Kapitalstrukturen för

börsnoterade bolag i Sverige

- Vad är det som påverkar deras

finansieringsval?

Författare:

Marcus Lindblad

Michal Janiec

Handledare: Natalia Semenova

Examinator: Petter Boye

Termin: VT16

Ämne: Företagsekonomi

Nivå: Kandidatuppsats

Kurskod: 2FE75E

i

Abstrakt

Studien grundar sig i att undersöka hur finansieringen ser ut för börsnoterade bolag i

Sverige. I uppsatsen analyserar vi bolagans kapitalstruktur och hur den är uppbyggd.

Studiens fokus ligger i att ta reda på hur bolagen specificerar sina skulder med fokus på

de kortfristiga skulderna som bryts ner i räntebärande och ej räntebärande skulder. För

att samla information till studien har fakta från 100 bolags årsredovisningar hämtats via

hemsidan Bolagsfakta och uppgift om företagens börsvärde från NASDAQ hemsidan.

All insamlad fakta har bearbetas och utifrån insamlad fakta har korrelationsanalyser

gjorts mellan företagens skuldsättningsgrad samt andel ej räntebärande kortfristiga

skulder och företagnes karakteristika i form av andel anläggningstillgångar av totala

tillgångar, effektiv skattesats, storlek, tillväxtmöjligheter, räntabilitet och likviditet.

Resultatet som skapades utifrån korrelationsanalysen analyserades sedan utifrån två av

de huvudsakliga teorierna som beskriver kapitalstruktur, nämligen pecking order och

trade-off teorin. Studien resulterade i att de båda teorierna beskriver de studerade

sambanden väl men pecking order teorin var den teorin som bäst stämde in på det

studerade datan.

Nyckelord

Skuldsättningsgrad, kapitalstruktur, kvantitativ sambandsanalys, sekundärdataanalys,

pecking order, trade-off, andel materiella anläggningstillgångar, storlek, omsättning,

balansomslutning, market-to-book ratio, räntabilitet, effektiv skattesats, balanslikviditet.

Tack

Vi vill rikta ett stort tack till vår handledare Natalia Semenova för goda råd och

kommentarer under uppsatsens gång. Även ett stort tack till Petter Boye och de andra

studenterna som ingått i samma seminariegrupp som oss då kommentarerna från dessa

tillfällen varit givande och hjälpt oss att skriva den här uppsatsen.

ii

Innehåll

1. Inledning ___________________________________________________________ 4 1.1 Bakgrund _______________________________________________________ 4 1.2 Problemdiskussion _______________________________________________ 7 1.3 Frågeställningar _________________________________________________ 9 1.4 Syfte ___________________________________________________________ 9

1.6 Disposition _____________________________________________________ 10 1.7 Centrala begrepp _______________________________________________ 10

2. Metod _____________________________________________________________ 12 2.1 Forskningsmetoden _____________________________________________ 12 2.2 Primär- och sekundärdata ________________________________________ 14 2.3 Population och urval ____________________________________________ 15 2.4 Operationalisering ______________________________________________ 16

2.5 Analysmetod ___________________________________________________ 18

2.6 Reliabilitet och validitet __________________________________________ 21

3. Teoretisk referensram _______________________________________________ 24 3.1 Pecking order teorin _____________________________________________ 24

3.2 Trade-off teorin ________________________________________________ 26 3.3 Analysmodellen _________________________________________________ 28

3.4 Andel materiella anläggningstillgångar av totala tillgångar ____________ 29 3.5 Storlek ________________________________________________________ 31 3.6 Tillväxtmöjligheter ______________________________________________ 33

3.7 Räntabilitet ____________________________________________________ 34 3.8 Balanslikviditet _________________________________________________ 35

3.9 Effektiv skattesats _______________________________________________ 36

4. Empiri ____________________________________________________________ 38 4.1 Medelvärden ___________________________________________________ 38 4.2 Korrelationsanalys för skuldsättningsgrad __________________________ 40

4.2.1 Andel materiella anläggningstillgångar av total balansomslutning ______ 40

4.2.2 Naturlig logaritm av omsättning _________________________________ 41

4.2.3 Naturlig logaritm av balansomslutning ____________________________ 42

4.2.4 Market-to-book ratio __________________________________________ 42

4.2.5 Räntabilitet _________________________________________________ 43

4.2.6 Balanslikviditet ______________________________________________ 44

4.2.7 Effektiv skattesats ____________________________________________ 45

4.3 Korrelationsanalys för kortfristiga skulder __________________________ 46

4.3.1 Andel materiella anläggningstillgångar av total balansomslutning ______ 46

4.3.2 Naturlig logaritmen av omsättning _______________________________ 47

4.3.3 Naturlig logaritm av balansomslutning ____________________________ 47

iii

4.3.4 Market to book ratio __________________________________________ 48

4.3.6 Räntabilitet _________________________________________________ 49

4.3.7 Balanslikviditet ______________________________________________ 50

4.3.8 Effektiv skattesats ____________________________________________ 50

5.1 Andel materiella anläggningstillgångar _____________________________ 52 5.1.1 Andel materiella anläggningstillgångar och andel ej räntebärande

kortfristiga skulder ________________________________________________ 53

5.2 Naturlig logaritm av omsättning ___________________________________ 54 5.2.1 Naturlig logaritm av omsättning och andel ej räntebärande kortfristiga

skulder _________________________________________________________ 55

5.3 Den naturliga logaritmen balansomslutning _________________________ 56

5.3.1 Naturlig logaritm av balansomslutning och andel ej räntebärande

kortfristiga skulder ________________________________________________ 56

5.4 Market to book ratio (MTB) ______________________________________ 57 5.4.1 MTB och andel ej räntebärande kortfristiga skulder _________________ 58

5.5 Räntabilitet ____________________________________________________ 59

5.5.1 Räntabilitet och andel ej räntebärande kortfristiga skulder ____________ 60

5.6 Balanslikviditet _________________________________________________ 60 5.6.1 Balanslikviditet och andel ej räntebärande kortfristiga skulder _________ 61

5.7 Effektiv skattesats _______________________________________________ 62

5.7.1 Effektiv skattesats och andel ej räntebärande kortfristiga skulder _______ 63

5.8 Sammanställning av sambanden ___________________________________ 63

5.9 Bortfallsanalys _________________________________________________ 65

5.10 Outliersanalys _________________________________________________ 65

6. Slutsatser __________________________________________________________ 67

Referenser ___________________________________________________________ 71

Bilagor ______________________________________________________________ 76 Bilaga A – Beräkningar _____________________________________________ 76

4

1. Inledning

Kapitlet inleds med en beskrivning av bakgrunden till studier av kapitalstrukturer för att

bidra till en förståelse för uppsatsens ämne. Vidare fortsätter kapitlet med en

problemdiskussion som förklarar den ansatsen som uppsatsen har. Följaktligen presenteras

uppsatsens frågeställning och syfte. I slutet av kapitlet redogörs det för uppsatsens fortsatta

disposition och de centrala begreppen som kommer att användas igenom arbetet.

1.1 Bakgrund

Det finns en mängd lagar och regler såväl nationella som internationella som syftar till att

säkerställa redovisningens riktighet. I Sverige är Årsredovisningslagen och Bokföringslagen

två av de mest kända samlingarna med regler som styr redovisningens utformning. I de andra

länderna finns det motsvarande nationella lagar. Internationellt är GAAP (Generally Accepted

Accounting Principles) och IFRS (International Financial Reporting Standards) kända

regelverk som sätter standarder för redovisningen för att säkerställa dess riktighet. Men att

redovisningens riktighet säkerställs kan inte vara ett mål i sig utan detta görs för att

intressenterna ska kunna använda informationen i redovisningen som beslutsunderlag. Detta

görs genom att analysera informationen från redovisningen inom företagsanalys.

Företagsanalys är ett brett begrepp då det finns många olika områden av ett företags

verksamhet som man kan analysera men många företagsanalyser baseras på en för liten

mängd information för att kunna erbjuda en rättvisande helhetsbild av företagets ekonomiska

ställning. Företagens finansiering som uppsatsen handlar om är ett av de områden som ofta

analyseras (Carlson, 2014). Kapitalstrukturen hos företag visar hur deras finansiering ser ut.

Finansieringen kan bestå av eget kapital eller främmande kapital men vanligtvis är strukturen

en blandning av båda två av dessa kapitaltyper som kan delas upp i olika underkategorier i

redovisningen. Syftet med att analysera dessa kapitalstrukturer är att visa hur företaget

finansierar sin verksamhet.

Finansieringsanalyser förmedlar information om företagets kapitalstruktur till ett flertal

intressenter. De typiska intressenterna för företagens ekonomiska ställning är ägare, kunder,

5

leverantörer, långivare, staten och de anställda på företagen (Arvidsson, Carrington & Johed,

2016). Ägare som intressenter har ett intresse för företagets ekonomiska ställning för att dels

kunna utvärdera styrelsens arbete för att kunna besluta om den ska behållas eller bytas ut och

dels för att kunna ta ett informerat beslut när det gäller köp eller försäljning av sina

aktieandelar. Kunder och leverantörer har ett intresse i företagen i form av att kunna göra en

bedömning om företaget kan infria sina prestations- och betalningsförpliktelser. Förskott från

kunder, eller kredit från leverantörer är alltid en risk för dessa två grupper av intressenter och

den risken behöver dessa intressenter kunna förstå för att anpassa sina handlingar därefter.

Detta gäller även än mer för långivare som oftast löper den största förlustrisken om företaget

inte skulle kunna infria sina betalningsförpliktelser. Långivarna behöver därför ha en klarhet

för företagets ekonomiska ställning för att kunna ta rätt beslut vad gäller finansiering av

företaget och finansieringens villkor. Staten har också ett intresse i att förstå företagens

ekonomi för att kunna ta rätt beslut på många olika plan. Offentliga investeringar,

lagändringar eller bidrag är några av dem områden i vilka en förståelse för företagen dem

härrör är nödvändig. Slutligen har även dem anställda på företaget och jobbsökande ett

intresse för att förstå hur det ser ut för företagets ekonomi när de tar beslut om att investera

sin tid i företaget och knyta sig till den genom sin anställning (Smith, Brännström, & Jansson,

2015). Att få en bättre förståelse för företagets kapitalstruktur bör vara fördelaktigt för alla de

olika intressenter inom ramen för den företagsanalys som de gör för att bedöma företagets

ekonomiska ställning. Detta eftersom en ökad förståelse för företagens kapitalstrukturer bidrar

till en bättre förståelse för de finansieringsval som företaget har gjort som i sin tur ligger i

grund till dess ekonomiska ställning.

Vi som är skribenter till den här uppsatsen arbetar båda på svenska banker och har därmed ett

stort intresse för att skapa oss en förståelse för hur kapitalstrukturer ser ut inom olika bolag.

Under våra anställningar har vi märkt att de modeller som bankerna som är företagets

intressenter använder sig av inom ramen för företagsanalys är väldigt standardiserade. Många

gånger bedöms företagen utifrån samma kriterier enligt en mall utan att hänsyn tas till

företagets specifika karakteristika. Vilka tillväxtmöjligheter ett företag har eller hur den

effektiva skattesatsen påverkar företags kapitalstruktur till exempel bortses ofta ifrån i dessa

modeller medan de har internationellt visat sig vara viktiga faktorer som påverkar företagens

6

finansieringsval (Wald, 1999). Företagens finansiering bedöms istället genom sådana

traditionella nyckeltal som skuldsättningsgrad, kassa- eller balanslikviditet. Sådana vanliga

metoder är enkla att använda och på så sätt kostnadseffektiva för bankerna men de lyckas inte

att ta med i beräkningen företagets specifika finansieringssituation. Dessa metoder fyller

många gånger sin funktion vad det gäller riskbedömning men ger inte tillräckligt med

information för att kunna möjliggöra rådgivning anpassad till det enskilda företaget situation.

Företagen är väl medvetna om sina nyckeltal men är frågande vad det gäller den optimala

finansieringsmixen för just deras företag. Genom vår studie av de svenska företagens

kapitalstrukturer vill vi därför komma närmare svaren till denna fråga för att förutom att öka

förståelsen bland alla företagens intressenter för företagens finansieringsval själva kunna

erbjuda våra kunder en bättre rådgivning.

För att få en bättre förståelse för kapitalstrukturerna krävs det att teoretiska ramar sätts för att

kunna tolka informationen om företagen i deras redovisning. Detta både för att underlätta

förståelsen för de olika intressenterna till dem individuella företagen och för att kunna dra

slutsatser om kapitalstrukturerna generellt. De teoretiska ramarna för att kunna förstå och

tolka kapitalstruktur behöver dessutom utvärderas i praktiken då det behöver säkerställas att

teorierna beskriver verkligheten på ett tillförlitligt sätt. Teorierna behöver beskriva

verkligheten på ett tillförlitligt sätt för att kunna användas till att dra slutsatser om

verkligheten och kunna vara till grund för prognoser, om de inte gör det uppfyller de inte sitt

syfte. Av den anledningen behöver teorierna testas mot empiriska studier för att kunna

utvärdera deras användningsbarhet. Studier av kapitalstrukturer är därför även av ett stort

akademisk intresse och har studerats flitigt av flera forskare i olika länder. Tidigare forskning

inom kapitalstrukturer har än så länge endast förklarat en del av de observerade

kapitalstruktur beteenden som finns. Man vet fortfarande lite om kapitalstrukturer och de

krafter som faktiskt påverkar företagens val av finansieringskällor även om själva resultatet av

de finansieringsval som har gjorts av företagen framgår tydligt av företagens redovisning

(Graham & Leary, 2011).

7

1.2 Problemdiskussion

Ett flertal teorier som beskriver de krafter som påverkar företagens kapitalstrukturer har

utvecklats genom åren. De har i efterhand utvärderats i ett antal empiriska studier. De två

ledande teorierna som beskriver valet av kapitaltyp när det gäller finansiering av företag är

pecking order och trade-off teorier (Rauh & Sufi, 2010). Pecking order teorin utgår från att

det finns en naturell preferensordning i företagens val av finansiering. Företagen finansierar

sin verksamhet helst internt genom att behålla sina inarbetade vinster, det är först när den

källan inte är tillräcklig som de söker finansiering externt och då helst i form av belåning.

Nyemissioner är därför det minst prefererade finansieringssättet enligt pecking order teorin

(Myers & Majluf 1984). Trade-off teorin däremot utgår från att det finns en optimal

kapitalstuktur som företagen strävar efter. Den optimala kapitalstrukturen består av en

blandning av såväl eget- som främmande kapital. Hur denna uppdelning mellan eget- som

främmande kapital ser ut är ett resultat av en slags avvägning mellan för- och nackdelarna

med respektive finansieringssätt som kan vara olika stora beroende på företagets specifika

situation (Jensen & Meckling, 1979).

Genom en tolkning av dessa teorier kan man förutsäga hur kapitalstrukturerna för företagen

kommer att se ut beroende på företagens karakteristika. Företagets ålder till exempel kan vara

en determinerande karakteristika för företagets kapitalstruktur. Pecking order teorin tolkas

ofta innebära att äldre företag borde ha en lägre skuldsättningsgrad ett ungt företag då dem har

funnits längre och därmed haft en längre tid på sig att ackumulera internt inarbetade vinster

(Myers, 2001). Trade-off teorin kan däremot tolkas innebära att äldre företag bör ha en högre

skuldsättningsgrad eftersom de jämfört med unga företag har haft mer tid på sig att utveckla

sina relationer till långivare. Genom bättre relationer till långivare har de äldre företagen

minskat sina relativa kostnader för belåning vilket borde skifta balansen mellan eget och

främmande kapital mot det senare (Jensen & Meckling, 1979). Tolkningar av pecking order

och trade-off behöver däremot inte alltid vara konflikterande och för andra karakteristika än

just ålder som vi tagit i vårt exempel kan dessa teorier istället erbjuda komplementerande

förklaringar (Mukherjee & Mahakud, 2012).

8

De flesta studier utvärderar kapitalstruktur teorierna genom att undersöka hur företagens

skuldsättningsgrad korrelerar med dess determinerande karakteristika. Sådana determinerande

faktorer som undersöks ofta i dessa studier är bland annat andel anläggningstillgångar av

totala tillgångar, effektiv skattesats, storlek, tillväxtmöjligheter, räntabilitet, inkomstvolatilitet

eller likviditet (Harris & Raviv, 1991). Däremot är förhållandet mellan dessa determinerande

faktorer och skuldsättningsgraden inte konsistent i de olika kapitalstruktur studierna. De

empiriska resultaten skiljer sig i vissa fall åt emellan studierna, i ibland så mycket att

studiernas slutsatser motsäger sig (Niu, 2009). En orsak till detta problem kan vara

definitionen av skuldsättningsgrad som används i de empiriska studier av pecking order och

trade-off kapitalstruktur teorierna fångar upp poster som påverkas av faktorer som inte har

någon påverkan på finansieringsvalen. I sin studie av kapitalstrukturer justerar Rajan &

Zingales (1995) exempelvis de totala skulderna med leverantörsskulder vid beräkning av

skuldsättningsgraden eftersom de snarare kan bero på transaktionsomständigheterna än

finansieringsval. Å andra sidan har leverantörsskulder varit en viktig finansieringskälla för

företagen under finanskrisen 2007-2008 då tillgången till bankfinansieringen försvårades

(Garcia-Appendini & Montoriol-Garriga, 2013). För att en studie av kapitalstrukturerna ska

kunna ge en komplett bild av kapitalvals fenomenet krävs det därför ett flertal detaljerade

variabler som kan analyseras.

De företagsspecifika determinerande faktorers signifikans för kapitalstrukturen skiljer sig

även åt emellan länderna. De flesta internationella kapitalstruktur studier utgår från att

företagsspecifika determinerande faktorer påverkar företagens kapitalstrukturer på samma sätt

oberoende av landet som företagen befinner sig i. Ändå redovisar dessa studier sina resultat

fördelat på länder där de determinerande faktorerna skiljer sig åt emellan länderna vad det

gäller dess påverkan och signifikans (Jong, Kabir & Nguyen, 2008). Borgenärsskydd,

börsmognad och rättssystem är några av de krafter som skapar skillnader mellan länderna

(Gianetti, 2003). Kapitalstrukturer är mindre beroende av företagsstorlek i länder med

skandinaviska rättssystem till exempel (Alves & Ferreira, 2011). För att kunna utvärdera

kapitalstruktur teorierna på ett tillförlitligt sätt behövs därför studier i flera länder för att

säkerställa att ett visst studieutfall inte är ett uttryck endast för en landsskillnad. Studieutfall

från flera länder kan däremot användas för bedömning av teorin generellt.

9

Song (2009) visar i sin studie av 6000 svenska företag att kortfristiga skulder utgör en stor del

av företagens totala finansiering då de kortfristiga skulderna utgjorde i snitt 49 % av

företagens balansomslutning i studien. På grund av detta menar han att man bör bryta ner de

kortfristiga skulder i dess beståndsdelar för att bättre kunna utvärdera kapitalstruktur

teorierna, något som hans studiedata inte möjliggjorde. Även om man bör beakta Songs

(2009) studie med viss försiktighet då den endast återges i ett arbetsutkast och har därmed inte

verifierats på samma sätt som en artikel som publiceras i en vetenskaplig skrift så är Song

universitetslektor på Kungliga Tekniska Högskolan vilket ger honom en akademisk tyngd

(KTH). En liknande studie som har publicerats i Applied Financial Economics har tidigare

gjorts av Bevan & Danbolt (2002) där dem testade kapitalstruktur teorierna mot empirisk data

för 822 företag i Storbritannien. I det fallet utgjorde de kortfristiga skulderna i snitt 68 % av

företagens skuldsättning och även här drog författarna slutsatsen om att en analys av

kapitalstrukturer är inkomplett om de kortfristiga skulder behandlas som en gemensam post.

En nedbrytning av de kapitaltyper som innefattas av posten kortfristiga skulder såsom

leverantörsskulder eller kortfristiga bankskulder påvisade signifikanta skillnader för

determinerande faktorer för företagens kapitalstrukturer. Vi vill därför undersöka detta ur ett

svenskt perspektiv bland dem svenska noterade företagen för att se om och vilka faktorer

påverkar de svenska företagens kapitalstrukturer och på vilket sätt. Genom att undersöka detta

vill vi bidra med en kompletterande inblick som kommer möjliggöra att på ett bättre sätt

evaluera de ledande kapitalstruktur teoriernas tillämpning i Sverige.

1.3 Frågeställningar

Hur väl beskriver pecking order och trade-off teorierna kapitalstrukturen för svenska

börsnoterade företag?

1.4 Syfte

Syftet med vårt arbete är att testa pecking order och trade-off teorierna mot ett empiriskt

utfall. Till skillnad från tidigare studier inom detta område avser vi att ingående undersöka

10

kapitalstrukturen för de svenska börsnoterade företagens kortfristiga skulder. Uppsatsen

ämnar utvärdera hur väl pecking order och trade-off teorierna beskriver kapitalstrukturen för

svenska börsnoterade företag.

1.6 Disposition

Uppsatsens fortsatta disposition är följande kapitel:

2. Metod - I metodkapitlet presenterar och motiverar vi för tillvägagångssättet för vår studie.

3. Teori – Teorikapitlet behandlar de teorier som ligger i grund för vårt arbete.

4. Empiri – Det insamlade datan och statistiska bearbetning redovisas i empirikapitlet.

5. Analys – Analyskapitlet består av en diskussion av de teoretiska referensramarna i

anknytning till studiens empiriska resultat.

6. Slutsatser - I slutsatskapitlet presenterar vi våra slutsatser och förslag till fortsatt forskning.

1.7 Centrala begrepp

Anläggningstillgång - En tillgång som är avsedd att stadigvarande brukas eller innehas i

verksamheten under en löptid på minst 1 år.

Balanslikviditet - en likviditets nyckeltal som definieras som kvoten mellan företagets

omsättningstillgångar och kortfristiga skulder.

Effektiv skattesats - Den genomsnittliga skattesatsen som beräknas på den totala skattepliktiga

inkomsten.

GAAP (Generally Accepted Accounting Principles) - En standard för god redovisningssed i

en jurisdiktion. Den mest kända GAAP är US GAAP alltså den standard för god

redovisningssed som gäller i USA.

11

IFRS (International Financial Reporting Standards) - en internationell redovisningsstandard

som gäller för alla börsnoterade företag i Sverige.

Kortfristiga skulder - Skulder som har en löptid på mindre än 1 år.

Långfristiga skulder - Skulder som har en löptid på mer än 1 år.

MTB (Market-to-book ratio) - Ett mått på företagets marknadsvärde delat med företagets

bokförda värde som används som en approximation för företagets tillväxtmöjligheter.

Naturell logaritm - En logaritm som har talet e som bas, som är ungefär lika med 2,718. Den

naturliga logaritmen beskriver hur mycket tid en viss tillväxt skulle ta.

Omsättningstillgång - En tillgång som är avsedd att löpande förbrukas, säljs eller omvandlas

till likvida medel.

Räntablitet - Ett finansiellt nyckeltal som anger företagets resultat före skatt delat med ett

kapitalmått. Det kapitalmåttet vi använder oss av i vårt arbete är totalt kapital.

Skuldsättningsgrad - Ett finansiellt nyckeltal som beskriver andel av eget kapital av totalt

kapital i företaget.

12

2. Metod

Detta kapitel inleds med en diskussion av den ansatsen som arbetet utgår från och fortsätter

med en redogörelse för den typ av data som kommer att användas i studien. Kapitlet fortsätter

med att beskriva population och urvalet som har gjorts i studien, den operationalisering som

har gjorts i arbetet och den analysmetod som uppsatsen kommer att använda sig av. Detta

kapitel slutar med en presentation av en bedömning av reliabiliteten och validiteten i

uppsatsen.

