Magma
25.09.2018
Egenkapitalandel, likviditetsgrad og nettoresultatgrad har i lang tid vært sentrale nøkkeltall i regnskapsanalyse, blant annet brukt av banker i kredittgivning. Nøkkeltallenes berettigelse ble bekreftet gjennom konkursprediksjonsmodeller utviklet av akademikere som Beaver, Altman og Ohlson på 1960-, 70 og 80-tallet. Regnskapsreglene var imidlertid helt annerledes da enn under dagens IFRS-regler.
... Vår hypotese er derfor at disse nøkkeltallene ikke lenger er like relevante, og at andre, alternative nøkkeltall kan gi bedre konkursprediksjon. Vi har retestet henholdsvis Altmans og Ohlsons modeller med data fra norske selskaper, og erstattet de opprinnelige nøkkeltallene med alternative nøkkeltall. De alternative nøkkeltallene er konstruert med basis i inngående kjennskap til IFRS-reglene og diskusjon om svakheter/styrker med de opprinnelige, benyttede nøkkeltallene. Vi har ikke funnet andre studier som har benyttet tilsvarende alternative nøkkeltall i Altmans og Ohlsons modeller, og derfor er studien et viktig bidrag. Vårt arbeid1 bekrefter at alternative nøkkeltall gir vesentlig bedre konkursprediksjon enn de opprinnelige. Kanskje på tide å revurdere hvilke nøkkeltall banker og andre regnskapsanalytikere bør bruke? Artikkelen vil først gjennomgå de mest kjente konkursprediksjonsmodellene. Deretter gis en kritikk av de mest benyttede nøkkeltallene i konkursprediksjon, og det fremmes alternative nøkkeltall som kan gi bedre konkursprediksjon under IFRS. Til slutt gjennomgås testene og resultatene utført med opprinnelige og alternative nøkkeltall. 1 Artikkelen er basert på to masteroppgaver gjennomført ved NHH høsten 2017; se litteraturlisten. KONKURSPREDIKSJONSMODELLER
Banebrytende arbeid med konkursprediksjon ble utført av William Beaver (1966). Hans såkalte univariate (envariabel) analyse satte scenen for utviklingen av fremtidige modeller. Hans utvalg besto av 79 foretak som gikk konkurs i årene 1954-1964. Disse konkursforetakene ble sammenliknet ett for ett med tilsvarende ikke-konkursforetak. Beaver testet i alt 30 ulike nøkkeltall og konkluderte med at gjeldsgrad2, nettoresultatgrad, kontantstrøm i forhold til gjeldsgrad og likviditetsgrad var de beste til å skille mellom konkurs- og ikke-konkurs-foretak i opptil fem år før konkurs.
I 1968 utviklet Altman sin såkalte Z-score-modell ved hjelp av en multivariate discriminant analysis (MDA, som på norsk kanskje kan oversettes som flerdimensjonal forskjellsanalyse). Dette er en av de mest kjente og brukte modellene. MDA er et statistisk verktøy som brukes til å studere forskjellene mellom to eller flere grupper (her konkurs- og ikke-konkurs-foretak) av objekter der man vurderer flere variabler samtidig (Klecka, 1980). Altmann (1968) kom opprinnelig frem til følgende Z-score:
Z=0,012X1+0,014X2+0,033X3+0,006X4+0,999X5 ... hvor X1 er likviditetsgrad 1 (Omløpsmidler - kortsiktig gjeld / Eiendeler), X2 er opptjent egenkapital/eiendeler, X3 er driftsresultat/eiendeler, X4 er markedsverdi av
2 IFRS bruker ‘forpliktelser' (liabilities') om det som tradisjonelt er betegnet som gjeld i Norge. Siden mye av norsk læreboklitteratur bruker ‘gjeld-' i regnskapsnøkkeltall (gjeldsgrad osv.), har vi valgt å bruke ordet ‘gjeld' for ‘forpliktelser' i artikkelen.
