Onderzoek naar de bruikbaarheid van falingspredictiemodellen voor dienstenondernemingen

UNIVERSITEIT GENT FACULTEIT ECONOMIE EN BEDRIJFSKUNDE ACADEMIEJAAR 2014 – 2015

Onderzoek naar de bruikbaarheid van falingspredictiemodellen voor dienstenondernemingen

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

Louise Desoete onder leiding van ! ! ! ! !

Prof. Ir. Ludo Theunissen

! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! !

UNIVERSITEIT GENT FACULTEIT ECONOMIE EN BEDRIJFSKUNDE ACADEMIEJAAR 2014 – 2015

Onderzoek naar de bruikbaarheid van falingspredictiemodellen voor dienstenondernemingen

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

Louise Desoete onder leiding van ! ! ! ! !

Prof. Ir. Ludo Theunissen

PERMISSION Ondergetekende verklaart dat de inhoud van deze masterproef mag geraadpleegd en/of gereproduceerd worden, mits bronvermelding. Louise Desoete

Voorwoord Ik zou hier graag een woord van dank plaatsen aan enkele personen zonder wie deze thesis niet tot stand was gekomen. In de eerste plaats bedank ik mijn promotor prof. ir. L. Theunissen voor de begeleiding. Ook een woord van dank aan de begeleidende assistent Thomas Verschueren. Tenslotte wil ik ook mijn ouders en vrienden bedanken die steeds in mij geloofden en me de moed gaven om door te zetten.

ii

Inhoudsopgave Voorwoord

ii

Inhoudsopgave

iii

Lijst van figuren

vii

Lijst van tabellen

viii

1 Inleiding

1

Literatuurstudie

3

2 Motivatie onderzoek

4

2.1

Bevindingen literatuur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4

2.2

Verschillen diensten- en productieondernemingen . . . . . . . . . . . . . . . . . .

6

2.2.1

Verticale analyse van de balans . . . . . . . . . . . . . . . . . . . . . . . .

6

2.2.2

Verticale analyse van de resultatenrekening . . . . . . . . . . . . . . . . .

7

2.2.3

Vergelijking economische situatie 1982 versus 2013 . . . . . . . . . . . . .

8

3 Falingspredictiemodellen

10

3.1

Lineaire discriminantmodellen Ooghe-Verbaere 1982 (OV 82) . . . . . . . . . . .

10

3.2

Simpele intu¨ıtieve modellen 2005 (SIM 05) . . . . . . . . . . . . . . . . . . . . . .

12

4 Opbouw empirisch onderzoek 4.1

4.2

15

Defini¨eren van falende ondernemingen . . . . . . . . . . . . . . . . . . . . . . . .

15

4.1.1

Bedrijfseconomische definitie . . . . . . . . . . . . . . . . . . . . . . . . .

15

4.1.2

Juridische definitie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

17

Prestatiemaatstaven voor falingspredictiemodellen . . . . . . . . . . . . . . . . .

19

4.2.1

Classificatieregel: type-I en type-II fout . . . . . . . . . . . . . . . . . . .

19

4.2.2

Ongelijkheidsprincipe: Gini-co¨effici¨ent . . . . . . . . . . . . . . . . . . . .

21

iii

Inhoudsopgave Empirisch onderzoek

23

5 Populatie en steekproef van falende en lopende ondernemingen

24

5.1

Populatie van ondernemingen . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

24

5.2

Defini¨eren steekproeven . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

25

5.3

Verwerking data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

26

5.4

Kenmerken van de steekproeven

28

. . . . . . . . . . . . . . . . . . . . . . . . . . .

6 Prestatieresultaten van de falingspredictiemodellen

30

6.1

Resultaten op basis van de originele afkapscores . . . . . . . . . . . . . . . . . . .

30

6.2

Resultaten op basis van nieuwe optimale afkapscores . . . . . . . . . . . . . . . .

31

6.3

Resultaten op basis van de Gini-co¨effici¨enten en de trade-o↵ grafieken . . . . . .

32

6.4

Resultaten op basis van de percentieltabellen . . . . . . . . . . . . . . . . . . . .

36

6.5

Resultaten voor modellen met nieuwe co¨effici¨enten: optimale afkapscores, Ginico¨effici¨enten, trade-o↵ grafieken en percentieltabellen . . . . . . . . . . . . . . . .

37

6.5.1

Model met alle ratio’s . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

37

6.5.2

Model met ratio’s met hoogste verklaringskracht . . . . . . . . . . . . . .

42

7 Algemene resultaten

44

8 Beperkingen van het uitgevoerde onderzoek

47

Besluit

49

Bibliografie

52

Bijlagen

53

iv

Afkortingen BVBA: besloten vennootschap met beperkte aansprakelijkheid CVBA: co¨operatieve vennootschap met beperkte aansprakelijkheid CV: co¨operatieve vennootschap NACE-bel code: statistische Nomenclatuur van de economische activiteiten in de Europese Gemeenschappen NBB: Nationale bank van Belgi¨e NV: naamloze vennootschap OGF: Ongewogen gemiddelde foutenpercentage OV 82: Ooghe-Verbaere model 1982 SIM 05: Simpele intu¨ıtief model Type-I fout%: type-I foutenpercentage Type-II fout%: type-II foutenpercentage VOF: vennootschap onder firma WCO: Wet continu¨ıteit van de onderneming GINI: Gini-co¨effici¨ent v

Inhoudsopgave

vi

Lijst van figuren 2.1

Analyse volgens sector: omzet, aankopen, toegevoegde waarde, personeelskosten en bruto-exploitatieoverschot (in miljard euro)(Statistics Belgium) . . . . . . . .

2.2

Werkgelegenheid naar hoofdsectoren in enkele westerse landen (procentueel aandeel in de totale werkgelegenheid) (OECD) . . . . . . . . . . . . . . . . . . . . .

3.1

9

Basis elementen van de financi¨ele situatie van de onderneming (Ooghe & Van Wymeersch, 2003, deel I, 8) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.1

8

13

samenhang van de economische factoren die leiden tot financi¨ele discontinu¨ıteit (“falingspad”) (Ooghe et al., 2012) . . . . . . . . . . . . . . . . . . . . . . . . . .

17

4.2

Beste, slechtste en geschatte trade-o↵-functie van een falingspredictiemodel . . .

22

5.1

Evolutie van de rentetarieven (NBB, 2011) . . . . . . . . . . . . . . . . . . . . . .

27

6.1

Trade-o↵ grafiek OV 82: originele niet-gestandaardiseerde co¨effici¨enten . . . . . .

34

6.2

Trade-o↵ grafiek SIM 05 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

35

6.3

Trade-o↵ grafiek OV 82: nieuwe niet-gestandaardiseerde co¨effici¨enten (model met alle ratio’s) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6.4

Trade-o↵ grafiek OV 82: nieuwe niet-gestandaardiseerde co¨effici¨enten (model volgens stepwise method) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1

41 43

Ratio’s algemeen lineair model 1 tot 3 jaar voor faling OV 82 voor volledige jaarrekeningen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

66

2

Ratio’s lineair model 1 jaar voor faling OV 82 voor volledige jaarrekeningen . . .

67

3

Ratio’s lineair model 2 jaar voor faling OV 82 voor volledige jaarrekeningen . . .

68

4

Ratio’s lineair model 3 jaar voor faling OV 82 voor volledige jaarrekeningen . . .

69

5

Ratio’s SIM 05 model voor verkorte en volledige jaarrekeningen . . . . . . . . . .

70

vii

Lijst van tabellen 4.1

Soorten foutenpercentages (Ooghe et al., 2012) . . . . . . . . . . . . . . . . . . .

20

6.1

Classificatieresultaten originele afkapscores

. . . . . . . . . . . . . . . . . . . . .

31

6.2

Classificatieresultaten nieuwe optimale afkapscores . . . . . . . . . . . . . . . . .

32

6.3

Percentieltabel OV 82: originele niet-gestandaardiseerd co¨effici¨enten . . . . . . .

38

6.4

Percentieltabel SIM 05 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

39

6.5

Classificatieresultaten OV 82: nieuwe niet-gestandaardiseerde co¨effici¨enten (model met alle ratio’s) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6.6

40

Classificatieresultaten OV 82: nieuwe niet-gestandaardiseerde co¨effici¨enten (model volgens stepwise method) . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

42

7.1

Signalen voor een faillissement volgens Graydon . . . . . . . . . . . . . . . . . . .

46

1

NACE-bel codes verticale analyse . . . . . . . . . . . . . . . . . . . . . . . . . . .

54

2

Verticale analyse van de balans: actief . . . . . . . . . . . . . . . . . . . . . . . .

55

3

Verticale analyse van de balans: passief . . . . . . . . . . . . . . . . . . . . . . .

56

4

Verticale analyse van de resultatenrekening . . . . . . . . . . . . . . . . . . . . .

57

5

Nace-bel codes steekproeven . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

58

6

Descriptieve analyse steekproef op basis van rechtsvorm . . . . . . . . . . . . . .

59

7

Data selectie steekproef falende en lopende ondernemingen . . . . . . . . . . . . .

59

8

Test verschillen ratio’s en leeftijd lopende en falende ondernemingen: OV 82 . . .

60

9

Test verschillen logitwaarde en leeftijd lopende en falende ondernemingen: SIM 05 61

10

Nieuwe niet-gestandaardiseerde co¨effici¨enten OV 82 (model met alle ratio’s) . . .

11

Percentieltabel OV 82: nieuwe niet-gestandaardiseerd co¨effici¨enten (model met alle ratio’s) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

12

63

Nieuwe niet-gestandaardiseerde co¨effici¨enten OV 82 (model volgens stepwise method) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

13

62

64

Percentieltabel OV 82: nieuwe niet-gestandaardiseerd co¨effici¨enten (model volgens stepwise method) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . viii

65

Hoofdstuk 1

Inleiding ”Belgi¨e breekt faillissementenrecord in 2013”zo luidt een artikel uit de trends (2013). Het handelsinformatiebureau Graydon brengt elke maand de starters en faillissementen in Belgi¨e in kaart. Voor 2013 stellen ze vast dat 12.306 bedrijven failliet werden verklaard, dat zijn zo’n 33 ondernemingen per dag. Ze constateren een toename in het aantal faillissementen van 11,35% ten opzichte van 2012. Voor een aantal faillissementen zijn verschillende tendensen zichtbaar. Zo zijn het vaker jonge ondernemingen die failliet gaan. Op regionaal niveau zijn de meeste faillissementen in het Vlaams-gewest terug te vinden, maar de sterkste stijging bevindt zich in het Brusselse en Waalse gewest. Ook op sectoraal niveau is er een stijging van 12,5% in het aantal faillissementen voor bedrijven die diensten verlenen aan andere ondernemingen. Het faillissement heeft een impact op een grote groep van belanghebbenden, zoals werknemers, schuldeisers, aandeelhouders, overheid en rechtbanken. Het is daarom ook van belang om een onderneming die in moeilijkheden dreigt te komen, zo snel mogelijk te detecteren. Hiervoor zijn falingspredictiemodellen opgesteld. Op basis van financi¨ele gegevens uit de balans, geven ze een indicatie voor de onderneming en voor belanghebbenden over de financi¨ele gezondheid van de onderneming. De falingspredictiemodellen die aan bod zullen komen zijn het lineair discriminantmodel van Ooghe en Verbaere (OV 82) en het simpele intu¨ıtieve model (SIM 05).

Het doel van dit

onderzoek is om de bruikbaarheid en de performantie van deze modellen na te gaan voor dienstenondernemingen. Dit onderzoek bestaat uit twee grote delen, de literatuurstudie en het empirisch onderzoek. Tijdens de literatuurstudie wordt op basis van eerdere studies aanwijzingen gegeven waarom dit onderzoek een meerwaarde kan zijn. Er wordt daarnaast een analyse gemaakt om verschillen 1

Hoofdstuk 1. Inleiding tussen dienstenondernemingen en productieondernemingen zichtbaar te maken.

Vervolgens

worden beide modellen toegelicht. Het laatste onderdeel van de literatuurstudie bespreekt de opbouw van het empirisch onderzoek. Er wordt een definitie gezocht voor een falende onderneming. De prestatiemaatstaven voor de modellen worden toegelicht. Het tweede deel omvat het empirisch onderzoek. Als eerste wordt de populatie voor de steekproeven besproken, vervolgens de defini¨eren van de twee groepen in de steekproeven. Waarna de omvang en enkele kenmerken van de steekproeven worden besproken. De twee modellen zullen gevalideerd worden op basis van een valideringssteekproef aan de hand van de prestatiemaatstaven die in de literatuurstudie werden besproken. Voor het Ooghe-Verbaere model zal een schattingssteekproef nodig zijn om een volledig beeld over de performantie te hebben. Op basis van deze resultaten worden de vaststellingen samengevat in een besluit. Het laatste onderdeel van het empirisch onderzoek werpt een kritische blik op de beperkingen van het onderzoek.

2

Literatuurstudie

3

Hoofdstuk 2

Motivatie onderzoek Waarom de berekening van nieuwe afkapscores voor verbetering zou kunnen zorgen wordt hierna besproken. We starten hierbij met aanbevelingen die door andere studies werden gegeven. Daarnaast wordt ook een verticale analyse gemaakt van de balans en de resultatenrekening die aangeven dat de steekproeven van de originele modellen mogelijks een bias hebben zowel voor de periode als voor de industrie.

