ONDERZOEK NAAR DE BRUIKBAARHEID VAN FALINGSPREDICTIEMODELLEN OVER VERSCHILLENDE SECTOREN

UNIVERSITEIT GENT FACULTEIT ECONOMIE EN BEDRIJFSKUNDE ACADEMIEJAAR 2012-2013

ONDERZOEK NAAR DE BRUIKBAARHEID VAN FALINGSPREDICTIEMODELLEN OVER VERSCHILLENDE SECTOREN

Masterproef voorgedragen tot het bekomen van de graad van Master of Science in de Toegepaste Economische Wetenschappen

Laurence De Scheerder Sébastien Deknudt onder leiding van

Prof. Ir. Ludo Theunissen

UNIVERSITEIT GENT FACULTEIT ECONOMIE EN BEDRIJFSKUNDE ACADEMIEJAAR 2012-2013

ONDERZOEK NAAR DE BRUIKBAARHEID VAN FALINGSPREDICTIEMODELLEN OVER VERSCHILLENDE SECTOREN

Masterproef voorgedragen tot het bekomen van de graad van Master of Science in de Toegepaste Economische Wetenschappen

Laurence De Scheerder Sébastien Deknudt onder leiding van

Prof. Ir. Ludo Theunissen

PERMISSION “Ondergetekenden verklaren dat de inhoud van deze masterproef mag geraadpleegd en/of gereproduceerd worden, mits bronvermelding.”

Laurence De Scheerder Sébastien Deknudt

Onderzoek naar de bruikbaarheid van falingspredictiemodellen over verschillende sectoren

WOORD VOORAF Graag wensen we alle personen die ons bij de verwezenlijking van onze masterproef hebben gesteund, te bedanken. In eerste instantie willen we onze promotor professor Ludo THEUNISSEN bedanken om ons doorheen deze periode te begeleiden en voor de kans die hij ons heeft geboden om rond dit boeiende onderwerp te werken. Bijzondere dank gaat ook uit naar Stefaan MEERSSCHAERT, de begeleidende assistent, die ons met raad en daad heeft bijgestaan. Zijn opmerkingen en kennis van de gebruikte statistische methodes waren voor ons een bijzonder grote hulp. Tot slot, doch niet in het minst, bedanken we graag onze ouders en familie voor hun morele en financiële steun, niet alleen tijdens het schrijven van onze masterproef, maar gedurende onze gehele studiecarrière. Zonder hen zou het niet mogelijk zijn geweest om dit tot een goed einde te brengen.

Laurence De Scheerder Sébastien Deknudt

I


INHOUDSOPGAVE WOORD VOORAF........................................................................................................................................... I INHOUDSOPGAVE......................................................................................................................................... II LIJST VAN TABELLEN ................................................................................................................................... IIV LIJST VAN FIGUREN...................................................................................................................................... VI LIJST VAN GEBRUIKTE AFKORTINGEN ........................................................................................................ VII INLEIDING ..................................................................................................................................................... 1 1. LITERATUURSTUDIE .................................................................................................................................. 2 1.1 Wat is faling? .......................................................................................................................................... 3 1.1.1 Definiëring van faling ...................................................................................................................... 3 1.1.2 Falingspredictie ............................................................................................................................... 4 1.1.3 Faillissementen in België ................................................................................................................. 4 1.2 Oorzaken van faling ................................................................................................................................ 6 1.3 Falingspaden......................................................................................................................................... 10 1.3.1 Inleiding ......................................................................................................................................... 10 1.3.2 Organisatorische benadering ........................................................................................................ 10 1.3.3 Financiële benadering ................................................................................................................... 11 1.4 Overzicht van analyse-technieken ....................................................................................................... 12 1.4.1 Inleiding ......................................................................................................................................... 12 1.4.2 Univariate analyse ......................................................................................................................... 12 1.4.3 Risico-index modellen ................................................................................................................... 12 1.4.4 Meervoudige discriminantsanalyse (MDA) ................................................................................... 13 1.4.5 Conditionele waarschijnlijkheidsmodellen ................................................................................... 14 1.4.6 Alternatieve technieken ................................................................................................................ 15 1.5 Falingspredictiemodellen in België ...................................................................................................... 17 1.5.1 Inleiding ......................................................................................................................................... 17 1.5.2 Lineaire discriminantmodellen Ooghe-Verbaere 1982 (OV ‘82) ................................................... 17 1.5.3 Logitmodellen Ooghe-Joos-Devos 1991 (OJD ‘91) ........................................................................ 18 1.5.4 Simpele Intuïtieve Modellen 2005 (SIM ‘05) ................................................................................. 20 1.6 Studies over verschillende sectoren in belgië ...................................................................................... 22 1.6.1 Ooghe-Verbaere 1982 ................................................................................................................... 22 1.6.2 Ooghe-Joos-De Vos 1991 .............................................................................................................. 22 1.6.3 Simpel Intuïtief Model 2005 .......................................................................................................... 23 1.7 Performantiecriteria ............................................................................................................................. 24 II


1.7.1 Inleiding ......................................................................................................................................... 24 1.7.2 Prestatiemaatstaven gebaseerd op een classificatieregel ............................................................ 24 1.7.3 Prestatiemaatstaven gebaseerd op het ongelijkheidsprincipe ..................................................... 28 1.7.4 Andere prestatiemaatstaven......................................................................................................... 29 2. EMPIRISCH ONDERZOEK ......................................................................................................................... 31 2.1 Steekproefbeschrijving ......................................................................................................................... 32 2.1.1 Algemene steekproefbeschrijving ................................................................................................. 32 2.1.2 Steekproefbeschrijving OV ‘82 ...................................................................................................... 33 2.1.3 Steekproefbeschrijving SIM ‘05 ..................................................................................................... 35 2.1.4 Steekproefbeschrijving sectoranalyse........................................................................................... 36 2.2 Algemene analyse ................................................................................................................................ 38 2.3 Sectoranalyse ....................................................................................................................................... 42 2.3.1 Gini-coëfficiënten en trade-off grafieken...................................................................................... 42 2.4 industrie versus zakelijke diensten ...................................................................................................... 44 2.4.1 Inleiding ......................................................................................................................................... 44 2.4.2 Regressieresultaten OV ’82 ........................................................................................................... 44 2.4.3 Regressieresultaten SIM ’05 .......................................................................................................... 45 ALGEMEEN BESLUIT ................................................................................................................................... 47 LIJST VAN GERAADPLEEGDE WERKEN ....................................................................................................... VIII LIJST VAN BIJLAGEN.................................................................................................................................... 50

III


LIJST VAN TABELLEN Tabel 1: Ooghe-Verbaere 1982 gereduceerd algemeen model Tabel 2: Ooghe-Verbaere 1982 gereduceerd model één jaar vóór faling Tabel 3: Ooghe-Verbaere 1982 gereduceerd model twee jaar vóór faling Tabel 4: Ooghe-Verbaere 1982 gereduceerd model drie jaar vóór faling Tabel 5: Logitmodel Ooghe-Joos-De Vos 1991 één jaar vóór faling Tabel 6: Logitmodel Ooghe-Joos-De Vos 1991 drie jaar vóór faling Tabel 7: Simpel Intuïtief Model 2005 Tabel 8: Indeling sectoren sectoraal onderzoek OJD ‘91 Tabel 9: Resultaten sectoraal onderzoek OJD ‘91 Tabel 10: Foutenpercentages Tabel 11: Sectoren verwijderd uit de steekproef Tabel 12: Sectoren opgenomen in de steekproef Tabel 13: Samenstelling steekproef OV ‘82 Tabel 14: Steekproef OV ’82 falende ondernemingen Tabel 15: Steekproef OV ’82 lopende ondernemingen Tabel 16: Steekproef SIM ’05 falende ondernemingen Tabel 17: Steekproef SIM ’05 lopende ondernemingen Tabel 18: NACE-BEL 2008 per sector Tabel 19: Sectorverdeling OV ’82 Tabel 20: Sectorverdeling SIM ’05 Tabel 21: Grensanalyse OV ’82: algemeen model en één jaar vóór faling Tabel 22: Grensanalyse OV ’82: model twee jaar vóór faling en model drie jaar vóór faling Tabel 23: Grensanalyse SIM ’05: model één jaar vóór faling en model drie jaar vóór faling Tabel 24: Kolmogorov-Smirnov test en Mann-Whitney U-test IV


Tabel 25: Mann-Whitney testen voor SIM ’05 Tabel 26: Classificatieresultaten van de onderzoekssteekproeven Tabel 27: Gini-coëfficiënten van de sectoranalyse Tabel 28: Regressieresultaten OV ’82 één jaar vóór faling Tabel 29: Regressieresultaten OV ’82 drie jaar vóór faling Tabel 30: Regressieresultaten SIM ’05 één jaar vóór faling Tabel 31: Regressieresultaten SIM ’05 drie jaar vóór faling Tabel 32: Gini-coëfficiënten SIM ’05 zonder graad van financiële onafhankelijkheid

V


LIJST VAN FIGUREN Figuur 1: Overzicht faillissementen in België Figuur 2: Het conceptueel falingsmodel van Ooghe & Waeyaert Figuur 3: Het beste, slechtste en geschatte classificatiemodel Figuur 4: Grensanalyse OV ’82 algemeen model Figuur 5: Grensanalyse OV ’82 model één jaar vóór faling Figuur 6: Grensanalyse OV ’82 model twee jaar vóór faling Figuur 7: Grensanalyse OV ’82 model drie jaar vóór faling Figuur 8: Grensanalyse SIM ’05 model één jaar vóór faling Figuur 9: Grensanalyse SIM ’05 model drie jaar vóór faling Figuur 10: Trade-off grafieken modellen OV ’82 en SIM ’05: één en drie jaar vóór faling Figuur 11: Trade-off grafieken OV ’82 algemeen model en model twee jaar vóór faling Figuur 12: Trade-off grafieken bouwsector Figuur 13: Trade-off grafieken industrie Figuur 14: Trade-off grafieken logistiek Figuur 15: Trade-off grafieken zakelijke diensten Figuur 16: Trade-off grafieken detailhandel Figuur 17: Trade-off grafieken groothandel Figuur 18: Trade-off grafieken OV ’82 één jaar vóór faling Figuur 19: Trade-off grafieken OV ‘82 drie jaar vóór faling Figuur 20: Trade-off grafieken SIM ’05 één jaar vóór faling Figuur 21: Trade-off grafieken SIM ’05 drie jaar vóór faling

VI


LIJST VAN GEBRUIKTE AFKORTINGEN CEO: Chief Executive Officer CFO: Chief Financial Officer MDA: meervoudige discriminantanalyse RPA: recursieve partitioneringsalgoritme OV ’82: Ooghe-Verbaere model uit 1982 OJD ’91: Ooghe-Joos-De Vos model uit 1991 SIM ’05: Simpel Intuïtief Model uit 2005 1 jvf: één jaar vóór faling 2 jvf: twee jaar vóór faling 3 jvf: drie jaar vóór faling OGF%: ongewogen gemiddelde foutenpercentage RSZ: Rijksdienst voor Sociale Zekerheid B.T.W.: belasting over de toegevoegde waarde Asymp. Sig.: asymptotische significantie

VII


INLEIDING Het tijdig opsporen van bedrijven in moeilijkheden is het uitgangspunt van de falingspredictie. Een groot deel van het onderzoek op dit gebied spitst zich toe op het ontwikkelen van modellen die zo goed mogelijk proberen de lopende ondernemingen van de falende te onderscheiden. Daarbij wordt de rol die de sector speelt heel vaak uit het oog verloren. De mate van gebruik van boekhoudkundige posten varieert in zekere zin naargelang de sector waartoe een onderneming behoort. Zo is de secundaire sector over het algemeen kapitaalintensiever dan de tertiaire sector. Ondanks deze verschillen is er in de vakliteratuur heel weinig te vinden over de impact van deze sectorale verschillen op de falingspredictie. In deze masterproef wordt nagegaan in welke mate de sector een bepalende factor is in de prestatie van een falingspredictiemodel. Voor de datacollectie werd de Bel-first DVD van Bureau van Dijk van 2011 gebruikt. De onderzochte periode is 2006 - 2010. In het eerste deel van deze masterproef wordt een kort beeld geschetst van de bestaande literatuur, waarbij niet alleen aandacht wordt besteed aan de onderliggende (niet-financiële) oorzaken van faling, maar ook aan de verschillende technieken die worden gebruikt bij falingspredictie en hun toepassing op de Belgische ondernemingspopulatie. In het tweede deel wordt door middel van een empirisch onderzoek nagegaan of de bestaande Belgische falingspredictiemodellen voldoende differentiëren tussen lopende en falende ondernemingen. De ondernemingen worden daarna ingedeeld per sector, om te onderzoeken of er grote sectorale verschillen zijn. Ten slotte wordt er dieper ingegaan op de grote verschillen in performantie tussen de sectoren industrie en zakelijke diensten. Eerder werden al gelijkaardige sectorale studies gedaan voor de verschillende Belgische modellen (Ooghe & Verbaere, 1982; Ooghe, Camerlynck & Balcaen, WP 2001; Ooghe, Spaenjers & Vandermoere, 2005). Deze zijn echter niet zo up-to-date. Er wordt verwacht dat de recente ontwikkelingen op financieel en economisch vlak een impact zullen hebben op de bestudeerde jaarrekeningen en bijgevolg ook op de performantie van de onderzochte modellen.

1


1. LITERATUURSTUDIE

2


1.1 WAT IS FALING? 1.1.1 DEFINIËRING VAN FALING Het falen van een onderneming is een ruime term. Economisch gezien is een falende onderneming een onderneming die er gedurende een constante periode niet in slaagt om aan haar aandeelhouders een rendement te bieden dat evenwaardig is aan andere, even risicovolle investeringen. Een economisch falende onderneming kan echter vele jaren blijven voortbestaan zonder in de problemen te komen als ze geen schulden heeft. Een bedrijf wordt pas juridisch falend als het niet meer in staat is om haar schulden aan haar crediteurs af te betalen (Altman, 1993). Ooghe en Van Wymeersch (2008) stellen dat een minimale rendabiliteit en voldoende liquiditeit op korte termijn de minimale voorwaarden zijn om als onderneming op continue wijze de economische en sociale doelstellingen te realiseren. Heel eng kan faling worden omschreven als een onderneming die failliet gaat, maar faillissement is slechts één indicator van faling; kleinere (familie)bedrijven kiezen vaak – om financiële of andere redenen – voor een vrijwillige stopzetting (Kharbanda & Stallworthy, 1985). Het is moeilijk om ‘faling’ in een definitie te gieten die volledig is en tegelijk perfect is afgebakend om ze correct te analyseren met statistische technieken. In veel landen is het aantal faillissementen het enige officiële cijfer en dit partiële cijfer wordt dan gebruikt voor verdere analyse van faling (Kharbanda & Stallworthy, 1985). Faillissementsgegevens zijn echter erg incompleet (Brilman, 1986): -

Eenmanszaken en grote bedrijven met meer personeel krijgen hetzelfde gewicht toegekend. Een gewogen faillissementscijfer zou meer significant zijn.

-

Bedrijven die heel snel failliet gaan na hun oprichting – soms worden bedrijven opgericht voor één project – hebben hetzelfde gewicht als gevestigde bedrijven die langer bestaan dan vijf jaar. In sommige landen loopt dit op tot meer dan de helft van de failliete populatie.

Faillissementen zijn een logisch gevolg van de vrije markt, enerzijds is het positief voor de economie wanneer bepaalde bedrijven die om één of andere reden niet meer competitief zijn uit de ondernemingspopulatie verdwijnen zodat op die manier middelen vrijkomen voor andere, gezonde bedrijven (Ooghe & Waeyaert, 2003). Anderzijds heeft faling een invloed op vele verschillende partijen en brengt het grote kosten met zich mee. Hoewel sommige faillissementen onverwachts optreden, ontwikkelen de meeste zich in een periode van twee tot drie jaar (Platt, 1987). Dit kan mede als verklaring dienen waarom men faling met de huidige statistische methodes niet meer dan drie jaar op

3


voorhand kan voorspellen (Hamer, 1983). De definitie van een falende onderneming die in deze masterproef wordt gehanteerd staat vermeld in de steekproefbeschrijving (infra, p. 32) 1.1.2 FALINGSPREDICTIE Falingspredictie heeft als doel de waarschijnlijkheid te voorspellen dat een onderneming naar een zodanig slechte financiële situatie evolueert dat ze niet meer in staat is om haar contractuele verplichtingen na te komen, waardoor ze faalt (Siau, 2009). Dit doet men door boekhoudkundige gegevens, meer specifiek financiële ratio’s, te analyseren. Deze ratio’s evolueren mee met de onderneming en kunnen als symptomen optreden van een zieke of falende onderneming. De echte oorzaken van dit falen kunnen van allerlei aard zijn en in het merendeel van de gevallen treden verschillende oorzaken, meestal twee à drie, tegelijk op (Brilman, 1986). Aangezien er grote belangen mee zijn gemoeid, wordt er zowel op privé-initiatief als door de overheid veel onderzoek gedaan naar falingspredictie en kan de tak als één van de meest bestudeerde binnen de economische wetenschap worden beschouwd (Ooghe & Balcaen, 2006). Een sterke evolutie van de informatica en recente ontwikkelingen in de wiskunde en statistiek hebben samen met een grotere beschikbaarheid van data gezorgd voor een verdere groei van deze discipline (Van Caillie & Dighaye, 2002). Bij faillissementen waarbij het falen van één bedrijf negatieve gevolgen heeft voor heel wat andere ondernemingen, is er sprake van een sneeuwbal- of domino-effect (Blazy, Charlety & Combier, 1993). Hoe vroeger de moeilijkheden worden opgemerkt, hoe meer mogelijkheden er zijn om zich in te dekken tegen mogelijke toekomstige problemen en dus hoe meer kans er is om zo de negatieve spiraal in het ondernemingsnetwerk te doorbreken. Falingspredictiemodellen kunnen bedrijfsrevisoren, managers, aandeelhouders en andere stakeholders helpen bij het vroegtijdig opsporen van signalen. 1.1.3 FAILLISSEMENTEN IN BELGIË In de periode 2006 - 2010 gingen volgens statistieken van de Belgische federale overheid gemiddeld zo’n 8.500 bedrijven failliet, waaronder 4.400 Vlaamse. Vooral de stijgende trend de laatste jaren (van 7.616 faillissementen in 2006 tot 10.587 in 2012) valt op. Figuur 1 geeft een overzicht. Een verklaring voor

4


deze markante stijging in faillissementen is volgens Graydon Belgiuma niet alleen de financiële crisis die begon in 2007, maar ook het feit dat er in de periode voor de crisis heel veel bedrijven werden opgericht. Er wordt verwacht dat deze toename in faillissementen voor verschuivingen zal zorgen in het voorspellingsvermogen van de in deze masterproef onderzochte falingspredictiemodellen in de periode 2006 - 2010. Ook in het begin van 2013 blijven de faillissementsrecords sneuvelen (een stijging van 16,6% in vergelijking met 2012, dat ook al een recordjaar was). Het ziet er dus niet naar uit dat die negatieve trend binnenkort zal omkerenb. Figuur 1: Overzicht faillissementen in Belgiëc 12.000 10.000 8.000 Waals Gewest

6.000

Brussels Hoofdstedelijk Gewest Vlaams Gewest

4.000

2.000 0 2005 2006 2007 2008 2009 2010 2011 2012

a

Bron: Graydon Belgium, 2011, Het Graydon-jaaroverzicht 2011: oprichtingen, faillissementen, stopzettingen en gerechtelijke reorganisaties., URL: (16/04/2013) b

Bron: Graydon Belgium, 2013, A Perfect Storm: Faillissementen in het eerste kwartaal met 16,6% toegenomen, URL: (16/04/2013) c

Bron: Statbel, 2013, URL: . (16/4/2013)

5


1.2 OORZAKEN VAN FALING 1.2.1 INLEIDING De meeste falingspredictiemodellen die men in de literatuur terugvindt, zijn gebaseerd op financiële ratio’s en gaan minder in op de onderliggende oorzaken van faling. Publicaties over deze oorzaken bestaan wel, maar zijn meestal toegespitst op een beperkt aantal niet-financiële oorzaken of op een bepaald type onderneming (bijvoorbeeld jonge, snelgroeiende ondernemingen) (Ooghe & De Prijcker, 2007). In deze masterproef wordt enkel gekeken naar financiële ratio’s, die slechts symptomen zijn van faling en geen echte oorzaken. Hierna volgt een overzicht van de mogelijke onderliggende oorzaken van faling, gebaseerd op het conceptueel falingsmodel van Ooghe & Waeyaert (2003). Figuur 2: Conceptueel falingsmodel van Ooghe & Waeyaert 1.2.2 MANAGEMENT Er bestaat consensus over het feit dat slecht management de primaire oorzaak is van faling bij ondernemingen. Door een gebrek aan ervaring, competenties of motivatie neemt de kans toe dat een managementteam beslissingen neemt die uiteindelijk leiden tot faling. Argenti (1976) geeft vijf structurele problemen die voorkomen bij ‘slecht management’ en uiteindelijk tot faling kunnen leiden: 

Een autoritaire CEO: Een CEO die zijn collega’s domineert in plaats van ze te leiden en die niet open staat voor discussies en advies van externen en die hierdoor veranderingen in de (in)directe omgeving niet opmerkt.



