Kapitalstruktur - Förklarande faktorer för variationen i svenska företags skuldsättning

Transkript

1 Uppsala universitet Företagsekonomiska institutionen Kandidatuppsats, fortsättningskurs C, 15 hp Datum: 26 mars VT Kapitalstruktur - Förklarande faktorer för variationen i svenska företags skuldsättning Handledare: Ulf E. Olsson Författare: Stefan Ahlskog Sofia Forsberg

2 Tack till Vi vill rikta tack till ett antal personer som bidragit med kunskap, erfarenhet och stöd under arbetet och utvecklingen av denna uppsats. Ett stort tack till vår handledare Ulf E. Olsson som fungerat som en viktig person i utbyte av idéer och synpunkter på det fortlöpande arbetet. Vi vill även rikta ett tack till vänner och bekanta som under arbetets gång har gett oss kommentarer på innehåll och formalia. II

3 Sammanfattning Syftet med vår studie var att undersöka hur faktorerna tillgångsstruktur, lönsamhet, företagsstorlek och tillväxt kan förklara variationer i svenska företags skuldsättning. Studien syftade också till att undersöka skillnader i faktorernas förklaringskapacitet mellan olika sektorer. Utifrån tidigare studier och teorier om faktorernas förväntade relation till företags skuldsättning utarbetade vi egna arbetshypoteser över våra förväntade samband. För att analysera hur våra valda faktorer kan förklara variationen i företags skuldsättning utförde vi regressionsanalyser med två definitioner av skuldsättning som beroende variabel. Sammanlagt samlades data från 59 företag in för en tidsperiod på fem år som legat till grund för de utförda regressionsanalyserna. De slutsatser vi har dragit från vårt resultat är att studiens faktorer i högre grad förklarar företags andel långfristiga skulder än deras totala skulder. Vidare drog vi slutsatsen att studiens fyra faktorer uppnår liknande förklaringsgrader för variationen i skuldsättning som tidigare studier genomförda i andra länder. Det här innebär att faktorerna har en generell betydelse för företags val av kapitalstruktur även i Sverige. Av vårt resultat från regressionerna kunde vi även konstatera att faktorernas förklaringsgrad varierar kraftigt mellan de olika sektorerna. Det här gjorde att vi drog slutsatsen att sektorspecifika förutsättningar har stor betydelse, både för skillnaderna i faktorernas förklaringskapacitet men också för företags val av kapitalstruktur generellt. Nyckelord: Skuldsättning - Tillgångsstruktur - Lönsamhet - Företagsstorlek - Tillväxt - Sektorer - Regression - Trade- off teorin - Pecking- order teorin III

4 Innehållsförteckning 1. Kapitalstruktur Ett omdiskuterat ämne Hur kan variationer i skuldsättning förklaras? En uppsättning av fyra förklarande faktorer Tidigare studiers resonemang kring kapitalstruktur Två teoriers perspektiv på kapitalstruktur Tillgångsstruktur Lönsamhet Företagsstorlek Tillväxt Sektorklassificering Undersökning baserad på årsredovisningar och regressioner Urval av sektorer och företag Val av variabler Skuldsättning Tillgångsstruktur Lönsamhet Företagsstorlek Tillväxt Sektorklassificering Insamlad data baserad på företags årsredovisningar Årsredovisningar Data analyserad genom multipel regressionsanalys Antaganden för multipel regressionsanalys Presentation och analys av regressionernas resultat Medelvärden för undersökta variabler Regressionsanalys för totala observationer Regressionsanalyser för respektive sektor Informationsteknik Material Sjukvård Industrivaror och tjänster IV

5 4.3.5 Sällanköpsvaror och tjänster Sammanfattande analys av faktorernas förklaringskapacitet Tillgångsstruktur Lönsamhet Företagsstorlek Tillväxt Faktorernas förklaringskapacitet med hänsyn till sektorklassificering Slutsats Förslag till vidare forskning Referensförteckning Artiklar Böcker...40 Elektroniska referenser.. 41 Bilaga 1 Urval av företag Bilaga 2 Test av regressionsmodellens antaganden Bilaga 3 Variablernas individuella relation till skuldsättning.. 54 V

6 1. Kapitalstruktur Ett omdiskuterat ämne En av de mest grundläggande frågorna inom ämnet corporate finance 1 är hur ett företag ska finansiera sin verksamhet. Valet av finansiering utgör ett företags kapitalstruktur och innebär mer specifikt hur de väljer att förhålla sig mellan lånefinansiering och finansiering genom eget kapital (Ross et al., 2010, s. 3). Över ett halvt sekel har passerat sedan Modigliani och Miller (1958) skrev artikeln The Cost of Capital, Corporation Finance, and the Theory of Investment som legat till grund för forskning kring kapitalstruktur och dess förklarande faktorer ända sedan dess. Trots Modigliani och Millers bidragande arbete till kapitalstruktur som ämnesområde så finns det än idag ingen generell teori som kan förklara valet av kapitalstruktur i företag, och det kan inte heller förväntas någon. Detta enligt Myers (2003) som säger att det finns användbara teorier om kapitalstruktur, men att en del faktorer i dessa kan vara avgörande för vissa företag eller i vissa sammanhang, men oväsentliga i andra. Forskare besitter idag mer kunskap om kapitalstrukturens relevans för ett företags värde än för 50 år sedan, men vad som verkligen påverkar valet av kapitalstruktur är fortfarande diskutabelt. I sin artikel från 1984 beskriver Myers företags val av kapitalstruktur som ett pussel, vilket det fortfarande tycks vara. Akademiker och praktiker är än idag inte på det klara med hur företag väljer att finansiera sin verksamhet och nya investeringar. Många artiklar har skrivits om vilka förklarande faktorer som påverkar förhållandet av företags egna kapital och skulder, men ingen generell teori råder (se Titman & Wessels, 1988; Harris & Raviv, 1991; Rajan & Zingales, 1995; Frank & Goyal, 2009). De mest förekommande faktorerna som återfinns i litteraturen är bland annat företagsstorlek, lönsamhet, tillgångsstruktur och tillväxt. Den nämnda litteraturen bygger på undersökningar gjorda i länder såsom Tyskland, Storbritannien och Japan, men de flesta är baserade på amerikanska studier. I dessa undersökningar framkommer det att många förklarande faktorer för kapitalstrukturen är desamma i olika länder men att det också finns många skillnader. Med tidigare litteratur som grund har vi för avsikt att undersöka kapitalstrukturen i svenska företag utifrån vissa förklarande faktorer. De utvalda faktorerna för den här undersökningen är tillgångsstruktur, företagsstorlek, tillväxt samt lönsamhet. Dessa faktorer har i tidigare studier tillsammans visats kunna förklara en stor del av företags variation i skuldsättningsgrad (Frank & Goyal, 2009). 1 Corporate finance = Företagsfinansiering (Ne.se). 1

7 1.1 Hur kan variationer i skuldsättning förklaras? Genom vår studie ämnar vi att undersöka hur en uppsättning av oberoende faktorer, tillsammans och enskilt, kan förklara variationer i skuldsättning hos svenska börsbolag. Vi avser att diskutera och resonera kring vilken förklaring de valda faktorerna indikerar att ha för variationer i skuldsättning. Genom att genomföra analys av data uppdelat på fem sektorer, avser vi också att undersöka skillnader i skuldsättningsgrad och hur de olika faktorerna kan förklara variationer i skuldsättning inom valda sektorer. Avsikten med den här studien är således att utreda om faktorer behandlade i tidigare studier, även kan förklara variationer i svenska företags skuldsättning och skillnader mellan sektorer. Med den här studien vill vi också ge ett bidrag till den fortsatta forskningen kring företags val av kapitalstruktur, som än idag kan ses som ett pussel. Baserat på det framlagda problemet kring kapitalstruktur och syftet med den här studien är den mer specifika frågan vi vill ha svar på: - Hur förklarar de fyra valda faktorerna tillgångsstruktur, lönsamhet, företagsstorlek och tillväxt variationen i skuldsättning hos valda företag? 1.2 En uppsättning av fyra förklarande faktorer Den avgränsning som har genomförts är att vi endast tagit hänsyn till de fyra nämnda förklarande faktorerna. Dessa faktorer har valts med bakgrund i Frank och Goyals (2009) artikel där de finner att de här fyra faktorerna tillsammans med två andra 2 förklarar hela 27 procent av variationen i skuldsättning. Andra berörda faktorer adderar bara ytterligare 2 procent till förklaringsgraden. Även i Rajan och Zingales (1995) ingår våra fyra faktorer i deras modell som totalt består av just dessa fyra faktorer 3. De finner att sina valda faktorer förklarar mellan 5 till 30 procent av variationen i skuldsättning, med ett genomsnitt på 19 procent. Därför ansåg vi våra fyra faktorer relevanta för att undersöka hur variationen i svenska företags skuldsättning till viss del kan förklaras. En avgränsning sker också genom att teori kring sektorklassificering presenteras, men att sektorklassificering i sig inte behandlas som en förklarande faktor. Vi kommer istället enbart att analysera skillnader i resultatet mellan sektorerna. Studien begränsas också till fem av tio valbara sektorer. 2 De två övriga faktorerna som Frank och Goyal använder sig av är industrimedian och förväntad inflation. De använder sig av tillväxt som förklarande faktor, men de baserar detta mått på market- to- book ratio (Frank & Goyal, 2009 s. 3), istället för procentuell förändring i totala tillgångar som vi använt oss av baserat på Titman och Wessels definition (Titman & Wessels, 1988 s. 4). 3 Författarna har valt att definiera tillväxt som market- to- book ratio istället för procentuell förändring i totala tillgångar som vi använt oss av (Rajan & Zingales, 1995 s. 1454). 2

8 2. Tidigare studiers resonemang kring kapitalstruktur I följande avsnitt kommer tidigare litteratur och studier i ämnesområdet att presenteras. Avsnittet börjar med en genomgång av grunderna i de två teorierna Trade- off och Pecking- order, som är två av de mest förekommande teorierna inom ämnet kapitalstruktur. Teorierna presenteras av den anledningen att de i större utsträckning än andra teorier har vissa förväntningar på sambanden mellan studiens valda faktorer och skuldsättning. Dessutom går Trade- off teorin och Pecking- order teorin i många fall emot varandra i resonemanget kring vad som kan förväntas av de förklarande faktorerna. Efter det grundläggande teoriavsnittet presenteras en blandning av teoretiska och empiriska förväntningar på sambanden mellan de valda faktorerna och skuldsättning. För att öka förståelsen för de olika faktorernas relation till ett företags skuldsättning presenteras teorin utefter vårt val av faktorer. Varje avsnitt i litteraturgenomgången avslutas med en arbetshypotes gällande sambandet mellan den aktuella faktorn och företags skuldsättning. 2.1 Två teoriers perspektiv på kapitalstruktur En av de mest omdiskuterade teorierna inom ämnet kapitalstruktur är Trade- off teorin som menar att en optimal kapitalstruktur för företag existerar. Den optimala kapitalstrukturen hos ett företag innebär enligt denna teori en avvägning mellan effekterna av bland annat ett företags förväntade konkurskostnader 4 och ett företags skatter (Kraus & Litzenberger, 1973). Trade- off teorin menar att ett företag väljer att låna upp till den grad där skattefördelarna av en extra krona i skuld, är detsamma som den kostnad som uppkommer från den ökade sannolikheten för företaget att hamna i ekonomiska problem och betalningssvårigheter (Ross et al., 2010, s. 526). Närmare menar Trade- off teorin att genom att företag tar upp lån så bildar de medföljande räntekostnaderna en skattesköld 5, som innebär att företags beskattningsbara vinst blir lägre. En kraftig belåning kan dock innebära att ett företag kan hamna i likviditetsproblem där de inte kan möta sina betalningsåtaganden som är relaterat till dess skuldsättning. Ett resultat av detta är också att risken för att företaget ska hamna i konkurs ökar, vilket leder till diverse konkurskostnader (se not 4). Det är den här hävstången, mellan skuldsättningens skattefördelar och möjliga kostnader i form av bland annat likviditetsproblem och 4 Konkurskostnader kan vara både indirekta och direkta. Direkta konkurskostnader kan vara kostnader för konsulter, advokater och redovisningsexperter, medan indirekta exempelvis kan vara förlorade kunder, leverantörer och anställda. För mer information, se Berk och DeMarzo (2007, s ). 5 För närmare information, se Fundamentals of Corporate Finance av Ross et al. (2010) s

9 konkurshot, som Trade- off teorin behandlar (Berk & DeMarzo, 2007, s. 501). Den här hävstången illustreras också av Figur 2.1 nedan som är en förenklad bild av den som går att återfinna i Berk och DeMarzo (2007, s. 502). Den här figuren visar att ett företags värde till en början ökar när företaget tar sig an mer skuld på grund av den tidigare nämnda skatteskölden. Vid en viss mängd skuld blir dock de ekonomiska problemen i form av exempelvis svårigheter i att möta sina betalningsåtaganden större än skattesköldens fördelar, vilket medför att företagsvärdet minskar. Den optimala mängden skuld varierar från företag till företag. Figur 2.1 Illustration av Trade- off teorins hävstång En annan mycket omdebatterad teori är Pecking- order teorin som förklarar ett företags kapitalstruktur utifrån en rangordning av finansieringsmöjligheter. Företag sägs i första hand föredra internfinansiering såsom balanserade vinstmedel framför externfinansiering. Om externfinansiering dock är nödvändig föredrar företag att använda sig av den form av finansiering som innebär lägst risk. Det här innebär att de först använder sig av lånefinansiering, sedan möjligtvis konvertibla obligationer och i sista hand emitterar nytt aktiekapital (Myers 1984). Att det förhåller sig på det här sättet har att göra med det faktum att företagsledare innehar väsentlig information om sitt företags värde, information 4

