonomiska svårigheter kunde
oavsiktligt spilla över dessa svårigheter på de involverade intressenterna. Ifall företaget däremot
hade möjlighet att fortsätta sina verksamhet, men trots det väljer att inte göra det och istället
ansöker om frivillig konkurs, kunde det motiveras att tillvägagångssättet inte är etiskt korrekt.
Trots en nedgång av konkursansökningar sedan 2009 (se figur 1) är ämnet fortfarande av central
betydelse i Finland. Enligt statistikcentralen (2018) slutbehandlades 2649 konkurser år 2018.
Inom den globala ekonomin ses små och medelstora bolag som något av en hörnsten för den
2
ekonomiska utvecklingen (Gupta, Gregorius & Healy, 2015). Enligt Kücher, et al. (2018) spelar
små och medelstora företag även en stor roll i skapandet av tillväxt och upprätthållandet av den
ekonomiska stabiliteten. Under finanskrisen år 2008-2009 utfördes undersökningar som visade
att små och medelstora företag fortsättningsvis lyckades skapa arbetsplatser, trots den rådande
nedgången i den globala ekonomin. Återhämtningen under finanskrisen har visat sig vara starkt
beroende av de små och medelstora företagens förmåga att skapa arbetsplatser under
ekonomiskt svåra situationer. (Kücher, et al., 2018)
Figur 1: Konkursansökningar 2009-2018 (Asiakastieto, 2018)
Finska små och medelstora bolag är likväl välintegrerade i den finska och även globala
ekonomin. Enligt statistikcentralen företagsregister (Asiakastieto, 2018) bestod små och
medelstora företag för 99,8 % av alla företag i Finland, fördelat på mikroföretag (93 %),
småföretag (5,8 %) och medelstora företag (1,0 %). De små och medelstora företagen stod för
ca. 40 % av Finlands BNP.
Det förekommer många olika modeller för att förutspå konkurser. Exempel på sådana modeller
är Beavers (1966, 2005) univariata modell, Altmans (1968, 2006) multivariata modell (Z-
score), Ohlsons (1980) logistiska regressionsanalys modell och Zmijevskis (1984) probit
regressionsanalys modell. Modellerna har visat sig vara väldigt framgångsrika, men det har
även förekommit kritik mot de flesta av modellerna. Altmans modell är en av de äldsta och
mest framgångsrika konkursprognostiseringsmodellerna, men den har kritiserats för att inte
fungera utanför det originella samplet (Grice, 2001). Grice (2001) har även kritiserat Altmans
3
modell för att den inte lyckas ta i beaktande olika förändringar av ekonomiska faktorer som
exempelvis räntor och inflation.
Forskning kring konkursprognostisering kan delas upp i två distinkta huvudgrupper. Den ena
är forskning kring de ovannämnda modellerna och den andra är forskning kring variablerna
som används i prognostiseringsmodellerna. Avhandling kommer att grundas på Ohlsons
regressionsmodell (1980) eftersom modellen inte bara förutspår konkurs utan även genom en
logistisk analys undersöker vilka finansiella nyckeltal som har en märkbar roll gällande
prognostisering av konkurs.
1.1 Problemformulering och syfte
Tidigare forskning har i stora drag fokuserat på konkursprognostiseringsmodeller för stora
listade bolag (Altman, et al. 2017; Balcaen & Ooghe, 2006). En av orsakerna till det är att
informationen som finns tillgänglig för små och medelstora företag är väldigt olik i jämförelse
med exempelvis stora börsbolag. Enligt Balcaen & Ooghe (2006) kan en begränsad mängd
information påverka valet av undersökningsändamålet. Informationsbristen har orsakat att
litteratur om konkursprognostisering gällande små och medelstora bolag inte förekommer i lika
stor utsträckning som litteratur för stora listade företag. Den tidigare litteraturen har även ett
större intresse för de olika konkursprognostiseringsmodellerna än för de variabler som används
i modellerna. Tanken med avhandlingen är att fokusera på variablerna istället för modellerna,
och därmed minska på gapet i litteraturen. Modellerna som används vid prognostisering av
konkurser har visat sig vara framgångsrika, men trots det fungerar inte modellerna med en total
noggrannhet. En av de mest framgångsrika modellerna inom konkursprognostisering anses vara
Altmans modell (1968). Modellen är en multivariat-modell som kombinerar bokslut och
markansvärde för att framställa ett Z-tal för bolaget. Modellerna kommer att presenteras i sin
helhet i kapitel 6.
Syftet med avhandlingen är att skilja på konkurs- och icke-konkurs företag genom att undersöka
vilka nyckeltal som har den högsta prediktiva förmågan att förutspå konkurs i små och
medelstora företag i Finland. Tanken är att utöka den forskning som existerar sedan tidigare,
men även bidra till den existerande forskningen kring små och medelstora företag som ses vara
underminerad i forskning kring konkursprediktion. Andelen små och medelstora företag utgör
även en klar majoritet av företagen i Finland, vilket ytterligare påvisar behovet av konstant
forskning inom området. Med hjälp av fungerande prognostiseringsmetoder kan företagen och
även olika intressenter använda sig av informationen som avhandlingen framhäver.
4
Undersökningen baserar sig på två grupper: konkursföretag och icke-konkursföretag. Dessa
delas in i två olika sampel, varpå en par matchning utförs på samplen. Genom att analysera både
konkurs- och icke-konkursföretag kan en distinktion av nyckeltalen utföras. Undersökningen
baserar sig på ett antal nyckeltal som används som variabler för den logistiska
regressionsanalysen. Regressionsanalysen är en förutspående analys med en beroende variabel
som antar ett binärt värde. Genom analysen kan sedan data summeras och beskrivas. Den data
som produceras kan sedan förklara möjlig korrelation mellan företagen och konkurs.
Hypoteserna har framställts med hjälp av nyckeltal som baserar sig på tidigare forskning. Enligt
Perry, Henderson och Cronan (1984) är variabler relaterade till likviditet, soliditet och
lönsamhet några av de fördelaktigaste variablerna som kan användas för att prognostisera
konkurs. Några av de mest populära lönsamhetsmätarna är avkastning på eget kapital (ROE)
och avkastning på investerat kapital (ROI). Gu, (2002) Cultrera och Brédart (2016) konstaterar
att lönsamhetsnyckeltal är utmärkta för att prognostisera konkurs. Följande hypoteser har
skapats på basis av de lönsamhetsnyckeltal som valts till studien:
Hypotes 1: Avkastning på eget kapital (ROE) har en förmåga att förutspå konkurs
Hypotes 2: Avkastning på investerat kapital (ROI) har en förmåga att förutspå konkurs
Hypotes 3: Bruttovinstmarginal, % har en förmåga att förutspå konkurs
Resultat kring forskning om skuldförhållandet har visat att dimensionen soliditet har en
betydande påverkan på konkurs (Dirickx & Van Landeghem, 1994; Brindescu-Olariu, 2016;
Alifiah, 2014; Laitinen, 1990). Nyckeltalet soliditetsgrad har även använts i tidigare studier på
finländska företag (Laitinen, 1990; Laitinen & Kankaanpää, 1997; Laitinen & Laitinen, 2004)
där nyckeltalet visat sig vara väldigt dominerande inom området konkursprognostisering. På
basis av tidigare forskning har följande hypoteser framställts:
Hypotes 4: Soliditetsgrad, % har en förmåga att förutspå konkurs
Hypotes 5: Rörelsekapital / omsättning, % har en förmåga att förutspå konkurs
Hypotes 6: Kundfordringar / försäljning, % har en förmåga att förutspå konkurs
Hypotes 7: Relativ skuldsättningsgrad har en förmåga att förutspå konkurs
Hypotes 8: Skuldsättningsgrad, % (Net gearing) har en förmåga att förutspå konkurs
5
Likvida tillgångar har en väsentlig roll då skulder ska lösas. Tidigare studier framhäver
betydelsen av likviditetsmått där det även argumenterats för att ett företag med hög likviditet
har en lägre sannolikhet att uppleva ekonomiskt trångmål (Zavgren, 1985; Agarwal & Taffler,
2008; Yap, Yong & Poon, 2010; Bhunia, Khan & MuKhuti, 2011). Baserat på den tidigare
forskningen gällande likviditet har jag skapat följande hypoteser:
Hypotes 9: Räntetäckningsgrad, % har en förmåga att förutspå konkurs
Hypotes 10: Quick ratio har en förmåga att förutspå konkurs
Hypotes 11: Likvida medel, % har en förmåga att förutspå konkurs
Hypoteserna som formats baserar sig på de nyckeltal som valts till studien på basis av tidigare
forskning. Nyckeltalen som valts fördelas relativt jämnt över de tre dimensionerna lönsamhet,
soliditet och likviditet. Studien kommer antingen att bekräfta eller förkasta hypoteserna, och
därmed även ge svar på vilka finansiella nyckeltal som kan särskilja konkursföretag från icke-
konkursföretag.
1.2 Avgränsningar
Avhandlingen kommer att avgränsas såtillvida att de konkursföretag som undersöks är små och
medelstora företag i Finland. Det förekommer knapp forskning kring små och medelstora
företag (Altman, m.fl., 2017) vilket är en av orsakerna till avgränsningen. Eftersom företagen i
Finland klassificeras till 99,8 % som små eller medelstora företag, är det en perfekt miljö för
att avgränsa avhandlingen att specifikt gälla små och medelstora företag. Per definition
klassificeras företag där omsättningen är högst 40 miljoner euro, balansomslutningen högst 20
miljoner euro och antalet anställda underskrider 250 som små och medelstora företag
(Statistikcentralen, u.å). Målet med avhandlingen är att bidra till den redan existerande teorin
gällande de finansiella variabler som fungerar som indikatorer på konkurser.
1.3 Avhandlingens disposition
Avhandlingen är uppdelad i två distinkta delområden: teori och empiri. I den teoretiska delen
behandlas konkurs ur ett finländskt perspektiv, bokslutsanalysens delområden,
konkursprognostiseringsmodellerna och de variabler som konkursprognostiseringsmodellerna
baserar sig på. I den empiriska delen utförs forskningen där de valda variablerna mäts mot
samplet för att utreda vilka variabler som innehar en hög konkursprognostiseringsförmåga.
6
Den teoretiska referensramen är uppdelad i fyra huvudkapitel. I kapitel tre presenteras konkurs
per definition enligt konkurslagen. Tanken är att presentera de huvudsakliga orsakerna till
konkurs och även en ge bild på konkursförfarandet. Eftersom forskningen kommer att basera
sig på Finska företag, presenteras kapitlet endast ur ett finskt perspektiv.
I det fjärde kapitlet presenteras bokslutsanalys för att skapa en förståelse av de nyckeltal som
kan användas för att skapa en bild av företagets prestationsförmåga med hjälp av
bokslutsinformation. I det femte och sjätte kapitlet presenteras
konkursprognostiseringsvariablerna respektive konkursprognostiseringsmodellerna utförligare
och även koppling till tidigare studier presenteras i detta kapitel.
I det sjunde kapitlet presenteras metoden, valet av data, variabler och
konkursprognostiseringsmodellen som kommer att användas i forskningen. Därpå presenteras
det empiriska resultatet i kapitel 8, och en analys av resultatet presenteras därefter i kapitel 9
och kapitel 10. Avhandlingen avslutas med kapitel 11 där begränsningar som framkommit
under arbetets gång och även förslag på framtida forskning presenteras.
2 Den teoretiska referensramen Den tidigare forskningen kring konkursprognostisering fokuserar sig i stora drag på två
distinkta områden, konkursprognostiseringsmodeller och konkursprognostiserings variabler.
Forskning kring konkursprognostisering fokuserar på att förbättra de olika modellernas
prognostiseringsförmåga medan forskning kring variablerna utforskar vilka variabler ses som
signifikanta i prognostiseringens noggrannhet (Altman, 1968; Ohlson, 1980).
Variabler kan vara både finansiella och icke-finansiella. De finansiella variablerna baserar sig
på finansiell information som exempelvis nyckeltal från bokslut, medan icke-finansiella
variabler baserar sig på icke-finansiell information, med andra ord sådan information som inte
direkt kan uttryckas i siffror. Exempel på icke-finansiell information kan vara miljöeffekter,
politiska situationer och socialt ansvar. Tidigare forskning visar att en klyfta uppstått gällande
valet av att inkludera icke-finansiella variabler eller inte. Enligt Tinoco och Wilson (2013) ger
de icke-finansiella variablerna mervärde till prognostiseringsförmågan eftersom resultat som
inkluderat icke-finansiella variabler ger en mera nyanserad bild av undersökningen istället för
att bara fokusera på de finansiella variablerna.
7
Tanken är att i avhandlingen fokusera på de finansiella variablerna men trots det ge en
bakgrundsbild av de icke-finansiella variablerna och hur de har påverkat resultat i tidigare
forskningar.
3 Konkurs Vid en konkursprocess utmäts bolagets alla tillgångar för att täcka de skulder som bolaget har.
Kriterierna för konkurs är överskuldsättning och insolvens. Ett bolag anses enligt
konkurslagens (2004/120, i fortsättningen KonkL) 2 kap. 2§ vara insolvent då bolaget inte har
möjlighet att betala sina skulder vid förfallodagen. Enligt KonkL 2 kap. 5§ är ett bolag
överskuldsatt då bolagets skulder är större än dess tillgångar. Konkursansökan kan göras av
både borgenären och gäldenären. Gäldenären försätts i konkurs då domstolen fattat beslut om
konkursansökan (KonkL 1 kap. 4§).
Konkurs anses i vardagligt bruk som något negativt. Oftast leder konkurs till att verksamheten
avslutas vilket kan leda till en känsla av misslyckande eller personliga tragedier. Trots det kan
konkurser vara till nytta för marknaden eftersom konkursen kan ge utrymme för nyare och
effektivare bolag. (Laitinen 1990, 7-8)
Risken för konkurs växer i takt med bolagets svårigheter att betala sina skulder. Det är vanligast
att konkursansökningar utförs av borgenären. Orsaken till detta är att borgenären kan ha
fordringar på gäldenären som förfallit till betalning. Trots det är det ovanligt att borgenären
ansöker gäldenären i konkurs förrän man övervägt andra alternativ. Konkursprocessen är en
väldigt tidskrävande process och kan medföra juristarvoden och övriga kostnader inte bara för
gäldenären utan även för borgenären. Det är vanligt att borgenären i situationer där en fordran
på gäldenären förfallit inte omedelbart tar till rättsliga åtgärder, utan istället sänder exempelvis
ett flertal betalningsuppmaningar. Ifall betalningsuppmaningarna inte medför väntat resultat för
borgenären, kan en konkursansökan visa sig vara den enda möjligheten att få tag på sina
fordringar. (Laitinen & Laitinen, 2004, s. 59-62)
Risken för konkurs kan även delas upp på olika delområden beroende på vad den
indrivningsbara skulden består av. Enligt Laitinen & Laitinen (2004, s.59-62) kan skulder delas
upp i åtta olika delområden:
1) Skatteskulder
2) Arbetspensionsskulder
3) Skulder till företagsinteckningar
8
4) Vanliga bankskulder
5) Leverantörsskulder
6) Skulder till riskkreditinstitut
7) Masskuldebrevslån
8) Skulder till ägare
Största konkurshotet utgörs av skatteskulder och arbetspensionsskulder. Skulder som är riktade
till ägare innehåller i sig mindre risk på grund av att sådana skulder kan räknas till det egna
kapitalet.
3.1 Konkursförfarandet
Enligt KonkL 2 kap. 2§ kan en borgenär yrka på att en gäldenär försätts i konkurs, i situationer
där borgenärens fordran på gäldenären:
1) Grundar sig på en dom som vunnit lagakraft eller en dom, ett avgörande eller någon
annan grund som kan verkställas på samma sätt som en dom med lagakraft
2) Grundar sig på en förbindelse där gäldenärens underskrift förekommer och inte
bestrider,
3) Det inte förekommer annan grund att betvivla riktigheten av borgenärens fordran
Enligt Laitinen (1990, s. 28) har borgenären rätt i situationer där betalningsuppmaningar inte
hjälper, att indriva sina fordringar genom betalningsanmaningar, indrivningsåtgärder,
utmätning eller genom att ansöka om konkurs för gäldenären.
Konkursprocessen skiljer sig åt beroende på om det är borgenären eller gäldenären som sätter
igång processen. I situationer där borgenären yrkar på att en gäldenär skall försättas i konkurs,
måste borgenären framställa grunderna för konkurs och lämna en konkursansökan. Därpå
besluter domstolen ifall konkursen skall verkställas och utser en boförvaltare. Till
boförvaltarens uppgifter hör att framställa en boförteckning där tillgångarna och skulderna är
specifierade och även ge en utredning om gäldenärens ekonomiska verksamhet före konkursen
och orsakerna till konkursen. Borgenären måste även utföra konkursbevakning och bevaka sina
fordringar. Boförvaltaren meddelar om den sista bevakningsdagen, när fordringarna skall vara
i boförvaltarens kännedom. Ifall borgenären inte meddelat om sina fordringar på
bevakningsdagen, betyder det i princip att borgenären förlorar sin rätt till fordringarna.
Borgenären kan trots det bevaka sin fordran ännu efter bevakningsdagen. Detta förutsätter att
9
borgenären betalar en avgift vars storlek är en procent av beloppet av den fordran som bevakas.
Efterbevakning kan dock inte verkställas i situationer där utdelningsförteckningen fastställts.
(Lehtonen, m.fl., 2001)
Utdelningsförteckningen framställs av boförvaltaren, varpå denna bekräftas av domstolen.
Därefter börjar boförvaltaren dela ut medlen enligt utdelningsförteckningen. (Lehtonen et al.,
2001)
4 Bokslutsanalys Enligt Ikäheimo, Malmi och Walden (2016, s. 97) är bokslutets roll att ge en rättvisande bild
på företagets ekonomiska situation och resultat. Bokslutet ger samtidigt en reflektion av
företagets realprocesser, det vill säga den ekonomiska verkligheten. Bokslutet skapar en grund
för de olika intressenternas ekonomiska information.
Ikäheimo m.fl. (2016, s. 97) presenterar några exempel på de intressenter som kan ha nytta av
bokslutsinformationen: ägare, anställda och långivare. Ägaren intresserar sig för en utvärdering
av verksamhetens och ledningens framgång och hur framtiden ser ut med tanke på inkomster
och risker. Arbetaren intresserar sig för kontinuiteten av verksamheten med tanke på den
sysselsättningen företaget skapar och även löneutbetalningsförmågan. För långivarens del
ligger intresset på företagets förmåga att klara av sina obligationer, betala räntor på lån och
amorteringar, etc. De exempel som radats upp här ger redan en bild av att intressenterna har
intressen som särskiljer sig från varandra. Informationen som behövs kan även variera i de
särskilda intressentgrupperna, där exempelvis enstaka aktieägare möjligtvis är intresserade i
företagets tillväxtförmåga medan andra aktieägare kanske är mera intresserade av företagets
dividendutbetalningsförmåga.
