AKTIVITETSPREDIKSJON FOR NYETABLERTE BEDRIFTER

Transkript

1 Tidspunkt for levering: Mai 2016 Veileder: Boge, Knut Strømmen, Tonje Margarita. Kandidatnummer 312 Syvertsen, Kristin Sudbø. Kandidatnummer 332 AKTIVITETSPREDIKSJON FOR NYETABLERTE BEDRIFTER Hvor godt kan man predikere fremtidig status for nyetablerte bedrifter basert på regnskapsinformasjon? Bacheloroppgave 2016 Bachelorstudium i økonomi og administrasjon Høgskolen i Oslo og Akershus, institutt for samfunnsfag

2 Forord Denne oppgaven er skrevet i forbindelse med avslutning av bachelorgrad ved Handelshøyskolen ved HiOA våren Siden vi begge liker tallbasert problemløsning og har interesse for bedriftsøkonomi, ville vi skrive en oppgave som kunne utfordre oss og gi oss mer innsikt innenfor dette området. På bakgrunn av publikasjonen Nyetablerte foretaks overlevelse og vekst fra SSB, fikk vi inspirasjon til å forske videre på bedrifters utvikling etter etablering. Vi har hatt en bratt læringskurve, og går ut av prosessen med mye ny kunnskap, spesielt om logistisk regresjon. I tillegg, har vi lært mye om utfordringer tilknyttet databehandling både i SPSS og Excel, noe vi tror vi kommer til å ha stor nytte av videre. Takket være god strukturering av tid og arbeidsinnsats, har vi endt opp med et resultat vi er stolte av, som vi håper kan være til nytte for andre også. Inspirasjon til oppbygning av oppgaven er basert på to masteroppgaver skrevet av studenter ved NHH, Konkursprediksjon gjennom ulike konjunkturfaser (Henriksen & Kvaslerud, 2012) og Konkursprediksjon (Hals F. & Fegri, 2012). I tillegg har vi hentet inspirasjon fra en bacheloroppgave skrevet av studenter ved HiOA Hvordan har gasellebedrifters finansielle forhold utviklet seg etter tildeling av gasellestatus sammenliknet med normalforetak, og hvor godt vil det la seg gjøre og predikere konkurs for gasellebedrifter? (Hagen, Mogstad og Hsu, 2014). Til slutt vil vi rette en stor takk til vår veileder Knut Boge, som har hjulpet oss med store og små utfordringer på veien. Han har satt av god tid til å diskutere med oss i fellesskap, samtidig som vi har fått gode utfordringer å jobbe med selvstendig. I tillegg, vil vi takke Einar Belsom, som har hjulpet oss med innhenting av data fra vår hovedkilde Proff Forvalt.

3 Sammendrag Hensikten med denne oppgaven er å undersøke hvor godt man kan predikere fortsatt aktivitet for nyetablerte bedrifter basert på regnskapsinformasjon, hvilke variabler som har størst påvirkning, og om et normalfordelt utvalg gjennom transformasjon kan gi en bedre prediksjonsmodell. På bakgrunn av resultatene prediksjonene gir oss ønsker vi å kunne gi potensielle entreprenører en pekepinn på hvilke faktorer det er viktig å legge stor vekt på ved nyetablering. For å undersøke dette har vi tatt utgangspunkt i de to eksisterende konkursprediksjonsmodellene Altman Z-score og SEBRA-modellen. Vi har derimot rettet oppgaven mot å predikere aktivitet/inaktivitet i stede for konkurs/ikke konkurs. I tillegg har vi laget og testet modeller både med og uten transformerte variabler. Til slutt har vi testet modellene på et valideringsutvalg for å sjekke hvor godt resultatene kan generaliseres. Dataene brukt i oppgaven er hentet fra tjenesten Proff Forvalt, og er behandlet i programmene Excel og SPSS. Hovedutvalget omfatter totalt bedrifter etablert på Østlandet i Det ble lastet ned I tillegg ble ferdig utregnede nøkkeltall for lønnsomhet, soliditet og likviditet for bedrifter med forretningsadresse i Oslo lastet ned Analysenes resultater viser at modellene våre predikerer fremtidig aktivitet godt, men inaktivitet dårlig. Det viser seg at lønnsomhet, salgsinntekter og antall ansatte har større innvirkning på fremtidig status enn andre variabler. I tillegg har vi funnet ut at transformasjon av variablene er lite hensiktsmessig, noe som bekrefter at normalfordeling ikke er en nødvendig forutsetning for logistisk regresjon. På bakgrunn av dette anbefaler vi ikke bruk av transformasjon for videre forskning på dette området. I tillegg mener vi det kan være hensiktsmessig å inkludere en kvalitativ del når man skal predikere fremtidig status. Bakgrunnen for dette er at humankapital stadig blir viktigere i dagens bedriftsmarked. Høgskolen i Oslo og Akershus, institutt for samfunnsfag Oslo 2016

4 1 Innholdsfortegnelse 1 Innledning Bakgrunn Forskningsspørsmål Nøkkelbegreper Oppgavestruktur Teori Entreprenørskap Konvensjonell regnskapsteori Konkursprediksjonsmodeller Z-score-modellen Sebra-modellen Sammenlikning av modellene Problemstilling og våre modeller Våre modeller Z-score modellen SEBRA-modellen Metode Forskningsdesign Valg av metode Avhengig variabel Uavhengige variabler Logistisk regresjonsanalyse Data og utvalg Fjerning av utliggere Transformasjon av de uavhengige variablene Missing Validitet og reliabilitet Reliabilitet Validitet Analyse og drøfting av resultatene Deskriptiv analyse av rådataene sammenliknet med endelige utvalg Statusfordeling Drøfting av resultatene - statusfordeling Alder Drøfting av resultatene - alder Bransjefordeling Drøfting av resultatene bransjefordeling Geografisk fordeling Drøfting av resultatene geografisk fordeling Fjerning av utliggere fordelt på NACE Drøfting av resultatene fjerning av utliggere fordelt på NACE Fjerning av missing cases fordelt på NACE Drøfting av resultatene fjerning av missing cases fordelt på NACE Deskriptiv analyse av uavhengige variabler Z-score SEBRA-modellen... 35

5 5.2.3 Drøfting av resultatene uavhengige variablene i SEBRA-modellen Aktivitetsprediksjon F-testing av de uavhengige variablene (ANOVA) Z-score SEBRA-modellen Validering av resultatene Z-score SEBRA-modellen Feilkilder Kildekritikk Konklusjon Litteraturliste Vedlegg Vedlegg 1: bransjefordeling Vedlegg 2: Fjerning av utliggere Vedlegg 3: missing cases Vedlegg 4: Deskriptiv analyse av uavhengige variabler Z-score Vedlegg 5: Deskriptiv analyse av uavhengige variabler SEBRA-modellen Vedlegg 6: testing for multikollinearitet Z-score Vedlegg 7: testing for multikollinearitet SEBRA-modellen Vedlegg 8: ANOVA F-testing uavhengige variabler i Z-score Vedlegg 9: ANOVA F-testing uavhengige variabler i SEBRA-modellen Vedlegg 10: aktivitetsprediksjon Z-score Fire års prediksjon status 2013 basert på tall Ett års prediksjon status 2010 basert på tall Vedlegg 11: aktivitetsprediksjon SEBRA-modellen Fire års prediksjon status 2013 basert på tall Ett års prediksjon status 2010 basert på tall

6 1 Innledning 1.1 Bakgrunn Oppgaven tar utgangspunkt i SSBs undersøkelse Nyetablerte foretaks overlevelse og vekst, , som viser at bare 3 av 10 bedrifter som ble etablert i Norge i 2008 fremdeles var aktive i Denne perioden er litt spesiell med tanke på finanskrisens innvirkning på norsk økonomi og norske bedrifter (Finansdepartementet, 2009), men tilsvarende undersøkelser gjort tidligere år gir også lignende resultater. På bakgrunn av disse funnene, virker det som det er vanskelig for nyetablerte bedrifter å overleve. Det er spesielt mange som ikke engang overlever første år etter etablering (Statistisk sentralbyrå, 2015). Forskning på entreprenørskap viser blant annet at nyetableringer kan skape mer sysselsetting, drive effektiv innovasjon og skape produktivitet og vekst. (Praag & Versloot, 2008:1). Det kan derfor være et viktig bidrag til utvikling i norsk næringsliv. Problemstillinger rundt entreprenørskap er spesielt aktuelt i disse dager med tanke på nedgangen i oljebransjen de siste årene. Sammen med klimautfordringer, vil dette stille store krav til omstillinger i norsk næringsliv fremover. For å sikre arbeidsplasser i fremtiden, har regjeringen derfor lansert en gründerplan som skal legge bedre til rette for oppstart og utvikling av nye bedrifter i Norge (Regjeringen, 2015). På bakgrunn av disse utfordringene og mulighetene for entreprenører, ønsker vi å få større innsikt i hva som skal til for å lykkes som nyetablert bedrift. Dette vil vi gjøre gjennom å se på hvilke faktorer som kjennetegner de bedriftene som overlevde etter etablering og ikke i perioden 2008 til Formålet med undersøkelsen er å kunne gi nyttig informasjon til potensielle entreprenører. 1

7 1.3 Forskningsspørsmål Vi vil følge et utvalg bedrifter etablert i Oslo i 2008, og se hva slags utvikling de hadde frem til Gjennom analyser av regnskapsvariabler og bedriftsinformasjon for de ulike bedriftene, vil vi undersøke hvor godt man kan predikere fremtidig aktivitet. På bakgrunn av dette, har vi kommet frem til følgende problemstilling: Hvor godt kan man predikere fremtidig status for nyetablerte bedrifter basert på regnskapsinformasjon? Forholdene som blir undersøkt er basert på faktorer vi mener er av interesse, med grunnlag i tidligere forskning på området. Vi har valgt å ta utgangspunkt i to allerede etablerte modeller for konkursprediksjon; Z-score-modellen og SEBRA-modellen. Bakgrunnen for dette er at vi ønsker å sammenlikne de to modellenes treffsikkerhet, og undersøke hvilke variabler som har størst påvirkning på nyetablerte bedrifters fortsatte aktivitet. Dette kan også gi en pekepinn om hva som er viktig å legge vekt på for potensielle entreprenører. Opprinnelig ønsket vi også å undersøke hva slags innvirkning lederes grad av eierskap og eventuelle agentproblemer kan ha på nyetablerte bedrifters utvikling. Analyser av dette var dessverre vanskelig å gjennomføre siden det var nesten ett halvtårs ventetid for å få nødvendig informasjon om eierskap fra Verdipapirsentralen. 1.4 Nøkkelbegreper Nyetablert bedrift: Bedrift som ble registrert i Foretaksregisteret mellom og Aktiv bedrift: En bedrift som ikke er oppløst, slettet eller konkurs. Inaktiv bedrift: En bedrift som er oppløst, slettet eller konkurs. Overlevelse: Fortsatt aktivitet i året som undersøkes. Dvs. bedriften karakteriseres i foretaksregisteret som aktiv, og ikke oppløst, slettet eller konkurs. 2

8 Konkurs: Konsekvens av at en virksomhet eller person har blitt insolvent (Konkursrådet, 2012). Insolvens defineres av Konkursloven 61 fra 1984: Skyldneren er insolvent når denne ikke kan oppfylle sine forpliktelser etter hvert som de forfaller, medmindre betalingsudyktigheten må antas å være forbigående. Insolvens foreligger likevel ikke når skyldnerens eiendeler og inntekter tilsammen antas å kunne gi full dekning for skyldnerens forpliktelser, selv om oppfyllelsen av forpliktelsene vil bli forsinket ved at dekning må søkes ved salg av eiendelene. (Lovdata, 2016) Oppløst: Generalforsamlingen tar beslutningen om å oppløse et selskap ved to tredjedels flertall. Ved beslutning om oppløsning skal generalforsamlingen velge et avviklingsstyre som trer sammen i stedet for styret og daglig leder. Beslutningen om å oppløse foretaket skal straks meldes til Foretaksregisteret (Altinn, n.d.). Slettet: Foretaket er slettet i Foretaksregisteret. Etter kreditorfristen på seks uker har gått ut etter kunngjøring av oppløsning og avviklingsregnskapet er godkjent av selskapets høyeste myndighet, slettes foretaket (Altinn, n.d.). Utliggere: ekstremverdier i datautvalget, som avviker fra gjennomsnittet med +/- 2 * standardavvik. Slike verdier kan gi et feil bilde av utvalget, da de trekker gjennomsnittet overdrevent mye i positiv eller negativ retning. 1.5 Oppgavestruktur Oppgaven er delt inn i fem hovedkapitler. Først presenteres eksisterende teori rundt temaene vi ønsker å undersøke. Deretter utdyper vi oppgavens hovedproblemstilling og presenterer våre valgte modeller. På bakgrunn av dette presenteres valgte metoder for å kunne vurdere problemstillingene. Deretter følger en gjennomgang og drøfting av analysenes resultater. Til slutt gir vi en konklusjon og forslag til videre forskning på området. 3

9 2 Teori 2.1 Entreprenørskap Det finnes mange eksempler på definisjoner og beskrivelser av begrepet entreprenørskap. Noen har definert det som nyetablering, andre som skaping av nye organisasjoner. Begrepet har også blitt forklart som å utøve innflytelse på markedet gjennom å utnytte nye kombinasjoner av ressurser (Davidsson, 2004:1). Det er dermed et relevant begrep for spørsmålene det tas stilling til i vår oppgave. Davidsson har undersøkt disse synspunktene og flere til (2004), og kom fram til en innfallsvinkel som fokuserer på noen hovedkjennetegn ved entreprenørskap: Man bør ta hensyn til både handlinger gjort på mikronivå, og implikasjonene dette har på makro-nivå. Han mener at entreprenørskap må gjøre en forskjell, og ikke bare være en radikal ny idé som ikke har påvirkning på omgivelsene. Det er leverandører som driver entreprenørskap, ikke konsumenter eller lovgivende instanser. Dette gjør de gjennom å introdusere nye og bedre tilbud. De driver dermed markedet fremover, gjennom å gi kunder nye alternativer og potensielt større verdi for pengene. I tillegg, kan de motivere etablerte aktører til å forbedre effektivitet og motivere andre nye aktører til å etablere seg i markedet (Davidsson, 2004:6-7). Et annet viktig poeng Davidsson fremhever, er at også de som mislykkes bør anses som entreprenører. Selv om de kanskje ikke gjør det bra selv, kan first-mover - effektene de skaper legge til rette for andre aktørers etablering, og dermed også være med på å drive markedet fremover (Davidsson, 2004:7). Et annet argument er at selv om mange entreprenører mislykkes, kan andre lære av deres feil og finne på bedre løsninger i fremtiden (Davidsson, 2004:12-13). Når man skal undersøke entreprenørskap, fokuserer Davidsson videre på at en karakteristikk ved økonomi er heterogenitet (Davidsson, 2004:21). Dette argumentet kan relateres til synspunktene han har rundt utvalg ved undersøkelser. I stede for et tilfeldig utvalg, med fokus på statistisk relevans, kan en innfallsvinkel som fokuserer på teoretisk relevans, være vel så bra når man studerer entreprenørskap. Man trenger et utvalg som er relevant for det man ønsker å undersøke (Davidsson, 2004:68). Det kan dermed være mer hensiktsmessig å gjøre et stratifisert utvalg, der man setter noen kriterier. Dette kan for eksempel være størrelse, at man ønsker å undersøke en spesifikk bransje eller andre 4

10 kjennetegn ved bedrifter (Davidsson, 2004:81-82). Man kan dermed sørge for at utvalget er teoretisk representativt, dvs. at enhetene i utvalget representerer de teoretiske elementene man ønsker å undersøke (Davidsson, 2004:69). Som man kan se senere i oppgaven, har vi satt noen spesifikke kriterier for vårt utvalg, nettopp fordi det er noen spesifikke teorier vi ønsker å undersøke. 2.2 Konvensjonell regnskapsteori I generell regnskapsanalyse legges det gjerne hovedvekt på noen forutsetninger som må oppfylles for at en bedrift ved egen innsats skal kunne overleve i samfunnet. En vurdering av dette krever en forståelse av sammenheng mellom en bedrifts inntjeningsevne og dens betalingsevne (Eklund & Knutsen, 2003:97). Formålet med regnskapsanalysen er å kunne vurdere bedriftens økonomiske stilling og utvikling. Denne vurderingen gjenspeiler seg i enkelttall og tallrelasjoner og i hvilken retning disse tallene utvikler seg (Eklund & Knutsen, 2003:98). I vår oppgave ønsker vi å vurdere historisk regnskapsdata for et utvalg enkeltbedrifter for å vurdere deres fremtidig utvikling mot eventuell aktivitet eller inaktivitet. For å kunne gjøre dette er det vesentlige bedriftsøkonomiske elementer som må vurderes. Bedriftens evne til å overleve styres hovedsakelig av dens evne til å betale sine forpliktelser etter hvert som de forfaller, dvs. bedriftenes likviditet. Dersom en bedrift har likviditetsvansker blir den slått insolvent og en fremtidig konkurs er å forvente. Både bedriftens inntjeningsevne og betalingsevne står i sentrum når man skal vurdere risikoen som er knyttet til å yte bedriften kreditt. Videre må det gjøres en vurdering av bedriftens finansiering og soliditet. Dette gir verdifull tilleggsinformasjon når man skal uttale seg om bedriftens økonomiske stilling og utviklingen frem til i dag, og når man skal uttale seg om fremtidige utfordringer (Eklund & Knutsen, 2003:103). For å få en innsikt i den bedriftsøkonomiske utviklingen og stillingen setter man gjerne sammen regnskaper for flere år og beregner og vurderer nøkkeltall for inntjening, likviditet, finansiering og soliditet. En slik nøkkeltalls- eller forholdstallsanalyse defineres gjerne som tradisjonell regnskapsanalyse (Eklund & Knutsen, 2003:103). Nøkkeltallsanalysen kan brukes både til tidssammenligninger innenfor samme bedrift, og til å sammenligne ulike bedrifter med hverandre. Ettersom vår analyse ser på flere bedrifter over tid, vil vi kunne gjøre begge typer av analyser. Dette vil kunne gi en indikasjon på om 5

11 bedriftene er i negativ eller positiv utvikling (Eklund & Knutsen, 2011:102). En svakhet ved nøkkeltallsanalyser er at bedrifter ofte har forskjellig kapitalstruktur og driftsform, noe som kan føre til en upålitelig sammenligning på tvers av bedrifter (Hoff, Pedersen, Sanne, 2015). Det kan gi en bedre indikasjon på den enkelte bedrift dersom man sammenligner bedrifter i samme gruppe eller bransje. En slik analyse skjer ved en sammenlikning av nøkkeltall for enkeltbedrifter med gruppens eller bransjen gjennomsnitt (Eklund & Knutsen, 2011:102). Nøkkeltall er også sentralt i konkursprediksjon (Eklund & Knutsen, 2011). Tidligere analyser har funnet forskjeller i nøkkeltallene til bedrifter som var økonomisk stabile og ikke. I tillegg fant man at de som opplevde mange økonomiske problemer hadde annerledes finansiell struktur en de som opplevde færre (Altman, 1968). 2.3 Konkursprediksjonsmodeller Først ønsker vi å presentere to kjente konkursprediksjonsmodeller, som vi tar utgangspunkt i når vi vurderer de nyetablerte bedriftenes sjanse for å fortsatt være aktive på et fremtidig tidspunkt. Modellene vi ønsker å bruke er Z-score-modellen utviklet av Altman, og SEBRAmodellen utviklet av Norges Bank Z-score-modellen Altman utviklet en Z-score-modell i 1968 for å evaluere tilstanden til en bedrift. Denne modellen var opprinnelig tilpasset et utvalg børsnoterte produksjonsbedrifter. Modellen viste seg å være nøyaktig for prediksjon av konkurs ett år frem i tid, med en treffsikkerhetsprosent på 93,3% (Heine, 2000). Altman Z-score tar for seg fem tradisjonelle nøkkeltall til å analysere og predikere konkurs: X 1 : Arbeidskapital / sum eiendeler X 2 : Tilbakeholdt inntjening / sum eiendeler X 3 : Driftsresultat / sum eiendeler X 4 : Egenkapital / gjeld X 5 : Salgsinntekt / sum eiendeler Modellen ble senere tilpasset for å kunne passe til et bredere spekter av bedrifter, og omtales i dag som Altmans Zeta-modell (Altman, Heldeman & Narayann, 1977). Zetamodellen syntes å være tilnærmet like nøyaktig som Z-score-modellen for prediksjon på ett års basis (96,2%). Den skiller seg derimot ut som et mye bedre verktøy for prediksjon lenger 6

