Kostnadseffektivitet i Allsvenska fotbollsklubbar

Transkript

1 Företagsekonomiska Institutionen UPPSALA UNIVERSITET Magisteruppsats Kostnadseffektivitet i Allsvenska fotbollsklubbar En undersökning om vilka kostnadsposter som påverkar klubbarnas målsättningar Författare: Karl Söderman & Magdalena Tano Handledare: Robert Joachimsson Vårterminen 2010

2 Sammanfattning Vi har i den här uppsatsen undersökt finansiella inputs påverkan på sportsliga och finansiella outputs hos svenska fotbollsklubbar. Från detta har vi försökt bestämma vilka inputs som de svenska fotbollsklubbarna bör satsa på för att få önskade outputs. Vi har undersökt detta med hjälp av regressionsanalyser och Cobb-Douglas kostnadsfunktion. Vi har kommit fram till att det finns ett tydligt samband mellan den finansiella inputen personalkostnader och den finansiella outputen totala intäkter och den sportsliga outputen totala åskådare. 2

3 Innehåll 1. Inledning Introduktion till målsättningar inom fotbollsklubbar Tidigare studier Syfte Institutionell bakgrund Allsvenskan: högsta divisionen De svenska fotbollsklubbarnas målsättningar Finansiell och icke-finansiell avkastning Teori Effektivitet och produktivitet Variabler Inputs Outputs Sportsliga Outputs Finansiella Outputs Överblick av variablerna och deras sammankoppling Mätmetoder Metod Test I Test II Test III Test IV Empiri Test I Test II Test III Test IV Uppsatskritik Modellkritik Metodkritik Analys Slutsats

4 Litteraturförteckning Appendix Regressionsanalys Produktionsfunktioner Noter

5 1. Inledning 1 Svenska fotbollsklubbar har på senare tid gått från att vara ideella föreningar till att allt mer likna kommersiella företag med ekonomiska intressen. Bolagiseringen av idrottsklubbar blev möjligt i Sverige först för cirka tio år sedan och förändringen mot allt mer affärsinriktade organisationer har sedan dess accelererat kraftigt (Persson 2009). Hammarby var en av de första svenska fotbollslagen som bolagiserades år 2001, och lyckades i och med detta räddas från en konkurs. Även Örgryte bolagiserades 2006 då klubben gått med förlust år efter år men fick möjlighet till 30 miljoner kronor genom en trio intresserade finansiärer. (Jönsson 2008) År 2007 omsatte Fotbollsallsvenskan för första gången över en miljard kronor (Landelius och Lennermo 2008:1). Men samtidigt som det rör sig om allt mer pengar är kärnverksamheten fortfarande sportslig, och det kan vara svårt att avgöra vilka insatser som leder till effekter på ett sportsligt respektive ekonomiskt resultat Introduktion till målsättningar inom fotbollsklubbar Det kan förekomma olika målsättningar i fotbollsklubbar. De främsta målen borde röra antingen finansiella eller sportsliga, alternativt både och. Dessa skilda mål kan dock i stor utsträckning påverkas både negativt och positivt av varandra. Fotbollslag har fått lägga ner eller slå sig ihop med andra klubbar på grund av en otillräcklig ekonomisk situation. Det kan även hända att laget måste flyttas ner divisionsmässigt eller inte har råd att åka på matcher. En god ekonomi kan å andra sidan innebära att klubben får råd med bättre spelare och managers. Ett bra sportsligt resultat betyder dock inte nödvändigtvis ett bra finansiella resultat och vice versa. Vilka faktorer påverkar då ett finansiellt respektive sportsligt resultat? Enligt Miller och Modigliani (1961:412) är investerare rationella och föredrar alltid en större förmögenhet än en mindre. De menar att företag då alltid bör ha som mål att maximera sin vinst på lång sikt och att andra mål är irrelevanta, deras nyttomaximeringsfunktion bör då rimligen enbart vara beroende av hur stor förmögenhet de har. Detta påstående stämmer dock inte alltid då exempelvis statligt ägda institutioner som sjukhus istället maximerar sin nytta av att rädda så många liv som möjligt. Sloane (1971) menar att detta också gäller för idrottsföreningar där resurser bör användas för att uppnå sportslig framgång snarare än finansiell sådan då det förstnämnda ger en större nytta. Vrooman (2000) menar dock att idrottsföreningar både har finansiella och sportsliga mål för att maximera sin nytta. Det har gjorts flera studier på detta men huvudsakligen på engelska lag. Barros och Leach (2006b) undersökte exempelvis effektiviteten bland de klubbar som under alla säsonger mellan 1998/99 och 2002/03 spelade i den engelska högsta ligan Premier League. De använde sig av en Data Envelopment Analysis (DEA) modell för att mäta inputposter mot fler än en 5

6 outputpost där de förutsatte att klubbarnas mål var att maximera både sportsliga och finansiella resultat samtidigt. Problemet med en sådan analys är just att de förutsätter att lika mycket vikt läggs på båda resultaten och inte tar i beaktande att klubbarna kan ha olika prioriteringar Tidigare studier Det har gjorts liknande studier främst på lag i den engelska högstaligan, men dock inte på den svenska. Det är svårt att applicera resultaten från studier av engelska ligan, på den svenska, i och med stora skillnader ligorna emellan. De engelska fotbollsklubbarna har varit bolagiserade sedan 1800-talet, medan detta är ett relativt nytt fenomen bland svenska fotbollsklubbar och där många klubbar fortfarande är föreningar. Lönerna skiljer sig även väsentligt i de olika ligorna, inom den engelska är löneskillnaderna mer extrema mellan toppen och botten. I den svenska ligan är lönerna inte lika höga och ligger även på en jämnare nivå. Bakom vissa av de engelska klubbarna, exempelvis Manchester United och Liverpool FC finns även stora finansiärer med enbart sportsliga intressen utan något krav på en finansiell vinst. Liknande privata finansiärer tycks inte förekomma i lika stor utsträckning i Sverige, men det är dock inte omöjligt att vissa ägare har ett större sportsligt än finansiellt intresse Syfte Syftet med denna uppsats är att undersöka om det går att fastställa vilka parametrar som leder till sportslig och finansiell framgång inom allsvenska fotbollsklubbar. Genom att jämföra specifika kostnader för klubbarna och se vilka som haft störst inverkan på sportsliga och finansiella resultat, ska vi analysera vilka resurser de bör lägga tyngd på för att uppnå sina mål. 2. Institutionell bakgrund I detta avsnitt kommer vi att närmare redogöra för hur den allsvenska ligan är uppbyggd, de allsvenska fotbollsklubbarnas uttalade målsättningar och diskutera finansiell och sportslig målsättning Allsvenskan: högsta divisionen Fotbollsallsvenskan är den högsta divisionen för herrfotboll i Sverige, och vinnarlaget blir automatiskt svenska mästare (SvFF 2010:4, 1 kap., 3). Ligan bestod tidigare av 14 lag, men utökades 2008 till 16 lag (SvFF 2006). Ligan utgörs av dubbelmöten mellan samtliga 16 lag, alltså totalt 30 matcher. Vinnande laget i varje match får 3 poäng, och förlorande laget erhåller noll poäng (SvFF 2010:9, 2 kap., 1). Om matchen blir oavgjord tilldelas båda lagen 1 poäng vardera (SvFF 2010:9, 2kap., 1). Poängen ligger sedan till grund för rankningen och det lag som i slutet av serien fått flest poäng utses 6

