UNIVERSITEIT GENT

FACULTEIT ECONOMIE EN BEDRIJFSKUNDE

ACADEMIEJAAR 2009 – 2010

Masterproef voorgedragen tot het bekomen van de graad van

Master in de Toegepaste Economische Wetenschappen

Peter Depauw & Thijs Deklerck

onder leiding van

Prof. dr. Bruno Merlevede

DE ROL VAN HANDELSKREDIET VOOR DE

FINANCIERING VAN OOST-EUROPESE BEDRIJVEN

Determinanten van leverancierskrediet voor niet-financiële ondernemingen in Oost-Europa

en de relatie met de evolutie in het transitieproces.

PERMISSION

Ondergetekende verklaart dat de inhoud van deze masterproef mag geraadpleegd en/of

gereproduceerd worden, mits bronvermelding.

Peter Depauw

PERMISSION

Ondergetekende verklaart dat de inhoud van deze masterproef mag geraadpleegd en/of

gereproduceerd worden, mits bronvermelding.

Thijs Deklerck

I

WOORD VOORAF

Bij deze willen we Prof. dr. Bruno Merlevede en zijn assistent, Klaas Mullier, bedanken voor de

begeleiding van onze masterproef. In het bijzonder voor de vlotte en aangename samenwerking en

de bereidheid om een scriptie van de afstudeerrichting bedrijfsfinanciering te willen promoten.

Daarnaast apprecieerden wij ook de steun van onze ouders, familie en Elke tijdens het schrijven van

dit werk en natuurlijk ook gedurende de vier jaren van onze opleiding aan de Universiteit Gent. Een

laatste woord van dank gaat uit naar Wendy Christiaens voor het herlezen van deze scriptie en de

nuttige tips ter verbetering.

II

III

IV

LIJST MET GEBRUIKTE AFKORTINGEN

a.d.h.v. aan de hand van

BBP Bruto Binnenlands Product

CEE-landen ‘Central Eastern Europe and the Baltic states’ – Centraal- en Oost-Europa en de

Baltische staten

d.m.v. door middel van

EBRD ‘European Bank of Reconstruction and Development’ – Europese Bank voor

Wederopbouw en Ontwikkeling

ECB Europese Centrale Bank

et al. ‘et alii’ – en anderen

EU Europese Unie

Gem Gemiddelde

Hi Hypothese i

i.p.v. in plaats van

i.v.m. in verband met

ME Markt Economie

Med Mediaan

o.a. onder andere

OESO Organisatie voor Economische Samenwerking en Ontwikkeling

OLS ‘Ordinary Least Squares’ – Methode van de kleinste kwadraten

SEE-landen ‘South-Eastern Europe – Zuid-Oost-Europa

Std afw Standaard afwijking

t.o.v. ten opzichte van

US$ Amerikaanse Dollar

V

LIJST VAN FIGUREN

Figuur 1: Binnenlands krediet aan de private sector in % van het BBP ............................................... 12

Figuur 2: Krediet aan niet-overheidssector vergeleken met een markteconomie benchmark, in % van

het BBP .................................................................................................................................................. 17

Figuur 3a: Nominale schuldgroei van de overheid in % van het BBP .................................................... 19

Figuur 4: Transitiescore in % van de maximaal te behalen score ......................................................... 19

Figuur 4: Transitiescore in % van de maximaal te behalen score ......................................................... 24

Figuur 5: Banksectorhervorming in % van de maximaal te behalen score ........................................... 25

Figuur 6a: BBP per capita in Amerikaanse Dollar .................................................................................. 27

Figuur 6b: Groei van het BBP per capita in % ........................................................................................ 27

Figuur 7a: Nominale groei van het BBP in % ........................................................................................ 29

Figuur 7b: Reële groei van het BBP in % ............................................................................................... 29

Figuur 8a: Inflatie in % .......................................................................................................................... 32

Figuur 8b: Inflatie in % .......................................................................................................................... 32

Figuur 9: Leverancierskrediet in % van totale activa ............................................................................. 53

Figuur 10: Relatie tussen TRANSi en LEVERKR per land ....................................................................... 55

Figuur 11: Evolutie in de relatie tussen TRANSi en LEVERKR per land ................................................. 75

VI

LIJST VAN TABELLEN

Tabel 1: Plaats in de rangschikking voor BBP per capita (in US$) op wereldniveau ............................. 28

Tabel 2: Berekening variabelen ............................................................................................................ 45

Tabel 3: Aantal ondernemingen in de steekproef ................................................................................. 50

Tabel 4: Beschrijvende statistiek .......................................................................................................... 51

Tabel 5: Graduele opbouw basismodel ................................................................................................ 58

Tabel 6: Graduele opbouw transitiemodel .......................................................................................... 59

Tabel 7: Regressieresultaat panel data – model 11 ............................................................................ 67

Tabel 8: Regressieresultaat cross-sectie – model 11 ........................................................................... 71

Tabel 9: Regressieresultaat panel data – transitie ............................................................................... 73

Tabel 10: Regressieresultaat cross-sectie ............................................................................................. 75

1

0 INLEIDING

Na de val van het communisme in het ‘Oostblok1’ stonden de landen die onder dit regime vielen voor

een grote uitdaging. Naast het installeren van een parlementaire democratie dienden ze de

omschakeling te maken van een plan- naar een markteconomie. Ook de banksector stond daarbij

voor een heuse herstructureringsopdracht. Het omschakelen van een monobanksysteem naar

onafhankelijke commerciële banken verliep niet zo succesvol als door velen verhoopt (Fries en Taci,

2002). Onderkapitalisatie, een portfolio van slechte leningen en de politieke druk om verlieslatende

ondernemingen te herfinancieren, veroorzaakten, in het begin van de jaren ’90, al snel

faillissementen en borgstellingen door de overheid (Berglöf en Roland, 1995). Voor bedrijven werd

het moeilijker om voor hun financiële middelen aan te kloppen bij de banken. Door ondermeer een

overgebleven consumptiementaliteit (Delannay en Weill, 2004) en het verdwijnen van het

‘onvrijwillig sparen’ (Denizer en Wolf, 2000) verbeterde de situatie er ook niet op. Voor het opvangen

van dit onderontwikkeld banksysteem was een speciale rol weggelegd voor het handelskrediet.

Aangezien ondernemingen moeilijk toegang kregen tot bancair krediet, waren ze toen dus

genoodzaakt om op elkaar terug te vallen voor hun financiering.

In deze masterproef willen we nagaan of, gezien de beginfase van de transitie al een hele tijd achter

de rug is en het transitieproces in de meeste landen al vergevorderd is, het handelskrediet nog

steeds die belangrijke rol vervult voor de financiering van ondernemingen. Meer concreet

onderzoeken we de determinanten voor leverancierskrediet in niet-financiële ondernemingen in

negen van de tien Centraal- en Oost-Europese landen die momenteel deel uitmaken van de Europese

Unie. Deze landen zijn Tsjechië, Estland, Hongarije, Letland, Litouwen, Polen, Slowakije, Bulgarije en

Roemenië. Slovenië valt niet binnen het bestek van dit onderzoek, aangezien we een problematisch

datatekort vaststelden voor dit land. We definiëren leverancierskrediet als de rubriek op de

passiefzijde van de balans die het krediet aanduidt dat ondernemingen van hun leveranciers

verkrijgen. De determinanten van leverancierskrediet worden onderzocht voor de periode 2001-

20072. We maken hiervoor gebruik van panel data regressies, in tegenstelling tot het gros van

voorgaande studies in dit onderzoeksdomein, waar veelal cross-sectionele analyses werden

uitgevoerd. We gebruiken panel data aangezien we zo het dynamische aspect van het transitieproces

1 Verzamelnaam voor Oost-Europese landen die onder de invloedssfeer van de voormalige Sovjet-Unie

opereerden. 2 Behalve voor Hongarije, Slowakije en Roemenië, waar omwille van dataproblemen de bestudeerde periode

ingekort diende te worden.

2

het best kunnen vatten. Over het algemeen bevestigen onze resultaten de bevindingen uit vorig

onderzoek naar determinanten van leverancierskrediet.

Naast het onderzoek naar de determinanten van leverancierskrediet die we uit de jaarrekeningen

van ondernemingen uit onze steekproef haalden, bespreken we ook de rechtstreekse invloed van de

transitiefase van een land op het gebruik van leverancierskrediet. We maken hiervoor gebruik van de

transitiescores die gepubliceerd worden door de EBRD (‘European Bank of Reconstruction and

Development’) in haar transitierapporten. Deze transitiescores geven de evolutie van de Oost-

Europese landen weer, in de richting van de standaarden van landen met een markteconomie. Uit

onze resultaten blijkt een duidelijk negatief verband te bestaan tussen de transitiescore van een land

en het gemiddeld niveau van leverancierskrediet in datzelfde land. Dit sterke verband is opvallend

aangezien deze relatie nog niet eerder onderzocht werd in de literatuur.

Een mogelijke reden voor het ontbreken van dit voorgaand onderzoek is te vinden in de kritiek die

reeds over de transitiescores geschreven is. Zo halen Campos en Horvath (2006) aan dat de

transitiescores van de EBRD een subjectief instrument zijn. Ondanks deze kritiek maken we toch

gebruik van de transitiescores, omdat andere instrumenten om de ontwikkeling in het

transitieproces te meten voorlopig ontoereikend zijn. Naast deze beperking willen we ook al even

wijzen op een dataprobleem bij het voeren van dit onderzoek. Zoals reeds vermeld moest Slovenië

uit het onderzoek geschrapt worden. Daarnaast kregen we ook met behoorlijk wat andere

dataproblemen te kampen, die mogelijk tot een vertekening van onze resultaten kunnen leiden.

Het eerste deel van deze masterproef bevat een overzicht van algemene theorieën uit de bestaande

literatuur inzake handelskrediet. Het tweede deel bespreekt het belang van handelskrediet specifiek

voor transitielanden, samen met hun relevante macro-economische evoluties. In deel drie worden de

variabelen gedefinieerd en de hypotheses opgebouwd, gebaseerd op eerder onderzoek naar

determinanten van leverancierskrediet en de in deel twee aangehaalde transitieliteratuur. Deel vier

omvat het empirisch onderzoek van de masterproef. Dit deel wordt aangevat met een bespreking

van de dataverzameling en een definiëring van de populatie en de steekproef, gevolgd door een

beschrijvend onderzoek en bespreking van de gevolgde methodologie. Deel vier wordt afgesloten

met een bespreking van de resultaten van het empirisch onderzoek. In het laatste deel worden ten

slotte de belangrijkste bevindingen van deze masterproef samengevat in een besluit.

3

1 MOTIEVEN VOOR HANDELSKREDIET

Handelskrediet wordt gegenereerd wanneer leveranciers hun klanten toelaten om de betaling voor

goederen en diensten pas na een bepaalde periode te verrichten (García-Teruel en Martínez-Solano,

2009). Leveranciers hebben, naast het leveren van goederen en diensten, dus een tweede

belangrijke rol t.o.v. hun klanten. Meer bepaald onder de vorm van commerciële korte termijn

leningen, zijn zij een belangrijke bron voor de vorming van fondsen bij hun klanten (Burkart en

Ellingsen, 2004; Boissay en Gropp, 2007). Deze financiële intermediatie door niet-financiële bedrijven

en het belang voor de bedrijfswereld mag zeker niet onderschat worden (Schwartz, 1974). Getuige

ook de bevindingen van Bradley en Rubach (2002) waar entrepreneurs de niet-betaling van

handelsvorderingen beschouwen als de belangrijkste oorzaak van een faillissement. Voornamelijk in

landen met minder ontwikkelde financiële instellingen (Fisman en Love, 2003), zoals dit in vele Oost-

Europese landen het geval is/was (Berglöf en Bolton, 2002; Delannay en Weill, 2004), is het toestaan

van handelsvorderingen een veel voorkomend fenomeen.

In dit deel vatten we de literatuur over het gebruik van handelskrediet samen. Zowel de materie van

toegestaan handelskrediet aan klanten (handelsvorderingen genaamd), als het gebruik van

handelskrediet verkregen door leveranciers (leverancierskrediet genaamd) wordt besproken.

Ondanks het feit dat het hoofddoel van dit werkstuk de rol van leverancierskrediet beslaat,

behandelen we in dit deel ook de toegestane handelsvorderingen aan klanten. We verkiezen deze

gezamenlijke aanpak aangezien beide vormen van handelskrediet sterk met elkaar verbonden zijn in

deze theoretische context. Gelijkaardig met o.a. Petersen en Rajan (1997), Emery (1984) en

Elliehausen en Wolken (1993) (voor ontwikkelde landen) en Delannay en Weill (2004) (voor

transitielanden) maken we een onderscheid tussen enerzijds financiële motieven en anderzijds

commerciële motieven voor het gebruik van handelskrediet.

1.1 Financiële motieven

Bedrijven die kunnen genieten van een eenvoudige toegang tot de kredietmarkt, kunnen hiervan

gebruik maken door op te treden als een financiële intermediair, dit ten voordele van bedrijven met

een beperktere toegang tot deze markt (Schwartz, 1974; Emery, 1984; Demirgüç-Kunt en

Maksimovic, 2001). Deze financiële intermediatie kan gebeuren onder de vorm van

handelsvorderingen die door leveranciers aan hun klanten worden toegestaan. Klanten kunnen bij

een operationele transactie dus de betaling van de geleverde goederen of diensten enige tijd

uitstellen en ontvangen op die manier een krediet.

4

Leveranciers treden toe tot de (impliciete) kredietverlening aan hun klanten, aangezien ze een

comparatief voordeel3 hebben voor deze kredietverschaffing t.o.v. financiële instellingen. Dit

voordeel is ondermeer een gevolg van een lagere informatieasymmetrie4 in de klant-leverancier

relatie, in vergelijking met deze in de relatie tussen financiële instellingen en hun ontleners

(Delannay en Weill, 2004; Demirgüç-Kunt en Maksimovic, 2001). De verschillende oorzaken voor

deze asymmetrische informatiestromen zijn divers en worden hieronder verder toegelicht.

Eerst en vooral hebben leveranciers (in vergelijking met financiële instellingen) vaak een beter zicht

op de kredietwaardigheid van hun klanten, o.a. omwille van hun kennis van het klimaat van de

industrie (Delannay en Weill, 2004). Daarnaast staat de leverancier ook op de eerste rij om in een

heel vroeg stadium gewag te maken van mogelijke betalingsproblemen van de klant, daar waar een

financiële instelling zich vaak tevreden moet stellen met inzage in de jaarrekening (Demirgüç-Kunt en

Maksimovic, 2001; Biais en Gollier, 1997). Gebruik van de volledige termijn van het

leverancierskrediet door een klant kan een signaal zijn voor het bestaan van financiële problemen.

Als de klant ondanks de hogere (impliciete) interesten5 die ermee gepaard gaan, toch deze volledige

termijn gebruikt, is dit een reden voor de leverancier om deze klant beter op te volgen (Demirgüç-

Kunt en Maksimovic, 2001; Smith, 1987). Leveranciers hebben dus een voordeel inzake

kredietverlening aan hun klanten, ten opzichte van financiële instellingen. Niskanen en Niskanen

(2006) menen dat dit voordeel nog veel sterker aanwezig is bij transacties tussen kleine

ondernemingen, aangezien zij zelden onderzocht worden door onafhankelijke kredietanalisten.

Een ander belangrijke factor is het risicoaspect van een transactie. Een onderneming moet er

voldoende vertrouwen in hebben dat de klant effectief de factuur zal betalen. Ook dit ligt enigszins

anders bij niet-financiële ondernemingen dan bij banken. Petersen en Rajan (1997) wijten dit

comparatief voordeel aan het feit dat bedrijven, door hun veelvuldige transacties, snel inzage krijgen

in de betalingsgewoonten en bijgevolg ook de financiële gezondheid van hun klanten. Deze

3 Het principe van een comparatief voordeel werd voor het eerst beschreven door Ricardo in 1817.

4 Banken beschikken over minder correcte informatie van een bedrijf in vergelijking met niet-financiële

ondernemingen (leveranciers). Wanneer deze leveranciers reeds leverancierskrediet toekenden aan het bedrijf zal deze informatieasymmetrie t.o.v. financiële instellingen nog groter zijn (Smith, 1987). 5 Een veel voorkomend type van handelskredietvoorwaarde is de ‘2/10, net 30’ (Mateut, 2005; Smith 1987, Ng

et al., 1999), waarbij de klant een korting van 2% op de aankoopprijs ontvangt indien deze de factuur binnen de tien dagen (‘the discount date’) betaalt. Indien deze betaling niet plaatsvindt, dient de klant het bedrag binnen de dertig dagen (‘the due date’) te betalen. In feite ontvangt de klant een interestvrije lening tot aan dag tien. Als er voor deze dag niet tot betaling werd overgegaan, leent deze klant voor de resterende twintig dagen aan een zeer hoge interest (de impliciete interest bedraagt hier 43,9% op jaarbasis). Bij ‘1/10, net 30’ is dit 9,5%, terwijl dit voor bijvoorbeeld ‘4/10, net 30’ oploopt tot 108,5% (Mateut, 2005).

5

verworven informatie is doorgaands rijker en accurater dan de kennis die financiële instellingen

vergaren bij interacties met hun klanten. Volgens deze laatste auteurs ligt het comparatief voordeel

van leveranciers voornamelijk in het verschaffen van korte termijn kredieten. Dit aangezien

leveranciers hun klanten sterke incentives kunnen geven om de vastgelegde betalingstermijn niet te

overschrijden, d.m.v. hoge kortingen voor contante betaling en efficiënte straffen voor laattijdige

betaling (Petersen en Rajan, 1997). Biais en Gollier (1997) en Frank en Maksimovic (1998) stellen

daar dan weer tegenover dat, indien leveranciers inderdaad over betere rechtstreekse informatie

beschikken dan financiële instellingen, het toegestane handelskrediet een indicator kan zijn van de

ontlenersbetrouwbaarheid van de klant. Zo beschikt de bank, op indirecte wijze, toch over voldoende

informatie om over de betrouwbaarheid van de klant te oordelen en deze eventueel bancaire

kredieten te verlenen. We verwijzen hier reeds naar de vertrouwenshypothese die verder in dit

werkstuk geïntroduceerd zal worden. Door het testen van deze hypothese trachten we te

achterhalen of ondernemingen met een hoge betrouwbaarheid meer gebruik maken van

leverancierskrediet (door het vertrouwen van hun leveranciers) of net minder (door het vertrouwen

van financiële instellingen).

Een ander comparatief voordeel is dat, in tegenstelling tot financiële instellingen, leveranciers ook

over een belangrijke stok achter de deur beschikken bij wanbetaling. Wanneer een leverancier een

belangrijke schakel is in de productiecyclus van een klant, kan deze de ‘moral hazard’6 van de klant

verlagen door te dreigen in de toekomst de toevoer af te snijden en zo de productie van de klant

stop te zetten (Delannay en Weill, 2004; García-Teruel en Martínez-Solano, 2009). Leveranciers zijn

dus beter in staat om hun klanten tot betaling over te laten gaan dan banken (Cuñat, 2003;

Demirgüç-Kunt en Maksimovic, 2001). Demirgüç-Kunt en Maksimovic (2001) merken wel op dat dit

comparatief voordeel t.o.v. de financiële instellingen afneemt naargelang de efficiëntie van het

wettelijk kader in een land toeneemt. Wanneer er mechanismen bestaan om zich van betaling te

verzekeren (voor banken), zal er bijgevolg minder handelskrediet gebruikt worden. Wegens deze

reden hebben we getracht een indicator voor de ontwikkeling van het wettelijk kader toe te voegen

in onze empirische analyse. Er werd echter geen indicator gevonden die aan de gestelde eisen

voldeed (zie 2.2.1).

6 ‘Moral hazard’ in financiële markten (dus ook voor financiering via handelskrediet) doet zich voor wanneer de

ontvanger van de kredieten immoreel (uiterst risicovol) gedrag vertoont, wat zeer negatieve gevolgen kan hebben voor de ontlener. De ontlener dient dus een voldoende grote incentive te hebben om het kapitaal van de ontlener op een correcte manier te gebruiken. Zo wordt het risico van niet-terubetaling tot een minimum beperkt (Pauly, 1968).

6

Een verschil tussen banken en ondernemingen in de bereidheid tot het verstrekken van krediet is er

ook in periodes van restrictief monetair beleid. Petersen en Rajan (1997) stellen dat het gebruik van

handelskrediet dan mogelijk toeneemt. Waar de banken in deze periodes erg argwanend zullen zijn

t.o.v. het verlenen van nieuwe kredieten, kunnen leveranciers hun klanten van dichtbij controleren.

Het aangeboden leverancierskrediet compenseert dus de gedaalde bancaire kredietmogelijkheden

en zorgt ervoor dat bedrijven hun activiteiten op eenzelfde schaal kunnen voortzetten (Petersen en

Rajan, 1997). Onder dergelijke omstandigheden van stijgende interest voor bedrijfsleningen wordt

handelskrediet een meer competitieve vorm van korte termijn financiering (Schwartz, 1974). We

kunnen hier een substitutie-effect tussen bancair- en leverancierskrediet uit afleiden, besproken als

de ‘subsitutiehypothese’ in Demirgüç-Kunt en Maksimovic (2001). Ook in deze masterproef testen

we het bestaan van dit substitutie-effect in de landen uit onze steekproef, meer bepaald d.m.v. de

substitutiehypothese (zie 3.2.2.4). Ondernemingen dienen dus onvrijwillig bankleningen achterwege

te laten om over te schakelen naar een minder geliefd substituut, het leverancierskrediet (Mateut,

2005). Voornamelijk liquide bedrijven (die wél nog kunnen rekenen op krediet bij de financiële

instellingen) zullen hen dit leverancierskrediet verstrekken (Love, Preve en Sarria-Allende, 2005).

Het al dan niet verkrijgen van leverancierskrediet wordt ook mede bepaald door de aard van het

goed. Zo zullen voor producten met een hoge herverkoopwaarde sneller handelsvorderingen

toegestaan worden (Fisman en Love, 2003). Door de lage verkoopkost van dergelijke goederen die

veelvuldig verkocht worden door leveranciers (waar verkopen van een onderpand voor financiële

instellingen eerders schaars en zeer divers zijn), zal ook hier de leverancier een comparatief voordeel

ondervinden t.o.v. de bank (Delannay en Weill, 2004).

Als volgende bron van comparatief voordeel voor leveranciers halen García-Teruel en Martínez-

Solano (2009) aan dat leverancierskrediet meer financiële flexibiliteit biedt dan een bancaire lening.

Wanneer er zich een liquiditeitsprobleem voordoet, zijn de kosten verbonden aan het uitstellen van

de betaling aan de leverancier lager dan deze voor het heronderhandelen van de voorwaarden van

een verkregen krediet bij een financiële instelling.

Naast het bestaan van comparatieve voordelen, zoals hierboven uitvoerig beschreven, formuleerde

Emery (1984) nog een bijkomend financieel motief voor het toekennen van handelsvorderingen. In

zijn paper, ‘A pure financial explanation of trade credit’, stelt de auteur dat het toestaan van

handelskrediet door een onderneming analoog is aan de aankoop van commercieel papier.

Handelskrediet zal geprefereerd worden indien de onderneming een impliciete interest kan

aanrekenen die hoger is dan de marktinterest. Zo kunnen bedrijven hun overtollige kredieten zeer

7

winstgevend beleggen en nemen ze de rol op van financiële intermediair in een, van nature, volledig

operationele transactie (Emery, 1984). Deze hoge interesten worden volgens Cuñat (2003)

gerechtvaardigd door het bestaan van een falingspremie en een verzekeringspremie. De

falingspremie geldt wanneer leveranciers een lening (leverancierskrediet) toestaan op het moment

dat banken niet geneigd zijn dit te doen. De verzekeringspremie houdt verband met de toekomstige

liquiditeitsnoden van de klant, waarin de leverancier ook eventueel moet voorzien (Cuñat, 2003).

1.2 Commerciële motieven

Naast de in het vorig punt aangehaalde financiële motieven, is het gebruik van handelskrediet ook

gestoeld op commerciële motieven. Zo kan het toestaan van handelsvorderingen vanuit strategisch

oogpunt gezien worden als een middel voor bedrijven om hun markpositie te versterken (Delannay,

2002). Het aanbieden van handelsvorderingen kan dus ook een competitief voordeel

teweegbrengen. Ondanks het feit dat de impliciete interest hoger is dan de gebruikelijke interest op

de kredietmarkt (Boissay en Gropp, 2007), zijn klanten bereid om dit leverancierskrediet op te

nemen, net omdat zij niet terecht kunnen op de kredietmarkt. Voor vele (kleine) klanten is het

kunnen verkrijgen van leverancierskrediet een stimulans om voor een welbepaalde leverancier te

kiezen (Boissay en Gropp, 2007). Dit competitief voordeel voor leveranciers die vorderingen

toestaan, wordt door Petersen en Rajan (1997) dan weer als een reden aangehaald voor hun hogere

winstmarges.

Ferris (1981) gebruikt een transactiekostenbenadering voor het gebruik van handelskrediet. Volgens

deze auteur moet het handelskrediet gezien worden als een (commercieel) instrument dat het

verhandelen van goederen (en diensten) ondersteunt. Goederen in ruil voor een lening en een lening

in ruil voor cash, vervangen de initiële ruil van goederen voor cash. Door het splitsen van de

verhandeling van goederen en deze van liquide middelen, kan handelskrediet de transactiekosten

van een ruil verlagen (Ferris, 1981). Het hergroeperen van meerdere facturen en het maken van

afspraken omtrent de exacte datum van betaling kan de volatiliteit in de kaspositie verlagen en de

voorspelbaarheid van de nettobedrijfskapitaalbehoefte verbeteren, voor zowel de leverancier als de

klant (Ferris, 1981; Delannay en Weill, 2004). Handelskrediet kan er dus voor zorgen dat

ondernemingen minder liquide middelen dienen aan te houden, waardoor er ook een negatief

verband te verwachten is tussen de aangehouden liquide middelen in een onderneming en het

gebruik van leverancierskrediet. Dit negatieve verband wordt verderop in dit werkstuk getest d.m.v.

de ‘pecking order’ hypothese (zie 3.2.2.2).

8

Delannay en Weill (2004) en Fisman en Love (2003) stellen daarnaast ook dat het toestaan van

leverancierskrediet voor ondernemingen een methode is om het voortbestaan van hun klanten te

vrijwaren. Door de verlenging of de versoepeling van een uitstaande handelsvordering is de

leverancier in staat om, bij liquiditeitsmoeilijkheden, extra kredietmogelijkheden op maat te bieden

aan de klant en zo zijn ‘sunk-investments’ (opgebouwde relaties, activa op maat van de klant…) te

vrijwaren. Boissay en Gropp (2007) en Mateut (2005) hebben het in dit verband over een wederzijds

belang tussen leverancier en klant in elkaars voortbestaan, om zo de voordelen van langdurig

opgebouwde bedrijfsrelaties te behouden. Ook de marketinginspanning van de leverancier om de

initiële aankoop te genereren is niet kosteloos (Long, Malitz en Ravid, 1993). Daarom is het van

belang voor de leverancier om een continue en immer evoluerende bedrijfsrelatie met de klant op te

bouwen en te onderhouden. Het toestaan van handelsvorderingen en een eventuele versoepeling

van de kredietvoorwaarden zijn hierbij dan ook van groot belang (Long et al., 1993). Hier kan dus uit

afgeleid worden dat verlieslatende ondernemingen op meer leverancierskrediet kunnen rekenen dan

ondernemingen die hoge winsten boeken. In het empirisch gedeelte van deze masterproef

onderzoeken we dit verband als onderdeel van de vertrouwenshypothese (zie 3.2.2.1).

Handelsvorderingen kunnen ook gebruikt worden als een middel om prijsdiscriminatie toe te passen,

wanneer dit wettelijk verboden is, in markten waar lage competitie heerst onder leveranciers

(oligopolie). Zo kan een onderscheid worden gemaakt tussen cash- en kredietklanten en kan de

effectieve vraagprijs aangepast worden (Fisman en Love, 2003; Petersen en Rajan, 1994).

Naast het gebruik voor prijsdiscriminatie, worden de commerciële motieven voor het gebruik van

handelskrediet ook duidelijk bij seizoensgebonden goederen en diensten. Het toestaan van

handelsvorderingen veroorzaakt een verschuiving in de samenstelling van de periodieke kosten van

de leverancier. Door vroegtijdige levering (tegen een lagere prijs) en het accepteren van laattijdige

betaling, kan de leverancier de vraag afvlakken in het hoogseizoen en kan deze gestimuleerd worden

gedurende het laagseizoen, wat voor beide partijen een reductie in de kosten kan betekenen (Emery,

1987). Ook Long et al. (1993) vinden dat bedrijven met een meer variabele vraag meer

handelsvorderingen toestaan dan ondernemingen met een stabiele vraag. Ng, Smith en Smith (1999)

ontkennen echter het gebruik van dit middel in de praktijk. Volgens hen reageren bedrijven over het

algemeen niet op fluctuaties in de marktvraag door het aanpassen van handelskredietvoorwaarden

(in de plaats van productprijsaanpassingen). Ook voor het beheren van hun voorraden en bij

veranderende kredietinteresten maken ondernemingen eerder zelden gebruik van dit middel (het

aanpassen van voorwaarden van de handelsvorderingen) (Ng et al., 1999).

9

Handelsvorderingen zijn verder ook een middel voor een impliciete kwaliteitsgarantie, voornamelijk

belangrijk voor jongere en kleinere leveranciers (Delannay en Weill ,2004; Deloof en Jegers, 1999;

Niskanen en Niskanen, 2006). Leveranciers dienen deze opgebouwde kwaliteitsreputatie om te

zetten naar herhaalaankopen door de klant (Long et al., 1993). Zo krijgen kopers voldoende tijd om

de aangekochte goederen van naderbij te inspecteren en te controleren of de overeengekomen

afspraken naar behoren werden uitgevoerd (García-Teruel en Martínez-Solano, 2009). Dit is

voornamelijk noodzakelijk bij nieuw ontwikkelde of high-tech producten, eerder dan bij

‘commodities’ of standaardproducten (Fisman en Love, 2003). Boissay (2006) stelt dan weer dat de

kwaliteit van geleverde arbeid hoger is wanneer de klant achteraf betaalt dan wanneer de betaling

vooraf gebeurt d.m.v. een bancaire lening. De reden hiervoor is dat de leverancier een incentive

heeft om ervoor te zorgen dat de toekomstige projecten van de klant een positieve cashflow

genereren. Op die manier hoopt de leverancier zeker te zijn van betaling aan het einde van de

projecttermijn. Volgens Long et al. (1993) zullen bedrijven die lage kwaliteitsgoederen produceren

zelfs sowieso om cash vragen.

10

2 OOST-EUROPA: HANDELSKREDIET EN MACRO-

ECONOMISCHE VERBANDEN

Dit werk spitst zich toe op handelskrediet in Oost-Europa. Om de specifieke eigenschappen, eigen

aan de Oost-Europese bedrijfswereld en socio-economische structuur, en de relatie met handels- en

leverancierskrediet te schetsen, bespreken we dit in een apart deel van dit werk. We maken de

opsplitsing tussen enerzijds een analyse van het handelskrediet in Oost-Europa en anderzijds een

overzicht van de macro-economische Oost-Europese situatie.

De initiële bedoeling van deze masterproef was om leverancierskrediet te onderzoeken in de tien

transitielanden die reeds zijn toegetreden tot de Europese Unie. Wegens dataproblemen (zie 4.2.1)

moesten we Slovenië echter uit onze dataset verwijderen. De grafieken in dit deel bevatten dan ook

telkens slechts gegevens voor de resterende negen landen.

2.1 De Oost-Europese bedrijfswereld en de relatie met

handelskrediet

Handelskrediet moet gezien worden vanuit een breed perspectief. Eerst en vooral zijn de toegestane

handelsvorderingen een primair substituut voor bancaire leningen, zeker in de Oost-Europese

transitielanden, waar het bankwezen zelfs tot op de dag van vandaag niet het niveau van de West-

Europese markteconomieën bereikte. Het gebruik van handelskrediet wordt in deze transitielanden

echter ook sterk beïnvloed door andere factoren, al dan niet van voorbijgaande aard. Zo zorgen

politieke restanten uit de planeconomie voor verschillen tussen bedrijven onderling en hebben

moeilijkheden bij de economische hervormingen een invloed op het toestaan van

handelsvorderingen. Ook het overheidsbeleid mag niet los gezien worden van inter-

bedrijfskredieten.

2.1.1 Ontwikkeling van de financiële sector

Een van de voornaamste kenmerken van transitielanden is dat de reeds ontwikkelde industriële

structuur er sterk afsteekt tegen de volledig onderontwikkelde (niet-overheidsgestuurde) financiële

markten (Coricelli, 1996). De private sector, de drijvende kracht achter het economisch herstel, was

gedurende het begin van de transitie genoodzaakt om voor de financiering van haar operaties terug

te vallen op leverancierskrediet. Scholtens (2000) vond dat voor de Oost-Europese landen7 het

7 In Scholtens (2000) gaat het om de 9 landen uit ons onderzoek + Slovenië en Kroatië

11

ongewogen gemiddelde van het uitstaande bancaire krediet aan de private sector in 1995 22,7% van

het BBP bedroeg, ver onder het gemiddelde van de West-Europese landen (87,8% van het BBP)

(Scholtens, 2000; Delannay en Weill, 2004). Ook de evolutie m.b.t. de ontwikkeling van het

bankwezen in de door de auteur onderzochte transitielanden toonde tussen 1990 en 1996 geen

duidelijke trend (Scholtens, 2000). Waar de bancaire kredieten toenamen in Bulgarije, Tsjechië en

Polen, bleef dit stabiel in Slowakije en Estland. In Hongarije, Letland, Litouwen en Roemenië

verminderde het bankkrediet (t.o.v. het BBP) gedurende deze periode. Toch steeg, gedurende deze

periode, het aandeel van het krediet aan private ondernemingen in verhouding tot de totale

bankactiva in 7 van de 9 landen8. Scholtens (2000) besluit hieruit, zonder rekening te houden met de

risico’s en de kwaliteit van de kredietportfolio’s, dat de bankhervormingen toch enigszins de goede

richting uitgaan.

Wanneer we a.d.h.v. EBRD9-data voor de periode 1998-2007 de kredietverlening van de banken aan

de private sector10 onder de loep nemen, kunnen we stellen dat de algemene trend positief is (figuur

1). Toch geldt deze evolutie niet voor alle landen. Zo verminderde in Tsjechië en Slowakije het

bancaire krediet aan de private sector. In hun onderzoek naar de groei van de bancaire kredieten (in

% van het BBP) aan de private sector, verdelen Cottarelli, Dell’Ariccia en Vladkova-Hollar (2004) de

landen in 3 groepen. Zo zitten Estland, Hongarije, Letland, Polen en Bulgarije bij de ‘early birds’11 en

behoort Litouwen tot de ‘late risers’12. Tsjechië, Slowakije en Roemenië ten slotte, worden

onderverdeeld bij de ‘sleeping beauties’13. Vergelijken we de bevindingen van Cottarelli et al. (2004)

met figuur 1, dan herkennen we een gelijklopend patroon. Voor Slowakije en Tsjechië wordt deze

vaststelling verklaard door enerzijds een hoge stijging in het BBP (waardoor de groei in de bancaire

kredieten de groei in het BBP niet overtreft) en anderzijds de verdringing van de kredieten aan de

private sector door de kredietverlening aan de gezinnen. Voor de slechts geringe stijging van

Roemenië wordt dan weer gewezen op de initieel zwakke toestand van de kredietvoorraden in dit

land (Cottarelli et al., 2004).

8 Enkel in Hongarije en Roemenië was er in deze periode een relatieve vermindering in het bancair krediet aan

de private sector (Scholtens, 2000). 9 ‘The European Bank of Reconstruction and Development’: de Europese Bank voor Wederopbouw en

Ontwikkeling - In België en Nederland ook bekend als de ‘Oost-Europabank’. 10

In tegenstelling tot Scholtens (2000), gaat het in figuur 1 om de binnenlandse kredieten. Weliswaar is dit, zoals verder in dit punt toegelicht, in grote mate ook een indicatie van de kredietverlening aan de private sector. 11

Vroege vogels - Deze groep landen kende gedurende 5 jaar voorafgaand aan het onderzoek van deze auteurs een jaarlijkse gemiddelde stijging van minstens 1,5% van het BBP (Cottarelli et al.,2004). 12

Late stijgers - Voor de ‘late risers’ werd er pas recentelijk een jaarlijkse gemiddelde stijging van minstens 1,5% van het BBP vastgesteld (Cottarelli et al.,2004). 13

Schone slapers – De landen ondergingen een daling of stabilisatie gedurende enkele jaren van de ‘BCPS-ratio’ (Bankkrediet aan de private sector / BBP) (Cottarelli et al.,2004).

