Går det att prognostisera ett framtida. kreditbetyg? Can you predict a future credit rating?

Transkript

1 LIU-IEI-FIL---11/01026 SE Går det att prognostisera ett framtida kreditbetyg? - En studie om finansiella nyckeltals användbarhet vid förutseende av kreditbetygstilldelning till svenska företag. Can you predict a future credit rating? - study concerning key financial ratios usability in predicting a future credit rating on Swedish corporations. Oskar Bermlid lexander Palmér Examensarbete VT 2011 Handledare: Göran Hägg och Inger sp Civilekonomprogrammet/Finans Institutionen för Ekonomisk och Industriell utveckling

2 Sammanfattning TITEL: Går det att prognostisera ett framtida kreditbetyg? En studie om finansiella nyckeltals användbarhet vid förutseende av kreditbetygstilldelning till svenska företag. FÖRFTTRE: Oskar Bermlid och lexander Palmér. HNDLEDRE: Göran Hägg och Inger sp. Ett företags kreditbetyg har en stor betydelse för företag med tanke på att det ligger till grund för dess skuldkostnad. Kreditvärderingsinstituten menar att kreditbetyget består av många kvalitativa aspekter. Dock har flertalet studier, framförallt på den amerikanska marknaden, kunnat visa att finansiella nyckeltal till en betydande grad kan förklara ett kreditbetyg. Därmed har förståelsen ökat kring vad kreditbetyget faktiskt är uppbyggt av. Oss veterligen har det inte genomförts någon liknande undersökning på den svenska marknaden. Förhoppningen är således att kunna bidra till förståelse kring vad kreditbetyg, som tilldelats svenska företag, är uppbyggda av. Syftet med studien är att undersöka hur ett antal finansiella nyckeltal påverkar svenska företags långsiktiga kreditbetyg tilldelade av Standard & Poor s samt analysera nyckeltalens relativa betydelse för kreditbetygen. För att genomföra studien har en multipel regressionsmodell i form av en logitmodell använts för att förklara kreditbetygen. Kreditbetyget blir i modellen den beroende variabeln medan de finansiella nyckeltalen är de oberoende variablerna. I mångt och mycket stöder våra resultat tidigare forskning. Den multipla regressionsmodellen har lättare att särskilja kreditbetygskategorier som ligger längre ifrån varandra i termer av kreditrisk. Dessutom visar resultatet att nyckeltalen skuldsättningsgrad samt rörelsemarginal är bland de mest betydande förklaringsvariablerna för kreditbetyg tilldelade svenska företag. NYCKELORD: Kreditbetyg, kreditrisk, logistisk multipel regression, finansiella nyckeltal, Standard & Poor s.

3 bstract TITLE: Can you predict a future credit rating? study concerning key financial ratios usability in predicting a future credit rating on Swedish corporations. UTHORS: Oskar Bermlid and lexander Palmér. SUPERVISORS: Göran Hägg and Inger sp. corporation s credit rating is of major importance for corporations given the fact that it is underlying its cost of debt. The credit rating agencies claim that many qualitative aspects are taken into account in the rating process. Several earlier studies, primarily on the merican market, have shown that key financial ratios to a significant extent can explain a credit rating. This has facilitated to the understanding of credit ratings. To our knowledge no such study has been conducted on the Swedish market. The hope is thus to contribute to the understanding of how a credit rating, assigned to Swedish corporations, is constructed. The purpose of this study is to investigate how a number of financial ratios affect Swedish companies long-term credit ratings assigned by Standard & Poor s, and analyze the key financial ratios relative importance for credit ratings. In order to conduct the study, a multiple regression model in the form of a logit model has been applied to explain the credit ratings. The credit ratings take the form of dependent variables while key financial ratios serve as independent variables. Overall the found results of this study support the findings of previous studies. The multiple regression model has easier to distinguish rating categories far apart in terms of credit risk. In addition, the result shows that the key financial ratios of indebtedness and operating margin are among the most significant explanatory variables for credit ratings assigned to Swedish corporations. KEY WORDS: Credit rating, credit risk, logistic multiple regression, key financial ratios, Standard & Poor s.