egenkapital/gjeld, X5 er omsetning/eiendeler. Modellen er en ‘enkel' modell, hvor fire kjente nøkkeltall samt et femte, X5 (som hensyntar foretakets størrelse), er plukket ut som de som sammen er de beste til å predikere konkurs for konkursforetak (samtidig som ikkekonkursforetak predikeres ikke å gå konkurs), og så vektet slik at de i sum gir best resultat. En ‘score' på under 1,81 gir høy konkursrisiko, og en score på over 2,99 gir lav konkursrisiko. Altman (2000) modifiserte senere modellen slik at den kan brukes på private selskaper på tvers av industrier, der X5 er fjernet og X4 er balanseført verdi av egenkapital. Det er denne modellen vi skal reteste i denne studien.3
Z''=6,56X1+3,26X2+6,72X3+1,05X4 Ohlson (1980) brukte logistisk regresjon for å forutsi konkurs. Han hevdet at MDA hadde svakheter, spesielt kravet til at varians-kovarians-matrisen er den samme for konkurs- og ikke-konkursforetak, og at nøkkeltallene har normaldistribusjon. Ohlson mente også at logitmodellen gir mer ‘intuitive' resultater. Ohlson samlet økonomiske data fra 105 konkurs- og 2 058 ikke-konkursforetak fra årene 1970-1976. Dette var en betydelig økning fra tidligere forskning, og forholdet mellom konkurs- og ikke-konkursforetak var mer representativt for det faktiske forholdet. Han kom frem til følgende modell (Ohlsons logitmodell), som vi også skal reteste i denne studien:
3 Altman, Haldeman og Narayan videreutviklet Z-modellen til ZETA-modellen (Altman, 2000), men koeffisientene er ikke oppgitt siden den er utviklet for kommersielt salg.
Vi ser at Ohlson også brukte kjente nøkkeltall (gjeldsgrad, arbeidskapitalandel, likviditetsgrad, resultatgrad, kontantstrømgrad), i tillegg til to ‘dummyvariabler' (verdi 0 eller 1) avhengig av om nettoresultatet var negativt eller ikke (Dummy 1), og om egenkapitalen er negativ eller ikke (Dummy 2). Sannsynligheten for konkurs beregnes som 1/(1+e ), hvor e er lik 2,7182. Tall mindre enn 4 prosent viser lav konkurssannsynlighet.
Gjennom årene har man lagt stor vekt på metodikk ved å teste ut nye modeller, men i mindre grad ved å teste alternative nøkkeltall i eksisterende konkursprediksjonsmodeller:
Zmijewski (1984) brukte en probitmodell (en modell hvor de enkelte variabler kun har to verdier/ utfall) for å forutsi konkurs. I 2004 utviklet Hillegeist og medforfattere en modell som utnyttet innsikt i Black-Scholes opsjonsprismodell (Hillegeist, Keating, Cram & Lundstedt, 2004). I Norge bruker Norges Bank SEBRA-modellen til å estimere konkurser og forventede tap på utlån til norske aksjeforetak (Bernhardsen & Larsen, 2007). I 2007 ble modellen revidert og forenklet, og to nye modeller, SEBRA Basic og SEBRA Extended, ble introdusert. I nyere tid har neurale nettverksanalyser blitt utviklet som en alternativ modell for konkursprediksjon, blant annet av Charitou, med minst like gode resultater (Charitou, Neophytou & Charalambous, 2004). Datamaskinen identifiserer og lærer koblinger og mønstre mellom dataenhetene, og bruker dem til å løse oppgitte problemer.
Det er opplagt at man endrer variabler og vektingen av dem i modeller som enten videreutvikles eller utvikles for å erstatte tidligere modeller. Det som likevel er interessant i fremstillingen over, er at modellene stort sett baserer seg på de samme, kjente regnskapsnøkkeltallene som har eksistert stort sett uforandret i 50 år. Dette til tross for at regnskapsreglene og særlig IFRS har endret seg vesentlig på disse 50 årene. Ohlson (1980 og 2000) sier dette direkte; ‘no attempt was made to find any new or exotic variables': Variablene som ble testet, var kun de variablene som oftest ble nevnt i tidligere litteratur. Søkelyset var på modellutvikling.
Vi vil nedenfor vise hvorfor vi har som hypotese at en del av disse tradisjonelle regnskapsnøkkeltallene ikke lenger er like egnet til å predikere konkurs.