Passieve Raad van Bestuur: Het is niet enkel problematisch als sommige bestuurders niet deelnemen aan vergaderingen van de Raad van Bestuur, ook bestuurders die slechts geïnteresseerd zijn in een bepaald vakgebied en maar beperkt deelnemen aan discussies die de onderneming in haar geheel betreft, hebben een negatieve invloed.



Ongebalanceerd managementteam: In deze turbulente tijden met een snelle opeenvolging van veranderingen op technologisch, economisch en sociaal gebied is het belangrijk om als team over een brede waaier aan vaardigheden te beschikken om op deze veranderingen te kunnen inspelen.



Zwakke CFO: Veel bedrijven hebben geen CFO of iemand met een gelijkaardige positie en als ze die wel hebben, wordt hij dikwijls niet bij de strategische vergaderingen betrokken tenzij er een budget moet worden besproken. 6




Dubbele functie: In sommige landen kunnen de CEO en de voorzitter van de Raad van Bestuur dezelfde persoon zijn. Op die manier verdwijnt een controlemechanisme en kunnen foutieve beslissingen worden gemaakt, met alle gevolgen van dien. De Belgische Corporate Governance Code 2009 schrijft een splitsing van die macht voor aan beursgenoteerde bedrijvend.

1.2.3 VERANDERINGEN IN DE ALGEMENE OMGEVING Ontwikkelingen in de algemene omgeving van een onderneming hebben eveneens een impact. Het betreft hier onder meer veranderingen van sociale, technologische, economische en politieke aard. Ondanks het feit dat dit externe factoren zijn waar het management geen grip op heeft, kan het niet altijd als uitvlucht dienen bij een eventuele faling. Vaak is het management niet bereid of te laat om in te spelen op deze veranderingen, met alle gevolgen van dien (Argenti, 1976). Desondanks stelt Altman (1971) dat veranderingen in de macro-economische omgeving wel degelijk een invloed hebben op het aantal falingen. Zo vermeldt hij onder andere een negatieve correlatie tussen de economische groei van een land (uitgedrukt in de verandering van het bruto nationaal product) en het aantal falingen. 1.2.4 VERANDERINGEN IN DE DIRECTE OMGEVING De directe omgeving van een onderneming bestaat voornamelijk uit klanten, leveranciers, concurrenten, de overheid, banken, aandeelhouders en bepaalde andere stakeholders. Wederom gaat het hier om externe factoren waar de onderneming geen controle over heeft, maar waarop wel geanticipeerd kan worden door een capabel managementteam. Goed gerunde bedrijven staan dicht bij hun klanten en leveranciers en volgen met argusogen diens financiële toestand, om indien nodig tijdig in te grijpen (Brilman, 1986). Het reeds vermelde sneeuwbaleffect treedt vooral op bij ondernemingen die heel sterk afhankelijk zijn van één of enkele grote afnemer(s) of leverancier(s) (Ooghe & Waeyaert, 2003). Ook een fusie tussen twee concurrenten of de toetreding van een nieuwe buitenlandse speler op de markt kan voor een schok zorgen waar de onderneming beter tijdig op inspeelt.

d

Bron: Corporate Governance Committee Belgium, 2009, Belgische Corporate Governance Code 2009, URL: (17/03/2013)

7


1.2.5 BEDRIJFSBELEID Een onderneming kan ook gewoon een verkeerd beleid voeren zonder dat daar een verandering aan voorafgaat. Hier volgt een kort overzicht van foutief bedrijfsbeleid: 

Investeringsbeleid: Te weinig investeringen of inefficiënte investeringen, onvoorbereide investeringen in nieuwe, onbekende markten etc.



Personeelsbeleid: zwakke bedrijfscultuur, te veel (ongemotiveerde) werknemers, te weinig flexibiliteit, hoog personeelsverloop etc.



Te grote focus op groei: Sommige ondernemingen streven groei na boven alles, zelfs ten koste van winstmarges en winst. Dit in combinatie met een groeiritme sneller dan wat de onderneming intern kan genereren, kan ervoor zorgen dat banken hun vertrouwen in de onderneming verliezen, met alle gevolgen van dien (Argenti, 1976).



Management van activa: Activa mogen nooit onbenut worden gelaten of verkeerd worden gebruikt. Daarenboven moeten bedrijven een goede balans nastreven van vaste en vlottende activa. Vlottende activa zijn ‘low risk/low return’ door de vlotte omwisseling in cash, vaste activa zijn ‘high risk/high return’. Een goede mix maakt de onderneming meer resistent tegen schokken (Platt, 1987).



Faling van een groot project: Bij falende bedrijven wordt vaak nog één groot project opgestart dat de heropleving van het bedrijf moet verzekeren, maar dit loopt vaak fout af door een slechte planning. Ook succesvolle bedrijven kunnen ten onder gaan door de faling van een groot project wanneer ze de kosten ervan onderschatten en/of de opbrengsten overschatten. Er wordt dan vaak gedacht dat men met een extra injectie van middelen het project tot een goed einde kan brengen, maar dikwijls is dat niet het geval (Argenti, 1976).



Gebrekkige/creatieve boekhouding: Slechter presteren heeft grote gevolgen voor het bedrijf en de managers zelf. Zo zullen banken hun voorwaarden verstrengen en zullen de managers door hun omgeving als oorzaak van die slechte prestaties worden gezien (Argenti, 1976). Het niet willen toegeven van deze mindere prestaties aan de buitenwereld is de oorzaak waarom managers hun toevlucht nemen tot creatief boekhouden en na verloop van tijd wordt er soms zelfs overgegaan tot fraude (Ooghe & Waeyaert, 2003).

8


1.2.6 ONDERNEMINGSKARAKTERISTIEKEN Volgens Ooghe & De Prijcker (2007) bestaan er vier determinerende karakteristieken die niet echt oorzaken zijn van faling, maar wel een belangrijke rol spelen. Deze zijn grootte, leeftijd, sector en flexibiliteit. Ten eerste bepalen deze karakteristieken in zekere mate de oorzaken van faling: zo is het voor een kleine, jonge onderneming logischer om een zwakker managementteam te hebben dan bij groot, gevestigd bedrijf. Ten tweede bepalen deze karakteristieken ook voor een deel de kans op faling: sommige sectoren zijn immers gevoeliger voor faling dan andere. 1.2.7 TEGENSLAG Het is duidelijk dat de sleutel voor een goed beheerde onderneming bij het management ligt. Na faling wordt echter meestal geclaimd dat de schuld niet bij het management lag, maar wel aan tegenslagen in de (in)directe omgeving (periode van recessie, problemen met leveranciers …). Dit zijn echter gewone tegenslagen die horen bij het ondernemen en die de onderneming in kwestie kopje onder lieten gaan omdat hun initiële positie te zwak was om de klap te overleven. Tegenslag wordt vaak ingeroepen als smoes, maar is slechts zelden de werkelijke reden (Argenti, 1976). Ook Ooghe & Waeyaert (2003) stellen dat recessie alleen een versnellend en verzwarend effect heeft op een onderneming en dat de faling het gevolg is van andere, reeds vroeger bestaande oorzaken.

9


1.3 FALINGSPADEN 1.3.1 INLEIDING Een onderneming faalt niet van de ene dag op de andere, maar ondergaat verschillende fases tot ze uiteindelijk faalt. Publicaties die falingen als proces onderzoeken en proberen te beschrijven zijn eerder zeldzaam. Er bestaan in de literatuur twee benaderingen, namelijk een organisatorische en een financiële opvatting. 1.3.2 ORGANISATORISCHE BENADERING Argenti (1976) zocht niet alleen naar onderliggende oorzaken van faling maar deed ook als eerste een poging om ze in een proces te beschrijven. Hij maakte een onderscheid tussen drie types: 

Type 1: Jonge bedrijven die nooit echt van de grond komen. Vanaf de start worden tekorten in de managementstructuur pijnlijk duidelijk. Door het gebrek aan expertise komt daar nog eens de faling van een groot project bij en zo gaat de bal aan het rollen. Dit is veruit het meest voorkomende type en meer dan 50% van de falingen zijn type 1-falingen.



Type 2: Succesvolle start-ups die slachtoffer worden van een te grote drang naar groei. Deze verschillen van type 1-falingen door het feit dat ze over een flamboyante, ambitieuze leider beschikken en tevens een sterk product aanbieden. De sterke leider die een troef was bij de start-up toont zijn gebreken wanneer de onderneming groot en succesvol wordt. Dit type faling is eerder zeldzaam, maar hun opmars en neergang worden wel ruim besproken in de media.



Type 3: Dit type omvat gevestigde ondernemingen die gedurende een aantal jaren succesvol zijn gebleken. Er treedt een soort laksheid op bij het managementteam na de successen en er wordt niet adequaat gereageerd op veranderingen in de (in)directe omgeving. Argenti (1976) geeft aan deze bedrijven de term ‘waterlogged’ (naar analogie met een schip dat water maakt), waarmee hij bedoelt dat ze een te hoge ‘leverage’ hebben en dat hun concurrentiekracht danig is afgenomen. Dit soort falingen bedraagt ongeveer 20% van het totale aantal.

Kritiek op de falingspaden van Argenti (1976) is tweeërlei. Ten eerste maakt hij geen gebruik van meetbare financiële indicatoren voor de financiële gezondheid van de onderneming. Daardoor is zijn omschrijving vaag en dubbelzinnig. Ten tweede legt hij een grote nadruk op een gebrekkig management als voornaamste oorzaak in elk van zijn modellen, zonder daar meer specifiek over te zijn, waardoor subtiele verschillen tussen de drie falingspaden verloren gaan (Ooghe & De Prijcker, 2007). 10


Richardson, Nwankwo en Richardson (1994) breiden dit model uit met een extra type leiderschap alsook een opsplitsing tussen kleine en grote ondernemingen. Sharma en Mahajan (1980) beschrijven één falingspad waarbij slecht management en een onvoorspelbare gebeurtenis, gecombineerd met een gebrek aan corrigerende maatregelen, leiden tot faling. 1.3.3 FINANCIËLE BENADERING Laitinen (1993) deelt het falingsproces op in vier fases: startfase, interventiefase, finale fase en exit-fase. Hierbij baseert hij zich op een verslechtering van de financiële ratio’s. In de eerste fase dalen de financiële ratio’s, maar nog niet voldoende om opgepikt te worden door falingspredictiemodellen. In de interventiefase blijven de ratio’s constant of licht dalend waardoor ze niet als efficiënte voorspellers kunnen worden gebruikt. In de finale fase dalen de financiële ratio’s naar een laag niveau waardoor ze worden opgemerkt door falingspredictiemodellen. De exit-fase begint met de neerlegging van de laatste boekhouding en eindigt met de uiteindelijke faling. Ooghe en Van Wymeersch (2008) zien drie verschillende factoren die het falingsproces in gang kunnen zetten. Het gaat hier enkel om de financiële symptomen en dus niet om de werkelijke onderliggende oorzaken. Overdreven kosten en onvoldoende toegevoegde waarde leiden tot een te lage rendabiliteit, die in combinatie met eventuele overdreven investeringen leidt tot een liquiditeitstekort. Er moet meer externe financiering worden aangetrokken, wat zorgt voor een verdere stijging van de kosten. Zo komt de onderneming in een negatieve spiraal terecht. De dalende solvabiliteit zorgt uiteindelijk voor wantrouwen van de schuldeisers waardoor het liquiditeitsgebrek nog nijpender wordt en de onderneming uiteindelijk faalt. Dit soort falingspaden met een financiële benadering hebben als grootste nadeel dat ze de relatie tussen de financiële ratio’s en de onderliggende oorzaken van de veranderingen van die ratio’s negeren (Ooghe & De Prijcker, 2007).

11


1.4 OVERZICHT VAN ANALYSE-TECHNIEKEN 1.4.1 INLEIDING In de literatuur zijn er diverse werken te vinden die een beschrijving geven van de verschillende methodes. Deze zijn onderverdeeld in de klassieke, statistische methodes zoals univariate analyse, risico-index modellen, MDA modellen en conditionele waarschijnlijkheidsmodellen zoals bijvoorbeeld logitmodellen (Ooghe & Balcaen, 2006). Daarnaast zijn er nog alternatieve technieken zoals recursieve partitionering, overlevingsanalyse en neurale netwerken (Altman & Narayanan, 1997). De meest gebruikte modellen zijn de MDA modellen, gevolgd door de logitmodellen (Altman & Saunders, 1998). 1.4.2 UNIVARIATE ANALYSE Reeds in de jaren ‘30 werden pogingen ondernomen om een onderscheid te maken tussen gezonde en falende bedrijven op basis van specifieke ratio’s (Fitzpatrick, 1932; Smith & Winakor, 1935). In 1966 introduceerde Beaver een univariate analysemethode; voor een aantal individuele ratio’s werd een optimaal afkappunt berekend waarbij het aantal misclassificaties (zowel type I- als type II-fouten, zie infra, p. 24) werd geminimaliseerd. De meest discriminerende ratio’s in zijn onderzoek waren en

,

.

Het grote voordeel van deze techniek is zijn simpliciteit. Het vergt geen enkele statistische kennis en na de berekening van de ratio kan op basis van het afkappunt simpelweg worden besloten of de onderneming als falend of niet-falend wordt geclassificeerd (Ooghe & Balcaen, 2006). De grootste minpunten van het model zijn de hoge correlaties tussen de ratio’s en de moeilijkheden die optreden bij tegenstrijdige predicties, met andere woorden wanneer er een inconsistentieprobleem is doordat een bedrijf door de ene ratio als falend wordt geclassificeerd en door een andere als niet-falend (Dimitras, Zanakis & Zopounidis, 1996). 1.4.3 RISICO-INDEX MODELLEN Als mogelijke oplossing voor het inconsistentieprobleem stelde Tamari (1966) een model voor waarbij ratio’s naargelang hun waarde een score tussen 0 en 100 kregen, waarbij een hoge score overeenkomt met een gezond bedrijf. De individuele scores worden opgeteld, wat leidt tot een completer beeld van de situatie. Opnieuw zijn het gebruiksgemak en de intuïtiviteit van dit soort modellen het grote

12


pluspunt. Anderzijds worden de scores bepaald door financiële analisten, economisten en kredietbeoordelaars, waardoor enige subjectiviteit een mogelijk probleem kan vormen (Ooghe & Balcaen, 2006). 1.4.4 MEERVOUDIGE DISCRIMINANTSANALYSE (MDA) In 1968 introduceerde Altman zijn Z-score model, die gebruikt maakt van een multivariate analysetechniek. MDA is een statistische techniek waarbij een observatie in twee of meer a priori groepen worden ingedeeld. Deze twee groepen worden bepaald door een optimaal afkappunt waarbij de type Ien type II-fouten (infra, p. 24) worden geminimaliseerd. Er zijn twee varianten van MDA, namelijk de lineaire en de kwadratische MDA. Naargelang aan bepaalde voorwaarden niet kan worden voldaan, wordt de ene techniek geprefereerd boven de andere. Aangezien de lineaire MDA veel meer wordt gebruikt, wordt in deze masterproef geen verdere aandacht besteed aan de kwadratische MDA. De functie voor een lineaire MDA is als volgt (Lachenbruch, 1975):

waarbij: = de discriminant-score voor onderneming = lineaire coëfficiënten (

= intercept)

= de variabelen (of ratio’s) van onderneming De coëfficiënten worden berekend aan de hand van computeralgoritmes en dus niet door de analist, wat de objectiviteit van dit soort modellen zeker ten goede komt (Altman & Hotchkiss, 2006). MDA werd de nieuwe analysetechniek bij uitstek in de jaren ‘70, maar al gauw kwamen meerdere problemen aan het licht (Eisenbeis, 1977). Mede door deze problemen en de moeilijkheid verbonden aan deze techniek werd MDA vanaf de jaren ‘80 minder toegepast ten voordele van logit- en probitmodellen. Bij het gebruik van nieuwere methodes wordt MDA nog dikwijls toegepast ter controle en vaak presteert het MDA-model beter dan de alternatieve methodes (Altman & Narayanan, 1997).

13


1.4.5 CONDITIONELE WAARSCHIJNLIJKHEIDSMODELLEN Als reactie op de beperkingen van de MDA-techniek werden vanaf de jaren ‘80 vooral andere technieken toegepast om tot goede falingspredictiemodellen te komen (Dimitras et al., 1996). Dit betekende de opmars van de conditionele waarschijnlijksmodellen zoals onder andere de logit- en probitmodellen. Beide modellen vertrekken vanuit een verschillende assumptie wat de kansverdeling betreft. Waar logitmodellen uitgaan uit van een logistische verdeling, gaan de probitmodellen uit van een cumulatieve normale verdeling (Ooghe & Balcaen, 2006). ̂ dat een bedrijf failliet gaat, berekend met de

Bij de logitmodellen wordt de kans variabelenvector

(Dimitras et al., 1996): ̂

waarbij

̃

̂

̃

̂

de cumulatieve logistische functie: ̃

̂

̃

̂

Net als bij MDA kan bij dit soort modellen een afkappunt worden gekozen waarbij op basis van de berekende kans een bedrijf in de falende of lopende groep wordt ingedeeld. Logitmodellen worden na MDA het vaakst gehanteerd (Altman & Saunders, 1998). Probitmodellen zijn gelijkaardig aan de logitmodellen maar worden een stuk minder gebruikt. Daarom wordt er hier niet verder op ingegaan. Een voordeel van het gebruik van logitmodellen is dat ze veel minder veeleisend zijn (Ooghe & Balcaen, 2006). Zo moeten er op voorhand geen assumpties worden gemaakt over de verdeling van de variabelen en over gelijke covariantiematrices van de populatie zoals bij MDA het geval is (Zavgren, 1983). Daarnaast hebben deze modellen het voordeel dat ze intuïtiever te interpreteren en te vergelijken zijn. De kans

̂ van deze modellen ligt altijd tussen 0 en 1. Resultaten van een MDA

hebben eerder een ordinaal karakter (Ohlson, 1980), wat vergelijking en interpretatie moeilijker maakt. Ondanks een meer correcte toepassing van statistiek en een grotere gebruiksvriendelijkheid is het niet noodzakelijk zo dat logitmodellen beter presteren dan MDA-modellen. Het voorspellingsvermogen van beide soorten modellen is ongeveer evenwaardig (Hamer, 1983).