4 Förord Vi skrev detta examensarbete omfattande 30 högskolepoäng vid Linköpings universitet under vårterminen Efter avslutat arbete vill vi rikta vårt tack till ett antal personer som i hög grad underlättat för studiens genomförande. Våra handledare, Inger sp och Göran Hägg, har varit till stor hjälp med diverse frågor vi haft under studiens gång. Dessutom vill vi passa på att tacka lexander Ekbom på Standard & Poor s för den hjälp han bidragit med. Slutligen är vi tacksamma för den erhållna kritiken från opponentgrupperna vilken bidragit till att förbättra kvaliteten på studien. Linköping i juni 2011 Oskar Bermlid lexander Palmér

5 Innehållsförteckning 1. Inledning Bakgrund Problemdiskussion Syfte Forskningsfrågor vgränsningar Disposition S&P s kreditvärderingsprocess Kreditvärderingsprocessen Tidigare forskning Fisher Horrigan Pogue och Soldofsky Pinches och Mingo Kaplan och Urwitz Belkaoui Huang et al Gray et al Nyckeltalsdefinitioner Företagsstorlek Skuldsättning Räntetäckning Lönsamhet Effektivitet Likviditet Kassaflöde Metod ngreppssätt Datainsamling Urval Mätperiod Nyckeltalsstrategi Nyckeltalshypoteser Företagsstorlek... 22

6 5.6.2 Skuldsättning Räntetäckning Lönsamhetsmått Effektivitet Likviditet Kassaflöde Regressionsmodell Multipel logistisk regressionsanalys Marginaleffekter Multikollinearitet Goodness of fit Metodmedvetenhet Reliabilitet Validitet Generaliserbarhet Resultat och analys Inledande tester Resultatsammanställning med diskussion Regressioner Modellens förklaringsgrad Nyckeltalens påverkan på kreditbetyget Företagsstorlek Skuldsättning Räntetäckning Lönsamhet Effektivitet Likviditet Kassaflöde Jämförelse av typföretag Nyckeltals marginella påverkan på kreditbetyget Metodkritik Datainsamlingsproblem Korrelationer Vif Binär kodning Branschindelning vslutning Slutsats... 54

7 8.2 Framtida forskning Referenser: ppendix ppendix ppendix

8 Tabellförteckning Tabell 1 Kreditbetyget... 8 Tabell 2 Sammanställning tidigare forskning Tabell 3 Sammanställning nyckeltal Tabell 4 Vif-test Tabell 5 Korrelationsmatris Tabell 6 Sammanställning resultat Tabell 7 Slutgiltiga regressioner Tabell 8 Typföretag Tabell 9 Nyckeltalens marginella påverkan ppendix Tabell 10 Extremvärden Tabell 11 Medverkande företag Tabell 12 Första korrelationsmatrisen Tabell 13 Första vif-testet Tabell 14 Första regressioner... 65

9 1. Inledning 1.1 Bakgrund År 1941 gick kreditvärderingsbolagen Standard Statistics Company och Poor s Publishing Company samman och Standard & Poor s (S&P) grundades. Sedan dess har de varit en ledande aktör på kreditvärderingsmarknaden. Lawrence White (2010) menar att S&P innehaft denna postition relativt obehindrat utan något större motstånd. Under 2000-talet förändrades situationen efter ett par uppmärksammade händelser, vilka skapade en del frågetecken beträffande deras beslutsfattande. Det amerikanska företaget Enron försattes i konkurs trots att de enligt sitt kreditbetyg fortfarande hade hög kreditvärdighet (Ibid.). Detta ledde till offentliga utfrågningar kring kreditvärderingsbolagens långsamma reaktion på Enrons allt svagare finansiella ställning. Bekymren för S&P fortsatte när de, samma morgon som Lehman Brothers begärdes i konkurs år 2008, fortfarande hade Investment Grade 1 som värdering på bolaget (Ibid.). Kritiken slutade inte här utan lan Greenspan, före detta chef för den amerikanska centralbanken Federal Reserve, menade att kreditvärderingsinstituten bar ett stort ansvar för den senaste finanskrisen (Bianco, 2008). Samtidigt framfördes det även kritik av bland andra Jakob De Haan och Fabian mtenbrink (2011) över att värderingsinstituten varit för långsamma att nedgradera betygen när problemen redan börjat synas. En väsentlig del av all kreditgivning utgår ifrån diskussionen om kreditrisk, det vill säga risken att en kredittagare inte infriar sina betalningsförpliktelser. Kreditgivning till större bolag och även till länder ges ofta efter utlåtande från ett av NRSROs 2 godkända kreditvärderingsinstitut. Dessa ser till hur hög den finansiella risken är och ger därefter ett kreditbetyg. Kreditbetyget påverkar sedermera den ränta som kredittagaren kommer att betala med tanke på att högre risk naturligt återspeglas av en högre ränta (Partnoy, 1999). 1 Investment Grade Kreditbetygsutfall av eller bättre, vilket anses som kreditvärdigt. 2 Nationally Recognized Statistical Rating Organisations Kreditvärderingsbolag som har sökt och blivit godkända en registrering av US Securities and Exchange Commission. 1

