Konkursriskanalys av bolag noterade på Stockholmsbörsen

UPPSALA UNIVERSITET Företagsekonomiska institutionen Kandidatuppsats HT 2008 Handledare: Bengt Öström Konkursriskanalys av bolag noterade på Stockholmsbörsen - ett test av Edward I. Altmans Z-scoremodell Författare: Karl Kullerback Marcus Löf

Sammanfattning Tidigare forskning tyder på att det med relativt stor träffsäkerhet går att förutspå en finansiell kris för ett företag. Finansiell kris har man då definierat som konkurs och använt sig av finansiella nyckeltal för att räkna fram ett specifikt värde som i sig skulle indikera ifall ett bolag stod inför hög, medel eller låg risk för att försättas i konkurs. I denna uppsats studeras nio bolag som avnoterats från Stockholmsbörsen på grund av konkurs under åren 1997 till 2008. Detta i syfte att testa om de tidigare vedertagna teorierna kring konkursprediktion även kan appliceras med framgång på bolag noterade på Stockholmsbörsen. Modellen som författarna använt sig av kallas Z-scoremodellen och är en modell innehållande fem viktade finansiella nyckeltal, framtagen av professor Edward I. Altman. Modellen genererar ett så kallat Z-värde som enligt teorin ska indikera ett företags finansiella tillstånd. De nio undersökta konkursbolagen har i studien jämförts med åtta bolag (i studien kallade kontrollbolag) som under det senaste året istället ökat sitt värde på marknaden i form av ökad börskurs. Detta med syfte att kontrollera om dessa bolag får högre Z-värden än de undersökta konkursbolagen, såsom modellen påvisar. Vår studie har visat att det finns tydliga tendenser som pekar på att modellen har betydande träffsäkerhet men att den inte i varje enskilt fall går att förlita sig på.

Innehållsförteckning 1. Inledning... 1 1.1 Bakgrund... 1 1.2 Problematisering... 2 1.3 Problemformulering... 3 1.4 Syfte... 3 2. Modellbeskrivning och Referensram... 3 2.1 Altmans Z-scoremodell... 3 2.1.1 Ursprunglig modell för börsnoterade tillverkande företag (Z-scoremodell)... 4 2.1.2 Beskrivning av nyckeltalen... 5 2.1.3 Revidering av Z-scoremodellen för privata tillverkande företag (Z -scoremodell). 7 2.1.4 Revidering av Z-scoremodellen för privata icke-tillverkande företag (Z - scoremodell)... 8 3. Utförande... 10 3.1 Ämnesval... 10 3.2 Urval... 10 3.3 Informationssökning... 11 3.4 Tillvägagångssätt... 12 3.5 Objektivitet... 12 3.6 Kritik... 13 4. Resultat... 13 4.1 Observerade Z-värden... 14 5. Analys... 15 5.1 Intervallfördelning... 16 5.1.1 Konkursbolag med data från ett år innan konkurs... 17 5.1.2 Konkursbolag med data från två år innan konkurs... 17 5.1.3 Kontrollbolag med data från ett år innan mättidpunkten... 18 5.1.4 Kontrollbolag med data från två år innan mättidpunkten... 19 5.2 Nyckeltalsanalys... 20 5.2.1 Rörelsekapital/totala tillgångar (X1)... 20 5.2.2 Balanserade vinster/totala tillgångar (X2)... 21 5.2.3 Resultat före ränta och skatt/totala tillgångar (X3)... 22 5.2.4 Marknadsvärde på eget kapital/bokfört värde av totala skulder (X4)... 23 5.2.5 Försäljningsintäkter/totala tillgångar (X5)... 25 6. Slutsatser... 26 7. Diskussion och förslag på vidare studier... 27 8. Referenslista... 29 Böcker... 29 Vetenskapliga Artiklar... 29

Sekundärdata... 29 Konkursbolag... 29 Kontrollbolag... 30 Elektroniska källor... 30 Uppsatser... 30 Hemsidor... 30 Appendix 1 Konkursbolag... i Appendix 2 - Kontrollbolag... vi

1. Inledning 1.1 Bakgrund Trots den närmast oändliga mängd forskning som spenderats i det ekonomiska ämnet i modern tid har vi återigen fått uppleva en global finanskris. Dessutom kanske en av de värsta, även om det självfallet är för tidigt att göra en helhetsmässig bedömning av dess följder. Runt om i världen varslas anställda om uppsägning då företagen helt enkelt inte har råd att bibehålla den arbetskraftskapacitet som den föregående högkonjunkturen har möjliggjort. I skenet av finanskrisen uppmärksammas även en vikande konjunktur samt en kraftig ökning av företagskonkurser, där det finns skäl för att anta en global konkursökning med 15-20 % (www.di.se). Även i Sverige ser vi en ökning av antalet konkurser, som hittills under 2008 uppgått till ca 10 %. Under november månad noteras en ökning med 38 % jämfört med samma period föregående år (www.uc.se). Konkurser är något som kan drabba alla företag, men anledningarna till dem kan vara synnerligen differentierade. Kvalitativa begrepp som företagskultur, företagsledning, bransch, motivation hos anställda, investeringsbenägenhet, riskmedvetenhet o.s.v. är faktorer som enskilt eller tillsammans kan påverka utfallet av ett företags förmåga att överleva. Exempelvis kan en felaktig bedömning gällande en stor investering, liksom alltför dålig personalpolitik ligga till grund för en företagskonkurs. Karl-Erik Sveiby, professor i Knowledge Management vid Hanken Business School, har ägnat mycket tid åt forskning inom detta område. Sveiby beskriver i en av sina artiklar hur Value Creation kan mätas för att sedan kunna effektivisera processerna som skapar själva värdet. Immateriella tillgångar som exempelvis intelligens, motivation och produktidéer tas upp som viktiga faktorer att mäta för att få en rättvisande bild av företags värden. Sveiby beskriver hur korrelationen mellan immateriella tillgångar och aktiekursens utveckling blivit allt tydligare (www.sveiby.com). I denna studie kommer dock fokus vara riktat mot att utreda de kvantitativa mått som gör företag jämförbara med varandra. Vidare är en konkurs något som inte bara påverkar de anställda hos de drabbade företagen, utan även de som besitter aktieposter av olika storlek. Det ligger alltså i ägarnas intresse att kunna göra analyser av de bolag som de är aktieägare i för att få en uppfattning om hur deras företag står sig jämfört med andra bolag. I ett bolags årsbokslut ges information från balans- 1