2.1

Bevindingen literatuur

In het verleden werd reeds aandacht besteed aan de invloed van sectorkenmerken op falingspredictiemodellen. Er werd onderzoek gedaan naar zowel het lineair model van Ooghe en Verbaere, alsook naar het simpele intu¨ıtieve model en het Ooghe-Joos-De Vos model. Ooghe en Verbaere (1982) stellen het lineair discriminant model op in 1982. Deze modellen worden opgesteld voor ondernemingen met een volledig jaarrekeningschema ongeacht de sector waarin ze zich bevinden. Naast een algemeen model, proberen ze ook om rekening te houden met de sector. Dit wordt gedaan naar aanleiding van de resultaten van de covariantie-analyse. Ze constateren dat ratio’s gedetermineerd worden door de sector waarin de onderneming zich bevindt. Sectorkenmerken hebben aldus een invloed op de ratio’s. Het is om deze reden dat ze nieuwe modellen cre¨eren voor zes sectoren. De bestaande modellen worden evenwel niet getest op hun effici¨entie per sector. Uit het onderzoek blijkt dat de sectormodellen performanter zijn dan de algemene modellen, het verschil in performantie blijkt ook significant te zijn. Of dit nu door de kleinere omvang van de steekproef is, kan onvoldoende worden gecontroleerd. Dit onderzoek gaat echter niet na wat de effici¨entie van het algemeen model is per sector. Het Ooghe-Joos-De Vos model wordt in 2001 bestudeerd door Ooghe, Camerlynck en Balcaen (2003). Zij gaan twee zaken na, de invloed van de sector en de invloed van ondernemingsgrootte. 4

Hoofdstuk 2. Motivatie onderzoek Ondernemingen worden onderverdeeld in 18 sectoren. De studie toont aan dat het model voor een aantal sectoren beter presteert dan voor andere sectoren. Dit blijkt het geval te zijn voor zowel het model ´e´en jaar voor faling als voor het model drie jaar voor faling. De resultaten tonen aan dat de sectoren die beter scoren, vallen onder de noemer productieondernemingen. De sectoren die minder goed presteren zijn dienstenondernemingen. Brigham en Gapenski (1994) stellen de volgende veronderstelling in vraag. Is het redelijk om aan te nemen dat financi¨ele ratio’s van onderneming uit een bepaalde industrie dezelfde kenmerken hebben als de ratio’s van een onderneming uit een andere industrie? Platt en Platt (1991) vertellen dat verschillende normen tussen industrie¨en een invloed hebben op de bruikbaarheid van financi¨ele ratio’s voor een “mixed-industry model”. Een studie van McGurr en DeVaney (1998) doet een gelijkaardig onderzoek. Hier stellen ze de vraag of een falingspredictiemodel, gebaseerd op een steekproef met ondernemingen uit ´e´en industrie voor verbetering zou zorgen. Ze baseren zich hiervoor op een onderzoek van Ketz, Doogar en Jensen (1990). Daaruit blijkt dat meer dan 57%van de gemiddelde ratio’s voor de retail industrie significante verschillen vertonen voor dezelfde ratio’s voor andere industrie¨en. Het resultaat van het onderzoek bespreekt drie soorten bias, met name industrie bias, populatie bias en tijd bias. Ze besluiten dat een “mixed-industry model” beperkingen heeft door de eerder vermelde bias. Dit brengt ons ertoe om na te gaan of een steekproef gebaseerd op dienstenondernemingen voor een beter model kan zorgen. Sun, Li, Huang en He (2013) bespreken onder meer verschillende methodes van steekproeftrekkingen. Wat ze in de literatuur vaak terug vinden is dat de modellen gebruik maken van steekproeven met verschillende industrie¨en om zo een voldoende grootte steekproef te hebben. Ze merken ook op dat een studie van Platt en Platt (1991) aantoont dat een aanpassing aan de ratio’s voor industrie het model verbetert. Deze aanpassing houdt in dat de ratio’s worden gedeelt door het gemiddelde van een industrie, dit zorgt ervoor dat industrie bias deels geneutraliseerd wordt. Grice en Ingram (2001) gaan voor het Altman model na wat de invloed is van de steekproef op de betrouwbaarheid van het model voor het gebruik van ondernemingen andere dan manufacturing bedrijven. Gezien de steekproef van het Altman model enkel manufacturing ondernemingen bevat. Uit hun studie blijkt dat het model significant accuratere voorspellingen kan maken voor manufacturing bedrijven. Samen met de ontwikkeling van databases heeft dit onderzoekers

1

aangezet om modellen op te stellen voor specifieke industrie¨en zoals manufacturing, retail, hotel, restaurant en dotcom. 1

Ooghe, Camerlynck en Balcaen (2001), Platt en Platt (1991), Deakin (1976), Ketz, Doogar en Jensen (1990)

en Brigham en Gapenski (1994).

5

Hoofdstuk 2. Motivatie onderzoek Al deze studies erkennen dat industrie een zekere invloed heeft op de financi¨ele ratio’s en aldus op falingspredictiemodellen. Dit onderzoek gaat na wat met de performantie gebeurt als het Ooghe-Verbaere en simpel intu¨ıtief falingspredictiemodel worden toegepast op een steekproef die uit enkel dienstenondernemingen bestaat.

2.2

Verschillen diensten- en productieondernemingen

De economische activiteit van een onderneming heeft een invloed op de samenstelling van de balans en van de resultatenrekening. Aangezien predictiemodellen gebruik maken van beide informatiebronnen, kan een specificering naar industrie voor accuratere modellen zorgen. Zoals, door andere onderzoekers, reeds wordt aangehaald, kennen de steekproeven voor de falingspredictiemodellen mogelijks een bias voor industrie. Het OV 82 model is gebaseerd op een at random steekproeftrekking, waarbij geen rekening wordt gehouden met de invloed van de industrie. Het Gloubus-Grammatikos discriminant model houdt bij de steekproeftrekking rekening met de industrie en de grootte van de onderneming (op basis van totaal actief). Dit model heeft een lager ongewogen gemiddeld foutenpercentage dan het OV 82 model (Ooghe en Balcaen, 2007) en is dus performanter. Het OV 82 model en SIM 05 model houden bij de steekproeftrekking geen rekening met de invloed van de industrie en negeren zo de invloed die de industrie heeft op de balans en resultatenrekening van een onderneming. Hierdoor negeren ze ook de invloed van de industrie op financi¨ele ratio’s. Dit zorgt ervoor dat de accuraatheid van de afkapscores wordt verzwakt door de gewichten die de sectoren in de steekproef hebben. In wat volgt wordt een verticale analyse gemaakt van de balans en resultatenrekening. Hierbij werd gekozen om dienstenondernemingen te vergelijken met productieondernemingen. De reden hiervoor is dat de productieprocessen voor deze twee types ondernemingen sterke verschillen kunnen vertonen. Deze verschillen kunnen zichtbaar worden gemaakt met behulp van een verticale analyse. Hierbij worden dienstenondernemingen ook vergeleken met de totale nietfinanci¨ele sector. Verschillen die door de analyse zichtbaar worden, kunnen een aanwijzing zijn dat ook de ratio’s in de falingspredictiemodellen een invloed kunnen hebben op de performantie.

2.2.1

Verticale analyse van de balans

Een verticale analyse van de balans geeft weer hoe de elementen uit de balans zich verhouden ten op zicht van het totaal van de activa. Deze analyse wordt opgemaakt aan de hand van gegevens die werden verkregen bij de nationale bank van Belgi¨e (NBB). De NBB voorziet een totaal van de jaarrekeningen van ondernemingen per activiteitsector. Op het moment dat de analyse wordt gemaakt, is 2012 het meest recente boekjaar dat beschikbaar is. Ondertussen kan het 6

Hoofdstuk 2. Motivatie onderzoek boekjaar 2013 worden geraadpleegd via NBB. De verticale analyse kan worden gemaakt voor de ondernemingen met een jaarrekening volgens volledig schema, voor verkort schema en voor alle ondernemingen samen. We beperken ons hier tot een verticale analyse voor volledige schema’s. De analyse wordt opgesteld voor drie groepen: diensten aan ondernemingen en particulieren, het geheel van de verwerkende industrie en totaal van de niet-financi¨ele ondernemingen. De NACEbel codes van deze drie groepen zijn terug te vinden in tabel 1 in de bijlage, de resultaten van de analyse worden in tabel 2 en 3 in bijlage weergegeven. Aan de actief zijde van de balans verwachten we verschillen voor de vaste activa en vlottende activa. Voor productieondernemingen wordt verwacht dat investeringen in materi¨ele vaste activa een groter aandeel zullen hebben in het totaal actief. Voor dienstenondernemingen worden vaak minder zware investeringen door het productieproces vereist. Bovendien kan een groot deel van de materi¨ele vaste activa geleased worden, de activa van een financi¨ele lease verschijnen niet op de balans. Het aandeel van de materi¨ele vaste activa dat op de balans verschijnt wordt verwacht kleiner te zijn voor dienstenondernemingen dan voor productieondernemingen. De afschrijvingen zullen daarom voor productieondernemingen ook een groter aandeel hebben in de resultatenrekening dan dienstenondernemingen. Deze verschillen die we verwachten te zien, worden bevestigd door het cijfermateriaal uit tabel 2.

2.2.2

Verticale analyse van de resultatenrekening

Een verticale analyse kan ook worden gemaakt in verband met de bedrijfskosten, hierbij worden percentages bepaald in verhouding tot de verkopen. Net als bij de verticale analyse maken we hier gebruik van de jaarrekening volgens volledig schema. Het resultaat van deze analyse wordt weergegeven in tabel 4 in bijlage. Uit de tabel blijkt dat het intermediair verbruik van dienstenondernemingen een kleiner aandeel heeft in de verkopen dan productieondernemingen. Een verklaring hiervoor ligt bij de kenmerken van de verschillende productieprocessen. De bruto toegevoegde waarde voor dienstenondernemingen is dan weer groter dan voor productieondernemingen. Deze vaststelling wordt ook gemaakt in een rapport door Statistics Belgium. In een rapport over de structurele ondernemingsstatistieken geven ze aan dat de dienstensector het grootste aandeel toegevoegde waarde vertegenwoordigt, dit is een weergave in absolute getallen. De vaststelling wordt weergegeven in figuur 2.1.

Onderstaande figuur toont ook aan dat de dienstensector het grootste aandeel van de personeelskosten vertegenwoordigt. In de verticale analyse is te zien dat de personeelskosten en andere 7

Hoofdstuk 2. Motivatie onderzoek

Figuur 2.1: Analyse volgens sector: omzet, aankopen, toegevoegde waarde, personeelskosten en brutoexploitatieoverschot (in miljard euro)(Statistics Belgium)

bedrijfskosten exclusief niet-kaskosten inderdaad een groter aandeel hebben in de verkopen dan productieondernemingen. De financi¨ele kosten van het vreemd vermogen hebben een groter aandeel in de verkopen van dienstenondernemingen dan productieondernemingen. Aangezien financi¨ele kosten van het vreemd vermogen elementen bevatten die ook worden gebruikt in de ratio’s van de verschillende modellen, kan dit een invloed hebben op de afkapscores. Voor meer info over de andere elementen uit de resultatenrekening wordt verwezen naar tabel 4 in bijlage.

2.2.3

Vergelijking economische situatie 1982 versus 2013

De verticale analyses tonen aan dat de economische activiteit van een onderneming een invloed kan hebben op de financi¨ele ratio’s die door falingspredictiemodellen worden gebruikt. Naast een vergelijking tussen de sectoren kan ook worden opgemerkt dat de steekproef die gebruikt wordt in het OV 82 model niet meer up-to-date is en dus niet meer representatief is aan de huidige economische situatie. De aanwezigheid van een tijd bias voor de valideringssteekproeven uit 1985-1989 van het OV 82 model en voor de valideringssteekproeven uit 1990-1999 voor het SIM 05 model wordt hier verklaard. De economie kan worden onderverdeeld in drie sectoren: de primaire, secundaire en tertiaire sector. Hier kan een vierde sector aan toegevoegd worden, de quartaire sector. Dienstenondernemingen bevinden zich in de tertiaire sector. Sinds 1980 hebben de tertiaire en quartaire sector steeds meer aan belang gewonnen. Deze trend wordt de tertiarisering genoemd. De tertiarisering wordt zichtbaar indien we de samenstelling van de tewerkstelling over de drie sectoren bekijken. In figuur 2.2, is de tewerkstelling weergegeven van de Belgische bevolking over de drie sectoren. In 1980 werd 62,1%van de bevolking tewerkgesteld in de tertiaire sector. Het aandeel blijft stijgen en in 2011 is 75,5%tewerkgesteld in de tertiaire sector. De tertiarisering toont aan dat de samenstelling van de economie geen constante is. De steekproeven van het OV 82 en SIM 05 model zijn gebaseerd op gegevens van jaarrekeningen voor 2000. De afkapscores van beide modellen zijn niet meer representatief voor de huidige economische 8

Hoofdstuk 2. Motivatie onderzoek

Figuur 2.2: Werkgelegenheid naar hoofdsectoren in enkele westerse landen (procentueel aandeel in de totale werkgelegenheid) (OECD)

situatie. Om deze reden kan het model de betrouwbaarheid verhogen door steekproeven te trekken, die alle sectoren en de meest recente jaarrekeningen bevatten. In deze studie zullen enkel dienstenondernemingen in de steekproef worden opgenomen. Dit hoofdstuk toont aan dat zowel de steekproeven voor het OV 82 model en het SOM 05 model een bias bevatten voor industrie en tijd. De industrie bias wordt aangetoond aan hand van een verticale analyse voor de balans en voor de resultatenrekening. De tijd bias wordt aangetoond aan de hand van de evolutie van de samenstelling van de economie doorheen de tijd. Dit wordt bovendien ondersteund door vaststellingen uit vorige studies.

9

Hoofdstuk 3

Falingspredictiemodellen Dit onderdeel bespreekt de falingspredictiemodellen die in de studie worden onderzocht. Als eerste komt het lineaire discriminantmodel van Ooghe en Verbaere aan bod, daarna wordt het simpele intu¨ıtieve model toegelicht.

3.1

Lineaire discriminantmodellen Ooghe-Verbaere 1982 (OV 82)

De lineaire discriminantmodellen van Ooghe-Verbaere steunen op het gebruik van empirische en statistische methoden. Dit laat toe om te bepalen welke financi¨ele ratio’s kenmerkend zijn voor verschillen tussen een lopende en een falende onderneming. Hiervoor kan gebruik worden gemaakt van een univariate analyse enerzijds of van een multivariate analyse anderzijds. De univariate analyse beschouwt de ratio’s ´e´en voor ´e´en afzonderlijk. Waarbij de ratio’s in de multivariate analyse simultaan en in samenhang met elkaar gebruikt worden. Als eerst zal worden nagegaan welke ratio’s de grootste discriminerende waarde hebben bij de bepaling van een lopende of falende onderneming. Deze ratio’s worden bekomen door het uitvoeren van een univariate analyse. Deze analyse verschaft tevens ook meer informatie omtrent de structuur van de data, bijvoorbeeld over de normaliteit. Bovendien wordt ook nagegaan of er tussen de variabelen een correlatie bestaat. De correlatie vertelt meer over de interne validiteit van de ratio’s: “wordt gemeten wat gemeten moet worden?”. Ratio’s die sterk met elkaar gecorreleerd zijn meten hetzelfde en verscha↵en dus dezelfde informatie. Verder zorgen te hoge correlaties voor een verhoogde instabiliteit van het model. Sterk gecorreleerde ratio’s moeten in het model vermeden worden (Ooghe en Balcaen, 2007). Uit onderzoek door Deakin (1976), Ta✏er (1977) en Barnes (1987) blijkt dat de meeste van de financi¨ele ratio’s niet normaal verdeeld zijn. Een normale verdeling van de variabelen is een voorwaarde om een lineaire discriminant 10

Hoofdstuk 3. Falingspredictiemodellen analyse uit te voeren. Ooghe en Verbaere (1982) hebben aanpassingen gemaakt aan de ratio’s zodat aan deze voorwaarde voldaan zou zijn. Bovendien geeft Deakin (1976) aan dat financi¨ele ratio’s dichter tegen de normale verdeling aanliggen binnen een sector. Nadat de ratio’s geselecteerd zijn, kan het lineair discriminant model van Ooghe-Verbaere verder worden opgesteld. De waarden van de ratio’s worden vermenigvuldigd met een co¨effici¨ent om zo een gewogen discriminantscore te bekomen. De discriminantscore wordt aan de hand van volgende formule bepaald: D = d0 + d1 R1 + d2 R2 + ... + dm Rm

(3.1)

Met: • D: de discriminantscore • R1 ...Rm : onafhankelijke variabelen/ ratio’s van het discriminantmodel • d1 ...dm : lineaire discriminantco¨effici¨enten • d0 : constante term De discriminantscore is een maatstaf voor de financi¨ele gezondheid van een onderneming en kan een waarde aannemen die tussen - en + ligt. Voor de indeling naar lopende of falende onderneming worden afkapscores berekend. Indien de discriminantscore van een onderneming hoger is dan de afkapscore wordt de onderneming als lopend geclassificeerd. Indien de discriminantscore van de onderneming lager is dan de afkapscore wordt ze als falend geclassificeerd. De ratio’s die worden gebruikt voor de berekening van de discriminantscore zijn terug te vinden in figuren 1 tot 4 in de bijlagen. Er zijn meerdere lineaire discriminant modellen afhankelijk van het aantal jaar voor faling. Zo is er een algemeen model voor ´e´en tot drie jaar voor faling, een model voor ´e´en jaar voor faling, een model voor twee jaar voor faling en een model voor drie jaar voor faling. Elk model heeft zijn eigen niet-gestandaardiseerde co¨effici¨enten. Het teken van de co¨effici¨enten geeft het verband weer tussen de ratio zelf en de financi¨ele gezondheid van de onderneming. Een positief teken wijst op een positieve relatie tussen de waarde van de ratio en de financi¨ele toestand van de onderneming. Een hogere waarde duidt op een sterkere financi¨ele toestand van de onderneming. Een negatief teken voor de co¨effici¨ent wijst op een negatief verband: hoe groter de waarde van de ratio is, hoe slechter de financi¨ele toestand en hoe kleiner de discriminantscore zal zijn. Een hoge discriminantscore wijst veelal op een financieel gezonde onderneming. De selectie van de variabelen voor het Ooghe-Verbaere model gebeurt volgens een aantal criteria waaronder: de populariteit van de ratio in de literatuur, de suggesties van financi¨ele analisten 11

Hoofdstuk 3. Falingspredictiemodellen op basis van praktijkervaring, de praktische toepasbaarheid en de bruikbaarheid van de ratio in andere onderzoeken (Ooghe et al, 2012). Het vooropstellen van criteria tijdens de selectie van de variabelen zorgt voor een gebruiksvriendelijk model. Het model maakt enkel gebruik van publiek beschikbare informatie, dit zijn gegevens die in de jaarrekening terug te vinden zijn. Er wordt aldus enkel gebruik gemaakt van kwantitatieve gegevens. Dit maakt dat statistische analyses kunnen worden gebruikt. Indien alsnog kwalitatieve gegevens in het model wil worden opgenomen, gebeurt dit door andere financi¨ele gegevens uit de jaarrekening te incorporeren (Ooghe et al., 2012). De lineaire modellen maken gebruik van ratio’s die berekend worden op basis van gegevens uit de jaarrekening die ´e´en boekjaar omvatten. Dit reduceert de complexiteit van het model. Tevens zullen er minder problemen optreden voor de trekking van een steekproef. Hier is echter ook een nadeel aan verbonden. De jaarrekening is slechts een momentopname van de onderneming, het kan de dynamische evolutie niet weergeven.