12

Ook de EBRD (2006) kwam tot gelijkaardige bevindingen. Zo werd in een onderzoek (a.d.h.v. een

enquête) van de EBRD (2006) voor de periode 2000-2005 een stijging van de binnenlandse kredieten

aan de private sector waargenomen van meer dan 50% voor deze negen landen (Tsjechië en

Slowakije kenden weliswaar een daling). Ondanks een resultaat van gemiddeld 38% van het BBP,

bleef het contrast met landen uit de Europese Unie een feit (EBRD, 2006). In tegenstelling tot wat

eenieder verwachtte, kwam deze evolutie niet tot stand door het snel groeiend aantal buitenlandse

banken, actief in de regio. Aangezien deze banken zich voornamelijk wendden tot gezinnen, hadden

zij slechts een beperkte impact op het verminderen van liquiditeitsbeperkingen voor

ondernemingen. Ook de toenemende globalisering en de bijbehorende mogelijkheden voor

ondernemingen om rechtstreeks van het buitenland te lenen, compenseerden slechts gedeeltelijk de

falende thuismarkten (EBRD, 2006). Oost-Europese ondernemingen dienden voor hun

kredietbehoefte dus andere alternatieven aan te spreken.

Het verband van de onderontwikkelde financiële markten met handelskrediet wordt verder

blootgelegd door Fisman en Love (2003). Zij stellen dat sectoren die meer afhankelijk zijn van

financiering via leverancierskrediet (omwille van de onbeschikbaarheid van andere

financieringsbronnen), relatief sneller groeien in landen met minder ontwikkelde financiële

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

1998 1999 2000 2001 2002 2003 2004 2005 2006 2007

FIGUUR 1: BINNENLANDS KREDIET AAN DE PRIVATE SECTOR IN % VAN HET BBP

Tsjechië

Estland

Hongarije

Letland

Litouwen

Polen

Slowakije

Bulgarije

Roemenië

BRON: EBRD

13

instellingen. Waar Fisman en Love (2003) deze resultaten uitbrachten voor een steekproef die geen

transitielanden bevatte, vond de EBRD (2006) eenzelfde verband in een onderzoek naar Oost-

Europese landen. Laatstgenoemde stelde, net zoals Corricelli (1996), hierbij wel de voorwaarde dat

voor de afdwinging van betaling van leverancierskrediet zowel een voldoende ontwikkeld wettelijk

kader als efficiënte straffen aanwezig dienen te zijn.

Het onderontwikkeld bancair systeem kan ook gezien worden vanuit een andere invalshoek.

Delannay en Weill (2004) argumenteren dat het lage bedrag aan deposito’s14 relatief gezien t.o.v. het

BBP, mede veroorzaakt werd door de overgebleven consumptiementaliteit uit het oude regime. De

implosie van het sparen kan anderzijds ook deels verklaard worden door het verdwijnen van het

‘onvrijwillig sparen’15, bij de overgang van de centrale planning naar de vrije markt (Denizer en Wolf,

2000). Daarbij komt nog dat de ‘double digit’ inflatie16, voornamelijk tijdens de jaren ’90 (voor een

overzicht van 1997 tot 2006, zie punt 2.2.4), in vele Oost-Europese landen het sparen ontmoedigde,

met een lage spaarquote tot gevolg. Een vierde element is het risico-avers gedrag van de financiële

instellingen en de verschuiving naar meer korte termijn kredieten naargelang de transitie vorderde

(Riess, Wagenvoort en Zajc, 2002). Een verklaring voor de evolutie naar dit extreem risico-avers

gedrag lag volgens Berglöf en Roland (1995) bij de politieke druk, bij aanvang van de transitie, om

niet-winstgevende ondernemingen te herfinancieren. De banken hadden te leiden onder

onderkapitalisatie en door de vrees van de overheid voor een ‘credit crunch’17, werden te veel

(slechte) leningen afgesloten. Berglöf en Roland (1995) stelden zelfs dat de overheden voor een

dilemma stonden: of ‘soft budget constraints’18 voor banken, of een ‘credit crunch’. Het overmatig

toestaan van krediet werd ten slotte ook verder aangewakkerd door een alomtegenwoordige

verwachting van een borgstelling (zie 2.1.3) door de overheid, iets waar de commerciële banken ook

veelvuldig op gokten bij het uitschrijven van leningen. Deze verwachting werd niet overal

werkelijkheid en werkte vervolgens risico-aversie in de hand (Berglöf en Roland, 1995). Al deze

karakteristieken zijn specifiek voor de Oost-Europese economieën en leidden tot een intenser

gebruik van leverancierskrediet, ten koste van bancaire leningen. Deze vaststellingen beperkten zich

14

En daaruit voorkomend, het lage bedrag aan toegestane leningen. 15

Door een beperkt aanbod van goederen gedurende de planeconomie kon niet geconsumeerd worden zoals gewenst (Denizer en Wolf, 2000). 16

Jaarlijkse inflatie van 10% of meer 17

Een sterke vermindering van de beschikbaarheid van krediet. 18

‘Milde kredietvoorwaarden’: Dit was tijdens de planeconomie één van de allergrootste incentive problemen en, bijgevolg, een van de grootste uitdagingen gedurende de transitie (Kornai, 1980). Banken dienen dus (bij ‘hard budget constraints’) krediet te verstrekken op een eerlijke manier en volgens duidelijk afgelijnde voorwaarden. ‘Soft Budget Constraints’ voor bedrijven komen dan weer voor in situaties waar de overheid verlieslatende bedrijven redt en hun voortbestaan verzekerd door ofwel een directe of een indirecte kredietinjectie (Moore, 2009).

14

echter niet tot de jaren ’90. In 2005 hadden (voor de CEB-landen19) 60,9% van de kleine en 29,2% van

de grote bedrijven geen banklening, terwijl respectievelijk 27,3% en 7,4% aangaven dat zij

geprobeerd hebben een banklening te verkrijgen. De toegankelijkheid tot krediet voor

ondernemingen verslechterde zelfs tijdens de periode 2002 - 2005 (EBRD, 2006). Voor de SEE-

landen20, waartoe Bulgarije en Roemenië behoren, was het met de toegankelijkheid tot bankleningen

nog een stuk slechter gesteld (EBRD, 2006).

Dat de financiële sector momenteel al een zekere ontwikkeling achter de rug heeft in de CEB-landen,

bewijzen de bevindingen (voor 2005) dat de financiering via leverancierskrediet in Rusland en

Oekraïne (met een nog minder ontwikkeld bankwezen) het gebruik van bancaire leningen nog ver

overstijgt. Dit terwijl dit in de Oost-Europese landen uit ons onderzoek, volgens het onderzoek van de

EBRD, niet het geval is. In de Baltische staten21 is het hoge gebruik van leasing dan weer een ander

middel om de liquiditeitsbeperkingen te omzeilen (EBRD, 2006). Ook de transitiescore voor de

bankhervorming (zie 2.2.2) wijst op een convergentie in het bankwezen tussen deze negen

economieën en West-Europa.

Als aanvulling op de voorgaande paragrafen zijn er de resultaten van Demirgüç-Kunt en Maksimovic

uit 2001 en Klapper, Sarria-Allende en Sulla uit 2002. Zij stellen dat niet-financiële ondernemingen in

landen met een beter ontwikkeld (commercieel) bankwezen net meer handelsvorderingen zullen

toestaan en ook meer gebruik zullen maken van leverancierskrediet. In Demirgüç-Kunt en

Maksimovic (2001) wordt dit de ‘complementaire hypothese’ genoemd. Verder merken Klapper et. al

(2002) nog op dat in landen met onderontwikkelde financiële instituties, leverancierskrediet eerder

als een substituut (in plaats van een complement) voor het bankkrediet aanzien wordt.

De relatie tussen de ontwikkeling van het banksysteem en het gebruik van leverancierskrediet in de

negen landen uit onze steekproef, wordt verderop in dit werkstuk onderzocht in de

transitiehypothese. In die hypothese testen we de invloed van de bankhervormingsindex (zie 2.2.2)

als onafhankelijke variabele, op het gebruikte leverancierskrediet als afhankelijke variabele.

2.1.2 Het voortbestaan van de nomenclatuur

Een empirisch moeilijk te onderzoeken, maar niet onbelangrijk aspect bij het gebruik van

leverancierskrediet is het feit of de manager van de onderneming een voormalig lid van de

19

‘Central Eastern Europe and the Baltic states’: Centraal- en Oost-Europa en de Baltische staten – Tsjechië, Estland, Hongarije, Letland, Litouwen, Polen, Slowakije en Slovenië 20

‘South-Eastern Europe’: Zuid-Oost-Europa – Albanië, Bosnië en Herzegovina, Bulgarije, Kroatië, FYR Macedonië, Montenegro, Roemenië en Servië 21

Estland, Letland, Litouwen

15

nomenclatuur22 was. Hersch, Kemme en Netter (1997) onderzochten dit voor Hongarije. De

voordelen van de leden van de voormalige nomenclatuur om gemakkelijker aan bancaire financiering

te geraken waren drieërlei: Eerst en vooral waren zij uitstekend gepositioneerd om tijdens het

privatisatieproces de beste ondernemingen (met vaak ook de grootste voorzieningen aan liquide

middelen) uit de brand te slepen. Daarnaast konden zij dankzij hun uitgebreid netwerk beter

contacten leggen met kredietverstrekkers en vaak was de opening van een kredietlijn voor hun

onderneming dus slechts een formaliteit (de ‘soft budget constraints’ uit 2.1.1 bleven dus bestaan).

Als laatste aspect stellen Hersch, Kemme en Netter (1997) dat leden van de nomenclatuur veelal een

betere opleiding genoten, wat hen beter in staat stelde om bedrijven op een efficiënte manier te

leiden en waardoor financiële instellingen er bijgevolg (uit risico-aversie) de voorkeur aan gaven om

hun bedrijven van krediet te voorzien. Een logisch gevolg hierbij is dat niet-leden van de voormalige

nomenclatuur voor hun kredietvoorziening veelal hun toevlucht moesten zoeken tot de private

markt (in casu leverancierskrediet). Aangezien de politiek-economische situaties, bij de val van het

communisme, in de door ons onderzochte landen erg vergelijkbaar waren met Hongarije, kunnen we

stellen dat ook deze factoren van Hersch, Kemme en Netter bepalend zijn voor het gebruik van

leverancierskrediet in Oost-Europa in het algemeen. Ook Delannay en Weill (2004) zien het bestaan

van inter-bedrijfsrelaties, resterend uit het communistische tijdperk, als een belangrijke oorzaak van

het gebruik van leverancierskrediet als primaire bron van financiering.

2.1.3 Nefaste bijwerkingen

Perotti (1997) op zijn beurt, beschouwt handelskrediet als een oorzaak van het gebrek aan snelle

herstructurering in transitielanden. De eerste stap in het hervormingsprogramma, bij aanvang van de

transitie, was namelijk een verstrakking van het monetair beleid. De automatische kredietlijnen naar

(staats)ondernemingen dienden aan banden te worden gelegd. Het beleid was er dus op gericht de

inflatie te controleren door bedrijven te stimuleren om bancaire leningen te ruilen voor interne

financiering (Een dalende geldhoeveelheid zorgt voor een vraagvermindering met lagere prijzen en

dus een lage inflatie tot gevolg). Vooral grote (staats)bedrijven bleven echter inert voor deze

aanbeveling (en de bijbehorende aanpassingen inzake loonrestrictie, productiviteitsstijgingen…) en

omzeilden de opgelegde liquiditeitsbeperking door handelskredieten bij elkaar op te stapelen. Vele

goedfunctionerende bedrijven werden bijgevolg vatbaar voor onbetaalde rekeningen van zwakkeren

en een domino-effect ontstond (Perotti, 1997).

22

Een kleine subgroep van elite die, als lid van de communistische partij, alle sleutelposities in het land innamen.

16

Op de koop toe stelden een aantal Oost-Europese landen zich zelfs borg voor de achterstallige

betalingen van de handelskredieten, wat een hogere inflatie (soms moesten nationale banken zelfs

geld bijdrukken) en nefaste macro-economische bijwerkingen tot gevolg had. Dubieuze debiteuren

stapelden zich op omdat verwacht werd dat de overheid binnen afzienbare tijd zou overgaan tot een

volgende borgstelling. Sommige transitielanden zoals Letland, Estland, Polen en het voormalige

Tsjecho-Slowakije23 hielden echter voet bij stuk, zij weerstonden aan de druk om de

handelskredieten af te lossen en slaagden er zo in om de inflatie min of meer onder controle te

houden (of om de hyperinflatie in tijd te beperken). Men kan dus concluderen dat een verstrakking

inzake bancaire kredietverlening dient om financiële discipline te smeden bij ondernemingen.

Echter, als de aanpassing (en de bijbehorende herstructurering) van een onderneming op deze

verstrakking te zwak is, zorgt de illiquiditeit voor een vlucht naar leverancierskrediet. De link tussen

deze opgestapelde handelskredieten en de borgstellingen, het domino-effect in faillissementen en de

verzwakking van een land is eenvoudig in te zien (Perotti, 1997).

2.1.4 Het ‘crowding-out’ effect

Dat ondernemingen onvoldoende bancaire leningen kunnen aangaan en dus moeten terugvallen op

leverancierskrediet valt ook deels te verklaren door het ‘crowding-out’ effect. ‘Crowding-out’ wordt

veroorzaakt door overheden die, door het aangaan van leningen, private ondernemingen verdringen

op de kredietmarkt (Spencer en Yohe, 1970; Elmendorf en Mankiw, 1998). In het geval van Oost-

Europa hadden de overheden naargelang de transitie vorderde, een steeds groeiende

liquiditeitsbehoefte (EBRD, 1999). Budgettaire tekorten, pogingen om de economie aan te zwengelen

en mogelijke borgstellingen veroorzaakten een grote vraag naar financiële middelen door de

overheid. Dat commerciële banken deze risicovrije leningen verkozen boven de kredietlijnen naar

bedrijven of gezinnen is dan ook niet onlogisch (Hersch, Kemme en Netter,1997). Fries en Taci (2002)

vonden zelfs een significante positieve associatie tussen de overheidsbegroting en de reële expansie

van leningen aan bedrijven en gezinnen24.

In hun paper over bankhervorming en -ontwikkeling in transitie-economieën tonen Fries en Taci

(2002) voor onze negen Oost-Europees landen de ratio van de totale niet-overheidsleningen op het

BBP van het land. Verder schatten ze voor deze negen landen, als benchmark, eenzelfde ratio voor

een zuivere markteconomie met een vergelijkbaar niveau van ontwikkeling. Hun resultaten laten zien

dat slechts drie landen (Estland, Polen en Slowakije) een lichte relatieve verbetering (t.o.v. hun

23

In 1993 volgde een opdeling in Tsjechië en Slowakije. 24

Een begrotingstekort veroorzaakte dus een verdringingseffect op de kredietmarkt met minder leningen aan bedrijven en gezinnen tot gevolg.

17

benchmark) laten optekenen in de periode 1994 tot 1999. Deze groep slaagt er dus in om de toegang

tot bankleningen voor de ondernemingen te verbeteren door (relatief t.o.v. het BBP) de

overheidsleningen terug te dringen. Geen enkel van de onderzochte landen krijgt het voor elkaar om

in 1999 de eigen benchmark van de markteconomie nog te evenaren, terwijl Tsjechië en Bulgarije

hier in 1994 wel nog in slaagden. De gezamenlijke benchmark voor onze negen onderzochte landen

bedroeg in 1999 50,0% terwijl het eigen ongewogen gemiddelde amper 29,7% haalde en zelfs een

achteruitgang boekte t.o.v. 1994 (Fries en Taci, 2002). Ook de afstand tot de benchmark, zoals te zien

in figuur 2, werd tijdens deze vijf jaren nog groter. Hieruit kan men concluderen dat het ‘crowding-

out’ effect toen in Oost-Europese landen hoger was dan in landen waar een markteconomie al verder

ontwikkeld was, en de Oost-Europese ondernemingen meer en meer in de richting van andere

financieringsvormen (in casu leverancierskrediet) gedreven werden.

Argimon, Gonzalez-Paramo en Roldan (1997) stelden vast (voor een set van 14 OESO-lidstaten25 in de

jaren ‘80) dat er bij ‘crowding-out’ een onderscheid dient te worden gemaakt tussen twee vormen

van overheidsuitgaven (en de bijbehorende kredietbehoefte). Zo zullen overheidsinvesteringen de

private investeringen versterken (dankzij o.a. een betere infrastructuurvoorziening kunnen private

projecten meer winstgevend zijn), terwijl de overheidsconsumptie het omgekeerde effect

teweegbrengt (Argimon et al., 1997).

25

OESO: Organisatie voor Economische Samenwerking en Ontwikkeling – De hier onderzochte lidstaten bevatten geen Oost-Europese landen. Het eerste Oost-Europese land (Tsjechië) trad immers pas in 1995 toe tot de OESO.

-20%

-10%

0%

10%

20%

30%

FIGUUR 2: KREDIET AAN NIET-OVERHEIDSSECTOR VERGELEKEN MET EEN MARKTECONOMIE BENCHMARK, IN % VAN HET BBP

1994 - Afstand tot ME-Benchmark

1999 - Afstand tot ME-Benchmark

BRON: Fries en Taci, 2002

18

Om de invloed van het ‘crowding-out’ effect op het gebruik van handelskrediet in een land na te

gaan, introduceren we, tijdens de opbouw naar onze hypotheses, een variabele die de nominale

schuldgroei van de overheid aangeeft, geschaald door het BBP van een land. Op deze manier hopen

we de effectieve concurrentie, die de ondernemingen van de overheden ondervinden op de

kredietmarkten, het best te benaderen. Ondanks de vaststelling dat overheidschulden t.o.v. het BBP

in de meeste landen constant bleven of zelfs afnamen, constateren we in figuur 3a een continue

positieve groei van de nominale overheidsschulden als algemene trend. Dit is voor een groot deel te

verklaren door een, over het algemeen, zeer sterke jaarlijkse stijging van het bruto binnenlands

product in deze negen landen. In figuur 3b constateren we (met uitzondering van Bulgarije en

Estland) een sterk negatieve overheidsbegroting in 1998 - 2007. Ondermeer de toetredingsvereiste

van de EU om er een maximaal overheidstekort van 3% van het BBP op na te houden remde een

ontsporing van de overheidsfinanciën wel enigszins af26 (Svejnar, 2002).

Roemenië, Slowakije, Letland en Estland kenden gedurende deze periode één of meerdere jaren met

een geringe daling van de groei. Bulgarije kon, vanaf 2002, vijf jaar lang een negatieve groei in de

overheidsschulden aanhouden en realiseerde een daling van de ratio ‘overheidsschuld/BBP’ van

105,2% tot 22,7% van het BBP in 2006. Estland slaagde erin om haar overheidsschulden zeer

voorbeeldig onder controle te houden (nominale groei schommelde steevast tussen -0,14% en

1,83%), terwijl Hongarije een verdrievoudiging kende van de nominale schuld. Opmerkelijk is ook de

algemene verhoging van de overheidsschulden in 1999 om de negatieve invloed van de Russische

crisis op de economie af te zwakken (EBRD, 1999). Vergelijken we figuur 3a en 3b, dan constateren

we dat een omgekeerd evenredige relatie (overheidsbegroting versus de nominale schuldgroei van

de overheid t.o.v. het BBP) verre van perfect is. Een verklaring hiervoor is te vinden in het feit dat er

een vertraging27 kan optreden in de financiering van een tekort (Elmendorf en Mankiw, 1998). Dit

zien we als een bevestiging voor onze keuze om, in onze hypotheses, de nominale schuldgroei (t.o.v.

het BBP) te verkiezen boven de overheidsbegroting.

26

Anderzijds hadden de door de EU opgelegde kostelijke sociale programma’s en structurele maatregelen dan weer een negatieve impact op de overheidsbegroting (Svejnar, 2002). 27

Of omgekeerd, Slowakije kende zelfs een schuldgroei voorafgaand aan een immens (12,3%) begrotingstekort.

19

-10%

-5%

0%

5%

10%

15%

20%

1998 1999 2000 2001 2002 2003 2004 2005 2006 2007

FIGUUR 3a: NOMINALE SCHULDGROEI VAN DE OVERHEID IN % VAN HET BBP

Tsjechië

Estland

Hongarije

Letland

Litouwen

Polen

Slowakije

Bulgarije

Roemenië

-14%

-12%

-10%

-8%

-6%

-4%

-2%

0%

2%

4%

1998 1999 2000 2001 2002 2003 2004 2005 2006

FIGUUR 3b: OVERHEIDSBEGROTING IN % VAN HET BBP

Tsjechië

Estland

Hongarije

Letland

Litouwen

Polen

Slowakije

Bulgarije

Roemenië

BRON: EBRD, Eurostat

BRON:Eurostat

20

2.1.5 Financiële structuur

Wanneer we een blik werpen op de financiële structuur van ondernemingen uit de Oost-Europese

landen in 2005, valt onmiddellijk het grote belang van interne kredieten op (EBRD, 2006)28. Dit was

zowel het geval voor de financiering van zowel werkkapitaal, als voor investeringen in vaste activa

(voor de CEB-landen respectievelijk 68% en 62,4%) (EBRD, 2006). De EBRD (2006) wijst hierbij op de

kwetsbaarheid van bedrijven bij dalende bedrijfswinsten en een dalende cashflow, aangezien deze

laatste twee de belangrijkste bronnen voor interne financiering zijn. Met de ‘pecking order’ theorie

(zie 3.1) testen we in dit onderzoek de invloed van deze interne middelengeneratie op het

aangehouden niveau van leverancierskrediet.

Demirgüç-Kunt en Maksimovic (1998) en Klapper et. al (2002) tonen aan dat in landen met een

minder efficiënt wettelijk kader, een onderontwikkelde banksector en zwakke

onderpandwetgevingen en –registraties, in casu Oost-Europa, een kleiner aandeel bedrijven lange

termijn externe financiering zullen gebruiken. Voor de financiering van werkkapitaal bedraagt het

aandeel van leverancierskrediet gemiddeld 6,2%, terwijl de bankleningen goed zijn voor 10,2% van

de totale financiering (EBRD, 2006). Hieruit valt af te leiden dat, ondanks een hoger cijfer voor

bankleningen dan voor leverancierskrediet, bankleningen nog steeds een beperkte rol spelen in de

financiering van bedrijven en dat leverancierskrediet hier een waardig en veelgebruikt alternatief

vormt, voornamelijk bij middelgrote en grote ondernemingen (EBRD, 2006). Klapper et. al (2002)

wijzen in hun paper over de bedrijfsfinanciering in Oost-Europa (voor kleine en middelgrote

ondernemingen) ook op deze achterstand van bancair krediet als financieringsbron t.o.v. West-

Europa. Zo werd voor een sample van West-Europese landen in 1999 voor iedere € 1 in kapitaal,

gemiddeld € 1,73 geleend. Onze negen landen zitten onder dit West-Europees resultaat, gaande van

€ 0,71 voor Bulgarije tot € 1,58 voor Roemenië (Klapper et. al, 2002). Ook in de steekproef die voor

dit werkstuk gebruikt wordt, is een ondervertegenwoordiging van bankleningen merkbaar. We

verwijzen hiervoor naar het descriptief onderzoek van deze masterproef in punt 4.3.

28

Budina, Garretsen en de Jong (2008) hadden reeds gelijkaardige bevindingen voor Bulgarije gedurende beginjaren ’90.

21

2.2 Relevante macro-economische evoluties

Het betrekken van de transitiefase29 in relatie tot het gebruik van handelskrediet is voorlopig een

leeg blad in de literatuur. Wij baseerden onze assumpties voor deze relatie op eigen interpretaties

van zowel de bestaande literatuur van handelskrediet in transitielanden als van de literatuur omtrent

de financiële implicaties en de gevolgen van een bepaalde transitiefase. Deze gegevens voor de

transitievariabelen (plus macro-economische data30) van de negen onderzochte landen is afkomstig

uit de transitierapporten van 1999-2009, gepubliceerd en beschikbaar gesteld door de EBRD. De

EBRD is een internationale financiële institutie die projecten steunt in negenentwintig landen van

Centraal-Europa tot Midden-Azië. In haar rapporten verdeelt de organisatie deze landen in

subgroepen, rekening houdend met hun geografische concentratie, met de periode van

overschakeling van een plan- naar een markteconomie en met de socio-economische ontwikkelingen

(landen die convergeren worden samen gegroepeerd). Zo behoren Tsjechië, Slowakije, Polen,

Hongarije, Estland, Letland en Litouwen tot de CEB, terwijl Bulgarije en Roemenië tot de subgroep

SEE behoren.

In dit deel bespreken we het algemene transitieproces en bekijken we ook apart de transitie in de

banksector. Daarnaast bespreken we ook enkele macro-economische indicatoren die van belang zijn

voor dit onderzoek.

2.2.1 Transitiescore

Een van de belangrijkste verwezenlijkingen van de EBRD is de ontwikkeling (sinds 1994) en de

publicatie van transitie-indices. Aangezien de initiële omstandigheden, het aantal jaren onder het

bewind van een communistisch regime, de manier van de hervormingsaanpak (gradualisme t.o.v. big

bang (Merlevede en Schoors, 2007)) en de politieke evoluties erg divers waren in deze landen,

verschilt ook de fase van transitie waarin een land zich bevindt. De vooruitgang in het transitieproces

wordt bekeken t.o.v. de standaarden van geïndustrialiseerde markteconomieën. De EBRD onderkent

weliswaar dat een perfect functionerende markteconomie niet bestaat, noch dat een transitieproces

een uniek eindpunt kent.

De vooruitgang wordt bekeken in vier sleuteldomeinen van een markteconomie: de markten en

handel, de ondernemingen, de aanwezige infrastructuur en, als vierde, de financiële instellingen. 29

We definiëren het transitieproces niet echt in verschillende fases, aangezien dit alleen maar een minder continu beeld van de transitie tot gevolg zou hebben. Wanneer in dit werkstuk gesproken wordt over ‘transitiefase’, wordt verwezen naar de transitiescore die een land in een bepaald jaar behaalt. 30

Enkele macro-economische gegevens werden echter uit de database van Eurostat gehaald, vanwege onregelmatigheden in de cijfers van de EBRD.

22

Binnen deze brede categorisatie vinden we negen indices31 die een compleet beeld moeten geven

van de transitiefase waarin een land zich bevindt. Elk van deze indices geeft een score weer op een

schaal van 1 tot 4+ (elf mogelijke scores, steeds naar beneden afgerond). Hoe hoger de score in een

bepaald domein, hoe meer deze categorie aanleunt bij het vrije markt model.

Ietwat ongebruikelijk introduceerden wij nog een tiende index. Deze index meet de vooruitgang

inzake wettelijke hervormingen32 per land en wordt berekend op basis van de perceptie van rechters

en experts ter zake, voor wat betreft het bestaan en de naleving van commerciële wetten en

financiële regulaties (Ramasastry, 2002). De idee was om het ongewogen gemiddelde van de twee

beschikbare indices inzake deze ‘legal transition indicators’33 te gebruiken. De motivatie om deze

tiende index erbij te nemen is het feit dat de betaling van handelsvorderingen vaak afgedwongen

dient te worden via de rechtbank. Daarom achtten wij deze index in dit opzicht dan ook niet

onbelangrijk om een juist beeld te krijgen van de transitiefase van ieder land. Vanaf 2003 werd

echter een nieuwe meetschaal ingevoerd om de hervormingen inzake economische rechtspraak na

te gaan. Het was niet mogelijk deze nieuwe meetschaal te vergelijken met de voorgaande

bevindingen, dus waren we genoodzaakt deze tiende index voor het volledige onderzoek uit onze

transitiescores te weren.

Campos en Horváth (2006) formuleren naast de voordelen van de negen transitie-indices, ook

belangrijke kritiek op deze (subjectieve) benadering. Als grootste voordeel van de EBRD-benadering

beschouwen zij het feit dat de EBRD kwalitatieve data voortbrengt. Deze kwalitatieve data zorgen

ervoor dat beleidsmakers van de transitielanden moeilijker data kunnen manipuleren om op die

manier bijvoorbeeld eenvoudiger fondsen te verwerven. Naast dit voordeel formuleren Campos en

Horváth (2006) ook vijf punten van kritiek. Om te beginnen stellen deze auteurs een gebrek aan

informatie vast m.b.t. de gebruikte variabelen in iedere index. Ook over de combinatie van deze

onderliggende variabelen om tot de negen scores te komen wordt volgens de auteurs te weinig

vermeld. Als derde en belangrijkste punt wordt de EBRD verweten dat de (potentieel) onderliggende

variabelen zowel beleidsinspanningen als beleidsuitkomsten voortbrengen en deze onderling niet te

isoleren zijn. Een volgende kritiek stelt dat de scores veranderen zonder dat de (vooropgestelde)

variabelen veranderen, wat er op zou kunnen wijzen dat de onderliggende algoritmen veranderd zijn

31

Deze 9 indices (met eigen vertaling) zijn: ‘EBRD index of small-scale privatisation’ (privatisatie op kleine schaal), of ‘large-scale privatisation’ (privatisatie op grote schaal), of ‘enterprise reform’ (bedrijfshervormingen), of ‘price liberalisation’ (vrije prijsvorming), of ‘trade and foreign exchange system’ (buitenlandse handel), of ‘competition policy’ (concurrentiebeleid), of ‘banking sector reform’ (hervorming van het bankwezen), of ‘reform of non-banking financial institutions’ (hervorming van financiële instituties, excl. banken), of ‘infrastructure reform’ (infrastructuurhervormingen). 32

Svejnar (2002) argumenteerde zelfs dat een gebrek aan een marktgeoriënteerde wettelijke structuur de achillespees van de eerste twaalf jaren van transitie was. 33

Wettelijke transitie index

23

en/of de beoordelingen van de specialisten per land subjectief zijn. Campos en Horváth’s (2006)

laatste kritiek steunt op de bevinding dat de scores van de indices discontinu zijn en vergeleken

worden met een ondefinieerbaar referentiepunt. Ook de algemene afwezigheid van een terugval34 in

het transitieproces, samen met een te positief beeld van de fases waarin de landen zich bevinden, is

iets waar laatstgenoemde auteurs moeilijk akkoord mee kunnen gaan. Campos en Horváth (2006)

stellen daarom hun eigen indices35 voor, maar deze zijn te beperkt en beslaan maar enkele domeinen

van de transitie. Daarom moeten we ons in dit werk tevreden stellen met de data van de EBRD als

indicator voor de verschillende transitiefases in deze negen landen.

Bekijken we het ongewogen gemiddelde36 van de negen transitie-indices in figuur 4, dan kunnen we

stellen dat in de afgebeelde tijdsperiode (1998-2007) Hongarije en Bulgarije startten met

respectievelijk de hoogste en de laagste score. Vanaf 2006 werd Hongarije in de koppositie

bijgestaan door Estland dat een snelle stijging in haar score kende en een gunstiger hervormingspad

bewandelde dan de 2 andere Baltische staten (Letland en Litouwen). Bulgarije gaf de rode lantaarn,

vanaf 1999, dan weer door aan Roemenië en slaagde er, veel beter dan Roemenië, in om, ondanks

‘the great divide’37 (Berglöf en Bolton, 2002), de kloof met de zeven andere landen te verkleinen.

Overeenkomstig met de kritiek van Campos en Horváth (2006) op deze transitie-indices merken we

dat het aantal terugvallen in de prestaties beperkt blijft tot één, namelijk voor Roemenië in 2002.

Anderzijds gaat het hier wel om geaggregeerde scores en niet om één van de negen afzonderlijke

indices, waarvan sprake in hun paper.

De koppositie van Hongarije gedurende deze periode valt, naast de verdiensten voor de Hongaarse

beleidsmakers, ook toe te schrijven aan de (hervormings)problemen in Tsjechië (Knaack, 2001).

Tsjechië werd, tijdens de eerste helft van de jaren ‘90, lange tijd gezien als een schoolvoorbeeld van

een geslaagde transitie. De productiegroei, de overheidsfinanciën, de buitenlandse directe

investeringen, het hervormingsbeleid en de bestrijding van inflatie en werkloosheid verliepen er

allemaal gunstig, tot in 1996 het tij keerde. Een zware financiële crisis in de zomer van 1997 was het

gevolg en het transitieproces vertraagde (Knaack, 2001).

34

Vrije vertaling voor de in de literatuur vaak voorkomende term ‘reversal’ 35

De ‘Campos-Horváth metingen’ (Campos en Horváth, 2006) 36

100% = markteconomie benchmark 37

In dit werk wordt een onderscheid gemaakt tussen transitielanden waar de economie volop in ontwikkeling is, en transitielanden die te kampen hebben met een vicieuze cirkel in terugvallen in institutionele hervormingen en in macro-economische instabiliteit. Bulgarije en Roemenië behoorden, toen alvast, tot de tweede groep (Berglöf en Bolton, 2002).

24

2.2.2 Bankhervormingsindex

De hervorming in de banksector nemen we nog eens afzonderlijk onder de loep in figuur 5.

Aangezien een slecht (o.a. Corricelli, 1996 en Fisman en Love, 2003) of een goed (o.a. Demirgüç-Kunt

en Maksimovic, 2001) werkend bankwezen de bedrijven voor hun financiering mogelijk richting

leverancierskrediet drijft, verdient deze transitie-index immers extra aandacht. Een eerste bemerking

is dat, zelfs in 2007, geen enkel van onze negen landen erin slaagde om het bankwezen op het niveau

van een markteconomie te tillen. Hongarije, Estland en Tsjechië waren de beste leerlingen van de

klas, terwijl Bulgarije en Roemenië hun bancaire hervormingen, zoals voorspeld door Berglöf en

Bolton (2002), redelijk moeilijk op de rails kregen, maar de laatste jaren toch een inhaalbeweging

bewerkstelligden. Alle landen evolueerden gunstig en deze hervorming kreeg de laatste jaren (2004-

2007) overal nog een extra boost.

Ondanks de nog steeds bestaande kloof met het Westerse bankwezen is de evolutie sinds het begin

van de transitie zeer positief. In de meeste landen startten de net opgerichte commerciële banken

(die in de plaats kwamen van het monobank systeem) immers met een portfolio vol ‘slechte’

leningen (Svejnar, 2002). Het aantal niet-presterende leningen groeide ook zeer snel aan. De grote

55%

60%

65%

70%

75%

80%

85%

90%

1998 1999 2000 2001 2002 2003 2004 2005 2006 2007

FIGUUR 4: TRANSITIESCORE IN % VAN DE MAXIMAAL TE BEHALEN SCORE

Tsjechië

Estland

Hongarije

Letland

Litouwen

Polen

Slowakije

Bulgarije

Roemenië

BRON: EBRD, Eurostat

25

banken overleefden in eerste instantie omdat ze ‘too large to fail’38 waren en de overheden zich, in

vele landen, al snel borg stelden voor de financiële instellingen. De nood aan herhaaldelijke

borgstellingen door de overheid dwong Tsjechië, Hongarije en Polen eind de jaren ’90 zelfs om een

groot deel van hun binnenlandse banken te verpatsen aan grote westerse banken (Svejnar, 2002).

Iets wat de banksectorhervorming wel ten goede kwam.

2.2.3 Algemene toestand van de economie

Om een algemeen beeld weer te geven van de welvaart van de negen landen, bespreken we kort het

BBP per capita39 (figuur 6a) en de groei (figuur 6b) ervan. Deze maatstaf geeft de relatieve welvaart

weer t.o.v. andere landen, zonder iets te zeggen over de welvaartsverdeling over de bevolking.

Net zoals bij het transitiepad en de banksectorhervormingen scoren Hongarije, Estland en Tsjechië

hier, over het algemeen, het hoogst voor het BBP per capita. De laatste jaren kende Hongarije echter

wel een sterke groeidaling, waardoor het land in 2007 werd bijgehaald door Slowakije. Polen

tuimelde, ondanks een blijvende positieve trend, van het op twee na hoogste naar het op twee na

laagste BBP per capita. Verder stellen we ook hier een kloof vast tussen Bulgarije en Roemenië en de

38

‘too large to fail’: te groot om failliet te gaan. 39

Berekend als het BBP gedeeld door de populatie halverwege het jaar, uitgedrukt in Amerikaanse Dollar om een vergelijking per land te vereenvoudigen.

