Accountancy en Bedrijfskunde Maandschrift vol 25, nr 3, maart 2005, pp. 5-14

Transcriptie

1 Accountancy en Bedrijfskunde Maandschrift vol 25, nr 3, maart 2005, pp. 5-4 De FiTo -meter: een nieuwe, eenvoudige en geïntegreerde maatstaf voor de financiële toestand van een onderneming * Prof. Dr. Hubert Ooghe Christophe Spaenjers 2 Inleiding Sinds het einde van de jaren 60 is falingspredictie een van de belangrijkste onderzoeksdomeinen binnen de corporate finance. Bijna veertig jaar geleden legden Beaver (967) en Altman (968) met enkele papers inzake het gebruik van financiële ratio s de basis van een vernieuwde interesse in deze ietwat bijzondere tak binnen de bedrijfseconomie. Sinds het pionierswerk van toen hebben vele studies en onderzoeken tot doel gehad het beste model ter voorspelling van falingen te ontwerpen. Het beste model wordt algemeen gezien als datgene met het laagste percentage aan misclassificaties: falende ondernemingen die ten onrechte als lopend worden geclassificeerd en omgekeerd. Om dit te bereiken worden verschillende aspecten van de financiële situatie, die weerspiegeld worden in publiek beschikbare informatie, op basis van statistisch-empirisch onderzoek geïntegreerd tot een model dat een onderscheid maakt tussen lopende en falende ondernemingen. Dat het onderzoek in dit vakgebied zoveel aandacht krijgt, is niet verwonderlijk. Een juiste inschatting van de financiële toestand (en bij uitbreiding van de kans op faling) van een bedrijf kan voor heel wat economische agenten zeer waardevolle informatie zijn. We denken hierbij vooral aan (potentiële) klanten, leveranciers, investeerders, kredietverschaffers en werknemers. Er kunnen echter ook andere partijen baat hebben bij een accurate evaluatie van de gezondheid van een onderneming (of het ondernemingsveld in het algemeen): de overheid, de rechtbanken van koophandel, commissarissen-revisoren, etc. Bovendien werd het belang van onderzoek in het domein onlangs nog eens extra in de verf gezet door het recordaantal van 7984 faillissementen in België in 2004 (De Tijd, 4 januari 2005, p. ). Bijna 57% hiervan waren BVBA s. Sinds het begin van de jaren 80 worden in België modellen ter voorspelling van succes en faling opgesteld onder leiding van Hubert Ooghe (Vlerick Leuven Gent Management School en Universiteit Gent). De eerste modellen werden in 982 ontwikkeld door Ooghe en Verbaere en maakten gebruik van lineaire discriminantanalyse. In 99 werd een tweede generatie modellen ontworpen door Ooghe, Joos en De Vos op basis van logistieke regressie (Ooghe, Joos & De Bourdeaudhuij, 995; Ooghe & Van Wymeersch, 2003). * De auteurs bedanken Pieter Vandermoere (Vlerick Leuven Gent Management School) en Sofie Balcaen (Universiteit Gent) voor hun medewerking aan dit onderzoek. Ernst & Young professor Groeimanagement, Vlerick Leuven Gent Management School en buitengewoon hoogleraar Bedrijfsfinanciering, Faculteit Economie en Bedrijfskunde, Universiteit Gent 2 Wetenschappelijk medewerker, Faculteit Economie en Bedrijfskunde, Universiteit Gent

2 De meeste modellen ter voorspelling van succes of faling zijn grotendeels gebaseerd op statistische technieken (discriminantanalyse in zijn verschillende vormen). Dit betekent concreet dat de te gebruiken variabelen en hun coëfficiënten (= gewichten) bepaald worden via statistische analyse van een dataset en door middel van een statistische procedure. Balcaen & Ooghe (2004) geven een overzicht van de meest gebruikte statistische methodes. Hierin komen onder meer univariate analyse, multivariate discriminantanalyse en conditional probability -modellen aan bod. Niet alleen worden de verschillende technieken beschreven, ook worden de voor- en nadelen én de problemen bij toepassing besproken 3. Deze problemen worden al te vaak genegeerd bij de methodologische opzet van een model. Daarnaast zijn er in de laatste jaren ook een aantal papers verschenen die verschillende types falingspredictiemodellen vergelijken (bvb. Mossman et