Vi står i dag overfor en rekke betydelige og spennende endringer. Vi har klima- og energiutfordringer, teknologiske skifter og digitalisering, globalisering og geopolitikk, demografi med befolkningsvekst, befolkningsaldring, urbanisering og immigrasjonsbølger, og ekstraordinært ekspansiv pengepolitikk, for å nevne noen. Hva dette kan bety i praksis, er ikke lett å si. Kanskje fikk vi en smakebit av betydningen av store endringer med oljeprisfallet i 2014. I de to etterfølgende årene regnskapsførte norske børsnoterte selskaper rundt 200 milliarder kroner i nedskrivninger.
Seadrill er et oppdatert eksempel på verdsettelsesutfordringer. I en artikkel i Dagens Næringsliv (DN) 22. november 2019 heter det: «Vanskelig å lese, skriver Pareto. Kan vi få anbefale et par nye briller.» Pareto mener Seadrill er verdt 5,5 milliarder kroner, over fem ganger børsverdien. Videre gjengir DN flere kursmål for aksjen - ABG Sundal Collier 150 kroner, Nordea Markets 121 kroner, Arctic 91 kroner, Pareto 55 kroner, DNB 45 kroner, Danske Bank 5 kroner - mens aksjekursen var rett over 9 kroner. Det er virkelig en enorm avstand mellom de ulike verdivurderingene. Artikkelen i DN spekulerer i om meglerhusene posisjonerer seg som finansielle rådgivere, og at deres kursmål er preget av dette. Det er naturligvis alltid viktig å forstå insentiver. Uansett reflekterer de ulike verdsettelsene estimatusikkerhet, men helt sikkert også andre forhold.
I en artikkelserie i Revisjon og Regnskap i 2008 drøftet jeg prognose- og estimatusikkerhet samt profesjonell skjønnsutøvelse. Her ble en totrinnsprosess introdusert hvor vi starter med å vurdere et pålitelighetsintervall før vi går videre og jakter på en forventningsverdi. Pålitelighetsintervallet ble definert som ulike estimater hvor ingen på en overbevisende måte kan hevde at ett av estimatene innenfor et intervall er klart bedre enn et annet. Tilsvarende kan man tenke seg i verdsettelser og investeringsanalyser. Man velger en bred innfallsvinkel for eksempel ved hjelp av scenarioanalyser. Dernest søker man mot et beste anslag på forventningsverdien ved hjelp av for eksempel mer omfattende scenarioanalyser og med mulige sannsynligheter for hvert scenario, eller ved simuleringer hvor også realopsjoner og ulike strategiske valg reflekteres.
Kjernen i problemet er mangel på objektive sannsynligheter. John Maynard Keynes konkluderte derfor med at forventningsverdien, definert som det sannsynlighetsveide snittet av alle utfall, er et ideal, men en praktisk umulighet. Med Keynes' ord i The general theory of employment, interest and money (1936) kapittel 12, punkt (vi):
[ ] We are merely reminding ourselves that human decisions affecting the future, whether personal or political or economic, cannot depend on strict mathematical expectations, since the basis for making such calculations does not exist
I senere økonomisk teori er disse tankene videreutviklet gjennom subjektive sannsynligheter og rasjonelle forventninger samt modell-ambiguitet (uklarhet og modelltvil) og feilspesifisering (misspecification). Vi har fått økt forståelse for prognoseteori, beslutningsteori, makroøkonomi og økonomisk politikk, strategi, realopsjonsteori, mikroøkonomi herunder generell likevektsteori og spillteori, adferdsøkonomi, informasjonsøkonomi, asymmetrisk informasjon og insentiver, samt mer spesifikt gjennom moderne litteratur verdsettelser og investeringsanalyser. Vi kommer heller ikke utenom makroøkonomiske modeller, klimamodeller, demografiske modeller, geopolitiske modeller og lignende som påvirker de økonomiske forutsetningene. Det er modeller overalt, og det er en oppgave å lage et hierarki og en kobling mellom modellene. Hovedoppgaven er bruke modellene i jakten på forventningsverdien.
Hvorfor er det så vanskelig å lage forventningsrette prognoser og estimater?
Enkelt sagt er målsettingen å se inn i fremtiden ved å forstå historien. For det første er det vanskelig å forstå historien. For det andre er det vanskelig å vurdere hvor representativ historien er for fremtiden. I jakten på forventningsverdien er målet rasjonelle eller modellkonsistente forventninger.
Vår analyse av historien starter med å lete etter mønstre. Basert på mønstre kan vi finne eller lage teorier og deretter utvikle modeller. Mønstre kan ha mange former - langsiktige trender, svingninger med ulik dybde og lengde, analogier, S-kurver og lignende, som teoretisk kan uttrykkes i matematiske eller stokastiske funksjoner (sekvenser av sannsynlighetsfordelinger). Vi har likevel tilnærmet aldri tilstrekkelig informasjon for å estimere hele sannsynlighetsfordelingen - forventning, varians, skjevhet og tykke haler. Mønstre kan også være en illusjon, og derfor gi mer støy enn informasjon. Dersom det ikke er mønstre i historien, og vi i større grad står overfor tilfeldigheter, kan historiske gjennomsnittbetraktninger eller eventuelt normaliseringer best forklare historien. Basert på mønstrene kan vi forhåpentligvis finne forklaringer som er konsistente med modeller. Problemet er likevel at vi ofte ikke klarer å bestemme oss for hvilken modell som er den riktige (eller riktigste). Vi kan stå igjen med et utvalg av konkurrerende modeller. Dette omtales i moderne litteratur som ambiguitet. I tillegg kan vi overse en attraktiv modell - ofte omtalt som modell-feilspesifisering. For hver modell kan vi stå overfor det problemet at modellen ikke nødvendigvis har entydige eller stabile likevekter, eller at konvergeringen mot likevekt ikke kan bestemmes, eventuelt at konvergering ikke vil finne sted. Videre kan vi stå overfor målproblemer, og særlig dersom modellene har ikke-lineære egenskaper og/eller har sannsynlighetsfordelinger som ikke er normalfordelte, eventuelt ikke kan bestemmes. Vi kan stå overfor et uendelig utvalg av åpne spørsmål, modeller, ikke-lineære forhold, ikke-normalfordelte sannsynlighetsfordelinger, og som vi skal komme tilbake til, en uendelig stor portefølje av realopsjoner. I praksis er det behov for forenklinger, og derfor er optimal kompleksitet et viktig spørsmål.
