Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
I
UNIVERSITEIT GENT
FACULTEIT ECONOMIE EN BEDRIJFSKUNDE
ACADEMIEJAAR 2008 – 2009
Winststuring in de kennisintensieve sector
Earnings management bij hightech-ondernemingen
Masterproef voorgedragen tot het bekomen van de graad van
Master in de Toegepaste Economische Wetenschappen
Lieve De Beer
Jeroen Clinckspoor
onder leiding van
Prof. Dr. Ignace De Beelde
II
III
PERMISSION
Ondergetekende verklaart dat de inhoud van deze masterproef mag geraadpleegd en/of
gereproduceerd worden, mits bronvermelding.
Jeroen Clinckspoor
Lieve De Beer
I
Voorwoord
Deze masterproef vormt het eindstuk van de masteropleiding Toegepaste Economische
Wetenschappen aan de Universiteit Gent. Deze masterproef gaat over winststuring bij
bedrijven. Het maken van deze masterproef heeft ons geleerd dat we niet alle gepubliceerde
accountingcijfers moeten geloven. Winststuring heeft een grote impact op de maatschappij,
het is dus een goede zaak dat hier de nodige aandacht aan besteed wordt. Bij het bekijken
van jaarrekeningen en financiële rapporten moet het nodige scepticisme aan de dag gelegd
worden. Dit kan evident lijken maar literatuurstudie leert ons dat winststuring niet zo
eenvoudig te detecteren is.
Onze dank gaat uit naar onze promotor bij het geven van de juiste richtlijnen en familieleden
voor het nalezen van ons eindwerk.
II
INHOUDSTAFEL
1 Inleiding .........................................................................................................................1 2 Definitie winststuring.....................................................................................................2 3 Motieven voor winststuring ..........................................................................................3 4 Methoden voor winststuring .........................................................................................5
4.1 Accrual manipulatie ...............................................................................................5 4.2 Winststuring o.b.v. accruals meten .....................................................................6
4.2.1 Het Healy Model ................................................................................................7
4.2.2 Het DeAngelo Model .........................................................................................8
4.2.3 Het Jones Model ...............................................................................................8
4.2.4 Het Industry Model ..........................................................................................10
4.2.5 Het Modified Jones Model ...............................................................................10
4.2.6 Eén-accrual model ..........................................................................................11
4.2.7 Vlottende accruals i.p.v. totale accruals...........................................................11
4.2.8 Het distributie-model .......................................................................................12
4.2.9 Winststuring-aggregaat ...................................................................................14
4.2.10 Evaluatie accrual modellen..............................................................................15
4.3 Tijdreeks- en cross-sectionele gegevens .......................................................... 15 4.4 Echte winstmanipulatie ....................................................................................... 16
5 Definitie kennisintensieve sectoren........................................................................... 18 6 Hypothese-vorming .................................................................................................... 20 7 Onderzoek ................................................................................................................... 22
7.1. Gegevensverzameling ........................................................................................... 22 7.2. Winststuringproxy’s ............................................................................................. 23 7.3. Empirisch model ..................................................................................................... 24 7.4 Resultaten ............................................................................................................ 25
7.4.1 Descriptieve statistiek ......................................................................................25
7.4.2 Teststatistiek ...................................................................................................28
7.4.3 Sensitiviteitsanalyse ........................................................................................41
8. Besluit .......................................................................................................................... 44 Literatuurlijst. ..................................................................................................................... IV APPENDIX ........................................................................................................................ IV
III
Lijst van tabellen
Tabel 1 Overzicht variabelen uit Amadeus ...........................................................................23 Tabel 2 Descriptieve statistiek: descriptieve statistiek ...........................................................26 Tabel 3 Descriptieve statistiek bij classificatiesysteem van Kwon en Yin (2006) ...................27 Tabel 4 T-statistiek voor winststuringsproxy’s .......................................................................28 Tabel 5 : T-statistiek voor winststuringsproxy’s bij classificatiesysteem Kwon en Yin (2006) .............................................................................................................................................29 Tabel 6 T-statistiek voor afhankelijke en onafhankelijke variabelen ......................................31 Tabel 7 T-statistiek voor afhankelijke en onafhankelijke variabelen bij classificatiesysteem van Kwon en Yin (1998) .......................................................................................................33 Tabel 8 Resultaat aggregaat Leuz et al. (2003) ....................................................................35 Tabel 9 : T-statistiek voor absolute waarden van de winststuringsproxy's ............................37 Tabel 10 T-statistiek voor absolute waarden van de winststuringsproxy's bij classificatiesysteem van Kwon en Yin (1998) .......................................................................37 Tabel 11 Invloed van immateriële activa op dummyKI ( ki=1, nki=0) en dummy HT (ht=1, nht=0) ...................................................................................................................................39 Tabel 12 Resultaat regressie ................................................................................................40 Tabel 13 Regressie met testvariabelen KI en INTASSETS ...................................................42 Tabel 14 Regressie met testvariabelen HT en INTASSETS .................................................43
1
1 Inleiding
Het doel van deze masterproef is het verschil in winststuring te testen tussen kennisintensieve
sectoren en niet-kennisintensieve sectoren, alsook het verschil tussen hightech-bedrijven en niet-
hightech-bedrijven. De termen kennisintensief en hightech worden in de literatuur door elkaar
gebruikt. Dit is ook de mening van Smith (2002). Het zou een masterproef op zich kunnen zijn het
verschil of de overlappingen tussen beiden te onderzoeken. Ook in deze masterproef zullen de termen
door elkaar gebruikt worden. In de literatuur is een verschillend classificatiesysteem te vinden o.b.v.
NAICS-codes voor kennisintensieve en hightech-bedrijven. Vervolgens hebben we een
sensitiviteitsanalyse uitgevoerd waarin we winststuring o.b.v. beide classificaties meten (en dezelfde
resultaten bekomen).
In de literatuur worden verschillende modellen omschreven die winststuring meten. De meeste
modellen behandelen accrualmanipulatie. Dat is ook wat in deze masterproef gemeten wordt. Eerst
worden een definitie en motieven voor winststuring beschreven. Vervolgens worden de meest
voorkomende modellen om winststuring o.b.v. accrualmanipulatie uitgelegd, in zekere zin
chronologisch omdat het ene model voortbouwt op het andere. Na een definitie van kennisintensieve
sectoren en hightechbedrijven en een beredenering hoe winststuring bij deze bedrijven er
vermoedelijk uitziet, worden 4 van de 9 modellen toegepast op deze bedrijven. En zo berekenen we
dus de invloed van de belangrijkste kenmerken van het kennisintensief zijn op winststuring.
Literatuur omtrent winststuring is zeer uitgebreid. Wanneer geargumenteerd wordt, is het mogelijk dat
niet alle argumenten behandeld worden. De literatuurstudie is m.a.w. niet exhaustief voor de
modellen.
Bij twijfel omtrent de juiste vertaling van woorden in de (Engelstalige) literatuur werd Terminologie
Financieel Management geraadpleegd (F. van Amerongen RA 2001).
2
2 Definitie winststuring
Onder GAAP (Generally Accepted Accounting Principles) hebben managers verschillende
keuzemogelijkheden om hun winst te rapporteren, waardoor zij in zekere mate hun winst kunnen
sturen. Ze kunnen b.v. opbrengsten versneld erkennen of het erkennen van kosten uitstellen. Het
meeste onderzoek rond winststuring heeft betrekking op US GAAP. Echter, onderzoek van Van
Tendeloo en Vanstraelen (2005) heeft uitgewezen dat niet minder aan winststuring gedaan wordt
onder IFRS dan onder de Duitse GAAP. Barth, Landsman, Lang, Williams (2006) vinden dat bedrijven
onder IAS een lagere accountingkwaliteit hebben dan bedrijven onder IFRS. Zij gebruiken daarbij
winststuring als proxy voor accountingkwaliteit. Volgens Barth et al. (2006) doen bedrijven onder IAS
dus zelfs meer aan winststuring dan bedrijven onder US GAAP. Ook worden bedrijven onder IAS
vergeleken met bedrijven onder de lokale GAAP. Daarbij wordt geen verschil in accountingkwaliteit
gevonden, gemeten als de mate van winststuring. De meeste literatuur rond winststuring gebruikt
bedrijven die gebruik maken van US GAAP, maar er is dus evidentie dat dit evenzeer van toepassing
is op bedrijven onder lokale GAAP of bedrijven onder IFRS/IAS.
Winststuring wordt door verschillende auteurs op een andere manier gedefinieerd. Beneish (2001)
heeft een poging gedaan verschillende definities in kaart te brengen. Eén van de definities is die van
Healy en Wahlen (1999), deze komt zeer veel in de literatuur voor: “Winststuring komt voor wanneer
managers hun beoordeling gebruiken in financiële rapporting en in het structureren van transacties en
zo hun financiële rapporten veranderen om ofwel stakeholders te misleiden omtrent de onderliggende
economische performantie van de onderneming, ofwel om contractuele resultaten te beïnvloeden die
afhangen van gerapporteerde accounting cijfers.” (Healy en Wahlen, 1999, p.368).
Deze definitie suggereert dat er sprake is van het misleiden van stakeholders en heeft een negatieve
connotatie. Echter, winststuring kan ook gedaan worden om andere redenen dan misleiden. Zo kan
men de winst sturen om financiële resultaten duidelijker en informatiever te maken. Ook verschillen
financiële resultaten door het verschil in interpretatie, b.v. levensduur van bepaalde activa,
afschrijvingsmethodes, onderzoek- en ontwikkelingsuitgaven doen of uitstellen, enz. Verschillende
visies over winststuring worden duidelijk in volgende paragraaf waarin de motieven voor winststuring
uit de doeken worden gedaan.
Winststuring is in ieder geval op één of andere manier de winst anders voorstellen om zo een beter
(gepercipieerd) resultaat te bekomen.
3
3 Motieven voor winststuring Redenen voor het sturen van winst kunnen zijn:
Vermijden van winstdaling en verliezen
Informatiever maken accounting cijfers
Sturen van belastingen
Hiermee samenhangend worden in de literatuur volgende motieven gegeven (Healy en Wahlen
(1998)):
Er is het motief om aan de verwachtingen en de waarde-oordelen van de kapitaalmarkt te
voldoen.
Er zijn contracten afgesloten waarbij een bepaald cijfer moet behaald worden in de
jaarrekening (debt covenants)
Overheidsreguleringen
Burgstahler en Dichev (1997) stellen dat aan winststuring gedaan wordt om (1) winstdaling te
vermijden en (2) om verliezen te vermijden. Hoe zij dat doen, is te lezen in 5.8. Zij vinden dat er
abnormaal weinig kleine dalingen van de winst zijn wanneer de winst rond nul bedraagt en dat er
abnormaal weinig kleine verliezen zijn t.o.v. kleine winsten. Coppens en Peek (2005) testen
winststuring bij Europese bedrijven a.d.h.v. het Distributie Model van Degeorge, Patel en Zeckhauser
(1999). Zowel publieke als private bedrijven doen aan winststuring om verliezen te vermijden maar
enkel publieke bedrijven doen aan winststuring om winstdaling te vermijden.
Dechow (1994) toont aan dat op korte termijn accruals beter de performantie van bedrijven reflecteren
in hun aandelenkoers dan kasstromen onder verschillende omstandigheden. Accruals hebben een
significant verband met aandelenrendement, in tegenstelling tot kasstromen. Kasstromen hebben
immers meer problemen met “timing” en “matching”, terwijl accruals erkend worden nog voor er een
kasstroom plaatsvindt. Dechow (1994) is daarom voorstander van accrual accounting. Door accrual
accounting is meer sturing van accruals en dus sturing van winst mogelijk. Daardoor is het mogelijk,
door winststuring, accountingcijfers informatiever te maken voor investeerders. Dit verklaart waarom
winst (incl. accruals) meer getoond wordt aan investeerders dan kasstromen alleen.
Belastingen romen een deel van de winst dat een bedrijf maakt af. Daarom is het niet ondenkbaar dat
wanneer bedrijven de mogelijkheid hebben om het rapporteren van een klein verlies te vermijden, ze
dit onder zwaardere belastingsdruk zullen doen. Bedrijven hebben dus een reden om aan winststuring
te doen, zelfs bij afwezigheid van druk van de kapitaalmarkt. Dit is wat Coppens en Peek (2005)
onderzoeken. Zij hebben de winstverdeling van verschillende bedrijven in verschillende landen onder
de loep genomen. Daarbij vonden zij dat in landen waarin de belastingsreguleringen sterk de
financiële accounting beïnvloeden, minder kleine verliezen worden vermeden dan in andere landen.
Belastingsregels hebben dus een invloed op het sturen van winst.
4
Ook zouden bedrijven hun winst opsmukken om aan de verwachtingen en het waarde-oordeel van de
kapitaalmarkt te kunnen voldoen. Coppens en Peek (2005) onderzoeken winststuring bij Europese
bedrijven. Zij vinden o.a. dat sommige bedrijven aan winststuring doen omdat zij druk ondervinden
van de kapitaalmarkt. Volgens Teoh, Welch en Wong (1998) hebben bedrijven, die een ongewoon
hoog niveau van accruals hebben in het jaar dat ze voor het eerst aandelen op de markt brengen (i.e.
IPO1), een laag rendement op hun aandelen drie jaar na datum. Wetende dat accruals een maat voor
winststuring zijn (cfr infra), impliceert dit, dat het voor het eerst op de markt brengen van aandelen,
ondernemingen ertoe aan zet aan winststuring te doen. Een andere studie die wijst op de invloed van
de kapitaalmarkt op het sturen van de winst, komt van Burgstahler en Eames (2006). Gebruik makend
van het distributiemodel van Dichev en Burgstahler (1997), tonen zij aan dat ondernemingen de
voorspelling van analisten neerwaarts proberen te beïnvloeden. Eens de voorspelling gedaan is,
proberen zij hun winst opwaarts te sturen om aan de voorspelling van de analisten te verslaan. Vooral
de discretionaire accruals en de operationele kasstromen zouden gestuurd worden. Bartov, Givoly en
Hayn (2002) stellen dat ondernemingen die aan de verwachtingen van analisten voldoen of ze
overstijgen, een hoger toekomstig rendement hebben dan bedrijven die daar niet aan voldoen. Daarbij
maakt het niet uit of dat ze die winstverwachting bereikt hebben door hun winst te sturen of dat de
winst “vanzelf” zo hoog is.
Ook contractonderhandelingen brengen winststuring te weeg. Contracten zorgen ervoor dat wanneer
bepaalde winst- of verliescijfers optreden, deze contracten overtreden worden. Deze contracten
bepalen dat bepaalde cijfers moeten gehaald worden. DeFond en Jiambalvo (1994) vinden dat
ondernemingen die hun schuldovereenkomsten 2 niet kunnen nakomen, positieve onverwachte
accruals hebben, wat wijst op winststuring (cfr infra). Jaggi en Lee (2002) stellen dat bedrijven in
financiële moeilijkheden, die in de mogelijkheid zijn vrijgesteld te worden van de sancties op het
overtreden van hun schuldovereenkomst, hun discretionaire accruals vermeerderen en dus hun winst
opwaarts sturen. Zo kunnen zij schuldeisers ervan overtuigen dat hun schuld zo erg niet is. Bedrijven
die geen kans hebben op vrijstelling van die sancties, sturen hun winst eerder neerwaarts door hun
discretionaire accruals te verminderen. Zo kunnen zij bij schuldeisers hun financiële noodsituatie beter
accentueren en betere leenvoorwaarden krijgen. Healy en Palepu (1990) onderzoeken of
ondernemingen hun accounting methodes aanpassen naargelang de strengheid van
dividendverplichtingen. Zij zijn van mening dat zij wel minder dividenden uitgeven bij strengere
verplichtingen maar dat zij hun accounting methoden niet aanpassen. Healy (1985) toont aan dat,
wanneer managers geen hogere of lagere bonus meer kunnen krijgen, ze hun winsten meer
neerwaarts sturen in vergelijking met de situatie waarin de verwachte winst van managers tussen de
hoogste en laagste limiet ligt om een bonus te krijgen. Holthausen, Larcker en Sloan (1995)
bevestigen het eerste (hogere bonus) maar niet het tweede (lagere bonus); managers die een limiet
hebben op de bonus die ze kunnen verdienen, sturen hun winsten dus neerwaarts. Tegenevidentie is
afkomstig van Liberty en Zimmerman (1986). Zij testen of managers aan winststuring doen bij 1 IPO = Initial Public Offerings 2 Schuldovereenkomsten is een vrije vertaling van “debt covenants”. Schuldovereenkomst = kredietrisico = risico op een verlies te wijten aan het door een debiteur niet betalen van een lening of andere kredietlijn (wikipedia)
5
onderhandelingen van collectieve arbeidsovereenkomsten. Zij meten het verschil in winst voor- en
nadat deze onderhandelingen plaats vonden. Hun hypothese is dat tijdens de onderhandelingen de
winsten lager gerapporteerd worden dan voor of na deze onderhandelingen. Zij verwerpen deze
hypothese want ze vinden geen verschil in rapportering.
De overheid kan zodanige regels opleggen, dat het voor sommige bedrijven interessant is om hun
cijfers aan te passen. Jones (1991) toonde dat er bedrijven zijn die aan winststuring doen om
“financiële steun” te krijgen van de International Trade Commission (ITC) door hun winst te verlagen.
Cahan (1992) meet het effect van een wet die het creëren van een monopolie onmogelijk maakt. Die
wet zorgt ervoor dat bepaalde instanties op zoek gaan naar ondernemingen die extreem hoge
rendementen hadden door naar hun boekhoudingen te kijken. Die extreme rendementen beschouwen
ze als een teken dat de onderneming te machtig was en wel moest in een monopolie zitten. Deze
ondernemingen sturen dan hun winsten zodanig dat ze niet tot het clubje “extreem hoge
rendementen” behoorden. Er zijn immers politieke kosten aan verbonden. Cahan (1992) bevestigt die
hypothese.
4 Methoden voor winststuring
De vraag is nu hoe aan winststuring gedaan wordt en wat er nu juist gemanipuleerd wordt. Eén
methode is om de winst echt te veranderen. Zo kan een bedrijf ervoor kiezen om bepaalde materiële
vaste activa te verkopen, terwijl er geen gerealiseerde meerwaarde is. Dit is een vorm van
winststuring door de overheid gebruikt. Zij verkoopt gebouwen om hun opbrengsten te verhogen en zo
de begroting in evenwicht te kunnen brengen. Of een bedrijf kan kiezen bepaalde kosten uit te stellen,
zodat de huidige winst stijgt. Een tweede methode is gebaseerd op het gebruik van bepaalde
boekhoudtechnieken. Zo is de keuze van een waarderingstechniek meebepalend voor de winst en
kan men regels volgen die indruisen tegen de regels van IFRS. De in de literatuur meest besproken
manipulatietechniek is die van de manipulatie van accruals.