Enligt Ikäheimo m.fl. (2016, s. 97) påverkar de olika intressena att delar av den finansiella
rapporten och nyckeltal är relevanta för det avsedda användningsändamålet. De olika
nyckeltalens representation och analysering är vad som kallas bokslutsanalys. Bokslutsanalys
är en systematisk process, där boksluts- och övrig finansiell information används för att ge
intressenterna en tillräcklig bild av företagets ekonomiska situation och utveckling (Kinnunen,
2002).
I samband med bokslutsanalys förekommer även termerna företagsanalys och nyckeltalsanalys.
Enligt Laitinen (1986, s. 10) baserar sig en undersökning av företagets ekonomiska situation på
tre distinkta faktorer, vilket han visualiserar i följande modell:
10
Figur 2: Undersökning av företagets ekonomiska situation (Laitinen, 1986, s.10)
Vid en företagsanalys är det hela företagets verksamhet och ekonomiska förhållande som
bedöms genom att analysera alla aspekter av företagets verksamhet. Vanligtvis utförs en
SWOT-analys på företaget för att komma fram till de styrkor och svagheter samt de hot och
möjligheter som förekommer i branschen eller verksamheten. Företagsanalysen centrerar sig
kring företagets verkliga process, där tanken är att försöka hitta orsaker till företagets framgång
eller misslyckande. Företagsanalysen utgår från den förutsättningen att företagets orsaker till
framgång hittas i den verkliga processen medan den finansiella processen, som presenteras av
bokslutet, representerar den verkliga processens konsekvenser. Boksluts- och
nyckeltalsanalysen hör även till företagsanalysen. (Laitinen, 1986, s. 9-10)
Företagsanalysen är en bred analys av företaget medan bokslutsanalysen klassificeras som en
mycket snävare analys där företagets finansiella situation uppskattas med hjälp av
bokslutsinformation. Enligt Laitinen (1986, s. 9-10) är bokslutsanalysens centrala roll att
undersöka företagets finansiella situation med hjälp av den tillgängliga bokslutsinformationen.
I nyckeltalsanalysen tillämpas de nyckeltal som erhållits i bokslutsanalysen för att utvärdera
dessa gentemot ett standardvärde. I nyckeltalsanalysen analyseras företagets finansiella läge
genom att sammanfatta dess situation med hjälp av några valda nyckeltal. Nyckeltalsanalysen
underlättar även jämförelsen mellan bolag som är av olika storlek. (Laitinen, 1986, s. 11) Nedan
en visuell beskrivning av de nämnda analyserna för att förtydliga förhållandet mellan den
verkliga- och finansiella processen.
Företagsanalys
Bokslutsanalys
Nyckeltalsanalys
11
4.1 Nyckeltalsanalys
Nyckeltal är beräknade på basis av den tillgängliga bokslutsinformationen, och är utvecklade
för att mäta företagets ekonomiska prestationsförmåga. Enligt Niskanen och Niskanen (2004,
s. 110) delas bokslutets nyckeltal vanligtvis upp i tre olika grupper: Lönsamhet (eng.
profitability), soliditet (eng. solvency), och likviditet (eng. liquidity). Soliditetens relationstal
kallas även till finansieringens relationstal. Relationstal som beskriver effektiviteten i rotationer
(eng. turnover ratios) och relationstal som används vid konkursprognostisering (z-tal) brukar
även skiljas åt i egna grupper (Niskanen & Niskanen, 2004, s. 110).
Från bokslutsinformationen kan en hel del olika nyckeltal skapas. Företagsanalys Ry har i sin
publicerade bok framställt 31 stycken nyckeltal, utöver vilka det finns ännu flera.
Huvudsakligen presenteras nyckeltalen som relationstal, där en bokslutspost relateras till en
annan. I och med att nyckeltalen presenteras som relationstal, kan de jämföras inte bara företag
emellan, utan även mellan mindre och större företag och även mellan olika bokslutsperioder
(Niskanen & Niskanen, 2004, s. 111)
Niskanen och Niskanen (2004, s. 111) poängterar i sin bok att resultatens noggrannhet baserar
sig på pålitligheten av bokslutsinformationen. Andra faktorer som påverkar nyckeltalens
precision är nyckeltalens förmåga att mäta det som ämnas att mäta, med andra ord validitet. Ett
nyckeltal med god validitet när resultaten är i medeltal korrekta. Utöver det är det viktigt att
nyckeltalen inte ger slumpmässiga resultat, det vill säga nyckeltalet bör vara reliabelt. Ett
nyckeltal ses som reliabelt då spridningen på resultaten är minimal.
4.2 Lönsamhetens relationstal
Lönsamheten beskriver verksamhetens finansiella resultat, och är en av grundförutsättningarna
för en kontinuerlig verksamhet. Enligt Masa´deh, et al. (2015) definieras lönsamhet som
företagets förmåga att generera vinst. Lönsamheten kan mätas i princip på två olika sätt, absolut
och relativt. Absolut lönsamhet baserar sig på verksamhetens resultat, medan den relativa
lönsamheten mäter resultatets förhållande till det investerade kapitalet. (Yritystutkimus, 2017,
s. 63) Lönsamheten kan beräknas med två olika mått, resultat- och avkastningsmått (Leppiniemi
et al., 2017)
Enligt Kallunki (2014) mäts resultatmått genom att mäta affärsverksamhetens volym i relation
till olika resultatposter. Resultatmåttet fungerar sedan som en indikator för att indikera
12
effektiviteten på företagets kontroll då det gäller kostnader, och även prissättningsmakten.
Företag med dålig prissättningsmakt kan hamna i svårigheter i olika situationer som exempelvis
lågkonjunktur eller en ökning i konkurrens, däremot om företaget har en bra prissättningsmakt
behöver inte dessa situationer orsaka resultatmässiga problem för företaget (Kallunki, 2014).
Nyckeltal som mäter framgången av företagets verksamhet är rörelsevinst % och driftsbidrag
% vilka räknas på följande sätt:
Driftsbidraget fås fram genom att addera avskrivningar och även möjliga nedskrivningar som
gjorts under perioden (Leppiniemi, et al., 2017)
Genom användning av avkastningsmått kan man mäta företagets förmåga att generera
avkastning på sådant kapital som är bundet till företaget (Leppiniemi et al., 2017) Det
förekommer två väsentliga mått då det gäller avkastning: avkastning på eget kapital, även kallat
return on equity (ROE), och avkastning på investerat kapital i %, även kallat return on
investment (ROI). Avkastningsmåtten räknas ut på följande sätt (Kallunki, 2014; Leppiniemi et
al., 2017; Yritystutkimus ry, 2017)
13
ROI mäter den relativa lönsamheten av investerat kapital i ett företag (Leppiniemi et al., 2017)
Till det investerade kapitalet räknas inte bara det egna kapitalet utan även det främmande
kapitalet. Nyckeltalet använder sig av balansomslutningens medelvärde räknat från början och
slutet av räkenskapsperioden. De kostnader som räknas med i formeln är exempelvis det
främmande kapitalets räntekostnader. (Yritystutkimus ry, 2019; Leppiniemi et al., 2017)
ROE mäter i sin tur företagets förmåga att producera mervärde åt det kapital som ägarna
placerat i företaget (Masa’deh, et al., 2015; Yritystutkimus ry, 2019) Målsättningen för
avkastningsnivån verkställs enligt ägarnas avkastningskrav, vilket påverkas av risken i
placeringen (Yritystutkimus ry, 2019).
4.3 Finansieringens relationstal
Bolagets finansiering kan likväl delas upp i två olika delar, främmande egetkapitalinstrument
och det egna kapitalet. Förhållandet mellan dessa två spelar stor roll, och ger tecken på
finansieringens flexibilitet. Det främmande kapitalet delas även upp i kortfristigt- och
långfristigt främmande kapital. Typiskt för det kortfristiga främmande kapitalet är att den är
oftast dogmatisk, vilket kan utsätta bolaget för finansieringsrisker. Nyckeltal som beskriver
finansieringsställningen kan ses som statiska eller dynamiska. (Yritystutkimus, 2019, s. 69).
Soliditeten ger en bild av företagets förmåga att på lång sikt klara av sina obligationer.
Soliditetens nyckeltal beskriver oftast företagets kapitalstruktur, det vill säga förhållandet
mellan det egna kapitalet och främmande kapitalet. Ett företag med god soliditet har tillräckligt
med eget kapital för att på långt sikt täcka de räntekostnader som uppstår på grund av det
främmande kapitalet. Företaget klarar av att täcka dessa räntekostnader även i ekonomiskt svåra
tider utan att verksamhetens fortsättning är hotad. De vanligaste mätarna för att mäta bolagets
soliditet är soliditetsgraden, relativ skuldsättningsgrad och gearing-procent.
Räntetäckningsgraden används även i samband med soliditet, men nyckeltalet ses mera som en
typ av coverage-nyckeltal. Räntetäckningsgraden används för att mäta företagets förmåga att
sköta sina finansieringskostnader på kort sikt. (Niskanen & Niskanen, 2004, s.130). Niskanen
och Niskanen (2004, s. 130) menar att nyckeltal som beskriver företagets soliditet är svåra att
bedöma. Till exempel är soliditetsgraden ett nyckeltal som man inte vill blåsa upp alltför
mycket i alla marknadssituationer, eftersom skulder även kan medföra förmåner. En av de
14
möjliga förmånerna är att främmande kapital har en lägre avkastningsförväntan än det egna
kapitalet, vilket minskas ytterligare i och med att räntorna är avdragbara i beskattningen.
4.3.1 Kapitalstruktur
Det vanligaste nyckeltalet för att skapa sig en bild av ett företags kapitalstruktur, är att räkna ut
soliditetsgraden. Soliditet avser företagets betalningsförmåga på lång sikt, och används för att
mäta företagets förmåga att klara av sådana långfristiga skulder och även till att avgöra
företagets förlusttolerans. Uppskrivningar kan påverka soliditetsgradens jämförbarhet mellan
olika år. (Yritystutkimus ry, 2019)
Bedömningen av ett företags soliditetsgrad görs enligt följande:
Över 40% Bra
20 - 40% Tillfredställande
Under 20% Svag
Enligt Laitinen & Laitinen (2004, s. 257) kan ett soliditetstal på 10% anses som kritiskt, och ett
sådant soliditetstal klarar av väldigt lite turbulens i verksamheten.
Den relativa skuldsättningsgraden mäter företagets skulder mot omsättningen. Nyckeltalet kan
jämföras mellan företag endast i situationer där företagen är verksamma inom samma bransch.
Företag som representerar olika branscher, eller företag med annorlunda kostnads- och
balansstruktur, behöver, och får, oftast främmande kapital i annan utsträckning. I vissa
branscher är det även vanligt att det finns behov av större investeringar för att kunna skapa
förutsättningarna för en viss mängd omsättning.
15
Företagets kapitalstruktur kan även granskas genom nettoskuldsättningsgraden (net gearing).
Genom formeln räknar man ut förhållandet mellan det räntebärande egna kapitalet och det egna
kapitalet:
Den kritiska gränsen för detta nyckeltal är 1. Ifall nyckeltalet är under 1, klassificeras värdet
som bra. Och i situationer där nyckeltalets värde är negativt och beror på ett negativt eget
kapital, klassificeras värdet som svagt. (Yritystutkimus, 2019, s. 71)
Rörelsekapital (eng. working capital) mäter finansieringsbeloppet för företagets dagliga
verksamhet och därmed också effektiviteten i kapitalanvändningen. Finansieringskällorna för
rörelsekapitalet är kortfristiga och långfristiga skulder samt eget kapital. (Yritystutkimus, 2019,
s.72)
Kapitalet åtas i olika stadier av företagets verksamhet på grund av förseningar i överföringar i
förhållande till resultatet. Kapitalet är bundet i exempelvis lager och kundfordringar. Å andra
sidan får företaget betalningstid för sina leverantörsfakturor och använder betalningen för den
faktiska betalningstransaktionen. Rörelsekapitalet indikerar således ett behov av att
rörelsekapitalet täcks av verksamheten. (Yritystutkimus, 2019, s. 72)
4.3.2 Likviditet (tillräckligheten av finansieringen)
Begreppet likviditet är centralt då man diskuterar finansieringens tillräcklighet. Med likviditet
menas företagets förmåga att betala alla sina skulder inom utsatt tid och på förmånligaste vis.
Tecken på god likviditet inom företaget är oanvända kontolimiter och utnyttjande av
kassarabatter. Däremot uppkommer tecken om dålig likviditet i situationer där förfallna skulder
är obetalda, betalda förseningsräntor och användningen av dyr tilläggsfinansiering.
(Yritystutkimus, 2019, s. 74)
16
Likviditeten kan klassificeras som antingen dynamisk eller statisk. Den dynamiska likviditeten
mäter inkomstfinansieringens tillräcklighet för att sköta företagets betalningsskyldigheter under
räkenskapsperioden. Dynamisk likviditet kan granskas med hjälp av kassaflödesanalysen.
Statisk likviditet mäts under en viss tidpunkt, exempelvis vid bokslutet där man jämför
förhållandet mellan likvida tillgångar och kortfristiga skulder.
4.3.2.1 Quick ratio och Current ratio
Två av de vanligaste metoderna för att räkna ut bolagets kortfristiga likviditet är nyckeltalen
Quick ratio och Current ratio. Båda nyckeltalen mäter bolagets likviditet men Quick ratio
fokuserar mera på den kortsiktiga betalningsförmågan medan Current ratio är lite mera
långsiktigt.
Quick ratio indikerar bolagets förmåga att betala sina nuvarande skulder utan att behöva sälja
sina lager eller erhålla om finansiering. Beräkning görs på följande sätt:
Quick ration anses som god ifall värdet är över 1, tillfredställande då den är mellan 0,5-1 och
svag då den är under 0,5 (Niskanen, m.fl., 2003; Yritystutkimus, 2019). Enligt Laitinen &
Laitinen (2004, s. 251) kan en quick ratio under 0,5 anses som ett tecken på en rådande kris.
Som tidigare nämnt är granskningsperspektivet längre då man mäter current ratio. Tanken här
är att även omsättningstillgångarna är realiserbara för att klara av sina kortfristiga skulder. För
att kunna förlita sig på current ratio måste man även ha i åtanke att nyckeltalet använder sig av
en tillgångspost vars värde kan basera sig på bedömningar som kan leda till en viss
oförutsägbarhet. (Yritystutkimus, 2019)
Current ratio anses som god då nyckeltalet visar ett värde över 2, tillfredställande i situationer
där den är mellan 1-2 och svag då den är under 1. (Yritystutkimus, 2019)
17
Som statiska mätare av likviditet mäter quick- och current ratio situationen vid bokslutstillfället.
Likviditeten kan variera stort under räkenskapsperioden. En annan faktor som kan påverka
nyckeltalen är sådana värdelösa finansieringstillgångar som exempelvis försäljningsfordringar
som bokats som kreditförluster. (Yritystutkimus, 2019)
4.4 Sammanfattning av nyckeltal
I kapitlet har vi fördjupat oss i en av bokslutsanalysens delområden: nyckeltalsanalysen.
Nyckeltal baserar sig på bokslutsinformationen, och är utvecklade för att mäta företagets
ekonomiska prestationsförmåga. De nyckeltal som räknas ut på basis av bokslutsinformationen
brukar även delas upp enligt dimensionerna lönsamhet, soliditet och likviditet. Till varje
dimension hör en hel del olika nyckeltal, där några av de vanligaste nyckeltalen som används
för respektive dimension har presenterats i kapitel 4 och i de tillhörande underkapitlen.
Enligt Niskanen och Niskanen (2004, s. 142) är nyckeltalsanalysen den vanligaste metoden
inom bokslutsanalys. Den största utmaningen med nyckeltalen är inte tillgängligheten av
information eller den mekaniska uträkningen, utan det är valet av vilka nyckeltal man ämnar
använda och till vilket ändamål. Beslutsfattande på basis av nyckeltal görs dagligen både på
företags- och individnivå.
I tidigare forskning inom konkursprognostisering används nyckeltal i de
konkursprognostiseringsmodeller som utvecklats sedan 1960-talet (Beaver, 1966; Altman,
1968; Ohlson, 1980). Nyckeltalen bildar således de självständiga finansiella variablerna i de
olika modellerna. I följande kapitel presenteras finansiella och icke-finansiella
konkursprognostiseringsvariabler. De finansiella variablerna består av nyckeltal medan icke-
finansiella variabler sällan uttrycks i siffror, utan baserar sig på exempelvis miljöaspekter,
politiska situationer eller socialt ansvar.
5 Konkursprognostiseringsvariabler De första studierna som gjorts kring konkursprognostisering baserade sig långt på
användningen av finansiella nyckeltal. De finansiella nyckeltalen är lätta att komma åt på grund
av deras tillgänglighet för allmänheten. Användningen av finansiella nyckeltal för att särskilja
på konkursföretag och icke-konkursföretag började på mitten av 1930-talet. Winakor och Smith
(1935) använde sig av finansiella nyckeltal för att utvärdera den ekonomiska sundheten av
företagen. Finansiella nyckeltal kan användas till att reflektera företagets ekonomiska hälsa,
18
men kritik har även uppstått där man ifrågasatt nyckeltalens användbarhet i situationer där
informationen som nyckeltalen baserar sig på har manipulerats (Beaver, 1966).
Beaver (1966) använde sig av en univariat analys för att undersöka de finansiella nyckeltalens
förmåga att prognostisera ekonomiskt trångmål. Senare utvecklades den populära multivariata
diskriminantanalysen (MDA), där Altman (1968) argumenterade för att finansiella nyckeltal
som mäter lönsamhet, likviditet och solvens visade sig vara signifikanta då det kommer till att
prognostisera ekonomiskt trångmål i företag. MDA klassificerar företag i olika grupper
beroende på karaktären av det individuella företaget. Altman (1968, 1973, 1984), Altman och
Loris (1976), och Altman, Haldeman, och Narayanan (1977) använde sig av MDA där de
betonade betydelsen av finansiella nyckeltal i konkursprognostisering. I flera studier har även
lönsamhetens betydelse i konkursprognostisering dokumenterats där man argumenterat att
företag med hög lönsamhet är mindre sannolika att uppleva ekonomiskt trångmål. Litteraturen
ger därmed en negativ relation mellan ekonomiskt trångmål och lönsamhet (Altman, 1968;
Altman et al., 2017; Beaver, 1968; Hill et al., 1996; Ohlson, 1980; Shumway, 2001; Xu et al.,
2014)
Ett företag med ekonomiska svårigheter kan ha stor hjälp av sina likvida tillgångar i situationer
då skulder ska lösas. Med likviditet menas ett företags möjlighet att snabbt och effektivt
konvertera sina tillgångar till pengar för att betala av sina skulder (Brealey, Myers och Allen,
2011). Det förekommer många olika finansiella nyckeltal för att räkna ut et företags likviditet.
