Balans nr 2 2003

Debatt: Nyckeltal kan påvisa framtida betalningsoförmåga...

Balans tar gärna emot signerade debattinlägg. Vi förbehåller oss rätten att redigera inkomna bidrag.

I ett temanummer i Balans år 2002 (nr 3), behandlades frågan om obestånd ur olika perspektiv. Med tanke på de senaste årens utveckling – med ökande antal konkurser – kan frågans betydelse bara sägas öka. Det senaste i raden av exempel kring detta faktum, utgörs av kreditupplysningsföretaget UC:s sammanställning som visar att antalet företagskonkurser ökade med 10 procent från 2001 till 2002. Under 2002 uppgick antalet företagskonkurser i Sverige till 6919. Frågan många ställer sig är om det finns möjligheter att förutse vilka företag som kommer att hamna i kris – och i sådant fall hur?

En av dem som berörde denna fråga i temanumret 2002 var Stefan Engström, som diskuterade möjligheterna att med nyckeltal förutse vilka företag som löper risk att hamna i en obeståndssituation. I artikeln lyfte Engström fram vad han ansåg utgjorde några centrala och viktiga nyckeltal som olika intressenter kan använda för att göra egna bedömningar. De nyckeltal Engström valde att behandla utgjordes bland annat av likviditetsmått, soliditet och förlusttäckningsförmåga.

I slutet av artikeln konstaterar han att:

”Rätt använda kan nyckeltalen många gånger påvisa framtida betalningsoförmåga, något som kan vara till stor hjälp för revisorn i dennes riskbedömning och åtföljande planering av revisionsinsatserna.”

Med tanke på frågans betydelse för många intressenter – att i förväg med rimlig säkerhet kunna göra en bedömning av ett företags betalningsförmåga – uppfattar jag det som betydelsefullt att kommentera något av det Engström behandlade i sin artikel. Vad som inte behandlades uttryckligen i hans artikel var nämligen att den företagsekonomiska forskningen är – och har varit – tämligen omfattande när det gäller denna fråga. Engström hänvisar till en undersökning på området från 1970-talet, som berörde möjligheten att med kassa- respektive balanslikviditetsmått förutse konkurser.

Forskningen har dock kommit längre än så. Istället för att stödja sig på enstaka individers egna uppfattningar om vad som utgör centrala och användbara nyckeltal, menar jag att vi bör dra nytta av de forskningsresultat som finns tillgängliga.

Artikeln disponeras enligt följande. I ett första avsnitt behandlar jag delar av den forskning som bedrivits på området de senaste 35 åren. I ett andra avsnitt presenterar jag resultaten av en aktuell svensk studie. I ett avslutande avsnitt visar jag hur befintliga forskningsresultat kan ses som ett komplement till den diskussion Engström förde i sin artikel – när vi med hjälp av nyckeltal vill förutse företags framtida betalningsförmåga.

Forskning om nyckeltal

Att med nyckeltal förutsäga händelser av ekonomisk karaktär är en klassisk fråga – inte minst inom redovisningsforskningen. Inom den så kallade prediktionsansatsen har alltid frågor om att kunna använda redovisningsinformation för att förutsäga framtida händelser varit centrala. Ett av de områden som behandlas inom prediktionsansatsen utgörs av nyckeltal och dess förmåga att förutse finansiella kriser, där såväl revisorer som kreditgivare lyfts fram som viktiga intressenter.

Redan på 1960-talet presenterade amerikanska forskare studier över nyckeltalens förmåga att förutse finansiella kriser[ [1] ]. Nyckeltal som kassaflöde/totala skulder, nettoresultat/totala tillgångar och totala skulder/totala tillgångar lyftes fram som exempel. I den tidiga debatten diskuterades bland annat vilka nyckeltal som hade den bästa prediktionsförmågan och hur nyckeltalen skulle kombineras för att ge bäst prognoser.