10 De dominerande instituten på marknaden idag är S&P och Moody s med en tredje uppstickare i Fitch (Shappel, 2010). Således bidrar dessa institut till en stor del av den uppfattning som marknadsaktörerna förlitar sig på angående ett enskilt bolags finansiella ställning. En fingervisning om aktörernas storlek visar att till exempel S&P år 2009 hade 1300 verksamma analytiker som publicerade analyser och totalt låg deras utlåtanden till grund för utfärdande av 5 biljoner USD i nya lån (McGraw Hill, årsredovisning, 2009). Kuldeep Kumar och Sukanto Bhattarachaya (2006) betonar kreditbetygens betydelse för företag, då bättre betyg kan sänka deras lånekostnader. De framhåller dessutom att kreditbetygen förser investerare med kalkylerade mått för hur hög kreditrisken är för olika företags obligationer. Ovanstående diskussion visar att kreditvärdering har en stor betydelse, eftersom den påverkar företags skuldkostnad högst väsentligt. Ju högre kreditrisk och således sämre kreditbetyg som erhålls, desto dyrare blir det att finansiera diverse projekt med hjälp av lånade medel. 1.2 Problemdiskussion Bank for International Settlement (2008) genomförde en konsultativ studie för att undersöka vilka problem kreditbetygsvärdering innebar. De såg främst till hur kreditvärderingsprocessen kunde förbättras för att om möjligt undvika en liknande kalabalik som rådde under finanskrisen omkring åren En central slutsats var att kreditvärderingsbolagen bör tydliggöra vilka underliggande antaganden som ligger till grund för kreditbetygen de satt. I studien klargjordes också vikten av ökad transparens kring kreditbetygskriterierna. Om denna slutsats beaktas ur kreditvärderingsinstitutens perspektiv, kan den delvis ses som ett intrång på deras professionsområde. För att värderingsinstituten fortsatt ska inneha en framstående roll vid emitterande av nya skulder, är de måna om att deras underliggande information för hur kreditbetygen bestäms inte ska avslöjas. Frank Partnoy (1999) har beskrivit att det råder en del hemlighetsmakeri kring vad som i själva verket ligger bakom beslutfattandet. Visserligen går det att följa den beslutsgång som ska följas av S&P på deras hemsida, men mer ingående går det inte att veta hur besluten tas, vilket också ovannämnda konsultativa studie ger stöd för. 2