10 som utomstående investerare normalt sett saknar. Det här innebär att genom användandet av internt kapital minskas risken och kostnaden för nuvarande aktieägare (Myers & Majluf, 1984). Anledningen till att företag enligt den här teorin också föredrar lånefinansiering framför emittering av nytt aktiekapital är att lånefinansiering är förknippat med lägre risk. När företag och deras aktier är undervärderade är det inte fördelaktigt att utfärda nytt aktiekapital för att finansiera nya investeringar, därför föredras lånefinansiering. När ett företag och dess aktier istället är övervärderade borde företaget teoretiskt sett föredra att utfärda nytt aktiekapital, men detta är inte fallet enligt Pecking- order teorin som menar att lånefinansiering fortfarande föredras. Att lånefinansiering prioriteras när ett företag och dess aktier är övervärderade är att investerare annars snabbt skulle inse att företaget endast utfärdar nytt aktiekapital när det är övervärderat, vilket inte är fördelaktigt för dem och de kommer följaktligen inte att köpa nya aktier (Myers, 1984). Det är av denna anledning som lånefinansiering är förknippat med lägre risk, samt varför utfärdande av nytt aktiekapital kommer sist i Pecking- order teorins rangordning. 2.2 Tillgångsstruktur Artiklar och teorier kring företags val av kapitalstruktur hävdar att företags tillgångsstruktur 6 påverkar hur de väljer att finansiera sin verksamhet och sina investeringar. Det råder följaktligen ett samband mellan ett företags tillgångsstruktur och dess skuldsättning (Harris & Raviv, 1991; Rajan & Zingales, 1995; Titman & Wessels, 1988). Detta samband kan antingen vara positivt eller negativt beroende på vilken variabel för tillgångsstrukturen som används vid beräknandet. Ett positivt samband förekommer då variabeln beräknas utifrån ett företags andel materiella tillgångar, som oftast består av maskiner, byggnader och inventarier. Ett negativt samband förekommer då andelen immateriella tillgångar 7 används i beräknandet (Titman & Wessels, 1988). Det som ligger bakom sambandet mellan tillgångsstruktur och skuldsättning, enligt bland annat Trade- off teorin, är att en större andel materiella tillgångar i ett företag kan fungera som säkerhet vid belåning hos kreditinstitut eller utfärdande av skuld i form av obligationer (Titman & Wessels, 1988; Rajan & Zingales, 1995). Den ökade säkerheten i de materiella tillgångarna minskar risken som långivaren utsätts för vilket gör att de i sin tur kräver en lägre riskpremium (Antoniou et al., 2008). Om företag har en större andel immateriella tillgångar 6 Förhållandet mellan ett företags materiella och immateriella tillgångar. 7 Goodwill, forskning och utveckling, varumärke etc. 5

11 är det svårare för långivare att använda dessa som säkerheter vid utlåning, vilket gör att de kräver bättre villkor för utlåningen. De bättre villkoren innebär oftast högre kostnad för företaget, vilket gör att många företag föredrar att finansiera projekt eller sin verksamhet med eget kapital (Titman & Wessels, 1988; Rajan & Zingales, 1995). Materiella tillgångar förväntas även minska mindre i värde än immateriella tillgångar vid en eventuell konkurs, vilket talar för ett positivt samband mellan ett företags materiella tillgångar och dess skuldsättning (Rajan & Zingales, 1995; Antoniou et al., 2008; Almeida & Campello, 2007). Materiella och immateriella tillgångar är olika svåra för personer och organisationer utanför ett företag att värdera. Mark, fabriker och maskiner som är materiella tillgångar är lättare för utomstående att sätta ett värde på jämfört med goodwill som uppstår vid företagsförvärv, samt patent och varumärke som alla är exempel på immateriella tillgångar. Det faktum att det är lättare att värdera materiella tillgångar minskar de förväntade konkurskostnaderna då företaget hamnar i ekonomiska problem. Det här resulterar i förväntningar på ett positivt samband mellan andelen materiella tillgångar och skuldsättningsgraden i ett företag. Överensstämmande med detta samband förväntas företag med större andel immateriella tillgångar och företag som lägger ner stora resurser på forskning och utveckling ha lägre skuldsättning (Frank & Goyal, 2009). Ytterligare en aspekt av materiella tillgångars effekt på ett företags skuldsättning är att med en större andel materiella tillgångar, följer ofta att avskrivningarna på dessa tillgångar blir proportionellt större. De högre avskrivningarna resulterar i en lägre beskattningsbar vinst för företaget. Avskrivningarna fungerar således som en skattesköld som ökar företagets skuldkapacitet (Antoniou et al., 2008; Berk & DeMarzo, 2007, s. 189). Frank och Goyal (2009) lyfter i sin artikel också fram Pecking- order teorins förväntningar på relationen mellan ett företags tillgångsstruktur och dess skuldsättning. Dessa förväntningar går emot tidigare nämnda i den bemärkelse att Pecking- order teorin förväntar sig ett negativt samband mellan en större andel materiella tillgångar och skuldsättning. Teorin menar att den lägre informationsasymmetri som skapas av att en större andel tillgångar är materiella, gör att det är mindre kostsamt för ett företag att emittera nytt aktiekapital för att finansiera sin verksamhet eller sina investeringar (Frank & Goyal, 2009). Informationsasymmetri innebär att olika parter som företagsledning, investerare och långivare, har olika mycket information gällande ett företags verksamhet (Berk & DeMarzo, 2007, s. 512). Som tidigare nämnt är materiella tillgångar lättare för utomstående att värdera vilket gör att informationsasymmetrin blir mindre, då informationsgapet om ett företags tillgångar minskar (Frank & Goyal, 2009). 6

12 Balakrishnan och Fox (1993) ger en annan bild av immateriella tillgångars påverkan på ett företags kapitalstruktur än vad som tidigare redogjorts för. De diskuterar att unika och företagsspecifika tillgångar, som också ofta är immateriella, är en viktig del av ett företags konkurrensfördel. Investeringar i vissa immateriella tillgångar, såsom forskning och utveckling och varumärke, kan av långivare uppfattas som ett positivt åtagande av ett företag att vara en aggressiv konkurrent på marknaden. Av den här anledningen kan immateriella tillgångar, som ovan nämnda, fungera som viss säkerhet för långivare. Följaktligen kan immateriella tillgångar öka ett företags kapacitet att skuldsätta sig. Av Balakrishnan och Fox diskussion kan ett positivt samband förväntas mellan ett företags immateriella tillgångar och dess skuldsättning (Balakrishnan & Fox, 1993). Deras resonemang går emot det som tidigare studier och Trade- off teorin hävdar. Arbetshypotes 1: Gällande tillgångsstruktur förväntar vi oss ett positivt samband med ett företags skuldsättning då hänsyn tas till materiella tillgångar och ett negativt samband då hänsyn tas till immateriella tillgångar. Den här arbetshypotesen bygger på att de flesta tidigare studier och teorier vi tagit del av, antingen förväntar sig eller har kommit fram till att dessa samband föreligger. 2.3 Lönsamhet Det råder meningsskiljaktigheter i tidigare studier och teorier i förväntningarna på hur lönsamhet påverkar skuldsättningen i företag (Rajan & Zingales, 1995). Likt företag med större andel materiella tillgångar förväntas mer lönsamma företag stå inför lägre kostnader vid ekonomiska problem och konkurshot (Frank & Goyal, 2009). Trade- off teorin hävdar att mer lönsamma företag även generar högre avkastning till sina aktieägare, samt minskar risken för konkurs och kostnaden för upplåning. Tillsammans ökar dessa faktorer företagets lånekapacitet (Morri & Cristanziani, 2009; Margaritis & Psillaki, 2007). Det faktum att räntekostnaderna som uppstår vid belåning också är avdragsgilla värdesätts av mer lönsamma företag (Frank & Goyal, 2009). De förväntas att i större utsträckning utnyttja den tidigare nämnda skatteskölden som räntekostnaderna skapar, genom att finansiera mer av sin verksamhet och sina investeringar genom lånefinansiering (Morri & Cristanziani, 2009). Baserat på Trade- off teorin skapas förväntningar om att mer lönsamma företag skulle använda en högre grad lånefinansiering (Morri & Cristanziani, 2009; Frank & Goyal, 7

13 2009). Det råder alltså ett positivt samband mellan ett företags lönsamhet och dess skuldsättning. Pecking- order teorins förväntningar på sambandet mellan ett företags lönsamhet och dess skuldsättning går emot de förväntningar som fastslås i Trade- off teorin. Myers (1984) förklarar Pecking- order teorin som en rangordning av finansieringsmöjligheter för ett företag, som tidigare förklarats. Enligt Myers föredrar företag att internfinansiera sin verksamhet och nya investeringar med balanserade vinstmedel. Om ett företag inte innehar tillräckligt med internt kapital blir de i behov av att finansiera sin verksamhet och sina investeringar genom externt kapital. I en situation då externt kapital är nödvändigt föredrar företag lånefinansiering framför utfärdande av nytt aktiekapital, då detta innefattar lägre risk (Myers, 1984). Följaktligen förklarar Pecking- order teorin varför majoriteten av ett företags externa finansiering består av olika former av lån. Den förklarar också varför mer lönsamma företag har lägre grad av skuldsättning, eftersom internfinansiering föredras. Mindre lönsamma företag kräver en större andel externt kapital, vilket ofta leder till högre skuldsättning (Myers, 2001). Enligt Pecking- order teorin kan det därför sägas finnas ett negativt samband mellan ett företags lönsamhet och dess skuldsättning, vilket återfinns i artiklar av Myers (1977), Barclay och Smith (1999), Frank och Goyal (2009), Myers och Majluf (1984) samt Antoniou et al. (2008). Arbetshypotes 2: Gällande lönsamhet förväntar vi oss ett negativt samband med ett företags skuldsättning. Den här arbetshypotesen bygger på Pecking- order teorins resonemang kring faktorn lönsamhet, då de flesta tidigare studier vi tagit del av antingen förväntar sig eller har kommit fram till att detta samband föreligger. 2.4 Företagsstorlek Flera studier hävdar att det finns ett positivt samband mellan företagsstorlek och skuldsättning (Frank & Goyal, 2009; MacKay & Phillips, 2005; Antoniou et al., 2008). Enligt Huang och Song (2006) är det här synonymt med att det råder en negativ relation mellan ett företags storlek och dess kostnad för att utfärda ny skuld. Mer specifikt innebär det här att med ökad företagsstorlek ökar även ett företags möjligheter till att utnyttja stordriftsfördelar gällande utfärdandet av långfristiga skulder. Med ökad storlek kan också ett företags förhandlingsposition förbättras mot långivare. Det här resulterar i det ovan 8

14 nämnda positiva sambandet mellan företagsstorlek och skuldsättning (Huang & Song, 2006). Stora företag tenderar att vara mer diversifierade jämfört med mindre företag då den större verksamheten ökar företagets riskspridning. Den ökade riskspridningen minskar sannolikheten att företaget hamnar i ekonomiska problem med medföljande betalningssvårigheter. Att större företag tenderar att vara mer diversifierade leder också till ökad stabilitet i företagens kassaflöden, vilket tillåter högre skuldsättning (Morri & Cristanziani, 2009). Den lägre sannolikheten för ekonomiska problem minskar även de förväntade konkurskostnaderna, vilket enligt Trade- off teorin möjliggör för företaget att öka sin lånefinansiering och maximera skattefördelarna vid lånefinansiering (Antoniou et al., 2008; Frank & Goyal, 2009). Ett företags storlek är följaktligen positivt korrelerad med företagets skuldsättningsgrad (Rajan & Zingales, 1995). Med ökad företagsstorlek och ålder på ett företag följer vanligtvis också att informationsasymmetrin blir lägre mellan företagsledning och långivare. Den lägre informationsasymmetrin ökar företags möjligheter till lånefinansiering, detta ofta till lägre kostnad, hos kreditinstitut eller på obligationsmarknaden. Det här talar för ett positivt samband mellan företagsstorlek och skuldsättning (Antoniou et al., 2008). Ett annat förhållande kring företagsstorlek är att större, äldre och mer mogna företag tenderar att ha ett bättre anseende på lånemarknaden jämfört med mindre och nyare företag. Det här faktumet tenderar att öka förtroendet för företaget hos långivare. Följaktligen förväntas att större företag tar på sig en högre skuldsättning, vilket enligt Trade- off teorin tyder på ett positivt samband mellan dessa två variabler (Frank & Goyal, 2009). I motsats till föregående förhållande, mellan storlek och skuldsättning, skriver Frank och Goyal (2009) också att det enligt Pecking- order teorin kan förväntas en negativ relation. De menar att större och äldre företag genom sin verksamhetsperiod har haft möjligheten att bygga upp sitt egna kapital under lönsamma år i form av balanserade vinster och därmed i större utsträckning borde internfinansiera sin verksamhet och nya investeringar (Frank & Goyal, 2009). Arbetshypotes 3: Gällande företagsstorlek förväntar vi oss ett positivt samband med ett företags skuldsättning. Den här arbetshypotesen bygger på att en majoritet av den tidigare litteraturen vi tagit del av, antingen förväntar sig eller har kommit fram till att detta samband föreligger. 9