7 till segrare (SvFF 2010:9, 2 kap., 2 st2.1). Om flera lag har lika antal poäng avgörs placeringen av målskillnad och i tredje hand antal gjorda mål (SvFF 2010:9, 2 kap., 2 st2.1). De två lag som hamnar på lägst placering (15 & 16) flyttas ned till Superettan, som är ligan under Allsvenskan. Dessa ersätts istället av de två lag som placerat sig på 1:a och 2:a plats i Superettan. Det lag som hamnat på 14:e plats i Allsvenskan får sedan kvala mot det lag som placerat sig på 3:e plats i Superettan, och vinnaren efter dubbelmötet kniper den sista platsen till Allsvenskan. Enligt Svenska fotbollsförbundets tävlingsbestämmelser (2010:23, kap 2., 21) förening på obestånd flyttas ned två serienivåer, om ej särskilda skäl enligt reglementet föreligger De svenska fotbollsklubbarnas målsättningar Bland de svenska fotbollsklubbarnas uttalade mål finns det i enlighet med Vroomans (2000) teori både sportsliga och finansiella mål. De svenska fotbollsklubbarnas finansiella mål är ofta snarlika där Hammarby IF Fotboll och Helsingborgs IF har som mål att höja sin omsättning (Inriktning och målsättningar för Hammarby Fotboll 2009:3-4, Helsingborgs IF Verksamhetsberättelse 2008:2), Hammarby IF Fotboll har också liksom Malmö FF som målsättning att få positiva resultat. AIK fotboll AB har det lite otydliga finansiella målet att vara Nordens mest framgångsrika klubb ekonomiskt (AIK Fotboll AB Verksamhetsberättelse 2009:2) De sportsliga målen är oftast tydligare där AIK Fotboll, IF Elfsborg, Hammarby IF Fotboll, Helsingborgs IF och Malmö FF alla har som mål att placera sig bland de bästa och kvalificera sig till internationella turneringar (AIK Fotboll AB Verksamhetsberättelse 2009:2, IF Elfsborgs årsredovisning 2008:2, Inriktning och målsättningar för Hammarby Fotboll 2009:4, Helsingborgs IF Verksamhetsberättelse 2008:2,MFF.se ). AIK, Hammarby och Malmö FF har alla också mål för att ha så mycket publik som möjligt. Från AIK fotboll AB:s årsredovisning 2009, Inriktning och målsättningar för Hammarby fotboll 2009, Helsingborgs IF Verksamhetsberättelse 2008, IF Elfsborgs årsredovisning Att fotbollsklubbarna har både sportsliga och finansiella målsättningar betyder dock nödvändigtvis inte att det blir en intressekonflikt mellan de båda eftersom Föreningen Svensk Elitfotboll 2 ger ut premier baserade på vilken placering ett lag hamnar på (Huldschiner 2007). Dessutom ingår det även ibland bonusar i sponsoravtal vid bättre sportsliga prestationer. Men den viktigaste ekonomiska effekten från de högsta placeringarna är dock kvalificeringen till de europeiska cuperna som ökar inkomsterna avsevärt. Som vi nämnde tidigare visade Kuypers och Szymanskis (2000) studier av de 7

8 engelska lagen att det inte finns någon korrelation mellan ligaplacering och årets resultat, vi har valt att kontrollera detta även för de svenska lagen, vilket vi redogör för i empirin. Fotbollsklubbarna rankar inte sina målsättningar så det går inte att med en nyttofunktion undersöka om de maximerar sin nytta, däremot går det att mäta hur effektivt de utnyttjar sina resurser för att uppnå sina mål Finansiell och icke-finansiell avkastning Som tidigare nämnts förutsätts företag ofta vara vinstmaximerande, vilket implicerar att de maximerar sin nytta genom att förbättra sin vinst. Sloane (1971) menar att fotbollsklubbar istället maximerar sin nytta genom sportsliga prestationer. Därför mäter bland annat Barros och Leach (2006a), Barros och Santos (2005), Haas (2003a), Haas (2003b), Kuypers och Szymanski (2000) och Kuper och Szymanski (2009) hur de sportsliga prestationerna skall maximeras och de använder således outputs som visar sportsliga prestationer. Vrooman (2000) menar att idrottsklubbar har som målsättning att lyckas både ekonomiskt och sportsligt och därför bör det finnas outputs för både finansiella och sportsliga resultat. Enligt Kuypers och Szymanskis (2000:24) undersökningar av de engelska lagen finns det inte någon konflikt mellan de båda målen. De har testat korrelationen mellan den sportsliga outputen ligaposition och den ekonomiska outputen resultat och kommit fram till att det inte finns någon korrelation över huvud taget. Detta implicerar att ett lag inta kan uppnå högre vinst genom att offra de sportsliga resultaten och inte heller att en satsning på det ena leder till det andra. 3. Teori Denna del kommer att presentera de teorier som legat till grund för denna uppsats arbete. Först reds begreppen produktivitet och effektivitet ut, sedan följer en förklaring till de inputs och outputs som valts ut, och därefter en genomgång av olika mätmetoder som använts Effektivitet och produktivitet Effektivitet och produktivitet behandlar resultat (output) i förhållande till använda resurser (input). Det handlar om att uppnå det som ska göras, och att göra detta med minsta möjliga resurser. Begreppet produktivitet innebär att saker görs på ett så bra sätt som möjligt, medan effektivitet syftar till att även rätt saker görs. (BusinessDictionary.com 2010) I undersökningen om hur väl Allsvenska fotbollsklubbar uppfyller sina målsättningar kommer vi att försöka mäta vilka effekter olika inputs har på resultaten, för att se vad klubbarna bör lägga sina resurser på för att kunna uppnå sina målsättningar så effektivt som möjligt. 8