40%

50%

60%

70%

80%

90%

100%

FIGUUR 5: BANKSECTORHERVORMING IN % VAN DE MAXIMAAL TE BEHALEN SCORE

1998-2001

2002-2004

2005-2007

BRON: EBRD, Eurostat

26

zeven andere landen. Focussen we ons, in figuur 6b, op de groei van dit BBP per capita40, dan merken

we een erg gelijklopend patroon. De gevolgen van de Russische crisis, door de ontsporing van de

overheidsfinanciën van het land (Gobbin en Merlevede, 2000), bleek voor alle landen een moeilijke

periode, met een sterke terugval tot gevolg in 1999. Sommige landen (met Roemenië op kop, extra

verzwakt door de Kosovocrisis (EBRD, 1999)) kenden zelfs een terugval van het BBP per hoofd. Vanaf

2001 is er, mede door de heropleving van de Russische economie (EBRD, 2003), nergens nog een

negatieve groei te bespeuren. De groei bereikt haar hoogtepunt in 2003 en houdt in de meeste

landen een ritme van +10% aan, waardoor deze Oost-Europese landen ook op wereldniveau tot de

beste leerlingen van de klas behoren. Als reden voor deze explosieve groei haalt het EBRD (2006) de

toetreding tot de EU41 aan in 2004, samen met de vorderende integratie van deze landen in de

wereldeconomie.

Bekijken we het BBP per hoofd van deze negen landen op wereldniveau (tabel 1), dan stellen we vast

dat Oost-Europa een inhaalbeweging heeft ingezet. Alle landen, behalve Polen met een status-quo,

verbeteren hun positie voor wat betreft het BBP per capita, uitgedrukt in Amerikaanse Dollars. Met

een 44ste plaats in de wereld in 2009, wint Tsjechië terrein op landen uit de EU zoals Portugal en

Griekenland. Ook Letland en Roemenië zien hun verviervoudiging in dit cijfer vertaald in een sterke

stijging op deze lijst van De Wereldbank (2010).

40

Berekend als BBP /capita t

BBP /capita t−1− 1 (met t de jaren 1998 tot 2007).

41 Behalve voor Roemenië en Bulgarije die pas in 2007 (3 jaar later) tot de EU toetraden.

27

0

2000

4000

6000

8000

10000

12000

14000

16000

18000

1998 1999 2000 2001 2002 2003 2004 2005 2006 2007

FIGUUR 6a: BBP PER CAPITA IN AMERIKAANSE DOLLAR

Tsjechië

Estland

Hongarije

Letland

Litouwen

Polen

Slowakije

Bulgarije

Roemenië

-20%

-10%

0%

10%

20%

30%

40%

1998 1999 2000 2001 2002 2003 2004 2005 2006 2007

FIGUUR 6b: GROEI VAN HET BBP PER CAPITA IN %

Tsjechië

Estland

Hongarije

Letland

Litouwen

Polen

Slowakije

Bulgarije

Roemenië

BRON: EBRD

BRON: EBRD

28

TABEL 1: PLAATS IN DE RANGSCHIKKING VOOR BBP PER CAPITA (IN US$) OP

WERELDNIVEAU

PLAATS

IN 1998

PLAATS

IN 2007

PLAATS

IN 1998

PLAATS

IN 2007

PLAATS

IN 1998

PLAATS

IN 2007

TSJECHIË 48 44 HONGARIJE 56 50 POLEN 57 57

ESTLAND 61 46 LETLAND 77 54 ROEMENIË 90 67

SLOWAKIJE 60 48 LITOUWEN 71 56 BULGARIJE 99 83

Bij de opbouw van onze hypotheses zullen wij de reële groei42 van het BBP als controlevariabele

gebruiken i.p.v. de nominale groei van het BBP (zoals geopperd door García-Teruel en Martínez-

Solano (2009) en Niskanen en Niskanen (2006) (zie 3.2.2.6)). Een snelle blik op onderstaande figuren

verduidelijkt deze keuze. Nemen we het voorbeeld van Roemenië, dan vermoeden we op basis van

de bovenste figuur (7a) een ware hoogconjunctuur aan het einde van vorige eeuw, terwijl de reële

groei in dit land zowaar negatief was (zie figuur 7b). Dit verschil valt natuurlijk volledig te verklaren

door de inflatie die er in 1998 59,1% bedroeg. Aangezien een double-digit inflatie tijdens deze

periode in sommige transitielanden niet abnormaal was (zie 2.2.4), lijkt onze keuze om de reële groei

te verkiezen boven de nominale gerechtvaardigd. Opnieuw kunnen we vaststellen dat de Russische

crisis en de Kosovocrisis (in casu Roemenië) spelbrekers zijn in 1999, terwijl vanaf 2000 een nakende

toetreding tot de Europese Unie de groei aanzwengelt. Verder bemerken we een bijna permanente

koppositie in de reële groei van het BBP voor de drie Baltische staten, dit ondanks hun minder

rooskleurige situatie bij de aanvang van het transitieproces (EBRD, 1999).

42

De nominale groei van het BBP meet de waarde van alle goederen en diensten geproduceerd in een land gedurende 1 jaar, uitgedrukt in huidige prijzen. De reële groei van het BBP op haar beurt meet de waarde van alle goederen en diensten geproduceerd in een land gedurende 1 jaar, uitgedrukt in (gelijkblijvende) prijzen van een basisjaar. De reële groei zuivert dus de nominale groei van inflatie (de verandering in het algemeen prijspeil).

29

-10%

0%

10%

20%

30%

40%

50%

1998 1999 2000 2001 2002 2003 2004 2005 2006 2007

FIGUUR 7a: NOMINALE GROEI VAN HET BBP IN %

Tsjechië

Estland

Hongarije

Letland

Litouwen

Polen

Slowakije

Bulgarije

Roemenië

-6%

-4%

-2%

0%

2%

4%

6%

8%

10%

12%

14%

1998 1999 2000 2001 2002 2003 2004 2005 2006 2007

FIGUUR 7b: REËLE GROEI VAN HET BBP IN %

Tsjechië

Estland

Hongarije

Letland

Litouwen

Polen

Slowakije

Bulgarije

Roemenië

BRON: EBRD

BRON: EBRD

30

Bij de afgebeelde grafieken i.v.m. (de groei van) het BBP valt op te merken dat de EBRD zelf aangeeft

dat er onjuistheden in deze data kunnen voorkomen. Zo is het mogelijk dat, in een context van

transitie, het de groeicijfers aan precisie kan ontbreken door het verschil in relatieve prijzen, het

falen van het in rekening brengen van kwaliteitsverbeteringen en de substantiële omvang en

verandering in de informele sector. Sommige landen startten zelfs met het incorporeren van de

informele sector in hun schattingen voor het BBP, wat de vergelijkbaarheid tussen de landen niet

bevordert (EBRD, 2010).

2.2.4 Inflatie

De oorzaak van het verschil tussen de nominale en de reële groei van het BBP ligt dus in het

inflatiecijfer van een land. Om de inflatie in de negen landen te bespreken, dienden we de grafiek in

twee verschillende grafieken (figuur 8a en 8b) op te splitsen aangezien de waarden van Bulgarije en

Roemenië (bij aanvang) die van de andere landen sterk overtroffen en dit de overzichtelijkheid van

de grafiek niet ten goede kwam. Toch zijn dergelijke ‘double-digit’ (of ook ‘triple-digit’43)

inflatiecijfers, of zelfs nog meer, zoals de 1082% voor Bulgarije in 1997, zeker niet uniek voor deze

twee landen. In begin en midden jaren ‘90 kenden ook de overige zeven landen (met uitzondering

van Tsjechië, Hongarije en Slowakije) een dergelijke triple-digit inflatie (EBRD, 1999). Voor een

verklaring van deze inflatie verwijzen we naar de literatuur. Deze is vrij divers en complex en zou ons

te ver leiden. Ook de spaarquote leed, zoals eerder gezegd, onder deze hyperinflatie, wat de

ontwikkeling, in het begin en het midden van de jaren ‘90, van goed werkende financiële instituties

sterk afremde en dus mogelijk het gebruik van leverancierskrediet in de hand werkte. Verder was de

terugval in inflatie ook positief voor de groei. Bruno en Easterly (1998) en Fisher, Sahay en Vegh

(1996) stelden immers dat een jaarlijkse inflatie van meer dan 40% een significant negatieve impact

had op de groei van een land.

Alle negen landen kenden in 1998 een inflatie van ten minste 6% (van 6,1% voor Slowakije tot 59,1%

voor Roemenië). Naast Bulgarije en Roemenië was ook in Hongarije, Polen en Tsjechië44 de inflatie

hoger dan 10%. Alle landen zullen echter in de (nabije) toekomst toetreden tot de Eurozone45, wat

een verplichting inzake het controleren van de inflatie met zich meebrengt. Zo streeft de Europese

Centrale Bank ernaar dat alle landen van de eurozone hun inflatiecijfer onder, maar dichtbij, 2% op

middellange termijn houden (ECB, 2010). De convergentie naar dit punt is dan ook in alle landen een

feit, weliswaar met vallen en opstaan. In 2006 is er een inflatiepercentage te constateren gaande van

43

Jaarlijkse inflatie van 100% of meer 44

Deze hoge inflatie kan in Tsjechië verklaard worden door de financiële crisis van 1997 (zie 2.2.1). 45

Slowakije is reeds toegetreden.

31

1% voor Polen tot 7,3% voor Bulgarije. De tijden van hyperinflatie leken toen achter de rug, maar

vanaf 2007 kenden vele landen opnieuw een groei in inflatie. Deze groei werd o.a. veroorzaakt door

de convergentie van de prijzen tussen bestaande EU-landen en de nieuw toegetreden (Oost-

Europese) lidstaten, het koppelen van de eigen munt aan de euro en de import van de lage interest

uit de West-Europese EU-landen (Vanags en Hansen, 2007).

32

-2%

0%

2%

4%

6%

8%

10%

12%

14%

16%

1998 1999 2000 2001 2002 2003 2004 2005 2006 2007

FIGUUR 8a: INFLATIE IN %

Tsjechië

Estland

Hongarije

Letland

Litouwen

Polen

Slowakije

-10%

0%

10%

20%

30%

40%

50%

60%

1998 1999 2000 2001 2002 2003 2004 2005 2006 2007

FIGUUR 8b: INFLATIE IN %

Bulgarije

Roemenië

BRON: Eurostat

BRON: Eurostat

33

3 OPBOUW VAN DE HYPOTHESES

In dit derde deel worden de variabelen voor het empirisch onderzoek geïntroduceerd, samen met de

te testen hypotheses. De vijf hypotheses zijn op te delen in twee grote groepen. De eerste vier

hypotheses zullen ons basismodel vormen en zijn gebaseerd op de bestaande literatuur inzake

determinanten van leverancierskrediet. Een bespreking van deze literatuur komt in het eerste punt

van dit deel. De vijfde en laatste hypothese is gebaseerd op de specifieke kenmerken van de

transitielanden in dit onderzoek en maakt dan ook vooral gebruik van de in vorig deel aangehaalde

macro-economische gegevens. Deze transitiehypothese zal later leiden tot het transitiemodel (zie

tabel 6).

Het eerste punt bespreekt, zoals gezegd, de determinanten van leverancierskrediet. In het tweede

punt worden de variabelen geconstrueerd en op basis hiervan bekomen we de vijf hypotheses van

dit onderzoek.

3.1 Determinanten van leverancierskrediet

Bedrijfsspecifieke eigenschappen die terug te vinden zijn in de jaarrekening hebben een grote

invloed op de hoeveelheid leverancierskrediet die ondernemingen aanhouden. Hieronder halen we

de verbanden aan tussen deze eigenschappen en het gebruikte leverancierskrediet, verbanden die

reeds geopperd werden in de bestaande literatuur inzake de determinanten van leverancierskrediet.

Deloof en Jegers (1999) stellen dat over hoe meer groeiopportuniteiten een onderneming beschikt,

hoe meer ze, ceteris paribus, nood heeft aan kredietverlening, dus ook aan leverancierskrediet. Dit

wordt ondermeer bevestigd door García-Teruel en Martínez-Solano (2009) die, in hun studie naar de

determinanten van handelskrediet in het Verenigd Koninkrijk, aantonen dat bedrijven hun groeiende

verkopen mede financieren door meer leverancierskrediet aan te houden. Daarnaast ontgaat de

sterke groei van klanten ook hun leveranciers niet. Deze sterke groei wordt immers doorgaans als

een positief signaal gezien voor de gezondheid van de onderneming. Leveranciers zullen bijgevolg

eerder geneigd zijn om krediet toe te kennen aan deze gezonde bedrijven, aangezien ze op die

manier meer kans hebben op terugbetaling binnen de gestelde termijn (Delannay en Weill, 2004).

Daartegenover stellen deze laatste auteurs dat sterke groei ook voor financiële instellingen een

positief signaal is voor de gezondheid van een onderneming. Als er een substitutie-effect bestaat

tussen bancair- en leverancierskrediet (zie 1.1), kunnen meer groeiopportuniteiten dus leiden tot een

daling van het gebruik van leverancierskrediet.

34

Deze groeiopportuniteiten zelf zijn dan weer afhankelijk van de grootte van de onderneming (Beck,

Demirgüç-Kunt, Laeven en Levine, 2004). Grote ondernemingen beschikken doorgaans over relatief

minder investeringsopportuniteiten en hebben dus minder nood aan kredietverlening en bijgevolg

ook aan leverancierskrediet (Petersen en Rajan, 1997). Daartegenover staat dat grote bedrijven over

een grotere onderhandelingsmacht beschikken ten opzichte van hun leveranciers (Porter, 1980). Het

is namelijk mogelijk dat het voortbestaan van de leverancier grotendeels afhankelijk is van de vraag

van de grote klant46. Deze onderhandelingsmacht kan resulteren in latere betaling en dus meer

leverancierskrediet. Grotere ondernemingen beschikken doorgaans ook over een betere reputatie in

de industrie. Deze reputatie kan voor leveranciers een proxy zijn voor de kredietwaardigheid van de

klant en zal dus het toestaan van handelsvorderingen bevorderen (Delannay en Weill, 2004). Maar

net zoals dit het geval was voor de betrouwbaarheid die afgeleid wordt uit de groeimogelijkheden,

hebben grotere bedrijven dankzij hun reputatie ook betere toegang tot bancair krediet. Bijgevolg

hebben ze dus minder nood aan leverancierskrediet.

Eenzelfde redenering kan worden opgezet bij de winst of verlies die ondernemingen boeken.

Leveranciers zien ondernemingen die veel winst maken namelijk als ondernemingen met een lage

kans op faling. Ze kunnen er dus behoorlijk zeker zijn dat hun klanten het verkregen

leverancierskrediet op tijd terug zullen betalen. Hierdoor kan worden verwacht dat winst een positief

effect heeft op leverancierskrediet (Delannay en Weill, 2004). Maar ook banken zijn niet blind voor

het succes van winstgevende ondernemingen. Indien een substitutie effect bestaat tussen bancair-

en leverancierskrediet, kan een negatief verband verwacht worden, aangezien winstgevende

bedrijven betere ratings krijgen en dus goedkoper kunnen lenen. Daarnaast verwachten Delannay en

Weill (2004) dat verlieslatende bedrijven, zeker in transitielanden, op meer leverancierskrediet

zouden kunnen rekenen, dankzij zogenaamde ‘soft budget constraints’ onder bedrijven (waarmee

leveranciers hun klanten willen helpen overleven). Dit wordt echter tegengesproken door Schaffer

(1997) die stelt dat ‘soft budget constraints’ enkel worden toegestaan door overheidsinstanties en

dat in transitielanden niet méér handelsvorderingen worden toegestaan dan in West-Europa.

Morris (1976) haalt aan dat ondernemingen het risico dat gepaard gaat met lenen, verlagen door een

hedging politiek toe te passen. Door de looptijd van de aangegane leningen af te stemmen op de

levensduur van de activa in de onderneming, kunnen ondernemingen de financieringskosten van de

activa goed inschatten. Zo kunnen ook de kasstromen die de activa voortbrengen accuraat worden

geschat en kan men nagaan of deze zullen volstaan om de bijhorende leningen af te lossen (Morris,

46

Denken we bijvoorbeeld aan diverse toeleveringsbedrijven in de autoassemblage-industrie.

35

1976). Als we deze redenering van het ‘debt maturity matching’47 principe doortrekken, kan

verwacht worden dat ondernemingen die meer vlottende activa aanhouden, zich ook meer zullen

financieren met korte termijn kredieten, waaronder ook leverancierskrediet (García-Teruel en

Martínez-Solano, 2009). Deloof en Jegers (1999) gaan nog een stap verder en stellen dat het

aangehouden leverancierskrediet vooral beïnvloed wordt door toegestane handelsvorderingen aan

eigen klanten en het niveau van liquide middelen, beiden een onderdeel van de vlottende activa van

een onderneming. Dit werd bevestigd in hun studie bij Belgische ondernemingen. Wanneer we nu

een vast niveau van vlottende activa veronderstellen, voorspelt het ‘debt maturity matching’ principe

ook een negatief verband tussen ‘andere korte termijn passiva’ en leverancierskrediet (Deloof en

Jegers (1997). Deze restcategorie kan namelijk als substituut optreden voor leverancierskrediet om

vlottende activa te financieren, aangezien zowel leverancierskrediet als het genereren van interne

middelen hun beperkingen kennen.

Naast de positieve invloed die liquide middelen (volgens vorige paragraaf) zouden kunnen hebben op

het aangehouden leverancierskrediet, zijn er ook twee theorieën die een negatief verband

suggereren. Allereerst is er de transactiekostenbenadering van Ferris (1981) (zie 1.2) die stelt dat

leverancierskrediet het groeperen van facturen bevordert, waardoor minder cash dient

aangehouden te worden in de onderneming. We kunnen hier dus een negatief verband tussen de

cashpositie en het aangehouden leverancierskrediet verwachten. Daarnaast komt ditzelfde negatieve

verband naar boven wanneer we leverancierskrediet vanuit de invalshoek van de ‘Pecking order

theory’48 bekijken (Petersen en Rajan, 1997). Om de kosten van asymmetrische informatie en de

mogelijkheid tot faillissement die gepaard gaan met externe kredietverlening te verlagen, prefereren

onderneming interne fondsen boven externe kredieten voor hun financiering (Myers, 1984). Volgens

deze logica komen interne liquide middelen vóór leverancierskrediet in de ‘pecking order’, waardoor

we dus opnieuw een negatief verband tussen beide verwachten. Wanneer we namelijk een vaste

behoefte aan financiering veronderstellen, zullen liquide middelen de nood aan leverancierskrediet

verlagen (Deloof en Jegers, 1999). Dezelfde redenering kan worden opgezet wanneer het gaat over

cashflow: hoe groter de cashflow van de onderneming, hoe meer mogelijkheden ze heeft om zich

intern te financieren en dus hoe minder nood ze heeft om omhoog te gaan in de ‘pecking order’ en

externe kredieten (waaronder ook leverancierskrediet) aan te spreken. Dit laatste werd ondermeer

bevestigd door Deloof en Jegers (1999) in hun studie bij Belgische ondernemingen.

47

Bij dit principe wordt de termijn van de leningen afgestemd op de levensduur van de activa (Morris, 1976). Morris (1976) kwam dan wel met dit principe naar voren, het was o.a. in Deloof en Jegers (1999) dat dit het ‘matching’ principe genoemd werd. Om verwarring te vermijden (Het matchingprincipe wordt immers meestal gebruikt om de praktijk van het overeenstemmen van kosten en opbrengsten met de boekhoudkundige termijn waar zij hun oorsprong kenden, te omschrijven.) doopten wij dit om tot het ‘debt maturity matching’ principe. 48

‘Pecking order theory’: Pikorde theorie. Deze werd voor het eerst aangehaald door Myers en Majluf (1984).

36

Zoals we reeds eerder aanhaalden, zou er een substitutie-effect waarneembaar kunnen zijn tussen

bancair- en leverancierskrediet. De resultaten van Delannay en Weill (2004) bevestigen alvast dit

effect. Hun studie in transitielanden toont aan dat de schuldgraad van ondernemingen een negatieve

invloed heeft op het aangehouden leverancierskrediet. Deze resultaten worden ook bevestigd door

Petersen en Rajan (1997). Nog in dit verband wordt door García-Teruel en Martínez-Solano (2009)

aangehaald dat de kosten voor externe financiering (exclusief de kosten voor leverancierskrediet)

een significant negatieve correlatie hebben met het aangehouden niveau van leverancierskrediet.

Daartegenover staan ondermeer de bevindingen van Elliehausen en Wolken (1993) die stellen dat

korte termijn schulden en leverancierskrediet complementair zijn. In hun onderzoek naar kleine

ondernemingen in de Verenigde Staten, halen deze auteurs aan dat ondernemingen met een hoge

graad van bancaire kredieten geassocieerd worden met een hogere kans op faling. Hierdoor krijgen

deze ondernemingen lagere creditratings, waardoor het voor hen moeilijker wordt om zich nog

verder met bancaire kredieten te financieren. Hierdoor kunnen bedrijven die zich in het verleden

vooral financierden met bankleningen, genoodzaakt worden om zich in de toekomst van financiering

te voorzien d.m.v. leverancierskrediet (Elliehausen en Wolken (1993). Ook Ono (2001) vond een

complementaire relatie tussen leverancierskrediet en bankleningen in zijn onderzoek naar

ondernemingen uit de verwerkende industrie in Japan.

3.2 Constructie van variabelen en hypotheses

In dit deel introduceren we de modelvariabelen die gebruikt worden in de rest van deze masterproef.

Eerst behandelen we kort de afhankelijke variabele, gevolgd door een overzicht van de

onafhankelijke variabelen. Deze onafhankelijke variabelen houden verband met de determinanten

van leverancierskrediet uit deel 3.1 en de macro-economische kenmerken uit deel 2.2 van deze

masterproef. De variabelen worden geïntroduceerd in vijf groepen, waaruit we dan ook onze vijf

hypotheses zullen opbouwen. Meer concreet gaat het over de vertrouwenshypothese, de ‘pecking

order’ hypothese, de ‘debt maturity matching’ hypothese, de substitutiehypothese en de

transitiehypothese. Deze vijf hypotheses vallen opnieuw uiteen in twee groepen. De eerste vier

hebben betrekking op de determinanten uit de jaarrekening en zullen het ‘basismodel’ vormen. De

transitiehypothese wordt afzonderlijk behandeld in het ‘transitiemodel’. Op het einde van dit deel

worden ook enkele controlevariabelen besproken.

In navolging van Deloof en Jegers (1999), García-Teruel en Martínez-Solano (2009), Delannay en Weill

(2004) en Niskanen en Niskanen (2006), schalen we alle variabelen die we uit de jaarrekening halen

door gebruik te maken van de totale activa. Uitgezonderd GROEI, GROOTTE, RESULTAAT, LEVERAGE

37

en FINKOST, die een andere bewerking ondergaan. Een samenvatting van hoe alle variabelen

bekomen worden, staat in tabel 2.

3.2.1 Afhankelijke variabele

Als afhankelijke variabele nemen we de post leverancierskrediet uit de balans. Na schaling door

totaal actief, levert dit ons de afhankelijke variabele LEVERKR op.

3.2.2 Onafhankelijke variabelen

3.2.2.1 Vertrouwen

Zoals we bij de bespreking van de determinanten van leverancierskrediet reeds aanhaalden, zijn

zowel de grootte van de onderneming, de groei en de winst mogelijke indicatoren voor het

vertrouwen in een onderneming. De variabele GROOTTE berekenen we door gebruik te maken van

de natuurlijke logaritme van de totale activa (Deloof en Jegers (1999), García-Teruel en Martínez-

Solano (2009), Delannay en Weill (2004)). Uit voorgaande blijkt dat zowel argumenten voor een

positief als voor een negatief verband tussen GROOTTE en LEVERKR kunnen worden aangehaald.

Net als Deloof en Jegers (1999), García-Teruel en Martínez-Solano (2009), Delannay en Weill (2004)

en Niskanen en Niskanen (2006), gebruiken we omzetgroei als een proxy voor de groei van de

onderneming. De variabele GROEI in jaar t wordt berekend door de omzet in jaar t te delen door

deze in jaar t-1 en hier vervolgens 1 van af te trekken. Net als dit voor GROOTTE het geval was, kan

GROEI zowel een positieve als een negatieve invloed hebben op LEVERKR.

Als laatste variabele i.v.m. vertrouwen introduceren we RESULTAAT, berekend door de winst of het

verlies vóór belastingen te schalen door de gehaalde omzet (Delannay en Weill, 2004). Opnieuw zijn

zowel argumenten voor een positief als een negatief verband met LEVERKR te vinden.

Combineren we deze drie variabelen dan bekomen we een eerste hypothese ter verklaring van het

gebruik van leverancierskrediet.

Hypothese 1: Vertrouwen

H1: Het aangehouden leverancierskrediet bij ondernemingen verschilt naargelang het vertrouwen

dat deze ondernemingen genieten.

38

Deze hypothese vertaalt zich in volgende vergelijking:

LEVERKR = a0 + a1GROOTTE + a2GROEI + a3RESULTAAT +

3.2.2.2 ‘Pecking order’

Volgens de ‘pecking order’ theorie van Myers en Majluf (1984), prefereren ondernemingen intern

gegenereerde middelen boven externe financiering (zie 3.1). Als indicatoren voor deze interne

middelen, gebruiken we de cashflow en de liquide middelen waarover de onderneming beschikt

(Deloof en Jegers (1999), García-Teruel en Martínez-Solano (2009)). Beiden worden geschaald door

het balanstotaal, wat respectievelijk de variabelen CASHFLOW en CASH oplevert. Afgaand op de

‘pecking order’ theorie, kunnen we voor beiden een negatief verband met LEVERKR verwachten.

Hypothese 2: ‘Pecking order’

H2: Ondernemingen met meer interne middelen maken minder gebruik van leverancierskrediet.

Deze hypothese vertaalt zich in volgende vergelijking:

LEVERKR = a4 + a5CASHFLOW + a6CASH +

3.2.2.3 ‘Debt maturity matching’

Om het ‘debt maturity matching’ principe van Morris (1976) te testen, introduceren we de

onafhankelijke variabele VLOTACT, berekend door de vlottende activa te schalen door het

balanstotaal (Deloof en Jegers ,1999; García-Teruel en Martínez-Solano ,2009). Als ondernemingen

inderdaad deze hedgingbenadering toepassen, verwachten we een positief verband tussen VLOTACT

en LEVERKR. In navolging van Deloof en Jegers (1999), splitsen we deze variabele ook verder op in

HANDELSKR, VOORRAAD, CASH en ANDERACT, respectievelijk berekend door toegestane

handelsvorderingen, voorraden, liquide middelen en andere activa te schalen door het balanstotaal.

We verwachten ook voor deze afzonderlijke variabelen een positieve invloed op LEVERKR als het

‘debt maturity matching’ principe gevolgd wordt, vooral dan voor HANDELSKR en CASH, getuige de

bevindingen van Deloof en Jegers (1999) voor Belgische ondernemingen. We willen hierbij opmerken

dat onder dit principe een positief verband met LEVERKR wordt toegekend aan CASH, terwijl volgens

de ‘pecking order’ theorie in vorige paragraaf een negatieve relatie verwacht kan worden. Zoals

eerder aangehaald, kunnen andere korte termijn passiva optreden als substituut voor

leverancierskrediet voor de financiering van vlottende activa. Daarvoor introduceren we de variabele

ANDERPAS (berekend door andere korte termijn passiva te delen door het balanstotaal) waarvoor we

een negatief verband met LEVERKR veronderstellen.

39

Aangezien zowel HANDELSKR, VOORRAAD, CASH, als ANDERACT onderdelen zijn van VLOTACT, zijn

deze vier variabelen in theorie sterk gecorreleerd met VLOTACT. Om de multicollineariteit in onze

regressieanalyse tegen te gaan, introduceren we twee subvergelijkingen met betrekking tot het ‘debt

maturity matching’ principe. Een eerste bevat de grote noemer VLOTACT, terwijl de tweede

vergelijking de verdere opsplitsing maakt.

Hypothese 3: ‘Debt maturity matching’

H3: Ondernemingen die meer vlottende activa aanhouden, zullen meer gebruik maken van

leverancierskrediet.

Deze hypothese vertaalt zich in volgende twee subvergelijkingen:

LEVERKR = a7 + a8VLOTACT + a9ANDERPAS +

LEVERKR = a10 + a11HANDELSKR + a12VOORRAAD + a13CASH + a14ANDERACT + a15ANDERPAS +

3.2.2.4 Substitutie

Aangezien het bestaan van een substitutie-effect tussen bancaire leningen en leverancierskrediet

cruciaal is om bijvoorbeeld de invloed van vertrouwen in de onderneming op leverancierskrediet in

te schatten, testen we of dit substitutie-effect wel degelijk aanwezig is. Een eerste en logische

variabele om dit effect te testen is KTSCHULD, berekend door de korte termijn bancaire leningen te

schalen door het balanstotaal. We nemen korte termijn leningen aangezien deze volgens het ‘debt

maturity matching’ principe (Morris, 1976) eerder in aanmerking komen om als substituut op te

treden voor leverancierskrediet (doorgaans ook op korte termijn) dan lange termijn schulden. Indien

er een substitutie-effect bestaat tussen beiden, kunnen we een negatief verband tussen KTSCHULD

en LEVERKR verwachten. Een positief verband zou erop wijzen dat beiden complementair zijn

(Elliehausen en Wolken, 1993; Ono, 2001).

Omdat Deloof en Jegers (1999), in hun studie voor Belgische ondernemingen, vonden dat ook lange

termijn bancaire leningen als substituut voor leverancierskrediet gebruikt worden, testen we of ook

LTSCHULD, berekend door lange termijn bancaire leningen te schalen door het balanstotaal, in

verband staat met LEVERKR.

Net als García-Teruel en Martínez-Solano (2009), introduceren we een variabele die de kost van

externe financiering (exclusief leverancierskrediet) voor de onderneming weergeeft, namelijk

FINKOST. Deze variabele wordt berekend door de financiële uitgaven te delen door de som van korte

en lange termijnschulden, exclusief leverancierskrediet. Een dergelijke berekeningswijze kan

40

mogelijk leiden tot ontbrekende waarden voor FINKOST, namelijk voor ondernemingen die noch

korte, noch lange termijn schulden (exclusief leverancierskrediet) aanhouden. Aangezien we

verwachten dat hoe duurder externe financiering (exclusief leverancierskrediet) voor een

onderneming wordt, hoe meer ze zal overschakelen op leverancierskrediet. Een positief verband

tussen FINKOST en LEVERKR kan dus verwacht worden.

Als laatste balansvariabele is er LEVERAGE, berekend door de som van korte en lange termijn

schulden te delen door het eigen vermogen (Elliehausen and Wolken (1993)). Ook hier is het mogelijk

dat ontbrekende waarden bekomen worden voor LEVERAGE, dit voor ondernemingen die geen eigen

vermogen hebben. Als er een substitutie-effect bestaat tussen bancaire leningen en

leverancierskrediet, kunnen we een negatief verband tussen LEVERAGE en LEVERKR verwachten.

Anderzijds kan ook hier aangehaald worden dat ondernemingen met een hoge ’leverage’, lagere

credit ratings krijgen, waardoor ze genoodzaakt worden om zich tot hun leveranciers te wenden voor

hun verdere financiering i.p.v. tot financiële instellingen. Dit brengt dus een positief verband tussen

LEVERAGE en LEVERKR teweeg (Elliehausen en Wolken, 1993).

Aangezien de noemer van de variabele LEVERAGE samengesteld wordt door KTSCHULD en

LTSCHULD, gebruiken we opnieuw twee subvergelijkingen om problemen van multicollineariteit in de

regressieanalyse tegen te gaan.

Hypothese 4: Substitutie

H4: Ondernemingen met meer (minder) aangehouden bancair krediet zullen minder (meer) gebruik

maken van leverancierskrediet.

Deze hypothese vertaalt zich in volgende twee subvergelijkingen:

LEVERKR = a16 + a17KTSCHULD + a18LTSCHULD + a19FINKOST +

LEVERKR = a20 + a21LEVERAGE + a22FINKOST +

3.2.2.5 Transitie

De eerste twee belangrijke variabelen voor onze transitiehypothese zijn TRANSi en TRANSe,

respectievelijk inclusief en exclusief de score i.v.m. de hervormingen binnen de banksector. Deze

laatste score introduceren we afzonderlijk als BANKHER, aangezien we verwachten dat het

onderontwikkelde bankwezen in transitielanden een grote invloed kan hebben op het aangehouden

leverancierskrediet (zie 2.1.1). TRANSi en TRANSe worden berekend door de gemiddelde scores (op

11) per jaar en per land te berekenen van de respectievelijk negen en acht transitie-indices (zie

41

voetnoot 30 voor een overzicht van de verschillende domeinen). Welke invloed de fase in het

transitieproces (TRANSi en TRANSe) zal hebben op LEVERKR is onduidelijk wegens gebrek aan

voorgaande literatuur. Ook voor BANKHER heerst onduidelijkheid. Zoals eerder vermeld, verwachten

Demirgüç-Kunt en Maksimovic (2001) en Klapper et. al (2002) een positief verband wanneer het

bankwezen reeds een zekere mate van ontwikkeling kent, terwijl andere auteurs (zie 2.2.1) menen

dat een onderontwikkeld bankwezen de bedrijven richting leverancierskrediet stuurt.

Laatstgenoemden verwachten dus een negatief verband tussen BANKHER en LEVERKR.

Als vierde onafhankelijke variabele i.v.m. de transitiefase is er GROVERHLEN. Deze variabele wordt

berekend als de nominale groei van de overheidsleningen (t.o.v. het voorgaande jaar) gedeeld door

het bruto binnenlands product van het land en werd afgeleid uit de database van Eurostat49. We

verkiezen deze variabele boven de groei van het overheidstekort omwille van potentiële

vertragingen in het financieren van deze tekorten (Elmendorf en Mankiw, 1998). Hierdoor trachten

we een vertekening van het ‘crowding-out’ effect tegen te gaan (zie 2.1.4). Hoe meer binnenlandse

leningen aan de overheid worden toegekend, hoe hoger het ‘crowding-out’ effect (Spencer en Yohe,

1970; Elmendorf en Mankiw, 1998) en hoe moeilijker private bedrijven en gezinnen aan bancaire

leningen kunnen komen. Deze overheidsleningen zijn een gevolg van tekorten op de

overheidsbegroting in de voorgaande jaren, of van leningen aan het einde van hun looptijd die

geherfinancierd dienen te worden. Deze laatste oorzaak is echter moeilijk te vatten in een variabele,

zodoende is de herfinanciering van bestaande leningen niet aanwezig in GROVERHLEN. Zoals eerder

vermeld, stellen Fries en Taci (2002) dat de (binnenlandse) bancaire kredieten toegekend aan de

Oost-Europese overheden ver onder de West-Europese benchmark liggen. Private ondernemingen

kunnen dus minder lenen en dienen hun toevlucht te zoeken tot o.a. leverancierskrediet, wat een te

verwachten positief verband tussen GROVERHLEN en LEVERKR met zich meebrengt.

Aangezien de database met bedrijfsgegevens (zie 4.1) geen gegevens bevat die aanduiden of de

managers van ondernemingen al dan niet lid waren van de voormalige nomenclatuur, kunnen we

hiervoor geen variabele construeren. Deze potentiële invloed op het gebruik van leverancierskrediet

kan in dit onderzoek dus ook niet getest worden.

Zoals vermeld, maken we een onderscheid tussen TRANSi en TRANSe. Opnieuw om problemen van

multicollineariteit in de regressieanalyse uit de weg te gaan, doen we dit a.d.h.v. twee

subvergelijkingen. In de eerste is TRANSi te vinden, de score inclusief de bankhervormingsindex,

terwijl de tweede vergelijking de opsplitsing maakt tussen TRANSe en BANKHER.

49

Omwille van ontbrekende en onbetrouwbare waarden bij de transitierapporten van de EBRD

42

Hypothese 5: Transitie

H5: Het aangehouden leverancierskrediet door ondernemingen in een bepaald land, verschilt

naargelang de transitiefase waarin het land zich bevindt.