4.1 Accrual manipulatie
Accruals zijn inkomsten of uitgaven die geboekt of erkend worden op het moment dat er nog geen
kasstroom is, dus een betaling of ontvangst. Accruals zijn het verschil tussen winst en operationele
kasstromen. Voorbeelden van accruals zijn handelsvorderingen, handelsschulden, goodwill, …
Watts en Zimmerman (1986) beschrijven in hun boek dat bij GAAP accrualaccounting afhankelijk is
van het oordeel van de manager3. Zo kunnen managers dit gebruiken om hun accruals en dus hun
winst aan te passen. Watts en Zimmerman (1978) stellen dat managers hun accruals aanpassen om
de contante waarde van hun bonussen te maximaliseren.
3 De tegenhanger van accrual accounting, cash-based accounting, is niet in overeenstemming met GAAP
6
Er zijn verschillende methoden om aan winststuring te doen via manipulatie van accruals (Dechow en
Schrand (2004)):
Handelsvorderingen. Voorspellingen omtrent producten die zullen terugkeren en de proportie
klanten die niet zullen betalen zijn onderhevig aan een sterk subjectief oordeel.
Voorraad. Ook is er sterke subjectiviteit wanneer managers bepaalde kosten als voorraad
boeken en andere als een kost. Zij voorspellen de toekomstige vraag en dus hun prijzen om
zo te bepalen wanneer een afschrijving nodig is of niet.
Andere vlottende activa. Deze rekening wordt vaak gebruikt om allerhande kosten te
activeren, het versneld erkennen van een opbrengst of het uitstellen van het erkennen van
een kost.
Onroerend goed, machines en inventaris (op balans). Allerlei kosten worden geactiveerd en
vervolgens afgeschreven op een willekeurige manier.
B.v.: een onderneming wil zijn winst opsmukken omdat de winstverwachtingen hoger liggen dan zijn
huidige winst. Daartoe activeert hij kosten van onderzoek en ontwikkeling die zogenaamd in de
toekomst vrij zekere voordelen voor de onderneming zullen opleveren. Deze geactiveerde kosten van
onderzoek en ontwikkeling behoren tot de niet-kaskosten en dus tot de accruals. Omdat deze
activering eigenlijk niet terecht is, is hier sprake van winststuring o.b.v. accruals.
4.2 Winststuring o.b.v. accruals meten
Er zijn verschillende methodes in de literatuur te vinden om winststuring te meten. De meest gebruikte
methode is het meten van de totale accruals (TA). Boekhoudkundige winst kan opgesplitst worden in
operationele kasstromen, niet-discretionaire accruals en discretionaire accruals. Niet-discretionaire
accruals zijn boekhoudkundige aanpassingen van de kasstromen die opgelegd zijn door makers van
accountingstandaarden (International Accounting Standard Board, Security Exchange Commission).
B.v. het aanleggen van een voorziening voor vakantiegeld. Discretionaire accruals zijn aanpassingen
die de manager zelf kiest. Een manager kiest b.v. onderzoek- en ontwikkelingskosten te activeren (cfr
infra). Er zijn dus accruals die willekeurig (discretionair, DA) zijn en er zijn er die niet willekeurig (niet-
discretionair, NDA) zijn. Deze discretionaire accruals geven de mate aan waarin beleidsmakers aan
winststuring doen..
In deze masterproef zullen verschillende modellen gebruikt worden die winststuring o.b.v. accruals
meten. Hier wordt een overzicht gegeven van de meest geciteerde en meest gebruikte modellen.
7
4.2.1 Het Healy Model
Healy (1985) vindt dat het beleid van managers inzake accruals afhankelijk is van de bonussen die zij
ontvangen. Managers wiens bonussen gekoppeld zijn aan (een rapportering van) inkomensstijging,
kiezen voor een beleid waarbij de accruals zorgen voor die inkomensstijging. Zij bekijken dan op het
einde van het jaar de operationele kasstromen en de niet-discretionaire accruals en passen deze
laatste dan zodanig aan dat hun bonus maximaal is. Door deze discretionaire accruals zo te kiezen,
kunnen zij hun bonus maximaliseren.
Twee proxy’s voor discretionaire accruals worden gebruikt: totale accruals en het effect van vrijwillige
veranderingen in accounting procedures op de winst. De totale accruals worden geschat als het
verschil tussen gerapporteerde accounting inkomsten en operationele kasstromen. “Kasstromen zijn
werkkapitaal van operaties […] min veranderingen in inventaris en debiteuren, plus veranderingen in
vorderingen en te betalen belastingen.” (Healy, 1985, p94).
De mate van winststuring wordt in deze studie gemeten als het verschil tussen de totale accruals
(푇퐴 ) en de verwachte accruals (푇퐴 ):
∆푇퐴 = 푇퐴 − 푇퐴
Met :
t = huidige periode
t-1 = periode voorafgaand aan de huidige
De totale accruals (∆푇퐴 ) worden gezien als een proxy voor het aandeel discretionaire accruals (DA)
en de verwachte totale accruals (푇퐴 ) zijn dan het deel niet-discretionaire accruals (NDA). De
verwachte accruals zijn het gemiddelde van de totale accruals van de jaren voor het jaar van meting:
푁퐷퐴 =∑ 푇퐴 푇
De totale accruals (∆푇퐴 ) worden dan wel gezien als een proxy voor de discretionaire accruals (퐷퐴 )
maar omvatten ook niet-discretionaire accruals (푁퐷퐴 ):
∆푇퐴 = 퐷퐴 +푁퐷퐴
Het gevaar is, wanneer het niet-discretionaire component groot is t.o.v. het discretionaire component,
de totale accruals geen goede proxy is voor discretionaire accruals.
8
4.2.2 Het DeAngelo Model
DeAngelo (1986) onderzoekt het agency probleem bij managers die eigen aandelen opkopen die in
publieke handen verblijven bij een management buy out. Als managers hun winst minimaliseren, dan
kunnen zij een lagere prijs betalen voor die aandelen. De prijs van aandelen is immers gebaseerd op
winst en deze winst kan gestuurd worden door het manipuleren van accruals.
De mate van winststuring wordt hier op dezelfde manier gemeten als bij Healy (1985) met dat verschil
dat de verwachte accruals nu niet het gemiddelde zijn van de totale accruals van het jaar daarvoor
maar de totale accruals van vorig jaar. Dit doet DeAngelo (1986) omwille van twee problemen. Ten
eerste, wanneer het aandeel niet-discretionaire accruals groot is t.o.v. het aandeel discretionaire
accruals, dan is de totale accruals een slechte proxy. Een tweede probleem is dat wanneer de niet-
discretionaire accruals negatief zijn, de totale accruals ook negatief worden. DeAngelo (1986) stelt dat
totale accruals normaal negatief zijn omdat een grote portie daarvan afschrijvingskosten zijn, die
negatief zijn en een grote portie van de niet-discretionaire accruals uitmaken. Een oplossing vindt
DeAngelo (1986) in het nemen van een benchmark voor “normale” accruals. De totale accruals van de
vorige periode is dan een benchmark voor de totale accruals nu zonder winststuring. Dan test zij of de
gemiddelde waarde van de abnormale accrual positief of negatief is. Ook hier geldt volgende formule:
∆푇퐴 = (푇퐴 − 푇퐴 ) = (퐷퐴 −퐷퐴 ) + (푁퐷퐴 − 푁퐷퐴 )
DeAngelo (1986) neemt aan dat de niet-discretionaire accruals niet veranderen:
푁퐷퐴 −푁퐷퐴 = 0
Zo is een verschil in totale accruals tussen die van vorig jaar en die van dit jaar, te wijten aan een
verandering in de discretionaire accruals.
Zowel Healy (1985) als DeAngelo (1986) nemen aan dat in de voorgaande periode niet aan
winststuring wordt gedaan en dat de economische omstandigheden van een bedrijf - die een effect
hebben op accruals - niet veranderen.
4.2.3 Het Jones Model
Een ander veel geciteerd en gebruikt model om winststuring te meten via accruals is dat van Jones
(1991) en wordt in de literatuur het standaard Jones Model genoemd. Jones (1991) onderzoekt of er
bedrijven zijn die aan winststuring doen om financiële steun te kunnen krijgen van de International
Trade Commission (ITC) door hun winst te verhogen. Zij test of er een abnormale verandering in
totale accruals is. Ook bij haar zijn de totale accruals de wijzigingen in het verschil tussen het niet-
kasgedeelte van het werkkapitaal voor belastingen en de totale afschrijvingen. “De verandering van
het niet-kasgedeelte van het werkkapitaal4 vóór verschuldigde belastingen wordt gedefinieerd als de
4 werkkapitaal = vlottende activa – vlottende passiva
9
verandering in vlottende activa zonder cash en korte termijn investeringen min schulden op minder
dan één jaar anders dan vlottende vervallende wissels van lange termijn schulden en verschuldigde
belastingen:
푇표푡푎푙 푎푐푐푟푢푎푙푠 =(∆퐶푢푟푟푒푛푡 푎푠푠푒푡푠 − ∆퐶푎푠ℎ ) − (∆퐶푢푟푟푒푛푡 푙푖푎푏푖푙푖푡푖푒푠 − ∆퐶푢푟푟푒푛푡 푚푎푡푢푟푖푡푖푒푠 표푓 푙표푛푔 푡푒푟푚 푑푒푏푡 −
∆퐼푛푐표푚푒 푡푎푥푒푠 푝푎푦푎푏푙푒푖푡−퐷푒푝푟푒푐푖푎푡푖표푛 푎푛푑 푎푚표푟푡푖푧푎푡푖표푛 푒푥푝푒푛푠푒푖푡” (Jones, 1991, p207)
Jones (1991) verlaat wel de assumptie van Healy (1985) en DeAngelo (1986) dat de niet-
discretionaire accruals niet zouden veranderen in de tijd en dat de economische omstandigheden niet
zouden wijzigen. Zij houdt rekening met de invloed die materiële vaste activa (푃푃퐸 ) hebben op niet-
discretionaire accruals door hun afschrijvingskosten. Ook controleert zij voor het effect van een
veranderende opbrengst (∆푅퐸푉 ). Opbrengsten zijn normaal het resultaat van operaties van een
bedrijf vóór een deze manager kan manipuleren maar ze kunnen toch in zekere mate beïnvloed
worden b.v. door het uitstellen van het transport van goederen. Jones (1991) komt tot volgende
formule voor niet-discretionaire accruals:
Met:
∆푅퐸푉 = wijziging in opbrengsten in jaar t t.o.v. jaar t-1
푃푃퐸 = historische waarde van terreinen, gebouwen en machines (materiële vaste activa) in jaar t
(Dechow, Sloan & Sweeney, 1995, p198)
Jones (1991) schat de verwachte accruals gebruik makend van een regressie-analyse:
En dus, is de TA per onderneming i en geschaald tegen de waarde van het actief:
De verwachte discretionaire accruals zijn dan:
10
Alle variabelen in het model zijn geschaald tegen de waarde van het actief om heteroscedasticiteit5 te
vermijden. De waarde van het actief is de waarde die in de balans staat in het begin van het jaar en is
dus eigenlijk die van vorig jaar, vandaar t-1. Immers, de investeringen die in de loop van het jaar
gebeuren, hebben pas invloed op het einde van het jaar en hebben pas hun nut het jaar erop.
In de literatuur wordt steeds met een geschaalde intercept gewerkt ( )om niet-discretionaire
accruals te schatten. Dit vermijdt een valse correlatie tussen de geschaalde afhankelijke variabele en
de geschaalde onafhankelijke variabelen, ten gevolge van variatie in de schalende variabele, totale
assets (Roychowdhury 2006).
Deze vergelijking wordt geschat met een OLS-regressie gebruik makend van de langste tijdseries van
observaties die beschikbaar zijn vóór jaar -1 en dit voor elk bedrijf. Dit leidt tot schattingen voor 훼 ,
푏 en 푏 . Er is nu nog één onbekende, 휀 . Deze restterm is het deel van de discretionaire accruals
en dus de mate van winststuring. Bij het invullen van alle waarden, wordt de mate van winststuring
voor elk bedrijf gemeten.
4.2.4 Het Industry Model
Het Industry Model is ontwikkeld door Dechow & Sloan (1991). Zij gaat ervan uit dat de niet-
discretionaire accruals op dezelfde manier variëren doorheen verschillende industrieën. Dit in
tegenstelling tot het Jones Model dat de assumptie maakt dat niet-discretionaire accruals niet
veranderen doorheen de tijd. Het model wordt dan:
푁퐷퐴 = 훾 + 훾 .푚푒푑푖푎푛 (푇퐴 퐴⁄ )
(Dechow, Sloan & Sweeney, 1995)
Waarbij 푚푒푑푖푎푛 (푇퐴 퐴⁄ ) gelijk is aan de waarde van de mediaan van de totale accruals op tijdstip
t, geschaald door de activa van het voorgaande jaar voor alle bedrijven met dezelfde 2 digit SIC-code.
De discretionaire accruals zijn dezelfde als bij het Healy-model (cfr supra).
Dechow en Sloan (1995) zien hier zelf twee problemen. Ten eerste elimineert dit model de variatie die
er is onder de niet-discretionaire accruals in één industrie. Ten tweede verwijdert dit model de
discretionaire accruals van bedrijven die gecorreleerd zijn aan elkaar in dezelfde industrie.
.
4.2.5 Het Modified Jones Model
Kritiek op het Jones Model kwam er van Dechow, Sloan and Sweeney (1995). In het Jones model is
er de mogelijkheid dat de discretionaire accruals met een fout worden gemeten. Er wordt namelijk
5 Conditie waarin de waarde van de variantie van de errorterm niet constant is in de regressie-analyse en dus niet geschaald is
11
geen rekening gehouden met het feit dat manipulaties in opbrengstcijfers kunnen voorkomen (i.e.
echte winstmanipulatie). Die manipulaties kunnen echter wel voorkomen bij verkopen op krediet
(receivables). Dechow et al (1995) gaan er van uit dat operationele opbrengsten niet-discretionair zijn
behalve de kredietverkopen. In de formule voor niet-discretionaire accruals worden de opbrengsten
dan ook gecorrigeerd voor uitstaande vorderingen:
Met
∆푅퐸퐶 = wijziging in vorderingen van onderneming i in het jaar t t.o.v. jaar t-1
De verwachte discretionaire accruals zijn dan:
Dit wordt door Dechow et al (1995) het Modified Jones Model genoemd.
4.2.6 Eén-accrual model
Een andere benadering wordt naar voor gebracht door McNichols en Wilson (1988). In voorgaande
modellen werd steeds een verzameling van accruals genomen om winststuring te testen. McNichols
en Wilson (1988) nemen daarentegen één accrual, nl. de voorziening voor bad debts (de portie van de
handelsvorderingen die niet meer kunnen geïnd worden). Om te weten wat de accruals zouden
moeten zijn wanneer er niet aan winststuring gedaan wordt, kijken zij naar wat GAAP van willekeur
toelaat. Een grotere waarde voor accruals wordt gezien als winststuring. Hun motivatie hiervoor is dat
bij een verzameling accruals, de economische gebeurtenissen de niet-discretionaire accruals voor een
(te) groot deel beïnvloeden. Door één accrual te isoleren, hoeven zij geen rekening te houden met
niet-discretionaire accruals. Bovendien kunnen resultaten bij een te grote portie accruals insignificant
zijn, louter omdat zoveel accruals te noisy zijn.
4.2.7 Vlottende accruals i.p.v. totale accruals
Nog een andere benadering is deze van Teoh, Welch & Wong (1998). Zij splitsen totale accruals op in
vlottende accruals en lange termijn accruals. “Vlottende accruals zijn de aanpassingen die de korte
termijn activa en passiva bevatten die de dagelijkse operaties van het bedrijf ondersteunen […]. Lange
termijn accruals zijn aanpassingen die de lange termijn netto activa bevatten” (Teoh et al.,1998, p66).
Vlottende accruals zijn dus het werkkapitaal gedeelte van de accruals voor onderneming i in jaar t:
12
푇표푡푎푙 푣푙표푡푡푒푛푑푒 푎푐푐푟푢푎푙푠
= (∆퐶푢푟푟푒푛푡 푎푠푠푒푡푠 − ∆퐶푎푠ℎ )
− (∆퐶푢푟푟푒푛푡 푙푖푎푏푖푙푖푡푖푒푠 − ∆퐶푢푟푟푒푛푡 푚푎푡푢푟푖푡푖푒푠 표푓 푙표푛푔 푡푒푟푚 푑푒푏푡 )
Teoh et al (1994) baseren zich op Guenther (1994) die zegt dat vlottende accruals meer kunnen
gestuurd worden door managers dan lange termijn-accruals. De materiële vaste activa (PPE) worden
hier weggelaten omdat deze betrekking hebben op lange termijn-accruals.
De regressie wordt dan:
CA = α1
A + β∆REVA + β
∆RECA + ε
Met:
CA = de vlottende accruals van onderneming i in jaar t
∆REV = het verschil in operationele opbrengsten van onderneming i tussen het jaar t en t-1
∆REC = het verschil in vorderingen van onderneming i tussen het jaar t en t-1
4.2.8 Het distributie-model
Zoals eerder aangehaald, meten Burgstahler en Dichev (1997) winststuring a.d.h.v. de distributies van
winst en de veranderingen van winst. Zij stellen nl. dat aan winststuring gedaan wordt (1) om
winstdaling te vermijden en (2) om verliezen te vermijden. Om (1) te testen meten zij de verandering in
winst (netto inkomen) van verschillende bedrijven, nl. de winst van het huidige jaar min de winst van
het vorige jaar, geschaald tegen de marktwaarde aan het begin van het jaar:
(Burgstahler en Dichev, 1997, p105). Deze schaling tegen marktwaarde gebeurt om het effect van de
grootte van een bedrijf te neutraliseren.
13
Figuur 1 Empirische distributie van de veranderingen in het jaarlijks netto inkomen, geschaald tegen de marktwaarde van het begin van het jaar. (Dichev en Burgstahler, 1997, p105)
In figuur 1 is de distributie van winstveranderingen weergegeven. Waar de winstverandering nul is, is
aangeduid met een verticale lijn. De verticale as is het aantal observaties in elke interval van
winstverandering.
De assumptie die zij maken is dat de distributie egaal (smooth) moet zijn wanneer er geen
winststuring is. Het verwachte aantal observaties in een interval zijn dan het gemiddeld aantal
observaties in de twee aanliggende intervallen. Dit is hun nulhypothese. Om deze nulhypothese te
testen, wordt het verschil gemeten tussen het eigenlijk aantal observaties en het verwachte aantal
observaties in het interval, gedeeld door de geschatte standaardafwijking van het verschil. Als de
nulhypothese klopt, dan zullen deze verschillen normaal verdeeld zijn met gemiddelde 0 en
standaardafwijking 1.
In de figuur is duidelijk te zien dat er een onregelmatigheid is vlak voor die nul die niet strookt met de
smooth-assumptie. Dit wijst erop dat bedrijven aan winststuring doen om het rapporteren van
winstdaling te vermijden. Er zijn immers abnormaal veel kleine stijgingen van de winst in vergelijking
met kleine dalingen van de winst.
Om (2) te testen, meten Dichev en Burgstahler (1997) de winst, geschaald tegen de marktwaarde van
het begin van het jaar.