Bland annat presenterade Altman en modell som kom att benämnas Z-modellen[ [2] ]. I modellen ingick fem finansiella nyckeltal som kombinerades i en gemensam modell – så kallad flervariabelanalys. Sedan 60-talet har modellen utvecklats, omformulerats och testats på olika företag och under olika tidsperioder. Fortfarande idag använder såväl forskare som konsulter det tankesätt och den grundmodell Altman presenterade för dryga 30 år sedan. De nyckeltal som ingick i grundmodellen var följande:

– x1Rörelsekapital/Totala tillgångar
– x2Bibehållna vinster/Totala tillgångar
– x3Vinst före räntor och skatt/Totala tillgångar
– x4Marknadsvärde på Eget kapital/Bokfört värde av Skulder
– x5Försäljningsintäkter/Totala tillgångar

Utifrån empiriska studier fastställdes att värdet på respektive nyckeltal skulle multipliceras med en koefficient enligt följande:

Zi = 1.2x1 + 1.4x2 + 3.3x3 + 0.6x4 + 1.0x5

Varje nyckeltal vägs således i förhållande till den betydelse nyckeltalet har för om ett företag kommer att hamna i finansiell kris eller inte. Störst vikt i modellen får således nyckeltalet vinst i förhållande till totala tillgångar.

När ett företags värden sätts in i modellen visar det sig att alla som får ett slutvärde (Z) lägre än 1.8 löper stor risk att hamna i finansiell kris. Alla företag som får ett värde högre än 2.99 bedöms som säkra kandidater – dvs. de löper inte någon risk att hamna i finansiella svårigheter. På det sättet finns även en möjlighet att avgöra vad som är ett bra respektive dåligt värde på ett nyckeltal. Ett problem – vilket Engström stöter på i sin artikel – är ju annars att avgöra vad som är exempelvis en låg likviditet eller en hög soliditet. I modellen beaktas detta genom sammanvägningen av nyckeltalen och genom de koefficienter respektive nyckeltal multipliceras med.

I den fortsatta forskningen kan vi se tre viktiga utvecklingar sedan Altmans grundmodell presenterades:

För det första har studier av nyckeltalens prognosförmåga visat att koefficienterna kan variera över tiden och i olika sammanhang. Det innebär exempelvis att ett nyckeltal som bibehållna vinster/totala tillgångar kan visa sig viktigt under en viss tidsperiod men inte en annan, eller att det ska ha en relativt stor vikt i modellen för ett land men inte i ett annat.

För det andra har studierna visat att de gränsvärden Altman använde för att avgöra när risk för finansiell kris förelåg, kan variera i olika sammanhang. Det innebär att beroende på sammanhang kan det vara nödvändigt att justera det gränsvärde som Altman satte upp i form av ett Z-värde på 1.80. I vissa fall kan det vara motiverat med ett högre gränsvärde och ibland ett lägre gränsvärde.

För det tredje har modellen utvecklats och förändrats genom att fler nyckeltal har testats – även om det visat sig att prediktionsförmågan är relativt god även med ett fåtal nyckeltal.

När det gäller vilka nyckeltal som har den bästa prognosförmågan, utförde Dimitras, Zanakis och Zopounidis 1996 en sammanställning av ett stort antal vetenskapliga artiklar på området. Det visade sig att de vanligast förekommande nyckeltalen är sådana som försöker mäta företagets solvens alternativt lönsamhet. Följande nyckeltal var vanligast förekommande i forskningen[ [3] ]:

  1. Rörelsekapital/Totala tillgångar
  2. Totala skulder/Totala tillgångar
  3. Balanslikviditet
  4. Räntabilitet på totalt kapital
  5. Nettoresultat/Totala tillgångar
  6. Kassaflöden/Totala skulder
  7. Kassalikviditet

Det finns en viktig skillnad mellan ovanstående nyckeltal och de nyckeltal Engström lyfter fram, nämligen att de representerar såväl statiska som dynamiska mått. Medan Engström främst lyfte fram statiska nyckeltal baserade på företagets balansräkning, visar den existerande forskningen att även dynamiska nyckeltal – som mäter företagets resultatgenereringsförmåga – är viktiga för att förutse företagens framtida betalningsförmåga. Befintlig forskning visar således att intressenter bör kombinera uppgifter ur resultat- och balansräkningen, istället för att enbart fokusera statiska uppgifter ur balansräkningen.

Samtidigt visade det sig att användningen av olika nyckeltal varierar stort mellan olika länder, vilket kan vara ett problem när modellerna skall användas för praktiska syften. Ett problem med forskningsresultaten på området är nämligen att de alltid måste tolkas med viss försiktighet när olika tidsperioder, länder eller till och med branscher jämförs.