15 2.5 Tillväxt De flesta studier som undersöker förklarande faktorer för företags kapitalstruktur är överens om att tillväxt är negativt relaterat till skuldsättning (Huang & Song, 2006; Miao, 2005). Företag med framtida lönsamma tillväxtmöjligheter försöker undvika lånefinansiering. Det här av anledningen att det skulle riskera att överföra framtida avkastning från aktieägare till innehavare av skuldförbindelser, såsom obligationsägare och banker på grund av amorteringar och räntekostnader (Titman & Wessels, 1988; Huang & Song, 2006). Företag med tillväxtmöjligheter föredrar således att finansiera lönsamma investeringar med antingen emittering av nytt aktiekapital eller balanserade vinstmedel, detta för att säkerställa att lönsamheten av investeringarna i större utsträckning tillfaller aktieägarna (Huang & Song, 2006). Ytterligare en anledning till det negativa sambandet är att framtida tillväxtmöjligheter klassificeras som immateriella tillgångar, som i en situation av ekonomiska problem eller konkurshot riskerar att fördärvas och tappa i värde (Huang & Song, 2006; Morri & Cristanziani, 2009; Bevan & Danbolt, 2002). Utöver att de immateriella tillgångarna, tillväxtmöjligheterna, tappar i värde ökar även de kostnader som är associerade med ekonomiska problem och konkurshot. Enligt Trade- off teorin antas därför företagsledningar minska sin skuldsättning när de förväntar sig hög tillväxt (Antoniou et al., 2008). Trots att de flesta tidigare studier finner en negativ relation mellan tillväxtmöjligheter och skuldsättning, förväntas enligt Pecking- order teorin istället ett positivt samband. Företag med många lönsamma tillväxtmöjligheter kan behöva utfärda externt kapital för att finansiera sina investeringar då interna resurser inte räcker till. När ett företag måste utfärda externt kapital föredras lånefinansiering enligt Pecking- order teorins rangordning. Det här resulterar i att företag med större tillväxtmöjligheter förväntas ha högre skuldsättning, vilket således tyder på ett positivt samband (Antoniou et al., 2008; Frank & Goyal, 2009). Arbetshypotes 4: Gällande tillväxt förväntar vi oss ett negativt samband med ett företags skuldsättning. Trots Pecking- order teorins förväntade positiva samband bygger den här arbetshypotesen på att en majoritet av den tidigare litteraturen vi tagit del av, antingen förväntar sig eller har kommit fram till att detta samband föreligger. 10

16 2.6 Sektorklassificering Frank och Goyal (2009) skriver i sin artikel att den viktigaste faktorn som Rajan och Zingales (1995) missade i sin studie av faktorer som påverkar företags skuldsättning är effekten av sektortillhörighet. Företag inom samma sektor är mer lika varandra och står inför liknande faktorer som påverkar deras finansieringsbeslut (Harris & Raviv, 1991; Bradley et al., 1984). Morri och Cristanziani (2009) finner att företag inom samma sektor har homogena kapitalstrukturer och att detta bland annat är relaterat till att de står inför liknande verksamhetsrisk. Antoniou et al. (2008) framhåller att kapitalintensiva tillverkningsindustrier samt företag som producerar offentliga tjänster, som exempelvis värme och vatten, kännetecknas av högre skuldsättning. Det här samtidigt som högteknologiska industrier och mineralutvinningsindustrier kännetecknas av lägre skuldsättning. Mer specifikt är det faktorer som konkurrenssituation, lönsamhet, risker, teknologi, regleringar och olikheten i karaktären av tillgångar som ofta skiljer sig mellan olika sektorer och som påverkar företags skuldsättning (Frank & Goyal, 2009). Två andra faktorer som kan skilja sig mellan olika sektorer och påverka ett företags finansieringsmöjligheter är dess förutsättning att ta in kapital från kapitalmarknaden (Balakrishnan & Fox, 1993), samt enskilda sektorers tillväxt (Miao, 2005). Balakrishnan och Fox (1993) belyser också faktorn marknadskoncentration. Den här faktorn innebär att företag i sektorer med högre marknadskoncentration använder relativt mindre kortfristiga skulder gentemot andra sektorer, vilket gör att dessa företag ses som mindre riskfyllda av långivare. Det resulterar i att företag i sektorer med högre marknadskoncentration ofta kan låna för längre perioder (Balakrishnan & Fox, 1993). Baserat på Pecking- order teorin finns det dock inget direkt samband mellan sektor och skuldsättning. Teorin menar att sektorskillnader i finansieringsunderskott möjligtvis kan fungera som ett riktmärke för företag inom en viss sektor och att detta endast blir ett indirekt samband. Det indirekta sambandet uppstår då finansieringsunderskottet i ett företag beror på hur mycket externt, lånat kapital som ett företag använder för att finansiera sina utgifter, vilket då även påverkar skuldsättningsgraden (Frank & Goyal, 2009). Arbetshypotes 5: Gällande sektorklassificering förväntar vi oss skillnader i de olika sektorernas skuldsättning och att det skiljer sig i hur de olika faktorerna förklarar variationen i skuldsättning inom varje sektor. 11

17 Gällande sektorklassificering kommer vi undersöka skillnader i resultat mellan sektorer och inte några specifika negativa eller positiva samband mellan skuldsättning och sektorklassificering som för tidigare faktorer. Istället genomförs regressionsanalyser inom respektive sektor, vilket ger möjligheten att observera skillnader mellan sektorer. I Tabell 2.1 nedan återfinns våra förväntade samband som bygger på våra arbetshypoteser som presenterats löpande i teoriavsnittet. Tabell 2.1 Sammanfattande teoretisk modell över våra förväntade relationer mellan förklarande faktorer och skuldsättning.!"#$%&'()*#+,('-.&*/+,,(&*012,)0%''&-&3*.45*)+00*6"#1,(#(&)+*6(1'.#+# 7"&0(/5+' 8-,,39&300'#21'2# 7 897"!!"#+'(300'.#, ,,$%:' 7!"#"$%&'(')("*++*,"-*./(')("&/01/-2"1*,%*-2*"34"%0"0/(*,'*++/"*++*,"'00/(*,'*++/"('++.4-./,"/-)5-2&6 3. Undersökning baserad på årsredovisningar och regressioner I följande avsnitt kommer vi att presentera våra motiveringar och antaganden i valet av forskningsmetod. Närmare kommer det redogöras för val av industrier, företag, variabler och tillvägagångssätt för insamling och analys av data. 3.1 Urval av sektorer och företag Vårt val av sektorer är baserad på den indelning som bland annat Nordnet 8 använder sig av och som i sin tur är baserad på den internationella standarden Global Industry Classification Standard (GICS), utvecklad av Morgan Stanley och Standard & Poor s. Vi följer denna klassificering av börsbolag då den har ökat transparensen och effektiviteten i investeringsprocessen, samt skapat gynnsammare förutsättningar för investerares förvaltning och analyser. Den främsta fördelen med GICS är dock de ökade möjligheterna för jämförelser mellan sektorer och industrier samt mellan länder (MSCI & Swedbank, ). En begränsning som användandet av den här indelningen medför är att studien kommer kategorisera företag som är relativt olika inom samma sektor, vilket måste tas i beaktning vid tolkning av resultatet. En mer detaljerad industriklassificering skulle ha kunnat generera en mer nyanserad och detaljerad bild av skillnader i förklaringsgrad hos 8 Nordnet.se 12

18 studiens valda faktorer. Genom att använda den internationella sektorklassificeringen kan vi dock ändå se indikationer på skillnader i olika industrier och företag. Vi öppnar även upp för en jämförelse mellan länder genom att använda den här indelningen. I vår studie har vi använt oss av företag från fem av Stockholmsbörsens totalt tio sektorer. De övriga fem sektorerna uteslöts, varav fyra 9 på grund av för få företag inom dessa. Sektorn Finans och fastighet uteslöts bland annat av den anledningen att finansbolags skuldstruktur inte är jämförbar med icke- finansiella bolag. Dessutom påverkar reglering av bankers minimumkapitalkrav dess kapitalstruktur, vilket skulle försvåra en jämförelse (Rajan & Zingales, 1995; Frank & Goyal, 2009). Eftersom fastighetsbolag ingår i samma sektor som finansbolag exkluderades även dessa. De fem sektorer vi följaktligen har undersökt är Material, Informationsteknik, Sjukvård, Sällanköpsvaror och tjänster och Industrivaror och tjänster. Utifrån de fem valda sektorerna har vi sedan baserat vår studie på 58 företag av Stockholmsbörsens totala 245 företag (Retriever.se, ). De undersökta företagen är jämnt fördelade över de fem sektorerna och kan ses i Tabell 3.1. Anledningen till att vi har studerat börsbolag är att det finns lättillgänglig, publik information i form av bland annat årsredovisningar för flera år tillbaka. Förutom att de undersökta företagen valdes utifrån de fem ovan nämnda sektorerna genomfördes även urvalet med hänsyn tagen till företagens börsvärde 10. Urvalet gjordes baserat på Stockholmsbörsens storleksindelning i Large Cap, Mid Cap och Small Cap. Det här gjordes för att få med en spridning av företagsstorlek som är en av undersökningens förklarande faktorer. I Bilaga 1 återfinns mer information om urvalsprocessen samt kritik och bortfall. Tabell 3.1 Inkluderade företag i studien uppdelat på valda sektorer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nergi, Telekommunikation och tjänster, Dagligvaror samt Utiliteter. 10 Börsvärdena hämtades från Avanza.se 13

19 3.2 Val av variabler Nedan följer beskrivningar av våra valda variabler och hur vi definierar dessa. Alla variabler förutom tillväxt har två definitioner för att öka trovärdigheten i resultatet som genereras av våra regressionsanalyser. Det här för att flera definitioner ger oss möjligheten att alternera uppsättningen av de oberoende variablerna för att se om det blir någon skillnad i resultat Skuldsättning Innan man undersöker hur företags skuldsättning påverkas av olika faktorer är det väsentligt att reda ut vad begreppet skuldsättning innebär. Den mest allmänt hållna definitionen av skuldsättning är att beräkna det som ett företags totala skulder genom dess totala, bokförda tillgångar (Rajan & Zingales, 1995). En annan definition är att endast ta hänsyn till ett företags långfristiga skulder i beräknandet av skuldsättning. Det här för att man i föregående definition tar hänsyn till företags leverantörsskulder, vilket kan vara missvisande på så sätt att många företag inte använder leverantörsskulder för att finansiera sin verksamhet utan snarare i transaktionssyfte (Rajan & Zingales, 1995). Följaktligen använder vi även långfristiga skulder genom totala, bokförda tillgångar som en definition av skuldsättning. De använda måtten för skuldsättning är baserade på tidigare studier gjorda av Titman och Wessels (1988), Frank och Goyal (2009), Rajan och Zingales (1995) samt Antoniou et al. (2008). Tidigare studier inkluderar även mått på skuldsättning baserat på marknadsvärden, vilket vi i vår studie har bortsett från av flera anledningar. Enligt Myers (1977) fokuserar inte företagsledningar på marknadsvärde av skuldsättning 11, eftersom ett företags skuldsättning bättre förklaras av befintliga tillgångar än av tillväxtmöjligheter som marknadsvärdet baseras på. Vidare diskuterar även Myers att bokfört värde är att föredra av den anledningen att skuldsättning baserat på marknadsvärden är opålitliga som riktmärke för finansiell företagspolicy. Det här för att finansiella marknader fluktuerar kraftigt och därmed påverkar ett företags skuldsättning. Ytterligare en anledning till att vi använder bokfört värde är att korrelationen mellan bokfört värde och marknadsvärde av skulder är mycket stark. Det här innebär att skillnader i resultat mellan att använda bokfört värde och marknadsvärde av skulder skulle bli mycket små (Titman & Wessels, 1988). Titman och Wessels (1988) förväntar sig inte heller någon större skillnad i korrelationen mellan ett företags skuldsättning och dess 11 Skuldsättningsgrad baserat på marknadsvärde innebär att man i nämnaren använder Marknadsvärde av eget kapital + Bokfört värde av skulder (Antoniou et al., 2008, s. 87). 14

20 förklarande variabler, oavsett om de använder bokfört värde eller marknadsvärde av skulder Tillgångsstruktur Det ena måttet på tillgångsstruktur har vi definierat som immateriella tillgångar genom totala, bokförda tillgångar. Det andra måttet är materiella tillgångar (maskiner, byggnader och inventarier) genom totala, bokförda tillgångar. Det första valda måttet för tillgångsstruktur är baserat på Titman och Wessels (1988), medan det andra valda måttet även baseras på studier gjorda av bland annat Rajan och Zingales (1995), Frank och Goyal (2009) samt Bevan och Danbolt (2002). Genom att använda dessa två mått för tillgångsstruktur får vi med två olika samband mellan tillgångsstruktur och skuldsättning Lönsamhet Det första måttet på lönsamhet beräknas genom att ta rörelseresultat dividerat med omsättning, medan vi i det andra måttet istället använder oss av totala, bokförda tillgångar i nämnaren. Måtten för lönsamhet stöds av studier gjorda av Titman och Wessels (1988), Morri och Cristanziani (2009) och Antoniou et al. (2008). Genom att använda två mått på lönsamhet tror vi oss kunna säga mer om lönsamhet som förklarande variabel för ett företags skuldsättning Företagsstorlek Företagsstorlek har vi mätt genom att ta den naturliga logaritmen av såväl omsättning som totala, bokförda tillgångar. De här måtten baserar vi som tidigare mått på ett flertal studier, bland annat Titman och Wessels (1988), Huang och Song (2006) och Antoniou et al. (2008). Orsaken till att vi logaritmerar omsättningen och de totala tillgångarna är för att vi antar att effekten av företagsstorlek på skuldsättning inte är linjär (Huang och Song, 2006). Genom att logaritmera gör vi företagsstorlek jämförbart och mätbart i den linjära regressionsmodellen vi använder Tillväxt För variabeln tillväxt har vi i vår regressionsmodell använt ett mått som indikator på tillväxtmöjligheter. Det här måttet är den procentuella förändringen i totala, bokförda tillgångar. Då det här måttet inte tar hänsyn till marknadsvärden riskerar det att ge en mindre bra bild av tillväxtmöjligheters påverkan på ett företags skuldsättning. Market- to- 15

