IFRS 16:s påverkan på leasingnivåer inom transport- och kommunikationsservicesektorn Handelshögskolan vid Göteborgs universitet Företagsekonomiska institutionen Kandidatuppsats i redovisning FEK335, VT 2025 Handledare: Emmeli Runesson Ebba Sporron 19970410 Ella Westergård 20030910 1 Abstract With the implementation of IFRS 16 in 2019, the rules for accounting of leases have changed for all companies reporting under IFRS. This change became particularly significant for companies operating in lease intensive industries. Previously operating leases were reported off-balance-sheet but are now required to be included in the balance sheet. This has led to higher reported lease levels in the balance sheet, increased total assets, higher leverage and worse key financial ratios. The requirement to identify and include embedded leases has further contributed to increased reported lease levels and negative consequences for the companies financial health. To reduce these effects, companies can adjust their financing strategy by purchasing assets or renegotiating their lease agreements into service agreements, in order to reduce their lease levels. This study aims to answer the question: Have publicly listed European companies in the transportation and communication services sector changed their lease levels in relation to total assets as an effect of IFRS 16? To address this question and test the study’s hypothesis that companies lease ratios have decreased as a result of the implementation of IFRS 16, a quantitative method is used. The sample data was retrieved from the database S&P Capital IQ from the period 2016-2019, then exported and processed in Excel. After that, multiple regression analyses and dependent comparison tests were conducted to assess whether the hypothesis could be accepted or rejected. The results show that the lease levels have changed. The ratio of leasing in relation to total assets has increased following the implementation of IFRS 16, contradicting the study’s hypothesis. The study emphasizes this increase could be the changes in the accounting treatment rather than actual changes in leasing behaviour and the results should therefore be interpreted carefully. Keywords: IAS 17, IFRS 16, Leasing, Key Financial Ratios, Financing Strategy, Communications Services, Transportation 2 Sammanfattning I samband med implementeringen av IFRS 16 år 2019 har reglerna för redovisning av leasing ändrats för samtliga företag som redovisar enligt IFRS. Detta blev särskilt påtagligt inom redovisningen för företag som verkar inom leasingintensiva branscher. Tidigare operationella leasingavtal som redovisades off-balance-sheet ska numera inkluderas i balansräkningen som en tillgång och tillhörande skuld. Det har inneburit högre leasingnivåer i balansräkningen och därav medfört ökad balansomslutning, skuldsättning och försämrade nyckeltal. Kravet på att identifiera och inkludera embedded leases har ytterligare bidragit till ökade leasingnivåer och negativa konsekvenser för den finansiella hälsan. För att motverka dessa effekter kan företag ändra sina finansieringsstrategier genom att köpa tillgångar eller omförhandla till serviceavtal för att minska sina leasingnivåer. Studien syftar till att besvara frågeställningen: Har noterade europeiska företag inom sektorerna transport och kommunikationsservice förändrat sina leasingnivåer i förhållande till totalt kapital som en effekt av IFRS 16?. För att besvara frågeställningen och testa studiens hypotes om att företagens andel leasing har minskat till följd av implementeringen av IFRS 16, används en kvantitativ metod. Urvalet har hämtats från databasen S&P Capital IQ för perioden 2016-2019 för att sedan exporteras och hanteras i Excel. Därefter genomfördes multipla regressionsanalyser och beroende jämförelsetester för att testa om studiens hypotes kan bekräftas eller förkastas. Resultaten visar på att leasingnivåerna har förändrats. Andelen leasing i förhållande till totalt kapital har ökat efter implementeringen av IFRS 16, vilket motsäger studiens hypotes. Studien trycker dock på att ökningen kan bero på redovisningstekniska förändringar snarare än förändrat leasingbeteende och resultaten bör därför tolkas med försiktighet. Nyckelord: IAS 17, IFRS 16, Leasing, Nyckeltal, Finansieringsstrategi, Kommunikationsservice, Transport 3 1. Inledning 5 1.1 Bakgrund 5 1.2 Problematisering 6 1.3 Syfte 7 2. Teoretisk referensram 8 2.1 Varför leasing? 8 2.2 Redovisningsprinciper 9 2.2.1 IAS 17 9 2.2.2 IFRS 16 9 2.3 Konsekvenser av IFRS 16 10 2.4 Hypotesformulering 12 3. Metod 13 3.1 Multipel linjär regressionsmodell 13 3.1.1 Beroende variabel 14 3.1.2 Huvudsaklig oberoende variabel 15 3.1.3 Kontrollvariabler 16 3.2 Datainsamling och urval 17 3.3 Diagnostiska test och datagranskning 19 3.3.1 Multikollinearitet 19 3.3.2 Variablernas fördelning 20 3.3.3 Antal observationer 23 3.3.4 Hypotesprövning 24 4. Analys 25 4.1 Korrelation mellan variabler 26 4.2 Beroende jämförelsetester av leasingnivåer 27 4.3 Multipel regressionsanalys 30 5. Diskussion och slutsats 33 5.1 Vidare forskning 35 6. Källhänvisning 36 Appendix 40 Appendix A: IFRS 16.53 40 Appendix B: IQR-metoden 41 Appendix C: Q-Q plot 43 Appendix D: Histogram 44 Appendix E: Boxplot 45 4 1. Inledning 1.1 Bakgrund Redovisning av leasingavtal har sedan 1970-talet tagit fart och diskuterats en hel del sedan dess. Leasing har under en lång tid använts som ett finansieringsalternativ för företag, och idag är användningen av leasing stor. Diskussionen på 70-talet väckte debatter där leasetagare hade starka incitament att inte redovisa sina leasingavtal i balansräkningen som tillgångar och skulder, eftersom att “off-balance sheet financing” var möjligt för leasingavtal (Marton m.fl., 2023). Den första standarden som behandlade redovisning av leasing var IAS 17 och gavs ut år 1982 av IASC, IASB:s föregångare, där utgångspunkten var att skilja mellan köp och hyresavtal (Marton m.fl., 2023). Problemet med IAS 17 var att företagen hade incitament att redovisa alla sina leasingavtal som operationell leasing, vilket bidrog till en kraftig överrepresentation av operationell leasing (Marton m.fl., 2023). IASB valde därför att utveckla IAS 17 och presenterade år 2016 en ny standard för leasing, IFRS 16, där ett obligatoriskt införande av den nya standarden infördes år 2019 (Marton m.fl., 2023). IASB:s syfte med att implementera IFRS 16 var att förbättra jämförbarheten och transparensen i finansiell rapportering mellan företag genom att eliminera de skillnader som hade uppstått i hur företag redovisar leasingtillgångar. Jämförbarhet är en av de förstärkande kvalitativa egenskaperna från IASB:s konceptuella ramverk och syftar till att förstärka användbarheten i informationen i de finansiella rapporterna (Marton m.fl., 2023). IFRS 16 innebar en betydande förändring i redovisningen av leasingavtal för samtliga företag som använder sig av leasing och redovisar enligt IFRS. IFRS 16 innebar att de operationella leasingavtalen numera måste redovisas i balansräkningen som en nyttjanderättstillgång samt motsvarande leasingskuld (Morozova & Tarasova, 2023). Syftet med implementeringen var att säkerställa att både leasetagare och leasegivare redogör relevant information för användarna på ett sådant sätt som återspeglar dessa transaktioner och ekonomiska verklighet på ett tillförlitligt sätt i redovisningen (FAR Online, u.å). Övergången från IAS 17 till IFRS 16 förväntades göra det lättare för externa intressenter att få en rättvisande bild av företagens finansiella situation utan behov för justeringar (IFRS, u.å). Vidare styrks detta argument av Bohusova m.fl., (2022) som beskriver att effekten av redovisning för finansiell respektive 5 operationell leasing inte var jämförbar med IAS 17, samt att det inte gav en heltäckande bild för de externa användarna av de finansiella rapporterna. 1.2 Problematisering IAS 17 medförde vissa möjligheter till strategisk redovisning av leasingavtal, vilket gjorde att de finansiella rapporternas tillförlitlighet ifrågasattes. Med IAS 17 kunde företagen redovisa sina finansiella rapporter på ett sätt som gjorde dem mer attraktiva genom att dölja sina leasingskulder utanför balansräkningen, vilket inte speglade den ekonomiska verkligheten på ett korrekt sätt (Marton m.fl., 2023). Den gamla standarden fokuserade mer på om en specifik tillgång har sålts eller inte snarare än att fokusera på rättigheter i att använda tillgångar. Det gjorde att konceptuella ramverkets definition av tillgångar som rättigheter eller finansiella skulder enligt IFRS 9 Finansiella instrument inte följdes helt och hållet (Marton m.fl., 2023). Till följd av IFRS 16 gick man från en binär klassificering mellan operationella och finansiella leasingavtal till kontinuerlig mätning av leasingvärdet. Kontinuerliga skalor ger lägre incitament att förvränga verkligheten genom att inte redovisa neutralt, än binära vilket ökar chansen att redovisningen speglar den ekonomiska verkligheten på ett mer korrekt och tillförlitligt sätt (Marton m.fl., 2023). Enligt det konceptuella ramverket för IFRS innebar denna förändring att redovisningen nu bättre speglar den ekonomiska verkligheten genom att följa definitionerna i IFRS 9 Finansiella Instrument (Marton m.fl., 2023). Den nya redovisningsstandarden IFRS 16 innebär att företag inte längre kan undvika att redovisa leasingförpliktelser som skulder, vilket gör att företagens finansiella rapporter får en ökad transparens, kvalitet och jämförbarhet. Det ger möjlighet till mer välgrundade beslut baserade på en mer korrekt och representativ bild av företagets tillgångar och skulder (Barone m.fl., 2014; Rudžionienė & Tamonytė, 2024). För de intressenter som använder finansiella rapporter, såsom analytiker och banker, innebär IFRS 16 att de får bättre information om företagets skuldsättning och tillgångar, vilket gör det enklare att fatta informerade beslut (Barone m.fl., 2014). Trots dessa teoretiska fördelar med implementeringen av IFRS 16, finns det praktiska utmaningar som företag har stött på. Morozova och Tarasova (2023) menar att företag upplevde problem kopplade till budget- och prognosprocesser, anpassning av IT-system samt att den finansiella rapporteringsprocessen påverkades negativt. Även Hall och Thorstensson 6 (u.