och resultaträkningar där man kan få insikt i hur verksamheten flutit på under året, samt även hur bolaget står sig jämfört med andra bolag; detta i form av finansiella nyckeltal. 1.2 Problematisering Redan på 1930-talet började forskare utföra studier som syftade till att skilja mellan konkursriskföretag och icke-konkursriskföretag, men det är inte förrän under 1900-talets mitt som mer tillförlitliga studier började tas fram (Rabo, J.S. 2008). Sedan 1960-talet har de flesta nyckeltalsanalyser för konkursprognostisering utförts i USA eller andra stora industrialiserade länder som England, Frankrike, Japan och Canada (Keen, S., Tian, G., Zeitun, R. 2007). Huruvida dessa modeller även kan vara användbara på utvecklingsländer eller små industrialiserade länder som Sverige har vi hittat knapphändig information om, i synnerhet gällande börsnoterade bolag. Tidigare studier i Sverige har dels behandlat specifika branscher (Josefsson, P., Kazmierczak, Michal., Nilsson, A. 2004), dels aktiebolag i mer generell mening (Basic. Damir. 2007). Vidare kan även diskuteras hur de modeller som tagits fram med hjälp av exempelvis amerikanska företag kan appliceras på svenska företag, då de olika regionerna nyttjar olika redovisningsnormer etc. 1966 utfördes en studie av Beaver där han använde sig av 30 nyckeltal från olika amerikanska företag för att ta fram det enskilt viktigaste nyckeltalet för bedömning av företagskonkurs. Det nyckeltal som ansågs som det enskilt bästa nyckeltalet var cash flow/total debt (Johnson, C.G. 1970). Beavers studie var något som väckte stor uppmärksamhet och denna gav även upphov till en uppsjö av vidareutvecklingar av modellen. Redan 1968 utvidgade Altman den studie som Beaver utfört genom att utveckla sin multipla diskriminantanalys (MDA). Den största skillnaden mellan modellerna var att Beaver enbart tog hänsyn till ett enstaka nyckeltal, medan Altman använde sig av fem olika nyckeltal som dessutom hade olika inbördes betydelse beroende på hur de statistiskt sett förhöll sig till varandra. Dessutom fann man att utfallet från Altmans modell var mer relevant vid bedömning av konkurser än då man använde Beavers modell. Altmans modell blev allmänt känd som Z-scoremodellen och används än i dag av företagsanalytiker runt om i världen (Heine, M.L. 2000). Senast i juli 2008 uttalade sig Altman om hur han såg på USA:s största biltillverkare General Motors och Ford. Enligt Altman ligger båda företagen i riskzonen för att drabbas av konkurs inom fem år (Bloomberg. 2008.). 2

Vi vill i detta arbete undersöka om det finns möjlighet att genom Altmans Z-scoremodell förutse eventuell konkursrisk hos svenska börsnoterade företag. Diskussion kommer även att föras kring övriga faktorer som påverkar företags konkurser; detta för att få en bredare bild av ämnet. 1.3 Problemformulering I vilken utsträckning kan man med hjälp av Altmans Z-scoremodell förutse huruvida svenska börsnoterade företag står inför konkurs? 1.4 Syfte Syftet med uppsatsen är att prova om de ingående variablerna i Altmans Z-scoremodell för konkursriskbedömning även kan användas till att förutse konkurser hos svenska börsnoterade bolag. Detta genom att analysera de nio företag som sedan 1997 avnoterats från Stockholmsbörsen på grund av konkurs. Vidare avser vi att jämföra dessa bolag med de åtta mest lönsamma börsföretagen för att se om uppenbara skillnader går att urskilja. 2. Modellbeskrivning och Referensram 2.1 Altmans Z-scoremodell År 1968 utvecklade professor Edward I. Altman på Stern School of Business, New York University en modell för att kunna bedöma olika företags finansiella tillstånd och på så vis kunna förutsäga en konkurs. I den ursprungliga modellen gjordes prognostiseringar gällande amerikanska börsnoterade företag. De nyckeltal som ingår i modellen vägdes på så sätt att den bäst passade just denna kategori av företag. Utifrån befintlig ekonomisk teori valde Altman ut 22 nyckeltal som tidigare har visat sig vara lämpliga faktorer för bedömning av finansiella kriser hos företag. Dessa nyckeltal sorterades i fem underkategorier, innehållande mått på likviditet, lönsamhet, skuldsättningsgrad, soliditet samt aktivitet. Totalt fem nyckeltal av de ursprungliga 22 valdes ut och dessa ansågs utgöra den bästa grunden för bedömning av företagens finansiella situation. Dessa sattes sedan in i en formel där olika vikt tilldelades nyckeltalen på basis av deras statistiska signifikans. Funktionen som sådan testades med olika vikter för att komma fram till den fördelning av vikter som gav den statistiskt mest tillförlitliga mätningen. För att komma fram till vilken viktfördelning som skulle generera bäst balans gjordes även en 3

utvärdering av korrelationen mellan nyckeltalen. Detta gjordes genom en så kallad multipel diskriminantanalys (MDA). Altmans undersökning visade sig vara oerhört tillförlitlig. Då Altman använde sig av data taget ett år innan konkurs, blev 63 av 66 företag, d.v.s. 95 % av de bolag som undersöktes placerade i rätt intervall med hjälp av denna modell. Då data taget två år innan konkurs användes, blev totalt 54 av 65 företag, d.v.s. 83 % av bolagen rättplacerade vilket även detta tyder på en hög grad av tillförlitlighet. (Heine, M.L. 2000) Multipel diskriminantanalys är en statistisk metod som används för att klassificera och göra prediktioner för kvalitativa beroendevariabler, exempelvis man eller kvinna. I vår undersökning kommer vi att klassificera dessa som konkursföretag eller icke-konkursföretag. Det första steget är att etablera gruppklassificeringar för minst två grupper. När en grupp etablerats samlas data in från gruppens objekt. En MDA söker härleda vilka egenskaper som skiljer sig mest mellan grupperna. Om något av objekten (företag i vårt fall) har en egenskap som också går att mäta eller kvantifiera hos de andra objekten i analysen, tas koefficienter fram som visar på skillnaden mellan objekten. När man sedan applicerar dessa koefficienter på de faktiska förhållandena uppstår en bas för klassificering. Z-scoremodellen är en typ av MDA som vi kommer att använda som utgångspunkt för analys i studien. Korrelation är ett mått på hur starkt sambandet mellan två variabler är. Inom statistiken används detta för att ta fram en så kallad regressionslinje för att på så vis kunna påvisa korrelation mellan de variabler man avser mäta. Ju närmare mätvärdena ligger regressionslinjen, desto högre är graden av korrelation. (Newbold, Carlson, Thorne 2005: 171-172) På så vis får nyckeltalen olika inbördes signifikans och detta påvisades genom att de olika variablerna blev tilldelade individuella vikter. Z-scoreformeln ser ut som följer: 2.1.1 Ursprunglig modell för börsnoterade tillverkande företag (Z-scoremodell) Z = 1.2X1 + 1.4X2 + 3.3X3 + 0.6X4 + 1.0X5 Följande nyckeltal representerar de olika variablerna: Z: Summan av de vägda nyckeltalen X 1 : Rörelsekapital/totala tillgångar X 2 : Kvarhållna vinster/totala tillgångar 4

