Finansiella Nyckeltal som Prediktor för Omsättningstillväxt Regressionsanalys av finansiella nyckeltal som prediktor för omsättningstillväxt hos svenska serieförvärvare Kandidatuppsats vid Företagsekonomiska Institutionen Handelshögskolan vid Göteborgs Universitets Vårterminen 2024 Handledare Magnus Willesson Författare Malte Kasemo Jonathan Krantz Sammanfattning Studiens syfte var att utvärdera om det finns lämpliga finansiella nyckeltal som kan användas för att förutspå framtida tillväxt för hos bolag som blivit uppköpta av svenska serieförvärvare. Hypotesformuleringen ledde till att EBITDA-marginal, kapitalomsättningshastighet och skuldsättningsgrad identifierades som lämpliga oberoende variabler att utvärdera. Syftet har besvarats med en kvantitativ metod, där information om de uppköpta bolagen samlats in via Capital IQ. De statistiska sambanden mellan de oberoende variablerna och omsättningstillväxt utvärderades med hjälp av regressionsanalyser och F-tester. Resultatet visar att det inte finns något signifikant samband mellan de oberoende variablerna och omsättningstillväxt i den studerade datamängden. Detta innebär att personer som arbetar med serieförvärvande bolag i stället bör prioritera andra mätvärden och mjuka värden för att välja vilka bolag de bör köpa. Studien har utökat förståelsen för prediktorer till omsättningstillväxt. Detta är intressant ur en praktiskt synvinkel för personer som arbetar med förvärv eller utvärderar förvärvande bolag. Ur en akademisk synvinkel har studien gjort en ansats till att fortsätta lösa de stora frågor förvärvsbranschen i stort står inför. Nyckelord: serieförvärvare, företagsförvärv och regressionsanalys **Notera att studien är skriven på svenska 1 Abstract The purpose of the study was to evaluate whether there are suitable financial key figures that can be used to predict revenue growth in companies that have been bought by Swedish serial acquirers. The hypothesis formulation led to EBITDA-margin, asset turnover ratio and debt ratio being targeted as independent variables to evaluate. The purpose has been answered by using a quantitative method, where information about the acquired companies has been collected from CapitalIQ. The statistical relationships between the independent variables and the revenue growth was examined with regression analyses. The result shows that there is no significant relationship between the independent variables and revenue growth in the studied data set. This indicates that people who work with serial acquirers should prioritize other figures and qualitative factors when evaluating what companies to buy. The study has expanded the understanding of predictors of revenue growth. This is interesting from a practical point of view to people who work with company transactions. From an academic perspective, the study has made an attempt to continue solving the major questions facing the acquisition industry at large Key words: serial acquirers, acquisitions and regression analysis ** Note that the study is written in Swedish 2 Förord Vi vill tacka alla trevliga studenter, föreläsare och andra människor vi har haft äran att få träffa på Göteborgs Universitet under resan fram till denna kandidatuppsats. Ett extra tack till Magnus Willesson för kloka inspel, synpunkter och allmän vägledning under skrivandet av denna rapport. Vi vill även rikta ett tack till de opponentgrupper som bidragit till att förbättra vårt arbete. Tack! Malte Kasemo & Jonathan Krantz 26:e maj 2024 3 Innehållsförteckning 1. Introduktion 5 1.1 Bakgrund 5 1.2 Problemformulering 7 1.3 Syfte och forskningsfråga 11 1.4 Bidrag till forskningen 11 1.5 Disposition 12 1.6 Avgränsningar 12 2. Hypotesformulering 13 2.1 EBITDA-marginal 13 2.2 Kapitalomsättningshastighet 13 2.3 Skuldsättningsgrad 14 2.4 Sammanställning 15 3. Metod 15 3.1 Forskningsansats 15 3.2 Metodbeskrivning 16 3.3 Hantering av indata 18 3.4 Regressionsmodell 20 3.4 Utvärdering av regressionsmodell 22 Undersökning av indata 23 Bedömning av residualer 23 Förklaringsvärde och signifikans 23 3.5 Metoddiskussion 24 Val av förklarande variabler 24 Övriga potentiella kontrollvariabler 25 Effekter av systematiskt bortfall 26 Riskhantering vid datainsamling 27 4. Resultat 27 4.1 Regressionsanalyser 27 4.4 Multipla variabelregressioner och sammanfattning 30 4.2 Test av multikollinearitet 31 4.2 Analys av residualer 32 5. Analys 37 5.1 Jämförelse med tidigare forskning 37 6. Diskussion 37 6.1 Urvalets påverkan 37 6.2 Metodologiska överväganden 39 6.3 Endogenitet 40 6.4 Sammanfattande diskussion och förslag till vidare forskning 41 7. Slutsats 43 8. Referenser 44 9. Bilagor 49 4 1. Introduktion I följande avsnitt introduceras läsaren till förvärvsområdet och på vilket sätt detta återfinns i Sverige. Avsnittet presenterar även en introduktion till finansiella nyckeltal och deras betydelse. Därefter ges en problematisering kring varför denna studie är relevant. Sammanfattningsvis bidrar studien till forskning och praktik genom att addera ett inlägg till en ständigt pågående debatt om vilka parametrar som är viktiga för att utvärdera potentiella förvärv. Avslutningsvis beskrivs studiens avgränsningar och det praktiska och teoretiska bidraget konkretiseras. 1.1 Bakgrund Globala trender på förvärvsmarknaden Företagstransaktioner (engelska mergers and acquisitions (M&A)) har enligt Keenan (2023) varit en stadigt växande typ av verksamhet. Keenan (2023) beskriver att i tider av kriser och disruptiva innovationer erbjuder förvärv strategiska alternativ för företag att möta dessa utmaningar. Keenan (2023) beskriver Asien, Europa och Nordamerika som drivande marknader för den stora ökningen av förvärv. Förvärvsmarknaden växer fortfarande i Europa (se figur 1) och enligt PwC (2024) förväntas den växa betydande under 2024. Figur 1: Antal M&A transaktioner per år i Europa och deras genomsnittliga värde i EURO (IMAA, 2024) 5 Som Keenan (2023) beskriver är förvärvsmarknaden dynamisk och påverkas av en föränderlig omvärld. Cumming et al. (2023) förklarar att detta lär innebära att helt nya frågor väcks inom området, och att äldre studier snabbt blir utdaterade. Detta gör att det finns ett behov av kontinuerlig forskning inom området för att förstå hur externa omständigheter påverkar fenomenen. Förvärvande bolag i Sverige Baker McKenzie (2017) framhåller Sverige som en av de mest attraktiva marknaderna för företagsförvärv. Detta baseras på ett flertal parametrar, däribland ekonomins storlek och tillväxt, politisk stabilitet, lättheten att göra affärer, den legala strukturen. RedEye visar i en rapport gällande den svenska förvärvsbranschen att deras Serial Acquirers Index (“SA”) ökat sin värdering sedan mars 2019 betydligt mer än det breda indexet OMXSPI (se figur 2). Figur 2: Prisutveckling och EV/EBITDA och P/E multipel över tid (Redeye, 2024) Att många svenska förvärvsbolag lyckas väl med sina strategier är intressant. Speciellt eftersom det finns flera studier vars resultat indikerar att förvärv rent generellt misslyckas (se exempelvis Kengelbach et al., (2012). Denna konflikt mellan praktik och studier väcker ett intresse för att försöka förstå ämnet bättre. 6 Nyckeltal och aktier Finansiella nyckeltal ska på ett strukturerat sätt återge ett företags resultat och finansiella ställning. (Westdahl, 2009). De finansiella nyckeltalen kan exempelvis beskriva delar av resultaträkningen, balansräkningen och kassaflödesanalysen. De finansiella nyckeltalen kan användas för att värdera företag (Fernandez, 2007). Samtidigt finns flera stora profiler som argumenterar för att finansiella nyckeltal inte speglar verksamheten på ett rättvist sätt. Bland annat Warren Buffett har flera gånger uttalat sig negativt angående EBITDA (Forbes, 2003). Denna motsättning mellan olika personer och företag genererar ett intresse för hur bra nyckeltal faktiskt är på att redogöra för den totala verksamheten. Nyckeltal som en faktor för tillväxt Studier visar samtidigt att de interna relationer i företag som nyckeltal ska återspegla är viktiga för att lyckas med omsättningstillväxt. Bahadir et al. (2009) förklarar att det finns många viktiga aspekter för att förstå hur företag kan lyckas växa sin omsättning. Vissa av dem är externa som exempelvis marknadens tillväxt och konkurrenssituationen, medan andra är fullt interna som ett företags innovationsgrad eller finansiella struktur. Att växa sin omsättning är därför en komplex fråga, där olika delar av problemet kan förklaras med olika typer av studier. Denna studie kommer att göra en ansats till att förklara de interna delarna av ett företag som kan återspeglas genom finansiella nyckeltal. 1.2 Problemformulering Sverige som unik marknad Flertalet studier visar att länder som präglas av omfattande investerarskydd har bättre och bredare kapitalmarknader (La Porta et al., 1997 & 1998). Det har även gjorts studier som antyder att en högre kvalitet på redovisning leder till fler förvärv och uppköp (Rossi & Volpin, 2004). La Porta et al. (1998) visar också att länder med det juridiska systemet civil law, som Sverige tillhör (Nordenvik, 2004), tenderar att ha sämre investerarskydd än de med common law. La Porta et al. (1998) anger även att länder som karaktäriseras av att ägandeskapet av de listade bolagen är koncentrerat har en benägenhet att ha lågt investerarskydd. Henrekson & Jakobsson (2002) berättar att mellan 1945 och 1980 ökade det institutionella ägandet ökat 7 markant i Sverige, vilket innebar att kapitalet blev centrerat. I en tid av ökad internationalisering har detta däremot förändrats (Henrekson & Jakobsson, 2008). Agnblad et al. diskuterar det svenska rättsliga systemet och det koncentrerade ägarskapet i boken The Control of Corporate Europe (2001). Författarna framhäver att den svenska marknaden utmärker sig med hög likviditet, ett stort börsvärde och omsättning per capita förblir bland de högsta i Europa, trots de utmärkande egenskaperna som precis nämnts. Detta i kombination med att den svenska börsen präglas av en hög grad av utländskt ägande, leder enligt författarna till att den svenska marknaden är en fascinerande plats för ekonomiska studier. Omsättningstillväxt hos förvärvade bolag Det finns en stark korrelation mellan omsättningstillväxt och lönsamhetstillväxt. Företag som under tid lyckas växa sin omsättning åtnjuter kontinuerliga vinstökningar och presterar bättre rent operationellt (Ghosh et al., 2005). Samtidigt används omsättning vanligen för att utvärdera nya branscher och värdera företag, och information om omsättningsökningar leder till högre aktiekurser (Chandra & Ro, 2008; Jegadeesh 2002). För bolag i alla branscher blir det därav viktigt att säkerställa att man kan växa sin omsättning för att uppnå dessa fördelar. Förvärv och misslyckanden Förvärv definieras enligt Berk och DeMarzo (2017) som transaktioner där företag köper eller ansluter sig till andra företag. Företag gör förvärv för att få tillgång till ny teknologi, nå ut till nya marknader