al, 998). Als we de verschillende statistische modellen toepassen op een zelfde steekproef, dan blijken er geen belangrijke verschillen te zijn in de voorspellingskracht (Ooghe & Balcaen, 2002). Een dominant model bestaat dus niet. In deze context is het interessant om de belangrijkste problemen te bekijken die het gebruik van statistische modellen met zich meebrengt. Na een bespreking van de belangrijkste problemen wordt er meer uitleg gegeven bij een nieuw generatie modellen op basis van ervaring en intuïtie: de simple-intuitive models. Tot slot volgen enkele concrete toepassingen.. Problemen bij het gebruik van statistische modellen Multipele discriminantanalyse wordt gebruikt voor het onderbrengen van waarnemingen (jaarrekeningen) in twee a priori gedefinieerde en elkaar uitsluitende groepen (falend of lopend) op basis van een combinatie van onafhankelijke veranderlijken (financiële ratio s). De twee meest gebruikte statistische technieken zijn multipele lineaire discriminantanalyse en multipele logistieke regressie. Multipele lineaire discriminantanalyse: D = d + d R + d R d R m m () waarbij D = discriminantscore tussen - en + ; R... R m = onafhankelijke variabelen of ratio s van het discriminantmodel; d 0 = constante term; d... d m = lineaire discriminantcoëfficiënten. Multipele logistieke regressie: L = ( b 0 + b V + b 2 V b m V m ) + e (2) 3 Deze problemen worden onderverdeeld in zes groepen: () de dichotome afhankelijke variabele; (2) de samplingmethode; (3) de instabiliteit van data; (4) de selectie van de onafhankelijke variabelen; (5) het gebruik van boekhoudinformatie en (6) de tijdsdimensie. 2

3 waarbij L = logitscore tussen 0 en ; V... V m = onafhankelijke financiële variabelen van het logitmodel; b 0 = constante term; b... b m = regressiecoëfficiënten. Men kan de problemen bij het gebruik van dergelijke modellen grofweg in twee groepen onderbrengen. Ten eerste kan men de rol van de schatting van de coëfficiënten in vraag stellen. In een recente studie van Ooghe & Balcaen (2002) wordt het duidelijk dat de herschatting van coëfficiënten kan leiden tot resultaten die zeer sterk verschillen van de oorspronkelijke. De coëfficiënten van diverse binnen- en buitenlandse modellen werden herschat op basis van een dataset van Belgische gegevens. Niet alleen werden er veranderingen in de performantie van de modellen waargenomen, ook de coëfficiënten kenden duidelijke verschuivingen. Dit kan gerelateerd worden aan het probleem van overfitting : het model wordt geoptimaliseerd in functie van een bepaalde steekproef 4. Men houdt dus geen rekening met de veranderingen bij het gebruik van gegevens van een andere tijdsperiode. Platt & Platt (990) spraken in deze context al over de verandering van financiële ratio s over de tijd heen, maar ook over instabiliteit van data als gevolg van veranderingen in inflatie, rentevoet of de fase in de conjuctuurcyclus. Ook de toepassing van een statistisch model op gegevens uit een ander geografisch gebied of een andere sector, kan tot problemen leiden. Bovendien hebben de coëfficiënten niet altijd het teken dat intuïtief mag verwacht worden. In sommige modellen krijgen de variabelen een coëfficiënt mee met een contra-intuïtief teken d.w.z. niet het teken dat men normaal verwacht op basis van common sense, expertise of de financiële literatuur. Dit is mogelijk wanneer regressietechnieken worden gebruikt, aangezien zo een model wordt opgesteld dat statistische en dus geen reële relaties legt, zowel tussen de afhankelijke variabele en de onafhankelijken als tussen de onafhankelijke variabelen onderling (multivariate context). De schatting van coëfficiënten is dus niet altijd betekenisvol en is een puur statistische procedure. Een tweede groep van problemen heeft te maken met de keuze van de variabelen. Heel dikwijls wordt er door onderzoekers eerst een hele waaier aan mogelijk te gebruiken variabelen opgesteld. Daarna wordt deze lijst gereduceerd door het uitvoeren van verschillende statistische technieken. Zo bekomt men weliswaar variabelen die voor die bepaalde gegevensbank de (statistisch) beste resultaten geven, maar die toch minder geschikt kunnen zijn wanneer men de modellen op een andere dataset wil toepassen. De selectie van de variabelen gebeurt dus zelden op basis van een algemeen kader of een aanvaarde financiële theorie. 