-y
KRITIKK AV TRADISJONELLE NØKKELTALL OG ALTERNATIVE NØKKELTALL
Vi har analysert forskning som retester Altmans (11 studier) og Ohlsons modeller (6 studier) med nyere data. Disse studiene er basert på data fra forskjellige land og tidsperioder, og foretar retesting både med originale koeffisienter og omregnede koeffisienter. Studiene varierer mye i resultater. Dette kan ha flere forklaringer, blant annet at dataene er fra andre land enn USA, og at mange forhold har endret seg siden de opprinnelige studiene: størrelse på foretak, miks av industrier i utvalget, miks av immaterielle ressurser i foretakene i forhold til balanseførte eiendeler, og så videre. Men det er også påtakelig at resultatene ser ut til å gi svakere konkursprediksjon
over tid, selv på amerikanske studier. Det er blant annet dette som gir opphav til vår hypotese om at endrede regnskapsregler over tid kan ha medført at nøkkeltallene testet i de opprinnelige modellene ikke lenger er like relevante. Tidligere var regnskapene hovedsakelig basert på bruk av historisk kost som målemetode og hadde en resultatorientering, mens dagens IFRS har mye større innslag av virkelig verdi og har et balansefokus (Kvifte, 2003).
Vi må derfor ta et steg tilbake, se på vilkårene for en konkurs, se hvilke nøkkeltall Altman og Ohlson testet opprinnelig, og se om det er alternative nøkkeltall de
ikke testet, men som kan være bedre egnet til å forutse konkursvilkårene med dagens regnskapsregler.
Vilkårene som må være oppfylt for en konkurs, ifølge for eksempel konkursloven § 61, er: illikviditet, det vil si at skyldneren ikke kan oppfylle sine forpliktelser etter hvert som de forfaller, og insuffisiens, det vil si underbalanse, det at skyldnerens gjeld overstiger verdiene av eiendelene. Altman (1968) delte dette opp i tre kategorier; to for illikviditet. 1) Likviditet: kortsiktige likviditetsproblemer, 2) lønnsomhet: langsiktig evne til å dekke rente- og avdragsbetaling gjennom resultater fra virksomheten, samt nøkkeltall for 3) suffisiens: forhold mellom eiendeler og gjeld/egenkapital, for eksempel målt ved egenkapitalandel og gjeldsgrad (begge i forhold til sum eiendeler) eller leverage (gjeld i forhold til egenkapital eller omvendt).
Nedenfor vil vi diskutere hver av disse tre kategoriene, samt 4) bruk av «Sum eiendeler» i nevner i flere av nøkkeltallene i de opprinnelige modellene.
1. NØKKELTALL FOR Å IDENTIFISERE KORTSIKTIGE LIKVIDITETSPROBLEMER: LIKVIDITET
KRITIKK AV LIKVIDITETSGRAD SOM NØKKELTALL
Ifølge metastudien av Gissel og medforfattere (2007) er likviditetsgrad (omløpsmidler i forhold til kortsiktig gjeld) det nest mest populære benyttede nøkkeltallet i 165 konkursstudier. Forholdstall under 1 indikerer at foretaket er usunt finansiert og raskt kan komme i betalingsproblemer, mens likviditetsgrad over 2 tradisjonelt er ansett som ‘godt' (Petersen, Plenborg & Kinserdal, 2017). Ohlson kom til at nøkkeltallet var en viktig konkurspredikator, og Altman og Ohlson brukte begge en avart av nøkkeltallet (omløpsmidler minus kortsiktig gjeld (dvs. arbeidskapital) delt på sum eiendeler).
Vår antakelse er likevel at likviditetsgrad eller tradisjonelle arbeidskapital-nøkkeltall ikke er velegnet til å forutsi likviditetsproblemer: Foretak med høy likviditetsgrad er tilsynelatende sunne fordi omløpsmidler som varelager og kundefordringer er høyere enn kortsiktig gjeld, og tilsynelatende kan brukes til å betale den kortsiktige gjelden. Men hva skjer dersom varelageret bygges ned for å betale gjelden, uten at nytt varelager anskaffes? Da har ikke foretaket flere varer å selge, og må legge ned virksomheten. En meget dårlig løsning. Tilsvarende er det med kundefordringer: Ved selve innbetalingen fra en kundefordring kan betalingen utmerket godt brukes til å betale en kortsiktig gjeldspost. Men skal foretaket ha fortsatt drift og selge varer, oppstår det umiddelbart en kundefordring igjen ved neste salg - som må finansieres. Nedbygging av varelager og kundefordringer kan dermed ikke uten videre brukes til å løse et kortsiktig likviditetsproblem uten at det går ut over fortsatt drift.