9 Modell 3.1 Modellen är hämtad från Löfsten & Lindelöfs rapport (2005:02:24). Modellen beskriver vägen från resurser till att målen uppnås och vad som kollas på när produktivitet och effektivitet undersöks. Produktivitet mäts alltså genom att titta på prestationerna i förhållande till resursanvändning. När effektiviteten skall undersökas sätts resurserna istället i relation till hur väl utsatta mål har uppfyllts Variabler I de olika studier som har gjorts inom ämnet har många olika variabler använts av olika skäl. Det finns dock variabler som vanligtvis används för att mäta framgång som inte har använts i någon av fotbollsekonomistudierna. Nedan följer en sammanställning av finansiella inputs och sportsliga och finansiella outputs. Värt att tillägga är att det finns betydligt fler variabler som har använts men som vi har valt att inte inkludera då de inte har använts för att mäta finansiella inputs påverkan på både sportsliga och finansiella outputs Inputs 1. Personalkostnader: Testar om fotbollsklubbar ökar sina outputs genom att investera mer i personal. Detta gjordes av bland annat Kuper och Szymanski (2009:53-56), som kom fram till att det finns ett tydligt samband mellan hur mycket pengar klubben lägger ner på löner till spelarna och ligaplacering. Många av studierna har baserat sina undersökningar på spelarlöner, men även den totala personalkostnaden har använts som mått (Haas 2003a). 9

10 Bland klubbarna i de tre översta ligorna i det engelska seriesystemet fanns det mellan åren ett starkt samband mellan den finansiella inputen lönekostnader i proportion till det genomsnittliga i ligan och vilken position klubbarna hamnade på i seriesystemet (Kuypers och Szymanski 2000:165). Testet innehöll 40 observationer och förklaringsgraden låg på hela 0,92, vilket innebär att det med 92 % säkerhet stämmer och det finns en tydligt positiv korrelation, som de dock inte uttrycker numeriskt. Testet visar att de klubbar som investerar i högre spelarlöner får ett högre sportsligt resultat i längden. Samma test gjordes på 28 klubbar under perioden i England där förklaringsgraden enbart låg på 0,5 (Kuypers och Szymanski 2000: ). Orsaken till den betydlig lägre förklaringsgraden är enligt Kuypers och Szymanski (2000: 168) att det under den perioden fanns ett lönetak för hur mycket de bäst betalda spelarna i varje enskild klubb kunde få, vilket begränsade möjligheten för enskilda klubbar att investera i många talangfulla spelare 3. En annan förklaring till varför korrelationen är så svag är att lönekostnaderna mellan lagen i urvalet skiljde sig avsevärt i de två olika perioderna. I undersökningen var de genomsnittliga lönekostnaderna för laget med högst lönekostnader knappt tre gånger högre än laget med de lägsta genomsnittliga lönekostnaderna. Under perioden var skillnaden betydligt större då laget med de högsta genomsnittliga lönekostnaderna hade hela åtta gånger så höga lönekostnader som det lag som hade de lägsta. Enligt Kuypers och Szymanski (2000) innebär detta att desto jämnare klubbarna i en liga är ekonomiskt, desto mindre effektiva är de på att omvända sina resurser till sportsliga resultat. 2. Inköp av spelare: Även inköp av spelare har använts som input för att undersöka om det har någon effekt på de finansiella och sportsliga prestationerna. Kuper och Szymanski (2009:53-56) testade detta men kom fram till att nyinköp inte hade lika stor påverkan på resultaten som lönekostnaderna hade. Sambandet mellan ligaplacering och inköp av spelare under perioden var dock svagt då förklaringsgraden enbart låg på 0,16 jämfört med 0,92 för lönekostnader. Enligt deras undersökning är det mer lönsamt att höja de nuvarande spelarnas löner än att investera i nya spelar. De menar att spelarna ofta övervärderas då klubbarna betalar ett för högt pris baserat på hur de har presterat tidigare säsong, vilket dock sällan leder till en lika framgångsrik nästa säsong. (Kuper och Szymanski 2009:65) De diskuterar även problemet med att nyförvärv kan ha svårigheter att anpassa sig till de nya omständigheterna. Det är inte alltid lätt att anpassa sig till nya miljöer, både vad gäller ett nytt lag och kanske dessutom ett helt nytt land. Detta har pekats ut som en av de främsta orsakerna till att nyförvärv underpresterar. (Kuper och Szymanski 2009:67) 10

11 3. Avskrivningar: Mäter om allmänna investeringar ger förbättrade outputs. Barros och Leach (2006b) använder avskrivningar som mått på kostnaderna för arenakapital och spelarkapital. Detta för att undersöka hur mycket prisökningar på kapital påverkar de totala kostnaderna. Barros och Leach (2006b) kommer fram till att priset på spelarkapital påverkar rörelsekostnader men inte i lika hög grad som kostnader för spelarlöner som påverkar rörelsekostnaderna mer. Undersökningar på avskrivningars effekt på sportsliga och finansiella outputs har dock inte gjorts. 4. Totala kostnader: Testar om fotbollsklubbar kan förbättra sina sportsliga och finansiella outputs genom att förstora den totala verksamheten. Även detta mått har testats av Barros och Leach (2006b) fast i form av rörelsekostnader. De har kommit fram till att de totala kostnaderna ökar med högre intäkter och med fler åskådare. 5. Totala tillgångar: Mäter liksom totala kostnader om en större verksamhet ger bättre sportsliga och finansiella outputs men eftersom de inte bör förutsättas vara korrelerade kan båda användas. Barros och Leach (2006a) har använt detta mått och påvisat att klubbar har tilltagande skalavkastning vilket innebär att intäkter och sportsliga resultat blir bättre med större tillgångar Outputs Nedan följer de finansiella och sportsliga outputsen Sportsliga Outputs 1. Placering: Mäter placering i förhållande till de andra lagen i seriesystemet. Flera av de allsvenska klubbarna har som mål att nå en så hög placering som möjligt. Har använts av Kuypers och Szymanski (2000) som visat att den huvudsakligen påverkas av spelarlöner än av inköp av nya spelare. 2. Poäng: Ett komplement som tar i beaktande distansen mellan placering i ligasystemet men som dock inte fungerar när flera serier används. Har använts av Barros och Leach (2006b) som inte fick några signifikanta resultat av vad som drev outputen, Barros och Leach (2006a) som påvisade att den huvudsakligen påverkades av populationen i området runt klubben, vilket inte är en finansiell input och därmed inte intressant i den här studien. Har även använts av Haas (2003a:209) och Haas (2003b:407) som kom fram till att de lag som har flest poäng är mest ekonomiskt effektiva. 11