2. Een nieuwe generatie modellen: de simple-intuitive models De theoretische evenwichtsoefening tussen de ontegensprekelijke voordelen en mogelijkheden van de huidige statistische technieken enerzijds en de problemen die ermee gepaard gaan anderzijds, vormde het startpunt van een onderzoek dat geleid heeft tot een nieuw soort falingspredictiemodellen, de simple-intuitive models. 4 Of zoals Hand (2004) het meer algemeen formuleert: [overfitting is] optimising fit to the presented problem, which is merely a single point sample from the space of possible future problems. 3

4 Er wordt onderzocht wat de invloed is van het weglaten van de coëfficiënten. Deze modellen zonder coëfficiënten 5 worden bovendien opgebouwd door middel van een niet-statistische en uitgebalanceerde selectie van variabelen, gebaseerd op financiële expertise van falende en lopende ondernemingen. Ook worden de verwachte tekens gebruikt om een modelscore te bekomen. Een hoge (lage) modelscore geeft aan dat de onderneming financieel gezond (ongezond) is en weinig (veel) kans heeft om te falen. De score wordt berekend door de waarden van de verschillende ratio s te combineren door middel van een eenvoudig rekenkundig gemiddelde. Een nieuw soort falingspredictiemodel wordt dus opgesteld dat niet alleen eenvoudiger te berekenen is dan de traditionele statistische modellen, maar ook transparanter en stabieler is. Bovendien moet het gebaseerd zijn op een theoretische kader. 3. Selectie en standaardisatie van de ratio s Als uitgangspunt wordt gesteld dat de vier basisdimensies van de financiële gezondheid van een onderneming liquiditeit, solvabiliteit, rendabiliteit, toegevoegde waarde vertegenwoordigd moeten zijn. Het kader, zoals geschetst in figuur, doet dienst als theoretische basis. Figuur : Basiselementen van de financiële situatie van de onderneming (Ooghe & Van Wijmeersch, 2003, deel I, p. 8) Liquiditeit Cashflow na belastingen Dekking financiële verplichtingen Solvabiliteit Financiële hefboom Rendabiliteit Productiviteit Toegevoegde waarde Om het model op te stellen, wordt een beperkte lijst opgemaakt met in totaal 8 ratio s. De ratio s weerspiegelen één van de vier bovenstaande financiële aspecten. Bovendien zijn ze gekozen na een zorgvuldig onderzoek naar de huidige kennis omtrent financiële indicatoren van faillissementen. Logischerwijs bevat de lijst ratio s die veel gebruikt worden door financiële analisten, waar dikwijls aandacht aan wordt besteed in de literatuur of die relevant zijn gebleken bij eerder onderzoek. Aangezien het simple-intuitive models zijn, wordt er bovendien voor gezorgd dat alle ratio s begrijpbaar en relatief eenvoudig te berekenen zijn. Tabel geeft een overzicht van 5 In principe is dit natuurlijk onmogelijk, aangezien elk model coëfficiënten heeft. Hier wordt bedoeld dat de verschillende variabelen gelijk worden gewogen. 4

5 deze ratio s. Ook worden telkens het financiële aspect dat de ratio vertegenwoordigt én het intuïtieve teken (dat gebruikt wordt om de score te berekenen) weergegeven. Tabel : Overzicht van enkele belangrijke ratio s Ratio Aspect Teken Bruto toegevoegde waarde / # personeelsleden TW + 2 Personeelskosten / # personeelsleden TW - 3 Bruto toegevoegde waarde / omzet TW/R + 4 Bruto toegevoegde waarde / personeelskosten TW/R + 5 Financiële hefboom: nettorendabiliteit totaal actief gemiddelde interestkost R + vreemd vermogen 6 Nettorendabiliteit totaal actief voor belastingen: nettoresultaat / totaal actief R + 7 Nettorendabiliteit eigen vermogen na belastingen: winst na belastingen / EV R + 8 Brutorendabiliteit eigen vermogen na belastingen: cashflow