och öka marknadsandelar (Schweizer, 2005). Till skillnad från finansiella investerare, som främst söker finansiell avkastning från sina investeringar, är industriella serieförvärvare mer fokuserade på att integrera de förvärvade företagen i sin befintliga verksamhet för att skapa långsiktigt värde och öka omsättning (Hansell et al., 2021). Laamanen & Keil (2008) visar genom en kvantitativ studie att frekventa förvärvare av denna typ tenderar att prestera sämre i sin förvärvsstrategi, än bolag som gör förvärv mer sällan. Däremot finns det samtidigt studier som anger motsatsen, alltså att mer frekventa förvärvare tenderar att prestera bättre (Chatterjee, 2009). Ahammad och Glaister (2013) beskriver att det finns en positiv association mellan detaljerad utvärdering av företaget som förvärvas och finansiell prestanda hos det förvärvande företaget 8 efter uppköpet. Vidare menar Ang et al. (2019) att denna utvärdering ofta involverar en analys kring företagets förmåga att generera kassaflöde och vinst. Detta ger i sin tur upphov till en analys och kartläggning av historiska och nutida nyckeltal kopplat till lönsamhet, värdering och likviditet. Dessutom menar Ahammad och Glaister (2013) att ett av de viktigaste momenten i att utvärdera företag som är mål för förvärv är att analysera och kartlägga den finansiella ställningen, vilket enligt författarna kan indikera företagets framtida tillväxt. Författarna menar dessutom att en vanlig och kraftfull metod för att utvärdera företag är analys av finansiella nyckeltal. Det finns en uppsjö av studier som försöker kartlägga framgångsfaktorerna vid företagsförvärv. Ismail (2009) utvärderar exempelvis vilken typ av värde de stora investmentbankerna bidrar med för att lyckas med förvärv. Cicon, Clarke och Ferris (2014) undersöker hur mjuka värden kan studeras för att bättre förstå lyckade förvärv och potentiella synergieffekter. Trots omfattande studier och professionella bolag som arbetar med att identifiera lukrativa möjligheter till förvärv misslyckas en betydande del av dessa (Kengelbach et al., 2012). Studier har tidigare visat att ägare till uppköpta företag i regel tjänar på att bli uppköpta, medan samma samband inte existerar för de köpande bolagens aktieägare (Roll, 1986; Kengelbach et al., 2012). Tidigare studier antyder att detta kan bero på ledares övertro på sig själva (Billett & Qian, 2008; Renneboog & Vansteenkiste, 2019), men det finns även andra teorier som berör integrationen av bolaget post-förvärv (Conn et al., 2004). Frågan om misslyckade förvärv förblir alltså aktuell, och är problematisk för företag som vill generera aktieägarvärde genom förvärv. Nyckeltal som prediktor Ett alternativ till kvalitativa bedömning av företag kan vara att bedöma förvärvsobjekt utifrån nyckeltal. Det finns ett flertal verk som kvantitativt bevisat att redovisade nyckeltal och aktiekurser korrelerar med varandra (Chalevas & Florou, 2010; Chen et al., 2013; Foerster et al., 2018). Det finns även studier som gjort ansatser till att skapa intelligenta modeller som kan förutspå vilka företag som kommer bli förvärvade, baserat på offentliga nyckeltal (Barai & Mohanty, 2012; Ouzounis, 2009). 9 Dessa olika författare är däremot oense om vilka nyckeltal som är viktigast för att beskriva ett företags ekonomiska prestation. Somliga framhåller vinstmarginal som det viktigaste måttet för att prognostisera en akties avkastning (Chalevas & Florou, 2010), medan andra advocerar för att kassaflöde är mer lämpligt (Foerster, Tsageralis & Wang, 2018). Det finns även studier som kvantitativt undersökt huruvida nyckeltal kan användas för att förutspå framtida tillväxt (Suprati, 2019; Erviana et al., 2017 m.fl.). Kariyawasam (2019) undersöker vidare sambandet mellan utvalda finansiella nyckeltal och företags finansiella prestanda. Kariyawasam identifierar att balanslikviditet och företagsstorlek hade en positiv inverkan på företagets lönsamhet, medan skuldsättningsgraden hade en negativ effekt. Detta antyder att högre likviditet och större företagsstorlek kan bidra till bättre långsiktig omsättningstillväxt efter ett förvärv, medan högre skuldsättning kan vara en riskfaktor som behöver beaktas. Uppenbarligen finns det oklarheter gällande vilka nyckeltal som kan användas som prediktorer och i vilka sammanhang. Trots att området är relativt väl utforskat finns här utrymme för fortsatta studier som kan ge nya perspektiv och insikter. Eventuella konsekvenser av matematiska samband Skulle denna eller framtida studier introducera matematiska samband mellan finansiella nyckeltal och framtida tillväxt får detta konsekvenser för förvärvande bolag. För det första medför sådana slutsatser att de förvärvande bolagen bör lägga stor vikt vid dessa nyckeltal när de tittar på förvärvsobjekt. Det skulle på samma sätt skapa ett intresse för ägare som vill sälja sina bolag att påverka dessa nyckeltal, eftersom de vet att de uppskattas av uppköpare. På samma gång skulle det vara viktigt för förvärvare att inte stirra sig blind på dessa nyckeltal. Precis som tidigare nämnt finns flera studier som hänvisar till andra värden som ledarskap eller integration efter förvärv (Renneboog & Vansteenkiste, 2019; Conn et al., 2004). Således förblir bedömningen inför förvärv en komplicerad fråga oavsett vad nya studier kommer fram till. Däremot kan studiernas slutsatser användas för att dels belysa vikten av att studera den finansiella ställningen, och dels ge anvisningar kring vilka nyckeltal som ger den bästa indikationen på framtida tillväxt. Därigenom kommer beslutsfattare få en bättre 10 förståelse för vilka tal som ska ligga till grund för bedömning. Misslyckas man att hitta kvantitativa prediktorer på omsättningstillväxt kommer detta att belysa vikten av mjuka bedömningar av ledarskap, kultur, integrationsmöjligheter och liknande som lyfts tidigare. 1.3 Syfte och forskningsfråga Syftet med studien är att genom att kvantitativt studera företagsförvärv som utvalda svenska bolag som genomförts mellan 2015-2018 och statistiskt undersöka om det finns något finansiellt nyckeltal som kan användas för att förutspå framtida omsättningstillväxt. På grund av interna beroenden och studiens omfattning kommer den att fokusera på några utvalda nyckeltal som presenteras under hypotesutvecklingen. Efter att hypoteserna förkastas eller inte ämnar studien att diskutera vilka implikationer detta får på företag som arbetar med förvärv. Forskningsfrågorna blir således: RQ1: Kan någon av de utvalda nollhypoteserna förkastas med 95% signifikans? Vad innebär ett tydligt eller saknat samband mellan ett finansiellt nyckeltal och omsättningstillväxt för förvärvande bolag? RQ2: Hur stärker eller skiljer sig studiens resultat från tidigare studier? Vad finns det för möjliga förklaringar till dessa skillnader? 1.4 Bidrag till forskningen Teoretiskt bidrag Som bakgrunden och problemformuleringen anger saknas det en samstämmighet kring om det går att förutsäga omsättningstillväxt enbart baserat på finansiella nyckeltal. Även de studier som når slutsatsen att detta är möjligt, är oense kring vilket nyckeltal som i detta fall bör användas. Denna studie har som mål att bidra till diskussionen kring dessa frågor, och ämnar att göra så genom att kvantitativt testa denna frågeställning. Oavsett resultat kommer studien att ha bidragit med ett nytt potentiellt svar som kan främja framtida resonemang. Samtidigt är studien unik genom att titta på svenska förvärvare som aktivt förvärvat under åren 2015-2018. Precis som Cumming et al. (2023) belyser så blir studier av 11 förvärvsmarknader snabbt föråldrade, och det är därför centralt att fortsätta genomföra studier av likartad karaktär som de som gjorts tidigare. Även den svenska marknaden är unik och relativt outforskad och därför relevant för fortsatt forskning. Det teoretiska bidraget med avseende på denna aspekt blir därför att ge nya perspektiv i en svensk kontext och i en ny tid med förändrade förhållanden. Således är studien ämnad att ge nya insikter till personer som forskar inom företagsekonomi, den svenska börsen och förvärv. Praktiskt bidrag De praktiska implikationerna av studien blir att vägleda företag som genomför förvärv frekvent. Dessa bolag bör kunna se till denna studie och därigenom få vägledning vid eventuella strategiska överväganden. Rent praktiskt kan studien ge insikter till personer som jobbar med att identifiera förvärv, handlar med aktier inom förvärvssektorer och vill sätta sig in i förvärvsbranschen. 1.5 Disposition En introduktion till ämnet och problemformuleringen har givits i tidigare kapitel. I kommande kapitel presenteras de hypoteser som testas och presenteras i resultatet. Efter detta beskrivs och diskuteras metoden för hypotesutvecklingen och de statistiska testerna. I resultatet beskrivs utfallet av dessa tester och i studiens avslutande kapitel diskuteras svaren och kopplas samman med syftet och problembeskrivningen. 1.6 Avgränsningar I enlighet med studiens syfte undersöks endast svenska börsbolag som genomfört flera förvärv under perioden 2015-2018. Valet av denna tidsperiod grundas på behovet att ha minst fem år från 2023 för att möjliggöra beräkning av 5-årig CAGR. Om enbart företag från 2018 hade inkluderats skulle populationen blivit för liten. För att öka datamängden inkluderas därför även de tre föregående åren. I metoden diskuteras tillvägagångssättets kortkommanden som inkluderar att det är praktiskt omöjligt att inkludera alla parametrar som behövs tas hänsyn till för att förutsäga framtida tillväxt. Som en konsekvens av studiens omfattning och syfte testar studien endast tre finansiella nyckeltal som på ett övergripande sätt ska återge företagets finansiella prestation. 12 2. Hypotesformulering I följande kapitel presenteras de hypoteser som kvantitativt kommer att testas i studien. De olika avsnittet presenterar var för sig bakgrunden till varför hypoteserna anses intressanta att undersöka. Processen för hypotesutvecklingen beskrivs senare i metoden. 