14


1.4.6 ALTERNATIEVE TECHNIEKEN

1.4.6.1 INLEIDING Naast de klassieke statistische methodes maakten vanaf de jaren ’90 ook enkele niet-statististische falingspredictiemodellen hun opmars. In dit beknopt overzicht komen respectievelijk neurale netwerken, overlevingsanalyse en recursieve partitionering aan bod. 1.4.6.2 NEURALE NETWERKEN Een neuraal netwerk bestaat uit een aantal verbonden homogene processie-units. In elke unit wordt op basis van een gekozen mathematische functie een zekere output bekomen die dan verder wordt verwerkt in units verderop in het netwerk (Tam & Kiang, 1992). Na succesvolle toepassingen onder meer bij leningen (het al dan niet toekennen) en het voorspellen van winstgevendheid van bedrijfsobligaties werd de methode succesvol ingevoerd in de falingspredictie (Wilson & Sharda, 1994). Neurale netwerken blijken beter in staat een onderscheid te maken in een heterogene groep bedrijven, met als groot nadeel de lange tijd (en kosten) die er mee gepaard gaan om het netwerk te perfectioneren (Altman, Marco & Varetto, 1994). Daarnaast lijken neurale netwerken te functioneren als een ‘black box’; er wordt een output verkregen, maar het hoe en waarom daarvan blijft veel onduidelijker dan bij pakweg een MDA. 1.4.6.3 OVERLEVINGSANALYSE Overlevingsanalyse is een niet-parametrische methode die de overlevingstijd van bedrijven berekent. In tegenstelling tot klassieke methodes wordt hier uitgegaan van één populatie (in plaats van twee aparte; één voor lopende bedrijven en één voor falende) waarbij de respons (het falen van de onderneming) bij gezonde ondernemingen nog niet is gebeurd. Er wordt dus gewerkt met gecensureerde data. Waar de klassieke methodes zoals MDA en logitanalyse meer dienen voor een stabiele cross-sectionele analyse, is overlevingsanalyse meer geschikt voor een dynamisch proces zoals het falen van een onderneming (Luoma & Laitinen, 1991). De berekende overlevingstijd geeft bovendien extra informatie over de timing van het faillissement. Over de voorspellende kracht van dit model zijn de meningen verdeeld. Lane, Looney en Wansley (1986) concluderen dat ze even goed voorspellen als de klassieke

15


modellen en dat ze bovendien extra informatie verschaffen. Luoma en Laitinen (1991) komen tot de conclusie dat de bijkomende informatie nefast is voor de nauwkeurigheid van de voorspelling. 1.4.6.4 RECURSIEVE PARTITIONERING (RPA) Frydman, Altman en Kao (1985) introduceerden het recursieve partitionering algoritme (RPA) of beslissingsboomanalyse in de falingspredictie als mogelijke oplossing voor de (vaak geschonden) voorwaarden verbonden aan parametrische methodes. Het is een gecomputeriseerde, nietparametrische methode die gegevens in twee groepen verdeelt op basis van verschillende dichotome variabelen. Dit kan worden gezien als een opeenvolging van univariate analyses met telkens twee mogelijke uitkomsten, waardoor het geheel op een beslissingsboom lijkt. RPA bevat de positieve eigenschap van MDA, met name de simpliciteit van univariate analyse. Het voorspelt even goed als MDA, maar dan zonder de statistische voorwaarden die verbonden zijn aan parametrische testen te schenden (Frydman, Altman & Kao, 1985). McKee en Greenstein (2000) concluderen dat RPA iets minder goed voorspelt dan logitmodellen en neurale netwerken, maar dat het wel beter type I-fouten (infra, p.24) minimaliseert.

16


1.5 FALINGSPREDICTIEMODELLEN IN BELGIË 1.5.1 INLEIDING Tot op heden zijn er drie Belgische falingspredictiemodellen ontworpen. Naast een algemeen model en drie jaarmodellen, stelden Ooghe en Verbaere ook enkele, minder gehanteerde, sectormodellen op. Daarnaast stelden ze ook logitmodellen op ter vergelijking. In de algemene analyse van het empirisch onderzoek komen zowel het algemeen model als alle jaarmodellen aan bod, in de sectoranalyse wordt er enkel gewerkt met het model één jaar en drie jaar vóór faling. Aangezien er voor de Ooghe-Joos-De Vos modellen enkele jaren geleden een gelijkaardig sectoronderzoek werd gevoerd, worden deze modellen kort geschetst. Het Simpel Intuïtief Model 2005 zal zowel voor de algemene analyse als de sectoranalyse van het empirisch onderzoek worden gebruikt. 1.5.2 LINEAIRE DISCRIMINANTMODELLEN OOGHE-VERBAERE 1982 (OV ‘82) De lineaire discriminantmodellen van Ooghe-Verbaere bestaan uit vier modellen, waarvan drie jaarmodellen, respectievelijk één jaar (1 jvf), twee jaar (2 jvf) en drie jaar vóór faling (3 jvf), en een algemeen model, dat geen onderscheid maakt in het jaar vóór faling. Telkens is er oorspronkelijk model en een gereduceerd model. Aangezien de verklaringskracht van het gereduceerde model slechts in geringe mate lager ligt dat deze van het oorspronkelijke model, raadt men aan om voor praktische doeleinden gebruik te maken van het gereduceerde model en het oorspronkelijke model aan te wenden in een analytische context, met name de beschrijving van het falingsproces (Ooghe & Verbaere, 1982). Elk model is opgebouwd uit verschillende financiële liquiditeits- en rendabiliteitsratio’s, die te berekenen zijn aan de hand van codes uit de Belgische jaarrekeningen. Omdat deze geen gelijke verklaringskracht hebben, worden aan de verschillende ratio’s gestandaardiseerde discrimantcoëfficiënten toegekend. Daarbij is het teken van de discriminantcoëfficiënt cruciaal aangezien dit de richting van de relatie aangeeft. Een plusteken wil zeggen dat hoe groter de ratio is, hoe groter de discriminantscore zal zijn en dus hoe gezonder de financiële positie van de onderneming is. Bij een minteken moet men het omgekeerde veronderstellen (Ooghe & Van Wymeersch, 2008). In tabel 1 in bijlage zijn de gehanteerde ratio’s met hun bijhorende discriminantcoëfficiënten van het gereduceerd algemeen model terug te vinden. Tabellen 2, 3 en 4 in bijlage schetsen de gereduceerde jaarmodellen.

17


Tabel 1: Ooghe-Verbaere 1982 gereduceerd algemeen model Tabel 2: Ooghe-Verbaere 1982 gereduceerd model één jaar vóór faling Tabel 3: Ooghe-Verbaere 1982 gereduceerd model twee jaar vóór faling Tabel 4: Ooghe-Verbaere 1982 gereduceerd model drie jaar vóór faling Door deze ratio’s, elk vermenigvuldigd met hun gestandaardiseerde discriminantcoëfficiënt, bij elkaar op te tellen, bekomt men een discriminantscore die tussen - ∞ en +∞ ligt:

waarbij: = de discriminantscore tussen - ∞ en + ∞; = de onafhankelijke variabelen of ratio’s van het discriminantmodel; = de constante term; = de lineaire discriminantcoëfficiënten. Hoe hoger de discriminantscore, hoe gunstiger de financiële situatie van de onderneming. Hoewel de discriminerende ratio’s verschillen tussen de verschillende modellen, komen bepaalde ratio’s, zij het met een verschillende discriminantcoëfficiënt, voor in meerdere modellen (Ooghe & Van Wymeersch, 2008). Naarmate de periode tussen faling en het gekozen boekjaar kleiner wordt, stijgt het discriminerend vermogen van het jaarmodel (Ooghe & Verbaere, 1982). 1.5.3 LOGITMODELLEN OOGHE-JOOS-DEVOS 1991 (OJD ‘91) De logitmodellen van Ooghe-Joos-De Vos zijn opgesteld met behulp van meervoudige logistische regressie. Het model één jaar vóór faling bevat acht ratio’s die terug te vinden zijn in tabel 5. Het model drie jaar vóór faling bevat zes ratio’s, die zijn weergegeven in tabel 6. Tabel 5: Logitmodel Ooghe-Joos-De Vos 1991 één jaar vóór faling Tabel 6: Logitmodel Ooghe-Joos-De Vos 1991 drie jaar vóór faling

18


De geselecteerde ratio’s zijn rendabiliteits- en liquiditeitsratio’s. Ook de solvabiliteit wordt in acht genomen omdat deze via de financiële hefboom verbonden is met de rendabiliteit en via de kasdekking van de schulden is verbonden met de liquiditeit. Omdat toegevoegde waarderatio’s additionele informatie bezitten die niet wordt omvat door de drie vorige soorten ratio’s, zijn ook deze opgenomen in de variabelenselectie. Ten slotte zijn er ook ratio’s opgenomen die in vorige studies belangrijk zijn gebleken (Ooghe & Van Wymeersch, 2008). Bij de keuze van de variabelen werden factoren in acht genomen die misclassificaties veroorzaakten bij de hantering van het OV ’82 model. Om robuuste maatstaven te creëren, probeerde men detailelementen van de jaarrekening uit de ratio’s te weren. Ook accountingcosmetica-elementen, zoals overlopende rekeningen, zijn niet opgenomen. Er werd rekening gehouden met groepsbindingen, aangezien ondernemingen daardoor kunstmatig kunnen voortbestaan of net worden meegesleurd in een faillissement. Ook informatie in verband met waarborgen die de onderneming geeft of ontvangt en de periode tussen de afsluiting van het boekjaar en de openbaarmaking van de jaarrekening wordt in beschouwing genomen (Ooghe & Van Wymeersch, 2008).

waarbij: = de logitscore tussen 0 en 1; = de onafhankelijke financiële variabelen van het logitmodel; = de constante term; = de regressiecoëfficiënten. De logitscore neemt een waarde aan tussen 0 en 1 waardoor men deze kan opvatten als een waarschijnlijkheid, met name de kans op succes of faling. Omdat deze modellen zijn uitgewerkt via een exclusief licentiecontract met een externe informatieleverancier, zijn enkel de tekens van de coëfficiënten vrijgegeven. Een positief teken betekent dat hoe groter een variabele is, hoe groter de logitscore wordt en dus hoe groter de kans op succes of hoe kleiner de kans op faling. Voor een negatief teken geldt het omgekeerde (Ooghe & Van Wymeersch, 2008).

19


1.5.4 SIMPELE INTUÏTIEVE MODELLEN 2005 (SIM ‘05) De simpele intuïtieve modellen zijn opgebouwd uit acht financiële ratio’s die eveneens te berekenen zijn aan de hand van codes uit de Belgische jaarrekening. Deze omvatten de verschillende dimensies die de financiële toestand van een onderneming weerspiegelen: toegevoegde waarde, rentabiliteit, solvabiliteit en liquiditeit (Ooghe, Spaenjers & Vandermoere, 2005). De selectie van de variabelen gebeurde op basis van zorgvuldig onderzoek naar de financiële indicatoren van faling. Uiteraard zijn dit ratio’s die vaak worden gebruikt door financieel analisten, die veelvuldig worden besproken in de literatuur of die relevant zijn gebleken bij vorig onderzoek. Bovendien zijn ze gemakkelijk te begrijpen en eenvoudig te berekenen (Ooghe & Van Wymeersch, 2008). Een lijst van de gehanteerde ratio’s in het definitieve SIM ’05 model en hun berekeningswijze is terug te vinden in tabel 7 in bijlage. Tabel 7: Simpel Intuïtief Model 2005 Hoewel de meeste ratio’s positief gerelateerd zijn aan de financiële gezondheid van een onderneming, duiden sommige ratio’s op een slechte financiële situatie. Positief gerelateerde ratio’s krijgen een plusteken, negatief gerelateerde een minteken. Een hoge score wijst er dan op dat de onderneming financieel gezond is en weinig kans heeft om te falen, terwijl een lage score een teken is van financiële moeilijkheden en een grote kans op falen aanduidt (Ooghe & Van Wymeersch, 2008). Om ervoor te zorgen dat elke ratio evenveel bijdraagt tot de modelscore en dat de ratio’s onderling vergelijkbaar en optelbaar worden, herrekent men de ratiowaarden via een logittransformatie, waardoor alle waarden tussen 0 en 1 komen te liggen (Ooghe & Van Wymeersch, 2008):

waarbij: = de logitwaarde van ratio

;

= de positieve of negatieve waarde van ratio , afhankelijk van de verwachte positieve of negatieve relatie. In tegenstelling tot het OV ’82 model en het OJD ’91 model, maken simpele intuïtieve modellen geen gebruik van coëfficiënten voor de variabelen, maar worden de waarden van de ratio’s gecombineerd tot een modelscore waarbij elke variabele een gelijk gewicht krijgt (Ooghe & Van Wymeersch, 2008).

20


Om een score tussen 0 en 1 te verkrijgen, neemt men het rekenkundig gemiddelde van de som van de herschaalde ratiowaarden:

∑

waarbij: = de modelscore; = de logitwaarde van ratio ; = het aantal ratio’s die in het model zijn opgenomen. Deze modelscore wordt ook nog de FiTo®-score genoemd en geeft een algemeen beeld van de Financiële Toestand van de onderneming (Ooghe & Van Wymeersch, 2008). Om een uitspraak te doen over de financiële toestand moet men deze score vergelijken met twee afkapwaarden, namelijk het afkappunt op één jaar vóór faling en het afkappunt op drie jaar vóór faling. Het afkappunt op één jaar vóór faling ligt steeds lager dan dat op drie jaar vóór faling (Ooghe et al., 2005). Ligt de score hoger dan het optimale afkappunt drie jaar vóór faling, dan mag men de onderneming als financieel gezond beschouwen. Een score lager dan het afkappunt op één jaar vóór faling, duidt op mogelijke acute problemen op korte termijn. Een score tussen de afkappunten op één en drie jaar vóór faling, wijst potentiële structurele problemen op middellange termijn aan (Ooghe & Van Wymeersch, 2008).

21


1.6 STUDIES OVER VERSCHILLENDE SECTOREN IN BELGIË 1.6.1 OOGHE-VERBAERE 1982 Naast het opstellen van algemene falingspredictiemodellen deden Ooghe en Verbaere (1982) ook al een eerste poging om de verschillen in sectoren in rekening te brengen. Hiervoor testten ze niet de efficiëntie van de algemene modellen op verschillende sectoren, maar werden verschillende modellen voor de verschillende sectoren gecreëerd. De reden hiervoor was dat ze uit de covariantie-analyses konden opmaken dat bepaalde ratio’s in zekere mate sectoraal gedetermineerd zijn. Door de geringere steekproefgrootte stelden ze echter geen jaarmodellen op. Ze concludeerden dat de sectormodellen significant beter presteerden dan de algemene modellen, maar konden niet voldoende controleren of dat al dan niet aan de kleinere steekproefomvang lag. 1.6.2 OOGHE-JOOS-DE VOS 1991 In 2001 hebben Ooghe, Camerlynck en Balcaen een onderzoek over verschillende sectoren gevoerd van het Ooghe-Joos-De Vos 1991 falingspredictiemodel. Naast een onderscheid van 18 sectoren, die terug te vinden zijn in tabel 8 in bijlage, worden de ondernemingen ook op twee manieren opgedeeld in grootteklassen. Een eerste is de vorm van de jaarrekening – volledig of verkort. Een tweede houdt ook rekening met de personeelskosten die worden gerapporteerd waarbij men drie groepen creëert: grote ondernemingen, kleine ondernemingen en ondernemingen zonder personeel (Ooghe, Camerlynck & Balcaen, 2001). Tabel 8: Indeling sectoren sectoraal onderzoek OJD ‘91 In dit onderzoek worden nieuwe optimale afkapwaarden berekend en focust men op de ongewogen gemiddelde foutenpercentages en niet op de Gini-coëfficiënten (infra, p. 29) (Ooghe et al., 2001). Tabel 9 geeft een overzicht van de sectoren waarvoor de OJD ’91 modellen het best discrimineren tussen lopend en falend.

22


Tabel 9: Resultaten sectoraal onderzoek OJD ‘91e

Beste prestatie

Slechtste prestatie

1 jvf

3 jvf

Chemiesector

Financiële diensten

Papier- & printindustrie

Textiel- & kledingsindustrie

Metaalsector

Papier- en printindustrie

Textiel- & kledingsindustrie

Chemiesector

Vastgoed

Horeca

Horeca

Groothandel

Overige

Persoonlijke diensten

Hieruit kan worden besloten dat de modellen een grote voorspellende kracht hebben voor de klassieke productiesectoren en minder presteren bij de verschillende dienstensectoren. De goede prestatie van het model drie jaar vóór faling voor de financiële diensten kan in dit opzicht echter niet worden verklaard (Ooghe et al., 2001). 1.6.3 SIMPEL INTUÏTIEF MODEL 2005 Ooghe, Spaenjers en Vandermoere pasten in 2005 het SIM ’05 model niet alleen toe op bedrijven van verschillende grootteklassen, leeftijd en regio’s, maar ook op bedrijven uit verschillende sectoren en dit over de periode 1994 - 2003. Het doel van deze studie was echter eerder om de financiële gezondheid uitgedrukt in FiTo®-score - van de Belgische ondernemingen na te gaan en niet om de voorspellende kracht van SIM ’05 modellen te analyseren. Deze studie is vooral interessant omdat ze probeert een uitleg te geven waarom bepaalde ratio’s hoger zijn voor bepaalde sectoren.

e

Bron: Ooghe, Camerlynck & Balcaen, 2001, The Ooghe-Joos-De Vos failure predicition models: A cross-industry validation, Working Paper Series 2001/107, p. 29

23


1.7 PERFORMANTIECRITERIA 1.7.1 INLEIDING De betrouwbaarheid waarmee een model ondernemingen als lopend of falend classificeert, wordt de goodness-of-fit genoemd. Men onderscheidt vier types performantiecriteria: prestatiemaatstaven gebaseerd op een classificatieregel, prestatiemaatstaven gebaseerd op het ongelijkheidsprincipe, R²maatstaven en maatstaven gebaseerd op entropie. Op de eerste twee wordt dieper ingegaan omdat deze worden gebruikt in het empirisch onderzoek, van de laatste twee wordt kort vermeld wat ze inhouden. 1.7.2 PRESTATIEMAATSTAVEN GEBASEERD OP EEN CLASSIFICATIEREGEL Het doel van falingspredictie is een onderneming te classificeren in één van twee mutueel exclusieve groepen, namelijk lopende en falende ondernemingen (Ooghe et al., 2001). Hierbij bestaat het risico dat een onderneming in een foute groep wordt ondergebracht. Twee soorten fouten kunnen optreden. Een type I-fout bepaalt het kredietrisico; men classificeert een in realiteit falende onderneming als lopend, met andere woorden loopt men het risico op wanbetaling bij een toegestaan krediet. Een type II-fout geeft het commercieel risico aan. Daarbij beschouwt men een in werkelijkheid lopende onderneming als falend en neemt men het risico dat de transactie niet doorgaat, waardoor men toekomstige inkomsten misloopt. Het foutenpercentage binnen een bepaalde groep berekent men door de verhouding te nemen tussen het aantal foutief geclassificeerde ondernemingen en het totaal aantal ondernemingen binnen die bepaalde groep (Ooghe & Van Wymeersch, 2008). Tabel 10 maakt dit duidelijk.