2.1 Forskningsmetoden

Vid uppsatsskrivande finns det vanligtvis två olika forskningsmetoder som används, det är en

kvantitativ- eller en kvalitativ metod. De olika forskningsmetoderna skiljer sig framförallt vad

det gäller arbetssätt och antalet observationer som undersöks inom respektive

forskningsmetod. Generellt sätt analyseras det är större mängd observationer i den

kvantitativa metoden än i den kvalitativa metoden. I den kvantitativa metoden samlas det en

större mängd data som senare statistiskt analyseras, medan den kvalitativa metoden utgår från

en mindre mängd data som samlas oftast i intervjuer eller enkäter och som sedan analyseras

genom analytiskt tänkande (Bryman och Bell, 2013). Den största fördelen med den

kvantitativa metoden är att en större mängd data kan analyseras, det gör att stickurvalet är

större och det tillåter att på ett statiskt mer säkert sätt kunna dra slutsatser om den

populationen som stickurvalet gjordes från. Motsvarande är det den kvalitativa metodens

huvudsakliga nackdel med att en mindre mängd data insamlad data, alltså ett mindre

stickurval, vilket gör det svårare att dra generella slutsatser om hela populationen som

stickurvalet gjordes från på ett statistiskt säkert sätt. Många gånger är stickurvalen inte heller

lika slumpmässiga som dem som görs inom ramen för kvantitativ metod och kan därför ge en

mer skev bild av hur det ser ut populationen i stort. Att kvalitativa studier kan vara svårare att

upprepa eller kontrollera är en annan kritikpunkt. Fördelen med en kvalitativ metod är

däremot att eftersom de data som samlas in görs så på ett mindre strukturerat sätt än i den

kvantitativa metoden ger det mer flexibilitet när det gäller vilka observationer som kan fångas

in. Den kvalitativa metoden är därför välanpassad till att studera beteenden, intryck, normer

13

eller idéer som det kan vara svårare att hitta ett strukturerat sätt att studera de på

(VanderStoep & Johnson, 2008).

Eftersom syftet med arbetet är att dra slutsatser om vad som påverkar dem svenska noterade

företagens kapitalstrukturer i stort lämpar sig en kvantitativ forskningsmetod bäst för vår

studie. Slutsatser som ska dras för stora grupper, alltså mer generaliserande slutsatser, brukar

vanligtvis utgå från kvantitativa studier (Maxwell, 2008). Tidigare studier som har gjorts

inom kapitalstrukturer i världen har främst utgått från kvantitativa forskningsmetoder och

utifrån dem dragit slutsatser om vad som påverkar kapitalstrukturerna och på vilket sätt

(Lemmon, Roberts & Zender, 2008). Det finns flera diskussioner om att forskning bör göras

genom att använda en hybrid forskningsmetod, nämligen att forskningen utgår från både en

kvalitativ- och en kvantitativ metod, detta är en forskningsmetod som förespråkas av många

(Sale, Lohfeld & Brazil, 2002). Att utgå från en hybrid forskningsmetod kan bidra med en

fördjupad förståelse för fenomenet som studeras då forskningen inte enbart skulle baseras på

objektiv statistik från data insamlat på strukturerat sätt utan inkluderar även subjektiva

iakttagelser från observationer som kan göras på ett flexibelt sätt under till exempel intervjuer.

Vi vill undersöka faktorer som de facto påverkar de svenska noterade företagens

kapitalstrukturer, genom en kvantitativ metod kan vi göra detta på ett objektivt sätt som inte

påverkas av subjektiva åsikter. Hade syftet varit att undersöka vad styrelserna eller

finansavdelningarna i företagen anser påverka de i deras finansieringsval hade en kvalitativ

metod kunnat vara bättre lämpad även om svaren skulle vara mer subjektiva. Problemet med

denna ansats hade dock varit att de individerna säger påverkar deras finansieringsval behöver

inte nödvändigtvis vara det som faktiskt påverkar dem. Även om det är ett intressant fenomen

i sig att studera ligger den utanför fokus av vår uppsats. På grund av detta kommer vi att hålla

oss till den kvantitativa forskningsmetoden utan några kvalitativa inslag.

Då arbetet utgår från en kvantitativ forskningsmetod kommer det bidra till en ökat statistisk

säkerhet, hög reliabilitet och objektivitet i vår studie. Den kvantitativa metoden möjliggör

analys av en större mängd data och därför ett större stickurval. Det större stickurvalet innebär

att slutsatser om hela populationen kommer kunna göras med en högre statistisk säkerhet än

vad som hade varit möjligt med en mindre stickurval i den kvalitativa metoden. De data som

14

vi samlar in inom ramen för kvantitativa ansats kan också samlas in precis på samma sätt av

någon annan vilket ger en hög reliabilitet. En kvalitativ studie kan många gånger inte

upprepas med oförändrade förutsättningar eftersom en interaktion vid datainsamling i form av

en intervju eller en enkät i sig påverkar den som svarar på den om inte annat genom att tvinga

hen till reflektion. Dessutom eftersom de data som vi samlar in inte kräver mycket tolkning av

oss vid insamlingstillfället undgås en stor del av faran med det kvalitativa arbetssättet om att

undersökarna påverkas subjektivt av det de undersöker vid insamling av data med fördel för

objektiviteten. Arbetet utgår från att ta in data för statistiskt bearbetning för att sedan försöka

visa samband i statistiken och utifrån det arbetssättet är en kvantitativ metod den mest

passande, detta då metoden inte ger mycket plats för egna värderingar eller tankesätt utan

forskningen utgår från det statistiska materialet (Sale, Lohfled & Brazil, 2002).

2.2 Primär- och sekundärdata

Primärdata brukar definieras som informationen som forskaren själv har varit med om att

skapa. Primärdata är data som samlas in för den specifika studien, datan är många gånger

väldigt användbar då fakta som samlas in är inriktat just mot det som ska studeras. Nackdelen

med primärdata är att insamling av data kräver tid och resurser och det kan därför vara en

utmaning vid genomförande av studier baserade på primärdata. Alternativet är användningen

av sekundärdata, data som redan är insamlad av någon annan. Datan som anses vara

sekundärdata är inte specifikt insamlat för studiens syfte utan har tidigare insamlats av någon

annan av en annan anledning. Det betyder inte att sekundärdata inte kan vara användas för

andra ändamål än vad den samlades i. Många studier använder sig framgångsrikt av

sekundärdata i sina undersökningar. Det negativa med användning av sekundärdata är att

bilden av problemet inte alltid blir fullständig utan endast kan undersökas i det mån

sekundärdata tillåter det. Av den anledningen kan det vara nödvändigt att använda sig av

sekundärdata från flera olika källor för att det som studeras ska kunna undersökas i sin helhet.

En stor mängd data kan därför många gånger behöva användas för att en studie helt ska kunna

byggas på sekundärdata (Lundahl & Skärvad, 1999).

15

Vårt arbete baserar helt på sekundär data i form av information från de svenska noterade

företagens årsredovisningar för år 2014 kompletterad med information om företagens

börsvärden från börsen. Vi använder oss av sekundärdata dels på grund av den praktiska

enkelheten med att datan redan finns insamlad men även på grund av att avsaknaden av andra

alternativ. Av vår erfarenhet är företag många gånger motvilliga att lämna information om

deras ekonomiska situation utöver det som dem publicerar i sina årsredovisningar. För att få

fullständig bild av företagens kapitalstrukturer och inte vara begränsade helt till informationen

i företagets årsredovisningar kompletterar vi därför med information om företagens börsvärde

från börsen. Data från årsredovisningarna och börsen är tillförlitliga sekundärkällor på grund

av att tanken är att årsredovisningen och börsvärdes information ska spegla hur det går för

företaget. Årsredovisningar och börsvärden är finansiella rapporteringar som regleras av lagar

och regler och därför leder det till att de är verifierade och väl granskade, vilket tyder på att

dem är goda källor att utgå ifrån (Atkinson & Brandolini, 2001). Men det finns även problem

med att göra ett arbete utifrån årsredovisningar som ska ge en rättvisande bild av företaget.

Problemet är att det inte finns någon uttömmande förklaring på vad en rättvisande bild

egentligen är och olika bolag kan presentera sina årsredovisningar med en viss mån av

värderingsfrihet vilket kan leda till missvisande resultat vid jämförelser företagen emellan

(Walton, 1993). Att vi i vår studie använder oss av årsredovisningar för börsnoterade bolag

innebär däremot att deras årsredovisningar följer IFRS vilket är ett krav enligt RFR 2.2. Det

medför att värderingsfriheten minskar och bör vara mer enhetlig bolagen emellan jämfört mot

icke noterade bolag.

2.3 Population och urval

Inom ekonomisk forskning syftar begreppet population till en fullständig samling av enheter

från vilken data kan sedans insamlas. Urvalet är den del av enheter för vilken data sedan

faktiskt insamlas. Genom att ta ett urval av enheter från en population och samla in data för

dem kan man sedan analysera den datan och dra generella slutsatser om populationen i stort

förutsatt att urvalet är representativt för hela populationen. Man kan inte veta hur väl ens urval

representerar hela populationen om inte man undersöker hela populationen för att ta reda på

hur exakt den är. Tanken med att använda sig av ett urval är just att man inte ska behöva

16

undersöka hela populationen av praktiska skäl såsom tid- och resursåtgång. Att använda sig

av obundet slumpmässig urval är ett sätt att säkerställa att det urvalet man gör inte ska ge en

skev bild utan att den ska vara representativ för populationen. Obundet slumpmässigt urval

innebär att urval av enheter från populationen görs slumpmässigt på så sätt att varje enhet i

populationen har lika stor chans för att väljas. Ju större urvalet är desto större statistisk

säkerhet finns det för att urvalet faktiskt representerar populationen. Det gör att de slutsatser

man gör om populationen genom generaliseringar baserade från resultatet för urvalet kan

göras med högre statistisk säkerhet (Bryman & Bell, 2013).

Populationen som studien avser att undersöka är noterade bolag i Sverige. Idag finns det totalt

285 olika börsnoterade bolag på Stockholmbörsen i segmenten Large Cap, Mid Cap och

Small Cap (NASDAQ OMX Nordic, 2016). Vårt urval kommer att bestå av 100 av dessa

företag. Urvalet kommer att göras obundet slumpmässigt för att minimera risken för att

urvalet inte skulle vara representativt för alla dem 285 noterade bolagen. Även om vårt urval

är relativt stort i jämförelse med populationen då den utgör mer än en tredjedel utav den så är

inte den relativa urvalsstorleken som är viktigt för att säkerställa urvalets representativitet av

populationen utan dess faktiska storlek. Vår urvalsstorlek bör därför anses som liten även om

mindre urval förekommer i vissa studier som görs (Bryman & Bell, 2013). På grund av

forskningsekonomiska ramen för vår uppsats kan vi inte göra urvalet större.

Slumpmässigheten av vårt urval kommer att begränsas endast av att i vår studie kommer vi att

bortse från årsredovisningar för finansiella företag. Detta eftersom de finansiella företagen

ofta omfattas av reglerade kapitalkrav och deras kapitalstrukturer återspeglar inte deras egna

finansieringsval (Abor & Biepke, 2009). Detta är också ofta i linje med dem urvalen som har

gjorts i de tidigare studierna av kapitalstrukturer (Kisgen, 2006).

2.4 Operationalisering

Årsredovisningarna för de börsnoterade svenska bolagen kommer vi att hämta från hemsidan

för Bolagsfakta. Hemsidan tillhandahåller årsredovisningar för de svenska noterade bolagen

på ett lättillgängligt sätt och är kostnadsfri, dessa två faktorer har varit avgörande för oss i

valet av vår datakälla. Vi kommer även att hämta information om företagens börsvärde från

17

hemsidan för NASDAQ OMX Nordic. NASDAQ OMX Nordic är den divisionen av

NASDAQ som driver Stockholmsbörsen och tillhandahåller information om aktiekurser.

Valet av vilka bolag som vi ska hämta årsredovisningar för kommer att göras slumpmässigt.

För att garantera detta kommer vi att använda oss av en slumptalsekvensgenerator från

hemsidan för RANDOM.ORG. I denna generator är det ljud från atmosfären som är källan till

talsekvensernas slumpmässighet. Vi låter generatorn ta fram en slumpmässig sekvens av

unika tal från 1 till 285, ett tal för varje företag noterad på Stockholmsbörsen.

Årsredovisningarna på Bolagsfakta ligger i alfabetisk ordning och vi hämtar

årsredovisningarna för dem första 100 talen i vår slumpmässigt genererade talsekvens enligt

deras plats i den alfabetiska ordningen. Om någon av dessa företag är ett finansiellt företag

hoppar vi över dess årsredovisning och ersätter den med en årsredovisning för det företag som

kommer näst efter dem 100 första slumpmässigt genererade talen enligt dess plats i den

alfabetiska ordningen.

I en Excel ark kommer vi sedan att beräkna företagets karakteristika baserat på information

från årsredovisningarna och uppgifterna om börsvärdet. De variabler som vi kommer att

beräkna i vår Excel ark är dels företagets skuldsättningsgrad och andel ej räntebärande

kortfristiga skulder. Och dels andel av anläggningstillgångar av totala tillgångar, effektiv

skattesats, storlek, tillväxtmöjligheter, räntabilitet och likviditet i företaget. De data som vi

samlar i vår Excel ark kommer att visa information om företagsspecifika karakteristika för var

sitt företag för att sedan kunna möjliggöra jämförelser företagen emellan så att mönster för

företagens kapitalstrukturer ska kunna synliggöras. Eftersom vår studie har som syfte att

analysera kapitalstrukturen för de svenska noterade företagens kortfristiga skulder vill vi

främst komma åt årsredovisningar för sådana företag som specificerar vad deras kortfristiga

skulder består av i sina årsredovisningar.

Det är däremot inte alla företag som gör det utan i vissa fall redovisas de kortfristiga skulder

som en post, där dem kortfristiga skulder specificeras i flera poster är inte redovisningen

enhetlig emellan företagen utan olika typer av kortfristiga skulder kan förekomma. I en

förstudie som vi gjorde där vi analyserade årsredovisningar för de 10 första i alfabetisk

ordning företagen på Bolagsfakta var det 9 årsredovisningar där de kortfristiga skulderna var

18

specificerade på så sätt att en distinktion mellan räntebärande och icke räntebärande

kortfristiga skulder kunde göras. I det fall då kortfristiga skulder redovisas som en post

kommer vi fortfarande att beräkna företagets karakteristika men kommer inte kunna räkna

fram andelen ej räntebärande kortfristiga skulder. Där de kortfristiga skulder redovisas som ett

flertal olika poster kommer vi att kategorisera dem i en av följande kategorier: räntebärande

kortfristiga skulder, ej räntebärande kortfristiga skulder samt skatteskulder. Vi gör detta för att

möjliggöra jämförelse emellan företagen som annars inte skulle vara möjlig eftersom

redovisningen av de kortfristiga skulderna inte är enhetlig. Till sist kommer vi att föra in vår

från vår Excel ark i IBM SPSS programvaran för statistiskt analys.

2.5 Analysmetod

I IBM SPSS kommer vi att genomföra en korrelationsanalys av företagens skuldsättningsgrad

och ej räntebärande kortfristiga skulder med företagens karakteristika, det vill säga företagets

andel av anläggningstillgångar av totala tillgångar, effektiv skattesats, storlek,

tillväxtmöjligheter, räntabilitet och likviditet. Korrelationskoefficienten är ett sätt att få fram

sambanden mellan variablerna. Vi behöver även undersöka hur starkt eller svagt sambanden

är mellan de studerade variablerna för att kunna dra slutsatser om dess vikt för utvärdering av

teorin. Pearsons koefficient är den statistiska analysfunktionen som vi kommer att använda

oss av för analys av sambanden mellan de variabler som vi undersöker i vår studie. Den anger

om sambandet mellan de olika variablerna är positivt eller negativt och hur stark den är.

Skalans för koefficienten sträcker sig mellan -1 och 1. Om resultatet blir 1 betyder det att

korrelationen är fullständigt positiv och om den är - 1 betyder det att korrelationen är

fullständigt negativ. Det finns även en möjlighet att resultatet blir 0 i koefficienten och det

betyder att det inte finns någon korrelation mellan variablerna. Pearsons koefficient kan även

anta vilket värde som helst emellan värden mellan -1 och 1 och tyder då på en partiell

korrelation (Cleveland, 1979). Utifrån vårt arbetssätt med korrelationskoefficienten ska vi se

hur de olika analyserade variablerna ligger till grund för de noterade bolagens finansiering.

Även om vår insamlade data skulle kunna möjliggöra andra, mer långtgående analyser som

till exempel en multipel regressionsanalys begränsar vi oss till en korrelationsanalys. Detta

eftersom variablerna som vi undersöker är i vissa fall högt korrelaterade med varandra.

19

Multikollinearitet omöjliggör bestämmandet av hur de enskilda beroende variablerna påverkar

den oberoende variabeln (Cohen, Cohen, West & Aiken, 2013). Dessutom är forskning inom

ämnet av kapitalstrukturer alltför konflikterande i dagsläget med många olika teorier och

empiriska utvärderingar som pekar åt olika håll för att man ska kunna ge sig på att hitta en

formel som skulle beskriva kapitalstrukturer generellt. Någon uttömmande lista av faktorer

som påverkar företagens kapitalstrukturer finns inte heller, därför skulle en sådan formel inte

vara praktisk heller då den inte kan ta med alla faktorer (Ramalho & da Silva, 2013). Detta är

inte heller någonting som de kapitalstrukturs studier vi har undersökt har försökt att ge sig in

på. Syftet med vår studie, att testa pecking order och trade-off teorierna mot ett empiriskt

utfall som på ett ingående sätt analyserar kortfristiga skulder hos de noterade svenska

företagen besvaras därför lämpligast med en korrelationsanalys.

Korrelationsanalysen har sina begränsningar, den fungerar endast för linjära samband,

förklarar inte kausaliteten och kan indirekt mäta fler faktorer än de som undersöks i

korrelationsanalysen. (Bryan & Bell, 2013). När det gäller begräsningen med att vår

korrelationsanalys endast fungerar för linjära samband kommer vi att ta fram grafer för de

samband som vi analyserar för att grafiskt säkerställa om sambanden som vi studerar faktiskt

är linjära. Kausaliteten handlar om ett orsakssamband som förklarar vad det är som orsakar

någonting. Korrelationsanalysen kan endast konstantera vilka variabler är, och på vilket sätt,

korrelaterade med varandra. Den typen av analys kan däremot inte fastslå vilken variabel som

orsakar förändringar i en annan variabel. Detta är ett problem eftersom de teorierna som vår

studie ämnar utvärdera avhandlar hur olika variabler orsakar förändringar i andra variabler

och vår korrelationsanalys kan endast bekräfta om förändringar i variablerna sker enligt vad

som teorin förespråkar men inte om förändringar i vissa variabler faktiskt orsakar

förändringar i andra variabler som teorierna hävdar. För att minimera risken med detta har vi

endast valt sådana variabler som har använts i tidigare studier och hänvisar till de

orsakssambandstolkningar som har gjorts av andra forskare inom kapitalstruktursområdet.

Slutligen finns det ett problem med att en analys av hur två variabler korrelerar med varandra

kan indirekt komma att analysera en tredje variabel om den i sin tur är korrelerad med en av

de variablerna som undersöks. I sådant fall kommer korrelationsanalysen inte kunna belysa

fenomenets fulla spektrum utan endast visa sambandet mellan de variablerna som är objekt

20

för korrelationsanalysen. Det är av den anledningen som vår studie bygger på en

undersökning av flertalet variabler så att så många variabler som möjligt undersöks var för

sig. Vid ett mindre antal undersökta variabler skulle det finnas ett större utrymme att

korrelationerna variablerna emellan ge ett uttryckt för tredje eller fjärde variabler som är

korrelaterade med de två variablerna som undersöks utan att deras påverkan undersöks

separat.

Eftersom en del företag redovisar de kortfristiga skulder på ett icke detaljerat sätt eller som en

post i årsredovisningen skulle vi inte kunna räkna fram andelen ej räntebärande skulder för

dessa företag. Vi kommer därför inte kunna analysera just detta kapitalmått för dessa företag.

Detta kan förstås som ett bortfall eftersom analys av dessa kapitalmått genomförs inte om

villkoret om att kortfristiga skulder redovisas som en post är uppfylld. Vid ett bortfall är det

viktigt att göra en bortfallsanalys för att verifiera att det inte är en viss typ av företag som

faller bort i vår undersökning. Det är viktigt i kvantitativa undersökningar att resultaten är

generaliserbara och om bortfallet blir för stort leder det till tveksamheter om studien är

representativ. Det skulle till exempel kunna visa sig att det är endast stora företag som

redovisar sina kortfristiga skulder som en post. I sådant fall kunde resultatet av vår studie i

detta avseende vara missvisande för hela populationen. En bortfallsanalys görs för att se till

att resultatet inte förvrängs av ett potentiellt systematiskt bortfall. Om en

bortfallsundersökning visar att det studerade resultatet inte är representativt för hela

populationen går det att utläsa varför det inte är representativt och därför kan

bortfallsanalysen vara underlag för framtida studier (Bryman och Bell, 2013).

När det gäller extremvärden i datan som undersöks beskriver Breunig, Kriegel, Ng & Sander

(2000) att man bör beakta outliers. Outliers är den del av den statistiska datan som markant

skiljer sig från medelvärdet. För att en observation ska räknas som outliers krävs det att

observationens värde är tre gånger så stort som medelvärdet för hela urvalet. Breunig, Krigel,

Ng & Sander (2000) fortsätter med att outliers är en viktig del av analysen i kvantitativa

studier då outliers har en stor påverkan på den insamlade datan. Vid en statistik studie

behöver en outlieranalys göras för att förklara hur outliers har påverkat det statistiska

resultatet och om resultatet har förvrängts på grund av outliers. För att få fram outliers i vår

21

studie kommer vi att göra en beräkning utifrån varje variabels standardavvikelse och sedan

jämföra det med medelvärden av hela urvalet i vår studie för respektive variabel. Den

insamlade datan för outliers som identifieras kommer att verifieras ytterligare en gång mot

källan för att säkerställa att outliers inte har sitt ursprung i ett mänskligt fel vid bearbetning av

datan. De bekräftade outliers kommer slutligen att analyseras för att utvärdera dess påverkan

på den insamlade datan.

2.6 Reliabilitet och validitet

Reliabilitet och validitet är två kriterier som ska beaktas vid bedömningen av kvaliteten i en

studie. Reliabiliteten handlar om studiens tillförlitlighet och är viktig att ta hänsyn till i studier

med en kvantitativ forskningsmetod. Reliabiliteten beskrivs utifrån tre olika faktorer:

stabilitet, inre reliabilitet och en internt bedömd reliabilitet (Bryman & Bell, 2013). Baserad

på reliabilitets faktorer är reliabiliteten i studie är generellt hög.

Stabiliteten avhandlar huruvida studien är upprepningsbar, om den skulle få ett likadant

resultat om den skulle genomföras av någon annan vid ett senare tillfälle, om den inte skulle

göra det är stabiliteten dålig (Bryman & Bell, 2013). Denna studie präglas av en väldigt hög

stabilitet eftersom studien kan när som helst och av vem som helst upprepas då datan som vi

använder är tillgänglig för allmänheten och är kostnadsfri. Eftersom vi i vår Excel ark som ni

finner i bilaga 1 noterar namnet på de företag som vi hämtar årsredovisningar för kan man i

framtiden göra en studie som följer upp med data för exakt samma urval som vår. Annars om

ett slumpmässigt urval skulle användas såsom i vår studie skulle en upprepning av studien

kunna ge något annorlunda resultat på grund av skillnader i urvalet.

Den inre reliabiliteten berör mätningar som görs på flera indikatorer samtidigt och handlar då

om korrelationen mellan dessa indikatorer. Om olika indikatorer som avser att mäta en och

samma fenomen inte korrelerar med varandra saknar studien en inre reliabilitet (Bryman &

Bell, 2013). Vi jobbar med den inre reliabiliteten genom att ta med flera närbesläktade

ekonomiska mått såsom skuldsättningsgrad och andel ej räntebärande kortfristiga skulder. I

vår korrelationsanalys visar vi sedan hur dessa förhåller sig till de andra variablerna, även om

det inte mäter precis samma sak så är variablerna de mäter nära besläktade. Till exempel ett

22

företag finansierat endast med eget kapital hade uppnått samma värde i både av dessa två

beräkningsmodeller. Även de företagskarakteristika som vi undersöker är i vissa fall högt

korrelaterade med varandra såsom tillväxtmöjligheter och ränteabilitet och genom att göra

korrelationsanalys dessa företagskarakteristika kan vi testa deras överensstämmande enligt

teorin.