å.) lyfter fram att standarden kräver ökad tillgång till information och att fler personer behöver involveras i redovisningsarbetet, vilket gör processen mer resurskrävande. Ytterligare en konsekvens av IFRS 16 är de förändringar i de finansiella nyckeltal som standarden medfört. Företag som tidigare har haft operationella leasingavtal utanför balansräkningen ser nu en betydande ökning av sina tillgångar och skulder när dessa avtal numera måste redovisas i balansräkningen. För företag i sektorer med hög leasingintensitet, såsom transport och kommunikationsservice, innebär detta en stor ökning av deras skulder. Det kan i sin tur leda till en försämrad finansiell hälsa, där både skuldsättningsgrad och lönsamhet påverkas negativt (Morales-Díaz & Zamora-Ramírez, 2018; Rudžionienė & Tamonytė, 2024). Detta kan leda till en ökad uppfattad företagsrisk bland intressenter vilket kan påverka både deras kreditvärdighet och tillgången till kapitalmarknader (Rudžionienė & Tamonytė, 2024). 1.3 Syfte Eftersom leasing utgör en stor del av finansieringsstrukturen för många företag, kan vissa sektorer med en hög leasingintensitet ha incitament att ändra sin leasingstrategi för att undvika en försämrad finansiell ställning som IFRS 16 medfört. Tidigare forskning har främst fokuserat på de direkta effekterna av IFRS 16 på finansiella nyckeltal, attityder till implementeringen och beteendeförändringar innan standarden trädde i kraft, men det saknas studier som undersöker om företag i praktiken har ändrat sin användning av leasing i samband med att IFRS 16 implementerades. Att förstå hur företag anpassar sitt beteende till den nya redovisningsstandarden IFRS 16 är viktigt för att förutse effekterna av standarden i framtiden och är av intresse för såväl företagsledningar, investerare, banker samt upprättare av redovisningsstandarder. Detta väcker frågor om företag faktiskt har förändrat sin finansieringsstrategi till följd av den nya redovisningsstandarden. Studien syftar därför till att undersöka om införandet av IFRS 16 har lett till förändringar i företagens finansieringsstrategi för företag inom Europa, med särskilt fokus på sektorerna transport- och kommunikationsservice. Fokus ligger på att analysera hur och i vilken utsträckning de nya redovisningskraven har påverkat användningen av leasing som en fortsatt attraktiv finansieringsmetod, mot bakgrund av de bakomliggande faktorer som kan ha drivit dessa förändringar. Det innefattar bland annat företagens val 7 mellan leasing, serviceavtal, köp av tillgångar, till följd av incitament att uppnå vissa redovisningsmässiga resultat efter implementeringen av IFRS 16. Det innefattar även att avtal som tidigare inte klassificerades som leasingavtal numera kan omfattas av den nya standarden. Därför formuleras följande frågeställning: ● Har noterade europeiska företag inom sektorerna transport och kommunikationsservice förändrat sina leasingnivåer i förhållande till totalt kapital som en effekt av IFRS 16? 2. Teoretisk referensram 2.1 Varför leasing? Genom ett leasingavtal får man som leasetagare under avtalade villkor rättigheten att använda en tillgång under en överenskommen nyttjandetid, när tillgången ägs av någon annan (Skatteverket, 2025). Detta sker i utbyte mot betalning eller annan ersättning mellan leasegivaren och leasetagaren (Skatteverket, 2025). Den ekonomiska substansen i ett leasingavtal innebär att leasingavtalet tillåter leasetagaren att ha kontroll över tillgången under avtalets period, medan den juridiska utformningen innebär att äganderätten kvarstår hos leasegivaren under avtalets period (Marton m.fl., 2023). Detta medför en fördel med användningen av leasing för leasetagaren, då man separerar ägandet och dess juridiska aspekt mot dess ekonomiska användning, där fokus ligger på nyttjande istället för ägande (Shi & Xu, 2015). Vilka är de främsta fördelarna för företag med att använda sig av leasing? Som företag kan det vara fördelaktigt att leasa en tillgång istället för att finansiera den via köp. Detta medför att företagen kan undvika att lägga stora belopp på investeringar vid köp av tillgångar, vilket bidrar till att kapitalet kan användas mer effektivt eller för att stärka likviditeten (Johansson, 2025). Genom ett leasingavtal kan även företagens budgeteringsprocess och den framtida ekonomiska planeringen underlättas och effektiviseras (Johansson, 2025). Dessutom är leasing ett bra alternativ till finansiering för de företag som inte har möjlighet till att finansiera sig via traditionella banklån (Shi & Xu, 2015). Vidare stärks detta av Lau (2023) 8 där det framgår att finansiering via leasing anses som ett substitut för olika typer av lån eller obligationer. 2.2 Redovisningsprinciper 2.2.1 IAS 17 Redovisning av leasing behandlades tidigare av IAS 17 Redovisning av leasingavtal. IAS 17 gavs ut år 1982 av IASC och utgångspunkten i standarden var att skilja mellan köp och hyresavtal. Inom IAS 17 skiljde man på finansiell-, och operationell leasing, vilket skiljer sig från den nya leasingstandarden IFRS 16 (Marton m.fl., 2023). Finansiell leasing tar utgångspunkt i om de ekonomiska riskerna och fördelarna som är kopplade till att äga en tillgång överförs via leasingavtalet. I de fall där finansiell leasing förekommer behöver leasetagaren redovisa leasingavtalet i balansräkningen som en tillgång och en skuld till det belopp som motsvarar det leasade objektets verkliga värde. I de fall där leasingtillgångens värde understiger det verkliga värdet används istället nuvärdet av de framtida minimileasebetalningarna i leasingavtalet. Ett finansiellt leasingavtal medför både avskrivningar av leasingtillgångar samt räntekostnader i resultaträkningen under varje redovisningsperiod (IFRS, u.å). Operationell leasing är ett leasingavtal som inte uppfyller kriterierna för finansiella leasingavtal. Vid operationell leasing redovisas de kostnader kopplade till leasingen som en kostnad i resultaträkningen linjärt över hela leasingperioden (IFRS, u.å). Det innebär att leasetagaren inte behöver redovisa leasingtillgångar i sin balansräkning. Till följd av detta uppstod det ofta en ofullständig redovisning med underskattade skulder och tillgångar eftersom man som leasetagare ofta hade incitament att redovisa alla leasingavtal som operationella, som en fördel för företagets finansiella ställning (Marton m.fl., 2023). Detta skapar en icke rättvis redovisning då relevant information uteblir. 2.2.2 IFRS 16 IFRS 16 bygger på den tidigare standarden IAS 17 från år 1982. Till skillnad från IAS 17 som tog sin utgångspunkt i huruvida en tillgång har sålts eller inte, tar IFRS 16 istället utgångspunkt i rättigheter att använda tillgångar. Den grundläggande principen inom IFRS 16 9 är att leasetagare ska redovisa alla tillgångar och skulder som uppkommer genom leasing (Marton m.fl., 2023). IFRS 16 kräver att alla leasingtagare ska följa samma redovisningsprinciper. Där leasingavtal som sträcker sig över 12 månader ska tas upp i balansräkningen, så länge det inte handlar om tillgångar med lågt värde. Det innebär att företaget måste redovisa både en tillgång, som visar rätten att använda leasingtillgångar, och en skuld som speglar framtida leasingbetalningar (IFRS, u.å). Tillgången som leasingavtalet ger upphov till skrivs av över den kortaste tidsperioden av leasingperioden och tillgångens nyttjandeperiod. Vid initial värdering av leasingavtalet beräknas nuvärdet av framtida leasingbetalningar. För att diskontera dessa betalningar används den implicita räntan i leasingavtalet, det vill säga den ränta som gör att summan av framtida leasingavgifter motsvarar det verkliga värdet på tillgången (Marton m.fl., 2023). När man redovisar leasingavtal finns det tre villkor inom IFRS 16 som ska vara uppfyllda för att ett leasingavtal ska kunna redovisas. Det första villkoret är att det gäller en specifik identifierad tillgång. Det andra är om leasetagaren erhåller ekonomiska fördelar från tillgångens användning, samt det tredje villkoret handlar om att leasetagaren har rätt att bestämma över tillgångens användning. Denna definition av villkor nämnda ovan är avgörande för om ett avtal klassificeras som ett leasingavtal eller som ett serviceavtal (Marton m.fl., 2023). Utöver att ett leasingavtal ska redovisas i balansräkningen ställs det även krav på upplysningar inom IFRS 16. Syftet med upplysningarna är att ge användarna tillräcklig information för att kunna bedöma hur leasingavtal påverkar leasingtagarens finansiella ställning, resultat och kassaflöden. I IFRS 16 står det att leasetagaren ska lämna information om sina leasingavtal i en enda not eller ett separat avsnitt, utan att upprepa information som redan finns i de finansiella rapporterna (FAR Online, u.å). Information om vad leasetagare ska lämna upplysningar om regleras i IFRS 16.53 (se appendix A). 2.3 Konsekvenser av IFRS 16 IFRS 16 har inneburit en förändring där operationella leasingavtal numera redovisas i balansräkningen, vilket orsakar högre andel redovisad leasing. En annan viktig aspekt är 10 hanteringen av embedded leases, dvs leasingkomponenter som uppstår när ett leasingavtal döljer sig i ett annat kontrakt, ofta ett serviceavtal (Reed, 2023). Med införandet av IFRS 16 har definitionen av leasingavtal stramats åt för att undvika att företag klassificerar avtal som egentligen är leasingavtal som något annat (Marton, 2016). Det innebär att företag numera behöver identifiera och redovisa tidigare oidentifierade och osynliga embedded leases i balansräkningen. Konsekvenserna av dessa effekter till följd av implementeringen av IFRS 16 resulterar i ökade leasingnivåer i balansräkningen som i sin tur påverkar både balansomslutning och därmed finansiella nyckeltal (Reed, 2023). Konsekvenserna av IFRS 16 blir därmed att företagen får en ökad balansomslutning eftersom både tillgångar och skulder ökar. Detta har i sin tur påverkat flera skuldrelaterade nyckeltal negativt (Rudžionienė & Tamonytė, 2024; Morales-Díaz & Zamora-Ramírez, 2018; Bennett, & Bradbury, 2003; Lau, 2023; Alabood m.fl., 2019). Även lönsamhetsmåtten kommer att påverkas då både Barone m.fl. (2014) och Alabood m.fl. (2019) menar att ROA kommer att försämras signifikant. Till följd av försämrade finansiella nyckeltal kan företagens finansiella hälsa och kreditvärdighet bli negativt påverkad, vilket kan orsaka ökade lånekostnader och begränsa tillgången till kapitalmarknaderna (Rudžionienė & Tamonytė, 2024). Flera studier har visat att påverkan av IFRS 16 på den finansiella ställningen dock inte är likvärdig för alla branscher. Sektorer med hög leasingintensitet påverkas i betydligt högre grad än andra (Rudžionienė & Tamonytė, 2024; Morales-Díaz & Zamora-Ramírez, 2018; Alabood m.fl., 2019). Dessa negativa konsekvenser kan minska företagens incitament till leasinganvändning för att inte försämra sin finansiella ställning och bryta sina befintliga låneavtal (Lau, 2023). Detta går i linje med Debt Covenant Hypothesis, som menar på att ju närmare ett företag är att bryta mot sina låneavtal, desto mer sannolikt är det att ledningen väljer redovisningsmetoder som minskar den rapporterade skulden för att undvika att bryta mot dessa avtal (Watts & Zimmerman, 1990). Det kan med andra ord skapa ett tryck för företag att hantera sin balansräkningar och minska andelen leasing (Lau, 2023). För att uppnå detta kan företag istället köpa tillgångar med likvida medel. Ett sådant köp kan finansieras med eget kapital genom att minska företagets likvida medel (Marton m.fl., 2020). Alternativt kan företagen omförhandla sina leasingavtal till serviceavtal. Enligt IFRS 16 omfattas serviceavtal inte av leasingdefintionen och ska därför inte inkluderas i balansräkningen (Marton m.fl., 2023). Det resulterar i att balansomslutningen blir opåverkad och därmed även företagens skulder. 