12 3. Totala åskådare: Även publiksiffror kan vara ett kompletterande mått på en fotbollsklubbs sportsliga prestationer, då det reflekterar hur attraktiv den sportsliga produkten är. Dessutom har flera av de allsvenska klubbarna som målsättning att ha så mycket publik på sina matcher som möjligt. Har använts av Barros och Leach (2006b) som kommer fram till att högre rörelsekostnader driver upp totala antalet åskådare. Haas (2003a) och Haas (2003b) använder måttet som ett mål för effektivt utnyttjande av resurser och tittar inte på vilka inputs som driver det. 4. Kvalificering till Champions League eller Europa League: Eftersom kvalificering till internationella turneringar är ett vanligt mål för de allsvenska klubbarna tas kvalificering till Champions League eller Europa league med som en output. Att kvalificera sig till Champions League anses som en bättre prestation än att kvalificera sig till Europa League vilket borde göra att två variabler borde användas. Men eftersom mätproblem uppstår på grund av att det går att ranka kvalificering till de två turneringarna bör endast en variabel användas Finansiella Outputs 1. Totala intäkter: Ett vanligt mått för storleken på företag som flera av de allsvenska klubbarna har som mål att öka. Har använts av Barros och Leach (2006b) som kommer fram till att den drivs av rörelsekostnader. 2. Årets Resultat: Det vanligaste måttet för avkastning som dock inte har använts mellan input och output i någon av fotbollsekonomistudierna men eftersom flera av klubbarna har som mål att få positiva resultat testar vi variabeln. Kuper och Szymanski (2009: ) har undersökt korrelationen mellan de båda outputsen resultat och sportslig framgång, dock ej vilka finansiella inputs som leder till ett högre ekonomiskt resultat. Överblick av variablerna och deras sammankoppling För att tydliggöra bilden av de olika variablerna och hur de hänger ihop och påverkar varandra har vi ritat upp en modell med utgångspunkt från Modell

13 Modell 3.2 Modellen är tänkt att förklara vilka inputs respektive outputs som kommer att undersökas, sambandet mellan dessa och hur de relaterar till uppställda mål. Vi kommer först att mäta produktiviteten genom att granska sambandet mellan inputs och outputs, och sedan föra en diskussion kring hur och i vilken utsträckning detta leder till att målsättningarna uppfylls Mätmetoder Den enklaste mätmetod som har tillämpats är vanlig OLS regressionsanalys 1 med en beroende variabel och metoden har använts av Kuypers och Szymanski (2000) och Kuper och Szymanski (2009). Eftersom endast en variabel har använts har de enbart kunnat testa en inputs effekt på en output åt gången. Detta har fördelen att det vid hög förklaringsgrad lätt går att se och kunna dra slutsatser om effekten av en specifik inputs påverkan på en output. Nackdelen är dock att det krävs många observationer för att få signifikanta resultat och det är dessutom svårt att jämföra olika inputs och outputs (Barros & Leach 2006b:7). Därför har det istället varit vanligare att använda sig av en modell för Data Envelopement Analysis (DEA). Modellen har använts för att mäta effektiviteten av finansiella inputs på sportsliga och finansiella outputs av; Barros och Leach (2006a), Barros och Santos (2005), Haas (2003a), Haas (2003b). Samt för effektiviteten av finansiella och sportsliga inputs på enbart sportsliga outputs av; 1 Den tekniska förklaringen av hur regressionsanalys går till finns angiven i appendix. 13

14 Barros och Santos (2003), Barros (2003), Fizel och D Itri (1997), Fizel och D Itri (1996) och Porter och Scully (1982). Modellen tillåter användandet av flera inputs och outputs och mäter hur effektivt de förstnämnda utnyttjas för att uppnå bästa output. Problemet med modellen är dock att den förutsätter att det finns en kombination av inputs som perfekt kan förklara hur outputsen skall se ut, vilket inte stämmer i verkligheten där den så kallade perfekta kombinationen enbart är den som är bäst i det studerade urvalet (Barros och Leach 2006b:396). Barros och Leach (2006b) använder istället i sin undersökning en ekonometrisk kostnadsfunktion härled från Cobb-Douglas produktionsfunktion. Den mäter liksom DEA flera inputs påverkan på flera outputs men har även samma problem vad gäller effektivitetsestimering då den också förutsätter att det finns en fullständigt effektiv inputkombination. Det som dock gör den ekonometriska modellen fullständigt överlägsen jämfört med DEA motsvarigheten är att den känner av inputs som inte är relevanta och ger dem svaga värden istället för DEA som mäter helhetseffekten av alla inputs. Den ekonometriska kostnadsfunktionen ger alltså till skillnad från DEA resultat som tillåter ledningen i idrottsklubbar att få reda på vilka inputs som bör användas och vilka som bör undvikas för att nå önskat resultat för sina outputs. 4. Metod Vi skall genomföra fyra olika tester enligt förutsättningarna i tabellen nedan: Tabell 4.1 Tester Test I Test II Test III Test IV Tidsperiod ( för testen innehållande totala åskådare) Lag i urvalet 5(4 för inköp av 10(9 för inköp av spelare) spelare) Antal observationer 30(24 för inköp av 60(54 för inköp av spelare) spelare och 50 för outputen åskådare. 45 för samma output mot inputen inköp) Testmetod Regressionsanalys Regressionsanalys Cobb-Douglas Regressionsanalys mot varje enskild mot varje enskild mellan den sportsliga 14

15 variabel och två variabel och två Produktionsfunktion outputen viktad multipla multipla ligaplacering och den regressionsanalyser regressionsanalyser finansiella outputsen årets resultat Finansiella Inputs Personalkostnader Personalkostnader Personalkostnader Avskrivningar Avskrivningar Avskrivningar Totala kostnader Totala kostnader Totala kostnader Totala tillgångar Totala tillgångar Inköp av spelare Inköp av spelare Sportsliga outputs Ligaplacering Viktad Ligaplacering Viktad Viktad Ligaplacering Totala poäng Totala åskådare Ligaplacering Total åskådare Kvalificering till Totala åskådare Kvalificering till CL/EL CL/EL Kvalificering till CL/EL Finansiella outputs Totala intäkter Totala intäkter Totala intäkter Årets Resultat Årets resultat Årets resultat Tabellen visar hur de olika testen går till och vilka variabler som används i dem. I tabellen nedan presenteras de klubbar som har medverkat i de olika testen. Tabell 4.2 Klubbar i de olika testerna Test I Test II Test III Test IV Djurgårdens IF* AIK AIK AIK IF Elfsborg Djurgårdens IF* Djurgårdens IF* Djurgårdens IF Hammarby IF IF Elfsborg IF Elfsborg IF Elfsborg Helsingborgs IF Gefle IF Gefle IF Gefle IF Malmö FF Hammarby IF Hammarby IF Hammarby IF Helsingborgs IF Helsingborgs IF Helsingborgs IF Kalmar FF Kalmar FF Kalmar FF Malmö FF Malmö FF Malmö FF 15