na belastingen / EV R + 9 Zelffinancieringsgraad: (reserves + overgedragen resultaat) / totaal actief R/S + 0 Graad van financiële onafhankelijkheid: eigen vermogen / totaal vermogen S + Gewaarborgde schulden / totale schulden S + 2 KT financiële schuldgraad: KT financiële schulden / KT schulden S - 3 Dekking van het vreemd vermogen door de cashflow: cashflow na belastingen / R/S + schulden 4 Vrije kasstroom / financiële schulden S + 5 Vervallen belastingsschulden en schulden t.a.v. RSZ / schulden m.b.t. S/L - belastingen, bezoldigingen en sociale lasten 6 Current ratio L + 7 Kasratio: (kas + beleggingen) / totaal actief L + 8 Nettokasratio: (kas + beleggingen KT financiële schulden) / vlottend actief L + Aangezien we willen dat de ratiowaarden onderling vergelijkbaar zijn met het doel er later een gemiddelde van te kunnen nemen herschalen we deze door middel van een logittransformatie. Dit kan door de formule: logit x = ( + e x ) (3) Zo nemen alle ratio s waarden aan tussen 0 en. Enkele voorbeelden worden gegeven in tabel 2. Het zijn de logitwaarden die gebruikt worden om de modelscore te berekenen. Omdat er door de logittransformatie nog amper onderlinge verschillen zijn tussen waarden die oorspronkelijk groter zijn dan +5 of kleiner zijn dan 5, moeten de meeste waarden dan ook tussen die twee getallen liggen. Daarom worden ratio (bruto toegevoegde waarde / # personeelsleden) en ratio 2 (personeelskosten / # personeelsleden) gecorrigeerd door hen te delen door het jaargemiddelde over alle ondernemingen heen 6. 6 Ook moeten bij zowat alle ratio s enkele andere aanpassingen gebeuren bij speciale gevallen waarin de noemer nul is. 5

6 Tabel 2: Logit-transformatie: logit x = / ( + e -x ) Ratio x Logit ratio x Het beste intuïtieve model: de FiTo -meter Om een model te bouwen, wordt met verschillende aandachtspunten rekening gehouden. Ten eerste moet het model evenwichtig samengesteld zijn. De vier basisdimensies (liquiditeit, solvabiliteit, rendabiliteit, toegevoegde waarde) moeten dus vertegenwoordigd zijn. Ten tweede willen we een model dat stabiel is zowel in de tijd als in de ruimte. Daarom kiezen we ervoor om acht ratio s te gebruiken. Minder zou het model minder evenwichtig/stabiel maken 7 ; meer verhoogt de verklaringskracht niet. Bovendien heeft het gebruik van acht ratio s het voordeel dat het model grafisch gemakkelijk voor te stellen is (cf. infra). Ten derde moet het model in de praktijk zonder al te veel problemen toe te passen zijn. Om deze reden sluiten we ratio s, 2 en 3 uit: deze ratio s hebben (te) dikwijls (in België en ook in het buitenland) publiek onbeschikbare data nodig, namelijk het aantal personeelsleden en de omzet. Na het schrappen van deze ratio s is ratio 4 (toegevoegde waarde / personeelskosten) de enig overblijvende toegevoegde waarde-ratio. De bedoeling is dus een evenwichtig model op te bouwen op basis van acht ratio s, dat goed discrimineert tussen lopende en falende ondernemingen. Dit vereist de bepaling van een relevante afkapgrens. Als de berekende score groter is dan of gelijk aan de gekozen afkapgrens, wordt de onderneming op basis van de beschouwde jaarrekening als lopend geclassificeerd; indien kleiner als falend. Uiteraard worden niet alle falende of lopende ondernemingen in de juiste groep ondergebracht. Twee soorten fouten kunnen gemaakt worden: de fout dat men een in werkelijkheid falende onderneming als lopend classificeert (type I-fout van het kredietrisico) en de fout dat een in realiteit lopende onderneming als falend wordt bestempeld (type II-fout van het commercieel risico). De verhouding tussen het aantal foutief geclassificeerde ondernemingen en het totaal aantal binnen een bepaalde groep (lopend of falend) is het foutenpercentage voor die groep. Dit wordt geïllustreerd in tabel 3. 7 De score van een onderneming zou indien slechts een beperkt aantal ratio s worden gebruikt jaar-op-jaar te grote veranderingen kunnen ondergaan zonder dat daar een fundamentele verandering in de financiële toestand tegenover staat. 6

