Vad ger Modigliani och Millers teorier oss idag?

1 Södertörns högskola Institutionen för ekonomi och företagande Magisteruppsats 3 hp Finansiering Vårterminen 212 Vad ger Modigliani och Millers teorier oss idag? En studie inom kapitalstruktur och skuldsättningens påverkan på bolagsvärde Av: Rabbi Mohsin Handledare: Besrat Tesfaye & Karl Gratzer

2 Förord Jag skulle vilja tacka mina handledare Besrat Tesfaye och Karl Gratzer för vägledningen genom arbetets gång, samt till Curt Scheutz för vidare hjälp i slutfasen av mitt arbete. Stockholm den 3 maj 212 Rabbi Mohsin

3 SAMMANFATTNING Examensarbete inom företagsekonomi, Södertörns högskola. Finansiering. Magisternivå, 3 hp. Vårterminen 212. Författare: Rabbi Mohsin Handledare: Besrat Tesfaye och Karl Gratzer Titel: Vad ger Modigliani och Millers teorier oss idag? Problembakgrund: Enligt Modigliani & Millers andra teorem så ger ökad skuldsättning upphov till ett flertal fördelar för ett företag, bl.a. skapas en skattesköld då de avdragsgilla räntebetalningarna ökar, vilket ger en positiv effekt för företaget. En annan aspekt är att skulder är relativt billigare än eget kapital. Syfte: Syftet med arbetet är att få en större förståelse för hur förhållandet mellan skulder och eget kapital påverkar företagsvärdet samt avkastning på eget kapital. Metod: Genom att använda mig av företagsdata genomförde jag linjära regressionsanalyser med justerad skuldsättningsgrad (enbart långsiktiga skulder/eget kapital) som oberoende variabel samt avkastning på eget kapital och börsvärde i förhållande till bokfört värde på eget kapital som beroende variabler för att se om statistiskt säkerställda samband kunde påvisas. Utöver regressionsanalysen följde en hypotesprövning för att se om resultatet kunde appliceras till hela populationen. De data som utmynnades användes sedan för att tolkas och resulterade i slutsatsen. Slutsatser: Inga statistiskt säkerställda kunde påvisas för två av de branscher som ingick i studien. För den tredje branschen påvisades vissa statistiskt säkerställda samband. Dock var de sambanden negativa, vilket gick emot Modigliani och Millers teorem. Slutsatsen är att Modigliani och Millers teorem kan förkastas under de antaganden och förutsättningar som denna studie har åtagit. Förslag till fortsatta studier: Genom att använda sig av multipla regressioner eller icke-linjära regressioner kan man se om det finns några statistiskt säkerställda samband eller andra trender. Utöver det kan det vara av intresse att införa fler företag i vardera bransch för att få mer korrekta slutsatser. Nyckelord: kapitalstruktur, skulder, företagsvärde

4 Abstract Master thesis in Business & Administration, Södertörn University College. Finance. Spring 212 Author: Rabbi Mohsin Supervisor: Besrat Tesfaye and Karl Gratzer Title: What do Modigliani and Miller s theories do for us today? Problem statement: According to Modigliani & Miller s second theory, higher leverage will lead to several advantages, such as a tax shield due to higher debt and subsequent interest costs which leads to higher tax deductions, all leading to a positive effect on firm value. Another aspect is that debt is viewed as being a cheaper alternative to funds than equity. Objective: The objective of the study is to gain a better understanding of the relation between the debt/equity ratio and firm value. Method: By using company data, I generated linear regression analyses with adjusted debt/equity ratio (using only long-term debt/equity) as the independent variable and return on equity and price to book value ratio as two separate dependent variables. The goal was to see whether there were any statistically significant correlations, which would be determined through the use of hypothesis tests. The data that was gathered would then be used for interpretation and described as conclusions. Conclusions: There were no statistically significant correlations available for the first two industries. There were some statistically significant correlations for the third industry, however, they showed negative correlations which goes against Modigliani & Miller s theory. The conclusion is that Modigliani & Miller s theory can be rejected under the assumptions and prerequisites that were set for this study. Proposal for further studies: By using multiple regressions or non-linear regressions, you could find some tends that were not visible in this study. Also, using more companies in each industry may aid in generating a more correct conclusions. Keywords: capital structure, debt, firm value

5 Innehållsförteckning 1. Inledning 8 1.1 Bakgrund 8 1.2 Problemdiskussion 9 1.3 Problemformulering 9 1.4 Syfte 9 1.5 Avgränsning 9 2. Metod 11 2.1 Forskningsansats 11 2.2 Kvantitativ metod 11 2.3 Tillvägagångssätt 11 2.4 Population och urval 11 2.5 Bortfall 12 2.6 Datainsamling 12 2.7 Analysering av data 13 2.8 Hypotesprövning 14 2.9 Definitioner 15 2.9.1 Börsvärde 15 2.9.2 Skuldsättningsgrad Debt to equity ratio 15 2.9.3 Skuldsättningsgrad med enbart hänsyn till långsiktiga lån Debt to equity ratio enligt Modigliani-Miller 15 2.9.4 Avkastning på eget kapital Return on equity 15 2.9.5 Börsvärde i förhållande till bokfört värde Price-to-Book value ratio 16 2.1 Validitet 16 2.11 Generaliserbarhet 16 2.12 Reliabilitet 16 2.13 Tidigare forskning 16 3. Teori 18 3.1 Modigliani & Millers teorem 18 3.2 Static Tradeoff -teorin 19 3.3 Stiglitz kommentarer 2 3.4 Lågkonjunkturens påverkan på skuldsättningsgrad - Asgharian 22 3.5 Kritiken mot den effektiva marknadshypotesen Soros 23 4. Resultat & Analys 24 4.1 Redovisning av resultat 24 Detaljhandel 22 25 Detaljhandel 23 25 Detaljhandel 24 26 Detaljhandel 25 26 Detaljhandel 26 27 Detaljhandel 27 27 Detaljhandel 28 28 Detaljhandel 29 28 Detaljhandel 21 29 4.2 Tolkning av resultat - Detaljhandel 29 Naturresurser 22 31 Naturresurser 23 31 Naturresurser 24 32 Naturresurser 25 32 Naturresurser 26 33

6 Naturresurser 27 33 Naturresurser 28 34 Naturresurser 29 34 Naturresurser 21 35 4.3 Tolkning av resultat - Naturresurser 35 Fordonsindustri 22 37 Fordonsindustri 23 37 Fordonsindustri 24 38 Fordonsindustri 25 38 Fordonsindustri 26 39 Fordonsindustri 27 39 Fordonsindustri 28 4 Fordonsindustri 29 4 Fordonsindustri 21 41 4.4 Tolkning av resultat - Fordonsindustri 41 Reviderade regressioner 43 4.5 Tolkning av resultat Reviderade regressioner 44 5. Slutsats 46 6. Diskussion 48 7. Referenser 49 Referenslista 49 Bilaga 5 Figurförteckning Figur 1 - OECD-graf över BNP-utvecklingen från 22 till 29 13 Figur 2 - Beskrivning av Static Trade-off-modellen kontra MMs andra teorem 2 Figur 3 - Regressioner för detaljhandel år 22 25 Figur 4 - Regressioner för detaljhandel år 23 25 Figur 5 - Regressioner för detaljhandel år 24 26 Figur 6 - Regressioner för detaljhandel år 25 26 Figur 7 - Regressioner för detaljhandel år 26 27 Figur 8 - Regressioner för detaljhandel år 27 27 Figur 9 - Regressioner för detaljhandel år 28 28 Figur 1 - Regressioner för detaljhandel år 29 28 Figur 11 - Regressioner för detaljhandel år 21 29 Figur 12 - Regressioner för naturresurser år 22 31 Figur 13 - Regressioner för naturresurser år 23 31 Figur 14 - Regressioner för naturresurser år 24 32 Figur 15 - Regressioner för naturresurser år 25 32 Figur 16 - Regressioner för naturresurser år 26 33 Figur 17 - Regressioner för naturresurser år 27 33 Figur 18 - Regressioner för naturresurser år 28 34 Figur 19 - Regressioner för naturresurser år 29 34 Figur 2 - Regressioner för naturresurser år 21 35 Figur 21 - Regressioner för fordonsindustri år 22 37 Figur 22 - Regressioner för fordonsindustri år 23 37 Figur 23 - Regressioner för fordonsindustri år 24 38 Figur 24 - Regressioner för fordonsindustri år 25 38 Figur 25 - Regressioner för fordonsindustri år 26 39 Figur 26 - Regressioner för fordonsindustri år 27 39 Figur 27 - Regressioner för fordonsindustri år 28 4 Figur 28 - Regressioner för fordonsindustri år 29 4