3.2

Simpele intu¨ıtieve modellen 2005 (SIM 05)

Naast het lineair discriminantmodel van Ooghe-Verbaere zijn nog andere falingspredictiemodellen beschikbaar waaronder het SIM 2005. Het SIM 05 model is de afkorting voor “simpeleintu¨ıtieve modellen 2005”. Tijdens de ontwikkeling van het SIM 05 model wordt eerst een schattingssteekproef getrokken die enkel zuiver lopende en zuiver falende ondernemingen bevat. Daarna wordt gewerkt met een lijst van 18 ratio’s die een beeld geven over de liquiditeit, de solvabiliteit, de rendabiliteit of de toegevoegde waarde van de onderneming. De schattingssteekproef wordt gebruikt om 20 modellen met acht ratio’s uit deze lijst van 18 ratio’s te testen. Het resultaat van deze testen is het huidige SIM 05 model. Vervolgens wordt het model gevalideerd met een valideringssteekproef. Deze steekproef bevat naast zuiver lopende en falende ondernemingen ook onzuiver falende en lopende ondernemingen. Het model maakt gebruik van variabelen die informatie verscha↵en over de liquiditeit, de solvabiliteit, de rendabiliteit en de toegevoegde waarde van de onderneming, figuur 3.1 geeft een visuele voorstelling van de samenhang van deze variabelen weer. De ratio’s zijn terug te vinden in figuur 5 in de bijlage. Deze variabelen weerspiegelen de financi¨ele situatie van de onderneming in zijn geheel, ze staan niet los van elkaar. De relatie tussen de rendabiliteit en de liquiditeit wordt later uitgebreider besproken in het onderdeel over de bedrijfseconomische definitie van een falende onderneming. Een tijdelijk onvoldoende liquiditeitspositie betekent 12

Hoofdstuk 3. Falingspredictiemodellen

Figuur 3.1: Basis elementen van de financi¨ele situatie van de onderneming (Ooghe & Van Wymeersch, 2003, deel I, 8)

niet dat de onderneming ook rendabiliteitsproblemen heeft. Het is pas wanneer de onderneming langdurig te maken heeft met liquiditeitsproblemen dat de rendabiliteit van de onderneming in het gedrang komt of al is. Verschillen die optreden tussen de liquiditeit en de rendabiliteit op middellange of korte termijn kunnen een aantal oorzaken hebben. Er worden ook solvabiliteitsratio’s gebruikt, deze vertellen meer over de schuldgraad. Er bestaat een verband tussen de solvabiliteit van de onderneming met zowel de rendabiliteit als met de liquiditeitspositie. Het verband met de rendabiliteit weerspiegelt zich in de financi¨ele hefboom. De hefboom treedt in werking wanneer de onderneming investeringen doorvoert door gebruik te maken van financieringsbronnen waaraan kosten verbonden zijn. Een voorbeeld van dergelijke financieringsbron is het aangaan van schulden. Aan schulden zijn vaste interestkosten, deze kosten zijn onafhankelijk van het bedrijfsresultaat van de onderneming. Dit wil zeggen dat de onderneming ongeacht of ze nu winst of verlies maakt, haar interesten zal moeten betalen. Het hefboome↵ect van deze financieringsbronnen kunnen een positief e↵ect hebben op de rendabiliteitsratio’s. Dit zal het geval zijn zolang de rendabiliteit van de investering groter is dan de financieringskost van de investering. Wanneer dit niet langer het geval is, zullen bijkomende leningen een negatief e↵ect hebben op de rendabiliteitsratio’s. Dit impliceert dat een optimale schuldgraad kan worden vastgesteld voor ondernemingen. Er is ook een verband tussen de solvabiliteit en de liquiditeit. Indien de onderneming meer met schulden financiert dan met eigen vermogen, de schuldgraad stijgt, dan worden ook verplichtingen zoals interestbetaling en kapitaalaflossing steeds groter. Om te voldoen aan deze verplichtingen moeten voldoende kasmiddelen ter beschikking zijn. Het risico op wanbetaling stijgt wanneer het aandeel van de schulden in het totaal vermogen stijgt. Als laatste wordt ook een ratio voor toegevoegde waarde 13

Hoofdstuk 3. Falingspredictiemodellen in het model opgenomen. De toegevoegde waarde vertelt meer over de productiviteit van de bedrijfsactiviteiten. De discriminantscore van het SIM 05 model wordt als volgt berekend(Ooghe en Spaenjers, 2005): LogitR =

1 (1 + e

R)

(3.2)

met: • LogitR: logitwaarde van R • R:decimale ratiowaarde Om tot de totaalscore te komen moet het ongewogen gemiddelde van de logitwaarde worden berekend: S=

Pn

i=1 logitRi

n

(3.3)

Met: • S: SIM-score tussen 0 en 1 • logitR: logitwaarde van R tussen 0 en 1 • R: decimale ratiowaarde • n: aantal opgenomen ratio’s Het SIM 05 model verschilt van het statistisch OV 82 model omdat ze geen gebruik maakt van schattingsco¨effici¨enten (Ooghe H. en Spaenjers C., 2005). De ratio’s in het SIM 05 model zijn, in tegenstelling tot de ratio’s in het OV 82 model, niet het resultaat van louter statistische analyses. Het SIM 05 model komt tot stand als reactie op statistische modellen. De kritiek is dat onderzoekers zelden variabelen selecteren op basis van financi¨ele expertise. De ratio’s in het SIM 05 model worden daarom gekozen op basis van financi¨ele expertise en ervaring. Een tweede probleem waar het SIM 05 model niet mee kampt, is dat van het gebruik van co¨effici¨enten. Een studie van Ooghe en Balcaen (2007) toont aan dat herschattingen van de co¨effici¨enten significante verschillen en verschuivingen vertonen ten opzichte van de tijdsperiode waarvoor ze worden gebruikt. Dit is de tijdsbias waarover eerder werd gesproken. Ondanks deze verschillen tussen het SIM 05 model en het OV 82 model is er geen sluitend bewijs dat het ene model significant beter presteert dan het ander.

14

Hoofdstuk 4

Opbouw empirisch onderzoek Dit deel bespreekt verschillende definities voor een falende onderneming en welke definitie voor dit onderzoek wordt gebruikt. Hierbij wordt een afweging gemaakt tussen de voor- en nadelen. Vervolgens wordt besproken hoe de prestatiemaatstaven voor dit onderzoek worden opgesteld.

4.1 4.1.1

Defini¨ eren van falende ondernemingen Bedrijfseconomische definitie

Een falende onderneming wordt vaak als volgt omschreven: “een onderneming die er niet in slaagt haar (economische en sociale) doelstellingen op continue wijze te realiseren.” (Ooghe et al, 2012). Bovendien wordt het volgende vooropgesteld: “Essenti¨ele financi¨ele voorwaarden voor het voortbestaan en dus de realisatie van de doelstellingen zijn een minimale rendabiliteit en een voldoende liquiditeit.”(Ooghe et al, 2012). Hierbij wordt gebruik gemaakt van beide criteria (liquiditeit en rendabiliteit) om een onderneming in vier categorie¨en in te delen namelijk: gezond, tijdelijk ziek, chronisch ziek en stervend. Ondernemingen die chronisch ziek zijn, hebben een gunstige liquiditeit maar de rendabiliteit volstaat niet. Rendabiliteitsproblemen komen vaak voor wanneer de afzetmarkt onvoldoende is of wanneer de kostenstructuur te hoog is. Ondernemingen die vaak te maken hebben met deze problemen zijn oudere of jongere ondernemingen. Indien deze rendabiliteitsproblemen van blijvende aard zijn moet de onderneming beroep doen op haar eigen vermogen, dit door ofwel verliezen over te dragen of gebruik te maken van aangelegde reserves. Liquiditeitsproblemen treden op wanneer kasopbrengsten niet meer voldoende zijn om de kaskosten te dragen. Er doen zich ook liquiditeitsproblemen voor wanneer de onderneming investeringen of financi¨ele aflossingen moet afbetalen.

Zolang een chronisch zieke onderneming enkel te maken heeft 15

Hoofdstuk 4. Opbouw empirisch onderzoek met rendabiliteitsproblemen kan een faling nog worden voorkomen door het uitvoeren van een reorganisatie. Voor oudere ondernemingen echter is deze reorganisatie geen vanzelfsprekendheid aangezien er vaak onvoldoende flexibiliteit is om deze succesvol door te voeren. De tijdelijk zieke onderneming is een volgende categorie. Deze ondernemingen hebben te maken met liquiditeitsprobleme. Dit komt vaak voor bij ondernemingen die te snel groeien of die over investeren. De rendabiliteit is nog voldoende. Liquiditeitsproblemen ontstaan wanneer de interne cashflow van een snel groeiende onderneming niet voldoende is om de investeringen in materi¨ele vaste activa en in bedrijfskapitaalbehoefte te financieren. Alsook omdat hun eigen vermogen nog te klein is, heeft de onderneming moeite om externe financiering te bekomen. Dit is echter een nefast gebeuren wanneer de onderneming geen hoofd kan bieden aan de liquiditeitsproblemen, geen nieuwe kapitaalinbreng kan verkrijgen of niet voor een selectieve groei kiest. Rendabiliteitsratio’s van een onderneming geven weer wat de relatie is tussen het financi¨ele resultaat van de onderneming en de activa. Met andere woorden hoe effici¨ent zijn de investeringen die het management maakt? Liquiditeitsratio’s geven een indicatie of de onderneming in staat is om te voldoen aan haar korte termijn betalingsverplichtingen met behulp van haar kasmiddelen. Liquiditeit en rendabiliteit staan niet alleen in verband met elkaar maar met ook met de solvabiliteit. Solvabiliteit is een maatstaf om na te gaan of de onderneming in staat is aan haar interest- en aflossingsverplichtingen te voldoen. Een verandering in de schuldgraad van een onderneming zal door het financieel hefboome↵ect een invloed hebben op de rendabiliteit (Ooghe et al., 2012). In Figuur 4.1 is het falingspad visueel voorgesteld.

Het gebruik van een bedrijfseconomische definitie voor faling, die ondernemingen in vier categorie¨en onderverdeeld, zal niet worden gebruikt tijdens deze studie. Deze definitie zorgt niet alleen voor een witte (lopende ondernemingen) en zwarte (falende ondernemingen) zone maar ook voor een grijze zone. Tijdelijk zieke ondernemingen en chronisch zieke ondernemingen behoren dan tot deze grijze zone. Dit is het falingspad zoals het door Ooghe et al. (2012) wordt beschreven. Er zijn in de literatuur nog andere falingspaden uitgewerkt. Zo is er nog het falingspad volgens Argenti (1976) en het falingspad volgens Laitinen (1991)1 . Het spreekt voor zich dat de indeling beschreven door Ooghe et al. (2012) moeilijk te concretiseren zal zijn voor dit onderzoek, aangezien er geen duidelijke grens is tussen de vier categorie¨en. Daarom zal van de juridische definitie gebruik worden gemaakt. 1

hiervoor verwijzen we naar paper: Argenti, J., ‘Corporate Collapse: The Causes and Symptoms. London:

McGraw-Hill.’, 1976. En Laitinen, E. K., ‘Financial Ratios and Di↵erent Failure Processes.’, Journal of Business Finance and Accounting, 1991, 18(5), pp. 649-673.

16

Hoofdstuk 4. Opbouw empirisch onderzoek

Figuur 4.1: samenhang van de economische factoren die leiden tot financi¨ele discontinu¨ıteit (“falingspad”) (Ooghe et al., 2012)

4.1.2

Juridische definitie

In de periode voor 2009 was de wet gerechtelijk akkoord van toepassing. Het doel van de faillissementswetgeving was om ondernemingen die hun schulden niet meer kunnen betalen op een effici¨ente wijze te verwijderen uit de economie. In 2009 werd de wet gerechtelijk akkoord vervangen door de wet continu¨ıteit van de onderneming (hierna WCO). Het doel ervan verschilt van de wet gerechtelijk akkoord. De WCO heeft als doel om ondernemingen in moeilijkheden tijdig op te sporen en zo een eventueel faillissement te vermijden. De twee wetten vertonen op zich geen drastische verschillen. De d´epistage van de WCO houdt in dat de kamer voor handelsonderzoek op eigen initiatief onderzoek kan doen naar de situatie en toekomstperspectieven van de onderneming wanneer de continu¨ıteit van de onderneming bedreigt lijkt te zijn. Het onderzoek kan drie mogelijke uitkomsten hebben: 1) er blijkt geen bedreiging van de continu¨ıteit te zijn; 2) de continu¨ıteit van de onderneming is bedreigt; 3) de discontinu¨ıteit van de onderneming.