16 IFK Norrköping IFK Norrköping IFK Norrköping Trelleborgs FF Trelleborgs FF Trelleborgs FF *Djurgårdens IF är inte med i testet för inputen inköp *Djurgårdens IF är inte med i testet för inputen inköp *Djurgårdens IF är inte med i testet för inputen inköp Tabellen visar vilka lag som är med i respektive test. Nedan redogör vi för hur vi kom fram till detta: Tidperioden som har granskats är åren För att liksom Kuypers och Szymanski (2000) få så pass signifikanta resultat som möjligt hade en längre tidsperiod varit optimal men på grund av bristfällig tillgång till data från tidigare än 2003 så har vi inte haft möjlighet att gå längre tillbaka i tiden och då få rapporter för 2009 finns ute har vi valt att inte titta på senare år heller. För att underlätta mätningen av sportsliga prestationer har vi liksom Barros och Leach (2006b) inledningsvis valt att basera studien på de fotbollsklubbar som under hela den granskade perioden spelat i den högsta ligan i det granskade landet vilket i vårt fall innebär Allsvenskan. Mätningsproblemet som uppstår om lag under något av åren har spelat i någon annan division är att sportsliga prestationer som poäng inte är jämförbara med de i den högsta ligan eftersom de är relativa till ligan laget spelar i. Vad gäller placering går det att liksom Kuypers och Szymanski (2000) och Kuper och Szymanski (2009) räkna divisioner som fortsättningar på varandra och därmed räkna placering i andra divisionen som placering + antalet lag i den översta divisionen. Detta mätsätt kan dock ifrågasättas då det egentligen bör ses som bättre att placera sig högst i den andra divisionen för att gå upp till den översta divisionen följande år än att hamna sist i den översta divisionen och följande år få spela i andra divisionen. Däremot så går det fortfarande att använda publiksnittet som ett mått då det inte är knutet till den specifika ligan. För den granskade perioden har vi fått ut ett urval på 7 klubbar men för en av dem; IFK Göteborg, har vi enbart fått tillgång på personalkostnader för 2007 och 2008 och har därför valt att exkludera dem i undersökningen. För ett annat lag i urvalet: Halmstad BK har vi inte heller fått tillgång till redovisningsdata. Vi har därför enbart kvar 5 lag i urvalet som blir 4 för variabeln inköp av spelare då Djurgården Fotboll AB inte uppger den informationen i sina redovisningar. Då resultaten från en studie med ett så pass litet urval har vi valt att komplettera studien med de klubbar som under något av åren i den granskade perioden spelat i den översta divisionen. För sportsliga prestationer har vi därför enbart kunnat mäta ligaposition och publiksnitt. Vad gäller ligapositionen har vi valt att använda oss av samma metodik som Kuypers och Szymanski (2000) och 16

17 Kupers och Szymanski (2009) och räknat ligapositionerna i andra divisionen som en fortsättning på den övre. Den lägsta positionen som går att ha i den andra divisionen räknar vi som n då placeringsmåttet är relativt till alla positioner som klubbarna kan ha, där sistaplatsen i den lägsta divisionen vi granskar kan räknas som det lägsta möjliga placeringen 1. På grund av det tidigare diskuterade mätproblemet med ligapositioner i de två divisionerna har vi valt att vikta om några av placeringarna i de två divisionerna. De lag som kvalificerar sig till den översta divisionen från den lägre bör viktas så att de har presterat bättre än de lag som i den övre divisionen inte klarat sig kvar. Under spelade 14 lag i den översta divisionen och de två nedersta lagen åkte per automatik ut så vi kan då vikta om plats 13 och 14 med de två direktkvalificerade lagen från divisionen under så att lag 1 och 2 från andra divisionen får placering 13 och 14, medan lag 13 och 14 från första divisionen får plats 15 och 16. Plats 12 i den översta divisionen innebär dock en kvalplats som kan innebära att laget åker ner, och plats 3 i den andra divisionen kan på deras bekostnad ta sig upp. Därför kan vi i de fall då det lag som placerat sig på plats 12 i den övre divisionen misslyckas med att hålla sig kvar justera för detta. Det gör vi genom att räkna om så att lag 13 och 14 från den översta divisionen istället får placering 16 och 17, lag 12 får placering 15 medan lag 1, 2 och 3 i den nedre divisionen får placering 12, 13 och 14. För år 2007 var det dock enbart ett lag som åkte ur den översta divisionen och tre lag som gick upp från den nedre så därför räknar vi placeringen för det lag som kom på 14 plats i den översta ligan så att det får placeringen 17 och lag 1,2 och 3 i den nedre divisionen som plats 14, 15 och 16. År 2008 var antalet lag i den översta ligan utökat till 16 lag medan antalet lag i andra divisionen var detsamma. Detta leder till en ökning av n med två och även en förändring av viktningen så att lag 15 och 16 i den översta divisionen får plats 17 och 18 i den andra divisionen och lag 1 och 2 får placeringarna 15 och 16. Korrigering för de kvalande lagen ändras om på samma sätt som de tidigare. Totalt finns det 23 lag som har spelat i Allsvenskan under den granskade perioden men det har varit svårt att få tag på data från dem eftersom många är ideella föreningar och inte ger ut sina redovisningar offentligt och vissa inte har haft fullständiga siffror för hela perioden så återstår 10 klubbar. För outputen åskådare har vi inte fått tillgång till för data för 2003 för de lag som under det året spelade i andradivisionen. Detta gör att vi måste exkludera detta år för test vi gör där de påverkade lagen inkluderas. Eftersom urvalet är så pass begränsat väljer vi att komplettera med ett tredje test för att bättre kunna diskutera resultaten. Detta baserar vi på Cobb-Douglas kostnadsfunktion där vi lägger in kostnadsinputsen och mäter dem mot både de finansiella liksom de sportsliga outputsen. Vi 17