12 frem i tid. Hovedgrunnen til dette er at Zeta-modellen inkluderer bedrifter som har større aktiva enn foretakene i Z-score-modellen (Heine, 2000) SEBRA-modellen Norges Bank har de siste femten årene (siden 2001) brukt denne empiriske modellen til å anslå sannsynligheter for konkurs i norske aksjeselskaper. Modellens prediksjon tar utgangspunkt i sentrale bedriftsøkonomiske forhold i hvert enkelt foretak hentet i årsregnskapet, i hovedsak nøkkeltall som beskriver foretakets inntjening, soliditet og likviditet. I tillegg til nøkkeltallene inkluderes mål for foretakenes størrelse, alder og bransjetilhørighet. Modellen inneholder også ikke-bedriftsøkonomiske forhold som bidrar til økt forklaringskraft i modellen, eksempler på dette er omfanget av offentlige avgifter, leverandørgjeld og avsatt utbytte (Bernhardsen, Larsen, 2007). Modellen er utviklet på bakgrunn av hele populasjonen av foretak i Norges Banks regnskapsdatabase for perioden (om lag foretak). Et stort antall forklaringsvariabler og kombinasjoner ble testet på dette datasettet, for å ikke utelate signifikante variabler. Resultatet ble 12 forklaringsvariabler som utgjør SEBRA-modellen (Eklund, Larsen & Bernhardsen, 2001): Kategorier Inntjening/Lønnsomhet Likviditet Variabler - Inntjening som andel av totalkapitalen - Betalingsmidler minus kortsiktig gjeld som andel av driftsinntekter - Skyldige offentlige avgifter som andel av totalkapitalen - Leverandørgjeld som andel av totalkapitalen Soliditet Bransje Alder Størrelse Tabell 1: SEBRA-modellen - Egenkapital som andel av totalkapitalen - Dummyvariabel for bokført egenkapital mindre enn innskutt egenkapital - Dummyvariabel for utbetalt utbytte siste regnskapsår -Bransjevis gjennomsnitt for variabelen egenkapital som andel av totalkapital - Bransjevis gjennomsnitt for variabelen leverandørgjeld som andel av totalkapitalen - Bransjevis standardavvik for variabelen inntjening som andel av totalkapital - Dummyvariabel for antall år siden etablering - ln(sum eiendeler) 7

13 SEBRA-modellen har en bred anvendelse og har over tid gitt mange nyttige erfaringer og ideer til videre utvikling av modellen. Dette er også et resultat av at datatilgangen har økt siden modellen ble utviklet. Det har blitt utviklet to nye versjoner av SEBRA-modellen kalt; SEBRA-basis og SEBRA-utvidet. Førstnevnte inkluderer de opprinnelige basisnøkkeltallene, men har introdusert bransjevariabler som i større grad varierer over tid enn den opprinnelige modellen. Sistnevnte modell er en utvidelse av basisversjonen, den inkluderer variabler for omfanget av leverandørgjeld, ubetalte offentlige avgifter og størrelse (Bernhardsen, 2007). Modellen har god prediksjonsevne, dvs. det er godt samsvar mellom predikerte sannsynligheter og foretakene som faktisk gikk konkurs. Norges Banks analyse viser om lag 83 prosent treffsikkerhet (Eklund et al., 2001) Sammenlikning av modellene De to overnevnte modellene, er bygd opp av ulike nøkkeltall. Men det er viktig å si at de har tydelige likheter, ettersom det gjennomgående er de samme nøkkeltallene som øker sannsynligheten for aktivitet. Begge modellene inneholder uavhengige variabler som vurderer bedriftenes likviditet, lønnsomhet og soliditet. Med bakgrunn i konvensjonell regnskapsteori, er det ønskelig for en hver aktiv bedrift å ha positive verdier på de tre nevnte nøkkeltallene for å kunne beholde denne statusen. I tillegg er det i begge modellene inkludert vurderinger av størrelse og vekst. I Z-score-modellen korrigeres det for størrelse ved at de ulike nøkkeltallene blir dividert med sum eiendeler, mens det i SEBRA-modellen er inkludert uavhengige variabler for størrelse. 8

14 3 Problemstilling og våre modeller I dette kapittelet vil vi utbygge og konkretisere oppgavens problemstilling videre, før vi basert på dette presenterer våre valgte prediksjonsmodeller. Hovedproblemstillingen vår bygger på modellene nevnt i teorikapittelet. Men i stedet for å predikere konkurs, predikerer vi fortsatt aktivitet vs. inaktivitet, der bedriftene som defineres som inaktive både kan være konkurs, slettet eller oppløst i året vi undersøker. Selv om vi ønsker å predikere fortsatt aktivitet, mener vi at det er hensiktsmessig å ta utgangspunkt i konkursprediksjonsmodeller, ettersom variablene som påvirker om en bedrift går konkurs antas å ha en motsatt påvirkningskraft på fortsatt aktivitet. I tillegg til hovedproblemstillingen: Hvor godt kan man predikere fremtidig status for nyetablerte bedrifter basert på regnskapsinformasjon?, ønsker vi også å ta stilling til to underproblemstillinger: 1) Hvilke av variablene har størst innvirkning på fortsatt aktivitet? 2) Kan et mer normalfordelt utvalg gjennom transformasjon gi en bedre prediksjonsmodell? For å forsøke å svare på disse spørsmålene vil vi se på de ulike variablenes påvirkningskraft i modellene, for å undersøke om noen har sterkere innvirkning på status enn andre. Vi vil også undersøke om variablenes påvirkning er i samme retning som man burde kunne forvente på bakgrunn av konvensjonell regnskapsteori. 3.1 Våre modeller Basert på problemstillingen, vår tilgjengelige regnskapsinformasjon og at vi ønsker å predikere fortsatt aktivitet over ulike tidsperioder, virker Z-score-modellen og en modell basert på variabler fra SEBRA-modellen mest aktuell for våre analyser. Vi ender derfor opp med å bruke følgende variabler i prediksjonsmodellene: Z-score modellen X 1 : Arbeidskapital / sum eiendeler X 2 : Tilbakeholdt overskudd / sum eiendeler X 3 : Driftsresultat / sum eiendeler X 4 : Egenkapital / gjeld X 5 : Salgsinntekt / sum eiendeler 9

15 X 1 : Arbeidskapital / sum eiendeler: Dette nøkkeltallet er et mål på likviditet. Arbeidskapital blir beregnet ved å finne differansen mellom omløpsmidler og kortsiktig gjeld. En positiv arbeidskapital betyr dermed at deler av anleggsmidlene er finansiert gjennom langsiktig kapital. I motsatt fall, er anleggsmidler delvis finansiert gjennom kortsiktig gjeld, noe som kan tyde på dårlig likviditet (Eklund & Knutsen, 2011). Tidligere undersøkelser viser at det gjerne er en stor negativ vekst i arbeidskapitalen/sum eiendeler de siste årene før inaktivitet inntreffer. Nedgang i bare ett år på dette nøkkeltallet vil vanligvis ikke føre til inaktivitet. For gruppen fortsatt aktive bedrifter forventes en stabil eller eventuell økende trend (Eklund & Knutsen, 2011:298). X 2 : Tilbakeholdt overskudd / sum eiendeler: Tilbakeholdt inntjening kan også refereres til som opptjent egenkapital, som er sum egenkapital fratrukket aksjekapitalen. I vårt datasett hadde vi ikke informasjon om aksjekapitalen, vi valgte derfor å regne ut overskudd i stedet, dvs. årsresultat fratrukket ubetalt utbytte. Lave verdier i perioden før inaktivitet er naturlig, dvs. at bedriftene går i underskudd før de blir inaktive (Eklund & Knutsen, 2011:302). Alder er viktig i vurderingen av dette forholdet, ettersom relativt unge bedrifter ikke har hatt tid til å bygge opp sin fortjeneste. Man kan derfor si at unge bedrifter er diskriminert for dette forholdet, og deres mulighet for å bli predikert inaktiv er relativt høyere (Heine, 2000). X 3 : Driftsresultat / sum eiendeler: Dersom en bedrift har negative driftsinntekter innebærer det at de ikke dekker løpende driftskostnader og at de ikke er i stand til å betale renter på lån. Manglende inntekter er den underliggende årsaken til dårlig likviditet, som igjen utløser inaktivitet. Dette er fordi tilstrekkelig kontantinntjening er en av de viktigeste forutsetningene for annen tilgang av kapital. Nøkkeltallet bør være positivt og dekke minst renter og utbytte. For aktive bedrifter forventes positive verdier, mens for de inaktive bedriftene viser nøkkeltallet gjerne en negativ utvikling (Eklund & Knutsen, 2011:303). X 4 : Egenkapital / gjeld: Nøkkeltallet viser hvor mye egenkapitalen kan synke før gjelden overskrider eiendelene og bedriften blir betalingsudyktig. For inaktive bedrifter viser nøkkeltallet ofte en negativ utvikling, spesielt de tre siste leveårene (Eklund & Knutsen, 2011:301). 10

16 X 5 : Salgsinntekt / sum eiendeler: Det siste nøkkeltallet i modellen viser hvor effektivt en bedrift unytter investert kapital målt via salg. For inaktive bedrifter forventes det en negativ utvikling i dette nøkkeltallet, siden salgsinntektene ofte reduseres samtidig som kapitalbindingen i omløpsmidlene øker (Eklund & Knutsen, 2011:304). Dette forholdet er i følge Altman det minst signifikante på individuell basis i modellen. Men på grunn av det unike forholdet det har til de andre variablene, er det en av de viktigste variablene i modellen (Heine, 2000) SEBRA-modellen Den originale SEBRA-modellen inneholder tolv uavhengige variabler. Men på bakgrunn av vår tilgjengelige informasjon, har vi valgt å fokusere på fem av de. Denne modellen har med tre nøkkeltall som er svært vanlige i tradisjonell regnskapsanalyse, i tillegg er det inkludert to mål for størrelse. LØ: lønnsomhet målt ved totalkapitalrentabilitet LI: likviditet målt ved likviditetsgrad 1 SO: soliditet målt ved egenkapitalprosent ANS: størrelse målt ved antall ansatte DRIFT: størrelse målt ved driftsinntekter Lønnsomhet (LØ) Lønnsomhets-, eller rentabilitetsanalyse, brukes til å si noe om en bedrifts inntjening på investert kapital. Det vil si evnen bedriftene har til å skape inntjening ved å bruke de eiendelene den disponerer (Eklund & Knutsen, 2011:107). Vi har valgt å fokusere på et nøkkeltall som sier noe om inntjeningen uavhengig av andelen egenkapital og gjeld. Dette er hentet ferdig utregnet fra Proff Forvalt, der følgende formel er brukt: Totalkapitalrentabilitet (TKR) =!"#$%æ!"!"#$%&'&!ø!!"#$$!!"#$#%&'%(#$)*+ (!"#!!!!!"#! )/! 100% SGE(x-1): sum egenkapital og gjeld i år (x-1) SGE(x): sum egenkapital og gjeld i år (x) Økt lønnsomhet fører til høyere overskudd eller redusert underskudd. Økt lønnsomhet påvirker likviditeten til foretaket. Dersom hele eller deler av overskuddet holdes tilbake, vil bedriften øke egenkapitalen. Økt inntjening vil altså bedre foretakets evne til å betale sine forpliktelser, dvs. økt likviditet vil redusere sannsynligheten for inaktivitet (Eklund & Knutsen, 2011:317). I følge Proff Forvalt sine nettsider er et rimelig nivå på dette 11

17 nøkkeltallet mellom 10-15%. Generelt bør den ligge over det selskapet betaler i renter for sine lån. Likviditet (LI) For å analyserer bedriftens evne til å betale sine forpliktelser til forfall, har vi sett på likviditetsgrad 1. Dette er regnet ut av Proff Forvalt etter følgende formel: Likviditetsgrad 1(L1) =!"#!"#ø!"#$%&'(!"#!"#$%&'$!"!"#$% I følge Proff Forvalt sin hjemmeside er ønskelig nivå på dette nøkkeltallet større enn 1 for å være tilfredsstilt. Dersom den ligger over 1,5 ansees den som god. Mens det generelle målet på dette nøkkeltallet gitt i ulike lærebøker er likviditetsgrad 1 > 2, men det finnes ikke noe god begrunnelse for denne normen (Eklund & Knutsen, 2011:153). Kravet til likviditetsgraden er omdiskutert og avhenger av hvordan omløpsmidler og kortsiktig gjeld er sammensatt, dette vil variere sterkt fra bransje til bransje. Vi kan derfor ikke si at bedrifter har dårlig likviditet dersom de ikke oppfyller normene (Eklund & Knutsen, 2011:157). Likvidtetsmangel er ofte en utløsende årsak til inaktivitet, spesielt dersom det er en sterk negativ vekst i nøkkeltallet (Eklund, 2011:297, 317). Skattemyndighetene er oftest de som begjærer illikvide foretak konkurs. Dersom offentlige betalingsforpliktelser ikke blir innfridd i tide, er dette gjerne en indikasjon på lav likviditet (Eklund, 2011:317). Soliditet (SO) Som et mål for soliditet, dvs. en bedrifts evne til å tåle tap, er egenkapitalandel lagt til grunn. Tallene som er brukt i prediksjonsmodellen (SEBRA) er hentet fra Proff Forvalt og er regnet ut etter følgende formel: Egenkapitalandel =!"#!"!#$%&'(%) =!"!"#!"!#$%&'(%)!!"#$%!" I følge proffs beregningsmodell av soliditet, anses soliditeten som svak uansett dersom sum egenkapital < Utover dette målet er ønskelig verdi på dette nøkkeltallet gjerne over 10% for å være tilfredsstilt. I tidligere litteratur var normen at dette nøkkeltallet bør være over 50%, men i senere tid har det blitt redusert ettersom eierne ikke skal bære så mye risiko (Eklund & Knutsen, 2011:168). 12

18 Normalt sett indikerer høy egenkapitalandel høyere hyppighet av fortsatt aktivitet. Stor andel egenkapital styrker bedriftens mulighet til å komme igjennom vanskelige tider og tilsier gjerne at foretaket har tjent godt og holder tilbake en stor andel av inntjeningen (Eklund & Knutsen, 2011:328). Men på den andre siden er kostnaden ved gjeld lavere enn kostnaden ved egenkapital, noe som tilsier at bedriftene ønsker høyere gjeldsgrad. Dersom bedriften har høy gjeldsgrad indikerer dette høy risiko, grunnet krav om kompensasjon i form av høye rentebetalinger. I denne sammenheng gir ikke høy egenkapitalandel en garanti for fortsatt aktivitet. Men som en generell regel kan man si at bedrifter med høy egenkapital lettere kan ta opp ny gjeld for å dekke sine betalingsforpliktelser (Eklund & Knutsen, 2011:169). Ettersom vi i vår analyse tar utgangspunkt i nyetablerte foretak, vil egenkapitalandelen gjerne være høy siden det er vanskelig å hente inn lånefinansiering i startfasen Bedriftsinformasjon Antall ansatte (ANS) Sysselsetting som forklaringsvariabel står i sterk sammenheng med veksten i foretaket. Antall ansatte kan også være et mål på størrelse, som vi ønsker å bruke denne forklaringsvariabelen til i vår modell. Ut i fra Statistisk sentralbyrås analyse i 2015, gjort på nyetablerte foretak fra , fant de en klar sammenheng mellom vekst i sysselsatte og fortsatt aktivitet. Foretak som ble etablert i 2008 og overlevde i hele perioden (til 2013), har i gjennomsnitt tre ganger så mange sysselsatte i 2013 som i etableringsåret. Av de nyetablerte foretakene i 2008, hadde 44% flere sysselsatte i 2013 enn i 2008 (Statistisk sentralbyrå, 2015). Driftsinntekter (DRIFT) Driftsinntekter kan også være et mål på vekst og størrelse. Generelt er inaktivitet hyppigere blant små foretak enn blant store. Det skyldes ofte at små foretak opererer innenfor begrensede geografiske områder og i mange tilfeller har liten produktbredde. Som et resultat av dette har de gjerne få strenger å spille på og er dermed sårbare for enkelthendelser. At foretakene er små står ofte i sammenheng med at de er nyetablerte, dvs. det vil være få store foretak i utvalget vårt. Men statistiske tester viser at hyppigheten av inaktivitet avtar når eiendelene er under 2 millioner kroner. Dette kommer gjerne av at det er lite å hente i konkursboene til små/nyetablerte foretak (Eklund, 2011:319). 13

19 Foretaksinformasjon som ikke inkluderes i modellene Vi vil presentere noen forklaringsvariabler som vi ønsker å ta utgangspunkt i og empiriske funn som påvirker status. Disse variablene er ikke inkludert i modellene våre, men vi ønsker allikevel å kort kommentere påvirkningen de har på fortsatt aktivitet. Alder: siden vi tar utgangspunkt i nyetablerte bedrifter, vil ikke alder være av like stor nytte som i et bredere studie. Studier viser at hyppigheten av inaktivitet er lav blant veletablerte bedrifter. Bakgrunnen for dette er gjerne lærekurveffekter og etablering av gunstige forretningsforbindelser (Eklund & Knutsen, 2001:318) Bransjefordeling: Stratifisering av utvalget gir oss et tydelig inntrykk av hvilke bransjer som har høyest andel nyetableringer. Fordelingen av bransjer er av interesse i forhold til om noen bransjer er mer utsatt for inaktivitet enn andre. Geografisk beliggenhet: I vår hovedanalyse tar vi utgangspunkt i bedrifter startet i Oslo, derfor vil geografisk beliggenhet falle bort som forklaringsvariabel. Vi ønsker allikevel å si noe om status fordelt på beliggenhet basert på rådataene for Østlandet. 14

20 4 Metode 4.1 Forskningsdesign Forskningsdesign vil si alt som knytter seg til undersøkelsen (Johannessen, Christoffersen, Tufte, 2011). I dette kapittelet vil gjennomføringen og framgangsmåtene brukt i undersøkelsen bli presentert. Dette innebærer begrunnelse for valg av metode, gjennomføring av datainnsamling, utvalgsstrategier og hvilke analyser som blir brukt i undersøkelsen. Fremgangsmåtene er hele tiden forankret i oppgavens forskningsspørsmål, problemstilling og formål Valg av metode Undersøkelsene i oppgavene baseres på en kvantitativ tilnærming. Dette er mest hensiktsmessig siden datainnsamlingen innebærer innhenting av harde data, fortrinnsvis regnskapsdata. Basert på de innhentede dataene vil nye variabler som kan si noe om bedriftenes utvikling og status etableres. Siden bedriftene følges over en periode på fem år, kan undersøkelsen karakteriseres som longitudinell. Bedriftene deler kjennetegnet at de alle ble etablert i samme år, og siden vi følger de samme bedriftene gjennom de fem årene, får vi en kohortundersøkelse Men allikevel bærer undersøkelsen et tidsseriepreg, da utvalget endres noe fra år til år. Dette er fordi bedrifter vil falle fra etter hvert som de blir inaktive (Johannessen et al., 2011). Så man kan si at når vi sammenligner data for populasjonen i 2008 med status i 2013, ligger undersøkelsen nærmest kohort, mens når endringene fra år til år analyseres, får man et mer tidsseriepreg Avhengig variabel Formålet med våre undersøkelser er å si noe om hvilke faktorer som påvirker nyetablerte bedrifters fortsatte aktivitet, og i hvor stor grad. Det er derfor naturlig å bruke status som mål for aktivitet og dermed avhengig variabel. Variabelen status har bare to mulige utfall i våre analyser, aktiv eller inaktiv (konkurs, oppløst, slettet). Siden det er en dikotom variabel, oppretter vi en dummy-variabel, der verdi 1 indikerer fortsatt aktivitet, mens verdi 0 indikerer inaktivitet for bedriften i det året vi undersøker. 15