X 3 : Resultat före räntekostnad och skatt/totala tillgångar X 4 : Marknadsvärde på eget kapital/bokfört värde på totala skulder X 5 : Försäljningsintäkter/totala tillgångar 2.1.2 Beskrivning av nyckeltalen X1: Working capital/total assets = rörelsekapital/totala tillgångar Detta är ett likviditetsmått som ställer storleken på rörelsekapitalet i relation till de totala tillgångarna. Rörelsekapitalet definieras som eget kapital minskat med skulder. Två andra likviditetsmått har testats av Altman, nämligen current ratio (balanslikviditet) samt quick ratio (kassalikviditet). Dock ansåg Altman att detta mått var till större hjälp och mer användbart för syftet med Z-scoremodellen. X2: Retained earnings/total assets = kvarhållna (balanserade) vinster/totala tillgångar Här avses mäta kumulativ lönsamhet över tiden. Detta genom att ställa balanserade vinster och förluster över företagets livslängd i relation till de totala tillgångarna. Man skulle kunna se balanserade vinster/förluster som ett konto där vinster läggs till och förluster dras bort över företagets livslängd. Det bör nämnas att detta konto kan vara föremål för manipulation via exempelvis aktieutdelningar. Eftersom vi inte har möjlighet att kontrollera detta kommer vi inte att kunna göra några justeringar i detta avseende i vår studie. Detta är ett kapitalstrukturmått där företagets ålder beaktas. Det är troligt att ett ungt företag kommer att ha en låg kvot då det inte hunnit upparbeta särskilt stor kumulativ vinst över åren. Detta kan leda till att man anser att unga företag inte bör vara föremål för denna studie. Altman menar dock att unga företag i verkligheten är exponerade för en större risk att försättas i konkurs, varför måttet trots allt är relevant. Vidare bör sägas att ett företag med hög RE/TA-kvot i högre utsträckning har finansierat verksamheten med egna vinstmedel i stället för nya lån. X3: Earnings before interest and taxes/total assets = resultat före räntekostnader/totala tillgångar Nyckeltalet är ett lönsamhetsmått som mäter företagets avkastningsförmåga i förhållande till dess totala tillgångar; detta genom att exkludera räntekostnader och skattekostnader. I detta nyckeltal vill man mäta den sanna produktiviteten som företaget åstadkommer med dess 5

tillgångar. Eftersom ett företags överlevnad på sikt kräver lönsamhet är detta ett relevant mått i synnerhet när man tittar närmare på de företag som presterar mindre bra. X4: Market value of equity/book value of total liabilities = marknadsvärde aktier/skulder (bokfört värde) Här ställs det sammanlagda marknadsvärdet på ett bolags samtliga aktier i relation till dess totala skulder. Nyckeltalet visar hur mycket i värde företagets tillgångar (mätt som marknadsvärdet på samtliga aktier plus skulder) kan sjunka innan företaget hamnar i obestånd. Något vi bör understryka med detta nyckeltal är att det tar hänsyn till hur marknaden värderar företaget, som exempelvis på Stockholmsbörsen. En viktig anledning till att vi valde denna version av Z-scoremodellen är just att den tar hänsyn till hur marknaden värderar företaget då vi avser undersöka svenska aktiebolag som är noterade på Stockholmsbörsen. Låt för enkelhetens skull anta att marknadsvärdet av ett bolags samtliga aktier uppgår till en miljon kronor, och att dess totala skulder uppgår till femhundratusen kronor: då skulle marknadsvärdet kunna sjunka med två tredjedelar innan det hamnade i obestånd. X5: Sales/total assets = försäljningsintäkter/totala tillgångar Detta avser mäta företagets kapitalomsättningshastighet som är ett lönsamhetsmått. Det visar hur kapitalintensivt företaget är, vilket kan skilja sig avsevärt i olika branscher. Ett problem med undersökningen kan vara att de företag som vi kommer att inkludera i denna studie opererar i just skilda branscher. Man kan också definiera måttet som att det visar hur pass säljgenererande företagets tillgångar är. Altman menar att detta mått är det minst signifikanta nyckeltalet i modellen på företags-/individnivå, men i relation till de övriga nyckeltalen blir detta bland det absolut viktigaste. På grund av de stora skillnaderna i kapitalomsättningshastighet mellan olika branscher har nyckeltalet dock slopats i senare versioner av Altmans Z-scoremodell. 6

Summan av de vägda variablerna i modellen ger ett så kallat Z-värde som enligt modellen beskriver företagens finansiella situation. Beroende på vilket värde som generas av modellen delas företagen under i olika kategorier med hänsyn till hur deras finansiella situation ser ut. Företagen delas in i en av följande tre grupper: Figur 1. Z-scoreintervall 1: Konkurs är inte troligt (Z-värde över 3,0) 2: Gråzon (Z-värde mellan 1,81-3,0) 3: Konkurs är trolig (Z-värde under 1,81) (http://pages.stern.nyu.edu) 2.1.3 Revidering av Z-scoremodellen för privata tillverkande företag (Z -scoremodell) Den ursprungliga modellen är som tidigare nämnts konstruerad för att undersöka finansiell status i publika tillverkande företag. Altman har sedan 1968 reviderat modellen för att även kunna appliceras på både privata tillverkande företag och privata icke-tillverkande företag. Anledningen till varför dessa presenteras är för att läsaren skall underrättas om att det finns reviderade versioner som är framtagna för att mäta Z-värden för olika typer av företag. Detta är viktigt för att förstå eventuella snedvridningar i resultatet. Vid det första tillfället då formeln reviderades för att vara applicerbar på privata tillverkande företag byttes marknadsvärde på eget kapital i variabel X 4 ut mot bokfört värde på eget kapital. Detta på grund av att privata företag inte har ett lika dagsaktuellt mått på marknadsvärdet som publika bolag har i form av börsvärde. Denna ändring gav även upphov 7

till en ny inbördes vägning av variablerna enligt en MDA som utförts med det nya nyckeltalet. Den första omskrivningen av formel ser ut som följer: Z = 0,717X1 + 0,847X2 + 3,107X3 + 0,420X4 + 0,998X5 Vi noterar att viktningen av variabel X1 reducerades från 1.2 till 0,717, X2 reducerades från 1,4 till 0,847 och X4 reducerades från 0,6 till 0,420. Detta innebär att MDA-analysen gav dessa tre variabler en lägre statistisk signifikans än tidigare. Variablerna X3 samt X5 är i princip oförändrade, vilket innebär liknande statistisk signifikans. Gränserna för Z-värdena har modifierats enligt nedan: Figur 2. Z -scoreintervall 1: Konkurs är inte troligt (Z -värde över 2,9) 2: Gråzon (Z -värde mellan 1,23 2,9) 3: Konkurs är trolig (Z -värde under 1,23) (http://pages.stern.nyu.edu) 2.1.4 Revidering av Z-scoremodellen för privata icke-tillverkande företag (Z - scoremodell) Ytterligare en revidering av Z-scoremodellen genomfördes, och denna gång för att passa privata icke-tillverkande bolag. Resultatet av den förändringen blev att variabel X 5, Försäljningsintäkter/totala tillgångar (tillgångarnas omsättningshastighet) eliminerades. Anledningen till detta var att denna variabel anses vara en industrikänslig variabel som inte är relevant då man mäter icke-tillverkande bolag. I övrigt är de andra fyra nyckeltalen de samma som efter första revideringen, d.v.s. med bokfört värde av eget kapital i stället för 8