Figuur 2 Empirische distributie van het jaarlijks netto inkomen, geschaald tegen de marktwaarde van het begin van het jaar (Dichev en Burgstahler, 1997, p109)
Het resultaat is nu nog opvallender (cfr figuur 2). Er zijn abnormaal veel kleine winsten t.o.v. kleine
verliezen.
14
4.2.9 Winststuring-aggregaat
Leuz, Nanda en Wysocki (2001) bundelen vier proxy’s voor winststuring in één aggregaat. Het
voordeel hiervan is dat potentiële meetfouten van één proxy verminderd worden.
De eerste proxy tracht het gladstrijken van operationele winst door accrualmanipulatie te meten. Deze
wordt berekend als het mediaan van de clusterratio van de standaardafwijking van een bedrijf haar
operationele winst gedeeld door de standaardafwijking van de operationele kasstromen. De schaling
door de operationele kasstroom dient om te controleren voor de verschillen onder de bedrijven wat
betreft hun economische prestaties. Een bedrijf dat veel operationele kasstromen heeft, heeft immers
automatisch een hoge operationele winst. Operationele kasstromen worden berekend als het verschil
tussen operationele winst en totale accruals:
푂푝푒푟푎푡푖표푛푒푙푒 푐푎푠ℎ 푓푙표푤 = 퐸푎푟푛푖푛푔푠 − 푇표푡푎푙 푎푐푐푟푢푎푙푠
Totale accruals worden berekend volgens Jones (1991) (cfr supra). Een lage score op deze maatstaf
wijst op winststuring door het egaliseren van de variabiliteit in winst.
Een tweede proxy is de correlatie tussen veranderingen in accruals en operationele kasstromen per
cluster. Accruals kunnen gemanipuleerd worden om schokken in operationele kasstromen te
verbergen. Zo kan men toekomstige opbrengsten versneld boeken of het boeken van kosten
uitstellen. Er is hoe dan ook een negatieve correlatie tussen accruals en operationele kasstromen
(Dechow (1994)) als gevolg van accrual accounting, want accrual accounting houdt in dat
opbrengsten reeds geboekt worden nog voor er een kasstroom is. Wanneer er echter een overdreven
grote correlatie is, dan is er eerder sprake van accrualmanipulatie.
De derde proxy is de grootte van accruals. Het wordt berekend als de clustermediaan van de absolute
waarde van de totale accruals van een bedrijf, geschaald door de absolute waarde van de
operationele kasstromen. Deze schaling controleert voor de verschillen in bedrijfsgroottes en
economische prestaties.
De laatste proxy meet winststuring bij het vermijden van kleine verliezen zoals Degeorge et al (1999)
en Burgstahler en Dichev (1997) reeds deden (cfr supra). Dit wordt berekend als de ratio van kleine
gerapporteerde winsten op kleine gerapporteerde verliezen. Winst na belastingen wordt geschaald
door de totale activa om te controleren voor de bedrijfsgrootte. Kleine verliezen vallen onder het bereik
[-0,01;0,00] en kleine winsten onder [0,00;0,01]. Het voordeel hierbij is dat niet alleen wordt rekening
gehouden met abnormale accruals maar ook met abnormale kasstromen.
Elke cluster van bedrijven wordt gerangschikt volgens score op elk van de vier proxy’s. Een hogere
score staat gelijk aan meer winststuring. Het gemiddelde van de ranking van elke maatstaf is dan de
geaggregeerde winststuringsscore.
15
4.2.10 Evaluatie accrual modellen
Naast het ontwikkelen van een aangepaste versie van het Jones Model, evalueren Dechow et al.
(1995) de mogelijkheid van verscheidene modellen om winststuring te detecteren. Het gaat om wat zij
noemen het Healy Model, het DeAngelo Model, het Jones Model, het Modified Jones Model (door
hunzelf ontwikkeld) en het Industry Model van Dechow en Sloan (1991). Zij vonden dat alle modellen
redelijk goed testen voor winststuring, behalve wanneer de bedrijven een extreme winst en
kasstroom-performantie hadden. In dat geval trad een systematische fout op. Hun eigen aangepaste
versie van het Jones Model brengt de krachtigste test voor winststuring.
Ook Guay, Kothari en Watts (1996) evalueren de vijf modellen. Zij onderzoeken bij de vijf modellen of
discretionaire accruals de winstperformantie betrouwbaar weergeven, dat zij slechte performantie
trachten te verbergen (opportunistisch gedrag) of dat discretionaire accruals gewoon geruis zijn. Zij
vinden dat het Jones model en het Modified Jones model de enige modellen zijn die discretionaire
accruals echt schatten terwijl de andere modellen6 de discretionaire accruals niet schatten maar de
winst in feite random verdelen over discretionaire en niet-discretionaire accruals. Er zouden dus
aanzienlijke meetfouten zijn. De discretionaire accruals meten volgens Guay et al. (1996) bij Jones en
het Modified Jones model opportunistisch gedrag vanwege de managers eerder dan dat discretionaire
accruals de winstperformantie betrouwbaar zou weergeven of dat ze gewoon geruis zouden zijn.
Teoh et al. (1998), DeFond en Jiambalvo (1994) en Young (1999) zijn van mening dat modellen die
met vlottende accruals werken beter zijn dan modellen die met totale accruals werken.
4.3 Tijdreeks- en cross-sectionele gegevens
Om de parameters te schatten, is het mogelijk verschillende gegevens te gebruiken. Tijdreeksdata zijn
data van een bedrijf over verschillende jaren heen. Cross-sectionele gegevens zijn dan data van
verschillende sectoren op één moment in de tijd.
Jones (1991) gebruikt zelf tijdreeksen maar een aantal auteurs vindt de cross-sectionele versie beter.
Subramanyam (1996) geeft een opsomming waarom het beter is cross-sectionele gegevens te
gebruiken.
Grotere steekproef
Door het langere tijdsinterval is het mogelijk dat de winststuring niet goed gemeten wordt bij
tijdserie gegevens omdat er te veel effect is van de veranderingen door de tijd heen.
Grotere power van de testen, bij tijdserie is er meer kans op overlapping van de schattingen
en periodes
6 M.n. het Healy-model, het DeAngelo-model en het Industry-model
16
Vervolgens test hij zowel bij het Jones als bij het Modified Jones Model welke schattingen van de
parameters beter zijn. Subramanyam (1996) vindt dat de schattingen van de paramaters bij cross-
sectionele gegevens beter zijn als die bij tijdserie data.
Ook Bartov, Gul en Tsui (2000) evalueren de cross-sectionele versie. Zij gaan na of de verschillende
modellen winststuring kunnen meten. Zij evalueren het DeAngelo Model, het Healy Model, het Jones
Model, het Modified Jones Model, het Industry Model en de cross-sectionele versie van het Jones
Model en het Modified Jones Model. Zij doen dit door na te gaan of de kans dat een bedrijf een
gekwalificeerd audit report krijgt groter is wanneer er meer discretionaire accruals zijn. Dit is het geval
als discretionaire accruals wijzen op winststuring. Bartov et al. (2001) vinden dat de
standaardafwijking van de schattingen van de parameters lager zijn bij de cross-sectionele versie als
bij de tijdserie versie. Het aantal extremen is lager en het percentage schattingen met de voorspelde
tekens zijn hoger. Ook zijn het aantal observaties een stuk hoger. Al voegen zij eraan toe dat dit
resultaat specifiek kan zijn voor testen bij audit kwalificatie.
DeFond en Jiambalvo (1994) gebruiken zowel de tijdserie versie als de cross-sectionele versie en
vinden geen verschil in resultaat wat betreft het testen voor winststuring. De data hier gebruikt zijn ook
cross-sectioneel door de argumenten van Subramanyam (1996) in acht te nemen.
4.4 Echte winstmanipulatie
De meeste literatuur rond winststuring gaat over accrual manipulatie en de detectie van abnormale
accruals. Een andere methode om winst te manipuleren is om de winst echt aan te passen. De
studies hieromtrent concentreren zich vooral rond de timing van investeringen. Een voorbeeld daarvan
is het reduceren van uitgaven in onderzoek en ontwikkeling. Echte winstmanipulatie beïnvloedt
kasstromen maar kan ook accruals beïnvloeden. Of zoals Roychowdhury (2003) het formuleert:
“Winststuring meten [enkel] a.d.h.v. accruals brengt een onderschatting met zich mee.”
In deze masterproef wordt enkel accrualmanipulatie gemeten. Een overzicht van de verschillende
modellen, zijn in figuur 3 te vinden.
17
Figuur 3: overzicht meest gebruikte accrualmodellen
Model
Proxy voor winststuring
Assumpties
Healy (1985)
퐷퐴 =푇퐴퐴 −
∑ 푇퐴 퐴⁄ 푇
Geen winststuring in voorgaande jaren ΔNDA = 0 Economische omstandigheden veranderen
niet
DeAngelo (1986)
퐷퐴 =(푇퐴 − 푇퐴 )
퐴
Geen winststuring in voorgaande jaren ΔNDA = 0 Economische omstandigheden veranderen
niet Jones (1991) 퐷퐴 =
푇퐴퐴 − (
훼퐴 + 훽
∆푅퐸푉퐴 + 훽
푃푃퐸퐴 )
Economische omstandigheden veranderen over de tijd
Operationele opbrengsten zijn niet-discretionair
Industry (Dechow & Sloan 1991)
퐷퐴 = − (훽 + 훽 푚푒푑푖푎푛 (푇퐴 퐴 )⁄ )
De determinanten van niet-discretionaire accruals zijn gelijk over alle industrieën heen
Modified Jones (Dechow, Sloan & Sweeney 1995)
퐷퐴 =푇퐴퐴 −
훼퐴 + 훽
∆푅퐸푉 − ∆푅퐸퐶퐴 + 훽
푃푃퐸퐴
Economische omstandigheden veranderen over de tijd
Operationele opbrengsten kunnen discretionair zijn
Verkopen op krediet kan gemanipuleerd worden, de overige vormen van operationele opbrengst niet
Eén-accrual model (McNichols & Wilson 1988)
퐷퐴 = 퐴푐푐 − 퐴푐푐
Vlottende accrual model (Teoh, Welch & Wong 1998)
퐷퐴 =퐶퐴퐴 −
훼퐴 + 훽
∆푅퐸푉퐴 + 훽
푃푃퐸퐴
Idem aan Jones (1991) Accrualmanipulatie o.b.v. lange termijn-
accruals is doorgaans klein in vergelijking met accrualmanipulatie op korte termijn
Distributie-model (Burgstahler & Dichev 1997)
푆푚푎푙푙 푝푟표푓푖푡푠푆푚푎푙푙 푙표푠푠푒푠
Aggregaat (Leuz et al. 2003)
푊푆 : 휎(푂푝푊푖푛푠푡)휎(퐶퐹푂)
푊푆 : 휌(∆퐴푐푐,∆퐶퐹푂)
푊푆 : |퐴푐푐||퐶퐹푂|
푊푆 : #푆푚푃푟표푓푖푡푠
#푆푚퐿표푠푠
Som van de ranking van vier winststuring-proxy’s:
18
5 Definitie kennisintensieve sectoren
In de literatuur is geen echte éénduidige definitie voorhanden van kennisintensieve of
hoogtechnologische sectoren. Baldwin en Gellatly (1998) van Statistics Canada hebben in kaart
gebracht wat de huidige classificatievormen van kennisintensieve en hightech-bedrijven zijn. Zij
gebruiken de term hoogtechnologisch en kennisintensief als zijnde synoniemen van elkaar omdat zij
dezelfde classificatiecriteria hebben. Er zijn vier bestaande classificatiesystemen:
Intensiteit van R&D
Innovatie
Gebruik van technologie
Gespecialiseerde arbeid
Intensiteit van R&D wordt meestal gemeten als een ratio van R&D t.o.v. verkopen en is oorspronkelijk
afkomstig van het OECD (1997). Als de ratio groter is dan 5%, is een bedrijf kennisintensief of
hightech, zoniet, is het niet-kennisintensief of niet-hightech. B.v. Dechow en Sloan (1991)
onderscheiden kennisintensieve industrieën waar grote R&D uitgaven regelmatig voorkomen door
deze ratio te berekenen. Zo toont Kwon (2002b) dat de ratio R&D kosten t.o.v. activa voor hightech-
bedrijven, gemiddeld 7 tot 10 maal hoger is dan voor niet-hightech-bedrijven.
Deze R&D-intensiteit wordt op het niveau van de industrie gemeten om een industrie in één van beide
groepen onder te verdelen. Dit classificatiesysteem heeft een aantal beperkingen. Ten eerste meet dit
niet de technologische vaardigheden die een bedrijf heeft (b.v. het gebruik van geavanceerde
technologieën). Ten tweede meet dit de input van een innovatieproces maar niet het innovatieproces
zelf. Ten derde investeren bedrijven niet altijd op een continue basis in R&D waardoor die niet altijd in
de metingen worden opgenomen. Ook wordt R&D meer geassocieerd met productinnovatie dan met
procesinnovaties.
Een ander classificatiesysteem is de mate van innovatie meten. Echter, innovatie meten is zeer
moeilijk omdat het uit meerdere dimensies bestaat. Innovatie kan bestaan uit nieuwe producten maar
evengoed uit nieuwe processen. Bovendien is de vraag wanneer iets innovatief is of niet. Dit is zeer
subjectief.
De intensiteit van het gebruik van geavanceerde technologie is eveneens moeilijk te meten. “Het
omvat het gebruik van geavanceerd apparatuur, het inpassen in nieuwe processen en het toepassen
van gespecialiseerde kennis.” (Baldwin en Gellatly, 1998, p.12). Als innovatie en gebruiksintensiteit
van geavanceerde technologie als classificatiesysteem vergeleken wordt, blijkt dat ze aan elkaar
gerelateerd zijn maar dat industrieën toch niet dezelfde ranking krijgen. Welke het meest
hoogtechnologisch is in de ene groep, is dit b.v. pas op de 5de plaats in de andere groep.
Sommigen gebruiken gespecialiseerde arbeidskrachten (human capital) als een taxonomie voor
nieuwe technologieën (B.v. Bound en Johnson (1992))
19
Baldwin en Gellatly (1998) hebben een classificatiesysteem ontwikkeld o.b.v. een competentiemodel
dat voorgaande classificatiesystemen groepeert. O.b.v. de ranking van de score op een grote groep
variabelen, wordt een industrie dan als hoger of lager technologisch geclassficieerd. Bedrijven met
hun NAICS-codes die als hoog technologisch geclassificeerd worden, zijn weergegeven in bijlage 1 in
de appendix.
Een praktische definitie afkomstig van Industry Canada. Zij groepeert 20 industrieën die elk een SIC-
code hebben. Industry Canada baseert de groepering op informatie- of andere technologieën en
wetenschappelijk onderzoek. Een opsomming van de industrieën met hun code is weergegeven in de
appendix. (Industry Canada 1994). Meer specifiek zijn het Lee en Haas (1996) die een academische
definitie ontwikkeld hebben voor de federale overheid van Canada (Industry Canada Research). Naar
hun paper wordt veelvuldig verwezen in de literatuur7. Gorman en Rosa (2001) geven een goede
samenvatting van hun werk. “Kennisintensieve industrieën zijn deze die hoog scoren op verschillende
R&D en human capital factoren.” Gorman en Rosa (2001) Enkele van de factoren waarop Lee en Has
(1996) zich baseren om een sector als kennisintensief aan te wijzen of niet, zijn weergegeven in
bijlage 3 in de appendix .
Een nadeel bij het gebruik van de SIC-codes is dat b.v. computerwinkels ook in de steekproef
meegerekend worden, omdat ze onder dezelfde SIC-code vallen van computer services. Er kan dus
bij onderzoek sprake zijn van onderschatting. Nog een nadeel bij het gebruik van SIC-codes, wordt
duidelijk in de studie gedaan door Thompson Lightstone en Company Ltd (1998). Zij onderzoeken hoe
ondernemers hun bedrijven zien, dus of zij vinden dat hun onderneming kennisintensief is of niet. Uit
het onderzoek blijkt dat veel meer ondernemers hun onderneming als kennisintensief zien, terwijl die
door Industry Canada niet zo geclassificeerd zijn.
Zonder te vermelden hoe zij hierbij komen, gebruiken Martín-de-Castro, López-Sáez en Navas-López
(2008) volgende industrieën bij hun onderzoek met kennisintensieve bedrijven (volgens NAICS-
codes): Computer and Electronic Product Manufacturing, Internet Publishing en Broadcasting,
Telecommunications, Internet Service Providers, Web Search Portals en Data Processing Services)
Kennisintensieve bedrijven zouden een hoge mate van immateriële activa hebben. “Toch schijnt er
een overeenkomst te zijn dat kennisintensieve bedrijven een grote portie immateriële activa hebben
en dat zij in grote mate steunen op innovatie als een significante bron van een competitief voordeel”
(Gorman en McCarthy, 2006, p132).
Kwon en Yin (2006) classificeren bedrijven, zoals in Francis en Schipper (1999) als zijnde hightech
wanneer ze in de computer-, electronica-, farmaceutische en telecommunicatieindustrie zitten plus 22
hightech bedrijven, alsdusdanig benoemd door CNNFN.com (internetsite voor bedrijfsnieuws). Een
overzicht zit in bijlage 4 in de appendix.
7 Deze paper hebben we nergens kunnen terugvinden. Omdat in de literatuur echter voortdurend naar hun paper verwezen wordt en zij de enige zijn die een verdienstelijke poging gedaan hebben een definitie van kennisintensieve sectoren neer te zetten, is het nuttig toch naar hun paper te verwijzen. Een juiste omschrijving van kennisintensieve sectoren is immers cruciaal in onze masterproef.
20
In deze masterproef classificeren we kennisintensief en niet-kennisintensief o.b.v. de NAICS-codes
van Baldwin en Gellatly (1998) en hightech en non-hightech o.b.v. Kwon en Yin (2006).
6 Hypothese-vorming
Immateriële activa zijn kosten van onderzoek en ontwikkeling, concessies, octrooien, licenties,
knowhow, merken en soortgelijke rechten, goodwill en vooruitbetalingen. De definitie van immateriële
activa volgens IAS 38 is: “Een identificieerbaar niet-monetair actief zonder fysieke materie. Een actief
is een middel dat gecontroleerd wordt door het bedrijf als resultaat van gebeurtenissen in het verleden
(b.v. aankoop of eigen creatie) en waarvan toekomstige economische voordelen (inkomende cash of
andere activa) worden verwacht. Dus, de drie kritieke eigenschappen van een immaterieel actief zijn:
(IAS 38.8)
Identificeerbaar
Gecontroleerd (mogelijkheid om voordelen te verkrijgen van het actief)
Toekomstige economische voordelen (zoals opbrengsten of verminderde toekomstige
kosten)”
Voorbeelden van mogelijke immateriële activa zijn: computer software, patenten, copyrechten,… Een
bedrijf wordt verondersteld een immaterieel actief te erkennen (zowel indien het aangekocht is als zelf
gecreëerd) als (IAS 38.21) (IASC (1998)):
“Het waarschijnlijk is dat de toekomstige economische voordelen die toekenbaar zijn aan het
actief naar het bedrijf zullen vloeien; en
De kost van het actief betrouwbaar kan gemeten worden.”