Neste spørsmål er om historien er representativ for fremtiden. Vi står overfor spørsmål om generalisering av historien for å si noe om fremtiden. En langsiktig gjennomsnittsbetraktning vil være den beste generaliseringen dersom den bygger på et virkelig langt gjennomsnitt, variasjonen i observasjonene er små, det ikke er sammenheng mellom observasjonene over tid, og gjennomsnittet for delperioder ikke er vesentlig forskjellig fra gjennomsnittet for hele perioden. Vi er tilnærmet aldri i en slik situasjon med objektive sannsynligheter. I praksis, og forankret i relevante modeller, vil vi som et alternativ jakte på delperioder som er mest mulig representative for fremtiden. Det vil typisk være analogier. I ytterste konsekvens forholder vi oss kun til den siste observasjonen (eventuelt et fåtall) og gjør en såkalt naiv ekstrapolering basert på denne. I praksis har det ofte vist seg at enkle modeller gir bedre prognoser enn kompliserte modeller. Vi kan også korrigere det historiske gjennomsnittet for observasjoner som statistisk er ekstraordinære. Eller at vi ut fra relevante økonomiske modeller forankret i historien korrigerer det langsiktige gjennomsnittet for faktorer som ikke er representative for fremtiden. Vi gjør ofte denne typen analyser av aksjemarkedets risikopremie, og det gir mening. Det er imidlertid langt mer krevende å gjøre det samme for oljeprisen, aluminiumsprisen eller andre råvarer. Et problem oppstår om prognosene i seg selv påvirker de fremtidige utfallene. I realiteten er vi over i Bayes analyse (konsistent læring over tid) og subjektive sannsynligheter. Med Bayes analyse starter vi med en eller flere prior (start-) sannsynligheter og oppdaterer disse med ny informasjon, som ender i en såkalt posterior (slutt-/oppdatert) sannsynlighet - som i neste runde er en ny prior. Sagt på en annen måte: Vi jakter på forventningsverdien. Det vil være rasjonelt om valg av prior- sannsynligheter, og vektlegging av ny informasjon gjøres konsistent med modellene samt relaterte likevekter. Dersom faktorer utelates, og analysen dermed ikke er konsistent med modellene, vil vi få forventningsskjevhet. Prior-sannsynlighetene vil være subjektive - ulike aktører kan ha ulike forventninger. Dersom prior-sannsynligheter velges helt arbitrært, på grunn av manglende forhåndskunnskap, kan konvergering mot forventningsverdien ta lang tid. Av og til vil observasjonene være slik at læring ikke er mulig. Det er heller ikke alltid at prior og posterior har samme sannsynlighetsfordeling. Simuleringer kan være til hjelp for å forstå dette bedre.
Som en avrunding, noen korte refleksjoner basert på Keynes. Keynes' filosofi bygde ikke direkte på subjektive sannsynligheter og Bayes, men derimot på usikkerhet hvor sannsynligheter ikke kan kvantifiseres. Likevel var ikke Keynes kategorisk på skillet mellom usikkerhet hvor sannsynligheter ikke kan kvantifiseres, og risiko hvor sannsynligheter kan kvantifiseres. Keynes argumenterte for sannsynlighetsintervaller eller upresise sannsynligheter. Dette passer godt inn i tenkningen om pålitelighetsintervall. Keynes var kritisk til at filosofer i århundrer før ham hadde argumentert for at vi oftest måtte nøye oss med å tildele ulike utfall like sannsynligheter. Begrunnelsen var at dette lett kunne lede til absurditet. Sannsynlighetene vil i slike tilfeller være svært følsomme for definisjon av utfall og upresise ytterpunkter. Videre var Keynes tvilende til bruk av historiske gjennomsnittsbetraktninger som grunnlag for prognoser. Keynes argumenterte for en logisk analyse hvor vi veier ulike hypoteser og bevis opp mot hverandre. Nyere økonomer ville kanskje sagt at logiske analyser må være konsistente med økonomisk teori og modeller, jf. rasjonelle forventninger. Et viktig spørsmål for Keynes var graden av tillit og tiltro til langsiktige prognoser, og at det ikke bare er snakk om matematiske forventninger. Dersom prognosene bygger på begrenset kunnskap eller innsikt, er det naturlig å falle tilbake på konvensjoner og naturlige forankringspunkter. Vi bør legge mest vekt på det vi vet med stor grad av sikkerhet, og tilsvarende mindre vekt på usikre forhold, argumenterte Keynes. Med mindre vi har gode argumenter og bevis, eller tilliten til disse er lav, bør man derfor legge dagens situasjon til grunn. I praksis har naive prognoser, hvor vi gjør legger dagens situasjon til grunn, ofte vært best. Videre vil ofte allmennhetens eller de rådende oppfatningene representere en god prognose på fremtiden. Observerbare markedspriser og transaksjoner kan tilsvarende, direkte eller indirekte, på en god måte aggregere vurderinger og informasjon fra en diversifisert eller heterogen gruppe av aktører. Vi kan imidlertid ha ulike grader av tro og tillit til om rådende oppfatninger og markedspriser alltid er representative for fremtiden. Dette kan være ulike typer naturlige forankringspunkter. Senere har Keynes' tenkning blitt videreutviklet, og etter min oppfatning kan den med litt godvilje knyttes til modell-ambiguitet, modell-feilspesifisering og dermed flere prior- eller posterior-sannsynligheter i Bayes, og eventuelt relaterte sensitivitets analyser.
Subjektive sannsynligheter, naturlige forankringspunkter, modell-ambiguitet og modell-misspesifikasjon, og dermed flere prior- eller posterior-sannsynligheter, vil prinsipielt være grunnlag for prognoser i verdsettelser og investeringsanalyser. Pris som konvergerer mot en langsiktig grensekostnad, kan være naturlig forankringspunkt eller prior (posterior). Det samme kan konvergering av rentabilitet (internrente) mot avkastningskravet. Anslag på ulike grensekostnader eller avkastningskrav kan eksempelvis representere ulike og dermed flere prior- eller posterior-sannsynligheter. Videre langsiktig vekst som konvergerer mot langsiktig BNP-vekst eller en andel av BNP-veksten, eksempelvis også at systematisk risiko eller betafaktoren konvergerer mot gjennomsnittsverdien på 1. Dette kan være eksempler på prior-sannsynligheter, og som gjennom ytterligere analyse av ny informasjon leder oss til posterior-sannsynligheter og naturlige forankringspunkter. Dette kan være nyttig i jakten på forventningsverdien. Med flere og eventuelt mange prior- og posterior-sannsynligheter er vi likevel også raskt over i sannsynlighetsintervaller og upresise yttergrenser. Her er det en klar sammenheng med pålitelighetsintervall.
Til tross for Keynes' advarsler er det nok relativt vanlig i praksis å definere et begrenset antall scenarioer og tilordne scenarioene mer eller mindre like sannsynligheter. Naturligvis er ingen av scenarioene presise, heller ikke scenarioene som danner ytterpunkter. Pålitelighetsintervaller som definert innledningsvis, vil derfor ikke ha presise ytterpunkter. Det kan videre reises mange innvendinger mot prognoser basert på sentrumsvekting mellom ytterpunktene. Med upresise ytterpunkter vil sentrumspunktene naturligvis i seg selv være upresise. Vi har et intervall av sentrumspunkter. Dernest er ikke sentrumsvekting nødvendigvis uttrykk for forventningsverdien og ikke nødvendigvis konsistent med subjektive og rasjonelle forventninger, slik dette er drøftet over. Sentrumsvekting forutsetter i utgangspunktet symmetriske sannsynlighetsfordelinger, noe som i mange tilfeller ikke er en tilstrekkelig god tilnærming. Hvorvidt scenarioene som i utgangspunktet befinner seg mellom ytterpunktene, er beste estimat på forventningsverdien, avhenger av om de reflekterer subjektive forventninger basert på Bayes og lignende analyser, eller er naturlige forankringspunkter. Dette kommer vi tilbake til senere i artikkelen.