marknadsvärdet av den samma. Vikterna ändrades återigen enligt samma MDA-princip som föregående tillfällen. Formeln har följande utseende: Z" = 6,56 (X1)+ 3,26 (X2) + 6,72 (X3) + 1,05 (X4) Variablerna X 1 - X 4 är alltså identiska med de i den föregående Z -formeln, men vi noterar en markant ändring av vikterna på samtliga variabler. Även gränserna för Z-värdena har modifierats för att bättre passa in på icke-tillverkande privata bolag. Figur 3. Z -scoreintervall 1: Konkurs är inte troligt (Z-värde över 2,6) 2: Gråzon (Z-värde mellan 1,1 2,6) 3: Konkurs är trolig (Z-värde under 1,1) (http://pages.stern.nyu.edu) Dessa tre modeller är alltså framtagna för att kunna appliceras på olika typer av företag beroende av vad det är för typ av bransch samt om bolagen är privata eller publika aktörer. Eftersom vi i denna studie kommer att utföra undersökningen på svenska börsnoterade bolag är det enbart den ursprungliga Z-scoremodellen som är applicerbar, då marknadsvärdet av eget kapital används i stället för det bokförda värdet. På grund av att denna modell är framtagen för tillverkande företag kan detta mynna ut i en snedvridning av resultatet, i och med alla bolag i vår undersökning inte är just tillverkande bolag. Vi är medvetna om detta och kommer att föra en närmare diskussion kring problemområdet beroende på utfallet i undersökningen. 9

3. Utförande 3.1 Ämnesval Valet av ämne uppstod efter kontakt med en managementkonsult på ett välkänt internationellt konsultbolag och deras Finance and Performance Management-avdelning. Vi var intresserade av att mäta hur man ute i arbetslivet går till väga för att undersöka olika företags riskexponering. Användning av nyckeltal för att göra bedömningar om företags framtida utsikter är något som enligt konsulten ökar i användning ute hos konsultfirmorna. Vi har därför valt att undersöka huruvida en befintlig prediktionsmodell kan användas för att på ett så tillförlitligt sätt som möjligt göra en analys av bolagens risk att hamna i en finansiell kris. Med finansiell kris avses i denna uppsats en företagskonkurs. Detta för att på ett rimligt vis kunna göra undersökningen mätbar. Vidare har vi valt att avgränsa oss till svenska börsnoterade bolag då prediktionsmodellen kräver ett visst underlag i form av information från de olika bolagens årsredovisningar. Nyckeltal från balans- och resultaträkningarna används sedan för att göra bedömningar om konkursrisk föreligger eller om framtidsutsikterna pekar åt annat håll. Modeller har tidigare använts för att prognostisera olika företag i Sverige, men det finns knapphändig information om hur modellen fungerar som prognosverktyg för svenska publika aktiebolag. 3.2 Urval Vi har valt att undersöka samtliga bolag som sedan 1997 har blivit avnoterade från Stockholmbörsen på grund av konkurs. Bolag noterade på Stockholmsbörsen är omfattade av ett tydligt regelverk som bland annat innehåller regler angående noteringskrav, lönsamhet och finansiella resurser, likviditet samt ett ökat informationskrav. Detta gör att noterade bolag rimligtvis bör inneha ett mer lättillgängligt och trovärdigt undersökningsmaterial. För att ytterligare förstärka resultat och analys har vi även testat modellen på en kontrollpopulation bestående av de åtta företag som under 2008 har haft den starkaste börskursutvecklingen. Anledningen till att vi valt att undersöka just åtta kontrollbolag är att enbart var dessa åtta bolag som hade börskurser som faktiskt ökat under 2008. Vi ville även ha så dagsaktuella siffror som möjligt vilket motiverar valet av undersökningsåret 2008. Syftet med kontrollbolagen var att se var dessa företag ligger i Z-intervallet. Det förväntade 10

utfallet var självfallet att samtliga kontrollbolag ska ligga i intervallet där konkursrisk ej föreligger. Gällande de konkursdrabbade bolagens representativitet innefattar urvalet samtliga bolag som gått i konkurs sedan 1997, vilket innebär att vi på dessa bolag har kunnat testa det vi med hjälp av modellen avsett att testa. Gällande urvalet av kontrollbolag har vi valt att utgå från de bolag som under det senaste året haft den snabbast växande börskursen, då detta är marknadens värdering av företaget i fråga. Detta borde innebära att bedömningen av företaget är precis det motsatta jämfört med de nio konkursdrabbade företag vi analyserar i studien. Utvecklingen av företags börskurser är ett av de mest vedertagna måtten för att mäta företags framgång. Varför vi valde att använda oss av bolagens kursutveckling motiveras även med att nyckeltalet marknadsvärdet på eget kapital ingår i Z-formeln, vilket talar för att det finns en korrelation mellan modellen och det valda framgångsmåttet. Börskursutvecklingen är mätt från och med första januari 2008 till och med 28 december 2008. Börskurserna är hämtade från Dagens Industris hemsida. Kontrollbolagens årsredovisningar är från 2006 samt 2007, detta för att få värden som sträcker sig två år tillbaka i tiden från mättillfällets tidpunkt, d.v.s. den 28 december 2008. Med mättillfälle menar vi balansdagen i bolagens olika årsredovisningar. Dessa mättillfällen infaller då ett respektive två år före konkurs då vi behandlar konkursbolagen. För kontrollbolagen infaller dessa för år 2006 samt 2007. 3.3 Informationssökning Vi har tagit reda på vilka modeller för konkursprognostisering som historiskt sett varit mest använda och relevanta. Detta genom att ha sökt efter prediktionsmodeller med hjälp av bland annat Google Scholar och vetenskapliga tidsskrifter som Journal of Finance och Journal of Accounting Research. Den metod som verkar vara den mest vedertagna genom åren och som även i dag används av forskare runt om i världen är Altmans Z-scoremodell (http://www.exceluser.com). Då vi var intresserade av hur finansiella nyckeltal kan användas vid företagsbedömningar lämpar sig modellen bra för användning i vår undersökning. Detta leder till att arbetet har en deduktiv ansats där Altmans Z-scoremodell utgör basen för undersökningen. 11