11 Sammanfattningsvis har implementeringen av standarden IFRS 16 medfört en ökad transparens vid redovisning av leasing. IFRS 16 har å ena sidan lett till ökade leasingnivåer eftersom operationella leasingavtal och embedded leases numera inkluderas i balansräkningen till skillnad från tidigare, vilket leder till en ökad balansomslutning och försämrade finansiella nyckeltal. Å andra sidan kan det skapas motstridiga incitament från företagsledningen för att undvika de negativa konsekvenserna som kan bli på balansomslutningen och nyckeltalen genom att minska sin andel leasing. Den faktiska effekten av IFRS 16 på leasingnivåer kommer alltså att påverkas av dessa två motstridiga krafter som dras mellan ökad redovisad leasing och minskad redovisad leasing till följd av minskade incitament att leasa för att minska de negativa finansiella effekterna. 2.4 Hypotesformulering Med utgångspunkt i ovanstående forskning undersöker rapporten huruvida implementeringen av IFRS 16 har påverkat användningen av leasing som finansiering inom europeiska företag i sektorerna transport och kommunikationsservice. Införandet av IFRS 16 innebär att både finansiell och operationell leasing nu redovisas i balansräkningen, vilket ökar transparensen och jämförbarheten mellan företagens finansiella rapporter. Denna förändring innebär att företag inte längre kan hålla operationella leasingavtal utanför balansräkningen, vilket gör att leasingskulder och tillgångar blir mer synliga för intressenter. Dessutom omfattar IFRS 16 embedded leases-avtal som under tidigare standard IAS 17 ofta redovisades som serviceavtal, vilket bidrar till en direkt ökning av redovisade leasingnivåer. Samtidigt kan den nya redovisningsstandarden minska företagens incitament att använda leasing. Eftersom alla leasingavtal nu medför ökade skulder i balansräkningen kan viktiga finansiella nyckeltal och företagens finansiella ställning påverkas negativt, särskilt för leasingintensiva företag (Morales-Díaz & Zamora-Ramírez, 2018). Därmed kan leaseintensiva företag ha incitament att minska andelen leasing och söka alternativa finansieringslösningar för att inte bryta mot sina låneavtal, enligt Debt Covenant Hypothesis (Lau, 2023). Företag kan därför försöka minska sin redovisade leasing genom att köpa tillgångar direkt med likvida medel eller omförhandla leasingavtalen till serviceavtal som inte behöver redovisas i balansräkningen. 12 Det uppstår alltså en spänning mellan redovisningsstandardens avsikt att öka transparensen genom att inkludera fler leasingavtal i redovisningen och företagens minskade incitament att använda leasing för att begränsa den negativa påverkan på sina finansiella rapporter. Dessa motstridiga krafter leder till en osäker nettoeffekt där ökade krav på redovisning av embedded leasing kan ha lett till högre redovisade leasingnivåer, samtidigt som vissa företag medvetet kan ha minskat sin faktiska leasinganvändning genom köp eller omförhandling. För att testa om det förekommer ett samband mellan införandet av IFRS 16 och en förändrad nettoeffekt i leasingnivåer, kommer följande hypotes testas: - Andelen leasing i europeiska företag inom sektorerna transport och kommunikationsservice har minskat till följd implementeringen av IFRS 16 3. Metod Syftet med studien är att undersöka om andelen leasing har minskat bland europeiska företag inom transportsektorn och kommunikationsservicesektorn till följd av implementeringen av IFRS 16. För att besvara frågeställningen och testa hypotesen användes en kvantitativ metod, där sekundärdata hämtades från S&P Capital IQ, exporterades till Excel för sammanställning av variablerna som därefter bearbetades i statistikprogrammet Stata. En kvantitativ metod är särskilt lämplig i studien eftersom syftet är att mäta och analysera numeriska förändringar i leasingnivåer före och efter implementeringen av IFRS 16 för börsnoterade europeiska företag på koncernnivå. Denna metod möjliggör en generalisering av resultatet till en större population samt objektiv bedömning av sambandet (Patel & Davidson, 2019). Studien är även en longitudinell studie vilket innebär att mätningar görs både före och efter en viss påverkan, och utfallet används för att uttala sig om denna påverkan har någon effekt (Patel & Davidson, 2019). Studien har utgått från de två årtalen 2016 och 2019 för att möjliggöra analys av effekterna av IFRS 16, se rubrik 3.2 för ytterligare beskrivning av urvalet. 3.1 Multipel linjär regressionsmodell För att testa hypotesen om börsnoterade europeiska företag på koncernnivå inom sektorerna transport och kommunikationsservice har minskat andelen leasing till följd av implementeringen av IFRS 16, används en multipel linjär regressionsmodell. Modellen tillämpades för att analysera hur olika oberoende variabler påverkar den beroende variabeln (Vittinghoff, 2012). Studiens modell representerar leasingnivån i förhållande till totalt kapital 13 för europeiska företag inom sektorerna transport och kommunikationsservice och är den beroende variabeln. För att estimera sambanden mellan variablerna användes OLS (Ordinary Least Square), vilket enligt Vittinghoff (2012) innebär att summan av de kvadrerade avstånden mellan datapunkterna och regressionslinjen minimeras. OLS är fördelaktigt att använda eftersom OLS-skattningar har liten variabilitet och fungerar bra i stora urval, även om fördelningsantagandena inte är exakt uppfyllda (Vittinghoff, 2012). Modellen uttrycks enligt följande: 𝐿𝑒𝑎𝑠𝑖𝑛𝑔 = β + β 𝐼𝐹𝑅𝑆16 + β 𝑇𝑖𝑙𝑙𝑣ä𝑥𝑡𝑡𝑎𝑘𝑡 + β 𝑆𝑘𝑢𝑙𝑑𝑠ä𝑡𝑡𝑛𝑖𝑛𝑔 + β 𝑅𝑂𝐴 0 1 2 3 4 + β 𝐸𝐵𝐼𝑇𝐷𝐴 + β 𝐵𝑟𝑎𝑛𝑠𝑐ℎ + ɛ 5 6 Där, - Leasing: är den beroende variabeln som mäter företagens leasingnivåer i förhållande till totalt kapital i procent och utgör utgångspunkten för analysen, - IFRS 16: är en oberoende dummyvariabel, där värdet 0 avser år 2016 (före IFRS 16) och värdet 1 avser år 2019 (efter IFRS 16), - Tillväxttakt: kontrollvariabel som speglar företagets omsättningstillväxt i procent, - Skuldsättning: kontrollvariabel som fångar företagets skuldsättningsgrad, med andra ord företagets totala skulder i förhållande till det egna kapitalet som en kvot, - ROA: kontrollvariabel som speglar företagets procentuella lönsamhet i form av räntabilitet på totalt kapital (ROA), med andra ord nettoresultat i förhållande till totala tillgångar i procent, - EBITDA: kontrollvariabel för företagets procentuella EBITDA-marginal, - Bransch: kontrollvariabel för bransch representerad som en dummyvariabel, där värdet 0 anger att företaget tillhör transportbranschen och värdet 1 anger att företaget tillhör kommunikationsservicebranschen. 3.1.1 Beroende variabel Regressionsmodellen består av den beroende variabeln leasing, samt en dummyvariabel, IFRS 16, som fångar effekten av den nya redovisningsstandarden på leasingnivåerna. Utöver dessa finns det 5 kontrollvariabler. β är konstanten, och de övriga koefficienterna β till β 0 1 6 representerar effekterna av respektive variabel på den beroende variabeln. 14 Den beroende variabeln i studiens modell är Leasing, vilket representerar den andel leasing som ett företag har i förhållande till de totala tillgångarna. År 2016 definieras täljaren, leasing, som total finansiell leasing adderat med total operationell leasing1, och år 2019 definieras det som bruttovärdet av totala nyttjanderättstillgångar subtraherat med ackumulerade avskrivningar2. De operationella leasingavtalen som identifierades år 2016 har inte nuvärdesberäknats vilket innebär att det ger en förenklad, men ändå rättvis, jämförelse mellan åren eftersom det ändå ansågs tillräckligt för studiens syfte då det inte ansågs förändra slutsatsen. Andelen leasing i förhållande till totala tillgångar har valts som den beroende variabeln eftersom syftet med studien är att undersöka hur implementering av IFRS 16 påverkat leasingnivåerna inom företagen. Genom att mäta och analysera förändringar i leasingnivåerna före och efter implementeringen av IFRS 16 kan hypotesen testas, det vill säga om andelen leasing i europeiska företag har minskat till följd av implementeringen. 3.1.2 Huvudsaklig oberoende variabel Den huvudsakliga oberoende variabeln är IFRS 16. Variabeln används för att undersöka om implementeringen av den nya redovisningsstandarden haft en påverkan på företagens leasingnivåer. Variabeln är en dummyvariabel, där värdet 0 representerar år 2016, innan IFRS 16 trädde i kraft, och värdet 1 representerar år 2019, efter att IFRS 16 trädde i kraft. Vittinghoff (2012) menar att binära dummyvariabler är vanligt inom regressionsanalys när man vill jämföra två grupper, i studiens fall före och efter en ändring i en redovisningsstandard. Vidare menar Vittinghoff (2012) att genom att använda en dummyvariabel kan man tydligt tolka regressionskoefficienten som skillnaden i genomsnittligt utfall mellan de två grupperna. Det innebär att dummyvariabeln IFRS 16 visar hur mycket den beroende variabeln, Leasing, i genomsnitt förändras i gruppen efter IFRS 16 jämfört med den andra gruppen, innan införandet av IFRS 16. På så vis blir det möjligt att isolera och se förändringar som kan kopplas direkt till den nya standardens införande. 