11 S&P (2008b) menar att deras kreditbetyg baseras på både kvalitativa och kvantitativa aspekter. Vad gäller den kvantitativa delen av analysen inbegriper den främst mätbar finansiell redovisningsdata såsom räntetäckningsgrad, kassaflöden, samt skuldsättningsgrad (S&P, 2007). Den kvalitativa delen handlar exempelvis om att bedöma kvaliteten på ledningen, företagets konkurrensposition samt annan branschspecifik information (S&P, 2008b). John F. Childs (1961) förtydligar S&P:s mening att många aspekter beaktas i ett kreditbetyg och att det inte enbart går att se till kvantitativ finansiell data. Childs (1961:10-11) förklarar sin åsikt: There is no simple way to tell by the use of a few ratios what a bond will be rated. The ratings are a result of judgment based on a careful study of all facts which have both a direct and indirect effect on the quality of a company's securities. They are not an exact guide to quality because they cannot be determined on a mathematical basis, but the long experience of the agencies does minimize the possibility of error. Kreditbetygsundersökningar som syftat till att öka transparensen och belysa området har varit föremål för forskningsstudier under flera decennier (Balcaen och Ooghe, 2006). I dessa sammanhang har finansiella nyckeltal använts för att förklara deras påverkan på kreditbetyg. Ämnet har undersökts av bland andra James Horrigan (1966) som, med hjälp av en regressionsmodell, undersökte vilka finansiella nyckeltal som påverkade betygen för tillverkningsföretag på den amerikanska marknaden. ndra som forskat inom ämnet är Zan Huang et al. (2004) som gjorde en jämförelsestudie mellan US och Taiwan kring skillnader mellan länderna angående vilka finansiella nyckeltal som påverkade betygen. Stephen Gray et al. (2006) försökte, med stöd av sin regressionsmodell, utröna vilken påverkan diverse finansiella och branschspecifika variabler har på kreditbetygen givna till företag på den australiensiska marknaden. De övergripande slutsatser som dras avfärdar förklaringen om att kreditbetyg inte alls kan fastställas av historiska nyckeltal, vilket delvis motsäger det som Childs (1961) och S&P (2008b) förklarat. Istället har slutsatserna i olika omfattning skapat förståelse för vad som ligger bakom givna kreditbetyg. 3

12 Utifrån föregående resonemang grundlades tankarna kring vad studien skulle kunna bidra med för att öka transparensen. Det ligger ett intresse i att undersöka kreditbetygen och huruvida några specifika variabler visar sig extra värdefulla för att fastställa ett specifikt betyg. Ämnet har undersökts i ett flertal olika länder, vilket visar på intresset som finns. Oss veterligen har denna undersökning inte genomförts på den svenska marknaden. Valet att ha denna marknad som utgångspunkt kan därför bidra till en bredare förståelse till kreditbetygsdiskussionen. nledningen till valet av marknad är att se vilka resultat som påvisas på den svenska marknaden samt om resultatet skiljer sig jämfört med andra marknader där liknande undersökningar genomförts. Förhoppningen är att ytterligare utöka kunskaperna i den, för många företag, ytterst viktiga kreditfrågan. Detta genom att undersöka vilka finansiella nyckeltal som påverkar kreditbetyget, med stöd av en regressionsmodell. Tanken är att studiens resultat kan användas av företag som en indikation på vilket kreditbetyg som skulle fås vid en specifik tidpunkt. Ämnet är även intressant för investerare som vill få en uppfattning om vilka aspekter som beaktas när S&P mäter kreditrisk. Undersökningen av ämnet är lockande och angeläget med tanke på maktpositionen kreditvärderingsinstituten innehar, speciellt då branschen varit i blåsväder efter finanskrisen (Strier, 2008). 1.3 Syfte Syftet med studien är att undersöka hur ett antal finansiella nyckeltal påverkar svenska företags långsiktiga kreditbetyg tilldelade av S&P samt analysera nyckeltalens relativa betydelse för kreditbetygen. 1.4 Forskningsfrågor Till vilken grad kan kreditbetyg förklaras med hjälp av de testade nyckeltalen? Vilka nyckeltal visar sig vara mest betydelsefulla vid förklaring av kreditbetyg? Visar regressionsmodellen på skillnader avseende hur de utvalda finansiella nyckeltalen särskiljer olika kreditbetygskategorier och i så fall hur? Hur påverkar marginella justeringar av nyckeltalen sannolikheten för att gå upp en kreditbetygskategori enligt regressionsmodellen? 4