3.4 Tillvägagångssätt Vi har utfört en kvantitativ undersökning på totalt 17 bolag där nödvändiga nyckeltal har studerats och med hjälp av dessa mätt modellens grad av tillförlitlighet gällande prognostisering av företagskonkurser. Vidare har vi alltså använt oss av Z-scoremodellen för att se om man har kunnat förutspå en finansiell kris i de bolag som sedan 1997 har avnoterats från Stockholmsbörsen på grund av konkurs. Som tidigare nämnts har vi använt oss av historiska data från dessa bolags årsredovisningar för att se hur modellen eventuellt kan användas även vid framtida bedömning av börsnoterade bolag. Information om vilka bolag som avnoterats från Stockholmsbörsen på grund av konkurs fann vi på NasdaqOMX hemsida (http://omxnordicexchange.com). De undersökta bolagens årsredovisningar är efterskickade från bolagsverkets register. Då Altmans Z-scoremodell avser undersöka huruvida företag ligger i riskzonen för konkurs inom loppet av två år har vi använt oss av data som sträcker sig två år tillbaka i tiden från mättillfället. För konkursbolagen är detta alltså data från ett respektive två år innan konkurs. För kontrollbolagen innebär det att data är hämtat från respektive bolags årsredovisningar från år 2006 och 2007. 3.5 Objektivitet Bolagens årsredovisning är något som en auktoriserad revisor granskar. Detta gör att årsredovisningarna från företagens sida inte går att påverka mer än vad som är tillåtet enligt lag. Vidare ligger det i revisorns intresse att ge en så rättvisande bild som möjligt av företaget då vederbörande är ansvarig för att rätt information kommer ut till de intressenter som tar del av rapporterna. Eftersom vi har använt oss av de årsredovisningar som företagen skickat in till bolagsverket kan dessa vara lämpliga att användas vid tillämpningen av Z-scoremodellen. Gällande modellen i sig är även den något som inte kan användas på annat sätt än så den faktiskt är utformad. Det som kan diskuteras är huruvida modellens anpassningsbarhet på den svenska börsmarknaden är tillförlitlig eller inte. Då modellen är utformad i USA med amerikanska företag som underlag kan man eventuellt se att själva viktingen av nyckeltalen eventuellt borde se lite annorlunda ut. Särskilt med tanke på olikheter mellan de europeiska och amerikanska redovisningssystemen. Det kontinentala europeiska redovisningssynsättet 12

tillämpar en mer reglerad redovisning jämfört med den amerikanska anglosaxiska motsvarigheten. I Sverige har redovisningen varit styrd av dels civillagstiftningen, dels av skattelagstiftningen. Då företagen ofta vill redovisa så låga värden som möjligt på exempelvis lager och övriga tillgångar för att minska skattekostnaden, har det i mångt och mycket varit skattelagstiftningen som styrt principerna för hur redovisningen blir utformad. I den anglosaxiska redovisningen har kopplingen mellan redovisning och beskattning inte funnits i samma utsträckning, varför värderingen av exempelvis tillgångar varit något annorlunda. Detta påverkar självfallet nyckeltalens utformning, vilket även kommer att leda till andra värden på indata i Z-scoremodellen. Syftet med undersökningen kommer ändå att uppnås, då vi med hjälp av den befintliga Z- scoremodellens ursprungsversion kommer undersöka tillämpbarheten på den Stockholmsbörsen. 3.6 Kritik Vad gäller årsredovisningarnas relevans kan kritik riktas mot när i tiden de är upprättade. Eftersom vi har valt att undersöka samtliga bolag som gått i konkurs från och med 1997 till 2008 kan man ifrågasätta huruvida ändrade redovisningsregler kan påverka utfallet av resultatet. Då det skulle vara väldigt tidskrävande att år för år gå igenom exakt vilka regler som gällde vid de olika redovisningstillfällena har vi valt att bortse från detta eventuella problem. 4. Resultat Av de nio konkursdrabbade bolagen som vi undersökt saknas fullständiga uppgifter från två. Prosolvia AB saknar en tillförlitlig börskurs på balansdagen både år 1996 och 1997. Detta medför att vi inte kan ta fram nyckeltalet X4 (marknadsvärdet/bokfört värde totala Skulder) och därmed inte heller ett Z-värde för år 1996. Fagerlid Industrier AB saknar samma värde men för år 1997 och påverkar därför undersökningen på samma sätt. Två av konkursbolagen har ett Z-värde som enligt Altmans modell inte är utsatt för konkursrisk. Av resterande sju företag har två bolag ett (av sina två) Z-värden i den så kallade gråzonen där konkursrisken bedöms vara osäker. De kvarvarande fem bolagen har samtliga Z-värden i intervallet där konkurs bedöms som trolig. 13

Av de åtta kontrollbolagen har Karo Bio AB, BioGaia AB samt Probi AB sina Z-värden på en nivå där konkursrisk inte föreligger enligt Altmans modell. AarhusKarlshamn AB, AstraZeneca AB samt Scribona har vardera ett (av två) Z-värden i intervallet där konkurs inte är trolig. AarhusKArlshamn och AstraZeneca har sitt andra Z-värde i gråzonen, medan Scribonas andra Z-värde befinner sig i intervallet där konkursrisk föreligger. De två kvarvarande bolagen AddNode AB och Broström AB har båda sina Z-värden i intervallet där konkurs är trolig. Nedan presenteras en sammanställning av Z-värdena som vi har tagit fram med hjälp av bland annat bolagens årsredovisningar. I appendix återfinns fullständiga data från samtliga bolag där alla enskilda nyckeltal och Z-värden finns presenterade. För år 1997 saknas marknadsvärde för att få ett komplett Z-värde gällande Fagerlid Industrier AB. Desamma gäller för Prosolvia AB för både år 1996 samt 1997. Därför väljer vi att inte ta med dessa värden i den presenterade undersökningen. 4.1 Observerade Z-värden Nedan visas de Z-värden som bolagen tilldelats via Altmans Z-scoremodell. Konkursbolag presenteras i grått och kontrollbolag presenteras i blått. Ett perfekt utfall skulle innebära att den övre halvan är blå och den undre halvan grå. Detta på grund av att de ingående bolagen i de två undersökningsgrupperna representerar de två extremintervallen i modellen. För att ytterligare förtydliga de olika Z-intervallen har vi markerat de olika Z-värdena med olika färger beroende på vilket intervall de tillhör. Konkurs trolig markeras med rött, Gråzon markeras med svart, Konkurs ej trolig markeras med gult. 14