21 book ratio 12 hade varit ett alternativt mått att använda då detta tar hänsyn till marknadsvärdet på ett företags aktiekapital, samt möjliga framtida kassaflöden (Morri och Cristanziani, 2009). Trots detta är procentuell förändring av ett företags totala, bokförda tillgångar en bra indikator på ett företags tillväxtmöjligheter enligt Titman och Wessels (1988), vilket också är det vi eftersträvar med användandet av den här variabeln. Definitioner av studiens använda variabler kan ses i Tabell 3.2 nedan. Tabell 3.2 Definitioner av använda variabler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ektorklassificering Vi har även undersökt sektorklassificering eftersom det i studier av exempelvis Titman och Wessels (1988), Bradley et al. (1984) och Frank och Goyal (2009) framkommer skillnader i skuldsättning och hur olika faktorer påverkar skuldsättningen i olika sektorer. I vår studie baseras skillnader mellan sektorer inte på något mått, utan på skillnader i genomförda regressioner i respektive sektor. Vi kommer istället föra ett jämförande resonemang kring resultaten som vi kommer fram till i vår regressionsanalys. 3.3 Insamlad data baserad på företags årsredovisningar Datainsamlingen för den här studien har baserats på insamling av sekundärdata i form av redovisade siffror i årsredovisningars finansiella rapporter. Den tidsperiod vi baserat vår studie på är femårsperioden 2006 till Vid valet av tidsperiod tog vi hänsyn till börsutvecklingen av Stockholmsbörsen. Den här femårsperioden täcker både en hög- och 12 (Bokfört värde på totala tillgångar Bokfört värde av eget kapital + Marknadsvärde av eget kapital)/bokfört värde av totala tillgångar (Antoniou et al., 2008, s. 88). 16

22 lågkonjunktur, vilket gör att vi hämtar in data för företagen under en hel konjunkturcykel. Det här kan ses i Figur 3.1, där vi har tagit fram Stockholmsbörsens utveckling 13 mellan åren Genom att samla in data för företagen under en konjunkturcykel undviker vi att observera företagen under enbart en hög- eller lågkonjunktur, vilket skulle kunna snedvrida resultatet. Vi är medvetna om att vår valda tidsperiod inkluderar en av de allvarligaste finanskriserna i modern historia, men att göra studien över en annan femårsperiod under talet hade riskerat att inkludera IT- bubblan. Alternativet fanns att välja en ännu tidigare femårsperiod, men vi ansåg inte att det datamaterialet skulle vara relevant för vår studie. Figur 3.1 Börsutveckling mellan 2004 och 2010 för Sverige och USA Årsredovisningar Årsredovisningarna som ligger till grund för datainsamlingen har inhämtats från respektive företags hemsida. För företag där årsredovisningar inte har gått att hitta för alla år på deras hemsida har dessa inhämtats från Bolagsverket via databasen Mediearkivet med Bolagsinformation (Retriever.se, ). Data från 295 årsredovisningar 14 har sammanställts i Excel. De data som har insamlats är respektive företags omsättning, 13 Figuren återspeglar även utvecklingen på den amerikanska börsen, men detta kommer inte att diskuteras i arbetet. Det kommer heller inte att ske någon jämförelse mellan den svenska och den amerikanska börsen. 14 Endast data från 290 årsredovisningar användes i analysen, se Bilaga 1. 17

23 rörelseresultat, totala skulder, långfristiga skulder, totala tillgångar, materiella tillgångar och immateriella tillgångar för respektive år. Baserat på dessa data har vi räknat ut våra olika variabler, både för varje enskilt år samt ett genomsnitt för tidsperioden för respektive företag. För att försäkra oss om att våra uträkningar var korrekta genomförde vi en styrd stickprovsundersökning där vi kontrollräknade alla variabler för respektive år för två företag inom varje sektor. Sammanlagt kontrollräknades 540 uträkningar av 3 186, vilket är cirka 17 procent. För årsredovisningar där koncernens finansiella ställning har redovisats i annan valuta än svenska kronor har växelkursen för balansdagen använts för att omvandla dessa valutor till svenska kronor. Dessa växelkurser har inhämtats från Riksbankens hemsida och kan ses i Tabell 3.3 nedan (Riksbank.se, ). Tabell 3.3 Använda balansdagsväxelkurser / !""#!""$!""%!""&!""'!"(" )*+,!"#$%%!"%&%%!"#'$& (%"!$&& (%"$&$%!"%%)% *-. '"!&)& *"+')& *"#*'& '"'&)& '")()& *"+%)& 3.4 Data analyserad genom multipel regressionsanalys Vi har valt att genomföra våra analyser av datamaterialet genom att göra regressionsanalyser i statistikprogrammet SPSS. Närmare bestämt ska vi genomföra standardiserad multipel regressionsanalys som är en mer utvecklad form av korrelation 15. Jämfört med andra multipla regressionsmodeller används alla variabler i modellen samtidigt. Multipel regressionsanalys innebär att man testar hur två eller flera oberoende variabler förklarar en beroende variabel (Pallant, 2010, s. 104; Körner & Wahlgren, 2006, s. 386). Multipel regressionsanalys är den mest lämpade metoden att använda i vår typ av undersökning, då flera faktorer ska testas samtidigt. Genom att genomföra vår regressionsanalys kommer vi bland annat att undersöka determinationskoefficienten, R 2, som vid multipel regressionsanalys visar hur stor del av variationen i den beroende variabeln som kan förklaras av två eller flera oberoende variabler (Körner & Wahlgren, 2006, s. 386). För regressioner inom varje sektor kommer vi redovisa Adjusted R square som visar förklaringsgraden justerad efter att antalet 15 För närmare beskrivning av korrelation, se Ne.se 18

24 observationer inom varje sektor är färre än för den totala undersökningen (Pallant, 2010, s ). Determinationskoefficienten, även den justerade, visar på styrkan i sambandet mellan variablerna och kan anta ett värde mellan 0 och 1. Ett värde på 0 innebär att inget av variationen i den beroende variabeln kan förklaras av de oberoende, medan ett värde på 1 betyder att all variation kan förklaras av de oberoende variablerna (Saunders et al., 2009, s. 599). Determinationskoefficienten benämns i empirin som förklaringsgrad. Utöver determinationskoefficienten kommer vi även att titta på analysens Beta- värden, som kan anta värden mellan - 1 och 1, samt de kvadrerade Part- värdena. Beta- värdet ger oss en bild av hur stark korrelationen mellan de enskilda, oberoende variablerna är med skuldsättningsgraden. Part- värdet visar hur stort varje oberoende variabels bidrag är till den totala förklaringsgraden av variablerna tillsammans (Pallant, 2010, s. 148). Dessa två värden kommer också att diskuteras utifrån statistisk signifikans. Utförandet av regressionsanalyserna kommer att ske i flera steg. Först kommer resultatet av regressionerna att presenteras då vi både har alternerat definitionen av den beroende variabeln skuldsättning i modellen, samt de två olika uppsättningarna av oberoende variabler. 16 En begränsning i regressionsanalyserna är att vi endast testar de oberoende variablerna genom att alternera dem i två uppsättningar. Resultatet från regressionsanalyserna fortsätter sedan att presenteras utifrån samma uppsättning regressioner, men uppdelat på de fem valda sektorerna för att kunna undersöka eventuella skillnader i de oberoende variablernas förklaringsgrad samt den totala förklaringsgraden. I presentationen av regressionsmodellens resultat kommer vissa delar som ovan nämnt behandlas utifrån statistisk signifikans. Enligt Pallant (2010, s. 125) ska resultatet av att något är signifikant behandlas med försiktighet, då korrelationskoefficienter som i vår modell kan uppnå statistisk signifikans även för relativt låga värden. Det här på grund av ett stort antal observationer. Trots att detta kan vara relevant ur ett teoretiskt perspektiv kan det ur ett praktiskt perspektiv vara mindre värdefullt. Det här har tagits i beaktning i behandlingen av vårt resultat och i vår analys. Därför kommer signifikansnivån i större utsträckning endast användas för att jämföra skillnader mellan de oberoende variablerna och inte för att dra några generella statistiska slutsatser. Att något är statistiskt signifikant innebär, något förenklat, att resultatet av analysen är statistiskt säkerställt. Ett annat perspektiv på signifikans är att man genom att undersöka om något är signifikant gör en trovärdighetsbedömning av resultatet. Närmare bestämt trovärdigheten av att det resultat 16 Uppsättning 1 = Tillgångsstruktur 1, Lönsamhet 1, Företagsstorlek 1 och Tillväxt. Uppsättning 2 = Tillgångsstruktur 2, Lönsamhet 2, Företagsstorlek 2 och Tillväxt. 19

25 eller utfall man observerar baserat på sitt stickprov är representativt för den större bakomliggande populationen, och att slumpen inte har påverkat (Körner & Wahlgren, 2005, s. 127). Där det är möjligt kommer vi att jämföra vårt resultat med tidigare studiers för att kunna dra slutsatser Antaganden för multipel regressionsanalys Multipel regressionsanalys bygger på ett flertal antaganden av den underliggande data som regressionsanalysen bygger på. I Bilaga 2 finner ni beskrivningar av de olika antagandena samt hur dessa testats och eventuellt påverkat vårt resultat. 4. Presentation och analys av regressionernas resultat I följande avsnitt kommer vi att presentera resultatet från våra regressionsanalyser på insamlad data. Avsnittet börjar med en presentation av medelvärden för samtliga variabler. Illustrationen av medelvärden sker både uppdelat i sektorer och för alla observationer totalt. Avsnittet fortskrider med resultatet från regressionsanalyserna, där hänsyn först tagits till det totala antalet observationer. Efter detta redovisas resultatet av regressionsanalyserna för respektive sektor. Analys av det empiriska resultatet kommer delvis att genomföras löpande, samt i ett avslutande avsnitt för att för läsaren förenkla resultatets innebörd. 4.1 Medelvärden för undersökta variabler I Figur 4.1 och Figur 4.2 nedan illustreras medelvärden av skuldsättning inom varje sektor, samt totalt för alla observationer. Utifrån dessa går det att utläsa att det är variation i skuldsättning mellan de olika sektorerna för båda definitionerna av variabeln. Variationen är dock större när skuldsättningsgraden bygger på företagens långfristiga skulder genom deras totala, bokförda tillgångar än när den baseras på totala skulder. Totalt sett för alla observationer hamnar medelvärdena för skuldsättningsgraden på 52,8 procent och 21,3 procent för definition ett respektive två av skuldsättning. (Observera att de båda figurernas y- axlar har olika maxvärden). 20

26 Figur 4.1 Medelvärden av totala skulder (Totala skulder/totala tillgångar) Figur 4.2 Medelvärden av långfristiga skulder (Långfristiga skulder/totala tillgångar) Illustrationen av medelvärdena ovan ger en antydan på att skillnaderna i sektorerna kan förklaras av olika faktorer och sektorspecifika förutsättningar. Om vi jämför resultatet i figurerna ovan med medelvärdena för respektive oberoende variabel i Tabell 4.1 nedan, 21

27 kan man se en indikation på hur de olika variablerna kan tänkas påverka skuldsättningsgraden i de olika sektorerna. Tabell 4.1 Medelvärden för de oberoende variablerna sektorsvis och totalt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ill att börja med kan vi jämföra medelvärdet för andelen skulder med hur tillgångsstrukturen skiljer sig mellan de olika sektorerna. Här går det att urskilja att sektorerna Informationsteknik och Sjukvård, som i genomsnitt har stor andel immateriella tillgångar och liten andel materiella tillgångar, har en mindre genomsnittlig andel skulder. Det här är tydligast för den skuldsättningsgrad som är baserad på långfristiga skulder. I kontrast till detta har sektorerna Material och Industrivaror och tjänster störst andel materiella tillgångar samtidigt som de har den högsta skuldsättningsgraden. Det här tyder enligt oss på att det förekommer både ett positivt och ett negativt samband mellan tillgångsstruktur och skuldsättning. Det positiva sambandet är en tolkning av att sektorerna med större andel materiella tillgångar också har en högre skuldsättning, medan det negativa sambandet illustreras av att sektorerna med en större andel immateriella tillgångar också har en lägre skuldsättning. Baserat på figurerna och tabellen ovan ger också den genomsnittliga företagsstorleken inom varje sektor en indikation på att eventuellt fungera som en förklarande variabel för skuldsättningsgrad. Företagsstorleken är i genomsnitt störst inom sektorerna Material och Industrivaror och tjänster, där också den genomsnittliga skuldsättningen är högst. Lägst genomsnittlig företagsstorlek har sektorerna Informationsteknik och Sjukvård, där skuldsättningsgraden i genomsnitt också är lägst. Det här indikerar enligt oss därför på ett positivt samband mellan ett företags storlek och skuldsättning. 22