1 IQ_TOTAL_FINANCE_LEASES + IQ_OL_COMM_NEXT_FIVE + IQ_OL_COMM_AFTER_FIVE 2 IQ_RUA_GROSS - IQ_RUA_ACCUM_DEP 15 3.1.3 Kontrollvariabler I regressionsmodellen finns 5 stycken kontrollvariabler. Kontrollvariablerna inkluderas i regressionsmodellen för att isolera effekten av den oberoende dummyvariabeln IFRS 16 på företagens beroende variabel, Leasing. Genom att använda både beroende, oberoende och kontrollvariabler kan man mer tillförlitligt undersöka sambandet mellan IFRS 16 och leasingnivåer. Kontrollvariablerna används för att hantera potentiella “confounding variables”, variabler som kan påverka både den beroende och den oberoende variabeln (Vittinghoff, 2012). Genom att hantera dessa variabler med hjälp av kontrollvariabler kan man separera effekten av IFRS 16 från andra faktorer som också kan förklara variationer i leasingnivåer. Detta gör sambandet mellan den oberoende variabeln (IFRS 16) och den beroende variabeln (Leasing) mer exakt och trovärdigt. Genom att justera för dessa variabler dämpas ofta sambandet mellan x och y (Vittinghoff, 2012). Tillväxttakt utgör den första kontrollvariabeln i regressionsmodellen och definieras som omsättningstillväxt. Enligt Shi och Xu (2015) erbjuder leasing en alternativ finansieringsform som är särskilt fördelaktig för företag med begränsad kredithistorik eller som inte kvalificerar sig till traditionella lån. Det gäller främst mindre och medelstora företag i tillväxtekonomier som kan ha svårare att få tillgång till traditionell finansiering (Shi & Xu, 2015). Det är därför viktigt att kontrollera för tillväxttakt i analysen, då företags tillväxtfas kan påverka dess benägenhet att använda leasing som finansieringsmetod. Företag med hög tillväxttakt kan vara särskilt känsliga för effekterna av IFRS 16, då standardens krav på att redovisa operationella leasingavtal i balansräkningen kan leda till försämrade nyckeltal och en ökad balansoslutning. Rudžionienė och Tamonytė (2024) menar att implementering av IFRS 16 kan försämra kreditvärdigheten, som potentiellt kan begränsa tillgången till kapitalmarknaden. Detta är särskilt känsligt för snabbt växande företag med ett kontinuerligt behov av extern finansiering. Den andra, tredje och fjärde kontrollvariabeln i studien är skuldsättning som definieras som skuldsättningsgrad, ROA samt EBITDA som definieras som EBITDA-marginal. Enligt Bennett & Bradbury (2003) kommer implementeringen av IFRS 16 att öka skuldsättningsgraden, samtidigt som lönsamhets- och likviditetskvoter kommer att minska. Däremot hävdar Morales-Díaz och Zamora-Ramírez (2018) att EBITDA snarare kommer att öka efter implementeringen eftersom leasingkostnader flyttas och numera hamnar utanför 16 EBITDA. Det är därför viktigt att inkludera dessa kontrollvariablerna i modellen för att bättre fånga hur företag med olika nivåer av skuldsättning, ROA och EBITDA-marginal påverkas av IFRS 16 och hur detta i sin tur kan kopplas till förändringar i leasingnivåerna. Den femte kontrollvariabeln i studiens modell, bransch, är en dummyvariabel och inkluderas i modellen för att ta hänsyn till sektorspecifika faktorer som kan påverka företagens leasingnivåer. För att undersöka effekten av bransch på leasingnivåer används värdet 0 på dummyvariabeln för företag inom transportsektorn, och värdet 1 på dummyvariabeln för företag inom kommunikationsservice. Den kategorin som utelämnas fungerar som referenskategori. Koefficienten för dummyvariabeln visar hur kategorin skiljer sig från referenskategorin (Statistikhjälpen, u.å). Det gör att transportsektorn fungerar som referenskategori eftersom det antar värdet 0, och koefficienten för branschvariabeln i regressionsmodellen visar hur mycket leasingnivån i kommunikationsservice skiljer sig från leasingnivån i transportsektorn. Genom att inkludera bransch som en kontrollvariabel kan analysen bättre isolera effekten av IFRS 16 på leasingnivån, utan att resultatet påverkas av branschspecifika faktorer. 3.2 Datainsamling och urval Studien utgår från två valda branscher, transportsektorn och kommunikationsservice. Dessa branscher har valts eftersom de klassificeras som leasingintensiva och därmed påverkades mycket av implementeringen av IFRS 16 (Rudžionienė & Tamonytė, 2024). Enligt Rudžionienė och Tamonytė (2024) drabbades flygbolag hårt av förändringarna, då en stor andel av flygbolagens flygplan är leasade. Flygbolag är endast ett av alla drabbade branscher inom transportsektorn som klassificeras som leaseintentiva. Även Alabood m.fl. (2019) belyser de utmaningar som flygbranschen stod inför, där bolagen tidigare i stor utsträckning förlitade sig på operationell leasing. Telekommunikationsbranschen, som ingår i det bredare begreppet kommunikationsservice, drabbades också hårt av IFRS 16 eftersom även dessa företag till stor del utnyttjade operationella leasingavtal (Rudžionienė & Tamonytė, 2024). Studien har avgränsats till två leasingintensiva branscher i syfte att undersöka effekterna av IFRS 16 på leasingnivåer inom två olika sektorer där leasing har spelat en central roll och där förändringen av redovisningen har fått stora konsekvenser. De två valda branscherna undersöks för börsnoterade företag inom Europa. Enligt Marton m.fl. (2023) har EU infört obligatorisk redovisning enligt IFRS för noterade företags koncernredovisning. Detta 17 säkerställer en enhetlig och jämförbar redovisning mellan de olika länderna i urvalet vilket i sin tur ökar tillförlitligheten i datan och analysen. Datainsamlingen har begränsats till två specifika årtal, 2016 och 2019, för att avspegla perioderna innan och efter implementering av IFRS 16. De två årtalen möjliggör en jämförelse av leasingnivåer före och efter att standarden trädde i kraft vilket är viktigt för att analysera effekterna av IFRS 16 på leasingnivåer och därmed testa studiens hypotes och besvara frågeställningen. Morales-Díaz och Zamora-Ramírez (2018) nämner att IASB offentliggjorde den nya standarden år 2016, vilket stärker valet av detta årtal för att presentera utfall innan implementeringen och kännedom av standarden. Ett annat årtal som exempelvis år 2018 (året före implementeringen av standarden) valdes inte eftersom det finns en risk att reaktioner från företag inte hinner synas i de finansiella rapporterna på så kort tid som ett år fram till 2019, men med 2016 som årtal hinner företag reagera och ändra sina finansieringsstrategier på tre år vilket ökar chanserna att man ser en tydlig förändring i redovisningen av leasing. År 2019 valdes som årtal eftersom det var året som standarden infördes obligatoriskt (Marton m.fl., 2023). Anledningen till att ett senare årtal inte användes, som till exempel år 2023, var för att det ansågs bli ett för stort glapp där mycket kan hända. På 7 år kan företag hinna förändra hela sin affärsmodell och risken finns att det inte är samma företag längre, och därav blir det inte lika jämförbart. Dock medför ändå urvalet av årtal vissa begränsningar vid tolkning av resultaten. Under dessa årtal kan eventuellt andra externa makroekonomiska händelser ha påverkat leasingnivåerna i de företag som har studerats, och kan därmed bero på en ytterligare aspekt som inte är direkt kopplad till IFRS 16. Det kan försvåra tolkningen av de direkta effekterna av IFRS 16 och kan göra det svårt att skilja förändringar i leasingnivåer orsakade av IFRS 16 från förändringar som beror på externa yttre faktorer. Trots detta anses urvalet vara relevant och korrekt, men det bör tas i beaktning vid tolkning av resultaten. Det representativa urvalet av företag och de avgränsade årtalen som har valts tillsammans med variablerna i regressionsmodellen spelar en viktig roll för att undersöka studiens hypotes. När urvalet hade gjorts hämtades data från S&P Capital IQ vilket är en etablerad databas som ger tillgång till företagens marknadsinformation och dess finansiella information världen över. För att få fram data från de utvalda branscherna i börsnoterade bolag inom Europa användes funktionen “Companies” under fliken “Screening”. Här specificerades val av 18 bransch, typ av bolag samt den geografiska begränsningen. För att effektivisera datainsamlingen och undvika manuell hantering användes “Excel Company ID” via funktionen “Customize Display Columns” vilket gör att man sedan snabbt kan hämta relevant information från varje enskilt företag i Excel. Utifrån sökningen blev det 917 stycken träffar av publika företag inom sektorerna transport och kommunikationsservice inom Europa. Därefter laddades urvalet ned i Excel för hämtning av variablerna via en “plug in”, samma variabler hämtades för samtliga bolag för att säkerställa enhetlig och likvärdig data. Den hämtade datan kunde den sedan överföras till Stata för vidare behandling och bearbetning. De företag som varken hade leasing år 2016 eller 2019, rensades bort. Därefter kunde de diagnostiska testerna genomföras för att analysera förändringarna i mängden redovisad leasing i förhållande till totalt kapital innan och efter implementeringen av IFRS 16. Genom att använda S&P Capital IQ säkerställs att den finansiella informationen som använts är trovärdig och relevant vilket bidrar till hög trovärdighet. 3.3 Diagnostiska test och datagranskning Diagnostiska test utgör en viktig del av studien eftersom de syftar till att testa studiens hypotes. Många tester bygger på antaganden om att datan uppfyller vissa krav som gör materialet användbart i analysen. 3.3.1 Multikollinearitet När regressionsmodellen är på plats är det viktigt att testa multikollineariteten i regressionsmodellen. Multikollinearitet uppstår när det finns ett starkt samband mellan två eller fler prediktorer och är viktigt att testa eftersom starka samband mellan prediktorer kan leda till problem med att uppskatta unika parametrar (Field, 2022). Om det finns hög multikollinearitet mellan prediktorer kan det vara svårt att skilja på deras individuella effekter, vilket kan göra resultaten opålitliga. Därför testas korrelationskoefficienterna mellan prediktorerna och säkerställer att alla ligger innanför intervallet -0,8 och 0,8 (Field, 2022). Även VIF (Variance Inflation Factor) testas, vilket också är ett ytterligare mått på multikollinearitet bland de oberoende variablerna i en regressionsanalys (Kelly, 2025). Om det största VIF-värdet är större än 10 eller om medelvärdet av alla VIF-värden är betydligt större än 1 bör man vara orolig, då detta potentiellt kan leda till problem med multikollinearitet (Field, 2022). Genom att kontrollera för multikollinearitet genom dessa två tester säkerställs att regressionsmodellen ger pålitliga resultat. 