21 4.1.3 Uavhengige variabler Begrunnelse for valg av de ulike uavhengige variablene gjøres i teorikapittelet, mens deskriptiv analyse gjøres i analysekapittelet. I dette avsnittet vil vi presentere målenivå og hvilke muligheter og eventuelle begrensninger dette kan gi. Den eneste variabelen vi har på nominalnivå er den dikotome avhengige variabelen status. De uavhengige variablene er alle kontinuerlige og for det meste på intervallnivå, dvs. man kan spesifisere nøyaktige intervaller mellom verdiene. I tillegg er fire av de uavhengige variablene på forholdstallsnivå, da de har et naturlig nullpunkt og ikke har negative verdier (Johannessen et al., 2011:272). Variabler på intervallnivå Lønnsomhet (prosent) Likviditet (prosent) Soliditet (prosent) X 1 : Arbeidskapital / sum eiendeler (desimaltall) X 3 : Driftsresultat / sum eiendeler (desimaltall) X 4 : Egenkapital / gjeld (desimaltall) Variabler på forholdstallsnivå Antall ansatte (antall) Driftsinntekt (antall 1000) X 2 : Tilbakeholdt inntjening / sum eiendeler (desimaltall) X 5 : Salgsinntekt / sum eiendeler (desimaltall) Siden alle de uavhengige variablene er på høyt målenivå, har vi mulighet til å sammenligne gjennomsnitt, og dermed bruke regresjonsanalyse (Johannessen et al., 2011:335) Logistisk regresjonsanalyse Siden vi ønsker å si noe om sammenhengen mellom den avhengige variabelen og de uavhengige variablene, er regresjonsanalyse et bra verktøy. Men siden den avhengige variabelen i analysen er på nominalnivå (dikotom), kan ikke tradisjonell lineær regresjonsanalyse brukes siden dette krever høyere målenivå (Johannessen et al., 2011). I stedet vil vi ta i bruk logistisk regresjonsanalyse. 16

22 I motsetning til lineær regresjonsanalyse, følger logistisk regresjon en S-formet kurve. Denne gir en logistisk sammenheng mellom en uavhengig variabel (X) og sannsynligheten for at fenomenet som undersøkes inntreffer (Y), i vårt tilfelle status aktiv/ inaktiv. Sannsynligheten varierer i intervallet 0 til 1, men kurven når aldri grenseverdiene. Resultatet av regresjonen vil vise logaritmen av oddsen for å ha verdien 1 (logiten) (Tufte, 2000:17-18). Modellparameterne estimeres ved å estimere maksimal sannsynlighet (Maximum likelihood-metoden) (Heldal, 2007). Utklipp 1: S-kurven (Tufte, 2000:22) Som Tufte illustrerer i figuren over, beveger sannsynligheten seg mellom 0 og 1, mens logiten kan gå fra minus uendelig til pluss uendelig. Dermed kan man bruke logiten som avhengig variabel siden den ikke er begrenset til et bestemt intervall. Regresjonen uttrykkes slik: Utklipp 2: Logistisk regresjon b0: gjennomsnittlig logit når alle uavhengige variabler i modellen er 0 (konstanten) b1-bn: hvor mye logiten/log-oddsen endres ved økning på en enhet i verdi for en uavhengig variabel mens de andre uavhengige variablene holdes fast. x1-xn: de uavhengige variablene e: restledd/residual 17

23 Forutsetninger for logistisk regresjonsanalyse 1) Dikotom avhengig variabel, dvs. den kan bare ta verdien 1 eller 0. Dette er i vårt tilfelle oppfylt gjennom at variabelen status er en dummy-variabel, der aktiv har verdien 1, og inaktiv har verdien 0. 2) Sannsynligheten/andelen forutsettes avhengig av noen uavhengige variabler. Sammenhengen mellom X og Y følger den logistiske kurven. Vi har valgt ut et sett med uavhengige variabler, som basert på tidligere forskning på bedrifters overlevelse og konkurs, anses som relevante. 3) Det forutsettes at observasjonene av den avhengige variabelen er statistisk uavhengige av hverandre. Dette innebærer et tilfeldig utvalg av enheter. Selv om vi har satt en del kriterier for vårt utvalg av bedrifter, mener vi at denne forutsetningen fremdeles er oppfylt. Selv om bedriftene er valgt ut etter de samme kriteriene, regnes de som uavhengige enheter. 4) Det kan ikke være sterk multikollinearitet (lineær sammenheng) mellom de uavhengige variablene (Aldrich & Nelson, 1984:48-49). Dette sjekker vi for ved å se på bivariat korrelasjon mellom de uavhengige variablene, i tillegg til å observere størrelsen på VIF-verdien. Denne er anbefalt å være mellom 5 og 10, og alle VIFverdiene i våre tester ligger godt under 5 (se vedlegg 8 og 9) (Minitab, 2016) Tolkning av koeffisientene Når man skal tolke koeffisientene i modellen, kan man bruke to hovedtilnærminger. Den første metoden er å se på koeffisientenes fortegn: For logiten (B): positivt fortegn à positiv sammenheng mellom uavhengig og avhengig variabel For oddsratioen Exp(B): verdi >1 à positiv påvirkning på avhengig variabel verdi <1à negativ påvirkning på avhengig variabel verdi = 1 à ingen påvirkning på avhengig variabel (Hair, 2014: ) For å få fram størrelsen på sammenhengen, tar vi i bruk oddsratioen (Exp(B)), da denne er mer intuitivt enkel å forstå. Denne uttrykker antilogaritmen til de estimerte koeffisientene for de uavhengige variablene. Resultatet viser antall ganger oddsen for fortsatt aktivitet endres når verdien til en uavhengig variabel endres med en enhet (Tufte, 2000:27). Dette kan uttrykkes slik: Prosentendring i odds = (oddsratio 1) * 100 (Hair, 2014:327) 18

24 I tillegg, må man teste om sammenhengene er signifikante. Ved bruk av SPSS, er Wald-test mest utbredt. Testoperatoren er her kjikvadratfordelt, der frihetsgrader er (df) = 1 ved store utvalg når β = 0. Nullhypotesen forkastet ved 5% signifikansnivå, dvs. når operatoren overstiger den kritiske verdien 3,84. Denne gir samme informasjon som Z-test, der nullhypotesen forkastes når operatoren overstiger 0.05 (Tufte, 2000:35-36). Disse testene krever store utvalg (Tufte, 2000:36). I følge Hosmer og Lemeshow (2000), bør man ved logistisk regresjon ha et utvalg på mist 400 enheter. I tillegg, bør det være minst 10 enheter per gruppe av den avhengige variabelen. Begge disse kriteriene oppfylles i vårt utvalg. I tillegg sjekker vi konfidensintervallet til oddsratioen. Dette skal ikke inneholde verdien 1. Dersom dette forekommer er ikke sammenhengen signifikant (Pallant, 2007:177). Vi tar også i bruk likelihood-ratio test. Dette innebærer å se på koeffisienter som maksimerer logaritmen til modellens funksjon. Det gjøres ved å starte med en modell som bare inneholder konstantleddet, dvs. de andre variablene = 0. Deretter ser man om det skjer en signifikant endring i log likelihood etter hvert som flere variabler legges til modellen (Tufte, 2000:36). Dersom verdien på -2 Log Likelihood synker når det legges til nye variabler, betyr det at den nye variabelen gir et bidrag til å forklare variasjonen i den avhengige variabelen. Denne forbedringen vil også vises som endring i Chi-square fra block til block i Omnibus Tests of Model Coefficients i SPSS. Kji-kvadrattesten har en frihetsgrad per variabel lagt til (Tufte, 2000:37) Denne forbedringen er derimot ikke alltid signifikant, dvs. man kan ikke utelukke at forbedringen er tilfeldig dersom kji-kvadraverdien har sig. < I vår oppgave vil vi kommentere endring i -2 Log Likelihood fra block 1 til block 5, og sjekke om den har lik trend fra block til block. I tillegg, vil vi se om kjikvadrat-operatoren er signifikant for modellen i sin helhet. For å beskrive hvor god modellen er sett under ett, finnes det flere ulike metoder. Ved bruk av SPSS, kan man bruke Hosmer & Lemeshow Goodness of Fit. Testen tar utgangspunkt i predikerte sannsynligheter for den avhengige variabelen, og sammenligner disse med observerte (Tufte, 2000:47). Men i følge Tufte (2000:5 0) kan log likelihood også brukes som et relativt mål for goodness of fit i praktisk modelleringsarbeid. Vi vil derfor begrense oss til endringer i -2 Log Likelihood når vi vurderer goodness of fit i vår modell. 19

25 4.1.5 Data og utvalg Analysene i oppgaven er basert på data hentet fra tjenesten Proff Forvalt, der hovedutvalget omfatter totalt bedrifter etablert på Østlandet i De åtte fylkene Østlandet inneholder er følgende; Akershus, Buskerud, Hedmark, Oppland, Oslo, Telemark, Vestfold og Østfold. Datasettet ble lastet ned Excel-filene inneholder område, bransje og regnskapstall for samtlige bedrifter i perioden I tillegg ble ferdig utregnede nøkkeltall for lønnsomhet, soliditet og likviditet for bedrifter med forretningsadresse i Oslo lastet ned Utvalgskriterie 1: AS og ASA etablert Oslo i 2008 I vår oppgave ønsker vi først og fremst å undersøke bedrifter som ble etablert i Oslo. Dette er for å bedre kunne si noe om bransjeforskjeller innenfor samme område. Oslo er også et område vi selv synes er interessant. Samtidig har vi beholdt utvalget for hele Østlandet, for å kunne si noe om forskjeller og likheter på fylkesnivå. Vi var også avhengige av tilgang til regnskapsinformasjon for mange bedrifter. Det var derfor mest hensiktsmessig å velge bare AS og ASA siden alle disse er regnskapsrapporteringspliktige. Utvalgskriterie 2: Bedrifter som først og fremst driver næringsvirksomhet De ulike bransjene i utvalget er sortert etter NACE-koder. Noen av disse bransjene er dominert av bedrifter som ikke først og fremst driver næringsvirksomhet, men som i stede primært drives som holding-, eiendoms- eller investeringsselskaper. Disse har ofte få eller ingen sysselsatte og driver ingen aktiv produksjon (Vatne, 2009). De er derfor ikke relevante for våre analyser. Følgende NACE-koder ble dermed fjernet fra utvalget: 64 Finansieringsvirksomhet, 66 Tjenester tilknyttet finansierings- og forsikringsvirksomhet, 84 Offentlig administrasjon og forsvar, og trygdeordninger underlagt offentlig forvaltning, 86 Helsetjenester, 87 Pleie- og omsorgstjenester i institusjon og 88 Sosiale omsorgstjenester uten botilbud. Utvalgskriterie 3: Minst 1 ansatt i perioden I tillegg, var det mange av bedriftene som ikke på noe tidspunkt hadde ansatte gjennom perioden Siden vi ønsket å se på bedrifter av en viss størrelse, ble også alle disse fjernet fra utvalget. Overvekten hørte til NACE-kode 68 Omsetning og drift av fast eiendom, og mange av de var holdingselskaper. Det var også totalt 381 bedrifter i utvalget som ikke var registrert med noen NACE-kode. Disse ble derfor også fjernet. Selv om dette kan innebære en feilkilde for analysene, vurderte vi den manglende informasjonen om 20

26 bedriftene som et større problem enn å fjerne dem. Etter denne segmenteringen av utvalget stod vi igjen med 3491 bedrifter på Østlandet, der 1025 ble etablert i Oslo Fjerning av utliggere Selv om logistisk regresjon regnes som robust og ikke krever en spesifikk distribusjon (Hair, 2014:319), kan ekstremverdier gjøre at de ulike målene for utvalget (gjennomsnitt, median, standardavvik osv.) gir et feil inntrykk av trenden. Siden man i regresjonsanalyse undersøker hvordan gjennomsnittsverdien i avhengig variabel varierer med et utvalg uavhengige variabler, vil man kunne få problemer dersom gjennomsnittet ikke er representativt for utvalget. Vi har derfor valgt å fjerne noen ekstremverdier. Første steg i fjerningsprosessen er å ta bort verdier som helt tydelig avviker mye fra trenden. Dette gjør vi skjønnsmessig da det bare er snakk om 1-3 verdier per variabel (Feks % for en variabel der trenden er under 100%). I neste steg fjerner vi verdier som avviker med +/- 2* standardavvik. Dette gjør vi gjennom verktøyet Identify Unusual Cases i SPSS Transformasjon av de uavhengige variablene I tillegg til fjerning av utliggere, undersøker vi om en transformasjon av variablene for å gjøre distribusjonen mer normal kan gi en bedre prediksjonsmodell. Transformasjonen vil endre formen på forholdet mellom variablene, men siden vi transformerer alle enhetene innenfor samme variabel likt, vil de relative forskjellene mellom enhetene forbli de samme. Siden vi ser på forholdet mellom ulike variabler gjennom regresjon, trenger vi ikke å transformere alle variablene i modellen likt. Men siden vi i tillegg ønsker å undersøke de samme variablene over flere år, må vi bruke den samme versjonen av variabelen i alle de 5 årene (Field, 2013:201). Hvis vi for eksempel bare hadde transformert X1 (Arbeidskapital / sum eiendeler) i 2011, men ikke i 2012, ville eventuelle forskjeller bare kunne skyldes transformasjonen (Field, 2013:202). Det finnes flere ulike måter man kan transformere dataene på, avhengig av hva man ønsker å korrigere for. Avgjørelsen om hvilken man skal bruke tas enklest ved å prøve å feile for å finne ut hvilken transformasjon som gir best resultat (Field, 2013:203). Vi testet to ulike transformasjoner for alle variablene, og valgte endelig transformasjon basert på hvilken som gav lavest andel missing og lavest kurtose, skjevfordeling og standardavvik. I vårt tilfelle, er høy kurtose et av de største problemene. I tillegg, er flere av variablene skjevfordelt. Dermed er log- og kvadratrot-transformasjon mest aktuelt. Logtransformasjon reduserer høyre-halen på distribusjonen, mens kvadratrot-transformasjon reduserer store ekstremverdiers påvirkning (Field, 2013:203). 21

27 Siden man verken kan ta logaritmen eller kvadratroten til verdier lik null, må man legge til en konstant slik at disse verdiene ikke skal falle bort i transformasjonen. For Z-scorevariablene valgte vi å legge til 100 i alle verdiene. Siden disse er oppgitt i prosent, betyr det at alle verdier mindre enn % vil falle bort etter transformasjonen. Mens for variablene i SEBRA-modellen valgte vi å legge til verdien 1, siden forholdstallene her er oppgitt i desimaltall. Alternativt kunne vi ha valgt en konstant som gjorde den aller minste negative verdien positiv. Men siden antallet missing ved bruk av den valgte metoden ikke var veldig høyt, bestemte vi oss for å gå videre med dette. Etter testing av de ulike transformasjonene endte vi opp med å beholde variabelen lønnsomhet som den var, da transformasjon ikke gav noen vesentlige forbedringer. For X1 (Arbeidskapital / sum eiendeler), X3 (Driftsresultat / sum eiendeler), X5 (Salgsinntekt / sum eiendeler) og soliditet var kvadratrot-transformasjon mest hensiktsmessig. Mens for X2 (Tilbakeholdt inntjening / sum eiendeler), X4 (Egenkapital / gjeld), likviditet, antall ansatte og driftsinntekter gav log-transformasjon det beste resultatet. Nærmere beskrivelse av de ulike variablene skjer i analysekapittelet Problemer med transformasjon Transformering av data er ikke helt uproblematisk, og det er flere meninger rundt temaet. Men i følge Field (2014:202) er poenget å vite om en modell med transformerte data presterer bedre enn en modell med data som ikke oppfyller de betingelsene transformasjonen retter for. Derfor har vi valgt å lage alle modellene våre både med utransformerte og transformerte variabler Missing For Z-score-variablene er antall missing 36 (3,5%) for alle før transformasjon. Dette er bedrifter som etter vår og Proff Forvalts definisjon fremdeles er aktive i perioden som undersøkes, men de har ikke levert årsregnskap i det aktuelle året. Man kunne for eksempel ha karakterisert de som sovende. Ikke levert årsregnskap kan være en indikasjon på at den aktuelle bedriften er i ferd med å bli inaktiv, men siden vi ikke har tilstrekkelig informasjon om disse bedriftene har vi valgt å utelate de fra analysen. For verdiene under i SEBRA-modellen vil antallet missing variere noe før transformasjon også. Dette er fordi noen nøkkeltall er oppgitt fra Proff Forvalt og noen ikke i det aktuelle året. For antall ansatte var det ikke mulig for oss å skille mellom de som hadde verdien null 22

28 og de som ikke hadde rapportert noe. Vi har derfor valgt å ta med alle enhetene for denne variabelen. Siden vi bruker listwise for å definere missing i prediksjonsmodellene, vil vi i praksis få like mange missing for alle variablene i analysen uansett. Antallet missing vil i noen tilfeller øke etter transformasjon. 4.2 Validitet og reliabilitet Vår analyse tar utgangspunkt i sekundærdata, dvs. data hentet fra en eksisterende datakilde som i vårt tilfelle er Proff Forvalt. For å kunne bruke denne dataen må man vurdere kvaliteten, i denne sammenheng ser man i hovedsak på to begreper. Dataenes reliabilitet og validitet. Disse to begrepene vurderer påliteligheten og hvor overførbare de er i forhold til det fenomenet man ønsker å undersøke Reliabilitet Grunnleggende bakgrunn for dataanalyser, er dataenes pålitelighet. Dette er knyttet til nøyaktigheten av undersøkelsens data, hvilken data som brukes, måten den blir samlet inn på og hvordan den bearbeides (Johannesen et al., 2011:44). Våre data består av regnskapsdata hentet fra nettsidene til Proff Forvalt. Proff Forvalt er Eniro Norges satsningsområde innen kreditt- og regnskapsinformasjon. De leverer oppdaterte opplysninger innen kreditt- og markedsinformasjon, ved hjelp av sine samarbeidspartnere som bl.a. er Statisk sentralbyrå, Handelshøyskolen i Bodø og Brønnøysundregistrene. De har vært i markedet siden 1991 og omtaler seg selv som en pålitelig og seriøs samarbeidspartner for norsk næringsliv og offentlig virksomhet (Proff Forvalt, n.d.). I følge regnskapsloven 1-2 første og andre ledd er alle aksjeselskaper (AS) og allmennaksjeselskapet (ASA) regnskapspliktige. Dette betyr at tallene i vår database er utformet med nøyaktighet, ettersom vi tar utgangpunkt i alle AS og ASA etablert i 2008 basert på registrering i Brønnøysundregisteret, hentet fra Proff Forvalt. Dataene våre består av i overkant 1000 bedrifter, hvor vi benyttet oss av segmenteringsverktøyene i Proff Forvalt for å få det ønskede utvalget basert på valgte utvalgskriterier. Vi har valgt å analysere regnskapsdataene slik de opprinnelig var, men dette utelukker ikke mangler eller feil. På bakgrunn av at datafilen vi hentet fra Proff ikke hadde alle de ønskelige segmenteringsvalgene for utvalget, har vi behandlet en del av dataene på egenhånd. Manuel håndtering av dataene fører til en viss sannsynlighet for at det blir gjort feil. Derfor har vi vært veldig nøyaktige i dette arbeidet, samtidig som vi har gjort mellomlagringer 23