18 använder liksom Barros och Leach (2006b) också en finansiell output: totala intäkter på grund av mätproblem med årets resultat som tas upp första stycket i kapitel 5.3. Kuypers och Szymanski (2000) använder sig av stora urval av klubbar och använder de genomsnittliga inputsen och outputsen under sina granskade perioder. Barros och Leach (2006b) tar å andra sidan varje enskilt år för varje klubb och får på så sätt ett större urval vilket vi också väljer att göra för att kunna få fler observationer vilket underlättar gör det lättare att få signifikanta resultat. Antal observationer är alltså antalet lag multiplicerat med antalet år i varje test. Datan för de använda variablerna har hämtats från respektive klubbs årsredovisningar med undantag för ligaplaceringar, antal åskådare och kvalificering till CL/EL som alla har hämtats från Svenska fotbollsförbundets hemsida Test I I det första testet tar vi varje enskild input mot varje output och de uttrycks på följande vis med variabelnamn i parentes: Finansiella Inputs: Personalkostnader(PK): Räknas ut som: 6 i=1 log( PK t PK t ) Där t är antalet år i undersökningen, log är logaritmen av variabeln framför, PK t är personalkostnader år t och PK t* är de genomsnittliga personalkostnaderna för alla fotbollsklubbar i populationen år t. PK är alltså det genomsnittliga relativa personalkostnaderna för varje fotbollsklubb. Kuypers och Szymanski (2009) använder samma metod fast för lönekostnader. Avskrivningar(A): Räknas ut på samma sätt som personalkostnader fast med avskrivningar (A t ) och genomsnittliga avskrivningar(av t* ) istället för personalkostnader(is t ) och genomsnittliga personalkostnader(pk t* ). Totala kostnader (TK): Räknas ut på samma sätt som personalkostnader fast med totala kostnader(tk t ) och genomsnittliga totala kostnader(tk t* ) istället för personalkostnader(pk t ) och genomsnittliga personalkostnader(pk t* ). 18

19 Totala tillgångar (TT): Räknas ut på samma sätt som personalkostnader fast med totala tillgångar(tt t ) och genomsnittliga totala tillgångar(tt t* ) istället för personalkostnader(pk t ) och genomsnittliga personalkostnader(pk t* ). Inköp av spelare(is): Räknas ut på samma sätt som personalkostnader fast med inköp av spelare(si t ) och genomsnittliga inköp av spelare(is t* ) istället för personalkostnader(is t ) och genomsnittliga personalkostnader(pk t* ). Kuypers och Szymanski (2009) använder samma metod. Sportsliga outputs: Ligaplacering(LP): Eftersom värdet på ligaplaceringen blir lägre ju högre/bättre den är måste en metod tillämpas där en bättre placering leder till ett högre värde. En metod som Kuypers och Szymanski (2009) använder är: n i=x LP t log n + 1 LP t Där LP t är ligaplaceringen år t och n är populationen i seriesystemet. Totala poäng (TP): Räknas ut på samma sätt som personalkostnader fast med totala poäng (TP t ) och genomsnittliga totala poäng (TP t* ) istället för personalkostnader(pk t ) och genomsnittliga personalkostnader(pk t* ). Totala åskådare(tå): Räknas ut på samma sätt som personalkostnader fast med totala åskådare (TÅ t ) och genomsnittliga totala åskådare (TÅ t* ) istället för personalkostnader(pk t ) och genomsnittliga personalkostnader(pk t* ). Kvalificering till Champions League eller Europa League(CE): Räknas som en dummyvariabel där de lag som hamnar på en placering som gör att de kan kvalificera sig till Champions League eller Europa League säsongen efter får värdet 1 och de som inte gör det får värdet 0. Finansiella Outputs: Totala Intäkter(TI): Räknas ut på samma sätt som personalkostnader fast med totala intäkter (TI t ) och genomsnittliga totala intäkter (TI t* ) istället för personalkostnader (PK t ) och genomsnittliga personalkostnader(pk t* ). 19

20 Årets resultat(år): Eftersom det genomsnittliga årets resultat kan vara negativt leder det till att de lag som har negativa resultat då får bättre outputs om samma metod som används för personalkostnader används. Detta leder till felaktiga slutsatser och även om vi använder absoluta mått kan vi inte logaritmera dem eftersom de kan vara negativa. När vi testar årets resultat använder vi då istället de absoluta måtten för inputs och outputen årets resultat. På grund av dessa mätproblem kan vi inte förvänta oss allför mycket från den här variabeln då den inte går så bra att jämföra med de andra variablerna. Alla inputs kommer att testas mot varje output i enkla regressionsanalyser. Vi kommer även att komplettera med två multipla regressionsanalyser för varje output där den första exkluderar inputen inköp eftersom data för detta saknas för Djurgårdens IF. Den andra multipla regressionen kommer att exkludera Djurgården men inkludera inputen inköp. De första testerna fås genom formeln: Y = β 0 + β 1 X + ε i Där Y är output och X är input. De multipla testerna görs enligt följande två modeller: Multipelt test I: Y = β 0 + β 1 PK + β 2 A + β 3 TK + β 4 TT + ε i Mutipelt test II: Y = β 0 + β 1 PK + β 2 A + β 3 TK + β 4 TT + β 5 ISε i Orsaken till varför vi använder oss av multipla regressionsanalyser är för att kunna jämföra de olika inputsens påverkan på outputsen då deras korrelationer ställs mot varandra. Testet kommer att visa om det finns ett statistiskt tydligt samband mellan inputsen och outputsen (detta visas av hur hög förklaringsgraden mellan 0 och 1 där 0 inte ger något signifikant resultat och 1 visar ett 100 % samband) och hur starkt positivt/negativt det är (vilket visas av korrelationen där -1 visar ett fullständigt negativt samband, 0 visar att det inte finns något samband över huvud taget och 1 visar ett perfekt samband) Test II I test två tas den sportsliga outputen totala poäng bort och den sportsliga outputen variabeln viktad ligaplacering ersätter ligaplacering: Viktad ligaplacering(vlp): Viktad ligaplacering uttrycks precis som ligaplacering men rankingen ändras som förklarat tidigare i metoden. I test II testas, precis som i test I, alla inputs mot varje output i enkla regressionsanalyser och två multipla regressionsanalyser för varje output. 20