Figur 29 - Regressioner för fordonsindustri år 21 41 Figur 3 - Reviderad regression - naturresurser år 22 43 Figur 31 - Reviderad regression - naturresurser år 26 43 Figur 32 - Reviderad regression - fordonsindustri år 22 43 Figur 33 - Reviderad regression - fordonsindustri år 23 44 Figur 34 - Reviderad regression - fordonsindustri år 24 44 7

8 1. Inledning 1.1 Bakgrund Inom finansiering har Modigliani och Millers teorem om kapitalstruktur varit en central idé, både gällande utbildning och faktisk implementering i affärsvärlden. Att teorin bygger på en idé om att högre skulder bidrar till ett högre börsvärde får de flesta i allmänheten att höja ett ögonbryn. Desto mer intressant är att många delar av teorin har haft påverkan på till vilken grad företag skuldsätter sig, samt hur skuldsättningsgraden ger en signal till marknaden för hur väl företaget mår. Teorierna har kritiserats av många som anser att en utav grundprinciperna bakom teorin, att den bygger på en öppen marknad med full insyn, inte gäller i verkligheten. Men det har inte stoppat marknaden från att ta till sig av vissa av de antaganden som teorierna presenterar. Modigliani och Millers teorier baseras på den effektiva marknadshypotesen som talar om följande kriterier: All information är kostnadsfri och ses likadant av alla aktörer Priset på en tillgång (aktie osv.) justeras omedelbart efter att ny information har hittats Det ska inte gå att skapa vinster på publik information Med den effektiva marknadshypotesen som grund kan man ifrågasätta sig om teorin verkligen är hållbar idag. Som betraktare av den öppna marknaden ser man att de ovannämnda kriterierna sällan stämmer överens med verkligheten. Dessa teorier publicerades 1958, och som läsare kan man undra om den verkligen kan förklara dagens verklighet. George Soros är författare av boken Alchemy of Finance som kort beskriver historieförloppet kring de ekonomiska teorierna och genomslagskraften som de har haft genom hela 19-talet, med en stark opinion för att föra en aktivt styrd ekonomi i början av 19-talet, se dess förödande effekter och den resulterande vändningen mot en opinion för den fria marknaden som började runt den tid då Modigliani och Miller publicerade sina teorier (Soros, 1994). Med utgångspunkt från vart vi står idag kan det vara intressant att se om Modigliani och Millers teorier, samt indirekt den effektiva marknadshypotesen, står sig väl i dess beskrivning kring hur verkligheten fungerar idag och framtiden.

9 1.2 Problemdiskussion Enligt Modigliani & Millers andra teorem så ger ökad skuldsättning upphov till ett flertal fördelar för ett företag, bl.a. skapas en skattesköld då de avdragsgilla räntebetalningarna ökar, vilket ger en positiv effekt för företaget. En annan aspekt är att skulder är relativt billigare än eget kapital. De största skillnaderna mellan skulder och eget kapital (rörande företagets värdering) bör man, enligt Modigliani & Miller, åskåda under hög- och lågkonjunkturer då räntan är en variabel som skiftar till fördel eller nackdel för företaget. Men det är även intressant att se hur teorin stämmer över en längre period, då effekter av dessa vinster/förluster inte alltid åskådliggörs direkt. 1.3 Problemformulering Leder ökad skuldsättning till högre företagsvärde samt avkastning på eget kapital? Hur ser det faktiskt ut, sett över en längre period? 1.4 Syfte Syftet med arbetet är att få en större förståelse för hur förhållandet mellan skulder och eget kapital påverkar företagsvärdet samt avkastning på eget kapital. 1.5 Avgränsning För denna studie utgår jag från att använda mig av dem 6 största börsnoterade företagen inom tre branscher, som är fordonsindustrin, detaljhandeln samt naturresurser. Anledningen till att jag har valt de största företagen inom dessa branscher ligger i antagandet att dessa företag bör ha en jämnare tillväxt än nya företag som oftast tenderar att expandera mycket fortare. Varje bransch har en viss exponering mot exogena faktorer som kan påverka verksamheten för respektive företag, men jag har försökt att välja branscher som inte är för olika varandra. Även om genomsnittssiffrorna, som redovisas i resultatavsnittet, påvisar viss skillnad från bransch till bransch anser jag att de valda branscherna är snarlika varandra sett över ett längre perspektiv.

1 Tidsperioden som kommer att användas är 9 år, då jag vill få fram värden för dessa företag under en längre period och se om teoremet stämmer långsiktigt.

11 2. Metod 2.1 Forskningsansats Min forskning kommer att utgå från en deduktiv utgångspunkt, där redan existerande teorier kommer att testas för att se hur pass bra dessa teorier ställer sig mot verkligheten. 2.2 Kvantitativ metod Jag kommer att använda mig av en kvantitativ metod, vilket innebär att jag kommer att använda mig av hård data i form av resultatsiffror och andra värden från de bolag som ingår i studien. 2.3 Tillvägagångssätt Denna studie utfördes under första halvåret 212. Som grund till studien forskade jag efter relevant teori som skulle kunna stärka eller avvisa huvudteorin som har ställts fram av Modigliani och Miller. Dessa går att finna i teoriavsnittet. Sedan använde jag mig av Bloombergs databas för att få fram de data som behövdes för de valda branscherna (Bloomberg L.P., 212). Genom att använda mig av ICBs kategorisering kunde jag få fram de bolag som var a intresse för studien, där företagens storleksordning baserades på marknadsvärdet (Market Capitalization) (Industry Classification Benchmark, 212). När all data var framtaget utförde jag regressionsanalyser via Microsoft Excel för att finna eventuella samband, om sådana fanns. Dessa resultat återfinns på resultatavsnittet. 2.4 Population och urval 6 bolag inom de följande tre branscherna fordonsindustrin, detaljhandeln och naturresurser, utgör populationen för denna studie som ska vara representativt för alla börsnoterade bolag i världen. Företagen är fördelade så att jag tittar på de 2 bolag i varje bransch. Urvalet på de 6 största bolagen i vardera bransch har valts med stabilitet i åtanke, dvs. att de största bolagen i världen antas ha en jämn tillväxttakt och är mognare än de mindre bolagen. Detta bör resultera i en mer homogen utveckling.

12 Dessa bolag finner jag från ICBs (Industry Classification Benchmark) klassificering av industrier (Industry Classification Benchmark, 212), samt Bloombergs databas för att nyttja klassificeringen och leta fram de största bolagen efter Market Capitalization (marknadsvärde på resp. börs) för de största publikt listade bolagen i världen. De sektorer och subsektorer som har använts är 3353 för fordonsindustrin, 53 för detaljhandeln samt 17 för naturresurser. 2.5 Bortfall Av de 6 bolag som har valts har totalt 3 bolag hamnat utanför analysen av data, då de vid olika år har påvisat negativt eget kapital vilket gör analysen av data väldigt skev. Utöver det är negativt eget kapital för ett bolag inte väldigt representativt för populationen. De 3 bolag som har exkluderats ur studien är Amazon, Ford och FMG. Vidare har enstaka justeringar i data gjorts där anomalier (extremvärden) har visat sig påverka regressionslinjen. Dessa bortfall diskuteras under resultatsektionen. 2.6 Datainsamling För denna studie kommer jag att använda mig av sekundärdata i form av årsredovisningar (publicerade årssiffror) för de bolag som ingår i studien. Huvudkällan för den informationen är en databas från Bloomberg, där man kan finna de nödvändiga data som jag behöver för studien. De årtal som jag kommer att basera min studie på sträcker sig från 22 till och med 21, för att utgöra 9-årsspannet för studien. Med andra ord använder jag mig av räkenskapsåret 22 som första året för de företag som är med i urvalet. Data som erhålls från källan avser: totala skulder, långsiktiga skulder, eget kapital, årets resultat, börsvärde, aktiepris samt antal aktier. Med hjälp av dessa siffror beräknar jag fram skuldsättningsgraden, skuldsättningsgraden med enbart hänsyn till långsiktiga (räntebärande) lån samt avkastning på eget kapital. Insamlingen av data gjordes mellan den 16:e till den 23:e mars 212. Inget beaktande togs för de företag med brutet räkenskapsår, då jag anser att tidsspannet hjälper att justera eventuella avvikelser från ett år till ett annat. För att få en överblick över det ekonomiska läget i världen gick jag in på OECD:s hemsida och tog ut data för BNPutvecklingen för åren 22-29. Detta kan åskådliggöras nedan.