29 underveis, slik at det blir lettere å lete fram eventuelle feil. Men vi kan ikke nekte for at det kan foreligge feil, men det er rimelig å tro at dette gjelder fåtall av bedriftene. Så lenge utvalget fremdeles består av et betydelig antall selskaper, tror vi at dette ikke vil ha store utslag for resultatene av analysen vår Validitet Dataens validitet er også viktig å vurdere når man skal analysere data. Validitet handler om hvor godt, eller relevant, data representerer fenomenet. I forskningslitteratur i dag, brukes tre forskjellige typer validitet; begrepsvaliditet, intern validitet og ytre validitet ( Johannesen et al., 2011:73-75). Begrepsvaliditet avgjør om dataene er gode representasjoner av det generelle fenomenet. I vår analyse avgjøres dette av hvor gode de uavhengige variablene er til å vurdere fremtidig fortsatt aktivitet. Som nevnt tidligere i dette kapitelet så er det flere utfordringer knyttet til de uavhengige variablene, blant annet knyttet til missing cases og transformasjon. Dette utgjør en trussel for validiteten i analysen, men dette skal vi ta hensyn til når vi analyserer resultatene prediksjonene gir oss. Intern validiteten dreier seg om hvorvidt undersøkelsen er egnet til å påvirke årsakssammenhenger eller ikke (Johannesen et al., 2011:365). Rådataene i seg selv har god intern validitet, men disse dataene blir manipulert underveis slik at de ikke lenger gir et like godt bilde av virkeligheten. Fjerningen av ekstremverdier og missing cases kan føre til skjevheter i datasettet. For å vurdere sammenhengene i analysen har vi inkludert en korrelasjonsanalyse, for å vurdere multikollineariteten mellom de uavhengige variablene. I våre prediksjonsmodeller utgjør ikke dette en spesiell trussel for den interne validiteten, ettersom ingen av prediksjonene har signifikante sammenhenger mellom de uavhengige variablene. I tillegg til å vurdere korrelasjonene, er det hensiktsmessig å diskutere om vi har inkludert alle relevante variabler i modellen. Siden vi har tatt utgangspunkt i to allerede eksisterende modeller for konkursprediksjon, antar vi at de mest relevante variablene er inkludert. Men det er viktig å nevne at det kan være uavhengige variabler som vi burde inkludert, spesielt i SEBRA-modellen, hvor vi har valgt å inkludere bare noen av de uavhengige variablene. På bakgrunn av manglende data og den logistiske regresjonsmodellens evne til å behandle 24

30 store mengder data samtidig, valgte vi å inkludere færre variabler i modellene. Dette kan derfor være en potensiell trussel for den interne validiteten. Ytre validitet handler om hvorvidt resultatene fra analysen kan generaliseres eller overføres til andre settinger enn det som er analysert (Johannesen et al., 2011:367). En måte å teste den ytre validiteten på er å teste resultatet av analysene på et annet datasett enn hva som ble brukt i prediksjonsmodellene. I vårt tilfelle sjekker vi den ytre validiteten ved å teste prediksjonsmodellene for Z-score-modellen og SEBRA-modellen på Østlandet utenom Oslo. Ettersom vi har prøvd å lage en generell modell for prediksjon av aktivitet, ønsker vi at prediksjonsmodellen skal kunne brukes på uavhengige datasett. 25

31 5 Analyse og drøfting av resultatene I dette kapitelet vil vi presentere resultatene fra de ulike analysene og gjøre en drøfting av disse. Vi begynner med den deskriptive analysen, deretter tar vi for oss prediksjonsmodellene, før vi til slutt gjør en validering av resultatene. 5.1 Deskriptiv analyse av rådataene sammenliknet med endelige utvalg Datamaterialet i denne utredningen består av offentlig regnskapsinformasjon lastet ned fra Proff Forvalt , med supplerende regnskapsinformasjon hentet Rådataene består av 8673 bedrifter opprettet i 2008 på Østlandet. Bedriftene ble så valgt ut på bakgrunn av 3 hovedkriterier; AS og ASA etablert i Oslo i 2008, bedrifter som først og fremst driver næringsvirksomhet, og minst 1 registrert ansatt i perioden Disse kriteriene ble valgt for at de innsamlede dataene skulle være mer sammenliknbare (Se metodekapittel for utfyllende begrunnelse). Analysene har som hovedformål å predikere fortsatt aktivitet basert på regnskapsdata fra I tillegg, undersøker vi hvilke variabler som har størst påvirkning. Bakgrunnen for å velge regnskapstall fra 2009 er at disse tallene viste seg å ha mest signifikante resultater etter testing i de ulike log-regresjonsmodellene. Vår hovedanalyse består av en log-regresjon. Dette krever ikke et normalfordelt utvalg (Hair, 2014:319), men ekstremverdier kan gi et feil inntrykk av trenden. Disse ble derfor fjernet. Som et resultat av dette ble antall bedrifter redusert ytterligere i datasettet, både på bakgrunn av ekstremverdier i Z-score-modellen og SEBRA-modellen Statusfordeling Rådataene for Østlandet basert på regnskapsinformasjon for 8673 bedrifter, viser at andel aktive i forhold til totalt antall registrert (2008). var 61,20% Andelen aktive baserer seg på status for 2014, ettersom det var den best tilgjengelige informasjonen fra Proff Forvalt. Antall&bedrifter 8673 Antall&aktive 5308 Antall&inaktive 3365 Andel&aktive 61,20&% Andel&inaktive 38,80&% Tabell 2: statusfordeling Østlandet 26

32 Etter fjerning av bedrifter som ikke oppfylte utvalgskriteriene ble datasettet redusert til 1015 bedrifter, basert på regnskapsinformasjon fra Fra dette utvalget ble det også fjernet 10 bedrifter som ble inaktive før Bakgrunnen for dette er at disse bedriftene ikke har registret regnskapstall i perioden. Andelen aktive bedrifter i Oslo i forhold til totalt registrerte i Oslo beregnes både mot status 2010 og Det har vært en reduksjon i antall aktive bedrifter fra 95,27% mot status 2010 til 77,73% mot status Status&2010 Status&2013 Antall&bedrifter& Antall&aktive Antall&inaktive Andel&aktive 95,27&% 77,73&% Andel&inaktive 4,73&% 22,27&% Tabell 3: statusfordeling Oslo For å kunne gjennomføre den logistiske regresjonen ble det fjernet ekstremverdier både i datasettet for Z-score-modellen og SEBRA-modellen. Datasettet for Z-score ble redusert til 976 bedrifter, hvorav andelen aktive bedrifter har blitt redusert fra 95,7% (status 2010) til 78,69% (status 2013). Mens datasettet for SEBRA-modellen ble redusert til 966 bedrifter, der andelen aktive bedrifter ble redusert fra 95,24% (status 2010) til 77,74% (status 2013). Status&2010 Status&2013 Antall&bedrifter& Antall&aktive Antall&inaktive Andel&aktive 95,70&% 78,69&% Andel&inaktive 4,30&% 21,31&% Tabell 4: statusfordeling Oslo (Z-score) Status&2010 Status&2013 Antall&bedrifter& Antall&aktive Antall&inaktive Andel&aktive 95,24&% 77,74&% Andel&inaktive 4,76&% 22,26&% Tabell 5: statusfordeling Oslo (SEBRA) Drøfting av resultatene - statusfordeling Man kan se at med våre utvalgskriterier blir andelen inaktive bedrifter lavere. Dette skiller seg også fra SSBs resultater, der disse utvalgskriteriene ikke gjelder. Ved å bare se på de bransjene som fortrinnsvis ønsker å drive næringsvirksomhet og er av en hvis størrelse (ansatte, AS og ASA), er ikke antallet inaktive så høyt som man kanskje kunne forvente etter SSBs undersøkelse. SSB registrerte 45,8% AS og ASA som fortsatt aktive etter 5 år i Norge (Statistisk sentralbyrå, 2015, tabell 14), mens vår undersøkelse av Oslo viser antall fortsatt aktive som ca. 78%. Samlet kan vi se at det er lavere andel inaktive for Oslo-utvalget der utliggere og ikkerelevante bedrifter er fjernet, enn for rådataene for resten av Østlandet. Dette kan både si oss at en del av de bedriftene vi anser som ikke relevante ble inaktive, samtidig som det kan 27

33 tyde på at flere bedrifter forblir aktive i Oslo enn resten av Østlandet. Dette tyder på at det er litt lettere for nyetablerte bedrifter å overleve enn det først så ut som Alder Som forklart i teorikapittelet, er ikke alder en variabel som kan si så mye i vårt datasett. Men vi vil allikevel vise en oversikt over utviklingen i antall aktive/inaktive. Statusfordeling per år Antall aktive Antall inaktive Diagram 1: statusfordeling per år Drøfting av resultatene - alder Figuren viser et ganske stabilt antall inaktive bedrifter etter Bakgrunnen for at det er såpass få inaktive i 2009 er fordi mange av bedriftene ikke hadde startet driften ordentlig i dette året. I vårt datasett er det vanskelig å kunne si at alder påvirker antall fortsatt aktive, ettersom man ikke ser noen markante endringer i løpet av perioden. Dette kan være fordi perioden er litt for kort Bransjefordeling For å få et innblikk i hvilke bransjer som har høyest andel nyetableringer i 2008, og om noen bransjer har høyere andel fortsatt aktivitet i løpet av perioden frem til 2013, har vi sett på hvilke næringskoder (NACE) bedriftene tilhører. I vedlegg 1 følger oversikter over de bransjene som inneholder et relativt stort antall nyetablerte bedrifter (over 40 bedrifter i gruppen inaktive eller aktive). I rådataene for Østlandet er det et signifikant antall nyetablerte bedrifter i NACE-kode 68 (Omsetning og drift fast eiendom). Innenfor denne bransjen ble det etablert 1930 bedrifter, hvorav 1388 fortsatt var aktive i Et høyt antall nyetableringer gjaldt også spesielt for NACE-kode 41 (oppføring av bygninger) og 47 (detaljhandel), med henholdsvis 739 og 645 nyetableringer. Av de nyetablerte bedriftene var det 444 og 397 fortsatt aktive i I det reduserte datasettet for Oslo basert på utvalgskriteriene var det flest nyetableringer i NACE-kode 70 (hovedkontortjenester, administrativ rådgivning), 46 (agentur- og 28

34 engroshandel) og 47 (detaljhandel) i Det ble etablert 109, 83 og 99 bedrifter i de tre bransjene. Basert på status 2010 var det så mye som 104, 81 og 98 bedrifter som fortsatt var aktive, mens andelen aktive bedrifter sank til 91, 68 og 74 bedrifter basert på status i På bakgrunn av dette kan man for overnevnte bransjer si at det er en økende trend av inaktivitet etter etablering. I det videre reduserte datasettet, etter fjerning av utliggere basert på Z-score-modellen, var det flest nyetableringer i tilsvarende bransjer som nevnt i forrige avsnitt. Det ble etablert 105 (NACE 70), 82 (NACE 46) og 94 (NACE 47) i de tre bransjene. Basert på status 2010 var det så mye som 103, 80 og 93 fortsatt aktive, mens andelen aktive bedrifter sank til 90, 67 og 72 bedrifter basert på status i Dvs. samme trend som i forrige avsnitt. I det reduserte datasettet, etter fjerning av utliggere basert på SEBRA-modellen var det flest nyetableringer i tilsvarende bransjer som nevnt over. Det ble etablert 102 (NACE 70), 79 (NACE 46) og 97 (NACE 47) i de tre bransjene. Basert på status 2010 var det så mye som 99, 77 og 96 fortsatt aktive, mens andelen aktive bedrifter sank til 86, 64 og 74 basert på status i Dvs. samme trend som i forrige avsnitt Drøfting av resultatene bransjefordeling På bakgrunn av dette kan vi konkludere med at datasettet vi tar utgangspunkt i for å gjøre våre analyser har en gjennomgående trend av tre bransjer med høy andel nyetableringer: 70 (hovedkontortjenester, administrativ rådgivning), 46 (agentur- og engroshandel) og 47 (detaljhandel). Vi kan også se at de samme bransjene har mange nyetableringer når man tar utgangspunkt i rådataene for hele Østlandet. Årsaken til dette er at det var flest nyetableringer i Oslo generelt. Siden bransjefordelingen i Oslo ligner på den for Østlandet, kan vi anta at Oslo-utvalget representerer hele Østlandet godt. I tillegg kan vi se at andelen bedrifter innenfor de ulike bransjene opprettholdes etter fjerning av utliggere. Derfor er utvalget fortsatt representativt etter denne fjerningen. Det er noen forskjeller i hvilke bransjer som er sterkest representert i rådataene og i vårt Oslo-utvalg. Dette gjelder spesielt NACE 68 (Omsetning og drift fast eiendom), som er en del sterkere representert i rådataene. Dette skyldes i stor grad at mange av at disse ble slettet pga. våre utvalgskriterier. Vi har derfor ikke grunn til å tro at det er stor forskjell i hvilke bransjer som har høy andel etableringer i Oslo sammenlignet med resten av Østlandet. I tillegg, er NACE 46 (agentur- og engroshandel), 47 (detaljhandel), og 70 29

35 (hovedkontortjenester, administrativ rådgivning) sterkt representert både i Oslo og resten av Østlandet. Dette er naturlig i en storby som Oslo, der det både er høye befolkningstetthet, samtidig som en hovedstad trekker mye turisme. Det er også naturlig at store bedrifter legger hovedkontoret sitt til en storby Geografisk fordeling For å kunne si noe om fordelingen av nyetablerte bedrifter fordelt på ulike geografiske områder, er det kun hensiktsmessig å ta utgangspunkt i rådataene fra Østlandet, ettersom de øvrige datafilene kun består av bedrifter registrert i Oslo. FYLKE AKERSHUS BUSKERUD HEDMARK OPPLAND OSLO TELEMARK VESTFOLD ØSTFOLD Antall8aktive Antall8Inaktive Andel8aktive 62,088% 63,968% 59,778% 64,598% 59,998% 61,318% 59,888% 61,158% Andel8inaktive 37,928% 36,048% 40,238% 35,418% 40,018% 38,698% 40,128% 38,858% Tabell 6: geografisk statusfordeling Østlandet Fordelingen etter de åtte fylkene som inngår i Østlandet, viser en tydelig skjevfordeling av nyetableringer. I Oslo og Akershus ble det etablert et stort antall bedrifter i 2008 sammenliknet med de øvrige fylkene. Andelen aktive og inaktive er jevnt fordelt i de ulike fylkene, uavhengig av antall nyetablerte bedrifter totalt. På bakgrunn av dette kan man på forhånd forvente fortsatt aktivitet i løpet av perioden på omtrent 60% Drøfting av resultatene geografisk fordeling Når man sammenligner antall etableringer på Østlandet før enkelte bedrifter er fjernet, er det tydelig flest etablert i Oslo sammenlignet med de syv andre fylkene. Dette tyder på at Oslo er fylket det er mest attraktivt å etablere bedrift, noe som igjen kan begrunnes med at Oslo er Norges største by. Her får vi også enda klarere fram at andelen inaktive har gått ned i Oslo etter at utliggere og ikke-relevante bransjer er fjernet. Dette ser man ved å sammenligne tabell 6 med tabell 3. Dette understreker at de bransjene vi har fjernet har høy grad av inaktivitet, som er med på å forklare hvorfor våre resultater skiller seg fra SSBs undersøkelse der alle bransjer er inkludert Fjerning av utliggere fordelt på NACE I datasettet for sletting av utliggere etter modellen for Z-score ble det totalt fjernet 39 utliggere. Med henvisning til vedlegg 2 er det en tydelig trend av flest antall utliggere i NACE-kode; 41 (oppføring av bygninger) og 47 (detaljhandel). Bakgrunnen for fjerningen av ekstremverdiene er oppgitt i metodekapittelet. I datasettet for SEBRA-modellen ble det slettet 49 utliggere totalt. Som vist i stolpediagrammet i vedlegg 2 ble det fjernet flest ekstremverdier i NACE-kode; 70 30

36 (hovedkontortjenester, administrativ rådgivning), 68 (omsetning og drift av fast eiendom), 41 (oppføring av bygninger) og 46 (agentur- og engroshandel) Drøfting av resultatene fjerning av utliggere fordelt på NACE Det er en gjennomgående trend av at de bransjene der det blir etablert flest bedrifter, også har flest utliggere. Disse tallene er allikevel såpass lave, at det ikke gir grunnlag for å si at noen bransjer har tydelig flere ekstremverdier enn andre. Vi har dermed ikke funnet noen bransjemessige årsaker til at ekstremverdier oppstår. Man kan dermed anta at disse oppstår med en viss tilfeldighet. Det er allikevel viktig å nevne at de bedriftene som hadde ekstremverdier i én av de uavhengige variablene også hadde det i mange av de andre. Man kan dermed se en viss samvariasjon mellom variablene, men korrelasjonstester for dette er ikke signifikante Fjerning av missing cases fordelt på NACE I modellen basert på Z-score oppstod det totalt 36 missing cases. Av disse var det flest missing i NACE-kode 41 (oppføring av bygninger) ref. vedlegg 3. I samme modell etter transformasjon derimot oppstod det totalt 121 missing cases. Grunnen til dette er at transformasjonen fjerner store negative verdier, ettersom man ikke kan ta logaritmen eller kvadratroten av negative tall. I modellen etter transformasjon var det flere NACE-koder som var preget av mange bortfall. Mest utsatt var NACE 56 (serveringsvirksomhet), 41 (oppføring av bygninger), 47 (detaljhandel) og 62 (tjenester tilknyttet informasjonsteknologi). SEBRA-modellen hadde 57 missing cases før transformasjon. I likhet med modellen basert på Z-score var det flest bortfall i NACE-kode 41 (oppføring av bygninger). Bakgrunnen for bortfall før transformasjon skyldes mangel på registrert regnskapsdata. Modellen etter transformasjon hadde en økning på 37 missing cases. Mest utsatt for bortfall er fortsatt NACE-kode 41 (oppføring av bygninger), i tillegg har NACE 43 (spesialisert bygge- og anleggsvirksomhet) vesentlig mange bortfall. Man kan se at NACE 41 har gjennomgående mange utliggere, samtidig som den får økt antall missing ved transformasjon. Dette indikerer at en del av ekstremverdiene i denne bransjen er negative, da det er de som blir fjernet gjennom transformasjonen. Det er også ganske mange bortfall før transformasjon, noe som tilsier at det mangler regnskapsinformasjon for en del bedrifter i denne bransjen. 31