IAS 38 behandelt ook specifiek Onderzoek- en ontwikkelingskosten. “Onderzoekskosten moeten als
kost geboekt worden en mogen niet erkend worden als een actief. Ontwikkelingskosten worden
gekapitaliseerd enkel als de technische en commerciële haalbaarheid van het actief voor verkoop of
gebruik vastgesteld zijn. Dit betekent dat het bedrijf de bedoeling moet hebben en in staat moet zijn
het immateriële actief te vervolmaken en ofwel te gebruiken ofwel te verkopen; alsook in staat moet
zijn te tonen hoe het actief toekomstige economische voordelen zal genereren (IAS 38.57).”
Onderzoek- en ontwikkelingskosten mogen dus in feite pas geactiveerd worden vanaf het moment dat
er een redelijke verwachting is dat er in de toekomst voordelen voor de onderneming zullen uitvloeien.
Omdat dit onderhevig is aan een subjectief oordeel, is het mogelijk voor de onderneming om aan
winststuring te doen. Door onderzoek- en ontwikkelingskosten in de balans onder te brengen i.p.v. in
de resultatenrekening, stijgt de winst. Pozza, Prencipe en Markarian (2008) onderzoeken het verschil
in winststuring tussen familiale en niet familiale bedrijven. Winststuring meten zij m.b.v. de specifieke
accrual R&D- kostkapitalisatie. Hun resultaten tonen dat familiale bedrijven kosten kapitaliseren om
21
hun opbrengsten op te krikken en om het risico op overtredingen van hun schuldovereenkomsten te
minimaliseren.
Oswald (2008) onderzoekt welke factoren bedrijven onderverdelen in bedrijven die R&D uitgaven
eerder in de resultatenrekening onderbrengen als kost dan ze te onder te brengen in de balans. Hij
vindt onder andere dat bedrijven die R&D uitgaven eerder onder kost onderbrengen dan ze te
kapitaliseren, grotere R&D intensiteit hebben. Ballester, Garcia-Ayuso en Livnat (2003) komen tot
dezelfde vaststelling. In hun onderzoek vinden zij dat verschillen in de parameter kapitalisering
samenhangt met de mate van R&D. Bedrijven die minder R&D uitgaven categoriseren als kost een
hogere R&D intensiteit dan bedrijven die veel kapitaliseren. Chambers, Jennings en Thompson (2001)
vinden dat bedrijven, met weinig (veel) onderzoek en ontwikkeling, vaker kosten van onderzoek en
ontwikkeling afschrijven over de maximumperiode (minimumperiode) – al is de relatie niet sterk. De
mate van onderzoek en ontwikkeling wordt gemeten door de ratio van kosten voor onderzoek en
ontwikkeling ten opzichte van totale activa.
Bedrijven met veel onderzoek en ontwikkeling zouden er doorgaans conservatievere accounting
methodes op nahouden. Een omschrijving van conservatieve accounting methoden wordt gegeven
door Penman en Zhang (1999). Conservatieve accounting betekent accountingmethodes en
schattingen kiezen die de boekwaarde van het eigen vermogen relatief laag houden. Voorbeelden zijn
LIFO kiezen boven FIFO wanneer vooraadkosten stijgen, onderzoek- en ontwikkelingskosten niet
kapitaliseren maar als kost boeken, snellere afschrijvingsmethodes gebruiken, enz.. Zo komen
Chandra, Wasley en Waymire (2004) tot de vaststelling dat hoog technologische bedrijven er
conservatievere accountingmethodes op na houden door de accountingregels over onderzoek- en
ontwikkelingskosten. Zij vrezen politieke kosten veroorzaakt door verliezen bij het overdrijven van
winst- en activacijfers. Lev en Sougiannis (1996) hun onderzoek wijst erop dat investeerders de
aandelen van R&D intensieve bedrijven een verkeerde prijs toekennen omwille van conservatieve
accounting methodes. R&D intensieve bedrijven houden hun winst laag wanneer investeringen in
onderzoek en ontwikkeling stijgen en houden ze hoog wanneer de investeringen dalen. Volgens
Chan, Lakonishok en Sougiannis (2001) is de markt te pessimistisch t.o.v. bedrijven met veel R&D.
R&D intensieve bedrijven, dus bedrijven met veel R&D t.o.v. hun marktwaarde, leveren hoge
rendementen op. Investeerders zien niet door de conservatieve accounting methodes van deze
bedrijven. Landry en Callimaci (2003) onderzoeken de impact van verschillende variabelen op de
accountingkeuze om R&D uitgaven te activeren dan wel in kost onder te brengen. Zij vonden dat R&D
intensieve bedrijven eerder hun R&D uitgaven in kosten onderbrachten dan ze te activeren. Kwon, yin
en Han (2006) tonen aan dat hoogtechnologische bedrijven meer conservatievere
accountingmethodes toepassen dan laagtechnologische bedrijven omdat zij meer motieven hebben
om dat te doen. Hightechbedrijven zijn onderhevig aan verschillende standaarden. Kwon et al. (2006)
noemen standaarden SFAS 121, SFAS 5, SFAS 2 en SFAS 86, respectievelijk over asset
impairments, contingencies, het onmiddellijk in kost nemen van de meeste R&D-kosten en een
industriespecifieke standaard over software-ontwikkelingskosten. Ook zijn zij kwetsbaarder voor
vervolgingen door stakeholders omdat hun aandelenprijzen volatieler zijn. Wanneer prijzen van
22
aandelen sterk dalen en investeerders veel geld verliezen, zullen zij bij foute accountinginformatie
zoals het overrapporteren van winst en activa, het bedrijf verantwoordelijk stellen. Een ander motief
voor hightech-bedrijven om conservatief te rapporteren, is dat zij veel externe partijen moeten
aantrekken om hun activiteiten te financieren. Wanneer zij conservatieve accountingcijfers tonen,
geven zij blijk dat ze kunnen voldoen aan de verwachtingen over groeicijfers van investeerders. Het
laatste motief heeft betrekking op de grotere aandacht die zij krijgen van financiële analisten omdat
hightech-bedrijven veelal groeibedrijven zijn.
Dit levert volgende hypothesen op:
H1 (a) Kennisintensieve sectoren en hightech-bedrijven sturen hun winst via accruals neerwaarts
H1 (b) Niet-kennisintensieve sectoren en niet-hightech-bedrijven sturen hun winst via accruals opwaarts
Hypothese 1(a) steunt op het feit dat kennisintensieve bedrijven er conservatievere
accountingpraktijken op nahouden en dus hun winst neerwaarts sturen. Niet-kennisintensieve
bedrijven hebben enkel motieven om hun winst opwaarts te sturen (hypothese 1(b)).
Ook willen we testen of kennisintensieve sectoren en hightech-bedrijven, geclassificeerd d.m.v.
NAICS-codes meer immateriële activa bevatten en in welke mate deze immateriële activa de mate
van winststuring o.b.v. accruals meten. Bovendien wordt dit getoetst aan verschillende
accrualmodellen. We willen dan ook volgende hypothesen testen:
H2 (a) Kennisintensieve sectoren en hightech-bedrijven hebben meer intangible assets in verhouding tot totale assets dan niet-kennisintensieve sectoren en niet-hightech bedrijven
H2 (b) De mate van intangible assets in verhouding tot de totale assets beïnvloedt de mate van winststuring
H2 (c) Het feit dat een bedrijf geclassificeerd wordt als kennisintensief of hightech, heeft een invloed op de mate van winststuring.
7 Onderzoek
7.1. Gegevensverzameling
Als gegevens gebruiken we alle beursgenoteerde ondernemingen die in de database Amadeus
aanwezig zijn. We gebruiken enkel beursgenoteerde ondernemingen omdat deze meer motieven
hebben om aan winststuring te doen onder invloed van de kapitaalmarkt. Private bedrijven hebben
minder agency problemen dan publieke bedrijven omdat deze bedrijven in handen zijn van
management dat een nauwe relatie heeft met het bedrijf. (Farma en Jensen 1983). Beatty, Ke en
petroni (2002) stellen dat private bedrijven minder aan winststuring doen dan publieke bedrijven. Door
23
enkel publieke bedrijven te gebruiken worden het aantal bedrijven in de steekproef aanzienlijk gedrukt.
Ook sluiten we alle financiele ondernemingen (SIC-code tussen 6000 en 6799) uit omdat zij op een
andere manier met hun financiele gegevens omgaan.
7.2. Winststuringproxy’s
We gebruiken verschillende winststuringproxies, zoals uitgelegd in paragraaf 4. De eerste is die van
DeAngelo. De mate van winststuring is dan het verschil in totale accruals van het huidige jaar en die
van vorig jaar. De tweede proxy is die van het Modified Jones Model. De mate van winststuring is
hierbij de mate van discretionaire accruals. Om die te meten gebruiken we volgende gewone kleinste
kwadraten regressie-analyse:
Waarbij 휀 , de errorterm, de mate van discretionaire accruals voorstelt. Deze regressie voeren we uit
met SPSS per industrie over 9 jaar heen, zo komen we tot de uiteindelijke regressies. De bekomen
coëfficiënten vullen we dan in elke vergelijking in en zo bekomen we de discretionaire accruals per
bedrijf. Beter zou zijn dat we naast voor elke industrie ook voor elk jaar afzonderlijk de coëfficiënten
berekenen. Echter, toen we dat deden, bleken te veel coëfficiënten niet-significant. Daarom hebben
we gepoold over elke industrie en alle 9 jaren in die regressie gestopt. Regressies voor industrieën die
niet signficant blijken te zijn, worden weggelaten om juistere resultaten te bekomen. “Current
maturities of long term debt” worden weggelaten want deze zijn niet in Amadeus te vinden. Ook
schalen we de constante niet. Dit zou betere resultaten opleveren volgens Peasnall, Pope en young
(2000). Jones (1991) laat deze in haar eigen onderzoek trouwens ook weg. De overige variabelen zijn
in Amadeus te vinden, zij het onder een andere naam. In tabel 1 zijn de overeenkomstige variabelen
te vinden.
Tabel 1 Overzicht variabelen uit Amadeus
Model Amadeus
Current assets Current assets
Cash Cash & Cash equivalents
Current liabilities Curent liabilities
Receivables Current liabilities: debtors
Income Taxes Payable Taxation (= income taxes + transfer to postponed
taxes)
Depreciation and amortization Expense Depreciation
Total assets Total assets
Revenues Operational revenues
Property, Plant & Equipment Tangible fixed Assets
24
De derde proxy is het vlottende-accrualmodel van McNichols. We passen de kleinste
kwadratenmethode met SPSS toe op volgende regressie:
퐶퐴 = 훼1
퐴 + 훽∆푅퐸푉퐴 + 훽
∆푅퐸퐶퐴 + 휀
We berekenen de discretionaire accruals op dezelfde manier als bij het Modified Jones model.
De vierde winststuringproxy die we gebruiken is het aggregaat van Leuz, Nanda en Wysocki (2001).
Operationele kasstromen zijn niet in Amadeus te vinden, daarom worden deze berekend als het
verschil tussen operationele winst en totale accruals:
푂푝푒푟푎푡푖표푛푒푙푒 푐푎푠ℎ 푓푙표푤 = 퐸푎푟푛푖푛푔푠 − 푇표푡푎푙 푎푐푐푟푢푎푙푠
Elke industrie (dezelfde eerste 2 NAICS-cijfers) wordt dan per proxy van Leuz et al. (2001)
gerangschikt naargelang de score. Een hogere score staat gelijk aan meer winststuring. Het
gemiddelde van de ranking van elke maatstaf is dan de geaggregeerde winststuringsscore.
7.3. Empirisch model
We willen weten welke invloed immateriële activa hebben op de mate van winststuring en of het feit of
een bedrijf al dan niet kennisintensief of hoog technologisch invloed heeft op de mate van
winststuring. Hoe meer immateriële activa een bedrijf heeft, hoe lager de abnormale accruals zijn.
Dus eerst testen we of de mate van immateriële activa invloed heeft op het al dan niet kennisintensief
of hoogtechnologisch (KI) zijn van een bedrijf:
퐾퐼 = 훼 + 훽퐼푁푇퐴푆푆퐸푇푆+ 휀
Voor onze tweede regressie zoeken we controlevariabelen die invloed hebben op winststuring. We
willen controleren voor motieven om aan winststuring te doen en eigenschappen die specifiek zijn voor
een bedrijf (cfr paragraaf 3). Diegene die het meest gebruikt worden in de literatuur zijn (cfr b.v. Van
Tendeloo en Vanstraelen (2008)) het natuurlijk logaritme van de totale activa (LNASSETS), een
leverage-variabele (LEV), het jaarlijkse rendement op de totale activa (ROA) en de operationele
kasstromen (CFO). LNASSETS controleert voor de grootte van een bedrijf. Landry & Callimaci (2003)
en Bushee (1998) tonen aan dat grote bedrijven meer aan winststuring doen dan kleine bedrijven. De
leverage-variabele (LEV) moet controleren voor bedrijven die trachten om het overtreden van
schuldovereenkomsten te vermijden (cfr infra). Bij deze is een opwaartse winststuring te verwachten.
Het controleert ook in de andere richting voor bedrijven die in financiële moeilijkheden zitten en door
hun winst neerwaarts te sturen, hopen nieuwe contractonderhandelingen af te dwingen (Becker et al.
1998). Het wordt berekend als de totale schuld op de totale activa. De jaarlijkse verandering in
verkopen (ΔSALES) controleert voor verschillen in prestatie, net als het rendement van de totale
activa (ROA). AGE controleert voor de leeftijd van een bedrijf en CFO voor de operationele
kasstromen. Hoe meer operationele kasstromen, hoe minder winststuring er is. Ook voegen we een
25
dummyvariabele TAX toe. Deze moet controleren voor verschillen in de financiële en
accountingpraktijken van landen. Coppens en Peek (2005) stellen dat bedrijven, uit landen waarin
accountingkeuzes de belastbare winst direct beïnvloeden, minder motieven hebben om hun winst
opwaarts te sturen. Volgens hen zijn de belastbare winsten van bedrijven in België, Frankrijk,
Duitsland en Italië meer beïnvloed door accountingkeuzes dan in Denemarken, Nederland, Spanje en
het Verenigd Koninkrijk. De eerste groep krijgt dummy-score ‘1’ en de tweede groep ‘0’.
Onze testvariabele is de totale immateriële activa, geschaald voor totale activa (INTASSETS).
Kennisintensieve bedrijven zouden immers veel immateriële activa hebben. Deze regressie doen we
voor de groep kennisintensieve sectoren en de groep niet-kennisintensieve sectoren en de groep
hightech en niet-hightechbedrijven. Dit levert de volgende regressie op:
퐸푀 = 훽 +훽 퐼푁푇퐴푆푆퐸푇푆+ 훽 퐴퐺퐸 + 훽 훥푆퐴퐿퐸푆+ 훽 퐿퐸푉 + 훽 푅푂퐴 + 훽 퐿푁퐴푆푆퐸푇푆
+ 훽 푇퐴푋 + 훽 퐶퐹푂 + 휀
7.4 Resultaten
7.4.1 Descriptieve statistiek
In bijlage 5 is een overzicht te vinden van de coëfficiënten gebruikt bij de regressie van het Modified
Jones-model per industrie en over 9 jaar. Alsook de coëfficiënten van het model van Teoh et al. met
het Vlottende accrual-model. Errortermen komende van niet-significante regressies worden niet
opgenomen in onze data.
De coëfficient van materiële vaste activa (PPE), is doorgaans negatief. Dit is ook logisch, deze
variabele heeft invloed op afschrijvingen en deze worden afgetrokken om de totale accruals te
berekenen. De andere onafhankelijke variabele heeft ook doorgaans een negatieve coëfficiënt. Dit
levert het vermoeden dat de totale som niet-discretionaire accruals negatief zal zijn. Dit is in lijn met
DeAngelo (1986) die zegt dat niet-discretionaire accruals steeds negatief zijn.
Bij de onafhankelijke variabelen (van de significante regressies) van het Modified Jones en het
Vlottende accrualmodel, zijn geen onderlinge correlaties. Omdat het om een tijdsreeks gaat, werd ook
de Durbin-Watson statistiek toegepast om te onderzoeken of er geen sprake is van autocorrelatie. Bij
alle industrieën ligt de waarde rond 2, wat wijst op geen autocorrelatie. De residuen zijn normaal
verdeeld. Residuen met een standaardafwijking groter dan 3 worden geweerd.
In tabel 2 is een overzicht te vinden van verschillende onderzochte variabelen. De data is opgesplitst
voor kennisintensieve sectoren (ki) en niet-kennisintensieve (nki) sectoren en hightech (ht) en niet-
hightech-bedrijven (nht) o.b.v. NAICS-codes.
26
Tabel 2 Descriptieve statistiek: descriptieve statistiek
Statistics
ki=1, nki=0
Intangible
fixed assets
Intangibles/
Total
assets
Total
assets ΔSales LEV Age CFO LNAssets
0 N Valid 8051 7185 8087 6029 8083 7650 7185 8087
Missing 1109 1975 1073 3131 1077 1510 1975 1073
Mean 1600895 ,215488 34990276 1290778 ,844575 42,78758 ,215488 14,16217
Median 34000 ,040842 956153 28969 ,618785 29 ,040842 13,77067
1 N Valid 1563 1376 1569 1088 1567 1534 1376 1569
Missing 7 194 1 482 3 36 194 1
Mean 1997414 ,231200 16999399 942302 ,74801 31,8611 ,231200 13,18954
Median 25794 ,111466 235778 13003,5 ,61137 20 ,111466 12,37064
ki=1, nki=0
Intangibles/
Total
assets TA/At-1 CA/At-1
DA
Modified
Jones
NDA
Modified
Jones
NDA
Teoh et
al.
TA-TA-1/At-
1 DeAngelo CFO/At-1
0 NValid 7185 7509 8018 7499 7499 7817 6549 6843
Missing 1975 1651 1142 1661 1661 1343 2611 2317
Mean ,215488 -,02784 ,017618 ,011760 -,03952 -,28994 ,048837 2,13422
Median ,040842 -,04037 ,002191 -,01632 -,00821 -,23497 -,00124 ,118436
1 NValid 1376 1387 1549 1387 1387 1476 1175 1363
Missing 194 183 21 183 183 94 395 207
Mean ,231200 -,03567 ,025120 -,063408 ,027737 -,24219 ,038456 2,42709
Median ,111466 -,04332 ,006493 -,076990 ,053021 ,237361 ,000453 ,112037
In tabel 2 zien we dat de kennisintensieve bedrijven (vanaf nu groep KI) gemiddeld meer immateriële
activa (intangible assets) hebben dan niet-kennisintensieve bedrijven (vanaf nu groep nKI). Als we dit
controleren voor de grootte van de bedrijven (intangible assets/totale activa), dan heeft de KI-groep
nog steeds meer intangible assets. De Ki-groep is gemiddeld jonger (AGE is resp. 43 t.o.v. 32) en
kleiner (total assets). Als we letten op het effect van outliers (LNASSETS), dan is de KI-groep nog
steeds kleiner. De nKI-groep vertoont een gemiddeld hogere groei in verkopen (ΔSALES) dan de KI-
groep en heeft meer operationele kasstromen (CFO). Echter, als we de operationele kasstromen
schalen voor totale activa (CFO/Totale activa), dan is het resultaat omgekeerd. De variable LEV is
27
gemiddeld groter voor de nKI- dan voor de KI-groep, tonend dat de nKI-groep meer schulden heeft
t.o.v. zijn totale activa.