21 4.3. Test III I test III försvinner variablerna ligaplacering, årets resultat, spelarinköp och totala tillgångar. Den första eftersom den inte säger något annat än viktad ligaplacering och den andra eftersom den kan vara negativ och därför inte går att logaritmera. Eftersom testet är en kostnadsfunktion försvinner även de finansiella inputs som inte är kostnader (spelarinköp är en utgift och totala tillgångar är en tillgång). Ingen av variablerna mäts relativt som i de tidigare två testen(med undantag för VPL) utan skrivs istället in som i formeln nedan: log(tk it ) =β 0 +β 1 log(pk it )+β 2 log(a it )+ β 3 VPL it + β 4 log(tå it )+ β 5 CE it + β 6 log(ti it )+ε it Den skrivs sedan om som en Cobb-Douglas funktion i likhet med Barros och Leach (2006b) och är den funktion vi använder för att skatta variablerna i test III: log(tk it /A it ) =β 0 +β 1 log(pk it /A it )+ β 2 VPL it + β3log(tå it )+ β 4 CE it + β 5 log(ti it )+ε it Totala kostnader är variabeln som förklaras så testet visar hur mycket de olika x-variablerna påverkar de totala kostnaderna. Barros och Leach (2006b) använde sin modell för att ta reda på vilka x- variabler som var kostnadsineffektiva och således kunde minskas på utan att påverka sin output och tvärtom för de kostnadseffektiva. De fick i sin studie en förklaringsgrad på över 0,92 och ett F-värde på 325,12 vilket indikerar att modellen hade hög precision i studien av de engelska lagen och kunde förutse vilka variabler som var mest och minst effektiva för önskade outputs. PK skall i vårt test visa kostnaden av humankapital medan A är kostnaden för kapital. Innan regressionen körs måste vi dock också i likhet med Barros och Leach (2006b) köra en OLS regressionsanalys av den ursprungliga funktionen(innan TK och PK divideras på A) för att se om kostnadsfunktionen går att använda eftersom den måste vara signifikant. Till skillnad från oss mätte de sedan varje lags enskilda effektivitet med ytterligare tester vilket vi inte har gjort eftersom det inte är vårt syfte med den här uppsatsen. Andra skillnader är att de använde löner per spelare istället för personalkostnader vilket vi inte har kunnat göra då vi varken har haft tillgång till spelarlöner eller antalet spelare eller personal. De hade också ytterligare ett mått för humankapital i form av avskrivningar på spelare delat på antalet spelare. I vårat fall har vi valt att exkludera variabeln eftersom alla lag inte har gjort avskrivningar på sina spelare. För kostnad på kapital använde de sig av avskrivningar på arenafaciliteter delat på nettotillgångar och skulder. Eftersom inte alla de svenska klubbarna äger sina egna arenor förutsätter vi att denna faktor inte skulle kunna förklara något eftersom den skulle få exceptionellt hög varians. Vi använde därför istället totala avskrivningar som ett mått på kostnad för kapital och den inkluderar båda variablerna och även övriga avskrivningar. I och med att vi inte dividerade personalkostnader med någon post 21

22 gjorde vi det inte heller för denna. ε it uttrycks i deras test som (V it +U it ) där V it är den traditionella feltermen, och därmed samma sak som ε it, och U it mäter den tekniska ineffektiviteten hos varje klubb. Vi är inte intresserade att gå djupare och splittra upp dessa eftersom vi som nämnts ovan inte är intresserade av att mäta de enskilda klubbarna. De använde också rörelsekostnader istället för totala kostnader men eftersom klubbarna hade olika definitioner på vad som skulle ingå i dessa ansåg vi att totala kostnader var en bättre variabel att jämföra med. De resultaten som fås i testet kommer att visa hur mycket totala kostnader påverkas av varje variabel där ett högt positiv/negativt värde på en input visar på att de totala kostnaderna är känslig för inputen och om priset på inputen ökar/sjunker kommer de totala kostnaderna öka/sjunka mycket. För outputs visar ett högt positivt/negativt värde att det är dyrt/billigt att öka outputen Test IV För att prova Kuypers och Szymanskis (2000) tes om att det inte finns någon korrelation mellan sportsliga och det finansiella resultatet årets testar vi också: ÅR = β 0 + β 1 VLP + ε Testet kommer att visa om det finns en konflikt mellan satsningen på den sportsliga och finansiella outputen. 5. Empiri Nedan följer en sammanställning av test I, II och III I tabellformat med kommentaravsnitt under varje tabell liksom ett test av sambandet mellan sportsliga och finansiella resultat i allsvenskan Test I Resultatet från Test I redovisas i tabellen nedan: Tabell 5.1 Sammanställning av resultaten från test I Ligaplacering (LP) Personalkostnader(PK) 1,3859 (0,0943) Avskrivningar(A) -0,1778 (0,0802) Totala kostnader(tk) 1,0773 (0,0747) Totala tillgångar(tt) -0,4265 (0,0872) Sportsliga outputs Totala poäng (TP) 0,3104 (0,1251) -0,0428 (0,1230) 0,2822 (0,1355) -0,0835 (0,0884) 22 Totala åskådare (TÅ) 0,7091 (0,2601) -0,0722 (0,1394) 0,7124 (0,3441) -0,0523 (0,0138) Champions League eller Europa League (CE) 0,6573 (0,0643) -0,0712 (0,0390) 0,5524 (0,0595) -0,2482 (0,0896) Finansiella outputs Totala intäkter (TI) 0,1681 (0,0118) -0,0880 (0,1675) 0,3307 (0,0600) -0,0532 (0,0116) Årets resultat (ÅR) -4079,8605 (0,0049) -1011,3194 (0,0157) -64,5241 (0,000002) 3518,2672 (0,0358)

23 Spelarinköp(SI) -0,0005 (0,0002) Multipel test I: -0,0013 (0,0003) 0,0773 (0,3049) 0,0186 (0,0217) 0,0121 (0,0054) 278,1534 (0,0019) R 2 (förklaringsgrad) 0,2147 0,2750 0,4062 0,1758 0,2346 0,1167 Personalkostnader(PK) 1,3987 0,1749 0,1011 0,6478-0, ,9547 Avskrivningar(A) -0,0632-0,0203-0,0413-0,0048-0, ,1073 Totala kostnader(tk) 0,0296 0,1344 0,5808 0,1109 0, ,4499 Totala tillgångar(tt) -0,4349-0,0771-0,0331-0,2712 0, ,8627 Multipel test II: R 2 (förklaringsgrad) 0,1570 0,1669 0,6158 0,2697 0,3672 0,1643 Personalkostnader(PK) 0,9693 0,1006 0,0652 0,4975-0, ,9418 Avskrivningar(A) -0,1043-0,0352-0,0622 0,2386-0, ,1301 Totala kostnader(tk) 0,6567 0,2336 0,8026 0,7292 0, ,9752 Totala tillgångar(tt) -0,1759-0,0432-0,0447 0,0356-0, ,1629 Spelarinköp(SI) -0,0965-0,0232 0,0227-0,0388-0, ,6702 Vertikalt visas alla inputs (X) påverkan på varje output (Y) som visas horisontellt. Positiva Innebär positiv påverkan och negativ en negativ påverkan. Förklaringsgraden för varje test visas i parentes under varje resultat. För de multipla testen skrivs den gemensamma förklaringsgraden ut som R 2. Från test I kan vi se att alla test som vi har gjort baserat på enkel regressionsanalys har fått exceptionellt låga värden för förklaringsgraden så vi kan inte dra några slutsatser om dessa. För outputen totala åskådare går det dock att se att förklaringsgraderna är något högre och som högst i testet mot totala kostnader. Det är dock fortfarande bara 0,34 och går inte att dra några signifikanta slutsatser om. I den första multipla regressionsanalysen stiger generellt förklaringsgraderna och de är också här som högst för totala åskådare på 0,41. För den andra multipla regressionsanalysen är resultatet generellt sett det bästa med hela 0,62 i förklaringsgrad för totala åskådare. Det är också tydligt att det är totala kostnader som är den starkast korrelerade variabeln med ett β-värde på 0,8 men med tanke på att de andra kostnadsvariablerna som ingår i testet har låga β-värden (det högsta på 0,0652) är det svårt att säga vilken typ av kostnad som leder till mer publik Test II Resultatet från test II redovisas i tabellen nedan: Tabell 5.2 Sammanställning av resultaten från test II Sportsliga outputs Finansiella outputs Viktad ligaplacering (VPL) Personalkostnader(PK) 1,1174 (0,2500) Avskrivningar(A) -0,0130 (0,0002) Totala åskådare (TÅ) 1,0747 (0,8355) 0,1943 (0,1872) Champions League eller Europa League (CE) 0,2561 (0,0912) -0,0198 (0,0041) Totala intäkter (TI) 1,0209 (0,6966) 0,1552 (0,1192) Årets resultat (ÅR) 1084,5230 (0,0036) -884,7239 (0,0176) 23