17

Hoofdstuk 4. Opbouw empirisch onderzoek De WCO zorgt ervoor dat wanneer de continu¨ıteit wordt bedreigd, de onderneming een gerechtelijke reorganisatie kan aanvragen. Deze reorganisatie kan verschillende vormen aannemen: een minnelijk akkoord, een collectief akkoord of een overdracht onder gerechtelijk gezag. Een gerechtelijke reorganisatie kan worden aangevraagd op voorwaarde dat er sprake is van onmiddellijke of toekomstige continu¨ıteitsbedreiging voor de onderneming. Dit is zichtbaar wanneer het netto-actief is gedaald tot een niveau dat lager is dan de helft van het maatschappelijk kapitaal. Deze reorganisatieprocedure kan steeds worden geopend zonder enige beoordeling over de herstelkansen van de onderneming. Dit is waar de WCO verschilt van de wet gerechtelijk akkoord, waar dit niet het geval was. Enkel indien tijdens de reorganisatieprocedure wordt vastgesteld dat er geen kans meer is op herstel, kan dit leiden tot een vervroegde be¨eindiging van de procedure. Naast de aanvraag tot een gerechtelijke reorganisatie zijn er nog ander mogelijkheden waarop een onderneming beroep kan doen. Ingeval van discontinu¨ıteit is de onderneming niet meer in staat om haar schulden te betalen en kan ze verder geen bijkomend krediet meer verkrijgen. Er is sprake van een duurzame staking van betaling en geschokt krediet. Het geschokt krediet zorgt ervoor dat de staking van betaling een duurzaam karakter krijgt. Ingeval van discontinu¨ıteit zijn er drie mogelijkheden voor de onderneming: faillietverklaring van de handelaar, een gerechtelijke ontbinding en een procedure van overdracht van de onderneming onder gerechtelijk gezag. Een centraal concept in de WCO is de portaalbenadering. Men poogt om ondernemingen het zo eenvoudig mogelijk te maken om een reorganisatieplan aan te vragen. Hierbij probeert men te verhinderen dat een laattijdige aanvraag de herstelkansen in het gedrang zou brengen. Dit komt tot uiting in de toegangsvoorwaarden tot een reorganisatieplan. De onderneming kan een verzoekschrift indienen bij de rechtbank waarin uiteengezet wordt waarom er onmiddellijke of toekomstige continu¨ıteitsbedreigingen zijn voor de onderneming. De WCO bevat nog steeds een definitie voor een falende onderneming. Art. 2 van de faillissementswet bepaalt dat: ”de koopman die op duurzame wijze heeft opgehouden te betalen en wiens krediet geschokt is, zich in staat van faillissement bevindt”. Het ophouden van betalen blijkt meestal uit herhaalde verstekprocedures, herhaalde vorderingen in wanprestaties en dergelijke. Geschokt krediet houdt in dat kredietverleners ophouden met het toekennen van krediet of leveranciers contante betaling eisen. Men kan verder geen beroep meer doen op re¨eel krediet. Indien men geen beroep meer kan doen op re¨eel krediet spreekt met over een fictief krediet. Dit is een krediet waarvoor woekerinteresten worden gevraagd. Net zoals de bedrijfseconomische definitie heeft het gebruik van de juridische definitie enkele vooren nadelen. Tijdens deze studie zal worden gewerkt met de juridische definitie voor een falende 18

Hoofdstuk 4. Opbouw empirisch onderzoek onderneming. Deze laat toe om het moment van falen op een objectieve wijze vast te stellen. Bovendien wordt deze definitie ook in de modellen, die zullen worden getest, toegepast. Deze definitie wordt ook in de literatuur het vaakst gebruikt. Het nadeel van deze definitie is echter dat ze afhankelijk is van de wetgeving die van toepassing is op de onderneming. Ze houdt verder geen rekening met het feit dat er een periode is tussen het werkelijke faillissement en het moment waarop financi¨ele moeilijkheden optreden. Ondanks deze beperkingen zal de juridische definitie worden gebruikt. Dit vanuit praktische overwegingen. Ze kan op objectieve wijze het moment van falen vaststellen. Omdat art. 2. voorschrijft dat er sprake moet zijn van duurzame staking van betaling, heeft dit tot gevolg dat ondernemingen die tijdelijke of toevallige moeilijkheden ondervinden niet in de steekproef zullen worden opgenomen.

4.2

Prestatiemaatstaven voor falingspredictiemodellen

De goodness of fit, dit is de betrouwbaarheid van het model om ondernemingen als lopend of falend te classificeren, zal worden nagegaan aan de hand van twee maatstaven. Deze zijn de classificatieregel en het ongelijkheidsprincipe. Er zijn nog andere methoden om de performantie van het model na te gaan zoals R2 type maatstaven2 . Deze thesis beperkt zich tot de twee vernoemde methoden.

4.2.1

Classificatieregel: type-I en type-II fout

Falingspredictiemodellen maken gebruik van afkapscores om te bepalen of een onderneming lopend of falend is. Indien de berekende score van een model groter is dan de afkapgrens wordt de onderneming als lopend geclassificeerd, en falend als de score kleiner is dan de afkapgrens. Zoals eerder vermeld zijn de co¨effici¨enten van de modellen zo opgesteld dat er een positief verband is tussen de financi¨ele toestand van de onderneming en de scores. Dus hoe hoger de score, hoe beter de financi¨ele gezondheid van de onderneming is. Bij de indeling van een onderneming kunnen er twee soorten misclassificaties optreden, type-I en type-II fouten. Een type-I fout treedt op wanneer een onderneming door het model als lopend wordt geclassificeerd maar in werkelijkheid eigenlijk falend is. Een typ-II fout daarentegen is wanneer een lopende onderneming onterecht als falend wordt geclassificeerd. Het maken van een fout van eender welk type draagt kosten en risico met zich mee. Een type-I fout draagt een kredietrisico met zich mee. Het kredietrisico komt voort uit het feit dat een kredietverscha↵er 2

Voor meer informatie over R2-type maatstaven wordt verwezen naar Joos Ph., Ooghe H. en Sierens N. (1998).

19

Hoofdstuk 4. Opbouw empirisch onderzoek Tabel 4.1: Soorten foutenpercentages (Ooghe et al., 2012)

Werkelijke toestand classificatie

Lopend

falend

Lopend

Juist n11

Type-I fout n12

Falend

Type-II fout n21

Juist n22

Totaal

n11 + n21

n12 + n22 n12 n12+n22

Foutenpercentage falend (type-I)

n21 n11 +n21

Foutenpercentage lopend (type-II)

-

een onderneming onterecht als lopend ziet. De kans op wanbetaling wordt dus te laag ingeschat. De kost van het maken van een type I-kredietrisicofout is gelijk aan de kost die verbonden is aan kredietverlening (vb. rentekost, het bedrag van niet terugbetaling van kapitaal,. . . ). Een type-II fout draagt een commercieel risico met zich mee. Ook hier zijn kosten verbonden aan een misclassificatie, een opportuniteitskost. Dit is het risico dat een transactie niet doorgaat doordat de onderneming onterecht als falend wordt beschouwd. De afkapgrens wordt bepaald in functie van het maken van een type-I of type-II fout. Hierbij wordt een afweging gemaakt tussen de kosten van een foutentype. Indien aan een type-I fout de meeste kosten verbonden zijn zal geprobeerd worden om de kans te reduceren voor het maken van een type-I fout. Bovendien moet rekening worden gehouden met het feit dat als de kans op een type-I fout gereduceerd moet worden, de kans op een type-II fout zal toenemen. De keuze wordt meestal gemaakt op basis van een kostenperspectief. Hierbij wordt de kostenfunctie geminimaliseerd (Koh, 1992). verwachtekost = ⇧f al Ctype

I type

I + ⇧lop Ctype

II type

II

(4.1)

met: • ⇧f al , ⇧lop : populatie falende, lopende kredietnemers • Ctype • type

I , Ctype II :kost

I, type

van type-I fout en van type-II fout

II: misclassificatiepercentages t.g.v. type-I en type-II fout

In de modellen wordt de optimale afkapgrens berekend waarbij het ongewogen gemiddelde van beide type fouten minimaal is (Ooghe et al., 2012). De betrouwbaarheid van een falingspredictiemodel stijgt wanneer het foutenpercentage daalt. Zowel voor de lineaire modellen OV als de 20

Hoofdstuk 4. Opbouw empirisch onderzoek SIM 05 modellen kunnen ook twee afkapgrenzen worden gebruikt. De bovengrens staat hierbij in functie van het type-I kredietrisico en de ondergrens in functie van het type-II commercieel risico. Deze grenzen worden berekend in percentielen die verdeeld zijn over een afstand van 5%. Indien de discriminantscore zich tussen beide grenzen bevindt spreekt met over de grijze zone. De classificatie is onbepaald, hierbij is verder onderzoek vereist of kan de kredietverscha↵er bijkomende maatregelen nemen zoals het vastleggen van een waarborg (Joos, Ooghe en Sierens, 1998).

4.2.2

Ongelijkheidsprincipe: Gini-co¨ effici¨ ent

Een grafische weergave van de performantie van een falingspredictiemodel gebeurt op basis van een trade-o↵ grafiek. Deze grafiek is een weergave van de cumulatieve waarschijnlijkheidsfunctie voor lopende en falende ondernemingen en hun bijhorende modelscore. Elk punt op de grafiek stemt overeen met het optimale afkappunt dat hoort bij een combinatie van een type-I en type-II fout en dit voor een bepaalde populatieproportie. Hoe dichter de trade-o↵ grafiek bij de x- en y-as gesitueerd is hoe accurater het model (Steele, 1995). Voor een perfect model zou gelden dat er noch type-I fouten noch type-II fouten worden gemaakt. De kans op zowel een type-I als type-II fout in een perfect model is steeds nul voor elke waarde. Voor het andere uiterste, het slechtste model, is de trade-o↵ functie een lineair dalende rechte (figuur 4.2). Het model kan geen onderscheidt maken tussen lopende of falende ondernemingen (Joos, Ooghe en Sierens 1998).

Dit wordt wiskundig weergegeven door de GINI-co¨effici¨ent. Deze co¨effici¨ent meet de mate van ongelijkmatige spreiding. Ze kan aldus worden gebruikt als prestatiemaatstaf voor een falingspredictiemodel. Wiskundige formule voor GINI-co¨effici¨ent (Joos, Ooghe en Sierens, 1998): GIN I =

xmax ymax 2

Pn

i=1 (xi xmax ymax 2

xi

1)

yi

1 +yi

2

=1

n X

(xi

xi

1 )(yi 1

+ yi )

(4.2)

i=1

met: • xi , yi : type-I fout en type-II fout bij afkapgrens i • xmax , ymax :maximaal type-I fout en type-II fout, i.e. elk 100% De GINI-co¨effici¨ent kan een waarde aannemen die tussen nul en ´e´en ligt. Deze waarde is gelijk aan de oppervlakte tussen de lineair dalende rechte en de trade-o↵ grafiek. Hoe groter de waarde

21

Hoofdstuk 4. Opbouw empirisch onderzoek

Figuur 4.2: Beste, slechtste en geschatte trade-o↵-functie van een falingspredictiemodel

van de GINI-co¨effici¨ent, hoe dichter de trade-o↵ functie bij de assen ligt, en dus hoe performanter het model. In dit hoofdstuk wordt besloten dat de juridische definitief voor een falende onderneming zal worden toegepast. De prestatiemaatstaven, die worden gebruikt om de modellen te evalueren, zijn de classificatieregel en het ongelijkheidsprincipe.

22

Empirisch onderzoek

23

Hoofdstuk 5

Populatie en steekproef van falende en lopende ondernemingen Dit hoofdstuk bespreekt de data verzameling. De populatie wordt gedefini¨eerd en de methode van de steekproeftrekking komt aan bod. De behandeling van ontbrekende gegevens en outliers worden tevens besproken.

5.1

Populatie van ondernemingen

Het doel van deze masterproef is om na te gaan of de OV 82 modellen en het SIM 05 model performanter is wanneer ze is opgesteld op basis van een steekproef die bestaat uit enkel dienstenondernemingen. Hiervoor wordt gebruik gemaakt van gepubliceerde Belgische jaarrekeningen uit de periode 2008-2013. Het empirisch onderzoek bevat data afkomstig van het Bureau Van Dijk. De populatie van ondernemingen voor dit onderzoek omvat enkel dienstenondernemingen die aan de Belgische wetgeving onderworpen zijn. Dienstenondernemingen worden opgevraagd op basis van de primaire NACE-bel code van de onderneming. In tabel 5 in bijlage wordt een overzicht gegeven van de gebruikte codes. Rechtsvormen zoals buitenlandse vennootschappen, vennootschappen zonder winstoogmerk en (Europese) economische samenwerkingsverbanden worden niet in de steekproef opgenomen. Een vennootschap zonder winstoogmerk heeft niet als voornaamste doel het nastreven van de economische rendabiliteit. Dienstenondernemingen uit de financi¨ele- en verzekeringssector alsook openbare instellingen worden niet opgenomen. Dit zou tot misclassificaties kunnen leiden indien deze in de steekproef worden opgenomen (De Vos, Joos en Ooghe, 1993). Aangezien openbare

24

Hoofdstuk 5. Populatie en steekproef van falende en lopende ondernemingen instellingen zelden failliiet gaan. Een samenvatting van de rechtsvormen die overblijven is terug te vinden in tabel 6 in bijlage. Voor het OV 82 model worden enkel jaarrekeningen opgevraagd die werden neergelegd volgens het volledig schema. Belgische ondernemingen, die meer dan 100 werknemers gemiddeld per jaar tewerkstellen, zijn verplicht om een jaarrekening volgens het volledig schema neer te leggen bij de Nationale Bank van Belgi¨e. Maar ook wanneer ze meer dan twee van volgende voorwaarden overschrijden: gemiddeld personeelsbestand van 50 werknemers, jaaromzet exclusief BTW van 7.300.000 EURO of balanstotaal van 3.650.000 EURO. Indien de onderneming niet aan deze grenzen voldoet mag ze een jaarrekening neerleggen volgens het verkort schema.

5.2

Defini¨ eren steekproeven

De totale populatie van ondernemingen bevat jaarrekeningen volgens het volledig en verkort schema. Voor het OV 82 model zal enkel gewerkt worden met het volledige schema, het SIM 05 model maakt gebruik van beiden. Voor het OV 82 model zal een schattings- en valideringssteekproef worden getrokken uit de populatie. Deze schattingssteekproef zal worden gebruikt om nieuwe niet-gestandaardiseerde co¨effici¨enten te bepalen. Hierbij omvat de schattingssteekproef enkel zuiver lopende en falende ondernemingen. De valideringssteekproef bevat ook onzuiver lopende en falende ondernemingen. De opzet hiervan is om de validering uit te voeren met een steekproef die een weerspiegeling is van de werkelijkheid. Alle falende ondernemingen zullen at random in een schattings- en valideringssteekproef worden ingedeeld. Voor de lopende ondernemingen wordt de populatie tot ´e´en derde gereduceerd (Ooghe, Spaenjers en Vandermoere, 2005). Voor het SIM 05 model wordt enkel een valideringssteekproef getrokken. Op basis van het selectiecriterium, rechtstoestand, in Belfirst worden de (on)zuiver lopende en falende ondernemingen afzonderlijk opgevraagd. Een zuiver falende onderneming bevindt zich in een van volgende rechtstoestanden: faillissement, sluiting van faillissement of gerechtelijk akkoord na faillissement. Onzuiver falende ondernemingen kunnen zich in volgende rechtstoestand bevinden: opschorting of gerechtelijk akkoord voor faillissement. Een onzuiver falende onderneming bevindt zich in een situatie waar herstel tot een normale situatie mogelijk is. In het oorspronkelijk model werd een onderneming met als rechtstoestand gerechtelijk akkoord tot de categorie zuiver falende ondernemingen onderverdeeld. In dit onderzoek zal de rechtstoestand gerechtelijk akkoord voor faillissement als onzuiver falende onderneming worden geclassificeerd. De reden hiervoor is de wet continu¨ıteit van ondernemingen. De invoering van de 25

Hoofdstuk 5. Populatie en steekproef van falende en lopende ondernemingen WCO in 2009 heeft tot gevolg dat een gerechtelijk akkoord niet meer per direct het faillissement tot gevolg heeft, alsook de opschorting heeft niet direct het faillissement als gevolg. Gezien de steekproef de periode 2008-2013 omvat is er een beperking verbonden met deze regel. De wet continu¨ıteit voor ondernemingen is pas in 2009 van werking getreden. Jaarrekeningen van falende ondernemingen die het gerechtelijk akkoord hebben aangevraagd voor 2009 worden dus onterecht als onzuiver falende ondernemingen ingedeeld. Een zuiver lopende onderneming heeft als rechtstoestand in Belfirst “normale toestand”. De onzuiver lopende ondernemingen hebben als rechtstoestand: stopzetting van de activiteit, ontbinding/vere↵ening en fusie of splitsing. Voor beide modellen wordt de valideringssteekproef gebruikt om de performantie na te gaan voor de originele afkapscores. Daarna worden ook nieuwe optimale afkapscores bepaald, waarbij de Gini-co¨effici¨ent zal worden berekend en trade-o↵ grafiek wordt getekend. Vervolgens worden ook percentieltabellen opgesteld. Omdat het OV 82 model gebruik maakt van nietgestandaardiseerde co¨effici¨enten zal aan de aan de hand van de schattingssteekproef nieuwe co¨effici¨enten worden bepaald. Deze zullen gebruikt worden om voor de valideringssteekproef opnieuw optimale afkapscores, Gini-co¨effici¨ent, trade-o↵ grafiek en percentieltabellen op te stellen. Dit laat toe om na te gaan of de performantie van het model erop vooruitgaat wanneer nieuwe co¨effici¨enten worden berekend en zo de industrie bias van het origineel model uit te schakelen.