24


Tabel 10: Foutenpercentagesf Werkelijke toestand Classificatie

Lopend

Lopend

Falend type I-fout

juist

(kredietrisico)

type II-fout

Falend

(commercieel risico)

juist

Totaal Foutenpercentage falend (type I)

-

Foutenpercentage lopend

-

(type II)

Men classificeert een onderneming in een bepaalde groep door haar modelscore te vergelijken met de afkapgrens. Indien de berekende modelscore kleiner is dan de gestelde afkapwaarde, zal de onderneming in de falende groep worden geplaatst. Indien de score groter is dan de afkapwaarde, komt ze terecht in de lopende groep (Ooghe & Balcaen, 2006). In formulevorm ziet deze classificatieregel er als volgt uit: {

̂ ̂

waarbij: = de geschatte groep van onderneming ; = de afkapwaarde. Naarmate de afkapwaarde groter is, zal het kredietrisico (de type I-fout) dalen en het commercieel risico (de type II-fout) stijgen (Ooghe & Van Wymeersch, 2008). De optimale afkapwaarde bepalen kan op verschillende manieren.

f

Bron: Ooghe & Van Wymeersch, 2008, Handboek financiële analyse van de onderneming, p. 424

25


1.7.2.1 ONGEWOGEN GEMIDDELDE VAN FOUTENPERCENTAGES Wanneer men veronderstelt dat de kosten verbonden aan een type I-fout gelijk zijn aan de kosten die verbonden zijn aan een type II-fout en men geen rekening houdt met populatieproporties en de graad van risicoaversie, kan men het optimale afkappunt berekenen door het ongewogen gemiddelde van de type I-fout en de type II-fout te minimaliseren (Ooghe & Spaenjers, 2006). Hierbij krijgen beide types fouten dus eenzelfde gewicht toegekend. De betrouwbaarheid van het model is als volgt te evalueren: Hoe lager het foutenpercentage, hoe hoger de performantie van het model (Ooghe & Van Wymeersch, 2008). 1.7.2.2 GEWOGEN GEMIDDELDE VAN FOUTENPERCENTAGES Classificatie via het ongewogen gemiddelde foutenpercentage zal echter resulteren in een groter aantal misclassificaties van een type I-fout omdat ‘going concerns’ heel vaak voorkomen. Men kan hiermee rekening houden door de populatieproporties in acht te nemen bij de samenstelling van falingspredictiemodellen (Koh, 1992). Het is ook onwaarschijnlijk dat de kosten van de verschillende fouten gelijk zijn. Bij een type I-fout loopt men het risico de gehele investering te verliezen, terwijl men bij een type II-fout enkel dividenden en meerwaarden misloopt. Hieruit kan men besluiten dat de kosten van een type Ifout veel hoger zijn dan die van een type II-fout en dat het berekenen van een afkappunt op basis van ongewogen gemiddeld foutenpercentage suboptimaal is (Koh, 1992). Als gevolg minimaliseert men de globale kostenfunctie:

waarbij: =

de

populatieproportie

van

falende

en

lopende

ondernemingen,

respectievelijk; = de misclassificatiekosten van een type I- en type II-fout, respectievelijk; = de misclassificatiepercentages die voortvloeien uit de type I- en type II-fouten, respectievelijk. De toewijzing van de gewichten aan de verschillende typefouten is uiteraard subjectief en hangt af van de graad van risicoaversie (Ooghe & Balcaen 2006).

26


1.7.2.3 MEERDERE AFKAPPUNTEN Hierboven werd gebruik gemaakt van één enkele afkapwaarde, maar men kan ook twee afkappunten hanteren. Er wordt dan een bovengrens bepaald in functie van het kredietrisico (type I) en een ondergrens in functie van het commercieel risico (type II). Ondernemingen worden als lopend geclassificeerd indien ze de bovengrens overschrijden en als falend ingedeeld als ze zich onder de ondergrens bevinden. Situeren ze zich tussen de onder- en bovengrens, de zogenaamde ‘grijze zone’, dan is hun status onbepaald en is er verder onderzoek nodig of zijn er bijkomende waarborgen gewenst (Ooghe & Van Wymeersch, 2008). Er kan ook een grensanalyse worden uitgevoerd waarbij voor de verschillende percentielen de modelscores worden gegeven. Zo kan de gebruiker zelf een keuze maken naargelang het belang dat aan elk van de risico’s wordt gehecht (Ooghe & Van Wymeersch, 2008). 1.7.2.4 KOLMOGOROV-SMIRNOV TEST Ook via de Kolmogorov-Smirnov test, die zich baseert op de cumulatieve distributiefuncties van de modelscores, kan men de optimale afkapwaarde berekenen (Siegel & Castellan, 1988). Dit is dan het punt (

) waarbij het verschil het grootst is tussen de cumulatieve distributiefuncties van de falende

en de lopende steekproef (Ooghe & Spaenjers, 2006):

waarbij: = het grootste verschil tussen de cumulatieve distributies van de scores van de lopende en falende ondernemingen; = de cumulatieve distributies van lopende en falende ondernemingen, respectievelijk; = de modelscore. Ook hierbij maakt men abstractie van populatieproporties en verschillen in misclassificatiekosten (Ooghe et al., 2001).

27


1.7.3 PRESTATIEMAATSTAVEN GEBASEERD OP HET ONGELIJKHEIDSPRINCIPE Naast de evaluatie van een model aan de hand van de optimale afkapgrens, is het ook mogelijk dit model te beoordelen op basis van zijn discriminerende kracht bij elke mogelijke afkapwaarde (Ooghe & Spaenjers, 2006). Men construeert een trade-off functie van de cumulatieve waarschijnlijkheidsfuncties van de lopende en de falende steekproef met op de X-as de type I-fout ( distributiefunctie van de falende steekproef) en op de Y-as de type II-fout (

, i.e. de cumulatieve , i.e. 1 – de

cumulatieve distributiefunctie van de lopende steekproef) (Joos, Ooghe & Sierens, 1998). Figuur 3 stelt dit grafisch voor. Figuur 3: Het beste, slechtste en geschatte classificatiemodelg

Elk punt op de trade-off functie staat voor een optimale afkapwaarde bij gegeven misclassificatiekosten (

en

) en populatieproporties (

en

) (Joos et al, 1998). Het meest

discriminerende model loopt samen met de assen aangezien een perfect model elke falende onderneming als falend en elke lopende onderneming als lopend classificeert. Dit wil zeggen dat de type I-fout en de type II-fout altijd nul zijn. Het minst discriminerende model, dat geen onderscheid kan maken tussen falend en lopend, wordt voorgesteld door een lineair dalende functie die loopt van 100%

g

Bron: Joos Ph., Ooghe H. en Sierens N., Methodologie bij het opstellen en beoordelen van kredietclassificatiemodellen, 1998, Tijdschrift voor Economie en Management, Vol. XLIII, 1, p. 25

28


type II-fout naar 100% type I-fout. Dit betekent dat de cumulatieve distributiefuncties van de falende en de lopende steekproef (

respectievelijk

) samenvallen waardoor de type I- en type II-

fouten telkens complementair zijn. Hieruit kan men besluiten dat hoe dichter de curve zich bij de assen bevindt, hoe groter de verklarende kracht van het model (Joos et al, 1998). De Gini-coëfficiënt is een prestatiemaatstaf die de ongelijkheid tussen het geschatte model (de trade-off functie) en het slechtst mogelijke model aanduidt: ∑

̂

∑

waarbij: = de type I-fout respectievelijk type II-fout bij afkapwaarde ; = het maximum type I- respectievelijk type II-foutenpercentage, i.e. 100%. In normale omstandigheden ligt de Gini-coëfficiënt tussen 0 en 1 en is gelijk aan de verhouding van de oppervlakte tussen de modelcurve (de trade-off functie) en het minst discriminerende model (de lineaire functie) (i.e. de gearceerde oppervlakte in figuur 3) en de oppervlakte tussen het meest en het minst discriminerende model (i.e. de driehoek met de assen als benen) (Joos et al, 1998). Een hoge Ginicoëfficiënt stemt overeen met een curve die dicht tegen de assen ligt en dus met een goed model, terwijl een lage Gini-coëfficiënt erop wijst dat het model slecht presteert (Ooghe & Balcaen, 2007). Een negatieve waarde houdt in dat het model meer ondernemingen foutief dan juist classificeert (Ooghe & Camerlynck, 1999). 1.7.4 ANDERE PRESTATIEMAATSTAVEN Verder zijn er nog R²-maatstaven en maatstaven die gebaseerd zijn op entropie. De R²-maatstaven duiden het percentage van de variantie aan dat wordt verklaard door het model door de voorspelde waarden van de afhankelijke variabele te vergelijken met de werkelijke waarden (Joos et al, 1998). Prestatiemaatstaven die gebaseerd zijn op entropie stelt dat de informatie van een gebeurtenis, die gemeten wordt aan de hand van een kansfunctie, omgekeerd evenredig is met de kans dat de 29


gebeurtenis zich voordoet. Dit wil zeggen dat men enorm is verrast als een gebeurtenis met een zeer kleine kans op voorkomen zich toch voordoet (Joos et al, 1998). Deze maatstaven evalueren echter enkel de discriminerende kracht van het model en houden geen rekening met misclassificatiekosten en populatieproporties a posteriori.

30


2. EMPIRISCH ONDERZOEK

31


2.1 STEEKPROEFBESCHRIJVING 2.1.1 ALGEMENE STEEKPROEFBESCHRIJVING Het doel van deze masterproef is te onderzoeken hoe bruikbaar de OV ’82 modellen en het SIM ’05 model zijn wanneer men Belgische ondernemingen vergelijkt per sector. Alvorens dit te doen, wordt er een grensanalyse uitgevoerd voor deze falingspredictiemodellen. De gegevens voor dit onderzoek zijn de gepubliceerde niet-geconsolideerde jaarrekeningen van lopende en falende ondernemingen in de periode 2006 - 2010 en werden verkregen via de Bel-first DVD van Bureau van Dijk van het jaar 2011. Een eerste selectie werd gemaakt op basis van de rechtsvorm. Buitenlandse vennootschappen en (Europese) economische samenwerkingsverbanden werden weggelaten opdat de dataset uit Belgische ondernemingen zou bestaan. Aangezien verenigingen en openbare instellingen de resultaten mogelijk vertekenen omdat ze voornamelijk overleven op subsidies en geen winstdoel voor ogen hebben, werden ook deze ondernemingsvormen uit de dataset geweerd. Ook ebvba’s werden uit de dataset verwijderd. Een tweede selectie had betrekking op de activiteiten van de ondernemingen, aangezien ook hier vertekeningen zouden optreden door gesubsidieerde sectoren of specifieke karakteristieken van bepaalde sectoren. De sectoren die werden verwijderd, zijn terug te vinden in tabel 11 met hun NACE-BEL 2008-code en omschrijving. De sectoren die wel werden opgenomen, zijn opgesomd in tabel 12. Een laatste selectie gebeurde door het verwijderen van ondernemingen met ontbrekende waarden. Tabel 11: Sectoren verwijderd uit de steekproef Tabel 12: Sectoren opgenomen in de steekproef De in deze masterproef gehanteerde definitie van een falende onderneming is een onderneming die zich onder één van volgende rechtstoestanden bevindt: faillissement, gerechtelijk akkoord (zowel vóór als na het faillissement), sluiting van faillissement of van vereffening (zowel in het geval van verschoonbaarheid als niet-verschoonbaarheid), voorlopige en definitieve opschorting van betaling en einde van opschorting van betaling. De lopende steekproef bevat alle ondernemingen met een normale rechtstoestand. In België zijn er twee schematypes voor het opstellen van een jaarrekening. Een kleine onderneming mag het verkorte schema gebruiken, een grote onderneming is verplicht om het volledige schema te

32


hanteren. Een onderneming wordt als klein beschouwd wanneer die voor het laatste én het voorlaatste afgesloten boekjaar niet meer dan één van de volgende criteria overschrijdt: 

een jaargemiddelde van het personeelsbestand van 50;



een jaaromzet exclusief B.T.W. van € 7.300.000;



een balanstotaal van € 3.650.000;

tenzij het jaargemiddelde van het personeelsbestand meer dan 100 bedraagt, dan wordt een onderneming altijd als groot beschouwd. In alle andere gevallen wordt een onderneming verondersteld groot te zijnh. De OV ’82 modellen zijn enkel opgesteld voor volledige jaarrekeningen, het SIM ’05 model daarentegen kan zowel voor verkorte als volledige jaarrekeningen worden gebruikt. 2.1.2 STEEKPROEFBESCHRIJVING OV ‘82 De selectieprocedure voor de falende steekproef is identiek aan de oorspronkelijke methode van Ooghe & Verbaere (1982) en is visueel voorgesteld in tabel 13. De falende steekproef van OV ’82 bevat de ondernemingen die in de periode 2006 - 2010 zijn gefaald. Van deze ondernemingen werden naargelang het gebruikte model (1 jvf, 2 jvf, 3 jvf) gegevens verzameld uit de periode 2005 - 2008. Gegevens uit hetzelfde boekjaar als de falingsdatum werden enkel opgenomen indien de boekhouding werd neergelegd voor de falingsdatum en worden in de tabel aangeduid met een asterisk. De algemene steekproef bestaat uit de aggregatie van alle gegevens die voor de verschillende jaarmodellen werden verzameld. Tabel 13: Samenstelling steekproef OV ’82 Samenstelling steekproef OV ’82

boekjaar

2005 2006 2007 2008

2006 1 jvf 1 jvf*

2007 2 jvf 1 jvf 1 jvf*

falingsdatum 2008 3 jvf 2 jvf 1 jvf 1 jvf*

2009

2010

3 jvf 2 jvf 1 jvf

3 jvf 2 jvf

h

Bron: NBB, 2013, groottecriteria voor ondernemingen, URL: (12/04/2013)

33


Het aantal ondernemingen die na elke stap van het selectieproces overbleven in de falende steekproef van de jaarmodellen, staat weergegeven in tabel 14. Tabel 14: Steekproef OV ’82 falende ondernemingen Steekproef OV ‘82 jaarmodellen falende ondernemingen aantal falende ondernemingen 1 jvf 2 jvf 3 jvf Bel-first 2.026 2.026 2.026 rechtsvorm 1.975 1.975 1.975 sectoren 1.657 1.657 1.657 ontbrekende waarden en controle jaarrekening 683 551 761 Analoog met de methode voor de falende steekproef werd ook voor de lopende steekproef de oorspronkelijke methode van OV ’82 toegepast. Concreet houdt dit in dat door middel van een aselecte steekproef 1/20e van alle lopende ondernemingen, die overbleven na de initiële schifting, werden geselecteerd. Van die bedrijven werden de vijf jaarrekeningen van de periode 2006 - 2010 verzameld. Tabel 15 geeft de aantallen van de lopende steekproef van de jaarmodellen. Tabel 15: Steekproef OV ’82 lopende ondernemingen Steekproef OV ‘82 jaarmodellen lopende ondernemingen aantal lopende ondernemingen 1 jvf 2 jvf 3 jvf Bel-first 21.808 21.808 21.808 Rechtsvorm 20.189 20.189 20.189 Sectoren 17.526 17.526 17.526 aselecte steekproef 876 876 876 5 jaarrekeningen per bedrijf 4.380 4.380 4.380 ontbrekende waarden en controle jaarrekening 3.328 2.684 3.328 Er werden verschillende regels gehanteerd voor het behandelen van ontbrekende waarden. Wanneer het totaal der passiva of het totaal der activa ontbrak of een nulwaarde had, werd de onderneming verwijderd, het is immers onmogelijk om te delen door nul. Ook wanneer het eigen vermogen geen waarde kreeg toegekend, werd de onderneming verwijderd uit de steekproef. Wanneer er bij de andere posten een waarde ontbrak, werd er verondersteld dat dit niet in de onderneming aanwezig was en bijgevolg werd er aan deze post een nulwaarde toegekend. Een uitzondering op dit principe is de berekening van de post voorraden en goederen in bewerking in het geval deze geen waarde bevatte.