28 Den genomsnittliga tillväxten inom varje sektor varierar kraftigt. Tillväxten är störst inom sektorerna Informationsteknik och Sjukvård och betydligt lägre i övriga sektorer. Det här ger en indikation på att vårt förväntade negativa samband mellan tillväxt och skuldsättning stöds av insamlad data då sektorerna Informationsteknik och Sjukvård även har lägst skuldsättningsgrad. De nämnda indikationerna som bygger på framtagen deskriptiv statistik av medelvärden, ser för de flesta variablerna ut att vara i linje med vad flera tidigare studier samt vad våra förväntningar säger om sambandet mellan variablerna och företags skuldsättning. För variabeln lönsamhet går det dock inte att endast på den deskriptiva statistiken se någon tydlig indikation på vilken relation den har till företags skuldsättning. Därför fortskrider vi med att presentera resultatet från genomförda regressionsanalyser för att kunna ge en tydligare och bättre bild över de oberoende variablernas förklaringsmöjligheter av variationen i företags skuldsättningsgrad. 4.2 Regressionsanalys för totala observationer Utifrån nedanstående resultat från de fyra genomförda regressionsanalyserna som redovisas i Tabell 4.2, ser vi att de oberoende variablerna kan förklara en del av variationen i företags skuldsättning. Av detta resultat går det att se att förändringen i förklaringsgraden för skuldsättning är relativt liten, när vi alternerar uppsättningen av de oberoende variablerna i regressionsmodellen. Desto större blir förändringen i förklaringsgraden när vi alternerar den beroende variabeln skuldsättning. Vid användandet av definition två av skuldsättning, då andel långfristiga skulder används, ökar förklaringsgraden med cirka 11 respektive 14 procentenheter beroende på vilken av de två uppsättningarna av oberoende variabler som används. Tabell 4.2 Regressionsanalysernas uppmätta determinationskoefficient, R &&*4)&5)5$6&23)5&,#007'((5,893"$53*)+&+35%!"#$%#&'#()*$+*",#$!"#$%&'(()*)+,-!"#$%&'(()*)+,. /00&'(()*)+,-!"#$%&'( )*+,-. )*-)/.! )*00) )*110 /00&'(()*)+,.!"#$%&'( )*+20. )*-)-.! )*0)1 )*11+."3" &7:";<"8(=;'>?(7:#75@<7!""#$%%&'&()*)+),'--(.&(##%/01%0/)*2)34&#5678%)*2)94/8%5(##%:/-81)*):;7),'--<$=%>!""#$%%&'&()?)+),'--(.&(##%/01%0/)?2)34&#5678%)?2)94/8%5(##%:/-81)?):;7),'--<$=%> 23

29 Baserat på de första fyra regressionsanalyserna kan vi konstatera att de oberoende variablernas förklaringsgrad för variationen i företags skuldsättningsgrad, är beroende av definitionen av variabeln skuldsättning. Det här ser ut att innebära att våra fyra faktorer tillgångsstruktur, lönsamhet, företagsstorlek och tillväxt i större utsträckning kan förklara variationen i företags andel långfristiga skulder, än vad de kan förklara variationen i dess totala skulder. Eftersom skillnaden mellan ett företags totala skulder och dess långfristiga skulder är dess kortfristiga skulder, är vår tolkning att studiens fyra faktorer inte i lika stor utsträckning kan förklara variationer i företags kortfristiga skulder. Det här skulle enligt oss kunna vara orsaken till varför en lika hög förklaringsgrad inte uppnås för den första definitionen av skuldsättning, som baseras på företagens totala skulder. För att uppnå en högre förklaringsgrad för företags totala samt kortfristiga skulder ser det ut att krävas andra eller fler faktorer. I tabellen ovan går det att utläsa att den uppnådda förklaringsgraden för variationen i ett företags totala skulder, som är täljaren i den första definitionen av skuldsättning, uppgår till 19,3 respektive 16,4 procent. De olika procentsatserna är ett resultat av alterneringen mellan användandet av den första och den andra uppsättningen av de oberoende variablerna i regressionsmodellen. De redovisade förklaringsgraderna på 30,7 respektive 30,3 procent uppnås genom att använda definition två av skuldsättning i regressionsmodellen. Den första procentsatsen är ett resultat av användandet av den första uppsättningen 17 av de oberoende variablerna, medan den på 30,3 procent uppkommer vid användandet av den andra uppsättningen 18 av de oberoende variablerna. Vid en jämförelse mellan vårt resultat och de tidigare nämnda resultaten från studier genomförda av Frank och Goyal (2009) och Rajan och Zingales (1995), kan vi säga att vårt resultat är i linje med deras. Våra uppmätta förklaringsgrader varierar mellan 16,4 och 30,7 procent, vilket kan ställas i relation till Rajan och Zingales (1995) resultat som varierar mellan 5 och 30 procent, samt Frank och Goyals (2009) förklaringsgrad på 27 procent. 17 Uppsättning 1 = Tillgångsstruktur 1, Lönsamhet 1, Företagsstorlek 1 och Tillväxt. 18 Uppsättning 2 = Tillgångsstruktur 2, Lönsamhet 2, Företagsstorlek 2 och Tillväxt. 24

30 Tabell 4.3a Oberoende variablers individuella relation till skuldsättning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ästa steg i presentationen av regressionsanalysen är de oberoende variablernas unika relation till variabeln skuldsättning, samt deras bidrag till modellens totala förklaringsgrad av variationen i företags skuldsättning. I Tabell 4.3a där resultatet av de två genomförda regressionerna med skuldsättning 1 som den beroende variabeln redovisas, har företagsstorlek det högsta beta- värdet på 0,423 respektive 0,348. Beta- värdet säger oss hur stark, unik korrelation företagsstorlek har till den beroende variabeln skuldsättning. Företagsstorlek är den enda variabeln som kan uppvisa tillräckligt stark relation till skuldsättning 1 för att vara statistiskt signifikant (Sig.<0,001). För de andra variablerna råder lägre korrelation till förklaringen av skuldsättning baserat på deras beta- värden. Vid användandet av variabeln tillgångsstruktur 2 ges dock en signifikant korrelation på 0,127 (Sig.<0,05). Vid jämförelse av de kvadrerade part- värdena kan vi också utläsa att varje enskild variabels bidrag till de två totala förklaringsgraderna är lågt, förutom för företagsstorlek som står för den större delen av förklaringen. Trots svaga korrelationer och bidrag till den totala förklaringsgraden, följer alla variabler förutom lönsamhet 1 och tillgångsstruktur 1 våra förväntade samband. 25

31 Tabell 4.3b Oberoende variablers individuella relation till skuldsättning 2 BC*$?*6D*&4#$,#C<*$'&,6D,4,D)*<<#&$*<#%,?6&%,<<&'>)<D'5%%6,6- +>)<D'5%%6,6-&A! "#$%&'()#$* +,-. /01 23$456%#%&/01 736'#89*%&:!"#"$% "#"""&'& "#&"(!! ;,<<-=6-''%$)>%)$&: "#$'& "#"'"')& "#""" *! 23$*%#-''%?$<*>&: "#)+, "#$$)&$) "#""" * * ;,<<45@% "#"&" "#""--&( "#$-% *! 736'#89*%&A!"#"', "#""),$, "#++,!! ;,<<-=6-''%$)>%)$&A "#$"- "#"-&(%+ "#""" * * 23$*%#-''%?$<*>&A "#('- "#+,&$(, "#""" * * ;,<<45@% "#++" "#"++&&( "#"-" *!./0/ /:45569/49;<85=/2>43249=4/?6386>45/2@A/;<B5=;C77989DE F637/;GB634/0/H63I4/49;<85=/?6386>45;/>8=36D/7855/34D34;;829;:2=45549;/727656/JK3<56389D;D36=/LM4/N6>455/(E$OE M8DE/0/M8D98J8<69;98?PE/Q7J65547;/732?C3=8DA47;>4=K:989DE *R!/0/S>;43?436=/ /:45569/;<B5=;C77989D/2@A/2>43249=4/?6386>45E TK3?C9767/*R!/0/TK3?C976=/ /:45569/;<B5=;C77989D/2@A/2>43249=4/?6386>45E I Tabell 4.3b går det att se beta- värden och kvadrerade part- värden för regressionsanalyserna då definition två av skuldsättning har använts som beroende variabel. Utifrån de här värdena kan vi konstatera att både företagsstorlek och tillgångsstruktur har en signifikant korrelation till skuldsättning (Sig.<0,001). Både företagsstorlek och tillgångsstruktur ger också signifikanta bidrag till de totala förklaringsgraderna. För definition två av tillgångsstruktur stämmer relationerna överens med våra förväntade och detta på en signifikant nivå. Förvånande är dock den positiva relationen mellan definition ett av tillgångsstruktur och skuldsättning, som går emot vår förväntade. I förhållande till definition två av skuldsättning är den positiva korrelationen till och med signifikant. Vid användandet av uppsättning två av de oberoende variablerna uppnår även tillväxt en signifikant korrelation till variabeln skuldsättning. Resultatet innebär även att tillväxt uppvisar ett signifikant bidrag till modellens totala förklaringsgrad (Sig.<0,05). Denna relation går dock emot vår förväntade då en positiv relation mellan tillväxt och skuldsättning ser ut att gälla. Den enda oberoende variabel som i alla regressionsanalyser resulterar i vårt förväntade samband är företagsstorlek. Denna variabel uppvisar ett positivt samband och har dessutom det enskilt starkaste bidraget till modellens totala förklaringsgrad. 26

32 För att öka studiens trovärdighet genomfördes ytterligare regressionsanalyser som inte har presenterats i den här resultatdelen. Först och främst genomfördes ett test då vi använde skuldsättning som eftersläpande variabel. Tanken med detta var att ett företags skuldsättning påverkas vid ett senare tillfälle än när faktorerna i sig förändras. Det här gäller framförallt lönsamhet som vi anser borde ha en förskjuten påverkan på skuldsättning, då företag borde korrigera skuldsättningen efter att helårets resultat är fastställt. Regressionsanalys genomfördes även för de framräknade genomsnitten, men då ingen av dessa två regressioner visade på någon större skillnad i resultat valdes de att inte presenteras. 4.3 Regressionsanalyser för respektive sektor Tabell 4.4 Regressionsanalysernas uppmätta förklaringsgrad inom respektive sektor 12+32&&*4)&5)5$6&23)5&,#007'((5,893"$53*)+&+35%,*)47,32&02"(*:2,&2"(43!"#$%&'()$"*(+,"),!"#$%&'(()*)+,-!"#$%&'(()*)+,. /00&'(()*)+,-!"#$%&'"()(%*$+,' -.-/ ) -./ /00&'(()*)+,.!"#$%&'"()(%*$+,' /13 ) '(+%)'.!"#$%&'(()*)+,-!"#$%&'(()*)+,. /00&'(()*)+,-!"#$%&'"()(%*$+,' /3 ) /00&'(()*)+,.!"#$%&'"()(%*$+,' ) /01,23%4!"#$%&'(()*)+,-!"#$%&'(()*)+,. /00&'(()*)+,-!"#$%&'"()(%*$+,' /03 ) /00&'(()*)+,.!"#$%&'"()(%*$+,' ) !"41*(%)2'%$%5$675(08"*(+%!"#$%&'(()*)+,-!"#$%&'(()*)+,. /00&'(()*)+,-!"#$%&'"()(%*$+,' /53 ) /5 /00&'(()*)+,.!"#$%&'"()(%*$+,' -.68/ ) /8..'",9:*2'%$%5$675(08"*(+%!"#$%&'(()*)+,-!"#$%&'(()*)+,. /00&'(()*)+,-!"#$%&'"()(%*$+,' -./483 -./063 ) /00&'(()*)+,.!"#$%&'"()(%*$+,' -.02/3 -./463 ) (9(:;<=;>;?+=&(@A(>'B@,CD'=&%=;EA=!""#$%%&'&()*)+),'--(.&(##%/01%0/)*2)34&#5678%)*2)94/8%5(##%:/-81)*):;7),'--<$=%>!""#$%%&'&()?)+),'--(.&(##%/01%0/)?2)34&#5678%)?2)94/8%5(##%:/-81)?):;7),'--<$=%> 27

33 4.3.1 Informationsteknik Från Tabell 4.4 ovan går det att utläsa de uppmätta förklaringsgraderna och korrelationskoefficienterna för den berörda sektorn Informationsteknik. En tydlig skillnad i förklaringsgrad går att utläsa för skuldsättning 1, beroende på vilken uppsättning av oberoende variabler som används i modellen. Vid uppsättning 1 uppgår förklaringsgraden endast till 3 procent, medan den uppgår till 15,9 procent om uppsättning 2 används. För definition 2 av skuldsättning blir den här skillnaden mindre, samtidigt som de totala förklaringsgraderna blir betydligt starkare. Förklaringsgraderna uppgår nu till 46,7 procent respektive 43,6 procent. Likt regressionerna för de totala observationerna, uppnås en högre förklaringsgrad av variationerna i företagens långfristiga skulder än i deras totala skulder. De enskilda variablernas korrelation med skuldsättning och bidrag till modellens totala förklaringsgrader varierar. I Bilaga 3, Tabell 4.5a och 4.5b går det att utläsa att de oberoende variablernas betydelse som förklarande faktorer blir starkare vid definition 2 av skuldsättning. Analysen ger oss på femprocentsnivån ett signifikant resultat för lönsamhet 2, tillgångsstruktur 1 och 2, samt företagsstorlek 1 och 2. Intressant att notera är att både materiella och immateriella tillgångar är starkt positivt korrelerade med skuldsättning 2, där den senare går emot våra förväntningar. Immateriella tillgångars bidrag till modellens totala förklaringsgrad är cirka 31,7 procent, vilket kan jämföras med materiella tillgångars bidrag på cirka 24,1 procent Material I sektorn Material finner vi ingen större skillnad i resultatet av regressionsanalyserna när det gäller den totala förklaringsgraden. Regressionsmodellens totala förklaringsgrad varierar mellan 14,3 procent och 21,1 procent när vi alternerar de oberoende variablerna och definitionen av skuldsättning. Tvärtemot sektorn Informationsteknik uppvisas en något högre förklaringsgrad för definition 1 av skuldsättning. Skillnader uppstår däremot när vi ser till de oberoende variablernas relation till skuldsättningsdefinitionerna och den totala förklaringsgraden, vilket kan ses i Bilaga 3. Något intressant att lyfta fram ur resultatet är först och främst lönsamhets relativt starka, negativa korrelation samt dess bidrag till den totala förklaringsgraden vid definition 1 av skuldsättning, vilket överensstämmer med våra förväntningar. Nästa resultat värt att påpeka är den negativa relationen som har uppstått mellan företagsstorlek och skuldsättning 1. För skuldsättning 2 däremot blir denna relation ungefär lika stark men positiv. Det här indikerar att företagsstorlek följer våra förväntningar i relation till 28