5.3

Verwerking data

De modellen maken gebruik van de jaarrekeningen ´e´en, twee en drie jaar v´o´or faling. De afsluitingsdatum van het boekjaar is niet voor alle ondernemingen op 31 december. Daardoor wordt de jaarrekening ´e´en, twee en drie jaar v´o´or faling respectievelijk als volgt gedefinieerd (Ooghe, Spaenjers en Vandermoere, 2005): ”Jaarrekening ´e´en jaar v´ o´ or falen: jaarrekening waarvan de afsluitingsdatum van het boekjaar binnen de periode valt [datum van faillissement, datum van faillissement 365 dagen]” ”Jaarrekening twee jaar v´ o´ or falen: jaarrekening waarvan de afsluitingsdatum van het boekjaar binnen de periode valt [datum van faillissement (365 dagen), datum van failissement (2 * 365 dagen)]” ”Jaarrekening drie jaar v´ o´ or falen: jaarrekening waarvan de afsluitingsdatum van het boekjaar binnen de periode valt [datum van faillissement (2 * 365 dagen), datum van faillissement (3 * 365 dagen)]” Bovendien worden ondernemingen enkel tot de steekproef toegelaten wanneer die voor de drie opeenvolgende jaren een jaarrekening hebben neergelegd. De populatie met lopende onderne-

26

Hoofdstuk 5. Populatie en steekproef van falende en lopende ondernemingen mingen werd tot ´e´en derde gereduceerd, waarna opnieuw at random twee steekproeven worden getrokken voor een schattings- en valideringssteekproef. Voor ontbrekende waarden in de data, werd vooropgesteld dat het totaal van de activa geen ontbrekende waarde mag zijn. Indien dit wel het geval is, wordt de onderneming uit de steekproef verwijderd. Tijdens de behandeling van ontbrekende waarden had een aantal posten voor meer dan 80%van de ondernemingen een ontbrekende waarde. Dit was onder andere het geval voor “vervallen belastingschulden” en “vervallen schulden ten aanzien van de rijksdienst voor sociale zekerheid”. Een mogelijke verklaring hiervoor is dat ondernemingen zicht steeds meer bewust worden van de invloed van dergelijke schulden. Ze zijn zich ervan bewust dat kredietverscha↵ers van dergelijke predictiemodellen gebruik maken. Bovendien was het uitstellen van het betalen van belastingen in die tijd een goedkope financieringsbron. De kosten van een boete voor laattijdige betaling woog niet op tegen de hoge rente die van toepassing was op het kaskrediet. In figuur 5.1 is te zien dat de kortetermijnrente, zowel nominaal als re¨eel, hoger was dan wat nu het geval is. Voor deze steekproef uit 2008-2013 is een veel lagere rente van toepassing. Het groot aantal ontbrekende waarden voor deze post is dus geen reden om de onderneming uit de steekproef te houden. Aan de activa zijde van de balans had ook de post “vorderingen op meer dan ´e´en jaar” en “voorraden” vaak een ontbrekende waarde. Een verklaring hiervoor is te vinden in de aard van de onderneming. Dienstenondernemingen hebben zoals eerder vermeld minder voorraden nodig dan een klassieke productieonderneming. De aard van de voorraden is bovendien ook verschillend. Als voorraad hebben ze bijvoorbeeld papier, inkt,.. Deze worden vaak direct als kost opgenomen in de resultatenrekening in plaats van ze in de balans op te nemen en die dan geleidelijk aan in kost op te nemen. Als laatste werd voor de rekening “afschrijving van kosten bij uitgifte van leningen en van

Figuur 5.1: Evolutie van de rentetarieven (NBB, 2011)

27

Hoofdstuk 5. Populatie en steekproef van falende en lopende ondernemingen disagio” vaak geen waarden terug gevonden. Ook hiervoor is een logische verklaring te vinden. Hiervoor moet de onderneming eerst en vooral zelf een lening uitgeven, wat niet vaak voorkomt. Bovendien moet ze er dan nog voor kiezen om de kosten ervan op te nemen in de balans om die dan jaarlijks af te schrijven. Outliers werden uit de steekproef gehaald wanneer die meer dan drie maal de standaardafwijking van het rekenkundig gemiddelde verwijderd zijn. Dit is een methode dat door veel studies wordt toegepast, alsook voor het Ooghe-Joos De Vos model (1991). De uiteindelijke omvang van de steekproeven wordt in tabe 7 in bijlage samengevat.

5.4

Kenmerken van de steekproeven

Voor de modellen worden besproken worden eerst een aantal vaststellingen gemaakt omtrent de kenmerken van de lopende en falende ondernemingen uit de steekproeven. De valideringssteekproeven en schattingssteekproef bestaan uit twee groepen (steekproeven) die onafhankelijk van elkaar zijn. Voor dit onderzoek wordt nagegaan of verschillen kunnen worden vastgesteld tussen deze twee groepen, lopende en falende ondernemingen. Voor de OV modellen werd nagegaan of er significante verschillen zijn voor volgende variabelen: de ratio’s, de leeftijd en de discriminantscore. Voor het SIM model werd nagegaan of er verschillen zijn in leeftijd en logit waarde van R. Er werd gekozen om met de logitwaarde R te werken in plaats van met de ratiowaarde. Deze beslissing werd genomen omdat de logitwaarde R voor de eerste en derde ratio afhankelijk waren van de waarde van de noemer. Indien de noemer van deze ratio’s kleiner of gelijk aan nul is, wordt de logitwaarde R bepaald door de waarde van de teller. De logitwaarde R is ´e´en als de teller groter is dan nul; logit R is 0,5, indien de teller gelijk is aan nul; logit R is nul, indien de teller negatief is. Om nu na te gaan of er significante verschillen zijn voor de ratio’s tussen lopende en falende ondernemingen wordt gebruik gemaakt van een “t-test for equal means”, waarbij eerst de significantie van de Levene’s test wordt gecontroleerd. Het resultaat hiervan is samengevat in tabel 8 en 9 in bijlage. Uit deze analyse bleek dat op het 5%significantieniveau een significant verschil was in leeftijd tussen lopende en falende ondernemingen. Lopende ondernemingen zijn gemiddeld ouder dan falende ondernemingen. Voor de ratio’s die voorraden of die liquide middelen bevatten zijn geen significante verschillen waarneembaar tussen lopende en falende ondernemingen. Ratio’s die vervallen belastingschulden bevatten blijken voor de meeste modellen wel significante verschillen te vertonen. Alsook reserves en overgedragen winst of verlies vertonen significante verschillen. De populatie voor de steekproef wordt in dit hoofdstuk gedefini¨eerd alsook hoe (on)zuivere lopende en falende ondernemingen ingedeeld worden. De resultaten van enkele statistische 28

Hoofdstuk 5. Populatie en steekproef van falende en lopende ondernemingen testen geven aan dat de lopende ondernemingen uit de steekproef significant ouder zijn op een 5%significantieniveau dan falende ondernemingen. Het OV 82 en SIM 05 model bevat een aantal ratio’s die niet significant verschillen voor lopende en falende ondernemingen.

29

Hoofdstuk 6

Prestatieresultaten van de falingspredictiemodellen Tijdens de literatuurstudie werden de prestatiemaatstaven besproken die gebruikt zullen worden voor de steekproeven met dienstenondernemingen. In wat nu besproken zal worden, komt het volgende aan bod. Als eerste komt de classificatieregel aan bod. Er werden nieuwe foutenpercentages bepaald op basis van de originele afkapscores voor elk model. Daarna worden voor de steekproeven nieuwe optimale afkapscores berekend. Alsook de Ginico¨effici¨enten en de bijhorende trade-o↵ grafieken. Vervolgens komen de percentieltabellen aan bod. Als laatste wordt voor het OV 82 model twee nieuwe modellen opgemaakt. Het eerst model berekent nieuwe niet-gestandaardiseerde co¨effici¨enten voor alle ratio’s. Het tweede model voegt de ratio’s stepwise aan het model toe en berekent enkel voor de ratio’s met de hoogste verklaringskracht nieuwe niet-gestandaardiseerde co¨effici¨enten. Hierbij worden tevens ook bovengenoemde prestatiemaatstaven besproken.

6.1

Resultaten op basis van de originele afkapscores

Het resultaat van de originele afkapscores toegepast op een steekproef met enkel dienstenondernemingen is samengevat in tabel 6.1. In de laatste kolom van deze tabel wordt het ongewogen gemiddelde foutenpercentage gegeven van de originele valideringssteekproeven. Uit deze tabel kan worden opgemaakt dat de OV modellen een kleiner ongewogen gemiddeld foutenpercentage hebben voor de modellen ´e´en jaar voor faling. Het model maakt minder fouten wanneer de datum van faillissement dichter bij komt. Dit is in lijn met onze verwachtingen, het moet 30

Hoofdstuk 6. Prestatieresultaten van de falingspredictiemodellen namelijk duidelijker zijn wanneer een onderneming falend is wanneer het faillissement dichterbij komt. Wat opvalt voor het SIM model is dat het model betere voorspellingen maakt wanneer dit wordt gedaan voor drie jaar voor faling. Dit is tegen de verwachtingen in. Hoe dichter een onderneming het faillissement nadert hoe accurater de voorspelling zou moeten zijn (Ooghe et al., 2005). Een vergelijking tussen de ongewogen gemiddelde foutenpercentages van beide modellen toont aan dat het OV 82 model performanter is dan het SIM model, lagere ongewogen gemiddelde foutenpercentages. De ongewogen gemiddelde foutenpercentages liggen ook hoger dan deze van de originele steekproef. Dit geeft aan dat het model minder performant is wanneer het wordt toegepast voor dienstenondernemingen. Tabel 6.1: Classificatieresultaten originele afkapscores

optimale

Type-II

Type-I

Ongewogen

afkapscore

fout%

fout%

gemiddelde

Originele OGF

foutenpercentage (OGF) Valideringssteekproeven ’85-’89 Algemeen lineair OV 82

0.1304

18.15%

60.76%

39.45%

24.10%

Lineair 1 JVF OV 82

3.1492

22.69%

52.70%

37.70%

17.60%

Lineair 2 JVF OV 82

0.1663

26.58%

54.05%

40.32%

25.30%

Lineair 3 JVF OV 82

0.3355

24.34%

57.33%

40.84%

29.60%

1 JVF SIM 05

0.5326

4.68%

87.59%

46.14%

23.80%

3 JVF SIM 05

0.55

6.28%

85.06%

45.67%

32.80%

Valideringssteekproef ’90-’99

6.2

Resultaten op basis van nieuwe optimale afkapscores

Voor de steekproeven werden nieuwe optimale afkapscores , die het ongewogen gemiddelde foutenpercentage minimaliseert, berekend. Om tot de Gini-co¨effici¨ent te komen werd voor elke afkapscore het bijhorende type-I en type-II foutenpercentage bepaald. Het resultaat wordt weergegeven in tabel 6.2.

31

Hoofdstuk 6. Prestatieresultaten van de falingspredictiemodellen Voor beide modellen daalt het ongewogen gemiddelde foutenpercentage, nieuwe optimale afkapscores leiden met andere woorden tot betere voorspellingen die door het model worden gemaakt. Opnieuw is in het OV model de voorspelling drie jaar voor falen moeilijker dan op ´e´en jaar voor faling. Tabel 16 toonde reeds aan dat het OV model met de originele afkapscores performanter is dan het SIM model. Wanneer we nu de ongewogen gemiddelde foutenpercentages uit tabel 6.2 vergelijken, heeft het OV model opnieuw een hogere performantie dan het SIM model. Een vergelijking van de ongewogen gemiddelde foutenpercentages uit tabel 6.1 met deze in tabel 6.2, toont aan dat deze foutenpercentages gedaald zijn. Het gebruik van nieuwe optimale afkapscores leidt met andere woorden tot betere voorspellingen. Tabel 6.2: Classificatieresultaten nieuwe optimale afkapscores

optimale

Type-II

Type-I

OGF

afkapscore

fouten%

fouten%

(GINI)

Gini-co¨effici¨ent

Valideringssteekproeven ’08-’13 Algemeen lineair OV 82

0.3162

22.59%

55.38%

38.98%

22.33%

Lineair 1 JVF OV 82

0.2178

10.69%

62.16%

36.43%

23.41%

Lineair 2 JVF OV 82

-0.0862

21.15%

55.41%

38.28%

23.07%

Lineair 3 JVF OV 82

-0.0471

14.37%

65.33%

39.85%

20.76%

1 JVF SIM 05

0.60399

23.91%

58.24%

41.07%

9.83%

3 JVF SIM 05

0.60716

25.37%

56.86%

41.11%

10.54%

Valideringssteekproef ’08-’13

6.3

Resultaten op basis van de Gini-co¨ effici¨ enten en de trade-o↵ grafieken

In tabel 6.2 werd het nieuwe optimale afkappunt weergegeven, dit is het punt waarbij het ongewogen gemiddelde van het type-I en type-II foutenpercentage minimaal is. Indien een andere afkapscore zou worden gebruikt zullen de foutenpercentages wijzigen. Dit is wat wordt weergegeven in figuur 6.1.