Den internt bedömda reliabiliteten gäller subjektiviteten av forskarnas bedömningar som görs

vid insamling eller bearbetning av data. Där subjektiva bedömningar är inblandade finns det

en risk för att dessa bedömningar inte görs konsekvent vilket skulle negativt påverka den

internt bedömda reliabiliteten (Bryman & Bell, 2013). Arbetet med utgångspunkt i företagens

årsredovisningar gör att vår subjektiva påverkan på arbetet inte blir så stor. Ett statistiskt

material är svårare att påverka än ett insamlat material via intervjuer, där det ofta blir aktuellt

med egna tolkningar vid insamling av data. Därmed ökar den internt bedömda reliabiliteten

för arbetet då möjligheten till egna tolkningar av statistiskt material är begränsad. Vid

kategorisering av dem redovisade posterna under kortfristiga skulder gör vi en egen

bedömning när vi delar upp de i räntebärande, ej räntebärande och skatteskulder. Utrymmet

för denna bedömnings subjektivitet är däremot starkt begränsad av de klart formulerade

kategorierna.

Validiteten handlar om ifall en studie som är tänkt att analysera ett visst problem eller

fenomen verkligen mäter det tänkta problemet. Validiteten i en studie med en kvantitativ

forskningsmetod som vår kan bedömas utifrån den uppenbara validiteten och

kriterievaliditeten. Den uppenbara validiteten berör frågan om studiens mätningar kan av

utomstående ses som relevanta för att besvara studiens syfte. Kriterievaliditeten avser frågan

om hur väl testvariablerna korrelerar med studiens kriterium. Kriterievaliditeten kan även

uppdelas i samtidig och prediktiv validitet beroende på om testvariablerna korrelerar med

studiens kriterium i nuläget eller om de prognoser som har gjorts i studien korrelerar med det

faktiskt utfallet i framtiden (Bryman & Bell, 2013).

När det gäller validiteten i vår studie så är det den uppenbara validiteten och samtidiga

kriterievaliditeten som vi säkerställer. Den uppenbara validiteten i vår studie bekräftas genom

23

granskning av vår examinator, handledare och den studentgruppen som granskar vår ansats

och metoden som vi valde att arbeta efter i vårt arbete under uppsatsskrivandets gång. Vår

studie syftar till att utvärdera hur väl de ledande kapital struktur teorierna beskriver

kapitalstrukturen för de svenska noterade bolag, detta gör vi genom att använda historisk data

och den bilden vi får används inte av oss för att prognoser utan utvärdera ett befintligt utfall

utifrån teori. Därför är det den samtidiga kriterievaliditeten som vi lägger fokus på i vårt

arbete. Genom att göra jämförelser med andra studier som genomförts inom samma område

både i Sverige men även i andra länder kan vi bekräfta den samtidiga kriterievaliditeten. Om

de samband som vi presenterar i vår studie kunde ha påvisats i andra liknande studier betyder

det att vår studie faktiskt analyserar det problemet som den avser att göra. Det bör samtidigt

understrykas att det som formar företagens kapitalstrukturer inte är fullständigt kartlagt inom

forskning och risken att vi mäter faktorer som inte är de avgörande faktorerna för utformning

av kapitalstrukturerna finns då de avgörande faktorerna helt enkelt inte är fastställda. Det är

därför viktigt att vår studie med en stark anknytning till dem teoretiska referensramarna som

finns i form av pecking order och trade-off teorin, så länge vi mäter faktorer som dessa teorier

inkluderar kommer vi kunna utvärdera dem, även om en viktig determinant för

kapitalstrukturen som dessa teorier inte beskriver inte tas upp i vår studie.

24

3. Teoretisk referensram

Teorikapitlet inleds med en presentation av de två teorierna som uppsatsen har som syfte att

utvärdera, pecking-order och trade-off teorin. Vi fortsätter sedan med att presentera den

teoretiska grunden för vår analysmodell. Kapitlet slutar med en presentation av tolkningar av

dessa teorier som står i grund för prognoser för de olika variablerna som vår studie ska

utvärdera i praktiken, nämligen företagets andel av anläggningstillgångar av totala

tillgångar, effektiv skattesats, storlek, tillväxtmöjligheter, räntabilitet och likviditet.

3.1 Pecking order teorin

Pecking order teorin tillskrivs Myers (1984) men sägs basera på Donaldsons (1961) tidigare

verk. Teorin utgår från problemet med informationens asymmetri mellan interna beslutsfattare

på företaget och externa investerare. Det antas att det är endast interna beslutsfattare som

känner till företagets egentliga värde och tillväxtmöjligheter medan externa intressenter kan

endast göra gissningar om vad företaget egentligen är värd och vad den har för

förutsättningar. Dessa gissningar kan vara kvalificerade baserad på den information som

företaget publicerar i form av exempelvis årsredovisningar men det antas att de externa

intressenter inte kan känna till företagets egentliga situation lika väl som beslutsfattare som

jobbar på företaget. När företaget ska finansiera sin verksamhet kan den söka finansiering

externt, i form av lån eller nyemission, eller om de är tillräckliga kan den finansieras med

interna vinstmedel. Frank & Goyal (2007) påstår att eftersom det är endast företaget som

känner till sitt eget värde och utvecklingsmöjligheter och externa investerare antas vara

försiktiga i sina bedömningar av investeringsmöjligheter kommer de externa investerare

endast vilja erbjuda en investering till ett premium (Frank & Goyal, 2007).

I praktiken kan det handla om att det finns ett flertal företag som har intern information om att

en investering i företaget kommer att ge de hög avkastning med stor säkerhet och överväger

att söka investering externt. Samtidigt finns det företag som har intern information om att de

har en investering på gång som kan komma att ge de en medelstor avkastning men projektet

är förknippat med stor osäkerhet. De externa investerare är medvetna om att de företag som

25

söker deras finansiering ger de olika bra investeringsmöjligheter men de har inte tillgång till

den informationen som företagen har internt i sina investeringsbeslut. De kommer därför att

kräva sådana investeringsvillkor som de tror krävs för att vara på den säkra sidan att

investeringen blir lönsam för dem. För ett företag som har kännedom om att den finansiering

de söker kommer vara mycket lönsam är det mindre förmånligt att acceptera sådana

investeringsvillkor än vad det är för ett företag som själv vet att den finansiering de söker

kommer finansiera något som inte är lika lönsamt eller säkert. Detta kommer att upprätthålla

informationsassymetrin mellan företag och investerare då företag som har kännedom om att

en investering i de företagen är god kommer inte ha lika stor incitamenten till att söka

investering externt som företag som har kännedom om att en investering i de inte är så god.

Eftersom även detta är investerare medvetna om kommer de därför alltid att kräva

investeringsvillkor som om de företagen söker finansiering för hade ett lägre

investeringsvärde än vad det egentligen har (Myers, 1984).

En finansierings preferensordning förutsägs därför där den interna finansieringen i form av

sparade vinstmedel kommer generellt vara det mest prefererade finansieringssättet bland

företag då den undgår problemen med informationsassymetrin helt. Nästa finansieringskälla i

denna preferensorder är finansiering genom lån. Teorin utgår från att valet av finansiering

genom lån signalerar till de externa intressenterna att företagets investering är lönsam och

företaget är undervärderat. Hade företaget varit övervärderat hade man då istället gjort en

nyemission för att utnyttja detta. Finansiering genom nyemission är det minst prefererade

finansieringskällan eftersom det sägs signalera till externa investerare att beslutsfattarna på

företaget anser att företagets aktier är övervärderade och därför vill de emittera nya aktier till

en förmånlig överkurs. Detta förutsägs leda till att företagets värde minskar då externa

intressenter agerar på dessa signaler vilket är negativt för företaget och därför är nyemissioner

det minst prefererade finansieringskällan. Detta är den generella preferensordningen enligt

pecking order teorin, företagens finansieringsbeslut beror självklart på dess förutsättningar.

Företag som inte har besparade interna vinstmedel behöver förlita sig på finansiering genom

lån, och dåliga lånevillkor i avsaknad av säkerhet kan tvinga företaget att söka finansiering

genom nyemissioner (Brealey, Myers & Allen 2008).

26

Frank & Goyal (2003) menar att pecking order teorin är sämre på att förklara

kapitalstrukturen för en bredare samling av företag samtidigt som det inom forskning är

naturligt att undersöka ett större urval av företag för att utvärdera hur väl teorin beskriver

verkligheten. Pecking order teorin beskriver bäst bolagens finansiering då bolaget ställs inför

negativa kostnadsval, alltså då bolaget har ett avgörande finansieringsbeslut framför sig.

Teorin beskriver även väl större bolag som står inför investeringsval, medan teorin är mindre

applicerbar på små snabbväxande bolag som ofta arbetar med stor informationsassymmetri.

Anledningen till att teorin är mindre applicerbar för dessa bolag är att det sker för stora

förändringar på kort tid och därför kan pecking-order teorins synsätt då vara svår att tillämpa

då den handlar mer om långsiktiga preferenser än enskilda finansieringsbeslut som kan

påverkas av praktiska överväganden (Frank & Goyal, 2003).

3.2 Trade-off teorin

Jensen & Meckling (1979) beskriver att trade-off teorin utgår från att företag vill uppnå en

optimal kapitalstruktur och att det är grunden till vad varje företag vill uppnå genom sina

finansieringsbeslut. Den optimala kapitalstrukturen är ett resultat av de fördelar och nackdelar

med belåning som finns för företagen. Nackdelarna med belåning driver företagen åt att

minska andelen kapital som finansieras genom att låna pengar och driver företaget åt

finansiering genom interna vinstmedel eller nyemissioner. Fördelar med belåning driver

istället företagen åt att öka dess belåning. Inom trade-off teorin anses fördelarna ha en

avtagande marginell nytta och nackdelarna en ökande marginell kostnad, den optimala

kapitalstrukturen anses uppstå där den marginella nyttan med fördelarna och den marginella

kostnaden med nackdelarna med belåning är lika stora (Jensen & Meckling, 1979). På så sätt

lyckas trade-off teorin erbjuda en god förklaring till varför företag är i praktiken oftast

finansierade genom en mix av eget och främmande kapital. Trade-off teorin är en modell som

utgår från hävstång och utdelningsmål och drivs av ett antal olika parametrar i form av dess

för- och nackdelar.

De främsta fördelarna med belåning är dess effekt på skatter och fria kassaflöden. När det

gäller skatter är fördelen med ökat belåning att räntekostnader som belåningen innebär dras av

27

som kostnad och minskar därför en annan av företagets kostnader, nämligen skatten. Den

andra fördelen som finns med belåning har sin bakgrund i agent-principal problemet som

handlar om att uppdragstagare inte är helt lojala mot uppdragsgivare och deras uppdrag utan

tänker på sitt eget bästa. Ledningen på företaget är en agent eller uppdragstagare åt ägarna,

ledningens uppgift är att agera i ägarnas bästa intressen men enligt agent-principal teorin

kommer ledningen att agera i sitt eget intresse i avsaknad av andra incitament. Fria

kassaflöden i företaget som ledningen kan disponera över anses i trade-off teorins

sammanhang utgöra ett problem av en agent-principal karaktär. Det befaras att ledningen

kommer att använda de fria kassaflöden till sådana aktiviteter i företaget som ger de själva

mest nytta som till exempel att utveckla deras karriärmöjligheter. Belåning som används för

investeringar anses begränsa ledningens möjligheter att disponera över de fria kassaflöden.

Belåningar tvingar ledningen att se till att de investeringar som görs ger en högre avkastning

än vad kostnader för belåningen är i form av ränta. Finansiering genom lån involverar

dessutom lånegivarna som då som ytterligare intressenter följer upp med ledningen hur lånen

används för att garantera att de betalas tillbaka (Jensen & Meckling, 1979).

De främsta nackdelarna med belåning har att göra med den ökande risken för finansiella

problem förknippade med belåning. Kostnaderna som uppstår i samband med de finansiella

problemen vid finansiering med skulder inkluderar potentiella konkurskostander och

agentkonflikter mellan aktieägare och lånegivare. När skuldsättningsgraden ökar, ökar även

risken för att företaget skulle få det svårt att kunna betala av sina förpliktelser om negativa

omständigheter skulle inträffa. Ett sådant scenario skulle kunna tvinga företaget att agera på

ett sätt som är väldigt kostsamt genom att till exempel sälja av tillgångar till underpris för att

undvika konkurs eller i värsta i fall riskera att faktiskt hamna i konkurs. Den andra nackdelen

med belåning har att göra med de ökande kostnader för belåning som uppstår på grund av

agentkonflikter mellan ägare och lånegivare. Lånegivare är intresserade av att få tillbaka de

investerade pengarna plus ränta medan ägarna är intresserade av vinst. Riskaptiten mellan

dessa två intressentgrupper kan däremot variera. Ägarna kan till exempel vara villiga att ta en

hög risk med förhoppning om stor vinst även om risken för konkurs också är stor, detta gäller

däremot inte för lånegivare. Lånegivarna kommer då vilja ta högre riskpremie och för att

gardera sig mot en sådan eventualitet. Ägarna kan också vara villiga att investera i projekt

28

som minskar värdet på de tillgångar som annars lånegivarna skulle kunna lösa in som säkerhet

vid en eventuell konkurs. Detta kan i sin tur leda till att långivare kommer att införa kontroller

av företaget och inkludera dessa i utlåningsvillkor med ökande kostnader för belåning som

resultat jämfört med nyemissioner där investerarna själva blir delägare (Jensen & Meckling,

1979).

I praktiken kan det vara svårt för olika bolag att skapa och framförallt behålla en optimal

kapitalstruktur, eftersom att omvärlden hela tiden förändras behöver inte den kapitalstrukturen

som var optimal igår längre vara den optimala idag. Därför måste bolagen agera snabbt vid

förändringar för att de ska ha möjlighet att fortfarande behålla sin optimala kapitalstruktur. Ett

annat stort problem är också att veta hur den optimala kapitalstrukturen ska se ut, vilket är ett

problem som många bolag ställs inför. För att ha möjlighet att analysera ett företags optimala

kapitalstruktur utgår analyserna från deras genomsnittliga skuldsättning och utifrån det dras

det slutsatser för hur den optimala kapitalstrukturen skulle varit eller om den faktiskt var

optimal (Schyam-Sunder & Myers 1999). Corbett & Van Wassenhove (1993) beskriver att det

kan vara skadligt för ett bolag att hela tiden söka en optimal kapitalstruktur och att det många

gånger kan leda till ett misslyckande istället för att bolaget faktiskt ska lyckas i sitt arbete.

3.3 Analysmodellen

Kapitalstruktur teorierna som pecking order teorin och trade-off teorin har försökt att

utvärderats i många empiriska studier. I dessa studier har man undersökt hur

skuldsättningsgraden påverkas av sådana företagsspecifika faktorer som andel

anläggningstillgångar av totala tillgångar, effektiv skattesats, storlek, tillväxtmöjligheter,

räntabilitet och likviditet (Harris & Raviv, 1991). Detta är ingen uttömmande lista av

faktorer och det kan finnas ett flertal variabler som påverkar företagens skuldsättningsgrad.

Samtidigt har just dessa variabler visat sig vara viktiga för hur företag väljer att finansiera

sin verksamhet och det är därför som vi ska undersöka just dessa variabler. Hur dessa

variabler påverkar företagens kapitalstrukturer är också en fråga som forskare diskuterar. Det

har även visat sig att det med tiden kan ändras hur dessa olika företagsspecifika faktorer som

nämnts tidigare inverkar på företagens finansiering (Frank & Goyal, 2009). För att utvärdera

29

pecking order och trade-off teorin kommer vi därför att studera relationen av företagens

anläggningstillgångar av totala tillgångar, effektiv skattesats, storlek, tillväxtmöjligheter,

räntabilitet och likviditet och dess skuldsättningsgrad. Prognosen för dessa relationer utifrån

de två kapitalstrukturer teorierna som vi presenterade behandlas i följande underkapitel.

Skuldsättningsgraden som är ett mått på belåning i jämförelse med finansiering genom eget

kapital och som används flitigt i kapitalstrukturstudier är inte utan sina problem. Det

huvudsakliga problemet är att den reagerar på förändringar i belåning och eget kapital

samtidigt. Om ett företag fördubblar sin belåning samtidigt som den fördubblar sitt egna

kapital kommer skuldsättningsgraden vara opåverkad. I vår studie introducerar vi därför

även ett annat kapitalmått som endast reagerar på förändring i belåning nämligen andel ej

räntebärande kortfristiga skulder. Vi undersöker därför hur andel ej räntebärande kortfristiga

skulder påverkas företagens andel anläggningstillgångar av totala tillgångar, effektiv

skattesats, storlek, tillväxtmöjligheter, räntabilitet och likviditet. Bevan & Danbolt (2000)

menar att en mer helhetlig förståelse för vad som skapar företagens kapitalstrukturer kräver

en detaljerad analys av de olika kapitaltyper som bygger upp företagens finansiering och

andelen ej räntebärande kortfristiga skulder är en sådan. När det gäller svenska företag

finansieras de generellt dessutom i större utsträckning av kortfristiga skulder än vad företag

gör i andra länder och därför bryter vi just ner kortfristiga skulder med avseende på de

kortfristiga skuldernas räntebärande (Song, 2005).

3.4 Andel materiella anläggningstillgångar av totala tillgångar

Harris & Raviv (1991) tolkar relationen mellan företagens andel av deras materiella

anläggningstillgångar och företagens skuldsättningsgrad som negativ inom ramen för pecking

order teorin. De menar att en större andel materiella anläggningstillgångar minskar

informationsassymetrin eftersom värdet av anläggningstillgångarna är mindre spekulativ än

vad värdet av de immateriella anläggningstillgångarna är. Ju större del av de totala

tillgångarna utgörs av tillgångar för vilka värdet kan antas vara korrekt värderade ju mindre

blir informationsassymetrin. Detta borde därför öka andelen eget kapital som finansieras av

externa investerare genom nyemissioner som annars på grund av relativt hög

informationsassymetrin kommer sist i finansierings preferensordningen enligt pecking order

30

teorin. Då andelen eget kapital ökar minskar skuldsättningsgraden som är kvoten av företagets

skulder och eget kapital. Vi anser att det är logiskt att anta att den större andelen materiella

anläggningstillgångar borde minska informationsassymetrin när det gäller finansiering genom

kreditgivare då det innebär en större säkerhet även för kreditgivaren. Då finansiering genom

lån föredras framför nyemissioner enligt pecking order teorin borde den minskade

informationsassymetrin på grund av högre andel materiella anläggningstillgångar av de totala

tillgångarna borde resultera i en högre skuldsättningsgrad. Vi är därför skeptiska till den enligt

Harris & Raviv (1991) förespråkade negativa relationen mellan företagens materiella

anläggningstillgångar och företagens skuldsättningsgrad och med utgångspunkt i pecking

order teorin förväntar oss ett positivt samband mellan skuldsättningsgrad och andelen

materiella anläggningstillgångar av balansomslutningen. Hypotesen som skulle stödja pecking

order teorin är därför att det finns ett positivt samband mellan dessa variabler. Det måttet som

utan tvivelaktigheter borde kunna fånga in effekten av den minskade informationsassymetrin i

samband med högre andel anläggningstillgångar av totala tillgångar är andelen ej

räntebärande kortfristiga skulder. Detta eftersom andelen räntebärande skulder borde enligt

pecking order teorin öka i samband med minskat informationsassymetrin, till skillnad från

skuldsättningsgraden påverkas den inte av att informationsassymetrin minskar även för

finansiering genom nyemission. Den andra hypotesen till stöd för pecking order teorin är

därför att det finns ett negativt samband mellan andel materiella anläggningstillgångar av

totala tillgångar och andelen ej räntebärande kortfristiga skulder.

Trade-off teorin har ett annat synsätt än pecking-order teorin angående finansiering och

effekten av att ha en stor andel materiella anläggningstillgångar. Fama & French (2002)

beskriver att genom att ha relativt mer anläggningstillgångar som säkerhet kommer företagen

ha möjlighet att öka sin belåning då de relativa kostnader för lån minskar. Ju bättre säkerhet

som företagen kan erbjuda desto lägre ränta kan företagen förhandla sig till när de söker

finansiering externt i form av lån. Bättre ränta innebär att företagens kostnader för belåning

minskar medan fördelen med belåning är fortfarande samma, vilket skiftar balansen mellan

för- och nackdelar med belåning mot mer belåning då nackdelen i form av räntekostnader

minskar (Fama & Frenh, 2002). Tidigare empiriska studier stödjer slutsatsen om att relationen

mellan företagens andel av deras materiella anläggningstillgångar och företagens

31

skuldsättningsgrad är just positiv och därför stödjer empiriska resultatet trade-off teorin.

Andelen av företagens materiella tillgångar av företagens totala tillgångar är också inom

kapitalstrukturs forskning ett vanligt mått på hur mycket real säkerhet som företaget kan

erbjuda (Frank & Goyal, 2007). Därför är det också det måttet som vi kommer att använda oss

av i vår studie, vi inkluderar förvaltningsfastigheter i de materiella anläggningstillgångarna

eftersom att många fastighetsbolag redovisar dessa separat, men de bör ändå tas med eftersom

att de utgör en real säkerhet. Hypotesen som skulle bekräfta trade-off teorin är att det finns ett

positivt samband mellan andel materiella anläggningstillgångar och skuldsättningsgrad.

Sambandet mellan andelen materiella anläggningstillgångar av totala anläggningstillgångar

med andel ej räntebärande kortfristiga skulder borde på motsvarande sätt vara negativ då

prognosen är att belåningen ökar ju högre andelen materiella anläggningstillgångar av de

totala anläggningstillgångar är.

3.5 Storlek

Många studier av företagens finansiering överensstämmer i sina slutsatser när det gäller

företagsstorlekens påverkan på deras skuldsättningsgrad, nämligen att ju större ett företag är

desto större skuldsättningsgrad brukar de ha (Huang, 2006). Informationsassymetrin som

pecking order teorin fokuserar på antas minska med företagsstorleken. Enligt Fama & Jensen

(1983) ger de större företagen mer information till utomstående investerare än vad mindre

företag gör. Detta leder till att större företag även har lättare att få tillgång till lånemarknaden

och på så vis få lån till en lägre kostnad än vad ett mindre bolag har möjlighet till att få.

Dessutom är chanserna högre ju större ett företag är att den kommer att ha en kreditvärdering

och tillgång till lån utanför banksystemet (Bevan & Danbolt, 2002). Därför bör relationen

mellan företagens storlek och dess skuldsättningsgrad vara positiv med utgångspunkt i

pecking order teorin då preferensen för finansiering med internt genererade vinstmedel

jämfört med extern finansiering inte blir lika stark. När det gäller andelen ej räntebärande

kortfristiga skulder borde relationen till företagsstorleken vara negativ då den minskade

informationsassymetrin förknippat med en högre företagsstorlek borde resultera i generellt

mer räntebärande kapital.

32

Även trade-off teorin erbjuder en likadan prognos för förhållandet mellan företagsstorleken

och skuldsättningsgraden även om den prognosen görs på andra grunder. Storleken kan vara

en omvänd approximation för sannolikheten för konkurs. Vanligtvis ska det vara svårare för

ett stort bolag att gå i konkurs då de många gånger är mer diversifierade och har ett stabilt

kassaflöde. Dessutom finns det skillnader i hur bolagen väljer att finansiera sig, vanligtvis

finansierar sig större bolag via långfristiga skulder och mindre med kortfristiga skulder.