34


Deze post kreeg dan als waarde de som van de goederen in bewerking, gereed product en bestellingen in uitvoering. Omdat uitschieters de resultaten enorm zouden vertekenen, werden bepaalde ratio’s gewinsorized. De voornaamste is

, die in alle modellen voorkomt. Er werd zowel op

het 1% niveau als het 99% niveau gewinsorized. In het model één jaar vóór faling werd de ratio eveneens gewinsorized op het 1% en 99% niveau. Eigen vermogen geschaald op totaal vermogen werd gewinsorized op 1%. In het model twee jaar vóór faling werd ook

gewinsorized op het 1% en het 99%

niveau. In het model drie jaar vóór faling werd gewinsorized op 99%. 2.1.3 STEEKPROEFBESCHRIJVING SIM ‘05 Bij het SIM ’05 model worden zowel ondernemingen met een verkort als met een volledig jaarrekeningschema opgenomen. In de falende steekproef werden alle falende ondernemingen uit de onderzochte periode opgenomen en bij de lopende ondernemingen werd in navolging van de oorspronkelijke methode door middel van een aselecte selectieprocedure de lopende steekproef tot 1/3e gereduceerd. In tabel 16 en 17 staan de aantallen van de ondernemingen die na elk selectieproces in de steekproef van de falende, respectievelijk lopende ondernemingen overbleven. Tabel 16: Steekproef SIM ’05 falende ondernemingen Steekproef SIM ‘05 falende ondernemingen

Bel-first Rechtsvorm Sectoren ontbrekende waarden en alternatieve berekening ratio

aantal falende ondernemingen 1 jvf 3 jvf 51.901 51.901 46.159 46.159 42.313 42.313 6.404 14.459

Tabel 17: Steekproef SIM ’05 lopende ondernemingen Steekproef SIM ‘05 lopende ondernemingen Bel-first Rechtsvorm Sectoren

aantal lopende ondernemingen 478.590 421.920 342.075 35


aselecte steekproef ontbrekende waarden en alternatieve berekening ratio

114.025 65.720

Wanneer er ontbrekende waarden voorkwamen, werd de onderneming uit de steekproef verwijderd. Om het verlies aan data door ontbrekende waarden zoveel mogelijk te beperken, werd bij de ratio ‘bruto toegevoegde waarde per werknemer’ een alternatief ingevoerd wanneer de personeelskosten ontbraken. Om zoveel mogelijk trouw te blijven aan de ratio werd bij volledige jaarrekeningen gewerkt met het verschil tussen de bruto toegevoegde waarde en exploitatiesubsidies & vanwege de overheid ontvangen compensaties. Bij de verkorte jaarrekeningen werd gekeken naar de bruto exploitatiemarge. Was deze waarde kleiner dan nul, dan kreeg de ratio een nul toegekend, anders kreeg de ratio 0,5 als waarde. 2.1.4 STEEKPROEFBESCHRIJVING SECTORANALYSE Voor de sectoranalyse wordt er een onderscheid gemaakt tussen zes sectoren: bouw, industrie (uitgezonderd bouw), logistiek, zakelijke diensten, detailhandel en groothandel. Belangrijk bij de keuze van sectoren is dat ze duidelijk afgelijnd zijn en dat ze voldoende groot zijn om onderzocht te worden. Gebrek aan voldoende data voor de OV ’82 steekproef is de voornaamste reden waarom een traditioneel faillissementsgevoelige sector zoals de horeca niet werd opgenomen. De ondernemingen die zich in deze steekproeven bevinden, maken ook deel uit van de algemene steekproef. Welke NACEBEL 2008-codes er per industrie precies werden samen genomen, is terug te vinden in tabel 18. Tabel 18: NACE-BEL 2008 per sector Deze sectoren zijn niet mutueel exclusief. Bijgevolg is het mogelijk dat bepaalde ondernemingen tot twee of meer sectoren behoren. In tabel 19 is te zien dat groothandel, industrie en logistiek meer vertegenwoordigd zijn in de OV ’82 steekproef, aangezien dat traditioneel de grotere bedrijven zijn die het volledig jaarrekeningschema moeten gebruiken. Tabel 20 daarentegen toont aan dat de zakelijke diensten, de kleinhandel en de bouwsector voornamelijk bestaan uit kleinere bedrijven die voor een verkort jaarrekeningschema kiezen.

36


Tabel 19: Sectorverdeling OV ‘82 Sectorverdeling OV ‘82 1 jvf

3 jvf

lopend (%)

falend (%)

lopend (%)

falend (%)

bouw

109 (10,29)

78 (7,86)

107 (10,37)

102 (7,70)

logistiek

81 (7,65)

62 (6,25)

80 (7,75)

83 (6,13)

detailhandel

100 (9,44)

89 (8,97)

95 (9,21)

115 (8,49)

groothandel

292 (27,57)

278 (28,02)

283 (27,42)

385 (28,41)

industrie

231 (21,81)

202 (20,36)

229 (22,19)

297 (21,92)

zakelijke diensten

246 (23,23)

283 (28,53)

238 (23,06)

373 (27,53)

Tabel 20: Sectorverdeling SIM ‘05 Sectorverdeling SIM ‘05 1 jvf

3 jvf

lopend (%)

falend (%)

lopend (%)

falend (%)

bouw

7.550 (16,72)

1.143 (16,54)

7.236 (17,66)

2.884 (18,41)

logistiek

1.889 (4,18)

300 (4,34)

1.753 (4,28)

881 (5,62)

detailhandel

7.995 (17,71)

1.098 (15,89)

7.437 (18,15)

2.844 (18,16)

groothandel

8.430 (18,67)

1.361 (19,69)

7.936 (19,36)

3.159 (20,17)

industrie

5.246 (11,62)

878 (12,70)

4.897 (11,95)

1.893 (12,09)

zakelijke diensten

13.843 (30,66)

2.132 (30,85)

11.724 (28,61)

4.003 (25,56)

37


2.2 ALGEMENE ANALYSE Voor elk van de falingspredictiemodellen werd een grensanalyse uitgevoerd. Hierbij wordt elk vijfde percentiel van de steekproeven weergegeven in de tabellen 21, 22 en 23 die in bijlage terug te vinden zijn. Ter vergelijking zijn ook de percentielen van de meest recente valideringssteekproeven toegevoegd. Tabel 21: Grensanalyse OV ’82: algemeen model en model één jaar vóór faling Tabel 22: Grensanalyse OV ’82: model twee jaar vóór faling en model drie jaar vóór faling Tabel 23: Grensanalyse SIM ’05: model één jaar vóór faling en model drie jaar vóór faling Om zeker te zijn dat de lopende en de falende steekproeven wel degelijk van elkaar verschillen, werd een Mann-Whitney U-test uitgevoerd. Er werd voor deze test gekozen omdat de steekproeven geen normale verdeling hebben, wat bleek uit de resultaten van de Kolmogorov-Smirnov test. De MannWhitney U-test toont aan dat in elk model de score van de lopende ondernemingen significant hoger is dan die van de falende ondernemingen. Deze resultaten worden weergeven in tabel 24. Tabel 24: Kolmogorov-Smirnov test en Mann-Whitney test OV ‘82 Kolmogorov-Smirnov Asymp. Sig. (2-tailed) Mann-Whitney U Asymp. Sig. (2-tailed)

SIM ‘05

algemeen ,000

1 jvf ,000

2 jvf ,000

3 jvf ,000

1 jvf ,000

3 jvf ,000

,000

,000

,000

,000

,000

,000

Per falingspredictiemodel zijn de percentielen van beide klassen van zowel de onderzoekssteekproef als de valideringssteekproef visueel voorgesteld in de grafieken 4 tot en met 9. Figuur 4: Grensanalyse OV ’82 algemeen model Als men kijkt naar figuur 4, dan valt op dat de waarden van de falende klasse in de onderzoekssteekproef groter zijn dan de lopende klasse vanaf het 85e percentiel. Bij nader onderzoek van de verschillende

ratio’s

blijkt

dat

de

ratio’s

met

een

negatieve ,

coëfficiënt,

zijnde en

bij falende ondernemingen voornamelijk nul zijn. 38


Daarenboven hebben de ratio’s met een positieve coëfficiënt,

en

, iets hogere waarden voor de falende ondernemingen. Bij de meerderheid van de falende bedrijven in de hogere percentielen bestaan de vlottende activa opmerkelijk meer uit liquide middelen dan bij de lopende ondernemingen. In de lagere percentielen is het model wel goed in staat om te discrimineren tussen lopend en falend. De opvallend lagere scores van de falende steekproef hebben als belangrijkste oorzaak de enorme overgedragen verliezen uit vorige boekjaren. Figuur 5: Grensanalyse OV ’82 model één jaar vóór faling Tussen de onderzoekssteekproef en de originele steekproef zijn bij het OV ’82 model één jaar vóór faling grote verschillen op te merken. Vanaf het 80e percentiel zijn de waarden van de falende klasse groter dan de waarden van de lopende klasse in de onderzoekssteekproef. Dit is het gevolg van lagere totalen der activa en passiva bij de falende ondernemingen, die een noemer zijn in ratio’s waaraan een hoge positieve

coëfficiënt

is

toegekend,

namelijk

en

. In combinatie met positieve brutoresultaten en overgedragen winsten zorgt dit ervoor dat de falende ondernemingen in de bovenste percentielen beter scoren dan de lopende ondernemingen. Een mogelijke verklaring voor de vaststelling dat sommige falende ondernemingen één jaar vóór faling toch een positief brutoresultaat en/of overgedragen winst rapporteren, is dat deze ondernemingen hun brutowinst in de mate van het mogelijke manipuleren door bijvoorbeeld hun voorraden hoger in te schatten. Het motief voor deze praktijken is dat deze ondernemingen het vertrouwen van de banken en de investeerders niet in het gedrang willen brengen. Anderzijds zullen niet-beursgenoteerde ondernemingen hun winsten eerder proberen wegmoffelen door bijvoorbeeld extra voorzieningen aan te leggen en uitgestelde facturatie niet in de boekhouding te rapporteren, om zo minder belastingen te moeten betalen. Figuur 6: Grensanalyse OV ’82 model twee jaar vóór faling Figuur 7: Grensanalyse OV ’82 model drie jaar vóór faling In het OV ’82 model twee en drie jaar vóór faling zijn geen grote verschillen waarneembaar in vergelijking met eerdere steekproeven. De meer extreem negatieve waarden van de falende

39


steekproeven in beide modellen zijn toe te schrijven aan grotere overgedragen verliezen geschaald op kleinere totalen der passiva. Figuur 8: Grensanalyse SIM ’05 model één jaar vóór faling Figuur 9: Grensanalyse SIM ’05 model drie jaar vóór faling Bij de grafieken van het SIM ’05 model valt het op dat de onderzoekssteekproeven zich systematisch onder de valideringssteekproeven van ’90 - ’99 bevinden. Om te kijken of dit verschil significant is, werd voor elke klasse (lopend, falend één jaar en falend drie jaar) een Mann-Whitney U-test uitgevoerd. Elk van deze testen toont aan dat dit verschil significant is. In tabel 25 is te zien dat dit op het 0,0075%i significantieniveau is voor de falende steekproef 1 jvf en voor zowel de falende steekproef 3 jvf als de lopende steekproef significant is op het 0%. Tabel 25: Mann-Whitney U-testen voor SIM ‘05 Mann-Whitney U-test

Asymp. Sig.

SIM '05 1 jvf

0,015

SIM '05 3 jvf

0,000

SIM '05 lopend

0,000

Tabel 26 geeft de classificatieresultaten van de onderzoekssteekproeven weer. Hierbij merkt men op dat de type I-fout (het kredietrisico) veel hoger ligt dan de type II-fout (het commercieel risico). Net als bij eerder gevoerde onderzoeken, hebben de OV ’82 modellen zowel volgens de ongewogen gemiddelde fout als volgens de Gini-coëfficiënt een betere performantie dan het SIM ’05 model. Het OV ’82 model 2 jvf presteert het best volgens beide performantiecriteria. Een in het oog springend resultaat is echter dat het OV ’82 model 1 jvf niet beter presteert dan 3 jvf wanneer men de modellen evalueert op basis van alle mogelijke afkapwaarden. Het is immers logisch dat de symptomen van faling meer zichtbaar zijn één jaar vóór faling in vergelijking met drie jaar vóór faling. Bij het SIM ’05 model is deze intuïtieve evidentie wel terug te vinden; het model één jaar vóór faling heeft een lagere ongewogen gemiddelde fout en een hogere Gini-coëfficiënt dan het model drie jaar vóór faling.

i

Om het significantieniveau van de éénzijdige test te bekomen moet men het asysmptotisch significantieniveau van de tweezijdige test (Asymp. Sig.) delen door twee, met andere woorden 0,015 / 2 = 0,0075

40


Tabel 26: Classificatieresultaten van de onderzoekssteekproeven

OV ‘82 algemeen 1 jvf 2 jvf 3 jvf SIM ‘05 1 jvf 3 jvf

Optimale afkapscore

Type Ifout

Type IIfout

OGF%j

Gini

0,1471 2,0162 0,3976 0,0270

48,10% 47,70% 39,70% 56,10%

17,50% 16,00% 23,10% 13,60%

32,80% 31,85% 31,40% 34,85%

34,80% 29,00% 40,20% 33,80%

0,3878 0,4126

50,50% 43,70%

21,90% 37,80%

36,20% 40,75%

27,40% 22,60%

Figuren 10 en 11 geven de trade-off grafieken van de verschillende modellen weer. Deze geven voor elk mogelijk afkappunt het percentage type I- en type II-fouten. Hieruit kan ook de Gini-coëfficiënt worden afgeleid. Hoe dichter de curve bij de x- en y-as, hoe performanter het model. Gelijkaardige trade-off grafieken worden later ook gebruikt bij de sectoranalyse. Figuur 10: Trade-off grafieken modellen OV ’82 en SIM ’05: één en drie jaar vóór faling Figuur 11: Trade-off grafieken OV ’82 algemeen model en model twee jaar vóór faling

j

OGF% = ongewogen gemiddelde foutpercentage

41


2.3 SECTORANALYSE 2.3.1 GINI-COËFFICIËNTEN EN TRADE-OFF GRAFIEKEN In de algemene analyse werden Gini-coëfficiënten berekend en trade-off grafieken opgesteld. In dit deel worden dezelfde methodes toegepast op de zes sectoren. Tabel 27 geeft een deel van de resultaten weer. Tabel 27: Gini-coëfficiënten van de sectoranalyse bouw

industrie

logistiek

OV ’82 1 jvf

36,8%

46,4%

43,8%

zakelijke diensten 28,6%

OV ’82 3 jvf

41,2%

48,4%

29,4%

SIM ’05 1 jvf

26,4%

38,0%

SIM ’05 3 jvf

19,4%

29,4%

detailhandel

groothandel

37,8%

28,0%

26,0%

42,0%

30,0%

24,8%

17,4%

28,0%

33,2%

21,8%

11,0%

22,0%

23,4%

De bevindingen uit de algemene analyse, zijn ook zichtbaar in de sectoranalyse: 

de OV ’82 modellen hebben een betere performantie dan het SIM ’05 model, met als uitzondering de groothandel waar dit verschil veel miniemer is;



het OV ’82 model 3 jvf presteert beter dan het OV ’82 model 1 jvf, met uitzondering van de sectoren logistiek en zakelijke diensten;



het SIM ’05 model 1 jvf heeft betere prestatieresultaten dan het SIM ’05 model 3 jvf.

Een andere interessante vaststelling is dat de sector industrie bij elk model het best presteert en dat de sector zakelijke diensten op een model na – OV ’82 1 jvf – het slechtst presteert. Dit is volledig in overeenstemming met de resultaten van de sectoranalyse van het OJD ’91 model die in 2001 werd gevoerd door Ooghe, Camerlynck & Balcaen. Zij kwamen tot de vaststelling dat het OJD ’91 model een grote verklaringskracht heeft voor traditionele productiesectoren en dat het model minder presteert voor dienstensectoren. Op basis van de onderzoekssteekproef kan worden geconstateerd dat ook de OV ’82 modellen en het SIM ’05 model beter voorspellen voor productiesectoren dan voor dienstensectoren. In de andere sectoren zijn er weinig opvallende trends merkbaar.

42


Deze vaststellingen zijn ook duidelijk zichtbaar in de grafische voorstellingen. Figuren 12 tot 17 zijn trade-off grafieken die het verschil tussen de verschillende modellen aantonen per sector. Figuur 12: Trade-off grafieken bouwsector Figuur 13: Trade-off grafieken industrie Figuur 14: Trade-off grafieken logistiek Figuur 15: Trade-off grafieken zakelijke diensten Figuur 16: Trade-off grafieken detailhandel Figuur 17: Trade-off grafieken groothandel Een tweede mogelijkheid om trade-off grafieken te construeren, is alle sectoren afbeelden per falingspredictiemodel. Deze worden voorgesteld in figuren 18 tot 21. Hier zijn de verwaarloosbare verschillen tussen bouw, logistiek, detail- en groothandel gemakkelijker te zien. Bij OV ’82 één jaar vóór faling bevinden er zich bij de bovenste percentielen voor alle sectoren waarden boven de diagonaal. Dit wil zeggen dat het model meer ondernemingen foutief dan correct classificeert. Dit kon eerder worden afgeleid uit de percentieltabellen van de algemene analyse. Bijgevolg kan er met enige voorzichtigheid van uit worden gegaan dat deze merkwaardige stijging van misclassificaties niet sectorgebonden zijn. Figuur 18: Trade-off grafieken OV ’82 één jaar vóór faling Figuur 19: Trade-off grafieken OV ‘82 drie jaar vóór faling Figuur 20: Trade-off grafieken SIM ’05 één jaar vóór faling Figuur 21: Trade-off grafieken SIM ’05 drie jaar vóór faling

43


2.4 INDUSTRIE VERSUS ZAKELIJKE DIENSTEN 2.4.1 INLEIDING Door het opmerkelijke contrast tussen de industriesector en de zakelijke dienstensector, wordt hier verder op ingegaan door middel van regressie. Door de binaire aard van de afhankelijke variabele (lopend of falend) wordt er geopteerd voor een logistische regressie waarbij niet alleen de ratio’s van de modellen zelf, maar ook de ratio vermenigvuldigd met een sectordummy worden ingevoerd als onafhankelijke variabelen. Op deze manier kan worden onderzocht welke ratio’s significant beter discrimineren tussen lopende en falende ondernemingen voor beide sectoren. Als basissectork werd industrie gekozen. 2.4.2 REGRESSIERESULTATEN OV ’82 Tabel 28 in bijlage toont de regressieresultaten van het OV ’82 model één jaar vóór faling. Tabel 28: Regressieresultaten OV ’82 één jaar vóór faling Er zijn er twee ratio’s die aangeven dat dit falingspredictiemodel beter presteert voor industrie dan voor zakelijke diensten. De ratio

voorspelt voor de

industriesector significant in de juiste richting. De coëfficiënten van deze ratio voor beide sectoren verschillen significant van elkaar op 5%, wat wil zeggen dat deze ratio voor de industriesector beter discrimineert. Voor

kan hetzelfde worden gezegd, alleen verschillen de

coëfficiënten van elkaar op het 10% significantieniveau. In tabel 29 in bijlage zijn de regressieresultaten voor het OV ’82 drie jaar vóór faling weergegeven. Tabel 29: Regressieresultaten OV ’82 drie jaar vóór faling Hier zijn er drie aanwijzingen terug te vinden die duiden op een betere prestatie van het model voor de industriesector. De ratio

voorspelt ook hier

significant in de juiste richting voor de industriesector en het verschil van de coëfficiënten tussen de twee sectoren is eveneens significant op 5%, waaruit opnieuw kan worden geconcludeerd dat deze ratio

k

De sector industrie krijgt de waarde 0 toegekend, de sector zakelijke diensten 1.

44


beter discrimineert voor de industriesector. Hetzelfde besluit kan worden getrokken voor op

het

10%

significantieniveau

en

voor

op het 1% significantieniveau. 2.4.3 REGRESSIERESULTATEN SIM ’05 De regressieresultaten van het SIM ’05 model zijn gelijklopend wat betreft het jaar vóór faling. Deze zijn terug te vinden in tabel 30 en 31 in bijlage. Tabel 30: Regressieresultaten SIM ’05 één jaar vóór faling Tabel 31: Regressieresultaten SIM ’05 drie jaar vóór faling Drie ratio’s wijzen er op dat het falingspredictiemodel slechter presteert voor de zakelijke dienstensector. De toegevoegde waarde per werknemer, de graad van zelffinanciering en de korte termijn financiële schuldgraad voorspellen voor de industriesector in de juiste richting. In de regressieresultaten drie jaar vóór faling komt de nettokasratio daar nog eens bij op het 10% significantieniveau. De coëfficiënten van deze ratio’s verschillen telkens significant van elkaar, waardoor men opnieuw kan zeggen dat het model beter discrimineert voor de industriesector. Een opvallende bevinding is echter de prestatie van de graad van financiële onafhankelijkheid in de resultaten van zowel 1 jvf als 3 jvf. Deze ratio krijgt bij de regressie een significant negatieve coëfficiënt, wat impliceert dat hoe meer eigen vermogen een onderneming heeft, hoe meer kans de onderneming heeft om als falend te worden geclassificeerd. Dit is tegen alle intuïtieve verwachtingen in en verlaagt de verklaringskracht van het model in zijn geheel. Ter controle werden per sector alle Gini-coëfficiënten herberekend waarbij de graad van financiële onafhankelijkheid uit het model werd verwijderd. Tabel 32 geeft deze Gini-coëfficiënten weer. Tussen haakjes staan de Gini-coëfficiënten van het volledige model. Zowel voor elke sector als voor elk model, uitgezonderd de bouwsector in het model 3 jvf, zijn alle Ginicoëfficiënten hoger dan het model waarin deze ratio wel zit vervat.