32

Hoofdstuk 6. Prestatieresultaten van de falingspredictiemodellen De trade-o↵ grafiek, de cumulatieve waarschijnlijkheidsfunctie, laat bovendien zien welk model het best presteert. Hoe dichter de grafiek zich bij de assen bevindt hoe performanter het model. In dit geval is het model ´e´en jaar voor faling het meest performante model. De oppervlakte tussen de diagonaal en de functie is een grafische weergave van de Gini-co¨effici¨ent. Op basis van de grafiek is te zien dat het model ´e´en jaar voor falen het dichtst bij de assen ligt. Op de grafiek is het daarna moeilijker om te zien welk model beter scoort. Maar wanneer de Gini-co¨effici¨ent erbij wordt genomen (tabel 6.2) is te zien dat daarna het model twee jaar voor falen het best scoort, gevolgd door het algemeen model. Het slechtste model is het model drie jaar voor falen. Dit heeft de laagste Gini-co¨effici¨ent en ligt het dichtst tegen de diagonaal aan. Voor het SIM model, figuur 6.2, is te zien dat een stuk van de grafiek voor beide modellen boven de diagonaal gesitueerd is. Voor het gedeelte dat onder de diagonaal ligt is het model ´e´en jaar voor falen performanter. Dit is niet wat de Gini-co¨effici¨ent ons vertelt. Dit komt door het gedeelte dat boven de diagonaal gesitueerd is, deze oppervlakte wordt namelijk afgetrokken van de oppervlakte die onder de diagonaal ligt. Voor het gedeelte boven de diagonaal is het model niet in staat om falende en lopende ondernemingen van elkaar te onderscheiden. Dit fenomeen zal ook in de percentieltabellen te zien zijn. Net zoals het ongewogen gemiddeld foutenpercentage al aantoonde, toont de Gini-co¨effici¨ent dat het OV model performanter is dan het SIM model.

33

Figuur 6.1: Trade-o↵ grafiek OV 82: originele niet-gestandaardiseerde co¨effici¨enten

Hoofdstuk 6. Prestatieresultaten van de falingspredictiemodellen

34

Figuur 6.2: Trade-o↵ grafiek SIM 05

Hoofdstuk 6. Prestatieresultaten van de falingspredictiemodellen

35

Hoofdstuk 6. Prestatieresultaten van de falingspredictiemodellen

6.4

Resultaten op basis van de percentieltabellen

Het optimale afkappunt is dat punt waarvoor het ongewogen gemiddelde van beide foutenpercentages minimaal is. Er wordt met andere woorden eenzelfde gewicht toegekend aan beide fouttypes.

Percentieltabellen laten toe om een verschillend gewicht toe te kennen aan de

foutenpercentages. De keuze die wordt gemaakt zal in functie zijn van het belang van het maken van een bepaalde fout. De percentieltabellen worden weergegeven in tabel 6.3 en 6.4.

Ze laten ook toe om twee

afkapgrenzen vast te stellen. Zo kan voor het type I-kredietrisico en type II-commercieel risico respectievelijk een boven- en ondergrens worden vastgesteld. Hierbij wordt de onderneming als lopend geclassificeerd als hun score groter is dan de bovengrens en falend als de score kleiner is dan de ondergrens. De onderneming bevindt zich in de grijze zone wanneer hun score binnen de grenzen gesitueerd is. In dat geval zal verder onderzoek nodig zijn om de financi¨ele gezondheid te beoordelen. Onderstaand voorbeeld maakt duidelijk hoe de tabel ge¨ınterpreteerd moet worden. Een voorbeeld maakt duidelijk hoe de percentieltabellen worden gebruikt. Een bank bepaalt dat de kans op een type-II fout 25%is en de kans op een type-I fout wordt vastgelegd op 20%. Op basis van het algemeen lineair model OV zal een onderneming als lopend worden geclassificeerd als de score groter is dan 3,451844. De onderneming is falend als de score kleiner is dan 0,379219. Wanneer de score tussen deze twee grenzen zou liggen, dan bevindt de onderneming zich in de grijze zone. Bovendien kan de onderneming zien waar ze gepositioneerd is ten opzichte van de lopende en falende ondernemingen. Een onderneming A met een score van 2,23456 zal zich in het algemeen OV model als volgt positioneren. Meer dan 65%van de lopende ondernemingen heeft een lagere score. Meer dan 75%van de falende ondernemingen heeft een lagere score dan onderneming A. Als we terugkijken naar de trade-o↵ grafiek van het SIM model, is te zien dat de grafiek boven de diagonaal gesitueerd is. Voor de kans op een type-I fout tussen 0 en 40%en een type-II fout tussen 60 en 100%ligt de grafiek boven de diagonaal. Voor dit gedeelte is het model niet in staat op ondernemingen om een consistente manier in te delen in lopende of falende ondernemingen. Ook in de percentieltabel is dit te zien. Dit kan het best worden aangetoond aan de hand van een voorbeeld. De bank legt de kans op een type-I fout vast op 25%en de kans op een type-II fout op 85%. Deze foutenpercentages komen overeen met een punt dat boven de diagonaal gesitueerd is. Een onderneming B zal als falend worden gezien indien zijn score lager is dan 0,70944. Wanneer de score hoger is dan 0,68936 wordt de onderneming als lopend geclassificeerd. Lopende ondernemingen hebben dus een lagere score dan falende 36

Hoofdstuk 6. Prestatieresultaten van de falingspredictiemodellen ondernemingen voor deze foutenpercentages. Het model vertelt echter dat hoe groter de score hoe gezonder de onderneming zou moeten zijn. De grenzen kunnen geen duidelijk besluit geven over de financi¨ele gezondheid van de onderneming. Voor deze foutenpercentages heeft de score geen discriminerende kracht. De grenzen voor de kans op een type-II fout zijn gelijkaardig aan de originele grenzen van het OV model. Voor de kans op een type-I fout liggen de waarden hoger. Dit verklaart waarom het ongewogen gemiddelde foutenpercentage hoger is voor de steekproef met enkel dienstenondernemingen. Dit maakt dat de verschillen tussen de discriminantscores van lopende en falende ondernemingen zijn minder uitgesproken. Het is moeilijker om ondernemingen in de twee categorie¨en in te delen Voor het SIM model liggen de grenzen voor zowel de kans op een type-II als type-I fout hoger. Bovendien heeft de score geen discriminerende kracht meer vanaf de afkapwaarde 0,64107.

6.5

Resultaten voor modellen met nieuwe co¨ effici¨ enten: optimale afkapscores, Gini-co¨ effici¨ enten, trade-o↵ grafieken en percentieltabellen

6.5.1

Model met alle ratio’s

Op basis van de schattingssteekproef die werd getrokken voor het OV model werden nieuwe niet-gestandaardiseerde co¨effici¨enten berekend. Het resultaat ervan is terug te vinden in tabel 10, in bijlage. Opnieuw werd het model ge¨evalueerd aan de hand van de foutenpercentages, Gini-co¨effici¨ent en de optimale afkapscore. Vervolgens wordt de trade-o↵ grafiek ge¨evalueerd en als laatste komen de percentieltabellen aan bod. Tabel 6.5 geeft weer wat het optimale afkappunt is alsook de Gini-co¨effici¨ent. Het ongewogen gemiddeld foutenpercentage geeft ook hier aan dat het model ´e´en jaar voor falen beter presteert dan drie jaar voor falen. Het model ´e´en jaar voor falen heeft ook de grootste waarde voor de Gini-co¨effici¨ent. Echter het model twee jaar voor falen presteert hier slechter dan het model drie jaar voor falen. Wanneer we deze resultaten vergelijken met tabel 6.2, waar de originele niet-gestandaardiseerde co¨effici¨enten op dezelfde valideringssteekproef werden toegepast, kunnen twee zaken worden opgemerkt. Ten eerste zijn de optimale afkapscores voor het model ´e´en jaar voor falen, twee jaar voor falen en het algemeen model verschillend van de optimale afkapscores met de originele co¨effici¨enten. 37

Hoofdstuk 6. Prestatieresultaten van de falingspredictiemodellen

Tabel 6.3: Percentieltabel OV 82: originele niet-gestandaardiseerd co¨effici¨enten

Algemeen

1 jaar

2jaar

3 jaar

Percentiel

Lopend

Falend

Lopend

Falend

Lopend

Falend

Lopend

Falend

100%

7.436383

197.1986

18.19148

16.90539

197.4508

158.3963

5.24073

147.0386

95%

4.31212

4.292156

12.24691

11.33132

4.203085

3.397301

3.323859

3.798641

90%

3.666512

3.451844

10.50353

10.42911

3.417606

2.796731

2.690505

2.622694

85%

3.198662

2.956463

8.989545

8.726447

2.924031

2.175066

2.431799

2.390719

80%

2.903048

2.736706

7.975493

7.976081

2.488143

1.937951

2.244556

2.209504

75%

2.577071

2.108829

7.037097

6.606327

2.107673

1.656152

2.047264

1.582778

70%

2.322132

1.844545

6.520228

6.073948

1.806905

1.436704

1.847146

1.286354

65%

2.062151

1.523964

5.955785

5.297018

1.495608

1.066121

1.633692

1.055896

60%

1.791472

1.163042

5.519645

4.733459

1.277363

0.889334

1.407869

0.933745

55%

1.528108

0.898071

5.185401

4.454368

1.034919

0.516661

1.184781

0.800392

50%

1.275866

0.664921

4.860922

3.413146

0.799902

0.347119

0.998657

0.57197

45%

1.073968

0.365652

4.630603

2.956553

0.648543

0.084052

0.870282

0.451424

40%

0.903835

0.190687

4.38394

2.031342

0.487121

-0.30784

0.745161

0.258892

35%

0.711894

-0.11951

4.084013

-0.397

0.341509

-0.71407

0.639976

-0.02743

30%

0.568551

-0.70263

3.78595

-1.97145

0.23693

-1.19184

0.513873

-0.28495

25%

0.379219

-1.42081

3.418004

-4.86485

0.062336

-2.39116

0.343813

-0.82157

20%

0.227289

-3.02368

2.852073

-14.9068

-0.21927

-4.15124

0.233463

-1.30964

15%

-0.14409

-5.52465

1.749885

-26.1468

-0.5869

-6.38354

-0.03394

-2.74432

10%

-0.72682

-10.5041

-0.3314

-42.6675

-1.18827

-11.8657

-0.58284

-4.95548

5%

-2.35993

-26.5555

-4.38309

-235.354

-3.20195

-28.7571

-2.07746

-8.30638

0%

-316.797

-749.92

-99.7518

-1286.88

-140.606

-529.897

-15.6085

-526.485

38

Hoofdstuk 6. Prestatieresultaten van de falingspredictiemodellen

Tabel 6.4: Percentieltabel SIM 05

Percentiel

Lopend

Falend (1 jaar)

Falend (3 jaar)

100%

0.89143

0.87856

0.87773

95%

0.73184

0.75572

0.7452

90%

0.70676

0.72909

0.71944

85%

0.68936

0.70944

0.70135

80%

0.67652

0.69194

0.68611

75%

0.66506

0.67834

0.67318

70%

0.65573

0.66289

0.66023

65%

0.64808

0.65134

0.64878

60%

0.64107

0.64006

0.63882

55%

0.63496

0.63061

0.6295

50%

0.62983

0.62006

0.61922

45%

0.62474

0.61043

0.61051

40%

0.62008

0.60066

0.60155

35%

0.61563

0.5903

0.5937

30%

0.61141

0.58038

0.58381

25%

0.60619

0.57008

0.57458

20%

0.59519

0.55744

0.56284

15%

0.58386

0.54208

0.55025

10%

0.56822

0.51928

0.52805

5%

0.53571

0.49108

0.49361

0%

0.39071

0.37594

0.37039

39

Hoofdstuk 6. Prestatieresultaten van de falingspredictiemodellen Deze van het model drie jaar voor falen is niet drastisch gestegen. Ten tweede geven de Gini-co¨effici¨enten en de ongewogen gemiddelde foutenpercentages aan dat het model met nieuwe co¨effici¨enten slechter presteert. De resultaten uit tabel 6.5 worden grafisch weergegeven in figuur 6.3. Ook hier is te zien dat wanneer de functie dichter tegen de diagonaal aan ligt, de Gini-co¨effici¨ent kleiner is. de percentieltabellen voor dit model zijn terug te vinden in de bijlage in tabel 11. Tabel 6.5: Classificatieresultaten OV 82: nieuwe niet-gestandaardiseerde co¨effici¨enten (model met alle ratio’s)

optimale

Type-II

Type-I

afkapscore

fouten%

fouten%

OGF

GINI

Valideringssteekproef ’08-‘13 Algemeen lineair OV 82

0.306

27.02%

58.74%

42.88%

12.54%

Lineair 1 jaar OV 82

0.4638

11.77%

66.67%

39.22%

17.38%

Lineair 2 jaar OV 82

0.5906

12.12%

75.33%

43.72%

6.91%

Lineair 3 jaar OV 82

0.3826

24.06%

57.33%

40.70%

15.36%

40

Figuur 6.3: Trade-o↵ grafiek OV 82: nieuwe niet-gestandaardiseerde co¨effici¨enten (model met alle ratio’s)

Hoofdstuk 6. Prestatieresultaten van de falingspredictiemodellen

41

Hoofdstuk 6. Prestatieresultaten van de falingspredictiemodellen

6.5.2

Model met ratio’s met hoogste verklaringskracht

Uit tabel 8 (in bijlage) bleek dat sommige ratio’s voor het OV model niet significant verschillend waren tussen de groep lopende en falende ondernemingen. Daarom werden ook nietgestandaardiseerde co¨effici¨enten berekend waarbij de ratio’s stepwise aan het model worden toegevoegd en enkel deze ratio’s die de hoogste verklaringskracht hebben worden in het model opgenomen. Het resultaat ervan is te zien in tabel 12 in bijlage. Aan de hand van de classificatieresultaten uit tabel 6.6 blijkt dat het model nog slechter scoort dan het model met nieuwe niet-gestandaardiseerde co¨effici¨enten die alle ratio’s bevat. De Gini-co¨effici¨ent is kleiner en het ongewogen gemiddelde fouten percentage is hoger. De trade-o↵ grafiek van dit model is te zien in figuur 6.4. Voor de percentieltabel van dit model wordt verwezen naar tabel 13 in de bijlage.

Tabel 6.6: Classificatieresultaten OV 82: nieuwe niet-gestandaardiseerde co¨effici¨enten (model volgens stepwise method)

optimale

Type-II

Type-I

OGF

GINI

afkapscore

fouten%

fouten%

0.3061

10.88%

71.75%

41.31%

15.83%

Lineair 1 jaar OV 82

0.48344

10.24%

77.33%

43.79%

11.31%

Lineair 2 jaar OV 82

0.63519

8.02%

82.00%

45.01%

8.22%

Lineair 3 jaar OV 82

0.52992

17.58%

63.33%

40.46%

17.92%

Valideringssteekproef ’08-’13 Algemeen lineair OV 82

42

Figuur 6.4: Trade-o↵ grafiek OV 82: nieuwe niet-gestandaardiseerde co¨effici¨enten (model volgens stepwise method)

Hoofdstuk 6. Prestatieresultaten van de falingspredictiemodellen

43

Hoofdstuk 7

Algemene resultaten Op basis van de originele afkapscores is aangetoond dat het ongewogen gemiddelde foutenpercentage voor beide modellen stijgt. Voor de steekproef die enkel uit diensten ondernemingen bestaat wordt vervolgens een nieuw optimale afkapscore bepaald, samen met een nieuwe percentieltabel. Deze nieuwe afkapscores doen het ongewogen gemiddelde foutenpercentage dalen. Beide modellen gaan erop vooruit met nieuwe optimale afkapscores. Voor het OV 82 model is de Gini-co¨effici¨ent groter voor het model ¨e¨en jaar voor falen dan voor het model die jaar voor falen. Voor het SIM 05 blijkt het model drie jaar voor falen performanter te zijn, wat in strijd is aan de verwachtingen. Er wordt namelijk verwacht dat naarmate de faillissement datum nadert, het falen van de onderneming ook duidelijker te zien zal zijn aan de financi¨ele ratio’s. Het SIM 05 model blijkt opmerkelijk slechter te presteren dan het OV 82 model. Hoewel nieuwe optimale afkapscores voor verbetering zorgen, is de performantie voor dienstenondernemingen nog steeds lager dan bij de modellen met de originele steekproeven. Zoals door Ooghe en Spaenjers (2005) wordt aangegeven zijn de niet-gestandaardiseerde co¨effici¨enten niet enkel aan een tijdsperiode gebonden, maar ze zijn ook niet te veralgemenen naar andere landen. Om deze reden worden nieuwe niet-gestandaardiseerde co¨effici¨enten bepaald voor het OV 82 model. Hiervoor worden twee modellen opgesteld. Het eerste model bevat voor alle ratio’s een nieuwe niet-gestandaardiseerde co¨effici¨ent, het tweede model bevat enkel de ratio’s met de hoogste verklaringskracht. Dit laatste model wordt opgesteld nadat de test voor verschillen tussen lopende en falende ondernemingen aantoont dat voor enkel ratio’s geen verschillen zijn op zowel het 5%als op 10%significantieniveau. Het eerste model, waarvoor opnieuw een optimale afkapscore en ongewogen gemiddeld foutenpercentage wordt bepaald, presteert slechter dan het model met nieuwe optimale afkapscores met de originele co¨effici¨enten.