7 Tabel 3: Soorten foutenpercentages en laagste gemiddelde fout Werkelijke toestand Classificatie Lopend Falend Lopend Juist n Type I-fout n 2 Falend Type II-fout n 2 Juist n 22 Totaal n + n 2 n 2 + n 22 Foutenpercentage falend (type I) - n 2 / (n 2 + n 22) Foutenpercentage lopend (type II) n 2 / (n + n 2) - Gemiddelde foutenpercentage (Foutenpercentage type I + Foutenpercentage type II) / 2 De tekens van de ratio s in tabel zijn zodanig opgevat dat er een positief verband is tussen de score en de financiële toestand van de onderneming. Hoe hoger de score, hoe sterker de financiële toestand van de onderneming. Naarmate de afkapgrens stijgt, daalt de type I-fout van het kredietrisico en stijgt de type II-fout van het commercieel risico. Er bestaat dus een optimale afkapgrens waarbij het ongewogen gemiddelde van beide fouten minimaal is. Dit ongewogen gemiddelde bij het optimale afkappunt kan gebruikt worden als en maatstaf voor de betrouwbaarheid. Hoe lager het foutenpercentage, hoe hoger de betrouwbaarheid 8. Twintig modellen met elk acht ratio s uit diverse basiselementen worden theoretisch samengesteld en empirisch getest op hun performantie in het voorspellen van falingen. Het model met de grootste verklaringskracht is het model met de laagste ongewogen gemiddelde fout bij het optimale afkappunt. Er werden uitgebreide datasets van falende en lopende jaarrekeningen over de periode door Graydon Belgium N.V. ter beschikking gesteld. In totaal gaat het het om 5267 jaarrekeningen van falende ondernemingen jaar voor faling, 246 jaarrekeningen van falende ondernemingen 3 jaar voor faling en jaarrekeningen van lopende ondernemingen. Eén model scoort het beste en heeft dus de grootste voorspellingskracht, zowel op korte als op middellange termijn. De ratio s en de bijhorende codes worden opgesomd in tabel 4. 8 De methode van de laagste ongewogen gemiddelde fout komt overeen met D-max (het maximale verschil tussen de cumulatief lopende en de cumulatief falende verdeling in de Kolmogorov-Smirnov significantietest) en in belangrijke mate met de Gini-coëfficiënt (een maatstaf voor de ongelijkheid tussen een model en een niet-discriminerend model) (Joos, Ooghe, Sierens, 998). 7

8 Tabel 4: Het FiTo -model Ratio Code VOL Code VKT Bruto toegevoegde TW/R + (70/ ) / <62> (70/6 6/70) / <62> waarde / personeelskosten 2 Nettorendabiliteit totaal actief voor belastingen R + (70/67 67/ ) / (20/58) (70/66 66/ <65> 926 <656>) / (20/58) 3 Nettorendabiliteit eigen R + (70/67 67/70) / <0/5> (70/67 67/70) / <0/5> vermogen na belastingen 4 Graad van zelffinanciering R/S + ( ) / (0/49) ( ) / (0/49) 5 Graad van financiële S + <0/5> / (0/49) <0/5> / (0/49) onafhankelijkheid 6 KT financiële schuldgraad S - (430/8) / (42/48) (430/8) / (42/48) 7 Dekking van het vreemd vermogen door de cashflow R/S + (70/67 67/ <63/4> + <635/7> <65> <662> ) / (6 + 7/49) (70/67 67/70 + <656> <63/4> <635/7> 925) / (6 + 7/49) 8 Nettokasratio L + (50/ /58 43) / (29/58 29) (50/53 54/58 43) / (29/58 29) De totaalscore, FiTo -score genoemd, wordt berekend door de logitscores van de acht ratio s op te tellen en deze som te delen door acht. Bij de berekening van de logitscores per ratio volgens formule (3) wordt rekening gehouden met het positieve of negatieve teken van elke ratio. FiTo staat voor financiële toestand ondernemingen. Eén model blijkt dus zowel op als op 3 jaar vóór faling het meest performant te zijn. Dit heeft enkele voordelen. Ten eerste moet er maar eenmaal een score berekend worden. Dit is een niet te onderschatten voordeel in vergelijking met de vroegere modellen voor succes en faling, waarbij verschillende scores dienden berekend te worden voor de korte en voor de middellange termijn. Ten tweede integreert het model aldus zowel het korte termijn-model dat acute financiële problemen meet en het middellange termijn-model dat eerder peilt naar structurele problemen. De FiTo -score geeft dus een algemeen beeld van de financiële toestand van de onderneming. De score moet dan enkel nog met twee verschillende afkappunten vergeleken worden. Als de score van een onderneming hoger ligt dan het afkappunt op jaar voor faling / 3 jaar voor faling, dan kan men ze als financieel gezond beschouwen op die termijn. Ligt de score onder het afkappunt van jaar voor faling / 3 jaar voor faling, dan moet men ernstig rekening houden met korte-termijn acute / middellange-termijn structurele problemen. 