2.1 EBITDA-marginal EBITDA-marginal är ett nyckeltal som haft stort inflytande sedan dess popularisering under 1980-talet (Verriest et al., 2019). EBITDA är en akronym som står för Earnings Before Interest Taxes Depreciation and Amortization (Resultat före räntekostnader, skatt, avskrivningar och nedskrivningar). Enligt Verriest et al. (2019) har EBITDA-marginal länge varit ett kritiserat nyckeltal från vissa håll, men används trots allt regelbundet vid förvärv och aktieanalyser. Till exempel ökade användningen av EBITDA i årsrapporter från 6.6% till 23.5% mellan 2005 och 2016 (Verriest et al., 2019). Chalevas och Florou (2010) presenterar en rapport av den grekiska aktiemarknaden att EBITDA-marginal var det mått som bäst lyckades förutsäga aktieavkastning mellan 2004 och 2006. Huruvida detta är generaliserbart på andra marknader och studier anger författarna inget kring. Oavsett så tyder detta på att EBITDA-marginal kan vara ett intressant nyckeltal att undersöka. En hög EBITDA-marginal innebär att man har en stor andel kvar av omsättningen för att betala räntor med, och för att kunna göra av- och nedskrivningar utan att göra förlust (Verriest et al., 2019). En spekulation kan därav vara att företag med hög EBITDA-kan växa sin omsättning snabbare eftersom de har större utrymme att göra investeringar i nya tillgångar. H0.1: EBITDA-marginal korrelerar inte med framtida omsättningstillväxt H1.1: EBITDA-marginal korrelerar med framtida omsättningstillväxt (positivt/negativt) 2.2 Kapitalomsättningshastighet Kapitalomsättningshastighetsmåttet (KOH) fick stort inflytande under 1920-talet då DuPont-formeln introducerades (Patin et al., 2020). Enligt författarna använder företag generellt sett nyckeltalet för att bedöma hur effektivt de nyttjar sina tillgångar i förhållande till sina konkurrenter. Nyckeltalet beräknas generellt sett genom att dividera omsättningen med 13 de totala tillgångarna, men man kan göra vissa adaptioner till formeln i specialfall (Patin et al., 2020) Samtidigt kan hög KOH indikera att företag kan växa sin omsättning eftersom att man redan utnyttjar sina tillgångar effektivt (Suprati et al., 2019). Eftersom att KOH är en del av DuPont-formeln kan det samtidigt användas för att öka avkastningsmått (Patin et al, 2020). Större vinster indikerar välmående bolag, som har inkomster för att täcka utgifter. Därför finns en tanke om att högre KOH medför större möjligheter till omsättningstillväxt. Zekić-Sušac et al. (2016) genomförde exempelvis en kvantitativ studie som indikerar att KOH är det bästa måttet för att förutspå omsättningstillväxt. H0.2: KOH korrelerar inte med framtida omsättningstillväxt H1.2: KOH korrelerar med framtida omsättningstillväxt (positivt/negativt) 2.3 Skuldsättningsgrad D’Hulster (2009) beskriver skuldsättning som ett verktyg för företag att uppnå högre vinst genom en investering än vad man hade kunnat få om investeringen finansierats med likvider och eget kapital. Skuldsättningsgrad är ett mått som beskriver hur mycket ett företag försöker utnyttja detta verktyg genom att förklara hur stor andel av de totala tillgångarna som är finansierade via skulder (D’Hulster, 2009). Skuldsättningsgraden beräknas genom att dividera den totala skulden med det egna kapitalet, det vill säga den övriga andelen av balansomslutningen som inte finansierats med skulder. Tidigare studier som kvantitativt bedömt skuldsättningsgrad som en prediktor för framtida tillväxt har inte uppnått statistisk signifikans (Zekić-Sušac et al., 2016; Florou & Chalevas, 2010). Däremot anses det fortfarande vara intressant och rimligt att undersöka, framförallt eftersom den utgör en viktig faktor i hävstångsformeln och eftersom skuldsatta bolag skuldsätter just för att främja tillväxt och bättre avkastning på eget kapital (Johansson & Runsten, 2017). H0.3: Skuldsättningsgrad korrelerar inte med framtida omsättningstillväxt H1.3: Skuldsättningsgrad korrelerar med framtida omsättningstillväxt (positivt/negativt) 14 2.4 Sammanställning Ovanstående delar av kapitlet sammanställs i tabell 1. Benämning Hypotes H0.1 EBITDA-marginal korrelerar inte med framtida omsättningstillväxt H1.1 EBITDA-marginal korrelerar med framtida omsättningstillväxt (positivt/negativt) H0.2 KOH korrelerar inte med framtida omsättningstillväxt H1.2 KOH korrelerar med framtida omsättningstillväxt (positivt/negativt) H0.3 Skuldsättningsgrad korrelerar inte med framtida omsättningstillväxt H1.3 Skuldsättningsgrad korrelerar med framtida omsättningstillväxt (positivt/negativt) Tabell 1: Sammanställning av alla hypoteser 3. Metod Detta avsnitt beskriver de metoder som använts för att samla in och analysera den empiriska data som behövs för att svara på forskningsfrågorna och utvärdera studiens hypoteser. Inledningsvis behandlas den valda forskningsansatsen, följt av en genomgång av hur sekundärdata valts ut och bearbetats. Därefter beskrivs hur regressionsanalysen genomförts. Slutligen diskuteras studiens trovärdighet samt möjliga kritikpunkter mot de metoder och källor som använts. 3.1 Forskningsansats Syftet med studien är att studera företagsförvärv utförda av svenska börsnoterade serieförvärvande företag. Mer specifikt avser studien att undersöka hur de förklarande variablerna EBITDA-marginal, skuldsättningsgrad och KOH för förvärvade bolag vid förvärvstillfället korrelerar med responsvariabeln Compound Annual Growth Rate (CAGR) fem år efter uppköpet. Detta görs i syfte att dra slutsatser om det finns något eller några nyckeltal som bör prioriteras vid företagsförvärv. 15 Denna analys bygger på kvantitativ data och kräver därför ett stort antal observationer för att kunna dra statistiskt signifikanta slutsatser. (Bryman och Bell, 2019). Data har samlats in för transaktioner med utvalda köpande bolag mellan 2015 och 2018. För att utvärdera hypoteserna genomfördes en regressionsanalys mellan de förklarande variablerna och responsvariabeln CAGR, det vill säga de valda nyckeltalen vid förvärvstidpunkten. 3.2 Metodbeskrivning Utveckling av teoretiskt ramverk Det teoretiska ramverket utvecklades främst i inledningen av studien. Initialt lästes stora mängder rapporter och undersökningar för att få en bredare förståelse för förvärvsbolag och förvärv i allmänhet. Samtidigt ansågs det relevant att studera tidigare forskning för att få en förståelse för vilken kunskap som anses vara vedertagen och vilka nya områden som är lämpliga att studera. Ramverket användes dels för att utveckla hypoteserna och dels för att användas senare i diskussionen. Lewis et al. (2009) rekommenderar att på förhand tydligt definiera viktiga nyckelord och användbara sökmotorer. I studien har i första hand Google Scholar använts, men även Google har brukats. De nyckelbegrepp som användes var följande: ● Mergers and acquisitions ● Svenska serieförvärvare ● Finansiella nyckeltal ● Förutsäga framtida tillväxt ● Revenue growth Studien etablerade även en mall för vilken typ av litteratur som studeras. Mallen fungerade inte som en strikt regel, utan användes vid en initial bedömning av relevanta referenser. Författarna har vid ett antal tillfällen valt att bortse från ramverket, då en vetenskaplig studie ansågs vara särskilt relevant och användbar. Följande parametrar inkluderades i ramverket: ● Språk: svenska och engelska. ● Huvudområde: Finans, ekonomistyrning och förvärv 16 ● Geografiskt område: globalt, men svenska studier prioriterades ● Publiceringsperiod: senaste 20 åren. ● Typ av publicering: böcker, vetenskapliga artiklar och avhandlingar. Metod för hypotesutveckling Bryman och Bell (2019) beskriver hur den deduktiva processen startar med en analys av existerande teori och relevant litteratur för att kunna bygga en hypotes som är testbar. För att motivera studiens hypoteser genomfördes en studie av befintlig teori och tidigare forskning kring företagsförvärv, finansiella nyckeltal och deras potentiella påverkan på företagens långsiktiga prestation. Därefter sammanställdes tidigare studier som har undersökt liknande frågeställningar. Parallellt med detta genomfördes diskussioner i författargruppen kring vilka nyckeltal som var intressanta att studera. Diskussionerna fastställde att rapporten borde använda nyckeltal som speglar någon form av vinstmarginal, förhållande mellan omsättning och balansräkning samt interna förhållanden i balansräkningen. Dessa slutsatser drogs som ett försök för att minimera korrelation mellan variabler, som hade kunnat bli fallet om till exempel två olika vinstmarginalmått hade använts. Av samma anledning valdes eventuella avkastningsmått bort, då de approximativt kan beräknas om man har kunskap kring både vinstmarginal och förhållandet mellan skulder och eget kapital i balansräkningen. Efter att dessa slutsatser sammanställts gjordes en jämförelse mellan den initiala litteraturundervisningen och tankarna från författarna. Dessa sammanvägdes och resulterade i de hypoteser som presenterats i tidigare kapitel. Eftersom att det saknas tydliga homogena slutsatser kring vilka nyckeltal som är de bästa prediktorerna, valde författarna att även testa anti-hypoteserna till de tidigare studerade nyckeltal som andra studier belyser. Eftersom det finns argument för att exempelvis både hög och låg skuldsättningsgrad kan användas för att prognostisera tillväxt, ses det som relevant att testa båda hypoteserna. Bearbetning av kvantitativ data Efter att datan samlats in laddades filen ner som en CSV-fil från Excel och bearbetades därefter i Python. De matematiska beräkningar som gjordes redovisas för i avsnitt 3.3. I huvudsak användes Python för att skapa regressionsanalyser, beräkna F-statistikan och 17 p-värdet för de olika körningarna. Dessutom skapades alla grafer över residualer och regressionsanalyser som återfinns i resultatet. Framförallt användes Pythons egna aritmetiska funktioner och de importerade biblioteken Scipy, Numpy och Statsmodels för att göra matematiska beräkningar och modelleringar. För att skapa representationer i form av grafer och tabeller användes Matplotlib och framförallt Pyplot. Detta är välkända bibliotek som används av såväl företag som akademiska institutioner. Koden skrevs ensamt av författarna själva som har tidigare erfarenhet från databehandling och statistik i Python. För att få inspiration och överblicka hur andra arbetat med sina koder användes Stackoverflow som också är en brett använd källa för programmerare. 3.3 Hantering av indata Datainsamling Den kvantitativa data som denna studie bygger på hämtades huvudsakligen från databasen S&P Capital IQ och består av sekundärdata. Eftersom studiens syfte kräver en omfattande mängd data för att dra välgrundade slutsatser, var det lämpligt att använda sekundärdata. För varje företagsförvärv samlades data in och exporterades till Excel. Därefter inleddes en komplettering av data för de förvärv som saknade vissa datapunkter. Denna kompletterande insamling utfördes med hjälp av databaser som Allabolag, Proff, Retriever Business och andra källor som tillhandahåller företagsspecifik information. Denna metod säkerställde att all nödvändig information för analysen fanns tillgänglig och att studiens resultat kunde baseras på en så komplett och pålitlig datamängd som möjligt. Urval av data Serieförvärvarna som inkluderas i studien faller under Redeyes definition av serieförvärare i rapporten Serial Acquirers (2024). Detta innebär att alla utvalda företag uppfyller ett antal olika krav. De utvalda företagen är alla noterade på OMX Nordic Exchange Stockholm och har ett börsvärde mellan 1 och 100 miljarder SEK. Dessa krav säkerställer att alla bolag har redovisat kvalitativ till finansiell information och har tydlig information om historiska uppköp samt att företagen har en ekonomisk storlek och marknadspåverkan som är signifikant nog för att deras förvärv ska ha betydande strategiska konsekvenser. 