Då vi analyserar tabellen ser vi att så inte är fallet. Anledningarna till detta kan tänkas vara nästan oändliga. Vidare kommer vi i denna undersökning analysera de ingående komponenterna i Z-scoremodellen för att se om vi kan finna en del av förklaringen till snedfördelningen i själva modellen. Z värde ett år Z värde två år Bolag innan mättillfälle Bolag innan mättillfälle Scanmining AB (2006/2005) 22.0153 BioGaia 22.3915 Probi 17.7000 Kario Bio 17.4945 Scribona 15.9548 Scanmining AB (2006/2005) 15.0706 BioGaia 15.4291 M2S Sverige AB (2000/1999) 10.2665 M2S Sverige AB (2000/1999) 7.1480 Probi 9.3916 Kario Bio 4.8215 AstraZeneca 5.5967 AarhusKarlshamn 2.5300 AarhusKarlshamn 4.1848 AstraZeneca 2.4674 Alfaskop AB (2000/1999) 2.5129 AddNode AB 1.1438 Broström AB 1.7338 Broström AB 1.0694 AddNode AB 1.4822 Dial NXT Group AB (2000/1999) 0.6944 Scribona 1.2060 Alfaskop AB (2000/1999) 0.4931 Dial NXT Group AB (2000/1999) 0.6549 Fagerlid Industrier AB (1998/1997) 0.0584 Svithoid Tankers AB (2007/2006) 0.4946 Svithoid Tankers AB (2007/2006) 0.1342 Tivox AB (2004/2003) 0.1757 Tivox AB (2004/2003) 0.3283 Teligent AB (2007/2006) 0.0642 Teligent AB (2007/2006) 1.1845 5. Analys Tabell 1. Sammanställning av Z-värden för de undersökta bolagen. Syftet med denna uppsats är att undersöka huruvida Altmans Z-scoremodell är tillämpbar även för bolag noterade på Stockholmsbörsen. Undersökningens urval består av de nio bolag som sedan 1997 avnoterats från Stockholmsbörsen på grund av konkurs. För att ytterligare underbygga studiens trovärdighet har vi jämfört dessa bolag med de åtta företag som haft den starkaste börskursutvecklingen på Stockholmsbörsen under 2008. Testet skulle visa huruvida uppenbara skillnader mellan populationernas Z-värden gick att urskilja. I denna del avser vi analysera resultatet utifrån syftet samt den teori som presenterades i uppsatsens teoriavsnitt. Dessutom avser vi identifiera varför studiens utfall ser ut som det gör och om det finns svagheter i studien som kan ha föranlett eventuella missvisande resultat. I den studie som Altman presenterade år 1968 blev utfallet så att 95 % av bolagen hamnade inom det förväntade intervallet. Med det menar vi att de bolag som enligt modellen 15

förväntades gå i konkurs också gjorde det medan de som inte var utsatta för konkursrisk klarade sig. Resultatet i vår studie visar inte samma nivå av Z-scoremodellens träffsäkerhet. En svaghet i vår studie är som tidigare nämnts att antalet konkursdrabbade bolag vid Stockholmsbörsen är relativt låg, vilket leder till att endast ett fåtal observationer inom ramen för den populationen är möjlig. Detta leder i sin tur till att det blir svårare att med statistiskt fastställd säkerhet dra slutsatser som är generaliserbara. En ytterligare svaghet i studien är att representationen av olika branscher är snedfördelad. Bland de undersökta konkursbolagen är en stor del representerade av IT- och telekombranschen, medan läkemedelsindustrin finns starkt representerad hos kontrollbolagen. Det är vanskligt att i en liten studie som denna kunna ta hänsyn till all påverkan som detta kan ha för dess utfall. 5.1 Intervallfördelning Nedan visas Z-värdena för de olika intervallen åter igen: Kopia av Figur. 1 16

5.1.1 Konkursbolag med data från ett år innan konkurs Vi inleder med att analysera utfallet för konkursbolagen där vi använt oss av data från ett år innan konkurserna. Scanmining AB samt M2S Sverige AB ligger i intervallet där konkurs ej är trolig. De övriga sex bolagen ligger i intervallet där konkurs anses trolig, vilket innebär att dessa är placerade i sin rätta kategori. Detta medför att 75 % av dessa bolag är korrekt placerade. Jämför vi med Altmans ursprungliga undersökning, där 95 % bolag låg i rätt intervall, ser vi att vår undersökning ligger 20 procentenheter under det snittet. Tydligt är dock att en klar majoritet av bolagen hamnar i det intervall där konkurs är trolig, vilket överensstämmer med Z-modellen. Figur 4 nedan förtydligar fördelningen. Figur 4. Antal Z-värden i de olika intervallen. Data från konkursbolagen ett år innan konkurs. 5.1.2 Konkursbolag med data från två år innan konkurs När vi använder oss av data genererade två år före företagskonkurserna kan vi enligt teorin räkna med en något lägre kvot gällande korrekt placerade bolag. Altmans undersökning genererade en kvot på 83 %. I vår undersökning ser vi att fyra av sju värden ligger rätt placerade och att två värden är direkt fel. Ett värde ligger i gråzonen, vilket vi kommer räkna som en rättvis placering då detta intervall anger en osäker framtidsbild. Det är alltså fem av sju bolagsvärden som ligger i det förväntade Z-intervallet. Detta genererar en procentsats på 71 %, vilket i enlighet med teorin ligger något lägre än det värde vi fick fram då vi använde senare data. Jämfört med Altmans undersökning ligger även detta värde klart lägre, närmare 17

bestämt 12 procentenheter, vilket även detta får anses som en relativt stor skillnad. Även här ser vi hur de flesta bolagen dock blir placerade i förväntat Z-intervall. Figur 5 nedan förtydligar fördelningen. Figur 5. Antal Z-värden i de olika intervallen. Data från konkursbolagen två år innan konkurs. 5.1.3 Kontrollbolag med data från ett år innan mättidpunkten När vi sedan analyserar resultatet för kontrollbolagen ser vi en tydlig förändring av asymmetrin i modellen. Konkursbolagen är snedvridna till vänster i diagrammen och kontrollbolagen är snedvridna till höger, vilket tyder på att klara skillnader finns mellan de två urvalsgrupperna som undersökts. Då vi studerat de bolag som haft den kraftigaste börskursutvecklingen under 2008 har vi anledning att anta att samtliga bolag bör hamna i kategorin där konkursrisk ej föreligger. Det faktiska utfallet av värdena är inte i enlighet med detta utan vi ser även värden som ligger i gråzonen och även i konkursriskintervallet. Av de kontrollbolag vars värden är tagna ett år innan mätpunkten ligger enbart fyra bolag i intervallet där konkurs ej föreligger. Av de fyra återstående värdena ligger två i gråzonen och två i intervallet för konkursrisk. Beroende på hur vi behandlar de värden som ligger i gråzonen får vi stora skillnader i procentsatsen som mäter modellens tillförlitlighet. Det mest rimliga torde vara att klassa de två värden i gråzonen som korrekta, då dessa bolag till dags dato fortfarande är aktiva aktiebolag, vilket tyder på att enbart intervallet konkurs trolig 18