På den andre siden av balansen - kortsiktig gjeld - er resonnementet motsatt. Kortsiktig gjeld er blant annet leverandørgjeld som skal betales i løpet av kort tid. Men hvis driften fortsetter, kjøpes det også løpende inn nye (rå-)varer. Dette blir løpende til ny leverandørgjeld. Dermed refinansierer leverandørgjelden seg selv ved fortsatt drift. Slik er det også med mange av de andre kortsiktig gjelds-postene: skyldig lønn, feriepenger, skatter, avgifter, garantier, og så videre. Dette er rentefrie kreditter som refinansierer seg selv ved fortsatt drift.
Generelt kjennes god drift ved at kundefordringer, varelager, likvider og andre omløpsmidler trimmes lavest mulig ned (uten at det påvirker salget negativt), og at leverandørgjeld og andre rentefrie kreditter strekkes lengst mulig (uten å gi ekstra renter eller ut over forfallsdato). Dette er sunn, god økonomistyring, men gir lavere likviditetsgrad og tilsynelatende høyere konkursrisiko. Dette synes ikke riktig: Likviditetsproblemer oppstår blant annet dersom det er betydelig kortsiktig gjeld som ikke er selvrefinansierende; eksempelvis kortsiktige avdrag på lån som man ikke kan regne med refinansiering av, store engangsutbetalinger for eksempel på grunn av tapt rettssak/søksmål, store garantiutbetalinger eller andre engangsposter som må betales. Slike poster benevnes kortsiktig finansiell gjeld (Petersen, Plenborg & Kinserdal, 2017). Man kan normalt som nevnt ikke bruke/nedregulere varelager eller kundefordringer til å betale slike poster uten at det går ut over fortsatt drift. Det som er avgjørende, er om foretaket kan frigjøre andre (ikke-driftsrelaterte) eiendeler uten at det går ut over driften. Eksempler er overskuddslikviditet, plasseringer i aksjer, obligasjoner eller andre ikke-driftseiendeler som raskt kan selges. Slike eiendeler kalles finansielle eiendeler (Petersen, Plenborg & Kinserdal, 2017).
Videre har ulike bransjer ulik gjennomsnittlig likvidtetsgrad (Petersen, Plenborg & Kinserdal, 2017): Produksjonsforetak har gjerne mye varer i arbeid, varer og kundefordringer. Tradisjonell varehandel har stort varelager - men gjerne lite kundefordringer på grunn av kontantsalg. Tjenesteytende foretak og eiendomsselskap har ikke/lite varelager og delvis forskuddsbetaling / lite kundefordringer og så videre. Derfor er vår antakelse at gjennomsnittstall for likviditetsgrad som indikerer høy/lav konkurssannsynlighet (for eksempel nøkkeltall under 1 / over 2) benyttet i konkursprediksjonsmodeller gir uklare analyseresultater.
Diskusjonen viser at likviditetsgrad har betydelige svakheter med tanke på å vurdere foretakets økonomiske helse på grunnlag av likviditet. Derfor foreslår vi å bruke alternative nøkkeltall.
ALTERNATIVER TIL LIKVIDITETSGRAD SOM NØKKELTALL
Endring i likviditetsgrad
Årsaken til at likviditetsgrad er mye brukt, er trolig at et foretak som er kommet i akutte betalingsproblemer, er nødt til å strekke leverandørkreditter og gjeld til det offentlige og annen kortsiktig gjeld mest mulig. Tilsvarende har man ikke likviditet nok til å ha et vanlig/tilstrekkelig varelager, og man ‘jager' kundene til Vi ser at Ohlson også brukte kjente nøkkeltall (gjeldsgrad, arbeidskapitalandel, likviditetsgrad, resultatgrad, kontantstrømgrad), i tillegg til to ‘dummyvariabler' (verdi 0 eller 1) avhengig av om nettoresultatet var negativt eller ikke (Dummy 1), og om egenkapitalen er negativ eller ikke (Dummy 2). Sannsynligheten for konkurs beregnes som 1/(1+e ), hvor e er lik 2,7182. Tall mindre enn 4 prosent viser lav konkurssannsynlighet.