18 Urvalet har däremot avgränsats ytterligare. Alla de valda serieförvärvarna har gjort minst ett förvärv i perioden 2015 till och med 2018. Dessutom var det ett krav att de förvärvade företagen behövde vara aktiva fem år efter uppköpet, för att möjliggöra beräkning av CAGR. Vidare var de utvalda serieförvärvarna aktiva och börsnoterade under perioden 1 januari 2015 till den 1 januari 2023. Detta kriterium valdes för att säkerställa att det finns data på deras förvärv fem år efter uppköpet. Dessutom har studien dessutom valt att exkludera företag från finansiella sektorer, fastighetsbranschen, utbildningssektorn och mediebranschen. Detta för att utesluta företag som inte faller under den bredare industrisektorn. De utvalda serieförvärvarna kan hittas i bilaga 1. Data om alla företagsförvärv under perioden 2015 - 2018 samlades in för respektive serieförvärvare. Initialt kunde 112 företagsförvärv identifieras och samlas in. För varje förvärv dokumenterades det förvärvade företagets namn, förvärvsåret samt det förvärvande företaget. Dessutom insamlades data om totala tillgångar, totalt eget kapital och EBITDA för det räkenskapsår då förvärvet genomfördes. Vidare samlades information in om den totala omsättningen vid förvärvsåret samt fem år efter uppköpet. Dessa datapunkter var tillräckliga för att kunna beräkna studiens utvalda nyckeltal för respektive företagsförvärv. Bortfall av data Alla företagsförvärv för de respektive serieförvärvarna under den valda perioden kunde inte inkluderas i regressionsmodellen. Av de 122 insamlade företagsförvärven saknade 45 datapunkter. Av dessa 45 hade 5 företag gått i konkurs efter förvärvet, slagits ihop med andra företag under perioden eller avsåg uppköp av en specifik produktgrupp snarare än hela företaget. Dessutom var 10 av dessa privata företag utanför Norden vars data inte kunde hittas manuellt. Dessa förvärv togs därav bort. Detta innebär delvis att datan var något partisk mot uppköp av svenska bolag. Data om de resterande 22 förvärven utan datapunkter kunde samlas in manuellt från databaser som Allabolag, Proff eller andra källor. Totalt sett kunde kunde data om 85 företagsförvärv dokumenteras. Antalet företagsförvärv för respektive serieförvärvare varierade enligt förväntan. Förvärv från Indutrade, Instalco, Lifco, Sdiptech och Lagercrantz Group utgjorde 86% av alla uppköp. En fördelning av uppköpen kan ses i figur 3. 19 Figur 3: Fördelning av företagsförvärv för respektive serieförvärvare. Hantering av outliers Genom att skapa boxplottar och scatterplots kunde extrema värden upptäckas visuellt som avviker signifikant från majoriteten av datan. Därefter användes Z-värden och interkvartilavstånd för att kvantitativt identifiera outliers. Observationer med Z-värden större än 3 eller mindre än -3, samt värden som låg utanför 1,5 gånger IQR från första och tredje kvartilen, betraktades som potentiella outliers. Efter att ha identifierat dessa extrema värden granskades varje observation noggrant för att avgöra om de representerade felaktigheter eller naturliga variationer inom data. I de fall där outliers bedömdes vara resultatet av mätfel eller inmatningsfel, korrigerades eller exkluderades dessa datapunkter från analysen. Därefter genomfördes identiska tester på den data som innehåller outliers och den datan som outliers exkluderats från. Resultaten visade ingen skillnad mellan de olika körningarna, varför de resultat som presenteras senare i rapporten endast innehåller de kompletta dataseten. 3.4 Regressionsmodell Studien använde en multipel linjär regressionsmodell för att utvärdera hypoteserna. Brooks (2014) förklarar att en multipel linjär regressionsmodell förklarar relationen mellan en eller flera förklarande variabler och en responsvariabel som ett linjärt samband. Den generella modellen för en multipel linjär regressionsmodell formuleras som: 20 𝑌 = β + β 𝑋 + β 𝑋 + ... + β 𝑋 + ϵ 0 1 1 2 2 𝑘 𝑘 Där 𝑋 , 𝑋 , .... , 𝑋 är k stycken förklarande variabler som förväntas påverka 1 2 𝑘 responsvariabeln 𝑌. Vidare är β , β , .... , β koefficienterna som kvantifierar den relativa 0 1 𝑘 effekten av respektive förklarande variabel. ϵ är en så kallad slumpvariabel kallad “error term”. Denna är enligt Cohen (2003) till för att modellera alla faktorer som påverkar responsvariabeln men som inte ingår som förklaringsvariabler i modellen. Detta inkluderar mätfel, utelämnade variabler och inneboende variabilitet i svaret. I denna studie definieras responsvariabeln och de förklarande variablerna som: 𝑌 = 𝐶𝐴𝐺𝑅% 𝑂𝑚𝑠ä𝑡𝑡𝑛𝑖𝑛𝑔, 5 å𝑟 𝑒𝑓𝑡𝑒𝑟 𝑢𝑝𝑝𝑘ö𝑝 𝑋 = 𝐸𝐵𝐼𝑇𝐷𝐴 𝑀𝑎𝑟𝑔𝑖𝑛𝑎𝑙% 𝑣𝑖𝑑 𝑢𝑝𝑝𝑘ö𝑝𝑠å𝑟𝑒𝑡 1 𝑋 = 𝑆𝑘𝑢𝑙𝑑𝑠ä𝑡𝑡𝑛𝑖𝑛𝑔𝑠𝑔𝑟𝑎𝑑 𝑣𝑖𝑑 𝑢𝑝𝑝𝑘ö𝑝𝑠å𝑟𝑒𝑡 2 𝑋 = 𝐾𝑎𝑝𝑖𝑡𝑎𝑙𝑜𝑚𝑠ä𝑡𝑡𝑛𝑖𝑛𝑔𝑠ℎ𝑎𝑠𝑡𝑖𝑔ℎ𝑒𝑡 𝑣𝑖𝑑 𝑢𝑝𝑝𝑘ö𝑝𝑠å𝑟𝑒𝑡 3 Regressionsmodellen bygger på alla utfall av {(𝑋 , 𝑋 , 𝑋 ), 𝑌}. Det vill säga alla punkter 1 2 3 {(𝑥 , 𝑥 , 𝑥 ), 𝑦 }, 𝑖 ∈ {𝐹ö𝑟𝑒𝑡𝑎𝑔 , 𝐹ö𝑟𝑒𝑡𝑎𝑔 , .... 𝐹ö𝑟𝑒𝑡𝑎𝑔 }. Studien genomförde även 𝑖,1 𝑖,2 𝑖,3 𝑖 1 2 𝑛 en regressionsanalys på en logaritmerad version av modellen. Dessa körningar gav däremot ingen skillnad på resultaten och presenteras därför inte i resultatet. Ordinary Least Squares (OLS) För att uppskatta parametrarna i den multipla linjära regressionsmodellen användes metoden Ordinary Least Squares (OLS). OLS är en standardmetod inom ekonometrisk analys som syftar till att minimera summan av kvadrerade residualer, det vill säga skillnaderna mellan de observerade och förväntade värdena av den beroende variabeln (Gujarati & Porter, 2009). Gujarati och Porter (2009) förklarar att målet med OLS är att hitta de koefficienter 𝑛 2 β , 𝑗 ∈ {0, 1, 2, 3} som minimerar summan 𝑅𝑆𝑆 = ∑ (𝑦 − 𝑦 ) , där 𝑦 är det observerade 𝑗 𝑖 𝑖 𝑖 𝑖=1 21 värdet och 𝑦 = β + β 𝑥 + β 𝑥 + β 𝑥 . I denna rapport används Python-biblioteket 𝑖 0 1 1𝑖 2 2𝑖 3 3𝑖 Statsmodels för att implementera OLS och uppskatta regressionskoefficienter. Förklarande Variabler De förklarande variablerna som användes i regressionsmodellen bestod enbart av finansiella nyckeltal. Mer specifikt använder studien EBITDA-marginal, skuldsättningsgrad, och kapitalomsättningshastighet som förklarande variabler. Responsvariabeln som används är GAGR% av omsättning, fem år efter uppköpet. De utvalda variablerna definieras på följande sätt: 1 𝐶𝐴𝐺𝑅 = ( 𝑂𝑚𝑠ä𝑡𝑡𝑛𝑖𝑛𝑔 å𝑟 5 ) 5 Å𝑟 5 𝑂𝑚𝑠ä𝑡𝑡𝑛𝑖𝑛𝑔 å𝑟 1 𝐸𝐵𝐼𝑇𝐷𝐴 𝑀𝑎𝑟𝑔𝑖𝑛𝑎𝑙 = 𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑡 𝑓ö𝑟𝑒 𝑟ä𝑛𝑡𝑒𝑘𝑜𝑠𝑡𝑛𝑎𝑑𝑒𝑟, 𝑠𝑘𝑎𝑡𝑡, 𝑎𝑣𝑠𝑘𝑟𝑖𝑣𝑛𝑖𝑛𝑔𝑎𝑟 𝑜𝑐ℎ 𝑛𝑒𝑑𝑠𝑘𝑟𝑖𝑣𝑛𝑖𝑛𝑔𝑎𝑟𝑂𝑚𝑠ä𝑡𝑡𝑛𝑖𝑛𝑔 𝑆𝑘𝑢𝑙𝑑𝑠ä𝑡𝑡𝑛𝑖𝑛𝑔𝑠𝑔𝑟𝑎𝑑 = 𝐺𝑒𝑛𝑜𝑚𝑠𝑛𝑖𝑡𝑡𝑙𝑖𝑔𝑎 𝑇𝑜𝑡𝑎𝑙𝑎 𝑆𝑘𝑢𝑙𝑑𝑒𝑟𝐺𝑒𝑛𝑜𝑚𝑠𝑛𝑖𝑡𝑡𝑙𝑖𝑔𝑡 𝑇𝑜𝑡𝑎𝑙𝑡 𝐸𝑔𝑒𝑡 𝐾𝑎𝑝𝑖𝑡𝑎𝑙 𝐾𝑎𝑝𝑖𝑡𝑎𝑙𝑜𝑚𝑠ä𝑡𝑡𝑛𝑖𝑛𝑔ℎ𝑎𝑠𝑡𝑖𝑔ℎ𝑒𝑡 = 𝑂𝑚𝑠ä𝑡𝑡𝑛𝑖𝑛𝑔𝐺𝑒𝑛𝑜𝑚𝑠𝑛𝑖𝑡𝑡𝑙𝑖𝑔𝑡 𝑇𝑜𝑡𝑎𝑙𝑡 𝐾𝑎𝑝𝑖𝑡𝑎𝑙 Kontrollvariabler På samma sätt som det genomfördes separata körningar med och utan outliers testades modellerna på mindre subset av det totala datasetet. Det valdes att skapa körningar baserat på två olika kategorier. För det första gjordes tre separata körningar baserat på uppköpsår, det vill säga en körning för alla bolag som förvärvades 2015, en för 2016, en för 2017 och en för 2018. De olika regressionsmodellerna gav inte samma resultat med avseende på lutning och skärningspunkter. Däremot var det ingen av linjerna som hade en statistisk signifikans, varför resultatet för det kompletta datasetet presenteras senare i rapporten. På samma sätt genomfördes sex olika körningar med subgrupper av datasetet, baserat på vilket det förvärande bolaget för transaktionen var. Körningarna gjordes med kategorierna Indutrade, Instalco, Lifco, Sdiptech, Lagercrantz samt en körning för resterande bolag. Precis 22 som för åren gav de olika körningarna olika resultat, men alla saknade signifikans. Därför presenteras endast resultaten från det kompletta datasetet senare. 3.4 Utvärdering av regressionsmodell Syftet med denna studie är att kvantitativt analysera företagsförvärv genomförda av utvalda svenska bolag mellan 2015-2018 och undersöka om det finns finansiella nyckeltal som kan förutspå framtida omsättningstillväxt. För att uppnå detta syfte har vi utvecklat en regressionsmodell som utvärderas i detta kapitel. Vi kommer att använda R²-värden för att bedöma modellens förklaringsvärde, samt p-värden och F-tester för att avgöra signifikansen av de oberoende variablerna. Undersökning av indata Variance Inflation Factor (VIF) användes för att upptäcka multikollinearitet i regressionsmodellen. Multikollinearitet uppstår när två eller fler oberoende variabler i modellen är starkt linjärt relaterade, vilket enligt Gujarati och Porter (2009) kan öka variationen för koefficientuppskattningarna och göra modellen instabil. VIF kvantifierar hur mycket variationen av en regressionskoefficient är uppblåst på grund av multikollinearitet med andra prediktorer. VIF definieras enligt författarna för varje prediktor i en regressionsmodell som 𝑉𝐼𝐹 = 1 2 , där 𝑅 2 är determinationskoefficienten för prediktor 𝑋 . 𝑗 1−𝑅 𝑗 𝑗 𝑗 Enligt författarna innebär ett VIF-värde som överstiger 10 problematisk multikollinearitet. Bedömning av residualer För att testa att residualerna är oberoende och likafördelade (OLF) har ett antal tester genomförts. Dessa genomfördes eftersom det enligt Cohen (2003) säkerställer att uppskattningarna av regressionskoefficienterna är opartiska, vilket innebär att de uppskattade koefficienterna från flera stickprov i genomsnitt kommer att konvergera till de sanna populationsvärdena. Om residualerna är OLF gäller det enligt författaren att OLS-regression är den bästa linjära estimeringen. De tester och plots som kommer genomföras i syfte av att testa OLF är dels en scatterplot av residualer och dels ett histogram av residualer Genom att plotta residualerna mot de förutsagda värdena eller mot en tidsaxel är det enligt Cohen (2003) möjligt att visuellt kontrollera om det finns några systematiska mönster eller 23 trender som skulle indikera beroenden eller heteroskedasticitet. Dessutom menar författaren att ett histogram av residualerna hjälper till att bedöma om de är likafördelade. Residualerna bör fördela sig normalt runt noll om antagandet om lika fördelning håller. Förklaringsvärde och signifikans Determinationskoefficienten (R²) är enligt Gujarati och Porter (2009) ett mått på hur väl en regressionsmodell förklarar variationen i den beroende variabeln. R² mäter andelen av den totala variationen i den beroende variabeln som kan förklaras av de oberoende variablerna i 𝑛 2 modellen. R² definieras enligt författarna som 𝑅2 = 1 − 𝑅𝑆𝑆𝑇𝑆𝑆 , där 𝑅𝑆𝑆 = ∑ (𝑦 − 𝑦 )𝑖 𝑖 𝑖=1 𝑛 2 och 𝑇𝑆𝑆 = ∑ (𝑦 − 𝑦 ) . 𝑖 𝑖 𝑖=1 R² varierar mellan 0 och 1. Ett R²-värde nära 1 indikerar enligt Gujarati och Porter (2009) att en stor del av variationen i den beroende variabeln förklaras av modellen. Tvärtom indikerar R²-värden nära 0 att modellen inte förklarar mycket av variationen i den beroende variabeln. Ett högre R²-värde betyder alltså en bättre passform för modellen, men det är enligt författarna viktigt att vara försiktig med att tolka ett mycket högt R²-värde, särskilt i närvaro av multikollinearitet eller överanpassning. F-test för modellens signifikans För att undersöka om den multipla linjära regressionsmodellens signifikans som helhet används F-tester. F-testet är en standardmetod inom ekonometrisk analys som syftar till att avgöra om minst en av de oberoende variablerna i modellen har ett signifikant samband med den beroende variabeln (Gujarati & Porter, 2009) För att utföra F-testerna definierades hypoteserna 𝐻 : β = β = β = 0 och 0 1 2 3 𝐻 : β ≠ 0 𝑓ö𝑟 𝑛å𝑔𝑜𝑡 𝑗 ∈ {1, 2, 3}. Gujarati och Porter (2009) förklarar att nollhypotesen 𝐴 𝑗 innebär att ingen av de förklarande variablerna 𝑋 , 𝑋 , 𝑋 har någon signifikant samband 1 2 3 med responsvariabeln 𝑌. Vidare förklarar författarna att alternativhypotesen innebär att åtminstone en av de oberoende variablerna har ett signifikant samband med den beroende variabeln. 