24 Totala kostnader(tk) 0,7617 (0,2489) Totala tillgångar(tt) 0,4712 (0,1924) Spelarinköp(SI) 0,1486 (0,0604) Multipel test I: 0,5344 (0,5499) 0,4212 (0,6829) 0,3637 (0,6128) 0,1529 (0,0764) 0,0708 (0,0330) 0,0248 (0,0144) 0,5676 (0,5055) 0,4423 (0,6199) 0,1646 (0,2402) 831,2165 (0,0049) 976,9317 (0,0137) 645,8149 (0,0157) R 2 (förklaringsgrad) 0,3673 0,8418 0,1512 0,7304 0,0804 Personalkostnader(PK) 0,6440 0,8706 0,3735 0, ,6133 Avskrivningar(A) -0,3097-0,0050-0,0684-0, ,1465 Totala kostnader(tk) 0,3735 0,0478 0,0647 0, ,3029 Totala tillgångar(tt) 0,2480 0,0747-0,0601 0, ,9575 Multipel test II: R 2 (förklaringsgrad) 0,3627 0,8527 0,0652 0,7170 0,1167 Personalkostnader(PK) 0,6011 0,8187 0,1560 0, ,6882 Avskrivningar(A) -0,3813-0,0169-0,0284-0, ,1615 Totala kostnader(tk) 0,3584 0,0399 0,0531 0, ,4054 Totala tillgångar(tt) 0,3744 0,0939 0,0173 0, ,8945 Spelarinköp(SI) -0,0616 0,0294-0,0143-0, ,1007 Vertikalt visas alla inputs (X) påverkan på varje output (Y) som visas horisontellt. Positiva innebär positiv påverkan och negativ en negativ påverkan. Förklaringsgraden för varje test visas i parentes under varje resultat. För de multipla testen skrivs den gemensamma förklaringsgraden ut som R 2. I test II är populationen större vilket ger högre förklaringsgrader och således mer signifikanta resultat. För outputen ligaplacering är de dock fortfarande låga. I Jämförelse med Kuypers och Szymanskis (2000) test där de får förklaringsgrader på 0,92 (studie ) respektive 0,5 ( ) för inputen lönekostnader mot outputen ligaplacering är resultatet 0,25 väldigt lågt. Den höga förklaringsgraden från den nyare studien förklarades av att det då inte fanns något lönetak och att löneskillnaderna mellan lagen då var betydligt högre. Men bland de svenska lagen har det lag med de i genomsnitt högsta personalkostnaderna (AIK med tkr), liksom i Kuypers och Szymanskis (2000) studie (mäter dock lönekostnader och inte alla personalkostnader) knappt tre gånger så höga kostnader (2,8 för att vara exakt) som det med de lägsta (Norrköping med tkr). I de två multipla regressionsanalyserna är förklaringsgraden högre än tidigare med 0,37 och 0,36 i respektive test vilket fortfarande är för lågt för att kunna dra några slutsatser om. Outputen totala åskådare har återigen de högsta förklaringsgraderna och den som får högst värde är personalkostnader på hela 0,84 med en korrelation som är nästan perfekt (1,07). I grafen nedan kan vi tydligt se deras samband: 24

25 Totala åskådare relativt till genomsnittetlogaritmerat Graf 5.1 Sambandet mellan åskådare och personalkostnader 1,5 1 0,5 0-0,5-1 -1,5-2 -1,5-1 -0,5 0 0,5 1 Personalkostnader relativt till genomsnittet logaritmerat Grafen visar sambandet mellan lags åskådare och deras personalkostnader för varje enskilt år under perioden De lag som ligger under linjen under vissa år måste relativt sett betala högre personalkostnader för att uppnå samma publiksnitt som genomsnittet och de som ligger över kan spendera mindre på personal för att uppnå samma åskådarantal. För inköp av spelare är det här det enda testet där det över huvudtaget finns något signifikant samband över huvud taget på 0,61 och korrelationen är någorlunda hög på 0,36. Från de två multipla regressionsanalyserna får vi också hög förklaringsgrad på 0,84 respektive 0,85 och där ser vi också att det dock huvudsakligen är personalkostnader som är den drivande posten med en korrelation på hela 0,87 respektive 0,81 jämfört med den näst högsta; totala tillgångar på 0,07 respektive 0,09. CL/EL har i alla test låga förklaringsgrader med den högsta på 0,15 för den första multipla regressionsanalysen där personalkostnader återigen är den mest drivande posten på 0,37. Totala intäkter har en stark korrelation med inputsen totala kostnader, totala tillgångar och personalkostnader med förklaringsgrader på 0,51, 0,62 och 0,70 där den sistnämnda även för den här outputen har en nästintill perfekt korrelation på 1,02. Från de multipla regressionsanalyserna är förklaringsgraderna också höga med 0,73 och 0,71 och de starkast korrelerade inputsen är personalkostnader och tillgångar. För outputen årets resultat är förklaringsgraderna svaga för alla variabler och den starkaste förklaringsgraden når enbart 0, Test III Resultaten från test III redovisas i tabellen nedan: 25