37 Drøfting av resultatene fjerning av missing cases fordelt på NACE De bransjene som har flest nyetablerte bedrifter har også flest missing, men dette tallet er ikke spesielt høyt før transformasjon. Det er derimot mer interessant å kommentere utviklingen i antall missing etter transformasjon av variablene. De fleste har opp mot en fordobling i antall missing etter transformasjon sammenlignet med før, men det er ikke spesifikke bransjer som skiller seg sterkt ut. Vi kan dermed ikke si at noen bransjer har tydelig flere store negative verdier enn andre. Transformasjonen forklares mer nøyaktig i delkapittel Deskriptiv analyse av uavhengige variabler I dette delkapittelet vil vi fremstille fordelingene til de ulike variablene, både med utliggere, uten utliggere og etter gjennomføring av valgt transformasjon. Selv om tallverdiene etter transformasjon ikke kan sammenlignes direkte med originaltallene, siden de står som logaritmer eller kvadratrøtter, kan man allikevel se på eventuelle forbedringer i forholdene mellom de ulike målene. Tabeller og diagrammer finnes i vedlegg 4 og 5. Av histogrammene kan man tydelig se at fordelingen blir bedre etter fjerning av uteliggere og transformasjon. De originale utvalgene preges av relativt stor forskjell i median og gjennomsnitt, store standardavvik og høy grad av positiv kurtose (kurtosis) og skjevfordeling (skewness) Z-score X 1 : Arbeidskapital / sum eiendeler De deskriptive dataene før fjerning av utliggere og transformasjon har en gjennomsnittsverdi på -0,3962 og median på 0,1415. Noe som tilsier at det er noen store negative verdier som fører til en høy negativ gjennomsnittsverdi på nøkkeltallet, i dette tilfellet vil derfor median være et bedre mål for verdien på nøkkeltallet. Arbeidskapital er et mål på bedriftens likviditet. At nøkkeltallet har en positiv verdi står i samsvar med hva som er ønskelig for en bedrifts overlevelse. Det må også nevnes at det er ønskelig å ha likest mulig verdi på gjennomsnitt og median for et normalfordelt datasett. De deskriptive dataene etter transformasjon har svært like verdier for disse to målene. Variabelen har svært høy kurtose (551,6) og negativ skjevfordeling (-22,6) før fjerning av utliggere og transformasjon. Dette er delvis fordi mange av bedriftene har lav arbeidskapital, med noen ganske store negative ekstremverdier. I tillegg er standardavviket ganske høyt (8,58). Man kan se at disse målene forbedres ved fjerning av utliggere (39), samt ytterligere forbedring 32

38 ved kvadratrot-transformasjon. Selv om antallet missing dobles etter transformasjon, er andelen fortsatt under 10%. X 2 : Tilbakeholdt overskudd / sum eiendeler Den gjennomsnittlige verdien for variabelen er positiv (0,1063), mens medianen er 0. Bakgrunnen for dette er at svært mange av bedriftene ikke holder tilbake overskudd, dette er naturlig ettersom vi tar utgangspunkt i nyetablerte bedrifter, som kanskje ikke har så stor inntjening i etableringsfasen. At gjennomsnittsverdien er positiv samsvarer med hva som er ønskelig for dette nøkkeltallet, siden et positivt overskudd og potensiell tilbakeholdt overskudd tyder på god lønnsomhet. Variabelen har også svært høy kurtose (235,2), i tillegg til positiv skjevfordeling (13,2). Kurtosen skyldes at mange av bedriftene ikke har positivt resultat, og de har dermed ikke mulighet til å tilbakeholde overskudd. Dette ser man også ved at mode er 0. Vi kunne alternativt ha latt underskudd stå som negativ inntjening, men vurderte det som feil å ha inntjening som en negativ verdi. Ved testing av denne metoden, fikk vi heller ikke en fordeling som var mer hensiktsmessig. Variabelen vil dermed ikke ha negative verdier siden det verken forekommer negativt overskudd eller eiendeler. Standardavviket er ganske lavt (0,335). Fjerning av utliggere gir en tydelig mer normalfordelt variabel, mens transformasjon bare gir en liten forbedring. X 3 : Driftsresultat / sum eiendeler Gjennomsnittsverdien for nøkkeltallet er -0,3249 og medianen er 0. Verdiene står i strid med hva som er naturlig å forvente for dette nøkkeltallet, ettersom positivt driftsresultat burde ligge til grunn for at en bedrift skal kunne overleve på sikt. Man ser derimot at verdien på nøkkeltallet blir mindre negativ ved fjerning av ekstremverdier, noe som tilsier at noen store ekstreme verdier er med på å skape en relativt stor negativ trend for nøkkeltallet. Etter transformasjon er derimot gjennomsnittsverdi og median positive og nær hverandre, som ønskelig. Variabelen har de samme kjennetegnene som X1 (Arbeidskapital / sum eiendeler) (kurtose og negativ skjevhet), men ikke i like stor grad. Standardavviket er ikke veldig høyt (2,57), og man kan se at dette forbedres ytterligere ved fjerning av utliggere og transformasjon. De andre målene forbedres også, men til gjengjeld får man 68 missing ved transformasjon. Andelen missing er litt høyere enn ønskelig, men vi velger allikevel å inkludere variabelen i modellen (ref. delkapittel 4.1.7). 33

39 X 4 : Egenkapital / gjeld Gjennomsnittsverdien for nøkkeltallet er svært positiv (25,0675), mens medianen er 0,2288. At egenkapitalen er større enn gjelden er forventet for at bedrifter skal kunne overleve, men en så høy positiv gjennomsnittsverdi er ikke normalt. Ettersom det er så stor forskjell mellom gjennomsnittsverdi og median er det tydelig at noen ekstremverdier skaper en skjevfordeling. Men det er viktig å nevne at det for nyetablerte bedrifter vil være naturlig med en høy verdi for dette nøkkeltallet, ettersom det som nyoppstartet bedrift kan være vanskelig å få innvilget lån. Etter fjerning av utliggere og transformasjon blir disse to verdiene mye likere, og nærmere et normalt nivå. Men det er viktig å nevne at de transformerte verdiene ikke direkte kan fortolkes. Variabelen har svært høy kurtose (523,7) og standardavvik (395,4). I tillegg er den preget av positiv skjevfordeling (21,8). Det at mode er 0, er mest fordi dette er nesten den eneste variabelen som er helt lik for flere bedrifter, men andelen med verdi 0 i enten egenkapital eller gjeld er svært lav. Det høye standardavviket, kurtosen og skjevheten skyldes i stor grad noen ekstremverdier. Dette ser man at forbedres tydelig etter fjerning av utliggere og log-transformasjon. Man får også bare 1 ekstra missing etter transformasjon. X 5 : Salgsinntekt / sum eiendeler De deskriptive dataene viser en positiv gjennomsnittsverdi (2,6686) og median (1,7566), verdiene endres heller ikke ekstremt mye etter fjerning av utliggere og transformasjon. Positive verdier for dette nøkkeltallet er naturlig å forvente, ettersom inntekt er essensielt for at en bedrift skal kunne drive videre. Variabelen har høy kurtose (226,1) og positiv skjevhet (12,6). Kurtosen og skjevheten skyldes i stor grad at mange av bedriftene ikke har salgsinntekt. I tillegg har ikke variabelen noen negative verdier siden verken salgsinntekter eller eiendeler kan være negative. Kurtose, skjevhet og standardavvik forbedres kraftig etter fjerning av utliggere og transformasjon. Median og gjennomsnitt er nesten helt like etter transformasjon, uten at dette fører til økt andel missing Drøfting av resultatene uavhengige variablene i Z-score-modellen De uavhengige variablene før transformasjon i Z-score-modellen er langt fra normalfordelte. Med et så stort utvalgt skulle man egentlig kunne regne med at fordelingen var bedre. Som nevnt, er dette i stor grad forårsaket av ekstremverdier. Bare ved å fjerne under 10% av utvalget blir fordelingen vesentlig bedre. Dette kan man tolke som at de nyetablerte bedriftene i analysen følger den samme fordelingen som man kan regne med i så store utvalg. X2 (tilbakeholdt overskudd/sum eiendeler) er spesielt skjevfordelt og er den 34

40 variabelen der fordelingen forbedres minst ved fjerning av utliggere og transformasjon. Dette er primært pga. mange nullverdier. Dette tyder på at nyetablerte bedrifter har lavt overskudd, og dermed ikke mulighet til å holde tilbake dette. Vi har derimot ikke sammenlignet nyetablerte med etablerte bedrifter i denne analysen, så vi kan ikke med sikkerhet si at dette er annerledes for bedrifter som har eksistert lenger. I tillegg har mange av bedriftene i analysen lave verdier for eiendeler, som gjør at mange av forholdstallene blir høye. Bedrifter med spesielt lite eiendeler får dermed en urettmessig fordel i modellen (ref. 5.6 feilkilder) SEBRA-modellen Lønnsomhet Utklipp 3: Lønnsomhet (Proff Forvalt) Gjennomsnittsverdien for dette nøkkeltallet er svært negativt (-16, 1806) mens medianen er positiv (1,64), dette tyder på at det er noen negative ekstremtilfeller i datautvalget (Tallene oppgis i prosent). Som nevnt i teorikapittelet bør dette nøkkeltallet ligge mellom 10 og 15 prosent for velfungerende bedrifter. Medianen er positiv både før og etter fjerning av utliggere, mens gjennomsnittsverdien er negativ. Dette tyder på at nyetablerte bedrifter ikke er like lønnsomme som ønskelig. Noe som er naturlig å forvente ettersom nyetablerte bedrifter gjerne har mye kostnader i forhold til inntjening i startfasen. Variabelen har høyt standardavvik (134,9), høy kurtose (186,5) og negativ skjevhet (-11). Dette skyldes i stor grad enkelte ekstremverdier, noe man også kan se ved å sammenligne verdiene før og etter fjerning av utliggere (48). Det at trenden ligger ganske nærme null indikerer at mange av bedriftene har lavt resultat sammenlignet med gjennomsnittlig totalkapital. 35

41 Likviditet Utklipp 4: Likviditet (Proff Forvalt) Gjennomsnittsverdien for likviditet er 6,3172, mens medianen er 1,19. Som kjent er likviditetsmangel en utløsende årsak til inaktivitet. Positive verdier for nøkkeltallet er dermed ønskelig. Verdiene etter fjerning av utliggere og transformasjon tyder på at det er noen positive ekstremtilfeller som fører til at det er en relativt stor forskjell mellom gjennomsnitt og median i datasettet før sletting. Median er kanskje derfor et bedre mål for nøkkeltallet. Likviditetsgrad 1 har en kjent ønskelig verdi over 2. Tar man utgangspunkt i medianen ser man at likviditeten generelt ligger under hva som er optimalt. Variabelen har ganske høyt standardavvik (64,7), høy positiv skjevhet (26,22) og meget høy kurtose (753). Hovedvekten av verdiene ligger nær null, noe som indikerer mye kortsiktig gjeld sammenlignet med omløpsmidler. I tillegg, fører positive ekstremverdier til positiv skjevhet. Fjerning av utliggere (49) og log-transformasjon forbedrer variabelens fordeling en del, men den blir allikevel langt fra normalfordelt. Soliditet Utklipp 5: Soliditet (Proff Forvalt) Gjennomsnittsverdien er svært negativ(-44,4324), mens medianen er positiv (20,11). Som nevnt i teorikapittelet ønsker man positiv verdi for dette nøkkeltallet. Verdiene for gjennomsnitt og median etter fjerning av utligger er positive, dette indikerer at det er noen få store negative ekstremverdier som påvirker gjennomsnittsverdien før sletting. Man kan derfor si at bedriftene i datasettet i stor grad har en ønskelig verdi i forhold til fortsatt 36

42 aktivitet. Soliditetsvariabelen preges av et veldig stort standardavvik (892,8), i tillegg til høy kurtose (471,3) og negativ skjevhet (-20,6). Dette skyldes noen svært negative ekstremverdier. Ved å fjerne disse (49) forbedres målene kraftig, men transformasjonen fører til ytterligere 37 missing. Antallet missing er allikevel fortsatt lavere enn 10%, noe som antas å være akseptabelt. Ansatte Denne variabelen har spesielt mange nullverdier grunnet at det ikke var mulig å skille mellom bedrifter med null ansatte og de som ikke hadde rapporter dette. Gjennomsnittsverdien er 6,599, mens medianen er 1. Årsaken til at medianen er lik 1 er at et av utvalgskriteriene våre setter en minimumsgrense for 1 ansatt. Antall ansatte kan dermed kun være positivt og større eller lik 1. Standardavvik (43,7), kurtose (324,4) og skjevhet (16,7) blir også her høye pga. noen store positive ekstremverdier. Målene forbedres ved fjerning av ekstremverdier og transformasjon. Spesiell forbedring ser man i median og gjennomsnitt, som er nesten helt like etter transformasjon. Det er viktig å være litt forsiktig når man tolker denne variabelen. I motsetning til de andre variablene er ikke rapportering av antall ansatte kvalitetssikret av revisor. Vi kommer derfor ikke til å legge like mye vekt på denne variabelen som de andre i analysene. Driftsinntekter Gjennomsnittsverdien er svært positiv (15 237) før fjerning av utliggere og transformasjon, mens medianen er 1924 (verdiene er oppgitt i 1000kr). Dette tyder på at det er noen ekstremverdier som fører til høy gjennomsnittsverdi. Dette ser man etter fjerning av utliggere der gjennomsnittsverdien reduseres til At en bedrift har positive driftsinntekter er naturlig å forvente, men det kan være vanskelig å sette et generelt mål for hva denne verdien burde være. Dette vil i stor grad avhenge av hvilken bransje bedriften tilhører. Variabelen har de samme kjennetegnene som de andre, høy kurtose (119) og positiv skjevhet (10.5). Standardavvik er også høyt ( før sletting), men ikke så høyt sammenlignet med de andre variablene som det kanskje kan virke som. Dette er fordi disse verdiene er oppgitt i 1000kr, og ikke prosent slik som lønnsomhet, likviditet og soliditet. Transformasjonen gir en klart bedre fordeling, noe man for eksempel ser ved å sammenligne median og gjennomsnitt. I vedlegg 4 og 5 har vi fremstilt tabeller og histogrammer for hvordan de uavhengige variablenes fordeling forbedres ved fjerning av ekstremverdier og transformasjon. Jevnt over, kan man se at disse tiltakene reduserer forskjellen mellom median og gjennomsnitt 37

43 og størrelsen på kurtose, skjevfordeling og standardavvik. Hvordan fjerningen av utliggere og transformasjonen er gjort forklares i metodekapittelet (4.1.6) Drøfting av resultatene uavhengige variablene i SEBRA-modellen Variablene i SEBRA-modellen er også langt fra normalfordelte før fjerning av utliggere og transformasjon. I utgangspunktet kan det se ut som stor spredning i variablene er et kjennetegn ved nyetablerte bedrifter. Men bare ved å fjerne noen få ekstremverdier (49), blir fordeling mye mer normal. Man kan dermed tolke det som at det ikke er så stor spredning i lønnsomhet, likviditet, soliditet, antall ansatte og driftsinntekter for nyetablerte bedrifter, som et første bilde kanskje tilsier. Men man må nevne at ekstremverdiene er en faktisk del av utvalget (sannheten), selv om de allikevel ikke er representative for trenden. 5.3 Aktivitetsprediksjon Log-regresjonen ble utført i SPSS, og utskriften fra de ulike modellene oppgis i vedlegg 10 og 11. Den mest hensiktsmessige informasjonen blir henvist til i teksten nedenfor. Analysene ble gjennomført for prognoseperioder på ett, to, tre og fire år. Hvor vi for hvert år predikerte fjorårets verdi på de ulike uavhengige variablene mot den avhengige variabelen (status) for inneværende år og Dette resulterte i fire ulike modeller basert på tall fra de ulike årene (2009, 2010, 2011 og 2012), en før og en etter transformasjon. Resultatene disse modellene ga oss førte til at vi bestemte oss for å kun ta utgangspunkt i regnskapsdata fra 2009, ettersom de resulterte i de beste modellene. Bakgrunnen for dette valget var at modellene i mange tilfeller ikke var signifikante i sin helhet, verken før eller etter transformasjon. Dette ble testet ved kji-kvadrattest i modellen med alle de uavhengige variablene inkludert ( bloc k 5), med mål om å oppnå 5% signifikans. Dette valget ble gjort både for modellen basert på variablene fra Z-score og SEBRAmodellen. Resultatet ble da fire modeller for fire års prediksjon, og fire modeller for ett års prediksjon. Alle modellene er basert på regnskapsinformasjon fra 2009 mot henholdsvis status 2010 og Vi har valgt å legge liten vekt på fortolkning av resultatene for modellene etter transformasjon. Bakgrunnen for dette er at disse verdiene er vanskelige å sammenlikne, ettersom de er transformert på ulike måter. Derfor har vi kun valgt å si noe om 38

44 koeffisientene i modellene uavhengig av hverandre. I tillegg til dette, sammenlikner vi treffsikkerhetsprosenten og log-likelihood mellom modellene før og etter transformasjon F-testing av de uavhengige variablene (ANOVA) Før vi lagde de logistiske prediksjonsmodellene, testet vi hvilke uavhengige variabler som hadde signifikant forskjellige gjennomsnittsverdier i gruppene aktiv og inaktiv, og om variansen i gruppene var signifikant forskjellig. Dette gjør vi gjennom ANOVA F-test i SPSS (se vedlegg 8 og 9). For at signifikant forskjell i gjennomsnitt skal gi mening, kan ikke variansen i gruppene være signifikant ulik. Ved å ta hensyn til disse to kriteriene, så det ut til at følgende variabler ville ha størst påvirkning på den avhengige variabelen: Z-SCORE FIRE ÅRS PREDIKSJON STATUS 2013 BASERT PÅ TALL 2009 Før transformasjon Etter transformasjon ETT ÅRS PREDIKSJON - STATUS 2010 BASERT PÅ TALL 2009 Før transformasjon Etter transformasjon Tabell 7: ANOVA f-test Z-score SEBRA-modellen FIRE ÅRS PREDIKSJON STATUS 2013 BASERT PÅ TALL 2009 Før transformasjon Etter transformasjon ETT ÅRS PREDIKSJON - STATUS 2010 BASERT PÅ TALL 2009 Før transformasjon Etter transformasjon Tabell 8: ANOVA f-test SEBRA-modellen X3 X3, X5 X5 X5 LØ, ANS LØ ingen ingen Z-score I modellene basert på Z-score er det to variabler som gjennomgående har signifikant forskjell i gjennomsnitt for gruppene aktiv og inaktiv etter ANOVA f-test. Disse er X3 (driftsresultat/sum eiendeler) for fire års prediksjon og X5 (salgsinntekter/sum eiendeler) for ett års prediksjon. Disse er dermed de variablene som forventes å ha størst innvirkning på status i prediksjonsmodellene. 39

45 Fire års prediksjon status 2013 basert på tall fra Før transformasjon Modellen Modellen for fire års prediksjon basert på tall fra 2009 tar utgangspunkt i 940 bedrifter (ekskludert 36 missing ), hvorav 173 ble inaktive i løpet av perioden. Korrelasjonstester viser at ingen av variablene har for høy samvariasjon, noe som styrker modellen (ref. vedlegg 6). Etter gjennomføring av den logistiske regresjonsprosessen, ble resultatet følgende modell med en treffsikkerhetsprosent på 81,6%: L = 1,68 + 0,22X1 + 1,087X2 + 0,108X3 0,12X4 0,105X5 Arbeidskapital/sum eiendeler(x1) 0.22, sig(0.083), CI(0.972,1.597) Aktiv Tilbakeholdt overskudd/sum eiendeler(x2) 1.087, sig(0.180), CI(0.605,14.555) Driftsresultat/sum eiendeler(x3) 0.108, sig(0.463), CI(0.835,1.487) Egenkapital/sum eiendeler(x4) -0.12, sig(0.988), CI(0.975,1.002) Salgsinntekter/sum eiendeler(x5) , sig(0.005), CI(0.837,0.968) Signifikanstester av de uavhengige variablene itet (dum my= 1) I følge Wald- og z-test er det kun X5 (salgsinntekter/sum eiendeler) og konstanten som er signifikante, og de er de eneste variablene som med sikkerhet (95%) ikke har en tilfeldig sammenheng. Konfidensintervallet til Exp(B) gjenspeiler også at det kun er X5 som er signifikant, ettersom det ikke inneholder verdien 1. Dette kan også indikere at denne uavhengige variablene har størst betydning i modellen som helhet. At X5 er eneste signifikante uavhengige variabel strider med resultatet av f-testen, som på forhånd indikerte at bare X3 (driftsresultat/sum eiendeler) var signifikant. Utviklingen i modellen ved å legge til en ny uavhengig variabel Den stegvise utviklingen ved å legge til en ny uavhengig variabel i modellen viser at ingen av de uavhengige variablene er signifikante før alle er inkludert. På bakgrunn av dette kan man si at X5 (salgsinntekter/ sum eiendeler) har stor påvirkning i modellen, ettersom en inkludering av X5 fører til at modellen er signifikant både etter step, block og i modellen som helhet (se vedlegg 10 for SPSS-utskrift). 40