Med tanke på de olika förutsättningar som kan råda vid exempelvis olika tidsperioder eller i olika länder kan det vara svårt att jämföra resultat med varandra. Tidigare har det exempelvis varit svårt att uttala sig om svenska företag eftersom forskningen främst berört utländska företag. Det finns dock svenska studier på området, där Kenth Skogsviks studie från 1990 är ett exempel på hur nyckeltal kan användas för att prognostisera finansiella kriser[ [4] ].

I studien fokuserade Skogsvik främst om det har någon betydelse om vi baserar nyckeltalen på nukostnadsredovisning eller historiska anskaffningsvärden. I princip visade Skogsviks studie att det inte har någon betydelse, när nyckeltalen ska användas för att prognostisera finansiella kriser. Vid en senare studie som genomfördes vid Örebro universitet hösten 2002 behandlades Altmans grundmodell på svenska förhållanden. Att döma av resultaten i den studien är Altmans modell fortfarande relevant, samtidigt som resultaten visar att nyckeltal har en relativt god förmåga att påvisa framtida betalningsoförmåga.

En ny svensk studie

I den nya svenska studien[ [5] ] testades Altmans grundmodell samt den reviderade modell som Grice och Ingram presenterade 2001[ [6] ]. Resultaten visar att Altmans grundmodell – med de fem nyckeltal som presenterades ovan – hade den bästa förmågan att förutse framtida betalningsoförmåga.

Studien genomfördes bland svenska företag på börsens O-lista. Ett urval av 76 företag gjordes, där data från åren 1998–2001 studerades. I likhet med tidigare forskning på området behandlades finansiell kris som ett vidare begrepp än bara de företag som ställs inför en konkurs. Finansiell kris behandlades i termer av att ett företag antingen befinner sig i en obeståndssituation, har en svag betalningsförmåga i kombination med ett negativt rörelsekapital, allvarliga problem att generera likvida medel eller att företaget har en låg kreditvärdighet. Data visar att av de 76 företag som studerades befann sig 28 företag i finansiell kris under år 2001.

Med utgångspunkt från data presenterade i Affärsdata, beräknades samtliga nyckeltal som ingår i modellerna för åren 1998–2001. Baserat på historiska data, visar resultaten att Altmans modell kunde förutsäga vilka företag som skulle hamna i finansiell kris i upp till 76 procent av fallen.

Med utgångspunkt i den nya svenska studien vill jag således lyfta fram tre resultat:

För det första visar studien att den tidigare forskningen bekräftas, dvs. att nyckeltal kan användas för att förutse företags framtida betalningsförmåga.

För det andra visar studien att fem viktiga nyckeltal utgörs av de nyckeltal som ingår i Altmans ursprungsmodell.

För det tredje visar studien att en modell där nyckeltalen vägs samman med hjälp av koefficienter för respektive nyckeltal kan hjälpa användaren med frågan om när värdet för ett visst nyckeltal ska anses bra eller dåligt, alternativt högt eller lågt.

Avslutande kommentarer

Ett företag som hamnar i en finansiell kris drabbar – som Engström konstaterat – inte bara det aktuella företaget. Även intressenter i företagets omgivning drabbas, vilket åtskilliga exempel visat under de hårda tider vi upplevt på senare tid. I ett sådant läge finns det anledning att lyfta fram och sprida de forskningsresultat som visar den förmåga nyckeltal har att kunna förutse finansiella kriser.

Som ett komplement till den diskussion Engström förde i ett tidigare nummer av Balans har jag därför pekat på två viktiga områden där den företagsekonomiska forskningen kan bidra med svar. När det gäller vilka nyckeltal som är mest relevanta har jag konstaterat att det kan finnas andra nyckeltal än de Engström lyfte fram i sin artikel. Framför allt gäller detta mer dynamiska mått – där uppgifter ur resultaträkningen beaktas – även om det naturligtvis är svårt att ge några enkla eller helt och hållet entydiga svar. När det gäller hur dessa nyckeltal ska användas finns det två saker som är viktiga att tänka på i förhållande till Engströms diskussion.

För det första bör användaren tänka på att flera nyckeltal i kombination ofta är bättre än enskilda nyckeltal.