13 1.5 vgränsningar Studien behöver underkasta sig ett antal begränsningar för att göra arbetet genomförbart inom givna tidsramar. Enbart kreditvärderingsinformation utgiven av S&P kommer att behandlas. Detta på grund av S&P:s ledande position på marknaden samt att kreditbetygen som krävs för att genomföra studien insamlas med deras hjälp. Dessutom pekar studier på att det inte råder några betydande skillnader i riskbedömning mellan S&P och Moody s vad gäller företagsanalys (Cantor och Packer, 1996). Nyckeltalsdata kommer endast från svenska bolag som under vald tidsperiod erhållit kreditbetyg från S&P. Vidare begränsas studien till att enbart beakta de långsiktiga betygen, vilket även flertalet tidigare studier gjort. De långsiktiga kreditbetygen av S&P ges i form av bokstavsbeteckningar som exempelvis. De kortsiktiga kreditbetygen tilldelar S&P i form av plus (+) och minus (-), som den kortsiktiga uppfattningen av det långsiktiga betyget. Den erhållna betygshistoriken från S&P är också begränsad i tid beroende på när de betygsatt de olika bolagen. Denna studie bygger på historisk data så långt tillbaka som S&P varit aktiva med kreditbetygsvärdering av svenska bolag, vilket innebär att första långsiktiga kreditbetyget är tilldelat år 1992 och det senaste år Dessutom kommer studien, precis som flertalet tidigare (Gray et al., 2006; Huang et al., 2004) vilka behandlat ett likartat ämne, att bortse från banker och investmentbolag. Detta på grund av deras vitt skilda redovisningsprinciper och tolkning av diverse finansiella nyckeltal, i synnerhet gällande skuldsättning. 1.6 Disposition Kapitel 2, S&P s kreditvärderingsprocess: Beskriver processen kring hur S&P tilldelar ett kreditbetyg till företag. Här finns också den betygsskala S&P använder. Kapitel 3, Tidigare forskning: Återger i kronologisk ordning några av de mer betydande genomförda studierna på området. Kapitel 4, Nyckeltalsdefinitioner: Beskriver hur de olika nyckeltalen är definierade samt tar upp deras grundläggande inverkan på ett företags finansiella ställning. 5

14 Kapitel 5, Metod: Tar upp på vilket sätt studien genomförts. Vidare redovisas uppsatta hypoteser gällande de nyckeltal studien avser att testa och dessutom beskrivs den statistiska modell som används i studien. Kapitel 6, Resultat och analys: Redovisar de resultat som erhållits och samtidigt förs en löpande analys av resultaten. Kapitel 7, Metodkritik: Tar upp de problem som stötts på under studiens gång och förslag till hur studien kunnat göras annorlunda. Kapitel 8, vslutning: Presenterar studiens slutsats samt föreslår hur resultatet kan tillämpas av företag. Kapitlet tar även upp förslag till framtida forskning inom området. 6

15 2. S&P s kreditvärderingsprocess 2.1 Kreditvärderingsprocessen S&P (2009) förklarar sina kreditbetyg som framåtblickande åsikter angående kreditvärdigheten hos en utställare, det vill säga den rådande uppfattningen huruvida en låntagare har finansiell kapacitet att betala sina skulder. Kreditbetyget uttrycker således en relativ ranking av kreditvärdighet. Den mest centrala delen enligt dem själva rör sannolikheten att hamna i default 3. Ett högre kreditbetyg avspeglar S&P:s förväntan att det betygsatta företaget borde hamna i default mer sällan än det som blivit tilldelat ett lägre kreditbetyg. Den vanligaste tidpunkten, enligt S&P (2008a), när företag vill ha ett kreditbetyg utfärdat är innan företaget ska ta på sig eller utfärda en ny skuldförbindelse. Ytterligare en viktig aspekt företag kan ha intresse av rör huruvida en eventuell tidigare kreditvärdering kan komma att påverkas om företaget väljer att ta på sig eller utfärda ytterligare skulder (Ibid.). Kreditbetyget spelar en betydande roll på de finansiella marknaderna eftersom investerarna använder det för att utvärdera finansiella instruments kreditrisk. Däremot skulle kreditbetygen inte tillföra något värde på marknaden om investerarna tappar förtroendet för kreditvärderingsinstitutet som utfärdade det (mtenbrink och De Haan, 2009). Själva betygsförfarandet inleds med att S&P tillsätter en grupp analytiker med lämplig expertis för att se över information från företaget som är relevant för att sätta ett kreditbetyg. Medlemmar från detta analysteam stämmer sedan möte med ledningen, av det företag som ska tilldelas ett kreditbetyg, för att i detalj gå igenom diverse nyckelfaktorer som kan komma att påverka betyget, inklusive rörelsens operativa och finansiella planer (S&P, 2008a). Enligt Doron Kliger och Oded Sarig (2000) tillhandahåller företag kreditvärderingsinstitutet med detaljerad information under betygsprocessen såsom femåriga framtida prognoser, preliminära uttalanden samt olika interna rapporter. S&P (2008b) hävdar att kreditbetygsprocessen inte är begränsad till en utredning av 3 Default - Den engelska termen för det tillstånd då ett företag inte kan fullfölja sina betalningsförpliktelser. 7