46 Koeffisientenes fortegn (B) Modellen predikerer sannsynlighet for fortsatt aktivitet, siden utfallet aktiv har dummyverdien 1. Et resultat av dette er at vi må tolke fortegnene til koeffisientene i forhold til aktivitet. På bakgrunn av teorikapittelet er det som forventet en økende trend i X1 (arbeidskapital/sum eiendeler) for gruppen aktive bedrifter, det samme gjelder for X2 (tilbakeholdt overskudd/sum eiendeler) og X3 (driftsresultat/sum eiendeler). X4 (egenkapital/gjeld) og X5 (salgsinntekter/sum eiendeler) påvirker derimot modellen negativt, noe som strider med hva som er naturlig å forvente. Oddsratioen (Exp(B)) Videre vurderer vi oddsratioen (Exp(B)) som får frem størrelsen på sammenhengene i modellen. Siden dette er et mål på effekt/sammenheng er det ikke mulig å beregne oddsratioen for konstantleddet. Oddsratioen for alle de uavhengige variablene, bortsett i fra X2 (tilbakeholdt overskudd/sum eiendeler), ligger nær 1. Noe som vil si at disse har liten innvirkning på status. X2 har derimot større positiv påvirkning på status enn de andre, med Exp(B) = 2,967. Dvs. når X2 øker med 1 enhet øker oddsen for fortsatt aktivitet med: (2,967 1) *100 = 196,7%. Denne variabelen er derimot ikke signifikant. Log likelihood Et alternativ til signifikanstestene nevnt ovenfor er likelihood-ratio testen. Denne brukes til å teste om en større modell (med flere uavhengige variabler) gir en signifikant forbedring i forhold til en modell hvor bare konstanten og 1 variabel er inkludert. I vår modell har log likelihood gått stegvis ned i de ulike blockene, og den endres totalt fra 889,042 i block 1 til 876,065 i block 5. At den har gått stegvis ned betyr at den har blitt ytterligere redusert i hver block. I tillegg viser kji-kvadraten at denne endringen er signifikant Etter transformasjon Modellen Modellen for fire års prognoseperiode etter transformasjon basert på tall fra 2009 tar utgangspunkt i 855 bedrifter (ekskludert 121 missing ), hvorav 148 ble inaktive. I følge ANOVA f-test har både X3 (driftsresultat/sum eiendeler) og X5 (salgsinntekter/sum eiendeler) signifikante forskjeller i gjennomsnitt for gruppene aktiv og inaktiv. Korrelasjonstester viser at det ikke er signifikante samvariasjoner mellom variablene, noe som støtter opp modellen som helhet. Etter gjennomføring av den logistiske regresjonsprosessen etter transformasjon, ble resultatet følgende modell: 41

47 L = 0, ,777X1(sqrt) + 0,803X2(ln) + 0,701X3(sqrt) 0,264X4(ln) 0,473X5(sqrt) Arbeidskapital/sum eiendeler(x1) 0.777, sig(0.137), CI(0.781,6.056) Aktiv Tilbakeholdt overskudd/sum eiendeler(x2) Driftsresultat/sum eiendeler(x3) Egenkapital/sum eiendeler(x4) Salgsinntekter/sum eiendeler(x5) 0.803, sig(0.477), CI(0.244,20.454) 0.701, sig(0.280), CI(0.565,7.195) , sig(0.043), CI(0.595,0.991) , sig(0.008), CI(0.440,0.883) itet (dum my= 1) Etter transformasjonen ble gjennomført har treffsikkerhetsprosenten økt fra 81,6% til 82,7% (svært lite), som indikerer at transformasjonen har en svak positiv påvirkning på modellen. Signifikanstester av de uavhengige variablene Ved en vurdering av B og Exp(B) er det kun X4 (EK/gjeld) og X5 (salgsinntekter/sum eiendeler) som er signifikante. At disse er de eneste som er signifikante, gjenspeiler seg også i at konfidensintervallene for Exp(B) som ikke inneholder verdien 1. Dette kan også indikere at disse uavhengige variablene har størst betydning i modellen som helhet. Det står også i samsvar med f-testen som på forhånd sier at X5 er en av de mest betydningsfulle variablene i modellen. Koeffisientenes fortegn (B) Prediksjonen av fortsatt aktivitet etter transformasjon har samme trend for koeffisientene sammenliknet med modellen før transformasjon. Som forventet er det en økende trend i X1 (arbeidskapital/sum eiendeler), X2 (tilbakeholdt overskudd/sum eiendeler) og X3 (driftsresultat/sum eiendeler) for gruppen aktive bedrifter. Mens de øvrige derimot påvirker modellen negativt, noe som strider med hva som er naturlig å forvente. Log likelihood I vår transformerte modell har log likelihood gått stegvis ned fra 784,401 i block 1 til 772,527 etter at siste variabel ble inkludert. Kji-kvadraten viser at denne endringen er signifikant. Dette betyr at modellen blir statistisk signifikant forbedret ved å legge til flere av variablene. I tillegg har log likelihood gått ned sammenliknet med modellen før transformasjon, noe som tilsier at det har skjedd en forbedring i modellen etter transformasjon. 42

48 Drøfting av modellen basert på fire års prediksjon Fire års-prediksjonsmodellene er signifikante, der treffsikkerhet har økt etter transformasjon sammenlignet med før. Dette kan tolkes som at et mer normalfordelt utvalg gjør prediksjonsmodellen bedre. Økningen er derimot svært liten (1,1%). Et mulig bedre mål for forbedring er log likelihood. Denne har gått ned, noe som også tilsier at transformasjon av variablene gir en litt bedre prediksjon. Salgsinntekter/eiendeler (X5) er signifikant både før og etter transformasjon, og er dermed den eneste variabelen man med sikkerhet kan si har påvirkning på status. B viser at økte salgsinntekter har negativ påvirkning på status, noe som er oppsiktsvekkende. Dette strider både med Altmans antakelser og hva som er naturlig å tro. Exp(B) viser derimot at denne negative sammenhengen er svak siden den ligger svært nær 1 før transformasjon. Salgsinntekter/eiendeler(X5) er også den variabelen Altman mente hadde minst signifikans alene i modellen, men på grunn av et unikt forhold til de andre variablene allikevel er den viktigste. Det kan tolkes som at salgsinntekter i seg selv ikke er et godt mål for fremtidig status, men at den har påvirkning sammen med de andre variablene. Men i vår modell er X5 også signifikant alene, noe som strider mot dette argumentet Ett års prediksjon status 2010 basert på tall fra Før transformasjon Modellen Modellen for ett års prediksjon basert på tall fra 2009 tar utgangspunkt i 940 bedrifter (ekskludert 36 missing ), hvorav 31 ble inaktive. I følge ANOVA f-test har bare X5 (salgsinntekter/sum eiendeler) signifikant forskjell i gjennomsnitt for gruppene aktiv og inaktiv. Korrelasjonstester viser at det ikke er signifikante samvariasjoner mellom variablene, noe støtter opp modellen som helhet. Etter gjennomføring av den logistiske regresjonsprosessen, ble resultatet følgende modell med 96,7% treffsikkerhet: 43

49 L = 4,063 0,093X1 0,965X2 + 0,537X3 0,017X4 0,170X5 Arbeidskapital/sum eiendeler(x1) , sig(0.750), CI(0.514,1.615) Aktivit Tilbakeholdt overskudd/sum eiendeler(x2) Driftsresultat/sum eiendeler(x3) Egenkapital/sum eiendeler(x4) Salgsinntekter/sum eiendeler(x5) , sig(0.540), CI(0.017,8.334) 0.537, sig(0.027), CI(1.064,2.750) , sig(0.111), CI(0.963,1.004) , sig(0.016), CI(0.734,0.969) et (dum my=1) Modellen basert på ett års prediksjon har en relativt stor økning i treffsikkerheten sammenliknet med modellen basert på fire års prediksjon. Men derimot er det viktig å nevne at denne modellen ikke er signifikant i sin helhet på 95% nivå (sig = 0,052) når man ser på kji-kvadraten. Men ettersom den er rimelig nære målet (0,05) har vi valgt å vurdere denne modellen på lik linje med de øvrige signifikante modellene. Signifikanstester av de uavhengige variablene Ut ifra Wald- og z-test er det kun X3 (driftsresultat/sum eiendeler) og X5 (salgsinntekter/sum eiendeler) som er signifikante. Men konfidensintervallene viser derimot bare X5 som signifikant, ettersom det er det eneste intervallet som ikke inneholder 1. Dette indikerer at kun denne variabelen har størst betydning i modellen som helhet. Dette står også i samsvar med f-testen, som på forhånd sier at X5 signifikant forskjell i gjennomsnitt. Utviklingen i modellen ved å legge til en ny uavhengig variabel Den stegvise utviklingen i modellen viser at modellen som helhet kun blir tilnærmet signifikant (sig = 0,052) etter at alle de uavhengige variablene er inkludert. Dette tyder på at X5 (salgsinntekter/ sum eiendeler) har størst påvirkning på modellen som helhet. I tillegg er dette også den eneste uavhengige variabelen som er signifikant i modellen, som nevnt ovenfor. Det er også verdt å nevne at den stegvise modellen ( block ) er signifikant når X3 (driftsresultat/ sum eiendeler) blir inkludert, men denne modellen er ikke signifikant i sin helhet. X3 er ikke signifikant i modellen som helhet ettersom konfidensintervallene til oddsratioen inneholder 1. Koeffisientenes fortegn (B) Med utgangspunkt i teorikapittelets forventninger til variablenes retning, strider vår ett års prediksjonsmodell i stor grad med hva som er forventet. Det er kun variabelen X3 44

50 (driftsresultat/ sum eiendeler) som påvirker modellen positivt, noe som er å forvente ved prediksjon av fortsatt aktivitet. Resten av variablene (X1, X2, X4 og X5) derimot påvirker modellen negativt, noe som strider med hva som er naturlig. Oddsratioen (Exp(B)) For X1 (arbeidskapital/sum eiendeler), X4 (egenkapital/gjeld) og X5 (salgsinntekter/sum eiendeler) ligger verdien nær 1, noe som indikerer at disse har liten påvirkning på status. X2 (tilbakeholdt overskudd/sum eiendeler) har derimot verdien 0,381, som innebærer at når X2 øker med 1 enhet, påvirkes status negativt med 61,9%. X3 (driftsresultat/sum eiendeler) har i motsetning en positiv påvirkning på status, der oddsen øker med 71,1% ved en enhet økning i variabelen. Log likelihood I en siste vurdering av modellen tar vi utgangspunkt i likelihood-ratio testen, for å teste hvorvidt en modell med flere inkluderte uavhengige variabler gir en signifikant forbedring. I prediksjonsmodellen for ett år har log likelihood gått stegvis ned fra 271,642 i block 1 til 261,517 etter at siste variabel ble inkludert. Den har også gått betydelig ned sammenliknet med modellen basert på fire års prediksjon. Men her er det viktig å nevne at kji-kvadraten sier at denne endringen ikke er signifikant, dvs. man kan ikke si at denne endringen ikke er tilfeldig Etter transformasjon Modellen Modellen for ett års prediksjon etter transformasjon basert på tall fra 2009 tar utgangspunkt i 855 bedrifter (ekskludert 121 missing ), hvorav 25 ble inaktive. I følge ANOVA f-test er bare X5 (salgsinntekter/eiendeler) signifikant. I tillegg viser korrelasjonstester mellom de transformerte uavhengige variablene at det ikke er signifikante samvariasjoner mellom dem, noe støtter opp modellen som helhet. Etter gjennomføring av den logistiske regresjonsprosessen etter transformasjon, ble følgende modell presentert: 45

51 L = 2, ,815X1(sqrt) 2,267X2(ln) + 2,730X3(sqrt) 0,719X4(ln) 1,104X5(sqrt) Arbeidskapital/sum eiendeler(x1) 0.815, sig(0.473), CI(0.244, ) Aktiv Tilbakeholdt overskudd/sum eiendeler(x2) , sig(0.198), CI(0.001, 4.585) Driftsresultat/sum eiendeler(x3) 2.730, sig(0.028), CI(1.374, ) Egenkapital/sum eiendeler(x4) , sig(0.002), CI(0.310, 0.767) Salgsinntekter/sum eiendeler(x5) , sig(0.004), CI(0.157, 0.700) itet (dum my= 1) Modellen basert på ett års prediksjon etter transformasjon har en økt treffsikkerhet fra 96,7% til 97,1% sammenliknet med modellen før transformasjon, dvs. transformasjonen har en liten positiv påvirkning på modellen. I tillegg har modellen som helhet blitt signifikant etter kji-kvadraten (sig = 0,05) etter transformasjon, noe som også styrker modellen. Signifikanstester av de uavhengige variablene Ved Wald- og z-test er X3 (driftsresultat/sum eiendeler), X4 (eiendeler/gjeld) og X5 (salgsinntekter/sum eiendeler) signifikante. Konfidensintervaller for Exp(B) viser derimot bare X4 og X5 som signifikante, ettersom intervallet for X3 inneholder verdien 1. Dette indikerer at X4 og X5 har størst betydning i modellen som helhet. Dette står også i samsvar med ANOVA testen, som på forhånd sier at X5 har størst betydning i modellen. Koeffisientenes fortegn (B) Med utgangspunkt i teorikapittelets forventninger til variablenes retning, strider vår ett års transformerte prediksjonsmodell med hva som er forventet. Det er kun variablene X1 (arbeidskapital/sum eiendeler) og X3 (driftsresultat/sum eiendeler) som påvirker modellen positivt, noe som er å forvente ved prediksjon av fortsatt aktivitet. Resten av variablene (X2, X4 og X5) påvirker derimot modellen negativt. Log likelihood I ett års-prediksjonsmodellen etter transformasjon har log likelihood gått stegvis ned fra 225,575 i block 1 til 209,07 etter at siste variabel ble inkludert. Kji-kvadraten viser at denne endringen er signifikant. Dette betyr at modellen blir statistisk signifikant forbedret ved å inkludere flere variabler. I tillegg har log likelihood gått ned sammenliknet med modellen før transformasjon, noe som tilsier at det har skjedd en forbedring i modellen etter transformasjon. 46

52 Drøfting av resultatene for ett års prediksjon Modellen for ett års prediksjon er bare signifikant på 95% nivå etter transformasjon, selv om modellen før transformasjon ligger veldig nær dette signifikansnivået. Dette sier oss at en modell med mer normalfordelte variabler kan være bedre. I tillegg, har treffsikkerheten økt med 0,4 % etter transformasjon, noe som er veldig lite. Men samtidig er log likelihood lavere, noe som støtter argumentet om at transformasjon forbedrer modellens prediksjonsevne. Ved å legge til X5 (salgsinntekter/ sum eiendeler) blir modellen signifikant både før og etter transformasjon. I tillegg viser kji-kvadraten i block 5 at X5 er signifikant alene. Dette strider med Altmans antakelse om at X5 bare har påvirkning sammen med de andre variablene. Dette viser at salgsinntekter kan ha en større betydning enn det Altman kom fram til. Påvirkningen X5 har på status er også negativ i modellen basert på ett års prediksjon, men svært liten. Gjeldsgraden (X4) er bare signifikant etter transformasjon, noe som kan tilsi at denne variabelen bare med sikkerhet har innvirkning på status i et mer normalfordelt utvalg. X4 har her negativ påvirkning, som antyder at økt gjeldsgrad er negativt for fortsatt aktivitet. Men denne påvirkningen er vanskelig å fortolke direkte ettersom transformasjonen gjør dette lite sammenliknbart SEBRA-modellen ANOVA f-test basert på SEBRA-modellen viser at lønnsomhet og antall ansatte har signifikant forskjell i gjennomsnitt for gruppene aktiv og inaktiv. Dette gjelder bare for fire års prediksjon, da f-test for ett års prediksjon ikke viser noen signifikante forskjeller i gjennomsnitt. Modellene for ett års prediksjon er heller ikke signifikante i sin helhet, noe som fører til at vi ikke legger stor vekt på analysen av disse modellene. Dette kommer vi tilbake til i den videre tolkningen av resultatene av log-regresjonene Fire års prediksjon status 2013 basert på SEBRA-modellen Før transformasjon Modellen Modellen for fire års prediksjon basert på tall fra 2009 tar utgangspunkt i 909 bedrifter (ekskludert 57 missing ) hvorav 178 ble inaktive. I følge ANOVA f-test er lønnsomhet og antall ansatte de eneste variablene med signifikant forskjell i gjennomsnitt for gruppene aktiv og inaktiv. Korrelasjonstester viser at ingen av variablene har for høy samvariasjon, 47

53 noe som også er med på å styrke modellen. Etter gjennomføring av den logistiske regresjonsprosessen, ble resultatet følgende modell med en treffsikkerhetsprosent på 96,1%: L = 1, ,004LØ 0,001LI + 0,002SO 0,039ANS + 0,000DRIFT Lønnsomhet 0.004, sig(0.016), CI(1.001, 1.007) Aktivitet Likviditet , sig(0.922), CI(0.983, 1.016) dummy=1 Soliditet 0.002, sig(0.170), CI(0.999, 1.004) Antall ansatte , sig(0.004), CI(0.937, 0.987) Driftsinntekter 0.000, sig(0.337), CI(1.00, 1.00) Signifikanstester av de uavhengige variablene I vår modell for fire års prediksjon er det kun lønnsomhet og antall ansatte som er signifikante, dvs. at dette er de uavhengige variablene i modellen som med sikkerhet (95%) ikke har en tilfeldig sammenheng med den avhengige variabelen. Konfidensintervallene for Exp(B) viser derimot at bare antall ansatte er signifikant siden intervallene ikke inneholder verdien 1. Dette indikerer at antall ansatte har størst betydning i modellen som helhet. Dette står også i samsvar med ANOVA testen, som på forhånd sier at lønnsomhet og antall ansatte har størst betydning i modellen. Utviklingen i modellen ved å legge til en ny uavhengig variabel Den stegvise utviklingen i modellen styrker påvirkningskraften lønnsomhet og antall ansatte har i modellen. Modellen med bare lønnsomhet inkludert har sig lik 0,000 både etter step, block og i modellen som helhet, mens lønnsomhet i seg selv ikke er signifikant når vi ser på konfidensintervallene til oddsratioen. Modellen med fire uavhengige variabler inkludert er også signifikant etter step, block og i modellen som helhet. I tillegg er antall ansatte signifikant. Når alle de uavhengige variablene inkluderes i modellen er modellen kun signifikant i sin helhet. Dette tyder på at modellen for prediksjon av aktivitet er bedre når kun lønnsomhet er inkludert eller når de fire første uavhengige variablene er inkludert. Det kan også tyde på at driftsinntekter (den siste variabelen som legges til) gjør modellen dårligere. 48