45


Tabel 32: Gini-coëfficiënten SIM ’05 zonder graad van financiële onafhankelijkheid

bouw industrie logistiek zakelijke diensten detailhandel groothandel

SIM '05 1 jvf 29,6% (26,4%) 40% (38%) 29% (24,8%) 22% (17,4%) 33% (28%) 37,8% (33,2%)

SIM '05 3 jvf 18,8% (19,4%) 30% (29,4%) 22,2% (21,8%) 12,6% (11%) 23,4% (22%) 24,6% (23,4%)

Er mag uiteraard niet worden besloten dat deze ratio zomaar uit het model mag worden verwijderd, maar dit is wel een interessante vaststelling die bijzondere aandacht verdient bij verder onderzoek van het SIM ’05 model.

46


ALGEMEEN BESLUIT Deze masterproef heeft als doel de bruikbaarheid van de Belgische falingspredictiemodellen te testen over verschillende sectoren. Aan de hand van de OV ’82 modellen en het SIM ’05 model worden falende en lopende ondernemingen in de periode 2006 – 2010 onderzocht. In de algemene analyse komen zowel de drie jaarmodellen als het algemeen model van OV ’82 aan bod, in de sectoranalyse worden de OV ’82 modellen beperkt tot het model één en drie jaar vóór faling. Er wordt een onderscheid gemaakt tussen zes sectoren: bouw, industrie, logistiek, zakelijke diensten, detail- en groothandel. De algemene grensanalyse is op relatief grote schaal uitgevoerd en hieruit blijkt dat zowel de OV ’82 modellen als het SIM ’05 model veel minder goed discrimineren tussen lopende en falende ondernemingen dan eerder gedane schattings- en valideringssteekproeven. Volgens de twee gebruikte prestatiemaatstaven, ongewogen gemiddelde fout en Gini-coëfficiënt, hebben de OV ’82 modellen een betere performantie dan het SIM ’05 model. Daarnaast stellen Ooghe en Verbaere (1982) dat het discriminerend vermogen van een jaarmodel stijgt naarmate de periode tussen faling en het gekozen boekjaar kleiner wordt. In de onderzoekssteekproef kon dit echter niet worden bevestigd; het OV ’82 model twee jaar vóór faling is het best voorspellende model. Voor het SIM ’05 model is deze intuïtieve evidentie wel terug te vinden. Verder kan worden opgemerkt dat er bij de grensanalyse vrij extreme waarden optreden, zowel in positieve als negatieve zin. Een mogelijke verklaring voor deze meer uitgesproken waarden is de impact van de financiële en economische crisis. De sectoren zijn geanalyseerd door middel van Gini-coëfficiënten en trade-off grafieken. De bevindingen van de algemene analyse, komen ook naar voor in de sectoranalyse; de OV ’82 modellen hebben een betere performantie dan het SIM ’05 model, het model SIM ’05 model 1 jvf heeft een grotere verklaringskracht dan het SIM ’05 model 3 jvf en het OV ’82 model 3 jvf presteert beter dan het OV ’82 model 1 jvf (met uitzondering van de sectoren logistiek en zakelijke diensten). Een bijkomende interessante vaststelling uit de sectorenanalyse is dat elk model het beste presteert voor de industriesector en dat er voor de zakelijke dienstensector op één model na – OV ’82 1 jvf – het slechtst wordt gepresteerd. Dit komt overeen met de conclusies van het OJD ’91 sectoronderzoek van Ooghe, Camerlynck en Balcaen uit 2001: de modellen hebben een grote verklaringskracht voor traditionele productiesectoren en hebben een kleine performantie voor dienstensectoren.

47


Dit opmerkelijke resultaat wordt verder onderzocht door middel van logistische regressie. Op die manier komen significante verschillen in verklaringskracht van de verscheidene ratio’s tussen beide sectoren aan

het

licht.

Bij

het

OV

’82

model

1

jvf

is

duidelijk

dat

en

de

ratio’s

een

hoger

discriminerend vermogen hebben voor de industriesector dan voor de zakelijke dienstensector. Voor het

OV

’82

3

jvf

zijn en

dit

, .

Bij het SIM ’05 model, zowel 1 jvf als 3 jvf, hebben de ratio’s ‘toegevoegde waarde per werknemer’, ‘graad van zelffinanciering’ en ‘korte termijn financiële schuldgraad’ een hoger discriminerend vermogen voor de industriesector dan voor de zakelijke dienstensector. Voor SIM ’05 3 jvf komt daar nog eens de ‘nettokasratio’ bij. Het meest merkwaardige resultaat van deze regressie is echter de coëfficiënt van de ratio ‘graad van financiële onafhankelijkheid’. Deze is significant negatief, wat er op neer komt dat hoe meer eigen vermogen een onderneming heeft, hoe meer kans de onderneming heeft om als falend te worden geclassificeerd. Dit gaat uiteraard tegen alle intuïtieve verwachtingen in. Bij de interpretatie van deze resultaten is het nuttig om rekening te houden met een aantal limitaties. Een grote beperking is inherent aan de onderzochte periode 2006 - 2010. In de nasleep van de kredietcrisis die in 2007 in de Verenigde Staten begon, kwamen ook Europese bedrijven vanaf 2008 in de problemen doordat ze geen kredieten meer verkregen van de banken en het vertrouwen in de economie sterk daalde. Er ontstond een financiële en economische crisis. Aangezien er bij de OV ’82 steekproeven werden jaarrekeningen opgenomen van 2005 tot en met 2008 en er voor de SIM ’05 steekproeven werd gewerkt met jaarrekeningen van 2003 tot en met 2009, bevatten de verschillende steekproeven gegevens van zowel voor als tijdens de crisisperiode, wat mogelijk de resultaten kan vertekenen. Een andere beperking is de beschikbaarheid van informatie. In de steekproeven werden immers enkel ondernemingen opgenomen die hun jaarrekening hebben neergelegd. Hierdoor kunnen de falende steekproeven zijn vertekend omdat veel falende bedrijven de neerlegging van hun laatste jaarrekening uitstellen of deze zelfs helemaal niet meer neerleggen. Door de omvang van de lopende steekproeven was het overigens niet mogelijk om te verifiëren of deze bedrijven na de onderzochte periode nog steeds lopend waren.

48


Wat eveneens tot een vertekening van de resultaten kan leiden is de behandeling van ontbrekende waarden. Zo zullen de verschillende technieken om hiermee om te gaan zoals het verwijderen van ondernemingen, het veronderstellen van het niet aanwezig zijn van een actief in de onderneming en een alternatieve berekening van een ratio elk een bepaalde invloed hebben op de steekproefresultaten. Ook de gehanteerde definitie van faling kan mogelijk de resultaten beïnvloeden. In deze masterproef werd de definitie van faling uit de SIM ’05 modellen overgenomen. Deze definitie omvat echter niet alle aspecten van faling en is slechts één manier om het begrip te omschrijven. Aangezien ze ook is gebruikt voor de OV ’82 modellen, wordt de vergelijkbaarheid met de originele steekproeven enigszins beperkt. Tot slot mag men niet uit het oog verliezen dat de jaarrekening slechts een momentopname is van de financiële positie van een onderneming. Een jaarrekening moet men samen met andere beschikbare informatie bekijken om zich zo een compleet beeld te vormen van de werkelijke financiële situatie. Ook met verschillende accountingcosmetica-technieken, die de werkelijkheid verdraaien moet rekening gehouden worden. Deze komen zowel bij lopende als falende ondernemingen voor, zij het om verschillende redenen. Verder opent deze masterproef enkele pistes voor toekomstig onderzoek. Zo zou het interessant zijn om de impact van de crisis op de resultaten te bestuderen door een vergelijking te maken tussen steekproeven voor en tijdens de crisis. Aangezien de bestaande Belgische falingspredictiemodellen een kleine verklaringskracht vertonen voor de dienstensector, zou onderzoek dat zich toespitst op falingspredictie van deze sector een grote meerwaarde kunnen bieden. Ook het merkwaardig resultaat van de graad van financiële onafhankelijkheid bij het SIM ’05 model verdient een grondigere analyse.

49


LIJST VAN GERAADPLEEGDE WERKEN Altman E.I., 1968, Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy, The Journal of Finance, vol. 23, nr. 4, pp. 589–609 Altman E.I., 1971, Corporate bankruptcy in America, Heath Lexington Books, Mass. Altman E.I., 1993, Corporate financial distress and bankruptcy: A complete guide to predicting & avoiding distress and profiting from bankruptcy, Second Edition, John Wiley & Sons, New York Altman E.I., Hotchkiss E., 2006, Corporate financial distress and bankruptcy: Predict and avoid bankruptcy, analyze and invest in distressed debt, Wiley Altman E.I., Marco G., Varetto, F., 1994, Corporate distress diagnosis: Comparisons using linear discriminant analysis and neural networks (the Italian experience), Journal of Banking & Finance, vol. 18, nr. 3, pp. 505-529. Altman E.I., Narayanan P., 1997, An International Survey of Business Failure Classification Models, Financial Markets, Institutions & Instruments, vol. 6, nr. 2, pp. 1–57, mei 1997 Altman E.I., Saunders A., 1998, Credit risk measurement: Developments over the last 20 years, Journal of Banking & Finance, vol. 21, pp. 1721-1742 Argenti J., 1976, Corporate collapse : the causes and the symptoms, McGraw-Hill, London Balanscentrale,

Nationale

Bank

van

België,

Groottecriteria

voor

ondernemingen,

URL:

(12/04/2013) Beaver W.H., 1966, Financial Ratios As Predictors of Failure, Journal of Accounting Research vol. 4 Empirical Research in Accounting: Selected Studies, pp. 71-111 Blazy R., Charlety P., Combier J., 1993, Les défaillances d'entreprises : des difficultés visibles plusieurs années à l'avance, Economie et statistique, vol. 268, nr. 268-269, pp. 101-111. Brilman J., 1986, Gestion de crise et redressement d’entreprises, Editions hommes et techniques, Paris

VIII


Chesser D. L., 1974, Predicting loan noncompliance, Journal of commercial bank lending, vol. 56, nr. 8, pp. 28-38 Corporate Governance Committee Belgium, 2009, Belgische Corporate Governance Code 2009, URL: Declerc M., Heins B., Van Wymeersch Ch., 1992, The use of value added ratios in statistical failure prediction models: Some evidence on Belgian annual accounts, Cahiers Economiques de Bruxelles, nr. 135, pp. 343-378 Dimitras A.I., Zanakis S.H., Zopounidis C., 1996, A survey of business failures with an emphasis on prediction methods and industrial applications, European Journal of Operational Research, vol. 90, nr. 3, pp. 487–513 Eisenbeis R. A., 1977, Pitfalls in the application of discriminant analysis in business, finance, and economics, The Journal of Finance, vol. 32, nr. 3, pp. 875-900. Federale Overheidsdienst Economie, Overzicht NACE-BEL 2008 codes 2012,URL: (19/12/2012) Federale Overheidsdienst Economie, Overzicht aantal faillissementen voor België en gewesten, 2013, URL: . (16/4/2013) Fitzpatrick P.J., 1932, A Comparison of the Ratios of Successful Industrial Entreprises with Those of Failed Companies, Accountants Publishing Company Frydman H., Altman E.I., Kao D. L., 1985, Introducing recursive partitioning for financial classification: the case of financial distress, The Journal of Finance, vol. 40, nr. 1, pp. 269-291. Graydon Belgium, 2013, A Perfect Storm: Faillissementen in het eerste kwartaal met 16,6% toegenomen,URL: (16/04/2013) IX


Hamer M.M., 1983, Failure prediction: Sensitivity of classification accuracy to alternative statistical methods and variable sets, vol. 2, nr. 4, Winter 1983, pp. 289–307 Joos Ph., Ooghe H. & Sierens N., 1998, Methodologie bij het opstellen van kredietclassificatiemodellen, Tijdschrift voor Economie en Management, VOL. XLIII, 1, pp. 3-48 Joos Ph., Vanhoof K., Ooghe H., Sierens N., 1998, Credit classification: A comparison of logit models and decision trees, Working Paper Series 98/49 Kharbanda O.P., Stallworthy E.A., 1985, Corporate failure: prediction, panacea and prevention, McGrawHill, London Koh H. C., 1992, The sensitivity of optimal cutoff points to misclassification costs of type I and type II errors in the going-concern prediction context, Journal of Business Finance & Accounting, jg. 19, nr. 2, januari 1992, pp. 187-197 Lachenbruch P.A., 1975, Discriminant Analysis, Hafner, New York Lane W.R., Looney S.W., Wansley, J. W., 1986, An application of the Cox proportional hazards model to bank failure, Journal of Banking & Finance, vol. 10, nr. 4, pp. 511-531. Laitinen E., 1993, Financial predictors for different phases of the failure process, Omega, vol. 21, nr. 2, maart 1993, pp. 215–228 Luoma, M., Laitinen E.K., 1991, Survival analysis as a tool for company failure prediction, Omega, vol. 19, nr. 6, pp. 673-678. Martin D., 1977, Early warning of bank failure: A logit regression approach, Journal of Banking & Finance, vol. 1, nr. 3, pp. 249-276 McKee T.E., Greenstein M., 2000, Predicting bankruptcy using recursive partitioning and a realistically proportioned data set, Journal of forecasting, vol. 19, nr. 3, pp. 219-230. Ohlson J. A., 1980, Financial ratios and the probabilistic prediction of bankruptcy, Journal of accounting research, vol. 18, nr. 1, pp. 109-131 Ooghe H., Balcaen S., 2006, 35 years of studies on business failure: An overview of the classical statistical methodologies and their related problems, The British Accounting Review, nr. 38, pp. 63-93

X


Ooghe H., Balcaen S., 2007, Are failure prediction models widely usable? An empirical study using a Belgian dataset, Multinational Finance Journal, vol. 11, nr. 1/2, pp. 33-76 Ooghe H., Claus H., Sierens N., Camerlynck J., 1999, International comparison of failure prediction models from different contries, Department of Corporate Finance, nr. 99/79 Ooghe H., Camerlynck J. & Balcaen S., 2001, The Ooghe-Joos-De Vos failure prediction models: a crossindustry validation, Vlerick Leuven Gent Working Paper Series 2001/8 Ooghe H., De Prijcker S., 2007, Failure processes and causes of company bankruptcy: a typology, Management Decision, vol. 46, nr. 2, pp.223 - 242 Ooghe H., Verbaere E., 1982, Determinanten van faling: verklaring en predictie Ooghe H., Van Wymeersch Ch., 2008, Handboek financiële analyse van de onderneming deel 1, derde druk, Intersentia, Antwerpen Ooghe H., Van Wymeersch Ch., 2008, Handboek financiële analyse van de onderneming deel 2, derde druk, Intersentia, Antwerpen Ooghe H., Spaenjers, 2006, A note on performance measures for failure prediction models, Vlerick Working Paper Series 2006/29 Ooghe H., Spaenjers Ch., Vandermoere P., 2005, De financiële toestand van de Belgische ondernemingen 2005: FiTo-meter en samenstellende ratio’s 1994-2003, Intersentia, Antwerpen Ooghe H., Spaenjers Ch., Vandermoere P., 2005, Business failure prediction: simple-intuitive models versus statistical models, Working Paper Series 2005/338 Ooghe H., Waeyaert N., 2003, Oorzaken van faling: literatuuroverzicht en conceptueel verklaringsmodel, Working Paper Steunpunt OOI: Maart 2003 Platt H.D., 1987, Why companies fail : strategies for detecting, avoiding, and profiting from bankruptcy, Second print, Lexington Books Richardson B., Nwankwo S., Richardson S., 1994 Understanding the Causes of Business Failure Crises: Generic Failure Types: Boiled Frogs, Drowned Frogs, Bullfrogs and Tadpoles, Management Decision, vol. 32, nr. 4, pp. 9 - 22

XI


Sharma S., Mahajan V., 1980, Early Warning Indicators of Business Failure, Journal of Marketing, vol. 44, nr. 4, pp. 80-89 Siau C., 2009, De opstelling en het gebruik van een falingspredictiemodel, Peeters, Leuven Siegel S., Castellan N. J. Jr., 1988, Nonparametric statistics for the behavioral sciences, McGraw-Hill, New York Smith A., Winakor R.F., Changes in financial structure of unsuccessful industrial companies. Bureau of Business Research, vol. 51 Statbel, 2013, URL: . (16/4/2013) Tam, K.Y., Kiang M.Y., 1992, Managerial applications of neural networks: the case of bank failure predictions, Management science, vol. 38, nr.7, pp. 926-947. Tamari M., 1966, Financial Ratios as a Means of Forecasting Bankruptcy, Management International Review, vol. 6, nr. 4, pp. 15-21 Van Caillie D., Dighaye A., 2002, The concept of "Economic Added Result", a new tool to prevent bankruptcy?, Paper gepresenteerd op het European Accounting Association Congres, Copenhagen, 25– 27 April 2002 Wilson R.L., Sharda R., 1994, Bankruptcy prediction using neural networks, Decision support systems, vol. 11, nr. 5, pp. 545-557. Zavgren Ch.V., 1985, Assessing the vulnerability to failure of American industrial firms: a logistic analysis, Journal of Business Finance and Accounting, vol. 12, nr. 1, pp. 19–45. Zmijewski M. E., 1984, Methodological issues related to the estimation of financial distress prediction models, Journal of Accounting Research, vol. 22, pp. 59-82.