Samtidigt på grund av fördelarna med skalfördelar samt styrka vid förhandlingar med

fordringsägare bär stora företag lägre kostnader i att emittera skulder och eget kapital i

jämförelse med mindre företag. Allt detta gör att den optimala balansen mellan för- och

nackdelar med belåning ändras då nackdelar i form av kostnaden och risken med belåning

ökar med ökad storlek vilket borde resultera i en större belåning och därmed en högre

skuldsättningsgrad (Niu, 2008). Som många tidigare kapitalstudier använder vi oss av den

naturliga logaritmen av företagens omsättning som ett mått på deras storlek för att göra

företagens storlekar mer jämförbara då den naturliga logaritmen anger hur lång tid det krävs

för att uppnå en viss nivå av tillväxt. Den naturliga logaritmen används eftersom det antas att

kapitalstrukturen hos företag av en mindre storlek är särskilt påverkad av företagsstorleken

(Drobetz & Wanzenried, 2006). Vår studie omfattar alla möjliga företagsstorlekar bland de

svenska börsnoterade företagen och därför är det lämpligast att använda sig av den naturliga

logaritmen. I omsättningen inkluderar vi även övriga rörelseintäkter för att möjliggöra

jämförelser mellan olika årsredovisningar, eftersom vissa företag redovisar sin

nettoomsättning med övriga rörelseintäkter inkluderade och andra gör det inte. Då den

naturliga logaritmen av företagnes omsättning och den naturliga logaritmen av företagens

balansomslutning har visat sig vara högt korrelaterade kommer vi även att undersöka det

måttet som ett test för variablernas överensstämmande validitet. (Huang, 2006).

I en tidigare studie av sambandet mellan företagens storlek och skuldsättningsgrad i G7 länder

visade sig sambandet vara positivt i sex av sju av dessa länder (Rajan & Zingales, 1995).

Hypotesen till stöd för både pecking order och trade-off teorin som vi kommer att testa är

därför om det finns ett negativt samband mellan företagsstorlek och skuldsättningsgrad. När

det gäller pecking order teorins prognos för andel räntebärande kortfristiga skulder borde den

lägre informationsassymetrin vid ökad storlek innebära mer räntebärande skulder. Sett utifrån

33

trade-off teorin borde storleken vara positivt korrelerad med andel räntebärande skulder.

Samtidigt har tidigare studier visat att stora företag använder sig mer av långfristig

finansiering än vad mindre företag gör (Michaelas, Chittenden & Poutziouris, 1999). Detta

kan medföra att även om stora företag har en större andel räntebärande skulder, kommer dessa

främst att finnas i långsiktiga skulder. Även om inverkan av företagsstorleken på finansierings

långfristighet kan påverka resultatet är vår hypotes att det finns ett negativt samband mellan

andelen ej räntebärande kortfristiga skulder och företagsstorleken och detta skulle stödja både

pecking order och trade-off teorierna.

3.6 Tillväxtmöjligheter

I många studier har företagens market-to-book ratio (MTB) använts som en approximation för

deras tillväxtmöjligheter. MTB är ett mått på förhållande mellan företagets marknadsvärde på

börsen med det egna kapitalets bokförda värde. Ett företag med en hög MTB har alltså ett

högt marknadsvärde jämfört med dess bokförda värde. I studier där MTB har använts som ett

mått har det tolkats som en approximation för företagets tillväxtmöjligheter eftersom ett högt

MTB innebär att företaget värderas högt på börsen och det innebär att företagets

framtidsutsikter bedöms som goda. MTB är en välfungerande approximation eftersom den har

konsistent visat sig korrelera med senare realiserad tillväxt (Kallapur & Trombley, 1999). Det

är även via kapitalmåttet MTB som vi kommer att mäta företagens tillväxtmöjligheter i vår

studie.

Relationen mellan ett företags tillväxtmöjligheter och dess skuldsättningsgrad förutspås vara

positiv om den tolkas inom ramen för pecking order teorin. Det är sannolikt att företag med

hög tillväxt inte genererar tillräckligt med interna vinstmedel för att täcka sina

investeringsbehov. För att täcka sina investeringsbehov kommer företag med hög tillväxt att

söka finansiering extern och enligt pecking order teorin kommer detta att ske främst genom

belåning (Michaelas, Chittenden & Poutziouris, 1991). Den hypotesen som kommer att testas

och som skulle ligga i stöd för pecking order teorin är att det finns en positiv relation mellan

företagens tillväxtmöjligheter och deras skuldsättningsgrad. Andelen ej räntebärande

kortfristiga skulder borde ha ett negativt samband med tillväxtmöjligheterna enligt pecking

34

order teorin. Ju större tillväxtmöjligheter desto mer främmande räntebärande skulder borde

det finnas då företagen inte kan täcka sina investeringsbehov med internt genererade

vinstmedel.

Prognosen för sambandet mellan skuldsättningsgrad och tillväxtmöjligheter enligt trade-off

teorin är att dessa variabler borde vara negativt korrelaterade. Frank & Goyal (2007) förklarar

att företag med stora tillväxtmöjligheter löper risk för större kostnader vid en eventuell

konkurs än vad företag med mindre tillväxtmöjligheter gör. Om ett företag som investerare

har stora tillväxtförhoppningar för går i konkurs förlorar den allt värde kopplat till dessa

förhoppningar vilket inte är fallet för ett företag med små tillväxtmöjligheter som det inte

finns så stora förhoppningar för. Detta bör enligt trade-off teorin vägas in i balansen mellan

för- och nackdelar med belåning och därför borde företag med stora tillväxtmöjligheter vara

mindre belånade då nackdelarna med belåning ökar och tvärtom företag med små

tillväxtmöjligheter vara mer belånade då nackdelar med belåning minskar (Frank & Goyal,

2007). Hypotesen som vi testar till stöd för trade-off teorin är att det finns ett negativt

samband mellan skuldsättningsgrad och tillväxtmöjligheter. När det gäller andelen ej

räntebärande kortfristiga skulder tolkar vi det som att sambandet med tillväxtmöjligheterna

bör vara positiv enligt trade-off teorin. Ju högre tillväxtmöjligheterna är desto större andel ej

räntebärande skulder bör det finnas i de kortfristiga skulder då de relativa konkurskostnaderna

ökar vid en eventuell konkurs. Hypotesen som vi testar till stöd för trade-off teorin när det

gäller sambandet mellan andel ej räntebärande skulder kortfristiga skulder och

tillväxtmöjligheterna är därför att den är positiv.

3.7 Räntabilitet

Ju högre räntabilitet ett företag har desto bättre förutsättningar har den för att generera

vinstmedel. Med utgångspunkt i pecking order teorin innebär detta att företag med hög

räntabilitet kommer att finansieras med mindre skulder eftersom de kan finansiera sin

verksamhet med sparade internt genererade vinstmedel istället för att behöva förlita sig på

finansiering genom främmande kapital. Detta då den preferensordning när det gäller

finansiering som pecking order teorin talar om sätter externt finansiering lägre ner på

35

preferenslistan än de internt utarbetade vinster (Thies & Klock, 1992). Med utgångspunkt i

pecking order teorin är hypotesen därför att relationen mellan räntabilitet och

skuldsättningsgrad är negativ och relationen mellan räntabilitet och andel ej räntebärande

skulder är positiv.

Trade-off teorin erbjuder en annan syn på räntabilitetens påverkan på skuldsättningsgraden.

Högre räntabilitet bör medföra att ökad belåning kan erbjuda fördelar genom att minska den

effektiva företagsbeskattningen då räntekostnader för ökad belåning är avdragsgilla. I och

med att fördelarna med belåning ökar medan nackdelarna med belåning inte påverkas av den

högre räntabiliteten bör det skifta balansen mellan för- och nackdelar med belåning mot mer

belåning och därför en högre skuldsättningsgrad och även en mindre andel ej räntebärande

kortfristiga skulder (López-Gracia & Sogorb-Mira, 2008). Det bör noteras att de flesta

empiriska studier hittills däremot har påvisat ett negativt samband mellan räntabilitet och

skuldsättningsgrad (Niu, 2008). Det räntabilitetsmått som vi använder oss av i vår studie är

räntabiliteten på totalt kapital som är företagens rörelseresultat före finansiella poster delat

med företagens balansomslutning. Hypotesen till stöd för trade-off teorin är att det finns en

positiv samband mellan räntabilitet och skuldsättningsgrad. Ett negativt samband mellan

andel ej räntebärande kortfristiga skulder och räntabiliteten skulle också vara till stöd för

trade-off teorin.

3.8 Balanslikviditet

Om man utgår från pecking order teorin som menar att företag föredrar intern finansiering

framför extern finansiering kan man komma till slutsatsen att balanslikviditeten har en negativ

korrelation till skuldsättningsgraden och andelen ej räntebärande kortfristiga skulder. Enligt

pecking order teorin kommer bolagen att behålla stora delar likvida medel som balanserade

vinstmedel för att kunna finansiera sig internt. Om bolagen har en god intern likviditet

kommer inte bolagen ha någon anledning att söka extern finansiering och utifrån det ansens

likviditet ha en negativ relation till skuldsättningsgraden då ju bättre likviditet desto mindre

behov för skuldsättning (Niu, 2008). För att ge stöd åt pecking order teorin är hypotesen att

relationen mellan balanslikviditet och skuldsättningsgraden är negativ. Hypotesen som skulle

stödja pecking order teorin när det gäller relationen mellan likviditeten och andelen ej

36

räntebärande kortfristiga skulder är att den är positiv. Detta på grund av att ju mer likvid ett

företag är desto mindre borde företaget finansieras genom räntebärande skulder och därför

borde de skulder som finns i de kortfristiga skulder vara ej räntebärande till ju högre andel

desto högre balanslikviditeten är.

En tolkning av trade-off teorin kan däremot erbjuda en konflikterande syn på relationen

mellan balanslikviditet och skuldsättningsgrad och andel ej räntebärande kortfristiga skulder

av kortfristiga skulder. En hög balanslikviditet kan hjälpa till att stödja en högre belåning då

den ökar föregets möjlighet att täcka löpande utgifter som till exempel ränteinbetalningar för

lånen. Detta minskar nackdelen med belåning i form av konkursrisken och därför borde

balansen mellan för-och nackdelar med belåning skifta mot mer belåning vid högre likviditet

och därav förutsägs den positiva korrelationen mellan balanslikviditet och skuldsättningsgrad

(Ozkan, 2001). Precis som Ozkan (2001) i sin studie använder vi oss av balanslikviditet,

företagens kortfristiga skulder delat med företagens långfristiga skulder, för att mäta

företagens balanslikviditet. I denna studie som berörde kapitalstrukturen för engelska företag

fann man en negativ relation mellan företagens balanslikviditet och deras skuldsättningsgrad.

En hypotes som skulle ge stöd åt trade-off teorin skulle därför vara att det finns en positiv

relation mellan balanslikviditet och skuldsättningsgrad. Vad gäller andelen ej räntebärande

kortfristiga skulder är hypotesen som skulle stödja trade-off teorin att dess relation med

likviditet också är negativ. Detta då högre belåning borde resultera i att andelen ej

räntebärande skulder i kortfristiga skulder minskar.

3.9 Effektiv skattesats

Pecking order teorin fokuserar på skillnader i tillgång till information medan trade-off teorin

fokuserar på skatteeffekterna. Den effektiva skattesatsen är inte av någon vikt i pecking order

teorin och därför förutsäger inte teorin någon relation mellan den effektiva skattesatsen som

påverkar företagen och deras skuldsättningsgrad (Karadeniz,Yilmaz Kandir, Balcilar &

Beyazit Onal, 2009). Om vi ändå tolkar pecking order teorin med avseende på den effektiva

skattesatsen så förväntar vi oss ett positivt samband med skuldsättningsgraden. Ju högre den

effektiva skattesatsen desto mindre internt genererade vinster finns tillgängliga till att

37

finansiera verksamheten och extern finansiering med lån som annars är ett andrahandsval kan

bli mer aktuell. Hypotesen som vi testar som skulle bekräfta prognosen baserad på pecking

order teorin är därför att det finns ett positivt samband mellan den effektiva skattesatsen och

skuldsättningsgraden. På motsvarande sätt bör sambandet mellan andelen ej räntebärande

kortfristiga skulder och effektiv skattesats vara negativ enligt pecking order teorin eftersom ju

högre den effektiva skattesatsen kommer att vara desto mindre vinstmedel kommer genereras

internt och därför kommer företaget att finansieras med mer räntebärande kapital.

Trade-off teorin förutsäger däremot att det borde finnas en positiv relation mellan den

effektiva skattesatsen och företagets skuldsättningsgrad. Ju högre effektiv skattesats desto mer

nytta finns det med belåning som genom avdragsgilla räntekostnader minskar skatteeffekten.

Den ökade nyttan kommer skifta balansen mellan för- och nackdelar med belåning mot mer

belåning och därför ökad skuldsättningsgrad (Antoniou, Guney & Paudyal, 2008). I likhet

med andra, utländska, kapitalstruktur studier (Mazur, 2007 eller Huang, 2006) definierar vi

den effektiva skattesatsen som årets skatt delat med årets resultat före skatt. Hypotesen som vi

testar som grundar sig i prognosen för sambandet mellan effektiv skattesats och

skuldsättningsgrad inom trade-off teorin är att det sambandet är positiv. Andelen ej

räntebärande kortfristiga skulder och effektiv skattesats borde vara negativ enligt trade-off

teorin då en högre effektiv skattesats borde öka andelen räntebärande kapital.

Medan de flesta forskare är överens att skatten är en viktig påverkande faktor på företagens

finansieringsbeteenden, har många empiriska studier misslyckats med att kunna påvisa ett

samband mellan den effektiva skattesatsen och skuldsättningsgraden. En möjlig förklaring till

detta kan vara att skuldsättningsgraden är en effekt av flera års tidigare finansieringsbeslut

och för att fånga in den effektiva skattens påverkan skulle en undersökning för dess effekt

behöva göras från år till år under en längre tidsperiod (MacKie-Mason, 1990). Detta kan vara

ett problem i vår studie eftersom metoden i vår studie är att jämföra årsredovisningar för ett

flertal företag men under ett redovisningsår. Årsredovisningen är en bild av företagets

finansiering som den såg ut den sista dagen under årsredovisningsperioden.

38

4. Empiri

Detta kapitel inleds med en presentation av för studien den insamlade datan. En redogörelse

för korrelationer mellan skuldsättningsgraden samt andelen ej räntebärande kortfristiga

skulder av kortfristiga skulder och dess företagsspecifika determinerade variabler är vad som

kapitlet fortsätter med. Kapitlet är uppdelat på så sätt att korrelationerna mellan de

företagsspecifika determinerande variablerna redovisas och skuldsättningsgraden redovisas

först i sin helhet och sedan redovisas detsamma för ej räntebärande kortfristiga skulder.

4.1 Medelvärden

Samtliga observationer för vår studie framgår av Bilaga A. I tabell 1 finns medelvärden för de

olika undersökta variablerna presenterade. Tabell 1 består av 99 bolag. Studien grundar sig i

en undersökning av 100 svenska börsnoterade bolag men eftersom ett av de studerade

bolagen, Kungsleden AB, inte delade upp sina skulder på kortfristiga- och långfristiga skulder

var inte alla beräkningar möjliga att göra. Det gick därför inte att beräkna balanslikvidiet samt

alla de olika kapitalmått som använder sig av antingen långfristiga- eller kortfristiga skulder.

Därför har en egen tabell skapats för Kungsleden AB, tabell 2, där dess värden och de

variabler som var möjliga att beräkna. Datan i tabell 1 och 2 jämförs mot i 5.8 Bortfallsanalys.

Förklaringar till tabell 1 och 2

Resultat F skatt = Resultat före skatt

MAT = Materiella anläggningstillgångar

Oms. T = Omsättningstillgångar

EK = Eget kapital

LFS = Långfristiga skulder

KFS = Kortfristiga skulder

RKFS = Räntebärande KFS

Oms. = Omsättning

RÖR = Rörelseresultat

KF SS = Kortfristiga skatteskulder

Eff. S-sats = Effektiv skattesats

BO = Balansomslutning

MTB = Market-to-book ratio

SG = Skuldsättningsgrad

39

Tabell 1 (Msek)

Medelvärden för

populationen

Variabel Min.värde Max.värde Medelvärde

Oms. 30.06 151419 10873.78

Rörelseresultat -1441 25583 974.25

Resultat F.Skatt -1594 25895 825.87

Skatt -5919 2854 -145.88

BO 60.62 382896 16477.81

M.Anlägg T 0.1 86399 5041.24

Omsättnings T. 4.95 177302 6082.35

Eget kapital 16.1 80048 5741.15

LFS 0 121763 5346.27

KFS 8.4 136393 5352.54

EJ RKFS 0 93747 3955.23

R. KFS 0 39953 1287.23

KF SS 0 2693 116.06

Börsvärde 18.9 444883 18087.19

Eff. S-sats -412.00% 65.00% 15.00%

% MAT av BO 1.10% 100.00% 25.00%

LN Oms. 3.4 11.93 7.62

LN BO 4.1 12.86 8.02

MTB 0.39 47.84 4.2

Räntabilitet -98.00% 34.00% 5.00%

Balanslikviditet 19.00% 751.00% 145.00%

SG 0.1 6.77 1.48

Tabell 2 (Msek)

Värden för

Kungsleden AB

Variabel Kungsleden

Oms. 2193

Rörelseresultat 1390

Resultat F.Skatt 1306

Skatt -1610

BO 23040

M.Anlägg T 19620

Omsättnings T. 3379

Eget kapital 9102

Börsvärde 10823

Eff. S-sats 123.28%

% MAT av BO 85.16%

LN Oms 7.7

LN BO 10

MTB 1.2

Räntabilitet 6.03%

SG 1.5

40

4.2 Korrelationsanalys för skuldsättningsgrad

I följande underkapitel presenteras resultat från våra korrelationsanalyser som gjordes i IBM

SPSS när det gäller korrelationerna av de företagsspecifika determinerande variablerna och

skuldsättningsgraden. Det presenteras en tabell som visar korrelationen samt en grafiskversion

av sambandet mellan de korrelerade variablerna. I korrelationstabellen erhålls information om

de båda variablerna är positivt eller negativt korrelerade och till vilken signifikansnivå som

korrelationen kunde bekräftas.

4.2.1 Andel materiella anläggningstillgångar

av total balansomslutning

I figur 1 presenteras resultatet för hur

skuldsättningsgraden är korrelerad med

andelen materiella anläggningstillgångar. Av

figuren framgår det att det är en positiv

korrelation med en hög signifikansnivå. Det

betyder att andelen materiella

anläggningstillgångar av balansomslutningen ökar vid en ökad skuldsättningsgrad. I figur 2

ser vi hur vårt resultat är utspritt och hur korrelationen ser ut mellan de olika variablerna.

Sambandet mellan variablerna ser ut att

vara ganska linjär. Det som är intressant är

att företag med absolut högst andel

materiella anläggningstillgångar har höga

skuldsättningsgrader men inte de högsta.

Företagen med de lägst andel materiella

anläggningstillgångar har generellt låg

skuldsättningsgrad men kan även ha en

medelstor skuldsättningsgrad.

Figur 1: Korrelation mellan skuldsättningsgraden och

andelen materiella anläggningstillgångar

Figur 2: Graf över sambandet mellan skuldsättningsgrad och

andel materiella anläggningstillgångar av totala

balansomslutningen

41

4.2.2 Naturlig logaritm av omsättning

Den naturliga logaritmen av

företagets omsättning är ett av de

måtten som vi använder oss av som

ett mått på företagets storlek i vår

studie. Utifrån korrelationsanalysen

mellan den naturliga logaritmen av

omsättningen och

skuldsättningsgrad får vi fram en positiv korrelation med en mycket hög signifikansnivå

vilket framgår från figur 3. Det betyder att den naturliga logaritmen av omsättningen ökar

med ökad skuldsättningsgrad.

Figur 4 visar hur observationerna

ser ut grafiskt och det framgår

tydligt att företag vars värde av

den naturliga logaritmen av

omsättningen är absolut lägst har

också lägst skuldsättningsgrad.

Företag med högst

skuldsättningsgrad är generellt de

vars värde av den naturliga

logaritmen av omsättningen

är högst men det är inte lika tydligt och det finns en del företag vars värde av den naturliga

logaritmen av omsättningen är hög men som har en låg skuldsättningsgrad. Sambandet mellan

den naturliga logaritmen av omsättningen och skuldsättningsgraden ser ut generellt att kunna

beskrivas även med en exponentiell funktion.

Figur 3: Korrelationen mellan skuldsättningsgraden och naturliga

logaritmen av omsättningen

Figur 4: Graf över sambandet mellan skuldsättningsgrad och den

naturliga logaritmen av företagens omsättning

42

4.2.3 Naturlig logaritm av balansomslutning

Det andra måttet på företagsstorleken som

vi använder oss av är den naturliga

logaritmen av företagens

balansomslutning. Korrelationsanalysen i

figur 5 visar att sambandet mellan

skuldsättningsgrad och balansomslutning

ger en positiv korrelation med en

hög signifikansnivå mellan de

båda variablerna. När

balansomslutningen ökar så ökar

även skuldsättningsgraden. Figur

6 illustrerar grafiskt sambandet

mellan variablerna, den grafiska

illustrationen visar en klassisk

linjär funktion bortsett från 2

observationer med medel till hög

skuldsättningsgrad som och ett lågt

värde av den naturliga logaritmen av balansomslutningen.

4.2.4 Market-to-book ratio

När en korrelationsanalys över

sambandet mellan

skuldsättningsgrad och market to

book ratio görs erhålls

informationen att det inte finns ett

samband som skulle kunna

bekräftas med någon större

statistisk signifikans vilket syns i figur 7. Det finns en svag negativ korrelation men den är

Figur 5: Korrelationen mellan skuldsättningsgraden och naturliga

logaritmen av balansomslutningen

Figur 6: Graf över sambandet mellan skuldsättningsgrad och den naturliga

logaritmen av företagens balansomslutning

Figur 7: Korrelationen mellan skuldsättningsgraden och MTB

43

inte tillräckligt stor för att räknas som

signifikant. Därmed är inte sambandet

mellan market to book ratio och

skuldsättningsgrad signifikant. Av figur 8

som visar det grafiska sambandet mellan

skuldsättningsgraden och market to book

ratio kan man däremot utläsa att det inte

finns några företag med hög

skuldsättningsgrad och en hög market-to-

book ratio. Om market-to-book ration är hög

är det endast för företag med låg

skuldsättningsgrad och om skuldsättningsgraden är hög är det endast för företag med låg

market-to-book ratio.

4.2.5 Räntabilitet

Korrelationseffekten mellan

skuldsättningsgrad och

räntabilitet visade sig vara svag

och det fanns alltså inte något

samband mellan räntabiliteten och

skuldsättningsgraden som skulle

kunna bekräftas med en hög

statistisk signifikans vilket

framkommer av figur 9. Då ett

antal bolag i studien hade en

negativ räntabilitet påverkade det

korrelationsanalysen. Om urvalet

ändras och alla bolag som har

negativ räntabilitet plockas bort visar korrelationsanalysen att det finns ett negativt samband

mellan räntabilitet och skuldsättningsgrad och detta kan bekräftas med en hög statisktisk

signifikans vilket kan utläsas i figur 10.

Figur 8: Graf över sambandet mellan

skuldsättningsgrad och market-to-book ratio

Figur 9: Korrelationen mellan skuldsättningsgraden och räntabiliteten

för samtliga 100 bolag

Figur 10: Korrelationen mellan skuldsättningsgraden och räntabiliteten

för endast de 89 bolag som hade positiv räntabilitet

44

Figur 11 illustrerar sambandet mellan skuldsättningsgraden och räntabiliteten för samtliga 100

svenska börsnoterade bolag som vår studie omfattade medans figur 12 illustrerar samma

samband men efter att ha plockat bort de bolag som hade negativ räntabilitet. Det fanns 11

sådana bolag och därför finns det endast 89 observationer med i figur 12. En grafisk

jämförelse mellan figur 11 och 12 visar att sambandet mellan skuldsättningsgrad och

räntabilitet blir tydlig först när företag med negativ räntabilitet exkluderas. Koncentrationen

av observationer vid origo på figur 12 ger ett intryck att sambandet som illustreras av grafen

skulle kunna vara exponentiell.