Gjennom årene har man lagt stor vekt på metodikk ved å teste ut nye modeller, men i mindre grad ved å teste alternative nøkkeltall i eksisterende konkursprediksjonsmodeller:
Zmijewski (1984) brukte en probitmodell (en modell hvor de enkelte variabler kun har to verdier/ utfall) for å forutsi konkurs. I 2004 utviklet Hillegeist og medforfattere en modell som utnyttet innsikt i Black-Scholes opsjonsprismodell (Hillegeist, Keating, Cram & Lundstedt, 2004). I Norge bruker Norges Bank SEBRA-mo
Gå til medietBanebrytende arbeid med konkursprediksjon ble utført av William Beaver (1966). Hans såkalte univariate (envariabel) analyse satte scenen for utviklingen av fremtidige modeller. Hans utvalg besto av 79 foretak som gikk konkurs i årene 1954-1964. Disse konkursforetakene ble sammenliknet ett for ett med tilsvarende ikke-konkursforetak. Beaver testet i alt 30 ulike nøkkeltall og konkluderte med at gjeldsgrad2, nettoresultatgrad, kontantstrøm i forhold til gjeldsgrad og likviditetsgrad var de beste til å skille mellom konkurs- og ikke-konkurs-foretak i opptil fem år før konkurs.
I 1968 utviklet Altman sin såkalte Z-score-modell ved hjelp av en multivariate discriminant analysis (MDA, som på norsk kanskje kan oversettes som flerdimensjonal forskjellsanalyse). Dette er en av de mest kjente og brukte modellene. MDA er et statistisk verktøy som brukes til å studere forskjellene mellom to eller flere grupper (her konkurs- og ikke-konkurs-foretak) av objekter der man vurderer flere variabler samtidig (Klecka, 1980). Altmann (1968) kom opprinnelig frem til følgende Z-score:
Z=0,012X1+0,014X2+0,033X3+0,006X4+0,999X5 ... hvor X1 er likviditetsgrad 1 (Omløpsmidler - kortsiktig gjeld / Eiendeler), X2 er opptjent egenkapital/eiendeler, X3 er driftsresultat/eiendeler, X4 er markedsverdi av
2 IFRS bruker ‘forpliktelser' (liabilities') om det som tradisjonelt er betegnet som gjeld i Norge. Siden mye av norsk læreboklitteratur bruker ‘gjeld-' i regnskapsnøkkeltall (gjeldsgrad osv.), har vi valgt å bruke ordet ‘gjeld' for ‘forpliktelser' i artikkelen.
egenkapital/gjeld, X5 er omsetning/eiendeler. Modellen er en ‘enkel' modell, hvor fire kjente nøkkeltall samt et femte, X5 (som hensyntar foretakets størrelse), er plukket ut som de som sammen er de beste til å predikere konkurs for konkursforetak (samtidig som ikkekonkursforetak predikeres ikke å gå konkurs), og så vektet slik at de i sum gir best resultat. En ‘score' på under 1,81 gir høy konkursrisiko, og en score på over 2,99 gir lav konkursrisiko. Altman (2000) modifiserte senere modellen slik at den kan brukes på private selskaper på tvers av industrier, der X5 er fjernet og X4 er balanseført verdi av egenkapital. Det er denne modellen vi skal reteste i denne studien.3
Z''=6,56X1+3,26X2+6,72X3+1,05X4 Ohlson (1980) brukte logistisk regresjon for å forutsi konkurs. Han hevdet at MDA hadde svakheter, spesielt kravet til at varians-kovarians-matrisen er den samme for konkurs- og ikke-konkursforetak, og at nøkkeltallene har normaldistribusjon. Ohlson mente også at logitmodellen gir mer ‘intuitive' resultater. Ohlson samlet økonomiske data fra 105 konkurs- og 2 058 ikke-konkursforetak fra årene 1970-1976. Dette var en betydelig økning fra tidligere forskning, og forholdet mellom konkurs- og ikke-konkursforetak var mer representativt for det faktiske forholdet. Han kom frem til følgende modell (Ohlsons logitmodell), som vi også skal reteste i denne studien:
3 Altman, Haldeman og Narayan videreutviklet Z-modellen til ZETA-modellen (Altman, 2000), men koeffisientene er ikke oppgitt siden den er utviklet for kommersielt salg.