Wanneer we dan naar de totale accruals en de vlottende accruals, beiden geschaald voor totale
activa, kijken, zien we dat zij respectievelijk negatief en positief zijn voor beide groepen (tabel 1b). Het
verschil tussen totale accruals en vlottende accruals zijn verschuldigde inkomensbelasting (income
taxes payable) en afschrijvingen (depreciation expense) en het zijn dus deze die de totale accruals
negatief maken.
Bij het classificatiesysteem van Kwon en Yin (tabel 3) komen we tot dezelfde resultaten, zij het
extremer.
Tabel 3 Descriptieve statistiek bij classificatiesysteem van Kwon en Yin (2006)
Statistics
ht=1,lt=0
Intangible
fixed
assets
Intangibles/
Total
assets
Total
assets ΔSales LEV Age CFO LNAssets
0 N Valid 480 431 483 430 483 483 473 483
Missin
g 3 52 0 53 0 0 10 0
Mean 1117962 ,065861 4443389 1880588 1,20126 53,66873 3363745 14,25142
Median 20964 ,024076 551790 22329 ,652891 41 58304 13,22092
1 N Valid 1621 1431 1629 1101 1628 1610 1436 1629
Missin
g 9 199 1 529 2 20 194 1
Mean 2041680 ,609174 1539766 394471 1,07498 32,43416 1696807 12,95307
Median 25350 ,134035 178788 8670 ,616182 20 14083,5 12,09395
Statistics
ht=1,lt=0 TA/At-1 CA/At-1
DA
Modified
Jones
NDA
Modified
Jones
DA
Teoh et
al.
NDA
Teoh et
al.
TA-TA-1/At-1
DeAngelo CFO/At-1
0 N Valid 473 483 473 473 479 479 418 430
Missing 10 0 10 10 4 4 65 53
Mean ,073801 ,122896 ,051411 ,022390 ,378173 -,254006 ,416615 1,08985
Median -,04031 ,007635 ,029781 -,055548 ,245784 -,234575 ,006331 ,11760
28
1 N Valid 1436 1609 1436 1436 1538 1538 1220 1377
Missing 194 21 194 194 92 92 410 253
Mean -,06122 ,013831 -,115605 ,054383 ,248272 -,235016 ,025727 1,81286
Median -,04897 ,005920 -,096360 ,062305 ,246147 -,237897 -,000352 ,111048
7.4.2 Teststatistiek
Bij het classificatiesysteem van Baldwin en Gellatly (1998), in tabel 4, is de mate van discretionaire
accruals van het Modified Jones en het model van Teoh et al. significant verschillend van 0 (p<0,05)
(tabel). Bij het DeAngelo-model is de p-waarde 0,07 maar dit is bij tweezijdige toetsing. Voor éénzijdig
toetsen (T>0), moeten we 0,07 delen door 2, waardoor deze ook significant is.
Tabel 4 T-statistiek voor winststuringsproxy’s
One-Sample Test
ki=1, nki=0
Test Value = 0
t df
Sig. (2-
tailed)
Mean
Difference
95% Confidence Interval of the Difference
Lower Upper
0 DA Modified Jones 2,118 7498 ,034 ,011760 ,000874 ,022646
DA Teoh et al. 5,994 7816 ,000 ,308389 ,207538 ,409242
DeAngelo 1,803 6548 ,071 ,048837 -,004256 ,101932
1 DA Modified Jones -6,519 1386 ,000 -,063408 -,082488 -,044328
DA Teoh et al. 27,846 1475 ,000 ,269069 ,250115 ,288023
DeAngelo 3,082 1174 ,002 ,038456 ,013974 ,062937
De verandering in totale accruals, geschaald voor totale activa, is de maatstaf van discretionaire
accruals volgens DeAngelo. Volgens DeAngelo zou dit erop wijzen dat beide groepen aan
(boekhoudkundige) winststuring doen via manipulatie van accruals en dat zij dit opwaarts doen. Beide
groepen trachten m.a.w. hun winst zo hoog mogelijk te houden. DeAngelo (1986) vindt zelf in zijn
onderzoek ook geen evidentie voor neerwaartse winststuring.
De discretionaire accruals, berekend volgens het Modified Jones model, zijn gemiddeld positief voor
de nKI-groep en gemiddeld negatief voor de KI-groep. Dit wijst erop dat beide groepen aan
winststuring doen maar dat de nKI-groep de winst opwaarts tracht te sturen en de KI-groep
neerwaarts. Dit is in lijn met onze hypothese. Het verschil met het resultaat bij het model van
DeAngelo, kan te wijten zijn aan het feit dat de niet-discretionaire accruals bij de KI-groep positief zijn.
DeAngelo houdt immers geen rekening met dit niet-discretionair deel van de totale accruals.
29
Bij het Vlottend accrual-model van Teoh et al. zijn de discretionaire accruals bij beide groepen positief.
Dit is tegenstrijdig aan onze hypothese die zegt dat de nKI-groep zijn winst eerder neerwaarts stuurt
en is ook tegenstrijdig aan de uitkomst van het Modified Jones model (we nemen het Modified Jones
model als benchmark omdat deze volgens de literatuur de mate van winststuring het best zou meten).
Het verschil zou hier kunnen liggen in het feit dat Teoh et al. de verandering in accruals op korte
termijn meten en Jones de verandering in accruals op korte én lange termijn.
Tabel 5 : T-statistiek voor winststuringsproxy’s bij classificatiesysteem Kwon en Yin (2006)
One-Sample Test
ht=1,lt=0
Test Value = 0
t df Sig. (2-tailed)
Mean
Difference
95% Confidence Interval of
the Difference
Lower Upper
0 DA alle samen modified
jones 1,843 472 ,066 ,051411 -,00339 ,10622
DA alle samen
McNichols 2,861 478 ,004 ,378174 ,11849 ,63786
TA-TA-1/At-1 DeAngelo 1,040 417 ,299 ,416616 -,37066 1,20389
1 DA alle samen modified
jones -8,142 1435 ,000 -,115605 -,14346 -,08775
DA alle samen
McNichols 23,048 1537 ,000 ,248273 ,22714 ,26940
TA-TA-1/At-1 DeAngelo 2,117 1219 ,034 ,025727 ,00189 ,04957
Bij het classificatiesysteem van Kwon en Yin (2006), in tabel 5, zijn de resultaten hetzelfde, behalve
voor het model van DeAngelo. Hierbij zijn de discretionaire accruals niet significant verschillend van
nul.
Wanneer we het verschil bekijken tussen de ki-groep en de nki-groep (tabel 6) dan zien we dat alleen
bij het Modified Jones model de abnormale accruals significant verschillend zijn van elkaar. De
modellen van DeAngelo en de modellen van Teoh et al. zijn ofwel niet in staat het verschil te meten,
ofwel wijzen zij erop dat er geen verschil tussen de twee groepen bestaat. Wij denken dat de eerste
reden het meest plausibel is om verschillende redenen.
Ten eerste heeft de literatuur steeds uitgewezen dat het Modified Jones model het beste in staat is
abnormale accruals te meten (cfr paragraaf 4.2.10). Ten tweede denken wij dat er te veel ruis zit op
het model van DeAngelo dat niet het onderscheid maakt tussen niet-manipuleerbare (niet-
discretionaire) en manipuleerbare winst.
Kennisintensieve ondernemingen zijn significant kleiner en jonger dan niet-kennisintensieve
ondernemingen (tabel). De totale accruals en de operationele kasstromen, geschaald voor de totale
30
assets zijn niet significant verschillend. Dit is een onverwacht resultaat want het zijn de totale accruals
die gemanipuleerd worden. Hoe meer totale accruals t.o.v. operationele kasstromen, hoe meer er
gemanipuleerd wordt (cfr. B.v. Leuz et al. (2003). Aangezien de discretionaire accruals wel significant
verschillen, wil dit zeggen dat de niet-discretionaire accruals dat verschil verklaren. Dus hoe minder
discretionaire accruals, hoe meer niet-discretionaire accruals.
31
Tabel 6 T-statistiek voor afhankelijke en onafhankelijke variabelen
Independent Samples Test
Levene's Test for Equality
of Variances t-test for Equality of Means
F Sig. t df
Sig. (2-
tailed)
Mean
Difference
Std. Error
Difference
95% Confidence Interval of the
Difference
Lower Upper
DA alle samen
modified jones
Equal variances
assumed ,502 ,479 -5,538 8884 ,000 -,075 ,014 -,102 -,049
Equal variances not
assumed
-6,711 2389,991 ,000 -,075 ,011 -,097 -,053
DA alle samen
McNichols
Equal variances
assumed ,132 ,717 -,332 9291 ,740 -,039 ,118 -,272 ,193
Equal variances not
assumed
-,751 8322,264 ,453 -,039 ,052 -,142 ,063
TA-TA-1/At-1
DeAngelo
Equal variances
assumed ,002 ,969 -,162 7722 ,871 -,010 ,064 -,136 ,115
Equal variances not
assumed
-,348 7690,307 ,728 -,010 ,030 -,069 ,048
TA/At-1 Equal variances
assumed ,359 ,549 -,402 8894 ,688 -,008 ,019 -,046 ,030
32
Equal variances not
assumed
-,729 6034,902 ,466 -,008 ,011 -,029 ,013
CFO/At-1 Equal variances
assumed ,129 ,719 ,134 8204 ,893 ,293 2,183 -3,987 4,573
Equal variances not
assumed
,200 3644,697 ,842 ,293 1,467 -2,584 3,170
Total assets Equal variances
assumed 151,464 ,000 -7,743 9654 ,000 -17990876,474 2323448,533
-
22545322,928 -13436430,020
Equal variances not
assumed
-11,545 4108,313 ,000 -17990876,474 1558296,353
-
21045981,273 -14935771,675
Market Capitalisation Equal variances
assumed 15,357 ,000 2,196 9655 ,028 688097548,384 313276958,615 74009009,453 1302186087,316
Equal variances not
assumed
2,057 2099,900 ,040 688097548,384 334551021,812 32011435,873 1344183660,896
Age Equal variances
assumed 50,774 ,000 -10,701 9182 ,000 -10,926 1,021 -12,928 -8,925
Equal variances not
assumed
-11,506 2363,744 ,000 -10,926 ,950 -12,789 -9,064
33
Tabel 7 T-statistiek voor afhankelijke en onafhankelijke variabelen bij classificatiesysteem van Kwon en Yin (1998)
Independent Samples Test
Levene's Test for Equality of
Variances t-test for Equality of Means
F Sig. t df Sig. (2-tailed)
Mean
Difference
Std. Error
Difference
95% Confidence Interval of
the Difference
Lower Upper
DA alle samen modified
jones
Equal variances
assumed 3,520 ,061 5,668 1907 ,000 ,167017 ,029466 ,109228 ,224805
Equal variances not
assumed
5,337 732,187 ,000 ,167017 ,031297 ,105575 ,228459
DA alle samen
McNichols
Equal variances
assumed 2,562 ,110 1,705 2015 ,088 ,129901 ,076201 -,019540 ,279342
Equal variances not
assumed
,980 484,365 ,328 ,129901 ,132599 -,130640 ,390442
TA-TA-1/At-1 DeAngelo Equal variances
assumed 6,673 ,010 1,662 1636 ,097 ,390889 ,235217 -,070470 ,852247
Equal variances not
assumed
,976 417,768 ,330 ,390889 ,400697 -,396746 1,178523
TA/At-1 Equal variances
assumed 2,583 ,108 2,057 1907 ,040 ,135023 ,065649 ,006273 ,263774
Equal variances not
assumed
1,213 478,523 ,226 ,135023 ,111353 -,083777 ,353824
34
CFO/At-1 Equal variances
assumed 1,265 ,261 -,367 1805 ,714 -,723010 1,971824 -4,590307 3,144288
Equal variances not
assumed
-,556 1749,116 ,579 -,723010 1,301238 -3,275156 1,829136
Total assets Equal variances
assumed 217,284 ,000 9,535 2110 ,000 2,903623E7 3,045321E6 2,306408E7 3,500838E7
Equal variances not
assumed
6,496 538,735 ,000 2,903623E7 4,469895E6 2,025567E7 3,781679E7
Market Capitalisation Equal variances
assumed 2,871 ,090 1,077 2111 ,282 4,842736E8 4,496916E8 -3,976113E8 1,366159E9
Equal variances not
assumed
1,053 763,880 ,293 4,842736E8 4,599618E8 -4,186656E8 1,387213E9
Age Equal variances
assumed 21,130 ,000 11,276 2091 ,000 21,235 1,883 17,541 24,928
Equal variances not
assumed
10,582 725,140 ,000 21,235 2,007 17,295 25,174
35
Bij het classificatiesysteem van Kwon en Yin (1998), tabel 7, is er wel een significant verschil tussen
de hightech-ondernemingen en niet-hightech-ondernemingen bij de drie modellen. De rest van de
resultaten zijn identiek.
We hebben ook het winststuringsaggregaat van Leuz et al. (2003) berekend. De resultaten staan in
tabel 8. Wat de eerste proxy, het aantal kleine winsten t.o.v. het aantal kleine verliezen, betreft, is er
een significant verschil tussen de ki-groep en de nki-groep. Het aantal kleine winsten t.o.v. het aantal
kleine verliezen is groter bij de ki-groep dan bij de nki-groep.
De tweede proxy berekent de absolute waarde van de totale accruals geschaald voor de operationele
kasstromen. Deze is niet significant. Dit is te verwachten, aangezien deze proxy geen onderscheid
maakt tussen opwaartse en neerwaartse winst. De mate van winststuring is, opwaarts of neerwaarts,
is niet anders bij beide groepen.
De correlatie tussen de verandering in totale accruals en de verandering in operationele kasstromen
(d.i. de derde proxy) is zowel bij de ki-groep als bij de nki-groep sterk negatief. Dit is wat we
verwachten en een logisch gevolg van accrual accounting (Dechow (1994)). Bij de nki-groep is deze
correlatie groter dan bij de ki-groep. Niet-kennisintensieve bedrijven hebben dus meer accruals die
niet afkomstig zijn van onderliggende economische performantie (Leuz et al. (2003)).
Net als proxy twee, meet proxy vier geen verschil tussen de ki-groep en de nki-groep. Deze proxy
berekent de variatie in operationele winst, geschaald voor operationele kasstromen (economische
performantie). We kunnen hieruit besluiten dat kennisintensieve bedrijven de winst minder positief
sturen dan niet-kennisintensieve bedrijven maar dat de mate waarin ze beiden aan winststuring doen,
niet significant verschilt. Het verschil in aggregaat van Leuz et al. (2003) voor beide groepen is
volledig te wijten aan de tweede en de vierde proxy. De aggregaat is dan ook groter voor de nki-groep
dan voor de ki-groep
Tabel 8 Resultaat aggregaat Leuz et al. (2003)
WAARDEN #퐒퐦퐏퐫퐨퐟퐢퐭퐬#퐒퐦퐋퐨퐬퐬
|퐀퐜퐜||퐂퐅퐎|
훒(∆퐀퐜퐜,∆퐂퐅퐎) 훔(퐎퐩퐖퐢퐧퐬퐭)훔(퐂퐅퐎)
ki 22 1,333 0,524880587 -0,634747089 0,585327318
ki 32 1,571 0,487580931 -0,06962395 0,610918922
ki 33 0,8 0,530690291 -0,527221711 0,554064668
ki 51 2,333 0,604132722 -0,068901875 0,838458958
ki 54 1,667 0,659278148 -0,175246634 0,568522176
nki 23 5,8 0,680313919 -0,993534759 0,701207385
nki 31 2,13 0,569149167 -0,956986816 0,501490297
nki 32 1,7 0,551986961 -0,894001552 0,629171569
nki 33 2,765 0,599009986 -0,96790942 0,659783692
nki 42 5,875 0,538624021 -0,693739135 0,788801167
nki 44 3 0,470881869 -0,779122486 0,611729827
nki 45 1 0,528798758 -0,750843424 0,742827506
36
nki 48 2,5 0,515475593 -0,984747215 0,572166378
nki 51 1,692 0,601904389 -0,93979008 0,258217793
nki 52 1,429 0,655572363 -0,971755558 1,320374849
nki 54 0,8 0,531493527 -0,928575207 0,517097817
nki 55 2,167 0,550553679 -0,871024203 0,722886839
nki 56 1,667 0,430386179 -0,968406006 0,265903858
nki 71 2 0,746556331 -0,998174164 0,266327684
nki 72 2 0,482940505 -0,956625929 0,438012062
Betekenis score
(hoog = veel WS)
(hoog = veel WS)
(laag = veel WS)
(laag = veel WS)
gemiddeld ki 1,235 0,5620218 -0,937984647 0,492325404
gemiddeld nki 2,435 0,503520214 -0,956889136 0,531979924
RANG
#퐒퐦퐏퐫퐨퐟퐢퐭퐬#퐒퐦퐋퐨퐬퐬
|퐀퐜퐜||퐂퐅퐎|
훒(∆퐀퐜퐜,∆퐂퐅퐎) 훔(퐎퐩퐖퐢퐧퐬퐭)훔(퐂퐅퐎) Aggregaat
ki 22 4 6 5 11 6,50
ki 32 6 4 2 10 5,50
ki 33 1 8 4 14 6,75
ki 51 15 16 1 2 8,50
ki 54 7 18 3 13 10,25
nki 23 19 19 19 6 15,75
nki 31 13 13 14 16 14,00
nki 32 10 12 10 8 10,00
nki 33 17 14 15 7 13,25
nki 42 20 10 6 3 9,75
nki 44 18 2 8 9 9,25
nki 45 3 7 7 4 5,25
nki 48 16 5 18 12 12,75
nki 51 9 15 12 20 14,00
nki 52 5 17 17 1 10,00
nki 54 2 9 11 15 9,25
nki 55 14 11 9 5 9,75
nki 56 8 1 16 19 11,00
nki 71 11 20 20 18 17,25
nki 72 12 3 13 17 11,25
gemiddelde ki 4** 10,40 3,00** 10,00 6,85**
gemiddelde nki 12 10,53 13,00 10,67 11,55
** Significant verschillend van de testgroep (gemiddelde nki) met p<0.05
De resultaten bij toepassing van het model van Leuz et al. (2003) suggereren dat er geen verschil is in
de mate van winststuring, ongeacht of de winst opwaarts of neerwaarts gestuurd wordt. Daartoe
berekenen we de absolute waarde bij de drie andere modellen (Modified Jones, DeAngelo en Teoh et
al.) (tabel9). Enkel het Modified Jones model maakt een significant onderscheid tussen de groepen
(0,06/2<0,05). Het feit dat dit onderscheid niet gevonden werd bij het model van Leuz et al., ligt allicht
in de rankings die de score van het aggregaat bepalen in plaats van de echte waarde.