13 In USD GDP for OECD countries 22-29 5, 45, 4, 35, 3, 25, 2, 15, 1, 5,, 22 23 24 25 26 27 28 29 Figur 1 - OECD-graf över BNP-utvecklingen från 22 till 29 (Organisation for Economic Co-Operation and Development, 212) 2.7 Analysering av data Jag kommer att använda mig av en linjär regression där jag använder mig utav de data som jag har samlat in för att analysera eventuella samband. Nyckeltalet avkastning på eget kapital samt börsvärde i förhållande till bokfört värde kommer att ställas som beroende variabel (y-variabler) mot skuldsättningsgraden, som agerar som den oberoende variabeln (x-variabel) i separata regressionsanalyser, för att se om några samband existerar. Korrelationskoefficienten och determinationskoefficienten kommer att återspegla om dessa variabler påvisar ett samband, och signifikansnivån sätts på 5 procent, dvs. att det existerar en 5 procents chans att sambandet (om så påvisas) inte är applicerbart till populationen. Korrelationskoefficienten beskriver styrkan av relationen mellan variablerna och determinationskoefficienten påvisar till vilken grad variationer av y-variabeln (den beroende variabeln) kan förklaras av x-variabeln (den oberoende variabeln) (Lind, Marchal, & Wathen, 212, ss. 465-468). Alternativa metoder som kan nämnas är att genomföra en multipel regression eller en curvilienar regression för att se om flera variabler påverkar den beroende variabeln. Dock uppstår problem som multikollinearitet, där oberoende variabler är korrelerade.

14 Detta leder till att det blir svårt för åskådaren att utgöra till vilken grad varje oberoende variabel påverkar den beroende variabeln (Lind, Marchal, & Wathen, 212, ss. 534-536). 2.8 Hypotesprövning Hypotestester kommer att göras för att slå fast om det existerar samband eller ej. Urvalet, som har beskrivits ovan, ska anses vara representativt för den hela populationen som studien riktar sig till och det resultat som jag får fram bör kunna tillämpas till populationen (Lind, Marchal, & Wathen, 212, ss. 334-348). Genom att använda sig av en regressionsanalys av data så får man fram resultatet som antingen stödjer nollhypotesen (hypotesen om att det inte finns något samband) eller förkastar nollhypotesen och accepterar alternativhypotesen (hypotesen om att det finns ett samband mellan variablerna). Den linjära regressionen ligger till grund för hypotesprövningen, som gäller enligt nedan: - Det finns inget samband mellan avkastning på eget kapital och skuldsättningsgraden med enbart hänsyn till långsiktiga lån - Det finns ett samband mellan avkastning på eget kapital och skuldsättningsgraden med enbart hänsyn till långsiktiga lån

15 2.9 Definitioner Denna sektion kommer att ta upp de nyckeltal och begrepp som kommer att användas i analysen av företagen genom den linjära regressionen, och förklaras nedan. 2.9.1 Börsvärde Med börsvärde talar man om det pris som en tillgång (i detta fall ett företag som en tillgång) kan säljas och köpas för vid ett visst tillfälle. I en öppen marknad är börsvärdet det pris som alla spekulanter (köpare och säljare av den specifika tillgången) kommer överens om är det korrekta priset för en tillgång. 2.9.2 Skuldsättningsgrad Debt to equity ratio / / Oftast förekommer det att man beräknar skuldsättningsgrad enligt ovan, där man tar hänsyn till totala skulder delat på eget kapital. 2.9.3 Skuldsättningsgrad med enbart hänsyn till långsiktiga lån Debt to equity ratio enligt Modigliani-Miller / / Modigliani och Miller utgår från att skatteskölden skapas genom de räntebärande lånen som är avdragsgilla. För att kunna få fram skuldsättningsgraden enligt Modigliani och Miller får man dra av de kortsiktiga skulderna från de totala skulderna. Med andra ord så räknar Modigliani och Miller på de långsiktiga skulderna istället för de totala skulderna. Värdet kommer fortsättningsvis att visas som. 2.9.4 Avkastning på eget kapital Return on equity = / = / Detta nyckeltal används för att mäta hur pass bra avkastning investerare får för det investerade kapitalet (eget kapital). Måttet ger en bra jämförelse mellan företag inom en bransch, då industrin karakteriseras av vissa attribut som påverkar företagen liknande.

16 2.9.5 Börsvärde i förhållande till bokfört värde Price-to-Book value ratio = / = / Ett bra sätt att mäta värdet på företaget jämfört med eget kapital. Genom att använda sig av detta nyckeltal kan man jämföra bolag av olika storlekar utan att behöva ta deras storlek i beräkningen, då man endast ser värdet kontra eget kapital investerat. Måttet på Book value of equity ger ett estimat på vad företaget har kvar ifall företaget skulle likvideras idag. 2.1 Validitet De definitioner som jag har valt är de mest representativa för teorierna. Dock kan metodiken kritiseras, då användandet av en regressionsanalys med enbart de variabler som jag har valt är tillräckligt för att kunna styrka/avfärda teorierna. 2.11 Generaliserbarhet Som tidigare nämnt, så har jag valt att studera de största bolagen inom de branscher som har valts med utgångspunkt i att få ett så generellt resultat som är möjligt. Med det sagt så får man ta hänsyn till att de största börsnoterade bolagen påvisar resultat som inte är representativt för mindre bolag. Detta till trots får man se urvalet som representativt för hela populationen, som är alla börsnoterade företag i världen. 2.12 Reliabilitet Data som har använts för studien är historiska och fasta. Beträffande tidsperioden, så är 9 år valt pga. att jag vill få fram en så representativ studie som möjligt. Tidigare studier har oftast tagit hänsyn till 2 tidsperioder (hög- och lågkonjunktur), vilket har bidragit till att siffrorna kan vara något missvisande. 2.13 Tidigare forskning Det finns en uppsjö av tidigare forskning gällande skuldsättningsgraden och dess påverkan på företagsvärde. Några av dessa tas upp under nästa sektion som berör teorin. En annan, stor studie som gjorts på senare dagar är skriven av Sheridan Titman och Avanidhar Subrahmanyam med titeln Feedback from Stock Prices to Cash Flows

17 (Titman& Subrahmanyam, 21). Deras studie visar på grundantagandet gällande fundamentens påverkan på marknaden (enligt den effektiva marknadshypotesen) är inte ensidig. Den följer samma slutsats som George Soros skrev om (Soros, 1994). Titman har även publicerat en del andra artiklar, bl.a. The Modigliani and Miller Theorem and the Integration of Financial Markets (Titman, 22, ss. 11-115). Denna artikel summerar Titmans idéer och tankar samt vad som bör vara av intresse att studera i framtiden genom att belysa en del av Modigliani och Millers teorem som inte tas upp lika frekvent, nämligen att titta på utbudssidan av ett imperfekt scenario på marknaden. Bl.a. vill Titman ha bättre insyn i hur chefer resonerar. Sedan talar Timan om hur pass lite finansmän faktiskt resonerar kring de banor som Modigliani och Miller presenterar i deras forskning. De eventuella intäkter som genereras av skattesköldar är försumbara, enligt Titman.