Beslutninger under usikkerhet
Klassisk beslutningsteori bygger på teoriene om subjektive rasjonelle forventninger og rasjonelle valg. Målsettingen er å maksimere forventet nytte. Med subjektive forventninger og sannsynligheter vil det ikke alltid være lett å skille mellom sannsynligheter og nytte. Gjennom analyse av ulike transaksjoner og ulike aktørers adferd har vi imidlertid mulighet for å studere dette nærmere. Klassisk investeringsteori tilsier at alle investeringer bør gjennomføres dersom nåverdi av fremtidige forventede kontantstrømmer overstiger investeringsutgiften, og forutsatt at man har anvendt et riktig forventet avkastningskrav. Dette er velutviklet teori, men bygger på homogene forventninger og objektive sannsynligheter. Teorien overser imidlertid prognose- og estimatusikkerhet og reflekterer ikke nødvendigvis heterogene forventninger, subjektive sannsynligheter, modell-ambiguitet og modell-misspesifikasjon, med mindre ytterligere restriktive forutsetninger introduseres. Beslutningsteori har derfor fokusert på hvordan investeringsbeslutninger kan gjøres robuste hensyntatt slik prognose- og estimatusikkerhet.
Et mulig svar i beslutningsteori er ulike former for sikkerhetsmarginer eller mer eksplisitt å definere en usikkerhet eller ambiguitet-aversjon. Generelt kan vi tenke oss å vurdere ulike forventninger gjennom Bayes sensitivitetsanalyse - for eksempel ved å vurdere hvor robust forventningene er til ulike prior- eller posterior-sannsynligheter. En annen mulighet er å vurdere ulike investeringsalternativers verste utfall og velge den investeringen hvor verste utfall vurderes som minst uheldig (maximin-kriteriet). Det kan videre tenkes flere alternative sikkerhetsmarginer. Klassisk finansteori angir at systematisk risiko og risikoaversjon krever en risikopremie i avkastningskravet. Mye tilsier at avkastningskravet også bør reflektere systematisk ambiguitetsaversjon. I praksis kjenner vi til bruk av såkalte hurdle rates (altså subjektive påslag i diskonteringsrenten). Bruk av hurdle rates kan også ha andre begrunnelser enn usikkerhet. Usikkerheten i denne sammenheng vil kunne omfatte systematiske faktorer som makroøkonomiske forhold, generelle teknologiske skifter, geopolitiske forhold og klimakatastrofer.
Risiko og ambiguitet er sentralt i realopsjonsanalyser. Økt risiko og ambiguitet kan generelt både øke og redusere verdien av en investering. Bayes analyse og relaterte sensitivitetsanalyser kan være nyttige i denne type situasjoner. Realopsjoner som kjeder av oppkjøp, trinnvise kapasitetsutvidelser, selvforsterkende utviklingsprosjekter, utbyggingsrettigheter, patentrettigheter og lignende vil bidra til økt verdi. Realopsjoner er en analyse av investeringers oppside og er dermed et motstykke til sikkerhetsmargin.
Det er samtidig et viktig samspill mellom realopsjonsanalyser og konkurranseanalyser. Konkurranse kan ødelegge verdien av realopsjoner. En realopsjon kan tilsi utsettelse av en investering, men denne utsettelsesbeslutningen vil kunne endres dersom konkur ransesituasjonen tilsier at man bør gjøre investeringen før konkurrentene. Konkurranseanalyse kan gjøres ved hjelp av spillteori, mikroøkonomi og relaterte matematiske og stokastiske modeller. Konkurranseusikkerhet og konkurrenters mottrekk er en særlig undergruppe av usikkerhet. Det kvalitative motstykket til spillteori og mikroøkonomi er strategiske analyser basert på for eksempel Porters fem drivkrefter (konkurrenter, nye konkurrenter, konkurrerende produkter, kunder og leverandører). Konkurranseanalyse kan gi innsikt i både oppside og nedside, og må derfor ses i sammenheng med både sikkerhetsmargin og realopsjonsanalyse.
Noen ganger vil vi ha en dominant strategi som gjør at vi ikke trenger å ta hensyn til konkurrentenes mottrekk. Oftest vil vi imidlertid måtte velge en strategi som er slik at ingen vil angre på valget av strategi når motpartenes valg av strategi blir kjent (jf. Nash-likevekt). I sin enkleste form forutsettes det at alle aktørene er kjent, tidshorisonten er endelig, utfallet av ulike strategier er kjent og uten usikkerhet, alle vurderer utfallene likt, og alle opptrer rasjonelt. Beslutningene og analysen blir vanskeligere dersom disse forutsetningene ikke er tilfredsstilt. En velkjent spillsituasjon som ofte er relevant i praksis, er den såkalte fangens dilemma. Fangens dilemma leder aktørene til et felles verste utfall. Dette utfallet kan det være mulig å unngå, for eksempel om man møtes gang på gang i konkurransen og dermed kan klare å realisere en fredelig sameksistens. En mulighet som bygger på gjengjeldelse, er såkalt like-for-like-strategi. Muligheten for fredelig sameksistens vil imidlertid kunne avhenge av antall konkurrenter, etableringsskranker, produktenes karakter, innovasjonstakten, markedsstabilitet og muligheter for å lure konkurrentene. Beslutninger vil derfor avhenge av flere egenskaper ved situasjonen. Vi har en lang rekke type spillsituasjoner, herunder battle of sexes, chicken, matching pennies, for å nevne noen. Her kan vi oppleve flere mulige optimale utfall og likevekter, og hvilket utfall som realiseres, vil kunne avhenge av bransjenormer og implisitte forståelser samt muligheter for å endre spillets regler gjennom bestemte strategiske handlingsmønstre eller ved å overraske konkurrentene. Noen av konkurrentene kan også ha regnet feil, det kan tross alt være liten forskjell mellom alternativene. Det er stor forskjell på om regnefeilen er stor eller liten, det vil si stor eller liten irrasjonalitet. Det vil være enklere å sikre en robust strategi dersom feil er liten. Kanskje er noen av konkurrentene mindre opptatt av å maksimere verdiskapingen (nåverdien) på kort sikt, men ser seg heller tjent med å påføre andre en kraftig økonomisk smell som kan sette disse ut av spill. På lang sikt kan strategien maksimere verdiskapingen. Jo mer komplisert konkurransesituasjonen blir, jo mer avhengig er vi av informasjon, men den har vi ikke. Vi kan være avhengig av å eksperimenter og lære over tid. Bayes analyse kan hjelpe oss, og særlig med flere «priors («posteriors») knyttet til de ulike utfallene av en spill situasjon. En beslutningsregel kan være maximin. En annen regel kan være at vi avveier de optimistiske mot de pessimistiske utfallene med ulike vekter. Vi må til slutt spørre oss hva som er det mest plausible scenarioet ut fra en vurdering av ulike hypoteser og bevis, og igjen relatere det til både sikkerhetsmargin og realopsjonsanalyse.
