Upload
others
View
4
Download
0
Embed Size (px)
Citation preview
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