18 3. Teori 3.1 Modigliani & Millers teorem 1958 kom Franco Modigliani och Merton Miller (vidare refererade som MM) med deras teori om hur ett företags kapitalstruktur inte har någon påverkan på dess värde. Oavsett kombinationen som ett företag har mellan eget kapital och skulder ansågs det generera samma kapitalkostnad, följt av samma värde på bolaget. Enligt denna teori skulle således ett företag som är belånat (skuldsatt) till en högre grad än ett annat bolag fortfarande vara lika värt, allt annat lika. Det som skiljer mellan ett företag som är högt belånat jämfört med ett som är lågt belånat, enligt teorin, är en högre kostnad för eget kapital då ett företag som har mer skulder är mer riskabelt (Modigliani& Miller, 1958, ss. 261-297). 1963 kom samma författare ut med en revidering av deras första teori, som tidigare inte hade beaktat påverkan av företagsskatt i deras beräkningar. Med den nya teorin betraktade man även hur skatten påverkade den totala kapitalkostnaden samt företagsvärdet (Modigliani& Miller, 1963, ss. 433-443). De nya antagandena byggde upp följande modeller: = + = + 1 Värdet på företaget med skulder Värdet på företaget utan skulder Bolagsskatt Skulder Kostnaden för eget kapital Kostnaden för eget kapital för ett företag utan skulder Kostnaden för skulder Eget kapital Den första ekvationen visar hur ett företags värde ökar när man inkluderar skatten i beräkningarna. Ett företags långsiktiga lån genererar räntebetalningar som är avdragsgilla. Den avdragsgilla räntan leder till att man som företag betalar mindre skatt jämfört med om man hade finansierat hela verksamheten med det egna kapitalet. Detta fenomen kallas för en skattesköld. Skatteskölden blir större ju högre belånat ett företag är, och enligt teorin leder detta till att värdet på bolaget ökar. Den andra ekvationen beskriver hur den genomsnittliga kostnaden för kapitalet påverkas med skatten i beräkningarna. Den åskådliggör hur skatten påverkar

19 kapitalkostnaden positivt (kostnaden sjunker), samtidigt som den visar hur antagandet från den första teorin om hur skuldsättningen påverkar kostnaden negativt (kostnaden ökar). Förklara vidare! 3.2 Static Tradeoff -teorin Teoremen från Modigliani och Miller förespråkar att man som företag ska belåna sig så högt som möjligt för att kunna nyttja skattesköldens effekt så mycket som möjligt. Stewart Myers är en av de forskare som har ställts sig emot detta resonemang då han ansåg att skuldsättningsgraden gynnar företaget till en viss grad innan kostnaderna för den höga skuldsättningen blir för hög. Detta presenterade han i sin teori kallad Static Tradeoff -teorin som presenterades i 1984 (Myers, 1984). Idéerna bakom resonemanget grundar sig i att Modigliani och Miller inte tog hänsyn till kostnader som Myers kallar för distress costs. Distress costs är ett samlingsbegrepp för kostnader för konkurshot och andra liknande transaktionskostnader som uppstår i takt med att företaget ökar risken på det egna kapitalet, som är ett resultat av att man belånar sig högt. Enligt Myers leder detta till att det värdet på företaget sjunker när man har överskridit den optimala gränsen för vad företaget bör ha i skulder (se nedan). Den optimala nivån för skulder uppstår när kostnaden för eget kapital ( ) är som lägst. Förenklat kan man tolka detta som att Myers förespråkade att skulder för ett företag gynnar företaget när värdet går upp till punkt (markerat med en punkt i diagrammet nedan). Har företaget högre skulder börjar kostnaderna associerade med distress costs att hämma företaget. En viktig punkt att ta med är att Myers med detta inkluderar eventuella transaktionskostnader som kan uppstå, något som Modigliani och Miller inte gjorde i sina antaganden.

2 Börsvärde Ej belånat Värde enligt MM "Static Tradeoff" Skulder Figur 2 - Beskrivning av Static Trade-off-modellen kontra MMs andra teorem 3.3 Stiglitz kommentarer Stiglitz kommenterar i sin artikel från 1988 (Stiglitz, 1988, ss. 121-126) om hur påverkan av MMs teorier har skakat om finansvärlden. Han talar vidare om hur skeptiker till MMs teorier har försökt finna de variabler i deras antaganden som går emot verkligheten, och har till publiceringen av Stiglitz artikel, fortfarande arbetat med att hitta de. Vidare talar han om fyra antaganden som legat i fokus, som listas nedan. 1. Företag kan identifieras efter riskklasser 2. Individuell (enskild person) belåning kan substituera företags belåning 3. Investerare har full information om avkastningen hos företaget 4. Att det inte finns några skatter, eller skattepolicyn som behandlar skulder och eget kapital olika Dessa fyra antaganden, som hjälpt att bygga upp MMs teorier, har lett till att Stiglitz ponerar om en ändring i något av antagandena kan resultera i att skuldsättningsgraden faktiskt kan ha betydelse. Riskklassificeringen av företag har visat sig vara förlegat då det enbart räcker med att använda sig av ett generellt antagande om att företag inte belånar sig till den grad att konkurshotet ökar. Det nya antagandet bygger på att givet en viss skuldsättningsgrad

21 och börsvärde, så finns det alltid en annan skuldsättningsgrad som leder till samma börsvärde, dvs. att skuldsättningsgraden kan variera utan att det påverkar börsvärdet. Detta ledde till ett skift av fokus från riskklassificering till ett fokus på risken för konkurs. Skeptiker till MMs teorier har försökt att finna modeller som belyser risken för konkurser, givet antaganden i om en öppen marknad med full information som MMs teorier bygger på. Dock påvisar Stiglitz att en öppen marknad med full information leder just till att skuldsättningsgraden inte påverkas, då avkastning från samtliga företag fördelas jämt ut. Individuell belåning ansågs inte kunna substituera ett företags belåning, då det anses att allmänheten sällan har möjlighet till att belåna sig i samma utsträckning som ett företag. Återigen yrkar Stiglitz på idén om en perfekt marknad som används inom den teoretiska idébildningen, som MMs teorier grundar sig på. Antagandet om full information företag har lett till man har fått möta verkligheten, där full information aldrig finns tillgängligt till alla. Här menar Stiglitz att en optimal skuldsättningsgrad finns, givet att man har tillgång till full information. Har man inte det, vilket är fallet i en imperfekt marknad, leder detta till att investerare snarare får tolka signaler från företaget via de beslut som tas (t.ex. kan en VD bestämma sig för att belåna företaget om det visar sig att det finns en minimal chans för konkurs, vilket leder till att man signalerar till marknaden att det går bra för företaget). Skulder och eget kapital behandlas olika av skattemyndigheter. Stiglitz påpekar att man bör titta på den stora bilden när det gäller skulder. Enligt MMs teorier är skuldränta avdragsgill. Men teorierna tar inte hänsyn till t.ex. skattelagar vid ändring av skuldsättningsgraden. Ett återköp av aktier från investerare genererar en skatt som måste betalas till skattemyndigheter, vilket bör vara med i beräkningarna. Enligt en tidigare studie som han har gjort, har det visat sig att förändring i skuldsättningsgraden inte är till lika stor favör som MMs teorier hävdar. I hans studie har han då haft med beskattningen som den individuella investeraren har fått i påslag för ett återköp av aktier. Stiglitz håller med andra ord ingen egentlig ståndpunkt för om MMs teorier stämmer eller ej, men påvisar vart bristerna finns, samt vart vi möjligtvis kan finna samband. Vad han nämner dock är att det finns stora möjligheter för att utforska detta.

22 3.4 Lågkonjunkturens påverkan på skuldsättningsgrad - Asgharian Hossein Asgharian beskriver i sin bok (Asgharian, 1997, ss. 85-122) om hur skuldsättningsgraden hos företag ändras under lågkonjunkturer. Ett exempel som han tar upp är att under lågkonjunkturer tenderar företag att visa lägre vinst eller rent av förluster, vilket resulterar i låga eller inga inkomster alls som är skattningsbara samt räntebetalningar som i vanliga fall är avdragsgilla kan bli oanvändbara. Han listar upp ett par troliga anledningar till att skuldsättningsgraden ändrades bland börsnoterade företag i Sverige under krisåren 199-1992. Bland annat tar han upp hur marknadens nedbrytning under dessa år ledde till att företag övergick till att finansiera företagen med lån snarare än eget kapital, något som han refererar till från tidigare studier som påvisar ett samband mellan gynnsamma börsmarknadsscenarion och tecknande av eget kapital [(Jalilvand& Harris, 1984) och (Hommaifar, Zietz, & Benkato, 1994) ]. Vidare talar han om hur minskade inkomster sannolikt kan ha påverkat företag till att öka sina skulder. Detta påvisar han genom att förklara hur en lägre inkomst leder till att värdet på eget kapital påverkas negativt. Samtidigt leder detta till att företag behöver mer extern finansiering (Allen, 1993). Lägre inkomster kan även leda till lägre skuldsättningsgrad då lägre inkomster leder till ökad sannolikhet för konkurs. Slutsatsen som han kommer fram till är att skuldsättningsgraden ökade under åren pga. de lägre marknadsvärdena för eget kapital, samt att investeringarna som gjordes var på en hög nivå, vilket ytterligare stärkte bilden av högre skulder hos bolagen.