19 3.3.2 Variablernas fördelning Därefter tas beskrivande statistik fram för variablerna i modellen för att ge en övergripande förståelse över datan. Genom att analysera antal observationer, medelvärde, median, standardavvikelse, normalfördelningskurvor och min- och maxvärde kan både extremvärden och skevhet identifieras. Enligt Békés och Kézdi (2021) är det viktigt att identifiera extremvärden som ingår i datan då de kan påverka resultaten och leda till missvisande slutsatser. Normalfördelning innebär att datapunkterna är symmetriskt fördelade i en klockformad sannolikhetsfördelning där majoriteten av observationerna samlas kring medelvärdet. Normalfördelning är ett viktigt antagande för många statistiska test såsom t-test och linjära regressionsanalyser (Statistics Solutions, u.å). Genom att kontrollera skevheten och extremvärden kan det tydliggöras om datan är optimal och uppfyller normalfördelning eller om det behövs anpassningar för att få tillförlitliga resultat. Med hjälp av en Q-Q plot (Quantile-Quantile plot) kan både extremvärden och skevhet identifieras i datamaterialet genom att jämföra kvantilerna från datan med kvantilerna från en teoretisk fördelning, i studiens fall normalfördelning, för att identifiera avvikelser (Lee, 2025). Det görs genom att analysera hur väl observationerna, de plottade blå prickarna, förhåller sig till den svarta referenslinjen (se appendix C), för att se om variablerna potentiellt påvisar skevhet och extremvärden. Om prickarna skapar en rak linje och ligger nära referenslinjen indikerar det på att fördelningen i datan är normalfördelad. När de plottade prickarna istället skapar en annan linje som inte följer referenslinjen, tyder det på att datan är skevt fördelad (Lee, 2025). Extremvärden visar sig som tydliga avvikelser i form av enstaka punkter som ligger långt ifrån majoriteten av punkterna och som avviker från den linjära trenden (Lee, 2025). Framkommer det avvikelser av punkter både över och under majoriteten av punkterna, visar detta på att det finns extremvärden i båda riktningarna, alltså både låga och höga. Skevhet kan även identifieras genom att jämföra medelvärdet med medianen. En stor skillnad mellan medelvärde och median indikerar på en skev fördelning i datan. Ju mindre skillnad det är, desto mindre är skevheten för variabeln. Vid perfekt normalfördelad data är medianen och medelvärdet samma (Statistics LibreTexts, 2023). Vid en positiv skev fördelning tenderar några enstaka höga extremvärden dra upp genomsnittet vilket resulterar i ett medelvärde som överstiger medianen, och tvärtom vid en negativ fördelning (Chen, 2025). 20 Vidare används histogram som visas i appendix D för att visualisera fördelningen i datan och identifiera potentiell skevhet. Ett histogram är en grafisk presentation av en frekvensfördelning och visar tydligt datans fördelning (Doane & Seward, 2019). Detta möjliggör identifiering av skevhet. Ytterligare sätt att analysera datan är genom en boxplot och IQR-metoden (Interquartile Range). Boxplot visualiserar hur datan är fördelad och identifierar extremvärden utanför boxens whiskers. De punkter utanför whiskers representerar extremvärden (Newcastle University, u.å). IQR är ett statistiskt mått som beskriver hur utspridd datan är genom att mäta avståndet mellan den nedre kvartilen Q1 och den övre kvartilen Q3. För att identifiera extremvärden med IQR-metoden används en övre och undre gräns, se Appendix B. De observationer som hamnar utanför dessa gränser betraktas som extremvärden (Hleap, u.å). Nedan följer en tabell av den beskrivande statistiken samt beskrivning av variablernas fördelning: Tabell 1 Summerande statistik: N Mean SD Min Max p25 Median p75 Leasing 523 .108 0.183 0 1.095 0 .038 .134 Tillväxttakt 507 .077 0.306 -.737 1.74 -.032 .025 .121 Skuldsättningsgrad 523 2.089 5.863 -23.82 36.424 .66 1.344 2.5 ROA 523 -.008 0.194 -1.125 .53 -.018 .026 .059 EBITDA 520 .035 0.893 -6.963 .701 .058 .134 .274 Tabell 1 representerar summerande statistik för samtliga publika bolag i transport-, och kommunikationsservicesektorn i Europa åren 2016 & 2019. Total Leasing = Total andel leasing i förhållande till totalt kapital för varje enskilt företag och år i procent. Tillväxttakt = Företagens omsättningstillväxt uttryckt i procent. Skuldsättningsgrad = Skulder i förhållande till eget kapital. ROA = Räntabilitet på totalt kapital uttryckt i procent. Beräknas enligt nettoresultatet i förhållande till totala tillgångar. EBITDA = EBITDA-marginal (EBITDA i förhållande till omsättning), uttryckt i procent. 21 Resultatet över den beskrivande statistiken för den beroende variabeln Leasing visar på ett medelvärde på 0,108 och en median på 0,038, se Tabell 1. De oberoende variablerna Skuldsättningsgrad och Tillväxttakt, har ett medelvärde på 2,089 respektive 0,077 och en median på 1,344 respektive 0,025, se Tabell 1. Skillnaderna mellan medelvärde och median för dessa tre variabler tyder på en positiv skevhet i fördelningen. Detta då medelvärdet är betydligt högre än medianen. Detta bekräftas även av histogrammen i appendix D som visar på att majoriteten av värdena för skuldsättningsgrad, tillväxttakt och leasing ligger nära noll, men med en lång svans åt höger. Q-Q ploten för de tre variablerna i Appendix C avviker från den svarta räta linjen som representerar normalfördelningskurvan för både Skuldsättningsgrad, Tillväxttakt och Leasing vilket tyder på att datan inte är normalfördelad för dessa variabler. Utifrån de blå punkterna kan främst höga extremvärden identifieras. Boxploten i appendix E bekräftar dessa extremvärden genom att visualisera dessa extremvärden långt ovanför normalfördelningslinjen, men även under för Skuldsättningsgrad och Tillväxttakt. Även IQR-beräkningarna i appendix B bekräftar slutsatserna, från boxplot-diagrammen, som ger ett övre gränsvärde för Leasing på 0,335, där maxvärdet på 1,095 kraftigt överskrider detta. Skuldsättningsgrad med ett min-värde på -23,82 och ett max-värde på 36,424 både överskrider och underskrider kraftigt den övre (5,26) och undre gränsen (-2,1). Samma sak gäller Tillväxttakt med ett min-värde på -0,737 och ett max-värde på 1,74 som kraftigt överskrider gränserna från IQR-beräkningarna (-0,2615 respektive 0,3505). Omvänt kan negativ skevhet observeras för EBITDA och ROA. Medelvärdet för EBITDA (0,035) respektive ROA (-0,008) är betydligt lägre än medianen (0,134 respektive 0,026), se Tabell 1, vilket indikerar negativ skevhet. Histogrammet i Appendix D bekräftar detta genom att visualisera att majoriteten av observationerna ligger nära noll, med en lång svans som sträcker sig åt de negativa värdena åt vänster. Dock har ROA även en svans åt de positiva värdena åt höger, men denna svans är något kortare än den åt vänster. Q-Q ploten i Appendix C visar på avvikelser från normalfördelning för de båda variablerna, och indikerar främst på negativa låga extremvärden men även vissa höga extremvärden för ROA. Boxploten i Appendix E bekräftar detta och visar på tydliga extremvärden på den negativa sidan för de båda variablerna vilket indikerar att vissa enstaka företag har presterat betydligt sämre än genomsnittet. Dock indikerar även boxploten även höga positiva extremvärden för ROA vilket indikerar att det även finns enstaka företag som har presterat betydligt bättre än genomsnittet också. IQR-beräkningen i Appendix B tydliggör detta genom en nedre gräns för 22 EBITDA på -0,266 som kraftigt underskrids av min-värdet (-6,963) samt genom att min- och max-värdet för ROA (-1,125 respektive 0,53) tydligt både underskrider och överskrider den undre respektive övre gränsen (-0,1335 respektive 0,1745). Sammanfattningsvis indikerar den beskrivande statistiken i Tabell 1 tillsammans med diagrammen i Appendix C, D och E samt IQR-beräkningarna i Appendix B, att flera av de analyserade variablerna har både skevhet och extremvärden i sina data. För att hantera dessa problem tillämpades winsorizing genom att ersätta alla värden under den 1:a percentilen med värdet vid den 1:a percentilen och ersätta alla värden över den 99:e percentilen med värdet vid den 99:e percentilen. Winsorizing begränsar extremvärdernas inflytande och minskar därmed även skevheten i variablernas fördelning och skapar en mer tillförlitlig uppskattning (Marshall, 2023). Däremot ansågs logaritmering inte vara lämpligt för dessa variabler, främst eftersom de redan är skalerade, det vill säga att de redan är uttryckta i procent och kvoter. Logaritmering används ofta för att minska spridningen i datan innehållande mycket stora värden i absoluta tal, men eftersom variablerna redan är skalerade inom ett redan ganska smalt intervall ansågs logaritmering inte vara nödvändigt för att komprimera datan ytterligare. Dessutom innehåller variablerna värdet noll eller negativa värden vilket gör att logaritmering inte är möjligt (Krista King Math, 2016). Utöver winsorizing användes även robusta standardfel i regressionsanalysen för att korrigera för heteroskedasticitet. Heteroskedasticitet innebär att variansen i feltermerna inte är konstant över alla observationer vilket kan leda till felaktiga skattningar av regressionskoefficienterna (Field, 2022). 3.3.3 Antal observationer En viktig aspekt att beakta vid tolkning av den beskrivande statistiken i analysen är hur antalet observationer (N) skiljer sig åt mellan variablerna. Detta beror på att vissa värden saknades i den ursprungliga datan, där dessa markerades som “NA” i Excel. För total leasing ersattes NA med 0, vilket bedömdes bättre spegla verkligheten. Företag som inte hade någon redovisad leasing i datan antogs vara företag som helt enkelt inte hade någon leasing. Detta resulterar i ett högre antal observationer för total leasing jämfört med de övriga variablerna. För de övriga variablerna bedömdes det inte korrekt att ersätta saknade värden med noll eftersom dessa nyckeltal förväntas finnas för ett aktivt företag. Därför tolkades den saknade datan som saknad rapportering i S&P Capital IQ snarare än noll. NA-värdena exkluderades 23 därför från analysen för dessa variabler och ledde därmed till ett färre antal observationer för dessa variabler. Det är dock viktigt att notera hur detta påverkar beräkningen av den beroende variabeln (Total Leasing/Totala tillgångar). Eftersom totala tillgångar exkluderar rader med NA-värden, medan total leasing inkluderar företag utan rapporterad leasing, kan det leda till en potentiell underskattning av den genomsnittliga andelen leasing i urvalet. Företag utan rapporterade totala tillgångar exkluderas alltså från beräkningen av andelen leasing, vilket innebär att den beroende variabeln baseras endast på företag som har fullständig data för båda variablerna tillgängliga i databasen. 