5. Vergelijking met vorige en nieuwe statistische modellen Het model mag dan wel eenvoudig toe te passen en intuïtief juist zijn, toch moet de foutenmarge vergelijkbaar zijn met die van statistische modellen wil het ermee kunnen concurreren. Een iets grotere ongewogen gemiddelde fout is vanzelfsprekend aangezien de gewichten in het intuïtieve model niet aangepast worden in functie van de dataset. De iets hogere foutenlast moet echter gecompenseerd worden door de robuustheid, evenwichtigheid en transparantie van dit nieuwe model. We vergelijken daarom de laagste gemiddelde fout van de nieuwe FiTo -meter met die van enkele statistische modellen: 8

9 - het algemeen lineair model Ooghe-Verbaere 982 (OV82); - het logitmodel jaar en 3 jaar voor faling Ooghe-Joos-Devos 99 (OJD 9 jvf en OJD 9 3 jvf); - een nieuw lineair model met de acht ratio s van de FiTo -meter, maar met coëfficiënten op basis van een multivariate lineaire regressie (lineair M): de bedoeling was de wegingscoëfficiënten van de ratio s in dit lineaire model te vergelijken met de gelijke weging van de ratio s in het intuïtieve FiTo -model; - een nieuw logitmodel met acht ratio s gebaseerd op een forward stepwise logit-analyse (logit M): de bedoeling was na te gaan of de performantie van het logitmodel, dat volgens de statistiek als methode wordt aanbevolen, beter was dan deze van het intuïtieve FiTo -model. De vergelijking is opgenomen in tabellen 5 en 6. Tabel 5: Vergelijking van het FiTo -model met statistische modellen jaar voor faling Type I fout Type II fout Ongewogen gemiddelde fout FiTo -model 22.36% 26.5% 24.26% OV % 29.44% 22.98% OJD9 jvf 23.98% 24.52% 24.25% Lineair M 22.28% 24.87% 23.52% Logit M 25.49% 28.22% 26.85% Tabel 6: Vergelijking van het FiTo -model met statistische modellen 3 jaar voor faling Type I fout Type II fout Ongewogen gemiddelde fout FiTo -model 28.32% 38.63% 33.47% OV % 35.07% 3.2% OJD9 3jvf 24.74% 4.2% 32.93% Lineair M 23.45% 39.75% 3.60% Logit M 34.25% 35.2% 34.73% Het nieuwe model scoort niet beduidend beter of slechter dan de statistische modellen, hoewel die veel complexer en minder transparant zijn opgesteld. Deze resultaten zijn dus erg hoopgevend en zouden een nieuwe impuls kunnen geven aan het onderzoek inzake modellen ter voorspelling van succes en faling. 6. Toepassing op twee cases: Studio 00 en Sentinel In dit deel wordt het FiTo -model toegepast op twee Belgische ondernemingen, Studio 00 en Sentinel. Studio 00 is het bedrijf achter K3, Kabouter Plop, Spring, Samson en andere tv-figuren. Ook bezit het productiehuis sinds kort alle aandelen van het recreatiepark Plopsaland. In 2003 haalde Studio 00 een (geconsolideerde) omzet van 50,3 miljoen euro en een nettowinst van 4,5 miljoen euro. De onderneming groeit sterk en was al tweemaal op rij genomineerd voor de onderscheiding Onderneming van het jaar. Sentinel opereerde onder de holding Care 4 Data en produceerde diskettes, cd s en dvd s. De onderneming kon de snelle technologische evoluties in de datasector en de prijzenslag steeds moeilijker aan en bovendien bleken sommige investeringen niet te renderen zoals gehoopt. Sentinel legde eind december 2004 de boeken neer. 9