Vi ser at Ohlson også brukte kjente nøkkeltall (gjeldsgrad, arbeidskapitalandel, likviditetsgrad, resultatgrad, kontantstrømgrad), i tillegg til to ‘dummyvariabler' (verdi 0 eller 1) avhengig av om nettoresultatet var negativt eller ikke (Dummy 1), og om egenkapitalen er negativ eller ikke (Dummy 2). Sannsynligheten for konkurs beregnes som 1/(1+e ), hvor e er lik 2,7182. Tall mindre enn 4 prosent viser lav konkurssannsynlighet.
Gjennom årene har man lagt stor vekt på metodikk ved å teste ut nye modeller, men i mindre grad ved å teste alternative nøkkeltall i eksisterende konkursprediksjonsmodeller:
Zmijewski (1984) brukte en probitmodell (en modell hvor de enkelte variabler kun har to verdier/ utfall) for å forutsi konkurs. I 2004 utviklet Hillegeist og medforfattere en modell som utnyttet innsikt i Black-Scholes opsjonsprismodell (Hillegeist, Keating, Cram & Lundstedt, 2004). I Norge bruker Norges Bank SEBRA-modellen til å estimere konkurser og forventede tap på utlån til norske aksjeforetak (Bernhardsen & Larsen, 2007). I 2007 ble modellen revidert og forenklet, og to nye modeller, SEBRA Basic og SEBRA Extended, ble introdusert. I nyere tid har neurale nettverksanalyser blitt utviklet som en alternativ modell for konkursprediksjon, blant annet av Charitou, med minst like gode resultater (Charitou, Neophytou & Charalambous, 2004). Datamaskinen identifiserer og lærer koblinger og mønstre mellom dataenhetene, og bruker dem til å løse oppgitte problemer.
Det er opplagt at man endrer variabler og vektingen av dem i modeller som enten videreutvikles eller utvikles for å erstatte tidligere modeller. Det som likevel er interessant i fremstillingen over, er at modellene stort sett baserer seg på de samme, kjente regnskapsnøkkeltallene som har eksistert stort sett uforandret i 50 år. Dette til tross for at regnskapsreglene og særlig IFRS har endret seg vesentlig på disse 50 årene. Ohlson (1980 og 2000) sier dette direkte; ‘no attempt was made to find any new or exotic variables': Variablene som ble testet, var kun de variablene som oftest ble nevnt i tidligere litteratur. Søkelyset var på modellutvikling.
Vi vil nedenfor vise hvorfor vi har som hypotese at en del av disse tradisjonelle regnskapsnøkkeltallene ikke lenger er like egnet til å predikere konkurs.
-y
KRITIKK AV TRADISJONELLE NØKKELTALL OG ALTERNATIVE NØKKELTALL
Vi har analysert forskning som retester Altmans (11 studier) og Ohlsons modeller (6 studier) med nyere data. Disse studiene er basert på data fra forskjellige land og tidsperioder, og foretar retesting både med originale koeffisienter og omregnede koeffisienter. Studiene varierer mye i resultater. Dette kan ha flere forklaringer, blant annet at dataene er fra andre land enn USA, og at mange forhold har endret seg siden de opprinnelige studiene: størrelse på foretak, miks av industrier i utvalget, miks av immaterielle ressurser i foretakene i forhold til balanseførte eiendeler, og så videre. Men det er også påtakelig at resultatene ser ut til å gi svakere konkursprediksjon
over tid, selv på amerikanske studier. Det er blant annet dette som gir opphav til vår hypotese om at endrede regnskapsregler over tid kan ha medført at nøkkeltallene testet i de opprinnelige modellene ikke lenger er like relevante. Tidligere var regnskapene hovedsakelig basert på bruk av historisk kost som målemetode og hadde en resultatorientering, mens dagens IFRS har mye større innslag av virkelig verdi og har et balansefokus (Kvifte, 2003).