23 3.5 Kritiken mot den effektiva marknadshypotesen Soros Det är många som har riktat kritik mot den effektiva marknadshypotesen, som MMs teorier grundar på. Den effektiva marknadshypotesen bygger på antaganden om att marknadens olika mekanismer kan automatiskt justera eventuella imperfektioner som kan uppstå. Sådana imperfektioner syftas oftast på brist på full information om vad som sker på marknaden. De grundantaganden som finns är att människor är rationella (och inte agerar efter känsla) samt att full informationsutbyte sker konstant på marknaden. En av de som väckt en stark kritik på senare år är George Soros som i sin bok Alchemy of Finance beskriver hur världsmarknaden och dess aktörer har ändrat sitt förhållande mellan den aktivt styrda ekonomin och den helt avreglerade ekonomin (som den effektiva marknadshypotesen beskriver). Han diskuterar hur samhället har gått från ett extremt aktivt styrande från början av 19-talet, med dess negativa konsekvenser, till att beskriva hur attityden har ändrats mot att låta marknaden regera fritt och beskriver även de problem som uppstår pga. av det. Han ser båda sidor som extrema punkter i ett spektrum där aktörer bör arbeta mot att finna en balans. En alltför aktivt styrd ekonomi leder till stagnation och hämning av marknaden, medan en alltför fri marknad tenderar till att bli instabil och alldeles för svårtydlig (Soros, 1994). Enligt Soros är marknaden alltid viktad mot ett håll mer än något annat håll, snarare än att vara perfekt och balanserad. En annan viktig aspekt som han tar upp är att marknaden i sig själv kan påverka de händelser som den förutspår. Dessa två skillnader står i stark kontrast till teorin om den effektiva marknadshypotesen och bör ses som en stark kritik mot den. Den effektiva marknadshypotesen utgår från att fundament, som kan beskrivas som marknadsmekanismer, ska påverka marknaden. Dock visar hans studier på att fundament och marknaden påverkar varandra, vilket han kallar för reflexivity theory. (Soros, 1994)

24 4. Resultat & Analys 4.1 Redovisning av resultat Resultaten av regressionsanalyserna kommer att presenteras efter bransch, följt av år. Överst för varje bransch åskådliggörs en lista med data från regressionsanalysen, där korrelationskoefficienten, determinationskoefficienten, T-värde samt signifikansen visas. Data visar om vi kan förkasta nollhypotesen eller om vi accepterar den. Nedan följer en kort beskrivning för varje värde: Korrelationskoefficient förklarar hur pass starkt sambandet är mellan x- variabeln och y-variabeln. Determinationskoefficient förklarar hur pass mycket x-variabeln påverkar y- variabeln. T-värde mäter standardavvikelsen av korrelationen mot nollvärdet. Detta värde visar att ju starkare värdet är, desto mer är sannolikheten att korrelationen är säkerställd. Signifikans används för att avgöra om nollhypotesen kan förkastas eller om den accepteras. Sektionen under den visar genomsnitten för skuldsättningsgraden samt avkastning på eget kapital för branschen i fråga för gällande år, följt av de aggregerade genomsnitten för samma värden för alla tre branscher för gällande år. På så sätt får man även en känsla för hur pass nära värdena stämmer överens med hela urvalet. Gällande bortfall av anomalier, som diskuterades i metodavsnittet, har jag valt att presentera de reviderade regressionsanalyserna i den sista sektionen, följt av en kort förklaring om huruvida de reviderade regressionerna påvisar ett annat resultat jämfört med de som är presenterade. Anledningen till att jag använder mig av både och som två separata variabler ligger i att som nyckeltal hjälper att besvara frågan gällande skuldsättningsgradens påverkan på företagsvärdet. som nyckeltal hjälper att se hur nettovinsten för företagen har varit, och ger en bra indikation till om nettovinsten för företagen följer BNP-utvecklingen eller inte.

25 Detaljhandel 22 ROE Predicted Y [],5,4,3,2,1,5 1 1,5 Korrelationskoefficienten,39764329 Determinationskoeffcienten,95953939 T-värde 1,343261558 Signifikans,19684586 Genomsnitt för,34924843 Genomsnitt för ROE,196824238 Genomsnitt för - alla branscher,786363421 Genomsnitt för ROE - alla branscher,1387763 P/B,8,6,4,2 -,2 -,4 -,6 Predicted Y [] 1 2 3 Korrelationskoefficienten,47929464 Determinationskoeffcienten,2297233 T-värde,19784562 Signifikans,8455123 Genomsnitt för,34924843 Genomsnitt för P/B 5,441227595 Genomsnitt för - alla branscher,786363421 Genomsnitt för P/B - alla branscher 3,151669172 Figur 3 - Regressioner för detaljhandel år 22 Detaljhandel 23 ROE Predicted Y [],5,4,3,2,1 Korrelationskoefficienten,3171484 Determinationskoeffcienten,9123786 T-värde 1,3474521 Signifikans,293667 Genomsnitt för,332761914 Genomsnitt för ROE,19629195,5 1 1,5 Genomsnitt för - alla branscher,59434373 Genomsnitt för ROE - alla branscher,1562831,5,4,3 Predicted Y [] Korrelationskoefficienten,1888657 Determinationskoeffcienten,3567 T-värde,77884955 Signifikans,93882895 P/B,2,1,5 1 1,5 2 2,5 -,1 Figur 4 - Regressioner för detaljhandel år 23 Genomsnitt för,332761914 Genomsnitt för P/B 4,579799625 Genomsnitt för - alla branscher,59434373 Genomsnitt för P/B - alla branscher 3,36456148

26 Detaljhandel 24 ROE Predicted Y [],6,5,4,3,2,1,2,4,6,8 1 Korrelationskoefficienten,239189642 Determinationskoeffcienten,57211685 T-värde 1,15686625 Signifikans,324175 Genomsnitt för,314937858 Genomsnitt för ROE,21386248 Genomsnitt för - alla branscher,5555786 Genomsnitt för ROE - alla branscher,16227 P/B,7,6,5,4,3,2,1 -,1 Figur 5 - Regressioner för detaljhandel år 24 Detaljhandel 25,5,4,3 Predicted Y [],5 1 1,5 2 Predicted Y [] Korrelationskoefficienten,182171388 Determinationskoeffcienten,33186414 T-värde -,763894275 Signifikans,4554251 Genomsnitt för,314937858 Genomsnitt för P/B 4,78367128 Genomsnitt för - alla branscher,5555786 Genomsnitt för P/B - alla branscher 3,211191514 Korrelationskoefficienten,278979637 Determinationskoeffcienten,77829638 T-värde 1,197819518 Signifikans,24742179 ROE,2,1 Genomsnitt för,3365286 Genomsnitt för ROE,29786738 -,1,5 1 1,5 Genomsnitt för - alla branscher,422265517 Genomsnitt för ROE - alla branscher,17239748 P/B Predicted Y [],6,5,4,3,2,1,5 1 1,5 Figur 6 - Regressioner för detaljhandel år 25 Korrelationskoefficienten,11772556 Determinationskoeffcienten,1227559 T-värde,45955515 Signifikans,65165788 Genomsnitt för,3365286 Genomsnitt för P/B 4,77465216 Genomsnitt för - alla branscher,422265517 Genomsnitt för P/B - alla branscher 3,7891532

27 Detaljhandel 26 ROE,4,35,3,25,2,15,1,5 Predicted Y [],2,4,6,8 1 Korrelationskoefficienten,9953312 Determinationskoeffcienten,996838 T-värde,412433534 Signifikans,68517612 Genomsnitt för,2725261 Genomsnitt för ROE,29955435 Genomsnitt för - alla branscher,5379986 Genomsnitt för ROE - alla branscher,2287571 P/B 1 8 6 4 2 Predicted Y [],2,4,6,8 1 Korrelationskoefficienten,9639924 Determinationskoeffcienten,9223667 T-värde -,397821689 Signifikans,69571279 Genomsnitt för,2725261 Genomsnitt för P/B 4,29271236 Genomsnitt för - alla branscher,5379986 Genomsnitt för P/B - alla branscher 3,8341358 Figur 7 - Regressioner för detaljhandel år 26 Detaljhandel 27 ROE Predicted Y [],5,4,3,2,1,2,4,6,8 Korrelationskoefficienten,658347 Determinationskoeffcienten,3669978 T-värde -,25238779 Signifikans,854177 Genomsnitt för,28366738 Genomsnitt för ROE,19693535 Genomsnitt för - alla branscher,37796438 Genomsnitt för ROE - alla branscher,17684146,8 Predicted Y [] Korrelationskoefficienten,317991633 Determinationskoeffcienten,11118679 T-värde -1,382894265,6 Signifikans,18459348,4 P/B,2 -,2 -,4,5 1 1,5 2 Genomsnitt för,28366738 Genomsnitt för P/B 4,384572163 Genomsnitt för - alla branscher,37796438 Genomsnitt för P/B - alla branscher 3,3562944 Figur 8 - Regressioner för detaljhandel år 27