Deze hypothese vertaalt zich in volgende subvergelijkingen:

LEVERKR = a23 + a24TRANSi + a25GROVERHLEN +

LEVERKR = a26 + a27TRANSe + a28BANKHER + a29GROVERHLEN +

3.2.2.6 Controlevariabelen

Om de robuustheid van onze resultaten te vrijwaren, introduceren we enkele controlevariabelen. Als

eerste halen we, in navolging van Deloof en Jegers (1999), García-Teruel en Martínez-Solano (2009),

AANKOOP aan. Deze auteurs wijzen erop dat hoe meer aankopen een onderneming doet, hoe meer

leverancierskrediet ze, ceteris paribus, aanhoudt. AANKOOP wordt door diezelfde auteurs berekend

door de kosten van verkochte goederen te schalen door het balanstotaal. Aangezien wij voor

bepaalde landen in onze steekproef erg veel ontbrekende waarden waarnemen voor kosten van

verkochte goederen, kunnen we deze berekeningswijze niet voor alle landen volgen. We lossen dit

op door AANKOOP in die gevallen te berekenen door materiaalkosten te schalen door het

balanstotaal. In landen waar kosten van verkochte goederen wel gerapporteerd worden, wordt

AANKOOP berekend door deze kosten van verkochte goederen te delen door het balanstotaal. Dit

verschil in rapportering is te wijten aan het feit dat sommige landen in de resultatenrekening een

opsplitsing van de kosten naar oorsprong eisen, terwijl andere landen een opsplitsing naar functie

vragen. We zijn er ons van bewust dat dit gebruik van verschillende berekeningswijzen voor

AANKOOP in verschillende landen een vertekening van onze resultaten tot gevolg kan hebben.

Net als García-Teruel en Martínez-Solano (2009) controleren we ook voor een eventuele invloed van

macro-economische factoren op het aangehouden leverancierskrediet. Hiervoor introduceren we de

controlevariabele BBP, die de reële groei (in tegenstelling tot García-Teruel en Martínez-Solano

(2009) en Niskanen en Niskanen (2006) die gebruik maken van de nominale groei) in het bruto

binnenlands product weergeeft in een bepaald jaar. De reden om af te wijken van de door deze

auteurs aangehaalde controlevariabele is de relatief hoge inflatie die in de negen landen in onze

steekproef aanwezig is/was50. Door de groei van het BBP te bekijken t.o.v. gelijkblijvende prijzen

50

Terwijl de inflatie in het Verenigd Koninkrijk en Finland, waar García-Teruel en Martínez-Solano (2009) en Niskanen en Niskanen (2006) hun onderzoekssample haalden, de laatste vijftien jaar nooit boven de 4% uitkwam (Eurostat, 2010).

43

denken we de invloed van macro-economische factoren op een correctere manier in kaart te

brengen.

De invloed die deze groei van het BBP zal hebben op het door ondernemingen aangehouden

leverancierskrediet is onduidelijk. Enerzijds argumenteren García-Teruel en Martínez-Solano (2009)

dat ondernemingen in periodes van lage economische groei (en dus een lage groei van het BBP) hun

betalingen zullen trachten uit te stellen. Op die manier zou het niveau van leverancierskrediet

toenemen. Anderzijds argumenteren dezelfde auteurs dat ondernemingen in periodes van grote

economische groei (en dus een grote groei van het BBP) meer nood zullen hebben aan financiering

en dus ook aan leverancierskrediet. De resultaten van García-Teruel en Martínez-Solano (2009) in

hun studie naar bedrijven uit het Verenigd Koninkrijk bevestigen deze laatste denkpiste. Ook

Niskanen en Niskanen (2006) vonden een positieve invloed van de groei van het BBP op het

aangehouden leverancierskrediet in hun onderzoek in Finland. De gegevens i.v.m. het BBP haalden

we opnieuw uit de transitierapporten van de EBRD.

Om ook sectoreffecten te kunnen uitsluiten, controleren we de invloed van vijftien sectoren door

veertien dummyvariabelen toe te voegen51, namelijk SECTORi met i lopend van 1 tem 14. Empirische

resultaten tonen immers aan dat het gebruik van leverancierskrediet erg varieert over de

verschillende sectoren (Ng et al., 1999). In de werken van Delannay en Weill (2004), Deloof en Jegers

(1999) en García-Teruel en Martínez-Solano (2009) wordt slechts weinig toelichting gegeven over de

(diverse) keuzes van de verschillende sectoren. In Niskanen en Niskanen (2006) wordt hun keuze

voor de Finse sectoren beter geargumenteerd. Zo raden deze laatste auteurs aan om sectoren die als

sterke uitschieters (weinig tot geen gebruik van leverancierskrediet) aanzien kunnen worden, te

verwijderen uit de steekproef. Zo verwijderen we naast de financiële sector (K) (aangezien het in dit

onderzoek om niet-financiële ondernemingen gaat) ook nog de sectoren onderwijs (P) en

gezondheidszorg (Q) (Niskanen en Niskanen, 2006). Een overzicht van de verschillende sectoren en

hun bijhorende dummyvariabele is te vinden in bijlage 1.

Om te controleren of het verkregen leverancierskrediet beïnvloed wordt door het feit of een

onderneming al dan niet gedeeltelijk in buitenlandse handen is, introduceren we de dummyvariabele

BUITENL. Deze dummy krijgt de waarde 1 wanneer een onderneming voor minstens 10% in

buitenlandse handen is en de waarde 0 wanneer dit niet zo is.

Een laatste controlevariabele is INFLATIE, die inflatie uitdrukt als een percentage van de verandering

in de jaarlijkse gemiddelde handels-/consumentenprijs. We nemen deze variabele op in ons

51

De sector ‘andere diensten’ krijgt geen dummyvariabele, aangezien deze sector als restcategorie gebruikt wordt in de regressies.

44

onderzoek wegens de relatief hoge inflatiecijfers die de landen in onze steekproef gekend hebben in

de door ons onderzochte periode (zie 2.2.4). Wegens het ontbreken van eerder onderzoek

hieromtrent, kunnen we geen a priori verband schetsen tussen INFLATIE en LEVERKR.

Deze controlevariabelen kunnen worden samengevat in volgende vergelijking:

LEVERKR = a30 + a31AANKOOP + a32BBP +a33SECTORi + a34INFLATIE + a35BUITENL +

3.2.2.7 Samenvatting

Tabel 2 vormt een overzicht van de berekeningswijzen voor de verschillende variabelen, evenals een

groepering per hypothese.

45

TABEL 2: BEREKENING VARIABELEN

Afhankelijke variabele LEVERKR = leverancierskrediet / totale activa

Vertrouwenshypothese

GROOTTE = ln(totale activa)

GROEI = omzet(t) / omzet(t-1)

RESULTAAT = winst/verlies voor belastingen / omzet

‘Pecking order’ hypothese

CASHFLOW = cash flow / totale activa

CASH = liquid middelen / totale activa

‘Debt maturity matching’ hypothese

VLOTACT = vlottende activa / totale activa

ANDERPAS = andere korte termijn schulden / totale activa

HANDELSKR = handelsvorderingen / totale activa

VOORRAAD = voorraden / totale activa

ANDERACT = andere vlottende activa / totale activa

CASH = liquid middelen / totale activa

Substitutiehypothese

KTSCHULD = schulden op ten hoogste één jaar / totale activa

LTSCHULD = schulden op meer dan één jaar / totale activa

FINKOST = financiële kosten / (schulden op meer dan één jaar + schulden op ten

hoogste één jaar) LEVERAGE = (schulden op meer dan één jaar + schulden op ten hoogste één jaar) / eigen

vermogen

Transitiehypothese

TRANSi = transitiescore gaande van 1-99 (inclusief de bankhervormingsindex)

GROVERHLEN = nominale groei van overheidsleningen in %

TRANSe = transitiescore gaande van 1-88 (exclusief de bankhervormingsindex)

BANKHER = bankhervormingsindex gaande van 1-11

Controlevariabelen

AANKOOP = kosten voor verkochte goederen / totale activa; of = materiaalkosten / totale

activa BBP = reële groei in BBP (%)

SECTORi = 14 dummyvariabelen

INFLATIE = Inflatie (%)

BUITENL = Dummyvariabele = 1 wanneer minstens 10% in buitenlandse handen is

46

4 EMPIRISCH ONDERZOEK

In dit vierde deel wordt het empirisch onderzoek uitgevoerd. Meer concreet gaan we op basis van

statistische methodes na of we de in punt drie opgebouwde hypotheses al dan niet mogen

aanvaarden of verwerpen.

Het eerste stuk van dit deel beschrijft de populatie en de steekproef die gebruikt wordt voor het

voeren van het empirisch onderzoek, gevolgd door een descriptief onderzoek van deze steekproef in

het tweede deel. Deel drie bespreekt de statistische methodologie die werd toegepast om de

hypotheses uit te testen, waarna de resultaten van deze testen gerapporteerd worden in deel vier.

Samen met het bespreken van de resultaten, worden ook, voor zover dit mogelijk is, conclusies

getrokken over deze resultaten en worden de resultaten verklaard door de theorieën die eerder in

dit werkstuk besproken werden. We vermelden ook in hoeverre onze bevindingen in lijn liggen met,

of in tegenspraak zijn met conclusies van vorig onderzoek.

4.1 Dataverzameling

Voor het verzamelen van de bedrijfsgegevens maakten we gebruik van de Amadeus database,

ontwikkeld door Bureau van Dijk. De data i.v.m. de transitiescores, evenals de gegevens over het

BBP, werden uit de EBRD-transitierapporten gehaald. Als laatste databron hanteerden we de data die

Eurostat, het statistische onderzoeksbureau van de Europese Unie, publiceert op haar website. Uit

deze online database haalden we, voor de landen in dit onderzoek, de cijfers voor de

overheidsleningen en de inflatie .

4.2 Populatie en steekproef

Na een korte beschrijving van de database waaruit de populatie voor dit onderzoek gehaald wordt en

een verantwoording van de landenkeuze, wordt besproken welke ondernemingen uit onze populatie

behouden worden voor het onderzoek.

4.2.1 Populatie

De populatie bevat bedrijven uit de Amadeus database voor de jaren 1999-2008 voor Tsjechië,

Estland, Hongarije, Letland, Litouwen, Polen, Slowakije, Bulgarije, Roemenië en Slovenië. De

Amadeus database vereist dat bedrijven die worden opgenomen voldoen aan minstens één van

volgende drie criteria: omzet groter dan 10 miljoen Euro, minimum 150 werknemers, of een totaal

47

actief van minstens 10 miljoen Euro. De database sluit dus erg kleine bedrijven uit (Delannay en

Weill, 2004), wat natuurlijk wel voor een vertekening van onze resultaten kan zorgen. Daarnaast

bevat de Amadeus database enkel ongeconsolideerde balansdata voor de door ons onderzochte

landen. De keuze om ons onderzoek toe te spitsen op deze tien52 (transitie) landen, berust op het feit

dat deze recentelijk, samen met Slovenië, toetraden tot de Europese Unie. Merlevede en Schoors

(2009) gebruikten eenzelfde landengroep53, terwijl ook Delannay en Weill (2004) het gebruik van

handelskrediet onderzochten voor dezelfde negen landen. Ook Scholtens (2000) hield er een

gelijkaardige landensteekproef op na54.

4.2.2 Steekproef

Wegens de relatief beperkte dataset die werd overgehouden na het doorvoeren van enkele

assumpties (zoals beschreven in 4.2.2.2), werd geen steekproeftrekking meer uitgevoerd. Alle

bedrijven die voldeden aan de door ons gestelde eisen, werden behouden voor ons onderzoek. In

wat volgt geven we aan deze groep van bedrijven de naam ‘steekproef’.

Bij de bespreking van het proces dat werd doorlopen om tot deze steekproef te komen, beschrijven

we eerst onze initiële dataproblemen, gevolgd door de verschillende eisen die we stelden voor

bepaalde variabelen. Daarna bespreken we de consequenties van het bekomen van een

gebalanceerd panel, met tot slot een overzicht per land van het aantal ondernemingen die voldoen

aan de gestelde eisen.

4.2.2.1 Initiële dataproblemen

Reeds na een eerste blik op de data bleken er grote problemen op te treden voor bepaalde landen en

bepaalde jaren. Zo waren we genoodzaakt om voor alle landen de jaren 1999 en 2008 uit ons

onderzoek te weren wegens een te klein aantal bedrijven opgenomen in de database. Hierna restten

ons nog de jaren 2000-2007, maar aangezien voor de berekening van de variabele GROEI ook het

verkoopscijfer van het voorgaande jaar een noodzakelijke is (zie 3.2.2.1), hebben we de verkopen van

1999 nodig om GROEI in 2000 te berekenen. Gezien het gebrek aan de nodige data in 1999, waren

we dus genoodzaakt om onze onderzoeksperiode verder in te korten tot 2001-2007, waarbij de

verkopen in 2000 gebruikt worden om GROEI in 2001 te berekenen.

Daarnaast kenden we ook een aantal specifieke problemen voor bepaalde landen. Zo bleek dat de

database geen data bevatte voor Slovenië t.e.m. 2001 en dat gedurende de periode 2002-2005

52

Oorspronkelijk was het onderzoek gericht op tien landen: omwille van te weinig data voor Slovenië werd dit aantal echter gereduceerd tot negen. 53

Inclusief Slovenië 54

De gebruikte negen landen + Slovenië + Kroatië

48

minder dan 50 Sloveense bedrijven te vinden waren. Wegens dit problematische gebrek aan data,

besloten we dan ook om Slovenië uit ons onderzoek te schrappen. We willen hierbij ook aanhalen

dat Delannay en Weil (2004) eveneens Slovenië achterwege lieten bij hun onderzoek naar de

determinanten van leverancierskrediet in transitielanden, al werd hiervoor door de auteurs geen

reden aangehaald.

Ook voor Roemenië hadden we te kampen met een belangrijk probleem in de data. Vanaf 2003 werd

in de Roemeense jaarrekeningen namelijk geen onderscheid meer gemaakt tussen verschillende

categorieën van korte termijn kredieten. Al deze kredieten werden gerapporteerd als ‘andere’ korte

termijn kredieten, waardoor dus geen onderscheid meer gemaakt kon worden tussen korte termijn

bancaire leningen, leverancierskrediet en andere korte termijn leningen. Het ontbreken van dit

onderscheid was problematisch voor ons onderzoek, aangezien leverancierskrediet net de

afhankelijke variabele is. Omdat Roemenië voor de rest een land is met een erg hoge dekkingsgraad

wat data betreft, besloten we om het niet uit ons onderzoek te weren, maar enkel de determinanten

voor leverancierskrediet te onderzoeken in de jaren 2001 en 2002.

Voor Estland en Litouwen bleek dan weer dat bedrijven in deze landen geen financiële uitgaven

afzonderlijk rapporteren, waardoor wij de variabele FINKOST niet konden berekenen. Daarnaast

wordt in Litouwen, net zoals in Letland, geen cashflow gerapporteerd, zodat ook CASHFLOW niet

gebruikt kon worden voor deze landen. Een mogelijk alternatief voor de berekening van cashflow

was om de afschrijvingen op te tellen bij het geboekte resultaat. Dit bleek echter niet mogelijk

aangezien voor beide landen geen afschrijvingen in de database opgenomen zijn.

4.2.2.2 Assumpties voor variabelen

Na deze eerste bemerkingen over, en aanpassingen van onze data, verwijderden we alle bedrijven

met ontbrekende of onlogische waarden voor het berekenen van onze variabelen55. Daarna werden

ook ondernemingen uit de financiële-, onderwijs- en gezondheidszorgsector uit onze steekproef

weerhouden (zie 3.2.2.6).

Omdat we na deze aanpassingen nog behoorlijk wat uitschieters waarnamen voor

leverancierskrediet, besloten we om, in navolging van Delannay en Weill (2004), alle bedrijven te

schrappen die voor LEVERKR meer scoorden dan de waarde van het derde kwartiel, plus anderhalf

keer de interkwartielafstand. We zijn ons er van bewust dat dit mogelijk tot een vertekening van de

resultaten zou kunnen leiden.

55

Voor een lijst met de eisen i.v.m. ontbrekende- of onlogische waarden, zie bijlage 3.

49

Nu bleek ook Hongarije, na het doorvoeren van de aanpassingen uit vorige twee alinea’s, met een

dataprobleem te kampen. Voor 2001-2003 bleven namelijk minder dan 100 bedrijven over.

Aangezien dit voor de periode na 2003 geen probleem meer vormde, besloten we om Hongarije niet

volledig uit ons onderzoek te schrappen, maar enkel de periode 2005-2007 te bestuderen56.

4.2.2.3 Gebalanceerd panel

Aangezien we de panel data methodologie toepasten om onze regressies uit te voeren (zie 4.2.2),

prefereerden we een gebalanceerd panel. Dit betekent dat we enkel bedrijven in onze steekproef

wilden behouden die over de volledige onderzochte periode actief waren. We zijn er ons opnieuw

van bewust dat deze beperking een invloed kan hebben op ons resultaat, ondermeer omdat we op

deze manier enkel gevestigde bedrijven onderzoeken die wellicht een betere reputatie zullen

genieten dan kleine bedrijven.

Bij het stellen van deze laatste eis werden we echter ook voor Slowakije geconfronteerd met een

datatekort. Bij nader inzien bleek dit tekort vooral een gevolg te zijn van de eerder beperkte data in

2000 en 2001. Wanneer we deze jaren achterwege lieten en vervolgens voor dit land eisten dat

bedrijven zes i.p.v. acht opeenvolgende jaren in de dataset aanwezig dienden te zijn, behielden we

opnieuw voldoende Slowaakse ondernemingen. We dienden dus ook voor dit land de onderzochte

periode in te korten, meer concreet tot 2003-200757.

4.2.2.4 Samenvatting steekproef

Wanneer we dus eisten dat ondernemingen gedurende de periode 2000-2007, 8 jaar na elkaar in

onze data dienden voor te komen58, bleven per land een volgend aantal ondernemingen over (zie

tabel 3). Het waren dan ook deze resterende ondernemingen waar we onze regressies op toepasten.

56

Verkopen uit 2004 zijn nodig om GROEI in 2005 te berekenen (zie 3.2.2.1), vandaar dat 2005-2007 werd onderzocht en niet 2004-2007. 57

Verkopen uit 2002 zijn nodig om GROEI in 2003 te berekenen (zie 3.2.2.1), vandaar dat 2003-2007 werd onderzocht en niet 2002-2007. 58

Behalve dan voor Roemenië en Hongarije en Slowakije, waarvoor we een kortere tijdsperiode analyseren. Voor deze landen eisen we dat ondernemingen respectievelijk 3, 4 en 6 opeenvolgende jaren in de data aanwezig zijn.

50

TABEL 3: AANTAL ONDERNEMINGEN IN DE STEEKPROEF TS

JEC

HIË

ESTL

AN

D

HO

NG

AR

IJE

LET

LAN

D

LITO

UW

EN

PO

LEN

SLO

WA

KIJ

E

BU

LGA

RIJ

E

RO

EMEN

IË

522 3596 2491 978 392 544 126 2041 27215

Het aantal ondernemingen per land gebruikt in het empirisch onderzoek in deze masterproef.

4.3 Descriptief onderzoek

Dit deel geeft een descriptief overzicht van de ondernemingen in de steekproef. Via beschrijvende

statistiek wordt getracht een eerste algemeen beeld van deze ondernemingen te schetsen.

Het descriptief onderzoek valt uiteen in twee delen. Vooraleerst volgt er een samenvatting van de

variabelen van dit onderzoek, per land, gevolgd door een analyse van de correlatietabellen voor de

verschillende landen.

TABEL 4: BESCHRIJVENDE STATISTIEK

TSJECHIË ESTLAND HONGARIJE LETLAND LITOUWEN POLEN SLOWAKIJE BULGARIJE ROEMENIË

Me

d

Ge

m

Std

Afw

Me

d

Ge

m

Std

Afw

Me

d

Ge

m

Std

Afw

Me

d

Ge

m

Std

Afw

Me

d

Ge

m

Std

Afw

Me

d

Ge

m

Std

Afw

Me

d

Ge

m

Std

Afw

Me

d

Ge

m

Std

Afw

Me

d

Ge

m

Std

Afw

LEVERKR 0,19 0,22 0,15 0,12 0,14 0,11 0,08 0,12 0,11 0,24 0,26 0,17 0,18 0,20 0,12 0,17 0,20 0,15 0,18 0,22 0,17 0,21 0,24 0,17 0,29 0,33 0,22

AANKOOP 0,37 0,52 0,57 1,73 2,03 1,55 0,94 1,27 1,19 1,66 2,01 1,39 1,18 1,29 0,77 0,83 1,28 1,29 0,37 0,43 0,43 0,16 0,39 0,60 1,86 2,68 2,88

BBP 0,05 0,05 0,02 0,08 0,08 0,01 0,04 0,04 0,01 0,09 0,09 0,02 0,08 0,08 0,01 0,04 0,04 0,02 0,05 0,06 0,02 0,06 0,06 0,01 0,06 0,06 0,02

INFLATIE 0,03 0,02 0,01 0,04 0,04 0,02 0,05 0,06 0,02 0,06 0,05 0,03 0,02 0,02 0,02 0,02 0,03 0,02 0,05 0,05 0,03 0,06 0,06 0,02 0,02 0,03 0,02

GROOTTE 11,7 11,8 1,45 15,2 15,2 1,52 18,5 17,4 2,60 13,8 13,8 1,36 16,2 16,3 1,16 16,9 16,9 1,16 11,6 11,6 1,11 13,9 14,0 1,53 12,4 12,6 1,34

GROEI 0,08 0,95 12,5 0,16 0,41 4,66 0,07 0,29 2,72 0,20 0,23 0,26 0,19 0,22 0,20 0,08 0,26 1,95 0,04 0,52 4,75 0,20 0,33 0,86 0,41 3,37 289

RESULTAAT 0,03 0,04 0,10 0,06 0,16 1,22 0,04 0,19 8,28 0,04 0,05 0,18 0,04 0,05 0,07 0,03 0,02 0,49 0,04 0,07 0,24 0,04 0,08 1,52 0,04 0,08 6,05

CASHFLOW 0,09 0,10 0,07 0,16 0,17 0,38 0,10 0,12 0,12 / / / / / / 0,10 0,11 0,07 0,10 0,12 0,09 0,11 0,12 0,09 0,12 0,16 0,16

VLOTACT 0,60 0,61 0,21 0,50 0,52 0,25 0,57 0,56 0,26 0,64 0,62 0,22 0,60 0,58 0,20 0,46 0,47 0,21 0,58 0,60 0,23 0,64 0,62 0,23 0,70 0,67 0,22

HANDELSKR 0,22 0,24 0,16 0,14 0,17 0,13 0,11 0,16 0,16 0,24 0,27 0,15 0,21 0,24 0,13 0,21 0,23 0,15 0,19 0,24 0,19 0,18 0,21 0,14 0,12 0,16 0,14

VOORRAAD 0,19 0,20 0,13 0,11 0,18 0,19 0,10 0,16 0,17 0,27 0,27 0,18 0,21 0,23 0,14 0,15 0,17 0,14 0,15 0,16 0,13 0,20 0,24 0,21 0,24 0,28 0,22

CASH 0,06 0,10 0,10 0,10 0,15 0,15 0,07 0,11 0,13 0,04 0,08 0,09 0,03 0,05 0,05 0,03 0,05 0,05 0,09 0,14 0,12 0,10 0,15 0,15 0,06 0,10 0,12

ANDERACT 0,13 0,13 0,11 0,12 0,09 0,09 0,18 0,19 0,17 0,05 0,08 0,07 0,09 0,11 0,07 0,05 0,12 0,09 0,14 0,12 0,10 0,12 0,18 0,14 0,20 0,30 0,20

ANDERPAS 0,10 0,13 0,11 0,07 0,09 0,09 0,13 0,19 0,17 0,06 0,08 0,07 0,10 0,11 0,07 0,10 0,12 0,09 0,10 0,12 0,10 0,14 0,18 0,14 0,26 0,30 0,20

KTSCHULD 0,02 0,05 0,07 0,07 0,10 0,09 0,05 0,09 0,12 0,08 0,10 0,09 0,06 0,08 0,08 0,09 0,11 0,09 0,02 0,04 0,07 0,01 0,04 0,07 0,01 0,05 0,08

LTSCHULD 0,01 0,06 0,11 0,08 0,12 0,12 0,02 0,08 0,13 0,12 0,15 0,14 0,08 0,11 0,10 0,06 0,09 0,09 0,03 0,06 0,08 0,05 0,10 0,12 0,00 0,02 0,06

FINKOST 0,11 0,23 0,52 / / / 0,06 0,14 1,27 0,05 0,09 0,16 / / / 0,09 0,10 0,08 0,08 0,13 0,14 0,08 0,30 2,42 0,06 0,24 4,11

LEVERAGE 0,20 0,66 2,07 0,43 1,25 6,05 0,25 1,15 6,79 0,79 2,74 20,1 0,43 0,85 2,46 0,54 1,29 4,36 0,15 0,40 0,78 0,27 1,05 2,73 0,09 2,47 35,5

TRANSi 83 83,1 1,86 85 84,7 2,93 77 77,0 1,00 78 77,3 2,81 69 69,9 2,34 81 82,3 1,60 81 79,9 3,39 73 72,4 3,31 81 82,3 1,60

TRANSe 74 73,7 1,38 75 75,1 2,48 87 87,0 1,00 69 68,3 2,36 77 78,0 3,16 73 73,9 1,07 72 71,3 2,93 64 64,0 2,58 73 73,9 1,07

BANKHER 9 9,4 0,53 10 9,6 0,53 10 10,0 0,00 9 9,0 0,58 8 8,1 0,90 8 8,4 0,53 9 8,6 0,53 9 8,4 0,79 8 8,4 0,53

GROVERHLEN 0,03 0,04 0,02 0,00 0,00 0,01 0,06 0,07 0,03 0,02 0,02 0,01 0,01 0,01 0,01 0,04 0,04 0,02 0,02 0,01 0,03 -0,03 -0,03 0,03 0,04 0,04 0,02

# Bedrijven 522 3596 2491 978 392 544 126 2041 27215

Per land worden de mediaan (Med), het gemiddelde (Gem) en de standaard afwijking (Std Afw) van elke variabele gegeven, over de onderzochte periode.

52

4.3.1 Beschrijvende statistiek per land

Tabel 4 toont de mediaan, het gemiddelde en de standaardafwijking van alle variabelen voor de

negen landen over de bestudeerde periode. Een eerste blik op de afhankelijke variabele LEVERKR

toont onmiddellijk een grote variatie tussen de landen. Deze spreiding schetsen we beter door de te

verklaren variabele per land en het gemiddelde per jaar in een grafiek uit te zetten. De bespreking

van figuur 9 volgt in volgende alinea. Zoals we reeds besproken hebben, werd voor drie landen

(Roemenië, Slowakije en Hongarije) niet de volledige periode in kaart gebracht.

Eerst en vooral bemerken we in alle landen een dalende trend in het gebruik van leverancierskrediet.

Zo is, in figuur 9, in alle landen het gemiddelde leverancierskrediet t.o.v. de totale activa in het

laatste onderzochte jaar lager dan in het aanvangsjaar van dit onderzoek. Verder kunnen we de

landen uit ons onderzoek onderverdelen in drie groepen, wat hun gebruik van leverancierskrediet

betreft. De Roemeense ondernemingen maken beduidend meer gebruik van leverancierskrediet dan

alle andere landen. Weliswaar was het voor dit land slechts mogelijk om twee jaren te onderzoeken,

zodat we over de evolutie van deze financieringsvorm in Roemenië geen uitspraken kunnen doen.

Aan het andere uiterste vinden we Estland en Hongarije met een eerder beperkt gebruik van

leverancierskrediet t.o.v. de totale activa. In 2007 bevond LEVERKR zich op eenzelfde niveau (11,8%)

in beide landen, maar omdat Hongarije slechts voor drie jaren in ons onderzoek opgenomen werd,

ligt het gemiddelde in dit land (tabel 4) over de bestudeerde periode lager dan dat van Estland. De

derde groep, met een eerder gemiddeld gebruik van leverancierskrediet als financieringsbron,

bestaat uit Tsjechië, Letland, Litouwen, Polen, Slowakije en Bulgarije. In navolging van o.a. Fries en

Taci (2002), Scholtens (2000), Delannay en Weil (2004), Svejnar (2002), Moore (2009) en de EBRD

introduceren we een benchmark in onze grafiek om deze variabele te vergelijken met een West-

Europees land. Wij gebruiken België aangezien dit een Belgische studie betreft en de dekkingsgraad

voor de Belgische data uitstekend is. De variabele leverancierskrediet daalt gedurende de periode

2001-2007 van 24,2% tot 22,4%, waarmee het gebruik van leverancierskrediet in België zich, over de

gehele periode, op het niveau van de laatst besproken Oost-Europese groep bevindt. Op het eerste

zicht lijkt het ons verwonderlijk dat de transitielanden niet echt evolueren naar een gebruik van

leverancierskrediet zoals in België, maar er wel een trend bestaat richting een zo laag mogelijk niveau

van leverancierskrediet. Dit terwijl Oost-Europese economieën er net naar streven om een

markteconomie te benaderen. We proberen dit te verklaren bij de bespreking van de relatie tussen

leverancierskrediet en de transitievariabelen in het empirisch gedeelte van dit onderzoek.

53

Nemen we tabel 4 verder in beschouwing, dan zijn er nog een paar opvallende bemerkingen te

maken. Zo stellen we een erg hoge standaardafwijking voor de variabele GROEI van de Roemeense

ondernemingen vast. De verkopen van de mediaanonderneming in dit land groeien met 40%, terwijl

het gemiddelde op meer dan een verdrievoudiging van de verkopen wijst. Hieruit blijkt dat er in het

begin van de 21e eeuw Roemeense bedrijven waren die een torenhoge groei kenden. Deze groei

moet echter in de juiste context geplaatst worden, want zoals reeds te zien was in figuur 8b, kende

Roemenië in deze jaren nog steeds een erg hoge inflatie.

Voor de variabelen van de vertrouwenshypothese is verder nog het grote verschil in de gemiddelde

winstgevendheid tussen enerzijds Estland en Hongarije (respectievelijk 16% en 19% voor de variabele

RESULTAAT) en anderzijds de 7 overige Oost-Europese landen, met gemiddelden voor RESULTAAT

variërend tussen 2% en 8%. Bij de variabelen afkomstig van de activazijde59 van de balans zijn er

weinig anomalieën te bemerken. Bij de restcategorie ANDERPAS daarentegen stellen we vast dat

Roemeense ondernemingen relatief hoog scoren (gemiddeld 30% van het balanstotaal) t.o.v. de

onderzochte bedrijven in de 8 overige landen. Aangezien Roemeense ondernemingen vanaf 2003

59

Hier is dit voor de variabelen VLOTACT, HANDELSKR, VOORRAAD, CASH en ANDERACT.

10%

15%

20%

25%

30%

35%

2001 2002 2003 2004 2005 2006 2007

FIGUUR 9: LEVERANCIERSKREDIET IN % VAN TOTALE ACTIVA

Tsjechië

Estland

Hongarije

Letland

Litouwen

Polen

Slowakije

Bulgarije

Roemenië

België

BRON: Amadeus Database

54

geen leverancierskrediet meer rapporteren60, valt een vermenging van beide balansposten niet uit te

sluiten.

De korte en lange termijn schulden variëren sterk per land met een relatief hoge gemiddelde

ontleninggraad in de Baltische staten en een lage ratio van schulden t.o.v. het balanstotaal voor

Slowakije en Roemenië. Laatstgenoemde heeft, ondanks een laag aandeel in het balanstotaal, zoals

reeds aangetoond door Klapper et. al (2002), de hoogste LEVERAGE van de Oost-Europese landen.

Deze vaststelling wijst dan weer op een erg laag eigen vermogen in dit land. Verder valt op dat de

som van KTSCHULD en LTSCHULD in zowat elk land lager is dan LEVERKR. Behalve in Litouwen ligt het

totale bankkrediet, t.o.v. het balanstotaal, 1% hoger dan het leverancierskrediet en in Letland en

Polen zijn beide kredietvormen even groot. Dit bevestigt de bevindingen van Demirgüç-Kunt en

Maksimovic (1998) en Klapper et. al (2002) die stellen dat bankkrediet nog steeds

ondervertegenwoordigd is in Oost-Europa.

Andere variabelen zoals de transitie-indices en enkele macro-economische variabelen werden in

punt 2.2 reeds uitgebreid besproken, zij behoeven hier dus geen verdere toelichting. Toch willen we

nog even wijzen op het verband tussen de negen transitie-indices en het gebruik van

leverancierskrediet in deze Oost-Europese landen. Wanneer we het gemiddelde over de gehele

periode61 van zowel LEVERKR als TRANSi bekijken, kunnen we stellen dat de grafiek in figuur 10 een

negatief verband tussen beide variabelen aantoont. Landen met een hogere gemiddelde

transitiescore noteren over het algemeen een lager gemiddeld gebruik van leverancierskrediet voor

de financiering van ondernemingen. Enkel voor Tsjechië, Letland, Slowakije en Polen gaat deze

bevinding niet helemaal op als we de landen individueel bekijken. Voor deze landen kan namelijk

minstens één land gevonden worden dat een lagere transitiescore heeft en toch minder

leverancierskrediet aanhoudt. Zo heeft bijvoorbeeld Litouwen zowel een lagere transitie-index als

een lager gemiddeld gebruik van leverancierskrediet dan Slowakije, wat in tegenspraak is met het

algemene negatieve verband.

60

Vermoedelijk wordt leverancierskrediet vanaf 2003 bij ‘Andere passiva’ opgenomen. 61

Voor Hongarije, Slowakije en Roemenië werd voor LEVERKR enkel de onderzochte jaren opgenomen, terwijl voor TRANSi voor deze landen het gemiddelde van 2001-2007 in beschouwing werd genomen.

55

4.3.2 Correlaties

Wanneer we de correlatietabellen voor de verschillende landen (zie bijlagen 2a-2i) bekijken,

bekomen we min of meer consistente resultaten. De correlatiepercentages geven weer hoe sterk het

verband tussen twee variabelen is, op een schaal van 0% tot 100%. De correlatiepercentages tussen

de onafhankelijke variabelen en LEVERKR variëren over de verschillende landen. Toch bekomen we,

over het algemeen, wel de vooraf verwachte tekens.

Om te beginnen vertonen HANDELSKR en VOORRAAD zoals verwacht een correlatie van meer dan

50% met VLOTACT, waardoor we dus bevestiging krijgen voor de keuze om de ‘debt maturity

matching’ hypothese op te splitsen in twee subvergelijkingen (zie 3.2.2.3). Enkel voor Roemenië is de

correlatie voor beiden (zowel HANDELSKR als VOORRAAD) minder dan 50%. Omdat deze 2 variabelen

theoretisch gecorreleerd dienen te zijn, behielden we ook voor dit land de opsplitsing. Daarnaast

merken we ook in alle landen een erg hoge correlatie op tussen CASH en ANDERACT (gaande van

53% voor Roemenië, tot zelfs meer dan 90% voor Estland, Letland, Polen en Bulgarije). Om

problemen van multicollineariteit uit de weg te gaan, kozen we er dan ook voor om ANDERACT uit

onze modellen te verwijderen. We schrapten ANDERACT en niet CASH, aangezien ANDERACT slechts

een restcategorie is in de balans. Ook LTSCHULD en LEVERAGE vertonen voor Bulgarije en Tsjechië

BRON: EBRD, Amadeus Database

FIGUUR 10: RELATIE TUSSEN DE TRANSi EN LEVERKR PER LAND

56

een correlatie die een heel stuk hoger is dan voor de andere landen, respectievelijk 38% en 41%. Hier

werd echter reeds op geanticipeerd door het opsplitsen van de substitutiehypothese in twee

submodellen (zie 3.2.2.4). Zonder hiervoor een verklaring te kunnen formuleren, stellen we een 1 op

1 relatie vast tussen de variabelen BBP en INFLATIE in Roemenië. Ook BBP en HANDELSKR hebben in

dit land een correlatiecoëfficiënt van meer dan 50% (namelijk 51%). Door de zopas vermelde

bijzondere correlatie tussen BBP en INFLATIE, bedraagt bijgevolg ook de correlatie tussen

HANDELSKR en INFLATIE 51%. Gezien het voorkomen van dit verband en de daaraan verbonden

problemen van multicollineariteit, waren we genoodzaakt om voor Roemenië zowel BBP als INFLATIE

te schrappen uit alle vergelijkingen, behalve uit de transitievergelijkingen. Ook in Hongarije, Letland

en Slowakije constateren we een correlatiecoëfficiënt van hoger dan 50% voor BBP met INFLATIE.

Net als bij Roemenië verwijderden we voor deze landen de variabele INFLATIE uit alle vergelijkingen,

behalve uit deze i.v.m. transitie.