24 Gujarati och Porter (2009) förklarar vidare att nollhypotesen förkastas om p-värdet är mindre än signifikansnivån (0.05). p-värdet beräknas i detta fall som 𝑝 = 1 − 𝐶𝐷𝐹(𝐹 ), där α, 𝑘, 𝑛−𝑘−1 𝐹 är är det kritiska värdet från F-fördelningen vid signifikansnivå α, med 𝑘 och α, 𝑘, 𝑛−𝑘−1 𝑛 − 𝑘 − 1 frihetsgrader. 3.5 Metoddiskussion Val av förklarande variabler En faktor som övervägdes vid valet av förklarande variabler var deras inbördes korrelation. Cohen et al. (2003) diskuterar effekten av hög korrelation mellan två eller fler förklarande variabler. Detta fenomen, som även kallas multikollinearitet, uppstår när en eller flera av de förklarande variablerna 𝑋 är starkt korrelerade med en annan oberoende variabel 𝑋 . 𝑖 𝑗 Författarna förklarar att tillförlitligheten hos de uppskattade regressionskoefficienterna minskar när de förklarande variablerna blir allt mer korrelerade, vilket visar sig som ökade standardfel. Vidare menar författarna att det i fall av perfekt kollinearitet, det vill säga då en förklarande variabel kan förutsägas exakt eller matematiskt från de andra, blir omöjligt att beräkna individuella koefficienter. Av denna anledning var det av hög betydelse att välja finansiella nyckeltal som inte kan härledas matematiskt från varandra och som har relativt låg korrelation med varandra. Mer specifikt är det viktigt att informationen i en enskild variabel inte kan förutsägas matematiskt utifrån informationen i en uppsättning andra variabler. De valda finansiella nyckeltal uppvisar inte perfekt kollinearitet. Detta eftersom det inte går att härleda ett av nyckeltalen matematiskt från de andra nyckeltalen utan ytterligare information. Däremot tenderar finansiella nyckeltal inom ett givet bolag att korrelera med varandra, vilket gör att detta blir oundvikligt. Därmed genomfördes VIF-tester, som beskrivs i ett föregående avsnitt. Övriga potentiella kontrollvariabler Studien identifierar andra kontrollvariabler som inte testas för. Framförallt skulle det vara lämpligt att addera kontrollvariabeln bransch, då flera av de nyckeltal som testas är branschberoende. Studien inkluderar inte detta test som en konsekvens av att den ämnar att identifiera prediktorer på omsättningstillväxt för alla serieförvärvare, oberoende av vilken bransch de är aktiva inom. 25 Därtill finns ett antal variabler som tidigare studier använt som hade kunnat inkluderas. Dessa innefattar bland annat den riskfria räntan, bolagets ålder och hemnation. Dessa kontrollvariabler har inte inkluderats i studien. Att den riskfria räntan inte inkluderas beror på att förvärvsåret kan ses som en proxy för räntan, då den varit samma för alla bolag i varje års kategori för minst 80% av den studerade perioden. Bolagets ålder och hemnation inkluderas inte då datamängden inte är tillräckligt stor för att denna gruppering hade kunnat göras på ett effektivt sätt. Datamängderna hade blivit så små att linjerna blivit överanpassade och inte varit representativa för populationen givet andra år, förutsättningar eller förvärvande bolag. Effekter av systematiskt bortfall För att bedöma effekten av det systematiska bortfallet av utländska bolag har studien genomfört statistiska tester på det befintliga datasetet. Under avsnitt 3.2.3 diskuteras att 10 utländska bolag fallit bort som en konsekvens av avsaknad data, vilket motsvarar cirka 25% av de ursprungliga utländska företagen. Rapporten har upprättat ett konfidensintervall för skillnaden mellan genomsnitten för de svenska bolagen (tabell 2) och de utländska bolagen (tabell 3) för de olika nyckeltalen. Eftersom att 0 ingår i samtliga konfidensintervall (tabell 4) går det inte att förkasta hypotesen om att gruppernas samma medelvärden är överensstämmande. Svenska bolag (n=56) Genomsnitt Std-avvikelse EBITDA-marginal 17,00% 9,3% KOH 2,02 0,823 Skuldsättningsgrad 1,49 1,442 Tabell 2: Genomsnitt och standardavvikelse för gruppen av svenska bolag Utländska bolag (n=28) Genomsnitt Std-avvikelse EBITDA-marginal 17,00% 13% KOH 1,81 0,808 Skuldsättningsgrad 1,18 1,325 26 Tabell 3: Genomsnitt och standardavvikelse för gruppen av utländska bolag Konfidensintervall för skillnad i populationerna (95%) Nedre Övre KI EBITDA -5,4% 5,4% KI KOH -0,16 0,58 KI Skuldsättningsgrad -0,31 0,93 Tabell 4: Konfidensintervall för skillnaden mellan genomsnitt för de olika populationerna svenska och utländska bolag Riskhantering vid datainsamling Den manuella datainsamlingen följde en noggrant utarbetad metodik för att säkerställa datakvalitet och pålitlighet. Trots detta finns det vissa osäkerheter kopplade till de manuellt insamlade datapunkterna jämfört med automatiskt insamlade data. För att förstå och minimera påverkan av bortfallet genomfördes en analys för att identifiera eventuella systematiska skillnader mellan de företagsförvärv som ingick i regressionsmodellen och de som uteslöts. Åtgärder togs också för att komplettera saknade datapunkter med hjälp av alternativa källor eller estimat där det var möjligt. Denna process ämnade att säkerställa att analysens resultat är så robusta och pålitliga som möjligt, trots de utmaningar som bortfallet av data medförde. 27 4. Resultat I detta kapitel presenteras resultaten från studiens analyser, inklusive tester av multikollinearitet, analys av residualernas oberoende och regressionsanalyser av sambandet mellan de utvalda finansiella nyckeltal och framtida omsättningstillväxt. 4.1 Regressionsanalyser Detta avsnitt presenterar resultaten från regressionsanalysen avseende sambandet mellan finansiella nyckeltal och framtida omsättningstillväxt. För EBITDA-marginal testades hypoteserna H0.1 och H1.1. Resultaten visade en svag positiv korrelation mellan skuldsättningsgrad och framtida omsättningstillväxt, med ett determinatonsvärde (R²) på 0,031. Detta innebär att 3% av variationen i omsättningstillväxt kan förklaras av skuldsättningsgraden. F-statistikan var 2,679 och p-värdet var 0,105, vilket fortfarande visar att sambandet inte är statistiskt signifikant. Trots att EBITDA-marginal visar en något högre korrelation än de andra variablerna, är sambandet ändå för svagt för att dra några definitiva slutsatser om dess påverkan på framtida omsättningstillväxt. H0.1 kan därmed inte förkastas. 28 Figur 4: Regressionsanalys 1. Bäst passande linje med LSM. EBITDA-marginal mot CAGR För KOH undersöktes hypoteserna H0.2 och H1.2. Resultaten visade en mycket svag positiv korrelation mellan KOH och framtida omsättningstillväxt, med ett determinatonsvärde (R²) på 0,006. Detta innebär att endast 0.6% av variationen i omsättningstillväxt kan förklaras av KOH. F-statistikan var 0,486 och p-värdet var 0,488, vilket indikerar att sambandet inte är statistiskt signifikant. Därmed dras inte slutsatsen att KOH har någon betydande effekt på framtida omsättningstillväxt, vilket med andra ord innebär att H0.2 inte kan förkastas. 29 Figur 5: Regressionsanalys 2. Bäst passande linje med LSM, KOH mot CAGR När det gäller skuldsättningsgrad och testerna kring hypoteserna H0.3 och H1.3 visade resultaten ingen korrelation mellan skuldsättningsgrad och framtida omsättningstillväxt. Determinationsvärdet (R²) är 0,00 vilket innebär att 0% av variationen i omsättningstillväxt kan förklaras av skuldsättningsgraden. F-statistikan var 0,029 och p-värdet var 0,866, vilket fortfarande indikerar att sambandet inte är statistiskt signifikant. Sambandet är för svagt för att dra några definitiva slutsatser om dess påverkan på framtida omsättningstillväxt. H0.3 kan därför inte förkastas. 30 Figur 6: Regressionsanalys 3. Bäst passande linje med LSM. Skuldsättningsgrad mot CAGR 4.4 Multipla variabelregressioner och sammanfattning För regressionerna med multipla variabler har EBITDA-marginal tillsammans med KOH det största förklaringsvärdet 6,6%. Regressionen har ett p-värde på 0,061 vilket är relativt nära signifikans på 95%, trots detta kan ingen av nollhypoteserna förkastas. På 90% signifikans hade denna hypotes förkastats och i så fall stärkt idén om att EBITDA-marginal och KOH kan förutsäga omsättningstillväxt. Denna kombination har dessutom ett större förklaringsvärde än summan av de enskilda variablerna. Notera att koefficienterna för bägge förklarande variabler är negativa, även för den kombinerade regressionen. Detta innebär att testet på 90%-signifikansnivå visar att högre EBITDA-marginal och högre KOH innebär en omsättningsminskning, alltså negativ CAGR. Tabell 6 med resultaten från alla körningar illustrerar värdena för varje körning. 31 Förklarande variabel Koefficient R^2 F-statistikan p-värde X1: EBITDA-marginal -0,177 0,031 2,679 0,105 X2: KOH -0,010 0,006 0,486 0,488 X3: Skuldsättningsgrad -0,001 0,000 0,029 0,866 X1 & X2 0,066 2,892 0,061 X1 & X3 0,036 1,545 0,220 X2 & X3 0,006 0,240 0,787 Tabell 6: Sammanställning av resultat Sammanfattningsvis visar resultatet att ingen av nollhypoteserna kan förkastas med 95%-signifikansnivå, vilket illustreras i tabell 7. Hypotes Resultat H0.1: EBITDA-marginal korrelerar inte Förkastas inte med framtida omsättningstillväxt H0.2: KOH korrelerar inte med framtida Förkastas inte omsättningstillväxt H0.3: Skuldsättningsgrad korrelerar inte Förkastas inte med framtida omsättningstillväxt Tabell 7: Sammanfattning av resultaten med avseende på de formulerade hypoteserna 4.2 Test av multikollinearitet En sammanställning av VIF-testet som genomfördes kan ses i tabell 5. Samtliga VIF-värden understiger tröskelvärdet 10 med stor marginal. Detta resultat tyder på att det inte föreligger någon signifikant multikollinearitet mellan de förklarande variablerna i modellen. Därmed kan slutsatsen dras att våra oberoende variabler inte är starkt korrelerade med varandra. Det låga VIF-värdet för varje variabel indikerar att variablerna är tillräckligt oberoende för att deras individuella effekter på den beroende variabeln ska kunna uppskattas på ett tillförlitligt sätt. 32 KOH EBITDA-marginal Skuldsättningsgrad KOH - 1,31 1,07 EBITDA-marginal 1,31 - 1,09 Skuldsättningsgrad 1,07 1,09 - Tabell 5: VIF-test av oberoende variabler 4.2 Analys av residualer För att utvärdera om residualerna från regressionsmodellerna uppfyller kriteriet för oberoende, undersöktes både lag-plots och histogram över residualerna för de finansiella nyckeltalen EBITDA-marginal, KOH och skuldsättningsgrad. Detta är en viktig del av att säkerställa att modellerna följer antagandena för en OLS-regression, som kräver att residualerna är oberoende och normalt fördelade. Lagg-plots för EBITDA-marginal, KOH och skuldsättningsgrad visar förhållandet mellan residualerna för datapunkt n och datapunkt (n+1). Diagrammen för samtliga nyckeltal visar ingen tydlig linjär eller icke-linjär trend. Punkterna är spridda runt origo och visar ingen systematisk struktur. För EBITDA-marginal är punkterna jämnt fördelade utan någon synlig korrelation, vilket antyder att residualerna är oberoende. Detsamma gäller för KOH och skuldsättningsgrad, där punkterna också är spridda utan någon systematisk struktur, vilket indikerar att residualerna är oberoende. Testerna sammanfattas i figur 7, 8 och 9. 