28 Detaljhandel 28 ROE Predicted Y [],6,5,4,3,2,1,5 1 1,5 Korrelationskoefficienten,1783366 Determinationskoeffcienten,29183936 T-värde -,714871394 Signifikans,4843984 Genomsnitt för,3318712 Genomsnitt för ROE,2159189 Genomsnitt för - alla branscher,428772495 Genomsnitt för ROE - alla branscher,1337239 P/B 1,5 -,5-1 -1,5-2 Predicted Y [] 1 2 3 Korrelationskoefficienten,1731164 Determinationskoeffcienten,29963667 T-värde -,72464944 Signifikans,4785236 Genomsnitt för,3318712 Genomsnitt för P/B 3,31518634 Genomsnitt för - alla branscher,428772495 Genomsnitt för P/B - alla branscher 2,119667341 Figur 9 - Regressioner för detaljhandel år 28 Detaljhandel 29 ROE Predicted Y [],5,4,3,2,1,5 1 1,5 Korrelationskoefficienten,16542561 Determinationskoeffcienten,2723947 T-värde -,689949573 Signifikans,49953721 Genomsnitt för,373855383 Genomsnitt för ROE,186738568 Genomsnitt för - alla branscher,457514659 Genomsnitt för ROE - alla branscher,97959439 P/B,3,2,1 -,1 -,2 -,3 -,4 Predicted Y [],5 1 1,5 Korrelationskoefficienten,282496183 Determinationskoeffcienten,798493 T-värde -1,21421864 Signifikans,24126287 Genomsnitt för,373855383 Genomsnitt för P/B 2,82931338 Genomsnitt för - alla branscher,457514659 Genomsnitt för P/B - alla branscher 2,38238953 Figur 1 - Regressioner för detaljhandel år 29

29 Detaljhandel 21 ROE Predicted Y [],5,4,3,2,1,5 1 1,5 Korrelationskoefficienten,189626 Determinationskoeffcienten,11684751 T-värde -,448318274 Signifikans,65958488 Genomsnitt för,329726652 Genomsnitt för ROE,189364165 Genomsnitt för - alla branscher,37333688 Genomsnitt för ROE - alla branscher,15711759,5,4,3 Predicted Y [] Korrelationskoefficienten,211498351 Determinationskoeffcienten,44731552 T-värde -,892213374 Signifikans,38473398 P/B,2,1,5 1 1,5 -,1 Figur 11 - Regressioner för detaljhandel år 21 Genomsnitt för,329726652 Genomsnitt för P/B 3,299111331 Genomsnitt för - alla branscher,37333688 Genomsnitt för P/B - alla branscher 2,671627265 4.2 Tolkning av resultat - Detaljhandel Detaljhandeln som bransch visar inga statistiskt säkerställda samband mellan ökad skuldsättningsgrad och ökad avkastning på eget kapital/börsvärde i förhållande till bokfört värde. Modigliani-Millers teorem om skuldsättningsgradens påverkan på företagsvärde kan därmed förkastas. En intressant observation är att när det har visat sig att påverkat positivt har påverkat negativt, och vice versa. Omtolkat kan man säga att när skuldsättningsgraden påverkar avkastningen på eget kapital positivt visar det att börsvärdet i förhållande till bokfört värde på eget kapital påverkas negativt. Dessa utläsningar är, som nämnt ovan, inte statistiskt säkerställda men ger en liten inblick till hur det ser ut. BNP-utvecklingen har inte påverkat branschen något, då genomsnittet för för varje år har varit stabil runt 2%, fram till finanskrisåret 29 då genomsnittet sjönk till c:a 18%. Tittar man även på genomsnittet för ser man att den sjunker genom åren fram till år 28 då den ökar igen. Detta stämmer överens med Asgharians

3 idéer om hur lågkonjunkturer påverkar skuldsättningsgraden, men denna studie är troligen för simpel för att kunna säkerställa det annat genom att kunna beskåda trenden.

31 Naturresurser 22 ROE P/B Predicted Y [],5,4,3,2,1 -,1 5 1 15 2 -,2 Predicted Y [],5,4,3,2,1,5 1 1,5 Figur 12 - Regressioner för naturresurser år 22 Korrelationskoefficienten,599461419 Determinationskoeffcienten,359353992 T-värde 3,87995337 Signifikans,667398 Yes Genomsnitt för 1,424689195 Genomsnitt för ROE,83664229 Genomsnitt för - alla branscher,786363421 Genomsnitt för ROE - alla branscher,1387763 Korrelationskoefficienten,22659986 Determinationskoeffcienten,513475 T-värde -,93453512 Signifikans,92663586 Genomsnitt för 1,424689195 Genomsnitt för P/B 2,16637813 Genomsnitt för - alla branscher,786363421 Genomsnitt för P/B - alla branscher 3,151669172 Naturresurser 23 Predicted Y [],5,4,3 Korrelationskoefficienten,5719419 Determinationskoeffcienten,3271175 T-värde -,23624335 Signifikans,8169653 ROE,2,1 -,1,5 1 1,5 2 2,5 Genomsnitt för,6395844 Genomsnitt för ROE,1327115 Genomsnitt för - alla branscher,59434373 Genomsnitt för ROE - alla branscher,1562831,8,6 Predicted Y [] Korrelationskoefficienten,1954746 Determinationskoeffcienten,38181452 T-värde,82149345 Signifikans,42273711,4 P/B,2 -,2 -,4,5 1 1,5 2 2,5 Genomsnitt för,6395844 Genomsnitt för P/B 3,47845421 Genomsnitt för - alla branscher,59434373 Genomsnitt för P/B - alla branscher 3,36456148 Figur 13 - Regressioner för naturresurser år 23

32 Naturresurser 24 ROE P/B Predicted Y [],8,6,4,2 -,2 1 2 3 -,4 -,6 Predicted Y [] 6 5 4 3 2 1,5 1 1,5 2 Figur 14 - Regressioner för naturresurser år 24 Korrelationskoefficienten,393541799 Determinationskoeffcienten,154875148 T-värde -1,76541379 Signifikans,9551261 Genomsnitt för,4984598 Genomsnitt för ROE,2493224 Genomsnitt för - alla branscher,5555786 Genomsnitt för ROE - alla branscher,16227 Korrelationskoefficienten,169959532 Determinationskoeffcienten,28886242 T-värde,71116966 Signifikans,48666117 Genomsnitt för,4984598 Genomsnitt för P/B 2,74646753 Genomsnitt för - alla branscher,5555786 Genomsnitt för P/B - alla branscher 3,211191514 Naturresurser 25 Predicted Y [],8,6,4 Korrelationskoefficienten,1335955 Determinationskoeffcienten,178248 T-värde -,555446599 Signifikans,58582519 ROE,2 -,2 -,4,5 1 1,5 2 Genomsnitt för,412926669 Genomsnitt för ROE,239764626 Genomsnitt för - alla branscher,422265517 Genomsnitt för ROE - alla branscher,17239748 P/B 1,5 -,5-1 -1,5-2 Predicted Y [],5 1 1,5 Korrelationskoefficienten,13535871 Determinationskoeffcienten,18234686 T-värde,561913891 Signifikans,5815835 Genomsnitt för,412926669 Genomsnitt för P/B 2,78365911 Genomsnitt för - alla branscher,422265517 Genomsnitt för P/B - alla branscher 3,7891532 Figur 15 - Regressioner för naturresurser år 25