In de correlatiematrix van de transitievariabelen (zie bijlage 2j) vallen vooral de sterk negatieve

correlaties tussen TRANSi, TRANSe (beiden -81%) en BANKHER (-64%) met onze afhankelijke

variabele LEVERKR op. Aangezien dit verband niet eerder onderzocht werd, zijn deze sterke scores

eerder verrassend. Al werd reeds in figuur 10 eenzelfde negatieve verband tussen TRANSi en

LEVERKR duidelijk. De resultaten van multivariaat onderzoek (punt 4.5) zullen hopelijk meer

duidelijkheid brengen. Daarnaast merken we, zoals verwacht, een hoge correlatie op tussen

BANKHER en TRANSe met TRANSi, omdat deze laatste gevormd wordt door TRANSe en BANKHER op

te tellen. Dit probleem van multicollineariteit werd reeds uit de weg gegaan door onze

transitiehypothese op te splitsen in twee subvergelijkingen (zie 3.2.2.5). Daarnaast merken we ook

een correlatie van net boven 50% van INFLATIE met zowel TRANSi als TRANSe. Daarom verwijderden

we INFLATIE als controlevariabele in onze transitievergelijkingen. Als laatste merken we op dat ook

BANKHER en TRANSe sterk gecorreleerd zijn (75%), waardoor we dus enkel testten op BANKHER en

niet meer op BANKHER en TRANSe samen.

4.4 Methodologie

Dit deel beschrijft de statistische methodes die gebruikt worden om de hypotheses van dit werkstuk

te testen. In het eerste deel wordt de graduele opbouw van het model besproken, terwijl in het

tweede deel concreet de statistische methodologie voor het testen van dit model beschreven wordt.

57

4.4.1 Graduele modelopbouw

Voor elk land wordt ons model stapsgewijs opgebouwd met als bouwstenen de vergelijkingen die

resulteerden uit de opbouw naar de hypotheses. Door deze graduele opbouw is het mogelijk om een

beter zicht te krijgen op de robuustheid van de resultaten. Als uitgangspunt wordt telkens vertrokken

van een model dat enkel de sector dummyvariabelen bevat, gevolgd door een model waar ook onze

andere controlevariabelen aan worden toegevoegd. Vervolgens voegen we de variabelen uit de

vertrouwenshypothese en de ‘pecking order’ hypothese toe, hypothese per hypothese. Bij het

toevoegen van de ‘debt maturity matching’ variabelen en de substitutievariabelen, wordt een

onderscheid gemaakt tussen de verschillende subvergelijkingen die eveneens besproken werden

tijdens de opbouw naar de hypotheses. Door deze opbouwprocedure, bekomen we twaalf

verschillende modellen, zoals te zien is in tabel 5.

De keuze wat betreft de volgorde van het toevoegen van de verschillende hypotheses maakten we

niet willekeurig. De eerste twee modellen bevatten klassiek enkel de controlevariabelen. Op die

manier kan het best gecontroleerd worden welke verklarende waarde deze controlevariabelen

bezitten en welke verklarende waarde de modelvariabelen extra toevoegen aan de regressies. De

variabelen uit de vertrouwenshypothese worden als eerste toegevoegd aangezien uit 3.2 reeds bleek

dat deze variabelen zowel een positieve als een negatieve invloed op LEVERKR kunnen hebben. Door

de vertrouwensvariabelen als eerste toe te voegen, kunnen we optimaal controleren of het teken

van hun bètacoëfficiënten al dan niet verandert na het toevoegen van andere variabelen. Aangezien

we na het uitvoeren van regressies voor elke hypothese afzonderlijk62 de grootste verklarende

waarde konden toewijzen aan de ‘debt maturity matching’- en substitutiehypothese, besluiten we

om deze twee hypotheses als laatste aan het model toe te voegen. Op die manier verwachten we dat

de verklarende waarde van de ‘pecking order’ hypothese best zichtbaar zal worden. Aangezien CASH

zowel in de ‘pecking order’ hypothese als in de ‘debt maturity matching’ hypothese wordt

opgenomen, kiezen we ervoor om als voorlaatste groep variabelen deze uit de ‘debt maturity

matching’ hypothese toe te voegen. Op deze manier kunnen we het best evalueren of het toevoegen

van de andere ‘debt maturity matching’ variabelen het resultaat van CASH beïnvloedt, zonder de

mogelijk externe effecten afkomstig van de variabelen uit de substitutiehypothese. Deze variabelen

uit de substitutiehypothese worden dan ook als laatste toegevoegd.

Samengevat worden dus eerst de controlevariabelen toegevoegd, gevolgd door de variabelen uit

achtereenvolgens de vertrouwenshypothese, de ‘pecking order’ hypothese, de ‘debt maturity

matching’ hypothese en de substiutiehypothese.

62

Deze resultaten zijn niet opgenomen in dit werkstuk.

58

TABEL 5: GRADUELE OPBOUW BASISMODEL

MO

DEL

1

MO

DEL

2

MO

DEL

3

MO

DEL

4

MO

DEL

5

MO

DEL

6

MO

DEL

7

MO

DEL

8

MO

DEL

9

MO

DEL

10

MO

DEL

11

MO

DEL

12

SECTORi X X X X X X X X X X X X

AANKOOP X X X X X X X X X X X

BBP X X X X X X X X X X X

INFLATIE X X X X X X X X X X X

GROOTTE X X X X X X X X X X

GROEI X X X X X X X X X X

RESULTAAT X X X X X X X X X X

CASH X X X X X X X X X

CASHFLOW X X X X X X X X X

VLOTACT X X X X

HANDELSKR X X X X

VOORRAAD X X X X

ANDERPAS X X X X

KTSCHULD X X X X

LTSCHULD X X

FINKOST X X X X X X

LEVERAGE X X

De tabel geeft weer welke variabelen in welk model als onafhankelijke variabelen worden opgenomen in de graduele opbouw van het basismodel.

59

De variabelen i.v.m. de transitiehypothese worden in een afzonderlijk model behandeld. Aangezien

deze transitievariabelen landspecifiek zijn en dus niet verschillen voor bedrijven binnen één bepaald

land, worden hier alle landen in hetzelfde model betrokken. Voor het onderzoeken van dit model,

berekenen we het gemiddelde per jaar en per land voor LEVERKR. Dit gemiddelde wordt dan ook de

afhankelijke variabele van het model. Ook hier wordt de stapsgewijze opbouw toegepast door te

beginnen met een model dat enkel controlevariabelen bevat, om er dan gradueel de

modelvariabelen aan toe te voegen. Door deze stapsgewijze opbouw bekomen we in tabel 6 vijf

verschillende modellen. Modellen 2 en 3 bevatten TRANSi, afwisselend zonder en met GROVERHLEN

opgenomen, terwijl in modellen 4 en 5 BANKHER wordt opgenomen, opnieuw eens zonder en eens

met GROVERHLEN. TRANSi en BANKHER worden niet in hetzelfde model opgenomen aangezien

BANKHER een onderdeel is van TRANSi (zie 3.2.2.5).

TABEL 6: GRADUELE OPBOUW TRANSITIEMODEL

MODEL 1 MODEL 2 MODEL 3 MODEL 4 MODEL 5

BBP x x x x x

TRANSi x x

BANKHER x x

GROVERHLEN x x

De tabel geeft weer welke variabelen in welk model als onafhankelijke variabelen worden opgenomen in de graduele opbouw van het transitiemodel.

4.4.2 Panel data methodologie

Aangezien we voor zes van de negen landen in onze steekproef over voldoende gebalanceerde data

beschikten voor een periode van zeven jaar en we het opportuun achtten om de evolutie van de

determinanten over de tijd te bestuderen, maakten we gebruik van de panel data methodologie bij

het uitvoeren van de regressies.

Het gebruik van panel data laat toe om een gegeven steekproef van bedrijven te volgen over de tijd,

waardoor we dus over verschillende observaties van elke onderneming in de steekproef beschikken

(Hsiao, 2003). Een alternatief voor deze methode is de cross-sectionele aanpak, waarbij de

60

determinanten van leverancierskrediet voor een aantal ondernemingen bestudeerd worden op één

bepaald moment, of door gebruik te maken van een gemiddelde voor elke variabele over de te

bestuderen periode. Bij het gebruik van deze cross-sectionele methode gaat, ons inziens, veel

mogelijk relevante informatie verloren. Daarom prefereerden we voor ons onderzoek panel data

boven de cross-sectionele aanpak. In voorgaande studies over de determinanten van

leverancierskrediet (zoals in Deloof en Jegers (1999), Niskanen en Niskanen (2006) en Delannay en

Weill (2004)) werd echter vooral voor de statische cross-sectionele benadering gekozen. Daarom

maakten we, voor de robuustheid van onze resultaten, naast een panel data analyse ook een cross-

sectie van de data, door voor elke variabele het gemiddelde te berekenen over de volledige

tijdsperiode. We testten dan ook ons model op basis van deze cross sectie. In wat volgt maken we

een onderscheid tussen ‘panel data modellen’ en ‘cross-sectie modellen’, beiden met de hierboven

beschreven graduele opbouw.

Gezien de specifieke eigenschappen van panel data, konden we geen OLS63 regressie toepassen. De

bedrijven in onze sample worden namelijk over verschillende periodes in de tijd waargenomen,

waardoor autocorrelatie optreedt binnen de entiteiten. Dit zou de resultaten van onze OLS regressie

onbetrouwbaar maken. Toch werden reeds methodes ontwikkeld die toelaten om regressie analyses

uit te voeren op panel data. Voor dit onderzoek maakten we gebruik van de ‘fixed effects’ methode

(zie Hsiao, 2003) voor de regressies op onze panel data. Dit deden we aangezien onze steekproef

geen willekeurig getrokken steekproef is van alle bedrijven in de door ons onderzochte landen en we

dus geen ‘random effects’ (zie Hsiao, 2003) konden gebruiken. Onze dataset is geen willekeurig

getrokken steekproef, aangezien deze enkel bedrijven bevat die aan bepaalde, door ons opgelegde,

condities voldoen. Ook na het uitvoeren van de Durbin-Wu-Hausman test64, bleek dat ‘fixed effects’

te prefereren waren boven ‘random effects’65. Een belangrijk nadeel bij het gebruik van ‘fixed effects’

is wel dat we hierdoor niet meer konden testen op variabelen die per onderneming constant blijven

over de tijd, zoals de industrie dummyvariabelen en de dummyvariabele BUITENL. In de cross-

sectiemodellen kon echter wel nog altijd gecontroleerd worden voor deze variabelen.

Alle bewerkingen op de data, evenals het uitvoeren van de verschillende regressies gebeurde in

Stata, versie SE 10.1.

63

OLS: Ordinary Least Squares – methode van de kleinste kwadraten 64

De Durbin-Wu-Hausman test test de consequenties van het toepassen van verschillende schattingsmethodes op eenzelfde vergelijking en duidt bijgevolg de meest efficiënte methode aan (Baum, Schaffer en Stillman, 2003). 65

Resultaten Durbin-Wu-Hausman (zie bijlage 4): Onder H0 is voldaan aan de voorwaarden om ‘random effects’ toe te passen. De Chi²-waarden overstijgen voor elk land hun kritieke waarde (minimum op het 5% significantieniveau), waardoor we H0 kunnen verwerpen en concluderen dat we met ‘fixed effects dienen te werken.

61

4.5 Resultaten

Na de bespreking van de gevolgde statistische methodes in vorig deel, worden in wat volgt de

resultaten van de regressies gerapporteerd en gelinkt met de hypotheses van dit onderzoek. We

vergelijken ook onze resultaten met wat onderzoekers in dit domein eerder vonden.

Om te beginnen worden de resultaten voor het basismodel besproken, eerst voor de panel data en

nadien ook voor de cross-sectionele data. De resultaten worden hypothese per hypothese aan het

basismodel toegevoegd. Daarna volgt een bespreking van het transitiemodel, waarmee de

transitiehypothese getest wordt. Ook hier wordt een onderscheid gemaakt tussen panel data en

cross-sectionele data.

4.5.1 Basismodel

Voor de bespreking van onze resultaten van het basismodel hebben we de resultaten van model 11

voor de verschillende landen naast elkaar geplaatst (Zie tabel 7 voor de panel data resultaten van

model 11 en tabel 8 voor de cross-sectieresultaten). We opteerden ervoor om dit model in detail te

bespreken, aangezien dit het meest volledige model van het onderzoeksopzet is. Het model bevat

namelijk zowel de controlevariabelen als de variabelen van de vertrouwens-, ‘pecking order’-, ‘debt

maturity matching’- en substitutiehypothese. Wat betreft de ‘debt maturity matching’ hypothese,

zijn in model 11 de verschillende elementen van de vlottende activa opgenomen, wat een beter en

meer gedetailleerd beeld kan vormen. Ook de substitutiehypothese wordt in model 11 het best

vertegenwoordigd, aangezien hierbij zowel KTSCHULD, LTSCHULD als FINKOST zijn opgenomen. Een

gedetailleerd overzicht van de resultaten voor de graduele opbouw van het model is te vinden in

bijlage 5 voor de panel data en in bijlage 6 voor de cross-sectie.

Er wordt geen overzicht toegevoegd van aparte regressieresultaten voor iedere hypothese

afzonderlijk, aangezien deze resultaten in lijn liggen met de resultaten die bekomen worden in de

graduele opbouw van het model.

Alvorens over te gaan tot de resultaten vatten we hier nog model 11 samen:

LEVERKR = a1 + a2SECTORi + a3AANKOOP + a4BBP + a5INFLATIE + a6GROOTTE + a7GROEI +

a8RESULTAAT + a9CASH + a10CASHFLOW + a11HANDELSKR + a12VOORRAAD + a13ANDERPAS +

a14KTSCHULD + a15LTSCHULD + a16FINKOST +

62

4.5.1.1 Panel data

Voor de panel data regressies worden drie R² scores weergegeven. Om te beginnen zijn er de ‘within’

R² scores die aantonen in hoeverre ons model de verschillen verklaart die zich over de tijd, binnen

één bepaald bedrijf voordoen. Daarnaast wordt ook de ‘between’ R² score weergegeven, die

aantoont in hoeverre ons model de verschillen tussen de bedrijven onderling verklaart. De ‘overall’

R² score, vat vorige twee scores samen. We kijken dan ook vooral naar deze totale score om de

modellen te bespreken.

De ‘overall’ R² scores voor model 11 schommelen voor de verschillende landen tussen 15% en 25%,

behalve voor Hongarije en Polen. Hongarije heeft met amper 2% een erg lage ‘overall’ R², die

verklaard wordt door de lage ‘between’ R². Bij Polen daarentegen, zorgt een hoge ‘between’ R² voor

een hoge R² van 42%.

Welk van de 12 modellen de hoogste ‘between’ R² noteert66, verschilt van land tot land. In alle

landen kan echter worden waargenomen dat de R² relatief beperkt is voor het model dat enkel

controlevariabelen bevat. Het toevoegen van variabelen uit de vertrouwens- en ‘pecking order’

hypothese zorgt voor een beperkte stijging van de R². De grootste stijging in R² is in alle landen te

merken wanneer de variabelen van de ‘debt maturity matching’ hypothese worden toegevoegd,

vooral wanneer het model de verschillende categorieën van het vlottend actief bevat. Dit betekent

dat deze variabelen veel van het aangehouden niveau van leverancierskrediet verklaren. Ook de

toevoeging van de variabelen afkomstig uit de substitutiehypothese laten een stijging in de R² van de

modellen optekenen.

Controle variabelen

Zoals eerder vermeld, laat de ‘fixed effects’ methode niet toe om te testen op variabelen die

constant blijven per observatie over de tijd. Hierdoor werden de SECTORi-dummy’s en de BUITENL-

dummy niet opgenomen in de regressies en werd model 1, dat enkel de SECTORi dummyvariabelen

bevat, weggelaten uit tabel 7.

Wanneer we een blik werpen op de resterende controlevariabelen, zien we dat AANKOOP in alle

landen, uitgezonderd in Letland en Roemenië, zoals verwacht een significant positieve invloed heeft

op LEVERKR. Dit resultaat ligt in lijn met de bevindingen van Deloof en Jegers (1999) voor Belgische

ondernemingen.

66

Voor een overzicht van de 12 verschillende modellen per land, zie bijlage 5.

63

De reële BBP-groei heeft in elk land een significant negatieve invloed op het aangehouden

leverancierskrediet voor de bedrijven in onze steekproef, behalve in Hongarije, waar de invloed

significant positief is. De resultaten voor deze 8 landen staan lijnrecht tegenover de bevindingen van

García-Teruel en Martínez-Solano (2009) en Niskanen en Niskanen (2006). Deze auteurs vonden,

voor respectievelijk ondernemingen uit het Verenigd Koninkrijk en Finland, een significant positieve

invloed van de groei van het BBP op het aangehouden leverancierskrediet. Hierbij dient wel herhaald

te worden dat deze auteurs de nominale groei als variabelen gebruikten, terwijl in dit onderzoek de

reële groei van het BBP gehanteerd wordt (zie 3.2.2.6). Toch valt ook voor de bevindingen van de

Oost-Europese landen67 iets te zeggen. Zo stellen García-Teruel en Martínez-Solano (2009) dat in

periodes van lage economische groei het uitstellen van betalingen niet onlogisch is (zie 3.2.2.6). Het

feit dat de bevindingen voor Hongarije dan weer in lijn liggen met West-Europese landen zoals het

Verenigd Koninkrijk en Finland lijkt, ons inziens, ook niet abnormaal. Hongarije is immers, in deze

steekproef, het land dat, zoals blijkt uit voorgaande, het dichtst aanleunt bij de West-Europese

markteconomieën. Verder werd in Roemenië de variabele BBP, net zoals INFLATIE, uit de regressies

verwijderd om te anticiperen op problemen van multicollineariteit. De resultaten i.v.m. INFLATIE

verschillen dan weer sterk van land tot land. In Bulgarije en Estland wordt een significant negatief

verband met LEVERKR gevonden, terwijl dit verband voor Tsjechië significant positief is.

Vertrouwen

Voor het testen van de vertrouwenshypothese bekijken we de invloed van variabelen GROOTTE,

GROEI en RESULTAAT op de afhankelijke variabele LEVERKR. Zoals bij de opbouw naar de hypotheses

werd aangegeven, zijn zowel theorieën voor een positief als voor een negatief verband met LEVERKR

te vinden. Deze dualiteit komt ook naar boven in de regressieresultaten.

Hoewel in alle landen in onze steekproef een significant positief verband te vinden is tussen de

grootte van de onderneming en het aangehouden leverancierskrediet, bereikt de bètacoëfficiënt van

GROOTTE maximaal 5%. Hoewel GROOTTE wel een significant positieve invloed heeft op LEVERKR,

twijfelen we toch over de economische relevantie van deze invloed. Wanneer een steekproef groot

genoeg is, kan deze immers het kleinste verschil statistisch significant maken (De Pelsmacker en Van

Kenhove, 2006). Dit statistisch significant resultaat kan dus, naast het gevolg van werkelijke

economische relevantie, ook het gevolg zijn van een grote steekproef. Onze bevindingen liggen in lijn

met de resultaten van Deloof en Jegers (1999), Delannay en Weill (2004) en García-Teruel en

Martínez-Solano (2009). Ook wanneer we kijken naar GROEI en RESULTAAT, blijkt dat beiden slechts

67

Uitgezonderd Hongarije

64

voor enkele landen een significante invloed uitoefenen op LEVERKR, telkens opnieuw met relatief

lage bètacoëfficiënten en t-waarden. GROEI en RESULTAAT zijn enkel beiden significant in Litouwen

en Letland, waar vertrouwen blijkbaar een significante invloed heeft op het gebruik van

leverancierskrediet. Deze invloed lijkt echter niet eenduidig, aangezien GROEI positieve

bètacoëfficiënten laat optekenen, terwijl deze voor RESULTAAT negatief zijn. Hier wijken onze

resultaten af van Deloof en Jegers (1999) en Delannay en Weill (2004), waar wel telkens een

significant positief verband tussen GROEI en LEVERKR gevonden werd.

Afgaand op deze resultaten kunnen we dus concluderen dat het vertrouwen dat een onderneming

geniet geen (of in elk geval geen grote) invloed uitoefent op het verkregen leverancierskrediet. Dit

kan het gevolg zijn van het feit dat deze vertrouwensvariabelen zowel door leveranciers als door

banken geapprecieerd worden. Ondernemingen die veel vertrouwen genieten, hebben bijgevolg

zowel incentives om veel leverancierskrediet aan te houden (leveranciers verlenen hen graag krediet)

als om weinig leverancierskrediet aan te houden (ze kunnen leverancierskrediet gemakkelijk

vervangen door bancaire leningen). Waar de resultaten wel statistisch significant zijn, lijken ze ons

weinig economisch relevant en spreken ze elkaar tegen, waardoor we besluiten de

vertrouwenshypothese te verwerpen.

‘Pecking order’

Voor de ‘pecking order’ hypothese bekomen we tegenstrijdige resultaten. Waar voor CASHFLOW, in

alle landen waarvoor op cashflow getest kon worden68, een significant negatief verband met

LEVERKR kon worden gevonden (behalve voor Estland) op het 0,1% significantieniveau, vinden we

voor CASH voornamelijk een positief verband met LEVERKR. Dit positief verband is echter niet

verwonderlijk, aangezien de ‘debt maturity matching’ hypothese (zie volgende paragraaf) een

positieve invloed voorspelt voor de aangehouden liquide middelen op het gebruik van

leverancierskrediet. Onze resultaten voor de significant negatieve invloed van CASHFLOW op

LEVERKR werden ook bekomen door Petersen en Rajan (1997), Niskanen en Niskanen (2006) en

García-Teruel en Martínez-Solano (2009). We kunnen dus stellen dat de mogelijkheid om intern

financiële middelen te genereren een significant negatieve invloed heeft op het aangehouden

leverancierskrediet in alle landen van onze steekproef69, behalve in Estland. We kunnen H2 echter

niet volmondig aanvaarden, aangezien de aangehouden liquide middelen van de onderneming niet

de verwachte negatieve invloed op leverancierskrediet vertonen.

68

Voor Litouwen en Letland werd geen data voor cashflow gevonden (zie 4.2.2.1). 69

Litouwen en Letland buiten beschouwing gelaten.

65

‘Debt maturity matching’

De ‘debt maturity matching’ hypothese kunnen we dan weer wel volmondig aanvaarden in alle

landen uit dit onderzoek. Op CASH na (wegens redenen aangehaald in vorige paragraaf), vertonen

alle variabelen voor alle landen het verwachte verband tot op het 0,1% significantieniveau. Ook

wanneer we in de graduele opbouw van de modellen70 de resultaten voor de groepscategorie

VLOTACT bekijken, merken we over de hele lijn de verwachte positieve invloed op LEVERKR, opnieuw

op het 0,1% significantieniveau. Daarenboven zorgt het toevoegen van VLOTACT aan het model in

alle landen voor een grote sprong voorwaarts in R². Ook dit resultaat is in overeenstemming met de

bevindingen van Deloof en Jegers (1999) in hun onderzoek bij Belgische bedrijven.

Substitutie

Ook voor de substitutiehypothese vertonen de resultaten een eenduidig verband op het 0,1%

significantieniveau, behalve voor FINKOST. FINKOST is enkel significant in Bulgarije, Letland en Polen,

met weliswaar een beperkt positieve bètacoëfficiënt. Daarnaast vertoont vooral KTSCHULD een sterk

negatief verband met LEVERKR, met krachtig negatieve t-waarden voor alle negen landen in onze

steekproef. Dit wijst er dus op dat we mogen aannemen dat ondernemingen korte termijn

bankleningen gebruiken als substituut voor leverancierskrediet. Dit resultaat ligt in lijn met de

bevindingen van Delannay en Weill (2004) en spreekt de resultaten van Elliehausen en Wolken

(1993) en Ono (2001)tegen.

In overeenstemming met Deloof en Jegers (1999) tonen ook onze resultaten aan dat naast korte

termijn leningen, ook lange termijn bancaire kredieten gebruikt worden als substituut voor

leverancierskrediet. LTSCHULD heeft namelijk in alle landen een significant negatieve bètacoëfficiënt.

Deze is echter in alle landen in ons onderzoek kleiner dan de bètacoëfficiënt van KTSCHULD. We

kunnen dus concluderen dat leverancierskrediet wel degelijk een substituut vormt voor bancaire

leningen (met korte termijn kredieten voorop) voor de ondernemingen in onze steekproef.

De resultaten voor FINKOST blijken daarentegen minder eenduidig te zijn. Enkel in Bulgarije, Letland

en Polen blijkt de kost van het ontlenen van financiële middelen (exclusief leverancierskrediet) in een

significant positief verband te staan met het aangehouden leverancierskrediet. De bètacoëfficiënten

voor de drie landen halen nog geen 0,03, waardoor we ons opnieuw kunnen afvragen of de

significante resultaten wel economisch relevant zijn.

70

Zie bijlage 5.

66

Conclusies panel data regressies op basismodel

Samengevat kunnen we na de bespreking van de resultaten van onze panel data regressieanalyse dus

het volgende besluiten. Enigszins in lijn met wat kon worden verwacht, wordt de

vertrouwenshypothese verworpen. Er waren namelijk motieven te vinden voor zowel een negatief

als een positief verband tussen vertrouwen en leverancierskrediet. Deze beide motieven heffen

elkaar blijkbaar op voor de bedrijven in onze steekproef, zodat geen significante invloed overblijft.

Deze resultaten liggen in lijn met wat Deloof en Jegers (1999) vonden voor Belgische

ondernemingen. De ‘pecking order’ hypothese kan dan weer niet volmondig aanvaard worden,

aangezien enkel CASHFLOW het verwachte significant negatieve verband met LEVERKR vertoont.

Daarnaast bleek uit de resultaten dat de vlottende activa, en haar subcategorieën, het verwachte

positieve verband met leverancierskrediet vertoonde. Ook de categorie van de andere korte termijn

schulden kreeg de verwachte negatieve bètacoëfficiënt. De ‘debt maturity matching’ hypothese kan

dus worden aanvaard. Hiermee bevestigden we de bevindingen van Deloof en Jegers (1999),

Delannay en Weill (2004) en García-Teruel en Martínez-Solano (2009). Als laatste kunnen we

concluderen dat de bedrijven in onze steekproef zowel korte- als lange termijn bancaire leningen

gebruiken als substituut voor leverancierskrediet. Ook dit ligt in lijn met wat Deloof en Jegers (1999)

en García-Teruel en Martínez-Solano (2009) eerder al vonden.

Uit onze resultaten valt af te leiden dat slechts weinig onderscheid te maken valt tussen de landen

onderling voor wat betreft de significantie van de verschillende variabelen en het teken van hun

invloed op LEVERKR.

TABEL 7: REGRESSIERESULTAAT PANEL DATA – MODEL 11

TSJECHIË ESTLAND HONGARIJE LETLAND LITOUWEN POLEN SLOWAKIJE BULGARIJE ROEMENIË

# Bedrijven 522 6596 2491 978 392 544 126 2041 27215

# Waarnemingen 3654 25172 7473 6846 2744 3808 630 14278 54430

AANKOOP 0,0369 ***

0,0045 *** 0,0058 ** 0,0005 0,0063 * 0,0068 *** 0,0499 ** 0,0077 ** 0,0007

6,88 10,56 3,14 0,33 2,02 3,56 2,80 2,83 1,37

BBP -1,0499 ***

-0,1816 *** 0,3293 *** -0,3829 *** -0,1465 -0,6727 *** -0,7872 *** -2,2892 ***

-14,04 -4,01 6,86 -5,25 -1,43 -10,72 -5,35 -19,81

INFLATIE 0,3895 ***

-0,1030 ** / 0,0334 -0,0025 -0,3164 ***

3,94 -3,33 0,47 -0,03 -6,60

GROOTTE 0,0123 ** -0,0105 *** 0,0441 *** 0,0210 *** 0,0089 * 0,0110 ** 0,0401 *** 0,0310 *** 0,0540 ***

3,18 -9,36 13,20 7,06 2,24 2,65 3,80 4,17 28,35

GROEI 0,0001 0,0000 0,0004 * 0,0077 *** 0,0235 *** 0,0001 0,0006 0,0020 *** 0,0000

1,45 0,53 2,27 4,03 7,68 1,49 1,88 -0,52 1,28

RESULTAAT -0,0097 -0,0006 ** 0,0000 -0,0144 *** -0,0748 *** 0,0020 0,0062 -0,0005 0,0000

-0,88 -2,86 -0,10 -5,45 -6,79 0,41 0,82 -0,52 -0,98

CASHFLOW -0,1895 ***

-0,0005 -0,0631 *** / -0,2009 *** -0,1707 *** -0,3364 *** -0,1896 ***

-9,28 -0,95 -9,12 -13,08 -4,69 -35,07 -43,38

CASH 0,0449 * -0,0466 *** 0,0194 0,1294 *** 0,0655 * 0,0505 * 0,1093 * 0,0895 *** 0,0757 ***

2,10 -8,63 1,82 6,61 2,40 2,23 2,43 9,07 9,87

HANDELSKR 0,2415 ***

0,1028 *** 0,1974 *** 0,2463 *** 0,2393 *** 0,3128 *** 0,2795 *** 0,1859 *** 0,0956 ***

12,06 17,55 18,07 16,83 13,51 18,21 6,57 19,57 29,73

VOORRAAD 0,1884 ***

0,1666 *** 0,1276 *** 0,2546 *** 0,1351 *** 0,2874 *** 0,2137 *** 0,1769 *** 0,0923 ***

7,90 25,69 9,71 16,65 6,50 13,41 3,57 17,26 13,19

ANDERPAS -0,2779 ***

-0,1433 *** -0,2223 *** -0,4275 *** -0,2784 *** -0,2253 *** -0,3650 *** -0,4417 *** -0,2959 ***

-16,75 -17,89 -24,01 -22,44 -13,70 -12,76 -8,17 -55,95 -73,39

KTSCHULD -0,3474 ***

-0,0957 *** -0,2376 *** -0,3982 *** -0,3052 *** -0,2488 *** -0,4158 *** -0,4693 *** -0,5285 ***

-14,23 -14,45 -19,22 -26,97 -14,92 -14,56 -6,22 -33,49 -54,77

LTSCHULD -0,2516 ***

-0,0798 *** -0,1836 *** -0,3294 *** -0,2249 *** -0,1484 *** -0,2901 *** -0,4056 *** -0,5027 ***

-13,50 -14,60 -14,86 -27,47 -13,26 -9,72 -5,47 -45,32 -44,91

FINKOST -0,0005 0,0005 0,0196 *** 0,0298 *** 0,0176 0,0023 ** 0,0002

-0,21 1,82 5,07 3,81 1,28 2,53 1,78

F-waarde 14,80 ***

8,24 *** 8,67 *** 14,22 *** 13,54 *** 13,35 *** 15,71 *** 13,65 *** 6,85 ***

R² Within 0,2440 0,1044 0,2129 0,2907 0,2632 0,2710 0,3257 0,3425 0,2882

R² Between 0,2263 0,2296 0,0226 0,2464 0,1993 0,4606 0,1972 0,0892 0,1626

R² Overall 0,2288 0,1868 0,0275 0,2569 0,2144 0,4243 0,2193 0,1524 0,1758

Het bovenste cijfer geeft telkens de Bètacoëfficiënt weer. Onder deze Bètacoëfficiënt is (cursief) de bijbehorende t-waarde voor deze coëfficiënt weergegeven. *, ** en *** geven aan dat de schattingen van de Bètacoëfficiënt significant zijn op niveaus 5%, 1% en 0,1%

68

4.5.1.2 Cross-sectie

Zoals reeds in punt 4.4 (methodologie) werd aangehaald, hebben we ook een cross-sectie gemaakt

van de dataset om de robuustheid van de resultaten te onderzoeken. De cross-sectie werd gemaakt

door, over de bestudeerde periode, van elke variabele het gemiddelde te berekenen per

onderneming. De resultaten van de cross-sectie analyse zijn te vinden in tabel 8.

Bij de regressies op de cross-sectie data worden twee R² scores weergegeven. Naast de gewone R², is

ook de ‘adjusted’ R² weergegeven die ondermeer controleert op het aantal variabelen in het model.

Deze ‘adjusted’ R² is daarom betrouwbaarder dan de gewone R². We zullen deze score dus gebruiken

voor het bespreken van de resultaten.

De ‘adjusted’ R² scores voor de cross-sectie regressies variëren tussen 30% en 50%, met opnieuw een

positieve uitschieter voor Polen, dat een ‘adjusted’ R² van 70% laat optekenen. Net zoals dit het geval

was voor de panel data regressieresultaten, zien we ook bij het overzicht van de graduele opbouw

van het model in alle landen71 dat het model dat de hoogste ‘adjusted’ R² heeft, verschilt van land tot

land. Opnieuw merken we een beperkte R² voor het controlemodel, met een kleine stijging wanneer

de variabelen van de vertrouwens- en ‘pecking order’ hypothese worden toegevoegd. Ook hier blijkt

de toevoeging van de variabelen uit de ‘debt maturity matching’ hypothese de grootste stijging in R²

te veroorzaken, vooral wanneer de verschillende categorieën van het vlottend actief in rekening

worden gebracht. Het toevoegen van de substitutievariabelen veroorzaakt een beperkte stijging in

de ‘adjusted’ R².

Controle variabelen

In deze analyse van de cross-sectionele data, was het, in tegenstelling tot de ‘fixed effects’ panel data

methode, wel mogelijk om te testen op variabelen die per onderneming onveranderd blijven in de

tijd zoals SECTORi en BUITENL. Variabelen die wel veranderen per land, maar per jaar voor alle

bedrijven in een bepaald land gelijk blijven, zoals BBP en INFLATIE vallen nu echter uit de boot. De

resultaten van de SECTORi dummy’s werden niet opgenomen in de tabellen, hoewel ze toch als

onafhankelijke variabelen in de regressies werden gebruikt72. We kozen ervoor om de tabellen

overzichtelijk te houden, waardoor model 1, dat enkel de SECTORi dummyvariabelen bevat, werd

weggelaten uit de tabellen.

71

Zie bijlage 6. 72

Behalve voor Slowakije, waarvoor onze database geen sectorgegevens bevat.

69

Aangezien de cross-sectionele regressies dus niet dezelfde controlevariabelen bevatten als de panel

data regressies, moeten we voorzichtig zijn met het vergelijken van de resultaten tussen beide

methodes. De cross-sectionele regressies worden in dit onderzoek dan ook echter alleen maar

gebruikt om te controleren of de resultaten van de panel data regressies robuust zijn.

Ook hier merken we een significant positieve invloed op tussen AANKOOP en LEVERKR, wat onze

resultaten voor de panel data regressies bevestigt. BUITENL, waarvoor niet gecontroleerd kon

worden in de panel data regressies, blijkt enkel in Estland en Roemenië een significante invloed te

hebben op het verkregen leverancierskrediet door ondernemingen in onze steekproef. De

coëfficiënten zijn echter dermate laag (de absolute waarden blijven onder 2%), waardoor we

concluderen dat het feit of een onderneming deels in buitenlandse handen is, geen invloed heeft op

het verkregen leverancierskrediet voor ondernemingen in onze steekproef.

Vertrouwen

De vertrouwenshypothese wordt in de resultaten van de regressies op de cross-sectie data nog

verder afgezwakt. Waar GROOTTE bij de panel data nog voor alle landen een significante invloed

toonde op LEVERKR (met weliswaar een discutabele economische relevantie), is deze invloed in de

cross-sectie regressieresultaten enkel te vinden in Bulgarije, Estland, Polen en Roemenië, opnieuw

echter met lage bètacoëfficiënten. Ook GROEI en RESULTAAT blijken geen significante invloed te

hebben op LEVERKR bij de bedrijven in onze steekproef. De cross-sectie regressieresultaten

bevestigen dus onze keuze op basis van de panel data regressies om de vertrouwenshypothese te

verwerpen.

‘Pecking order’

Ook voor de ‘pecking order’ hypothese bekomen we dezelfde bevindingen als bij de panel data

regressies. CASHFLOW heeft er namelijk in alle landen een significant negatieve invloed op het

aangehouden leverancierskrediet73. Verder vertonen de, door de ondernemingen in onze steekproef

aangehouden liquide middelen, in tegenstelling tot wat de ‘pecking order’ theorie voorspelt, een

significant negatief verband met leverancierskrediet.

‘Debt maturity matching’

De bevindingen i.v.m. de ‘debt maturity matching’ hypothese worden eveneens bevestigd door de

resultaten van de cross-sectie regressies. Alle variabelen vertonen de verwachte relatie op een 73

Behalve in Litouwen en Letland, waar de variabele CASHFLOW niet berekend kon worden (zie 4.2.2.1).