33 Figur 7: Scatterplot för residualer vid regression med KOH och CAGR Figur 8: Scatterplot för residualerna vid regression med EBITDA-Marginal och CAGR 34 Figur 9: Scatterplot för residualerna vid regression med skuldsättningsgrad och CAGR Histogram över residualerna ger ytterligare insikt i deras fördelning. Histogrammet för EBITDA-marginal visar att residualerna är relativt symmetriskt fördelade runt noll med en topp vid noll. Det finns några extremvärden, men de flesta residualer är koncentrerade nära noll, vilket indikerar en någorlunda normal fördelning. Histogrammet för KOH visar en liknande symmetrisk fördelning med de flesta residualer koncentrerade nära noll. Även här finns några extremvärden, men de påverkar inte den övergripande normalfördelningen nämnvärt. Histogrammet för skuldsättningsgrad visar också en symmetrisk fördelning runt noll, med majoriteten av residualerna koncentrerade nära mitten. Det finns några extremvärden, men de flesta residualer följer en normalfördelning. Dessa histogram återfinns i figur 10, 11 och 12. 35 Figur 10: Histogram över residualer: KOH Figur 11: Histogram över residualer: EBITDA-Marginal 36 Figur 12: Histogram över residualer: Skuldsättningsgrad För att ytterligare verifiera att residualerna följer en normalfördelning genomfördes QQ-plots för residualerna mot en teoretisk normalfördelning. Resultaten från QQ-plotsen var positiva, vilket innebär att residualerna överensstämmer väl med en normalfördelning. Punkterna i QQ-plotsen låg nära den diagonala linjen, vilket tyder på att antagandet om normalfördelning är uppfyllt. Baserat på analyserna av lag-plots, histogram och QQ-plots över residualerna, fastslås att residualerna för de finansiella nyckeltalen EBITDA-marginal, KOH och skuldsättningsgrad är oberoende och någorlunda normalt fördelade. Det finns inga tydliga mönster eller systematiska strukturer som tyder på beroende mellan residualerna. Därmed uppfyller modellerna kriteriet för oberoende residualer, vilket är en av de viktiga antagandena för att regressionsmodellerna ska betraktas som OLS-konsistenta. 37 5. Analys I detta kapitel diskuteras resultaten av analyserna och hur de relaterar till de ursprungliga hypoteserna och den befintliga forskningen inom området. Analysen kommer främst att belysa hur studien kontrasterar mot tidigare forskning. 5.1 Jämförelse med tidigare forskning Enligt tidigare studier har finansiella nyckeltal som EBITDA-marginal, KOH och skuldsättningsgrad ansetts vara potentiella indikatorer för framtida omsättningstillväxt. Chalevas och Florou (2010) argumenterade till exempel att EBITDA-marginalen var en stark prediktor för aktieavkastning. Studie visar dock att det inte finns några starka eller statistiskt signifikanta samband mellan dessa nyckeltal och framtida omsättningstillväxt. Den svaga positiva korrelationen mellan EBITDA-marginalen och framtida omsättningstillväxt, med ett p-värde på 0,105, indikerar att sambandet inte är statistiskt signifikant. Detta går emot Chalevas och Florous resultat och antyder att EBITDA-marginalen kanske inte är en tillförlitlig indikator för framtida tillväxt i studiens kontext. När det gäller KOH, föreslog Suprati et al. (2019) att hög kapitalomsättningshastighet skulle kunna vara en indikator på framtida omsättningstillväxt. Analysen visade dock en mycket svag positiv korrelation mellan KOH och framtida omsättningstillväxt, vilket inte var statistiskt signifikant med ett p-värde på 0,488. Detta antyder att KOH inte har en betydande effekt på framtida omsättningstillväxt i vårt urval av företag. För skuldsättningsgraden, som enligt D’Hulster (2009) kan vara en viktig faktor för att främja tillväxt genom hävstångseffekten, fann studien också en svag och icke-signifikant positiv korrelation med framtida omsättningstillväxt. Med ett p-värde på 0,866, tyder resultaten på att skuldsättningsgraden inte har någon betydande inverkan på omsättningstillväxten, vilket går emot teorin om att skuldsättning kan leda till högre tillväxt. 6. Diskussion 6.1 Urvalets påverkan Det finns flera möjliga orsaker till varför studiens resultat skiljer sig från tidigare forskning. En faktor kan vara den specifika kontexten och urvalet av företag som har analyserats. Tidigare studier har ofta fokuserat på bredare och mer diversifierade marknader, medan denna 38 studie är begränsad till en specifik grupp av företag och tidsperiod. Eftersom tidigare studier fått signifikanta resultat bedömdes urvalet vara intressant att studera en extra gång. Det är tydligt att genomsnittliga nyckeltal från studiens urval är betydligt starkare än diverse branschgenomsnitt (se tabell 8). Den genomsnittliga EBIT-marginalen för företag i studiens urval är cirka 17% vilket skiljer sig kraftigt från branschgenomsnittet som ligger på cirka 5%. Dessutom skiljer sig urvalets genomsnittliga KOH och skuldsättningsgrad avsevärt ifrån branschgenomsnittet. EBIT-margin. KOH Skuldsättningsgrad Genomsnitt 16,77% 1,95 0,99 Std. Avvikelse 10,30% 0,82 0,18 Konfidensintervall övre 21,67% 2,13 1,03 Konfidensintervall nedre 11,88% 1,78 0,95 Branschgenomsnitt* 4,83% 1,67 1,18 Tabell 8: Genomsnittliga nyckeltal för studiens urval kontra branschens genomsnitt (SCB, 2024). Branschgenomsnitt* avser genomsnittliga värden för företag med tvåsiffriga koder 16-30 enligt SNI 2007. Detta kan tänkas förklaras av att goda finansiella nyckeltal ofta är en nödvändig förutsättning för att ett företag ska bli uppköpt. Företag med starka finansiella prestationer tenderar att vara mer attraktiva för potentiella köpare eftersom de representerar en lägre risk och en större chans till stabil avkastning på investeringen. Vidare kan bristen på signifikanta samband mellan nyckeltal och framtida omsättningstillväxt tänkas bero på att företag med goda nyckeltal ofta befinner sig i en senare mognadsfas på marknaden. I denna fas kan företaget tänkas redan genomgått de största tillväxtfaserna och fokuserar nu på att upprätthålla och stärka sin finansiella position och lönsamhet snarare än att driva snabb tillväxt. Mogna företag investerar ofta i att optimera operativa processer, minska kostnader och maximera vinster, vilket kan resultera i starka finansiella nyckeltal men inte nödvändigtvis ökad omsättningstillväxt. Denna övergång från tillväxtorientering till lönsamhetsfokus kan därför förklara varför studien inte ser starka korrelationer mellan de undersökta nyckeltalen och framtida omsättningstillväxt. Det indikerar att finansiella nyckeltal ensamma kanske inte är tillräckliga för att förutsäga tillväxtpotential i mogna företag, och att andra faktorer som marknadsförhållanden, innovationsgrad och strategiska beslut också spelar en viktig roll. 39 En annan möjlig förklaring är att externa faktorer, som makroekonomiska förhållanden och marknadsdynamik, kan ha en större inverkan på omsättningstillväxten än interna finansiella nyckeltal. Resultatet kan indikera att externa faktorer, snarare än interna finansiella nyckeltal, spelar en större roll i att påverka framtida omsättningstillväxt för de analyserade företagen. Slutligen kan det vara så att de valda nyckeltalen inte fångar upp alla relevanta aspekter av ett företags finansiella hälsa och potential för tillväxt. Det kan finnas andra finansiella eller icke-finansiella indikatorer som bättre förklarar variationen i framtida omsättningstillväxt, och dessa skulle kunna undersökas i framtida forskning. 6.2 Metodologiska överväganden En faktor som kan ha påverkat studiens resultat är att det funnits ett systematiskt bortfall, vilket tidigare diskuterats i metoden. En konsekvens av detta hade kunnat vara att resultatet varit annorlunda givet att all önskad data varit tillgänglig. Som diskuterats i tidigare avsnitt, påverkades datainsamlingen av faktorer som konkurs, företagsfusioner, och begränsad tillgång till information om vissa privata företag utanför Norden. Totalt sett kunde data om 85 företagsförvärv dokumenteras, men de bortfallna observationerna kan ha påverkat resultatens representativitet och slutsatsernas generaliserbarhet. Vidare gäller inte nödvändigtvis sambanden som identifierats i denna studie för alla perioder. De analyserade data avser en specifik tidsperiod, och ekonomiska förhållanden eller marknadsdynamik kan variera över tid. Detta innebär att resultaten från denna studie kanske inte är tillämpliga för andra tidsperioder med olika ekonomiska förutsättningar. För att öka robustheten av framtida forskning kan det vara lämpligt att inkludera data över längre tidsperioder eller från olika ekonomiska cykler. En annan begränsning är att sambanden som observerats kanske inte gäller för alla marknader. Denna studie fokuserar på svenska serieförvärvare som definierats i urvalskapitlet och deras förvärv, vilket innebär att resultaten huvudsakligen är relevanta för den svenska marknaden. Internationella marknader kan ha olika ekonomiska strukturer, regleringar och affärspraxis, vilket kan påverka generaliserbarheten av resultaten. Vidare var syftet med denna studie att undersöka svenska serieförvärvande företag under de senaste åren. Den begränsade datamängden förhindrade en differentiering baserat på bransch, vilket innebär att studien inte 40 kunde analysera eventuella branschspecifika effekter. Andra studier hade kunnat ta en längre tidsperiod i beaktande men då fokuserat på en enda bransch för att säkerställa tillräcklig datamängd och relevans. Genom att fokusera på svenska bolag som inte bara köper noterade företag, var det svårt att hantera systematiska bortfall eftersom data för privata bolag ofta är mindre tillgänglig eller komplett. Sammanfattningsvis gäller det att liknande studier på andra urvalsgrupper och kriterier hade kunnat nå andra resultat. Denna rapports syfte var däremot att kartlägga svenska serieförvärande bolag mellan 2015-2018. Med bakgrund i detta anser rapporten att syftet uppnåtts, även om svaren möjligtvis kunnat vara mer generaliserbara utan bortfallet av data. 6.3 Endogenitet Eftersom ingen nollhypotes kan förkastas innebär det att EBITDA-marginal, KOH och skuldsättningsgrad inte är lämpliga prediktorer för omsättningstillväxt. Detta antyder att förvärvande bolag istället bör titta på andra typer av nyckeltal och egenskaper. Ett problem med de definierade nyckeltalen är att de endast representerar data som finns inneboende i företagen. Studien tar alltså inte hänsyn till, bortsett från tester med kontrollvariabler, saker som bransch, konkurrenter, produktutveckling, kundtillväxt och liknande. De låga förklaringsvärdena antyder att sådana mått och omständigheter är betydligt bättre på att förklara omsättningstillväxt. Dessa externa värden kan vara direkt kvantitativa som exempelvis ränta eller marknadens totala tillväxt. De skulle också kunna vara kvantifierbara genom enkäter eller andra typer av metoder. Dessutom skulle de kunna hanteras icke-kvantitativt, till exempel genom att låta erfarna beslutsfattare använda sin kunskap för att fatta korrekta förvärvsbeslut. Det faktum att värdena är endogena innebär också att studien inte beaktar förutsättningar som existerar hos det förvärvande bolaget. Likt Schweizer (2005) och Hansell et al. (2021) framhåller genomförs förvärv ofta för att integreras i den befintliga verksamheten med förhoppning om att man ska uppnå synergier. Dessa synergier är ofta slutmålet med förvärv och beror på både det förvärvande och det uppköpta företagets förutsättningar. Eftersom denna studie endast behandlar data från det förvärvade bolaget kommer den inte kunna förklara den andel av omsättningstillväxt som uppkommer som en konsekvens av förvärv. 