Forståelse av beslutning under usikkerhet leder oss ikke direkte til forventningsverdien. Beslutninger er mer kompliserte og som nevnt ofte basert på mer enn forventningsverdien. Sikkerhetsmargin, og innsikt i denne, kan være et utgangspunkt for vurdering av pålitelighetsintervall og dermed forventningsverdien. Aversjon mot systematisk ambiguitet kan tilsi negativt avvik fra en sentrumsvekting. Realopsjoner kan være avgjørende for å forstå skjevheter i sannsynlighetsfordelingen og dermed positive avvik fra en sentrumsvekting. Konkurranseanalysen er kanskje den vanskeligste å forholde seg til. Den kan påvirke størrelsen på pålitelighetsintervallet. Videre kan en vurdering av ulike hypoteser og bevis bidra til innsikt i hvilke scenarioer som vil kunne realiseres, og dermed danne grunnlag for positive eller negative avvik fra sentrumsvekting. Ved å studere virksomheten og bransjens historie, og hva som preger dagens situasjon, vil vi kunne danne oss en oppfatning av hva vi tror vil være mest sannsynlig utvikling og eventuelt valg av naturlige forankringspunkter. Dette vil dels være en logisk analyse og dels en erfaringsbasert analyse. Dette vil hjelpe oss i jakten på forventningsverdien.
Verdsettelse og investeringsanalyse
Det finnes et utall av bøker om verdsettelse og investeringsanalyse. Det finnes mange gode råd og praktisk veiledning. Det er ingen grunn til å gjenta dette her. Utgangspunktet i denne artikkelen er verdsettelse av virksomhet, og ikke typisk investeringsanalyse av et prosjekt. Det er imidlertid mange likhetstrekk mellom de to.
Det er verdt å peke på noen utfordringer i håndteringen av prognose- og estimatusikkerhet og jakten på forventningsverdier. Vi fokuserer på det såkalte terminalleddet, som oftest utgjør det meste av verdianslaget i en verdsettelse. Dette krever at vi gjør forutsetninger om den langsiktige dynamiske likevekten (steady state). Vi må blant annet ta stilling til langsiktig nivå på rentabilitet, vekst, investeringer, systematisk risiko, markedsrisikopremie og realrente. Et hovedspørsmål er hva som kan oppfattes som langsiktige likevekter, prior-sannsynligheter ut fra historien, posterior-sannsynligheter ut fra Bayes analyse og naturlige forankringspunkter (jf. Keynes og andre). Ofte gjøres ikke dette eksplisitt i praksis, men er en del av den underliggende refleksjonen i prognosearbeidet.
Vi drøfter ikke her ulike multippel- eller markedsbaserte verdsettelser. Slik verdsettelser kan være svært nyttige for å forstå mulig oppsider og nedsider, men også for å gjøre en rimelighetsvurdering av ulike verdianslag. For å kunne vurdere slike verdsettelser er det imidlertid viktig å forstå de underliggende forutsetningene og mulige feilkilder.
For rentabilitet er det særlig tre prior- og posterior-sannsynligheter og naturlige forankringspunkter - konvergering mot avkastningskravet, langsiktig bransjerentabilitet og rentabilitet forankret i virksomhetenes særlige konkurransefortrinn. Rentabilitet kan konvergere mot avkastningskravet - eventuelt justert for målefeil i både rentabilitet og avkastningskrav. Flere, men ikke alle, økonomiske modeller kan begrunnet dette, men konvergeringen kan være ganske ulik avhengig av om startpunktet er en positiv eller negativ mer- eller mindrerentabilitet. Nyetableringer kan for eksempel skje i et raskere tempo enn fjerning av overkapasitet. Rentabilitet kan også holdes oppe eller nede i tråd med et langsiktig bransjenivå. Det har vist seg at bransjers rentabilitet kan avvike vesentlig fra avkastningskravet over lang tid. Det vil typisk relateres til strukturelle forhold i bransjen. Riktignok kan det være store forskjeller i rentabilitet innen samme bransje. Det siste er rentabilitet forankret i virksomhetens konkurransefortrinn. Ofte tror selskapets ledelse på bestemte og sterke konkurransefortrinn, mens selskapets kunder og andre ikke er av samme oppfatning. En grundig konkurranseanalyse er nødvendig for å avdekke om konkurransefortrinn er reelle og sterke nok til å gi langvarig økt inntjening og rentabilitet. Slike konkurransefortrinn er sjelden vare. Vi skal heller ikke være fremmed for at virksomheter hemmes av konkurranseulemper.
Vekst har særlig fire prior- eller posterior-sannsynligheter og forankringspunkter - langsiktig BNP-vekst, langvarig bransjevekst, konsistens mellom investeringer, innovasjon og vekst i ulike deler av livssyklusen. Langsiktig realvekst i selskapenes inntjening er knyttet til langsiktig BNP-vekst, men sammenhengen er usikker. Anslag på langsiktig BNP-vekst er svært usikker og påvirkes av historisk utvikling, konjunkturforhold, langsiktige vekstforutsetninger og økonomisk politikk. Bransje er viktig for langsiktig vekst. Noen bransjer vokser over lang tid mer enn andre. Tilsvarende er veksten lavere i andre bransjer. På lang sikt kommer likevel ikke vekst uten investeringer og innovasjon. Forutsetninger om vekst og investeringer må være konsistente. Vekst avhenger også av hvor bransjen og selskapets produkter befinner seg i livssyklusen, eller den såkalte S-kurven. Nye selskaper kan ha enorme muligheter om man klarer å passere noen kritiske vippepunkter, mens modne selskaper ofte er fastlåst i historiske valg.
Prognoser på avkastningskravet er usikre. Beregningene gjøres ofte for mekaniske. Ofte brukes klassisk CAPM (Capital Asset Pricing Model) temmelig blindt. Vi bør vurdere utvidelser av CAPM og eventuelt alternative modeller, eller mer realistisk vurdere betydningen av slike alternative modeller. Dette gjøres sjeldent i praksis, og særlig på grunn av estimatusikkerhet. Fordelen med den enkle og velkjente CAPM motvirkes av ulempene. Vi må igjen forstå historien for å se inn i fremtiden. Vi gjør det ved å forstå selskapets og bransjens systematiske risiko. Vi vurderer fundamentale drivkrefter som kan påvirke systematisk risiko, og ikke minst langsiktige permanente skifter og katastrofeutfall som for eksempel økonomiske depresjoner, klimakatastrofer, immigrasjonsbølger, pandemier og verdenskriger. Vi ser på historiske mønstre for markedsrisikopremien. Vi korrigerer de historiske tallene etter beste skjønn for å gjøre dem mest mulig representative for fremtiden. Vi forsøker å forstå markedsrisikoen slik den er priset i dagens kapitalmarked. I dagens situasjon vurderer vi også konsekvensene av den ekstraordinært lave risikofrie realrenten. Skyldes den pengepolitikken eller også realøkonomiske forhold som eksempelvis spareoverskudd og manglende investeringsmuligheter?
Det er ytterligere fire interessante problemstillinger som kan gjøre det vanskelig å finne den riktigste forventningsverdien. Disse er realopsjoner, forenklet bruk av Gordons formel som medfører manglende refleksjon av usikkerhet, forenklinger i simuleringsmodeller og manglende rasjonalitet.