54 Koeffisientenes fortegn (B) Med utgangspunkt i teorikapittelets forventninger til variablenes retning, påvirker lønnsomhet og soliditet som forventet. De har positiv påvirkning. Likviditet og antall ansatte påvirker derimot modellen negativt, noe som strider med hva som er naturlig. Til sist ser vi at driftsinntektene ikke påvirker modellen i verken positiv eller negativ retning. Oddsratioen (Exp(B)) Oddsratioen for alle de uavhengige variablene i modellen er svært nær 1, med unntak av driftsinntekter som er akkurat lik 1. At oddsratioen er 1 tilsier at det er tilnærmet ingen påvirkning fra de uavhengige variablene på den avhengige variabelen i modellen. Log likelihood I en siste vurdering av modellen tar vi utgangspunkt i likelihood-ratio testen, for å teste hvorvidt en modell med flere inkluderte uavhengige variabler gir en signifikant forbedring I fire års prediksjonsmodellen har log likelihood gått stegvis ned fra 886,444 i block 1 til 874,739 etter at siste variabel ble inkludert. I tillegg viser kji-kvadraten at denne endringen er signifikant Etter transformasjon Modellen Modellen for fire års prediksjon etter transformasjon basert på tall fra 2009 tar utgangspunkt i 872 bedrifter (ekskludert 94 missing ), hvorav 165 ble inaktive. I følge ANOVA f-test har bare lønnsomhet signifikant forskjell i gjennomsnitt mellom gruppene aktiv og inaktiv. Korrelasjonstester viser at ingen av variablene har for høy samvariasjon. Etter gjennomføring av den logistiske regresjonsprosessen etter transformasjon, ble følgende modell presentert: L = 19, ,005LØ 0,295LI(ln) + 0,025SO(sqrt) 3,639ANS(ln) + 0,0016DRIFT(ln) Lønnsomhet 0.005, sig(0.034), CI(1.000, 1.009) Aktivitet Likviditet , sig(0.799), CI(0.077, 7.229) dummy=1 Soliditet 0.025, sig(0.609), CI(0.930, 1.131) Antall ansatte , sig(0.014), CI(0.001, 0.480) Driftsinntekter , sig(0.825), CI(0.880, 1.173) 49

55 Sammenliknet med fire års prediksjon før transformasjon viser det seg at treffsikkerheten til modellen har gått ned fra 96,1% til 81,1%, noe som kan indikere at transformasjonene ikke har en positiv innvirkning på modellen. Signifikanstester av de uavhengige variablene Wald- og z-test viser at kun lønnsomhet og antall ansatte er signifikante. Konfidensintervallene for Exp(B) viser derimot at bare antall ansatte er signifikant siden intervallene ikke inneholder 1. Dette indikerer at antall ansatte er variabelen med størst betydning i modellen som helhet. Dette strider med ANOVA testen, som på forhånd sier at lønnsomhet har størst betydning i modellen. Koeffisientenes fortegn (B) Lønnsomhet, soliditet og driftsinntekter påvirker status som forventet. De har positiv påvirkning. Likviditet og antall ansatte påvirker derimot modellen negativt, noe som strider med hva som er naturlig. Log likelihood I fire års prediksjonsmodellen har log likelihood gått stegvis ned fra 836,966 i block 1 til 829,259 etter at siste variabel ble inkludert, i tillegg viser kji-kvadraten at denne endringen er signifikant. Dette viser at modellen blir forbedret ved å legge til flere variabler. I tillegg har log likelihood gått ned sammenliknet med modellen før transformasjon, noe som tilsier at det har skjedd en forbedring i modellen etter transformasjon. Dette strider med den reduserte treffsikkerhetsprosenten etter transformasjon, men vi anser log likelihood som et riktigere mål for forbedringer i modellen Drøfting av resultatene basert på fire års prediksjon SEBRA-modellen for fire års prediksjon har redusert treffsikkerhet etter transformasjon, som forteller oss at et mer normalfordelt utvalg ikke nødvendigvis gir en bedre prediksjonsmodell. Log likelihood har derimot gått ned etter transformasjon, noe som taler for at transformasjon gjør modellen bedre. Samtidig har treffsikkerheten før transformasjon blitt høyere sammenlignet med Z-score-modellen, som indikerer at variablene i SEBRA-modellen er bedre indikatorer på fremtidig aktivitet. Men sammenligner man log likelihood i Z-score og SEBRA, er denne ganske lik, noe som indikerer at det ikke er så stor forskjell i hvor gode modellene er. 50

56 Lønnsomhet og antall ansatte er signifikante både før og etter transformasjon, både i f-test og t-test. Det er samtidig viktig å nevne at lønnsomhet ikke er signifikant etter konfidensintervaller for oddsratioen. Siden øvre og nedre grense inneholder tallet 1, kan man ikke med sikkerhet si at sammenhengen ikke er tilfeldig. Dette tyder på at antall ansatte har størst påvirkning på fortsatt aktivitet. Dette styrkes også av at den stegvise modellen med antall ansatte er signifikant. Antall ansatte har en svak negativ påvirkning i modellen, som sier oss at økning i antall ansatte kan være negativt for fremtidig aktivitet. Dette strider med hva som er naturlig å forvente. Samtidig er det viktig å nevne at det ikke er noen klare mål for hvor mange ansatte man bør ha. Dette er et avveiningsspørsmål som i stor grad vil variere fra bransje til bransje. I tillegg er ikke dette et mål som er kvalitetsjekket av revisor, og man må derfor være forsiktig med å legge for mye vekt på det. Selv om lønnsomhet ikke er signifikant alene i modellen som helhet, er det viktig å nevne at en modell med bare lønnsomhet inkludert er signifikant. Dette kan tyde på at lønnsomhet allikevel har en relativt stor påvirkning på aktivitet. Exp(B) viser derimot at denne påvirkningen er svært lav både før og etter transformasjon. Dette tilsier at lønnsomhet ikke har ulik påvirkning på status når de andre variablene er mer normalfordelte (lønnsomhet transformeres ikke). Lønnsomhet påvirker status positivt, noe som er naturlig å forvente, da det er en kjent sak at lønnsomhet på sikt er viktig for en bedrifts overlevelse Ett års prediksjon status 2010 basert på SEBRA-modellen Før transformasjon Modellen Modellen for ett års prediksjon basert på tall fra 2009 tar utgangspunkt i 909 bedrifter (ekskludert 57 missing ) hvorav 35 ble inaktive. I følge ANOVA f-test har ingen av variablene signifikant forskjell i gjennomsnitt mellom gruppene aktiv og inaktiv. Korrelasjonstester viser at det ikke er signifikante samvariasjoner mellom variablene, noe støtter opp modellen som helhet. Etter gjennomføring av den logistiske regresjonsprosessen, ble resultatet følgende modell med 96,1% treffsikkerhet: 51

57 L = 3, ,007LØ 0,009LI - 0,003SO 0,021ANS 0,000DRIFT Lønnsomhet 0.007, sig(0.024), CI(1.001, 1.014) Aktivitet Likviditet , sig(0.462), CI(0.968, 1.015) dummy=1 Soliditet sig(0.415), CI(0.991, 1.004) Antall ansatte , sig(0.348), CI(0.937, 1.023) Driftsinntekter 0.000, sig(0.665), CI(1.00, 1.00) Modellen basert på ett års prediksjon har ikke større treffsikkerhet sammenliknet med modellen basert på fire års prediksjon. Modellen er heller ikke signifikant i sin helhet på 95% nivå ( sig = 0,245) når man ser på kji-kvadraten. Ettersom denne verdien er såpass langt unna ønskelig nivå (sig = 0,05) har vi valgt å ikke legge så stor vekt på analysen av denne prediksjonsmodellen. Vi har derfor valgt å sette opp en enkel punktvis oversikt over vurderinger av de ulike målene for variablene. Signifikans (z-test, Wald-test, CI EXP(B)): ingen av variablene er signifikante i modellen. Utviklingen i modellen ved å legge til en ny uavhengig variabel: den stegvise modellen er signifikant når bare lønnsomhet er inkludert. Koeffisientenes fortegn(b): det er bare lønnsomhet som følger den forventede utviklingen i forhold til fortsatt aktivitet. Mens de øvrige variablene strider med hva som er forventet. Likelihood-ratio testen: har gått stegvis ned fra 292,342 til 289,942, men siden den ikke er signifikant med hensyn til kji-kvadraten kan man ikke si at dette ikke kun oppstår ved tilfeldighet Etter transformasjon Modellen Modellen for ett års prediksjon etter transformasjon basert på tall fra 2009 tar utgangspunkt i 872 bedrifter (ekskludert 94 missing ), hvorav 32 ble inaktive. I følge ANOVA f-test har ingen av variablene signifikant forskjell i gjennomsnitt mellom gruppene aktiv og inaktiv. Korrelasjonstester viser at det ikke er signifikante samvariasjoner mellom variablene, noe støtter opp modellen som helhet. Etter gjennomføring av den logistiske regresjonsprosessen etter transformasjon, ble resultatet følgende modell med 96,3% treffsikkerhet: 52

58 L = 22, ,005LØ 1,678LI(ln) - 0,003SO(sqrt) 2,584ANS(ln) 0,072DRIFT(ln) Lønnsomhet 0.005, sig(0.225), CI(0.997, 1.013) Aktivitet Likviditet , sig(0.316), CI(0.007, 4.967) dummy=1 Soliditet , sig(0.976), CI(0.819, 1.213) Antall ansatte , sig(0.358), CI(0.000, ) Driftsinntekter , sig(0.631), CI(0.801, 1.443) Modellen basert på ett års prediksjon etter transformasjon har en liten økning i treffsikkerhetsprosenten. Modellen er fortsatt ikke signifikant etter transformasjon i sin helhet på 95% nivå (sig = 0,476) når man ser på kji-kvadraten. Ettersom denne verdien er enda lenger unna ønskelig nivå (sig = 0,05) har vi heller ikke valgt å legge så stor vekt på analysen av denne prediksjonsmodellen. Vi har derfor valgt å sette opp en enkel punktvis oversikt over vurderinger av de ulike målene for variablene. Signifikans (z-test, Wald-test, CI Exp(B)): ingen av variablene i modellen er signifikante. Dette er med på å underbygge at modellen i sin helhet ikke er signifikant. Koeffisientenes fortegn (B): det er bare lønnsomhet som følger den forventede utviklingen i forhold til fortsatt aktivitet, mens de øvrige variablene strider med hva som er forventet. Likelihood-ratio testen: har gått stegvis ned fra 271,839 til 269,809, men siden den ikke er signifikant med hensyn til kji-kvadraten kan man ikke si at dette ikke kun oppstår ved tilfeldighet. Man kan derfor heller ikke med sikkerhet si at det har skjedd en forbedring etter transformasjon Drøfting av resultatene basert på ett års prediksjon For ett års prediksjon er SEBRA-modellen hverken signifikant før eller etter transformasjon. Vi har dermed valgt å ikke tolke resultatene fra disse modellene ytterligere, siden vi ikke kan si med sikkerhet om sammenhenger har oppstått ved tilfeldighet eller ikke. Det bør allikevel kommenteres at modellen med bare lønnsomhet inkludert er signifikant før transformasjon. Det er også den eneste variabelen som følger den retningen man skulle forvente (positiv). 53

59 5.4 Validering av resultatene Siste steg i logistisk regresjon er å sjekke resultatenes ytre validitet. Den vanligste metoden for å teste ytre validitet er å lage et separat valideringsutvalg, i tillegg til analyseutvalget man har brukt til å lage regresjonsmodellen (Hair, 2014:329). Ideelt sett burde vi ha testet alle de åtte modellene, men av tekniske årsaker har vi valgt å begrense oss til fire. To av modellene vi ikke tester var heller ikke signifikante på 95% nivå (modellene for ett års prediksjon ved bruk av SEBRA-modellen). Vi har testet regresjonsmodellene for fire års prediksjon før og etter transformasjon fra vårt Oslo-utvalg på utvalg fra resten av Østlandet (Akershus, Telemark, Østfold, Vestfold, Hedmark, Oppland og Buskerud). Fireårsperioden vi tester er For å opprettholde de samme forutsetningene for valideringsutvalget, har vi brukt de samme utvalgskriteriene som for Oslo-utvalget (AS/ASA, minst 1 ansatt i perioden og fjerning av ikke-relevante NACE-koder). Ved å bruke Excel til å regne ut resultater av de fire modellene, har vi kommet frem til følgende treffsikkerhet for prediksjon av fortsatt aktivitet: Z-score Før transformasjon B Konstant Faktisk antall aktiv 1576 X Antall predikert aktiv 2068 X Antall predikert riktig aktiv 1546 X X Prosent riktig aktiv 98.1% X Totalt Faktisk antall inaktiv 707 Antall predikert riktig 1582 Antall predikert inaktiv 65 Antall predikert feil 551 Antall predikert riktig inaktiv 36 Prosent predikert riktig 74.2% Antall missing 152 Prosent riktig inaktiv 5.1% Treffsikkerhet Oslo 81.6% Diff. valideringsutvalg 7.4% Tabell 9: validering Z-score før transformasjon 54

60 Etter transformasjon B Konstant Faktisk antall aktiv 1576 X1 sqrt Antall predikert aktiv 1971 X2 ln Antall predikert riktig aktiv 1483 X3 sqrt X4 ln Prosent riktig aktiv 94.1% X5 sqrt Totalt Faktisk antall inaktiv 707 Antall predikert riktig 1492 Antall predikert inaktiv 14 Antall predikert feil 493 Antall predikert riktig inaktiv 9 Prosent predikert riktig 75.2% Antall missing 300 Prosent riktig inaktiv 1.3% Treffsikkerhet Oslo 82.7% Diff. valideringsutvalg 7.5% Tabell 10: validering Z-score etter transformasjon SEBRA-modellen Før transformasjon B Konstant Faktisk antall aktiv 1576 LØ Antall predikert aktiv 1983 LI Antall predikert riktig aktiv 1478 SO ANS Prosent riktig aktiv 93.8% DRIFT 0 Totalt Faktisk antall inaktiv 708 Antall predikert riktig 1514 Antall predikert inaktiv 96 Antall predikert feil 565 Antall predikert riktig inaktiv 36 Prosent predikert riktig 72.8% Antall missing 207 Prosent riktig inaktiv 5.1% Treffsikkerhet Oslo 96.1% Diff. valideringsutvalg 23.3% Tabell 11: validering SEBRA før transformasjon 55

61 Etter transformasjon B Konstant Faktisk antall aktiv 1576 LØ Antall predikert aktiv 1941 LI ln Antall predikert riktig aktiv 1455 SO sqrt ANS ln Prosent riktig aktiv 92.3% DRIFT ln Totalt Faktisk antall inaktiv 708 Antall predikert riktig 1464 Antall predikert inaktiv 26 Antall predikert feil 503 Antall predikert riktig inaktiv 9 Prosent predikert riktig 74.4% Antall missing 319 Prosent riktig inaktiv 1.3% Treffsikkerhet Oslo 81.1% Diff. valideringsutvalg 6.7% Tabell 12: validering SEBRA etter transformasjon Som man kan se fra å sammenligne treffsikkerheten totalt (antall predikert riktig både for aktiv og inaktiv) i Oslo-utvalget og valideringsutvalget, er ikke modellene like gode til å predikere i valideringsutvalget. Ved å bruke våre prediksjonsmodeller er for eksempel treffsikkerheten for Oslo 81,6% (tabell 9), mens det i valideringsutvalget bare predikeres 74,2% riktig. Generelt kan vi si at våre modeller predikerer mange aktive riktig (98,1%(tabell 9)), men problemet er at den samtidig predikerer mange av de inaktive som aktive også. I tabell 9 predikeres det for eksempel = 492 for mange aktive. Samtidig klarer ikke modellen å predikere = 30 av det fortsatt aktive bedriftene. Siden modellen overpredikerer aktivitet i 492 tilfeller, er det tydelig at den er svak på å predikere inaktivitet. I bare noen få tilfeller predikeres det inaktivitet for bedrifter som har fortsatt aktivitet, mens et langt større antall av de som faktisk ender opp som inaktive feilpredikeres som fortsatt aktive. Disse resultatene går igjen ved validering av alle de fire modellene. Oppsummert, er vår modell veldig god på å predikere aktivitet, men svært dårlig på å predikere inaktivitet. Hovedvekten av bedriftene i vårt utvalg har fortsatt aktivitet i siste år, både for Osloutvalget og valideringsutvalget. Hadde vi derimot hatt flere faktisk inaktive i siste år, ville antageligvis modellen vært dårligere til å predikere riktig status 56

62 Drøfting av resultatene for valideringen Valideringsutvalget viser at modellene våre under ett predikerer dårligere for hele Østlandet enn for Oslo. Dette tyder på at sammenhengene vi har funnet ikke kan generaliseres helt. Det kan skyldes at bedrifter etablert i Oslo har noen andre kjennetegn enn bedrifter i resten av Østlandet. Modellene våre predikerer derimot fortsatt aktivitet svært godt i valideringsutvalget, uten at vi har sammenlignet dette direkte med Oslo-utvalget. Problemet er at modellene overpredikerer aktivitet og finner derfor svært få av de bedriftene som blir inaktive. Dette kan si oss at det er lettere å identifisere suksessfaktorer enn fallgruver gjennom bruk av regnskapsvariabler. 5.5 Feilkilder Selv om vi har brukt pålitelige kilder og etablerte framgangsmåter i oppgaven vår, er det noen eventuelle feilkilder det bør opplyses om. For det første, kan man ikke utelukke feilrapportering av regnskapsinformasjon fra bedriftene. Men siden dette kvalitetskjekkes av revisor, ser vi ikke på denne feilkilden som veldig stor. Dette er kanskje mest aktuelt for variabelen antall ansatte, som ikke er kvalitetssikret av revisor. Vi har uansett et veldig stort utvalg, så eventuelle småfeil vil ha liten innvirkning på modellene under ett. For det andre, mangler vi regnskapsinformasjon fra noen bedrifter. Dette er fordi disse ikke har levert årsregnskap i året som undersøkes. Disse har vi ekskludert fra analysen ( missing ). Alternativt kunne vi ha inkludert som sovende for å få med hvilke bedrifter som leverte årsregnskap i senere år, etter å ha latt være i et annet år. Men på grunn av manglende data var dette vanskelig å få til. For det tredje, er alle data redigert manuelt i Excel og SPSS. Selv om denne prosessene er gjort nøye, der vi har dobbeltsjekket data og tatt stikkprøver underveis for å sjekke for feil, kan vi ikke utelukke med 100% sikkerhet at det ikke har forekommet feil. Allikevel, mener vi at kvalitetssjekkingen vår underveis har vært god nok til at eventuelle feil ikke vil påvirke resultatene i stor grad. 57

63 En feilkilde som kan være noe større, er konsekvenser av transformasjon av variablene. Bortfall av for mange negative verdier kan være en del av årsaken til at modellene våre overpredikerer fortsatt aktivitet, men i lav grad predikerer inaktivitet riktig. Dette har eventuelt bare vært et problem for variablene X1 (arbeidskapital/sum eiendeler), X3 (driftsresultat/sum eiendeler9 og soliditet, med henholdsvis 36, 68 og 37 bortfall etter transformasjon. Men det at verdier helt ned til -99,9% ble tatt med, gjør likevel at dette ikke burde ha for stor innvirkning. Man kan også stille spørsmål til om transformasjon bør brukes i det hele tatt (som diskutert i metodekapittelet), derfor har vi laget modeller både med og uten transformerte variabler. I tillegg, beregnes mange av forholdstallene i Z-score-modellen med eiendeler i nevneren for å korrigere for ulik størrelse. Men i dagens bedriftsmarked blir menneskelige ressurser mer og mer viktige, dermed har mange bedrifter kanskje ikke så mange regnskapsmessige eiendeler som før. Dette kan svekke variablenes forklaringskraft i Altmans modell, siden eiendeler ikke nødvendigvis er et godt mål for bedrifters størrelse. Oslo preges mer av tjenesteytende bedrifter enn produksjonsbedrifter (ref. bransjefordeling), noe som også styrker antagelsen om svekket betydning av eiendeler. En annen feilkilde er at vi ikke har korrigert for bransjegjennomsnitt i prediksjonsmodellene. Det kan føre til at resultatene blir vanskelige å generalisere, da bransjesammensetningen kan være annerledes i andre områder enn Oslo. En siste feilkilde er at vi ikke har tatt hensyn til at bedrifter eventuelt har fusjonert eller har blitt kjøpt opp. Dette kan ha vært årsaken til at noen bedrifter har blitt oppløst eller slettet. Dermed kan vår klassifikasjon av disse som inaktive i noen tilfeller være feil. Det kan for eksempel hende at noen bedrifter har blitt kjøpt opp fordi de har gjort det bra, og de kan da ha mange av de samme kjennetegnene som bedrifter med fortsatt aktivitet. 58