Några av de populäraste är likvida medel till omsättningstillgångar (Zavgren, 1985)
omsättningstillgångar till totala skulder (Agarwal och Taffler, 2008) omsättningstillgångar till
kortfristiga skulder (Yap, Yong, och Poon, 2010), och rörelsekapital till totala tillgångar
(Bhunia, Khan, och MuKhuti, 2011). I tidigare studier framhävs betydelsen av likviditetsmått
för att prognostisera konkurs, och det har argumenterats för att ett företag med hög likviditet är
mindre sannolikt att uppleva ekonomiskt trångmål.
Tidigare litteratur har även indikerat betydelsen av företagets kapitalstruktur i prognostisering
av konkurs. Beaver (1966) menade att sannolikheten för ekonomiskt trångmål ökar i takt med
att bolagets skulder ökar. Det förekommer lite av en trade-off situation där företaget har valet
att avväga mellan fördelarna med att använda skuldfinansiering och kostnaderna som associeras
med skuldfinansiering (Miller, 1977). Genom att öka sina skulder kan företaget minimera sina
kapitalkostnader, men o andra sidan kan detta leda till en större risk för ekonomiskt trångmål,
eftersom företag med nyckeltal som tyder på höga skulder har en större sannolikhet att uppleva
ekonomiskt trångmål. Flera olika nyckeltal för att mäta skuldsättningsgraden har använts av
19
forskare där totala skulder till totala tillgångar (Bauer och Agarwal, 2014), rörelseresultat
(EBIT) till räntekostnader (Her och Choe, 1999), och totalt eget kapital till totala skulder
(Altman et al., 2017) kan klassas som de populäraste. I sina studier har Altman (1968),
Shumway (2001), Xu et al. (2014), och Bandyopadhyay (2006) visat ett positivt förhållande
mellan nyckeltal som mäter skuldsättningsgrad och ekonomiskt trångmål.
Balcaen och Ooghle (2006) betonar i sin undersökning betydelsen av vilka variabler man valt
att använda i sin forskning. För att kunna utförligt prognostisera konkurs är det viktigt att veta
vilka och även hur många variabler som man ämnar använda.
Mängden variabler som finns till förfogande kan anses överväldigande och försvåras ytterligare
av det facto att det saknas teoretiska ramverk som förklarar vilka variabler som borde väljas.
På grund av detta förekommer det inte heller någon enhetlig synpunkt om vilka variabler som
fungerar bäst när det gäller att särskilja konkurs- och icke-konkursföretag. Eftersom mängden
variabler är hög, kan valet av en effektiv kombination av variabler ses som kritiskt (Du Jardin,
2009).
5.1 Finansiella variabler
Det förekommer omfattande forskning kring konkursprognostiseringsmodeller men mindre
betoning har lagts kring valet av de variabler som modellerna slutligen består av. Waqas och
Mid-Rus (2018) delar upp de finansiella variablerna i två distinkta kategorier:
redovisningsbaserade och marknadsbaserade. Karas och Reznáková (2017) har i sin studie
samlat in data under flera års tid före konkursen för att framställa de variabler som har den mest
signifikanta indikationen gällande konkurs. Variabler relaterade till likviditet, soliditet och
lönsamhet är några av de mest fördelaktigaste variablerna för att prognostisera konkurs (Perry
m.fl., 1984). Utöver det förekommer det även industrispecifika variabler som kan tas i
beaktande (Waqas och Mid-Rus, 2018). I sin undersökning presenterar Perry m.fl. (1984) att
en inkludering av data som sträcker sig minst fyra år före konkurstillfället, kan öka
prognostiseringsförmågan märkbart.
Det förekommer ingen teori gällande vilka variabler som bäst kan förklara varför företag
hamnar i konkurs. Vid val av variabler används oftast tidigare studier som grund för fortsatta
studier (Karels och Prakash, 1987; Horta och Camanho, 2013). Variabler relaterade till
tillgångar och skulder är vanligt förekommande, vilket till stor del är i linje med tidigare studier
(Didrickx och Van Landeghem, 1994).
20
På grund av populariteten att använda sig av specifika finansiella variabler, undviks risken av
att använda icke-förklarande variabler. Det leder till att variablerna som används baserar sig på
sådan forskning där de valda variablerna visat prov på att prognostisera konkurs effektivt. Det
förekommer studier som visar att användningen av empiriskt insamlade variabler kan resultera
i sampel-specifika resultat och icke-generaliserbara slutsatser (Balcen och Ooghe, 2006;
Edmister, 1972). Dambolena och Khoury (1980) motsäger detta argument och påstår att valet
av de finansiella variablerna borde väljas avsiktligt. Således använder sig senare forskning av
ett bredare urval av finansiella variabler med en högre korrelation mellan variablerna (Zavgren,
1985; Hernandez Tinoco, Holmes och Wilson, 2018). Det har återupplivat användningen och
betydelsen av finansiella variabler då det gäller konkursprognostisering.
Brindescu-Olariu (2016) har i sin studie på rumänska företag forskat i hur skuldförhållandet
kan användas för att prognostisera konkurs. Studien visar att skuldförhållandet har förmågan
att förutspå konkurs två år före det händer. Skuld har använts flitigt även i andra studier
(Altman, 1968; Muscettola, 2015). Muscettola (2015) bekräftar i sin studie de facto att vissa
finansiella nyckeltal kontribuerat signifikant för att förbättra prognostiseringen av konkurs.
Kilborn och Walters (2013) har i sin studie framfört betydelsen av att beakta skuld i konkurs,
eftersom största delen av konkurser är kopplade till problem gällande återbetalning av dessa
skulder.
Det förekommer även andra finansiella variabler som visat sig ha en hög
prognostiseringsförmåga gällande konkurser. Gu (2002) utförde sin studie med hjälp av en
diskriminantanalys och upptäckte att företag i restaurangbranschen med låga rörelseresultat
(EBIT) och höga totala skulder, hade en större chans att gå i konkurs. Företagen i sig hade en
hög skuldsättningsgrad, men det var skuldsättningsgraden kombinerat med det låga
rörelseresultatet som utgjorde den största konkursrisken. Cultrera och Brédart (2016)
konstaterar i linje med Gu (2002) att lönsamhets- och likviditets-nyckeltal är utmärkta på att
prognostisera konkurs.
Forskning (Tian & Yu, 2017) har även utförts för att kartlägga effektiviteten av de olika
variablerna i olika internationella marknader. I den Japanska marknaden konstaterades att en
kombination av nyckeltal som totala tillgångar, totala skulder och kortfristiga skulder skapade
en hög prognostiseringförmåga för konkurser. De Europeiska länderna Tyskland, Frankrike och
Storbritannien var de mest konsekventa variablerna förknippade med soliditet.
21
5.2 Icke-finansiella variabler
Eftersom de icke-finansiella variablerna oftast används som komplement till de finansiella
variablerna är det viktigt att först skapa en uppfattning om varför användningen av endast
finansiella nyckeltal inte nödvändigtvis lyckas prognostisera konkurser på en tillräckligt hög
nivå. 1990-talet lade forskare märke till att förändringar i externa faktorer som till exempel
räntor orsakade en instabilitet på de finansiella nyckeltalen (Platt och Platt, 1990).
Prognostiseringsförmågan för traditionella konkursprognostiserings-modeller är även högre det
första året, men tappar sedan sin effektivitet med tiden (du Jardin och Severin, 2011; du Jardin,
2015). Dessa bakslag ökar betydelsen av icke-finansiella indikatorer som exempelvis corporate
governance (Platt och Platt, 1990; Liang, Lu, Tsai och Shih, 2016).
Att utveckla en effektiv prognostiseringsmodell för flera år är väldigt utmanande, i synnerhet
då de finansiella nyckeltalen kan vara ostabila. Utöver det tas även andra faktorer som
fluktuationer i den ekonomiska cykeln och inflation i beaktande. Små och medelstora bolag är
oftast de som påverkas mest av dessa fluktuationer eftersom de anses vara mera känsliga för
förändring. Inkludering av icke-finansiell information kan på basis av detta anses vara ett viktigt
redskap i att utveckla konkursprognostiseringsförmågan ytterligare (Balcaen och Ooghe, 2006;
Altman och Sabato, 2007; Altman, Sabato och Wilson, 2010).
Enligt Keasey och Watson (1987) har icke-finansiell information stor betydelse för
prognostiseringsförmågan eftersom det är historiskt bevisat att finansiella nyckeltal i företagets
finansiella information inte nödvändigtvis uttrycker all nödvändig information. Icke-finansiell
information ses även som mindre utsatt för manipulation. I mindre företag kan noggrannheten
av konkursprognostiseringen förbättras med hjälp av icke-finansiell information, men detta
återspeglas inte nödvändigtvis för större företag, eftersom studien endast baserade sig på mindre
företag (Keasey och Watson, 1987). Icke-finansiella variabler som används i forskning kan
variera från företagets ålder, antalet direktörer, hur länge direktören arbetat för företaget, byte
av revisorer, förhållandet till banken, etc.
Noggrannheten av konkursprognostiseringen kan även förbättras med hjälp av corporate
governance, där i synnerhet styrelsestrukturen och ägarstrukturen har visat sig öka
noggrannheten av prognostiseringen signifikant (Liang, Lu, Tsai och Shih, 2016). Kim (2019)
följer samma linje i sin studie, och konstaterar att ägarkoncentrationen som en styrmekanism
och högre institutionell kvalitet minskar risken av konkurs.
22
Det förekommer ingen klar definition av icke-finansiella variabler, vilket demonstreras i de
ovannämnda exemplen. Utöver den obligatoriska finansiella informationen som skall
rapporteras ses övriga avslöjanden från ledningen som frivilliga avslöjanden (Dhaliwal, Li,
Tsang och Yang, 2011). Sådan information kan basera sig på produkt, kund, miljö, social och
konkurrensinformation och bolagsstyrningsmekanismer (Li och Yang, 2016; Meek, Roberts
och Gray, 1995; Rezaee, 2016).
Altman, Sabato och Wilson (2010) undersöker i sin studie hur SME-modellen från Altman och
Sabatos (2007) tidigare studie fungerar på ett annat sampel i Storbritannien, där forskarna även
inkluderat icke-finansiell information för att utveckla sin undersökning ytterligare. I sin första
studie undersökte Altman och Sabato (2007) amerikanska företag bara genom att använda
finansiell information. De icke-finansiella variablerna som används i den andra undersökningen
är intern revision, handelskredits relation och efterlevnad av rapportering. Det konstateras att
inkluderingen av den icke-finansiella information ökar på prognostiseringens noggrannhet med
13%. Studiens begränsning baserar sig på det att icke-finansiell information inte finns
tillgängligt för alla företag. I studien sammanfattas att icke-finansiella variabler är viktiga för
att prognostisera konkurser för både stora och små företag, men i synnerhet för de små
företagen. Risken för att finansiell information saknas eller inte är tillgängligt, är signifikantare
för små och medelstora bolag än för större bolag (Altman et al., 2010).
Süsi och Lukason (2019) definierar variabler som omfattar bolagsstyrning som ett outforskat
område inom icke-finansiell information. I sin studie som är begränsad till ett land, undersöks
hur variablerna inom bolagsstyrning är sammankopplade med konkurs för små och medelstora
företag. I undersökningen används sju olika variabler, som exempelvis den verkställande
direktörens ålder, styrelsens storlek, styrelsens mandatperiod, mängden direktörskap, och
styrelsens kön. I studien dras slutsatsen att risken för konkurs är högre i situationer där stora
styrelser och verkställande direktören har ledarställning i fler än ett företag.
Tillgången av icke-finansiella variabler är relativt svåra att få tag på från icke-listade företag
jämfört med listade företag. Begränsningen ses som en av orsakerna till varför forskningen
kring små och medelstora företag mestadels fokuserar på de finansiella variablerna. Wang
(2019) fokuserar i sin studie på privatägda italienska företag där forskningen kombinerar
finansiella och icke-finansiella variabler. I sin studie analyserades variablerna över ett år, och
konstaterades att aktieägarna i de privatägda bolagen har den största påverkan, följt av mängden
dotterbolag, industrin och åldern på bolaget. Företag som ägs av flera aktieägare, visade mindre
23
risk för konkurs (Wang, 2019). Wang, (2019) Süsi och Lukason (2019) kommer därmed till
liknande slutsatser i sin undersökning.
6 Konkursprognostisering Intresset för finansieringens tillräcklighet i bolag fick sin början på slutet av 1800-talet då
bolagen började växa till sig. I och med finansiering var inte bolaget nödvändigtvis mera i
ägarnas direkta kontroll. Under samma tidpunkt ändrade sig även marknaden och finansieringen
blev ännu viktigare än förut, vilket i sin tur ledde till att det uppstod ett behov att mäta bolagens
ekonomiska framgång. Finansiella nyckeltal kunde användas till olika ändamål vilket även
märktes på de olika sätt som nyckeltal användes. Bolagsledare använde exempelvis nyckeltalen
för att mäta lönsamheten medan finansiärer intresserade sig för bolagets återbetalningsförmåga.
(Horrigan, 1968, 284-285)
Enligt Laitinen (1990, 39) har forskare intresserat sig för bolags ekonomiska uthållighet en
längre tid men det tydliga skiftet av intresse sågs under finanskrisen på 1930-talet, då de
ekonomiskt dåliga tiderna i samband med finanskrisen fick forskare att intressera sig ytterligare
för konkursprediktion.
William H. Beaver var en av pionjärerna då det kommer till konkursprediktion, och hans
forskning gällande konkursprediktion kan anses som banbrytande för ämnet. Beaver
framställde i sin forskning att nyckeltalen kan användas i konkursprediktionssyfte.
Undersökningen baserade sig på endimensionell analys av nyckeltal (Beaver, 1966; Balcaen &
Ooghe, 2006)
Altman (1968) var en av de första forskarna som lade märke till att det endimensionella
tankesättet inte var det bästa alternativet för konkursprediktion. I sin forskning anser Altman
det som nästan omöjligt att endast använda ett nyckeltal för att göra en utförlig och lyckad
konkursprediktion. Idag finns det många olika modeller som kan användas i
konkursprediktionssyfte. De modeller som jag tänkt diskutera om i följande kapitel är
univariatanalys, diskriminantanalys och logistisk regressionsanalys.
6.1 Univariat analys
Enligt Balcaen & Ooghe (2006, s. 65) kan enskilda relationstal användas till att förutspå
finansieringssvårigheter, detta kallas även för en univariat analys. Genom att definiera en kritisk
24
punkt för varje relationstal får man fram en klassifikation om företaget kan klassas som friskt
eller konkursbolag. Tekniken som används inom univariat analys klassificeras som simpel
eftersom den bygger på antagandet att det förekommer ett linjärt samband mellan bolagets
tillstånd och de valda variablerna.
Beavers (1966) studie visade att det förekom sådana enskilda relationstal som med relativt god
noggrannhet kunde förutspå finansieringsproblem redan fem år före de inträffade. De
relationstal som Beaver förde fram var finansieringsresultatets förhållande till främmande
kapital och nettovinstens förhållande till totala kapitalet.
I sin undersökning använde sig Beaver av 79 stycken slumpmässigt valda konkursföretag för
att matcha dessa mot friska företag. Företagen delades därefter in i grupper baserat på bransch
och storleken av tillgångar. Analysen utfördes under en fem-års period där 30 finansiella
nyckeltal inkluderades. Undersökningen framställde att för majoriteten av företagen visade
nyckeltalen tecken på konkurs redan fem år före konkursansökan. Beaver drog den slutsatsen i
sin undersökning att nyckeltalen har förmågan att indikera om konkurs i god tid förrän det
inträffar.
6.2 Diskriminantanalys
Den univariata analysen har fått kritik för dess irrelevanta tillämpning i praktiken. Altman
(1968) konstaterar i sin studie att det univariata angreppssättet på konkursprognostisering är
felaktig, delvis på grund av det antagna linjära sambandet mellan finansiella nyckeltal och
konkursprognostisering. Ett annat problem som uppstår då man använder sig av
prognostiseringsmodeller som endast mäter enskilda relationstal är att det kan förekomma
ambiguitet mellan relationstalen beroende på vilka företag de testas på, med andra ord kan
antagandena ses som sampelspecifika (Altman 1968, s. 591; Laitinen & Laitinen 2004, s. 83).
Altman (1968) utvecklade Beavers univariata metod genom att istället använda sig av en
multipel diskriminantanalys (i fortsättningen MDA), som undersöker möjligheten av flera
oberoende variablers påverkan på konkurs. Altman (1968) försökte med MDA härleda sitt
kombinationstal. Denna metod ses som den allmänna metoden då det kommer till utveckling
av konkursprognostiseringsmodeller.
Målet med MDA är att hitta en linjär kombination av egenskaper som kan användas för att bäst
skilja åt två olika grupper. MDA används främst för att klassificera eller prognostisera problem
25
i situationer där den beroende variabeln är av kvalitativ natur, till exempel konkursföretag och
icke-konkursföretag. Genom att använda sig av linjära kombinationer av självständiga
indikatorer skapar man ett poängtal för varje bolag. Baserat på resultatet från samplet, fastställs
ett gränsvärde där bolag som ligger under gränsvärdet förväntas gå i konkurs medan de som
hamnar ovanför gränsvärdet förväntas fortsätta sin verksamhet. I Altmans modell definieras z-
talet som gränsvärdet för att prognostisera konkurs. Företag klassificeras som konkursföretag
då z < 1,81 och som icke-konkursföretag då z > 2,99. De företag som faller mellan dessa två
gränsvärden klassificeras ambiguöst, där sådana företag som ramlar inom denna kategori har
en 50% chans att gå i konkurs eller en 50% chans att inte gå i konkurs. Funktionen som används
vid MDA är som följande (Altman, 1968):
Z = 0,12X1 + 0,14X2 + 0,033X3 + 0,006X4 + 0,999X5
X1 = Rörelsekapital / totala tillgångar
X2 = Balanserade vinstmedel / totala tillgångar
X3 = Rörelseresultat / totala tillgångar
X4 = Marknadsvärde av eget kapital / bokfört värde av totala skulder
X5 = Försäljning / totala tillgångar
Altmans modell har likväl fått motstå en hel del kritik under åren. Barnes (1982) har framställt
att de självständiga variablerna i modellen inte är normalt distribuerade i en onormal miljö.
Modellen har även fått utstå kritik på grund av att den uppvisar en benägenhet att mista sin
prognostiseringsförmåga då perioden för prognostisering förlängs i tid. Även Altman själv har
arbetat med att utveckla sin modell (Altman, 1997).