33 Naturresurser 26 ROE P/B 5 4 3 2 1,7,6,5,4,3,2,1 Predicted Y [],5 1 1,5 2 2,5 Predicted Y [],5 1 1,5 Figur 16 - Regressioner för naturresurser år 26 Korrelationskoefficienten,9413847 Determinationskoeffcienten,886197189 T-värde 11,557278 Signifikans, Yes Genomsnitt för,827672866 Genomsnitt för ROE,36479258 Genomsnitt för - alla branscher,5379986 Genomsnitt för ROE - alla branscher,2287571 Korrelationskoefficienten,978627152 Determinationskoeffcienten,95771113 T-värde 19,62133449 Signifikans, Yes Genomsnitt för,827672866 Genomsnitt för P/B 5,82459 Genomsnitt för - alla branscher,5379986 Genomsnitt för P/B - alla branscher 3,8341358 Naturresurser 27 ROE P/B 3,5 3 2,5 2 1,5 1,5,5,4,3,2,1 Predicted Y [],5 1 1,5 2 Predicted Y [],5 1 1,5 Korrelationskoefficienten,8361853 Determinationskoeffcienten,69921 T-värde -,344781 Signifikans,97289758 Genomsnitt för,43934241 Genomsnitt för ROE,199419421 Genomsnitt för - alla branscher,37796438 Genomsnitt för ROE - alla branscher,17684146 Korrelationskoefficienten,7387728 Determinationskoeffcienten,545678765 T-värde 4,518678778 Signifikans,3339 Yes Genomsnitt för,43934241 Genomsnitt för P/B 3,76457761 Genomsnitt för - alla branscher,37796438 Genomsnitt för P/B - alla branscher 3,3562944 Figur 17 - Regressioner för naturresurser år 27

34 Naturresurser 28 ROE P/B Predicted Y [] 1,5 -,5 1 2 3-1 -1,5-2 Predicted Y [],4,3,2,1,5 1 1,5 2 -,1 Figur 18 - Regressioner för naturresurser år 28 Korrelationskoefficienten,41972858 Determinationskoeffcienten,176171642 T-värde -1,9666368 Signifikans,736174 Genomsnitt för,531655 Genomsnitt för ROE,72891233 Genomsnitt för - alla branscher,428772495 Genomsnitt för ROE - alla branscher,1337239 Korrelationskoefficienten,173176615 Determinationskoeffcienten,299914 T-värde -,724979342 Signifikans,4783258 Genomsnitt för,531655 Genomsnitt för P/B 1,787773883 Genomsnitt för - alla branscher,428772495 Genomsnitt för P/B - alla branscher 2,119667341 Naturresurser 29 ROE P/B Predicted Y [],3,2,1 -,1,5 1 1,5 -,2 -,3 -,4 Predicted Y [],5,4,3,2,1 -,1,5 1 1,5 2 -,2 -,3 Korrelationskoefficienten,12167326 Determinationskoeffcienten,1438163 T-värde,42346256 Signifikans,67726688 Genomsnitt för,39316442 Genomsnitt för ROE,8391527 Genomsnitt för - alla branscher,457514659 Genomsnitt för ROE - alla branscher,97959439 Korrelationskoefficienten,87241495 Determinationskoeffcienten,761178 T-värde -,36182638 Signifikans,72248586 Genomsnitt för,39316442 Genomsnitt för P/B 2,533468748 Genomsnitt för - alla branscher,457514659 Genomsnitt för P/B - alla branscher 2,38238953 Figur 19 - Regressioner för naturresurser år 29

35 Naturresurser 21 ROE P/B Predicted Y [],5,4,3,2,1,5 1 1,5 -,1 Predicted Y [],7,6,5,4,3,2,1 -,1,5 1 1,5 2 Figur 2 - Regressioner för naturresurser år 21 Korrelationskoefficienten,9456822 Determinationskoeffcienten,8943111 T-värde,391669246 Signifikans,716873 Genomsnitt för,347125657 Genomsnitt för ROE,15843132 Genomsnitt för - alla branscher,37333688 Genomsnitt för ROE - alla branscher,15711759 Korrelationskoefficienten,218582334 Determinationskoeffcienten,47778237 T-värde,923571382 Signifikans,36863349 Genomsnitt för,347125657 Genomsnitt för P/B 2,744697884 Genomsnitt för - alla branscher,37333688 Genomsnitt för P/B - alla branscher 2,671627265 4.3 Tolkning av resultat - Naturresurser Naturresurser som bransch påvisar vissa statistiskt säkerställda samband för vissa av regressionerna genom åren. Dock är vissa av dessa genererade pga. av anomalier, vilka är följande: Naturresurser 22 Naturresurser 26 Dessa två set av data kommer att gå igenom en ny regression under den sista sektionen för att se om de statistiskt säkerställda sambanden faktiskt gäller. Likt detaljhandeln som bransch kan man utläsa ett visst mönster gällande de två beroende variablerna och, om inte i lika stark utsträckning. Generellt sett så visar dock även denna bransch på att det inte finns några statistiskt säkerställda, och Modigliani och Millers teorem kan även här förkastas. Studerar man genomsnitten för och ser man att det blir svårare att tyda en viss trend (ställt mot BNP-utvecklingen), vilket är delvis ett resultat av de anomalier som har tagits upp ovan. Bortser man från de ser man dock en trend som

36 liknar den som gäller för detaljhandeln, där har gradvis ökat genom åren fram tills finanskrisen år 29, och har sjunkit. Även här kan man anta att det resonemang som Asgharian talar om gäller, till den grad som studien kan påvisa detta.

37 Fordonsindustri 22 ROE,25,2,15,1,5 -,5 -,1 -,15 Predicted Y [],5 1 1,5 2 2,5 Korrelationskoefficienten,64474367 Determinationskoeffcienten,415693623 T-värde -3,477689694 Signifikans,2882 Yes Genomsnitt för,58515325 Genomsnitt för ROE,13582334 Genomsnitt för - alla branscher,786363421 Genomsnitt för ROE - alla branscher,1387763 P/B 1 8 6 4 2 Predicted Y [],2,4,6,8 1 Figur 21 - Regressioner för fordonsindustri år 22 Korrelationskoefficienten,34569183 Determinationskoeffcienten,11952823 T-värde -1,518971268 Signifikans,14714829 Genomsnitt för,58515325 Genomsnitt för P/B 1,8474919 Genomsnitt för - alla branscher,786363421 Genomsnitt för P/B - alla branscher 3,151669172 Fordonsindustri 23,8 Predicted Y [] Korrelationskoefficienten,54145288 Determinationskoeffcienten,293171222 T-värde -2,655388177,6 Signifikans,166537,4 Yes ROE,2 -,2,5 1 1,5 2 2,5 Genomsnitt för,59158316 Genomsnitt för ROE,142521839 -,4 Genomsnitt för - alla branscher,59434373 Genomsnitt för ROE - alla branscher,1562831 P/B,6,5,4,3,2,1 Predicted Y [],2,4,6,8 1 Figur 22 - Regressioner för fordonsindustri år 23 Korrelationskoefficienten,394464424 Determinationskoeffcienten,15562182 T-värde -1,76994843 Signifikans,9466867 Genomsnitt för,59158316 Genomsnitt för P/B 1,481723396 Genomsnitt för - alla branscher,59434373 Genomsnitt för P/B - alla branscher 3,36456148

38 Fordonsindustri 24 ROE,8,7,6,5,4,3,2,1 Predicted Y [],5 1 1,5 Korrelationskoefficienten,97774481 Determinationskoeffcienten,8245458 T-värde -8,9235652 Signifikans,8 Yes Genomsnitt för,859431125 Genomsnitt för ROE -,1134439 Genomsnitt för - alla branscher,5555786 Genomsnitt för ROE - alla branscher,16227 1-1 Predicted Y [] 2 4 6 Korrelationskoefficienten,492597633 Determinationskoeffcienten,242652428 T-värde 2,33382973 Signifikans,3213644 Yes P/B Figur 23 - Regressioner för fordonsindustri år 24 Fordonsindustri 25 ROE P/B -2-3 -4-5 1 8 6 4 2,8,6,4,2 -,2 -,4 Predicted Y [],5 1 1,5 2 Predicted Y [],5 1 1,5 2 2,5 Figur 24 - Regressioner för fordonsindustri år 25 Genomsnitt för,859431125 Genomsnitt för P/B 2,144361 Genomsnitt för - alla branscher,5555786 Genomsnitt för P/B - alla branscher 3,211191514 Korrelationskoefficienten,87631725 Determinationskoeffcienten,7679319 T-värde -,36271226 Signifikans,72129158 Genomsnitt för,55264597 Genomsnitt för ROE,6764862 Genomsnitt för - alla branscher,422265517 Genomsnitt för ROE - alla branscher,17239748 Korrelationskoefficienten,34392169 Determinationskoeffcienten,11828183 T-värde -1,51139359 Signifikans,1493797 Genomsnitt för,55264597 Genomsnitt för P/B 1,675963478 Genomsnitt för - alla branscher,422265517 Genomsnitt för P/B - alla branscher 3,7891532