XII


LIJST VAN BIJLAGEN Figuur 2: Conceptueel falingsmodel van Ooghe & Waeyaert (2003) Tabel 1: Ooghe-Verbaere 1982 gereduceerd algemeen model Tabel 2: Ooghe-Verbaere 1982 gereduceerd model één jaar vóór faling Tabel 3: Ooghe-Verbaere 1982 gereduceerd model twee jaar vóór faling Tabel 4: Ooghe-Verbaere 1982 gereduceerd model drie jaar vóór faling Tabel 5: Logitmodel Ooghe-Joos-De Vos 1991 één jaar vóór faling Tabel 6: Logitmodel Ooghe-Joos-De Vos 1991 drie jaar vóór faling Tabel 7: Simpel Intuïtief Model 2005 Tabel 8: Indeling sectoren sectorale studie OJD ‘91 Tabel 11: Sectoren verwijderd uit de steekproef Tabel 12: Sectoren opgenomen in de steekproef Tabel 18: NACE-BEL 2008 per sector Tabel 21: Grensanalyse OV ’82: algemeen model en model één jaar vóór faling Tabel 22: Grensanalyse OV ’82: model twee jaar vóór faling en model drie jaar vóór faling Tabel 23: Grensanalyse SIM ‘05 Tabel 24: Kolmogorov-Smirnov test en Mann-Whitney U-test Figuur 4: Grensanalyse OV ’82 algemeen model Figuur 5: Grensanalyse OV ’82 model één jaar vóór faling Figuur 6: Grensanalyse OV ’82 model twee jaar vóór faling Figuur 7: Grensanalyse OV ’82 model drie jaar vóór faling 50


Figuur 8: Grensanalyse SIM ’05 model één jaar vóór faling Figuur 9: Grensanalyse SIM ’05 model één jaar vóór faling Figuur 10: Trade-off grafieken modellen OV ’82 en SIM ’05: één en drie jaar vóór faling Figuur 11: Trade-off grafieken OV ’82 algemeen model en model twee jaar vóór faling Figuur 12: Trade-off grafieken bouwsector Figuur 13: Trade-off grafieken industrie Figuur 14: Trade-off grafieken logistiek Figuur 15: Trade-off grafieken zakelijke diensten Figuur 16: Trade-off grafieken detailhandel Figuur 17: Trade-off grafieken groothandel Figuur 18: Trade-off grafieken OV ’82 één jaar vóór faling Figuur 19: Trade-off grafieken OV ‘82 drie jaar vóór faling Figuur 20: Trade-off grafieken SIM ’05 één jaar vóór faling Figuur 21: Trade-off grafieken SIM ’05 drie jaar vóór faling Tabel 28: Regressieresultaten OV ’82 één jaar vóór faling Tabel 29: Regressieresultaten OV ’82 drie jaar vóór faling Tabel 30: Regressieresultaten SIM ’05 één jaar vóór faling Tabel 31: Regressieresultaten SIM ’05 drie jaar vóór faling Tabel 32: Gini-coëfficiënten SIM ’05 zonder graad van financiële onafhankelijkheid

51


Figuur 2: Conceptueel falingsmodel van Ooghe & Waeyaert (2003)12

12

Bron: Ooghe & Waeyaert, 2003, Oorzaken van faling en falingspaden : literatuuroverzicht en conceptueel verklaringsmodel, Working Paper Steunpunt OOI: Maart 2003

52


Tabel 1: Ooghe-Verbaere 1982 gereduceerd algemeen model13 Ratio

Codes

Niet-gestandaardiseerde coëfficiënten

(|13| + <14>) / (|10/49|)

+ 4,3178

(|9072|+ |9076|) / (|42/48| + |492/3)

- 11,6782

(|54/58|) / (|29/58| - |29|)

+ 3,1676

(|32| + |33| + |37|) / (|3| + |40/41| + |490/1|)

- 1,6200

(|430/8|) / (|42/48| + |492/3|)

+ 0,8353

+ 0,2324

13

Bron: Ooghe & Van Wymeersch, 2008, Handboek financiële analyse van de onderneming deel 2, p. 197

53


Tabel 2: Ooghe-Verbaere 1982 gereduceerd model één jaar vóór faling14 Ratio

Codes


(|9072|+ |9076|) / (|42/48| + |492/3)

- 51,3394

<14> / (|10/49|)

+ 10,087

(|70/74| - <60/64> + |630| + <631/4> + <635/7> + |75| - |9125| - |9026| - <652/9> + |653| + |6560| - |6561| + |763| + |764/9| + |77| - |664/8| + |669| - |9138|) / (|20/58|)

+ 4,4145

(<10/15>) / (|10/49|)

+ 2,0318

(|54/58|) / (|29/58| - |29|)

+ 2,6314 + 2,6803

14


54


Tabel 3: Ooghe-Verbaere 1982 gereduceerd model twee jaar vóór faling15 Codes


(|13| + <14>) / (|10/49|)

+ 4,6524

(|9072|+ |9076|) / (|42/48| + |492/3)

- 16,5456

(|54/58|) / (|29/58| - |29|)

+ 3,2732

(|32| + |33| + |37|) / (|3| + |40/41| + |490/1|)

- 1,7381

(<9904> + |630| + <631/4> + <635/7> + |6501| + <651> + |6560| - |6561| + |660| + |661| + <662> + |663| + |680| - |760| - |761| - |762| - |780| |9125|) / (|70| + |74| - |740|)

+ 0,0738

Ratio

+ 0,1837

15


55


Tabel 4: Ooghe-Verbaere 1982 gereduceerd model drie jaar vóór faling16 Codes


(|9072|+ |9076|) / (|42/48| + |492/3)

- 18,3474

(|13| + <14>) / (|10/49|)

+ 3,3847

(|54/58|) / (|29/58| - |29|)

+ 2,3601

(|32| + |33| + |37|) / (|3| + |40/41| + |490/1|)

- 1,9230

(|70/67| - |67/70| + |9134| + |650| + |653| - |9126|) / (<10/15> + |16| + |17|)

+ 0,0617

Ratio

+ 0,2153

16


56


Tabel 5: Logitmodel Ooghe-Joos-De Vos 1991 één jaar vóór faling17 Financiële variabelen (teken) Codes volledig schema Richting van de financiële hefboom = nettorendabiliteit van het totaal der activa voor belastingen - gemiddelde interestvoet van de schulden (+) (Reserves + overgedragen winst of verlies) / totaal der passiva exclusief overlopende passiva (+) (Overige geldbeleggingen + liquide middelen) / totaal der activa (+) Vervallen belastingsschulden + vervallen schulden t.a.v. RSZ (-) (Voorraden + vorderingen op ten hoogste 1 jaar handelsschulden op ten hoogste 1 jaar ontvangen vooruitbetalingen op bestellingen op ten hoogste 1 jaar - schulden m.b.t. belastingen, bezoldigingen en sociale lasten) / totaal der activa (+) Nettobedrijfsresultaat / bedrijfsactiva exclusief overlopende activa (+) Schulden op ten hoogste 1 jaar aan kredietinstellingen / schulden op ten hoogste 1 jaar (-) Gewaarborgde schulden / schulden op meer dan en op ten hoogste 1 jaar (+)

17

Codes verkort schema

{(<9903> + |780| - |680| + <65> - |9126|) / {(<9903> + |780| - |680| + <65> - |9126|) / (|20/58|)} - {(<65> - |9126| - |6560| - |6561|) / (|20/58|)} - {(- <65> - |9126| - <656>) / (|17| + (|17| + |42/48|)} |42/48|)} (|13| + <14>) / (|10/49| - |492/3|)

(|13| + <14>) / (|10/49| - |492/3|)

(|51/53| + |54/58|) / (|20/58|)

(|50/53| + |54/58| - |8721|) / (|20/58|)

(|9072| + |9076|)

(|9072| + |9076|)

indien > 0 dan 1, zo niet 0

(|3| + |40/41| - |44| - |46| - |45|) / (|20/58|)


(|3| + |40/41| - |44| - |46| - |45|) / (|20/58|)

(|70/64| - |64/70| + |9125|) / (|20| + |21| + (|70/64| - |64/70| + |9125|) / (|20| + |21| + |22/27| + |3| + |40/41|) |22/27| + |3| + |40/41|) (|430/8|) / (|42/48|) (|430/8|) / (|42/48|)

(|9061| + |9062|) / (|17| + |42/48|)

(|9061| + |9062|) / (|17| + |42/48|)


57


Tabel 6: Logitmodel Ooghe-Joos-De Vos 1991 drie jaar vóór faling18 Financiële variabelen (teken) (Reserves + overgedragen winst of verlies) / totaal der passiva exclusief overlopende passiva (+) Aantal dagen tussen afsluiting en publicatie van de jaarrekening (-) Vervallen belastingsschulden + vervallen schulden t.a.v. de RSZ (-)

Codes volledig schema (|13| + <14>) / (|10/49| - |492/3|)

Codes verkort schema (|13| + <14>) / (|10/49| - |492/3|)

(|9072| + |9076|) 0

-

indien > 0 dan 1, zo niet (|9072| + |9076|)


(Brutoresultaat - investeringen in materiële en {(<9903> + <65> - |9126| + <631/4> + <635/7> + financiële vaste activa) / totaal der activa |8071-4| - |8081-4| + |8271-6| - |8281-6| + |8471-3| - |8481-3| + |8601-3| - |8611-3| |9125|) - (|8161-6| - |8171-6| + |8221-6| |8231-6| - |8291-6| + |8301-6| + |8361-3| |8371-3| + |8421-3| + |8431-3| - |8491-3| + |8501-3| - <8541-3> + |8581-3| - |8591-3|)} / (|20/58|)

{(<9903> + <65> - |9126| + <631/4> + <635/7> + |8079| - |8089| + |8279| - |8289| + |8475| |8485| - |9125|) - (|8169| - |8179| + |8229| |8239| - |8299| + |8309| + |8365| - |8375| + |8425| + |8435| - |8495| + |8505| - <8545>)} / (|20/58|)

(Uitstaande vorderingen op verbonden (|9291| + |9381| + |9401|) / (|20/58|) ondernemingen + waarborgen toegestaan in hun voordeel + andere betekenisvolle verplichtingen aangegaan in hun voordeel) / totaal der activa (+)

(|9291| + |9294| + |9295|) / (|20/58|)

Schulden op meer dan en op ten hoogste 1 jaar / (|17| + |42/48|) / (|10/49| - |492/3|) totaal der passiva exclusief overlopende passiva (-)

(|17| + |42/48|) / (|10/49| - |492/3|)

18


58


Tabel 7: Simpel Intuïtief Model 200519 Ratio (teken)

Codes volledig schema

Codes verkort schema

(|70/74| - |740| - |60| - |61|) / (<62>)

<9900> / <62>

(+)

(<9901> + |9125|) / (|20| + |21| + |22/27| + |3| + |40/41| + |490/1|)

(<9901> + |9125|) / (|20| + |21| + |22/27| + |3| + |40/41| + |490/1|)

(+)

(<9904>) / (<10/15>)

(<9904>) / (<10/15>)

(|13| + <14>) / (|10/49|)

(|13| + <14>) / (|10/49|)

(<10/15>) / (|10/49|)

(<10/15>) / (|10/49|)

(|430/8|) / (42/48|)

(|430/8|) / (42/48|)

(<9904> + |630| + <631/4> + <635/7> + |6501| + <651> + |6560| - |6561| + |660| + |661| + <662> + |663| + |680| - |760| - |761| - |762| - |780| |9125|) / (|16| + |17/49|)

(<9904> + <656> - |780| + |680| + |8079| |8089| + |8279| - |8289| + |8475| |8485| + <631/4> + <635/7> - |9125|) / (|16| + |17/49|)

(|50/53| + |54/58| - |43|) / (|29/58| - |29|)

(|50/53| + |54/58| - |43|) / (|29/58| |29|)

(+)

(+) (+) (-)

(+)

19


59


Tabel 8: indeling sectoren sectorale studie OJD ‘9120 Industrie

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

Landbouw Nutsbedrijven Metaalsector Voedingsindustrie Chemiesector Textiel- en kledingsindustrie Houtindustrie Papier- en printindustrie Bouw Groothandel Detailhandel Horeca Logistiek Vastgoed Zakelijke diensten Persoonlijke diensten Financiële diensten Overige

20

Bron: Ooghe, Camerlynck & Balcaen, 2001, The Ooghe-Joos-De Vos failure prediction models: A cross-industry validation, p. 13

60


Tabel 11: sectoren verwijderd uit de steekproef 21 NACE-BEL 2008 35 36 37 64 65 66 68 77 84 85 86 87 88 91 92 94 99

Productie en distributie van elektriciteit, gas, stoom en gekoelde lucht Winning, behandeling en distributie van water Afvalwatervervoer Financiële dienstverlening, exclusief verzekeringen en pensioenfondsen Verzekeringen, herverzekeringen en pensioenfondsen, exclusief verplichte sociale verzekeringen Ondersteunende activiteiten voor verzekeringen en pensioenfondsen Exploitatie van en handel in onroerend goed Verhuur en lease Openbaar bestuur en defensie; verplichte sociale verzekeringen Onderwijs Menselijke gezondheidszorg Maatschappelijke dienstverlening met huisvesting Maatschappelijke dienstverlening zonder huisvesting Bibliotheken, archieven, musea en overige culturele activiteiten Loterijen en kansspelen Verenigingen Extraterritoriale organisaties en lichamen

21

Bron NACE-BEL 2008 codes en hun omschrijving: Federale Overheidsdienst Economie, 2012,URL: (19/12/2012)

61


Tabel 12: sectoren opgenomen in de steekproef22 NACE-BEL 2008 01 02 03 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32

Omschrijving Teelt van gewassen, veeteelt, jacht en diensten in verband met deze activiteiten Bosbouw en de exploitatie van bossen Visserij en aquacultuur Winning van steenkool en bruinkool Winning van aardolie en aardgas Winning van metaalertsen Overige winning van delfstoffen Ondersteunende activiteiten in verband met de mijnbouw Vervaardiging van voedingsmiddelen Vervaardiging van dranken Vervaardiging van tabaksproducten Vervaardiging van textiel Vervaardiging van kleding Vervaardiging van leer en van producten van leer Houtindustrie en vervaardiging van artikelen van hout en van kurk, exclusief meubelen; vervaardiging van artikelen van riet en van vlechtwerk Vervaardiging van papier en papierwaren Drukkerijen, reproductie van opgenomen media Vervaardiging van cokes en van geraffineerde aardolieproducten Vervaardiging van chemische producten Vervaardiging van farmaceutische grondstoffen en producten Vervaardiging van producten van rubber of kunststof Vervaardiging van andere niet-metaalhoudende minerale producten Vervaardiging van metalen in primaire vorm Vervaardiging van producten van metaal, exclusief machines en apparaten Vervaardiging van informaticaproducten en van elektronische en optische producten Vervaardiging van elektrische apparatuur Vervaardiging van machines, apparaten en werktuigen, n.e.g. Vervaardiging en assemblage van motorvoertuigen, aanhangwagens en opleggers Vervaardiging van andere transportmiddelen Vervaardiging van meubelen Overige industrie

22

Bron NACE-BEL 2008 codes en hun omschrijving: Federale Overheidsdienst Economie, 2013, URL: (19/12/2012)

62


33 38 39 41 42 43 45 46 47 49 50 51 52 53 55 56 58 59 60 61 62 63 69 70 71 72 73 74 75 78 79 80 81 82

Reparatie en installatie van machines en apparaten Inzameling, verwerking en verwijdering van afval; terugwinning Sanering en ander afvalbeheer Bouw van gebouwen; ontwikkeling van bouwprojecten Weg- en waterbouw Gespecialiseerde bouwwerkzaamheden Groot- en detailhandel in en onderhoud en reparatie van motorvoertuigen en motorfietsen Groothandel en handelsbemiddeling, met uitzondering van de handel in motorvoertuigen en motorfietsen Detailhandel, met uitzondering van de handel in auto's en motorfietsen Vervoer te land en vervoer via pijpleidingen Vervoer over water Luchtvaart Opslag en vervoerondersteunende activiteiten Posterijen en koeriers Verschaffen van accommodatie Eet- en drinkgelegenheden Uitgeverijen Productie van films en video- en televisieprogramma's, maken van geluidsopnamen en uitgeverijen van muziekopnamen Programmeren en uitzenden van radio- en televisieprogramma's Telecommunicatie Ontwerpen en programmeren van computerprogramma's, computerconsultancy-activiteiten en aanverwante activiteiten Dienstverlenende activiteiten op het gebied van informatie Rechtskundige en boekhoudkundige dienstverlening Activiteiten van hoofdkantoren; adviesbureaus op het gebied van bedrijfsbeheer Architecten en ingenieurs; technische testen en toetsen Speur- en ontwikkelingswerk op wetenschappelijk gebied Reclamewezen en marktonderzoek Overige gespecialiseerde wetenschappelijke en technische activiteiten Veterinaire diensten Terbeschikkingstelling van personeel Reisbureaus, reisorganisatoren, reserveringsbureaus en aanverwante activiteiten Beveiligings- en opsporingsdiensten Diensten in verband met gebouwen; landschapsverzorging Administratieve en ondersteunende activiteiten ten behoeve van kantoren en overige zakelijke activiteiten 63


90 93 95 96 97 98

Creatieve activiteiten, kunst en amusement Sport, ontspanning en recreatie Reparatie van computers en consumentenartikelen Overige persoonlijke diensten Huishoudens als werkgever van huishoudelijk personeel Niet-gedifferentieerde productie van goederen en diensten door particuliere huishoudens voor eigen gebruik

64


Tabel 18: NACE-BEL 2008 per sector 23 Sector Bouw

NACE-BEL 2008 41 42 43

Bouw van gebouwen; ontwikkeling van bouwprojecten Weg- en waterbouw Gespecialiseerde bouwwerkzaamheden

Detailhandel (incl. auto) 47 45113 45193 4532 45402

Groothandel auto)

Detailhandel, met uitzondering van de handel in auto’s en motorfietsen Detailhandel in auto’s en lichte bestelwagens (= 3,5 ton) Detailhandel in andere motorvoertuigen (> 3,5 ton) Detailhandel in onderdelen en accessoires van motorvoertuigen Detailhandel in en onderhoud en reparatie van motorfietsen en delen en toebehoren van motorfietsen

(inclusief 46

45111 45191 4531 45401

Groothandel en handelsbemiddeling, met uitzondering van de handel in motorvoertuigen en motorfietsen Groothandel in auto’s en lichte bestelwagens (= 3,5 ton) Groothandel in andere motorvoertuigen (> 3,5 ton) Groothandel in onderdelen en accessoires van motorvoertuigen Handelsbemiddeling en groothandel in motorfietsen en delen en toebehoren van motorfietsen

Logistiek 49 50 51

23

Vervoer te land en vervoer via pijpleidingen Vervoer over water Luchtvaart

Bron NACE-BEL 2008 codes en hun omschrijving: Federale Overheidsdienst Economie, 2013, URL:

(19/12/2012)

65


52

Opslag en vervoerondersteunende activiteiten

10 11 12 13 14 15 16

Vervaardiging van voedingsmiddelen Vervaardiging van dranken Vervaardiging van tabaksproducten Vervaardiging van textiel Vervaardiging van kleding Vervaardiging van leer en producten van leer Houtindustrie en vervaardiging van artikelen van hout en van kurk, exclusief meubelen; vervaardiging van artikelen van riet en van vlechtwerk Vervaardiging van papier en papierwaren Drukkerijen, reproductie van opgenomen media Vervaardiging van cokes en van geraffineerde aardolieproducten Vervaardiging van chemische producten Vervaardiging van farmaceutische grondstoffen en producten Vervaardiging van producten van rubber of kunststof Vervaardiging van andere niet-metaalhoudende minerale producten Vervaardiging van metalen in primaire vorm Vervaardiging van producten van metaal, exclusief machines en apparaten Vervaardiging van informaticaproducten en van elektronische en optische producten Vervaardiging van elektrische apparatuur Vervaardiging van machines, apparaten en werktuigen, n.e.g. Vervaardiging en assemblage van motorvoertuigen, aanhangwagens en opleggers Vervaardiging van andere transportmiddelen Vervaardiging van meubelen Overige industrie

Industrie (exclusief bouw)

17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 Zakelijke diensten 33 38 39

Reparatie en installatie van machines en apparaten Inzameling, verwerking en verwijdering van afval; terugwinning Sanering en ander afvalbeheer