6.3 Logistisk regressionsanalys
Mot slutet av 1970- och 1980-talet framskred logistisk regressionsanalys och ersatte i princip
MDA. (Martin, 1977; Ohlson, 1980; Hamer, 1983). I sin studie använde även Ohlson (1980)
ett mycket större sampel än Altman (1968) i form av 2000 företag jämfört med 66. Ohlson anser
att den logistiska modellen är mera generaliserbar på grund av att antagandena av den logistiska
regressionen är inte lika restriktiva som de i MDA. Den logistiska regressionen använder sig av
26
ett liknande z-tal som den multivariata modellen men den har även en annan begränsning i form
av ett O-värde, där företag med ett värde under eller över ses som icke-konkursföretag
respektive konkursföretag. Logistiska regressionsanalysen kombinerar även flera egenskaper
av de jämförda företagen och använder en sannolikhetsfunktion för att beräkna sannolikheten
av att ett företag går i konkurs. Ohlsons funktion beräknas på följande sätt (Ohlson, 1980):
Xi (i = 1, …, n) = Oberoende variabler
a = konstanttermen
bi (i = 1, …, n) = Estimerade koefficienter för de oberoende variablerna
Den logistiska tekniken skapar ett poängtal för företagen genom att vikta de självständiga
variablerna (Laitinen & Kankaanpää, 1999). Poängtalet som skapas för företaget används sedan
till att fastställa sannolikheten för att höra till en viss grupp, vilket i det här fallet skulle vara
konkurs eller icke-konkursföretag.
Trots att prognostiseringsförmågan kan vara högre med den logistiska regressionsmodellen än
vad den är med z-tal modellen har även den logistiska modellen fått utstå en del kritik. Kritiken
baserar sig på modellens användning av värden för den beroende variabeln. Gränsvärdena för
o-score modellen baserar sig från 0 till 1, där problemet med företag som tar värdet 0 är i
konkurs från början (Laitinen & Kankaanpää, 1997). Utöver det bör det även nämnas att
modellen är väldigt känslig för multikollinearitet (Ooghe et al., 1993; Ooghe et al., 1994a;
Doumpos och Zopoudinis, 1999), avvikande värden och saknade värden (Joos et al., 1998b).
Enligt Tucker (1996) kan problemet med multikollinearitet ses som allvarligt eftersom de flesta
logistiska modellerna är baserade på finansiella nyckeltal, som har hög korrelation på grund av
att de oftast delar samma täljare eller nämnare. Trots att logistiska modeller inte kräver att
variablerna är normalt distribuerade, finns det även bevis på att de är känsliga mot extrem icke-
normalitet (McLeay och Omar, 2000).
1 11 + exp(-Z) 1 + exp[ - (a + b1x1 + . . . + bnxn)]
P(Z) = =
27
6.4 Problem relaterade med de klassiska statistiska metoderna
Enligt Balcaen och Ooghe (2006) är de klassiska statistiska konkursprognostiseringsmetoderna
föremål för en hel del olika problem. Flera av problemen härstammar från den klassiska
paradigmen, som inte lyckas ta i beaktande viktiga aspekter av konkursprognostisering. Den
klassiska paradigmen ignorerar några viktiga aspekter av osäkerhet i klassifikationsproblemet:
1) den slumpmässiga definitionen av konkurs; 2) icke-stationaritet och instabilitet av data; 3)
sampel selektivitet; 4) det slumpmässiga valet av optimeringskriterier (Hand, 2004). Studier
om konkursprognostisering är därmed föremål för en viss optimering av modellens anpassning
till det presenterade problemet (eng. over-modelling). De prognostiserande resultaten av de
klassiska statistiska konkursprognostiseringsmodellerna kan därmed bli missvisande, eftersom
modellerna är ostabila och sampel-specifika (Balcaen & Ooghe, 2006).
För att kunna ha förtroende i prognostiseringsmodellens prognostiseringsförmåga, är det viktigt
att den testas på data efter att modellen skapats (Joy & Tollefson, 1975; Moyer, 1977). Taffler
(1983, 1984) betonar även betydelsen av att testa modellernas effektivitet på nya sampel.
6.5 Konkursprognostisering i Finland
Konkursprognostisering har även forskats i Finland där de ledande forskarna inom ämnet är
Erkki K. Laitinen och Teija Laitinen. De centrala forskningarna som utförts på finländska
sampel är Laitinen (1990), Laitinen och Kankaanpää (1997), Laitinen och Laitinen (2004), och
Laitinen och Laitinen (2014). Altmans (1968) z-tal modell har använts i alla arbeten förutom i
Laitinen och Kankaanpää (1997), där målet med forskningarna har varit att försöka framställa
en fungerande modell för prognostisering av Finska konkursbolag.
Laitinen (1990) baserade sin undersökning på 40 företag med betalningsstörningar och 40
företag utan betalningsstörningar, från vilka det fanns bokslutsmaterial från åren 1986-1989. Z-
tal modellen som framställdes på basis av samplet såg ut som följande:
Z = 1,88 * X1 + 10,13 * X2 – 0,13 * X3 + 0,51 * X4 – 0,32 * X5
Där: X1 = Finansieringsresultat, %
X2 = Quick Ratio
X3 = Leverantörsskuldernas betalningstid
X4 = Soliditetsgrad
28
X5 = Omsättningens tillväxthastighet
År 2004 använde sig Laitinen och Laitinen (2004) av bokslutsinformation för 1897 företag med
betalningsstörningar och 1897 företag utan betalningsstörningar mellan åren 1998-2001. I
forskningen framställdes z-tal modellen på följande sätt:
Z = -0,634 + 0,0026X1 + 0,006X2 + 0,024X3
Där:
X1 = Quick ratio
X2 = Finansieringsresultat, %
X3 = Soliditetsgrad
Laitinen och Laitinen (2014) använde sig av bokslutsmaterial för 640 konkursföretag och
41 600 icke-konkursföretag från tidsperioden 2007-2011. Z-tal modellen för forskningen
framställdes genom en logistisk regressionsanalys (logit) på följande sätt:
L = 0,212 – 0,0270 * X1 – 0,0170 * X2 – 0,0290 * X3 – 0,0300 * X4
Där:
X1 = Finansieringsresultat, %
X2 = Avkastning på totalt kapital (ROA)
X3 = Soliditetsgrad
X4 = Quick ratio
Forskningarna är utförda av material som sträcker sig tillbaka tre decennier och i arbeten har
inkluderats många olika nyckeltal för de företag som inkluderats i studierna. Det bör anmärkas,
att det är tre nyckeltal som förekommer i varje modell: quick ratio, finansieringsresultat och
soliditetsgrad. I modellerna framgår att soliditetsgraden som ett ensamt nyckeltal kan användas
till att förutspå konkursföretag, vilket visar att nyckeltalet är dominerande i modellerna.
6.6 Sammandrag
I avhandlingen kommer Ohlsons (1980) logistiska regression att användas, trots att det finns
begränsningar relaterade till valet av teori för konkursprognostisering. Ohlsons modell har valts
29
för att den är passande med tanke på forskningsområdet och det obegränsade antagandet som
den har jämfört med sina föregångare.
Eftersom den logistiska regressionsanalysen kan innehålla flera variabler, inkluderas olika
egenskaper av företagen i regressionsanalysen vilket ger upphov till en mera diversifierad bild.
Laitinen och Kankanpää (1999) påpekar att den logistiska regressionen är en funktion av
sannolikhet. De självständiga variablerna antar därmed inte ett lineärt förhållande mellan
varandra, vilket även ses som något lindrande med tanke på multikollinearitetsproblemet.
Avhandlingens fokus ligger på relationen mellan de finansiella nyckeltalen (dvs. de
självständiga variablerna) och deras effekt på sannolikheten av konkurs (dvs. den beroende
variabeln), därmed är det viktigt att försäkra de självständiga variablernas oberoende av
varandra.
7 Metod I följande kapitel kommer jag att förklara metodologin som kommer att användas i
avhandlingen och varför den är ändamålsenlig. Utöver det ges en redovisning för
datainsamlingen och de kriterier som tillämpas på den insamlade informationen för de två
samplen. De självständiga- och beroendevariablerna definieras ytterligare och en genomgång
av den logistiska regressionen, klassifikationsmatrisen och Pearsons korrelationsmatris
presenteras efter variablerna. Kapitlet avslutas med reliabilitet och validitet.
7.1 Forskningsstrategi
För att förstå de empiriska resultaten, behövs en forskningsstrategi. Strategin hjälper forskaren
att välja hur data bör samlas och analyseras. Enligt Saunders, Lewis och Thornhill (2016) Finns
det tre olika angreppssätt: det induktiva-, det deduktiva-, och det abduktiva-angreppssättet.
30 Figur 3 Induktion och deduktion enligt Wiedersheim-Paul och Eriksson (1991)
Det induktiva angreppssättet är fokuserat på att utveckla en teori för att skapa förståelse för
resultaten, medan det deduktiva angreppssättet är den klassiska vetenskapliga metoden som
utifrån teori eller tidigare forskning inom ämnet formulerar en hypotes som testas mot
verkligheten. I praktiken använder man sig oftast av en kombination av dessa, vilket kallas för
abduktion. (Saunders, et al., 2016; Bryman & Bell, 2015). Exempelvis kan en studie utföra två
steg, där det första steget går ut på att bygga en modell med hjälp av inledande intervjuer för
att därpå testa denna modell mot respondenter i en strukturerad intervjuundersökning.
I det deduktiva angreppssättet skapas hypotesen genom tidigare forskning. Då hypotesen är
skapad används den empiriska analysen för att testa hypotesen och utforma en slutsats (Bryman
och Bell, 2015). I avhandlingen använder jag det deduktiva angreppssättet till en viss del. Med
resultat från tidigare studier kan jag skapa en förväntning och välja sådana nyckeltal som
tidigare visat sig vara användbara inom konkursprognostisering. Efter att nyckeltalen valts,
testas de med en logistik regressionsanalys, för att antingen bekräfta betydelsen av tidigare
forskning och litteratur eller förkasta nyckeltalens förmåga att förutspå konkurs. Beroende på
om nyckeltalen blir bekräftade eller förkastade signifikant, analyseras resultaten med hjälp av
tidigare studier.
7.2 Forskningsmetod
Bryman och Bell (2015) presenterar två olika forskningsmetoder som används inom
företagsekonomisk forskning: Kvantitativ och kvalitativ forskning. Den kvantitativa
forskningsstrategin betonar kvantifiering när det gäller insamling och analys av data, medan
den kvalitativa forskningsstrategin lägger mera vikt vid ord och mindre vikt på kvantifiering
vid insamling och analys av data. Den kvantitativa forskningsmetoden lämpar sig till att studera
högt strukturerad data som kan kvantifieras i kategorier eller siffror. Exempel på sådan data är
svar från enkäter med slutna alternativ, strukturerade observationer och mätvärden från
kontrollerade experiment, etc.
Arbetsprocessen i kvantitativ forskning kännetecknas främst från att forma hypoteser utgående
från teori för att sedan pröva denna hypotes. Kvalitativ forskning skiljer sig såtillvida till
kvantitativ forskning, att fokus vid insamling och analys av data ligger oftare på ord än på
kvantifiering. Kvantitativ forskning har ett mera deduktivt angreppssätt där man utgår från
teorier som sedan prövas, medan den kvalitativa forskningen är mera induktiv, där man utgår
31
från kvalitativa observationer för att utifrån dessa försöka skapa en giltig teori byggd på
generalisering. (Bryman & Bell, 2015)
I avhandlingen används en kvantitativ forskningsstrategi. Angreppssättet kan ses som det
lämpligaste alternativet för att uppfylla syftet med avhandlingen, vilket är att skapa en förståelse
av den prognostiseringsförmåga de individuella variablerna har på den beroende variabeln. För
att begripa de individuella variablernas (nyckeltalen) relation till den beroende variabeln
(konkurs), samlas information från företagens bokslut för att testas med en logistisk
regressionsanalys. Den kvantitativa metoden kan även betraktas som lämplig eftersom
avhandlingen kommer att inkludera en stor mängd sampel, i motsats till kvalitativa
undersökningar där sampelmängden oftast är låg (Gheondea-Eladi, 2014).
Kvalitativa metoder har sällan möjlighet att generalisera, eftersom metoden fokuserar på att
skapa ytterligare förståelse istället för generaliserbarhet mot en population (Gheondea-Eladi,
2014). Enligt Bryman och Bell (2015) används den kvantitativa metoden för att samla
generaliserbar data förutsatt att samplet ses som representativt. Eftersom jag i avhandlingen
kommer att använda mig av det deduktiva angreppssättet, och tillämpa mätningar för att testa
den tidigare forskningen genom nyckeltal, uppnås även objektivitet eftersom data analyseras
som en extern verklighet (Bryman och Bell, 2015).
7.2.1 Forskningsändamål
Enligt Saunders et al., (2016) förekommer det tre distinkta klassifikationer av
forskningsändamålet: Förklarande, utforskande och beskrivande. Förklarande forskning utförs
för ett problem som förekommer i ett mindre utforskat område, medan utforskande forskning
försöker skapa förståelse för ett mera specifikt observerat fenomen och försöker bekanta sig
med data. Förklarande forskning skapar även vägledning för att hitta det underliggande
problemet som inte tidigare forskats på djupet. Beskrivande forskning försöker i sin tur både
förklara händelser detaljerat, men samtidigt även fylla gapet i forskningsområdet (Saunders et
al., 2016).
Enligt Saunders et al., (2016) implementeras ett förhållande mellan de inkluderade variablerna
i förklarande forskning. Eftersom forskningsändamålet i avhandlingen är att hitta nyckeltal med
förmågan att förutspå konkurs, och särskilja på konkurs och icke-konkursföretag, har
avhandlingen ett förklarande forskningsändamål.
Data som samlats in för avhandlingen, analyseras inte på djupet för varje företag utan tas istället
i beaktande för samplet i sin helhet. Avhandlingens mål är även att fylla forsknings gapet som
32
förekommer gällande Finska små och medelstora bolag genom att inkludera så många företag
som möjligt i studien. Därmed är den kvantitativa strategin även kopplad till det förklarande
forskningsändamålet.
7.3 Forskningsdesign och val av modell
Avhandlingens studie kommer att framställas enligt en tvärsnittsdesign. Bryman och Bell
(2013) förklarar tvärsnittsdesignen som ett sätt att samla in data för flera fall vid en specifik
tidpunkt där målet är att komma fram till en uppsättning data som kan kopplas till två eller flera
variabler varpå variablerna granskas för att hitta sambandsmönster. Avhandlingens
undersökning baserar sig på olika nyckeltals förmåga att förutspå konkurs, vilket gör att
tvärsnittsdesignen kan ses som en lämplig forskningsdesign. Tvärsnittsdesignen anses även
genom tidigare undersökning (Balcaen & Ooghe, 2006) vara en av de vanligaste
forskningsdesignerna i studier där statistiska modeller tillämpas för konkursprognostisering.
Enligt Balcaen och Ooghe (2006) kräver MDA normalfördelad data med lika
kovariansmatriser. Under praktiska förutsättningar är det något som sällan lyckas då det gäller
bokslutsdata som används i konkursprediktion. Resultat gällande modellens noggrannhet kan i
sådana situationer bli missvisande. Logit-analysen ställer inte liknande krav på data som MDA,
vilket gör att Logit-analysen kan ses som mindre krävande i denna aspekt (Balcaen & Ooghe,
2006)
7.4 Data och sampeldesign
Hypoteserna undersöks genom att observera finansiell information från bokslut för varje
enskilda företag. För att säkerställa att endast relevant information används i avhandlingen har
nyckeltalen valts på förhand. Datainsamlingsmetoden kan på bästa sätt garantera att
hypoteserna bekräftas eller förkastas på ett effektivt sätt.
Eftersom avhandlingen undersöker konkursbolag som inte längre är verksamma, ses inte
intervjuer eller frågor till ledningen/ägarna som ett fungerande alternativ för datainsamling.
Sannolikheten för att få svar ses även som låg. Fördelen med att samla information genom
boksluten är att de finns tillgängliga på ett och samma ställe, därmed fortlöper även
datainsamlingen effektivt utan mänskliga förhinder. Eftersom avhandlingens syfte är att svara
på frågan om vilka nyckeltal som har förmågan att förutspå konkurs, är historisk information
33
mera relevant än ny information. Intresset ligger i tidigare händelser som orsakat konkurs, vilket
framkommer i den historiska information som finns i boksluten. Därmed är behovet av ny
information ointressant.
I nästa kapitel presenteras databasen som används i avhandlingen för att välja lämpliga konkurs-
och icke-konkursföretag, de kriterier som använts vid val av företagen och
stratifikationsprocessen.
7.4.1 Insamling av data
I avhandlingen kommer ett totalt antal av 50 konkursföretag väljas från databasen Voitto+ enligt
följande kriterier:
(i) Små och medelstora bolag
Små och medelstora bolag har använts för att avgränsa forskningen och minska
sampelmängden. I bokföringslagen (1366/1997) förekommer inte gränsvärdena specifikt för
medelstora bolag, utan till avhandlingen har istället uteslutits sådana företag som kan
klassificeras som stora företag.
(ii) Registrationsdatum
Datum då bolaget registrerats som företag har även använts för att avgränsa avhandlingen.
Genom att välja företag som varit aktiva minimi 3 år före konkurs, undviks val av nyligen
startade företag. Till avhandlingen väljs 50 stycken slumpmässigt valda konkursföretag från år
2019.
(iii) Konkursen är slutförd
Det viktigaste kriteriet är att säkerställa det att konkursen verkligen slutförts. Datainsamlingens
syfte är att inkludera konkursföretag. Företag som fortfarande är i likvideringsprocessen eller i
början av en konkursprocess skulle inte ge mervärde till undersökningen.
(iv) Bokslut
Vid analys av informationen används företagets senaste bokslut, inte året för konkurs. Orsaken
till detta är att det förekommer en klyfta mellan det senaste bokslutet och året då företaget gått
i konkurs. Klyftan förekommer på grund av tidsperioden mellan likvidationsprocessen och
konkursen.
34
Suomen asiakastieto Oy upprätthåller databasen Voitto+ där data för undersökningen samlats
in. Rättsregistercentralen har fungerat som databas för att komma åt uppgifter gällande konkurs.
Data som samlats in har baserat sig på små och medelstora företag som enligt definition är
företag där antalet anställda underskrider 250 och vars årliga omsättning är högst 40 miljoner
euro eller balansomslutningen är högst 20 miljoner euro. Sampelmängden för avhandlingen
består av totalt 100 företag.