Bovendien presteert het model ook slechter dan het model met de originele

afkapscores. 44

Hoofdstuk 7. Algemene resultaten Het tweede model dat de ratio’s enkel de ratio’s met de hoogste verklaringskracht bevat presteert nog slechter. Deze twee modellen tonen aan dat de niet-gestandaardiseerde co¨effici¨enten van het OV 82 model niet de reden zijn voor de lagere performantie. Voor het OV 82 model wordt aangetoond dat de originele afkapscores suboptimaal zijn voor een steekproef op basis van dienstenondernemingen. Nieuwe afkapscores zorgen echter niet voor een daling van het ongewogen gemiddelde naar het oorspronkelijk niveau van de steekproef met alle industrie¨en. Er wordt aangetoond dat deze daling in performantie niet te wijten is aan de niet-gestandaardiseerde co¨effici¨enten van het model. Dit betekent dat de oorzaak te vinden is bij de ratio’s waar het model gebruik van maakt. De performantie van het SIM 05 model daalde sterk voor de steekproef met dienstenondernemingen ook wanneer nieuwe afkapscores worden bepaald. Omdat dit model geen gebruik maakt van co¨effici¨enten, ligt de oorzaak bij de ratio’s. Als laatste kan worden stilgestaan bij de beperkingen die de variabelen uit de falingspredictiemodellen hebben. De variabelen uit het OV en SIM model maken enkel gebruik van kwantitatieve gegevens die door de jaarrekening van ´e´en boekjaar worden gegeven. De opzet hiervan was om de complexiteit van het model laag te houden. Het onderzoeksbureau Graydon geeft 10 eenvoudige signalen aan om een nakend faillissement te herkennen. Deze worden in tabel 7.1 opgesomd. De laatste kolom van deze tabel geeft aan hoeveel procent van de falende ondernemingen dit signaal vertoonden. Opvallend is dat zes van de 10 signalen niet in het OV of SIM model zijn opgenomen, deze zijn: rendabiliteit is twee jaar na elkaar negatief, er is een dagvaarding van de RSZ, de bedrijfsleider was eerder betrokken bij een faillissement, er is een voorlopige bewindvoerder aangesteld, de jaarrekening werd twee jaar niet gepubliceerd en geprotesteerde wisselbrieven. Zoals reeds vermeld werd, worden deze variabelen niet in de modellen opgenomen omdat ze de complexiteit ervan verhogen. Opmerkelijk is dat het voornamelijk deze signalen zijn die de hoogste percentages vertonen. Een groter aandeel van de falende ondernemingen vertoont een signaal voor de variabelen die niet in de falingspredictiemodellen zijn opgenomen. Verder onderzoek zou kunnen nagaan hoe deze variabelen in het model kunnen worden opgenomen, zonder de complexiteit ervan te verhogen. Er zou ook een nieuw model kunnen worden opgesteld die op basis van de evolutie van de onderneming een voorspelling maakt. Zo wordt de analyse niet beperkt tot gegevens uit ´e´en enkele jaarrekening. We sluiten dit hoofdstuk af met de vaststelling dat hoewel nieuwe afkapscores de voorspellingskracht verhogen, de performantie niet zo hoog is als bij de steekproef met alle industrie¨en. De oorzaak die hiervoor is gevonden ligt bij de ratio’s die door de modellen worden gebruikt.

45

Hoofdstuk 7. Algemene resultaten

Tabel 7.1: Signalen voor een faillissement volgens Graydon

Signaal

Procentuele verhouding van het aantal ondernemingen die het signaal aangeven

1

liquiditeitsratio is kleiner dan 0,5

3%

2

de rentabiliteit is twee jaar na elkaar negatief

3%

3

de schuldgraad is hoger dan het kapitaal

4%

4

het eigen vermogen is kleiner dan 50% van het kapitaal

5%

5

er zijn schulden bij de fiscus of de RSZ

9%

6

er is een dagvaarding van de RSZ

10%

7

de bedrijfsleider was eerder betrokken bij een faillissement

19%

8

er is een voorlopige bewindvoerder aangesteld

22%

9

de jaarrekening werd 2 jaar niet gepubliceerd

23%

10

er zijn geprotesteerde wisselbrieven

26%

46

Hoofdstuk 8

Beperkingen van het uitgevoerde onderzoek De steekproef wordt getrokken uit een periode tussen 2008-2013. Hierbij wordt “gerechtelijk akkoord voor faillissement” bij de groep onzuiver falende ondernemingen geclassificeerd. Omdat de wet gerechtelijk akkoord pas in 2009 van toepassing trad zal dit een invloed hebben gehad op de schattingssteekproef van het OV model. Voor de periode voor 2009 zou deze categorie tot de steekproef zuiver falende ondernemingen moeten behoren. Deze opsplitsing in de tijd is niet toegepast voor de steekproef en kan mogelijks voor een vertekend beeld hebben gezorgd. Deze vertekening wordt in zeker mate beperkt door de geringe tijdsperiode waarvoor de wet continu¨ıteit van ondernemingen nog niet van toepassing was. Voor de steekproef werden veterinaire diensten, afvalwaterafvoer en sanering en ander afvalbeheer ook tot de steeproef dienstenondernemingen opgenomen. Het valt te betwisten of de ondernemingen die tot deze NACE-bel code behoren als dienstenondernemingen kunnen worden gezien. Voor de indeling van dienstenonderneming werd nagegaan wat de meest voorkomende definitie was. Er is echter geen eenduidige definitie van wat wel of niet een dienstenonderneming is. Op basis van de samenstelling van de balans zou misschien niet worden gezegd dat deze ondernemingen de kenmerken hebben van een dienstenonderneming.

Voor de ontbrekende

waarden werd gekozen om ondernemingen enkel uit de steekproef te verwijderen wanneer dit voor het totaal actief niet gekend was. Het opleggen van strengere voorwaarden zou een mogelijkheid zijn om zo preciezere discriminantscores te bekomen voor het model. Hierbij wordt gedacht aan de post “eigen vermogen”. Er zou ook een benadering kunnen worden gezocht voor de waarden van ratio’s die delen door nul, waardoor de onderneming niet uit de steekproef verwijderd zou moeten worden.

47

Besluit Uit dit onderzoek blijkt dat als de originele optimale afkapscores worden toegepast op een steekproef die enkel bestaat uit dienstenondernemingen, de voorspellingskracht van het OV 82 en SIM 05 model daalt. Dit wordt aangetoond aan de hand van de ongewogen gemiddelde foutenpercentages die bij deze originele afkapscores horen. Dit besluit geldt zowel voor het OV 82model als voor het SIM 05 model. Hierbij wordt bovendien vastgesteld dat het OV 82 model beter presteert dan het SIM 05 model voor de steekproef met dienstenondernemingen. Vervolgens worden nieuwe optimale afkapscores bepaald voor beide modellen, alsook de Ginico¨effici¨ent wordt berekend. Hieruit blijkt dat nieuwe optimale afkapscores voor een lager ongewogen gemiddelde foutenpercentage zorgen. Net zoals vorig onderzoek al uitwees, is te zien dat de modellen die het faillissement op korte termijn voorspellen accurater zijn dan de modellen voor drie jaar voor faling. De trade-o↵ grafieken tonen aan dat het OV 82 model ´e´en jaar voor falen het dichtst bij de assen gesitueerd is en dus de meeste voorspellingskracht bezit. De percentieltabellen van het SIM 05 model tonen aan voor welke afkapscores de grafiek boven de diagonaal gesitueerd is. Nieuwe optimale afkapscores zorgen aldus voor accuratere modellen. De ongewogen gemiddelde foutenpercentages blijven echter hoger dan de originele valideringssteekproeven die ondernemingen uit alle sectoren bevat. Hoewel het model minder performant is voor dienstenondernemingen, brengen nieuwe afkapscores, voor dienstenondernemingen, een meerwaarde voor het model. Het ongewogen gemiddeld foutenpercentage voor nieuwe optimale afkapscores is immers lager dan wanneer de originele afkapscores worden gebruikt. Als laatste worden nieuwe niet-gestandaardiseerde co¨effici¨enten berekend op basis van een schattingssteekproef voor het OV 82 model. Hiervoor worden twee modellen gebruikt. Een eerste model berekent nieuwe co¨effici¨enten voor alle ratio’s. Voor het tweede model wordt slechts voor de ratio’s met de hoogste verklaringskracht een co¨effici¨ent berekend. De stepwise methode geeft aan welke ratio’s het best discrimineren tussen lopende en falende ondernemingen. Dit model wordt opgesteld omdat de testen, voor de verschillen tussen lopende en falende ondernemingen, 48

Hoofdstuk 8. Beperkingen van het uitgevoerde onderzoek aantonen dat enkele ratio’s geen significante verschillen bevatten tussen de twee groepen. Het resultaat van beide modellen brengt geen verbetering met zich mee voor de performantie van het OV 82 model. Voor het SIM 05 model worden geen co¨effici¨enten gebruikt bij de berekening van de discriminantscore. De reden voor de daling in de performantie is dus te vinden bij de ratio’s. Dit wordt ondersteund door het resultaat van de testen voor verschillen. Deze testen tonen namelijk aan dat enkele ratio’s in het SIM 05 model niet significant verschillen tussen lopende en falende ondernemingen. Wat dit onderzoek aantoont is dat de originele afkapscores niet optimaal zijn voor dienstenondernemingen. Het is aan te raden om nieuwe optimale afkapscores te bepalen voor de toepassing van de modellen op dienstenondernemingen. Nieuwe afkapscores hebben ook een meerwaarde voor rechtbanken. Omdat de WCO als doel heeft om falende ondernemingen vroegtijdig op te sporen, kunnen nieuwe afkapscores helpen om een beter beeld te krijgen op de financi¨ele gezondheid van dienstenondernemingen. Hoewel nieuwe afkapscores voor accuratere voorspellingen zorgen, is de performantie nog steeds lager dan de performantie van het model dat alle industrie¨en in de steekproef opneemt. De oorzaak hiervan ligt bij de ratio’s die beide modellen gebruiken. De literatuurstudie geeft aan dat de balans en resultatenrekening verschillen vertonen tussen diensten- en productieondernemingen, dit heeft een invloed op de ratio’s. Om de performantie van de modellen te verhogen voor dienstenondernemingen, moet onderzoek worden gedaan naar ratio’s die sterker discrimineren tussen lopende en falende dienstenondernemingen.

49

Bibliografie Alifiah, M. (2014). Prediction of Financial Distress Companies in the Trading and Services Sector in Malaysia Using Macroeconomic Variables. Procedia - Social and Behavioral Sciences, 129, pp.90-98. Altman E.I., (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The Journal of Finance, vol. 23 no.4, pp. 589-609. Anoniem. (31 december 2013). Belgi¨e breekt faillissementrecord in 2013. Trends Knack. http://trends.knack.be/economie/bedrijven/belgie-breekt-faillissementenrecord-in-2013/articlenormal-256785.html Balanscentrale NBB. (2015). Groottecriteria voor ondernemingen. Geraadpleegd viahttps://www.nbb.be/nl/balanscentrale/opmaking/groottecriteria Balcaen, S. and Ooghe, H. (2006). 35 years of studies on business failure: an overview of the classic statistical methodologies and their related problems. The British Accounting Review, 38(1), pp.63-93. Belfirst , van Bureau Van Dijk Beaver, W. (1966). Financial Ratios As Predictors of Failure. Journal of Accounting Research, 4, p.71. Dimitras, A., Zanakis, S. and Zopounidis, C. (1996). A survey of business failures with an emphasis on prediction methods and industrial applications. European Journal of Operational Research, 90(3), pp.487-513. De pelsmacker , P. & Van kenhove , P. (2006). Marktonderzoek, methoden en toepassing. (4th ed.). Amsterdam: Pearson Education. Eisenbeis, R. (1977). Pitfalls in the Application of Discriminant Analysis in Business, Finance, and Economics. The Journal of Finance, 32(3), p.875. 50

Hoofdstuk 8. Beperkingen van het uitgevoerde onderzoek Fgovbe. (2015). Kruispuntbank wetgeving. Geraadpleegd viahttp://www.ejustice.just.fgov.be/cgi loi/change lg.pl?language=nl Fgovbe. (2015). NACE-BEL Activiteitennomenclatuur. Geraadpleegd viahttp://statbel.fgov.be/nl/binaries/NL-NACE-BEL 2008 met toelichtingen tcm32565642.pdf Hamer, M. (1983).

Failure prediction: Sensitivity of classification accuracy to alternative

statistical methods and variable sets. Journal of Accounting and Public Policy, 2(4), pp.289-307. Joos P., De Bourdeaudhuy C. & Ooghe H., (1995). Financial Distress Models in Belgium: The Results of a Decade of Empirical Research. The International Journal of Accounting, vol. 30, no. 3, pp. 245-274. Joos Ph., Ooghe H. & Sierens N., (1998). Methodologie bij het opstellen en beoordelen van kredietclassificatiemodellen . Tijdschrift voor Economie en Management, vol. 43, no. 1, pp. 3-48. Koh H.C., (1992). The sensitivity of optimal cuto↵ points to misclassification costs of type I and type II errors in the going concern prediction context. Journal of Business Finance and Accounting, vol. 19, no. 2, pp.187-197. McGur & P. and DeVaney, S. (1998). Predicting Business Failure of Retail Firms. Journal of Business Research, 43(3), pp.169-176. NBB (2015). Impact van de lage rente op het financieel gedrag. Geraadpleegd viahttp://www.nbb.be/doc/ts/publications/EconomicReview/2011/ecotijdII2011 H5.pdf NV GRAYDON BELGIUM (2008). evoluties in het bedrijvenlandschap 2013 Oecd. (2015). Oecdorg. Geraadpleegd viahttp://stats.oecd.org/index.aspx?queryid=451 Ooghe H. & Balcaen S., (2000). De Financi¨ele Toestand van de Belgische Ondernemingen. Kluwer Ced.Samsom, Diegem. Ooghe H. & Spaenjers C.. “De fito-meter: een nieuwe, eenvoudige en ge¨ıntegreerde maatstaf voor de financi¨ele toestand van een onderneming”, accountancy en bedrijfskunde maandschrift, vol. 25, nr. 3, maart 2005, 5-14. Ooghe H., Vander Bauwhede H. & Van Wymeersch C. (2012). Handboek financi¨ele analyse van de onderneming, theorie en toepassing op de jaarrekening volgens Belgian GAAP en IFRS. (4th ed.). Intersentia, deel 1, p.324 51

Hoofdstuk 8. Beperkingen van het uitgevoerde onderzoek Ooghe H. & Verbaere E., (1982). Determinanten van faling: verklaring en predictive, Accountancy, Bedrijfsfinanciering en Beleidsinformatie, RUG, pp. 1-166. Platt H.D. & Platt M.B., (1991). A note on the se of industry-relative ratios in bankruptcy prediction. Journal of Banking and Finance, December 1991, Vol 15(6), pp. 1183-94. Steele A., (1995). Going concern qualifications and bankruptcy prediction. Leuven: Katholieke Universiteit Leuven. Sun, J., Li, H., Huang, Q. and He, K. (2014). Predicting financial distress and corporate failure: A review from the state-of-the-art definitions, modeling, sampling, and featuring approaches. Knowledge-Based Systems, 57, pp.41-56. Wu, W. (2010). Beyond business failure prediction.