4.2.6 Balanslikviditet

Balanslikviditet har en negativ

korrelation med

skuldsättningsgraden och den

korrelationen kan bekräftas med en

hög statistisk signifikansnivå

vilket kan observeras i figur 13.

Att balanslikviditeten har en

negativ korrelation med skuldsättningsgraden betyder att ökad balanslikviditet är förknippat

Figur 11: Graf över sambandet mellan skuldsättningsgrad

och räntabilitet för samtliga 100 bolag Figur 12: Graf över sambandet mellan

skuldsättningsgrad och räntabilitet för endast de 89

bolag som hade positiv räntabilitet

Figur 13: Korrelation mellan skuldsättningsgraden och balanslikviditen

45

med minskat skuldsättningsgrad. Figur

14 som är en bild över sambandet

mellan skuldsättningsgrad och

balanslikviditet visar i likhet med figur

12 en koncentration av observationer

vid origo och därför finns det en

möjlighet att sambandet skulle kunna

beskrivas med hjälp av en exponentiell

funktion.

4.2.7 Effektiv skattesats

Korrelationsanalysen mellan effektiv

skattesats och skuldsättningsgrad

påvisade inte något statistiskt

signifikant samband vilket framgår av

figur 16. För att försöka att få ett

samband testades korrelationsanalysen

först genom att ta bort bolagen med negativ skatt, vilket inte heller genererade något

samband. Då gjordes ett nytt test med de bolag som hade positiv skatt och även här uppnåddes

inget samband med en tillräckligt hög signifikansnivå för att kunna användas i vår studie, det

vill säga åtminstone 0.05.

Därmed kan vi säga att

skuldsättningsgrad och effektiv

skattesats inte är korrelerade när

det gäller de företag som vi har

samlat in data för. Det här visas

även grafiskt figur 16 och där

upptäcks att det inte finns något

samband då den effektiva skatten

verkar generellt inte förändras vid ökat

eller minskat skuldsättningsgrad.

Figur 14: Graf över sambandet mellan skuldsättningsgrad och

balanslikviditet

Figur 15: Korrelationen mellan skuldsättningsgraden och den

effektiva skattesatsen.

Figur 16: Graf över sambandet mellan skuldsättningsgrad och

effektiv skattesats

46

4.3 Korrelationsanalys för kortfristiga skulder

Korrelationsanalyser har också gjorts över hur den andel av kortfristiga skulder som inte är

räntebärande är korrelerad med de olika företagsspecifika determinerande variabler.

Resultatet från de olika korrelationsanalyserna presenteras nedan i samma ordning som i

tidigare underkapitel.

4.3.1 Andel materiella

anläggningstillgångar av total

balansomslutning

Enligt figur 17 resulterade

korrelationsanalysen mellan andelen ej

räntebärande kortfristiga skulder och

andelen materilla

anläggningstillgångar i ett

finnande av en negativ korrelation

mellan variablerna på

signifikansnivån 0.01, vilket är en

hög nivå på statistisk säkerhet.

Resultatet betyder att ju högre

andel ej räntebärande kortfristiga

skulder desto lägre andel kommer

det vara materiella

anläggningstillgångar. Figur 18

illustrerar grafiskt sambandet

mellan variablerna. Det som är anmärkningsvärt är att det finns få observationer i mitten av

grafen. De flesta företag har en hög andel ej räntebärande skulder och en låg andel materiella

anläggningstillgångar, vissa företag har låg andel ej räntebärande skulder och en hög andel

materiella anläggningstillgångar men det finns få företag med medelstor andel ej räntebärande

skulder och medelstor andel materiella anläggningstillgångar.

Figur 17: Korrelation mellan andelen ej räntebärande

kortfristiga skulder och andelen materiella

anläggningstillgångar

Figur 18: Graf över sambandet mellan andelen ej räntebärande

kortfristiga skulder och andel materiella anläggningstillgångar av

totala balansomslutningen

47

4.3.2 Naturlig logaritmen av omsättning

Naturliga logaritmen av omsättning, det ena

måttet på företagsstorleken i vår studie,

kunde inte fastställas vara korrelerad till

andelen ej räntebärande kortfristiga skulder

med någon statistiskt signifikans vilket

framgår av data i figur 19. En grafisk analys

av figur 20 som illustrerar sambandet mellan

andelen ej räntebärande kortfristiga skulder

och den naturliga logaritmen av

omsättningen kunde inte heller visa på något

samband. Observationerna verkar vara

placerade på grafen utan att någon

systematiskhet gällande sambandet mellan

andelen ej räntebärande kortfristiga skulder

och den naturliga logaritmen av

omsättningen verkar råda.

4.3.3 Naturlig logaritm av balansomslutning

I figur 21 visas resultaten av

korrelationsanalysen mellan andelen ej

räntebärande kortfristiga skulder och den

naturliga logaritmen av balansomslutningen

som är det andra måttet på

företagsstorleken som vår studie använder

sig av. Det finns en negativ korrelation med

på 0.05 signifikansnivå, en nivå som har en

statistisk signifikans men det bör noteras att

den är lägre än för de tidigare beskrivna sambanden som har identifierats då de kunde

Figur 21: Korrelationen mellan andelen ej räntebärande

kortfristiga skulder och naturliga logaritmen av

balansomslutningen

Figur 19: Korrelationen mellan andelen ej räntebärande

kortfristiga skulder och naturliga logaritmen av omsättningen

Figur 20: Graf över sambandet mellan andel ej

räntebärande kortfristiga skulder och den naturliga

logaritmen av företagens omsättning

48

bekräftas på 0.01 signifikansnivå. Det

negativa sambandet betyder att ju

högre andel ej räntebärande kortfristiga

skulder desto mindre värdet av den

naturliga logaritmen

avbalansomslutning bland dem

företag som vi har studerat. I figur 22

visas resultatet grafiskt. Medans

observationerna är något utspridda på

grafen och de flesta företag har en andel

ej räntebärande kortfristiga skulder på över 50 % är det tydligt att det finns i stort sett inga

företag med en låg andel ej räntebärande kortfristiga skulder och lågt värde av den naturliga

logaritmen av balansomslutningen vilket är i enlighet med det identifierade negativa

sambandet.

4.3.4 Market to book ratio

Från korrelationsanalysen mellan

andelen ej räntebärande kortfristiga

skulder och market-to-book ratio

som är ett mått på företagens

tillväxtmöjligheter i vår studie

erhålls informationen om att det finns

ett positivt samband som visas i figur

23. Sambandet är även det uppmätt

med en signifikansnivå på 0.05.

Korrelationen betyder att om andelen

ej räntebärande skulder ökar kommer

även market-to-book ratio att öka. En

grafisk illustration över sambandet

mellan andelen ej räntebärande

kortfristiga skulder och market-to-book

Figur 22: Graf över sambandet mellan andel ej räntebärande

kortfristiga skulder och den naturliga logaritmen av företagens

balansomslutning

Figur 23: Korrelation mellan andelen ej räntebärande kortfristiga

skulder och market-to-book ratio

Figur 24: Graf över sambandet mellan andel ej räntebärande

kortfristiga skulder och market-to-book ratio

49

ratio presenteras i figur 24.Sambandet är tydligt negativ men ser ut att kunna bättre kunna

beskrivas med en exponentiell funktion än en linjär funktion.

4.3.6 Räntabilitet

Korrelationsanalysen för variablerna

räntabilitet och andel ej räntebärande

kortfristiga skulder gav resultatet att det

inte finns någon signifikant korrelation

vilket framgår av figur 25. Om man

exkluderar de företag som har en negativ

räntabilitet ändras förutsättningarna och

en korrelationsanalys för andelen ej

räntebärande kortfristiga skulder och

räntabilitet påvisar en positiv samband på

0.05 signifikansnivå vilket kan observeras

på figur 26. Detta innebär om andelen ej

räntebärande kortfristiga skulder ökar så

ökar även räntabiliteten.

Figur 27 illustrerar sambandet mellan andel ej räntebärande kortfristiga skulder och

räntabilitet för samtliga 99 bolag i korrelationsanalysen och figur 28 illustrerar samma

samband men där företag med negativ räntabilitet har exkluderats. En jämförelse mellan dessa

Figur 25: Korrelation mellan andelen ej räntebärande

kortfristiga skulder och räntabilitet för samtliga 99 bolag

Figur 27: Graf över sambandet mellan andel ej

räntebärande kortfristiga skulder och räntabilitet för

samtliga 99 bolag

Figur 26: Korrelation mellan andelen ej räntebärande

kortfristiga skulder och räntabilitet för endast de 89 bolag som

hade positiv räntabilitet

Figur 28: Graf över sambandet mellan andel ej

räntebärande kortfristiga skulder och räntabilitet för

endast de 89 bolag som hade positiv räntabilitet

50

två figurer visar hur det saknas ett samband när alla observationer tas med men hur ett

samband tydliggörs när endast företag med positiv räntabilitet ritas upp på grafen. Det kan

även noteras att observationerna i figur 28 verkar följa en exponentiell kurva.

4.3.7 Balanslikviditet

Balanslikviditet har ett positivt samband

med andelen ej räntebärande kortfristiga

skulder och det kunde fastställas med en

hög statistisk signifikansnivå på 0.01, det

visas i figur 29. Att det är ett positivt

samband mellan de båda variablerna

betyder att ju högre andelen ej

räntebärande kortfristiga skulder är

desto högre är även balanslikviditeten.

Sambandet presenteras nedan i figur 30.

Av grafen framkommer det tydligt att

det inte finns några företag med hög

balanslikviditet och hög andel ej

räntebärande kortfristiga skulder i enlighet

med det fastställda positiva sambandet.

En undersökning av hur observationerna är utspridda på grafen ger en intryck av att även det

sambandet skulle väl kunna beskrivas med hjälp av en exponentiell funktion.

4.3.8 Effektiv skattesats

Korrelationsanalysen av variablerna

andelen ej räntebärande kortfristiga

skulder och effektiv skattesats

påvisade inte något samband som

skulle kunna fastställas på en statistisk

Figur 29: Korrelationen mellan andelen ej räntebärande kortfristiga

skulder och balanslikviditeten

Figur 30: Graf över sambandet mellan andel ej räntebärande

kortfristiga skulder och räntabilitet för endast de 89 bolag

som hade positiv räntabilitet

Figur 31: Korrelationen mellan andelen ej räntebärande kortfristiga

skulder och den effektiva skattesatsen

51

signifikant nivå vilket framgår av figur

31. I figur 32 kan vi se korrelationen

grafiskt och den visar att även om de

ej räntebärande skulderna ökar så är

den effektiva skattesatsen konstant

och det ser inte ut som att det finns

någon form av samband mellan

variablerna.

För att att försöka hitta ett samband gjorde vi även en korrelationsanalys

för andelen ej räntebärande kortfristiga skulder och effektiv skattesats för företag med endast

positiv respektive endast negativ effektiv skattesats men även dessa korrelationsanalyser

kunde inte påvisa något samband med en tillräckligt hög signifikansnivå för att den skulle

kunna användas i vår studie, det vill säga en nivå på åtminstone 0.05.

Figur 33: Graf över sambandet mellan andel ej räntebärande

kortfristiga skulder och effektiv skattesats

52

5. Analys

Analyskapitlet påbörjar med en analys av sambanden mellan de olika kapitalmått och de för

kapitalstrukturerna determinerade variabler inom ramen för pecking order och trade-off

teorierna. Analysen fortsätter med en sammanställning av hur väl pecking order och trade-off

teorier lyckas att beskriva de sambanden mellan variablerna som vår studie påvisade.

Analyskapitlet avslutar med en bortfalls- och outliersanalys.

5.1 Andel materiella anläggningstillgångar

Harris & Raviv (1991) tolkade pecking order teorin att innebära ett negativt samband mellan

skuldsättningsgrad och andelen materiella anläggningstillgångar. Deras tolkning grundar sig i

att informationsassymetrin minskar i samband med ökad andel materiella

anläggningstillgångar då värdet av dessa är mindre spekulativt än ett värde av andra typer av

tillgångar. De menar att lägre informationsassymetrin resulterar i mer nyemissioner som leder

till ökat eget kapital och en sänkt skuldsättningsgrad (Harris & Raviv, 1991). Vi anser detta

vara en felaktig tolkning av pecking order teorin när det gäller den sista slutsatsen. Att

finansiera med nyemissioner är den sista utvägen enligt pecking-order teorin. Det är logiskt

att anta att den större andelen materiella anläggningstillgångar borde därför i första hand

minska informationsassymetrin för finansiering genom kreditgivare då det innebär en större

säkerhet för de som lånar ut likvider. Då finansiering via externa lånegivare är det näst främst

prefererade sättet enligt pecking-order teorin att finansiera företagets verksamhet på borde

teorin förstås innebära ett positivt samband mellan andelen materiella anläggningstillgångar

och skuldsättningsgrad som ökar vid ökad belåning Utifrån vår studie erhölls ett positivt

samband mellan variablerna med en signifikansnivå på 0.01 och det anser vi bekräfta

pecking-order teorin. Problemet med skuldsättningsgraden, att den reagerar åt motsatt håll på

förändringar i belåning och eget kapital gör det svårt att utvärdera vilken av dessa

förändringar en ökad andel av materiella anläggningstillgångar faktiskt orsakar. Utan att

separera ökad skuldsättningsgrad på grund av ökad belåning eller minskad skuldsättningsgrad

på grund av ökad kapitaltillskott är det inte möjligt att inom ramen för pecking order teorin

tolka varför företag med absolut högst andel materiella anläggningstillgångar inte de högsta

skuldsättningsgrader som figur 2 visar. Det skulle kunna bero att företag med högst andel

53

materiella anläggningstillgångar väljer på grund av den minskade informationsassymetrin att

komplettera extern finansiering genom belåning med nyemissioner men en mätning av endast

skuldsättningsgraden kan ej påvisa detta.

Fama & French (2002) menar att om ett företag har mer anläggningstillgångar som säkerhet

för lån kan de erbjudas en bättre ränta och därmed öka sin belåning. Att få en bättre ränta

leder till att kostnaderna för belåningen minskar vilket borde skifta balansen mellan för- och

nackdelar mot mer belåning. Tidigare empiriska studier som har gjorts har visat sambandet

mellan materiella anläggningstillgångar och skuldsättningsgrad är just positivt (Frank &

Goyal, 2007). Därmed bekräftar vårt resultat även trade-off teorins syn om att sambandet

mellan de båda variablerna ska vara positivt. Oförenligt med trade-off teorin är dock att

företag med högst andel materiella anläggningstillgångar inte har de högsta

skuldsättningsgrader, vilket framgår av figur 2, eftersom deras kostnad för belåning borde

vara minst och därför borde de ha en preferens för den största belåningen för att dra nytta av

dra av räntekostnader från skatten. Avsaknaden av den andra nyttan med belåning i form av

räntans begränsande effekt på fria kassaflöden skulle kunna förklaras med att en hög andel

materiella anläggningstillgångar redan utgör en begränsning av de fria kassaflöden i sig då

stor del av kapitalen binds i materiella anläggningstillgångar. Dessa är i sig redan svårare att

fördärva än likvida medel och därför skulle det inte finnas samma nytta med ökad belåning

för företag med de högsta andelar av materiella anläggningstillgångar.

5.1.1 Andel materiella anläggningstillgångar och andel ej räntebärande kortfristiga skulder

I studien gjordes även en korrelationsanalys för att få fram sambandet mellan andelen

materiella anläggningstillgångar och andelen ej räntebärande kortfristiga skulder. Utifrån

empirin kan vi se att sambandet var negativt med en hög signifikans nivå på 0.01. Den

minskade informationsassymetrin som Harris & Raviv (1991) förespråkade i samband med

ökad andel materiella anläggningstillgångar kan lättare utvärderas genom korrelationsanalys

där den andra variabeln är just ej räntebärande kortfristiga skulder. Till skillnad från

skuldsättningsgraden reagerar ej räntebärande kortfristiga skulder endast på förändring i andel

räntebärande skulder och inte förändringar i eget kapital som nyemissioner. Ju högre andel

54

materiella anläggningstillgångar desto mindre informationsassymetrin och därför ju mer

räntebärande skulder borde det finnas (Harris & Raviv, 1991). Därför förutsäger pecking

order teorin att sambandet till andelen ej räntebärande kortfristiga skulder ska vara negativt.

Även baserat på trade-off teorin borde sambandet mellan de båda variablerna bör vara

negativt eftersom att prognosen är att belåningen ökar ju högre andel materiella

anläggningstillgångar av de totala anläggningstillgångarna är. Att det i figur 18 finns få

observationer i mitten av grafen och därför få företag med medelstor andel ej räntebärande

skulder och medelstor andel materiella anläggningstillgångar kan bero på företagens

branschtillhörighet. De flesta företag i fastighetsbranschen har en mycket större andel

materiella anläggningstillgångar jämfört med andra typ av företag och därför leder det till ett

gap då det inte finns några företag som har i närheten av lika stor andel materiella

anläggningstillgångar som företagen i fastighetsbranschen.

5.2 Naturlig logaritm av omsättning

Baserat på en korrelationsanalys mellan den naturliga logaritmen av omsättningen och

skuldsättningsgraden upptäcktes det ett positivt samband och det resultatet erhölls med en hög

signifikans på 0.01. Med det menas att om omsättningen ökar kommer även

skuldsättningsgraden att öka. Den naturliga logaritmen av företagens omsättning används som

ett mått på företagsstorleken och i ett antal tidigare studier som gjorts beskrivs det att

företagens finansiering beror på deras storlek och att den har då ett positivt samband med

skuldsättningsgraden (Huang, 2006). Informationsassymetrin som pecking order teorin utgår

från antas minska med företagsstorleken. Fama & Jensen (1983) menar att de större företagen

ger mer information till externa intressenter än vad mindre företag gör och det leder till en

större del extern finansiering. Bevan & Danbolt (2002) beskriver att chanserna är större för ett

stort bolag med hög omsättning att få en kreditvärdering och därmed tillgång till bättre

lånvillkor och därför borde relationen mellan omsättning och skuldsättningsgrad vara positiv.

Inom ramen för pecking order teorin innebär detta att preferensen mot internt genererade

vinstmedel inte blir lika stark och ju större ett företag är och därför kommer stora företag att

vara mer belånade med högre skuldsättningsgrader jämfört med små företag, något som

utfallet i vår studie bekräftar.

55

Huang (2006) beskriver att trade-off teorin har en liknande prognos för förhållandet mellan

företagsstorleken och skuldsättningsgraden men att den grundar sig i andra antaganden.

Företagsstorleken för vilken den naturliga logaritmen av omsättningen är ett mått sägs vara en

omvänd approximation för hur sannolikt det är att bolaget går i konkurs. Vanligtvis ska det

vara svårare för ett stort bolag att gå i konkurs då de många gånger är mer diversifierade och

har ett mer stabilt kassaflöde än vad mindre bolag har. Dessutom finns det skillnader i hur

bolagen väljer att finansiera sig, vanligtvis finansierar sig större bolag via långfristiga skulder

och mindre med kortfristiga skulder. Även på grund av fördelarna med skalfördelar samt

styrka vid förhandlingar med fordringsägare, bär stora företag lägre kostnader i att emittera

skulder och eget kapital i jämförelse med mindre företag. Allt detta gör att den optimala

balansen mellan för- och nackdelar med belåning skiftas mot mer belåning vid större

företagsstorlek och därför förutsägs en positiv samband mellan företagsstorleken och

skuldsättningsgraden (Niu, 2008). Utifrån både pecking order och trade-off teorin kan samma

slutsats dras om att det ska finnas ett positivt samband mellan den naturliga logaritmen av

omsättningen och skuldsättningsgraden vilket resultatet i vår studie visar. Att observationerna

verkar följa en exponentiell kurva kan bero på att skuldsättningsgraden påverkas av andra

faktorer förutom den naturliga logaritmen av omsättning men att det generellt är just företag

de största företagen som kan uppnå de högsta skuldsättningsgraderna.

5.2.1 Naturlig logaritm av omsättning och andel ej räntebärande kortfristiga skulder

Vår hypotes för sambandet mellan den naturliga logaritmen av omsättning och andel ej

räntebärande kortfristiga skulder med utgångspunkt i både pecking order och trade-off teorin

var att den skulle vara negativ. Enligt pecking order teorin borde den lägre

informationsassymetrin vid ökad storlek innebära mer räntebärande skulder och därför ett

negativt samband till ej räntebärande skulder förväntades. Trade-off teorin förutsäger också

ett negativt samband mellan företagsstorleken och andelen ej räntebärande skulder eftersom

kostnaden för belåning antas minska vid ökad företagsstorlek vilket borde leda till att större

företag har mindre ej räntebärande skulder och tvärtom har mindre företag mer ej

räntebärande skulder. Korrelationsanalysen som vi genomförde för dessa två variabler kunde

inte påvisa något samband med en tillräckligt hög statistisk signifikans, alltså på åtminstone

0.05 nivå. Detta är anmärkningsvärt med tanke på att ett positivt samband mellan naturlig

56

logaritm av omsättning och skuldsättningsgrad bekräftades med en hög signifikansnivå. En

möjlig förklaring till detta kan vara att stora företag använder sig mer av långfristig

finansiering än vad mindre företag gör vilket tidigare studier har visat (Michaelas, Chittenden

& Poutziouris, 1999). Detta medför att även om stora företag har en större andel räntebärande

skulder finns dessa främst att i långfristiga skulder. Om företagsstorleken skiftar inte bara

preferensen mot mer räntebärande skulder utan även mot dess långfristighet kommer inte

andelen ej räntebärande kortfristiga skulder vara ett mått som kan fånga in den förändringen

utan ett mått på totala räntebärande skulder borde istället användas.

5.3 Den naturliga logaritmen balansomslutning

Den naturliga logaritmen av balansomslutningen är det andra måttet på företagsstorlek som

vår studie använder sig av. Den naturella logaritmen av omsättningen och den naturliga

logaritmen av balansomslutning har tidigare visat sig vara högt korrelaterade (Huang, 2006).

Genom att analysera båda variablernas samband med skuldsättningsgraden och andelen ej

räntebärande kortfristiga skulder gör vi ett test för variablernas överensstämmande validitet

som bekräftar denna. Korrelationsanalysen som vi gjorde mellan den naturliga logaritmen av

balansomslutningen och skuldsättningsgraden för de studerade bolagen påvisade ett positivt

samband med en lika hög signifikansnivå som sambandet mellan den naturliga logaritmen av

omsättningen och skuldsättningsgraden. Som beskrivet i 5.2 bekräftar ett positivt samband

mellan företagsstorleken och skuldsättningsgraden både pecking order och trade-off teorierna.

5.3.1 Naturlig logaritm av balansomslutning och andel ej räntebärande kortfristiga skulder

Sambandet mellan ej räntebärande kortfristiga skulder och balansomslutningen visade sig

vara negativ på en 0.05 signifikansnivå. Att sambandet är negativt betyder att när andelen ej

räntebärande kortfristiga skulder minskar kommer den naturliga logaritmen av

balansomslutningen att öka. Det bekräftar vår hypotes till stöd för både pecking order och

trade-off teorierna eftersom båda teorierna innebär att sambandet mellan den naturliga

logaritmen av balansomslutningen och andelen ej räntebärande kortfristiga skulder ska vara

negativt. Pecking order teorin förutsäger en lägre informationsassymetrin vid ökad

57

företagsstorlek vilket borde resultera i mer räntebärande skulder. Enligt trade-off teorin borde

den minskade konkursrisken och de lägre kostnaderna för att skaffa extern finansiering

förknippade med ökat företagsstorlek skifta balansen mellan för- och nackdelar med belåning

till ju mer belåning ju större företaget är. Det som är intressant är varför ett samband mellan

den naturliga logaritmen av balansomslutningen och andelen ej räntebärande kortfristiga

skulder kunde identifieras medans ett samband mellan den naturliga logaritmen av

omsättningen och andelen ej räntebärande kortfristiga skulder inte kunde göra det. Det som

gör det särskilt intressant är att enligt Huang (2006) ska både den naturliga logaritmen av

balansomslutningen och av omsättningen vara högt korrelaterade mått på företagsstorlek. Om

inget samband mellan den naturliga logaritmen av omsättningen och andelen ej räntebärande

kortfristiga skulder kunde hittas på grund av att finansieringens långfristighet påverkas också

av företagsstorleken som Michaelas. Chittenden & Poutziouris (1999) föreslår och som vi

beskrev i 5.2.1 borde inte något samband kunna identifieras mellan den naturliga logaritmen

av balansomslutning och andelen ej räntebärande kortfristiga skulder heller. Man bör

samtidigt beakta att det negativa sambandet som identifierades mellan ej räntebärande

kortfristiga skulder och balansomslutningen gjordes så endast på en 0.05 signifikansnivå. Ett

större urval skulle kunna hjälpa att få sambandet bekräftad på en högre signifikansnivå eller

hjälpa att förkasta vår hypotes (Bryman & Bell, 2013).