7.4.2 Val av sampel och stratifikation
I avhandlingen används två olika sampel: Sampel A och B. Sampel A representerar
konkursföretag och sampel B representerar icke-konkursföretag. Insamlingsprocessen skiljer
sig mellan samplen. Sampel A samlas in först på grund av att den tillgängliga informationen
kan vara begränsad. Då informationen för sampel A har hittats kan processen fortskrida med att
samla in information för nästa sampel. Data i sampel B består av icke-konkursföretag, som först
matchas med sampel A. Orsaken till att data för sampel A samlas in först, har att göra med
matchningsprocessens effektivitet då informationen som är tillgänglig för icke-konkursföretag
i jämförelse med konkursföretag är mycket högre.
7.4.2.1 Sampel stratifikation sampel A
Då val av konkursföretag gjorts och sampel A skapats genom att följa de tidigare nämnda
kriterierna, stratifieras det insamlade data enligt ett av de krav gällande företagsstorlek:
omsättning. I avhandlingen väljs företagen på basis av omsättning och balansomslutning där
värdena bör vara mellan 0 – 40 000 000 respektive 0 – 20 000 000. Omsättningen och
balansomslutningen är som bekant två av de förutsättningar för att ett företag ska klassificeras
som små och medelstort bolag, där den lägsta och högsta gränsen för att klassas som små eller
medelstort företag går mellan de ovanstående gränserna. Enligt bokföringslagen (1 kap, §§ 4a-
4c) klassificeras storleken på bolag enligt nedanstående tabell:
Företagets storlek Personal Omsättning Balansomslutning Små och medelstora företag < 250
och antingen ≤ 40 M€ eller ≤ 20 M€
Småföretag < 50 och antingen ≤ 12 M€ eller ≤ 6 M€
Mikroföretag < 10 och antingen ≤ 0,7 M€ eller ≤ 0,35 M€
35
Medelstora företag klassificeras inte specifikt i bokföringslagen, men stora företag har
definierats på följande sätt i kap 1 4 b §; på den senaste räkenskapsperioden och den omedelbart
föregående räkenskapsperioden överskrids högst ett av följande kriterier:
1) balansomslutningens summa 20 000 000 euro
2) omsättning 40 000 000
3) antalet anställda under räkenskapsperioden i genomsnitt 10 personer
Medelstora företag kan därmed definieras som företag som uppfyller varken gränsvärdena för
ett små- eller storföretag. I databasen Voitto+ finns endast information om bokslutssiffrorna,
vilket betyder att noterna, och därmed uppgifter om personal, inte finns tillgängligt i
databasen. För att minska risken för felklassifikationer tas detta i hänsyn i undersökningen
genom att klassificera ett företag som antingen litet eller medelstort i enlighet med
omsättningen och balansomslutningen. De flesta företag som valdes hade inte en omsättning
eller balansomslutning som var nära gränsvärdena, därmed kan man konstatera att alla företag
blivit klassificerade på rätt sätt. Jämförelseföretagen väljs även på basis av omsättningen och
balansomslutningen därmed är risken för felklassifikation eliminerad.
7.4.2.2 Val av icke-konkursföretag (sampel B)
Valet av icke-konkursföretag utförs i princip på samma sätt, och baserat på samma kriterier,
som för konkursföretagen. Huvudskillnaden mellan valet är konkursfaktorn, där faktorn
”konkursen slutförd” inte används i sampel B. Matchningsprocessen utförs automatiskt genom
att använda samma kriterier och sammanslå data från samplen i SPSS.
Valet av icke-konkursföretag gjordes med hjälp av två kriterier: bransch, omsättning och
balansomslutning. Jämförelseföretagets omsättning och balansomslutning skulle vara i stora
drag jämförbart med konkursföretagets omsättning och balansomslutning. I undersökningen
användes en relativt bred fluktuationsmarginal för att underlätta processen, då vissa branscher
hade flera träffar än andra. Jämförelseföretagen granskades även i samband med valet mot
rättsregistercentralen för att säkerställa om att deras verksamhet fortfarande löpte per
datainsamlingstidpunkten (som var senast 22.11.2020) och presterade nöjaktigt i databasen
Voitto+.
36
7.5 Självständiga variablerna
De självständiga variablerna består av finansiella nyckeltal. I kapitel 7.5.1 förklaras variablerna
mera utförligt och orsaken till varför variablerna används. Uträkningen av de finansiella
variablerna inkluderas även i denna sektion.
7.5.1 Finansiella variabler
I avhandlingen har jag valt att välja 11 stycken finansiella nyckeltal som beskrivs i tabellen
nedan. Valet baserar sig på två olika punkter: (i) tidigare forskning där de finansiella
nyckeltalen visat sig vara användbara (Tian och Yu, 2017) och (ii) prognostiseringsförmågan
som även baserar sig på bevis från tidigare studier (Altman, 1968; Gu, 2002; Muscettola, 2015;
Szpulak, 2016). Utöver variablernas prognostiseringsförmåga spelar de även en stor roll i
redovisningens forskningsområde, och används flitigt av externa och interna aktörer för att
framställa information om företagens välmående.
37
Tabell 1: De 11 självständiga variablerna (nyckeltalen)
De valda nyckeltalen
Likvida medel, % = Kassa och bank + kortfristiga investeringar x 100Omsättning
x 100Omsättning
Relativ skuldsättningsgrad = Balansens skulder - Erhållna förskott x 100Omsättning (12 mån)
Bruttovinstmarginal, % = Omsättning - värdet för sålda varor och tjänster x 100Omsättning
Räntetäckningsgrad, % = Rörelseresultat + finansiella intäkter x 100Finansiella kostnader
Quick Ratio = Likvida medel x 100Kortfr. främmande kapital - erhållna förskott
Skuldsättningsgrad, % (Net Gearing ) =
Räntebärande främmande kapital - kassa och finansiella värdepapper x 100Eget kapital
Soliditetsgrad, % = Eget kapital x 100Balansräkningens värde - erhållna förskott
Kundfordringar / försäljning, % = Kundfordringar x 100Omsättning
Rörelsekapital / omsättning, % =
((Kundfordringar + övriga fordringar + investeringar + kassa och bank + varulager) - kortfristiga skulder)
Avkastning på investerat kapital (ROI) =
Reslutat före extraordinära poster + kostnader för främmande kapital
x 100(Balansomslutning för senaste BR - räntefria skulder)Balansomslutning för föregående BR - räntefria skulder)/2
Avkastning på eget kapital (ROE) = Rörelseresultat efter skatt - netto finansieringskostnader x 100Genomsnittligt eget kapital för räkenskapsperioden
38
7.6 Beroende variabeln
Den beroende variabeln kan endast ta an två värden, 1 eller 0, eftersom den är binär.
Konkursföretagen klassas med värdet 1 och icke-konkursföretagen klassas som 0. Definitionen
av konkurs i Finland, vilket presenterats i den teoretiska referensramen, har använts till att
forma den beroende variabeln.
Den finska lagstiftningen reglerar inte konkurs som ömsesidigt uteslutande variabler, det vill
säga konkursprocessen placerar inte företag i kategorierna konkurs eller icke-konkursföretag.
De olika processerna som sker mellan den stund företaget klassas som friskt och senare
förklaras som konkurs, är inte medräknade i avhandlingen. Olika stadier som
likvideringsprocesser, eller saneringsförhållanden, är inte beaktade i någondera kategorierna.
Den beroende variabeln representerar inget annat stadie utöver det att företaget antingen är ett
icke-konkurs eller ett konkursföretag.
7.7 Logistiska regressionsmodellen
Syftet med avhandlingen är att ta reda på ifall ett företag är troligt att gå i konkurs eller inte
genom att analysera vilka nyckeltal som uppger en förmåga att kunna prognostisera konkurs. I
den logistiska regressionsanalysen måste båda av de möjliga resultaten definieras separat
eftersom de är ömsesidigt uteslutande.
Eftersom den beroende variabeln i den logistiska regressionen representeras av ett logit värde,
är logit värdet den naturliga logaritmen av sannolikheten, och därmed den naturliga logaritmen
för att vara i konkurs eller inte. För att logit värdet skall anta ett värde mellan 1 och 0 måste en
övergång utföras, därmed användningen av logaritmer (Ohlson, 1980).
39
Figur 4: Formeln för den logistiska regressionen (Ohlson, 1980)
7.8 Klassifikationsmatrisen
I avhandlingen inkluderas en klassifikations matris för att kunna lokalisera de möjliga fel som
kan förekomma då resultaten ska prognostiseras. Det finns en risk för att klassificera ett icke-
konkursföretag som ett konkursföretag (typ 1 fel), eller ett konkursföretag som ett icke-
konkursföretag (typ 2 fel).
Klassifikationsmatrisen är en 2x2 formaterad tabell, som illustrerar de två möjliga resultaten av
prognostiseringen som antingen ett konkursföretag (betecknat 1) eller ett icke-konkursföretag
Den logistiska regressionen
Y = Sannolikheten av att ett företag går i konkurs
1-Y = Sannolikheten av att ett företag inte går i konkurs
ODDS = Y/(1-Y) = oddsen av att ett företag går i konkurs
1n(ODDS) = 1n(Y/(1-Y)) = logit värdet, den naturliga logaritmen för oddsen för ett företag som går i konkurs
Y = e(a + b1X1 + b2X2 + … + biXi)
Y= e(a + b1X1 + b2X2 + … + biXi) / (1 + e(a + b1X1 + b2X2 + … + biXi))
Notation: Y = sannolikheten av att ett företag går i konkursa = skärningen (denoterad som konstanten i SPSS)Xi = det n:te förhållandetbi = logit koefficienten för det n:te förhållandete = basen för den naturliga logaritmen
40
(betecknat 0). Genom att använda denna metod, uppenbaras hur och om modellen som används
i avhandlingen missklassificerar företagen (Hair, 1992).
Figur 5: Klassifikationsmatrisen, översatt från den ursprungliga källan (Hair, 1992)
Figur 6: Notation till klassifikationsmatrisen, översatt från den ursprungliga källan (Hair, 1992)
Då ett konkursföretag klassificeras korrekt som ett konkursföretag, är det en sann positiv. När
ett icke-konkursföretag klassificeras korrekt som ett icke-konkursföretag klassificeras det som
ett falskt negativ. Falskt positiv gäller i situationer där icke-konkursföretag missklassificeras
som konkursföretag, och falskt negativ gäller då ett konkursföretag missklassificeras som ett
icke-konkursföretag (Hair, 1992).
Klassifikationsmatris
Test Totalt1 0
1 SP FN P
0 FP SN P1
Totalt Q Q1 N
Notation till klassifikationsmatrisen
1 = Konkursföretag
0 = Icke-konkursföretag
SP = Sann positiv
FP = Falsk positiv
SN = Sann negativ
FN = Falsk negativ
N = antal företag totalt
41
Figur 7: Klassifikationsmatrisens prestandamätare, översatt från den ursprungliga källan (Hair, 1992)
Enligt Hair (1992) är den korrekta klassifikationsgraden den mest allmänna prestandamätaren.
Modellen kalkylerar den procentuella andelen företag som klassificeras i den rätta kategorin,
antingen som konkursföretag eller icke-konkursföretag. Den saknade procentandelen från den
korrekta klassifikationen, som är felklassificering, utesluts. Den korrekta klassifikationsgraden
kanske är den mest allmänna modellen, men den klarar inte av att skilja på typ 1 och typ 2 fel.
Den sanna positiva graden är den procentuella andelen av företagen som gått i konkurs och har
blivit korrekt klassificerade som sådana (konkursföretag). Den sanna negativa graden räknar på
motsvarande sätt den procentuella andelen icke-konkursföretag som klassificerats som icke-
konkursföretag. Den falska positiva graden (typ 1 fel) beskriver den procentuella andelen icke-
konkursföretag som felklassificerats till konkursföretag. Den falska negativa graden (typ 2 fel)
är den procentuella andelen företag som gått i konkurs men som klassificeras som icke-
konkursföretag (Altman, 1997). Felklassificering beräknas på grund av risken för att över- eller
underestimera en modells förmåga att prognostisera. Tidigare forskning har bevisat att
felklassificering kan korreleras till de självständiga variablerna, vilket gör det kritiskt att
inkludera detta i avhandlingen (Hu, 2008; Feng och Hu, 2013).
7.9 Pearsons korrelationsmatris
För att upptäcka kollinearitet mellan de självständiga variablerna (nyckeltalen) används
Pearsons korrelationsmatris. Risk för multikollinearitet förekommer vanligtvis vid användning
av den logistiska regressionsanalysen. Avhandlingen undersöker korrelationen för att skapa en
djupare förståelse av de underliggande resultaten i regressionen, och för att utöka reliabiliteten
av avhandlingen. Att undersöka korrelationsmatrisen med syftet att identifiera
Prestandamätare
Korrekt klassifikationsgrad (SP+SN)/N
Misklassifikationsgrad (FP+FN)/N
Sann positiv grad SP/(SP+FN)
Sann negativ grad SN/(SN+FP)
Typ 1 fel FP/(FP+SN)
Typ 2 fel FN/(FN+SP)
42
multikollinearitet kan vara till stor hjälp, men inte tillräckligt (Midi, Sarkar och Rana, 2010).
Field (2009) motsätter antagandet och menar att det är det första steget till att upptäcka
multikollinearitet.
Korrelationen mellan de självständiga variablerna beräknas med Pearsons korrelationsmatris i
SPSS. Koefficienterna i korrelationen tar sig an värden mellan -1 (perfekt positiv korrelation)
eller +1 (perfekt negativ korrelation). Värdet mellan -1 och +1 ger en indikation på vilken nivå
korrelationen är, där de perfekta värdena indikerar på en perfekt korrelation medan värden
närmare 0 indikerar på en svag korrelation (Anderson, Sweeney, Williams, Freeman och
Shoesmith, 2014). Avhandlingen testar korrelations-koefficienten på nyckeltalen med en
signifikans på 0,05.
En del av nyckeltalen som används i avhandlingen innehåller liknande information. Därför
används korrelationsmatrisen för att testa ifall nyckeltalen är korrelerade. Pearsons
korrelationsmatris används vanligtvis för att mäta korrelationen mellan nyckeltal i en
kvantitativ miljö, varför matrisen även inkluderats i undersökningen. Enligt Hauke och
Kossowski (2011) kan Pearsons matris även användas till att mäta styrkan mellan ett linjärt
förhållande i normalt distribuerade variabler, men ifall förhållandet mellan den självständiga
och oberoende variabeln inte är linjär, är Pearsons matris oanvändbar. Dunlap, Dietz och
Cortina (1997) undersökte med Pearson matris ifall nyckeltal med samma informationsinnehåll
har en högre korrelation. Forskarna bevisade att trots en låg korrelation mellan de ursprungliga
åtgärderna, var korrelationen mellan nyckeltalen med liknande uträkningar hög (Dunlap, Dietz
och Cortina, 1997).
7.10 Reliabilitet och validitet
För författaren kan resultaten i avhandlingen betraktas som självklara, då författaren med hjälp
av sitt arbete blivit bekant med de olika termerna som populationen, variablerna, etc. För läsaren
kan däremot resultaten inte betraktas som självklara. Termerna som används i avhandlingen är
inte nödvändigtvis bekanta för läsaren och risken finns att läsaren börjar ifrågasätta slutsatsen.
Reliabilitet och validitet är essentiellt för att öka på forskningskvaliteten och eliminera
misstankar (Bryman och Bell, 2013).
Den kvantitativa forskningsmetoden baserar sig enligt Bogdan och Biklen (1998) och Charles
(1995) på fyra olika delar; (i) informationen är i nummerformat och kan kvantifieras och
summeras; (ii) fokus riktas på fakta som orsakar beteende; (iii) ett matematiskt angreppssätt för
att analysera data; och (iv) det slutliga resultatet presenteras statistiskt. Reliabiliteten kopplas
43
till möjligheten att kunna upprepa en forskning (Charles, 1995; Saunders, et al., 2016). I
avhandlingen har jag försökt avgränsa konkursfenomenet till något mätbart. Nyckeltalen som
används i avhandlingen har valts baserat på populariteten från tidigare forskning. Den logistiska
regressionsanalysen har likväl använts i tidigare forskningar. Avhandlingen testar nyckeltalen
med hjälp av den logistiska regressionsanalysen och försöker göra resultaten replikerbara och
applicerbara i en annorlunda miljö för någon annan. Enligt Saunders et al (2016) kan resultaten
inte bara vara upprepbara utan även uppvisa konsistens över tid. För att underlätta arbetet för
framtida forskare, framställs i detalj hur forskningen utförts genom att förklara stegen i
metodologin, från datainsamling till stratifikation och slutligen matchningsprocessen.
Enligt Bryman och Bell (2013) baserar sig validitet på forskarens förmåga att mäta det som var
menat och hur exakt resultatet var. För att fastställa validitet, söker forskare oftast svar från
andras forskningar. Inspiration har hittats från tidigare forskningar inom
konkursprognostisering för att förstärka validiteten. Tidigare forskning som utförts av
exempelvis Altman, (Altman, 1968) Gu, (2002) Muscettola, (2015) Szpulak, (2016) Laitinen,
(1991) och Laitinen & Kankaanpää (1997) är några av de forskningar som använts som
inspiration. De tidigare forskningarna har även framställt tillförlitliga resultat, därmed kan det
konstateras att resultatens validitet är högst sannolik.
8 Empiriska resultat I denna del presenteras avhandlingens empiriska resultat och även tolkningen av SPSS-resultat
för den logistiska regressionen om vilka nyckeltal som kan skilja konkursföretag från icke-
konkursföretag. Data presenteras i följande ordning: den deskriptiva statistiken, den logistiska
regressionsmodellen, klassifikationsmatrisen och Pearsons korrelationsmatris.
Företagen genomgick en stratifikationsprocess varefter 50 konkursföretag och 50 icke-
konkursföretag valdes. Antalet företag som använts för avhandlingen är därmed N=100
(N=antal företag). I avhandlingen testas de olika nyckeltalen som valts och som visas i tabell 1
och slutligen har två nyckeltal visat sig vara statistiskt signifikanta: soliditetsgrad, % och
avkastning på eget kapital (ROE).
8.1 Beskrivande statistik
Med hjälp av den beskrivande statistiken kan information om variablernas fördelning, spridning
och centraltendens framställas (Djurfelt, Larsson & Stjärnhagen, 2010, s. 39). För att kunna
tolka tabellen måste snedhet (eng. skewness) och kurtosis (eng. kurtosis) förklaras. Enligt
44
Djurfelt m.fl (2010, s. 56) beskriver snedhet symmetrin hos fördelningen och kan antingen vara
ett positivt eller negativt värde. En helt symmetrisk fördelning antar värdet noll. Kurtosis
beskriver fördelningens utdragenhet och toppighet. Om kurtosis antar negativa värden, är
fördelningen platt och utdragen, och då värdena är positiva är fördelningen toppig (Djurfelt
m.fl., 2010, s. 56).