66


53 62

63 69 70 71 72 73 74 78 80 81 82

Posterijen en koeriers Ontwerpen en programmeren van computerprogramma’s, computerconsultancyactiviteiten en aanverwante activiteiten Dienstverlenende activiteiten op het gebied van informatie Rechtskundige en boekhoudkundige dienstverlening Activiteiten van hoofdkantoren; adviesbureaus op het gebied van bedrijfsbeheer Architecten en ingenieurs; technische testen en toetsen Speur- en ontwikkelingswerk op wetenschappelijk gebied Reclamewezen en marktonderzoek Overige gespecialiseerde wetenschappelijke en technische activiteiten Terbeschikkingstelling van personeel Beveiligings- en opsporingsdiensten Diensten in verband met gebouwen; landschapsverzorging Administratieve en ondersteunende activiteiten ten behoeve van kantoren en overige zakelijke activiteiten

67


Tabel 21: Grensanalyse OV ’82: algemeen model en model één jaar vóór faling

P* 100 95 90 85 80 75 70 65 60 55 50 45 40 35 30 25 20 15 10 5 0

N**

OV ‘82 algemeen

OV ‘82 algemeen

OV ‘82 1 jvf

OV ‘82 1 jvf

onderzoekssteekproef

valideringssteekproef '85-'89



lopend

falend

lopend

falend

lopend

falend

lopend

falend

7,0167

7,7123

4,9098

4,3064

14,8437

317,5079

12,6198

4,6770

4,0412

4,5447

3,0396

0,9089

10,4393

15,4303

7,9681

3,8905

3,3987

3,6509

2,3324

0,5347

8,3746

12,0303

6,5387

3,4996

2,9695

2,9704

1,8528

0,3901

7,3574

9,7690

5,9620

3,1427

2,6187

2,2764

1,6077

0,2263

6,6496

7,4941

5,3015

2,9695

2,3180

1,5677

1,3150

0,0915

6,0675

5,8682

5,0069

2,8315

2,0606

1,1045

1,1166

-0,0345

5,5870

5,1366

4,7772

2,2749

1,7722

0,8149

1,0067

-0,1335

5,2502

4,5371

4,4794

1,7188

1,5510

0,5185

0,8766

-0,2563

4,9348

3,6178

4,2416

1,3642

1,3373

0,3009

0,7516

-0,3844

4,6976

2,6947

4,0886

0,6773

1,1495

0,0436

0,6079

-0,4859

4,4463

1,5806

3,9545

0,0412

0,9924

-0,2612

0,4641

-0,6082

4,1941

0,0203

3,7786

-1,4209

0,8346

-0,6930

0,3770

-0,8186

3,9641

-2,5633

3,7110

-3,3564

0,6720

-1,3175

0,3038

-1,0679

3,7481

-6,4474

3,5822

-5,0996

0,5208

-2,1913

0,2043

-1,3912

3,4574

-12,0263

3,4295

-6,4029

0,3969

-3,7112

0,0976

-1,7694

3,0940

-20,2840

3,2815

-9,4288

0,2547

-6,6857

-0,1206

-2,2669

2,7092

-42,8836

3,0300

-12,9819

-0,0139

-15,7161

-0,2688

-2,8582

1,7355

-141,7776

2,5457

-18,4905

-0,3940

-52,6606

-0,6712

-4,1830

-0,7363

-418,2913

1,7620

-25,8931

-2,2351

-265,5253

-1,1978

-6,0899

-7,0806

-1386,7306

-0,7648

-34,3138

-14,3959

-5752,4115

-33,1757

-144,5958

-52,4715

-7635,5796

-81,640

-416,1995

Optimaal afkappunt

0,1471

Optimaal afkappunt

0,1304

Optimaal afkappunt

2,0162

Optimaal afkappunt

3,1492

3329

3208

410

434

3328

683

410

118

p* = percentiel N** = aantal ondernemingen 68


Tabel 22: Grensanalyse OV ’82: model twee jaar vóór faling en model drie jaar vóór faling

P* 100 95 90 85 80 75 70 65 60 55 50 45 40 35 30 25 20 15 10 5 0

N**

OV ‘82 2 jvf

OV ‘82 2 jvf

OV ‘82 3 jvf

OV ‘82 3 jvf





lopend

falend

lopend

falend

lopend

falend

lopend

falend

7,6495

10,9214

5,1332

4,4457

5,4219

5,8254

3,8025

192,4624

4,1277

4,7439

3,1810

1,2393

3,1700

3,2394

2,3065

1,0723

3,4790

3,3764

2,3948

0,7954

2,6839

2,5731

1,8006

0,8154

3,0266

2,6621

2,0262

0,5193

2,3594

2,1112

1,5197

0,5311

2,6430

1,8814

1,7509

0,3721

2,0843

1,5527

1,3004

0,4460

2,3531

1,2292

1,4193

0,2805

1,8536

1,1457

1,0677

0,3950

2,1003

0,8639

1,2505

0,1335

1,6513

0,9369

0,8853

0,3013

1,8260

0,6516

1,0529

0,0326

1,4416

0,7546

0,8309

0,2282

1,6220

0,3974

0,9434

-0,0469

1,2716

0,5782

0,7102

0,1621

1,4089

0,2761

0,8221

-0,1720

1,1152

0,4397

0,6381

0,0905

1,2104

0,0686

0,6791

-0,2926

0,9694

0,3268

0,5444

-0,0432

1,0515

-0,1938

0,5693

-0,3873

0,8495

0,1121

0,4740

-0,1570

0,9064

-0,6407

0,4787

-0,5223

0,7108

-0,2080

0,4236

-0,3460

0,7405

-1,0687

0,4067

-0,7293

0,5928

-0,5745

0,3494

-0,4526

0,5932

-1,9055

0,3135

-1,2334

0,4817

-1,0849

0,2650

-0,7988

0,4480

-3,1109

0,2054

-1,7141

0,3817

-1,9025

0,1703

-0,9517

0,2974

-4,4181

0,0329

-2,4662

0,2706

-3,5528

0,0107

-1,4949

0,0952

-7,2105

-0,1418

-2,9971

0,0935

-7,8119

-0,2184

-1,7676

-0,3273

-17,0879

-0,5569

-4,0346

-0,3303

-21,4945

-0,6063

-2,4348

-1,9355

-108,0616

-1,2795

-5,7940

-1,9002

-99,5151

-1,1195

-3,7700

-14,2252

-1323,1382

-17,3241

-19,3810

-15,7932

-3697,5695

-25,9001

-46,1389

Optimaal afkappunt

0,3976

Optimaal afkappunt

0,1663

Optimaal afkappunt

0,0270

Optimaal afkappunt

0,3355

2684

551

404

190

3328

761

410

126

p* = percentiel N** = aantal ondernemingen

69


Tabel 23: Grensanalyse SIM ‘05

P*

SIM ‘05 1 jvf

SIM ‘05 1 jvf

SIM ‘05 3 jvf

SIM ‘05 3 jvf





lopend

falend

lopend

falend

lopend

falend

lopend

falend

100

0,6831

0,5982

0,8052

0,7428

0,6831

0,6425

0,8052

0,7560

95

0,5274

0,5281

0,6571

0,5727

0,5274

0,5154

0,6571

0,6032

90

0,5045

0,5026

0,6306

0,5542

0,5045

0,4871

0,6306

0,5803

85

0,4890

0,4833

0,6151

0,5430

0,4890

0,4688

0,6151

0,5676

80

0,4769

0,4649

0,6038

0,5322

0,4769

0,4540

0,6038

0,5594

75

0,4666

0,4484

0,5953

0,5234

0,4666

0,4427

0,5953

0,5523

70

0,4577

0,4347

0,5877

0,5142

0,4577

0,4326

0,5877

0,5460

65

0,4493

0,4226

0,5815

0,5054

0,4493

0,4244

0,5815

0,5404

60

0,4418

0,4095

0,5753

0,4941

0,4418

0,4170

0,5753

0,5347

55

0,4346

0,3994

0,5695

0,4852

0,4346

0,4106

0,5695

0,5282

50

0,4279

0,3889

0,5636

0,4753

0,4279

0,4048

0,5636

0,5211

45

0,4213

0,3795

0,5574

0,4638

0,4213

0,3985

0,5574

0,5133

40

0,4148

0,3687

0,5513

0,4530

0,4148

0,3924

0,5513

0,5039

35

0,4082

0,3558

0,5444

0,4410

0,4082

0,3856

0,5444

0,4935

30

0,4012

0,3436

0,5363

0,4295

0,4012

0,3770

0,5363

0,4811

25

0,3935

0,3307

0,5263

0,4143

0,3935

0,3647

0,5263

0,4666

20

0,3837

0,3166

0,5113

0,3970

0,3837

0,3476

0,5113

0,4503

15

0,3670

0,3022

0,4913

0,3753

0,3670

0,3275

0,4913

0,4292

10

0,3403

0,2826

0,4613

0,3470

0,3403

0,3055

0,4613

0,4008

5

0,3077

0,2480

0,4144

0,3058

0,3077

0,2725

0,4144

0,3570

0

0,0200

0,1464

0,1619

0,1635

0,0200

0,0815

0,1619

0,1514

Optimaal afkappunt

0,3878

Optimaal afkappunt

0,5326

Optimaal afkappunt

0,4126

Optimaal afkappunt

0,5500

65720

6404

31361

2656

65720

14459

31361

10510

N**

p* = percentiel N** = aantal ondernemingen

70


Figuur 4: Grensanalyse OV ’82 algemeen model 5

OV '82 Algemeen

4 3 2 1

Lopend '85-'89 Falend '85-'89

Score 0 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 -1


-2 -3 -4 -5

Percentiel

Figuur 5: Grensanalyse OV ’82 model één jaar vóór faling 15 12

OV '82 1 jvf

9 6

Score

3

Lopend '85-'89

0

Falend '85-'89

-3

25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100


-6 -9 -12 -15

Percentiel

71


Figuur 6: Grensanalyse OV ’82 model twee jaar vóór faling

OV '82 2 jvf

4 2

Score

95

100

90

85

80

75

70

65

60

55

50

45

40

35

30

25

20

15

10

0 -2

Lopend '85-'89 Falend '85-'89 Lopend '06-'10

-4

Falend '06-'10 -6 -8 -10

Percentiel

Figuur 7: Grensanalyse OV ’82 model drie jaar vóór faling 4

OV '82 3 jvf

3 2 Lopend '85-'89

1

Falend '85-'89

Score -1

15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100


-2 -3 -4

Percentiel

72


Figuur 8: Grensanalyse SIM ’05 model één jaar vóór faling 0,70 0,65

SIM '05 1 jvf

0,60 0,55 0,50 Lopend '90-'99

Score 0,45

Falend '90-'99

0,40

Lopend '06-'10

0,35

Falend '06-'10

0,30 0,25 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100

0,20 Percentiel

Figuur 9: Grensanalyse SIM ’05 model één jaar vóór faling 0,70 0,65

SIM '05 3 jvf

0,60 0,55 0,50

Lopend '90-'99

0,45

Falend '90-'99

Score

Lopend '06-'10

0,40

Falend '06-'10

0,35 0,30 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100

0,25 Percentiel

73


Figuur 10: Trade-off grafieken modellen OV ’82 en SIM ’05: één en drie jaar vóór faling 100%

Trade-off grafiek OV '82 en SIM '05: 1 jvf en 3 jvf

90% 80% 70%

Type II fout

60% OV '82 1 jvf

50%

OV '82 3 jvf SIM '05 1 jvf

40%

SIM '05 3 jvf 30% 20% 10% 0% 0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Type I fout

74


Figuur 11: Trade-off grafieken OV ’82 algemeen model en model twee jaar vóór faling 100%

Trade-off grafiek OV '82 algemeen en 2 jvf

90% 80% 70%

Type II fout

60% 50%

OV '82 algemeen OV '82 2 jvf

40% 30% 20% 10% 0% 0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Type I fout

75


Figuur 12: Trade-off grafieken bouwsector

Overzicht modellen bouwsector 100% 90% 80% Type II fout

70% 60%

OV '82 1vf

50%

OV '82 3vf

40%

SIM '05 1vf

30%

SIM '05 3vf

20% 10% 0% 0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Type I fout

Figuur 13: Trade-off grafieken industrie

Overzicht modellen industrie 100% 90% 80% Type II fout

70% 60%

OV '82 1vf

50%

OV '82 3vf

40%

SIM '05 1vf

30%

SIM '05 3vf

20% 10% 0% 0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Type I fout

76


Figuur 14: Trade-off grafieken logistiek

Overzicht modellen logistiek 100% 90% 80% Type II fout

70% 60%

OV '82 1vf

50%

OV '82 3vf

40%

SIM '05 1vf

30%

SIM '05 3vf

20% 10% 0% 0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Type I fout

Figuur 15: Trade-off grafieken zakelijke diensten

Overzicht modellen zakelijke diensten 100% 90% 80% Type II fout

70% 60%

OV '82 1vf

50%

OV '82 3vf

40%

SIM '05 1vf

30%

SIM '05 3vf

20% 10% 0% 0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Type I fout

77


Figuur 16: Trade-off grafieken detailhandel

Overzicht modellen detailhandel 100% 90% 80% Type II fout

70% 60%

OV '82 1vf

50%

OV '82 3vf

40%

SIM '05 1vf

30%

SIM '05 3vf

20% 10% 0% 0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Type I fout

Figuur 17: Trade-off grafieken groothandel

Overzicht modellen groothandel 100% 90% 80% Type II fout

70% 60%

OV '82 1vf

50%

OV '82 3vf

40%

SIM '05 1vf

30%

SIM '05 3vf

20% 10% 0% 0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Type I fout

78


Figuur 18: Trade-off grafieken OV ’82 één jaar vóór faling

Overzicht sectoren OV '82 1 jvf 100%

90% 80%

Type II fout

70% 60%

Bouw Detailhandel

50%

Groothandel Industrie

40%

Logistiek 30%

Zakelijke diensten

20% 10% 0% 0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Type I fout

79


Figuur 19: Trade-off grafieken OV ‘82 drie jaar vóór faling

Overzicht sectoren OV '82 3 jvf 100% 90% 80%

Type II fout

70% 60%

Bouw Detailhandel

50%


40%

Logistiek 30%

Zakelijke diensten

20% 10% 0% 0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Type I fout

80


Figuur 20: Trade-off grafieken SIM ’05 één jaar vóór faling

Overzicht sectoren SIM '05 1 jvf 100% 90% 80%

Type II fout

70% 60%

Bouw Detailhandel

50%


40%

Logistiek 30%

Zakelijke diensten

20% 10% 0% 0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Type I fout

81


Figuur 21: Trade-off grafieken SIM ’05 drie jaar vóór faling

Overzicht sectoren SIM '05 3 jvf 100% 90% 80%

Type II fout

70%

60%

Bouw Detailhandel

50%


40%

Logistiek

30%

Zakelijke diensten

20% 10%

0% 0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Type I fout

82


Tabel 30: Regressieresultaten OV ’82 één jaar vóór faling Variables in the Equation B

Wald

df

Sig.

Exp(B)

-53,566

20,449

6,862

1

,009

46,437

20,844

4,963

1

,026

R2

1,133

,243

21,782

1

,000

3,104

R2D

-,445

,259

2,941

1

,086

,641

R3

-,210

,242

,757

1

,384

,810

,077

,255

,091

1

,763

1,080

-,637

,257

6,126

1

,013

,529

,096

,262

,134

1

,715

1,101

R5

-,660

,437

2,277

1

,131

,517

R5D

-,077

,508

,023

1

,879

,926

,809

,116

48,954

1

,000

2,245

R1

R1D

Step 1

S.E.

,000 1470641037368 64870000,000

a

R3D R4 R4D

Constant

a. Variable(s) entered on step 1: R1, R1D, R2, R2D, R3, R3D, R4, R4D, R5, R5D.

83


Tabel 31: Regressieresultaten OV ’82 drie jaar vóór faling Variables in the Equation B

df

Sig.

Exp(B)

5,228

4,692

1

,030

,000

13,037

5,881

4,914

1

,027

458871,824

R2

1,295

,244

28,158

1

,000

3,652

R2D

-,936

,265

12,492

1

,000

,392

R3

-,276

,494

,313

1

,576

,758

,013

,515

,001

1

,979

1,013

-,960

,651

2,173

1

,140

,383

R4D

,004

1,054

,000

1

,997

1,004

R5

,236

,112

4,404

1

,036

1,266

R5D

-,228

,119

3,644

1

,056

,796

Constant

-,138

,087

2,534

1

,111

,871

R1D

a

Wald

-11,324

R1

Step 1

S.E.

R3D R4

a. Variable(s) entered on step 1: R1, R1D, R2, R2D, R3, R3D, R4, R4D, R5, R5D.

84


Tabel 32: Regressieresultaten SIM ‘05 één jaar vóór faling Variables in the Equation

B

Wald

df

Sig.

Exp(B)

R1

3,044

,191

253,570

1

,000

20,997

R1D

-,562

,228

6,093

1

,014

,570

,650

,412

2,492

1

,114

1,916

R2D

-,469

,453

1,076

1

,300

,625

R3

1,872

,377

24,594

1

,000

6,502

R3D

-,673

,452

2,218

1

,136

,510

,869

,388

5,019

1

,025

2,385

R4D

-1,309

,457

8,195

1

,004

,270

R5

-6,250

,695

80,964

1

,000

,002

R5D

-2,104

,796

6,987

1

,008

,122

R6

-3,331

,879

14,376

1

,000

,036

5,939

,756

61,736

1

,000

379,602

,207

,290

,508

1

,476

1,230

R7D

-,077

,329

,055

1

,815

,926

R8

-,897

,461

3,784

1

,052

,408

,408

,503

,657

1

,418

1,503

4,531

,522

75,306

1

,000

92,889

R2

R4

Step 1

S.E.

a

R6D R7

R8D Constant

a. Variable(s) entered on step 1: R1, R1D, R2, R2D, R3, R3D, R4, R4D, R5, R5D, R6, R6D, R7, R7D, R8, R8D.

85


Tabel 33: Regressieresultaten SIM drie jaar vóór faling Variables in the Equation B

df

Sig.

Exp(B)

2,365

,169

194,821

1

,000

10,649

R1D

-,891

,197

20,541

1

,000

,410

,162

,420

,148

1

,700

1,176

-,301

,453

,440

1

,507

,740

,459

,260

3,119

1

,077

1,582

R3D

-,226

,308

,541

1

,462

,797

R4

2,081

,353

34,745

1

,000

8,010

R4D

-1,079

,407

7,007

1

,008

,340

R5

-1,199

,523

5,257

1

,022

,301

R5D

-1,919

,603

10,133

1

,001

,147

R6

-3,439

,585

34,562

1

,000

,032

4,553

,527

74,645

1

,000

94,932

,064

,282

,052

1

,820

1,066

-,338

,319

1,121

1

,290

,713

R8

,585

,342

2,929

1

,087

1,795

R8D

,967

,365

7,020

1

,008

2,631

Constant

,386

,348

1,230

1

,267

1,471

R2D R3

a

Wald

R1

R2

Step 1

S.E.

R6D R7 R7D

a. Variable(s) entered on step 1: R1, R1D, R2, R2D, R3, R3D, R4, R4D, R5, R5D, R6, R6D, R7, R7D, R8, R8D.

86

ONDERZOEK NAAR DE BRUIKBAARHEID VAN FALINGSPREDICTIEMODELLEN OVER VERSCHILLENDE SECTOREN

Recommend Documents