3.3.4 Hypotesprövning När datan är behandlad används ett paired t-test för att analysera om det finns en genomsnittlig skillnad i leasingnivåer före respektive efter implementeringen av IFRS 16 inom samma företag. Metoden är relevant att använda i studien eftersom det finns data både före och efter förändringen för urvalet, vilket gör det möjligt att mäta förändringar (i andel leasing) över tid inom urvalet (Field, 2022). Resultatet av t-testet kommer att indikera om det finns en signifikant skillnad i leasingnivåer, vilket i sin tur resulterar i att hypotesen antingen kan bekräftas eller förkastas baserat på om skillnaden är statistiskt signifikant. Wilcoxon Signed Rank Test genomförs för att analysera och jämföra skillnader i medianen mellan två beroende grupper. Detta lämpar sig särskilt för data som inte uppfyller antagandet om normalfördelning (Newbold m.fl., 2022). Till skillnad från det tidigare använda paired t-test som bygger på antagandet om normalfördelad data, kräver Wilcoxon-testet inte detta antagande och är därför bättre att använda på data som inte är normalfördelad. I studien används testet för att analysera skillnader i leasingnivåer i förhållande till totalt kapital mellan de två årtalen 2016 och 2019 inom samma företag. Testet baseras på rangordning där skillnaderna mellan paren rangordnas i stigande ordning. Dessa rangordningar ges sedan positiva eller negativa tecken beroende på vilket håll skillnaderna är åt (Newbold m.fl., 2022). De positiva och negativa skillnaderna visar på om leasingnivåerna generellt har ökat respektive minskat mellan de två åren. 24 Till sist används två varianter av multipel regressionsanalys, avsmalnad och fullständig, för att undersöka om implementeringen av IFRS 16 har ett signifikant samband med företagens leasingnivåer. En avsmalnad regressionsanalys togs fram för en enklare och tydligare tolkning av sambandet mellan de statistiskt signifikanta variablerna och den beroende variabeln. Därefter tillämpades en fullständig multipel regressionsanalys. Genom att tillämpa en fullständig multipel regressionsanalys kan effekten av den oberoende variabeln, IFRS 16, på den beroende variabeln, Leasing, isoleras från andra påverkande faktorer då kontrollvariablernas påverkan tas med i analysen (Vittinghoff, 2012). Viktigt att ha i åtanke är att paired t-test och regressionsanalys bygger på statistiska antaganden såsom normalfördelning, linjäritet och homoskedasticitet (Field, 2022). För att hantera detta har både winsorizing och robusta standardfel använts, men trots dessa justeringar kan det inte helt uteslutas att vissa antaganden fortfarande inte håller helt och hållet. Detta bör beaktas vid tolkning av resultatet. Vid tolkning av resultaten bör det även tas i beaktning att viss osäkerhet kan uppstå på grund av förändringar i vad som inkluderas i leasingnivån före och efter implementeringen av IFRS 16. När man analyserar förändringar i leasingnivåer är det svårt att isolera effekten av IFRS 16 på företagens beteende gällande leasinganvändning då det finns externa makroekonomiska effekter. Ytterligare ett problem är de två motstridiga krafterna. Samtidigt som köp och omförhandling av serviceavtal, till följd av minskade incitament att leasa, minskar leasingnivåerna, innebär IFRS 16 numera att identifieringen av embedded leases ökar leasingnivåerna. Dessa effekter kan göra det svårt att tolka resultatet. Denna förändring i redovisningsstandarden kan därmed utgöra brus i datan vilket kan påverka resultatens tillförlitlighet. Enligt Gupta och Gupta (2019) kan databrus minska trovärdigheten då det har visat sig att precisionen i de prediktiva resultaten minskar. 4. Analys I följande avsnitt presenteras studiens statistiska analys som bygger på ett ant tester och modeller för att testa studiens hypotes. Först presenteras den beskrivande statistiken, följt av mätning av korrelation med en korrelationsmatris och VIF-test för att identifiera multikollinearitet. Sedan presenteras två stycken jämförelsetester, paired t-test och Wilcoxon signed-rank test för att jämföra leasingnivåerna mellan de två årtalen. Till sist görs en 25 avsmalnad och en fullständig multipel regressionsanalys för att identifiera och analysera sambandet mellan IFRS 16 och andel leasing. 4.1 Korrelation mellan variabler För att undersöka sambanden mellan variablerna i regressionsmodellen presenteras en korrelationsmatris i Tabell 2 samt resultaten från ett VIF-test i tabell Tabell 3. Genom att undersöka om multikollinearitet förekommer kan det avgöras om justeringar behöver göras i regressionsmodellen innan hypotesen testas. Tabell 2 Korrelationsmatris: Variables (1) (2) (3) (4) (5) (6) (7) (1) Leasing 1.000 (2) IFRS16 0.192* 1.000 (3) Tillväxttakt -0.014 -0.050 1.000 (4)Skuldsättningsgrad 0.130* 0.024 0.080 1.000 (5) ROA -0.003 -0.100* -0.051 0.013 1.000 (6) EBITDA 0.032 -0.033 -0.130* -0.020 0.521* 1.000 (7) Bransch -0.213* 0.000 0.053 -0.109* -0.094* -0.054 1.000 Tabell 2 visar en korrelationsmatris som visar sambanden mellan samtliga variabler i studiens regressionsmodell. Tabellen visar korrelationskoefficienter för varje par av variabler, som indikerar på styrkan och riktningen av det linjära sambandet mellan dem. Korrelationernas statistiska signifikans markeras med stjärnor: *** för p<0.01, ** för p<0.05 och * för p<0.1. Resultatet från korrelationsmatrisen visar att samtliga variabler har låga samband mellan varandra, betydligt lägre än 0,8 i absoluta tal, vilket minskar risken för multikollinearitet. Det bidrar till en ökad tillförlitlighet i analysen eftersom varje variabel får en unik effekt på modellen vilket i sin tur förbättrar tillförlitligheten i koefficienterna och i analysen. Korrelationen mellan IFRS16 och Leasing är också svag. Det beror på att dummyvariabeln IFRS16, som indikerar om IFRS16 har implementerats, inte påverkar den totala leasingnivån summerad över båda årtalen. Därför borde det inte finnas ett linjärt samband mellan variablerna. Istället fångar dummyvariabeln IFRS16 effekten av IFRS16 på leasingnivåerna år 2019 i samband med att standarden trädde i kraft, men inte år 2016 eller båda årtalen 26 tillsammans. För att testa hypotesen behöver inte IFRS16 korrelera starkt med leasingnivåer. Det som istället ska undersökas är om det finns en effekt över tid, det vill säga om leasingnivåerna förändras i samband med implementeringen av IFRS 16. Tabell 3 Variance inflation factor: VIF 1/VIF EBITDA 1.484 .674 ROA 1.483 .674 Tillväxttakt 1.029 .971 Bransch 1.026 .975 Skuldsättningsgrad 1.021 .98 IFRS16 1.015 .985 Mean VIF 1.176 . Tabell 3 visar resultaten från en analys av Variance Inflation Factor (VIF) och dess inverterade värde (1/VIF) för samtliga oberoende variabler i studiens regressionsmodell. VIF-testet som presenteras i Tabell 3 bekräftar observationen i korrelationsmatrisen. Samtliga VIF-värden i tabell 3 för de oberoende variablerna är relativt låga, då de ligger långt under 10. Detta indikerar på en låg sannolikhet för multikollinearitet. Även det genomsnittliga VIF-värdet för modellen är lågt, vilket ytterligare stärker slutsatsen tillsammans med korrelationsmatrisen om att sannolikheten för multikollinearitet är mycket låg, och inte utgör ett problem för tillförlitligheten i analysen. 4.2 Beroende jämförelsetester av leasingnivåer För att undersöka om det har skett en signifikant förändring i företagens leasingnivåer i förhållande till totalt kapital mellan åren 2016 och 2019 har två beroende jämförelsetester genomförts, paired t-test och Wilcoxon signed rank test. Detta för att möjliggöra en analys av förändringar inom samma företag över tid. 27 Tabell 4 Paired t-test: obs Mean2016 Mean2019 dif t value p value Leasing2016 - 251 .072 0.141 -.069 -4.65 0 Leasing2019 Tabell 4 presenterar ett paired t-test som visar skillnaden för medelvärdet i leasingnivån i förhållande till totalt kapital för år 2016 & 2019 och om denna skillnad är statistisk signifikant. Av tabellen kan man utläsa antal observationer, medelvärde för vardera år, differensen av medelvärde, t-värdet samt p-värdet. Resultatet från det tvåsidiga paired t-testet som används för att jämföra den genomsnittliga leasingnivån mellan år 2016 och 2019 visas i tabell 4. Resultatet visar på att det finns en stark statistiskt signifikant skillnad med ett högt t-värde i absoluta tal och ett låg p-värde (t=-4,65; p<0,001). Medelvärdet för leasing i förhållande till totala tillgångar år 2016 var 7,2 procent, medan det för år 2019 var signifikant högre och låg på 14,1 procent. Den genomsnittliga skillnaden på leasingnivåer mellan år 2016 och år 2019 visas som differensen (-0,069), vilket visar på att den genomsnittliga leasingnivån ökade med 6,9 procentenheter mellan år 2016 och år 2019. Detta går emot studiens ensidiga hypotes om att mängden leasing förväntades minska från 2016 till 2019, vilket innebär att studiens nollhypotes kan förkastas. Eftersom t-testet påvisar en statistiskt signifikant ökning i den genomsnittliga leasingnivån i förhållande till det totala kapitalet mellan 2016 och 2019, har företagen i genomsnitt ökat sin leasing under denna period. 28 Tabell 5 Wilcoxon signed-rank test: Sign Obs Sum ranks Expected Minskade leasingnivåer 51 7297 15812.500 Ökade leasingnivåer 199 24328 15812.500 Ingen förändring 1 1 1 Alla 251 31626 31626 H0: L20162016 = L20192019 z = -7.396 Prob > z = 0.0000 I Tabell 5 visas resultatet av Wilcoxon signed-rank test för leasingnivåer i förhållande till totalt kapital. Testet undersöker om det finns en signifikant skillnad i medianen för leasingnivån inom samma företag mellan åren 2016 och 2019. Resultatet från Wilcoxon signed-rank testet visade på en statistisk signifikant skillnad i leasingnivåer mellan de två åren, med det höga z-värdet och det låga p-värdet i absoluta tal (z = -7,396; p = 0,0000). Rangsummorna visar att summan av rangordningarna för de företag där leasingnivån ökade mellan år 2016 och 2019 (rangsumma = 24328 för 199 observationer) är betydligt högre än summan av rangordningarna för de företag där leasingnivån minskade mellan åren (rangsumma = 7297 för 51 observationer). Detta indikerar att det finns en ökning av leasingnivåerna mellan 2016 och 2019 i urvalet. Den signifikant högre summan tillsammans med z-värdet och p-värdet leder till att den dubbelsidiga hypotesen som testades samt studiens ensidiga hypotes om att mängden leasing har minskat, kan därmed förkastas. Detta då slutsatsen av Wilcoxon signed-rank testet visar att det finns en statistiskt signifikant ökning i den totala leasingnivån i förhållande till totalt kapital från år 2016 till år 2019 i urvalet. 