borde vara felaktig. Man ser då att sex bolag är rättplacerade och två bolag är felaktigt placerade i modellen. Här ser man att 75 % av bolagen ligger i ett intervall som anses rättvisande. Figur 6 nedan förtydligar fördelningen. Figur 6. Antal Z-värden i de olika intervallen. Data från kontrollbolagen ett år innan mättidpunkten. 5.1.4 Kontrollbolag med data från två år innan mättidpunkten Det sista diagrammet visar fördelningen av värdena för de kontrollbolag som analyserats med data från två år innan mätpunken. Samma resonemang som vi förde angående procentsatserna för konkursbolagen kan vi även använda oss av här. Man torde alltså få ett lägre värde på kvoten då man använder sig av data från längre tillbaka i tiden. Det som går att skönja är att fem av bolagen ligger i intervallet där konkursrisk ej föreligger, helt i enlighet med grundantagandet. Tre av kontrollbolagen ligger dock i intervallet där konkursrisk föreligger. Detta medför att 62,5 % av kontrollbolagen ligger i förväntat intervall. I enlighet med teorin är detta värde lägre än det som framkom då senare data användes. Jämför man detta med Altmans undersökning ser man att det ligger 20,5 procentenheter lägre, vilket medför låg signifikans. Figur 7 nedan förtydligar fördelningen. 19

Figur 7. Antal Z-värden i de olika intervallen. Data från kontrollbolagen två år innan mättidpunkten. 5.2 Nyckeltalsanalys Nedan analyseras de nyckeltal som finns inbäddade i modellen var för sig. På så vis kan man tydligare lokalisera varför resultatet i studien föll ut som ovan. 5.2.1 Rörelsekapital/totala tillgångar (X1) Diagrammet nedan påvisar att spridningen av mätvärden mellan konkursbolag och kontrollbolag är högre då data från två år innan mättillfället använts. Ju närmare mättillfället desto mer träffsäker tycks Z-modellen vara. Vad man dock tydligt ser är att det inte är någon perfekt fördelning mellan grupperna. Även då data från ett år innan mättillfället använts finns det en hel del konkursbolag som har högre värden än de framgångsrika kontrollbolagen. Nyckeltalet i sig är den variabel som är den tredje viktigaste i ordningen, varför denna spridning får en betydande påverkan av det totala Z-värdet för bolagen. Medelvärdet för konkursbolagen med data från ett år innan är -0.0351. Motsvarande värde får kontrollbolagen är 0.2553. Då data från två år innan mättillfället använts har konkursbolagen ett medelvärde på 0.1860 och kontrollbolagen ett medelvärde på 0.3288. Detta innebär att kontrollbolagen har högre medelvärden vid bägge mättillfällena, vilket tyder på att detta nyckeltal påvisar tydliga skillnader mellan grupperna men att denna ej är så pass signifikant att det kommer påverka det totala Z-värdet i någon större utsträckning. 20

Viktad X1 Viktad X1 Bolag Värde ett år innan mättillfälle Bolag Värde två år innan mättillfälle Karo Bio AB 1.0234 Karo Bio AB 0.9740 BioGaia AB 0.6345 M2S Sverige AB 0.7380 Probi AB 0.5447 Dial NXT Group AB 0.6348 Fagerlid Industrier AB 0.3445 BioGaia AB 0.6217 M2S Sverige AB 0.2922 Probi AB 0.5879 Scribona AB 0.1892 Fagerlid Industrier AB 0.3123 Scanmining AB 0.0511 AstraZeneca AB 0.3002 Broström AB 0.0429 Broström AB 0.2362 Dial NXT Group AB 0.0330 Scribona AB 0.2083 AstraZeneca AB 0.0474 Svithoid Tankers AB 0.1901 AddNode AB 0.0868 Alfaskop AB 0.1728 Teligent AB 0.1180 Scanmining AB 0.0313 Svithoid Tankers AB 0.1984 AddNode AB 0.0464 AarhusKarlshamn AB 0.2582 AarhusKarlshamn AB 0.2518 Alfaskop AB 0.2868 Teligent AB 0.2704 Tivox AB 0.3326 Tivox AB 0.3209 Tabell 2. Sammanställning av de viktade värdena för nyckeltal X1 för de undersökta bolagen. 5.2.2 Balanserade vinster/totala tillgångar (X2) Fördelningen av värdena mellan konkursbolagen och kontrollbolagen är för nyckeltal X2 i tabellen nedan fördelade relativt förenligt med vad modellen förutsäger. Nyckeltalet i sig talar om hur företagen finansierat verksamheten. Företag med hög kvot har i högre utsträckning finansierat sin verksamhet med egna vinstmedel i stället för lån, vilket verkar högst troligt för de företag som har utvecklats positivt. Företag som ligger nära konkurs är mer benägna att ta nya lån för att finansiera verksamheten, då de troligtvis har mycket färre reserver än ett väl fungerande bolag. Även för detta nyckeltal gäller det vi tidigare skrev om hur pass nära mättillfället data är insamlad. Ett år innan mättidpunkten ligger företagen som ovan nämnt med få undantag fördelade enligt Altmans antaganden. För data insamlad två år före mättillfället ser vi en mycket större blandning mellan grupperna; även detta i enlighet med Altmans antaganden. Medelvärdet för konkursbolagen med data insamlat ett år innan mättidpunkten är -0.0930 och för kontrollbolagen 0.0502. Medelvärdet för konkursbolagen med data insamlat två år innan mättidpunkten är 0.0471 och för kontrollbolagen -0.0126. Intressant är dock att medelvärdet är högre för konkursbolagen då vi använder oss av data 21