37
Tabel 9 : T-statistiek voor absolute waarden van de winststuringsproxy's
Group Statistics
ki=1, nki=0 N Mean Std. Deviation Std. Error Mean
abs DA Modified Jones niet-kennisintensief 7499 ,18990 ,441970 ,005104
kennisintensief 1387 ,21282 ,299849 ,008051
abs DA Teoh et al. niet-kennisintensief 7817 ,33130 4,547108 ,051430
kennisintensief 1476 ,30350 ,343636 ,008944
abs DeAngelo niet-kennisintensief 6546 ,19967 2,183772 ,026991
kennisintensief 1175 ,20187 ,378992 ,011056
Independent Samples Test
Levene's Test
for Equality of
Variances t-test for Equality of Means
F Sig. t df
Sig. (2-
tailed)
Mean
Differen
ce
Std. Error
Differenc
e
95% Confidence
Interval of the
Difference
Lower Upper
abs DA
Modified
Jones
Equal variances
assumed 2,042 ,153 -1,855 8884 ,064 -,0229 ,0123 -,0471 ,0013
Equal variances
not assumed
-2,405 2644 ,016 -,0229 ,0095 -,0416 -,0042
abs DA
Teoh et al.
Equal variances
assumed ,190 ,663 ,235 9291 ,814 ,0278 ,1184 -,2043 ,2599
Equal variances
not assumed
,533 8255 ,594 ,0278 ,0522 -,0745 ,1301
abs
DeAngelo
Equal variances
assumed ,064 ,801 -,034 7719 ,973 -,0022 ,0638 -,1274 ,1230
Equal variances
not assumed
-,075 7714 ,940 -,0022 ,0291 -,0593 ,0549
Bij het classificatiesysteem van Kwon en Yin (1998) is er ook een verschil in de absolute waarde van
de discretionaire accruals bij toepassing van het Modified Jones model maar ook bij toepassing van
het DeAngelo-model (0,97/2<0,05). Tabel 10 T-statistiek voor absolute waarden van de winststuringsproxy's bij classificatiesysteem van Kwon en Yin (1998)
38
Group Statistics
ht=1,lt=0 N Mean Std. Deviation Std. Error Mean
abs DA Modified Jones 0 473 ,14855 ,590315 ,027143
1 1436 ,22131 ,503853 ,013296
abs DA Teoh et al. 0 479 ,38291 2,891864 ,132133
1 1538 ,30728 ,381654 ,009732
TA-TA-1/At-1 DeAngelo 0 418 ,41662 8,188510 ,400513
1 1220 ,02573 ,424456 ,012152
Independent Samples Test
Levene's Test
for Equality of
Variances t-test for Equality of Means
F Sig. t df
Sig. (2-
tailed)
Mean
Differenc
e
Std. Error
Differenc
e
95% Confidence
Interval of the
Difference
Lower Upper
abs DA
Modified
Jones
Equal variances
assumed 4,919 ,027 -2,60 1907 ,009 -,07275 ,02791 -,12750 -,01800
Equal variances
not assumed
-2,40
712,21
6 ,016 -,07275 ,03022 -,13209 -,01341
abs DA Teoh
et al.
Equal variances
assumed 3,048 ,081 ,999 2015 ,318 ,07562 ,07573 -,07289 ,22415
Equal variances
not assumed
,571 483,19 ,568 ,075629 ,132491 -,18469 ,33595
TA-TA-1/At-1
DeAngelo
Equal variances
assumed 6,673 ,010 1,662 1636 ,097 ,390889 ,235217 -,07047 ,85224
Equal variances
not assumed
,976 417,76 ,330 ,390889 ,400697 -,39674 1,17852
Voor de gebruikte regressies wordt eerst een correlatiematrix berekend. Er is een probleem van
multicollineariteit tussen onafhankelijke variabelen LEV (vreemd vermogen/totale activa) en onze
testvariabele intangible assets, de correlatie is groter dan 0,8 wat veel te hoog is. We vervangen LEV
door vreemd vermogen/eigen vermogen. Nu zijn alle correlaties klein (tabel). Om problemen met
multicollineariteit volledig uit te sluiten, berekenen we de VIF (de Variance Inflation Factor). Wanneer
die hoog is, wil dat zeggen dat de variantie van een schatter beïnvloed is door multicollineariteit en
dus dat die schatter gecorreleerd is met andere onafhankelijke variabelen. De VIF’s zijn een pak lager
39
dan 10, dus multicollineariteit is hier geen probleem. Er is ook geen autocorrelatie in de residuen
( Durbin-Watson < 2).
In tabel 11 zien we dat wanneer we de invloed van immateriële vaste activa meten op een
dummyvariabele KI (1=kennisintensief, 0=niet-kennisintensief), dan zien we dat er geen signficant
verband is (p>0,05). In tabel zien we echter dat de invloed van materiële vaste activa op een
dummyvariabele (1=kennisintensief, 0=niet-kennisintensief), gecontroleerd voor de grootte van een
bedrijf (LNASSETS), wel significant is (p<0,05). Dit is in overeenstemming met Daley en Vigeland
(1983) die erop wijzen dat bedrijven die kosten voor onderzoek en ontwikkeling kapitaliseren, kleiner
zijn dan bedrijven die de kosten niet kapitaliseren. De mate van immateriële activa heeft een positieve
invloed en LNASSETS een negatieve. Bij het classificatiesysteem van Kwon en Yin (2006) is er een
significant verband voor immateriële activa, al dan niet geschaald voor totale activa. Dit bevestigt onze
hypothese dat een kennisintensief bedrijf meer immateriële activa heeft dan een niet-kennisintensief
bedrijf. Bovendien zijn die bedrijven kleiner.
Tabel 11 Invloed van immateriële activa op dummyKI ( ki=1, nki=0) en dummy HT (ht=1, nht=0)
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig. B Std. Error Beta
1 (Constant) ,161 ,004 42,136 ,000
INTASSETS 7,050E-10 ,000 ,017 1,639 ,101
a. Dependent Variable: KI
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig. B Std. Error Beta
1 (Constant) ,369 ,017 21,191 ,000
INTASSETS 2,176E-9 ,000 ,052 4,907 ,000
LNAssets -,015 ,001 -,128 -12,218 ,000
a. Dependent Variable:
KI
Coefficientsa
40
Model
Unstandardized Coefficients
Standardized
Coefficients
T Sig. B Std. Error Beta
1 (Constant) ,766 ,009 81,010 ,000
INTASSETS 3,244E-9 ,000 ,055 2,512 ,012
a. Dependent Variable:
HT
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
T Sig. B
Std.
Error Beta
1 (Constant) 1,149 ,040 28,560 ,000
INTASSETS 8,521E-9 ,000 ,144 6,205 ,000
LNAssets -,030 ,003 -,227 -9,799 ,000
a. Dependent Variable: HT
In tabel 12 staan de resultaten van de tweede regressie. De mate van immateriële activa, geschaald
voor totale activa, heeft een significante invloed (p<0,05) op de grootte van discretionaire accruals.
Hoe minder immateriële activa, hoe meer abnormale accruals. LNASSETS heeft een significant
positieve invloed. Hoe groter een bedrijf, hoe groter de mate van winststuring. ROA en LEV hebben
ook een significant positieve coëfficiënt. Hoe groter het rendement op totale activa en hoe meer
vreemd vermogen t.o.v. schuld, hoe groter de abnormale accruals. Dit is ook logisch, als het
rendement op activa groot is, is het motief om die activa opwaarts te manipuleren, groter. De leeftijd
(AGE), groei (ΔSales) en financiële leverage (LEV) zijn niet significant van invloed op de afhankelijke
variabele. Dus we kunnen onze hypothese dat immateriële activa, geschaald voor totale activa
winststuring negatief beïnvloedt aanvaarden. Ons model verklaart 28% van de variantie.
Tabel 12 Resultaat regressie
Model Summary
Model R R Square Adjusted R Square
Std. Error of the
Estimate
1 ,526a ,277 ,274 ,258612434
a. Predictors: (Constant), LEV (VV/EV), CFO/At-1, ΔSales, TAX, 1 = high,
INTASSETS, Age, ROA, LNAssets, Market Capitalisation
41
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 65,630 9 7,292 109,033 ,000a
Residual 171,615 2566 ,067
Total 237,245 2575
a. Predictors: (Constant), LEV (VV/EV), CFO/At-1, ΔSales, TAX, INTASSETS, Age, ROA, LNAssets,
Market Capitalisation
b. Dependent Variable: DA Modified Jones
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig. B Std. Error Beta
1 (Constant) -,201 ,038 -5,296 ,000
INTASSETS -,237 ,017 -,241 -13,979 ,000
LNAssets ,015 ,003 ,098 5,463 ,000
ROA ,006 ,000 ,275 15,432 ,000
Age 6,874E-5 ,000 ,011 ,648 ,517
ΔSales 2,912E-10 ,000 ,008 ,466 ,641
TAX ,036 ,015 ,043 2,446 ,014
Market Capitalisation 1,350E-12 ,000 ,052 2,848 ,004
CFO/At-1 -,338 ,015 -,383 -21,871 ,000
LEV (VV/EV) 2,463E-18 ,000 ,003 ,186 ,852
a. Dependent Variable: DA Modified Jones
Wanneer toegepast op het model van Teoh et al. en DeAngelo (in bijlage 7), zie je hetzelfde resultaat
wat de immateriële activa betreft. De significantie van de controlevariabelen verschilt. Dit is
waarschijnlijk te wijten aan het meetinstrument zelf. Het model van Teoh et al. meet abnormale
vlottende accruals en niet abnormale totale accruals zoals bij het Modified Jones model. DeAngelo
houdt geen rekening met het feit dat ook de niet-discretionaire accruals in de totale accruals omvat
zitten. Onze hypothese blijft echter robuust voor de drie modellen, ook al is de mate van winststuring
in het model van Teoh et al. en in het model van DeAngelo niet significant in ki-groep en nki-groep. Dit
toont ook dat immateriële activa een invloed hebben op winststuring, los van het feit dat
kennisintensieve bedrijven veel immateriële activa hebben.
7.4.3 Sensitiviteitsanalyse
Omdat er een effect van immateriële activa is op de mate van winststuring bij het model van DeAngelo
en het model van Teoh et al. terwijl er geen significant verschil is tussen de discretionaire accruals van
42
de ki-groep en de nki-groep, moet er een invloed bestaan van immateriële activa, dat niets te maken
heeft met het feit of een bedrijf kennisintensief is of niet. Daartoe doen we de regressie opnieuw maar
voegen we de dummyvariabele KI toe (kennisintensief=1, niet-kennisintensief=0):
퐸푀 = 훽 +훽 퐾퐼 + 훽 퐼푁푇퐴푆푆퐸푇푆 − +훽 퐴퐺퐸 + 훽 훥푆퐴퐿퐸푆+ 훽 퐿퐸푉 + 훽 푅푂퐴 + 훽 퐿푁퐴푆푆퐸푇푆
+ 훽 푇퐴푋 + 훽 퐶퐹푂 + 휀
Bij test voor multicollineariteit blijkt dat er geen probleem is hiervoor. De correlatie tussen KI en EM is
niet te hoog (tabel 13). Het blijkt inderdaad dat immateriële activa een negatieve invloed hebben als
gecontroleerd wordt voor het geclassificeerd worden tot de ki-groep of de nki-groep. KI heeft een
positieve invloed. Dit wil ook zeggen dat andere eigenschappen van kennintensieve bedrijven een
invloed hebben op winststuring.
Tabel 13 Regressie met testvariabelen KI en INTASSETS
Model Summary
Model R R Square Adjusted R Square
Std. Error of the
Estimate
1 ,527a ,278 ,275 ,258402199
a. Predictors: (Constant), LEV (VV/EV), CFO/At-1, ΔSales, TAX,
INTASSETS, KI, Age, LNAssets, ROA, Market Capitalisation
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 65,975 10 6,598 98,807 ,000a
Residual 171,269 2565 ,067
Total 237,245 2575
a. Predictors: (Constant), LEV (VV/EV), CFO/At-1, ΔSales, TAX, INTASSETS, KI, Age, LNAssets, ROA,
Market Capitalisation
b. Dependent Variable: DA Modified Jones
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig. B Std. Error Beta
1 (Constant) -,211 ,038 -5,522 ,000
KI ,032 ,014 ,039 2,275 ,023
INTASSETS -,241 ,017 -,245 -14,139 ,000
LNAssets ,015 ,003 ,101 5,642 ,000
43
ROA ,006 ,000 ,279 15,595 ,000
Age 8,696E-5 ,000 ,015 ,818 ,413
ΔSales 3,473E-10 ,000 ,009 ,556 ,578
TAX ,033 ,015 ,039 2,202 ,028
Market Capitalisation 1,275E-12 ,000 ,049 2,686 ,007
CFO/At-1 -,336 ,015 -,381 -21,790 ,000
LEV (VV/EV) 2,885E-18 ,000 ,004 ,219 ,827
a. Dependent Variable: DA Modified Jones
Tabel 14 Regressie met testvariabelen HT en INTASSETS
Model Summary
Model R R Square Adjusted R Square
Std. Error of the
Estimate
1 ,618a ,382 ,372 ,279724
a. Predictors: (Constant), LEV (VV/EV), CFO/At-1,INTASSETS, ΔSales,
Market Capitalisation, ht=1,lt=0, TAX, LNAssets, ROA, Age
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 30,437 10 3,044 38,899 ,000a
Residual 49,295 630 ,078
Total 79,731 640
a. Predictors: (Constant), LEV (VV/EV), CFO/At-1, INTASSETS, ΔSales, Market Capitalisation, HI,TAX ,
LNAssets, ROA, Age
b. Dependent Variable: DA Modified Jones
44
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig. B Std. Error Beta
1 (Constant) -,296 ,091 -3,251 ,001
HT -,066 ,027 -,083 -2,497 ,013
INTASSETS -,345 ,026 -,431 -13,081 ,000
LNAssets ,029 ,007 ,146 4,015 ,000
ROA ,007 ,001 ,303 8,593 ,000
Age ,000 ,000 -,066 -1,770 ,077
ΔSales -3,180E-10 ,000 -,014 -,445 ,656
TAX ,040 ,032 ,041 1,253 ,211
Market Capitalisation 1,456E-12 ,000 ,053 1,556 ,120
CFO/At-1 -,419 ,044 -,330 -9,595 ,000
LEV (VV/EV) -1,479E-16 ,000 -,053 -1,484 ,138
a. Dependent Variable: DA Modified Jones
8. Besluit
Kennisintensieve en hoogtechnologische sectoren en bedrijven hebben doorgaans veel immateriële
activa waaronder onderzoek en ontwikkeling, maken diep gebruik van nieuwe technologieën, hebben
gespecialiseerde arbeidskrachten (human capital) en maken veel gebruik van innovatieve producten
en technieken (Kwon en Yin (2006)). Deze bedrijven houden er doorgaans conservatievere
accountingmethoden op na omdat zij sterk afhangen van externe investeerders waarvan zij het
vertrouwen moeten behouden. Accountingcijfers manipuleren zouden vervolgingen kunnen
teweegbrengen bij aandeelhouders of investeerders haken mogelijk af. Bovendien hebben deze
bedrijven met veel accountingstandaarden te maken waar zij moeten aan voldoen (Kwon et al.
(2006)). Kennisintensieve bedrijven zouden vooral conservatief zijn in het boeken van onderzoeks- en
ontwikkelingskosten (Pozza et al. (2008), Oswald (2008)). Zij brengen deze kosten gemakkelijker
onder in de resultatenrekening dan in de balans, waardoor het resultaat in de balans lager is.
Onderzoeks- en ontwikkelingskosten zijn een onderdeel van immateriële vaste activa. Gecontroleerd
voor gekende winststuringsmotieven, hebben wij gevonden dat immateriële vaste activa een
negatieve invloed hebben op winststuring, gemeten via het Modified Jones model. Bovendien hebben
kennisintensieve en hoogtechnologische bedrijven volgens hetzelfde model negatieve discretionaire
accruals tegenover positieve discretionaire accruals voor niet-kennisintensieve en laagtechnologische
45
bedrijven, wat in lijn is met het conservatieve accountinghypothese. Dit resultaat bekwamen wij echter
niet voor twee andere modellen (model van Teoh et al. en DeAngelo-model). In navolging van
Dechow et al. (1994) denken wij dat er bij het DeAngelo-model te veel ruis is. Het model maakt geen
onderscheid tussen niet-discretionaire en discretionaire accruals. In het model van Teoh et al. worden
enkel de korte termijn-accruals gemeten. Dit kan tot een onderschatting van de resultaten leiden
waardoor resultaten niet-significant worden.
Wij hebben kennisintensieve en hoogtechnologische bedrijven opgesplitst o.b.v. NAICS-codes van
Baldwin en Gellatly (1998) en Kwon en Yin (2006). De classificering van Kwon en Yin (2006) bleek de
duidelijkste resultaten op te leveren. Bij deze laatste vonden we wel significante verschillen bij de
andere modellen.
In dit werkstuk is enkel winststuring gemeten o.b.v. accruals. Er zijn echter aanwijzingen dat
kennisintensieve bedrijven aan winststuring doen via het manipuleren van echte activiteiten. Bedrijven
kunnen kosten trachten te minimaliseren en zo de winst opdrijven of omgekeerd. Osma en Young
(2002) vinden dat aan de winst van hoog R&D-intensieve bedrijven, opgesmukt door onverwacht
verminderde R&D investering, minder waarde wordt gehecht door investeerders. Deze waarde
verschilt naargelang de belangrijkheid van R&D investeringen voor een bedrijf. Laag R&D intensieve
bedrijven zouden hun R&D investeringen meer terugschroeven dan hoog R&D intensieve bedrijven.
De reden die Osma en Young (2002) hiervoor aanhalen is dat dit soort bedrijven minder nood hebben
om aan winstverwachtingen te voldoen omdat deze investeringen een te belangrijke bron van waarde
is voor deze bedrijven. Om een volledig idee van winststuring bij deze bedrijven te krijgen, zou deze
manipulatie ook moeten onderzocht worden.
Een andere beperking aan ons onderzoek is dat wij niet de invloed van alle karakteristieken van
kennisintensieve en hoogtechnologische bedrijven kunnen onderzoeken hebben. Interessant zou zijn
om alle karakteristieken in kaart te brengen en dan via een regressie te onderzoeken welke
karakteristieken het zijn die de winst beïnvloeden bij deze bedrijven. Wij bekwamen reeds dat
immateriële activa een invloed hebben. Wanneer we een dummyvariabele aan onze regressie
toevoegen die een bedrijf tot één van de twee groepen classificeert, hebben we nog steeds een
significante invloed van immateriële activa. Dit wil zeggen dat er nog meer eigenschappen van deze
bedrijven de winst sturen. Anderzijds wijst het er ook op dat immateriële activa op zich winst
(neerwaarts) sturen.
IV
Literatuurlijst.