70

minimaal significantieniveau van 5%. Enkel het negatieve verband tussen andere korte termijn

kredieten en leverancierskrediet blijkt niet significant in Tsjechië, Litouwen, Letland en Slowakije. We

stellen ook opnieuw vast dat in de graduele opbouw van het model (zie bijlage 6) het toevoegen van

de variabele VLOTACT zorgt voor een grote stijging in de ‘adjusted’ R², een bevinding die we reeds

maakten bij de panel data regressies.

Substitutie

De resultaten i.v.m. de substitutiehypothese blijken echter minder robuust te zijn. Waar we bij de

panel data regressies voor KTSCHULD en LTSCHULD nog de verwachte verbanden vonden op het

0,1% significantieniveau in alle landen, leveren de cross-sectie regressies minder eenduidige

resultaten op. De invloed van KTSCHULD blijkt niet meer significant te zijn in Hongarije en Slowakije,

terwijl LTSCHULD nog enkel significant blijkt in Bulgarije, Polen en Roemenië.

TABEL 8: REGRESSIERESULTAAT CROSS-SECTIE – MODEL 11

TSJECHIË ESTLAND HONGARIJE LETLAND LITOUWEN POLEN SLOWAKIJE BULGARIJE ROEMENIË

# Bedrijven 522 3596 2491 978 392 544 126 2041 27215

AANKOOP 0,0455 *** 0,0271 *** 0,0343 *** 0,0236 *** 0,0423 *** 0,0485 *** 0,0295 0,0283 *** 0,0077 ***

4,61 25,01 18,86 7,01 5,90 13,05 1,05 4,92 18,61

BUITENL -0,0021 0,0150 ** -0,0199 0,0000 0,0086 0,0174 0,0025 0,0072 **

-0,13 3,07 -1,74 0,00 0,49 1,76 0,22 3,10

GROOTTE -0,0013 0,0064 *** 0,0010 -0,0026 -0,0026 -0,0087 ** 0,0052 -0,0121 *** -0,0065 ***

-0,30 5,97 1,36 -0,72 -0,59 -2,73 0,43 -4,83 -7,20

GROEI 0,0002 0,0005 0,0014 * 0,0432 ** 0,0273 0,0004 0,0033 0,0065 0,0000

0,56 1,71 2,06 2,80 1,11 0,20 1,30 1,70 0,04

RESULTAAT -0,0098 -0,0024 * -0,0001 -0,0422 -0,1620 * 0,0036 -0,0107 -0,0037 0,0002

-0,16 -2,13 -0,49 -1,86 -2,31 0,47 -0,21 -1,74 1,40

CASHFLOW -0,4337 *** -0,0046 -0,0466 ** -0,3647 *** -0,5078 ** -0,2305 *** -0,3078 ***

-5,10 -1,28 -2,83 -6,31 -3,25 -6,09 -43,67

CASH 0,0419 -0,0810 *** -0,0664 *** 0,1201 * -0,2740 * -0,1287 0,2537 * 0,1534 *** 0,3496 ***

0,67 -6,83 -4,22 2,25 -2,55 -1,56 2,13 5,73 33,44

HANDELSKR 0,4622 *** 0,1848 *** 0,2010 *** 0,4051 *** 0,3896 *** 0,4033 *** 0,5024 *** 0,4110 *** 0,6039 ***

11,74 15,04 15,71 12,84 9,26 13,58 7,33 16,93 74,16

VOORRAAD 0,1719 *** 0,1388 *** 0,0679 *** 0,2520 *** 0,1209 ** 0,1378 *** 0,3645 ** 0,2635 *** 0,3141 ***

3,88 13,65 5,15 7,49 2,87 4,02 3,43 13,90 51,88

ANDERPAS -0,0683 -0,0864 *** -0,1295 *** -0,4291 0,0207 -0,1554 ** -0,1281 -0,3019 *** -0,3959 ***

-1,35 -4,64 -11,36 -6,37 0,27 -3,45 -0,97 -13,10 -70,48

KTSCHULD -0,2300 ** -0,0392 * -0,0081 -0,2717 *** -0,1856 ** -0,2716 *** -0,2690 -0,1366 ** -0,4045 ***

-3,06 -2,36 -0,47 -5,79 -2,88 -5,72 -1,32 2,74 -30,83

LTSCHULD -0,0785 -0,0197 -0,0247 -0,0632 0,0566 -0,0952 * -0,0254 -0,1114 *** -0,2913 ***

-1,60 -1,42 -1,61 -1,81 1,04 -2,09 -0,17 -4,01 -16,58

FINKOST -0,0003 -0,0021 0,0365 0,1004 * -0,0457 0,0031 * 0,0010 ***

-0,03 -1,53 1,36 2,12 -0,50 2,45 3,92

F-waarde 20,13 *** 108,55 *** 59,90 *** 33,19 *** 19,45 *** 56,26 *** 7,47 *** 33,64 *** 808,58 ***

R² 0,5139 0,4319 0,3964 0,4657 0,5487 0,7223 0,4424 0,3109 0,4361

Adjusted R² 0,4884 0,4279 0,3898 0,4517 0,5205 0,7095 0,3832 0,3017 0,4355

Het bovenste cijfer geeft telkens de Bètacoëfficiënt weer. Onder deze Bètacoëfficiënt is (cursief) de bijbehorende t-waarde voor deze coëfficiënt weergegeven. *, ** en *** geven aan dat de schattingen van de Bètacoëfficiënt significant zijn op niveaus 5%, 1% en 0,1%

72

4.5.2 Transitiemodel

Tabellen 9 en 10 geven de graduele opbouw van het transitiemodel weer. Zoals eerder vermeld,

wordt in dit model de invloed van transitievariabelen getest op het gemiddeld niveau van LEVERKR

per jaar in de verschillende landen in onze steekproef. Alle negen landen worden dus samen in de

regressies opgenomen. De resultaten van de panel data analyse zijn te zien in tabel 9. Tabel 10 toont

de resultaten van de cross-sectie analyse.

4.5.2.1 Panel data

Model 1, dat enkel controlevariabele BBP bevat, heeft een erg lage ‘overall’ R², die vooral verklaard

wordt door de ‘between’ R² van amper 3%. Na het toevoegen van TRANSi in model 2, neemt de

‘adjusted’ R² een reusachtige sprong voorwaarts van 0,05% naar 60%, wat een grote verklarende

waarde toedicht aan TRANSi. Ook het toevoegen van BANKHER aan het controlemodel, zorgt voor

een stijging in ‘adjusted’ R². Deze stijging beperkt zich echter tot 25%.

Controlevariabele BBP, die de reële groei van het BBP weergeeft in de verschillende landen, staat

opnieuw74 in elk model in een significant negatief verband met LEVERKR. Hierbij dient wel opgemerkt

te worden dat de t-waarde van BBP gevoelig afneemt naarmate de transitievariabelen aan het model

worden toegevoegd.

Een opmerkelijk resultaat na de regressies op deze panel data is het significant negatieve verband

tussen zowel TRANSi als BANKHER en LEVERKR. Aangezien deze relatie niet eerder in de literatuur

werd bestudeerd, konden we geen ex-ante verband schetsen tussen deze variabelen en kunnen we

momenteel dus ook weinig concluderen wat betreft de causaliteit van het gevonden verband. We

schetsen kort beide mogelijkheden van causaliteit. Enerzijds zou men de conclusie kunnen trekken

dat hoe verder een land gevorderd is in zijn transitieproces, hoe minder behoefte ondernemingen uit

onze steekproef in dat land aan leverancierskrediet hebben. Eenzelfde conclusie kan getrokken

worden voor BANKHER afzonderlijk. Anderzijds zou kunnen worden aangehaald dat landen net beter

vorderen in hun transitieproces, precies omdat ondernemingen in deze landen meer gebruik maken

van leverancierskrediet voor hun financiering. Intuïtief neigen we vooral de eerste causale relatie te

geloven, maar we laten het bestuderen van deze causaliteit over aan toekomstig onderzoek. Omwille

van het negatieve verband dat gevonden werd tussen BANKHER en LEVERKR kunnen we de stelling

van Corricelli (1996) en Fisman en Love (2003), dat door een onderontwikkeld bankwezen

ondernemingen hun toevlucht moeten zoeken tot leverancierskrediet, bevestigen. Bijgevolg kunnen

we de ‘complementaire hypothese’ van Demirgüç-Kunt en Maksimovic (2001) en Klapper et. al

74

Net zoals in het basismodel

73

(2002) dus, in ieder geval voor transitielanden, verwerpen. Weliswaar maakten wij in dit onderzoek

gebruik van de (subjectieve) EBRD-indices voor de bankhervorming, die de ontwikkelingen in de

banksector mogelijk pas met enige vertraging opnamen.

TABEL 9: REGRESSIERESULTAAT PANEL DATA - TRANSITIE

MODEL 1 MODEL 2 MODEL 3 MODEL 4 MODEL 5

# Landen 9 9 9 9 9

# Waarnemingen 52 52 52 52 52

BBP -0,6014 *** -0,2643 *** -0,2382 ** -0,3516 *** -0,3365 **

-5,88 -3,07 -2,75 -3,76 -3,53

TRANSi -0,0041 *** -0,0041 ***

-6,88 -6,94

BANKHER -0,0136 *** -0,0134 ***

-5,21 -5,08

GROVERHLEN 0,0894 0,0629

1,47 0,89

F-waarde 104,55 *** 75,85 *** 68,52 *** 99,09 *** 98,68 ***

R² Within 0,4513 0,7452 0,7582 0,6699 0,6763

R² Between 0,0325 0,7580 0,7598 0,4646 0,4376

R² Overall 0,0005 0,6050 0,6237 0,2529 0,2414

Het bovenste cijfer geeft telkens de Bètacoëfficiënt weer. Onder deze Bètacoëfficiënt is (cursief) de bijbehorende t-waarde voor deze coëfficiënt weergegeven.

*, ** en *** geven aan dat de schattingen van de Bètacoëfficiënt significant zijn op niveaus 5%, 1% en 0,1%

Wanneer we de transitiescores (inclusief de index voor bankhervorming) voor de negen landen in

onze steekproef voor de periode 2001-2007 in een grafiek uitzetten tegenover het gemiddelde

leverancierskrediet voor dezelfde negen landen in dezelfde tijdsperiode, wordt dit verband nog

duidelijker. We merken hierbij op dat dit negatieve verband reeds aan de oppervlakte kwam in het

descriptief onderzoek, meer bepaald in figuur 10. Bekijken we dit verband per land (figuur 11), dan

kunnen we vaststellen dat deze negatieve relatie zowel voor elk land afzonderlijk (behalve

Roemenië) opgaat, maar ook de totale puntenwolk toont een negatief verband.

We koppelen hier ook terug naar de bespreking die volgde bij figuur 9, waar reeds bleek dat het

aangehouden niveau van leverancierskrediet in de landen uit dit onderzoek niet evolueert naar het

niveau dat wordt aangehouden in een markteconomie als België, maar wel een immer dalende trend

vertoont. Aangezien een hogere transitiescore aangeeft dat de economie in een land beter de

markteconomie benadert, is te verwachten dat ook het gebruik van leverancierskrediet evolueert

74

naar dat van een markteconomie. Deze verwachting ligt echter niet in lijn met de bevindingen uit ons

empirisch onderzoek, waar een negatieve relatie tussen de transitiescore en het gebruikte

leverancierskrediet werd gevonden, ook wanneer het gebruik van leverancierskrediet lager is dan in

een markteconomie (zoals blijkt uit figuur 9).

Tot slot merken we ook op dat GROVERHLEN geen significante invloed blijkt te hebben op LEVERKR,

noch wanneer TRANSi gebruikt wordt als variabele uit het transitiemodel, noch wanneer we

BANKHER nemen. Hieruit kunnen we dus concluderen dat het ‘crowding out effect’ geen invloed

heeft op het aangehouden leverancierskrediet. Dit kan mede verklaard worden door het feit dat in

een immer globaliserende kredietmarkt (zeker voor leningen aan overheden) een binnenlandse

crowding-out minder en minder zal voorkomen.

4.5.2.2 Cross-sectie

Net zoals voor het basismodel, testten we ook de robuustheid van de panel data regressies van ons

transitiemodel door een cross-sectie te maken van de data. Deze cross-sectie wordt gevormd door

het gemiddelde te berekenen van alle variabelen in het model, per land, over de bestudeerde

periode. De resultaten zijn weergegeven in tabel 10.

FIGUUR 11: EVOLUTIE IN DE RELATIE TUSSEN TRANSi EN LEVERKR PER LAND

BRON: EBRD, Amadeus Database

75

Aangezien het lage aantal waarnemingen dat overblijft na deze bewerking, vertonen de regressies

erg lage F-waarden. Modellen 1 en 5 blijken zelfs niet meer significant op het 5% significantieniveau.

De resultaten van deze cross-sectie regressies op de transitiemodellen zijn dan ook minder

betrouwbaar dan hun panel data tegenhangers. We houden de bespreking ervan dan ook kort.

Waar variabele BBP nog een significant negatieve invloed op LEVERKR vertoonde in de panel data

regressies, blijkt voor geen enkel model deze invloed significant op het 5% significantieniveau voor

de cross-sectie regressies. TRANSi en BANKHER behouden hun teken maar boeten wat aan

significantie in, terwijl GROVERHLEN ook in de cross-sectie regressies niet significant is.

TABEL 10: REGRESSIERESULTAAT CROSS-SECTIE - TRANSITIE

MODEL 1 MODEL 2 MODEL 3 MODEL 4 MODEL 5

# Landen 9 9 9 9 9

BBP 0,6552 -0,0435 0,3210 0,3337 0,3599

0,56 -0,07 0,50 0,45 0,71

TRANSi -0,0088 ** -0,0096 **

-4,63 -5,03

BANKHER -0,0503 * -0,0504 *

-3,43 0,03

GROVERHLEN 0,5823 0,0367

1,28 0,96

F-waarde 0,31 11,33 ** 8,92 * 6,26 * 3,48

R² Within 0,0424 0,7906 0,8426 0,6760 0,6762

R² Between -0,0944 0,7208 0,7481 0,5680 0,4820

R² Overall 0,0424 0,7906 0,8426 0,6760 0,6762

Het bovenste cijfer geeft telkens de Bètacoëfficiënt weer. Onder deze Bètacoëfficiënt is (cursief) de bijbehorende t-waarde voor deze coëfficiënt weergegeven.

*, ** en *** geven aan dat de schattingen van de Bètacoëfficiënt significant zijn op niveaus 5%, 1% en 0,1%

76

5 BESLUIT

In deze masterproef worden de determinanten van leverancierskrediet onderzocht in Tsjechië,

Estland, Hongarije, Letland, Litouwen, Polen, Slowakije, Bulgarije en Roemenië. Leverancierskrediet

wordt gedefinieerd als het uitstel van betaling dat ondernemingen verkrijgen van hun leveranciers.

Als aanvulling op de bestaande literatuur wordt in deze masterproef ook getest welke invloed de

transitiefase van een land heeft op het door ondernemingen aangehouden leverancierskrediet.

In het eerste deel wordt een overzicht gegeven van theorieën i.v.m. het gebruik van handelskrediet

die in eerdere onderzoeken naar dit onderwerp verschenen. De motieven voor het toestaan van

handelsvorderingen en het aanhouden van leverancierskrediet blijken van zowel commerciële als

financiële aard. De financiële motieven steunen vooral op het comparatieve voordeel waarover

leveranciers beschikken t.o.v. financiële instellingen voor het verlenen van krediet, dankzij een lagere

informatieasymmetrie. Daartegenover komen de commerciële motieven vooral voort uit het

competitieve voordeel dat ondernemingen, die gebruik maken van handelskrediet, kunnen genieten.

Omdat we ons in dit werk toespitsen op leverancierskrediet in Oost-Europa, bespreken we ook de

kenmerkende karakteristieken voor deze landen en, meer bepaald, de consequenties van de socio-

economische situatie op het gebruik van leverancierskrediet als financieringsbron. Zo stellen we dat

verschillen met (West-Europese) markteconomieën inzake de ontwikkeling van het bankwezen, de

rol van de overheid en de financiële structuur van de ondernemingen mee bepalend zijn voor het

gebruik van leverancierskrediet in Oost-Europa. Ook de restanten van het communistisch systeem,

zoals de nomenclatuur en de invloed van voormalige staatsondernemingen, betrekken we in onze

analyse. Omwille van de grote verschillen tussen de negen landen in de omschakeling van een plan-

naar een markteconomie, bespreken we in het tweede deel de EBRD-transitie-indices en geven we

hier al een voorzet naar de mogelijke invloed (in beide richtingen) van de transitiefase op het gebruik

van leverancierskrediet.

Vervolgens formuleren we vijf hypotheses, die later getest worden in het empirisch onderzoek. De

hypotheses vallen uiteen in twee groepen. Enerzijds zijn er de vertrouwens-, ‘pecking order’-, ‘debt

maturity matching’- en substitutiehypothese die de klassieke (jaarrekening)determinanten van

leverancierskrediet bevatten en anderzijds is er de transitiehypothese. Deze laatste richt zich op een

potentieel verband tussen de transitiefase waarin een land zich bevindt en het aangehouden

leverancierskrediet in dat land.

77

Deel vier omvat het empirisch onderzoek. Na het oplossen van een aantal dataproblemen testen we

de hypotheses voor de negen landen in de periode 2001-200775. In tegenstelling tot de meeste

voorgaande studies betreffende determinanten van leverancierskrediet, kiezen we ervoor om

gebruik te maken van panel data i.p.v. cross-sectionele data. Toch maken we, voor dezelfde

hypotheses, ook een cross-sectie die de robuustheid van de resultaten aantoont.

De resultaten van het empirisch onderzoek tonen aan dat het vertrouwen dat een onderneming

geniet geen invloed heeft op het gebruik van leverancierskrediet. Dit kan worden verklaard door het

feit dat vertrouwen voor zowel leveranciers als voor banken een incentive is om krediet toe te staan.

Dit vertrouwen van financiële instellingen in een onderneming kan, zoals gesteld in Biais en Gollier

(1997) en Frank en Maksimovic (1998), tot stand komen doordat er aan deze onderneming

leverancierskrediet verleend wordt, wat als een indicator voor kredietwaardigheid gezien kan

worden. Daarnaast wordt ook in alle landen het verwachte negatieve verband gevonden tussen

cashflow en leverancierskrediet, wat verklaard wordt door de ‘pecking order’ theorie die stelt dat

ondernemingen interne middelen prefereren boven externe financiering. Ook de vlottende activa en

haar subcategorieën in de balans tonen het verwachte negatieve verband met leverancierskrediet.

Dit bevestigt de ‘debt maturity matching’ hypothese die stelt dat een onderneming de looptijd van

haar financieringsmiddelen afstemt op de levensduur van haar activa. Uit de resultaten kan ook

besloten worden dat zowel korte- als lange termijn bankkredieten gebruikt worden als substituut

voor leverancierskrediet in de negen landen uit ons onderzoek. Al deze resultaten liggen grotendeels

in lijn met wat in eerder onderzoek gevonden werd.

Een laatste, maar niet onbelangrijke bevinding is een sterk negatief verband tussen zowel de

transitiescore als de bankhervormingsindex van een land en het gemiddeld niveau van

leverancierskrediet in dat land. Aangezien dit verband niet eerder onderzocht werd, kunnen we

weinig conclusies maken i.v.m. de causaliteit van dit verband. Omdat dit ons toch een erg belangrijke

bevinding lijk, ligt hier dan ook een eerste suggestie naar toekomstig onderzoek.

Aangezien de transitiescores de evolutie van een land richting markteconomie beschrijven, kan

verwacht worden dat ook het aangehouden niveau van leverancierskrediet richting dat van landen

met een markteconomie evolueert. Dit kan echter niet bevestigd worden, aangezien onze resultaten

aantonen dat een verdere evolutie richting markteconomie het aangehouden leverancierskrediet

doet dalen, in plaats van het te doen evolueren richting het niveau van landen met een

markteconomie. Zo blijkt uit dit onderzoek dat Belgische ondernemingen in 2007 gemiddeld meer

75

Behalve voor Hongarije, Slowakije en Roemenië, waar door extra problemen met de data de bestudeerde periode ingekort diende te worden.

78

leverancierskrediet aanhouden dan ondernemingen uit 7 van de 9 transitielanden die we

onderzoeken. Uit deze resultaten kan worden afgeleid dat het streefdoel van het aan te houden

leverancierskrediet in transitielanden niet bepaald wordt door het niveau van leverancierskrediet in

een markteconomie, maar dat gestreefd wordt naar een zo laag mogelijk gebruik van

leverancierskrediet. Of in de toekomst, wanneer het transitieproces verder staat, deze evolutie naar

een zo laag mogelijk gebruik van leverancierskrediet zal ombuigen in een trend richting een

aangehouden leverancierskrediet zoals in een markteconomie als België, is iets wat verder onderzoek

kan verduidelijken.

Een volgende onderzoeksoptie bestaat erin te kijken of dit negatieve verband ook reeds in het begin

van het transitieproces aanwezig was in deze regio. De socio-economische situatie en het

transitieproces in het tijdsbestek van ons onderzoek kennen immers reeds een hoge mate van

stabilisatie en convergentie tussen de landen. Dit was in de jaren ’90 wel enigszins anders, met tal

van landspecifieke externe factoren. Maar ook de snelheid van het transitieproces en de initiële

situatie in de verschillende landen zou in verband kunnen worden gebracht met het gebruikte

leverancierskrediet. Een laatste suggestie is om een onderzoek te voeren naar de invloed op de

toegestane handelsvorderingen in plaats van het gebruikte leverancierskrediet, of eventueel een

combinatie van beide.

Tot slot wensen we nog de beperkingen van deze masterproef aan te halen. Vooreerst zijn er de

dataproblemen. Hierdoor waren we genoodzaakt Slovenië uit ons onderzoek schrappen en konden

we voor de overgebleven landen niet altijd alle variabelen berekenen of dienden we bepaalde jaren

te schrappen uit ons onderzoek. Door de relatief strenge, maar voor ons onderzoek noodzakelijke,

eisen die we aan ondernemingen stellen om in de steekproef te blijven, kunnen onze resultaten

enigszins vertekend zijn. Daarnaast merken we op dat transitiescores die gebruikt worden voor het

testen van de transitiehypothese door Campos en Horvath (2006) op de korrel werden genomen.

Deze auteurs bestempelen de transitiescores als subjectief, maar wegens het ontbreken van een

beter alternatief nemen we deze scores toch op in ons onderzoek.

VII

BIBLIOGRAFIE

Argimon I., Gonzalez-Paramo J.M., Roldan J.M., 1997, ‘Evidence of public spending crowding-out

from a panel of OECD countries’, Applied economics, Vol. 29, nr. 8, 1001-1010

Baum F. C., Schaffer E. M., Stillman S., 2003, ‘Instrumental variables and GMM: estimation and

testing’, Boston College department of Economics, Working paper nr. 545

Beck T., Demirgüç-Kunt A., Laeven L. en Levine R., 2004, ‘Finance, firm size, and growth’, National

Bureau of Economic Research, Working paper 10983 (December 2004)

Berglöf E. en Bolton P., 2002, ‘The great divide and beyond: financial architecture in transition’, The

Journal of Economic Perspectives, Vol. 16, nr. 1 (winter, 2002), 77 - 100

Berglöf E. en Roland G., 1995, ‘Bank restructuring and soft budget constraints in financial transition’,

Journal of the Japanese and international economies 9, 354-375

Biais B. en Gollier C., 1997, ‘Trade credit and credit rationing, the review of financial studies, Vol. 10,

nr. 4 (Winter, 1997), 903-937

Boissay F. en Gropp R., 2007, ‘Trade credit defaults and liquidity provision by firms’, Working paper

series European Central Bank, nr. 753 (mei 2007)

Boissay F., 2006, ‘Credit chains and the propagation of financial distress’, European Central Bank,

Working paper series, nr. 573

Bradley D.B. en Rubach M.J., 2002, ‘Trade credit and small businesses: a cause of business failures?’,

Small Business Advancement National Center 2002, University of Central Arkansas

Bruno M. en Easterly W., 1998, ‘Inflation crises and long-run growth’, Journal of Monetary Economics,

Vol. 41, nr. 1 (Februari 1998), 3-26

Budina N., Garretsen H. en de Jong E., 2000, ‘Liquidity constraints and investment in transition

economies: The case of Bulgaria’, Economics of Transition, Vol. 8 (2) (2000), 453 – 475

Burkart M. en Ellingsen T., 2004, ‘In-kind finance: a theory of trade credit’, The American economic

review ( juni 2004), 569 – 590

Campos F.N. en Horváth R., 2006, ‘Reform redux: measurement, determinats and reversals’, IZA

Discussion Paper nr. 2093 (April 2006)

VIII

Coricelli F., 1996, ‘Finance and growth in economies in transition’, European Economic Review 40,

645-653

Cottarelli C., Dell’Ariccia G. en Vladkova-Hollar I., 2004, ‘Early birds, late risers, and sleeping beauties:

bank credit growth to the private sector in Central and Eastern Europe and in the Balkans’, Journal of

Banking & Finance, Vol. 29, (September 2004), 83-104

Cuñat V., 2003, ‘Trade credit: suppliers as debt collectors and insurance providers’, Financial Markets

Group, Working paper London School of Economics

Delannay A.-F., 2002, ‘Trade credit and product market competition: theory and evidence’, Université

Robert Schuman - Institut d’Etudes Politiques de Strasbourg, Working Paper Series (Maart 2002)

Delannay A.-F. en Weill L., 2004, ‘The determinants of trade credit in transition countries’, Economics

of Planning, 37, 173 – 193

Deloof M. en Jegers M., 1999, ‘Trade credit, corporate groups, and the financing of Belgian firms’,

Journal of business finance & accounting, 26 (7) & (8), (September/Oktober 1999), 945 – 966

Demirgüç-Kunt A. en Maksimovic V., 1998, ‘Law, finance, and firm growth’, The Journal of Finance,

Vol. 53, nr. 6 (December 1998), 2107-2137

Demirgüç-Kunt A. en Maksimovic V., 2001, ‘Firms as financial intermediaries: evidence from trade

credit data’, World Bank Policy Research, Working Paper nr. 2696 (Oktober 2001)

Denizer C. en Wolf H.C., 2000, ‘The saving collapse during the transition in Eastern Europe’, The

World Bank Economic Review, Vol. 14, nr. 3, 445-455

De Pelsmacker P. en Van Kenhove P., 2006, ‘Marktonderzoek: methoden en toepassingen’, Pearson

Education Benelux

Elliehausen E. en Wolken J.D., 1993, ‘The demand for trade credit: an investigation of motives for

trade credit use by small businesses’, Board of Governors of the Federal Reserve System, Staff Study

nr. 165 (September 1993)

Elmendorf D.W. en Mankiw N.G., 1998, ‘Government debt’, National Bureau of Economic Research’,

Working Paper 6470 (Maart 1998)

Emery G.W., 1984, ‘A pure financial explanation for trade credit’, The Journal of Financial and

Quantitative Analysis, Vol. 19, nr. 3 (September 1984), 271-285

IX

Emery G.W., 1987, ‘An optimal financial response to variable demand’, The Journal of Financial and

Quantitative Analysis, Vol. 22, nr. 2 (Juni 1987), 209-225

European Bank for Reconstruction and Development, 1999-2009, ‘Transition report’, Londen: EBRD

European Central Bank, 2010, ‘Monetary policy’, <http://www.ecb.int/mopo/html/index.en.html>

Eurostat, 2010, ‘Government finance statistics’, website Eurostat

<http://epp.eurostat.ec.europa.eu/portal/page/portal/government_finance_statistics/data/main_ta

bles>

Eurostat, 2010, ‘Harmonized indices of consumer prices (HICP)’,

<http://epp.eurostat.ec.europa.eu/portal/page/portal/hicp/data/main_tables>

Ferris J.S., 1981, ‘A transactions theory of trade credit use’, The Quarerly Journal of Economics,

Vol.96, nr. 2 (Mei 1981), 243-270

Fisher S., Sahay R. en Vegh C.A., 1996, ‘Stabilization and growth in transition economies: the early

experience, The Journal of Economic Perspectives, Vol. 10, nr. 2 (Lente 1996), 45-66

Fisman R. en Love I., 2003, ‘Trade credit, financial intermediary development, and industry growth’,

The Journal of Finance, Vol. 58, nr. 1 (Februari 2003), 353 – 374

Frank M. en Maksimovic V., 1998, ‘Trade credit, collateral and adverse selection’, University of

Maryland, Working Paper Series (Mei 1998)

Fries S. en Taci A., 2002, ‘Banking reform and development in transition economies’, European Bank

for Reconstruction and Development, Working paper nr. 71 (Juni 2002)

García-Teruel P.J. en Martínez-Solano P., 2009, ‘A dynamic perspective on the determinants of

accounts payable’, Springer Science+Business Media, LLC 2009

Gobbin N. en Merlevede B., 2000, ‘The Russian crisis: a debt perspective’, Post-Communist

Economies, Vol. 12, nr. 2 (Juni 2000), 141-163

Hausman, J.A., 1978, ‘Specification tests in econometrics’, Econometrica, Vol. 46, nr. 6, 1251-1271

Hersch P., Kemme D. en Netter J., 1997, ‘Access to bank loans in a transition economy: the case of

Hungary’, Journal of comparative economics, 24, 79 – 89

Hsiao C., 2003, ‘Analysis of panel data’, Cambridge University Press, tweede editie

X

Klapper L.F., Sarria-Allende V. en Sulla V., 2002, ‘Small-and medium-size entreprise financing in

Eastern Europe’, World Bank Policy Research, Working paper 2933 (December 2002)

Knaack R.K., 2001, ‘De crisis van de Tsjechische economie’, Tijdschrift voor Economie en

Management, Vol. 46, nr. 1, 81-108

Kornai J., 1980, ‘Economics of shortage’, North-Holland Pub. Co, New York

Long M.S., Malitz I.B. en Ravid S.A., ‘Trade credit, quality guarantees and product marketability’, The

journal of the Finanacial Management Association, Vol. 22, nr.4 (Winter 1993), 117-128

Love I., Preve L.A. en Sarria-Allende V., 2007, ‘Trade credit and bank credit: evidence from recent

financial crises’, Journal of Financial Economics, 83, 453 – 469

Mateut S., 2005, ‘Trade credit and monetary policy transmission’, Journal of Economic Surveys, Vol.

19, nr. 4 (September 2005), 655-670

Merlevede B. en Schoors K., 2007, ‘On the speed of economic reform – A tale of the tortoise and the

hare: evidence from transition countries’, Journal of Economic Policy Reform, Vol. 10, nr. 1 (Maart

2007), 29-50

Merlevede B. en Schoors K., 2009, ‘Privatisation and foreign direct investment in 10 transition

countries’, Pots-Communist Economies, Vol. 21, nr. 2, 143-156

Moore T., 2009, ‘Soft budget constraints in EU transition economy enterprises’, International Finance,

Vol. 12, nr. 3, 411–430

Morris J.R., 1976, ‘On corporate debt maturity strategies’, Journal of Finance, American Finance

Association, Vol. 31(1) (Maart 1976), 29-37

Myers S.C., 1984, ‘The capital structure puzzle’, The Journal of Finance, Vol. 39, nr. 3 (Juli 1984), 575-

592

Myers S.C. en Majluf N., 1984, ‘Corporate financing and investment decisions when firms have

information that investors do not have’, Journal of Financial Economics, Vol. 13, 187-221

Ng C.K., Smith J.K. en Smith R.L., 1999, ’Evidence on the determinants of credit terms used in

interfirm trade’, The Journal of Finance, Vol. 54, nr. 3 (Juni 1999), 1109-1129

Niskanen J. en Niskanen M., 2006, ‘The determinants of corporate trade credit policies in a bank-

dominated financial environment, the case of Finnish small firms’, European Financial Management,

Vol. 12, nr. 1 (Januari 2006), 81-102

XI

Ono M., 2001, ‘Determinants of trade credit in the Japanese manufacturing sector’, Journal of the

Japanese and International Economies, Vol. 15, nr. 2 (Juni 2001), 160-177

Pauly M.V., 1968, ‘The economics of moral hazard: Comment’, The American Economic Review, Vol.

58, nr. 3(1) (Juni 1968), 531-537

Perotti E.C., 1997, ‘Inertial credit and opportunistic arrears in transition’, European Economic Review

42, 1703-1725

Petersen M.A. en Rajan R.G., 1994, ‘The benefits of lending relationships: evidence from small

business data’, The Journal of Finance, Vol. 49, nr. 1 (Maart 1994), 3-37

Petersen M.A. en Rajan R.G., 1997, ‘Trade credit: theories and evidence’, The Review of Financial

Studies, Vol. 10, nr. 3, 661-691

Porter M. E., 1980, ‘Competitive strategy: techniques for analyzing industries and competitors’, Free

Press New York, NY

Ricardo D., 1817, ‘On the principles of political economy and taxation’, London: John Murray

Riess A., Wagenwoort R. en Zajc P., 2002, ‘Practice makes perfect: a review of banking in Central and

Eastern Europe’, EIB Central Papers 7(1), 31–53

Schaffer M.E., 1997, ‘Do firms in transition economies have soft budget constraints? A

reconsideration of concepts and evidence’, Journal of comparative economics, 26, 80–103

Scholtens B., 2000, ‘Financial regulation and financial system architecture in Central Europe, Journal

of Banking & Finance 24, 525-553

Schwartz R.A., 1974, ‘An economic model of trade credit’, Journal of financial and quantitative

analysis, Vol. 9, nr. 4 (September 1974), 643 – 657

Smith J.K., 1987, ‘Trade credit and informational asymmetry’, The Journal of Finance, Vol. 42, nr. 4

(September 1987), 863-872

Spencer R.W. en Yohe W.P., 1970, ‘The “crowding out” of private expenditures by fiscal policy

actions’, Federal Reserve Bank of St. Louis Review, 52 (Oktober 1970), 12-24

Svejnar J., 2002, ‘Transition economies performance and challenges’, The Journal of Economic

Perspectives, Vol. 16, nr. 1 (Winter 2002), 3-28

XII

Vanags A. en Hansen M., 2007, ‘Inflation in Latvia: causes, prospects and consequences’, A Biceps

Report, Occasional paper, nr.2

The World Bank, 2010, ‘World development indicators’,

<http://data.worldbank.org/data-catalog/world-development-indicators>

XIII

LIJST MET BIJLAGEN

Bijlage 1 Lijst met de verschillende sectoren

Bijlagen 2a t.e.m. 2i Correlatiematrices

Bijlage 3a Lijst met eisen i.v.m. ontbrekende of onlogische waarden voor gegevens

uit de jaarrekening

Bijlage 3b Lijst met eisen voor gecreëerde variabelen

Bijlage 4 Resultaten Durbin-Wu-Hausman test

Bijlagen 5a tem 5i Regressieresultaten panel data

Bijlagen 6a t.e.m. 6i Regressieresultaten cross-sectie

BIJLAGE 1: LIJST MET DE VERSCHILLENDE SECTOREN

SECTOR DUMMY NACE-CODE CATEGORIE

Landbouw, bosbouw en visserij SECTOR1 100 - 322 A

Ontginning van delfstoffen SECTOR2 500 - 990 B

Industrie SECTOR3 1000 - 3320 C

Nutsvoorzieningen SECTOR4 3500 - 3900 D+E

Bouwnijverheid SECTOR5 4100 - 4399 F

Groothandel en detailhandel SECTOR6 4500 - 4799 G

Transport SECTOR7 4900 - 5320 H

Hotels en restaurants SECTOR8 5500 - 5630 I

Informatie en communicatie SECTOR9 5800 - 6399 J

Vastgoed SECTOR10 6800 - 6832 L

Vrije beroepen, wetenschappelijke en technische activiteiten

SECTOR11 6900 - 7500 M

Administratieve en ondersteunende diensten

SECTOR12 7700 - 8299 N

Publieke voorzieningen SECTOR13 8400 - 8430 O

Kunst, amusement en recreatie SECTOR14 9000 - 9329 R

Andere diensten 9400 - 9900 S+T+U

Werden in dit onderzoek weggelaten: Financiële activiteiten en verzekeringen (6400-6630; K), Onderwijs (8500-8560; P) en Gezondheidszorg en maatschappelijke dienstverlening (8600-8899; Q). Aan Andere diensten wordt geen dummy toegekend aangezien het de restcategorie betreft.