41 Eftersom studiens syfte vara att utvärdera finansiella nyckeltal som kan användas för att förutspå omsättningstillväxt är studiens mål uppfyllt. Däremot antyder resultaten att det inte existerar något sådant mått och att andra typer av bedömningar bör prioriteras i utvärderingen av förvärvsobjekt. Däremot är det viktigt att poängtera att denna studie endast undersökt tre variabler och att det därför kan finnas andra förklarande variabler. Det är samtidigt viktigt att tänka på att flera andra variabler är nära besläktade med de som undersökts i denna studie. Andra vinstmarginaler är till exempel lika EBITDA-marginal och soliditeten är direkt kopplad till skuldsättningsgrad. 6.4 Sammanfattande diskussion och förslag till vidare forskning Sammanfattningsvis kan man gruppera anledningarna till att studien inte lyckas identifiera något nyckeltal i två olika grupper. För det första finns metodfel, som det systematiska bortfallet av företag som kan tänkas ha haft en påverkan. Detta ses dock inte som särskilt troligt, då dessa bolag utgör en väldigt liten andel av det totala datasetet och att de utländska bolagen har nyckeltal som är väldigt lika de svenska företagen. Den andra gruppen av fel är fel kopplade till hypotesutvecklingen. Flera tidigare studier (se exempelvis: Da & Xhao, 2013; Suprati, 2019; Nurdiansyah & Nugroho, 2017) har tidigare visat att det finns korrelationer mellan nyckeltal och förvärv eller nyckeltal och tillväxt. Det faktum att denna studie inte gör det kan vara hänförligt till exempelvis den nischade marknad undersökningen studerar. De studier författarna tittat på är inte specifika för den svenska marknaden och serieförvärvare. Det är möjligt att de olika egenskaperna på dessa områden är det som leder till att slutsatserna blir olika. Dessutom är det möjligt att de olika tidsperioderna präglats av olika förutsättningar som leder till olika resultat. Med grund i den förda diskussionen framhåller studien ett antal områden som blir extra aktuella för vidare forskning, för att bygga vidare på denna studies resultat. Först och främst illustrerar resultatet att det är viktigt att ha välfungerande metoder för att bedöma de mjuka värden som finns för att utvärdera förvärsobjekt. Dessa områden kan exempelvis vara potentiella synergieffekter, ledarskap, kultur eller förbättring av produktutbud. Dessa parametrar kan bedömas kvalitativt, men det kan också vara intressant att framställa metoder för att kvantifiera dessa värden. Detta skapar jämförbarhet och skulle kunna ligga till grund för ny forskning om korrelation mellan kvantifierbara värden och omsättningstillväxt. 42 Slutligen skulle det fortfarande vara intressant att se resultaten från fler studier likt denna, men på andra marknader, i andra branscher och under andra tidsperioder. Liknande resultat hade validerat det denna studie antyder, det vill säga att det inte finns några endogena nyckeltal som förutspår tillväxt. Annorlunda resultat hade kontrasterat det som denna studie antytt och öppnar dörrar för ny forskning som kan undersöka varför dessa skillnader uppstått. 43 7. Slutsats Under följande avsnitt sammanfattas studiens resultat och slutsatser. De praktiska och teoretiska implikationerna av arbetet knyts till studiens syfte och förslag till vidare forskning lyfts åter. De praktiska implikationerna av studien är att svenska serieförvärvare inte bör fokusera för mycket på finansiella nyckeltal när de bedömer potentiella förvärv. Dessa nyckeltal kan ses som hygienfaktorer för att ett företag ska bli övervägt, men väljer man exempelvis mellan två olika företag att förvärva bör ansträngningar fokuseras på att undersöka andra värden. Andra värden som kan vara aktuella att undersöka är integrationssynergier och marknadsutvärderingar, precis som tidigare studier antytt. Dessutom bör man ta hänsyn till de teknologiska och innovativa kapaciteter som det förvärvade företaget besitter, då dessa kan vara avgörande för framtida konkurrensfördelar. Studien uppmanar framtida studier att hitta sätt att kvantifiera dessa typer av undersökningar för att skapa jämförbarhet. Ur en akademisk synvinkel har studien ökat förståelsen för prestationen efter förvärv, för bolag som förvärvats av svenska serieförvärvare. Studien bidrar också till en mer nyanserad bild av de utmaningar och möjligheter som svenska serieförvärvare står inför, vilket kan inspirera till nya forskningsområden och teoribildningar inom företagsförvärv. Förvärvsområdet förblir intressant för vidare forskning med tanke men den höga graden av misslyckade förvärv men med den stora potentialen när företag lyckas väl. 44 8. Referenser Ahammad, M. F., & Glaister, K. W. (2013b). The pre-acquisition evaluation of target firms and cross border acquisition performance. International Business Review, 22(5), 894–904. https://doi.org/10.1016/j.ibusrev.2013.01.001 Ang, J. S., Daher, M. M., & Ismail, A. K. (2019c). How do firms value debt capacity? Evidence from mergers and acquisitions. Journal of Banking & Finance, 98, 95–107. https://doi.org/10.1016/j.jbankfin.2018.10.017 Bahadir, S. C., Bharadwaj, S., & Parzen, M. (2009). A meta-analysis of the determinants of organic sales growth. International Journal of Research in Marketing, 26(4), 263–275. https://doi.org/10.1016/j.ijresmar.2009.06.003 Ball, R., & Nikolaev, V. V. (2022). On earnings and cash flows as predictors of future cash flows. Journal of Accounting & Economics/Journal of Accounting and Economics, 73(1), 101430. https://doi.org/10.1016/j.jacceco.2021.101430 Barai, P., & Mohanty, P. (2012). Predicting acquisitions in India. Vikalpa, 37(3), 29–50. https://doi.org/10.1177/02560909201 Billett, M. T., & Qian, Y. (2008). Are Overconfident CEOs Born or Made? Evidence of Self-Attribution Bias from Frequent Acquirers. Management Science, 54(6), 1037–1051. http://www.jstor.org/stable/20122453 Chandra, U., & Ro, B. T. (2008). The role of revenue in firm valuation. Accounting Horizons, 22(2), 199–222. https://doi.org/10.2308/acch.2008.22.2.199 Chen, L., Da, Z., & Zhao, X. S. (2012). What drives stock price movement? Social Science Research Network. https://doi.org/10.2139/ssrn.1121893 45 Cicon, J., Clarke, J., Ferris, S. P., & Jayaraman, N. (2014). Managerial expectations of synergy and the performance of acquiring firms: the contribution of soft data. The Journal of Behavioral Finance, 15(3), 161–175. https://doi.org/10.1080/15427560.2014.941060 Cohen, J., Cohen, P., West, S., Aiken, L. (2003). Applied Multiple Regression/Correlation Analysis for the Behavioral Sciences. (3 uppl.) Lawrence Erlbaum Associates. Conn, R. C. L., Cosh, A., Guest, P. M., & Hughes, A. (2004). Why must all good things come to an end? The performance of multiple acquirers. Social Science Research Network. https://doi.org/10.2139/ssrn.499310 Cumming, D., Jindal, V., Kumar, S., & Pandey, N. (2023). Mergers and acquisitions research in finance and accounting: Past, present, and future. European Financial Management, 29(5), 1464–1504. https://doi.org/10.1111/eufm.12417 D’Hulster, K. (2009). The leverage ratio : a new binding limit on banks. ideas.repec.org. https://ideas.repec.org/p/wbk/wboper/10224.html Nugroho, E. S., Nurdiansyah, D. H., & Erviana, N. (2017). Financial ratio to predicting the growth income (case study: Pharmaceutical manufacturing company listed on indonesia stock exchange period 2012 to 2016). International Review of Management and Marketing, 7(5), 77-84. https://www.proquest.com/scholarly-journals/financial-ratio-predicting-growth-income-case/d ocview/2605262153/se-2 Fernandez, P., & Carabias, J. M. (2006). 96 Common errors in company valuations. Social Science Research Network. https://doi.org/10.2139/ssrn.895151 Foerster, S., Tsagarelis, J., & Wang, G. (2017). Are cash flows better stock return predictors than profits? Financial Analysts Journal, 73(1), 73–99. https://doi.org/10.2469/faj.v73.n1.2 Florou, C., & Chalevas, C. (2010). Key accounting value drivers that affect stock returns: evidence from Greece. Managerial Finance, 36(11), 921–930. https://doi.org/10.1108/03074351011081240 46 Ghosh, A., Gu, Z., & Jain, P. C. (2005). Sustained earnings and revenue growth, earnings quality, and earnings response coefficients. Review of Accounting Studies, 10(1), 33–57. https://doi.org/10.1007/s11142-004-6339-3 Gujarati, D.N. & Porter, D.C. (2009). Basic econometrics. (5th edition). Boston: McGrawHill. Henrekson, Magnus och Ulf Jakobsson (2008). ”Globaliseringen och den svenska ägarmodellen”. Underlagsrapport nr 19. Stockholm: Globaliseringsrådet. https://www.ifn.se/publikationer/rapporter/2000-2010/2008/2008-11/ Ismail, A. (2008). Are Good Financial Advisors Really Good? The Performance of Investment Banks in the M&A Market. Social Science Research Network. https://doi.org/10.2139/ssrn.1154532 Jegadeesh, N. (2002). Revenue growth and stock returns. Social Science Research Network. https://doi.org/10.2139/ssrn.314962 Johansson, S. Runsten, M. (2017). Företagets lönsamhet, finansiering och tillväxt (4:de Upplagan). Studentlitteratur. Jonung, L. (2002). Vem skall äga Sverige? Lund University. https://portal.research.lu.se/en/publications/vem-skall-%C3%A4ga-sverige Kariyawasam, H. (2019). Analysing the Impact of Financial ratios on a company’s financial Performance. International Journal of Management Excellence, 13, 1898-1903. - References - Scientific Research Publishing. (n.d.). https://www.scirp.org/reference/referencespapers?referenceid=3174354 Keenan, L., & Wójcik, D. (2023). The economic geographies of mergers and acquisitions (M&As). Environment & Planning. A, 55(6), 1618–1627. https://doi.org/10.1177/0308518x231190091 