Baber W., Fairfield P. en Haggard J., 1991, The Effect of concern about Reported Income on
Discretionary Spending: Decisions: The Case of Research and Development, The Accounting Review,
jg. 66, nr. 4, oktober 1991, 818 – 829.
Baldwin J.R. en Gellatly G., 1998, Are there high-tech industries or only high-tech firms? Evidence
from new technology-based firms, December 1998, Canada Statistics
Ballester M., Garcia-Auyso M. en Livnat J., 2003, The economic value of the R&D intangible asset,
European Accounting Review, jg. 12, nr. 4, december 2003, 605-633.
Barth M., Landsman W., Lang M., Williams C., 2006, Accounting Quality: International Accounting
Standards and US GAAP, UNC Working Paper
Bartov E., The Timing of Asset Sales and Earnings Manipulation, The Accounting Review, jg. 68, nr. 4,
oktober 1993, 840-855.
Bartov E., Ivoly, D. en Hayn, C., 2002, The rewards to meeting or beating earnings expectations,
Journal of Accounting and Economics, 2002,. 173 – 204.
Bartov E., Gul F. en Tsui J., 2001, Discretionary-accruals models and audit qualifications, Journal of
Accounting and Economics, jg. 30, nr. 3, december 2000, 421 – 452.
Beatty A.L., Ke B. en Petroni K.R., Earnings management to avoid earnings declines across publicly
and privately held banks, The Accounting Review, jg 77, nr. 3, 299-326
Becker C., Defond M., Jiambalvo J., Subramanyam K.R., The effect of audit quality on earnings
management, Contemporary Accounting Research, jg. 15, nr. 1, lente 1998, 1-24
Beneish, M (2001, april). ‘Earnings Management: A Perspective’ (WWW). Gregg Gordon:
http://papers.ssrn.com (02.04.2008)
Burgstahler D. en Dichev I., 1997, ‘Earnings management to avoid earnings decreases and losses ,
Journal of Accounting and Economics, 1997, 99 - 126.
Burgstahler D. en Eames M., 2006, Management of Earnings and Analysts’ Forecasts to Achieve
Zero and Small Positive Earnings Surprises, Journal of Business Finance & Accounting, 2006, 633 -
652.
Bushee B., The Influence of Institutional Investors on Myopic R&D Investment Behavior, The
Accounting Review, jg. 73, nr. 3, juli 1998, 305-333.
Cahan S., 1992, The Effect of Antitrust Investigations on Discretionary Accruals: A Refined Test of the
Political-Cost Hypothesis, The Accounting Review, jg. 67, nr. 1, januari 1992, 77 - 95.
Chambers, D.J., Jennings R. en Thompson R.B., 2001, Managerial Discretion and Accounting for
Research and Development Costs, Review of Accounting Studies, jg. 7, 2002, 133-158.
V
Chan L., Lakonishok J. en Sougiannis T., 2001, The Stock Market Valuation of Research and
Development Expenditures, jg 56, nr. 6, 2001, 2431-2456.
Chandra U., Wasley C. en Waymire G., Income Conservatism in the U.S. Technology Sector, The
Bradley Policy Research Center Financial Research and Policy, Working Paper, januari 2004
Cheng Q. en Warfield T., 2005, Equity Incentives and Earnings Management,
The Accounting Review, jg 80, nr. 2, 441-476
Clinch G., Emolyee compensation and Firms’ Research and Development Acitivity, Journal of
Accounting Research, jg. 29, nr. 1, 1991, 59-78.
Cooper J. en Selto F., An experimental examination of the effects of SFAS No. 2 on R&D investment
decisions, Accounting, Organizations and Society, jg. 16, nr. 3, 1991, 227-242.
Coppens P. en Peek E., 2005, An analysis of earnings management by European private firms,
Journal of International Accounting, Auditing and Taxation, 2005, 1 - 17.
Daniel N., Denis D. en Naveen L., 2007, Do firms manage earnings to meet dividend thresholds?,
Journal of Accounting and Economics, 2008, 2 - 26.
DeAngelo H., DeAngelo L. en Skinner D., 1994, Accounting choice in troubled companies, jg. 17,
januari 1994, 116 - 143.
DeAngelo L., 1986, Accounting Numbers as Market Valuation Substitutes: A Study of Management
Buyouts of Public Stockholders, The Accounting Review, jg. 61, nr. 3, juli 1986, 400 - 420.
Dechow P., 1994, Accounting earnings and cash flows as measures of firm performance The role of
accounting accruals, Journal of International Accounting, 1994, 3 -42.
Dechow P. en Schrand C., 2004, Earnings Quality, Research Foundation Publications, juli 2004, 1 -
152.
Dochow P. en Sloan R., 1991, Executive incentives and the horizon problem: An empirical
investigation, Journal of Accounting and Economics, jg. 14, nr. 1, maart 1991, 51-89.
Dechow P., Sloan R. en Sweeney A., 1995, Detecting Earnings Management, The Accounting Review,
jg. 70, nr. 2, april 1995, 193 - 225.
DeFond M. en Jiambalvo J., 1994, Debt covenant violation and manipulation of accruals, Journal of
Accounting and Economics, januari 1994, 145 - 176.
Degeorge F., Patel J. en Zeckhauser R., 1991, Earnings Management to Exceed Thresholds, The
Journal of Business, nr. 1, 1991, 1 -33.
Fama E. en Jensen M.C., 1983, Separation of ownership and control, Journal of Law and Economics,
nr. 26, juni 1983, 301-325.
Francis J. en Schipper K., 1999, Have financial statements lost their relevants?, Journal of Accounting
Research, jg. 37, nr. 2, lente 1999, 319-352
VI
Gorman G. en McCarthy S., 2006, Business Development Support and Knowledge-Based Businesses,
The Journal of Technology Transfer, jg. 31, nr. 1, januari 2006, 131-143.
Guay W., Kothari S. en Watts R., 1996, A Market-Based Evaluation of Discretionary Accrual Models,
Journal of Accounting Research, jg. 34, 1996, 93 - 105.
Gunny K., 2005, What are the Consequences of Real Earnings Management? Working paper,
University of Colorado.
Graham J., Harvey C. en Rajgopal S., 2005, The economic implications of corporate financial
reporting, Journal of Accounting and Economics, jg. 40, nr. 1, december 2005, 3 - 73.
Healy M. en Wahlen J., 1999, A Review of the Earnings Management Literature and Its Implications
for Standard Setting, Accounting Horizons, nr. 4, 1999, 365 - 383.
Healy P., 1985, The effect of bonus schemes on accounting decisions, Journal of Accounting and
Economics, jg. 7, 1985, 85-107.
Healy P. en Palepu K., 1990, Effectiveness of accounting-based dividend covenants, Journal of
Accounting and Economics, jg. 12, januari 1990, 97 - 123.
Herrmann D., Inoue T. en Thomas W., 2003, The Sale of Assets to Manage Earnings in Japan,
Journal of Accounting Research, jg. 41, nr. 1, januari 2003, 89 - 109.
Holthausen R., Larcker D. en Sloan R., Annual bonus schemes and the manipulation of earnings,
Journal of Accounting and Economics, jg. 19, februari 1995, 29 - 74.
International Accounting Standards Committee
Jaggi B., Lee P., Earnings Management Response to Debt Covenant Violations and Debt
Restructuring, jg. 17, nr. 4, najaar 2002, 295 - 324
Jones J., 1991, Earnings Management During Import Relief Investigations, Journal of Accounting
Research, jg. 29, nr. 2, 1991, 193 - 228.
KPMG, 1995, The computer software industry in Canada: Survey of corporate and financial reporting
Kwon S., Financial analysts' forecast accuracy and dispersion: high-tech versus low-tech stocks,
Review of quantitative finance and accounting, jg. 9, nr. 1, 2002, p65-92
Kwon S., Yin Q., Executive compensation, investment opportunities, and Earnings Management: high-
tech firms versus low-tech firms, Journal of accounting auditing and finance, jg. 21, nr. 2, 2006, 119-
148
Kwon S., Yin Q. en Han J., The effect of differential accounting conservatism on the "over-valuation" of
high-tech firms relative to low-tech firms, Review of Quantitative Finance and Accounting, jg. 27, nr. 2,
september 2006, 143-173
Landry S., Callimaci A., 2003, The effect of management incentives and cross-listing status on the
accounting treatment of R&D spending, jg 12, nr. 2, 2003, 131-152.
VII
Lee F. en Has H.,A Quantitative Assessment of High-Knowledge Industries Versus Low-Knowledge
Industries in The Implications of Knowledge-Based Growth for Micro-Economic Policies, Ottawa:
Ministry of Supply and Services Canada, 1996.
Leuz C., Nanda D. en Wysocki P., 2003, Earnings management and investor protection: an
international comparison, jg. 69, 2003, 505-527.
Lev B., Sougiannis T., 1995, The capitalization, amortization, and value-relevance of R&D, Journal of
Accounting and Economics, jg. 21, april 1996, 107-138.
Liberty S. en Zimmerman J., 1986, Labor Union Contract Negotiations and Accounting Choices, in:
The Accounting review, American Accounting Association, 692 - 712.
Martín-de-Castro G., López-Sáez P. en Navas-López J., 2008, Processes of knowledge creation in
knowledge-intensive firms: Empirical evidence from Boston’s Route 128 and Spain, Technovation, jg.
28, nr. 4, april 2008, 222- 230.
McNichols M. en Wilson P., 1988, Evidence of Earnings Management from the Provision for Bad
Debts, Journal of Accounting Research, jg. 26, 1988, 1 - 31.
McNichols M., 2000, Research design issues in earnings management studies, Journal of Accounting
and Public Policy, jg. 19, 313 - 345.
Osma B., Young S., 2006, R&D expenditure and earnings targets, Working Paper, University of
Lancaster.
Oswald R., 2007, The Determinants and Value Relevance of the Choice of Accounting for Research
and Development Expenditures in the United Kingdom, Journal of Business Finance & Accounting, jg.
35, nr. 1 en 2, januari/maart 2008, 1-24.
Othman H. B. en Zeghal D., 2006, A Study of Earnings-management Motives in the Anglo-American
and Euro-Continental Accounting Models: The Canadian and French Cases, International Journal of
Accounting, jg. 41, nr. 4, december 2006, 406 – 435.
Peasnell K.V., Pope P.F. en Young, S., Detecting earnings management using cross-sectional
abnormal accruals models, Accounting and Business Research, jg 30, 2000, nr. 4, 313-326
Penman H.S. en Zhang, X.-J., 1999, Accounting Conservatism, the Quality of Earnings, and Stock
Returns, Working paper, Columbia University.
Perry S., en Grinaker R., 1994, Earnings Expectations and Discretionary Research and Development
Spending, Accounting Horizons 8, 43-51
Pozza L., Prencipe A. en Markarian G., 2008, Earnings Management in Family Firms: Evidence From
R&D Cost Capitalization in Italy, Family Business Review, jg. 21, nr. 1, februari 2008, 71 -88.
Roychowdhury S., 2006, Earnings management through real activities manipulation, Journal of
Accounting and Economics, jg. 42, december 2006, 335–370
VIII
Smith K., 2002, What is the ‘knowledge economy’? Knowledge intensity and distributed knowledge
bases, discussiepaper van The United Nations University, Institute for New Technologies
Subramanyam K., 1996, The pricing of discretionary accruals, Journal of Accounting and Economics,
jg. 22, augustus - december 1996, 249 - 281.
Suk Yoon S. en Miller G., 2002, Earnings Management of seasoned equity offering firms in Korea, jg.
37, nr. 1, januari 2002, 57-78.
Teoch S., Welch I. en Wong T., Earnings management and the underperformance of seasoned equity
offerings, Journal of Financial Economics, nr. 1, 1998, 63 - 99.
Thompson Lightstone & Co. Ltd., Small and Medium Sized Business in Canada: An Ongoing
Perspective of Their Needs, Expectations and Satisfaction with Financial Institutions, 1998
Thomas J.K. en Zhang, H., 2002, Value-relevant properties of smoothed earnings, Columbia
University Working Paper.
Van Amerongen F., Terminologie Financieel Management. Heemstede, Kluwer, 2001, p. 9 - 500.
Van Tendeloo B., Vanstraelen A., Earnings Management and Audit Quality in Europe: Evidence from
the Private Client Segment Market, European Accounting Review, jg. 17, nr. 3, 2008, 447-469
Van Tendeloo B., Vanstraelen A., Earnings management under German GAAP versus IFRS,
European Accounting Review, jg. 14, nr. 1, mei 2005, 155-180
Wang S., D’Souza J., 2006, Earnings Management: The Effect of Accounting Flexibility on R&D
Investment Choices, London School Research Paper Series #33-06
Watts R. en Zimmerman J., 1986, Positive Accounting Theory, Prentice-Hall, Englewood Cliffs, NJ.
Wijnen K., Janssens W., De Pelsmaecker P. en Van Kenhove P., Marktonderzoek met SPSS,
statistische verwerking en interpretative, 2002
IV
APPENDIX
Bijlage 1: NAICS Code
NAICS Code Industrieclassificatie o.b.v. Canada Statistics
221111 Hydro-Electric Power Generation
221112 Fossil-Fuel Electric Power Generation
221113 Nuclear Power Generation
221119 Other Electric Power Generation
221121 Electric Bulk Power Transmission and Control
221122 Electric Power Distribution
324110 Petroleum Refineries
324121 Asphalt Paving Mixture and Block M anufacturing
324190 Other Petroleum and Coal Products Manufacturing
325110 Petrochemical Manufacturing
325120 Industrial Gas Manufacturing
325130 Synthetic Dye and Pigment Manufacturing
325181 Alkali and Chlorine Manufacturing
325189 All Other Basic Inorganic Chemical Manufacturing
325190 All Other Basic Organic Chemical Manufacturing
325210 Resin and Synthetic Rubber Manufacturing
325313 Chemical Fertilizer (except Potash) Manufacturing
325314 Mixed Fertilizer Manufacturing
325320 Pesticide and Other Agricultural Chemical Manufacturing
325410 Pharmaceutical and Medicine Manufacturing
325520 Adhesive Manufacturing
325599 All Other Miscellaneous Chemical Product Manufacturing
325910 Printing Ink Manufacturing
325920 Explosives Manufacturing
325991 Custom Compounding of Purchased Resins
325999 All Other Miscellaneous Chemical Product Manufacturing
332991 Ball and Roller Bearing Manufacturing
333110 Agricultural Implement Manufacturing
333120 Construction Machinery Manufacturing
333130 Mining and Oil and Gas Field Machinery Manufacturing
333210 Sawmill and Woodworking Machinery Manufacturing
333220 Rubber and Plastics Industry Machinery Manufacturing
333291 Paper Industry Machinery Manufacturing
333299 All Other Industrial Machinery Manufacturing
333310 Commercial and Service Industry Machinery Manufacturing
V
333413 Industrial and Commercial Fan and Blower and Air
Purification Equipment
333416 Heating Equipment and Commercial Refrigeration
Equipment Manufacturing
333611 Turbine and Turbine Generator Sets Units Manufacturing
333619 Other Engine and Power Transmission Equipment
Manufacturing
333910 Pump and Compressor Manufacturing
333920 Material Handling Equipment Manufacturing
333990 All Other General-Purpose Machinery Manufacturing
334110 Computer and Peripheral Equipment Manufacturing
334210 Telephone Apparatus Manufacturing
334220 Radio and Television Broadcasting and Wireless
Communications
334290 Other Communications Equipment Manufacturing
334310 Audio and Video Equipment Manufacturing
334410 Semi-Conductor and Other Electronic Component
Manufacturing
334511 Navigational and Guidance Instruments Manufacturing
334512 Measuring, Medical and Controlling Devices Manufacturing
335311 Power Distribution and Specialty Transformers
Manufacturing
335312 Motor and Generator Manufacturing
335315 Switchgear and Switchboard, and Relay and Industrial
Control Apparatus
335920 Communication and Energy Wire and Cable Manufacturing
336320 Motor Vehicle and Electronic Equipment Manufacturing
336410 Aerospace Products and Parts Manufacturing
486110 Pipeline Transportation of Crude Oil
486210 Pipeline Transportation of Natural Gas
486910 Pipeline Transportation of Refined Petroleum Products
486990 All Other Pipeline Transportation
511210 Software Publishers
512110 Motion Picture and Video Production
512190 Post-Production and Other Motion Picture and Video
Industries
513210 Pay and Specialty Television
513220 Cable and Other Program Distribution
513310 Wired Communications Carriers
513320 Wireless Communications Carriers (Except Satellite)
513330 Telecommunications Resellers
513340 Satellite Communications
513390 Other Telecommunications
VI
514210 Data Processing Services
541310 Architectural Services
541320 Landscape Architectural Services
541330 Engineering Services
541340 Drafting Services
541360 Geophysical Surveying and Mapping Services
541370 Surveying and Mapping (Except Geophysical) Services
541380 Testing Laboratories
541510 Computer Systems Design and Related Services
541620 Environmental Consulting Services
541690 Other Scientific and Technical Consulting Services
541710 Research and Development in the Physical, Engineering and
Life Sciences
VII
Bijlage 2: tabel 13 – definitie kennisintensieve sectoren van industry Canada
VIII
Bijlage 3: Enkele van de R&D en human capital factoren waarop Lee en Has (1996) zich baseren om kennisintensieve sectoren aan te wijzen:
The ratio of industry R&D spending to the value of industry output.
Ratio of total R&D employees to total employees.
Ratio of professional (scientist, engineer,...) to total employees.
Post secondary educated workers as a percent of total employees.
Workers who are university educated in professional disciplines (scientists, management
specialist, lawyers, engineers..) as a percent of total employees.
Employed scientist and engineers as a percent of total work force.
IX
Bijlage 4: 3-digit SIC-code van hightech en niet-hightech bedrijven (Kwon en yin 2002)
Hightech bedrijven
283 Drugs
355 Special Industry Machinery
357 Computer and Office Equipment
362 Electrical Industrial Apparatus
363 Household Appliances
364 Electric Lighting and Wiring Equipment
365 Household Audio and Video Equipment
366 Communications Equipment
367 Electronic Components and Accessories
369 Misc. Electrical Equipment and Supplies
382 Measuring and Controlling Devices
481 Telephone Communications
489 Communications Services, NEC
573 Radio, TV, and Electronic Stores
737 Computer and Data Processing Services
Low-tech bedrijven
160 Heavy Construction, Excluding Building
170 Special Trade Contractors
202 Dairy Products
220 Textile Mill Products
240 Lumber and Wood Products
245 Wood Buildings and Mobile Homes
260 Paper and Allied Products
300 Rubber and Misc. Plastics Products
308 Misc. Plastics Products
331 Blast Furnace and Basic Steel Products
356 General Industrial Machinery and Equipment
371 Motor Vehicles and Equipment
399 Misc. Manufacturing Industries
451 Scheduled Air Transportation
541 Grocery Stores
X
Bijlage 5 : Resultaat regressie Modified Jones model
Coefficientsa
NAICS
2-digit Model
Unstandardized
Coefficients
Standardized
Coefficients
t Sig.