16 finansiella nyckeltal. Den kvalitativa delen handlar exempelvis om att bedöma kvaliteten på ledningen, företagets konkurrensposition samt annan branschspecifik information (S&P, 2008b). När det gäller utvärderingen av den finansiella risken, delar S&P upp nyckeltalen i kategorier som exempelvis lönsamhet, skuldsättning, kassaflöde och likviditet (S&P, 2007). Specifikt vilka nyckeltal som används varierar mellan industrierna de analyserade företagen huserar i, men några exempel är vinstmarginal, skuldsättningsmått och kassaflödesmått (Ibid.). Vad gäller uppföljning av kreditvärderingsprocessen följer S&P upp denna under minst ett år. Företag kan också välja att betala något som kan liknas vid en prenumerationstjänst. Då hålls rutinmässiga möten med företagsledningen för att gå igenom potentiella problemområden som kan påverka betyget i framtiden. Dessa kan i sin tur leda till att analysgruppen finner det nödvändigt att uppgradera eller nedgradera kreditbetyget (S&P, 2008b). Kreditbetyget Egen bearbetning över S&P s olika kreditbetyg Kreditbetyg Förmåga att fullfölja ekonomiska skyldigheter BB B CCC/C D Extremt stor Väldigt stor Stor God Svag Väldigt svag Extremt svag Default Tabell 1 Kreditbetyget Källa: S&P (2008b) 2008 Corporate Criteria: Our Rating Process. Egen bearbetning 8

17 3. Tidigare forskning 3.1 Fisher Fältet för prognostisering av kreditbetyg har legat öppet under flera decennier och forskning började så smått ta fart för omkring femtio år sedan. En av de första var Lawrence Fisher (1958) som i sin studie studerade fyra godtyckliga men enligt honom rimliga nyckeltal. Fisher använde bland annat variation i nettoinkomst samt antal år som företaget klarat av att fullgöra sina betalningar för obligationer, som oberoende variabler. Han försökte därefter visa modellmässigt att dessa nyckeltal kunde prognostisera riskpremien på företagsobligationer där riskpremien enligt hypotesen var en direkt funktion av kreditrisken. Fischer konstaterade att han med cirka 60 procents förklaringsgrad kunde förklara variationen i riskpremien. 3.2 Horrigan Horrigan (1966) publicerade en studie som specifikt undersökte hur ett givet kreditbetyg kunde förklaras med hjälp av en multipel regressionsmodell. Horrigan använde bokförda värden från den mest aktuella resultatrapporten innan betyget satts som utgångspunkt för framtagning av nyckeltalen. Horrigan tog sedan fram en modell på ett datamaterial av företagsobligationer vars kreditbetyg var oförändrade under åren De kreditbetyg som användes i studien var givna av S&P och Moody s. Horrigan använde sig sedan av den givna modellen från ursprungsdatan för att tillämpa denna på ny data under åren Tillämpningen skedde på två olika grupper av företagsobligationer som (1) hade fått kreditbetygtilldelning för första gången eller (2) en grupp vars obligationer hade fått ändrat kreditbetyg. Förhoppningen var därefter att kunna förutspå de givna kreditbetygen med hjälp av den ursprungliga modell som framtagits. Nyckeltalen med högst signifikans enligt Horrigans modell var totala tillgångar, rörelsekapital/omsättning, soliditet, omsättning/eget kapital och rörelsemarginal. Horrigan adderade också en variabel som bestämde ordningsföljd av tilldelning av skulder vid eventuell konkurs. Horrigan lyckades totalt sett prognostisera procent av kreditbetygen. Dessutom menade han att i de fall modellen inte lyckades pricka rätt 9