47 Kengelbach, D. J., Klemmer, D. C., Schwetzler, B., & Sperling, M. O. (2012). An Anatomy of Serial Acquirers, M&A Learning, and the Role of Post-Merger Integration. Social Science Research Network. https://doi.org/10.2139/ssrn.1946261 Laamanen, T., & Keil, T. (2008). Performance of serial acquirers: toward an acquisition program perspective. Strategic Management Journal, 29(6), 663–672. https://doi.org/10.1002/smj.670 La Porta, R., Lopez‐de‐silanes, F., Shleifer, A., & Vishny, R. W. (1997). Legal determinants of external finance. The Journal of Finance, 52(3), 1131–1150. https://doi.org/10.1111/j.1540-6261.1997.tb02727 La Porta, R., Lopez‐de‐Silanes, F., Shleifer, A., & Vishny, R. W. (1998). Law and Finance. Journal of Political Economy, 106(6), 1113–1155. https://doi.org/10.1086/250042 Nordenvik, Ulrika. (2023). Komparativ studie av svensk och amerikansk avtalsrätt - avtals ingående. Lund University. https://www.lunduniversity.lu.se/lup/publication/1560709 Ouzounis, G., Gaganis, C., & Zopounidis, C. (2009). Prediction of acquisitions and portfolio returns. International Journal of Banking, Accounting and Finance, 1(4), 381. https://doi.org/10.1504/ijbaaf.2009.023151 Patin, J., Rahman, M., & Mustafa, M. (2020). Impact of total asset turnover ratios on equity returns: Dynamic panel data analyses. Journal of Accounting-Business Dan Management/Journal of Accounting, Business and Management, 27(1), 19. https://doi.org/10.31966/jabminternational.v27i1.559 Redeye. (2024). Serial Acquirers. Redeye Equity Research. https://www.redeye.se/api/articles/download-file/c63ef2e9-ba35-3918-bc95-51ab254c825e Renneboog, L., & Vansteenkiste, C. (2019). Failure and success in mergers and acquisitions. Journal of Corporate Finance, 58, 650–699. https://doi.org/10.1016/j.jcorpfin.2019.07.010 48 PWC. (2024). Global M&A industry trends: 2024 outlook. PwC. https://www.pwc.com/gx/en/services/deals/trends.html Roll, R. (1986). The Hubris Hypothesis of Corporate Takeovers. The Journal of Business, 59(2), 197–216. http://www.jstor.org/stable/2353017 Rossi, S., & Volpin, P. F. (2004). Cross-country determinants of mergers and acquisitions. Journal of Financial Economics, 74(2), 277–304. https://doi.org/10.1016/j.jfineco.2003.10.001 Suprapti, E., Qonita, Q., & Hidayat, A. S. (2019). Analysis of financial performance in predicting earning growth. JASF (Journal of Accounting and Strategic Finance), 2(1), 70–81. https://doi.org/10.33005/jasf.v2i1.46 The Ebitda folly. (2003). Forbes. https://www.forbes.com/sites/mollybohannon/2024/05/24/billionaire-blackstone-ceo-schwarz man-will-back-trump-after-donating-millions-in-2020/?sh=1e3045113404 Thompson, M. L. (1978). Selection of Variables in Multiple Regression: Part I. A Review and Evaluation. International Statistical Review / Revue Internationale de Statistique, 46(1), 1–19. https://doi.org/10.2307/1402505 Verriest, A., Verriest, J., & De Kok, T. (2018). The prevalence and validity of EBITDA as a performance measure. Social Science Research Network. https://doi.org/10.2139/ssrn.3171131 Westdahl, A. (2009). Finansiella nyckeltal - analysinstrument eller reklam? Stockholms universitet. https://www.diva-portal.org/smash/record.jsf?pid=diva2%3A273821&dswid=7702 Zekić-Sušac, M., Šarlija, N., Has, A., & Bilandžić, A. (2016). Predicting company growth using logistic regression and neural networks. CRORR Journal. https://hrcak.srce.hr/ojs/index.php/crorr/article/view/4684 49 9. Bilagor # LTM Company Market Cap Industry Year Acquistion Total Country Name Latest Sector Founded s Revenue Indutrade AB 9 356,8 18 2 943,3 Industrials Sweden 1 919 Instalco AB 951,0 15 1 335,3 Industrials Sweden 2 013 Lifco AB 12 098,2 14 2 288,2 Industrials Sweden 1 993 Sdiptech AB 1 092,1 14 476,8 Industrials Sweden 2 004 Lagercrantz Information 3 285,3 12 759,2 Sweden 1 906 Group AB Technology AddLife AB 1 311,1 3 915,1 Health Care Sweden 1 906 Vitec Software Information 1 907,3 3 269,1 Sweden 1 985 Group AB Technology Green Landscaping 423,0 2 557,0 Industrials Sweden 2 008 Group AB Volati AB 842,4 1 714,7 Industrials Sweden 2 003 Addtech AB 6 278,6 1 1 869,6 Industrials Sweden 1 906 Beijer Alma AB 1 170,6 1 653,8 Industrials Sweden 1 983 Bergman & 667,9 1 444,7 Industrials Sweden 1 906 Beving AB Bilaga 1: Lista över utvalda serieförvärvare. Alla siffror som inte är kvoter är i enheten [Miljoner USD] 50 CAGR Rev [FY Year of Company EBITDA Turnover Industry Solidity 5 Years after Acquisi Acquirer Name -margin. ratio Sector acquisition] tion Svan Care AddLife 23% 1,96 66% 7% 2016 Industrials AB AB BIOMEDIC A AddLife Medizinprod 14% 0,60 43% -27% 2018 Health Care AB ukte GmbH & Co KG Väinö AddLife 5% 1,83 65% 2% 2018 Industrials Korpinen Oy AB Sensor Addtech Information Control 15% 2,48 39% 6% 2016 AB Technology Nordic AB Beijer Svenska Consumer Alma AB Brandslangf 27% 1,29 55% 7% 2017 Discretionar (Beijer abriken AB y Tech AB) Bergman Belano 12% 2,58 65% 0% 2018 & Beving Industrials Maskin AB AB Green Svensk Landscapi Markservice 3% 3,22 22% -28% 2018 ng Industrials AB Holding AB Green Mark & Landscapi Miljö 16% 2,94 29% 6% 2018 ng Industrials Projekt I Holding Sverige Ab AB 51 Professional Consumer Indutrade Parts 15% 1,33 38% 1% 2015 Discretionar AB Sweden AB y Geomek Stockholms Indutrade 10% 1,91 64% 7% 2015 Industrials Geomekanis AB ka AB Fergin Indutrade 9% 2,65 41% 0% 2015 Industrials Sverige AB AB Sepab Consumer Indutrade Fordonsprod 12% 1,87 43% -3% 2015 Discretionar AB ukter AB y Klokkerhol Consumer m Indutrade 36% 0,52 65% 10% 2016 Discretionar Karosseridel AB y e A/S Ka Olsson & Indutrade 8% 2,02 50% -3% 2016 Industrials Gems Ab AB Vacuum Engineering Indutrade 13% 1,59 52% 11% 2016 Industrials Services AB Limited Beldam Indutrade Crossley 2% 2,37 66% 4% 2016 Materials AB Limited Alphr Indutrade Information Technology 13% 1,78 52% -8% 2016 AB Technology Ltd. Scanmaskin Indutrade 14% 1,61 61% -3% 2016 Industrials Sverige AB AB Senmatic Indutrade Information 51% 0,27 58% 2% 2016 A/S AB Technology 52 Industri Indutrade 6% 3,09 64% 10% 2016 Financials Verktøy AS AB Young Black Industrial Indutrade 6% 2,56 74% 4% 2017 Industrials Stapling AB Limited Ellard Indutrade 9% 1,22 76% 13% 2017 Industrials Limited AB AVA Indutrade Information Monitoring 47% 1,49 51% -12% 2017 AB Technology AB WennerstrÖ M Indutrade 5% 1,87 29% 10% 2017 Industrials Ljuskontroll AB Ab Precision Indutrade 13% 1,07 86% 20% 2018 Industrials UK Ltd AB Norsecraft Indutrade 13% 2,35 60% 0% 2018 Industrials Tec As AB Trä Och Inredningsm Instalco ontage 5% 4,56 38% -6% 2016 Intressent Industrials Kylteknik I er AB Bandhagen Ab Tunabygden Instalco s -3% 3,40 10% 6% 2016 Intressent Industrials Vvs-Installat er AB ÖR Ab Frøland & Instalco Noss Elektro 9% 2,11 36% -2% 2017 Intressent Industrials As er AB 53 Instalco AS Elektrisk 19% 2,15 26% -1% 2017 Intressent Industrials er AB Instalco Elkontakt I 2% 1,23 55% 27% 2017 Intressent Industrials BorÅS Ab er AB Instalco Elektro-Cent 14% 1,72 18% 38% 2017 Intressent Industrials ralen AB er AB Instalco Consumer Lvi-Urakoint 2% 2,71 60% 6% 2018 Intressent Discretionar i Paavola Oy er AB y Instalco 3EL AB 10% 2,85 48% -11% 2018 Intressent Industrials er AB Sprinklerbol Instalco aget 5% 3,64 27% 0% 2018 Intressent Industrials Stockholm er AB AB Teknisk Instalco Ventilasjon 18% 2,48 39% 2% 2018 Intressent Industrials AS er AB Instalco Twinputki 11% 1,29 40% -14% 2018 Intressent Industrials Oy er AB Msi-El Motala Instalco StrÖMs 16% 1,76 41% 7% 2018 Intressent Industrials Installation er AB Ab Instalco Sähkö-Buum 15% 3,73 55% -3% 2018 Intressent Industrials i Oy er AB 54 Dala Instalco Kylmecano 12% 4,10 50% 10% 2018 Intressent Industrials AB er AB RIKELEKT Instalco RO Holding 21% 1,27 65% -1% 2018 Intressent Industrials AB er AB Nikodan Lagercran Process 58% 0,86 54% -14% 2015 tz Group Industrials Equipment AB A/S Lagercran Information Excidor AB 20% 1,74 48% 4% 2015 tz Group Technology AB Svenska Industriborst Lagercran Consumer ar I 12% 1,00 65% 16% 2015 tz Group Staples VÄSterÅS AB Aktiebolag Lagercran CUE DEE Information 15% 1,56 36% -15% 2016 tz Group AB Technology AB Lagercran Dooman 22% 1,00 50% -4% 2015 tz Group Health Care Teknik AB AB Lagercran Kondator 21% 1,70 45% 6% 2016 tz Group Industrials AB AB Lagercran Exilight Oy 19% 1,94 88% -1% 2016 tz Group Industrials AB Lagercran GasIQ AB 21% 1,60 33% -8% 2016 tz Group Industrials AB 55 Lagercran R-Contractin 16% 3,23 32% 10% 2017 tz Group Industrials g AB AB Lagercran Wapro AB 15% 1,85 46% 11% 2017 tz Group Industrials AB Lagercran Profsafe AB 13% 2,00 33% 2% 2017 tz Group Industrials AB Lagercran Tormek AB 26% 1,62 56% 13% 2018 tz Group Industrials AB Rapid Granulator 12% 2,02 26% -2% 2015 Lifco AB Industrials AB Auto-Maski 15% 1,79 14% -2% 2015 Lifco AB Industrials n AS Topdental (Products) 25% 1,64 80% 8% 2015 Lifco AB Health Care Ltd. J.H. Orsing 33% 2,13 66% -4% 2015 Lifco AB Health Care AB Cenika AS 17% 1,35 31% 9% 2016 Lifco AB Industrials Nordesign 20% 1,35 56% -1% 2016 Lifco AB Industrials AS Haglöf Information 27% 0,65 64% 9% 2016 Lifco AB Sweden AB Technology Hultdin 15% 1,59 44% 20% 2017 Lifco AB Industrials System AB Fiberworks Information 17% 2,74 34% 6% 2017 Lifco AB As Technology Silvent AB 28% 0,99 82% 4% 2017 Lifco AB Industrials 56 Pro 10 Optix Information 12% 2,43 38% 2% 2017 Lifco AB AB Technology Dental 13% 1,86 20% -3% 2018 Lifco AB Health Care Direct AS Consumer Wexman AB 30% 1,19 71% -2% 2018 Lifco AB Discretionar y ERC 7% 2,87 62% -8% 2018 Lifco AB Industrials Systems AB Tello Service Sdiptech 24% 2,71 50% 10% 2017 Industrials Partner AB AB Centralbygg arna i Sdiptech Information 18% 2,68 74% -3% 2015 Åkersberga AB Technology AB Consumer Thors Sdiptech 29% 1,07 79% 2% 2015 Discretionar Trading AB AB y Medicvent Sdiptech 31% 1,54 64% 0% 2015 Health Care AB AB Castella Sdiptech Entreprenad 21% 2,93 47% -5% 2016 Industrials AB AB Cliff Models Sdiptech 17% 1,85 15% -2% 2016 Industrials AB AB Hydrostanda rd Sdiptech 15% 1,18 50% 21% 2016 Industrials MÄTteknik AB Nordic Ab Topas Vatten Sdiptech 21% 1,36 49% 15% 2016 Industrials Service AB AB 57 Multitech Sdiptech Site Services 25% 1,35 75% -3% 2017 Industrials AB Limited Polyproject Sdiptech Environment 20% 1,46 61% -2% 2017 Industrials AB AB Sdiptech Storadio AB 25% 1,22 50% -1% 2017 Industrials AB Centralmont Sdiptech 12% 2,77 47% 6% 2017 Industrials age AB AB KSS Klimat & Sdiptech 35% 1,29 45% -7% 2018 Industrials Styrsystem AB AB Pure Water Sdiptech Scandinavia 25% 2,03 51% 5% 2018 Industrials AB AB Vitec Software Information FuturSoft Oy 26% 2,72 76% 6% 2016 Group Technology AB Vitec Tietomitta Software Information 3% 1,23 77% 8% 2016 Oy Group Technology AB Vitec Smart Software Information Visitor 15% 2,23 38% 4% 2018 Group Technology System AB AB T-Emballage 3% 2,12 34% 39% 2017 Volati AB Industrials AB Bilaga 2: Lista över företagsförvärv. Alla nyckeltal förutom CAGR avser räkenskapsåret för vilket förvärvet genomfördes. 58 59