hämtat två år innan mätningen. Detta kan självfallet vara en faktor till att den totala Z- värdesfördelningen blivit en aningen skev i samband med att dessa värden har använts. Viktad X2 Viktad X2 Bolag Värde ett år innan mättillfälle Bolag Värde två år innan mättillfälle AarhusKarlshamn AB 0.9393 AarhusKarlshamn AB 0.946 Scribona AB 0.7946 AstraZeneca AB 0.5308 AstraZeneca AB 0.3101 Scribona AB 0.4624 Broström AB 0.1628 Tivox AB 0.4309 AddNode AB 0.0765 Teligent AB 0.2631 Alfaskop AB 0.0639 AddNode AB 0.1793 Karo Bio AB 0 Broström AB 0.1785 Probi AB 0 Alfaskop AB 0.0781 M2S Sverige AB 0.025 M2S Sverige AB 0.0359 Tivox AB 0.0441 Probi AB 0 Svithoid Tankers AB 0.0671 Svithoid Tankers AB 0.0534 Teligent AB 0.1027 Dial NXT Group AB 0.0993 Fagerlid Industrier AB 0.1491 Karo Bio AB 0.1075 Scanmining AB 0.1737 Scanmining AB 0.1339 Dial NXT Group AB 0.2461 Fagerlid Industrier AB 0.1446 BioGaia AB 1.8814 BioGaia AB 2.2905 Tabell 3. Sammanställning av de viktade värdena för nyckeltal X2 för de undersökta bolagen. 5.2.3 Resultat före ränta och skatt/totala tillgångar (X3) Något som man tydligt noterar när man studerar de olika företagens räkenskaper är att många av dessa bolag får en betydande del av årsresultatet från intressebolag och andra ägarandelar som i resultaträkningen återfinns under finansiella poster. Detta nyckeltal som innefattar rörelseresultatet (resultat före finansiella poster) blir således missvisande i de fall då de finansiella posterna i hög grad inverkar på moderbolagets resultat. Ett exempel är Fagerlid Industrier AB som vid 1998 års resultaträkning innehar ett rörelseresultat på -115 tkr, samtidigt som intäkter från intressebolag och andra ränteintäkter uppgår till 7 733 tkr. I det fallet kan man tänka sig att detta nyckeltal delvis ger en missvisande indikation på hur företaget verkligen mår. I just detta fall visade det sig att företaget trots detta hamnade inom ramen för hur Altmans modell värderar risken för konkurs, men eftersom detta nyckeltal är det som i modellen väger tyngst anser vi att det är viktigt att understryka denna problematik. Även här går det att skönja en relativt tydlig uppdelning mellan grupperna, och detta i synnerhet då ett år gamla data har använts. Medeltal för denna kategori är -0.6632 för konkursbolagen och -0.1079 för kontrollbolagen. De data som insamlats två år innan 22

mätningen genererar medeltal på 0.0179 för konkursbolagen och -0.1079 för kontrollbolagen. Man ser samma tendens som för föregående nyckeltal, att konkursbolagen har ett högre värde då data är äldre. Ett år gamla data genererar högre värden för kontrollbolagen i enlighet med modellen. Även detta nyckeltal kan alltså ha inverkan på snedfördelningen av de totala Z- värdena. Viktad X3 Viktad X3 Bolag Värde ett år innan mättillfälle Bolag Värde två år innan mättillfälle AstraZeneca AB 0.557 Fagerlid Industrier AB 1.8391 BioGaia AB 0.2345 AstraZeneca AB 0.9058 Probi AB 0.1629 BioGaia AB 0.1626 AarhusKarlshamn AB 0.0173 Broström AB 0.0154 Broström AB 0.0347 Scribona AB 0.0174 Svithoid Tankers AB 0.0408 AarhusKarlshamn AB 0.0245 AddNode AB 0.0791 Dial NXT Group AB 0.0289 Scanmining AB 0.1082 AddNode AB 0.0605 Scribona AB 0.1115 Svithoid Tankers AB 0.0688 Tivox AB 0.1219 Tivox AB 0.1783 Alfaskop AB 0.2129 Scanmining AB 0.1994 M2S Sverige AB 0.2135 Probi AB 0.2133 Fagerlid Industrier AB 0.8906 Alfaskop AB 0.2922 Karo Bio AB 1.5752 M2S Sverige AB 0.3573 Teligent AB 1.6069 Teligent AB 0.5707 Dial NXT Group AB 2.1106 Karo Bio AB 1.7403 Tabell 4. Sammanställning av de viktade värdena för nyckeltal X3 för de undersökta bolagen. 5.2.4 Marknadsvärde på eget kapital/bokfört värde av totala skulder (X4) Om man med detta nyckeltal inleder med att se på medelvärdena för de olika grupperna ligger konkursbolagen kraftigt lägre vid bägge mätningarna. Konkursbolagen har ett medelvärde på 4.1514 för data ett år tillbaka i tiden och 4.5584 för data två år tillbaka. Kontrollbolagen har sina respektive medelvärden på 7.1762 och 7.4380. Detta nyckletal är det som genererar det absolut största spannet mellan de lägsta och högsta noterade värdena. Exempelvis toppar Scanmining AB listan för data ett år tillbaka i tiden med ett viktad X4- värde på 21.9586. Då Scan Mining AB är ett av konkursbolagen förefaller detta både motsägelsefullt och orimligt. Vi har därför valt att gå in och analysera detta bolag i detalj och noteras bör att bolaget har en annan konkurshistoria än de övriga bolagen i gruppen. Scanmining AB har haft kraftiga felvärderingar gällande deras malmtillgångar, vilket resulterat i att ledningen gått ut med felaktig information till aktieägarna inför de 23

nyemissioner som tagit plats. Ett antal aktieägare har även anmält styrelsemedlemmar för bland annat bedrägeri och trolöshet mot huvudman. (www.aktiespararna.se) Detta är något som i undersökning kanske borde betraktas som en extraordinär händelse och i så fall helt bör utelämnas. Men i och med att urvalet innefattar de bolag som avnoterats på grund av konkurs anser vi ändå att Scanmining AB bör innefattas i urvalet; detta trots att det är en kraftigt bidragande orsak till resultatets snedvridning. Scanmining AB noterar faktiskt det högsta av Z-värdena i kategorin där data är insamlat ett år innan mättillfället, och detta trots att nyckeltal X4 är den variabel som är minst viktad. Det andra konkursbolag som ligger avsevärt högre än resterande är M2S Sverige AB. Även deras höga Z-värde har sin grund i detta nyckeltal, där vi noterar ett X4-värde på 7.0184. Någon specifik företeelse som förklarar detta höga värde har inte hittats, utan man får acceptera bolagets höga marknadsvärde i förhållande till totala skulder som en anledning till detta. Noteras bör även att marknadsvärdet för både Fagerlid Industrier AB (1996 och 1997) och Dial NXT Group (1999) saknas vilket gör att de ej återfinns som population i urvalet för detta nyckeltal. Viktad X4 Viktad X4 Bolag Värde ett år innan mättillfälle Bolag Värde två år innan mättillfälle Scanmining AB 21.9586 BioGaia AB 22.9774 Probi AB 16.5773 Karo Bio AB 18.1928 BioGaia AB 15.4979 Scanmining AB 15.1340 Scribona AB 15.0667 M2S Sverige AB 9.5021 M2S Sverige AB 7.0184 Probi AB 8.5721 Karo Bio AB 5.3567 AarhusKarlshamn AB 3.5122 Dial NXT Group AB 3.0841 AstraZeneca AB 2.9754 AarhusKarlshamn AB 1.8623 Alfaskop AB 1.7495 AddNode AB 1.2228 AddNode AB 1.4007 AstraZeneca AB 0.9365 Broström AB 1.3266 Broström AB 0.8891 Scribona AB 0.5471 Teligent AB 0.3573 Svithoid Tankers AB 0.4236 Alfaskop AB 0.2841 Teligent AB 0.3790 Fagerlid Industrier AB 0.2167 Tivox AB 0.1620 Svithoid Tankers AB 0.1659 Dial NXT Group AB Tivox AB 0.1258 Fagerlid Industrier AB Tabell 5. Sammanställning av de viktade värdena för nyckeltal X4 för de undersökta bolagen. 24