5.4 Market to book ratio (MTB)

Den datan som har analyserats inom ramen för denna studie uppvisade inte något statistiskt

signifikant samband mellan måtten MTB och skuldsättningsgrad. Kallapur & Trombley

(1999) beskriver MTB som ett mått som visar ett företags tillväxtmöjligheter, måttet består av

förhållandet mellan företagets marknadsvärde på börsen och dess egna kapitals bokförda

värde. Om ett företag värderas högt på börsen relativt dess bokförda borde det innebära att

företaget förväntas växa i framtiden. Företag som har en hög tillväxt brukar inte generera

tillräckligt med interna vinstmedel för att kunna finansiera denna tillväxt. Enligt den

finansieringspreferensordning som pecking order teorin fastslår kommer företag utan

tillräckliga interna vinstmedel att söka finansiering i form av lån vilket ökar

skuldsättningsgraden (Michaelas, Chittenden & Poutziouris, 1991). Hypotesen till stöd för

58

pecking order teorin som dock behövde förkastas är att det finns ett positivt samband mellan

företagens tillväxtmöjligheter och dess skuldsättningsgrad.

Hypotesen till stöd för trade-off teorin när det gäller sambandet mellan tillväxtmöjligheterna

approximerade av MTB och skuldsättningsgraden är att detta samband borde vara av en

negativ karaktär. Vid en eventuell konkurs förlurar investerare mer värde när det gäller

företag med högt MTB än tvärtom. Då ökad belåning ökar risken för konkurs borde företag

med högt MTB vara lägre skuldsatta än företag med låg MTB då de helt enkelt har mer att

förlora vid en eventuell konkurs (Frank & Goyal, 2007). Även om det negativa sambandet

inte kunde fastställas i korrelationsanalysen av MTB och skuldsättningsgraden är det värt att

notera hur de empiriska observationerna är placerade i figur 8. Av figuren framgår det tydligt

att det inte finns några företag med hög MTB och skuldsättningsgrad samtidigt. Detta

diskvalificerar hypotesen till stöd för pecking order teorin men är förenligt med trade-off

teorins prognos.

5.4.1 MTB och andel ej räntebärande kortfristiga skulder

Sambandet mellan MTB och andelen ej räntebärande kortfristiga skulder visar på att det finns

ett positivt samband på en 0.05 signifikansnivå. Detta betyder att tillväxtmöjligheterna ökar i

samband med att andelen ej räntebärande skulder ökar. Pecking order teorin menar att

sambandet mellan variablerna borde vara negativt. På grund av att ju större tillväxtmöjligheter

ett företag har desto mer främmande räntebärande skulder borde företaget behöva för att

finansiera sin tillväxt. Detta då företagen bedöms kunna skapa mervärde genom sin

verksamhet medan dess vinstgenererande förmåga fortfarande ligger i framtiden och därför

behöver företaget förlita sig på den näst mest prefererade finansieringskällan som är extern

belåning (Michaelas, Chittenden & Poutziouris, 1991). Resultatet av vår korrelationsanalys

för dessa variabler innebär att hypotesen som skulle bekräfta pecking order teorin behöver

förkastas. Istället bekräftas hypotesen som stöttar trade-off teorin som går ut på att sambandet

borde vara positivt eftersom det vid större tillväxtmöjligheter borde det finnas en större del ej

räntebärande kortfristiga skulder då de relativa konkurskostnaderna vid eventuell konkurs är

desto högre ju högre tillväxtmöjligheterna är (Frank & Goyal, 2007).

59

5.5 Räntabilitet

Korrelationsanalysen för räntabiliteten och skuldsättningsgraden påvisade inte något

signifikant samband. Det berodde främst på att när korrelationsanalysen utfördes med alla

bolag som ingick i studien fanns det bolag med negativ räntabilitet, vilket gjorde det svårt att

skapa samband. När korrelationsanalysen istället gjordes utan de bolagen med negativ

räntabilitet upptäcktes ett negativt samband mellan variablerna räntabilitet och

skuldsättningsgrad med en signifikansnivå på 0.01. Thies & Klock (1992) beskriver att ett

företag med en hög räntabilitet har bättre förutsättningar för att generera vinst. Enligt pecking

order teorin är företagens förstahandsval finansiering via internt genererade vinstmedel och ett

bolag med en hög räntabilitet har stora möjligheter till att generera vinster. Synsättet på

sambandet mellan skuldsättningsgrad och räntabilitet utifrån pecking order teorin är därför att

sambandet ska vara negativt då behovet av att förlita sig på finansiering genom belåning som

är andrahandsvalet enligt pecking order teorin kommer vara mindre för företag med hög

räntabilitet vilket borde resultera i en lägre skuldsättningsgrad. Pecking order teorin erbjuder

inte någon förklaring till varför sambandet skulle endast gälla för företag med positiv

räntabilitet. Företag som har en negativ räntabilitet borde på grund av avsaknaden av

möjligheten behöva förlita sig på finansiering främst genom belåning enligt den

finansieringspreferensordning som teorin föreslår. Enligt vår studie är detta dock inte fallet

eftersom korrelationsanalysen för räntabiliteten och skuldsättningsgraden som inkluderade

företag med negativ räntabilitet påvisade inte något signifikant samband. Kim & Suh (2009)

menar att företag med negativ räntabilitet har svårt att hitta lånegivare just på grund av att de

går med förlust och behöver därför förlita sig på finansiering genom emissioner som annars är

den minst prefererade finansieringskällan enligt pecking order teorin.

Trade-off teorin erbjuder ett annat synsätt på sambandet mellan räntabilitet och

skuldsättningsgrad. Enligt López-Gracia & Sogorb-Mira (2008) ser trade-off teorin

sambandet mellan räntabilitet och skuldsättningsgrad som att en högre räntabilitet borde

medföra en ökad belåning utifrån de fördelar som belåningen ger genom att minska den

effektiva företagsbeskattningen då räntekostnader för ökad belåning är avdragsgilla. Då

fördelarna med belåning ökar och nackdelarna med belåning inte påverkas i det här fallet

60

borde det leda till att bolagen kommer att finansiera sig med externt kapital med en ökad

skuldsättningsgrad som resultat. Ju högre räntabilitet desto högre vinster som kan undantas

från beskattning genom högre räntekostnader vid en ökad belåning. Sambandet mellan

räntabilitet och skuldsättningsgrad borde därför vara positiv enligt trade-off teorin, något

saknas stöd i de empiriska utfallet av vår studie.

5.5.1 Räntabilitet och andel ej räntebärande kortfristiga skulder

Resultatet från korrelationsanalysen mellan variablerna räntabilitet och ej räntebärande

kortfristiga skulder var att det inte finns något signifikant samband dessa variabler emellan.

Vid exklusion av företagen med negativ räntabilitet påvisade korrelationsanalysen ett positivt

samband med 0.05 signifikansnivå. Det positiva sambandet stödjer pecking order teorin som

innebär att sambandet mellan variablerna borde vara positiv eftersom bolag med hög

räntabilitet borde ha en låg andel räntebärande skulder då de kan finansiera sin verksamhet

genom att spara på de vinster som företaget själv genererar (Thies & Klock,1992).

Möjligheten till denna internfinansiering är ju större ju högre räntabilitet företaget har. Då

trade-off teorin menar att bolag med hög räntabilitet borde ha en ökad belåning på grund av

den effektiva företagsbeskattningen så innebär teorin att det borde finnas ett negativt samband

mellan de berörda variablerna (López-Gracia & Sogorb-Mira, 2008). Denna studiens

empiriska resultat stödjer alltså inte trade-off teorins prognoser. Skillnaden i

signifikansnivåerna för sambandet mellan räntabilitet och skuldsättningsgrad samt räntabilitet

och andel ej räntebärande kortfristiga skulder är svår att förklara. Den kan bero på

mätproblem på grund av urvalets begränsade storlek (Bryman & Bell, 2013). Den skulle

också kunna bero på att andelen ej räntebärande kortfristiga skulder inte är ett mått på

fördelningen av de totala räntebärande skulderna. Såsom skuldernas långfristighet kan

påverkas av företagsstorleken vilket diskuteras i 5.2.1 skulle skuldernas långfristighet kunna

påverkas av räntabiliteten, i sådant fall borde ett mått på de totala räntebärande skulderna ha

konstruerats och använts istället.

5.6 Balanslikviditet

61

I 4.2.7 i empirikapitlet beskrevs det att det fanns ett negativt samband mellan balanslikviditet

och skuldsättningsgraden som fastställdes med en hög signifikansnivå på 0.01. Att ett bolag

har en hög balanslikviditet betyder att bolaget har ackumulerat kapital i form av likvida

medel. Niu (2008) beskriver att enligt pecking order teorin kommer företag föredra intern

finansiering framför extern finansiering. Intern finansiering kräver att interna vinstmedel

ackumuleras och likvida medel är den lättast omsättningsbara tillgången så därför borde det

finnas ett negativt samband mellan skuldsättningsgrad och balanslikviditet. Eftersom att

pecking order teorin förespråkar intern finansiering från tidigare vinst kommer bolag som har

en god internt likviditet inte ha någon anledning till att söka finansiering externt utan kommer

kunna utgå från intern finansiering vilket leder till det negativa sambandet mellan de båda

variablerna.

Det negativa sambandet mellan balanslikviditet och skuldsättningsgrad som bekräftades av

vår studie går emot den hypotesen som finns till stöd för trade-off teorin, nämligen att

sambandet mellan balanslikviditeten och skuldsättningsgraden ska vara positiv. Enligt trade-

off teorin skulle hög likviditet hjälpa till att stödja en högre belåning då den ökar företagets

möjligheter att täcka löpande lånekostnader. Det ska i sin tur minska nackdelen med belåning

på grund av att konkursrisken minskar och därför borde balansen mellan för- och nackdelarna

med finansiering i form av externt kapital skifta mot en högre belåning och därför en större

skuldsättningsgrad (Ozkan, 2001). Resultatet av vår korrelationsanalys stämmer med en

tidigare studie av sambandet mellan balanslikviditet och skuldsättningsgrad bland engelska

bolag (Ozkan, 2001). Baserat på utseendet av grafen i figur14 kan man dra slutsatsen att det

liknar en exponentiell kurva där det inte bara är företag med låg balanslikviditet som har höga

skuldsättningsgrader. En möjlig förklaring till detta skulle kunna vara att det är andra

variabler än balanslikviditet som påverkar företagens skuldsättningsgrad vilket gör att de

högre skuldsättningsgraden uppnås inte bara av företag med lägsta balanslikviditeten.

5.6.1 Balanslikviditet och andel ej räntebärande kortfristiga skulder

Ett positivt samband med en signifikansnivå på 0.01 upptäcktes i korrelationsanalysen mellan

balanslikviditeten och andelen ej räntebärande kortfristiga skulder. Detta bekräftar hypotesen

till stöd för pecking order teorin som innebär att ju högre balanslikviditet ett företag har desto

62

mindre kommer företaget att behöva finansiersa genom räntebärandet skulder. Enligt pecking

order teorin finansierar företagen sin verksamhet helst genom interna medel och vänder sig till

externt finansiering först när dessa inte är tillräckliga. Därför borde de skulder som finns i de

kortfristiga skulderna vara ej räntebärande till en större del för företagen med en hög

balanslikviditet än för företag med låg balanslikviditet. Enligt trade-off teorin borde en ökad

balanslikviditet hjälpa att stödja en högre belåning och då konkursrisken är mindre för likvida

bolag vilket minskar nackdelen med en högre belåning i det avvägandet mellan för- och

nackdelar med belåning som teorin förespråkar (Ozkan 2001). Hypotesen till stöd för trade-

off teorin att det råder en negativ samband mellan balanslikviditet och andel ej räntebärande

kortfristiga skulder kunde behöver därför förkastas baserat på det empiriska utfallet i vår

studie. Observationerna i figur 30 visar att medans låg balanslikviditet är reserverat till företag

med låg andel ej räntebärande kortfristiga skulder kan företag med hög andel ej räntebärande

kortfristiga skulder ha allt från låg till hög balanslikviditet även om den generellt är högre än

för företag med låg andel ej räntebärande kortfristiga skulder. Vi tolkar detta som ett tecken

på att det är ett flertal faktorer som påverkar företagens kapitalstrukturer även om den

balanslikviditeten är en av dem.

5.7 Effektiv skattesats

Studien utgick från flertalet försök att finna ett samband mellan skuldsättningsgrad och

effektiv skattesats men i alla de tester som gjordes fann vi inte något samband. Karadeniz,

Yilmaz, Kandir, Balcilar & Beyazit Onal (2009) menar att den effektiva skattesatsen inte har

någon vikt eller betydelse för pecking order teorin och därför förutsäger inte teorin någon

relation mellan skuldsättningsgraden och den effektiva skattesatsen som påverkar företagen.

Om en tolkning ändå görs utifrån pecking order teorins preferenser med avseende på den

effektiva skattesatsen antas ett positivt samband med skuldsättningsgraden. Ju högre effektiv

skattesats desto mindre internt genererade vinstmedel tillfaller företaget då de förminskas av

skatten och därför kan företaget vända sig utåt för att söka finansiering. Den finansieringen

skulle i första hand sökas i form av belåning vilket skulle innebära en ökad

skuldsättningsgrad.

63

Skatteffekten är däremot central inom trade-off teorin som förespråkar också ett positivt

samband mellan den effektiva skattesatsen och skuldsättningsgraden. En högre effektiv

skattesats leder till en större nytta med belåning på grund av att de avdragsgilla

räntekostnaderna minskar skatteffekten som sett utifrån företagets perspektiv är förlurade

pengar. Den ökade nyttan kommer att skifta balansen mellan för- och nackdelar med belåning

mot mer belåning och då ökar skuldsättningsgraden (Antoniou, Guney & Paudyal, 2008). Vår

korrelationsanalys av den effektiva skattesatsen och skuldsättningsgraden kunde inte påvisa

något samband även när vi justerade urvalet för att endast ta med företag med positiv

respektive negativ effektiv skattesats.

5.7.1 Effektiv skattesats och andel ej räntebärande kortfristiga skulder

Omvänt till det förväntade sambandet mellan den effektiva skattesatsen och

skuldsättningsgraden enligt pecking order teorin var vår hypotes till stöd för pecking order

teorin att det finns ett negativt samband mellan den effektiva skattesatsen och andelen ej

räntebärande kortfristiga skulder. Detta eftersom högre effektiv skattesats borde resultera i en

högre belåning då mindre internt genererade vinstmedel finns att tillgå när de förminskas av

den högre skatten. Hypotesen till stöd av trade-off teorin för sambandet mellan den effektiva

skattesatsen och andelen ej räntebärande kortfristiga skulder var att den skulle vara negativ på

grund av ökad nytta med belåning vid högre effektiv skattesats. Vår korrelationsanalys av den

effektiva skattesatsen och andelen ej räntebärande kortfristiga skulder fann inte heller något

samband mellan dessa variabler. Även här gjorde vi korrelationsanalyser där företag med

negativa respektive positiva effektiva skattesatser exkluderades från urvalet men inga

samband mellan den effektiva skattesatsen och andelen ej räntebärande kortfristiga skulder

kunde identifieras. Vi är inte ensamma om att misslyckas att hitta sambandet mellan

företagets skuldsättning och den effektiva skattesatsen utan detta gäller även flertalet andra

empiriska studier inom kapitalstrukturområdet (MacKie-Mason, 1990). I slutsatskapitlet

presenterar vi ett förslag till hur studien kunde ha gjorts annorlunda för att åskadligöra detta

samband.

5.8 Sammanställning av sambanden

64

I tabell 3 presenterar vi en sammanställning av de sambanden mellan de olika variablerna som

vi undersökte i vår studie enligt vad pecking order respektive trade-off teorierna förespråkar

och det faktiska utfallet baserat på de korrelationsanalyserna som vi gjorde för datan som

samlades in i vår studie. I tabellen markeras med grön färg de sambanden som kunde

bekräftas empiriskt i vår studie. Eftersom den förespråkar fler av de sambanden som kunde

bekräftas empiriskt av vår studie är pecking order den teorin som bäst beskriver

kapitalstrukturen för svenska börsnoterade företag.

Förklaringar till bilaga tabell 3

MAT = Materiella anläggningstillgångar

SG = Skuldsättningsgrad

Ej RKFS = Ej räntebärande kortfristiga skulder

Oms. = Omsättning

BO = Balansomslutning

MTB = Market to book ratio

RB = Räntabilitet

BL = Balanslikviditet

Eff. S-sats = Effektiv skattesats

Tabell 3: Sammanställning av sambanden

Samband

Pecking

order Trade-off Utfall

MAT & SG Positivt Positivt Positivt

MAT & Ej RKFS Negativt Negativ Negativt

Oms. & SG Positivt Positivt Positivt

Oms. & Ej RKFS Negativt Negativ Inget

BO & SG Positivt Positivt Positivt

BO & Ej RKFS Negativt Negativ Negativt

MTB & SG Positivt Negativt Inget

MTB & Ej RKFS Negativt Positivt Positivt

RB & SG Negativt Positivt Negativt

RB & Ej RKFS Positivt Negativt Inget

BL & SG Negativt Positivt Negativt

BL & Ej RKFS Positivt Negativ Positivt

Eff.S-sats & SG Positivt Positivt Inget

Eff.S-sats & Ej

RKFS Negativt Negativt Inget

65

5.9 Bortfallsanalys

I studien fanns det endast ett av hundra bolag som inte specificerade sina skulder på ett sätt

som skulle göra det möjligt att dela upp dem i långfristiga och kortfristiga skulder, det var

Kungsleden AB. Det resulterade i att bortfallet inte blev särskilt stort. För att ändå ha

användning av bolaget som föll bort har bolagets siffror använts i alla de korrelationsanalyser

där möjligheten fanns och medelvärden har även beräknats med och utan bolaget som föll

bort. Då det endast var ett bolag av hundra som föll bort finns det inget klart system bakom

bortfallet, detta på grund av att andelen som föll bort var så få. Om vi jämför medelvärden för

företaget med resterande bolags medelvärden finns det ingen extrem skillnad som skulle

kunna förvränga resultatet. De största skillnaden mellan värdena för Kungsleden AB och de

övriga bolagen i vår undersökning finns i andel materiella anläggningstillgångar av

balansomslutningen och tillväxtmöjligheterna mätta i MTB. Medelvärdet för andelen

materiella anläggningstillgångar av balansomslutningen för hela populationen var 25.00%

medans för Kungsleden AB låg den på 85.16%. När det gäller MTB så var medelvärdet för

hela populationen så var den 4.2 medans för Kungsleden AB var den 1.2. En förklaring till

dessa skillnader borde vara att medelvärden för hela populationen består av värde i alla

möjliga branscher förutom för den finansiella och Kungsleden AB är ett fastighetsbolag,

därför har den så pass stor andel av materiella anläggningstillgångar av dess hela

balansomslutning. (Kungsleden AB, 2016). Samtidigt är det främst företag i innovativa

branscher som har en hög MTB och fastighetsbranschen är en gammal traditionell bransch

vars tillväxtmöjlighöter kan inte ses som en innovativ högtillväxtbransch (Thomas, 2001).

5.10 Outliersanalys

Breunig, Kriegel, Ng & Sander (2000) beskrev i sin studie att outliers är en viktig del att ta

hänsyn till vid statistiska studier och att de är viktigt att göra en analys över varför det uppstår

outliers och hur det påverkar resultatet. Breunig, Kriegel, Ng & Sander (2000) tar upp i sin

studie att det kan bli ett antal outliers då urvalet är stort och då urvalet inte är preciserat. Att

ett urval är preciserat betyder att urvalet av analyserad data är liknande varandra. En

förklaring bakom att det finns ett antal outliers i den studerade datan beror på att urvalet är

gjort oregelbundet från den svenska börsmarknaden, där det är stora skillnader mellan bolag,

66

vilket ligger till grund för att det skapas outliers i studien. Att en statistiskt insamlad data har

outliers kan påverka dess trovärdighet och det behöver analyseras (Breunig, Kriegel, Ng &

Sander, 2000). Då datan som är insamlad till studien härrör från bolags redovisningar kan vi

säkerhetsställa att det är trovärdig information som samlats in, detta på grund av kraven som

finns i form av redovisningslagarna. Att det då skapas outliers i studien beror på de olika

bolagens nuvarande kapitalstrukturer och värdering på marknaden när det gäller MTB:n,

därför påverkar inte outliers studien negativt utan bekräftar istället skillnaderna mellan olika

bolag på den svenska börsmarknaden. Varken pecking order eller trade-off teorin gör några

reservationer att endast förklara observationer inom ett visst värdespann och därför exkluderar

vi inte några observationer från våra korrelationsanalyser. För de flesta variablerna finns det

endast enstaka outliers. Flest outliers finns i variabeln market-to book ratio, det är också den

ända variabeln som är baserat på företagens börsvärde. Vi tror att detta beror på att företagens

börsvärde är den mest spekulativa av våra observationer. Börsvärdet är ett uttryck för vad

marknaden är villig att betala för andelar i företaget och den viljan kan många gånger vara

knuten till förhoppningar som man har om företaget. Även förlustgörande företag kan ha ett

högt börsvärde om det finns en förhoppning att de så småningom kommer att en god

avkastning. Börsvärdet är inte reglerat i lag på samma sätt som observationerna från

årsredovisningarna är, där deras värderingsutrymme bestäms av redovisningslagarna.

67

6. Slutsatser

I slutsatskapitlet för vi en kritisk diskussion av studien och dess kvalité genom att göra

paralleller till andra studier som har gjorts tidigare inom kapitalstruktursområdet. I detta

kapitel ger vi även våra förslag till förbättringar som skulle kunna göras och presenterar

våra förslag till vidare forskning.

Pecking order och trade-off teorin teorierna lyckades förklara sambanden mellan de flesta

variabler i vår studie. Pecking-order teorin är bättre på att förklara de variabler som vår studie

undersöker då den kunde förklara sambandet mellan fler variabler än trade-off teorin. Detta

leder till slutsatsen att de svenska börsnoterade företagen väljer det säkra före det osäkra. De

finansieras helst genom att spara på internt genererade vinstmedel och väljer finansiering

utifrån i andra hand. Att detta styr företagen mer än avväganden mellan för- och nackdelar

med belåning som trade-off teorin förespråkar tycker vi vara en intressant slutsats. Många

företrädare för icke börsnoterade företag som vi har pratat med inom ramen för våra

banktjänster brukar våra oroliga just för risken förknippat med extern företagsfinansiering.

Vår slutsats är dessutom är förenlig med en tidigare studie som vi tillsammans med Ullah

(2015) gjorde där vi undersökte sambandet mellan företagsmognad och skuldsättningsgrad

bland 300 icke börsnoterade svenska företag. Det sambandet kunde förklaras med hjälp av

pecking order teorin men inte med trade-off teorin.