64 5.7 Kildekritikk Som forklart under reliabilitet i metodekapittelet, ser vi ingen grunn til ikke å kunne stole på data hentet fra Proff Forvalt. Til innhenting av teori rundt temaene vi undersøker, har vi utelukkende brukt seriøse tidsskrifter, publikasjoner og bøker. Eksempler er Journal of Finance, Journal of Banking and Finance, Journal of Law and Economics og Statistisk sentralbyrå. Når det gjelder logistisk regresjonsanalyse, har publikasjonen fra SIFO av Tufte og boka Multivariate Data Analysis av Hair m.fl. vært spesielt viktige, der begge kan regnes som sikre kilder. Vi har også hentet inspirasjon fra tidligere studentoppgaver, primært oppgaver av studenter ved Norges Handelshøgskole. Vi har ingen grunn til å tro at disse oppgavene er skrevet med formål om å mislede eller for å få utløp for en personlig agenda. I tillegg, har vi sjekket originalkilder så langt det har vært mulig, og på ingen måte stolt blindt på informasjon oppgitt i studentoppgaver. På bakgrunn av disse argumentene regner vi våre kilder som pålitelige og seriøse. 59

65 6 Konklusjon Formålet med denne undersøkelsen var å gi nyttig informasjon til potensielle entreprenører. For å kunne gjøre dette har vi sett på hvor godt man kan predikere fremtidig status for nyetablerte bedrifter basert på regnskapsinformasjon. I tillegg ville vi undersøke hvilke variabler som har størst innvirkning, og om et mer normalfordelt utvalg gjennom transformasjon kan gi en bedre prediksjonsmodell. Undersøkelsen viser at man lettere kan predikere fortsatt aktivitet enn inaktivitet med de uavhengige variablene vi har inkludert i analysene. Samtidig ser vi at Z-score-modellen predikerer bedre på ett års basis (96,7% treffsikkerhet) enn fire år frem i tid (81,6% treffsikkerhet), noe som stemmer med Altmans funn om at Z-score fungerer best på kort sikt. SEBRA-modellen predikerer derimot bedre på fire års basis (96,1% treffsikkerhet) enn Z-score-modellen, mens modellen på ett års basis ikke er signifikant. Vi kan dermed konkludere med at man kan predikere aktivitet nokså godt (over 80% treffsikkerhet) ved bruk av de to modellene, men med ulik grad avhengig av tidsperspektiv. I Z-score-modellen skiller salgsinntekter/eiendeler (X5) seg ut som den variabelen som påvirker status mest, da den oftest er signifikant. Det virker naturlig at positiv salgsinntekt øker sannsynligheten for fortsatt aktivitet. Det er derimot oppsiktsvekkende at X5 har negativ påvirkning i våre modeller. Denne sammenhengen er derimot svært svak. Vi kan dermed ikke med sikkerhet si hvilken påvirkning salgsinntekter har for aktivitet. På en annen side, er inkluderingen av X5 helt avgjørende for at modellen skal fungere som helhet (bli signifikant). Dette kan indikere at det er viktig for entreprenører å fokusere på salgsinntekter i en oppstartsfase, men være klar over at det må være i balanse med andre faktorer. Men siden ingen av de andre uavhengige variablene er signifikante i vår modell, kan vi dessverre ikke gi noen klar indikasjon på hva denne balansen burde være, og det blir vanskelig å gi en klar pekepinn på hva entreprenører burde legge vekt på. I SEBRA-modellen skiller antall ansatte og lønnsomhet seg ut som variablene med størst påvirkning. Lønnsomhet har positiv påvirkning på aktivitet, noe som i er tråd med konvensjonell regnskapsteori. Konfidensintervallet inneholder derimot tallet 1, dermed er ikke sammenhengen statistisk signifikant. Derfor kan vi ikke med sikkerhet anbefale entreprenører å ha overveiende fokus på lønnsomhet. Allikevel viser den stegvise modellen at inkludering av lønnsomhet alene gjør modellen signifikant. Dette taler for 60

66 lønnsomhets positive påvirkning på aktivitet, men vi kan ikke si noe med sikkerhet. Antall ansatte har derimot negativ påvirkning. Dette strider med det som kan være naturlig å tro, siden økning i antall ansatte kan være et tegn på vekst. Våre resultater indikerer at for stor vekst i sysselsettingen i en startfase kan ha negativ innvirkning på fortsatt aktivitet. På bakgrunn av at dette målet er signifikant, kan vi anbefale entreprenører å gjøre en nøye vurdering før nyansettelser. Denne variabelen må allikevel vurderes med forsiktighet, siden den ikke er kvalitetssikret av revisor. Selv om undersøkelsen ikke har kunnet gi entreprenører en klar veiledning om hvilke faktorer det bør legges mest vekt på, kan modellene være nyttige til prediksjonsformål. Dette formålet brukes allerede slike modeller til, men vårt bidrag kan gi noe ytterligere informasjon. Som for eksempel at SEBRA-modellen fungerer bedre til å predikere på lang sikt enn Z-score, og at antall ansatte har en noe uforventet påvirkning. En eventuell feilkilde ved Z-score-modellen er at den bruker eiendeler for å korrigere for størrelse mellom variablene. For videre kvantitativ forskning kan det være mer aktuelt å bruke et annet mål for dette. Grunnen er at eiendeler kanskje ikke har like stor betydning i dagens bedriftsmarked, spesielt med hensyn til de voksende service- og tjenesteytingsbransjene. Siden humankapital blir stadig viktigere i dagens bedriftsmarked, kan det også være hensiktsmessig å inkludere en kvalitativ del når man predikerer fremtidig status. Dette kan for eksempel omhandle hvilke egenskaper man bør fokusere på ved rekruttering, eller andre menneskelige forhold. Gjennom å inkludere flere kvalitative variabler vil man kanskje kunne avdekke flere fallgruver ved etablering av ny bedrift. Dette kan være til hjelp for entreprenører i startfasen. I tillegg har vi funnet ut at transformasjon kan gi en litt bedre prediksjonsmodell for Z-score, mens det gir en dårligere modell for SEBRA. Med tanke på at sammenligningsgrunnlaget svekkes ved at variablene transformeres, og de feilkildene transformering kan føre med seg, er vår konklusjon at et normalfordelt utvalg gjennom transformasjon ikke gir en bedre prediksjonsmodell. Arbeidet vi gjør ved å transformere variablene gir lav ytterligere verdi, noe som styrker antakelsen om at normalfordeling ikke kreves ved logistisk regresjon. Vi vil derfor ikke anbefale andre forskere å transformere de uavhengige variablene ved lignende analyser. 61

67 7 Litteraturliste Aldrich, John H. & Forrest D. Nelson (1984): Linear Probability, Logit, and Probit Models. Sage, Beverly Hills. Altinn(n.d.). Sletting, opphør og avvikling av virksomhet. Hentet 18. April fra: %B8r_avvikling_av_virksomhet.pdf Altman, Edward I. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance. Vol. 23 (4): Hentet 12. februar 2016 fra Altman, Edward I., Haldman, Robert G. & Narayanan P. (1977), ZETA ANLAYSIS, A new model to identify bankrutcy risk of corporations. Journal of Banking and Finance 1. Hentet 11. Mars 2016 fra main.pdf?_tid=bc6646b8-e9e9-11e5-b aab0f6c&acdnat= _599783cca58732fc90576dabb04b8387 Bernhardsen, E., Larsen, K.(2007). Modellering av kredittrisiko I foretakssektoren videreutvikling av SEBRA-modellen. Hentet 13. mars 2016 fra Davidsson, P. (2004), Researching Entrepreneurship. Springer. Eklund, T., Knutsen K. (2003). Regnskapsanalyse med årsoppgjør, aktiv bruk av regnskapet (7. utg.). Oslo: Gyldendal Norske Forlag. Eklund, T., Knutsen, K. (2011). Regnskaps analyse, aktiv bruk av regnskapet (8. utg.). Oslo: Gyldendal Norsk Forlag AS. Eklund, Trond, Larsen, Kai & Bernhardsen, Eivind(2001). Modell for analyse av kredittrisiko i foretakssektoren. Hentet 13. Mars 2016 fra Field, A. (2013) Discovering Statistics using IBM SPSS Statistics. And Sex and Drugs and Rock n roll. 4.utg. SAGE Publications Ltd. Finansdepartementet (2009) Nye hovedtall i det reviderte budsjettet for 2009: Finanskrisen rammer Norge mindre enn andre land. Hentet 16. mars 2016 fra Hagen, M. M., Mogstad, M. E., Hsu, Y. W. (2014) Hvordan har gasellebedrifters finansielle forhold utviklet seg etter tildeling av gasellestatus sammenliknet med normalforetak, og hvor godt vil det la seg gjøre og predikere konkurs for gasellebedrifter? Hentet 10. Mars 2016 fra: Hair, J. F., Black, W.C., Babin, J., B., Anderson, R., E. (2014) Multivariate Data Analysis. Pearson. 62

68 Hals, C. F., Fegri, K. (2012) Konkursprediksjon. Hentet 10. Mars 2016 fra: uence=1&isallowed=y Heine, Max L. (2000). Predicting Financial Distress of Companies: Revisiting the Z-Score and Zeta Models. Paper. New York: Stern School of Business, New York University. Hentet 17. mars 2016 fra Heldal, J. (2007). Logistisk regresjon - kurskompendium i byråskolens kurs SM507. Statistisk sentralbyrå. Hentet 14. mars 2016 fra Henriksen, N. B., Kvaslerud, P. M. (2012) Konkursprediksjon gjennom ulike konjunktturfaser. Hentet 10. Mars 2016 fra: &isallowed=y Hoff, K. G., Pedersen, A. O., med bidrag av Sanne, N. (2015). Grunnleggende regnskap 2, Analyse av finansregnskapet (2. utg.). Oslo: Universitetsforlaget. Hosmer, D. W., og Lemeshow, S. (2000). Applied Logistic Regression. 2. utgave. New York: Wiley. Johannessen, A., Christoffersen, L., Tufte, P.A. (2011) Forskningsmetode for økonomiskadministrative fag (3. Utg). Oslo: Abstrakt forlag AS. Konkursrådet. (2012). Konkurs i aksjeselskaper. Hentet 12. februar 2016 fra Lovdata. (2016). Lov om gjeldsforhandling og konkurs (konkursloven). (Justis- og beredskapsdepartementet) Hentet 12. februar 2016 fra Minitab (2016) What is a variance inflation factor (VIF)? Hentet 20. april 2016 fra Pallant, J. (2007) SPSS Survival Manual. A Step by Step Guide to Data Analysis using SPSS for Windows third edition. Open University Press Praag, C. M., & Versloot, P. H. (2008). The Economic Benefits and Costs of Entrepreneurship: A Review of the Research. Foundations and Trends in Entrepreneurship, 90. Proff Forvalt (n.d.). Om Proff forvalt. Hentet 18. april 2016 fra Regjeringen. (2015). Pressemelding: Enklere å lykkes som gründer Regjeringens gründerplan. Hentet 6. mai 2016 fra 63

69 Statistisk sentralbyrå. (2015). Nyetablerte foretaks overlevelse og vekst, Hentet 12. februar 2016 fra Tufte, P.A. (2000). En intuitiv innføring i logistisk regresjon. SIFO. Hentet 14. mars 2016 fra Vatne, Eirik. (2009). Gasellers liv og virke - hurtigvoksende foretaks rolle i norske regioner. SNF-rapport 2009:20. Bergen: Samfunns- og næringslivsforskning AS. Illustrasjon forside: Dagens Perspektiv (2013) hentet 21. april 2016 fra &sa=x&ved=0ahukewieyo6s45_mahxoypokhzeya1oq_auibygc&dpr=1#tbm=isch&q=suk sess+fiasko&imgrc=5lannzywuk0ohm%3a 64

70 8 Vedlegg 8.1 Vedlegg 1: bransjefordeling Forklaring til gjeldene NACE-koder - 0: uoppgitt/utilstrekkelig oppgitt virksomhet - 41: oppføring av bygninger - 43: spesialisert bygge- og anleggsvirksomhet - 46: agentur- og engroshandel, unntatt med motorvogn - 47: detaljhandel, unntatt med motorvogner - 49: landtransport og rørtransport - 56: serveringsvirksomhet - 62: tjenester tilknyttet informasjonsteknologi - 68: omsetning og drift av fast eiendom - 70: hovedkontortjenester, administrativ rådgivning - 71: arkitektvirksomhet og teknisk konsulentvirksomhet, og teknisk prøving og analyse - 73: annonse- og reklamevirksomhet og markedsundersøkelser - 74: annen faglig, vitenskapelig og teknisk virksomhet - 77: utleie- og leasingvirksomhet - 81: tjenester tilknyttet eiendomsdrift - 85: undervisning - 88: sosiale omsorgstjenester, uten botilbud - 96: annen personlig tjenesteyting 1

71 Rådata for hele Østlandet Status fordelt på NACE_Østlandet Antall aktive Antall inaktive Data for Oslo fjernet etter utvalgskriteriene Utgangspunkt i status 2010 Status 2010_NACE_OSLO Antall aktive Antall inaktive Utgangspunkt i status Status 2013_NACE_OSLO Antall aktive Antall inaktive

72 Dataene for Oslo etter fjerning av utliggere for Z-score Utgangspunkt i status 2010 Status 2010_NACE_>jernet uteliggere_oslo Antall aktive Antall inaktive Utgangspunkt i status 2013 Status 2013_NACE_>jernet uteliggere_oslo Antall aktive Antall inaktive 3

73 Dataene for Oslo etter fjerning av utliggere for SEBRA-modellen Utgangspunkt i status Status 2010_NACE_>jernet uteliggere_oslo Antall aktive Antall inaktive Utgangspunkt i status Status 2013_NACE_>jernet uteliggere_oslo Antall aktive Antall inaktive

74 8.3 Vedlegg 2: Fjerning av utliggere Basert på Z-score 8 6 Fjerning av uteliggere_nace 4 2 Antall uteliggere 9jernet Basert på de NACE-kodene som det ble fjernet to eller flere utliggere. Basert på SEBRA-modellen Fjerninger av uteliggere_nace Antall uteliggere 9jernet Basert på de NACE-kodene som det ble fjernet to eller flere utliggere. 5

75 8.5 Vedlegg 3: missing cases Basert på Z-score Basert på Z-score, før transformasjon Antall missing_nace Basert på de NACE-kodene som hadde større eller lik 2 missing cases Basert på Z-score, etter transformasjon Antall missing_etter transformasjon_nace Antall missing 6 4 Antall missing Basert på de NACE-kodene som hadde større eller lik 2 missing cases 6

76 Basert på SEBRA-modellen Basert på SEBRA-modellen, før transformasjon Antall missing_nace 10 5 Antall missing Basert på de NACE-kodene som hadde større eller lik 2 missing cases Basert på SEBRA-modellen, etter transformasjon Antall missing_etter transformasjon_nace Antall missing Basert på de NACE-kodene som hadde større eller lik 2 missing cases 7

77 8.7 Vedlegg 4: Deskriptiv analyse av uavhengige variabler Z-score X 1 : Arbeidskapital / sum eiendeler X1 MED UTLIGGERE UTEN UTLIGGERE DIFF. ETTER TRANSFORMASJON (SQRT) N Valid Missing Mean Median Mode Std. Deviation Variance Skewness Std. Error of Skewness Kurtosis Std. Error of Kurtosis Minimum Maximum DIFF. MISSING Med utliggere 8

78 Uten utliggere Etter transformasjon 9

79 X 2 : Tilbakeholdt inntjening / sum eiendeler X2 MED UTLIGGERE UTEN UTLIGGERE DIFF. ETTER TRANSFORMASJON (LN) N Valid Missing Mean Median Mode Std. Deviation Variance Skewness Std. Error of Skewness Kurtosis Std. Error of Kurtosis Minimum Maximum DIFF. MISSING Med utliggere 10

80 Uten utliggere Etter transformasjon 11

81 X 3 : Driftsresultat / sum eiendeler X3 MED UTLIGGERE UTEN UTLIGGERE DIFF. ETTER TRANSFORMASJON (SQRT) N Valid Missing Mean Median Mode Std. Deviation Variance Skewness Std. Error of Skewness Kurtosis Std. Error of Kurtosis Minimum Maximum DIFF. MISSING Med utliggere 12

82 Uten utliggere Etter transformasjon 13

83 X 4 : Egenkapital / gjeld X4 MED UTLIGGERE UTEN UTLIGGERE DIFFERANSE ETTER TRANSFORMASJON (LN) N Valid Missing Mean Median Mode Std. Deviation Variance Skewness Std. Error of Skewness Kurtosis Std. Error of Kurtosis Minimum Maximum DIFF. MISSING Med utliggere 14

84 Uten utliggere Etter transformasjon 15

85 X 5 : Salgsinntekt / sum eiendeler X5 MED UTLIGGERE UTEN UTLIGGERE DIFF. ETTER TRANSFORMASJON (SQRT) N Valid Missing Mean Median Mode Std. Deviation Variance Skewness Std. Error of Skewness Kurtosis Std. Error of Kurtosis Minimum Maximum DIFF. MISSING Med utliggere 16

86 Uten utliggere Etter transformasjon 17

87 8.8 Vedlegg 5: Deskriptiv analyse av uavhengige variabler SEBRA-modellen Lønnsomhet LØNNSOMHET MED UTLIGGERE UTEN UTLIGGERE DIFF. ETTER TRANSFORMASJON N Valid Missing Mean Median Mode Std. Deviation Variance Skewness Std. Error of Skewness Kurtosis Std. Error of Kurtosis Minimum Maximum Med utliggere 18

88 Uten utliggere 19

89 Likviditet LIKVIDITET MED UTLIGGERE UTEN UTLIGGERE DIFF. ETTER TRANSFORMASJON (LN) DIFF. MISSING N Valid Missing Mean Median Mode Std. Deviation Variance Skewness Std. Error of Skewness Kurtosis Std. Error of Kurtosis Minimum Maximum Med utliggere 20

90 Uten utliggere Etter transformasjon 21

91 Soliditet SOLIDITET MED UTLIGGERE UTEN UTLIGGERE DIFF. ETTER TRANSFORMASJO N (SQRT) N Valid Missing Mean Median Mode Std. Deviation Variance Skewness Std. Error of Skewness Kurtosis Std. Error of Kurtosis Minimum Maximum DIFF. MISSING Med utliggere 22

92 Uten utliggere Etter transformasjon 23

93 Ansatte ANSATTE MED UTLIGGERE UTEN UTLIGGERE DIFF. ETTER TRANSFORMASJON (LN) N Valid Missing Mean Median Mode Std. Deviation Variance Skewness Std. Error of Skewness Kurtosis Std. Error of Kurtosis Minimum Maximum DIFF. MISSING Med utliggere 24

94 Uten utliggere Etter transformasjon 25

95 Driftsinntekter DRIFTSINNT. MED UTLIGGERE UTEN UTLIGGERE DIFF. ETTER TRANSFORMASJON (LN) N Valid Missing Mean Median Mode Std. Deviation Variance Skewness Std. Error of Skewness Kurtosis Std. Error of Kurtosis Minimum Maximum DIFF. MISSING Med utliggere 26

96 Uten utliggere Etter transformasjon 27