Vi må derfor ta et steg tilbake, se på vilkårene for en konkurs, se hvilke nøkkeltall Altman og Ohlson testet opprinnelig, og se om det er alternative nøkkeltall de
ikke testet, men som kan være bedre egnet til å forutse konkursvilkårene med dagens regnskapsregler.
Vilkårene som må være oppfylt for en konkurs, ifølge for eksempel konkursloven § 61, er: illikviditet, det vil si at skyldneren ikke kan oppfylle sine forpliktelser etter hvert som de forfaller, og insuffisiens, det vil si underbalanse, det at skyldnerens gjeld overstiger verdiene av eiendelene. Altman (1968) delte dette opp i tre kategorier; to for illikviditet. 1) Likviditet: kortsiktige likviditetsproblemer, 2) lønnsomhet: langsiktig evne til å dekke rente- og avdragsbetaling gjennom resultater fra virksomheten, samt nøkkeltall for 3) suffisiens: forhold mellom eiendeler og gjeld/egenkapital, for eksempel målt ved egenkapitalandel og gjeldsgrad (begge i forhold til sum eiendeler) eller leverage (gjeld i forhold til egenkapital eller omvendt).
Nedenfor vil vi diskutere hver av disse tre kategoriene, samt 4) bruk av «Sum eiendeler» i nevner i flere av nøkkeltallene i de opprinnelige modellene.
1. NØKKELTALL FOR Å IDENTIFISERE KORTSIKTIGE LIKVIDITETSPROBLEMER: LIKVIDITET
KRITIKK AV LIKVIDITETSGRAD SOM NØKKELTALL
Ifølge metastudien av Gissel og medforfattere (2007) er likviditetsgrad (omløpsmidler i forhold til kortsiktig gjeld) det nest mest populære benyttede nøkkeltallet i 165 konkursstudier. Forholdstall under 1 indikerer at foretaket er usunt finansiert og raskt kan komme i betalingsproblemer, mens likviditetsgrad over 2 tradisjonelt er ansett som ‘godt' (Petersen, Plenborg & Kinserdal, 2017). Ohlson kom til at nøkkeltallet var en viktig konkurspredikator, og Altman og Ohlson brukte begge en avart av nøkkeltallet (omløpsmidler minus kortsiktig gjeld (dvs. arbeidskapital) delt på sum eiendeler).
Vår antakelse er likevel at likviditetsgrad eller tradisjonelle arbeidskapital-nøkkeltall ikke er velegnet til å forutsi likviditetsproblemer: Foretak med høy likviditetsgrad er tilsynelatende sunne fordi omløpsmidler som varelager og kundefordringer er høyere enn kortsiktig gjeld, og tilsynelatende kan brukes til å betale den kortsiktige gjelden. Men hva skjer dersom varelageret bygges ned for å betale gjelden, uten at nytt varelager anskaffes? Da har ikke foretaket flere varer å selge, og må legge ned virksomheten. En meget dårlig løsning. Tilsvarende er det med kundefordringer: Ved selve innbetalingen fra en kundefordring kan betalingen utmerket godt brukes til å betale en kortsiktig gjeldspost. Men skal foretaket ha fortsatt drift og selge varer, oppstår det umiddelbart en kundefordring igjen ved neste salg - som må finansieres. Nedbygging av varelager og kundefordringer kan dermed ikke uten videre brukes til å løse et kortsiktig likviditetsproblem uten at det går ut over fortsatt drift.
På den andre siden av balansen - kortsiktig gjeld - er resonnementet motsatt. Kortsiktig gjeld er blant annet leverandørgjeld som skal betales i løpet av kort tid. Men hvis driften fortsetter, kjøpes det også løpende inn nye (rå-)varer. Dette blir løpende til ny leverandørgjeld. Dermed refinansierer leverandørgjelden seg selv ved fortsatt drift. Slik er det også med mange av de andre kortsiktig gjelds-postene: skyldig lønn, feriepenger, skatter, avgifter, garantier, og så videre. Dette er rentefrie kreditter som refinansierer seg selv ved fortsatt drift.