18 så fanns i vart fall resultatet i den intilliggande klassificeringen, det vill säga ett kreditbetyg högre eller lägre. Det dröjde dock inte många år förrän det riktades invändningar mot Horrigans (1966) studie. Richard R. West (1970) genomförde en studie vars ursprung påminde om den som tidigare utförts av Fisher (1958). Som huvudsaklig kritik mot Horrigan menade West att enbart tillämpning av bokförd data som grund för nyckeltalen var undermåligt. En kombination av bokförda- och marknadsvärden skulle istället vara mer lämpligt. West menade vidare att Horrigans val av nyckeltal i mångt och mycket saknade teoretiska grunder och präglades istället i flera fall av rent godtycke. West hävdade dessutom, att Horrigans val att använda den senaste av företaget givna finansiella informationen ej var tillräckligt. En längre tidshorisont med finansiell information var att föredra med tanke på kreditbetygets långsiktiga karaktäristik. Ytterligare en invändning var att Horrigans modell förklarades huvudsakligen av enbart två variabler, totala tillgångar och ordningsföljd av skuldfördelning. West hävdade mot bakgrund av kritiken att hans modell skulle klara av att förklara kreditbetygen på ett bättre sätt än Horrigans dito. I resultatet ansåg West att hans modell var bättre än Horrigans modell bland annat med tanke på att Horrigans nyckeltal var bristfälliga ur en teoretisk synpunkt. Däremot, för den i ämnet viktiga prognostiseringen av kreditbetyg, kom West fram till att denna, med hans modell, inte gjordes med någon högre precision än Horrigans. Förklaringsgraden var något högre för West men det rådde där ingen avsevärd skillnad. West menade att om en av modellerna skulle användas var Horrigans mest fördelaktig på grund av att den var enklare att hantera. 3.3 Pogue och Soldofsky Thomas F. Pogue och Robert M. Soldofsky (1969) är båda forskare som studerat ämnet och de valde ett datamaterial av kreditbetyg utgivna under fem år ( ). De bestämde sig dessutom för att dela upp obligationerna som tilldelats kreditbetyg i olika sektorer - industri-, järnvägs- och allmännyttig sektor. Vidare valde de att undersöka vilka kategorier som var lättast att särskilja med hjälp av deras nyckeltal. Pogue och Soldofsky valde likt andra tidigare studier att se till vilken grad nyckeltal kunde förutsäga kreditbetyg. Dock valde de att föra en mer djupgående diskussion om det faktum att kreditbetyg enligt Moody s och S&P baseras på finansiell status men också 10