Dersom realopsjoner utelates fra verdsettelsen, vil ikke estimatet være forventningsrett. I realiteten snakker vi om porteføljer av realopsjoner, herunder opsjoner på opsjoner. For å identifisere fremtidige realopsjoner kreves en kombinasjon av svært høy kreativitet og analytisk tenkning. I strategisk sammenheng er portefølje av realopsjoner nært knyttet til immaterielle eiendeler, innovasjonsevne, organisasjonskapital, bedriftskultur og ikke minst humankapital, herunder verdien av nøkkelpersoner. Dot.com-verdsettelse på slutten av 1990-tallet kan illustrere både en rasjonell verdsettelse av teknologiske og kommersielt innovative realopsjoner, og irrasjonell forventningsdannelse i aksjemarkedet. Verdsettelse av realopsjoner er matematisk komplisert og forbundet med usikre forutsetninger. Verdsettelse av porteføljer av realopsjoner krever både strategiske analyser, scenarioanalyser og simuleringer. Det vil være en kombinasjon av kvalitative og kvantitative analyser. Et strategisk spørsmål er om en virksomhets rendyrking mot et segment, i motsetning til mer konglomerat, kan redusere omfanget av realopsjoner. Realopsjonsverdsettelser kan typisk gi et langt høyere verdianslag enn en klassisk nåverdiverdsettelse. Kanskje er en innovativ multippel eller markedsbasert verdsettelse en farbar vei - eventuelt bare en nødløsning.
Urealistiske forutsetninger i kvantitative analyser og simuleringer kan i seg selv skape forventningsskjevhet. Bruk av Gordons formel er et typisk eksempel. Gordons formel forutsetter ofte deterministiske eller sikre variabler. I en verdsettelse er derimot variablene usikre og stokastiske. Dermed gir bruk av Gordons formel ofte feil verdianslag. Et enkelt eksempel illustrerer virkningene av dette. Verdi av en evigvarende kontantstrøm på 100 og avkastningskrav på 10 prosent gir som kjent en verdi på 1 000 ved bruk av Gordon. Sier vi at avkastningskravet er usikkert, slik at det med 50 prosents sannsynlighet er 5 prosent, og med 50 prosents sannsynlighet 15 prosent, gir det en verdi på 1 333. Verdi ved 5 prosent er 2 000, og ved 15 prosent er den 666 - og sannsynlighetsveid 1 333. Den tradisjonelle måten å bruke Gordons formel på gir forventningsskjevhet. Usikkerhet i vekst og kontantstrømmenes tidsforløp kan også gi feil i verdianslaget. Dette fenomenet omtales som Jensens ulikhet. Det er nok et eksempel på at dersom en vesentlig faktor, og i dette tilfellet usikkerhet, utelates fra verdsettelsen eller investeringsanalysen, ja, så finner vi ikke forventningsverdien. Dette overses ofte i praksis, og man undervurderer typisk verdiene. Tilsvarende er det verdt å nevne at også aktuarer når de beregner pensjonsforpliktelser, undervurderer forpliktelsens størrelse på grunn av Jensens ulikhet. Det er også andre eksempler på kombinasjoner av faktorer som overraskende leder til ikke-linearitet og ikke-normalfordelte sannsynlighetsfordelinger. Dividerer vi den samme normalfordelte sannsynlighetsfordelingen med seg selv, får vi en Cauchy-sannsynlighetsfordeling - en sannsynlighetsfordeling med svært fete haler og uten definert forventning. Også relevant ved bruk av Gordons formel. Relaterte spørsmål er kompliserte sammenhenger mellom prior- og posterior-sannsynlighetsfordelinger i Bayes analyser. Simuleringer er velegnet til å analysere slike virkninger. Men igjen kan strategiske analyser og scenarioanalyser være nyttig for å forstå usikkerheten i første runde.
Så til forenklinger i simuleringsmodeller. Enkelte forutsetninger eller drivkrefter kan være av mer kvalitativ karakter og kan innebære forenklede kvantifiseringsmetoder for eksempel ved å tilordne dem binære karakterer. Binære karakterer kan være så enkelt som suksess eller fiasko ved et prosjekt. Dette kan inkludere ulike porteføljeegenskaper ved realopsjoner og andre strategiske forhold. Dersom flere av variablene er sterkt positivt korrelert, noe som kan oppstå dersom flere variabler tildeles binære karakterer, må de studeres nærmere for å forstå i hvilken grad dette skaper ustabilitet i prognosen, med risiko for å velge et ikke forventningsrett estimat. I beregninger og simuleringer vil vi kanskje gjøre andre forenklinger ved å forutsette normalfordelte sannsynlighetsfordelinger, triangulære sannsynlighetsfordelinger, rektangulære sannsynlighetsfordelinger og lignende. Det reflekterer ikke nødvendigvis godt nok konvergering mot naturlige forankringspunkter eller sprangvise endringer på grunn for eksempelvis teknologiske skifter. Dette kan skape skjevheter i beregninger og simuleringer, og mer sofistikerte stokastiske prosesser (sekvenser av sannsynlighetsfordelinger) er da nødvendig. Dersom vi står overfor skjeve sannsynlighetsfordelinger, bør vi naturligvis være forsiktig med å legge midtpunkter til grunn. For å finne beste estimat må vi prøve oss frem ved hjelp av ulike scenarioanalyser og simuleringer og gjøre ulike sensitivitetsanalyser.
Det er sjeldent man i praksis ser at verdsettelser og investeringsanalyser gjøres basert på så bredt anlagte strategiske analyser, scenarioanalyser og simuleringer. Det er svært tidkrevende og komplisert. Det betyr likevel ikke at det ikke reflekteres over slike forhold. Med flere prior- og posterior-sannsynligheter og naturlige forankringspunkter vil vi kunne analysere både pålitelighetsintervall og presisjonen i yttergrensene samt mulige forventningsskjevheter. Vi har pekt på flere forhold som kan medføre forventningsskjevhet dersom vi overser realopsjoner og gjør forenklinger i beregningsmetoder.
Videre kompliseres jakten på forventningsverdien av ledelsens manglende rasjonalitet. Det kan være grunnleggende optimisme som skaper forventningsskjevhet. Det kan være forutinntatte forankringspunkter, tunnelsyn og gruppetenkning slik at ledelsen ikke får med seg hele utfallsrommet eller har forelsket seg i en basiscase. I noen tilfeller er det ikke så lett å innse at beslutninger er i strid med de klassiske aksiomene for rasjonalitet. I mange tilfeller må vi derfor nøye oss med å avdekke irrasjonaliteter. Flere psykologiske og sosiologiske forhold spiller inn her. Det settes ekstra på spill dersom ledelsen kjemper for selskapets liv. Dersom ikke en gang ledelsen tror på et positivt utfall, gjør neppe noen andre det heller. Økonomiske insentiver og press kan forsterke de irrasjonelle vurderingene og i ytterste konsekvens lede til misligheter. Isolert vil dette også tilsi at man bør starte jakten på forventningsverdier i ytterkant av utfallsrommet. Dette forsterker altså behovet for å starte med ulike utfall (scenarioer) og utfallsrom, og deretter diskutere sannsynligheter. Irrasjonalitet kan vel forøvrig best håndteres gjennom gode verdier, gode ledelses- og beslutningsprosesser og risikostyring, høy faglig kompetanse, balanserte kompensasjons- og insentivordninger samt god virksomhetsstyring og internkontroll.