För konkurssamplet visar den beskrivande statistiken att alla 11 nyckeltalen är snedvridna. För
nyckeltalen med ett negativt värde på snedheten är den ”vänstra sidan” av fördelningen längre,
med andra ord ligger den största delen av observationen på den ”högra sidan” av fördelningen.
Medianen och medelvärdet är större än typvärdet. Ett positivt värde på snedheten betyder det
motsatta.
Toppigheten mellan nyckeltalen är relativt splittrad och cirka hälften av nyckeltalen är toppiga
medan den andra hälften är mer avrundad mot toppen (toppighet förekommer då värdet
överskrider 3). Några av nyckeltalen visar tecken på normalfördelning. För konkursföretagen
kan bruttovinstmarginalen och rörelsekapital/omsättning ses som normalfördelad då data inte
är relativt toppiga eller snedvridna. För icke-konkursföretagen visar också
bruttovinstmarginalen och rörelsekapital/omsättning tecken på normalfördelning. Utöver det
visar även soliditetsgraden för icke-konkursföretag tecken på normalfördelning.
Tabell 2: Beskrivande statistik för konkursföretagen
N Min. Max. MedeltalStd.
Avvikelse VariansStatistik Statistik Statistik Statistik Statistik Statistik Statistik Std. Fel Statistik Std. Fel
Avkastning på eget kapital, (ROE)
50 -1394,37 86,07 -127,7750 248,01814 61512,999 -3,251 0,337 13,791 0,662
Avkastning på investerat kapital, (ROI)
50 -142,50 466,70 -11,2360 85,51504 7312,822 3,454 0,337 19,812 0,662
Bruttovinstmarginal, % 50 -13,41 98,47 39,5396 22,16404 491,245 0,279 0,337 0,676 0,662Räntetäckningsgrad, % 50 -171,00 48,11 -7,6690 33,18033 1100,935 -3,171 0,337 13,228 0,662Soliditetsgrad, % 50 -299,10 47,20 -42,1640 83,43333 6961,120 -1,169 0,337 0,627 0,662Rörelsekapital / Omsättning, %
50 -53,10 51,90 3,6560 18,65169 347,885 0,465 0,337 2,162 0,662
Quick Ratio 50 0,10 2,60 0,5880 0,47019 0,221 2,377 0,337 7,457 0,662Kundfordringar / Försäljning, %
50 0,00 28,64 8,0562 5,54336 30,729 1,158 0,337 2,712 0,662
Likvida Medel, % 50 0,00 6,12 1,4858 1,50855 2,276 1,481 0,337 2,120 0,662Relativ skuldsättningsgrad
50 12,40 285,30 47,1880 42,77031 1829,299 3,710 0,337 19,266 0,662
Skuldsättningsgrad, % (Net Gearing)
50 -9,00 179,50 5,3820 26,41969 698,000 6,150 0,337 40,441 0,662
Valid N 50
Beskrivande statistikSnedhet (eng.
skewness) Kurtosis
45
Tabell 3: Beskrivande statistik för icke-konkursföretagen
I denna del av avhandlingen presenteras data för konkurs- och icke-konkursföretag i en
deskriptiv statistik genom att summera och organisera informationen som hittats om de testade
nyckeltalen. Av de testade nyckeltalen var det två nyckeltal som visade sig vara statistiskt
signifikanta. Dessa presenteras utförligare med hjälp av den logistiska regressionen.
Nio av nyckeltalen visade sig inte vara statistiskt signifikanta. Med andra ord har dessa
nyckeltal ingen prognostiseringsförmåga gällande konkurs och kan inte användas för att skilja
konkursföretag från icke-konkursföretag. Avkastning på eget kapital (ROI),
bruttovinstmarginal, räntetäckningsgrad, rörelsekapital / omsättning, quick ratio,
kundfordringar / försäljning, likvida medel, relativ skuldsättningsgrad och skuldsättningsgrad
(net gearing) visas i tabell 2 och 3 för att presentera data som hittats för varje nyckeltal. De
kommer inte att presenteras ytterligare, utan hypotesen för nyckeltalen förkastas. Fokus ligger
på att skapa en djupare förståelse av de två nyckeltal vars hypotes bekräftats.
8.1.1 Soliditetsgrad, %
Det första nyckeltalet som presenteras är soliditetsgraden. Soliditet avser företagets förmåga att
klara av sina betalningar på lång sikt, och används även för att avgöra företagets förlusttolerans.
I tabell 2 och 3 kan vi avläsa att medeltalet för soliditetsgraden är -42,2 för de 50
konkursföretagen och 54,1 för de 50 icke-konkursföretagen. En högre soliditetsgrad är ett
tecken på bättre överlevnadsförmåga vilket även reflekteras av medeltalet för konkursföretagen
som har ett positivt medeltal på soliditetsgraden. Det bör påpekas att standardavvikelsen är hög
både för konkursföretagen (83,4) och icke-konkursföretagen (23,4) vilket betyder att
N Min. Max. MedeltalStd.
Avvikelse VariansStatistik Statistik Statistik Statistik Statistik Statistik Statistik Std. Fel Statistik Std. Fel
Avkastning på eget kapital, (ROE)
50 0,79 1136,84 73,3170 184,75063 34132,794 4,860 0,337 25,060 0,662
Avkastning på investerat kapital, (ROI)
50 0,90 80,90 24,9440 19,44490 378,104 1,393 0,337 1,686 0,662
Bruttovinstmarginal, % 50 7,78 100,00 43,8016 26,39245 696,561 0,474 0,337 -0,768 0,662Räntetäckningsgrad, % 50 0,00 536,00 56,0322 123,37514 15221,425 2,827 0,337 7,422 0,662Soliditetsgrad, % 50 6,30 96,60 54,0680 23,37463 546,373 -0,394 0,337 -0,659 0,662Rörelsekapital / Omsättning, %
50 -26,20 48,60 11,5140 15,73942 247,729 0,409 0,337 0,919 0,662
Quick Ratio 50 0,50 10,10 2,1600 1,87334 3,509 2,219 0,337 5,943 0,662Kundfordringar / Försäljning, %
50 0,00 33,97 10,5986 7,54094 56,866 1,209 0,337 1,776 0,662
Likvida Medel, % 50 0,00 151,27 16,6478 24,53266 601,851 3,697 0,337 18,217 0,662Relativ skuldsättningsgrad
50 5,00 129,40 22,2100 19,10727 365,088 3,919 0,337 20,287 0,662
Skuldsättningsgrad, % (Net Gearing)
50 -2,60 6,80 0,2460 1,34805 1,817 2,692 0,337 11,779 0,662
Valid N (listwise) 50
Beskrivande statistikSnedhet (eng.
skewness) Kurtosis
46
soliditetsgraden är väldigt utspridd i båda samplen. Standardavvikelsen kan delvis förklaras
med att företagen i samplen hör till olika branscher. Därmed kan man inte förvänta sig en låg
standardavvikelse då olika branscher kan ha väldigt olika utgångslägen eller förutsättningar.
Snedheten används för att få en uppfattning om medeltalet, medianen, och i vissa fall typvärdet,
är likvärdiga. Soliditetsgraden för konkursföretagen antar det negativa värdet -1,169 vilket
betyder att den ”vänstra sidan” av fördelningen är längre och den största delen av
observationerna finns på den ”högra sidan” av fördelningen. För konkursföretagen är
medelvärdet och medianen därmed större än typvärdet. Icke-konkursföretagens soliditetsgrad
antar det negativa värdet -0,394 vilket tyder på en relativt jämn fördelning då värdet är mycket
nära 0. Trots det förekommer det en liten fördelning där den ”vänstra sidan” är längre vilket
betyder att den största delen av observationerna finns på den ”högra sidan”.
8.1.2 Avkastning på eget kapital (ROE)
Avkastning på eget kapital (ROE) är ett avkastningsmått som kan användas för att mäta
företagets förmåga att generera avkastning på sådant kapital som är bundet till företaget
(Leppiniemi, m.fl., 2017). Högre avkastning på eget kapital betyder att företaget lyckas
upprätthålla ett positivt flöde av avkastning till det kapital som investerats i företaget. Av tabell
2 och 3 framgår att medeltalet för konkursföretag är -127,8, medan det för icke-konkursföretag
är 73,3. Resultatet bekräftar att avkastningen på eget kapital är bättre för icke-konkursföretagen.
Standardavvikelsen för konkursföretagen och icke-konkursföretagen är 248,0 respektive 184,8.
Med andra ord är även nyckeltalet avkastning på eget kapital utspritt i båda samplen.
Snedheten för avkastning på eget kapital är negativ för sampel A och positiv för sampel B.
Snedheten för sampel A (-3,251) visar att medelvärdet och medianen är större än typvärdet. I
detta fall är den ”vänstra sidan” längre och den största delen av observationerna placerar sig på
den ”högra sidan” av fördelningen. Sampel B visar en positiv snedhet om 4,860 vilket tyder på
en fördelning där den ”högra sidan” är längre, och därmed faller största delen av
observationerna på den ”vänstra sidan”.
8.2 Den logistiska regressionen
För avhandlingen har testet utförts på två modeller för att minska -2 log-sannolikheten. Här
används steg 2 i tabell 4 där -2 log-sannolikheten är 46,139. Valet baserar sig på relationen till
variablernas koefficienter, där en låg -2 log-sannolikhet indikerar en mera exakt koefficient,
som i sin tur indikerar att modellen har en hög prognostiseringsförmåga. Genom Cox & Snells
47
pseudo R² kan man tolka att det finns en 60,3 procents sannolikhet att variablerna som valts till
avhandlingen förklarar företagens konkurs.
Tabell 4: Modellöversikt för steg 1 och 2 i den logistiska regressionen
I tabell 5 kan utläsas att två av nyckeltalen är signifikanta då modellen testats, vilket även
betyder att dessa två nyckeltal besitter den största förmågan att prognostisera konkurs av alla
de variabler som inkluderats i modellen.
Tabell 5: Variabler i ekvationen
8.2.1 Soliditetsgrad, %
Av tabell 5 framgår att soliditetsgrad har ett negativt förhållande till konkurs med en koefficient
på -0,100. Detta betyder att då soliditetsgraden ökar med en enhet, minskar risken för konkurs
med koefficienten. Av de två variablerna som valts för modellen är soliditetsgraden den variabel
som har mest inflytande gällande företag som går i konkurs, eftersom den är högst.
Soliditetsgraden är statistiskt signifikant eftersom dess p-värde (0,000) är mindre än det
förbestämda värdet av alfa (a=0,05). Det förekommer en klar distinktion mellan
konkursföretagens och icke-konkursföretagens soliditetsgrad, vilket tyder på att variabeln har
en förmåga att förutspå konkurs. Exp(B) är det exponentiella värdet av koefficienten och tyder
på att då soliditetsgraden stiger minskar även risken för konkurs med 9,6 %. Det exponentiella
värdet uttrycks i form av odds och används i den exponentiella funktionen vid uträkning av
logitvärdet (se kap. 7.7).
Steg-2 Log
sannolikhetCox & Snell
R2Nagelkerke
R2
1 62,136 0,535 0,7132 46,139 0,603 0,805
Modellöversikt
B S.E. Wald df Sig. Exp(B)Soliditetsgrad, %
-0,079 0,017 21,628 1 0,000 0,924
Konstant 2,114 0,595 12,631 1 0,000 8,284Soliditetsgrad, %
-0,100 0,026 14,986 1 0,000 0,904
Avkastning på eget kapital, (ROE)
-0,023 0,011 4,438 1 0,035 0,977
Konstant 3,635 1,091 11,094 1 0,001 37,898
Steg 2b
a. Variabler som anges i steg 1: Soliditetsgrad, %b. Variabler som anges i steg 2: Avkastning på eget kapital, (ROE).
Variablerna i ekvationen
Steg 1a
48
8.2.2 Avkastning på eget kapital (ROE)
Avkastning på eget kapital (ROE) har ett negativt förhållande till konkurs med en negativ
koefficient på -0,023, vilket framgår av tabell 5. Med andra ord minskar risken för konkurs då
avkastning på eget kapital (ROE) är högre. Jämfört med soliditetsgraden har avkastning på eget
kapital en mindre korrelation med konkurs och är relativt nära noll. Den statistiska signifikansen
för avkastning på eget kapital är 0,035, vilket är under alfavärdet på 0,05. Det exponentiella
värdet reflekterar en 2,3 % mindre risk för konkurs då avkastningen på eget kapital stiger med
en enhet.
8.2.3 Variance inflation factor (VIF)
För att säkerställa variablernas prognostiseringsförmåga, utförs ett VIF-test för att beräkna
nivån av multikollinearitet mellan nyckeltalen. VIF beräknas för enskilda nyckeltal enligt
följande formel:
𝑉𝐼𝐹𝑖 = 1/(1 − 𝑅2i)
(Midi m.fl., 2010)
Variansen mellan nyckeltalens koefficienter kan orsaka multikollinearitet, och med VIF kan
man räkna ut på vilken nivå multikollineariteten är.
Tabell 6: Koefficienterna för de valda nyckeltalen
I tabell 6 finns VIF faktorn beräknad för de valda nyckeltalen. Multikollineariteten mellan
nyckeltalen är inte hög, men den är trots det över värdet 1. Det är vanligt att inom logistisk
regression förekommer tecken på multikollinearitet i situationer där den överskrider 2,5.
Implikationen av denna statistik visar att multikollineariteten kan ha en effekt på de statistiskt
signifikanta självständiga variabler som är inkluderade. (Midi, m.fl., 2010)
Standardiserade koefficienter
B Std. Fel Beta Tolerans VIF(Konstant) 0,496 0,043 11,413 0,000Soliditetsgrad, % 0,004 0,001 0,671 7,420 0,000 0,764 1,308Rörelsekapital / Omsättning, %
-0,003 0,003 -0,101 -1,122 0,265 0,764 1,308
1
Koefficientera
Model
Ostandardiserade koefficienter
t Sig.
Kollinearitets Statistik
49
8.3 Klassifikationsmatrisen
I avhandlingen har en klassifikationsmatris använts för att upptäcka möjliga
missklassifikationer i samplet. Samplen för konkurs- och icke-konkursföretagen visar att 87 %
av företagen klassificerats korrekt enligt respektive grupp. Av konkursföretagen har 42 företag
klassificerats korrekt som konkursföretag medan 8 företag klassificerats fel som icke-
konkursföretag. Av icke-konkursföretagen har 45 klassificerats korrekt som icke-
konkursföretag medan 5 företag klassificerats fel som konkursföretag. I det stora hela är
klassifikationsnivån på en relativt hög nivå då den är på den övre fjärdedelen av omfånget och
närmare 100%.
I klassifikationsmatrisen (tabell 7) kan utläsas, att det är konkursföretagen som är mera
missklassificerade än icke-konkursföretagen. Det verkliga positiva värdet om 84 % visar hur
många av konkursföretagen som klassificerats korrekt. Det verkliga negativa värdet om 90 %
visar i sin tur hur många av icke-konkursföretagen som klassificerats rätt. Samplet för
konkursföretagen har en 6 % sämre korrekt klassifikation än samplet för icke-konkursföretag,
och är därmed det sampel som är mest missklassificerat.
10 % av icke-konkursföretagen har blivit missklassificerade som konkursföretag (typ-I fel).
Medan 16 % av konkursföretagen blivit missklassificerade som icke-konkursföretag (typ-II
fel). Missklassifikationsvärdet på 13 % kan orsaka missuppfattning av resultatet, då det är
troligt att det uppkommer korrelation mellan missklassifikationsvärdet och de självständiga
variablerna.
50
Tabell 7: Klassifikationsresultatet för konkursföretagen och icke-konkursföretagen.
Tabell 8: Prestandamått från klassifikationsmatrisen
8.4 Korrelationsmatrisen
I tabell 8 kan man se att korrelationsmatrisen identifierat sex signifikanta korrelations
koefficienter på en signifikansnivå av 0,05: Räntetäckningsgrad i % och Avkastning på
investerat kapital, (ROI) har en positiv korrelation (0,253*); Soliditetsgrad i % och Avkastning
på eget kapital, (ROE) har en positiv korrelation (0,253*); Quick Ratio och Avkastning på
investerat kapital, (ROI) har en positiv korrelation (0,217*); Likvida Medel, % och Avkastning
på investerat kapital, (ROI) har en positiv korrelation (0,199*); Relativ skuldsättningsgrad och
Avkastning på eget kapital, (ROE) har en negativ korrelation (-0,231*); och Relativ
Icke-konkursföretag Konkursföretag
Icke-konkursföretag
44 6 88,0
Konkursföretag
8 42 84,0
86,0Icke-konkursföretag
45 5 90,0
Konkursföretag
8 42 84,0
87,0
Steg 2 Konkursföretag
Totalt (%)
Klassifikationsmatrisa
Observerat
PrediktionKonkursföretag
Procent korrekt
Steg 1 Konkursföretag
Totalt (%)
Prestandamätare
Korrekt klassifikationsgrad 87 %
Misklassifikationsgrad 13 %
Sann positiv grad 84 %
Sann negativ grad 90 %
Typ 1 fel 10 %
Typ 2 fel 16 %
51
skuldsättningsgrad och rörelsekapital/omsättning har en negativ korrelation (-0,209*). Enligt
Midi m.fl. (2010) förekommer risk för multikollinearitet i situationer där koefficienterna visar
ett högre värde än 0,8 eller 0,9. Perfekt negativ kollinearitet uppstår då värdet är -1 och perfekt
positiv kollinearitet uppstår då värdet är 1. I tabell 9 kan vi se att det inte förekommer
indikationer på problem med kollinearitet för de nyckeltal som valts till avhandlingen. Överlag
är korrelationen mellan nyckeltalen låg eftersom värdena är positionerade kring värdet 0 (0 =
ingen korrelation).
Enligt Kalnins (2018) är det sannolikt att multikollinearitet uppstår i situationer där nyckeltalen
använder sig av liknande faktorer. Exempelvis består Soliditetsgrad, % och Avkastning på eget
kapital (ROI) av samma komponent, eget kapital, vilket i sin tur förklarar korrelationen mellan
nyckeltalen. En annan orsak till multikollinearitet är enligt Ellerman (2014) dubbelbokföring,
vilket kan exemplifieras med att då något bokas på debet inköpskostnader görs även en
kreditbokning mot banken. Detta syns även på resten av de korrelerande nyckeltalen då de
innehåller liknande komponenter som kan relateras till dubbelbokföringen. För att bevisa
motsatsen kan vi se på de nyckeltal som inte korrelerar med varandra. Exempelvis
Rörelsekapital/Omsättning, % och Bruttovinstmarginal, % har en korrelation på -0,001 vilket
är nära 0, och därmed en väldigt låg korrelation. Orsaken till den låga korrelationen kan delvis
ses i de olika komponenterna som bygger upp nyckeltalen.