39 Fordonsindustri 26 ROE P/B Figur 25 - Regressioner för fordonsindustri år 26 Fordonsindustri 27 ROE P/B,6,4,2 -,2 -,4 1 8 6 4 2,5,4,3,2,1,6,5,4,3,2,1 Predicted Y [],5 1 1,5 2 Predicted Y [],5 1 1,5 2 Predicted Y [],5 1 1,5 Predicted Y [],5 1 1,5 Figur 26 - Regressioner för fordonsindustri år 27 Korrelationskoefficienten,177351113 Determinationskoeffcienten,31453417 T-värde -,74315925 Signifikans,46761651 Genomsnitt för,492179483 Genomsnitt för ROE,111587437 Genomsnitt för - alla branscher,5379986 Genomsnitt för ROE - alla branscher,2287571 Korrelationskoefficienten,1632711 Determinationskoeffcienten,257273 T-värde -,669681572 Signifikans,5125493 Genomsnitt för,492179483 Genomsnitt för P/B 2,1928337 Genomsnitt för - alla branscher,5379986 Genomsnitt för P/B - alla branscher 3,8341358 Korrelationskoefficienten,152442119 Determinationskoeffcienten,232386 T-värde -,635967895 Signifikans,5332665 Genomsnitt för,41929565 Genomsnitt för ROE,134174261 Genomsnitt för - alla branscher,37796438 Genomsnitt för ROE - alla branscher,17684146 Korrelationskoefficienten,39344656 Determinationskoeffcienten,15479555 T-värde -1,76454656 Signifikans,956546 Genomsnitt för,41929565 Genomsnitt för P/B 1,97757296 Genomsnitt för - alla branscher,37796438 Genomsnitt för P/B - alla branscher 3,3562944

4 Fordonsindustri 28 ROE P/B Figur 27 - Regressioner för fordonsindustri år 28 Fordonsindustri 29 ROE P/B,4,3,2,1 -,1,5,4,3,2,1,5,4,3,2,1 -,1 -,2 -,3,5,4,3,2,1 Predicted Y [],5 1 1,5 2 Predicted Y [],5 1 1,5 Predicted Y [],5 1 1,5 2 Predicted Y [],5 1 1,5 Figur 28 - Regressioner för fordonsindustri år 29 Korrelationskoefficienten,3232458 Determinationskoeffcienten,12593664 T-värde -1,39487927 Signifikans,18124653 Genomsnitt för,451286229 Genomsnitt för ROE,17634694 Genomsnitt för - alla branscher,428772495 Genomsnitt för ROE - alla branscher,1337239 Korrelationskoefficienten,352351666 Determinationskoeffcienten,124151697 T-värde -1,552338198 Signifikans,13899846 Genomsnitt för,451286229 Genomsnitt för P/B 1,2562956 Genomsnitt för - alla branscher,428772495 Genomsnitt för P/B - alla branscher 2,119667341 Korrelationskoefficienten,534413695 Determinationskoeffcienten,285597998 T-värde -2,6693835 Signifikans,1841383 Yes Genomsnitt för,65528151 Genomsnitt för ROE,2448221 Genomsnitt för - alla branscher,457514659 Genomsnitt för ROE - alla branscher,97959439 Korrelationskoefficienten,4393947 Determinationskoeffcienten,19299281 T-värde -2,163545 Signifikans,598519 Genomsnitt för,65528151 Genomsnitt för P/B 1,7843682 Genomsnitt för - alla branscher,457514659 Genomsnitt för P/B - alla branscher 2,38238953

41 Fordonsindustri 21 ROE P/B,7,6,5,4,3,2,1 -,1 12 1 8 6 4 2 Predicted Y [],5 1 1,5 2 Predicted Y [],5 1 1,5 2 Figur 29 - Regressioner för fordonsindustri år 21 Korrelationskoefficienten,352689133 Determinationskoeffcienten,124389625 T-värde -1,5543653 Signifikans,1385948 Genomsnitt för,44315833 Genomsnitt för ROE,1232479 Genomsnitt för - alla branscher,37333688 Genomsnitt för ROE - alla branscher,15711759 Korrelationskoefficienten,3162173 Determinationskoeffcienten,9963871 T-värde -1,34272552 Signifikans,2952411 Genomsnitt för,44315833 Genomsnitt för P/B 1,97172578 Genomsnitt för - alla branscher,37333688 Genomsnitt för P/B - alla branscher 2,671627265 4.4 Tolkning av resultat - Fordonsindustri Fordonsindustrin som bransch påvisar vissa statistiskt säkerställda samband mellan variablerna genom åren. Likt naturresurser som bransch kan man utläsa vissa anomalier, vilka är följande: 22 Fordonsindustri 23 Fordonsindustri 24 Fordonsindustri Dessa kommer att analyseras om i den sista sektionen för att se om sambanden håller. En annan intressant observation är att olikt detaljhandeln och naturresurser som bransch visar fordonsindustrin på en negativ trend för både och när ökar. Och den trenden håller i sig genom åren. Även om fordonsindustrin visar på fler statistiskt säkerställda samband mellan variablerna, visar alla på en negativ trend som går emot Modigliani och Millers teori. Även här kan man förkasta den teorin. Genomsnitten för och är något missvisande pga. anomalierna ovan, men visar på en trend som är olik de andra. Branschen har inte riktigt följt BNP-utvecklingen

42 som de andra branscherna, annat än vid år 29 där genomsnitten föll något. Som det har diskuterats ovan är fordonsbranschen ganska olik de andra två, som karakteriseras som en bransch med allmänt hög belåning och låg avkastning.

43 Reviderade regressioner 22 Naturresurser ROE Figur 3 - Reviderad regression - naturresurser år 22 26 Naturresurser ROE Figur 31 - Reviderad regression - naturresurser år 26 22 Fordonsindustri ROE,25,15,5 -,5 -,1 -,15,6,5,4,3,2,1,2,1,8,7,6,5,4,3,2,1 Predicted Y [],5 1 1,5 2 2,5 Predicted Y [],2,4,6,8 1 Predicted Y [],5 1 1,5 Korrelationskoefficienten,5921953 Determinationskoeffcienten,357 T-värde -,23688226 Signifikans,98139422 Genomsnitt för,626234428 Genomsnitt för ROE,6744881 Genomsnitt för - alla branscher,4857475 Genomsnitt för ROE - alla branscher,143558653 Korrelationskoefficienten,341688 Determinationskoeffcienten,924263 T-värde,121662991 Signifikans,946883 Genomsnitt för,33286892 Genomsnitt för ROE,263294876 Genomsnitt för - alla branscher,365853662 Genomsnitt för ROE - alla branscher,194945916 Korrelationskoefficienten,297444363 Determinationskoeffcienten,88473149 T-värde -1,24618642 Signifikans,2363636 Genomsnitt för,481739645 Genomsnitt för ROE,1668684 Genomsnitt för - alla branscher,4857475 Genomsnitt för ROE - alla branscher,143558653 Figur 32 - Reviderad regression - fordonsindustri år 22

44 23 Fordonsindustri ROE Figur 33 - Reviderad regression - fordonsindustri år 23 24 Fordonsindustri - P/B,7,6,5,4,3,2,1 3,5 3 2,5 2 1,5 1,5 Predicted Y [],5 1 1,5 Predicted Y [],5 1 1,5 2 Korrelationskoefficienten,31524115 Determinationskoeffcienten,99353634 T-värde -1,32854259 Signifikans,226382 Genomsnitt för,59659886 Genomsnitt för ROE,1631919 Genomsnitt för - alla branscher,482126615 Genomsnitt för ROE - alla branscher,163169695 Korrelationskoefficienten,2626379 Determinationskoeffcienten,68974889 T-värde -1,54169479 Signifikans,384943 Genomsnitt för,644351843 Genomsnitt för ROE,1838838 Genomsnitt för - alla branscher,483364766 Genomsnitt för ROE - alla branscher,175727652 Figur 34 - Reviderad regression - fordonsindustri år 24 4.5 Tolkning av resultat Reviderade regressioner Dessa bortfall av data gjordes för att justera de anomalier som kunde utläsas från de tidigare diagrammen: 22 Naturresurser Värdena för bolag MT NA plockades bort 26 Naturresurser Värdena för bolag NCM AU plockades bort 22 Fordonsindustri Värdena för bolag F IM plockades bort 23 Fordonsindustri Värdena för bolag 7211 JP plockades bort 24 Fordonsindustri - Värdena för bolag 7211 JP och HMCL IN plockades bort Samtliga reviderade regressioner visar nu på att det inte finns något statistiskt säkerställt samband som går att utläsa, som gäller för tolkningen av de tidigare analyserna ovan.