Hva betyr dette for usikre estimater i regnskapet?
Det er usikre estimater på mange områder i regnskapet, og reglene for ulike eiendeler og forpliktelser er forskjellige. La meg i denne sammenheng begrense meg til noen refleksjoner rundt IAS 36 Verdifall på eiendeler og kravet om at bruksverdien skal reflektere forventet nåverdi av fremtidige kontantstrømmer, det vil si det sannsynlighetsveide gjennomsnittet av alle mulige utfall. Indirekte vil vi også berøre netto salgsverdi etter IFRS 13 Måling av virkelig verdi, og da særlig knyttet til realopsjoner.
På grunn av prognose- og estimatusikkerhet vil det være en jakt på forventningsverdien. Det kan være vesentlige forskjeller i analyser avhengig av om man vurderer goodwill eller andre typer eiendeler. I førstnevnte tilfelle kan det være spørsmål om tap av konkurransefortrinn. I sistnevnte tilfelle kan det for eksempel være utfordringer med overkapasitet i bransjen, negativ konjunkturutvikling, dramatisk fall i råvarepriser og lignende.
Nedskrivning i regnskapet skyldes ofte vesentlige feilprognoser på investeringstidspunktet. Det kan være en feilvurdering, men en feil i prognosen kan også være at mindre sannsynlige hendelser inntreffer som depresjoner og finanskriser, krakk i aksje- og eiendomsmarkedet, dramatiske fall i råvarepriser, teknologisk paradigmeskifter og lignende. I slike situasjoner vil oppdaterte prognoser og estimater være særlig usikre.
Forslaget er å starte analysen med analyse av pålitelighet og pålitelighetsintervall. Deretter kan vi jakte på forventningsverdien. Vi gjør mye av det samme i både verdsettelser, investeringsanalyser og regnskapsvurderinger.
IAS 36 har en rekke krav til estimatet på bruksverdi. Ett krav er at forutsetningene skal være rimelige og dokumenterbare. Det vil typisk kreve en avveiing mellom forhold som støtter en forutsetning, og forhold som reiser tvil om den samme forutsetningen. Det kreves en forankring i ledelsens prognoser. Bruk av ledelsens prognoser som brukes i styringen av virksomheten, kan gi ekstra pålitelighet til disse tallene. Det avhenger likevel av hvor treffsikre ledelsens prognoser har vært i tidligere perioder. Samtidig skal eksterne bevis tilleg ges større vekt enn interne. Eksterne bevis kan være børsverdier, transaksjonsverdier, ekspertuttalelser og lignende. IAS 36 har videre krav om forankring mot dynamisk likevekt (steady state) og dernest at maksimal vekst begrenses til forventet BNP-vekst. På flere områder åpner IAS 36 for avvik fra de eksplisitte kravene om begrunnelsen er god nok. Hvordan vi praktiserer IAS 36, er i stor grad en systematisering av det vi har drøftet tidligere i artikkelen.
Analyse av pålitelighet og pålitelighetsintervall er en analyse av ytterpunkter. I praksis finner vi ofte pålitelighetsintervaller på pluss/minus 15-50 prosent. For å bestemme et pålitelighetsintervall og besvare spørsmålene om presisjon i yttergrenser og sentrumsvekting må vi bruke vår innsikt i prognose- og estimatusikkerhet, beslutninger under usikkerhet samt investerings- og verdsettelsesteori og -praksis. I denne fasen vil man typisk velge størst mulige forenklinger i analysene - altså lavest mulig kompleksitet. Scenarioanalysene vil i denne runden omfatte færre variabler og drivkrefter enn det som er tilfellet i neste trinn, hvor vi skal bestemme forventningsverdien. Vi må forstå historien for å se inn i fremtiden. Utvikling av relevante scenarioer vil ofte kreve mer kreativitet enn analytisk tenkning. Vi må forsøke å identifisere de mest relevante modellene (økonomiske, statistiske og andre) og minimere risikoen for å overse noen relevante modeller. Kanskje vil søkelyset rettes mot variabler og drivkrefter som er felles for flere modeller. Analysene vil ofte være mer kvalitative enn kvantitative, men det er likevel ikke et enten-eller. Vi trenger et grunnlag for kvantitativt å anslå pålitelighetsintervallet. I vurdering av pålitelighetsintervall kan det være verdifullt å se hen til sikkerhetsmarginer som brukes for beslutningsformål og mulige oppsider av realopsjoner.
Etter at vi har bestemt pålitelighetsintervallet og valgt modeller, gjenstår mye før vi kan bestemme forventningsverdien. Vi må fullføre jakten på forventningsverdien ved å forsøke å snevre inn pålitelighetsintervallet og unngå forventningsskjevheter. Vi må vurdere nødvendige utvidelser av kompleksitet ved å inkludere flere variabler sammenlignet med analysene av pålitelighetsintervall. Vi må studere variabler som rentabilitet, vekst, avkastningskrav, realopsjoner og lignende. I prinsippet må vi finne den beste kombinasjonen av ulike modeller. Vi må studere et stort utvalg av prior- og posterior-sammenhenger og naturlige forankringspunkter. Vi må vurdere ulike hypoteser og bevis opp mot hverandre. Vi må unngå at ingen vesentlige variabler utelates og skaper forventningsskjevhet. Utelatelse av strategiske tiltak, realopsjoner og porteføljer av realopsjoner er antakelig den faktoren som gir størst risiko for forventningsskjevhet. Vi må også studere nærmere virkningene av forenklet bruk av Gordons formel og simuleringer. Det krever mer sofistikerte og kvantitative scenarioanalyser og simuleringer. Som en integrert del av disse analysene må vi sette opp etterkalkyler og studere markedsbaserte bevis.
Dette fremstår kanskje som litt teoretisk, og det er det. Hovedpoenget er imidlertid at det kan være nyttig å gå gjennom en totrinnsprosess for å finne forventningsverdien og beste estimat. Først pålitelighetsintervall, og deretter forventningsverdien. Det har vært et poeng å få frem hvor utfordrende dette er. I praksis vil dette likevel gjøres på ulike måter.
Noen erfaringer og refleksjoner
Mine erfaringer dekker perioden fra 1980-tallet og frem til i dag. Alle kommentarer baserer seg på offentlig tilgjengelig informasjon, og de dekker primært perioden frem til rundt 2010. Det er viktig å understreke at dette ikke er en eksakt vitenskap.