För det andra att problemet med gränsvärden kan lösas genom att respektive nyckeltal vägs med en specifik koefficient enligt modellen ovan. På det sättet kan vi komma ifrån de problem som finns med att avgöra när värdet på ett visst nyckeltal är bra eller dåligt. Forskningsresultaten kan nämligen bidra med att tala om när ett värde är högt eller lågt, bra eller dåligt. Låt oss använda dessa resultat för att utveckla våra gemensamma kunskaper om när ett företag riskerar att hamna i finansiell kris eller inte. Nyckeltal kan nämligen påvisa ett företags framtida betalningsoförmåga.

Hans Englund Ekonomie Licentiat Örebro universitet/Institutionen för ESI

  • [1]

    Tabell 415 i Statistisk årsbok för Sverige 2002.

  • [2]

    För en genomgång av den tidiga forskningen, se Riahi-Belkaoui Ahmed, Accounting, a multiparadigmatic science, Quorum Books, 1996

  • [3]

    Se Altman E. I. (1968), Financial ratios, discriminant analysis, and the prediction of corporate bankruptcy, Journal of Finance, Sept. 1968, s. 589–609

  • [4]

    Dimitras A.I., Zanakis S.H. & Zopounidis C. (1996), A survey of business failures with an emphasis on prediction methods and industrial applications, European journal of operational research, 90, s. 487–513. För den som vill bilda sig en uppfattning om den forskning som bedrivits på området kan detta vara mycket intressant, då författarna gjort enkla och överskådliga sammanställningar av viktiga nyckeltal presenterade i ett stort antal vetenskapliga artiklar.

  • [5]

    Skogsvik, Kenth (1990), Current cost accounting ratios as predictors of business failure: the Swedish case, Journal of business finance & accounting, 17 (1), spring 1990, s. 137–160

  • [6]

    studien genomfördes som en C-uppsats vid Örebro universitet hösten 2002, av Camilla Petterson och Clas Petterson, med undertecknad som handledare. Uppsatsens titel är Prediktion av finansiella kriser – en test av Z-modellen på svenska börsbolag.

Sifferkollen Läs mer

Belopp

Basbelopp
År 2019 2020 2021
Prisbasbelopp 46 500 47 300 47 600
Förhöjt pbb. 47 400 48 300 48 600
Inkomstbasbelopp 64 400 66 800  
Utdelning fåmansföretag
År 2018 2019 2020
Schablonbelopp 169 125 171 875 177 100

Räntesatser

Periodiseringsfond
År 2018 2019 2020
Räntesats 0,36 0,51 0,50

 

Referensränta
År 2016-07-01 2019-07-01 - 
Räntesats -0,5 0,0
Ränta på skattekontot
Period 2013-2016 2017 -
Intäkt 0,5625 0
Kostnad Låg 1,25 1,25
Kostnad Hög 16,25 16,25
Räntefördelning
Inkomstår 2018 2019 2020
Positiv 6,49 6,51 6,50
Negativ 1,50 1,51 1,50
Statslåneränta
År 2018 2019 2020
31 maj 0,49 0,05 -0,01
30 nov 0,51 -0,09  

Traktamenten

Bilresor
Inkomstår 2018 2019 2020
Egen bil 18,50 18,50 18,50
Förmånsbil, diesel 6,50 6,50 6,50
Förmånsbil, bensin 9,50 9,50 9,50
Kostförmån
År 2018 2019 2020
Frukost, lunch och middag 235 245 245
Lunch eller middag 94 98 98
Frukost 47 49 49
Skattefria gåvor
År 2018 2019 2020
Julgåva 450 450 450
Jubileumsgåva 1 350 1 350 1 350
Minnesgåva 15 000 15 000 15 000

Skattesatser

Bolagsskatt
År 2018 2019 2020
Skattesats 22% 21,4% 21,4%
Mervärdesskatt
År 2018 2019 2020
Normal

25 %

25 % 25 %
Livsmedel, krog m.m. 12 % 12 % 12 %
Persontransport, böcker m.m. 6 % 6 % 6 %
Arbetsgivaravgifter/egenaavgifter
Födda -1937 1938 - 1954 1955 -
Arb. avgifter 0 % 10,21% 31,42%
Egenavgifter 0 % 10,21% 28,97%