29 Sammanfattningsvis styrker de två beroende jämförelsetesterna varandras resultat. Båda resultaten indikerar på att det finns en statistiskt signifikant ökning av medianen av leasingnivåer mellan åren 2016 och 2019. Trots att de två testerna bygger på olika antaganden om datans fördelning pekar båda analyserna på samma resultat. Det entydiga resultatet stärker tillförlitligheten i att det har skett en ökning av leasingnivåer mellan 2016 och 2019 i urvalet. 4.3 Multipel regressionsanalys För att ytterligare undersöka hypotesen, att andelen leasing i europeiska noterade företag inom sektorerna transport och kommunikationsservice har minskat till följd av implementeringen av IFRS 16, används en avsmalnad och fullständig regressionsanalys. I följande regressionsanalyser användes robusta standardfel för att justera för heteroskedasticitet. Även klustrade standardfel testades, men eftersom resultaten nästan var identiska valdes det att endast justera för heteroskedasticitet. Tabell 6 Avsmalnad linjär regression: Leasing Coef. St.Err. t-value p-value [95% Conf Interval] Sig IFRS16 .071 .015 4.65 0 .041 .101 *** Bransch -.083 .02 -4.17 0 -.122 -.044 *** Constant .126 .021 6.03 0 .085 .167 *** R-squared 0.083 Number of obs 523 F-test 24.231 Prob > F 0.000 *** p<.01, ** p<.05, * p<.1 Tabell 6 visar resultaten från den avsmalnande multipla linjära regressionsanalysen innehållande endast signifikanta variabler. I modellen analyseras den beroende variabeln Leasing, som definieras som den totala leasingnivån i förhållande till totala tillgångar. Implementeringen av IFRS 16 är den huvudsakliga oberoende variabeln och representeras som dummyvariabeln IFRS 16. Även kontrollvariabeln Bransch inkluderas i modellen där 1 är företag inom kommunikationsservicesektorn och 0 är företag inom transportsektorn. 30 En avsmalnad regressionsmodell togs fram i syfte att fokusera på de variabler som faktiskt har ett statistiskt signifikant samband med den beroende variabeln Leasing. Resultatet från regressionsanalysen visar en positiv stark signifikant effekt av IFRS 16 på total leasing (0,071). Detta visar sig i det låga p-värdet som ligger under <0,01, samt av konfidensintervallet som inte inkluderar noll. Tabell 7 Fullständig linjär regression: Leasing Coef. St.Err. p-value [95% Sig t-value Conf Interval] IFRS16 .068 .016 4.41 0 .038 .099 *** Tillväxttakt 0 .015 0.02 .986 -.029 .029 Skuldsättningsgrad .003 .002 1.54 .124 -.001 .007 ROA -.04 .036 -1.14 .257 -.11 .03 EBITDA .008 .006 1.23 .219 -.005 .02 Bransch -.081 .02 -4.11 0 -.12 -.042 *** Constant .121 .021 5.82 0 .08 .161 *** R-squared 0.094 Number of obs 507 F-test 8.213 Prob > F 0.000 *** p<.01, ** p<.05, * p<.1 Tabell 7 presenterar resultatet från den fullständiga multipla regressionsanalysen. I modellen är Leasing= den beroende variabeln som representerar den totala leasingnivån i förhållande till totala tillgångar, och implementeringen av IFRS 16 representeras av den huvudsakliga oberoende dummyvariablen IFRS16. Övriga oberoende kontrollvariabler är Tillväxttakt= omsättningstillväxt , Skuldsättningsgrad= totala skulder i förhållande till eget kapital, ROA= räntabilitet på totala tillgångar, EBITDA= EBITDA-marginal samt en dummyvariabel Bransch som kontrollerar för skillnader i leasingnivåer mellan branscherna kommunikationsservice och transport. Resultatet från regressionsanalysen visar att koefficienten för den oberoende dummyvariabeln IFRS 16 är positiv (0,068). Det tyder på att det finns ett positivt samband mellan implementeringen av IFRS 16 och den totala leasingnivån i förhållande till totala tillgångar, vilket går emot hypotesen. Resultatet visar på att den genomsnittliga leasingnivån i förhållande till totala tillgångar ökade med 6,8 procentenheter i och med implementeringen 31 av IFRS 16. Denna positiva effekt av IFRS 16 på total leasing är statistiskt signifikant. Det kan utläsas av det låga p-värdet (p<0,01) som är lägre än den normala signifikansnivån på 0,05, vilket indikerar stark signifikans. Även det 95% konfidensintervallet (0,038; 0,099) bekräftar signifikansen eftersom intervallet inte inkluderar noll. Det innebär att det går att dra slutsatsen att IFRS 16 har haft en signifikant ökande effekt på andelen leasing baserat på denna analys. Bland kontrollvariablerna i den fullständiga modellen har den oberoende dummyvariabeln Bransch en negativ statistiskt signifikant koefficient (-0,081) och ett lågt p-värde (p<0,01). Det tyder på att företag inom kommunikationsservice i genomsnitt har en signifikant lägre leasingnivå i förhållande till totalt kapital jämfört med företag i transportsektorn. Även den positiva konstanten (0,121) är statistiskt signifikant (p<0,01), vilket visar att den förväntade leasingnivån för företag när alla andra oberoende variabler är noll. De övriga kontrollvariablerna (Tillväxttakt, Skuldsättningsgrad, ROA, EBITDA) har inte statistiskt signifikanta koefficienter (p>0,1). Detta indikerar att det inte finns något statistiskt signifikant linjärt samband i denna modell mellan dessa variabler och företagens leasingnivåer, givet de andra variablerna. Regressionsmodellens determinationskoefficient (R-squared) mäter hur stor andel av variationen i den beroende variabeln som förklaras av de oberoende variablerna (Field, 2022). I studiens regressionsmodell är determinationskoefficienten 0,094 vilket innebär att 9,4% av variationen i leasingnivån kan förklaras av de oberoende variablerna i modellen. 0,094 är ett relativt lågt värde vilket indikerar att det finns andra faktorer som inte ingår i modellen som påverkar leasingnivåerna. Däremot påvisar F-testet och p-värdet att modellen som helhet är statistiskt signifikant (F = 8,213; p=0,000) vilket indikerar att de oberoende variablerna som finns med i modellen tillsammans har en signifikant förklarande effekt på den beroende variabeln även om den förklaringsgraden är begränsad. Vid jämförelse av resultaten i tabell 6 och tabell 7 är koefficienten för den huvudsakliga oberoende variabeln, IFRS 16, positivt stabil mellan de två ovan regressionsanalyserna (0,071 i tabell 6 och 0,068 i tabell 7). Den positiva starkt signifikanta effekten av IFRS 16 på leasingnivåer är kvar även när de icke-signifikanta variablerna exkluderas från modellen. 32 Sammanfattningsvis visar jämförelsen av tabell 6 och tabell 7 att resultaten gällande effekten av IFRS 16 på leasingnivån är robusta och är inte beroende av slumpen och de icke-signifikanta variablerna som fanns med i den fullständiga regressionsanalysen. Detta stärker slutsatsen om att IFRS 16 har haft en signifikant ökande effekt av leasingnivåer i förhållande till totala tillgångar och visar på ännu en gång att studiens hypotes kan förkastas. 5. Diskussion och slutsats Leasing har blivit en allt viktigare finansieringsform för företag, inte minst för de företag som befinner sig i leasingintensiva branscher som kommunikationsservice- och transportsektorn. Samtidigt har redovisningen av leasing förändrats kraftigt i och med den nya redovisningsstandarden IFRS 16 som trädde i kraft 2019. Mot bakgrund av detta syftade studien till att undersöka hur implementeringen av den nya redovisningsstandarden IFRS 16 har påverkat företagens leasingnivåer, med fokus på europeiska börsnoterade företag inom dessa sektorer. Studien tar sin utgångpunkt i tidigare forskning där det ansågs finnas luckor i forskningen gällande hur implementeringen av IFRS 16 har påverkat företagens leasingbeteende. Genom att jämföra data före och efter standardens införande analyseras om standarden har haft en påverkan på företagens leasingbeteende. IFRS 16 innebär att alla leasingavtal numera måste redovisas i balansräkningen som en nyttjanderättstillgång samt motsvarande leasingskuld (IFRS, u.å). Syftet med förändringen var att öka transparensen i de finansiella rapporterna, men en konsekvens var också ökade skulder och försämrade nyckeltal enligt Morales-Díaz & Zamora-Ramírez (2018). Detta kan minska företagens incitament att använda leasing genom att exempelvis förändra sina finansieringsstrategier. Vid tolkning av studiens resultat är det viktigt att ta hänsyn till de förändringar i vad som definieras som leasing före och efter införandet av IFRS 16. Analysen av förändringar i leasingnivåer i förhållande till totalt kapital blir komplicerad till följd av två motstridiga krafter. Å ena sidan kan företagsledningen försöka minska de redovisade leasingnivåerna genom att ändra sina finansieringsstrategier såsom att köpa tillgångar och omförhandla sina leasingavtal till serviceavtal. Å andra sidan har IFRS 16 stramat åt definitionen av leasing och tvingar företag att identifiera och inkludera embedded leases i redovisningen, något som Reed (2023) menar oftast inte har gjorts historiskt. Detta har resulterat i ökade redovisade 33 leasingnivåer oberoende av faktiska förändringar i leasinganvändningen. Dessa två motverkande krafterna riskerar att ta ut varandra vilket försvårar tolkningen av resultatet och gör det svårt att dra slutsatser om hur företagens leasingbeteende faktiskt har påverkats av IFRS 16. Resultaten från de båda regressionsanalyserna tyder starkt på att leasingnivåerna i genomsnitt snarare har ökat än minskat från år 2016 till 2019. Resultatet går emot studiens hypotes om att mängden leasing skulle ha minskat mellan dessa år. Detta styrks ytterligare av de två beroende jämförelsetesterna. Paired t-testet visar på att den genomsnittliga nivån av leasing ökade med totalt 6,9 procentenheter från år 2016 till 2019 samt resultatet från Wilcoxon Signed Rank-testet visar på att medianen i leasingnivåerna hade ökat signifikant mellan åren. Samtliga test som genomförts i analysen visar alltså på ett enhetligt resultat och därmed kan både studiens frågeställning besvaras och hypotesen kan förkastas. En viktig aspekt att belysa är dock att resultatet i studien inte helt går att fastställa huruvida de ökade leasingnivåerna beror på om företagen faktiskt medvetet har ökat sin användning av leasing under denna perioden, eller om resultatet istället beror på de redovisningstekniska förändringarna (embedded leases) som IFRS 16 har medfört. Detta gör det generellt svårt att uttala sig vad den ökade mängden leasing mellan 2016 och 2019 faktiskt beror på, och hänvisar detta istället till vidare forskning för att kunna dra mer specifika slutsatser kring orsak till resultatet. Sammanfattningsvis visar studiens resultat att implementeringen av IFRS 16 förändrat företagens leasingnivåer inom sektorerna transport- och kommunikationsservice för noterade företag i Europa. Den nya standarden har bidragit till en ökad andel redovisad leasing för dessa företag efter implementeringen, vilket visar sig starkt i samtliga statistiska tester som genomförts. Dock bör detta tolkas med försiktighet och hänsyn till nettoeffekten av de motstridiga krafterna bör lyftas då det finns en möjlighet att utfallet beror på detta, och inte alls ett ökat leasingbeteende. Det finns alltså en stor sannolikhet att resultatet snarare visar på att de redovisningstekniska effekterna av IFRS 16 har haft en större påverkan på de rapporterade leasingnivåerna än företagens minskade leasinganvändning, vilket därmed resulterat i ökade redovisade leasingnivåer för detta urval av branscher och företag inom Europa. 