I vår nuvarande studie lyckades pecking order till skillnad från trade-off teorin att förklara

sambandet mellan räntabilitet och andel ej räntebärande kortfristiga skulder, balanslikviditet

och skuldsättningsgrad samt andel ej räntebärande kortfristiga skulder. Anmärkningsvärt var

det att trade-off teorin som var bättre på att förklara sambandet mellan tillväxtmöjligheterna

och andelen ej räntebärande kortfristiga skulder medan den inte lyckas att göra detsamma för

sambandet mellan tillväxtmöjligheterna och skuldsättningsgraden. Ett problem som finns med

skuldsättningsgraden är att den förändras både vid förändringar i belåning och vid

förändringar i eget kapital eftersom skuldsättningsgraden definieras som totala skulder/eget

kapital. Andelen ej räntebärande skulder förändras endast vid förändringar i belåning däremot.

Det är möjligt att det med 0.05 signifikansnivå positiva sambandet mellan tillväxtmöjligheter

68

och andelen ej räntebärande skulder som vår studie påvisade beror på att tillväxtmöjligheterna

påverkar både företagens sätt att jobba med belåning och eget kapital. Om dessa förändringar

går åt samma håll kan skuldsättningsgraden vara ett dåligt mått att använda och därför kan det

leda till att det är endast andelen ej räntebärande kortfristiga skulder som lyckas att fånga

belåningssidan av sambandet. Ett soliditetsmått skulle med fördel ha kunnat inkluderas i

studien för att undersöka om tillväxtmöjligheterna påverkar företagens finansieringsbeslut när

det gäller finansiering med eget kapital. Det skulle kunna hjälpa att besvara frågan varför

inget signifikant samband kunde påhittas mellan tillväxtmöjligheterna och

skuldsättningsgraden i vår studie.

Huang (2006) beskriver att omsättningen och balansomslutningen är högt korrelaterade och

båda fungerar väl som en approximation för företagsstorleken. I vår studie var sambanden

mellan omsättningen och balansomslutningen respektive skuldsättningsgraden mycket

liknande vilket tyder väl för studiens överensstämmande validitet. Däremot så var inte

sambanden mellan omsättningen och balansomslutningen respektive andelen ej räntebärande

kortfristiga skulder av kortfristiga skulder överensstämmande. Det fanns ett negativt samband

på 0.05 signifikansnivå mellan den naturella logaritmen av balansomslutningen och andelen ej

räntebärande skulder av de kortfristiga skulder som vi tolkar som ett stöd för trade-off teorin.

Däremot fanns det inte något signifikant samband när det gäller omsättningen. En möjlig

förklaring skulle kunna vara att omsättningen i sig påverkar mer hur långfristigt eller

kortfristigt företagen finansierar sig än vad balansomslutningen gör. En nedbrytning av de

långfristiga skulderna i ej räntebärande och räntebärande skulder skulle kunna hjälpa att

besvara denna fråga.

Vår studie visade inte något signifikant samband mellan den effektiva skattesatsen och de

kapitalmått som användes i studien. Detta är vi inte ensamma om och många empiriska

studier har inte kunnat visa ett samband mellan den effektiva skattesatsen och de kapitalmått

som användes i dessa studier. MacKie-Mason (1990) förklarar att detta kan bero på att sådana

kapitalmått som skuldsättningsgrad är en effekt av flera års tidigare finansieringsbeslut. Den

effektiva skattesatsen som vi undersökte är endast ett uttryck för företagets skattepåverkan för

det redovisningsåret och detta kan vara anledningen till varför vår studie inte kunde visa den

69

effektiva skattesatsens signifikans för de företagens val av kapitalstruktur. En tidsstudie där

man undersöker ett mindre antal företag under flera redovisningsperioder skulle kunna vara

bättre lämpad till att reda ut skattens påverkan på de finansieringsval som företagen gör

genom åren.

Själva tiden för observationerna i studien kan också vara intressant i sig. Love, Preve &

Sarria-Allende (2007) har visat att sådana makroekonomiska händelser som finanskriser

påverkar hur stor andel av företagens kapital som utgörs av leverantörsskulder under en viss

tid efter en sådan händelse. Leverantörsskulderna är endast en kapitaltyp som bygger upp

företagens kapitalstrukturer men man skulle analogiskt kunna tänka sig att det

makroekonomiska sammanhanget som företagen finner sig i verkar på deras finansieringsval

även när det gäller andra kapitaltyper. Vår studie är baserat på observationer från 2014

årsredovisningar och det kunde därför vara intressant att göra om studien men baserat på

observationer från en annan tidsperiod som till exempel före den senaste finanskrisen 2008

eller strax därefter för att undersöka om inte samma företag men i andra makroekonomiska

sammanhang haft andra preferenser när det gäller deras finansieringsval och om då

fortfarande kan förklaras med hjälp av pecking order teorin.

Framtida studier skulle också med fördel kunna bryta ned även de långfristiga skulder på

liknande sätt som de kortfristiga skulderna bryts ned i olika underkategorier i vårt arbete. Det

skulle möjliggöra att räkna fram de totala räntebärande skulderna och analysera de inom

ramen för kapitalstruktur teorierna. Risken med vår studie är att då vi endast undersöker

kortfristiga skulder går vi miste om att se hur den delen av räntebärande skulder som är

långfristiga påverkar de företagsspecfika variablerna som vi undersöker. Genom att bryta ner

alla skulder i en och samma studie kan ännu mer beskrivande fakta erhållas som ger en

klarare bild över fenomenet kapitalstruktur. Det som framkommer tydligt av vår uppsats är att

ju mer detaljerat de olika typer av kapital som används för att finansiera företaget kan

undersökas desto mer precist kan man utvärdera de befintliga kapital struktur teorierna och

göra nya tolkningar av vad som har en signifikant påverkan på hur företagen finansieras.

Pecking order och trade-off teorierna lyckas att förklara en stor del av de finansieringsval som

de svenska börsnoterade företagen gör men vår studies resultat kunde inte bekräfta alla dess

70

prognoser. I den mån teorierna motsäger sig är det även viktigt att undersöka för vilka typer

av företag respektive teori bättre beskriver företagens faktiska finansieringsmönster. Fler

studier behövs för att lösa kapitalstrukturs puzzeln som Myers (1984) en gång kallade det för,

de puzzelbitar vi tror saknas kan tas fram genom en bred analys av de olika kapitaltyper

företagen finansieras med definierat så smalt som möjligt.

71

Referenser

Abor, Joshua, and Nicholas Biekpe. "How do we explain the capital structure of SMEs in sub-

Saharan Africa? Evidence from Ghana." Journal of Economic Studies 36.1 (2009): 83-97.

Alves, P.F.P. and Ferreira, M.A., 2011. Capital structure and law around the world. Journal of

Multinational Financial Management, 21(3), pp.119-150.

Antoniou, A., Guney, Y. and Paudyal, K., 2008. The determinants of capital structure: capital

market-oriented versus bank-oriented institutions. Journal of financial and quantitative

analysis, 43(01), pp.59-92.

Arvidsson, P & Carrington, T & Johed, G (2016) “Den nya affärsredovisningen”

Studentlitteratur Lund

Atkinson, A.B, & Brandolini, A., 2001. Promise and Pitfalls in the Use of "Secondary" Data-

Sets: Income Inequality in OECD Countries As a Case Study Journal of Economic litterature,

39(3), pp. 771-799

Barclay, M.J. & Smith, C.W. (1995). The maturity structure of corporate dept. Journal of

Finance. 50, 609-631.

Bevan, Alan A., and Jo Danbolt. "Capital structure and its determinants in the UK-a

decompositional analysis." Applied Financial Economics 12.3 (2002): 159-170.

Brealey, R. A., Myers, S.C. & Allen, F., (2008) Principles of Corporate Finance – McGraw-

Hill

Breunig, M., Kriegel, H.P, Ng, R.T & Sander, J., (2000) LOF: identifying density-based local

outliers. ACM SIGMOD Record. 29(2), 93-104.

Bryman, A. & Bell, E. (2013) Företagsekonomiska forskningsmetoder. Stockholm: Liber.

Carlson, M. “Att arbeta med företagssanalys” (2014) Liber AB

Carlsson, J., Sandell, N. (2014) “Koncernredovisning” Liber AB

Cleveland, W.S. (1979) Robust Locally Weighted Regression and Smoothing

Cohen, J., Cohen P., West, S. G. & Aiken, L. S. “Applied Mutiple Regression/Correlation

Analysis for the Behavioral Sciences” (2013) Routledge

Corbett, C. & Van Wassenhove, L. (1993) Trade-off? What trade-offs? California

management review. 4(1), 107-122.

72

De Jong, A., Kabir, R. and Nguyen, T.T., (2008) Capital structure around the world: The roles

of firm-and country-specific determinants. Journal of Banking & Finance, 32(9), pp.1954-

1969.

Drobetz, W. & Wanzenried, G. (2006) What Determines the Speed of Adjustment to the

Target Capital Structure? Applied Financial Economics, 16(13), 941-958

Fama, E.F. & French, K.R., (2002), Testing trade off and pecking order predictions about

dividends and debt. Review Financial Studies, 15(1), 1-33.

Fama, E.F. & Jensen, M.C., (1983) Agency problems and residual claims. The Journal of Law

and Economics, 26(2), 327-349.

Frank, M.Z, & Goyal V.K (2003) Testing the pecking order theory of capital structure.

Journal of Financial Economics. 67(2), 217-248.

Frank, M.Z. and Goyal, V.K., 2007. Trade-off and pecking order theories of debt. Available at

SSRN 670543.

Frank, M. Z., & Goyal, V. K. (2009). Capital structure decisions: which factors are reliably

important?. Financial management, 38(1), 1-37.

Garcia-Appendini, E., & Montoriol-Garriga, J. (2013) Firms as liquidity providers: Evidence

from the 2007–2008 financial crisis. Journal of Financial Economics, 109(1), 272-291.

Giannetti, M., 2003. Do better institutions mitigate agency problems? Evidence from

corporate finance choices. Journal of Financial and Quantitative Analysis, 38(01), pp.185-

212.

Graham, J.R. and Leary, M.T., 2011. A review of empirical capital structure research and

directions for the future. Annual Review of Financial Economics, 3.

Harris, M., & Raviv, A. (1991). The theory of capital structure. the Journal of Finance, 46(1),

297-355.

Huang, G., 2006. The determinants of capital structure: Evidence from China.China

Economic Review, 17(1), pp.14-36.

Janiec, M., Lindblad, M. & Ullah, A. (2015) Kapitalstrukturen i Sverige: Om sambandet

mellan företagens och branschernas mognad och deras skuldsättningsgrad Linnéuniversitetet

Jensen, M.C. & Meckling, W.H. (1979) Theory of the Firm: Managerial Behavior,

Agency Costs, and Ownership Structure. Journal of Financial Economics, 3(4), 305-

360.

Kallapur, S. and Trombley, M.A., 1999. The association between investment opportunity set

proxies and realized growth. Journal of Business Finance & Accounting, 26(3‐4), pp.505-519.

73

Karadeniz, E., Yilmaz Kandir, S., Balcilar, M. and Beyazit Onal, Y., 2009. Determinants of

capital structure: evidence from Turkish lodging companies.International Journal of

Contemporary Hospitality Management, 21(5), pp.594-609.

Kim, B., & Suh, J. (2009). Financial life cycle and capital structure. Asia-Pacific Journal of

Financial Studies.

Kisgen, Darren J. "Credit ratings and capital structure." The Journal of Finance61.3 (2006):

1035-1072.

KTH https://www.kth.se/profile/hansuck/ <hämtad den 3 april 2016>

Kungsleden AB http://www.kungsleden.se/kungsleden/kort-om-oss/ <hämtad den 10 juli

2016>

Lemmon, M.L., Roberts, M.R. and Zender, J.F., 2008. Back to the beginning: persistence and

the cross‐section of corporate capital structure. The Journal of Finance, 63(4), pp.1575-1608.

López-Gracia, J. and Sogorb-Mira, F., 2008. Testing trade-off and pecking order theories

financing SMEs. Small Business Economics, 31(2), pp.117-136.

Love, I., Preve, L. A., & Sarria-Allende, V. (2007). Trade credit and bank credit: Evidence

from recent financial crises. Journal of Financial Economics, 83(2), 453-469.

Lundahl, U. & Skärvad, P-H. (1999). Utredningsmetodik för samhällsvetare och ekonomer.

Lund. Studentlitteratur

MacKie‐Mason, J. K. (1990). Do taxes affect corporate financing decisions?. The journal of

finance, 45(5), 1471-1493.

Maxwell, J.A. (2008). Designing a qualitative study, 214-246, in The SAGE Handbook of

Applied Social Research Methods, SAGE, Los Angeles.

Mazur, K., 2007. The determinants of capital structure choice: evidence from Polish

companies. International Advances in Economic Research, 13(4), pp.495-514.

Michaelas, Nicos, Francis Chittenden, and Panikkos Poutziouris. "Financial policy and capital

structure choice in UK SMEs: Empirical evidence from company panel data." Small business

economics 12.2 (1999): 113-130.

Miller, M.H & Scholes, M.S. (1978). Divendends and taxes, Journal of Financial Economics.

6, 333-364.

Mukherjee, S. and Mahakud, J., 2012. Are trade-off and pecking order theories of capital

structure mutually exclusive. Journal of Management Research, 12(1), pp.41-55.

74

Myers, Stewart C. "The capital structure puzzle." The journal of finance 39.3 (1984): 574-

592.

Myers, S.C. (2001) Capital Structure. Journal of Economic Perspective, 15(2), 81-102.

Myers, S.C. & Majluf, N.S. (1984) Corporate finance and investment decisions when

firms have information that investors do not have. Journal of Financial Economics,

13(2), 187-221.

NASDAQ OMX Nordic http://www.nasdaqomxnordic.com/aktier <hämtad den 23 april

2016>

Niu, Xiaoyan. "Theoretical and practical review of capital structure and its determinants."

International Journal of Business and Management 3.3 (2009): 133-139

Ozkan, A., 2001. Determinants of capital structure and adjustment to long run target: evidence

from UK company panel data. Journal of Business Finance & Accounting, 28(1‐2), pp.175-

198.

Rajan, R. G., & Zingales, L. (1995). What do we know about capital structure? Some

evidence from international data. The journal of Finance, 50(5), 1421-1460.

Ramalho, J.J. and da Silva, J.V., 2013. Functional form issues in the regression analysis of

financial leverage ratios. Empirical economics, 44(2), pp.799-831.

RANDOMG.ORG https://www.random.org/sequences/ <hämtad den 23 april 2016>

Rauh, J.D. and Sufi, A., 2010. Capital structure and debt structure. Review of Financial

Studies, 23(12), pp.4242-4280.

Sale, J.E.M., Lohfeld, L.H. & Brazil, K. (2002) Revisiting the Quantitative – Qualitative

debate. Implications for mixed-method research. Quality and Quantity. 36(1), 43-54.

Schyam-Sunder, L., & Myers, S.C. (1999) Testing static tradeoff against peckig oreder

models of capital structure. Journal of Financial Economics, 51(2), 219-244.

Smith, S., Brännström, D. & Jansson, A. 2015 Redovisningens språk Studentlitteratur AB

Smith, C.W & Watts, R.L. (1992). The investment opportunity set and corporate financing,

dividend and compensation policies. Journal of Financial Economics. 32, 263-292.

Song, H.S., 2005. Capital structure determinants an empirical study of Swedish

companies.(Working Paper)

Thies, C.F. and Klock, M.S., 1992. Determinants of capital structure. Review of Financial

Economics, 1(2), p.40.

75

Thomas, Patrick. "A relationship between technology indicators and stock market

performance." Scientometrics 51.1 (2001): 319-333.

Titman, S. and R. Wessels. (1988). The determinants of capital structure choice. Journal of

Finance. 43, 1-19.

Wald, J.K., 1999. How firm characteristics affect capital structure: an international

comparison. Journal of Financial research, 22(2), pp.161-187.

Walton, P. (1993) The true and fair view in British accounting. European Accounting

Review. 2(1), 49-58.

VanderStoep, S.W. and Johnson, D.D., 2008. Research methods for everyday life: Blending

qualitative and quantitative approaches (Vol. 32). John Wiley & Sons.

76

Bilagor

Bilaga A – Beräkningar

Förklaringar till bilaga A

Alla belopp i MSEK

Oms. = Omsättning

RÖR = Rörelseresultat

Resultat F skatt = Resultat före skatt

BO = Balansomslutning

MAT = Materiella anläggningstillgångar

Oms. T = Omsättningstillgångar

EK = Eget kapital

LFS = Långfristiga skulder

KFS = Kortfristiga skulder

RKFS = Räntebärande KFS

KF SS = Kortfristiga skatteskulder

Eff. S-sats = Effektiv skattesats

LN = Naturell logaritm

MTB = Market to book ratio

SG = Skuldsättningsgrad

Std. = Standardavvikelse

Röd markering = Outliers dvs 3 gånger eller mer Std.

77

Fö

reta

gsn

am

nO

ms.

RÖ

RR

esu

ltat fö

re s

ka

ttS

ka

ttB

OM

AT

Om

s. T

EK

LF

SK

FS

Ej R

KF

SR

KF

SK

F S

SB

örs

vä

rde

Eff. S

-sa

ts%

MA

T a

v B

OLN

Om

s.

AAK

17814

1262

1154

-267

12512

3812

7084

5800

2687

3603

3513

90

143

17417

23,1

4%

30,4

7%

9,8

Acando

1860

43

44

-14

1790

17

771

1063

67

661

569

85

71764

31,4

8%

0,9

3%

7,5

B&B to

ols

7663

340

286

-72

5094

208

2976

2203

933

1958

1436

475

47

3384

25,1

7%

4,0

8%

8,9

Bets

son

3035

821

815

-44

5013

51

1505

3074

529

1410

923

0487

12655

5,4

2%

1,0

2%

8,0

Fagerh

ult

3736

379

348

-87

3532

387

574

1329

1435

768

654

60

54

53000

24,9

4%

10,9

6%

8,2

Duni

4249

456

437

-118

4328

851

503

2193

399

1737

890

818

29

5452

27,0

0%

19,6

6%

8,4

Cla

s O

hls

son

6808

531

530

-125

3368

1291

1936

1965

207

1197

1152

045

94000

23,5

4%

38,3

3%

8,8

Bjö

rn B

org

544

56

63

-16

610

12

40

286

239

85

85

00

590

24,6

7%

2,0

2%

6,3

Qliro

5015

33

8-3

2368

28

658

1315

30

1024

1024

00

2600

35,7

1%

1,1

9%

8,5

BTS G

roup

781

82

83

-27

682

14

420

435

0247

219

029

1365

32,3

4%

2,0

4%

6,7

Wih

lborg

s1415

1365

492

-5

24678

24306

182

6967

16976

735

730

05

13100

1,0

2%

98,4

9%

7,3

Caste

llum

3318

2114

1134

-11

38088

37627

461

13649

23438

1001

996

05

20000

0,9

7%

98,7

9%

8,1

Doro

1227

87

79

-21

853

5630

335

60

458

408

42

9823

26,6

1%

0,5

6%

7,1

Karo

BIO

30

-59

-59

061

45

41

020

20

00

1772

0,0

0%

6,6

8%

3,4

Hem

tex

1046

20

13

0584

40

267

280

74

231

180

51

0570

0,0

0%

6,8

1%

7,0

Fabege

2087

1346

1867

-61

36018

32560

1916

13783

14473

7762

686

7071

516600

3,2

7%

90,4

0%

7,6

Saab

23527

1659

1523

-355

29556

3735

17684

11373

6677

11506

11195

264

47

29678

23,3

1%

12,6

4%

10,1

Volv

o283

5824

5089

2854

382896

86399

177302

80048

121763

136393

93747

39953

2693

181000

-56,0

8%

22,5

6%

5,6

Unifle

x1173

17

18

-6

309

2283

83

0226

226

00

338

36,0

7%

0,6

5%

7,1

Walle

nsta

m1566

940

630

-1

31757

30301

879

12883

4374

14500

650

13850

022000

0,1

6%

95,4

2%

7,4

Opus

1466

149

185

-43

1358

688

684

639

1122

567

320

193

54

1804

23,2

4%

50,6

5%

7,3

Ela

nders

3730

175

140

-52

3570

392

1690

1348

111

2111

753

1327

31

1023

37,2

3%

10,9

9%

8,2

Fin

gerp

rint C

ard

s234

-145

-144

0425

19

336

301

0123

123

00

2033

-0,3

2%

4,4

3%

5,5

Hexagon

25266

5120

4802

-966

64333

2946

13323

32761

19792

11768

7033

4322

414

86488

20,1

2%

4,5

8%

10,1

Kungsle

den

2193

1390

1306

-1610

23040

19620

3379

9102

00

00

010823

123,2

8%

85,1

6%

7,7

Mekonom

en

5924

274

250

-123

5384

201

2250

2080

1575

1728

1137

495

96

7300

49,2

0%

3,7

3%

8,7

Meda

15394

1487

582

-180

65112

1692

10607

20680

37386

7046

5160

1391

495

41115

30,9

3%

2,6

0%

9,6

NCC

56867

2604

2234

-396

38987

3261

32592

8867

10376

19745

17102

2526

117

26700

17,7

3%

8,3

6%

10,9

Sin

terc

ast

55

10

11

-1

97

263

88

08

80

1627

7,8

9%

1,6

5%

4,0

Tele

226602

3490

3500

-874

39848

11138

7868

22682

5711

10706

6578

3837

291

34962

24,9

7%

27,9

5%

10,2

Xano

943

65

52

-12

879

336

161

349

251

279

195

83

0721

23,0

8%

38,2

7%

6,8

MQ

1520

132

123

-27

1650

56

390

956

357

337

272

52

13

1107

22,2

0%

3,3

9%

7,3

Munksjö

10848

429

160

-87

11139

4216

3635

3906

4079

3154

2684

393

77

4316

54,4

4%

37,8

5%

9,3

Hald

ex

4380

233

205

-98

2936

449

1788

1278

718

940

916

15

94499

47,8

0%

15,2

9%

8,4

Dedic

are

539

35

34

-8

160

1151

66

291

88

04

378

23,9

3%

0,5

4%

6,3

Eniro

3005

-1441

-1594

-68

6176

21

664

1797

2620

1759

1103

625

31

1000

-4,2

7%

0,3

4%

8,0

Berg

s T

imber

698

-7

-13

3490

234

243

253

102

135

77

58

0220

20,9

0%

47,7

8%

6,5

Bilia

19493

500

488

-103

6955

2065

2250

1849

1956

3150

2914

188

48

5971

21,1

1%

29,6

9%

9,9

Ele

ctro

lux

109186

1580

904

-232

76001

17264

43769

14308

20908

76001

71937

2733

1331

71000

25,6

6%

22,7

2%

11,6

HiQ

1379

147

148

-33

989

36

594

698

22

269

197

666

2184

22,2

1%

3,6

5%

7,2

Diö

s1312

421

392

-10

12340

12200

122

3365

8408

567

560

70

4316

2,5

5%

98,8

7%

7,2

H&M

151419

25583

25895

-5919

75597

26948

42741

51556

3738

20303

19149

01154

444883

22,8

6%

35,6

5%

11,9

JM14216

1819

1744

-438

12375

23

12150

4635

2848

4892

4064

659

169

15900

25,1

1%

0,1

9%

9,6

Loom

is13510

1306

1240

-330

13027

3813

3159

4907

4992

3128

2273

738

117

17000

26,6

1%

29,2

7%

9,5

Nola

to4239

454

462

-98

2914

894

1423

1567

218

1229

1009

79

41

5458

21,2

1%

30,6

8%

8,4

Peab

43743

1752

1230

-203

28385

3830

19101

7997

4719

15669

12226

3368

75

19731

16,5

0%

13,4

9%

10,7

Pro

ffice

4203

140

137

-33

1612

10

968

639

42

931

902

029

1380

24,0

9%

0,6

2%

8,3

Securita

s70217

3237

2909

-838

41084

2557

17769

11299

15233

14551

11353

2748

451

32861

28,7

9%

6,2

2%

11,2

Senys G

ats

o161

35

35

-8

178

1135

141

235

35

00

438

22,1

7%

0,6

9%

5,1

Getin

ge

26759

2646

1987

-539

52818

4971

16373

18694

19380

14744

8277

6373

94

42300

27,1

3%

9,4

1%

10,2

78

Fö

reta

gsn

am

nO

ms.