Det er særlig to typer erfaringer å peke på, og spørsmålet er uansett hva vi kan lære. Den ene typen gjelder verdsettelser i perioder med resesjoner/depresjoner og finanskriser. Det gjelder tap på utlån under bankkrisen 1987-1993, men også verdsettelse av eiendom under finanskrisen 2007-2009. Den andre typen gjelder verdsettelser av selskaper i krise og gjerne forbundet med en kombinasjon av strukturelle bransjeproblemer og negativ konjunkturutvikling. Selskapene som trekkes frem som illustrasjoner, er Elkem, Kværner og Norske Skog. I det etterfølgende vil jeg ikke fokusere på de konkrete regnskapsmessige vurderingene. I den aktuelle perioden har regnskapsreglene endret seg vesentlig. Dette overblikket berører derfor mer generelt vurdering av pålitelighetsintervall og jakten på forventningsverdier.
En hovedproblemstilling under bankkrisen 1987-1993 var vurdering av tap på utlån, herunder verdsettelse av underliggende sikkerhet i eiendom. Samlet tap på utlån utgjorde rundt 20 prosent av utlånene. Av de nevnte tapene ble anslagsvis 30-35 prosent tilbakeført i årene etter 1993. Det er ulike syn på om tilbakeføringene viser at tapsavsetningene var forventningsrette eller ikke. Svaret på dette spørsmålet avhenger i stor grad av om prognosene på etterfølgende konjunkturutvikling var forventningsrett. Det er ingen tvil om at de makroøkonomiske utsiktene i 1992-1993 var relativt pessimistiske. Mange økonomer fryktet i 1993 at den høye arbeidsledigheten ville sette seg og føre til et betydelig negativt skifter i den strukturelle arbeidsledigheten. Økonomiske analyser indikerer at den etterfølgende utviklingen frem mot 2010 skyldtes en kombinasjon av flaks og dyktighet. Det typiske spørsmålet var om økonomien vil vende tilbake til sin gamle normal, eller til en ny normal med lavere vekst. Vi kan konstatere at den returnerte mer til den gamle normalen, men kunne man med rimelighet ha forventet dette? Neppe. Problemstillingen er generelt omtalt i boken Krakk og kriser av økonomiprofessor Ola Honningdal Grytten med flere. Økonomiprofessor Erling Steigum har også en interessant artikkel, «Norsk økonomi etter 1980 - fra krise til suksess».
Under finanskrisen 2007-2009 var det spørsmål om verdsettelse av både finansielle instrumenter (greske og italienske obligasjoner, andeler i private equity (PE) fond, o.l.) og investeringseiendom. Et sentralt spørsmål var likviditetspremien i avkastningskravet, og man opplevde et markant fall i verdien av mange investeringer, herunder næringseiendom. Verdifallet på næringseiendom på om lag 20 prosent var likevel langt mindre enn fallet i 1987-1992 på om lag 50 prosent. Fra utgangen av krisen ble spørsmålet om den langsiktige økonomiske utviklingen mer sentral. Ville økonomien gå inn i en sekulær stagnasjon, altså ikke returnere tilbake til den gamle normalen, men til en ny normal med permanent lavere vekst? Veksten i verdensøkonomien som helhet har etter 2009 vært langt svakere og mer ujevn enn før. Det vi har opplevd etter finanskrisen, er en lang periode med ekstraordinær ekspansiv pengepolitikk og etter hvert med historisk lave renter. Høsten 2008 var sentralbankens styringsrente på 5,75 prosent og var på sitt laveste nivå sommeren 2018 med 0,5 prosent. De siste årene har verdistigningen i investeringseiendom i mindre grad vært påvirket av forventet vekst i leieinntekter, men i større grad av forventet lavt avkastningskrav. Burde man i verdsettelsen av investeringseiendom i 2008-2009 forventet moderat utvikling i leieinntektene i tråd med en moderat økonomisk vekst, men samtidig et lavere avkastningskrav som følge av en ekspansiv pengepolitikk? Det var få som forutså finanskrisen, og det var få som forutså de etterfølgende årenes makroøkonomiske utvikling og pengepolitikk. Likevel, hva burde vært realistiske forventninger i 2008-2009? Problemstillingene er generelt omtalt i Aktuell kommentar (Norges Bank, 2016) om «Næringseiendom i Norge» av Marius Hagen og i en rapport for Folketrygdfondet av Akershus Eiendom i 2014.
Det er stor prognoseusikkerhet knyttet til konjunkturer, depresjoner, finanskriser, bankkriser, børskrakk, eiendomskrakk, råvarekrakk og gjeldskrakk. Mindre resesjoner og andre kortsiktige svingninger har likevel i utgangspunktet relativt begrenset betydning for fundamentale verdier, men kanskje oftest mest gjennom endringer i avkastningskravet. Markedsverdier kan svinge mer, kanskje på grunn av asymmetrisk informasjon og svingninger i likvidtetspremie. Det som betyr mye, er når vi opplever dypere svingninger, kriser, krakk og depresjoner. I denne typen situasjoner vil ofte både kontantstrømmer og avkastningskrav trekke i samme retning og i stort omfang, og dermed medføre svært store verdiendringer. Det vil være økt tvil om hvorvidt økonomien vil returnere til gammel normal, og om myndighetenes økonomiske politikk og virkningene av denne. Vi må spørre oss hvordan vi kan se inn i fremtiden ved å forstå historien.
Hvordan kan vi forstå historiske kriser og krakk for å vurdere om vi i dag står overfor en sekulær stagnasjon med langvarig lav vekst? Hva som preger dagens situasjon, er sammensatt. Dagens produktivitetsutfordringer kan ha sammenheng med økonomiens tilpasningsevne til ny teknologi og digitalisering. Energi og klima tilsier store omstillinger. Det geopolitiske bildet er usikkert, og ikke minst Kinas utvikling. Russlands invasjon av Georgia i 2008 markerte en ny geopolitisk periode hvor Russland returnerer til sin historiske plass. Makroøkonomisk har vi fortsatt en svært krevende økonomisk situasjon i Sør-Europa som blant annet hemmes av euroen, landenes statsfinanser og høy strukturell arbeidsledighet. Et annet spørsmål er om Kina vil havne i en økonomisk situasjon som Japan gjorde på 1990-tallet. Det er en handelspolitisk kamp mellom land med handelsoverskudd, som eksempelvis Kina og Tyskland, og land med handelsunderskudd, som USA. Vi har demo grafiske utfordringer, herunder immigrasjonsbølger fra Afrika og Midtøsten til Europa og fra Mexico og Sør-Amerika til USA. Er den lange depresjonen fra omkring 1870 til 1890 den mest representative analogien, eller er det andre kriser og krakk?
Så til de spesifikke selskapseksemplene. Elkems store oppkjøp i perioden 1981-1984 av Union Carbides ferrolegeringsvirksomhet i Norge, USA og Canada hadde som mål å gjøre selskapet så dominerende i bransjen globalt at man kunne styre prisene og oppnå lønnsomhet. I ettertid vil nok mange argumentere for at strategien var dårlig fundert, og at den må ha bygget på mangelfull forståelse av det markedet man opererte i, jf. artikkel av økonomiprofessor Lars Mathisen (1990) i Sosialøkonomen med tittelen «Markedsanalyse for viktige norske eksportprodukter». På 1980-tallet opplevde man flere perioder med underskudd. Underskuddene i 1990-1992 skyldtes mislykket prisstrategi og lavkonjunkturer kombinert med prispress som følge av økt eksport av produkter fra blant annet Øst-Europa. Dette ledet frem til refinansieringen i 1992, som også krevde statlige garantier. En kombinasjon av bedre internasjonale konjunkturer, god drift og strategiske grep ledet til gode resultater utover 1990-tallet. Man burde skjønt at oppkjøpsstrategien var urealistisk, mens Sovjetunionens sammenbrudd var det vel neppe noen som forutså. De strategiske grepene som Elkems ledelse tok etter krisen i 1992, fremstår i stor grad som utøvelse av en rekke realopsjoner. Dette omfattet utvikling av en sterk energivirksomhet og satsning på nye vekstområder som silisium og silikon. Professor Knut Sogners bok Elkem gjennom 100 år (1904-2004) - Skaperkraft gir en spennende beskrivelse av Elkems utvikling.