BIJLAGE 2a: CORRELATIEMATRIX - TSJECHIË

LEV

ERK

R

AA

NK

OO

P

BB

P

INFL

ATI

E

GR

OO

TTE

GR

OEI

RES

ULT

AA

T

CA

SHFL

OW

CA

SH

VLO

TAC

T

HA

ND

ELSK

R

VO

OR

RA

AD

AN

DER

PA

S

KTS

CH

ULD

LTSC

HU

LD

FIN

KO

ST

LEV

ERA

GE

LEVERKR 1,00

AANKOOP 0,16 1,00

BBP -0,09 0,01 1,00

INFLATIE -0,01 0,11 0,00 1,00

GROOTTE 0,04 0,02 -0,03 0,00 1,00

GROEI -0,16 -0,06 0,08 0,33 -0,01 1,00

RESULTAAT 0,02 0,02 0,00 -0,01 0,00 0,00 1,00

CASHFLOW -0,08 -0,02 0,03 0,05 -0,02 0,03 0,00 1,00

CASH -0,15 0,05 -0,01 0,07 0,02 -0,04 -0,01 0,44 1,00

VLOTACT -0,01 -0,08 0,00 -0,09 0,00 -0,21 0,01 0,15 0,24 1,00

HANDELSKR 0,47 0,09 0,04 0,05 0,02 -0,27 -0,01 0,04 0,06 0,34 1,00

VOORRAAD 0,49 0,10 0,02 0,06 0,02 -0,23 -0,01 0,00 0,04 0,00 0,66 1,00

ANDERPAS 0,16 0,06 0,00 0,02 0,02 -0,04 0,00 -0,06 -0,17 -0,25 0,35 -0,12 1,00

KTSCHULD -0,02 -0,04 0,02 -0,01 -0,01 -0,10 0,00 0,12 0,22 0,77 0,41 -0,04 -0,33 1,00

LTSCHULD 0,01 0,05 -0,01 0,19 0,00 -0,06 -0,01 -0,05 -0,01 0,08 0,18 0,12 -0,02 0,14 1,00

FINKOST 0,06 0,05 0,03 0,04 0,01 0,09 0,02 -0,07 -0,13 -0,22 0,08 0,16 0,16 -0,22 -0,13 1,00

LEVERAGE -0,19 -0,05 -0,03 0,05 -0,02 0,07 -0,01 -0,04 -0,11 -0,12 -0,25 -0,22 0,01 -0,15 -0,16 -0,12 1,00

In deze correlatiematrix wordt als afkapwaarde voor de correlatiecoëfficiënten tussen elk paar variabelen de absolute waarde van 0,50 gebruikt. Correlaties die boven deze afkapwaarde liggen zijn vetgedrukt en onderlijnd.

BIJLAGE 2b: CORRELATIEMATRIX - ESTLAND

LEV

ERK

R

AA

NK

OO

P

BB

P

INFL

ATI

E

GR

OO

TTE

GR

OEI

RES

ULT

AA

T

CA

SH

VLO

TAC

T

HA

ND

ELSK

R

VO

OR

RA

AD

AN

DER

PA

S

KTS

CH

ULD

LTSC

HU

LD

FIN

KO

ST

LEV

ERA

GE

LEVERKR 1,00

AANKOOP 0,35 1,00

BBP -0,03 -0,04 1,00

INFLATIE 0,07 -0,03 0,00 1,00

GROOTTE -0,02 0,00 0,10 0,00 1,00

GROEI 0,00 -0,29 0,07 0,20 0,05 1,00

RESULTAAT 0,01 0,00 0,01 0,00 0,01 0,00 1,00

CASH -0,04 -0,05 0,02 0,00 0,01 0,07 0,00 1,00

VLOTACT -0,02 -0,15 0,01 0,00 0,00 0,02 0,00 0,03 1,00

HANDELSKR -0,12 0,11 0,04 -0,01 0,04 -0,25 0,00 0,02 0,02 1,00

VOORRAAD 0,32 0,31 0,01 0,08 0,03 -0,18 0,01 -0,01 0,00 0,48 1,00

ANDERPAS 0,24 0,17 0,00 0,10 0,01 0,03 0,00 0,00 0,01 -0,01 0,48 1,00

KTSCHULD 0,33 0,17 -0,02 0,04 -0,01 -0,01 0,00 -0,03 -0,02 -0,25 0,51 -0,12 1,00

LTSCHULD -0,10 0,13 0,03 0,00 0,04 -0,27 0,00 0,01 0,01 0,98 0,50 0,00 -0,26 1,00

FINKOST 0,02 0,25 0,01 -0,03 0,01 -0,28 -0,01 -0,04 -0,01 0,18 0,22 0,15 0,00 0,20 1,00

LEVERAGE 0,00 -0,03 -0,03 -0,06 -0,02 -0,02 0,00 -0,02 -0,02 -0,28 -0,15 -0,06 0,10 -0,27 -0,16 1,00

In deze correlatiematrix wordt als afkapwaarde voor de correlatiecoëfficiënten tussen elk paar variabelen de absolute waarde van 0,50 gebruikt. Correlaties die boven deze afkapwaarde liggen zijn vetgedrukt en onderlijnd.

BIJLAGE 2c: CORRELATIEMATRIX – HONGARIJE

LEV

ERK

R

AA

NK

OO

P

BB

P

INFL

ATI

E

GR

OO

TTE

GR

OEI

RES

ULT

AA

T

CA

SHFL

OW

CA

SH

VLO

TAC

T

HA

ND

ELSK

R

VO

OR

RA

AD

AN

DER

PA

S

KTS

CH

ULD

LTSC

HU

LD

FIN

KO

ST

LEV

ERA

GE

LEVERKR 1,00

AANKOOP 0,44 1,00

BBP 0,01 0,02 1,00

INFLATIE -0,04 -0,01 0,01 1,00

GROOTTE -0,01 -0,02 -0,96 0,00 1,00

GROEI -0,05 -0,19 -0,02 -0,08 0,01 1,00

RESULTAAT 0,03 -0,01 0,03 0,00 -0,03 -0,01 1,00

CASHFLOW -0,01 -0,01 -0,01 0,00 0,01 -0,01 0,00 1,00

CASH -0,08 0,01 0,04 -0,01 -0,04 -0,02 0,01 0,01 1,00

VLOTACT -0,05 0,10 0,02 0,04 -0,02 0,01 0,01 -0,01 0,23 1,00

HANDELSKR 0,31 0,38 0,00 0,05 0,01 -0,04 0,01 -0,02 0,09 0,41 1,00

VOORRAAD 0,36 0,31 0,00 0,03 0,00 -0,07 -0,01 -0,01 0,05 0,04 0,53 1,00

ANDERPAS 0,20 0,21 0,00 -0,04 0,01 0,03 -0,01 -0,01 -0,14 -0,19 0,39 -0,10 1,00

KTSCHULD -0,07 0,06 0,00 0,07 0,00 -0,02 0,03 -0,01 0,19 0,67 0,54 -0,07 -0,26 1,00

LTSCHULD -0,13 0,07 0,00 0,11 0,00 -0,06 0,01 -0,01 0,11 0,15 0,24 0,18 -0,12 0,26 1,00

FINKOST 0,06 0,06 0,00 -0,08 0,00 0,00 0,00 -0,01 -0,16 -0,21 -0,02 -0,08 0,30 -0,21 -0,26 1,00

LEVERAGE -0,13 -0,19 0,02 -0,03 -0,02 -0,03 0,00 -0,02 -0,11 -0,18 -0,35 -0,22 -0,08 -0,20 -0,23 0,04 1,00

In deze correlatiematrix wordt als afkapwaarde voor de correlatiecoëfficiënten tussen elk paar variabelen de absolute waarde van 0,50 gebruikt. Correlaties die boven deze afkapwaarde liggen zijn vetgedrukt en onderlijnd.

BIJLAGE 2d: CORRELATIEMATRIX - LETLAND

LEV

ERK

R

AA

NK

OO

P

BB

P

INFL

ATI

E

GR

OO

TTE

GR

OEI

RES

ULT

AA

T

CA

SH

VLO

TAC

T

HA

ND

ELSK

R

VO

OR

RA

AD

AN

DER

PA

S

KTS

CH

ULD

LTSC

HU

LD

FIN

KO

ST

LEV

ERA

GE

LEVERKR 1,00

AANKOOP 0,36 1,00

BBP -0,03 -0,05 1,00

INFLATIE 0,03 -0,01 0,00 1,00

GROOTTE -0,05 -0,06 0,73 0,00 1,00

GROEI -0,15 -0,32 0,20 0,23 0,23 1,00

RESULTAAT 0,09 0,08 0,00 0,02 -0,02 0,00 1,00

CASH -0,06 -0,06 0,05 -0,02 0,03 0,05 -0,02 1,00

VLOTACT 0,06 0,07 0,07 0,06 0,05 -0,11 0,04 0,05 1,00

HANDELSKR 0,50 0,33 0,00 0,05 -0,01 -0,27 0,05 -0,01 0,24 1,00

VOORRAAD 0,40 0,33 -0,02 0,10 -0,02 -0,07 0,05 -0,01 -0,04 0,59 1,00

ANDERPAS 0,24 0,08 -0,03 -0,06 -0,03 -0,23 -0,01 -0,03 -0,23 0,59 -0,14 1,00

KTSCHULD 0,05 0,06 0,07 0,05 0,05 -0,09 0,04 0,06 0,99 0,23 -0,05 -0,24 1,00

LTSCHULD -0,08 0,06 0,09 -0,03 0,09 -0,17 -0,01 0,01 0,19 0,13 0,08 -0,02 0,18 1,00

FINKOST -0,10 0,02 -0,02 -0,01 0,00 0,02 -0,01 -0,02 -0,24 0,04 0,04 0,16 -0,24 -0,16 1,00

LEVERAGE -0,31 -0,24 0,02 -0,09 0,02 0,08 0,01 -0,03 -0,23 -0,45 -0,27 -0,18 -0,24 -0,21 -0,04 1,00

In deze correlatiematrix wordt als afkapwaarde voor de correlatiecoëfficiënten tussen elk paar variabelen de absolute waarde van 0,50 gebruikt. Correlaties die boven deze afkapwaarde liggen zijn vetgedrukt en onderlijnd.

BIJLAGE 2e: CORRELATIEMATRIX – LITOUWEN

LEV

ERK

R

AA

NK

OO

P

BB

P

INFL

ATI

E

GR

OO

TTE

GR

OEI

RES

ULT

AA

T

CA

SH

VLO

TAC

T

HA

ND

ELSK

R

VO

OR

RA

AD

AN

DER

PA

S

KTS

CH

ULD

LTSC

HU

LD

LEV

ERA

GE

LEVERKR 1,00

AANKOOP 0,45 1,00

BBP -0,03 -0,01 1,00

INFLATIE -0,10 -0,05 0,00 1,00

GROOTTE -0,02 -0,01 0,10 0,00 1,00

GROEI -0,21 -0,27 0,10 0,18 0,20 1,00

RESULTAAT 0,11 0,09 -0,03 -0,02 0,02 -0,02 1,00

CASH -0,11 -0,11 0,02 0,03 0,05 0,07 0,09 1,00

VLOTACT -0,02 0,07 -0,01 0,01 0,02 -0,13 0,08 0,12 1,00

HANDELSKR 0,48 0,40 0,01 -0,12 0,00 -0,27 0,05 0,00 0,24 1,00

VOORRAAD 0,52 0,43 0,01 -0,13 -0,02 -0,16 0,07 -0,05 -0,04 0,63 1,00

ANDERPAS 0,19 0,08 -0,01 -0,05 -0,05 -0,21 -0,04 -0,06 -0,11 0,58 -0,03 1,00

KTSCHULD -0,06 0,07 0,03 0,00 0,10 -0,03 0,05 0,15 0,67 0,29 -0,13 -0,20 1,00

LTSCHULD -0,08 0,07 0,01 -0,03 0,06 0,01 0,14 0,01 0,14 -0,04 -0,04 -0,14 0,17 1,00

LEVERAGE 0,10 0,19 0,02 -0,04 0,00 -0,03 0,04 -0,10 -0,18 0,24 0,21 0,20 -0,10 -0,15 1,00

In deze correlatiematrix wordt als afkapwaarde voor de correlatiecoëfficiënten tussen elk paar variabelen de absolute waarde van 0,50 gebruikt. Correlaties die boven deze afkapwaarde liggen zijn vetgedrukt en onderlijnd.

BIJLAGE 2f: CORRELATIEMATRIX – POLEN

LEV

ERK

R

AA

NK

OO

P

BB

P

INFL

ATI

E

GR

OO

TTE

GR

OEI

RES

ULT

AA

T

CA

SHFL

OW

CA

SH

VLO

TAC

T

HA

ND

ELSK

R

VO

OR

RA

AD

AN

DER

PA

S

KTS

CH

ULD

LTSC

HU

LD

FIN

KO

ST

LEV

ERA

GE

LEVERKR 1,00

AANKOOP 0,58 1,00

BBP -0,08 -0,03 1,00

INFLATIE -0,01 -0,09 0,00 1,00

GROOTTE 0,03 0,03 -0,39 0,00 1,00

GROEI -0,22 -0,20 0,13 0,20 -0,06 1,00

RESULTAAT -0,03 -0,02 -0,03 0,00 0,05 0,02 1,00

CASHFLOW 0,00 0,00 0,00 0,01 0,00 0,01 0,01 1,00

CASH -0,08 0,12 0,11 -0,03 -0,02 -0,06 -0,01 0,16 1,00

VLOTACT -0,06 -0,02 0,12 -0,01 -0,04 -0,04 0,00 0,03 0,18 1,00

HANDELSKR 0,58 0,40 0,03 0,01 0,00 -0,16 -0,04 0,02 0,07 0,19 1,00

VOORRAAD 0,56 0,31 -0,05 0,02 0,02 -0,14 -0,03 0,00 0,06 -0,07 0,72 1,00

ANDERPAS 0,31 0,29 0,03 0,00 0,00 -0,08 -0,03 0,02 -0,05 -0,12 0,64 0,06 1,00

KTSCHULD -0,05 -0,03 0,13 -0,02 -0,04 -0,03 -0,01 0,03 0,18 0,92 0,20 -0,08 -0,15 1,00

LTSCHULD -0,19 -0,20 0,04 -0,04 -0,04 0,00 -0,02 0,01 -0,08 0,13 -0,09 -0,06 -0,15 0,15 1,00

FINKOST 0,09 0,17 -0,08 0,00 0,05 -0,04 0,05 -0,03 -0,12 -0,21 0,26 0,16 0,32 -0,20 -0,22 1,00

LEVERAGE -0,15 -0,06 -0,12 0,04 0,09 0,06 0,07 -0,02 -0,10 -0,13 -0,27 -0,24 -0,08 -0,14 -0,19 -0,01 1,00

In deze correlatiematrix wordt als afkapwaarde voor de correlatiecoëfficiënten tussen elk paar variabelen de absolute waarde van 0,50 gebruikt. Correlaties die boven deze afkapwaarde liggen zijn vetgedrukt en onderlijnd.

BIJLAGE 2g: CORRELATIEMATRIX – SLOWAKIJE

LEV

ERK

R

AA

NK

OO

P

BB

P

INFL

ATI

E

GR

OO

TTE

GR

OEI

RES

ULT

AA

T

CA

SHFL

OW

CA

SH

VLO

TAC

T

HA

ND

ELSK

R

VO

OR

RA

AD

AN

DER

PA

S

KTS

CH

ULD

LTSC

HU

LD

FIN

KO

ST

LEV

ERA

GE

LEVERKR 1,00

AANKOOP 0,13 1,00

BBP 0,00 -0,03 1,00

INFLATIE -0,02 0,02 -0,59 1,00

GROOTTE -0,10 -0,05 -0,09 0,03 1,00

GROEI 0,00 -0,01 -0,01 0,01 0,00 1,00

RESULTAAT 0,01 0,00 0,02 -0,01 -0,02 0,00 1,00

CASHFLOW -0,05 0,03 0,06 -0,02 -0,03 0,00 0,05 1,00

CASH -0,02 -0,04 0,08 -0,03 -0,30 0,01 0,01 0,10 1,00

VLOTACT 0,46 0,06 0,07 -0,04 -0,30 0,01 0,02 0,05 0,42 1,00

HANDELSKR 0,46 0,07 0,05 -0,03 -0,15 0,00 0,01 0,02 -0,02 0,65 1,00

VOORRAAD 0,19 0,07 -0,03 0,00 -0,02 -0,01 0,00 -0,04 -0,24 0,27 -0,16 1,00

ANDERPAS -0,03 -0,05 0,07 -0,02 -0,25 0,02 0,02 0,09 0,84 0,47 -0,06 -0,28 1,00

KTSCHULD -0,12 0,02 0,07 -0,03 -0,28 0,00 -0,01 0,01 0,08 0,12 0,07 -0,02 0,10 1,00

LTSCHULD 0,01 0,04 0,03 -0,03 0,16 0,00 0,00 -0,03 -0,23 0,02 0,04 0,18 -0,18 -0,12 1,00

FINKOST -0,13 0,00 0,00 0,00 0,05 0,00 -0,01 -0,02 -0,13 -0,21 -0,13 -0,06 -0,10 -0,11 -0,05 1,00

LEVERAGE 0,00 -0,01 -0,01 0,01 -0,01 0,00 0,00 0,01 0,03 0,01 0,00 -0,01 0,02 0,00 -0,01 -0,01 1,00

In deze correlatiematrix wordt als afkapwaarde voor de correlatiecoëfficiënten tussen elk paar variabelen de absolute waarde van 0,50 gebruikt. Correlaties die boven deze afkapwaarde liggen zijn vetgedrukt en onderlijnd.

BIJLAGE 2h: CORRELATIEMATRIX - BULGARIJE

LEV

ERK

R

AA

NK

OO

P

BB

P

INFL

ATI

E

GR

OO

TTE

GR

OEI

RES

ULT

AA

T

CA

SHFL

OW

CA

SH

VLO

TAC

T

HA

ND

ELSK

R

VO

OR

RA

AD

AN

DER

PA

S

KTS

CH

ULD

LTSC

HU

LD

FIN

KO

ST

LEV

ERA

GE

LEVERKR 1,00

AANKOOP 0,04 1,00

BBP -0,07 -0,06 1,00

INFLATIE -0,03 -0,05 0,00 1,00

GROOTTE -0,02 -0,02 0,18 0,00 1,00

GROEI -0,13 -0,11 0,18 0,20 0,07 1,00

RESULTAAT 0,02 0,03 -0,02 0,00 0,02 0,02 1,00

CASHFLOW -0,03 -0,01 0,02 -0,01 0,01 0,02 0,02 1,00

CASH -0,13 0,10 0,12 0,01 0,06 -0,12 0,04 0,09 1,00

VLOTACT 0,05 0,02 0,05 -0,02 0,03 -0,29 0,01 0,02 0,27 1,00

HANDELSKR 0,35 -0,03 0,03 -0,01 0,02 -0,27 0,02 0,00 0,02 0,38 1,00

VOORRAAD 0,20 0,01 0,08 0,05 0,03 0,07 0,03 0,01 0,00 -0,10 0,40 1,00

ANDERPAS 0,21 -0,05 -0,06 -0,03 -0,02 -0,11 -0,01 -0,02 -0,19 -0,29 0,50 -0,24 1,00

KTSCHULD 0,04 0,01 0,05 -0,02 0,03 -0,30 0,01 0,02 0,27 0,97 0,38 -0,10 -0,31 1,00

LTSCHULD -0,19 0,01 -0,14 0,00 -0,06 -0,17 0,02 -0,02 -0,10 0,01 0,12 0,08 0,04 0,03 1,00

FINKOST -0,04 0,01 0,06 0,03 0,02 0,17 0,01 -0,01 -0,11 -0,16 0,01 0,07 0,09 -0,16 -0,13 1,00

LEVERAGE -0,17 -0,03 0,09 0,02 0,00 0,16 0,00 -0,02 -0,08 -0,20 -0,27 -0,12 -0,05 -0,19 -0,21 -0,04 1,00

In deze correlatiematrix wordt als afkapwaarde voor de correlatiecoëfficiënten tussen elk paar variabelen de absolute waarde van 0,50 gebruikt. Correlaties die boven deze afkapwaarde liggen zijn vetgedrukt en onderlijnd.

BIJLAGE 2i: CORRELATIEMATRIX – ROEMENIË

LEV

ERK

R

AA

NK

OO

P

BB

P

INFL

ATI

E

GR

OO

TTE

GR

OEI

RES

ULT

AA

T

CA

SHFL

OW

CA

SH

VLO

TAC

T

HA

ND

ELSK

R

VO

OR

RA

AD

AN

DER

PA

S

KTS

CH

ULD

LTSC

HU

LD

FIN

KO

ST

LEV

ERA

GE

LEVERKR 1,00

AANKOOP 0,19 1,00

BBP 0,02 0,05 1,00

INFLATIE 0,01 0,06 0,00 1,00

GROOTTE 0,02 0,05 1,00 0,00 1,00

GROEI -0,01 -0,39 -0,11 -0,08 -0,11 1,00

RESULTAAT 0,01 0,00 0,01 0,00 0,01 0,00 1,00

CASHFLOW -0,01 0,00 0,00 0,00 0,00 0,00 0,00 1,00

CASH -0,25 -0,02 0,08 0,03 0,08 -0,04 0,00 0,01 1,00

VLOTACT -0,02 0,02 0,02 0,00 0,02 -0,08 0,01 0,00 0,33 1,00

HANDELSKR 0,45 0,23 0,03 0,02 0,03 -0,13 0,00 0,00 0,03 0,24 1,00

VOORRAAD 0,17 -0,05 0,51 -0,02 0,51 0,04 0,00 0,00 0,07 -0,03 0,28 1,00

ANDERPAS 0,24 0,35 0,03 0,06 0,03 -0,25 0,00 -0,01 -0,18 -0,25 0,47 -0,20 1,00

KTSCHULD 0,09 -0,08 -0,42 -0,01 -0,42 0,09 0,00 0,00 0,15 0,53 0,33 -0,34 -0,36 1,00

LTSCHULD -0,34 0,04 0,03 0,03 0,03 -0,30 0,00 0,01 0,16 0,12 0,05 -0,01 0,02 0,05 1,00

FINKOST -0,11 0,01 0,00 0,00 0,00 0,13 0,00 0,00 -0,10 -0,18 -0,12 -0,04 0,02 -0,11 -0,20 1,00

LEVERAGE -0,15 -0,10 -0,06 0,00 -0,06 0,16 0,00 0,00 -0,03 -0,09 -0,23 -0,08 -0,13 -0,03 -0,13 0,00 1,00

In deze correlatiematrix wordt als afkapwaarde voor de correlatiecoëfficiënten tussen elk paar variabelen de absolute waarde van 0,50 gebruikt. Correlaties die boven deze afkapwaarde liggen zijn vetgedrukt en onderlijnd.

BIJLAGE 2j: CORRELATIEMATRIX – TRANSITIE

LEV

ERK

R

TRA

NSi

BA

NK

HER

TRA

NSe

BB

P

INFL

ATI

E

OV

ERH

LEN

LEVERKR 1,00

TRANSi -0,81 1,00

BANKHER -0,64 0,82 1,00

TRANSe -0,81 0,99 0,75 1,00

BBP -0,02 0,02 0,18 -0,01 1,00

INFLATIE 0,47 -0,51 -0,42 -0,51 -0,03 1,00

OVERHLEN 0,03 0,19 -0,10 0,24 -0,37 0,26 1,00

In deze correlatiematrix wordt als afkapwaarde voor de correlatiecoëfficiënten tussen elk paar variabelen de absolute waarde van 0,50 gebruikt. Correlaties die boven deze afkapwaarde liggen zijn vetgedrukt en onderlijnd.

BIJLAGE 3a: LIJST MET EISEN I.V.M. ONTBREKENDE OF ONLOGISCHE WAARDEN VOOR GEGEVENS UIT DE JAARREKENING

- Ontbrekende waarde voor ‘totale activa’ - ‘Totale activa’ kleiner dan 0 - Ontbrekende waarde voor ‘leverancierskrediet’ - ‘Leverancierskrediet’ kleiner dan 0 - Ontbrekende waarde voor ‘verkopen’ - ‘Verkopen’ kleiner dan 1 - Ontbrekende waarde voor ‘resultaat na

belastingen’; - Ontbrekende waarde voor ‘resultaat voor

belastingen’ - Ontbrekende waarde voor ‘vlottende activa’ - ‘Vlottende activa’ kleiner dan 0 - Ontbrekende waarde voor ‘handelskrediet’ - ‘Handelskrediet’ kleiner dan 0 - Ontbrekende waarde voor ‘voorraad’ - ‘Voorraad’ kleiner dan 0 - Ontbrekende waarde voor ‘liquide middelen’ - ‘Liquide middelen’ kleiner dan 0 - Ontbrekende waarde voor ‘andere vlottende

activa’ - ‘Andere vlottende activa’ kleiner dan 0 - Ontbrekende waarde voor ‘korte termijn

schulden’

- ‘Korte termijn schulden’ kleiner dan 0 - Ontbrekende ‘lange termijn schulden’ - ‘Lange termijn schulden’ kleiner dan0 - Ontbrekende waarde voor ‘andere korte

termijn schulden’ - ‘Andere korte termijn schulden’ kleiner dan 0 - Ontbrekende waarde voor ‘korte termijn

passiva’ - ‘Korte termijn passiva’ kleiner dan 0 - Ontbrekende waarde voor ‘lange termijn

passiva’ - ‘Lange termijn passiva’ kleiner dan 0 - Ontbrekende waarde voor ‘eigen vermogen’ - ‘Eigen vermogen kleiner dan 0 - Ontbrekende waarde voor ‘materiaalkosten’ - ‘Materiaalkosten’ kleiner dan 0 - Ontbrekende waarde voor ‘cash flow’ - Ontbrekende waarde voor ‘financiële

uitgaven’ - De onderneming staat niet gerapporteerd als

‘actief’ - Ontbrekende waarde voor ‘aandeel

buitenlandse investeerders’

Ondernemingen die aan één of meer van deze eisen voldoen, worden uit onze steekproef weerhouden.

BIJLAGE 3b: LIJST MET EISEN VOOR GECREËERDE VARIABELEN

- LEVERKR groter dan 1 - LEVERKR gelijk aan 0 - VLOTACT groter dan 1 - HANDELSKR groter dan 1 - VOORRAAD groter dan 1 - CASH groter dan 1 - ANDERACT groter dan 1

- ANDERPAS groter dan 1 - KTSCHULD groter dan 1 - LTSCHULD groter dan 1 - ANDERPAS groter dan 1 - LEVERAGE kleiner dan 0 - AANKOOP kleiner dan 0 - FINKOST kleiner dan 0

Na het berekenen van de variabelen worden ondernemingen met variabelen die aan één of meer van deze eisen voldoen, geschrapt.

BIJLAGE 4: RESULTATEN DURBIN-WU-HAUSMAN TEST

TSJE

CH

IË

ESTL

AN

D

HO

NG

AR

IJE

LET

LAN

D

LITO

UW

EN

PO

LEN

SLO

WA

KIJ

E

BU

LGA

RIJ

E

RO

EMEN

IË

Chi² 90,74

***

572,04 ***

528,87 ***

238,09 ***

197,21 ***

225.86 ***

24,30 *

453,67 ***

6398,77 ***

*, ** en *** geven aan dat de schattingen significant zijn op niveaus 5%, 1% en 0,1%

BIJLAGE 5a: REGRESSIERESULTATEN PANEL DATA – TSJECHIË 522 bedrijven – 3654 waarnemingen

MODEL 2 MODEL 3 MODEL 4 MODEL 5 MODEL 6 MODEL 7 MODEL 8 MODEL 9 MODEL 10 MODEL 11 MODEL 12

AANKOOP 0,0502 *** 0,0496 *** 0,0515 *** 0,0433 *** 0,0430 *** 0,0410 *** 0,0430 0,0400 *** 0,0394 *** 0,0369 *** 0,0394 ***

8,70 8,57 8,89 7,51 7,56 7,29 7,46 7,10 7,15 6,88 7,00

BBP -0,8799 *** -0,8742 *** -0,8799 *** -0,9823 *** -0,9772 *** -1,0276 *** -0,9878 -0,9708 *** -0,9693 *** -1,0499 *** -0,9824 ***

-11,44 -10,64 -10,78 -12,12 -12,21 -12,99 -12,18 -12,39 -12,64 -14,04 -12,53

INFLATIE 0,4706 *** 0,4660 *** 0,4924 *** 0,4355 *** 0,4517 *** 0,4389 *** 0,4409 0,3897 *** 0,4089 *** 0,3895 *** 0,4022 ***

4,31 4,27 4,54 4,07 4,28 4,21 4,12 3,75 4,02 3,94 3,87

GROOTTE -0,0001 -0,0010 0,0025 0,0066 0,0106 ** 0,0031 0,0019 0,0071 0,0123 ** 0,0027

-0,03 -0,24 0,60 1,62 2,60 0,74 0,48 1,80 3,18 0,66

GROEI 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001

-1,81 1,68 1,50 1,54 1,44 1,50 1,53 1,58 1,45 1,53

RESULTAAT -0,0207 0,0074 0,0019 -0,0008 -0,0021 0,0023 -0,0023 -0,0070 -0,0097 -0,0024

1,70 0,61 0,16 -0,06 -0,18 0,19 -0,20 -0,61 -0,88 -0,21

CASHFLOW -0,1467 *** -0,1340 *** -0,1473 *** -0,1575 *** -0,1367 -0,1546 *** -0,1740 *** -0,1895 *** -0,1592 ***

-6,57 -6,08 -6,76 -7,31 -6,19 -7,23 -8,30 -9,28 -7,43

CASH -0,0155 -0,0960 *** -0,1049 *** -0,1064 *** -0,0973 0,0846 *** 0,0776 *** 0,0449 * 0,0819 ***

-0,71 -4,16 -4,60 -4,73 -4,22 3,79 3,54 2,10 3,67

VLOTACT 0,1789 *** 0,1783 *** 0,1504 *** 0,1768

10,04 10,12 8,53 9,91

HANDELSKR 0,2636 *** 0,2749 *** 0,2415 *** 0,2617 ***

12,64 13,45 12,06 12,55

VOORRAAD 0,1988 *** 0,2090 *** 0,1884 *** 0,2012 ***

7,95 8,54 7,90 8,05

ANDERPAS -0,1923 *** -0,2248 *** -0,2779 *** -0,1950 ***

-11,56 -13,56 -16,75 -11,65

KTSCHULD -0,2219 *** -0,2516 *** -0,2938 *** -0,3474 ***

-8,76 -9,98 -11,86 -14,23

LTSCHULD -0,1802 *** -0,2516 ***

-9,38 -13,50

FINKOST 0,0035 0,0028 0,0043 0,0014 -0,0005 0,0028

1,44 1,17 1,75 0,60 -0,21 1,16

LEVERAGE -0,0015 -0,0025 **

-1,77 -2,94

F-waarde 16,12 *** 15,70 *** 15,26 *** 13,39 *** 13,76 *** 14,13 *** 13,41 *** 13,40 *** 13,94 *** 14,80 *** 13,44 ***

R² Within 0,0682 0,0700 0,0832 0,1119 0,1341 0,1578 0,1137 0,1634 0,1999 0,2440 0,1661

R² Between 0,0258 0,0286 0,0479 0,3052 0,2422 0,2093 0,2980 0,3230 0,2719 0,2263 0,3139

R² Overall 0,0348 0,0375 0,0556 0,2503 0,2093 0,1927 0,2449 0,2807 0,2505 0,2288 0,2744

Het bovenste cijfer geeft telkens de Bètacoëfficiënt weer. Onder deze Bètacoëfficiënt is (cursief) de bijbehorende t-waarde voor deze coëfficiënt weergegeven. *, ** en *** geven aan dat de schattingen van de Bètacoëfficiënt significant zijn op niveaus 5%, 1% en 0,1%

BIJLAGE 5b: REGRESSIERESULTATEN PANEL DATA – ESTLAND 3596 bedrijven – 25172 waarnemingen

MODEL 2 MODEL 3 MODEL 4 MODEL 5 MODEL 6 MODEL 7 MODEL 8 MODEL 9 MODEL 10 MODEL 11 MODEL 12

AANKOOP 0,0074 *** 0,0056 *** 0,0058 *** 0,0045 *** 0,0043 *** 0,0041 *** 0,0045 *** 0,0049 *** 0,0047 *** 0,0045 *** 0,0049 ***

18,27 13,12 13,27 10,54 10,16 9,60 10,54 11,53 11,16 10,56 11,54

BBP -0,3269 *** -0,1910 *** -0,1474 ** -0,1617 *** -0,1787 *** -0,2067 *** -0,1616 *** -0,1346 ** -0,1514 ** -0,1816 *** -0,1345 **

-7,09 -4,07 -3,14 -3,53 -3,91 -4,53 -3,53 -2,95 -3,33 -4,01 -2,94

INFLATIE -0,1641 *** -0,0928 ** -0,0620 -0,1125 *** -0,1181 *** -0,1264 *** -0,1127 *** -0,0901 ** -0,0945 ** -0,1030 ** -0,0902 **

-5,17 -2,90 -1,94 -3,60 -3,78 -4,06 -3,60 -2,89 -3,04 -3,33 -2,89

GROOTTE -0,0155 *** -0,0157 *** -0,0106 *** -0,0108 *** -0,0086 *** -0,0106 *** -0,0127 *** -0,0131 *** -0,0105 *** -0,0127 ***

-13,65 -13,81 -9,45 -9,63 -7,63 -9,45 -11,42 -11,77 -9,36 -11,42

GROEI 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000

0,25 0,35 0,18 0,13 0,31 0,18 0,34 0,30 0,53 0,34

RESULTAAT -0,0004 -0,0003 -0,0004 -0,0004 -0,0005 * -0,0004 -0,0004 -0,0005 * -0,0006 ** -0,0004

-1,67 -1,26 -1,68 -1,84 -2,34 -1,67 -1,96 -2,19 -2,86 -1,95

CASHFLOW 0,0004 0,0001 -0,0001 -0,0003 0,0001 0,0000 -0,0001 -0,0005 0,0000

0,90 0,12 -0,15 -0,68 0,12 0,03 -0,30 -0,95 0,03

CASH -0,0680 *** -0,1585 *** -0,1668 *** -0,1690 *** -0,1585 *** -0,0130 * -0,0243 *** -0,0466 *** -0,0129 *

-13,61 -28,11 -29,38 -29,85 -28,11 -2,52 -4,67 -8,63 -2,50

VLOTACT 0,1498 *** 0,1488 *** 0,1325 *** 0,1499 ***

32,04 31,91 27,33 32,05

HANDELSKR 0,1276 *** 0,1233 *** 0,1028 *** 0,1276 ***

22,26 21,57 17,55 22,27

VOORRAAD 0,1809 *** 0,1846 *** 0,1666 *** 0,1809 ***

28,18 28,85 25,69 28,19

ANDERPAS -0,1169 *** -0,1295 *** -0,1433 *** -0,1169 ***

-14,65 -16,18 -17,89 -14,65

KTSCHULD -0,0697 *** -0,0761 *** -0,0862 *** -0,0957 ***

-10,59 -11,55 -13,03 -14,45

LTSCHULD -0,0649 *** -0,0798 ***

-11,86 -14,60

LEVERAGE 0,0000 0,0000

0,74 0,70

F-waarde 8,52 *** 8,54 *** 8,39 *** 7,92 *** 7,98 *** 8,04 *** 7,91 *** 8,06 *** 8,14 *** 8,24 *** 8,05 ***

R² Within 0,0199 0,0286 0,0369 0,0807 0,0854 0,0914 0,0807 0,0884 0,0955 0,1044 0,0884

R² Between 0,2357 0,0144 0,0328 0,2498 0,2449 0,2529 0,2500 0,2284 0,2224 0,2296 0,2286

R² Overall 0,1182 0,0169 0,0335 0,1909 0,1893 0,1957 0,1910 0,1809 0,1794 0,1868 0,1810

Het bovenste cijfer geeft telkens de Bètacoëfficiënt weer. Onder deze Bètacoëfficiënt is (cursief) de bijbehorende t-waarde voor deze coëfficiënt weergegeven. *, ** en *** geven aan dat de schattingen van de Bètacoëfficiënt significant zijn op niveaus 5%, 1% en 0,1%

BIJLAGE 5c: REGRESSIERESULTATEN PANEL DATA – HONGARIJE 2491 bedrijven – 7473 waarnemingen