34 långfristiga skulder. I sin tur kan den negativa relationen till variationen i totala skulder betyda att större företag tar på sig mindre andel kortfristiga skulder. Ytterligare två intressanta resultat att lyfta fram berör variablerna tillgångsstruktur och tillväxt. I Tabell 4.2 går det att observera att sektorn Material har den största andelen genomsnittliga materiella tillgångar, men inget signifikant samband uppnås med de två definitionerna av skuldsättning. Det här går emot våra förväntningar på så sätt att vi hade förväntat oss att sektorn Material, med en stor andel materiella tillgångar, skulle uppvisa en stark relation mellan variabeln tillgångsstruktur 2 och variationen i skuldsättning. När det gäller tillväxt går den observerade positiva relationen till skuldsättning emot våra förväntningar i alla fyra fall Sjukvård I alla fyra fall av regressioner i sektorn Sjukvård uppnås en hög total förklaringsgrad hos de fyra oberoende variablerna, vilket kan ses i Tabell 4.4. Om vi går vidare till Tabell 4.5a och 4.5b i Bilaga 3, ser vi ett intressant resultat för variabeln tillgångsstruktur. Resultatet av regressionen visar en positiv relation mellan företags immateriella tillgångar och skuldsättning vilket går emot det förväntade sambandet. Den här relationen är speciellt stark för definition 2 av skuldsättning där den positiva korrelationen uppgår till 41 procent. Även relationen mellan de materiella tillgångarna och skuldsättning går emot våra förväntningar då ett relativt starkt negativt samband går att observera. Den ensamt starkaste förklarande variabeln är företagsstorlek som visar på ett positivt samband i alla fyra regressioner, vilket följer våra förväntningar. Företagsstorleks bidrag till den totala förklaringsgraden varierar mellan 21,8 procent och 67,2 procent. Lönsamhet är i alla regressioner negativt relaterad till skuldsättning, vilket även här följer förväntningarna. Intressant är dock den högre, signifikanta korrelationen mellan lönsamhet och totala skulder, som är definition 1 av skuldsättning. Enligt oss ser det här ut att ge en indikation på att lönsamhet kan tänkas vara starkare relaterad till variationen i företags kortfristiga skulder, som är inkluderade i totala skulder. Avslutningsvis för sektorn Sjukvård uppvisar variabeln tillväxt ett positivt samband i tre av fyra fall, vilket återigen går emot våra förväntningar Industrivaror och tjänster I Tabell 4.4 visar resultaten att våra fyra oberoende variabler i större utsträckning kan förklara sektorns variation i skuldsättning enligt definition 1, än i definition 2. För 29

35 definition 1 uppgår förklaringsgraden till 47,9 respektive 52,3 procent, medan siffrorna för skuldsättning 2 är 23,9 respektive 20,7 procent. I Bilaga 3 går det, likt sektorn Sjukvård, att observera en positiv relation mellan företags immateriella tillgångar och skuldsättning enligt båda definitionerna. Däremot till skillnad från sektorn Sjukvård uppvisas även en positiv relation mellan företags materiella tillgångar och skuldsättning enligt definition 1. Skillnaden mellan sektorerna skulle kunna förklaras i den skilda tillgångsstrukturen. Företagen i sektorn Industrivaror och tjänster har, baserat på medelvärdena i Tabell 4.1, ungefär lika stor andel materiella som immateriella tillgångar, medan företag i sektorn Sjukvård har en väsentligt större andel immateriella tillgångar. Ytterligare en likhet med sektorn Sjukvård, som går att observera i Bilaga 3, är det relativt starka negativa sambandet mellan lönsamhet och skuldsättning enligt definition 1. Som nämnt i samband med sektorn Sjukvård indikerar detta på att lönsamhet är starkare negativt relaterat till variationen i företags andel kortfristiga skulder Sällanköpsvaror och tjänster Förklaringsgraden varierar inte i någon större utsträckning mellan regressionerna. Undantagsfallet är då uppsättning 2 av de oberoende variablerna och skuldsättning 1 har använts i regressionsmodellen. Förklaringsgraden av denna regression uppgår till 47,3 procent medan övriga regressioner genererar en förklaringsgrad på mellan 31,2 respektive 34,5 procent. I Bilaga 3 går det att utläsa att jämfört med tidigare sektorer har företagsstorlek inte lika stark relation och förklaringsstyrka för företags skuldsättning. Desto starkare korrelation och större bidrag till den totala förklaringsgraden ger variabeln lönsamhet, oavsett definition av variabeln lönsamhet och av skuldsättning. Tillgångsstrukturen visar i tre av fyra regressioner upp en svag men positiv korrelation. I det fjärde fallet då immateriella tillgångar används i förhållande till skuldsättning 2 uppnås en signifikant positiv korrelation och bidrag till den totala förklaringsgraden. Resultatet talar återigen emot våra förväntningar på ett negativt samband mellan immateriella tillgångar och skuldsättning. Trots en svag korrelation uppvisar tillväxt en negativ relation till skuldsättning i alla regressioner, vilket motsvarar våra förväntningar på sambandet. Totalt sett följer alla relationer våra förväntningar inom sektorn, förutom tillgångsstruktur 1 som uppvisar ett positivt samband istället för negativt. 30

36 4.4 Sammanfattande analys av faktorernas förklaringskapacitet Vid en jämförelse mellan vårt resultat och de tidigare nämnda resultaten av Frank och Goyal (2009) och Rajan och Zingales (1995), visar vår studie likt deras att företags tillgångsstruktur, lönsamhet, storlek och tillväxt tillsammans kan förklara en stor del av variationen i skuldsättning. Det här gäller speciellt då vi i studien använt faktorerna som förklaring av variationen i de undersökta företagens långfristiga skulder. Eftersom vårt resultat inte skiljer sig i någon större utsträckning från tidigare studiers resultat, kan vi inte ge någon ny eller förbättrad bild av hur våra faktorer förklarar företags val av kapitalstruktur. Det vi kan säga är dock att våra faktorer ser ut att spela en lika stor roll för svenska företags kapitalstrukturer som för företag i andra länder. Det som är intressant med vårt resultat är skillnaden i hur våra faktorer kan förklara variationen i totala skulder och långfristiga skulder. Vår tolkning av det här resultatet är att det är andra faktorer som är mer avgörande i förklaringen av ett företags kortfristiga skulder, detta för att karaktären på kortfristiga och långfristiga skulder till stor del skiljer sig och ofta används för olika syften. Exempelvis används kortfristiga skulder till större del i ett företags löpande transaktioner, medan långfristiga skulder oftare används för nya och större investeringar. Därför borde den förklaringsgrad som uppnås med totala skulder bero på att långfristiga skulder även är inkluderade i dessa. För att bättre förstå innebörden av vårt resultat kommer vi i följande avsnitt att analysera studiens valda faktorer separat. Analys av sektorskillnader kommer också att göras Tillgångsstruktur Vår studies resultat visar att det råder ett samband mellan de observerade företagens tillgångsstrukturer och variationen i skuldsättning. I våra förväntningar, som framkom i vår teoretiska modell och i våra arbetshypoteser, hade vi både en positiv och en negativ förväntning mellan företags tillgångsstruktur och skuldsättning. Ett positivt samband förväntades mellan större andel materiella tillgångar och skuldsättning medan ett negativt samband förväntades mellan större andel immateriella tillgångar och skuldsättning. Som framkommer i resultatet i Tabell 4.3a och Tabell 4.3b, råder det inget negativt samband mellan tillgångsstruktur och variationen i skuldsättning. Endast positiva samband förekommer men med varierande styrka. Utifrån vårt resultat kan vi dra ett flertal paralleller till den behandlade teorin och tidigare studier. Det framkomna positiva sambandet mellan större andel materiella tillgångar och skuldsättning kan tänkas bero på att materiella tillgångar faktiskt fungerar som säkerhet vid belåning. Den här ökade 31

37 säkerheten har enligt oss sin grund i att materiella tillgångar är lättare för exempelvis kreditgivare att värdera, samt att de materiella tillgångarna behåller mer i värde vid en eventuell likvidation. Det här ökar chansen för långivare att få tillbaka det de har lånat ut. Eftersom vårt resultat visar på ett positivt samband kan vi i den här studien utesluta Pecking- order teorins förväntning om ett negativt samband mellan större andel materiella tillgångar och skuldsättning. Som vi presenterat i teoriavsnittet menar Pecking- order teorin att med den lägre informationsasymmetrin, som genereras av att en större andel av företags tillgångar är materiella, blir det mindre kostsamt för företag att emittera nytt aktiekapital. Alltså borde en större andel materiella tillgångar i ett företag också innebära att de i lägre utsträckning använder sig av lånefinansiering, men detta finner vi inget stöd för i vår studie. I vårt framkomna resultat finner vi stöd för vår första arbetshypotes gällande materiella tillgångars positiva relation till skuldsättning. Den mest intressanta parallellen vi anser kan dras till teoriavsnittet om tillgångsstruktur gäller resultatet kring immateriella tillgångars relation till skuldsättning. Som framkommit i majoriteten av den behandlade litteraturen förväntas en större andel immateriella tillgångar vara negativt relaterat till skuldsättning. I vår studie finner vi dock en positiv relation mellan immateriella tillgångar och skuldsättning. Resultatet innebär att vår arbetshypotes gällande immateriella tillgångar inte infrias. Vårt resultat finner istället stöd i Balakrishnan och Fox resonemang kring immateriella tillgångars positiva relation till variationen i skuldsättning. De menar att en förändrad bild på immateriella tillgångar har vuxit fram, där utomstående aktörer värderar och tar hänsyn till immateriella tillgångar på ett sätt som går emot tidigare uppfattning av dessa tillgångar. Att som företag investera i immateriella tillgångar kan enligt dem ses som ett åtagande att vara en aggressiv konkurrent på marknaden, vilket av långivare ses som en viss säkerhet vid en eventuell utlåning. Därav det positiva sambandet. Detta resonemang stödjer vår studie och speciellt i relationen till företags långfristiga skulder. Vi ser det här resultat som en indikation på att immateriella tillgångars betydelse har ökat i ögonen hos kreditgivare och investerare och att även dessa tillgångar idag kan ses som säkerhet vid belåning. En anledning till den ökade betydelsen av immateriella tillgångar tror vi grundar sig i att marknaderna som företagen befinner sig på har blivit alltmer globaliserade. Den ökade konkurrensen och strävan efter utveckling och lönsamhet, tror vi har inneburit att företag i större utsträckning än tidigare värdesätter immateriella tillgångar såsom varumärke och humankapital. Vi tror att dessa tillgångar idag bidrar mer till avgörandet för företags position på marknaden än tidigare. 32

38 4.4.2 Lönsamhet De redogjorda tänkbara sambanden mellan lönsamhet och skuldsättning i teoriavsnittet är både positiva och negativa samband. Trade- off teorin förväntar sig ett positivt samband mellan lönsamhet och företags skuldsättningsgrad då teorin menar att högre lönsamhet innebär att företags skuldkapacitet ökar. Det negativa sambandet ges av Pecking- order teorin som menar att mer lönsamma företag föredrar att internfinansiera och därmed undvika lånefinansiering. Baserat på vårt resultat kan vi inte styrka någon av dessa teorier då både positiva och negativa samband går att observera. Överlag visar dock resultatet upp ett negativt samband, vilket går i linje med vår arbetshypotes. De svaga sambanden gör emellertid att vi anser att det inte finns stöd för vår arbetshypotes. Det faktum att sambanden är svaga tyder enligt oss på att lönsamhet som förklarande faktor för variationer i företags skuldsättning är begränsad. En exkludering av lönsamhet som förklarande faktor ur vår modell tror vi inte skulle ha någon större påverkan på den totala förklaringsgraden, vilket gör lönsamhet som förklarande faktor mindre betydande vid studerandet av företag som grupp. Trots att tidigare studier i flera fall har funnit lönsamhet som en starkt förklarande faktor för företags skuldsättningsgrad gör inte vår studie det. Det här kan tyda på att betydelsen av lönsamhet som förklarande faktor har minskat sedan tidigare studier gjordes. Ett annat alternativ kan vara att lönsamhet som faktor inte är lika relevant för att förklara skuldsättning hos svenska företag som hos företag i andra länder. För att veta om något av dessa alternativ föreligger eller om något annat kan förklara resultatet skulle fortsatta studier behöva göras. Det här skulle exempelvis kunna inkludera en jämförande studie mellan Sverige och andra länder Företagsstorlek I vår studie är företagsstorlek den enskilt mest betydande förklarande faktorn för variationen i företags skuldsättning. De flesta samband mellan företagsstorlek och skuldsättning diskuterade i vår litteraturgenomgång talar för ett positivt samband. Alla dessa förhållanden kan stämma överens med verkligheten, men vi tror att det faktum att större företag också tenderar att vara äldre och mognare har den största betydelsen för den positiva relationen. Med ett bättre anseende och starkare förhandlingsposition skapas förutsättningarna för en högre belåning. Vi tror också att ökad företagsstorlek och ålder även ökar förutsättningarna för att uppnå ett bättre kreditbetyg, vilket också är avgörande för belåning på såväl obligationsmarknaden som hos kreditgivare. Att större företag ofta 33