10 De berekening van de FiTo -score wordt in tabel 7 geïllustreerd volgens formule (3) voor Studio 00. De ratiowaarde wordt telkens omgevormd via een logittransformatie en van deze logitscores wordt daarna het rekenkundig gemiddelde genomen. Bij de korte termijn financiële schuldgraad geschiedt de logittransformatie met een negatieve ratio. Tabel 7: Berekening van de FiTo -score voor Studio 00 in 2003 en Ratio Logit Ratio Logit Bruto toegevoegde waarde / personeelskosten 95.29% % Nettorendabiliteit totaal actief voor belastingen 2.55% % Nettorendabiliteit eigen vermogen na belastingen 33.55% % Graad van zelffinanciering 43.53% % Graad van financiële onafhankelijkheid 44.66% % KT financiële schuldgraad (-) 0.2% % Dekking van het vreemd vermogen door de cashflow 35.06% % Nettokasratio 0.86% % FiTo -score (= som logit / 8) In de uiteindelijke voorstelling van de FiTo -score en het FiTo -kompas (zie tabel 8 voor Studio 00 en tabel 9 voor Sentinel) worden de logitscores van de individuele ratio s weggelaten, aangezien ze geen toegevoegde waarde creëren en enkel een tussenstap zijn voor de berekening van de eindscore. Wel worden percentielen toegevoegd een onderneming heeft percentiel x voor een bepaalde ratio als x% van de ondernemingen van de gekozen referentiegroep lager of gelijk scoort dan deze onderneming. (Voorbeeld: in tabel 8 betekent het percentiel 77 voor de ratio bruto toegevoegde waarde / personeelskosten in 2003 dat 77% van de ondernemingen lager of gelijk scoorden op die ratio in dat jaar.) Aldus wordt een onderneming per ratio gepositioneerd t.o.v. zijn referentiegroep. Voor de ratio KT financiële schuldgraad werd bij de logittransformatie al een negatief teken ingevoerd, zodat hier de verdeling van de logitscores gebruikt kan worden. In de tabellen 8 en 9 gebeurt de positionering tegenover alle ondernemingen die een volledig schema neerleggen. Het zijn ook deze percentielen die men gebruikt voor de grafische voorstelling in het FiTo -kompas. Elke pijl stelt een ratio voor. De lengte van de pijl wordt bepaald door de percentielscore. Hoe langer de pijl, hoe beter. Het percentiel van de totale FiTo -score wordt weergegeven door de buitenste rand van de witte cirkel: hoe groter het witte (= zonnige) gedeelte of hoe kleiner het grijze (= mistige) gedeelte, hoe sterker de financiële toestand van de onderneming in dat jaar. Het voorgaande jaar wordt weergegeven door de stippellijn.

11 Tabel 8: Toepassing op gegevens Studio Studio 00 Ratio Percentiel Ratio Percentiel Bruto toegevoegde waarde / personeelskosten 95.29% % 86 Nettorendabiliteit totaal actief voor belastingen 2.55% % 95 Nettorendabiliteit eigen vermogen na belastingen 33.55% % 92 Graad van zelffinanciering 43.53% % 85 Graad van financiële onafhankelijkheid 44.66% % 65 KT financiële schuldgraad (-) 0.2% 67 7.% 53 Dekking van het vreemd vermogen door cashflow 35.06% % 87 Nettokasratio 0.86% % 29 FiTo -score (= som logit / 8)

12 Studio 00 is op basis van zijn FiTo -score van ongeveer 0.6 in tabel 8 een financieel sterke onderneming die algemeen tot de top 5% van de Belgische ondernemingen behoort, ondanks haar zwakkere percentielscore op de KT financiële schuldgraad en de nettokasratio. Studio 00 is een zeer rendabele groeionderneming die voor de financiering van haar groei naast zelffinanciering via het niet uitkeren van winsten beroep doet op korte termijn financiering bij de banken en daardoor een relatief hoge KT financiële schuldgraad en een kleine (in 2002 zelfs negatieve) nettokasratio vertoont. Tabel 9: Toepassing op gegevens Sentinel Sentinel Ratio Percentiel Ratio Percentiel Bruto toegevoegde waarde / personeelskosten 35.27% % 46 Nettorendabiliteit totaal actief voor belastingen 7.35% 65.42% 3 Nettorendabiliteit eigen vermogen na belastingen 6.58% % 25 Graad van zelffinanciering 6.83% % 56 Graad van financiële onafhankelijkheid 3.9% % 47 KT financiële schuldgraad (-) 43.36% % 23 Dekking van het vreemd vermogen door cashflow 22.83% % 52 Nettokasratio % % 5 FiTo -score (= som logit / 8) Sentinel werd in december 2004 failliet verklaard ondanks een aanvaardbare rendabiliteit in 2003 (maar zwakkere rendabiliteit in 2002). De bankfinanciering op korte termijn was echter zeer hoog (percentiel 9 in 2003) en de nettokasratio zeer laag (percentiel 7 in 2003).