52

Bijlagen

53

Tabel 1: NACE-bel codes verticale analyse

Groep

NACE-bel 2008

Diensten aan ondernemingen en particulieren

37+38-38222383+39+411+582+59+60+62+63+66 tot 69+ (7-75-79)+80 tot82+855+90 tot 93+95+96+97

Geheel van de verwerkende industrie

07+08+1+2+30+31+32+33+383

Totaal van de niet-financi¨ele ondernemingen

0+1+2+3+4+5+6-64-65+775+80+81+82+855+9-94-98-99

54

Tabel 2: Verticale analyse van de balans: actief

ACTIVA

diensten aan

geheel van de

totaal van de

ondernemingen en

verwerkende

niet-financi¨ele

particulieren

industrie

ondernemingen

31.50%

61.81%

46.09%

oprichtingskosten

0.01%

0.02%

0.03%

Immateri¨ele vaste activa

0.67%

3.11%

1.91%

Materi¨ele vaste activa

6.59%

9.35%

11.67%

Financi¨ele vaste activa

24.24%

49.33%

32.47%

Vlottende activa

68.50%

38.19%

53.91%

Vorderingen op meer dan 1 jaar

26.79%

3.68%

15.10%

Voorraden en bestellingen in uitvoering

1.04%

7.49%

4.30%

voorraden

0.76%

6.76%

3.79%

Grond- en hulpsto↵en

0.05%

2.47%

0.76%

Goederen in bewerking

0.01%

1.16%

0.31%

Gereed product

0.01%

2.10%

0.54%

Handelsgoederen

0.09%

0.10%

1.80%

Onroerende goederen bestemd voor verkoop

0.60%

0.01%

0.35%

Vooruitbetalingen

0.00%

0.03%

0.02%

Bestellingen in uitvoering

0.28%

0.73%

0.51%

31.83%

19.94%

26.00%

Geldbeleggingen

5.59%

3.72%

4.58%

Liquide middelen

2.50%

2.90%

3.00%

Overlopende rekening

0.71%

0.41%

0.94%

TOTAAL ACTIEF

100%

100%

100%

Vaste activa

Vorderingen op ten hoogste 1 jaar

55

Tabel 3: Verticale analyse van de balans: passief

56

Tabel 4: Verticale analyse van de resultatenrekening

57

Tabel 5: Nace-bel codes steekproeven

NACE-bel 2008

Omschrijving

37

Afvalwaterafvoer

39

Sanering en ander afvalbeheer

53

Posterijen en koeriers

582

Uitgeverijen van software

59

Productie van films en video- en televisieprogramma’s, maken van geluidsopnamen en uitgeverijen van muziekopnamen

60

Programmeren en uitzenden van radio- en televisieprogramma’s

61

Telecommunicatie

62

Ontwerpen en programmeren van computerprogramma’s, computerconsultancy-activiteiten en aanverwante activiteiten

63

Dienstverlenende activiteiten op het gebied van informatie

69

Rechtskundige en boekhoudkundige dienstverlening

70

Activiteiten van hoofdkantoren; adviesbureaus op gebied van bedrijfsbeheer

71

Architecten en ingenieurs; technische testen en toetsen

72

Speur- en ontwikkelingswerk op wetenschappelijk gebied

73

Reclamewezen en marktonderzoek

74

Overige gespecialiseerde werenschappelijk en technische activiteiten

75

Veterinaire diensten

78

Terbeschikkingstelling van personeel

80

Beveiligings- en opsporingsdiensten

81

Diensten in verband met gebouwen; landschapsverzorging

82

Administratieve en ondersteunende activiteiten ten behoeve van kantoren en overige zakelijke activiteiten

95

Reparatie van computers en consumenten artikelen

96

Overige persoonlijke diensten

97

Huishoudens als werkgever van huishoudelijk personeel

98

Niet-gedi↵erentieerde productie van goederen en diensten door particulieren huishoudens voor eigen gebruik 58

Tabel 6: Descriptieve analyse steekproef op basis van rechtsvorm

OV 82: 1 JVF rechtsvorm

Lopend

SIM 05: 1 JVF

Falend

Totale

Lopend

Falend

steekproef BVBA

Totale steekproef

105 *

29

134

7 240

4 403

11 643

15,35% **

19.33%

16.07%

75.88%

75.86%

75.87%

548

114

662

1 803

1 108

2 911

80.12%

76%

79.38%

18.90%

19.09%

18.97%

22

5

27

365

209

574

3.22%

3.33%

3.24%

3.83%

3.60%

3.74%

7

1

8

129

78

207

1.02%

0.67%

0.96%

1.35%

1.34%

1.35%

2

1

3

5

6

11

0.29%

0.67%

0.36%

0.05%

0.10%

0.01%

684

150

834

9 542

5 804

15 346

100%

100%

100%

100%

100%

100%

NV

CVBA

CV

VOF

Totaal

Tabel 7: Data selectie steekproef falende en lopende ondernemingen

Steekproef

falende

ondernemingen

lopende

ondernemingen

OV

SIM

OV

SIM

Belfirst

522

15 412

5 601

75 137

Rechtsvorm

512

15 318

5 544

74 754

Totaal actief gekend

453

12 214

5 451

62 308

Ratio’s kunnen worden berekend

302

11 592

4 030

60 281

Steekproefgrootte

150

5 804

684

9 542

59

Tabel 8: Test verschillen ratio’s en leeftijd lopende en falende ondernemingen: OV 82

Variabele

Levene’s test voor gelijke varianties

Test voor gemiddelde

Leeftijd OV

0,001 *

0,000*

Ratio 1

0,000 *

0,000 *

Ratio 2

0,000 *

0,020 *

Ratio 3

0,000 *

0.284

Ratio 4

0.193

0.541

Ratio 5

0.226

0.528

Ratio 1

0,022 *

0.253

Ratio 2

0,000 *

0,009 *

Ratio 3

0,000 *

0.392

Ratio 4

0,000 *

0,054 **

Ratio 5

0,030 *

0.483

Ratio 1

0,000 *

0,029 *

Ratio 2

0.204

0.502

Ratio 3

0.549

0.583

Ratio 4

0.973

1

Ratio 5

0.454

0.904

Ratio 1

0,000 *

0,042 *

Ratio 2

0,000 *

0,099 **

Ratio 3

0,000 *

0.285

Ratio 4

0.798

0.955

Ratio 5

0,000 *

0.253

Algemeen lineair OV 82

Lineair 1 JVF OV 82

Lineair 2 JVF OV 82

Lineair 3 JVF OV 82

60

Tabel 9: Test verschillen logitwaarde en leeftijd lopende en falende ondernemingen: SIM 05

Variabele

Levene’s test voor gelijke varianties

Test voor gemiddelde

Leeftijd

0,000 *

0,000 *

FITO(R)-score 1 JVF

0,000 *

0,000 *

Logit R 1

0,000 *

0,000 *

Logit R 2

0,000 *

0,000 *

Logit R 3

0,000 *

0,000 *

Logit R 4

0,000 *

0,000 *

Logit R 5

0,000 *

0,000 *

Logit R 6

0.629

0.649

Logit R 7

0,000 *

0,000 *

Logit R 8

0,000 *

0,000 *

FITO(R)-score 3 JVF

0,000 *

0,000 *

Logit R 1

0,000 *

0,000 *

Logit R 2

0,000 *

0,000 *

Logit R 3

0,001 *

0,076 **

Logit R 4

0,000 *

0,000 *

Logit R 5

0,000 *

0,000 *

Logit R 6

0.251

0.247

Logit R 7

0,000 *

0,000 *

Logit R 8

0,000 *

0,001 *

SIM 05 1 JVF

SIM 05 3 JVF

61

Tabel 10: Nieuwe niet-gestandaardiseerde co¨effici¨enten OV 82 (model met alle ratio’s)

Ratio 1

Ratio 2

Ratio 3

Ratio 4

Ratio 5

Constante

Algemeen lineair

0.104978

-18.00456

0.9645739

-1.923799

-1.428374

0.3031824

1 JVF OV 82

-12.24069

0.0280541

0.6624999

0.0316882

1.7469

0.4232469

2 JVF OV 82

0.0128415

-27.45415

2.636895

-1.498136

0.00228

0.5887115

3 JVF OV 82

-6.005307

0.1119487

1.843875

-3.756357

0.007976

0.3430057

62

Tabel 11: Percentieltabel OV 82: nieuwe niet-gestandaardiseerd co¨effici¨enten (model met alle ratio’s)

Algemeen

1 jaar

2 jaar

3 jaar

Percentiel

Lopend

Falend

Lopend

Falend

Lopend

Falend

Lopend

Falend

100%

1.36328

59.79817

2.29085

6.01585

23.44178

5.4893

2.17996

2305.328

95%

1.06143

1.10467

1.89385

1.98287

2.73604

2.55061

1.70593

3.14118

90%

0.86648

0.8639

1.5638

1.56265

2.14479

2.05964

1.41318

1.34175

85%

0.73105

0.69282

1.30937

1.29902

1.794

1.7557

1.15996

1.06315

80%

0.62006

0.58873

1.13393

1.01321

1.46241

1.44602

0.96625

0.96728

75%

0.55047

0.50302

0.97986

0.89534

1.29897

1.31148

0.83491

0.75219

70%

0.49096

0.44993

0.909

0.80786

1.14622

1.09336

0.72963

0.62196

65%

0.44511

0.40408

0.81408

0.73069

1.0392

1.02608

0.65354

0.55384

60%

0.41594

0.38181

0.75578

0.65762

0.95239

0.88494

0.60682

0.49912

55%

0.39162

0.36133

0.71521

0.6266

0.87755

0.85262

0.5542

0.46831

50%

0.37265

0.34186

0.67009

0.60557

0.82068

0.77384

0.50231

0.43068

45%

0.35876

0.32611

0.63543

0.53806

0.7646

0.70041

0.46225

0.3972

40%

0.34453

0.30518

0.60136

0.51875

0.71821

0.67693

0.43607

0.37422

35%

0.32723

0.27886

0.55997

0.48179

0.66911

0.63733

0.41851

0.35476

30%

0.31316

0.22822

0.52762

0.45846

0.63924

0.62199

0.40123

0.33726

25%

0.29867

0.17638

0.51397

0.43885

0.61535

0.59305

0.38505

0.32235

20%

0.24904

0.02274

0.49354

0.37312

0.60242

0.58853

0.36395

0.29329

15%

0.11386

-0.22854

0.47705

0.26578

0.59524

0.56458

0.34844

0.07665

10%

-0.08637

-0.69619

0.45343

-0.08377

0.58564

0.51972

0.29031

-0.02688

5%

-0.46734

-2.03528

0.35517

-1.0489

0.29505

-0.06573

-0.14672

-0.53389

0%

-9.15284

-17.3166

-5.16645

-8.7876

-3.09391

-5.84331

-2.51805

-25.4214

63

Tabel 12: Nieuwe niet-gestandaardiseerde co¨effici¨enten OV 82 (model volgens stepwise method)

Ratio 1

Ratio 2

Ratio 3

Algemeen lineair OV 82

0.10896

-18.9563

1.00172

1 JVF OV 82

-12.9786

0.01828

2 JVF OV 82

0.01311

-27.9791

2.7005

0.63253

0.12197

2.07804

0.48659

3 JVF OV 82

64

Ratio 4

Ratio 5

Constante 0.30387

1.77544

0.48064

Tabel 13: Percentieltabel OV 82: nieuwe niet-gestandaardiseerd co¨effici¨enten (model volgens stepwise method)

Algemeen

1 jaar

2 jaar

3 jaar

Percentiel

Lopend

Falend

Lopend

Falend

Lopend

Falend

Lopend

Falend

100%

1.404742

62.09001

2.270943

2.2634

3.335866

3.309213

2.557089

2598.189

95%

1.118535

1.136189

1.910801

1.984429

2.813069

2.545147

2.010686

3.863278

90%

0.909476

0.88617

1.538145

1.642162

2.224781

2.058073

1.725999

1.662624

85%

0.765676

0.728496

1.290295

1.299234

1.83251

1.704445

1.443224

1.323123

80%

0.662811

0.623601

1.121434

1.127814

1.520966

1.484227

1.234276

1.20672

75%

0.589647

0.546034

0.965663

0.948137

1.358987

1.258295

1.07205

0.983696

70%

0.534895

0.491716

0.873737

0.79084

1.211602

1.13426

0.968229

0.825782

65%

0.493004

0.448692

0.806155

0.699403

1.119284

1.040794

0.86863

0.732922

60%

0.458477

0.408238

0.739158

0.656581

1.025653

0.934201

0.807548

0.672057

55%

0.43364

0.388621

0.678991

0.614873

0.957303

0.902673

0.760069

0.64201

50%

0.408526

0.372926

0.647364

0.566336

0.888587

0.827516

0.711862

0.593282

45%

0.388473

0.354548

0.607096

0.54414

0.836323

0.756838

0.665074

0.568797

40%

0.372891

0.343672

0.567244

0.520096

0.788478

0.737214

0.623154

0.545173

35%

0.362144

0.330221

0.543315

0.506808

0.738728

0.69825

0.596759

0.529017

30%

0.349939

0.312219

0.518087

0.500321

0.703946

0.676713

0.573256

0.516705

25%

0.336546

0.300287

0.504406

0.492593

0.677567

0.657686

0.555571

0.503169

20%

0.32639

0.267905

0.493829

0.480982

0.653723

0.63964

0.536374

0.489321

15%

0.31435

0.14039

0.487635

0.47999

0.64261

0.63335

0.516042

0.470532

10%

0.304027

-0.13153

0.48294

0.422864

0.636848

0.631504

0.499659

0.445952

5%

0.245455

-1.94977

0.474505

0.11803

0.631095

0.579931

0.480074

0.244321

0%

-9.49251

-17.9836

-5.61167

-1.73152

-3.12003

-5.92232

-0.33053

-27.5836

65

66

Figuur 1: Ratio’s algemeen lineair model 1 tot 3 jaar voor faling OV 82 voor volledige jaarrekeningen

67

Figuur 2: Ratio’s lineair model 1 jaar voor faling OV 82 voor volledige jaarrekeningen

68

Figuur 3: Ratio’s lineair model 2 jaar voor faling OV 82 voor volledige jaarrekeningen

69

Figuur 4: Ratio’s lineair model 3 jaar voor faling OV 82 voor volledige jaarrekeningen

70 Figuur 5: Ratio’s SIM 05 model voor verkorte en volledige jaarrekeningen