39 också är mer diversifierade, vilket ger lägre risk för långivare då risken för betalningssvårigheter minskas, tror vi är viktigt men inte lika avgörande jämfört med det tidigare nämnda. Företagsstorleks relevans som faktor tror vi dock skulle avta om en liknande studie gjorts på privata företag. Dessa företag har inte samma tillgång till aktie- och obligationsmarknaden som publika företag har, vilket gör dem mer beroende av externfinansiering från exempelvis banker. I det här fallet tror vi att det är relationen mellan det privata företaget och kreditgivaren som är mer avgörande än företagets storlek för möjligheten till lånefinansiering. I litteraturgenomgången redogör vi också för Pecking- order teorins förväntningar om ett negativt samband mellan företagsstorlek och skuldsättning. Teorin menar att större och äldre företag under sin verksamhetsperiod har haft möjligheten att bygga upp sitt egna kapital under lönsamma år i form av balanserade vinster och därmed i större utsträckning borde internfinansiera sin verksamhet och nya investeringar. I vårt resultat finner vi inget stöd för Pecking- order teorins resonemang. Vad detta kan bero på är svårt att spekulera i, men det skulle kunna bero på att företag generellt sett har större kapitalbehov än vad de lyckas generera i form av balanserade vinstmedel. Det här innebär att de är i behov av externt kapital och enligt Pecking- order teorin föredrar företag i de flesta fallen lånefinansiering framför emittering av nytt aktiekapital. Gällande företagsstorlek kan vi konstatera att vår studies resultat bekräftar vår arbetshypotes, att det råder ett positivt samband mellan företagsstorlek och skuldsättning Tillväxt Likartat med lönsamhet varierar vårt resultat för relationerna mellan tillväxt och skuldsättning. Det råder både positiva och negativa samband beroende på vilken definition av skuldsättning som används i regressionsmodellen. Tillväxt indikerar att vara negativt relaterat till företags totala skulder och positivt relaterat till företags långfristiga skulder. Alla samband är dock svaga, men i ett fall är tillväxt signifikant positivt korrelerat med långfristiga skulder. Av vårt resultat att döma kan vi inte säga att tillväxt som förklarande faktor följer något ensamt resonemang som berörts i litteraturgenomgången. Resultatet lutar dock mer emot Pecking- order teorins resonemang om ett positivt samband, då en av de observerade förklaringsgraderna var signifikanta. Pecking- order teorin förväntar sig detta samband av den anledningen att företag med större tillväxtmöjligheter ofta är i behov av externfinansiering och då föredrar lånefinansiering framför emittering av nytt aktiekapital. 34

40 Trots att vårt resultat lutar mot Pecking- order teorins förväntning är vår bedömning att detta resultat kan bero på att insamlad data rörande tillväxt inte är helt normalfördelad, vilket skulle kunna resultera i observerat samband. Därför kan vi inte spekulera så mycket i vilken relation tillväxt har till variationen i företags skuldsättning och hur mycket tillväxt som faktor kan förklara. Vi lämnar alltså vår arbetshypotes obekräftad och med resonemanget att ytterligare variabler för tillväxt skulle kunna ge en bättre bild av faktorns relation till skuldsättning Faktorernas förklaringskapacitet med hänsyn till sektorklassificering Vid jämförelse av skillnader mellan studiens valda sektorer går det att se att förklaringsgraden hos de valda faktorerna varierar mellan sektorerna. Utifrån Tabell 4.4 kan vi rangordna sektorerna efter uppmätt förklaringsgrad för varje definition av skuldsättning. För skuldsättning 1 ser rangordningen ut som följande: Sjukvård, Industrivaror och tjänster, Sällanköpsvaror och tjänster, Material och Informationsteknik. Sjukvård och Informationsteknik är de sektorer där faktorerna uppnår högst respektive lägst förklaringsgrad. Rangordningen för skuldsättning 2 är: Sjukvård, Informationsteknik, Sällanköpsvaror och tjänster, Industrivaror och tjänster och Material. Återigen visar faktorerna upp högst förklaringsgrad inom sektorn Sjukvård, medan Material visar den lägsta. Vi finner resultatet intressant på så sätt att det är svårt att finna likheter mellan sektorerna i hur förklaringsgraderna varierar inom respektive sektor. Enligt oss tyder det här på att sektorspecifika förutsättningar spelar roll i faktorernas förklaringskapacitet. Lönsamhet ser ut att bli mer relevant som förklarande faktor när vi studerar sektorer istället för det totala. Den här faktorn visar i många fall upp relativt starka, negativa samband inom varje sektor, men med vissa undantag. Enligt oss tyder det här på att lönsamhet som förklarande faktor är relaterat till företags sektortillhörighet. Företag inom samma sektor påverkas av liknande yttre omständigheter, vilket troligtvis medför att det uppstår en mer homogen kapitalstruktur för företag inom samma sektor, precis som nämndes i teoriavsnittet. Lönsamhet rör sig därför mer lika för företag inom samma sektor än om man skulle jämföra lönsamheten i två företag från olika sektorer. Det här ser även ut att medföra att skuldsättningen rör sig i samma mönster men åt motsatt håll, vilket stödjer Pecking- order teorins negativa samband mellan lönsamhet och skuldsättning. Vid hänsyn tagen till sektorklassificering ser företag i vår studie ut att föredra att använda balanserade vinstmedel vid lönsamma perioder som finansiering. 35

41 Regressionerna gjorda inom sektorerna stöder också vårt tidigare resonemang angående den positiva relationen mellan immateriella tillgångar och skuldsättning som går att observera. Även vid en jämförelse mellan sektorer ser det ut som att synen på immateriella tillgångar har förändrats i linje med Balakrishnan och Fox resonemang. Att immateriella tillgångar fungerar som säkerhet vid belåning ser ut att ha ökat i betydelse. Trots att immateriella tillgångar uppvisar ett positivt samband med skuldsättning, kan vi ändå utifrån medelvärdena i Tabell 4.1 konstatera att sektorer med en större andel materiella tillgångar har högre skuldsättning. Enligt oss tyder det här på att materiella tillgångar möjliggör högre skuldkapacitet för företag än vad immateriella tillgångar gör. Vår bild är därför att materiella tillgångar fortfarande har större betydelse för företags möjligheter till lånefinansiering. Skillnader i sektorer för faktorn tillväxt är något mer varierande när det gäller styrka och vilken typ av relation som observeras. För exempelvis sektorn Material och Industrivaror och tjänster har tillväxt ett relativt starkt positivt samband till variationen i skuldsättning, medan relationen överlag är svagt negativ för sektorerna Sällanköpsvaror och tjänster och Informationsteknik. Även vid en jämförelse mellan sektorerna får vi ingen bättre bild av tillväxt som förklarande faktor. En tolkning som vi dock gör är att det positiva sambandet till viss del skulle kunna bero på att de sektorer som uppvisar ett sådant samband, kan lånefinansiera sin tillväxt eftersom de överlag har större andel materiella tillgångar. Som tidigare resonemang ser det ut som att sektorer med större andel materiella tillgångar också har högre skuldkapacitet. Det här tillsammans med att eget kapital kanske inte räcker till för att finansiera ett företags tillväxt resulterar i att företag i dessa sektorer lånefinansierar sin tillväxt, vilket följer Pecking- order teorins resonemang kring tillväxtmöjligheter. För den totala förklaringsgraden var företagsstorlek den enskilt mest betydande faktorn och i många fall fortsätter den även att vara det inom sektorerna. Förklaringsgradens styrka och relation skiljer sig mellan de olika sektorerna. Exempelvis uppvisar företagsstorlek ett relativt starkt, negativt samband med variationen i skuldsättning 1 i sektorn Material, medan korrelationen i ett fall uppgår till hela 0,965 i sektorn Sjukvård. Överlag är relationen relativt stark och positiv i alla sektorer. Vår tolkning är därför att företagsstorlek fortsätter att vara en betydande faktor när det gäller lånefinansiering. Sammanfattningsvis ser vi att det råder både skillnader och likheter mellan sektorer. Vår tolkning av resultatet är att sektorspecifika förutsättningar har en avgörande 36

42 roll i företags val av kapitalstruktur. Vi kan inte analysera kring hur några specifika förutsättningar påverkar variationen i skuldsättning, men som teorin nämner är bland annat konkurrenssituationer, regleringar, och risker avgörande för variationen i skuldsättning. Vi tror att ytterligare studier som inkluderar mer sektorspecifika förutsättningar skulle kunna ge en ännu bättre bild över variationer i skuldsättning och företags val av kapitalstruktur. 5. Slutsats Syftet med vår studie var att undersöka hur faktorerna tillgångsstruktur, lönsamhet, företagsstorlek och tillväxt kan förklara variationer i svenska företags skuldsättning. Till att börja med kan vi konstatera att styrkan i faktorernas förklaringsgrader är beroende av vilken definition av skuldsättning som används. Baserat på vårt resultat kan vi dra slutsatsen att studiens faktorer i högre grad kan förklara företags andel långfristiga skulder än deras totala skulder. Vidare kan vi dra slutsatsen att studiens fyra faktorer uppnår liknande förklaringsgrader för variationen i skuldsättning som tidigare studier genomförda i andra länder. Det här innebär att faktorerna har en generell betydelse för företags val av kapitalstruktur även i Sverige. Mer specifikt drar vi slutsatsen att immateriella tillgångar har fått en ökad betydelse som säkerhet vid belåning, baserat på det positiva sambandet observerat i resultatet. Trots immateriella tillgångars positiva relation till skuldsättning, drar vi dock ändå från vårt resultat slutsatsen att företag med större andel materiella tillgångar har högre skuldkapacitet än företag med mindre andel materiella tillgångar. Vi kan också av vårt resultat konstatera att företagsstorlek är den viktigaste faktorn i förklarandet av företags skuldsättningsgrad. Studien syftade också till att undersöka skillnader i faktorernas förklaringskapacitet mellan olika sektorer. Av vårt resultat från regressionerna kan vi konstatera att faktorernas förklaringsgrad varierar kraftigt mellan de olika sektorerna. Det här tillsammans med analysen av faktorernas medelvärden gör att vi drar slutsatsen att sektorspecifika förutsättningar har stor betydelse, både för skillnaderna i faktorernas förklaringskapacitet men också för företags val av kapitalstruktur generellt. När det gäller lönsamhet är vår slutsats att denna faktors funktion som förklarande variabel endast är av betydelse när vi undersöker faktorernas förklaringskapacitet uppdelat på sektorer. Avslutningsvis kan vi konstatera att det faktum att vår studie inte ger någon ytterligare bild av faktorernas förklaringskapacitet jämfört med tidigare studier, gör att en stor del av variationen i skuldsättning hos företag förblir obesvarad. Genom vår studie har 37

43 en bättre bild skapats över hur svenska företags skuldsättningsgrad kan förklaras, men frågan om hur företag väljer sin kapitalstruktur fortsätter ändå att till viss del vara ett pussel. 5.1 Förslag till vidare forskning Baserat på vårt resultat och tidigare studier vi tagit del av, tror vi inte att fortsatt forskning som inkluderar flera faktorer eller företag skulle ge en mycket bättre bild av företags val av kapitalstruktur. En studie som istället skulle kombinera en kvantitativ metod liknande vår och en kvalitativ metod i form av intervjuer med företagsledningar, tror vi skulle kunna ge en bättre bild av hur företag väljer sin kapitalstruktur. Det här dels för att fånga hur förklarande faktorer påverkar valet av kapitalstruktur, men också för att få en bild av hur företagsledningar aktivt väljer kapitalstruktur och varför. Att göra detta uppdelat på sektorer skulle också förstärka förståelsen för företags val av kapitalstruktur. 38