13 Naast de positionering via percentielen, kan men de FiTo -score ook vergelijken met de optimale afkappunten (cf. supra deel 4 en tabel 3): - optimaal afkappunt korte termijn: 0.530; - optimaal afkappunt middellange termijn: Studio 00 zit daar zowel in 2003 als 2004 ruim boven. Sentinel scoorde in 2002 al onder het laagste afkappunt en werd dus volgens het FiTo -model toen al als falend bestempeld op korte termijn. In 2003 was er een lichte verbetering in sommige ratio s, waardoor Sentinel net boven de afkapgrens op korte termijn scoorde. De onderneming had echter nog steeds structurele problemen, aangezien de score zich onder het afkappunt op middellange termijn bevond. Besluit De FiTo -meter is de eerste exponent van een nieuwe generatie falingspredictiemodellen, namelijk de eenvoudige-intuïtieve modellen. De variabelen worden hierbij bepaald op basis van expertise. Bovendien wordt het gebruik van verschillende coëfficiënten vermeden. Dit alles komt ten goede aan de stabiliteit en robuustheid van het model. Transparantie en eenvoud komen daardoor in de plaats van complexe statistische procedures die weinig bijbrengen en geen systematisch hogere nauwkeurigheid bieden. Referenties Altman E.I., 968, Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The Journal of Finance, Vol. 23, nr. 4, September 968, p Beaver W., 967, Financial ratios predictors of failure. Empirical Research in Accounting: Selected Studies 966, Journal of Accounting Research, Supplement to Vol. 4, p. 7- Balcaen S., Ooghe H., 2004, 35 years of studies on business failure: an overview of the classical statistical methodologies and their related problems, Working paper 04/248 Faculteit Economie en Bedrijfskunde van de Universiteit Gent en 2004/5 Vlerick Leuven Gent Management School De Tijd, 4 januari 2005, Net geen 8000 failliete bedrijven in 2004, p. Hand David J., 2004, Marginal classifier improvement and reality, presented on Symposium on data mining (Ghent, May ), Joos Ph., Ooghe H., Sierens N., 998, Methodologie bij het opstellen en beoordelen van kredietclassificatiemodellen. Tijdschrift voor Economie en Management, Vol. 8, nr., p Mossman Ch.E., Bell G.G., Swartz L.M., Turtle H., 998, An empirical comparison of bankruptcy models. The Financial Review, Vol. 33, nr. 2, p Ooghe H., Balcaen S., 2002, Are failure prediction models transferable from one country to another? An empirical study using Belgian financial statements, Working paper 02/32 Faculteit Economie en Bedrijfskunde van de Universiteit Gent en 2002/3 Vlerick Leuven Gent Management School Ooghe H., Joos P., De Bourdeaudhuij C., 995, Financial distress models in Belgium: The results of a decade of empirical research. International Journal of Accounting, Vol. 30, p Ooghe H., Van Wymeersch C., 2003, Handboek financiële analyse van de onderneming, Intersentia, Antwerpen Platt H.D., Platt M.B., 990, Development of a class of stable predictive variables: the case of bankruptcy prediction. Journal of Business Finance & Accounting, Vol. 7, nr., Spring 990, p. 3-5