Collinearity
Statistics
B Std. Error Beta Tolerance VIF
4 1 (Constant) ,008 ,076 ,103 ,919
(ΔREV-ΔREC)/At-1 -,046 ,143 -,085 -,323 ,751 ,924 1,082
PPE/At-1 -,187 ,229 -,214 -,814 ,428 ,924 1,082
11 1 (Constant) ,014 ,022 ,652 ,516
(ΔREV-ΔREC)/At-1 -,577 ,143 -,400 -4,045 ,000 ,927 1,078
PPE/At-1 -,149 ,071 -,209 -2,111 ,037 ,927 1,078
21 1 (Constant) -,010 ,018 -,587 ,559
(ΔREV-ΔREC)/At-1 ,245 ,110 ,247 2,239 ,028 ,956 1,046
PPE/At-1 -,064 ,029 -,241 -2,188 ,032 ,956 1,046
22 1 (Constant) -,014 ,027 -,527 ,599
(ΔREV-ΔREC)/At-1 -,718 ,117 -,481 -6,125 ,000 ,925 1,081
PPE/At-1 -,021 ,032 -,052 -,667 ,506 ,925 1,081
23 1 (Constant) ,009 ,014 ,649 ,517
(ΔREV-ΔREC)/At-1 -,103 ,091 -,053 -1,131 ,259 ,991 1,009
PPE/At-1 -,046 ,034 -,064 -1,356 ,176 ,991 1,009
31 1 (Constant) -,018 ,008 -2,141 ,033
(ΔREV-ΔREC)/At-1 -,144 ,028 -,185 -5,078 ,000 ,996 1,004
PPE/At-1 -,068 ,018 -,135 -3,698 ,000 ,996 1,004
32 1 (Constant) -,070 ,010 -6,852 ,000
(ΔREV-ΔREC)/At-1 -,087 ,044 -,068 -1,993 ,047 ,907 1,103
PPE/At-1 ,080 ,024 ,113 3,292 ,001 ,907 1,103
33 1 (Constant) ,309 ,010 31,909 ,000
(ΔREV-ΔREC)/At-1 -,753 ,005 -2,006 -150,182 ,000 ,216 4,628
PPE/At-1 -1,329 ,012 -1,493 -111,790 ,000 ,216 4,628
42 1 (Constant) -,002 ,009 -,192 ,848
(ΔREV-ΔREC)/At-1 -,211 ,034 -,228 -6,229 ,000 ,997 1,003
PPE/At-1 -,076 ,036 -,078 -2,123 ,034 ,997 1,003
44 1 (Constant) -,024 ,015 -1,572 ,118
(ΔREV-ΔREC)/At-1 -,225 ,083 -,200 -2,713 ,007 ,999 1,001
XI
PPE/At-1 -,037 ,032 -,085 -1,147 ,253 ,999 1,001
45 1 (Constant) -,016 ,047 -,344 ,732
(ΔREV-ΔREC)/At-1 ,206 ,091 ,257 2,274 ,025 ,816 1,226
PPE/At-1 -,153 ,161 -,108 -,951 ,344 ,816 1,226
48 1 (Constant) -,025 ,014 -1,828 ,069
(ΔREV-ΔREC)/At-1 -,134 ,037 -,292 -3,660 ,000 ,554 1,806
PPE/At-1 -,056 ,021 -,212 -2,658 ,008 ,554 1,806
49 1 (Constant) -,201 ,218 -,920 ,366
(ΔREV-ΔREC)/At-1 -2,503 ,811 -,489 -3,085 ,005 ,988 1,012
PPE/At-1 ,936 ,589 ,252 1,588 ,124 ,988 1,012
51 1 (Constant) -,062 ,013 -4,913 ,000
(ΔREV-ΔREC)/At-1 ,090 ,036 ,094 2,495 ,013 ,932 1,073
PPE/At-1 ,007 ,044 ,006 ,167 ,868 ,932 1,073
52 1 (Constant) ,086 ,032 2,727 ,007
(ΔREV-ΔREC)/At-1 ,192 ,072 ,187 2,680 ,008 ,992 1,008
PPE/At-1 -,382 ,103 -,260 -3,724 ,000 ,992 1,008
53 1 (Constant) ,038 ,028 1,359 ,176
(ΔREV-ΔREC)/At-1 -,393 ,082 -,335 -4,815 ,000 ,989 1,011
PPE/At-1 -,164 ,034 -,336 -4,841 ,000 ,989 1,011
54 1 (Constant) -,047 ,015 -3,138 ,002
(ΔREV-ΔREC)/At-1 ,213 ,026 ,322 8,190 ,000 ,942 1,061
PPE/At-1 -,017 ,069 -,010 -,250 ,803 ,942 1,061
55 1 (Constant) -,008 ,032 -,245 ,806
(ΔREV-ΔREC)/At-1 ,090 ,168 ,015 ,533 ,594 ,981 1,019
PPE/At-1 -,017 ,087 -,005 -,195 ,845 ,981 1,019
56 1 (Constant) -,060 ,030 -2,025 ,045
(ΔREV-ΔREC)/At-1 -,348 ,106 -,300 -3,286 ,001 1,000 1,000
PPE/At-1 ,048 ,159 ,028 ,302 ,763 1,000 1,000
62 1 (Constant) ,006 ,050 ,120 ,905
(ΔREV-ΔREC)/At-1 -,537 ,301 -,223 -1,785 ,079 ,962 1,039
PPE/At-1 -,082 ,092 -,111 -,892 ,376 ,962 1,039
71 1 (Constant) -,065 ,028 -2,309 ,022
(ΔREV-ΔREC)/At-1 -,112 ,053 -,177 -2,127 ,035 1,000 1,000
PPE/At-1 ,008 ,045 ,016 ,186 ,852 1,000 1,000
XII
72 1 (Constant) -,062 ,025 -2,492 ,014
(ΔREV-ΔREC)/At-1 -,176 ,152 -,105 -1,152 ,252 ,919 1,088
PPE/At-1 ,012 ,034 ,031 ,340 ,735 ,919 1,088
81 1 (Constant) ,264 1,039 ,254 ,842
(ΔREV-ΔREC)/At-1 -1,205 1,677 -,805 -,719 ,603 ,526 1,902
PPE/At-1 -1,369 2,853 -,537 -,480 ,715 ,526 1,902
92 1 (Constant) ,091 ,223 ,407 ,696
(ΔREV-ΔREC)/At-1 -,450 1,421 -,332 -,317 ,761 ,111 9,005
PPE/At-1 -,217 ,336 -,677 -,645 ,539 ,111 9,005
a. Dependent Variable: TA/At-1
XIII
Bijlage 6 : Resultaat regressie vlottend-accrua model
Coefficientsa
NAICS
2-digit Model
Unstandardized
Coefficients
Standardized
Coefficients
t Sig.
Collinearity
Statistics
B Std. Error Beta Tolerance VIF
4 1 (Constant) ,084 ,103 ,822 ,424
(ΔREV-ΔREC)/At-1 -,230 ,192 -,307 -1,197 ,250 ,924 1,082
PPE/At-1 -,123 ,307 -,102 -,399 ,695 ,924 1,082
11 1 (Constant) -,172 ,033 -5,290 ,000
(ΔREV-ΔREC)/At-1 -,190 ,159 -,090 -1,196 ,234 ,960 1,042
PPE/At-1 ,870 ,101 ,650 8,620 ,000 ,960 1,042
21 1 (Constant) ,030 ,021 1,467 ,146
(ΔREV-ΔREC)/At-1 ,057 ,045 ,138 1,283 ,203 ,984 1,016
PPE/At-1 -,043 ,034 -,136 -1,266 ,209 ,984 1,016
22 1 (Constant) ,014 ,015 ,964 ,337
(ΔREV-ΔREC)/At-1 -,203 ,064 -,272 -3,184 ,002 ,925 1,081
PPE/At-1 -,024 ,017 -,121 -1,410 ,161 ,925 1,081
23 1 (Constant) ,026 ,013 1,975 ,049
(ΔREV-ΔREC)/At-1 -,168 ,090 -,087 -1,865 ,063 ,992 1,008
PPE/At-1 -,037 ,033 -,052 -1,116 ,265 ,992 1,008
31 1 (Constant) ,004 ,008 ,547 ,585
(ΔREV-ΔREC)/At-1 -,135 ,025 -,195 -5,352 ,000 ,998 1,002
PPE/At-1 -,009 ,018 -,019 -,512 ,609 ,998 1,002
32 1 (Constant) -,030 ,010 -2,974 ,003
(ΔREV-ΔREC)/At-1 -,134 ,040 -,111 -3,381 ,001 ,930 1,075
PPE/At-1 ,124 ,024 ,169 5,133 ,000 ,930 1,075
33 1 (Constant) ,334 ,009 35,552 ,000
(ΔREV-ΔREC)/At-1 -,742 ,005 -1,951 -150,024 ,000 ,217 4,612
PPE/At-1 -1,239 ,012 -1,374 -105,644 ,000 ,217 4,612
42 1 (Constant) ,018 ,009 1,876 ,061
(ΔREV-ΔREC)/At-1 -,214 ,033 -,235 -6,508 ,000 ,995 1,005
PPE/At-1 -,020 ,035 -,021 -,573 ,567 ,995 1,005
44 1 (Constant) ,029 ,014 2,029 ,044
(ΔREV-ΔREC)/At-1 ,071 ,041 ,143 1,703 ,090 ,729 1,371
XIV
PPE/At-1 -,069 ,029 -,199 -2,372 ,019 ,729 1,371
45 1 (Constant) ,033 ,045 ,747 ,457
(ΔREV-ΔREC)/At-1 ,128 ,081 ,179 1,582 ,117 ,815 1,228
PPE/At-1 -,126 ,153 -,093 -,824 ,412 ,815 1,228
48 1 (Constant) ,018 ,018 ,959 ,338
(ΔREV-ΔREC)/At-1 -,150 ,048 -,248 -3,093 ,002 ,554 1,806
PPE/At-1 -,047 ,028 -,136 -1,699 ,090 ,554 1,806
49 1 (Constant) -,076 ,205 -,370 ,714
(ΔREV-ΔREC)/At-1 -2,545 ,807 -,493 -3,154 ,004 ,991 1,009
PPE/At-1 ,577 ,467 ,193 1,237 ,226 ,991 1,009
51 1 (Constant) -,006 ,012 -,502 ,615
(ΔREV-ΔREC)/At-1 ,037 ,032 ,043 1,173 ,241 ,944 1,059
PPE/At-1 ,052 ,041 ,046 1,252 ,211 ,944 1,059
52 1 (Constant) ,104 ,043 2,412 ,017
(ΔREV-ΔREC)/At-1 -,244 ,062 -,268 -3,927 ,000 1,000 1,000
PPE/At-1 -,240 ,144 -,114 -1,673 ,096 1,000 1,000
53 1 (Constant) ,038 ,023 1,680 ,095
(ΔREV-ΔREC)/At-1 -,244 ,067 -,268 -3,633 ,000 ,989 1,011
PPE/At-1 -,068 ,028 -,181 -2,449 ,015 ,989 1,011
54 1 (Constant) ,016 ,019 ,834 ,404
(ΔREV-ΔREC)/At-1 ,052 ,031 1,494 1,679 ,094 ,001 1717,648
PPE/At-1 ,056 ,074 ,666 ,748 ,455 ,001 1717,648
55 1 (Constant) ,033 ,032 1,023 ,306
(ΔREV-ΔREC)/At-1 ,066 ,128 ,014 ,513 ,608 ,984 1,016
PPE/At-1 ,006 ,087 ,002 ,071 ,943 ,984 1,016
56 1 (Constant) ,132 ,107 1,233 ,220
(ΔREV-ΔREC)/At-1 -,434 ,344 -,108 -1,261 ,209 ,997 1,003
PPE/At-1 -,352 ,481 -,063 -,731 ,466 ,997 1,003
61 1 (Constant) ,204 ,000 . .
(ΔREV-ΔREC)/At-1 -,116 ,000 -,714 . . ,759 1,318
PPE/At-1 -3,507 ,000 -1,133 . . ,759 1,318
62 1 (Constant) ,094 ,047 1,975 ,052
(ΔREV-ΔREC)/At-1 -,860 ,298 -,327 -2,891 ,005 ,987 1,013
PPE/At-1 -,202 ,081 -,281 -2,485 ,016 ,987 1,013
XV
71 1 (Constant) ,003 ,026 ,132 ,896
(ΔREV-ΔREC)/At-1 -,133 ,049 -,198 -2,711 ,007 1,000 1,000
PPE/At-1 -,040 ,038 -,076 -1,045 ,297 1,000 1,000
72 1 (Constant) -,005 ,023 -,223 ,824
(ΔREV-ΔREC)/At-1 ,033 ,124 ,024 ,269 ,788 ,912 1,097
PPE/At-1 -,009 ,031 -,027 -,298 ,766 ,912 1,097
81 1 (Constant) ,230 ,323 ,710 ,509
(ΔREV-ΔREC)/At-1 -,441 ,393 -,605 -1,123 ,312 ,551 1,816
PPE/At-1 -,767 1,028 -,402 -,746 ,489 ,551 1,816
92 1 (Constant) ,129 ,235 ,549 ,600
(ΔREV-ΔREC)/At-1 -,636 1,499 -,462 -,424 ,684 ,111 9,005
PPE/At-1 -,219 ,355 -,672 -,618 ,556 ,111 9,005
a. Dependent Variable: CA/At-1
XVI
Bijlage 7: Regressie met als afhankelijke variabele EM-proxy van Teoh et al.
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 51,441 9 5,716 138,012 ,000a
Residual 106,226 2565 ,041
Total 157,667 2574
a. Predictors: (Constant), LEV (VV/EV), CFO/At-1, ΔSales, TAX, INTASSETS, Age, ROA,
LNAssets, Market Capitalisation
b. Dependent Variable: DA Teoh et al.
Coefficientsa
Model
Unstandardized
Coefficients
Standardized
Coefficients
t Sig.
Collinearity
Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) ,355 ,030 11,877 ,000
INTASSETS -,091 ,013 -,113 -6,781 ,000 ,946 1,057
LNAssets -,004 ,002 -,036 -2,091 ,037 ,876 1,141
ROA ,006 ,000 ,301 17,503 ,000 ,888 1,126
Age ,000 ,000 -,052 -3,046 ,002 ,899 1,112
ΔSales 7,245E-10 ,000 ,024 1,475 ,140 ,996 1,004
TAX ,001 ,012 ,001 ,070 ,944 ,922 1,084
Market
Capitalisation 5,152E-14 ,000 ,002 ,138 ,890 ,859 1,165
CFO/At-1 -,386 ,012 -,536 -31,751 ,000 ,921 1,085
LEV (VV/EV) 2,732E-18 ,000 ,005 ,263 ,793 ,848 1,179
a. Dependent Variable: DA Teoh et al.
XVII
Bijlage 8: Regressie met als afhankelijke variabele EM-proxy van DeAngelo
Model Summaryb
Model R R Square
Adjusted R
Square
Std. Error of the
Estimate Durbin-Watson
1 ,494a ,244 ,242 ,337819081 2,214
a. Predictors: (Constant), LEV (VV/EV), CFO/At-1, ΔSales, Age, Intangibles/Total
assets, 0=low financial and tax alignement, 1 = high, LNAssets, Return on total assets,
Market Capitalisation
b. Dependent Variable: TA-TA-1/At-1 DeAngelo
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 88,000 9 9,778 85,679 ,000a
Residual 271,952 2383 ,114
Total 359,953 2392
a. Predictors: (Constant), LEV (VV/EV), CFO/At-1, ΔSales, Age, INTASSETS, TAX , LNAssets,
ROA, Market Capitalisation
b. Dependent Variable: TA-TA-1/At-1 DeAngelo
XVIII
Coefficientsa
Model
Unstandardized
Coefficients
Standardized
Coefficients
t Sig.
Collinearity
Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) ,174 ,051 3,395 ,001
INTASSETS -,156 ,030 -,094 -5,129 ,000 ,946 1,057
LNAssets -,005 ,004 -,026 -1,343 ,179 ,878 1,139
ROA ,005 ,001 ,161 8,493 ,000 ,885 1,130
Age ,000 ,000 -,046 -2,441 ,015 ,901 1,110
ΔSales -1,928E-10 ,000 -,004 -,236 ,813 ,996 1,004
TAX -,005 ,020 -,005 -,271 ,786 ,917 1,091
Market
Capitalisation 5,956E-13 ,000 ,018 ,936 ,349 ,854 1,171
CFO/At-1 -,575 ,022 -,496 -26,594 ,000 ,912 1,097
LEV (VV/EV) -5,674E-18 ,000 -,006 -,327 ,743 ,843 1,186
a. Dependent Variable: TA-TA-1/At-1 DeAngelo
XIX
Bijlage 9: Correlatiematrix Correlations
Intangibles/
Total assets ROA CFO ΔSales LNAssets Age
LEV
(VV/
EV) TAX
Intangibles/
Total assets
Pearson
Correlation 1,000 -,012 -,004 ,033** -,024* -,019 -,002 ,003
Sig. (2-tailed) ,274 ,706 ,010 ,028 ,095 ,873 ,827
N 8561 8507 8104 6341 8561 8140 8527 4949
ROA Pearson
Correlation -,012 1,000 ,073** ,015 ,111** ,115** ,000 ,038**
Sig. (2-tailed) ,274 ,000 ,208 ,000 ,000 ,992 ,005
N 8507 9584 8864 7094 9584 9111 9531 5552
CFO Pearson
Correlation -,004 ,073** 1,000 ,090** ,308** -,031** ,026* ,052**
Sig. (2-tailed) ,706 ,000 ,000 ,000 ,005 ,014 ,000
N 8104 8864 8896 6788 8896 8442 8867 4935
ΔSales Pearson
Correlation ,033** ,015 ,090** 1,000 ,130** -,018 ,000 -,014
Sig. (2-tailed) ,010 ,208 ,000 ,000 ,133 ,942 ,432
N 6341 7094 6788 7117 7117 6823 7066 3199
LNAssets Pearson
Correlation -,024* ,111** ,308** ,130** 1,000 -,045** ,068** ,142**
Sig. (2-tailed) ,028 ,000 ,000 ,000 ,000 ,000 ,000
N 8561 9584 8896 7117 9656 9183 9603 5618
Age Pearson
Correlation -,019 ,115** -,031** -,018 -,045** 1,000 ,014 ,053**
Sig. (2-tailed) ,095 ,000 ,005 ,133 ,000 ,178 ,000
N 8140 9111 8442 6823 9183 9184 9130 5343
LEV
(VV/EV)
Pearson
Correlation -,002 ,000 ,026* ,000 ,068** ,014 1,000 ,046**
Sig. (2-tailed) ,873 ,992 ,014 ,942 ,000 ,178 ,001
N 8527 9531 8867 7066 9603 9130 9603 5565
XX
TAX Pearson
Correlation ,003 ,038** ,052** -,014 ,142** ,053** ,046** 1,000
Sig. (2-tailed) ,827 ,005 ,000 ,432 ,000 ,000 ,001
N 4949 5552 4935 3199 5618 5343 5565 6269
**. Correlation is significant at the 0.01
level (2-tailed).