52
Tabell 9: Pearsons korrelationsmatris
Avk
astn
ing
på e
get
kapi
tal,
(RO
E)
Avk
astn
ing
på
inve
ster
at
kapi
tal,
(RO
I)
Bru
ttovi
nst
mar
gina
l, %
Rän
tetä
ckn
ings
grad
, %
Solid
itets
grad
, %
Rör
else
kap
ital /
O
msä
ttnin
g, %
Qui
ck
Rat
io
Kun
dfor
dri
ngar
/ Fö
rsäl
jnin
g, %
Likv
ida
Med
el, %
Rel
ativ
sk
ulds
ättn
ing
sgra
d
Skul
dsät
tni
ngsg
rad,
%
(Net
G
eari
ng)
Pear
son
Kor
rela
tion
1Si
g. (
eng.
2-t
aile
d)N
100
Pear
son
Cor
rela
tion
,263
**1
Sig.
(en
g. 2
-tai
led)
0,00
8N
100
100
Pear
son
Cor
rela
tion
-0,0
550,
031
1Si
g. (
eng.
2-t
aile
d)0,
585
0,76
2N
100
100
100
Pear
son
Cor
rela
tion
0,13
5,2
53*
0,02
71
Sig.
(en
g. 2
-tai
led)
0,18
10,
011
0,78
6N
100
100
100
100
Pear
son
Cor
rela
tion
,253
*,2
83**
0,13
5,3
07**
1Si
g. (
eng.
2-t
aile
d)0,
011
0,00
40,
182
0,00
2N
100
100
100
100
100
Pear
son
Cor
rela
tion
-0,0
630,
064
-0,0
010,
163
,485
**1
Sig.
(en
g. 2
-tai
led)
0,53
30,
524
0,99
10,
105
0,00
0N
100
100
100
100
100
100
Pear
son
Cor
rela
tion
,298
**,2
17*
0,04
6,3
70**
,474
**0,
106
1Si
g. (
eng.
2-t
aile
d)0,
003
0,03
00,
651
0,00
00,
000
0,29
5N
100
100
100
100
100
100
100
Pear
son
Cor
rela
tion
0,16
10,
039
0,08
70,
131
,267
**,3
46**
0,18
81
Sig.
(en
g. 2
-tai
led)
0,11
00,
701
0,39
10,
195
0,00
70,
000
0,06
2N
100
100
100
100
100
100
100
100
Pear
son
Cor
rela
tion
0,11
2,1
99*
,307
**0,
162
,307
**0,
102
,366
**,3
20**
1Si
g. (
eng.
2-t
aile
d)0,
266
0,04
70,
002
0,10
60,
002
0,31
10,
000
0,00
1N
100
100
100
100
100
100
100
100
100
Pear
son
Cor
rela
tion
-,231
*-0
,144
0,10
8-0
,160
-,393
**-,2
09*
-,335
**0,
028
0,09
21
Sig.
(en
g. 2
-tai
led)
0,02
10,
153
0,28
30,
111
0,00
00,
037
0,00
10,
780
0,36
3N
100
100
100
100
100
100
100
100
100
100
Pear
son
Cor
rela
tion
-0,0
80-0
,017
0,02
5-0
,056
-0,0
15-0
,059
-0,0
76-0
,087
-0,0
840,
003
1Si
g. (
eng.
2-t
aile
d)0,
429
0,86
60,
801
0,58
10,
883
0,56
30,
455
0,39
00,
405
0,97
6N
100
100
100
100
100
100
100
100
100
100
100
Skul
dsät
tnin
gsgr
ad,
% (
Net
G
eari
ng)
**. K
orre
latio
nen
är s
igni
fika
nt p
å 0.
01 n
ivån
(2-
taile
d en
g.).
*. K
orre
latio
nen
är s
igni
fica
nt p
å 0.
05 n
ivån
(2-
taile
d en
g).
Solid
itets
grad
, %
Rör
else
kapi
tal /
O
msä
ttnin
g, %
Qui
ck R
atio
Kun
dfor
drin
gar
/ Fö
rsäl
jnin
g, %
Likv
ida
Med
el, %
Rel
ativ
sk
ulds
ättn
ings
grad
Kor
rela
tion
er
Avk
astn
ing
på
eget
kap
ital,
(RO
E)
Avk
astn
ing
på
inve
ster
at k
apita
l, (R
OI)
Bru
ttovi
nstm
argi
nal
, %
Rän
tetä
ckni
ngsg
rad,
%
53
9 Analys I kapitlet kommer jag att analysera resultaten från den empiriska delen genom att diskutera de
två signifikanta nyckeltalen separat och koppla dem till tidigare forskning som presenterats i
den teoretiska referensramen. En jämförelse mellan den utförda forskningen och Ohlsons
logistiska regressionsmodellen presenteras även i kapitlet. Kapitlet sammanfattas genom att
presentera resultatens reliabilitet och validitet.
Avhandlingen undersökte som bekant nyckeltal med potential att prognostisera konkurser för
finska små eller medelstora företag, och därmed särskilja konkursföretag från icke-
konkursföretag. I avhandlingen har nyckeltalen beräknats med den logistiska
regressionsanalysen, där två av nyckeltalen statistiskt signifikanta och bekräftat de hypoteser
som relaterar till nyckeltalen. Nyckeltalen soliditetsgrad, % och avkastning på eget kapital
(ROE) kommer att presenteras utförligare då de visat sig vara statistiskt signifikanta och innehar
en höjd förmåga att kunna prognostisera konkurs. Avhandlingens resultat kommer även att
jämföras med tidigare forskning för att försöka dra paralleller till dessa.
9.1 Soliditetsgrad, %
Dimensionen soliditet har visat sig ha en stor inverkan på avhandlingen och även tidigare
forskning har bekräftat soliditet som en viktig faktor inom konkursprognostisering (Dirickx och
Van Landeghem, 1994; Brindescu-Olariu, 2016). Resultatet visar att nyckeltalet soliditetsgrad
är statistiskt signifikant (P < 0,05), vilket är något som även bekräftats i tidigare studier
(Laitinen, 1990; Laitinen & Kankaanpää, 1997; Laitinen och Laitinen, 2004; Laitinen och
Laitinen, 2014). Resultatet avhandlingen bekräftar även det som framkommit i tidigare studier;
Soliditetsgraden har en hög prognostiseringsförmåga gällande konkurs.
Soliditetsgraden mäter företagets förmåga att klara av sina obligationer på längre sikt genom
att mäta företagets egna kapital i förhållande till balansomslutningen (Yritystutkimus, 2019).
Enligt Laitinen och Laitinen (2014, s. 172) är soliditetsgraden en av de mest användbara
nyckeltalen inom konkursprognostisering. Soliditetsgraden används för att undersöka ifall det
egna kapitalet eller främmande kapitalet är dominerande i balansräkningen (Leppiniemi, m.fl.,
2017). I samband med att det främmande kapitalet får en mera dominerande roll ökar den
finansiella risken för företaget. En låg soliditet kan förknippas med en högre finansiell risk.
Soliditeten och lönsamheten stöder varandra enligt Leppiniemi, m.fl. (2017) där ett företag med
högre lönsamhet kan använda denna faktor till sin fördel och öka avkastningen på det egna
54
kapitalet via lån i situationer där avkastningen på det egna kapitalet överskrider räntan på det
främmande kapitalet.
Eftersom soliditetsgraden visade sig vara statistisk signifikant (P<0,05), är det troligt att det
främmande kapitalet dominerade konkursföretagens balansräkning. De flesta konkursföretag
visade även tecken på dålig lönsamhet där en kombination av dålig lönsamhet och dålig soliditet
visat sig vara orsaken till företagens finansiella problem. De flesta företag finansierar sin
verksamhet med lån, vilket gör det svårt att hitta andra alternativ för att finansiera
verksamheten. Ett alternativ är att försöka förbättra lönsamheten för att därmed förbättra det
egna kapitalet och skifta dominansen i det främmande kapitalet mot det egna kapitalet.
9.2 Avkastning på eget kapital (ROE)
Avhandlingen bekräftar delar av det som presenterats i tidigare studier, genom att bevisa att
denna variabel är statistiskt signifikant (P < 0,05). Av de konkursföretag som valts till
avhandlingen kan av analysen dras slutsatsen att en av orsakerna till konkurs har ett starkt
samband med oförmågan att skapa avkastning på eget kapital. ROE betraktas ur en
ägarorienterad synvinkel, där nyckeltalet mäter företagets förmåga att skapa avkastning på
ägarnas investering (Masa’deh, m.fl., 2015). Lesáková (2007) lyfter fram att ROE inte tar
långsiktiga investeringar eller beslut i beaktande, utan fokuserar endast på en räkenskapsperiod.
Trots det konstaterar Lesáková (2007) att ROE är ett användbart lönsamhetsmått. Tidigare
forskning bekräftar även lönsamhetsmåttens förmåga att prognostisera konkurs (Gu, 2002;
Cultrera & Brédart, 2016). Avkastning på det egna kapitalet kan till viss del även beskriva
soliditetsgradens signifikans i avhandlingen. Konkursföretagens oförmåga att skapa avkastning
på eget kapital har orsakat det främmande kapitalet att växa till sig i balansräkningen och
därmed minskat på företagets soliditet, som i sin tur förorsakat finansiella problem och slutligen
konkurs. Laitinen och Lukason (2014) framställde i sin forskning att i mindre utvecklade
ekonomier är konkurs oftast en konsekvens av en likviditetskris, medan konkurser i utvecklade
länder oftast får sin början i samband med en lönsamhetskris. I sin undersökning drar de
slutsatsen att både likviditets- och lönsamhetskriser leder till en kollaps av soliditet som
reflekteras av nyckeltalet soliditetsgrad.
Sammanfattningsvis har båda två nyckeltalen en hög konkursprognostiseringsförmåga, men det
förekommer en viss nivåskillnad nyckeltalen emellan. Den dominanta variabeln är
soliditetsgraden, följt av avkastning på eget kapital. Rangordningen är inte oförväntad, med
tanke på den tidigare forskning som utförts inom forskningsområdet. En stor del av de tidigare
55
studierna inkluderar nyckeltal inom dimensionen soliditet före lönsamhet. Båda nyckeltalen
spelar en stor roll i företagets verksamhet, men i synnerhet soliditetsgraden borde prioriteras
ifall det förekommer signaler om att företaget håller på att gå i konkurs. Följande områden har
visat sig vara viktiga inom konkursprognostisering (Scott, 1981; Jones, 1987; Laitinen, 1991;
Dimitras m.fl, 1996; Altman, Narayanan 1997): kapitalstruktur (soliditet), lönsamhet, likviditet,
skapande av fritt kassaflöde och företagsstorlek. De nyckeltal som visat sig vara statistiskt
signifikanta i avhandlingen hör till dimensionerna kapitalstruktur (soliditetsgrad) respektive
lönsamhet (avkastning på eget kapital, ROE).
9.3 Jämförelse med Ohlsons modell
I Ohlsons logistiska regression (1980) var de två nyckeltalen med hög prognostiseringsförmåga
totala skulder / balansomslutning och nettoinkomst / balansomslutning. Nyckeltalen hör till
dimensionen soliditet respektive lönsamhet, vilket även var fallet för de nyckeltal som visade
signifikans i avhandlingen. Trots att nyckeltalen varierar sig, förekommer det en viss likhet i
nyckeltalens uppbyggnad där soliditetsgraden beräknas enligt eget kapital / balansräkningens
värde – erhållna förskott. Avkastning på eget kapital använder likväl liknande uppbyggnad
rörelseresultat efter skatt – netto finansieringskostnader / genomsnittligt eget kapital under
räkenskapsperioden. Utöver det bör nämnas att nyckeltalen i avhandlingen baserar sig på
dimensionerna soliditet och lönsamhet. En orsak till de möjliga skillnaderna av nyckeltal är
metoden som använts för att välja nyckeltal. I avhandlingen har nyckeltalen valts enligt tidigare
forskning, medan Ohlson baserade sitt val av nyckeltal på enkelhet. I sin studie använde Ohlson
(1980) ett sampel i form av 2000 företag. I avhandlingen har totalt 100 företag valts, vilket
betyder att det förekommer en stor skillnad i sampelmängden emellan Ohlsons studie och denna
avhandling.
9.4 Klassifikationsmatrisen
Sifforna i klassifikationsmatrisen varken påverkar eller bidrar till resultatet av nyckeltalen.
Matrisen visar istället tecken på hur väl man kan tro på det resultat som presenterats.
Förändringar skulle därmed inte påverka de facto att nyckeltalen som visat sig vara signifikanta,
skulle mista denna signifikans om felklassifikationen varit lägre. Klassifikationsmatrisen visar
att 87 % av samplet på totalt 100 företag hade en korrekt klassifikation. Av konkursföretagen
var det verkliga positiva värdet 84 %, medan det verkliga negativa värdet för icke-
konkursföretagen var 90 %. Felklassifikationen är därmed differentiell, vilket betyder att de två
samplens korrekta klassifikationsgrad skiljer sig åt. Eftersom nyckeltalen estimeras genom att
56
kombinera den finansiella informationen för konkurs och icke-konkursföretag, kan
felklassifikationen orsaka en underskattning av reliabiliteten. Konkursföretagen har en lägre
klassifikationsgrad, vilket ökar risken för att nyckeltalen för dessa företag kan felklassificeras
vilket i sin tur kan påverka reliabiliteten (Feng & Hu, 2013).
9.5 Reliabilitet och validitet av resultaten
Faktorer som påverkar reliabiliteten och validiteten i avhandlingen har uppstått, trots försök att
minimera dessa från avhandlingen. Resultaten från avhandlingen är inte representativa för hela
populationen på grund av sampelmängden. Trots att sampelmängden är liten, kan det
konstateras att samplet är konsekvent genom hela avhandlingen. Metodologin som använts i
avhandlingen är reproducerbar, i mån om möjlighet att den framtida forskaren har tillgång till
databasen Voitto+. Det kan inte garanteras att användningen av en annan databas kunde
producera samma population att välja samplet från. Resultatet från undersökningen är även
känsligt för valet av nyckeltal och definitionen av den beroende variabeln. Sammanfattningsvis
kan man dra slutsatsen att resultatet från avhandlingen inte alltid är pålitligt.
Enligt Bryman och Bell (2015) är forskningen pålitlig om resultaten kan reproduceras genom
att tillämpa en liknanden metodologi, vilket bekräftar det problem som avhandlingen innehar.
Upprepbarhet kan därmed endast kopplas till avhandlingen på en nationell nivå och kan därför
inte alltid tillämpas av framtida forskare som söker efter inspirerande, pålitliga källor. De
självständiga nyckeltalen som inkluderats i avhandlingen har till viss del kopplats till tidigare
studier. För att öka på validiteten av avhandlingen kunde mera tester ha utförts på nyckeltalen.
Trots att nyckeltalen som inkluderats är relevanta för avhandlingens syfte, har inga ytterligare
undersökningar utförts förutom att bekräfta deras prognostiseringsförmåga.
10 Resultat I detta kapitel kommer resultatet från den empiriska undersökningen, analysen av arbetet och
kontributionen till teori och praktik att summeras.
Målet med avhandlingen är att undersöka vilken finansiell information som kan särskilja
konkursföretag från icke-konkursföretag. Hypoteserna har bekräftats eller förkastats med hjälp
av ett urval icke-listade små och medelstora företag som är verksamma på den finska
marknaden. I avhandlingen används en kvantitativ strategi där 11 nyckeltal valdes för att ta reda
på vilka av nyckeltalen som har en förmåga att prognostisera konkurs, och därmed särskilja
konkursföretag från icke-konkursföretag. Avhandlingens sampel består av totalt 100 företag
57
där 50 av företagen är konkursföretag och 50 icke-konkursföretag. Företagen delades upp i två
sampel, där konkursföretagen utgjorde sampel A, medan icke-konkursföretagen utgjorde
sampel B. Tidsperiod för valet av konkursföretagen begränsades att gälla 2019, där valet
gjordes från tiden då konkursen registrerades i rättsregistercentralen. Nyckeltalen som valdes
till undersökningen baserar sig på tidigare forskning. Av de 11 nyckeltal som valdes till
undersökningen visar resultatet att två av dessa nyckeltal är statistiskt signifikanta. Hypoteserna
har därmed bekräftats för två nyckeltal medan de resterande 9 hypoteserna förkastats.
Resultaten presenteras med hjälp av den deskriptiva statistiken, logistiska regressionsmodellen
och klassifikationsmatrisen.
Soliditetsgraden har den högsta prognostiseringsförmågan av de två nyckeltalen eftersom den
är statistiskt signifikant och har den högsta koefficienten. Nyckeltalet har en negativ koefficient
vilket innebär att en lägre soliditetsgrad innebär en högre risk för konkurs. Avkastning på eget
kapital (ROE) är även statistiskt signifikant och har likaså en negativ koefficient, vilket innebär
att då avkastning på eget kapital minskar, ökar risken för konkurs.
Kontributionen med undersökningen är delvis begränsad med tanke på de nyckeltal som visade
sig vara statistiskt signifikanta. Soliditetsgraden är ett nyckeltal som använts i flera tidigare
studier (Laitinen & Lukason, 2014; Laitinen, 1990; Laitinen och Laitinen, 2004; Laitinen &
Laitinen, 2014) och visat sig ha en väldigt hög prognostiseringsförmåga, i synnerhet enligt de
studier som utförts i Finland. Nyckeltalet hör även till en av de centrala dimensionerna inom
konkursprognostisering: soliditet. Nyckeltalet avkastning på eget kapital (ROE) har inte
använts i lika stor utsträckning i tidigare studier. Trots det förekommer det tecken om
nyckeltalets användbarhet, och nyckeltalets uppbyggnad kan relateras till liknande nyckeltal
som mäter lönsamhet. I avhandlingen stöder slutsatsen på nyckeltalets koppling till
soliditetsgraden. Laitinen och Lukason (2014) bekräftar i sin studie att företag med ekonomiska
svårigheter i utvecklade länder oftast får sin början i lönsamhetskriser. Avkastning på eget
kapital är ett lönsamhetsmått som mäter företagets förmåga att generera avkastning på det egna
kapitalet, vilket kunde tyda på att problemen i konkursföretagen långsamt utvecklats från
lönsamhetsproblem för att året före konkurs uttrycka sig i märkbara soliditetsproblem.
11 Avslutande diskussion I det här kapitlet går jag in på de begränsningar som upptäckts under studien och
rekommendationer för framtida forskning.
58
11.1 Avhandlingens begränsningar
Studiens avgränsning har påverkat avhandlingens begränsning. Eftersom studien är avgränsad
till Finland orsakar den juridiska aspekten en begränsning. Detta medför svårigheter att
generalisera studien och jämföra med övriga länder. Länders konkurslagstiftning skiljer sig åt,
vilket leder till att företag som klassificeras som konkurs i Finland inte nödvändigtvis kan
jämföras med konkursföretag i andra länder. Trots att forskning kring konkursprognostisering
utvecklats sedan 1960-talet, förekommer det fortfarande ingen koncensus om vilken modell
eller vilka finansiella variabler som har den bästa prognostiseringsförmågan gällande konkurs.