44 Referensförteckning Artiklar: Almeida, H, & Campello, M (2007), 'Financial Constraints, Asset Tangibility, and Corporate Investment', The Review of Financial Studies, Vol. 20, Nr. 5, s Antoniou, A, Guney, Y, & Paudyal, K (2008), 'The Determinants of Capital Structure: Capital Market- Oriented versus Bank- Oriented Institutions', Journal of Financial and Quantitative Analysis, Vol. 43, Nr. 1, s Balakrishnan, S, & Fox, I (1993), 'Asset Specificity, Firm Heterogeneity and Capital Structure', Strategic Management Journal, Vol. 14, Nr. 1, s Barclay, M. J, & Smith, C. W (1999), 'The Capital Structure Puzzle: Another Look at the Evidence', Journal of Applied Corporate Finance, Vol. 12, Nr. 1, s Bevan, A, & Danbolt, J (2002), 'Capital structure and its determinants in the UK a decompositional analysis', Applied Financial Economics, Vol. 12, Nr. 3, s Bradley, M, Jarrell, G, & Kim, E (1984), 'On the Existence of an Optimal Capital Structure: Theory and Evidence', Journal Of Finance, Vol. 39, Nr. 3, s Frank, M, & Goyal, V (2009), 'Capital Structure Decisions: Which Factors Are Reliably Important?', Financial Management (Blackwell Publishing Limited), Vol. 38, Nr. 1, s Harris, M, & Raviv, A (1991), 'The Theory of Capital Structure', Journal Of Finance, Vol. 46, Nr. 1, s Huang, G, & Song, F. M (2006), 'The determinants of capital structure: Evidence from China', China Economic Review, Vol. 17, s Kraus, A, & Litzenberger, R (1973), 'A State- Preference Model of Optimal Financial Leverage', Journal Of Finance, Vol. 28, Nr. 4, s MacKay, P, & Phillips, G. M (2005), 'How Does Industry Affect Firm Financial Structure?', The Review of Financial Studies, Vol. 18, Nr. 4, s Margaritis, D, & Psillaki, M (2007), 'Capital Structure and Firm Efficiency', Journal of Business Finance & Accounting, Vol. 34, Nr. 9 & 10, s Miao, J (2005), 'Optimal Capital Structure and Industry Dynamics', The Journal of Finance, Vol. 60, Nr. 6, s Modigliani, F, & Miller, M (1958), 'The Cost of Capital, Corporation Finance and the Theory of Investment', American Economic Review, Vol. 48, Nr. 3, s Morri, G, & Cristanziani, F (2009) 'What determines the capital structure of real estate companies?', Journal of Property Investment & Finance, Vol. 27, Nr. 4, s

45 Myers, S. C (1977), 'Determinants of Corporate Borrowing', Journal of Financial Economics, Vol. 5, s Myers, S. C (1984), 'The Capital Structure Puzzle', Journal Of Finance, Vol. 39, Nr. 3, s Myers, S. C (2001), 'Capital Structure', Journal Of Economic Perspectives, Vol. 15, Nr. 2, s Myers, S. C (2003), 'Financing of Corporations', in Constantinides, G., Harris, M. and Stulz, R. Eds., Handbook of the Economics of Finance: Corporate Finance, Amsterdam, North Holland/Elsevier. Myers, S. C, & Majluf N. S (1984), 'Corporate Financing and Investment Decisions When Firms Have Information That Investors Do Not Have', Journal of Financial Economics, Vol. 13, s Rajan, R. G, & Zingales, L (1995), 'What Do We Know about Capital Structure? Some Evidence from International Data', The Journal of Finance, Vol. 50, Nr. 5, s Titman, S, & Wessels, R (1988), 'The Determinants of Capital Structure Choice', Journal Of Finance, Vol. 43, Nr. 1, s Böcker: Berk, J. B, & DeMarzo, P. M (2007), 'Corporate finance', International edition Boston, Mass.: Pearson Addison Wesley Körner, S, & Wahlgren, L (2005), 'Statistiska metoder', 2., uppl. Lund: Studentlitteratur Körner, S, & Wahlgren, L (2006), 'Statistisk dataanalys', 4., [omarb.] uppl. Lund: Studentlitteratur Pallant, Julie (2010), 'SPSS survival manual: a step by step guide to data analysis using SPSS', 4., ed. Maidenhead: Open University Press/McGrawHill Ross, S. A, Westerfield, R, & Jordan, B. D (2010), 'Fundamentals of Corporate Finance'. 9., ed. Standard ed. Boston: McGraw- Hill Irwin. Saunders, M, Lewis, P, & Thornhill, A (2009), 'Research methods for business students', 5., ed. Harlow: Financial Times Prentice Hall Stevens, J. (1998). Applied multivariate statistics for the social science (3rd edn). Mahwah, NJ: Lawrence Erlbaum. (Källhänvisning återfinns i Bilaga 2) Tabachnick, B.G. & Fidell, L.S. (2007). 'Using multivariate statistics' (5th edn). Boston: Pearson Education. (Källhänvisning återfinns i Bilaga 2) 40

46 Elektroniska referenser: Avanza, Ekonomifakta, utveckling/borsutveckling- i- Sverige- och- USA/?from171=2004&to171=2010 Morgan Stanley Capital International (MSCI), Nationalencyklopedin, Nationalencyklopedin, ordbok/corporate+finance/ Nordnet, ista=1_1&large=on&mid=on&small=on&sektorgruppera=on&sektor=0&subtyp=price&sort era=aktie&sorteringsordning=stigande Retriever, info.com.ezproxy.its.uu.se/services/archive.html? Riksbanken, och- valutakurser/ Swedbank, och- placera/aktier/lar- dig- allt- om- aktiehandel/aktieskola/hur- bolagen- klassificeras/index.htm 41

47 Bilaga 1 Urval av företag Vår grundtanke i valet av företag var att välja de fyra företagen med högst börsvärde från Large Cap, Mid Cap och Small Cap inom respektive sektor, men så blev inte fallet. Sektorerna Industrivaror och tjänster och Sällanköpsvaror och tjänster utgörs av fyra företag från respektive storleksindelning. Sektorn Material utgörs av fem företag från Large Cap, två företag från Mid Cap och fyra företag från Small Cap, medan sektorn Informationsteknik utgörs av tre företag från Large Cap, fem företag från Mid Cap och fyra företag från Small Cap. Sektorn Sjukvård utgörs av fyra företag från Large Cap, tre från Mid Cap och fyra från Small Cap. Anledningen till att Informationsteknik skiljer sig från de andra sektorerna är att endast tre företag återfanns på Large Cap, vilket kompenserades med ett femte företag från Mid Cap. Svårigheterna med urvalet i sektorn Material var att det blev ett bortfall av tre företag i en sektor med endast 14 företag. Till att börja med bestod Mid Cap endast av tre företag varav Nordic Mines inte gick att inkludera i studien. Det här på grund av att företagets gruvutvinning ännu inte hade genererat någon omsättning utan endast redovisade kraftiga förluster. Vår bedömning var att Nordic Mines riskerade att snedvrida delar av vårt resultat i för stor utsträckning, vilket medförde att vi exkluderade företaget. Med endast två företag på Mid Cap planerade vi att utöka till sex företag från Large Cap, eftersom det bara fanns fyra företag på Small Cap. De företag från Large Cap som skulle inkluderas var Lundin Mining Corporation och Semafo Inc., men på grund av vissa omständigheter var företagen tvungna att exkluderas. För Lundin Mining Corporation kunde inte årsredovisningar för koncernen återfinnas för alla undersökta år och Semafo Inc. börsintroducerades inte förrän oktober Det här resulterade i att vi endast kunde inkludera 59 företag i vår studie, vilket senare endast blev 58 företag på grund av att Active Biotech exkluderades i analysen av datamaterialet då företaget uppvisade extremvärden. Active Biotech riskerade därmed att snedvrida resultatet. I sektorn Sällanköpsvaror och tjänster ersatte vi även Hemtex med RNB Retail and Brands, av den anledningen att Hemtex under den undersökta tidsperioden ändrade sitt räkenskapsår från brutet till att följa kalenderåret. Ändringen av räkenskapsår medförde problematik i datainsamlandet för företaget. I sektorn Industrivaror och tjänster ersattes Hexpol med Loomis, då Hexpol inte kunde uppvisa årsredovisningar för koncernen för de två första åren i tidsperioden. 42

48 Bilaga 2 - Test av regressionsmodellens antaganden I den här bilagan finner ni en genomgång av de olika antaganden som regressionsanalysen bygger på samt hur dessa testats och eventuellt påverkat vårt resultat. Antagandena illustreras av skriftliga beskrivningar och i vissa fall av tabeller och figurer. Urvalets storlek Ett urval måste vara tillräckligt stort för att resultatet av en regressionsanalys ska gå att generalisera för andra urvalsgrupper. Om inte urvalet är tillräckligt stort resulterar det i att regressionsanalysens resultat blir av lågt vetenskapligt värde. Det finns olika riktlinjer för lämplig urvalsstorlek. En rekommendation ges av Stevens (1996, s. 72) som framhåller att det skulle räcka med cirka 15 observationer per oberoende variabel för en pålitlig analys. Ytterligare ett angreppssätt för urvalsstorlek ges av Tabachnick och Fidell (2007, s. 123) som utarbetat en formel som tar antalet oberoende variabler i beaktning. Formeln lyder som följande: N > m, där m är antalet oberoende variabler. I vår studie använder vi oss av fyra oberoende variabler, vilket enligt formeln skulle innebära en urvalgrupp på 82 stycken observationer. Med vårt urval på 290 observationer överstiger vi alltså kravet för urvalsgrupp. Baserat på Stevens resonemang uppfyller vi i tre av fem fall också kravet för urvalsgrupp (15 x 4 = 60 observationer) då vi genomför regressionsanalys inom varje sektor. I de andra två fallen uppgår observationerna till 55 stycken vilket får anses som försumbar skillnad. Multikollinearitet Multikollinearitet syftar på relationen mellan de oberoende variablerna i regressionsanalysen. Observationerna som utgör våra data och bildar våra variabler får inte i för stor utsträckning vara korrelerade med varandra, ingen variabel får påverka en annan i allt för stor utsträckning. En för hög korrelation mellan de oberoende variablerna kan snedvrida resultatet av regressionsanalysen (Pallant, 2010, s. 151 & s ). Tester för multikollinearitet har genomförts och från resultatet kan vi konstatera att alla korrelationer mellan de oberoende variablerna understiger 0,7, vilket enligt Pallant (2010, s. 158) är en brytpunkt för att korrelationen inte ska påverka regressionsanalysen i för stor utsträckning. Linearitet Linearitet är ytterligare ett antagande som måste uppfyllas för att en regressionsanalys inte ska ge ett missvisande resultat. Linearitet avser att relationen mellan de oberoende variablerna och den beroende variabeln är någorlunda linjär. Hur stark den linjära 43

49 relationen är går att utläsa av Normal Q- Q- Plot figuren där observationerna någorlunda ska följa den raka linjen för det förväntade normala och inte visa en kraftig kurva eller stora avvikelser (Pallant, 2010, s. 126). Som går att se av alla Normal Q- Q- Plot figurer nedan följer observationerna för skuldsättning, tillgångsstruktur och företagsstorlek den raka linjen relativt bra. För lönsamhet och tillväxt bildar observationerna inte en lika rak linje samt att vissa observationer avviker något mer än majoriteten. Då det är relativt få observationer av de totala som avviker samt att observationerna totalt inte bildar en kraftigare kurva, accepterar vi även lönsamhet och tillväxt som tillräckligt linjära. Normalfördelning Normalfördelning innebär att fördelningen av varje variabels observationer ska vara någorlunda normalfördelad. Normalfördelning går att testa och observera på flera olika sätt. Ett av de enklaste sätten är att observera fördelningen, distributionen, av observationerna i ett histogram för att se om dessa till viss del följer en normalfördelningskurva (Pallant, 2010, s. 126). Ett annat sätt att undersöka en variabels normalfördelning är att analysera de två måtten Skewness och Kurtosis. Skewness indikerar symmetrin av variabelns distribution och Kurtosis indikerar hur peakedness variabelns distribution är. Ett värde på 0 för båda måtten innebär perfekt normalfördelning, men detta är relativt ovanligt inom samhällsvetenskapen. Beroende på positivt eller negativt värde på Skewness är antingen observationerna koncentrerade mer till höger eller till vänster i ett histogram. En positiv Kurtosis innebär att observationerna har en hög frekvens koncentrerade i mitten och en negativ Kurtosis innebär att distributionen är relativt platt med många observationer klassade som extremvärden (Pallant, 2010, s. 57). I resultaten från tester av Skewness och Kurtosis för varje variabel uppvisar endast lönsamhet och tillväxt värden på Skewness och Kurtosis, som indikerar att variablerna i högre grad avviker från normalfördelning. Studerar man histogrammen nedan ser man hur observationerna är koncentrerade i olika delar av figuren. Trots avvikelser från normalfördelningen skriver Tabachnick och Fidell (2007, s. 80) att med någorlunda stort urval har inte Skewness och Kurtosis så stor betydelse för resultatet av regressionsanalysen. Ett urval på fler än 200 observationer är en gräns för ett tillräckligt stort urval, vilket nämns av författarna. Med vårt urval på 290 observationer överstiger vi nämnd brytpunkt vid regressionsanalyserna för totala observationer. Vid genomförandet av regressioner inom varje sektor bryter vi antagandet om normalfördelning eftersom antalet observationer inom varje sektor understiger den tidigare nämnda brytpunkten. Att vi bryter antagandet om normalfördelning tar vi i beaktning vid tolkning och analys av resultatet. 44

50 Bilaga 2a - Variabeln skuldsättning Histogram och Normal Q- Q- Plot för skuldsättning 1 Skuldsättning1 45

51 Histogram och Normal Q- Q- Plot för skuldsättning 2 Skuldsättning2 46

52 Bilaga 2b - Variabeln lönsamhet Histogram och Normal Q- Q- Plot för lönsamhet 1 Lönsamhet1 47

53 Histogram och Normal Q- Q- Plot för lönsamhet 2 Lönsamhet2 48

54 Bilaga 2c - Variabeln tillgångsstruktur Histogram och Normal Q- Q- Plot för tillgångsstruktur 1 Tillgångsstruktur1 49

55 Histogram och Normal Q- Q- Plot för tillgångsstruktur 2 Tillgångsstruktur2 50

56 Bilaga 2d - Variabeln företagsstorlek Histogram och Normal Q- Q- Plot för företagsstorlek 1 Företagsstorlek1 51

57 Histogram och Normal Q- Q- Plot för företagsstorlek 2 Företagsstorlek2 52

58 Tillväxt Bilaga 2e - Variabeln tillväxt Histogram och Normal Q- Q- Plot för tillväxt 53