34 5.1 Vidare forskning Med begränsad tidsåtgång hänförligt till arbetet har analysen endast fokuserat på att undersöka effekten av implementeringen av IFRS 16 på den redovisade mängden leasing i förhållande till totala tillgångar genom behandling av statistisk data. Studien saknar därmed en djupare analys för att förstå de faktiska förändringarna i företagens leasingbeteende till följd av implementeringen av IFRS 16. För att isolera de faktiska effekterna i beteende och inte bara de redovisade effekterna och därmed komplettera den kvantitativa analysen rekommenderas vidare forskning som baseras på manuella stickprov från företagens årsredovisningar. Detta kan göras genom att undersöka hur implementeringen av IFRS 16 har ökat leasingmängden genom identifiering av tidigare icke-redovisade hyresavtal som nu klassificeras som Right-of-Use-Assets. Detta ger en förståelse för den redovisningstekniska effekten av standarden som ökar de redovisade leasingnivåerna utan att företagen ökar sin faktiska leasingnivå. Genom att separera de redovisningstekniska förändringarna från de faktiska förändringarna i företagens leasingbeteende kan man se om företagen har minskat sin faktiska leasinganvändning och istället hittat alternativa lösningar såsom omförhandling till serviceavtal eller köp av en tillgång, även om de redovisningstekniska effekterna verkar vara större än själva minskningen av andelen leasing. 35 6. Källhänvisning Alabood, E., Abuaddous, M., & Bataineh, H. (2019). The impact of IFRS 16 on airline companies: an exploratory study in the Middle East. International Journal of Economics and Business Research, 18(1), 112–128. https://doi.org/10.1504/IJEBR.2019.100654 Barone, E., Birt, J., & Moya, S. (2014). Lease Accounting: A Review of Recent Literature. Accounting in Europe, 11(1), s. 35–54, doi:10.1080/17449480.2014.903630. Békés, G. & Kézdi, G. (2021). Data analysis for business, economics, and policy. Cambridge, United Kingdom: Cambridge University Press. Bennett, B. K., & Bradbury, M. E. (2003). Capitalizing non-cancelable operating leases. Journal of International Financial Management & Accounting, 14(2), 101–114. https://doi.org/10.1111/1467-646X.00094 Bohusova, H., Svoboda, P., & Veverkova, A. (2022). Impact of new lease reporting on retailing and wholesale companies. Montenegrin Journal of Economics, 18(3), 89–98. https://doi.org/10.14254/1800-5845/2022.18-3.7 Chen, J. (1 maj 2025). Right-Skewed vs. Left-Skewed Distribution. Investopedia. https://www.investopedia.com/terms/s/skewness.asp Doane, D.P. & Seward, L.W. (2019). Applied statistics in business and economics. (Sixth International Student Edition). Boston: McGraw-Hill/Irwin. FAR Online. (u.å). IFRS 16 Leasingavtal. https://www.faronline.se/dokument/ifrs/ifrs/ifrs0016/?q=ifrs16&gad_source=1&gbraid=0AA AAADqWxpcnQUxaECqp9b6TkcttLLJ0l&gclid=CjwKCAjwktO_BhBrEiwAV70jXpvgZK BaReRP7Qn13yz4rNabJKDySFkCpzi2hCeVRj0IPuow_b8AQRoCen4QAvD_BwE Field, A.P. (2022). An adventure in statistics: the reality enigma. (Second edition.) Los Angeles: SAGE. Gupta, S., & Gupta, A. (2019). Dealing with Noise Problem in Machine Learning Data-sets: A Systematic Review. Procedia Computer Science, 161, 466–474. https://doi.org/10.1016/j.procs.2019.11.146 Hall, K. & Thorstensson, M. (u.å). 5 år efter införandet av IFRS 16: så funkar ”nya” leasingstandarden. FAR. https://www.far.se/kunskap/redovisning/5-ar-efter-inforandet-av-ifrs-16-sa-funkar-nya-leasin gstandarden/ 36 Hleap, S. (u.å). Unmasking the Outliers: Exploring the Interquartile Range Method for Reliable Data Analysis. Procogia. https://procogia.com/interquartile-range-method-for-reliable-data-analysis/ IFRS. (u.å). FACT SHEET-IFRS 16 Leases. https://www.ifrs.org/content/dam/ifrs/project/leases/ifrs/educational-materials/leases-fact-she et-jan-2016.pdf IFRS. (u.å). IAS 17 Leases. https://www.ifrs.org/issued-standards/list-of-standards/ias-17-leases/ IFRS. (u.å). IFRS 16 Leases. https://www.ifrs.org/issued-standards/list-of-standards/ifrs-16-leases/ Johansson, F. (3 januari 2025). Vad är leasing och hur påverkar det företagets ekonomi?. Finera. https://www.finera.se/vad-ar-leasing-och-hur-paverkar-det-foretagets-ekonomi/ Kelly. R.C. (12 maj 2025). Variance Inflation Factor (VIF). Investopedia. https://www.investopedia.com/terms/v/variance-inflation-factor.asp Krista King Math. (11 oktober 2016). Why Can’t Logarithms Be Negative?. https://www.kristakingmath.com/blog/why-cant-logarithms-be-negative Lau, C. K. (2023). The economic consequences of IFRS 16 adoption: the role of gearing restriction in debt covenants. Journal of Applied Accounting Research, 24(3), 464–482. https://doi.org/10.1108/JAAR-08-2021-0208 Lee, S. (18 mars 2025). Effective Q-Q Plots: 7 Statistical Insights for Your Analysis. Number Analytics. https://www.numberanalytics.com/blog/effective-qq-plots-7-statistical-insights. Marshall, H. (19 juli 2023). Winsorized Mean: Formula, Examples and Meaning. Investopedia. https://www.investopedia.com/terms/w/winsorized_mean.asp Marton, J. (2016). IFRS 16 Leases – standarden där alla goda ting förenas?. FAR Online. https://www.faronline.se/dokument/balans/2016/nr-5/balans_2016_n05_a0010/ (Hämtad 2025-04-17) Marton, J., Lundqvist, P. & Pettersson, A.K. (2023). IFRS i teori & praktik. (Sjunde upplagan). Stockholm: Sanoma utbildning. Marton, J., Runesson, E. & Sandell, N. (2020). Företagsanalys - från redovisning till värdering. (Upplaga 1). Lund: Studentlitteratur. 37 Morales-Díaz, José., & Zamora-Ramírez, Constancio. (2018). The Impact of IFRS 16 on Key Financial Ratios: A New Methodological Approach. Accounting in Europe, 15(1), s. 105–133, doi:10.1080/17449480.2018.1433307. Morozova, T. V., & Tarasova, O. N. (2023). Research the Impact of the IFRS 16 requirements on the company’s financial performance. E3S Web of Conferences, 449, 1005. https://doi.org/10.1051/e3sconf/202344901005 Newbold, P., Carlson, W.L. & Thorne, B. (2022). Statistics for business and economics. (Tenth global edition). Upper Saddle River: Pearson. Newcastle University. (u.å). Reading a Box and a Whisker Plot. https://www.ncl.ac.uk/webtemplate/ask-assets/external/maths-resources/statistics/data-present ation/box-and-whisker-plots.html Patel, R. & Davidson, B. (2019). Forskningsmetodikens grunder: att planera, genomföra och rapportera en undersökning. (Femte upplagan). Lund: Studentlitteratur. Reed, R. (28 augusti 2023). What Is an Embedded Lease? How to Determine If You Have a Lease within a Contract. Formerly LeaseQuery. What Is an Embedded Lease? Finding Leases in Contracts Rudžionienė, K., & Tamonytė, A. (2024). Impact of changes in international financial reporting standards on company financial ratios. International Journal of Managerial and Financial Accounting, 17(1), 57–74. https://doi.org/10.1504/IJMFA.2025.142953 Shi, Y., & Xu, X. (2015). Leasing in China: An Overview. The Chinese Economy, 48(5), 312–329. https://doi.org/10.1080/10971475.2015.1067083 Skatteverket. (2025). Leasing och andra hyresavtal. https://www4.skatteverket.se/rattsligvagledning/edition/2025.1/324719.html#h-Hyres-eller-le asingavtal Statistics LibreTexts. (28 juli 2023). Skewness and the Mean, Median, and Mode. https://stats.libretexts.org/Courses/Los_Angeles_City_College/Introductory_Statistics/02%3 A_Descriptive_Statistics/2.07%3A_Skewness_and_the_Mean_Median_and_Mode Statistics Solutions. (u.å). Common Assumptions in Statistics. https://www.statisticssolutions.com/common-assumptions-in-statistics/ Statistikhjälpen. (u.å). Regressionsanalys med dummyvariabler. https://www.stathelp.se/sv/dummy_sv.html 38 Vittinghoff, E. (red.) (2012). Regression methods in biostatistics: linear, logistic, survival, and repeated measures models. (2nd ed.) New York: Springer. Watts, R. L., & Zimmerman, J. L. (1990). Positive Accounting Theory: A Ten Year Perspective. The Accounting Review, 65(1), 131–156. 39 Appendix Appendix A: IFRS 16.53 “En leasetagare ska lämna upplysningar om följande belopp för rapportperioden: a. Avskrivningsbelopp för nyttjanderättstillgångar per underliggande tillgångsslag. b. Räntekostnad för leasingskulder. c. Den kostnad som avser korttidsleasingavtal redovisade med tillämpning av punkt 6. Denna kostnad behöver inte inkludera kostnader som avser leasingavtal där leasingperioden uppgår till en månad eller mindre. d. Den kostnad som avser leasing av tillgångar av lågt värde redovisade med tillämpning av punkt 6. Denna kostnad ska inte inkludera kostnaden som avser korttidsleasingavtal av tillgångar av lågt värde som omfattas av punkt 53 c. e. Den kostnad som avser variabla leasingbetalningar som inte inkluderas i värderingen av leasingskulder. f. Intäkter från vidareuthyrning av nyttjanderättstillgångar. g. Det totala kassautflödet för leasingavtal. h. Justeringar av tillkommande nyttjanderättstillgångar. i. Vinster eller förluster från sale and leaseback-transaktioner. j. Det redovisade värdet för nyttjanderättstillgångar vid utgången av rapportperioden per underliggande tillgångsslag.” (FAR, u.å) 40 Appendix B: IQR-metoden Formel: IQR = Q3 - Q1 Undre gräns = Q1 - 1,5*IQR Övre gräns = Q3 + 1,5*IQR Total Leasing: IQR: 0, 134 − 0 = 0, 134 Nedre gräns: 0 − (1. 5 𝑥 0, 134) = − 0, 201 Övre gräns: 0, 134 + (1. 5 𝑥 0, 134) = 0, 335 Tillväxttakt: IQR: 0, 121 − (− 0, 032) = 0. 153 Nedre gräns: − 0, 032 − (1. 5 𝑥 0, 153) = − 0, 2615 Övre gräns: 0, 121 + (1. 5 𝑥 0, 153) = 0, 3505 Skuldsättningsgrad: IQR: 2. 5 − 0. 66 = 1. 84 Nedre gräns: 0. 66 − (1. 5 𝑥 1. 84) = − 2. 1 Övre gräns: 2. 5 + (1. 5 𝑥 1. 84) = 5. 26 ROA: IQR: 0. 059 − (− 0. 018) = 0. 077 Nedre gräns: − 0. 018 − (1. 5 𝑥 0. 077) = − 0. 1335 Övre gräns: 0. 059 + (1. 5 𝑥 0. 077) = 0. 1745 41 EBITDA: IQR: 0, 274 − 0, 058 = 0, 216 Nedre gräns: 0, 058 − (1. 5 𝑥 0, 216) = − 0, 266 Övre gräns: 0, 274 + (1. 5 𝑥 0, 216) = 0, 598 42 Appendix C: Q-Q plot 43 Appendix D: Histogram 44 Appendix E: Boxplot 45