RÖ

RR

esu

ltat fö

re s

ka

ttS

ka

ttB

OM

AT

Om

s. T

EK

LF

SK

FS

Ej R

KF

SR

KF

SK

F S

SB

örs

vä

rde

Eff. S

-sa

ts%

MA

T a

v B

OLN

Om

s.

Addte

ch

6117

501

475

-106

3465

187

1915

1349

480

1636

1018

580

94

42300

22,3

2%

5,4

0%

8,7

Clo

etta

5318

577

338

-96

9962

1667

2208

4048

4200

1714

1233

423

38

6608

28,4

0%

16,7

3%

8,6

Enea

429

99

95

-21

504

8352

400

16

88

85

058

7763

21,8

1%

1,5

3%

6,1

Consiliu

m1255

110

82

-20

1180

38

717

328

509

343

259

73

21448

24,5

7%

3,2

5%

7,1

Kabe

1331

82

82

-18

937

117

795

668

45

224

213

11

12

685

21,9

6%

12,5

0%

7,2

Mid

sona

926

67

59

41199

9267

751

232

216

163

53

01230

-6,7

8%

0,7

5%

6,8

Ortiv

us

72

21

083

19

44

19

460

57

30

705

0,0

0%

22,4

3%

4,3

Pric

er

583

-53

-53

-2

815

8442

660

5151

00

052

-4,3

4%

0,9

9%

6,4

Fast P

artn

er

921

871

583

-42

12574

12048

345

3271

7172

2131

629

1502

0699

7,2

7%

95,8

2%

6,8

DGC o

ne

545

70

70

-16

401

67

213

191

34

176

170

60

5775

22,7

3%

16,5

9%

6,3

Bio

tage

499

49

55

-4

619

43

315

503

13

103

100

21

1013

6,8

3%

6,9

6%

6,2

Boule

Dia

gnostic

s313

27

25

-1

280

18

150

170

10

100

57

42

1848

4,6

8%

6,2

8%

5,7

Core

n P

roperty

621

202

162

-50

8753

7260

139

2343

3999

2411

205

2202

0256

30,8

6%

82,9

4%

6,4

Heba

267

103

161

-35

5315

5298

15

2832

1673

811

78

732

43323

22,0

0%

99,6

7%

5,6

ICA

88057

4097

3727

-622

72434

17600

17658

27911

16995

25606

24215

1277

04520

16,6

9%

24,3

0%

11,4

Husqvarn

a32856

1591

1266

-435

29344

4463

13673

12170

9803

7371

6081

1154

114

36414

34,3

6%

15,2

1%

10,4

Image S

yste

ms

102

-4

-10

094

036

16

177

38

40

136

33000

0,0

0%

0,1

1%

4,6

Inw

ido

4928

374

253

-72

5094

637

1045

2793

1236

1065

892

94

019

28,3

7%

12,4

9%

8,5

Itab

3995

325

288

-70

3043

546

1771

1288

234

1521

675

804

79

39000

24,4

0%

17,9

6%

8,3

CTT

205

62

-1

231

31

54

96

52

84

52

32

42

4442

27,7

8%

13,4

6%

5,3

Bulte

n2470

133

119

-34

1885

328

1262

1273

120

493

481

20

714

28,7

8%

17,4

2%

7,8

Ele

kta

10694

1727

1502

-350

17892

624

9921

6257

5187

6448

6104

125

91409

23,3

0%

3,4

9%

9,3

Endom

ines

172

-45

-43

8459

225

148

318

75

66

59

7219

34697

18,7

3%

49,0

0%

5,1

Novote

k222

17

18

-4

145

1109

145

066

54

00

149

22,9

1%

0,9

7%

5,4

Opcon

295

18

14

-1

628

14

63

473

14

140

121

20

11

174

3,7

6%

2,2

1%

5,7

ÅF

8837

756

720

-167

7304

346

2666

3955

1021

2328

1882

354

0450

23,1

5%

4,7

4%

9,1

Vitro

life526

143

147

-37

972

92

309

703

110

160

105

26

92

9734

25,4

9%

9,4

9%

6,3

Vic

toria

Park

298

433

356

-46

6062

5770

292

1544

4149

369

310

56

29

3604

12,9

2%

95,1

8%

5,7

Trib

om

a425

326

-449

29

5167

4831

251

1804

3171

192

136

47

31543

6,4

6%

93,5

0%

6,1

OEM

1889

179

176

-39

1123

204

337

552

117

455

242

207

91878

22,2

0%

18,1

8%

7,5

Poolia

701

65

-3

197

2163

68

1128

128

05

2549

64,8

7%

1,2

2%

6,6

Sagax

1095

935

853

-11

14381

13387

188

4544

9326

511

371

140

0201

1,2

9%

93,0

9%

7,0

Rörv

ik1862

-16

-59

01360

509

423

370

431

560

221

336

08965

0,0

0%

37,4

3%

7,5

Rottn

ero

s1588

118

114

19

1261

615

570

975

39

247

247

03

340

-16,6

7%

48,7

7%

7,4

Rejle

rs1712

49

45

-11

943

32

561

442

155

347

296

39

0570

24,5

0%

3,3

4%

7,4

Concord

ia M

aritim

531

56

17

-8

3716

3336

380

1575

1832

309

91

207

11

1246

47,2

7%

89,7

9%

6,3

VBG G

roup

1187

121

-8

-34

1209

201

251

818

254

137

118

14

11

616

-411,6

1%

16,6

2%

7,1

Klö

vern

2521

1643

1295

-2

31658

30220

704

9988

13770

7900

1079

6792

51

1300

0,1

5%

95,4

6%

7,8

G5 E

nte

rtain

ment

184

99

-2

147

369

104

043

41

029

12200

20,9

3%

1,9

6%

5,2

Byggm

ax

3559

297

283

-65

2120

268

733

1048

97

975

487

481

2237

23,0

2%

12,6

2%

8,2

Alle

nex

136

23

20

-5

350

362

220

86

44

23

21

73207

25,4

4%

0,9

4%

4,9

Aris

e288

91

-24

-1

2967

2209

266

1178

1581

208

136

72

0299

-4,1

7%

74,4

5%

5,7

New

Wave G

roup

4301

250

208

-31

5237

308

3399

2405

2136

696

585

84

0829

14,9

5%

5,8

7%

8,4

Net E

nte

rtain

ment

852

262

266

-23

804

70

522

546

12

245

234

027

2401

8,5

7%

8,7

3%

6,7

Sectra

886

128

141

-38

1008

68

813

612

81

316

292

612

10495

26,5

8%

6,7

9%

6,8

Pre

cis

e B

iom

etric

s33

-45

-44

0106

386

92

014

14

017

2680

0,0

0%

2,6

2%

3,5

Sandvik

88998

10120

8264

-2272

106319

27609

52108

36672

41426

24637

20764

2679

0721

27,4

9%

25,9

7%

11,4

SAS

38006

153

-918

199

17875

8907

350

4907

10384

14034

11490

2748

1194

95800

21,6

8%

49,8

3%

10,5

Stu

dsvik

915

30

12

-6

1041

350

386

293

444

304

279

23

064000

55,5

6%

33,6

1%

6,8

SSAB

47498

-107

-1589

195

89727

26570

29528

43879

25521

20158

11215

8946

3270

12,2

7%

29,6

1%

10,8

79

Fö

reta

gsn

am

nLN

BO

MTB

Rä

nta

bilite

tBa

lan

slik

vid

itet

SG

Std

. Eff. S

-sa

tsStd

. % M

AT a

v B

OS

td. L

N O

ms.S

td. L

N B

OS

td. M

TB

Std

. Rä

nta

bilite

tStd

. Ba

lan

slik

vid

itetS

td. S

G

AAK

9,4

3,0

10,0

9%

196,6

1%

1,1

0,0

10,0

04,8

2,1

1,4

0,0

00,6

10,2

Acando

7,5

1,7

2,3

9%

116,7

4%

0,7

0,0

30,0

60,0

0,3

6,5

0,0

00,0

00,7

B&B to

ols

8,5

1,5

6,6

7%

151,9

9%

1,3

0,0

10,0

51,8

0,3

7,1

0,0

00,1

10,0

Bets

son

8,5

4,1

16,3

8%

106,7

4%

0,6

0,0

10,0

60,2

0,3

0,0

0,0

10,0

10,8

Fagerh

ult

8,2

39,9

10,7

2%

74,7

8%

1,7

0,0

10,0

20,4

0,0

1272,6

0,0

00,1

90,0

Duni

8,4

2,5

10,5

4%

28,9

6%

1,0

0,0

10,0

00,6

0,1

2,9

0,0

00,8

00,3

Cla

s O

hls

son

8,1

47,8

15,7

5%

161,7

5%

0,7

0,0

10,0

21,5

0,0

1904,4

0,0

10,1

90,6

Bjö

rn B

org

6,4

2,1

9,1

8%

47,7

7%

1,1

0,0

10,0

61,7

2,5

4,6

0,0

00,5

00,1

Qliro

7,8

2,0

1,3

9%

64,2

7%

0,8

0,0

40,0

60,8

0,1

4,9

0,0

00,2

90,5

BTS G

roup

6,5

3,1

12,0

8%

170,0

8%

0,6

0,0

30,0

60,9

2,2

1,1

0,0

00,2

70,9

Wih

lborg

s10,1

1,9

5,5

3%

24,7

6%

2,5

0,0

20,5

30,1

4,5

5,4

0,0

00,8

81,1

Caste

llum

10,5

1,5

5,5

5%

46,0

5%

1,8

0,0

20,5

40,3

6,5

7,5

0,0

00,5

30,1

Doro

6,7

2,5

10,1

4%

137,5

5%

1,5

0,0

10,0

60,2

1,6

3,0

0,0

00,0

40,0

Karo

BIO

4,1

43,3

-98,0

8%

25,1

2%

0,5

0,0

20,0

417,6

15,2

1530,2

1,0

70,8

71,0

Hem

tex

6,4

2,0

3,4

7%

115,9

2%

1,1

0,0

20,0

40,4

2,7

4,7

0,0

00,0

00,2

Fabege

10,5

1,2

3,7

4%

24,6

8%

1,6

0,0

20,4

20,0

6,2

9,0

0,0

00,8

80,0

Saab

10,3

2,6

5,6

1%

153,6

9%

1,6

0,0

10,0

26,1

5,3

2,5

0,0

00,1

20,0

Volv

o12,9

2,3

1,5

2%

129,9

9%

3,2

0,5

10,0

03,8

23,6

3,8

0,0

00,0

13,0

Unifle

x5,7

4,1

5,6

2%

125,6

0%

2,7

0,0

40,0

60,3

5,1

0,0

0,0

00,0

01,5

Walle

nsta

m10,4

1,7

2,9

6%

6,0

6%

1,5

0,0

20,4

90,1

5,6

6,2

0,0

01,2

70,0

Opus

7,2

2,8

10,9

4%

120,7

2%

2,6

0,0

10,0

60,1

0,6

1,9

0,0

00,0

01,3

Ela

nders

8,2

0,8

4,8

9%

80,0

5%

1,6

0,0

50,0

20,4

0,0

11,8

0,0

00,1

50,0

Fin

gerp

rint C

ard

s6,1

6,8

-34,2

1%

272,3

9%

0,4

0,0

30,0

44,6

3,8

6,5

0,1

62,3

71,2

Hexagon

11,1

2,6

7,9

6%

113,2

1%

1,0

0,0

00,0

46,4

9,4

2,4

0,0

00,0

00,3

Kungsle

den

10,0

1,2

6,0

3%

1,5

1,1

60,3

60,0

4,2

9,1

0,0

01,4

10,0

Mekonom

en

8,6

3,5

5,0

9%

130,2

1%

1,6

0,1

10,0

51,2

0,3

0,5

0,0

00,0

10,0

Meda

11,1

2,0

2,2

8%

150,5

4%

2,1

0,0

20,0

54,2

9,5

4,9

0,0

00,1

00,4

NCC

10,6

3,0

6,6

8%

165,0

6%

3,4

0,0

00,0

311,2

6,6

1,4

0,0

00,2

23,6

Sin

terc

ast

4,6

7,1

10,5

4%

751,1

9%

0,1

0,0

10,0

612,9

11,7

8,4

0,0

040,0

22,0

Tele

210,6

1,5

8,7

6%

73,4

9%

0,7

0,0

10,0

06,7

6,7

7,1

0,0

00,2

00,6

Xano

6,8

2,1

7,4

0%

57,6

4%

1,5

0,0

10,0

20,6

1,5

4,6

0,0

00,3

70,0

MQ

7,4

1,2

8,0

1%

115,7

5%

0,7

0,0

00,0

50,1

0,4

9,3

0,0

00,0

00,6

Munksjö

9,3

1,1

3,8

5%

115,2

4%

1,9

0,1

50,0

22,9

1,7

9,6

0,0

00,0

00,1

Hald

ex

8,0

3,5

7,9

4%

190,2

1%

1,3

0,1

00,0

10,6

0,0

0,5

0,0

00,5

10,0

Dedic

are

5,1

5,7

21,8

8%

165,6

6%

1,4

0,0

10,0

61,7

8,6

2,3

0,0

30,2

20,0

Eniro

8,7

0,6

-23,3

3%

37,7

5%

2,4

0,0

40,0

60,2

0,5

13,3

0,0

80,6

50,9

Berg

s T

imber

6,2

0,9

-1,4

5%

179,7

9%

0,9

0,0

00,0

51,1

3,3

11,1

0,0

00,3

70,3

Bilia

8,8

3,2

7,1

9%

71,4

3%

2,8

0,0

00,0

05,2

0,7

0,9

0,0

00,2

21,6

Ele

ctro

lux

11,2

5,0

2,0

8%

57,5

9%

6,8

0,0

10,0

016,0

10,5

0,6

0,0

00,3

727,8

HiQ

6,9

3,1

14,9

0%

220,9

4%

0,4

0,0

00,0

50,1

1,2

1,1

0,0

11,0

51,2

Diö

s9,4

1,3

3,4

1%

21,5

2%

2,7

0,0

20,5

40,2

2,0

8,5

0,0

00,9

41,4

H&M

11,2

8,6

33,8

4%

210,5

2%

0,5

0,0

10,0

118,7

10,5

19,6

0,0

80,8

51,1

JM9,4

3,4

14,7

0%

248,3

6%

1,7

0,0

10,0

63,8

2,0

0,6

0,0

11,6

80,0

Loom

is9,5

3,5

10,0

3%

100,9

9%

1,7

0,0

10,0

03,7

2,2

0,5

0,0

00,0

30,0

Nola

to8,0

3,5

15,5

8%

115,7

9%

0,9

0,0

00,0

00,6

0,0

0,5

0,0

10,0

00,3

Peab

10,3

2,5

6,1

7%

121,9

0%

2,5

0,0

00,0

19,5

5,1

3,0

0,0

00,0

01,1

Pro

ffice

7,4

2,2

8,6

8%

103,9

7%

1,5

0,0

10,0

60,6

0,4

4,2

0,0

00,0

20,0

Securita

s10,6

2,9

7,8

8%

122,1

1%

2,6

0,0

20,0

412,7

6,9

1,7

0,0

00,0

01,3

Senys G

ats

o5,2

3,1

19,4

0%

390,5

6%

0,3

0,0

00,0

66,4

7,9

1,2

0,0

27,4

01,5

Getin

ge

10,9

2,3

5,0

1%

111,0

5%

1,8

0,0

10,0

36,7

8,3

3,8

0,0

00,0

10,1

80

Fö

reta

gsn

am

nLN

BO

MTB

Rä

nta

bilite

tBa

lan

slik

vid

itet

SG

Std

. Eff. S

-sa

tsStd

. % M

AT a

v B

OS

td. L

N O

ms.S

td. L

N B

OS

td. M

TB

Std

. Rä

nta

bilite

tStd

. Ba

lan

slik

vid

itetS

td. S

G

Addte

ch

8,2

4,9

14,4

6%

117,0

5%

1,6

0,0

00,0

41,3

0,0

0,5

0,0

10,0

00,0

Clo

etta

9,2

1,9

5,7

9%

128,8

2%

1,5

0,0

20,0

11,0

1,5

5,2

0,0

00,0

10,0

Enea

6,2

3,6

19,6

1%

401,8

4%

0,3

0,0

00,0

62,4

3,2

0,3

0,0

28,0

21,5

Consiliu

m7,1

2,1

9,3

5%

208,8

6%

2,6

0,0

10,0

50,2

0,9

4,5

0,0

00,8

11,2

Kabe

6,8

1,8

8,7

9%

354,5

0%

0,4

0,0

00,0

20,2

1,3

5,6

0,0

05,5

71,2

Mid

sona

7,1

0,9

5,5

9%

123,6

1%

0,6

0,0

50,0

60,6

0,8

10,6

0,0

00,0

00,8

Ortiv

us

4,4

2,7

2,0

1%

73,4

5%

3,3

0,0

20,0

011,0

12,8

2,3

0,0

00,2

03,2

Pric

er

6,7

1,1

-6,5

1%

293,4

9%

0,2

0,0

40,0

61,5

1,7

9,9

0,0

13,0

61,6

Fast P

artn

er

9,4

1,8

6,9

3%

16,2

1%

2,8

0,0

10,4

90,6

2,1

5,9

0,0

01,0

51,8

DGC o

ne

6,0

5,3

17,5

3%

120,6

0%

1,1

0,0

10,0

11,7

4,0

1,2

0,0

10,0

00,2

Bio

tage

6,4

1,7

7,9

7%

306,1

1%

0,2

0,0

10,0

31,9

2,5

6,3

0,0

03,5

21,6

Boule

Dia

gnostic

s5,6

1,5

9,4

9%

151,1

4%

0,6

0,0

10,0

43,4

5,6

7,3

0,0

00,1

10,7

Core

n P

roperty

9,1

1,4

2,3

1%

5,7

7%

2,7

0,0

20,3

31,4

1,2

7,7

0,0

01,2

71,5

Heba

8,6

1,6

1,9

3%

1,8

6%

0,9

0,0

00,5

54,0

0,3

6,8

0,0

01,3

60,4

ICA

11,2

1,3

5,6

6%

68,9

6%

1,5

0,0

00,0

014,3

10,2

8,4

0,0

00,2

50,0

Husqvarn

a10,3

2,7

5,4

2%

185,5

0%

1,4

0,0

40,0

17,8

5,2

2,2

0,0

00,4

50,0

Image S

yste

ms

4,5

1,2

-4,6

7%

46,5

1%

4,9

0,0

20,0

68,9

11,9

9,2

0,0

10,5

211,3

Inw

ido

8,5

14,0

7,3

5%

98,1

2%

0,8

0,0

20,0

20,8

0,3

95,3

0,0

00,0

40,5

Itab

8,0

3,4

10,6

9%

116,4

5%

1,4

0,0

10,0

10,5

0,0

0,6

0,0

00,0

00,0

CTT

5,4

7,4

2,5

1%

65,1

5%

1,4

0,0

10,0

15,2

6,5

10,5

0,0

00,2

90,0

Bulte

n7,5

1,1

7,0

8%

256,2

4%

0,5

0,0

20,0

10,0

0,2

9,6

0,0

01,9

01,0

Ele

kta

9,8

5,5

9,6

5%

153,8

6%

1,9

0,0

10,0

52,8

3,2

1,8

0,0

00,1

20,1

Endom

ines

6,1

0,5

-9,8

2%

225,4

0%

0,4

0,0

00,0

56,0

3,5

13,9

0,0

21,1

41,1

Novote

k5,0

1,2

11,5

9%

166,1

3%

0,5

0,0

10,0

64,8

9,2

9,0

0,0

00,2

31,1

Opcon

6,4

1,0

2,9

1%

44,9

1%

0,3

0,0

10,0

53,7

2,4

10,6

0,0

00,5

41,4

ÅF

8,9

2,5

10,3

6%

114,5

1%

0,8

0,0

10,0

42,2

0,8

3,0

0,0

00,0

00,4

Vitro

life6,9

5,1

14,7

4%

193,1

9%

0,4

0,0

10,0

31,8

1,3

0,9

0,0

10,5

61,2

Vic

toria

Park

8,7

1,0

7,1

4%

79,1

3%

2,9

0,0

00,4

83,6

0,5

10,2

0,0

00,1

62,0

Trib

om

a8,6

1,0

6,3

1%

130,7

3%

1,9

0,0

10,4

62,4

0,3

10,0

0,0

00,0

10,1

OEM

7,0

4,6

15,8

9%

74,0

2%

1,0

0,0

00,0

10,0

1,0

0,2

0,0

10,2

00,2

Poolia

5,3

3,0

2,8

5%

127,8

6%

1,9

0,2

40,0

61,1

7,4

1,5

0,0

00,0

10,2

Sagax

9,6

2,0

6,5

0%

36,7

9%

2,2

0,0

20,4

60,4

2,5

5,0

0,0

00,6

70,4

Rörv

ik7,2

0,9

-1,1

4%

75,4

9%

2,7

0,0

20,0

10,0

0,6

10,8

0,0

00,1

91,4

Rottn

ero

s7,1

0,6

9,3

6%

230,7

7%

0,3

0,1

00,0

50,1

0,7

13,1

0,0

01,2

61,5

Rejle

rs6,8

2,8

5,1

5%

161,9

0%

1,1

0,0

10,0

50,0

1,3

1,9

0,0

00,1

90,1

Concord

ia M

aritim

8,2

0,4

1,5

2%

122,9

0%

1,4

0,1

00,4

11,8

0,0

14,5

0,0

00,0

00,0

VBG G

roup

7,1

1,6

10,0

1%

182,9

5%

0,5

18,2

50,0

10,3

0,8

6,8

0,0

00,4

11,0

Klö

vern

10,4

1,2

5,1

9%

8,9

1%

2,2

0,0

20,4

90,1

5,6

8,9

0,0

01,2

00,4

G5 E

nte

rtain

ment

5,0

2,3

6,1

2%

161,7

7%

0,4

0,0

00,0

65,7

9,0

3,7

0,0

00,1

91,2

Byggm

ax

7,7

3,1

14,0

0%

75,2

2%

1,0

0,0

10,0

20,3

0,1

1,3

0,0

10,1

90,2

Alle

nex

5,9

1,4

6,5

4%

142,5

3%

0,6

0,0

10,0

67,2

4,6

8,1

0,0

00,0

60,8

Aris

e8,0

0,7

3,0

7%

127,8

8%

1,5

0,0

40,2

43,8

0,0

12,2

0,0

00,0

10,0

New

Wave G

roup

8,6

1,0

4,7

7%

488,6

8%

1,2

0,0

00,0

40,6

0,3

10,3

0,0

013,7

00,1

Net E

nte

rtain

ment

6,7

19,2

32,5

5%

212,5

5%

0,5

0,0

00,0

30,7

1,7

225,4

0,0

70,8

81,1

Sectra

6,9

4,4

12,7

1%

257,6

8%

0,6

0,0

10,0

40,7

1,2

0,0

0,0

11,9

40,7

Pre

cis

e B

iom

etric

s4,7

7,8

-41,9

5%

605,3

0%

0,2

0,0

20,0

516,9

11,1

13,2

0,2

223,6

91,8

Sandvik

11,6

2,6

9,5

2%

211,5

0%

1,8

0,0

10,0

014,4

12,8

2,5

0,0

00,8

60,1

SAS

9,8

13,0

0,8

6%

2,4

9%

5,0

0,0

00,0

68,7

3,2

78,2

0,0

01,3

512,1

Stu

dsvik

6,9

0,9

2,9

2%

126,7

1%

2,6

0,1

60,0

10,6

1,1

10,7

0,0

00,0

11,1

SSAB

11,4

0,5

-0,1

2%

146,4

8%

1,0

0,0

00,0

010,0

11,6

13,4

0,0

00,0

80,2

81