Generelt kjennes god drift ved at kundefordringer, varelager, likvider og andre omløpsmidler trimmes lavest mulig ned (uten at det påvirker salget negativt), og at leverandørgjeld og andre rentefrie kreditter strekkes lengst mulig (uten å gi ekstra renter eller ut over forfallsdato). Dette er sunn, god økonomistyring, men gir lavere likviditetsgrad og tilsynelatende høyere konkursrisiko. Dette synes ikke riktig: Likviditetsproblemer oppstår blant annet dersom det er betydelig kortsiktig gjeld som ikke er selvrefinansierende; eksempelvis kortsiktige avdrag på lån som man ikke kan regne med refinansiering av, store engangsutbetalinger for eksempel på grunn av tapt rettssak/søksmål, store garantiutbetalinger eller andre engangsposter som må betales. Slike poster benevnes kortsiktig finansiell gjeld (Petersen, Plenborg & Kinserdal, 2017). Man kan normalt som nevnt ikke bruke/nedregulere varelager eller kundefordringer til å betale slike poster uten at det går ut over fortsatt drift. Det som er avgjørende, er om foretaket kan frigjøre andre (ikke-driftsrelaterte) eiendeler uten at det går ut over driften. Eksempler er overskuddslikviditet, plasseringer i aksjer, obligasjoner eller andre ikke-driftseiendeler som raskt kan selges. Slike eiendeler kalles finansielle eiendeler (Petersen, Plenborg & Kinserdal, 2017).
Videre har ulike bransjer ulik gjennomsnittlig likvidtetsgrad (Petersen, Plenborg & Kinserdal, 2017): Produksjonsforetak har gjerne mye varer i arbeid, varer og kundefordringer. Tradisjonell varehandel har stort varelager - men gjerne lite kundefordringer på grunn av kontantsalg. Tjenesteytende foretak og eiendomsselskap har ikke/lite varelager og delvis forskuddsbetaling / lite kundefordringer og så videre. Derfor er vår antakelse at gjennomsnittstall for likviditetsgrad som indikerer høy/lav konkurssannsynlighet (for eksempel nøkkeltall under 1 / over 2) benyttet i konkursprediksjonsmodeller gir uklare analyseresultater.
Diskusjonen viser at likviditetsgrad har betydelige svakheter med tanke på å vurdere foretakets økonomiske helse på grunnlag av likviditet. Derfor foreslår vi å bruke alternative nøkkeltall.
ALTERNATIVER TIL LIKVIDITETSGRAD SOM NØKKELTALL
Endring i likviditetsgrad
Årsaken til at likviditetsgrad er mye brukt, er trolig at et foretak som er kommet i akutte betalingsproblemer, er nødt til å strekke leverandørkreditter og gjeld til det offentlige og annen kortsiktig gjeld mest mulig. Tilsvarende har man ikke likviditet nok til å ha et vanlig/tilstrekkelig varelager, og man ‘jager' kundene til Vi ser at Ohlson også brukte kjente nøkkeltall (gjeldsgrad, arbeidskapitalandel, likviditetsgrad, resultatgrad, kontantstrømgrad), i tillegg til to ‘dummyvariabler' (verdi 0 eller 1) avhengig av om nettoresultatet var negativt eller ikke (Dummy 1), og om egenkapitalen er negativ eller ikke (Dummy 2). Sannsynligheten for konkurs beregnes som 1/(1+e ), hvor e er lik 2,7182. Tall mindre enn 4 prosent viser lav konkurssannsynlighet.
Gjennom årene har man lagt stor vekt på metodikk ved å teste ut nye modeller, men i mindre grad ved å teste alternative nøkkeltall i eksisterende konkursprediksjonsmodeller:
Zmijewski (1984) brukte en probitmodell (en modell hvor de enkelte variabler kun har to verdier/ utfall) for å forutsi konkurs. I 2004 utviklet Hillegeist og medforfattere en modell som utnyttet innsikt i Black-Scholes opsjonsprismodell (Hillegeist, Keating, Cram & Lundstedt, 2004). I Norge bruker Norges Bank SEBRA-mo