Kværner gjennomførte mange og store oppkjøp gjennom 1990-tallet. Visjonen var å skape et globalt konsern, bred teknologisk plattform, styrket markedsposisjon og å utnytte nye muligheter i fremvoksende markeder. På slutten av 1990-tallet ble imidlertid virksomheten først rammet av Asia-krisen i 1997, asiatisk konkurranse innen skipsbygging, tvistesaker i Tyskland og USA knyttet til offentlige skipsbyggingssubsidier, og noen mislykkede prosjekter og teknologiske satsninger. Et spørsmål er hvor overraskende disse forholdene egentlig var. Kanskje kunne noen av forholdene enkeltvis forutses, men at de skulle inntreffe samtidig og med slik styrke, var kanskje mer overraskende. Etter restruktureringer og refinansieringer i perioden fra 1999 til 2002 har virksomhetens utvikling vært langt mer positiv. Det har nok sammenheng med både god drift og strategiske grep. Igjen strategiske grep som kan være utøvelse av realopsjoner. Det har vært en utvikling fra 1990-tallet med skipsbygging, offshorekonstruksjon, olje- og gassplattformer og papir og masse, til økt satsning på oljeproduksjon fra 2009 og senere teknologisk og digital satsning gjennom Cognite.
Norske Skog gjennomførte store oppkjøp fra slutten av 1990-tallet og til rundt 2002. Konsernet var etter oppkjøpene verdens nest største produsent av avispapir. Det er vanskelig å tidfeste når tiden ble mørkere for avispapir. Enkelte kilder mener at den digitale utviklingen og internett gjorde at man allerede fra 2003-2004 burde sett dette. Fra 2005 til 2015 viste konsernet i alle år negative resultater etter skatt. Det hevdes fra enkelte hold at det er for enkelt å si at strategien som ble lagt i 1997, var gal, og at endringene kom raskere og ble sterkere enn noen med rimelighet kunne forutse. Det er utvilsomt vanskelig å komme med realistiske prognoser i slike situasjoner. Det gjelder typisk i alle tilfeller med vippepunkter. Hvordan prognostisere sprangvise teknologiske endringer og dens konsekvenser, dynamikken mellom konkurrenter i et marked med overkapasitet, muligheter for endrede politiske rammebetingelser samt evnen til omstillinger og kostnadsreduksjoner? Utviklingen kan indikere at man heller ikke hadde de samme mulighetene for store strategiske grep som tilfellet har vært for Elkem og Kværner. Men hvem vet, kanskje man må fortsette å lete for å finne alle opsjonene, svarene og de strategiske mulighetene.
Hypotesene om utnyttelse av realopsjoner i Elkem, Kværner og Norske Skog bør åpenbart analyseres nærmere før vi kan konkludere. Det hadde vært nyttig å gå tilbake til selskapenes strategiske analyser og forstå grunnlaget for de relaterte beslutningene. De strategiske beslutningene har neppe vært tilfeldige, og det er grunn til å tro at rekkefølgen har vært av sentral betydning. Dette kan underbygge verdien av realopsjoner og strategiske muligheter. En mer grundig analyse burde videre sett nærmere på ulike typer realopsjoner og sammenhengen mellom de ulike realopsjonene. Et interessant spørsmål ut fra erfaringene over er i hvilke tilfeller verdien av realopsjoner kan oppveie urealistiske eller manglende forventningsrette prognoser, og om det er noen sammenheng mellom disse spørsmålene.
Brach, M. 2003. Real Option in Practice. Wiley.
Bradley, C. Martin, M. Smit, S. 2018. Strategy beyond the Hockey Stick - People, Probabilities and Big Moves to Beat the Odds. McKinsey & Company.
Copeland, T. og Antikarov, V. 2003. Real Options. Thomson Texere.
Damodaran, A. 2009. The Dark Side of Valuation, 2. utgave. Wiley.
Damodaran, A. 2017. Narrative and Numbers, Columbia Business School.
Dixit, A. og Pindyck, R. 1994. Investment under Uncertainty. Princeton University Press.
Dixit, A. Reiley, D. og Skeath, S. 2010. Games of Strategy. WW Norton.
Glasserman, P. 2003. Monte Carlo Methods in Financial Engineering. Springer.
Gilboa, I. 2009. Theory of Decision under Uncertainty. Cambridge University Press.
Gilboa, I. 2010. Rational Choice. The MIT Press.
Gilboa, I. og Marinacci, M. 2011. Ambiguity and the Bayesian Paradigm. I: Advances in Economics and Econometrics: Theory and Applications, Tenth World Congress of the Econometric Society, 179-242. Cambridge University Press.
Hagstrom, R.G. 2013. The Last Liberal Art. Columbia Business School Publishing.
Hansen, L.P. og Sargent, T. 2010. Robustness. Princeton University Press.
Hansen, L.P. og Sargent, T. 2015. Uncertainty within Economic Models. World Scientific.
IAS 36 Verdifall eiendeler
IFRS 13 Virkelig verdimåling
Kahneman, D. 2012. Thinking Fast and Slow. Allen Lane (an imprint of Penguin Books).
Keynes, J. M. 1936. The General Theory of Employment, Interest and Money. Wordworth.
Keynes, J. M. 1921. A Treatise on Probability. Hentet 18.12.2019 fra http://www.gutenberg.org/files/32625/32625-pdf.pdf
Koller, T. Dobbs, R. 2010. Value - The Four Cornerstones of Corporate Finance. McKinsey & Company.
Koller, T. Goedhart, M. og Wessels, D. 2016. Valuation: Measuring and Managing the Value of Companies, 6. utgave. McKinsey & Company.
Levy, H. 2012. The Capital Asset Pricing Model in the 21 st Century. Cambridge University Press.
Makridakis, Weelwright og Hyndman. Forecasting - Methods and Applications, 3 utgave. Wiley.
Muth, J. 1961. Rational Expectation and the Theory of Price Movements. Econometrica, 29(4), 315-335.
Porter, M. 1998. Competitive Advantage: Creating and Sustaining Superior Performance. The Free Press.
Siegel, J. 2008. Stocks for the Long Run, 4. utgave. McGrawHill.
Sørgard, L. 2007. Konkurransestrategi. Fagbokforlaget. Bergen.
Tetlock,P. og Gardner, D. 2015. Superforcasting: The Art and Science of Prediction. Random House Books.
Varian, H.R. 1992. Microeconomic Analysis, 3. utgave. Norton.