Även om det inte förekommer konsensus om variablerna, har tidigare forskning lyckats föreslå
olika variabler med högre prognostiseringsförmåga än andra. Enligt Dietrich (1984) har de
flesta modeller, från Beavers (1968) univariata modell till Ohlsons (1980) logistiska
regressionsmodell, presenterat egna slutsatser utan en gemensam teoretisk överenskommelse.
Flera studier kan ha använt sig av samma variabler men det betyder inte att variabeln kan anses
vara teoretiskt rättfärdigad (Wilcox, 1971). Problemet sträcker sig enligt Dietrich (1984) även
ut över forskning kring konkursprognostiseringsmodellerna, där det inte heller förekommer
någon konsensus om vilka modeller som har högre prognostiseringsförmåga.
I avhandlingen har den logistiska regressionsanalysen använts för att utföra studien. Trots att
den logistiska regressionen är mindre restriktiv i sina antaganden, existerar alltid risken för
multikollinearitet i de självständiga variablerna. Multikollinearitet påverkar resultatens
reliabilitet, och kan därför ses som en av de största begränsningarna i avhandlingen. En risk att
nyckeltalen är beroende av varandra existerar, vilket kunde leda till att de inte kan klassas som
individuella variabler. Enligt Midi m.fl. (2010) är risken för multikollinearitet märkbar i
situationer där sampelmängden är liten, vilket kan leda till en brist på statistiskt signifikanta
variabler. Generaliserbarheten hos resultatet i avhandlingen försvåras ytterligare av att
avhandlingen begränsats till finska små och medelstora företag. Med andra ord kan resultatet
inte appliceras på andra länder eller klassifikationer utöver små och medelstora bolag.
Sampelmängden är även en orsak till att resultatet inte kan generaliseras på en hel population.
En annan faktor som kan ha påverkat resultatet är valet av variabler. Det förekommer inga
riktlinjer för vilka variabler som fungerar bäst, utan valet har utgått från tidigare forskning,
vilket betyder att variablerna även baserar sig på nyckeltal utan prognostiseringsförmåga. Av
alla tillgängliga nyckeltal inkluderas endast 11 stycken i studien vilket betyder att det kan
förekomma nyckeltal som kunde ha haft en hög prognostiseringsförmåga men som uteblivit
59
helt och hållet. Det bör påpekas att de två statistiskt signifikanta nyckeltalen möjligtvis bara är
signifikanta då de testas med de övriga nio nyckeltalen.
11.2 Rekommendationer för framtida forskning
Det finns en hög potential för att utveckla denna undersökning, på grund av de avgränsningar
som gjorts. I avhandlingen har avgränsningar i form av nation gjorts, så att uteslutande företag
som har sin verksamhet i Finland inkluderades. En annan begränsning som öppnar för
ytterligare möjligheter att forska i ämnet är sampelstorleken och utelämnandet av icke-
finansiella variabler. En ökning av sampelmängden kunde minska risken för multikollinearitet,
vilket kunde rättfärdiga användningen av den logistiska regressionsanalysen ytterligare. I små
och medelstora företag är de icke-finansiella variablerna relativt svåra att få tag på, vilket även
påpekats i avhandlingen. Att erhålla icke-finansiella variabler kunde visserligen vara möjligt,
men väldigt arbetsdrygt.
Då jag påbörjade avhandlingen hade jag tanken och visionen att försöka kombinera revisorns
going-concern rapportering med konkursprognostisering. Problemet var att going-concern
rapportering är mycket sällsynt i Finland, vilket betyder att sampelmängden helt enkelt inte
hade räckt till. I framtida forskning kunde revisorns synpunkter på de finansiella nyckeltalen
utföras i korrelation med konkursprognostisering, för att få en ytterligare synpunkt på de
variabler som kunde väljas till modellerna.
I avhandlingen visade det sig att nyckeltalen soliditetsgrad, % och avkastning på eget kapital
(ROE) hade den högsta prognostiseringsförmågan på konkurs, och bekräftade därmed sina
hypoteser. Nyckeltalen kan delvis relateras till tidigare forskning, där i synnerhet
soliditetsgraden visat sig vara signifikant. Avkastning på eget kapital (ROE) har inte
förekommit lika brett i tidigare forskning, men slutsatsen från det nyckeltalet är enligt mig att
det är avkastningen på det egna kapitalet, det vill säga lönsamheten, som orsakat problem för
konkursföretagen, vilket sedan smittat av sig på soliditetsgraden för att slutligen orsaka
konkurs. Tidigare forskning (Laitinen & Lukason, 2014) stöder detta resonemang. I länder med
utvecklade ekonomier kan lönsamhetskriser ses som utlösare för konkurs, där soliditetsgraden
påverkas sist och är orsaken till att soliditetsgraden har så hög prognostiseringsförmåga ett år
före konkurs. Eftersom avhandlingen endast undersökt det sista året av företagen,
rekommenderar jag att ytterligare forskning kunde tillämpas inom området för att bekräfta
lönsamhetens roll i ett tidigare skede av en konkurs. Ett förslag till vad som kunde studeras är
vilka nyckeltal som har den högsta prediktiva förmågan ett, två och tre år före konkurs. Det
60
finns förmodligen arbeten som redan behandlat detta men för att prognostiseringsförmågan för
olika nyckeltal upprätthålls är det väsentligt att nya studier, på nya sampel utförs kontinuerligt.
Nyckeltal används av fler intressenter till specifika ändamål vilket gör att forskningsområdet
inom konkursprognostisering är väldigt brett och olika synvinklar kan leda till olika slutsatser.
61
Källor
Vetenskapliga artiklar
Agarwal, V. & Taffler, R. (2008). Comparing the performance of market-based and accounting-based bankruptcy prediction models. Journal of Banking & Finance, 32(8), 1541-1551.
Altman D. (1997). Practical statistics for medical research (1st ed.). London, UK: Chapman & Hall.
Altman, E. (1968). Financial ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. Journal of Finance, 23(4), 589-609. Altman, E., & Hotchkiss, E. (2005). Corporate failure and bankruptcy. (3rd ed.). John Wiley and Sons.
Altman, E., & Sabato, G. (2007). Modelling Credit Risk for SMEs: Evidence from the U.S. Market. Abacus, 43(3), 332-357.
Altman, E., Iwanicz‐Drozdowska, M., Laitinen, E., & Suvas, A. (2017). Financial Distress Prediction in an International Context: A Review and Empirical Analysis of
Altman, E., Sabato, G., & Wilson, N. (2010). The value of non-financial information in small and medium-sized enterprise risk management. The Journal of Credit Risk, 6(2), 95-0_7.
Altman, E.I., 1968, “Financial ratios, Discriminant Analysis, and the Prediction of Corporate Bankruptcy”, The Journal of Finance, September 1968, s. 589-609.
Altman, E.I., Haldeman, R.G., Narayanan, P., 1997, ”Zeta-Analysis. A New Model to Identify bankruptcy Risk of Corporations”, Journal of Banking and Finance, 1/1977, s. 29-54.
Altman, E.I., Iwanicz-Drozowska, M, Laitinen, E.K, Suvas, A., 2017, “Financial Distress Prediction in an International Context: A Review and Empirical Analysis of Altman’s Z-Score Model”, Journal of Financial Management & Accounting, Vol. 28(2), s. 131–171.
Anderson, R., Sweeney, D. J., Williams, T. A., Freeman, J., & Shoesmith E. (2014). Statistics for Business and Economics. Hampshire, UK: Cengage Learning EMEA.
62
Balcaen, S., & Ooghe, H. (2006). 35 years of studies on business failure: an overview of the classic statistical methodologies and their related problems. The British Accounting Review, 38(1), 63-93.
Barnes, P. (1982). Methodological Implications of Non-Normally Distributed Financial Ratios. Journal of Business Finance and Accounting, 9(1), 51-61.
Beaver, W. (1966). Financial Ratios As Predictors of Failure. Journal of Accounting Research, 4, 71-111.
Beaver, W. (1968). Alternative Accounting Measures as Predictors of Failure. The Accounting Review, 43(1), 113-122.
Bernstein, S., Colonnelli, E., Giroud, X., & Iverson, B. (2017). Bankruptcy Spillovers. In NBER Working Paper Series.
Bogdan, R. C. & Biklen, S. K. (1998). Qualitative research in education: An introduction to theory and methods (3rd ed.). Needham Heights, MA: Allyn & Bacon.
Bryman, A., & Bell, E. (2015). Business research methods (4th ed.). Oxford, UK: Oxford University Press.
Charles, C. M. (1995). Introduction to educational research (2nd ed.). San Diego, Longman.
Cultrera, L., & Brédart, X. (2016). Bankruptcy prediction: the case of Belgian SMEs. Review of Accounting and Finance, 15(1), 101-119.
Dambolena, I., & Khoury, S. (1980). Ratio Stability and Corporate Failure. Journal of Finance, 35(4), 1017-1026.
Daniel Brîndescu-Olariu. (2016). Bankruptcy prediction based on the debt ratio. Theoretical and Applied Economics, 23(2), 145-156.
Dhaliwal, D., Li, O., Tsang, A., & Yang, Y. (2011). Voluntary nonfinancial disclosure and the cost of equity capital: the initiation of corporate social responsibility reporting (Report). Accounting Review, 86(1), 59-100.
63
Du Jardin, P. (2009). Bankruptcy prediction models: How to choose the most relevant variables? IDEAS Working Paper Series from RePEc.
Du Jardin, P. (2015). Bankruptcy prediction using terminal failure processes. European Journal of Operational Research, 242(1), 286-303.
Du Jardin, P., & Séverin, E. (2011). Predicting corporate bankruptcy using a self-organizing map: An empirical study to improve the forecasting horizon of a financial failure model. Decision Support Systems, 51(3), 701-711.
Dunlap, W., Dietz, J., & Cortina, J. (1997). The Spurious Correlation of Ratios that Have Common Variables: A Monte Carlo Examination of Pearson’s Formula. The Journal of General Psychology, 124(2), 182-193.
Edmister, R. (1972). An Empirical Test of Financial Ratio Analysis for Small Business Failure Prediction. Journal of Financial and Quantitative Analysis, 7(2), 1477-1493.
Ellerman, D. (2014). On Double-Entry Bookkeeping: The Mathematical Treatment. Accounting Education, 23(5), 483-501.
Feng, S., & Hu, Y. (2013). Misclassification Errors and the Underestimation of the US Unemployment Rate. American Economic Review, 103(2), 1054-1070.
Field, A. (2009). Discovering Statistics Using SPSS. (3rd ed.). Thousand Oaks, US: SAGE Publications Inc.
Fitzpatrick, P. (1932). A Comparison of the Ratios of Successful Industrial Enterprises with those of Failed Companies. The Accountants Publishing Company.
Gary K. Meek, Clare B. Roberts, & Sidney J. Gray. (1995). Factors Influencing Voluntary Annual Report Disclosures By U.S., U.K. and Continental European Multinational Corporations. Journal of International Business Studies, 26(3), 555-572.
Gheondea-Eladi, A. (2014). Is Qualitative Research Generalizable? Journal of Community Positive Practices, 14(3), 114-124.
64
Grice, J. Ingram, R. (2001). Tests of the Generalizability of Altman's Bankruptcy Prediction Model. Journal of Business Research, Volume 54, p.53
Gu, Z. (2002). Analyzing bankruptcy in the restaurant industry: A multiple discriminant model. International journal of hospitality management, 22(1), 25-42.
Hair, J. (1992). Multivariate data analysis (2nd ed.). New York, USA: Macmillan Publishing Company.
Hamer, M. (1983) Failure prediction: sensitivity of classification accuracy to alternative statistical methods and variable sets. Journal of Accounting and Public Policy, 2: 289–307.
Hauke, J., & Kossowski, T. (2011). Comparison of Values of Pearson’s and Spearman’s Correlation Coefficients on the Same Sets of Data. Quaestiones Geographicae, 30(2), 87-93.
Hernandez Tinoco, M., Holmes, P., & Wilson, N. (2018). Polytomous response financial distress models: The role of accounting, market and macroeconomic variables. International Review of Financial Analysis, 59, 276-289.
Horrigan, J. (1968). A Short History of Financial Ratio Analysis. The Accounting Review, 284-294.
Horta, I., & Camanho, A. (2013). Company failure prediction in the construction industry. Expert Systems With Applications, 40(16), 6253–6257.
Karas, M., & Reznáková, M. (2017). The Stability of Bankruptcy Predictors in the Construction and Manufacturing Industries at Various Times Before
Karels, G., & Prakash, A. (1987). Multivariate Normality and Forecasting of Business Bankruptcy. Journal of Business Finance & Accounting, 14(4), 573-593.
Kalnins, A. (2018). Multicollinearity: How common factors cause Type 1 errors in multivariate regression. Strategic Management Journal, 39(8), 2362-2385.
Keasey, K., & Watson, R. (1987). Non‐Financial Symptoms and the Prediction of Small Company Failure: A Test of Argenti’s Hypotheses. Journal of Business Finance & Accounting, 14(3), 335-354.
65
Kilborn, J., & Walters, A. (2013). Involuntary Bankruptcy As Debt Collection: Multi- Jurisdictional Lessons in Choosing the Right Tool for the Job. The American Bankruptcy Law Journal, 87(2), 123-153.
Kim, J. (2019). Ownership Concentration and Institutional Quality: Do They Affect Corporate Bankruptcy Risk? Asia‐Pacific Journal of Financial Studies, 48(4), 531-560.
Laitinen, E. K. (1991). Financial ratios and different failure processes. Journal of Business Finance & Accounting, 18(5), 649–673. http://dx.doi.org/10.1111/j.1468-5957.1991.
Laitinen, T., & Kankaanpaa, M. (1997) Comparative analysis of failure prediction methods: the Finnish case. The European Accounting Review, 8(1), 67-92.
Liang, D., Lu, C., Tsai, C., & Shih, G. (2016). Financial ratios and corporate governance indicators in bankruptcy prediction: A comprehensive study. European Journal of Operational Research, 252(2), 561-572.
Martin, D. (1977) Early warning of bank failure: a logit regression approach, Journal of Banking Finance, 1(3): 249–76.
Merwin, C. (1942). Financing Small Corporations in Five Manufacturing Industries,. National Bureau of Economic Research., 1926-1936.
Midi, H., Sarkar, S., & Rana, S. (2010). Collinearity diagnostics of binary logistic regression model. Journal of Interdisciplinary Mathematics, 13(3), 253-267.
Muscettola, M. (2015). Predictive Ability of Accounting Ratio for Bankruptcy. Journal of Applied Finance and Banking, 5(1), 13-27.
Ohlson, J. (1980). Financial Ratios and the Probabilistic Prediction of Bankruptcy. Journal of Accounting Research, 18(1), 109-131.
Perry, L., Henderson, G., & Cronan, T. (1984). Multivariate Analysis of Corporate Bond Ratings and Industry Classification. Journal of Financial Research, 7(1), 27-36.
66
Platt, H., & Platt, M. (1990). Development of a Class of Stable Predictive Variables: The Case of Bankruptcy Prediction. Journal of Business Finance & Accounting, 17(1), 31.
Ramser, J., & Foster, L. (1931). A Demonstration of Ratio Analysis. Bulletin No. 40, Urbana, Ill. Bureau of Business Research
Rezaee, Z. (2016). Business sustainability research: A theoretical and integrated perspective. Journal of Accounting Literature, 36, 48-64.
Salimi, A. Y., (2015), “Validity of Altmans Z-Score Model in Predicting Bankruptcy in Recent Years”, Academy of Accounting and Financial Studies Journal, Vol. 19(2), s. 233–238.
Saunders, M., Lewis, P., & Thornhill, A. (2016). Research methods for business students (7th ed.). New York, US: Pearson Education.
Shumway, T. (2001). Forecasting Bankruptcy More Accurately: A Simple Hazard Model *. The Journal of Business, 74(1), 101-124.
Sieczka, P., Sornette, D., & Holyst, J. (2011). The Lehman Brothers effect and bankruptcy cascades. The European Physical Journal B, 82(3-4), 257-269.
Smith, R. F., & Winakor, A. (1935). Changes in the financial structure of unsuccessful industrial corporations. Urbana: University.
Süsi, V., & Lukason, O. (2019). Corporate governance and failure risk: evidence from Estonian SME population. Management Research Review, 42(6), 703-720.
Szpulak, A. (2016). Assessing the financial distress risk of companies operating under conditions of a negative cash conversion cycle. e-Finanse, 12(4), 72-82.
Tian, S., & Yu, Y. (2017). Financial ratios and bankruptcy predictions: An international evidence. International Review of Economics and Finance, 51, 510-526.
Tinoco, M., & Wilson, N. (2013). Financial distress and bankruptcy prediction among listed companies using accounting, market and macroeconomic variables. International Review of Financial Analysis, 30.
67
Wang, T. (2019). Predicting Private Company Failures in Italy Using Financial and Non- financial Information. Australian Accounting Review, 29(1), 143-157.
Waqas, H., & Md-Rus, R. (2018). Predicting financial distress: Importance of accounting and firm-specific market variables for Pakistan’s listed firms. Cogent Economics & Finance, 6(1), 1-16.
Zavgren, C. (1985). Assessing the vulnerability to failure of American industrial firms: a logistic analysis. Journal of Business Finance and Accounting, 12(1), 19-45.
Zmijewski, M. (1984). Methodological Issues Related to the Estimation of Financial Distress Prediction Models. Journal of Accounting Research, 22, 59-82.
Böcker Kaisanlahti, T., Leppiniemi, J. & Leppiniemi, R. (2017). Tilinpäätöksen tulkinta (5., reviderad upplaga.). Helsingfors: Alma Talent.
Laitinen E. K. (1990). Konkurssin ennustaminen. Sundom: Vaasan Yritysinformaatio Oy.
Laitinen, E.K., Laitinen T., (2004). Yrityksen rahoituskriisin ennustaminen, 1 uppl., Talentum Media Oy, Helsingfors
Laitinen E. K., Laitinen T., (2014). Yrityksen maksukyky. Arviointi ja ennakointi. Helsinki: KHT Media Oy.
Niskanen, J & Niskanen, M (2004). Tilinpäätösanalyysi. Edita, Helsinki.
Kallunki, Juha-Pekka (2014). Tilinpäätösanalyysi. Talentum, Helsinki.
Yritystutkimus ry, 2017, Yritystutkimuksen tilinpäätösanalyysi, 10 uppl., Gaudeamus
Helsinki University Press, Tallinn.
Lagar