19 på andra värden. Det viktiga hänsynstagandet till immateriella värden som inte ses i årsboksluten är enligt S&P och Moody s en stor del av beslutstagandet. Pogue och Soldofsky (1969) resonerade därför att den del som de inte kunde förklara med nyckeltalen torde vara ett uttryck för de immateriella värdena. Sammantaget kom de i sin studie fram till ett antal grundläggande slutsatser. Sannolikheten att få ett högre kreditbetyg är negativt korrelerat till skuldsättning och vinstinstabilitet. Ett högre kreditbetyg är positivt korrelerat till företagsstorlek och lönsamhet. De aspekter av nyckeltal som hade de mest signifikanta inverkningarna på kreditbetygen var skuldsättning och lönsamhetsmått. De kunde vidare konstatera att det på deras material var högre sannolikhet att få bättre kreditbetyg om företaget var verksamt inom järnvägs- eller allmännyttig sektor än för industriföretag. Pogue och Soldofsky valde även att redovisa sina modellers förklaringsgrader separat mellan de kategorier de testat. Det visade sig vara lättare för deras modell att särskilja kreditbetygsgrupper som låg så långt ifrån varandra som möjligt i termer av kreditrisk. Pogue och Soldofsky fick högst förklaringsgrad med sin modell, då de jämförde grupper av de högsta respektive lägsta kreditbetygen. De oberoende variablerna (nyckeltalen) varierade mer i de sämre kreditbetygskategorierna jämfört med de bättre. För att återkoppla till betydelsen av immateriella värden som del av kreditbetygsbestämning, menade Pogue och Soldofsky att betydelsen av immateriella värden är oomtvistad. Emellertid kunde dock en påtaglig del av kreditbetygen förklaras med hjälp av finansiell data, enligt deras studie. Förklaringsgraden för modellen uppgick till 56 procent. 3.4 Pinches och Mingo George E. Pinches och Kent. Mingo (1973) testade ett nytt angreppssätt på området, nämligen att använda en Multivariate Discriminant Model (MD), vilken enligt dem hade en rad fördelar i dessa typer av tester. Exempel på fördelar härstammar från att den beroende variabeln enbart antar diskreta värden och dessutom är dessa värden kända, vilket är fallet i en kreditbetygsundersökning. Under två år testade Pinches och Mingo alla av Moody s betygsatta företagsobligationer inom industrisektorn och fem stycken olika kreditbetygsnivåer användes. Modellen de använde sig av innehöll sex stycken 11

20 oberoende variabler, X1 - ordningsföljd vid konkursfördelning av skulder, X2 - aktieutdelningsstabilitet, X3 - emissionsstorlek, X4 räntetäckning, X5 skuldsättning samt X6 räntabilitetsmått. Genom tre undersökningar erhöll Pinches och Mingo (1973) resultat av vilka sex nyckeltal som gav den bästa förklaringen. I given ordning förklarades nyckeltalen bäst av X1, X2, X3, X4 X6 och X5. Modellen kunde ganska väl förutspå fyra av de fem betygsnivåer som datamaterialet innefattade. Modellen lyckades dock att vid enbart 1 tillfälle av 25 pricka rätt på just kreditbetyget Baa. Vidare lyckades modellen väldigt väl att förutspå rätt kreditbetygskategori om en felmarginal av en nivå upp eller ned godtogs. I detta fall misslyckades modellen enbart vid 2 betyg av 132 möjliga. 3.5 Kaplan och Urwitz Robert S. Kaplan och Gabriel Urwitz (1979) kompletterade de gjorda studierna på området genom att kritisera själva utförandet och metoderna vid framtagandet av tidigare modeller. En del av studien utgörs av en litteraturgenomgång av de tidigare studierna med där givna förbättringsområden. I en annan del av studien försökte de dra lärdom av historien och föreslå en bättre modell för kreditbetygsbestämning. Kaplan och Urwitz riktade kritik mot Horrigan (1966) och West (1970) för deras val att använda minsta kvadratmetoden vid framtagandet av sin regressionsmodell. tt använda minsta kvadratmetoden, menade Kaplan och Urwitz förutsätter att den beroende variabeln har en intervallskala. Intervallskalan utgår ifrån att skillnaden i risk är samma mellan till exempel aa och a som mellan Ba och B, vilket enligt Kaplan och Urwitz inte kan tas för givet. Istället menade de att kreditbetyg har mer inslag av ordningsskala, vilket förutsätter att alla kreditbetygsnivåer inte har samma intervall. Kaplan och Urwitz anmärkte också på Pinches och Mingos (1973) MD-modell som inte heller den gav en korrekt testning av kreditbetygets ordningsskala. För att råda bot på dessa problem föreslog och testade Kaplan och Urwitz istället en maximum likelihood method och en Ordered Probit Model för att ta fram värden för de oberoende variablerna. De ansåg denna metod vara mer riktig än den tidigare använda minsta kvadratmetoden som Horrigan samt Pinches och Mingo använt. 12