MODEL 2 MODEL 3 MODEL 4 MODEL 5 MODEL 6 MODEL 7 MODEL 8 MODEL 9 MODEL 10 MODEL 11 MODEL 12

AANKOOP 0,0103 *** 0,0128 *** 0,0131 *** 0,0105 *** 0,0089 *** 0,0084 *** 0,0104 *** 0,0092 *** 0,0069 *** 0,0058 ** 0,0091 ***

6,64 6,32 6,49 5,27 4,51 4,29 5,23 4,80 3,68 3,14 4,76

BBP 0,0982 * 0,1979 *** 0,2228 *** 0,2330 *** 0,2405 *** 0,2890 *** 0,2327 *** 0,2334 *** 0,2482 *** 0,3293 *** 0,2332 ***

2,08 3,74 4,22 4,49 4,68 5,64 4,49 4,69 5,10 6,86 4,68

GROOTTE 0,0333 *** 0,0338 *** 0,0288 *** 0,0296 *** 0,0347 *** 0,0289 *** 0,0335 *** 0,0356 *** 0,0441 *** 0,0335 ***

9,20 9,35 8,09 8,39 9,79 8,11 9,75 10,59 13,20 9,75

GROEI 0,0006 ** 0,0006 ** 0,0007 *** 0,0006 *** 0,0005 ** 0,0007 *** 0,0006 ** 0,0005 ** 0,0004 * 0,0006 **

3,10 3,20 3,73 3,51 3,00 0,01 3,36 3,04 2,27 3,36

RESULTAAT 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000

-0,02 0,04 0,00 0,26 -0,06 3,73 0,01 0,39 -0,10 0,01

CASHFLOW -0,0264 *** -0,0345 *** -0,0420 *** -0,0493 *** -0,0350 *** -0,0384 *** -0,0498 *** -0,0631 *** -0,0388 ***

-3,50 -4,65 -5,69 -6,69 -4,70 -5,39 -7,11 -9,12 -5,44

CASH -0,0578 *** -0,1001 *** -0,1035 *** -0,1054 *** -0,1000 *** 0,0304 ** 0,0320 ** 0,0194 0,0305 **

-5,35 -9,07 -9,47 -9,72 -9,06 2,75 2,96 1,82 2,76

VLOTACT 0,1433 *** 0,1460 *** 0,1329 *** 0,1432 ***

13,86 14,26 12,96 13,85

HANDELSKR 0,2066 *** 0,2105 *** 0,1974 *** 0,2070 ***

18,17 18,93 18,07 18,21

VOORRAAD 0,1215 *** 0,1375 *** 0,1276 *** 0,1216 ***

8,90 10,26 9,71 8,90

ANDERPAS -0,1647 *** -0,1939 *** -0,2223 *** -0,1641 ***

-17,83 -20,96 -24,01 -17,75

KTSCHULD -0,1267 *** -0,1570 *** -0,1832 *** -0,2376 ***

-10,22 -12,34 -15,19 -19,22

LTSCHULD -0,1199 *** -0,1836 ***

-9,24 -14,86

FINKOST 0,0006 * 0,0006 * 0,0007 * 0,0005 * 0,0005 0,0006 *

2,29 2,25 2,32 2,02 1,82 2,16

LEVERAGE 0,0000 0,0000

0,08 -0,03

F-waarde 8,74 *** 8,00 *** 7,89 *** 7,83 *** 8,02 *** 8,19 *** 7,81 *** 7,84 *** 8,25 *** 8,67 *** 7,82 ***

R² Within 0.0068 0.0236 0.0320 0.0671 0.0869 0.1019 0.0682 0.1408 0.1789 0.2129 0.1418

R² Between 0.2550 0.0007 0.0012 0.0352 0.0243 0.0165 0.0349 0.0480 0.0336 0.0226 0.0479

R² Overall 0.1899 0.0007 0.0014 0.0337 0.0251 0.0181 0.0334 0.0497 0.0383 0.0275 0.0495

Het bovenste cijfer geeft telkens de Bètacoëfficiënt weer. Onder deze Bètacoëfficiënt is (cursief) de bijbehorende t-waarde voor deze coëfficiënt weergegeven. *, ** en *** geven aan dat de schattingen van de Bètacoëfficiënt significant zijn op niveaus 5%, 1% en 0,1%

BIJLAGE 5d: REGRESSIERESULTATEN PANEL DATA – LETLAND 978 bedrijven – 6846 waarnemingen

MODEL 2 MODEL 3 MODEL 4 MODEL 5 MODEL 6 MODEL 7 MODEL 8 MODEL 9 MODEL 10 MODEL 11 MODEL 12

AANKOOP 0,0139 *** 0,0128 *** 0,0129 *** 0,0068 *** 0,0050 ** 0,0017 0,0066 *** 0,0072 *** 0,0055 ** 0,0005 0,0070 ***

7,95 6,80 6,88 3,74 2,85 0,42 3,66 4,03 3,19 0,33 3,94

BBP -0,2966 *** -0,3022 *** -0,3287 *** -0,4174 *** -0,4558 *** 0,0758 *** -0,3833 *** -0,2996 *** -0,3348 *** -0,3829 *** -0,2726 **

-4,41 -3,59 -3,88 -5,17 -5,79 -7,14 -4,76 -3,74 -4,32 -5,25 -3,42

GROOTTE 0,0008 0,0009 0,0088 ** 0,0119 *** 0,0031 *** 0,0095 ** 0,0087 ** 0,0120 *** 0,0210 *** 0,0093 **

0,24 0,26 2,68 3,72 6,35 2,89 2,67 3,82 7,06 2,88

GROEI 0,0123 *** 0,0022 *** 0,0091 *** 0,0078 *** 0,0020 *** 0,0091 *** 0,0081 *** 0,0067 ** 0,0077 *** 0,0082 ***

5,51 5,33 4,28 3,78 4,53 4,31 3,88 3,32 4,03 3,93

RESULTAAT -0,0101 ** 0,0031 ** -0,0119 *** -0,0107 *** 0,0028 *** 0,0029 *** -0,0121 *** -0,0107 *** -0,0144 *** -0,0120 ***

-3,25 -3,34 -4,04 -3,74 -4,96 -4,03 -4,17 -3,80 -5,45 -4,16

CASH 0,0208 ** -0,0689 ** -0,1009 *** 0,0193 *** -0,0658 ** 0,2693 *** 0,2490 *** 0,1294 *** 0,2700 ***

3,07 -3,35 -5,02 -6,00 -3,22 12,87 12,29 6,61 12,96

VLOTACT 0,3208 *** 0,3333 *** 0,0130 *** 0,3192 ***

24,29 25,92 18,83 24,30

HANDELSKR 0,3423 *** 0,3495 *** 0,2463 *** 0,3397 ***

22,03 23,26 16,83 21,97

VOORRAAD 0,3331 *** 0,3592 *** 0,2546 *** 0,3323 ***

20,55 22,83 16,65 20,60

ANDERPAS -0,2746 *** -0,3057 *** -0,4275 *** -0,2662 ***

-13,59 -15,53 -22,44 -13,22

KTSCHULD -0,2540 *** 0,0152 *** -0,2815 *** -0,3982 ***

-16,67 -22,49 -18,74 -26,97

LTSCHULD 0,0122 *** -0,3294 ***

-22,05 -27,47

FINKOST 0,0318 *** 0,0040 *** 0,0352 *** 0,0279 *** 0,0196 *** 0,0321

7,61 6,55 8,23 6,81 5,07 -1,75

LEVERAGE -0,0001 -0,0002 ***

-1,56 7,62

F-waarde 12,65 *** 12,69 *** 12,69 *** 11,95 *** 12,28 *** 13,58 *** 11,99 *** 11,88 *** 12,28 *** 14,22 *** 11,94 ***

R² Within 0,0152 0,0221 0,0237 0,1130 0,1628 0,2270 0,1235 0,1429 0,1993 0,2907 0,1517

R² Between 0,1957 0,2048 0,1924 0,3391 0,3393 0,2450 0,3412 0,3531 0,3538 0,2464 0,3534

R² Overall 0,1275 0,1242 0,1218 0,2797 0,2924 0,2405 0,2838 0,2981 0,3130 0,2569 0,3004

Het bovenste cijfer geeft telkens de Bètacoëfficiënt weer. Onder deze Bètacoëfficiënt is (cursief) de bijbehorende t-waarde voor deze coëfficiënt weergegeven. *, ** en *** geven aan dat de schattingen van de Bètacoëfficiënt significant zijn op niveaus 5%, 1% en 0,1%

BIJLAGE 5e: REGRESSIERESULTATEN PANEL DATA – LITOUWEN 392 bedrijven – 2744 waarnemingen

MODEL 2 MODEL 3 MODEL 4 MODEL 5 MODEL 6 MODEL 7 MODEL 8 MODEL 9 MODEL 10 MODEL 11 MODEL 12

AANKOOP 0,0291 *** 0,0238 *** 0,0238 *** 0,0136 *** 0,0126 *** 0,0100 ** 0,0138 *** 0,0112 ** 0,0099 ** 0,0063 * 0,0114 ***

9,09 7,17 7,17 4,07 3,81 3,09 4,12 3,44 3,12 2,02 3,50

BBP -0,2591 * -0,1235 -0,1231 -0,1920 -0,1770 -0,1741 -0,1933 -0,1683 -0,1460 -0,1465 -0,1693

-2,32 -1,07 -1,07 -1,71 -1,60 -1,61 -1,73 -1,55 -1,37 -1,43 -1,56

INFLATIE -0,1414 * -0,0083 -0,0099 -0,0439 -0,0511 -0,0805 -0,0457 0,0714 0,0755 0,0334 0,0702

-2,14 -0,10 -0,12 -0,56 -0,66 -1,07 -0,59 0,94 1,02 0,47 0,93

GROOTTE -0,0125 ** -0,0124 ** -0,0088 * -0,0079 0,0035 -0,0091 * -0,0069 -0,0056 0,0089 * -0,0072

-2,96 -2,94 -2,13 -1,95 0,86 -2,19 -1,72 -1,43 2,24 -1,78

GROEI 0,0252 *** 0,0251 *** 0,0238 *** 0,0247 *** 0,0238 *** 0,0238 *** 0,0229 *** 0,0241 *** 0,0235 *** 0,0229 ***

7,40 7,35 7,18 7,53 7,42 7,16 7,07 7,59 7,68 7,05

RESULTAAT -0,0404 ** -0,0411 ** -0,0462 *** -0,0530 *** -0,0645 *** -0,0454 *** -0,0492 *** -0,0583 *** -0,0748 *** -0,0485 ***

-3,32 -3,36 -3,88 -4,50 -5,58 -3,82 -4,26 -5,14 -6,79 -4,18

CASH 0,0198 -0,0726 * -0,0900 ** -0,1047 *** -0,0725 * 0,1208 *** 0,1157 *** 0,0655 * 0,1224 ***

0,67 -2,44 -3,06 -3,63 -2,43 4,21 4,13 2,40 4,26

VLOTACT 0,1927 *** 0,2051 *** 0,1676 *** 0,1945 ***

11,88 12,76 10,37 11,95

HANDELSKR 0,2546 *** 0,2729 *** 0,2393 *** 0,2558 ***

13,76 15,02 13,51 13,81

VOORRAAD 0,1537 *** 0,1658 *** 0,1351 *** 0,1553 ***

7,03 7,75 6,50 7,09

ANDERPAS -0,1949 *** -0,2313 *** -0,2784 *** -0,1954 ***

-9,31 -11,15 -13,70 -9,34

KTSCHULD -0,1671 *** -0,2371 *** -0,2090 *** -0,3052 ***

-8,24 -11,27 -10,54 -14,92

LTSCHULD -0,1801 *** -0,2249 ***

-10,11 -13,26

LEVERAGE 0,0007 0,0007

1,31 1,36

F-waarde 12,28 *** 12,50 *** 12,29 *** 11,88 *** 12,10 *** 12,86 *** 11,88 *** 11,71 *** 12,19 *** 13,54 *** 11,72 ***

R² Within 0,0389 0,0673 0,0675 0,1205 0,1452 0,1810 0,1211 0,1703 0,2079 0,2632 0,1710

R² Between 0,2920 0,2613 0,2565 0,3740 0,3509 0,2404 0,3742 0,4020 0,3637 0,1993 0,4027

R² Overall 0,2037 0,1969 0,1941 0,3068 0,2936 0,2226 0,3075 0,3396 0,3194 0,2144 0,3406

Het bovenste cijfer geeft telkens de Bètacoëfficiënt weer. Onder deze Bètacoëfficiënt is (cursief) de bijbehorende t-waarde voor deze coëfficiënt weergegeven. *, ** en *** geven aan dat de schattingen van de Bètacoëfficiënt significant zijn op niveaus 5%, 1% en 0,1%

BIJLAGE 5f: REGRESSIERESULTATEN PANEL DATA – POLEN 544 bedrijven – 3808 waarnemingen

MODEL 2 MODEL 3 MODEL 4 MODEL 5 MODEL 6 MODEL 7 MODEL 8 MODEL 9 MODEL 10 MODEL 11 MODEL 12

AANKOOP 0,0117 *** 0,0114 *** 0,0140 *** 0,0093 *** 0,0085 *** 0,0078 *** 0,0086 *** 0,0087 *** 0,0079 *** 0,0068 *** 0,0081 ***

5,62 5,36 6,52 4,60 4,29 3,94 4,29 4,35 4,06 3,56 4,08

BBP -0,6221 *** -0,6036 *** -0,5062 *** -0,5956 *** -0,6305 *** -0,7135 *** -0,5742 *** -0,5223 *** -0,5637 *** -0,6727 *** -0,5055 ***

-10,48 -8,79 -7,33 -9,18 -9,89 -11,10 -8,88 -8,14 -9,00 -10,72 -7,90

INFLATIE -0,0539 -0,0572 -0,0376 -0,0622 -0,0528 0,0114 -0,0816 -0,0908 -0,0844 -0,0025 -0,1091

-0,65 0,69 -0,46 -0,81 -0,70 0,15 -1,06 -1,20 -1,14 -0,03 -1,44

GROOTTE -0,0024 -0,0013 0,0040 0,0075 0,0111 ** 0,0073 0,0037 0,0063 0,0110 ** 0,0064

-0,29 0,94 1,78 2,62 1,69 0,88 1,52 2,65 1,48

GROEI 0,0001 0,0001 0,0000 0,0001 0,0001 0,0000 0,0000 0,0001 0,0001 0,0000

0,26 0,29 0,04 0,62 0,44 0,09 -0,03 0,63 1,49 0,02

RESULTAAT 0,0005 0,0021 0,0022 0,0019 0,0017 0,0022 0,0025 0,0023 0,0020 0,0025

0,33 1,43 1,59 1,41 1,21 1,54 1,83 1,69 0,41 1,78

CASHFLOW -0,1159 *** -0,1324 *** -0,1573 *** -0,1732 *** -0,1344 *** -0,1450 *** -0,1758 *** -0,2009 *** -0,1471 ***

-6,90 -8,40 -10,11 -11,10 -8,54 -9,29 -11,45 -13,08 -9,43

CASH -0,0800 ** -0,2267 *** -0,2542 *** -0,2511 *** -0,2283 *** 0,0933 *** 0,0729 ** 0,0505 * 0,0880 ***

-3,31 -9,59 -10,94 -10,89 -9,70 3,97 3,19 2,23 3,76

VLOTACT 0,3211 *** 0,3287 *** 0,3059 *** 0,3171 ***

21,28 22,21 20,35 21,09

HANDELSKR 0,3362 *** 0,3387 *** 0,3128 *** 0,3301 ***

19,04 19,67 18,21 18,73

VOORRAAD 0,3079 *** 0,3240 *** 0,2874 *** 0,3084 ***

14,00 15,13 13,41 14,08

ANDERPAS -0,1579 *** -0,1934 *** -0,2253 *** -0,1534 ***

-8,90 -10,99 -12,76 -8,64

KTSCHULD -0,1866 *** -0,2056 *** -0,2171 *** -0,2488 ***

-10,93 -11,98 -12,76 -14,56

LTSCHULD -0,1099 *** -0,1484 ***

-7,13 -9,72

FINKOST 0,0415 *** 0,0393 *** 0,0463 *** 0,0342 *** 0,0298 *** 0,0409 ***

5,16 4,92 5,67 4,32 3,81 5,06

LEVERAGE -0,0001 -0,0001

-0,50 -1,35

F-waarde 16,25 *** 16,00 *** 15,59 *** 13,88 *** 13,66 *** 13,82 *** 13,91 *** 13,07 *** 13,05 *** 13,35 *** 13,12 ***

R² Within 0,0482 0,0483 0,0673 0,1812 0,2179 0,2300 0,1894 0,2060 0,2498 0,2710 0,2126

R² Between 0,4511 0,4587 0,4318 0,4927 0,4954 0,4567 0,4813 0,4971 0,5016 0,4606 0,4858

R² Overall 0,2542 0,2639 0,2751 0,4376 0,4432 0,4131 0,4293 0,4463 0,4551 0,4243 0,4380

Het bovenste cijfer geeft telkens de Bètacoëfficiënt weer. Onder deze Bètacoëfficiënt is (cursief) de bijbehorende t-waarde voor deze coëfficiënt weergegeven. *, ** en *** geven aan dat de schattingen van de Bètacoëfficiënt significant zijn op niveaus 5%, 1% en 0,1%

BIJLAGE 5g: REGRESSIERESULTATEN PANEL DATA – SLOWAKIJE 126 bedrijven – 630 waarnemingen

MODEL 2 MODEL 3 MODEL 4 MODEL 5 MODEL 6 MODEL 7 MODEL 8 MODEL 9 MODEL 10 MODEL 11 MODEL 12

AANKOOP 0,0941 *** 0,0959 *** 0,0989 *** 0,0768 *** 0,0683 *** 0,0631 ** 0,0775 *** 0,0726 *** 0,0554 ** 0,0499 ** 0,0731 ***

5,07 4,86 5,04 3,99 3,56 3,36 4,04 3,91 3,03 2,80 3,94

BBP -0,8424 *** 0,7206 *** -0,6645 *** -0,7184 *** -0,7052 *** -0,8066 *** -0,7278 *** -0,7156 *** -0,6841 *** -0,7872 *** -0,7247 ***

-4,97 -4,33 -4,00 -4,47 -4,46 -5,17 -4,53 -4,62 -4,56 -5,35 -4,67

GROOTTE 0,0264 * 0,0224 0,0355 ** 0,0437 *** 0,0475 *** 0,0405 ** 0,0290 ** 0,0369 ** 0,0401 *** 0,0330 **

2,26 1,90 3,08 3,80 4,21 3,48 2,62 3,40 3,80 2,96

GROEI 0,0006 0,0006 0,0006 0,0007 * 0,0007 * 0,0007 * 0,0006 0,0006 0,0006 0,0006

1,67 1,78 1,88 2,01 2,00 1,97 1,79 1,90 1,88 1,87

RESULTAAT -0,0061 0,0039 -0,0159 -0,0162 -0,0149 -0,0152 0,0050 0,0053 0,0062 0,0054

-0,75 0,44 -1,77 -1,83 -1,72 -1,70 0,62 0,67 0,82 0,67

CASHFLOW -0,1254 ** -0,1287 ** -0,1400 *** -0,1485 *** -0,1402 *** -0,1515 *** -0,1624 *** -0,1707 *** -0,1607 ***

-3,05 -3,24 -3,57 -3,87 -3,51 -3,93 -4,34 -4,69 -4,13

CASH -0,0085 -0,1004 * -0,1233 ** -0,1232 ** -0,1126 * 0,1345 ** 0,1217 ** 0,1093 * 0,1209 *

-0,18 -2,14 -2,65 -2,71 -2,40 2,84 2,63 2,43 2,54

VLOTACT 0,2632 *** 0,2685 *** 0,2610 *** 0,2593 ***

6,24 6,45 6,40 6,17

HANDELSKR 0,2960 *** 0,3051 *** 0,2795 *** 0,2888 ***

6,62 7,02 6,57 6,47

VOORRAAD 0,1708 ** 0,2147 ** 0,2137 *** 0,1735 **

2,71 3,49 3,57 2,76

ANDERPAS -0,2873 *** -0,3441 *** -0,3650 *** -0,2807 ***

-6,32 -7,52 -8,17 -6,14

KTSCHULD -0,2268 ** -0,2559 *** -0,3765 *** -0,4158 ***

-3,28 -3,77 -5,51 -6,22

LTSCHULD -0,2733 *** -0,2901 ***

-4,89 -5,47

FINKOST 0,0400 ** 0,0315 * 0,0428 ** 0,0268 0,0176 0,0332 *

2,71 2,17 2,87 1,91 1,28 2,30

LEVERAGE -0,0021 -0,0029

-0,44 -0,61

F-waarde 17,51 *** 18,31 *** 17,48 *** 12,89 *** 13,03 *** 13,54 *** 13,00 *** 14,01 *** 14,85 *** 15,71 *** 14,14 ***

R² Within 0,0843 0,0876 0,1043 0,1677 0,1982 0,2343 0,1815 0,2350 0,2858 0,3257 0,2436

R² Between 0,0045 0,0057 0,0181 0,2414 0,2392 0,2221 0,2175 0,2432 0,2267 0,1972 0,2199

R² Overall 0,0159 0,0144 0,0301 0,2261 0,2303 0,2229 0,2098 0,2401 0,2369 0,2193 0,2232

Het bovenste cijfer geeft telkens de Bètacoëfficiënt weer. Onder deze Bètacoëfficiënt is (cursief) de bijbehorende t-waarde voor deze coëfficiënt weergegeven. *, ** en *** geven aan dat de schattingen van de Bètacoëfficiënt significant zijn op niveaus 5%, 1% en 0,1%

BIJLAGE 5h: REGRESSIERESULTATEN PANEL DATA – BULGARIJE 2041 bedrijven – 14278 waarnemingen

MODEL 2 MODEL 3 MODEL 4 MODEL 5 MODEL 6 MODEL 7 MODEL 8 MODEL 9 MODEL 10 MODEL 11 MODEL 12

AANKOOP -0,0008 0,0026 0,0073 * 0,0075 * 0,0098 ** 0,0083 ** 0,0086 ** 0,0072 * 0,0097 ** 0,0077 ** 0,0079 **

-0,25 0,80 2,22 2,34 3,10 2,71 2,68 2,39 3,30 2,83 2,63

BBP -1,6228 *** -2,0348 *** -1,7962 *** -1,9001 *** -1,8034 *** -1,6076 *** -1,9146 *** -2,5097 *** -2,4303 *** -2,2892 *** -2,5363 ***

-13,95 -14,75 -13,12 -14,20 -13,60 -12,51 -14,32 -19,75 -19,46 -19,81 -19,99

INFLATIE -0,1204 * -0,1695 ** -0,1224 * -0,1441 * -0,1566 ** -0,2245 *** -0,1653 ** -0,2041 *** -0,2035 *** -0,3164 *** -0,2144 ***

-2,09 -2,91 -2,13 -2,57 -2,82 -4,17 -2,95 -3,86 -3,93 -6,60 -4,08

GROOTTE 0,0144 *** 0,0177 *** 0,0171 *** 0,0216 *** 0,0360 *** 0,0201 *** 0,0088 *** 0,0126 *** 0,0310 *** 0,0112 ***

5,63 7,02 6,92 8,79 14,85 8,14 3,78 5,47 4,17 4,76

GROEI 0,0010 0,0017 ** 0,0010 0,0011 * 0,0014 ** 0,0009 0,0013 * 0,0014 ** 0,0020 *** 0,0012 *

1,80 3,04 1,87 1,99 2,69 1,70 2,40 2,74 -0,52 2,28

RESULTAAT -0,0019 0,0002 -0,0006 -0,0006 -0,0006 -0,0006 -0,0005 -0,0005 -0,0005 -0,0006

-1,59 0,16 -0,50 -0,52 -0,54 -0,55 -0,45 -0,48 -0,52 -0,52

CASHFLOW -0,2138 *** -0,2069 *** -0,2154 *** -0,2527 *** -0,2128 *** -0,2550 *** -0,2705 *** -0,3364 *** -0,2635 ***

-19,01 -18,82 -19,76 -23,79 -19,36 -24,52 -26,39 -35,07 -25,32

CASH 0,0380 *** -0,0524 *** -0,0590 *** -0,0622 *** -0,0552 *** 0,1658 *** 0,1662 *** 0,0895 *** 0,1660 ***

3,72 -4,90 -5,55 -6,05 -5,16 15,57 15,82 9,07 15,55

VLOTACT 0,2270 *** 0,2333 *** 0,1812 *** 0,2290 ***

23,99 24,85 19,57 24,20

HANDELSKR 0,2482 *** 0,2565 *** 0,1859 *** 0,2487 ***

24,12 25,30 19,57 24,16

VOORRAAD 0,2381 *** 0,2447 *** 0,1769 *** 0,2402 ***

21,35 22,32 17,26 21,58

ANDERPAS -0,3340 *** -0,3531 *** -0,4417 *** -0,3364 ***

-40,19 -42,70 -55,95 -40,25

KTSCHULD -0,2383 *** -0,3340 *** -0,3129 *** -0,4693 ***

-15,24 -21,57 -21,31 -33,49

LTSCHULD *** -0,2821 *** -0,4056 ***

-29,01 -45,32

FINKOST 0,0081 0,0072 *** 0,0082 *** 0,0045 *** 0,0023 ** 0,0048 ***

7,83 7,19 7,91 4,64 2,53 4,94

LEVERAGE -0,0016 *** -0,0020 ***

-7,03 -9,63

F-waarde 11,40 *** 11,34 *** 11,44 *** 10,50 *** 10,72 *** 11,65 *** 10,55 *** 10,99 *** 11,39 *** 13,65 *** 11,07 ***

R² Within 0,0175 0,0206 0,0488 0,0915 0,1152 0,1725 0,1022 0,1983 0,2314 0,3425 0,2085

R² Between 0,0028 0,0225 0,0016 0,1207 0,1084 0,0453 0,1112 0,1798 0,1719 0,0892 0,1721

R² Overall 0,0055 0,0022 0,0024 0,1111 0,1106 0,0752 0,1083 0,1859 0,1916 0,1524 0,1841

Het bovenste cijfer geeft telkens de Bètacoëfficiënt weer. Onder deze Bètacoëfficiënt is (cursief) de bijbehorende t-waarde voor deze coëfficiënt weergegeven. *, ** en *** geven aan dat de schattingen van de Bètacoëfficiënt significant zijn op niveaus 5%, 1% en 0,1%

BIJLAGE 5i: REGRESSIERESULTATEN PANEL DATA – ROEMENIË 27215 bedrijven – 54430 waarnemingen

MODEL 2 MODEL 3 MODEL 4 MODEL 5 MODEL 6 MODEL 7 MODEL 8 MODEL 9 MODEL 10 MODEL 11 MODEL 12

AANKOOP -0,0033 *** -0,0005 0,0009 0,0007 0,0006 0,0005 0,0007 0,0011 * 0,0010 0,0007 0,0011 *

-9,85 -0,81 1,59 1,29 1,19 0,94 1,31 2,11 1,89 1,37 2,14

GROOTTE 0,0242 *** 0,0225 *** 0,0229 *** 0,0256 *** 0,0373 *** 0,0231 *** 0,0388 *** 0,0408 *** 0,0540 *** 0,0390 ***

11,95 11,32 11,86 13,44 19,47 11,98 19,35 20,89 28,35 19,41

GROEI 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000

1,32 1,28 1,12 1,18 1,02 1,11 1,44 1,53 1,28 1,43

RESULTAAT 0,0000 0,0000 0,0000 -0,0001 -0,0001 0,0000 0,0000 0,0000 0,0000 0,0000

-0,11 -0,25 -0,59 -1,41 -1,68 -0,54 0,59 -0,54 -0,98 0,62

CASHFLOW -0,1618 *** -0,1766 *** -0,1818 *** -0,1875 *** -0,1767 *** -0,1725 *** -0,1796 *** -0,1896 *** -0,1726 ***

-32,39 -36,35 37,97 -39,73 -36,37 -37,02 -39,70 -43,38 -37,08

CASH 0,0539 *** -0,0349 *** -0,0398 *** -0,0381 *** -0,0346 *** 0,1157 *** 0,1007 *** 0,0757 *** 0,1153 ***

6,21 -4,02 -4,65 -4,52 -3,99 14,18 12,71 9,87 14,15

VLOTACT 0,2954 *** 0,2778 *** 0,2293 *** 0,2941 ***

41,31 39,30 32,01 41,12

HANDELSKR 0,1021 *** 0,1009 *** 0,0956 *** 0,1022 ***

29,72 30,30 29,73 29,78

VOORRAAD 0,1420 *** 0,1300 *** 0,0923 *** 0,1420 ***

19,17 18,07 13,19 19,18

ANDERPAS -0,2605 *** -0,2790 *** -0,2959 *** -0,2606 ***

61,14 -67,05 -73,39 -61,18

KTSCHULD -0,2925 *** -0,3951 *** -0,3858 *** -0,5285 ***

-29,10 -37,56 -40,86 -54,77

LTSCHULD -0,3579 *** -0,5027 ***

-28,84 -44,91

FINKOST 0,0005 ** 0,0004 ** 0,0006 *** 0,0003 * 0,0002 0,0005 ***

3,40 3,16 4,49 2,27 1,78 3,89

LEVERAGE 0,0000 *** -0,0001 ***

-5,33 -4,67

F-waarde 7,97 *** 6,93 *** 6,71 *** 5,66 *** 5,77 *** 5,93 *** 5,67 *** 6,39 *** 6,51 *** 6,85 *** 6,40 ***

R² Within 0,0018 0,0064 0,0435 0,0999 0,1274 0,1533 0,1006 0,1877 0,2353 0,2882 0,1890

R² Between 0,0423 0,0005 0,0352 0,2820 0,2769 0,2244 0,2810 0,1513 0,1752 0,1626 0,1507

R² Overall 0,0252 0,0002 0,0362 0,2571 0,2558 0,2151 0,2563 0,1555 0,1822 0,1758 0,1551

Het bovenste cijfer geeft telkens de Bètacoëfficiënt weer. Onder deze Bètacoëfficiënt is (cursief) de bijbehorende t-waarde voor deze coëfficiënt weergegeven. *, ** en *** geven aan dat de schattingen van de Bètacoëfficiënt significant zijn op niveaus 5%, 1% en 0,1%

BIJLAGE 6a: REGRESSIERESULTATEN CROSS-SECTIE – TSJECHIË 522 bedrijven

MODEL 2 MODEL 3 MODEL 4 MODEL 5 MODEL 6 MODEL 7 MODEL 8 MODEL 9 MODEL 10 MODEL 11 MODEL 12

AANKOOP 0,0634 *** 0,0556 *** 0,0605 *** 0,0438 *** 0,0450 *** 0,0451 *** 0,0433 *** 0,0437 *** 0,0455 *** 0,0455 *** 0,0432 ***

5,67 4,97 5,48 4,28 4,39 4,39 4,21 4,40 4,60 4,61 4,33

BUITENL -0,0078 0,0161 0,0210 -0,0089 -0,0097 -0,0075 -0,0085 -0,0053 -0,0051 -0,0021 -0,0051

-0,47 0,92 1,23 -0,56 -0,60 -0,47 -0,53 -0,33 -0,32 -0,13 -0,32

GROOTTE -0,0134 ** -0,0153 ** -0,0052 -0,0046 -0,0046 -0,0057 -0,0023 -0,0012 -0,0013 -0,0028

-3,05 -3,50 -1,26 -1,08 -1,08 -1,34 -0,57 -0,28 -0,30 -0,67

GROEI 0,0000 0,0000 0,0002 0,0003 0,0003 0,0002 0,0002 0,0002 0,0002 0,0002

0,03 -0,01 0,55 0,62 0,63 0,54 0,45 0,56 0,56 0,44

RESULTAAT -0,1970 ** -0,0382 -0,0181 -0,0156 -0,0044 -0,0239 -0,0207 -0,0197 -0,0098 -0,0269

-3,38 -0,57 -0,30 -0,25 -0,07 -0,38 -0,34 -0,32 -0,16 -0,44

CASHFLOW -0,4174 *** -0,3541 *** -0,3654 *** -0,3881 *** -0,3495 *** -0,3971 *** -0,4119 *** -0,4337 *** -0,3918 ***

-4,51 -4,17 -4,28 -4,48 -4,09 -4,74 -4,90 -5,10 -4,63

CASH 0,0114 -0,1948 ** -0,2332 ** -0,2364 ** -0,1938 ** 0,0945 0,0516 0,0419 0,0937

0,17 -3,01 -3,43 -3,48 -2,97 1,55 0,83 0,67 1,53

VLOTACT 0,3198 *** 0,3276 *** 0,3195 *** 0,3187 ***

9,96 10,12 9,75 9,90

HANDELSKR 0,4510 *** 0,4714 *** 0,4622 *** 0,4499 ***

11,69 12,08 11,74 11,62

VOORRAAD 0,1571 *** 0,1753 *** 0,1719 *** 0,1579 ***

3,57 3,96 3,88 3,57

ANDERPAS -0,0371 -0,0585 -0,0683 -0,0355

-0,74 -1,16 -1,35 -0,71

KTSCHULD -0,1361 -0,1518 * -0,2124 ** -0,2300 **

-1,81 -2,00 -2,85 -3,06

LTSCHULD -0,0769 -0,0785

-1,52 -1,60

FINKOST 0,0021 0,0000 0,0037 0,0021 -0,0003 0,0044

0,21 0,00 0,35 0,21 -0,03 0,43

LEVERAGE 0,0013 0,0010

0,54 0,44

F-waarde 15,29 *** 14,28 *** 14,41 *** 21,15 *** 19,51 *** 18,84 *** 19,26 *** 21,94 *** 20,77 *** 20,13 *** 20,13 ***

R² 0,3119 0,3382 0,3652 0,4704 0,4739 0,4764 0,4708 0,5033 0,5114 0,5139 0,5036

Adjusted R² 0,2915 0,3145 0,3399 0,4481 0,4496 0,4511 0,4463 0,4803 0,4868 0,4884 0,4786

Het bovenste cijfer geeft telkens de Bètacoëfficiënt weer. Onder deze Bètacoëfficiënt is (cursief) de bijbehorende t-waarde voor deze coëfficiënt weergegeven. *, ** en *** geven aan dat de schattingen van de Bètacoëfficiënt significant zijn op niveaus 5%, 1% en 0,1%

BIJLAGE 6b: REGRESSIERESULTATEN CROSS-SECTIE – ESTLAND 3596 bedrijven

MODEL 2 MODEL 3 MODEL 4 MODEL 5 MODEL 6 MODEL 7 MODEL 8 MODEL 9 MODEL 10 MODEL 11 MODEL 12

AANKOOP 0,0269 *** 0,0302 *** 0,0310 *** 0,0262 *** 0,0261 *** 0,0260 *** 0,0261 *** 0,0271 *** 0,0272 *** 0,0271 *** 0,0271 ***

25,50 27,75 28,70 24,75 24,73 24,53 24,76 25,11 25,18 25,01 25,10

BUITENL 0,0341 *** 0,0225 *** 0,0251 *** 0,0156 ** 0,0150 ** 0,0150 ** 0,0156 ** 0,0158 ** 0,0151 ** 0,0150 ** 0,0158 **

6,62 4,34 4,90 3,20 3,07 3,06 3,20 3,24 3,09 3,07 3,24

GROOTTE 0,0115 *** 0,0090 *** 0,0084 *** 0,0081 *** 0,0082 *** 0,0084 *** 0,0067 *** 0,0063 *** 0,0064 *** 0,0068 ***

10,71 8,28 8,11 7,81 7,86 8,17 6,32 5,89 5,97 6,39

GROEI 0,0006 0,0006 0,0005 0,0005 0,0005 0,0005 0,0005 0,0005 0,0005 0,0005

1,86 1,89 1,69 1,71 1,75 1,69 1,64 1,67 1,71 1,64

RESULTAAT -0,0024 * -0,0020 -0,0021 -0,0021 -0,0021 -0,0021 -0,0024 * -0,0024 * -0,0024 * -0,0024 *

-1,99 -1,64 -1,82 -1,80 -1,84 -1,84 -2,09 -2,07 -2,13 -2,11

CASHFLOW -0,0036 -0,0040 -0,0041 -0,0041 -0,0038 -0,0044 -0,0045 -0,0046 -0,0043

-0,94 -1,10 -1,13 -1,15 -1,07 -1,22 -1,26 -1,28 -1,19

CASH -0,1076 *** -0,2218 *** -0,2289 *** -0,2302 *** -0,2199 *** -0,0670 *** -0,0755 *** -0,0810 *** -0,0644 ***

-9,9500 -18,7000 -18,4700 -18,4800 -18,5200 -6,2700 -6,7300 -6,8300 -6,0000

VLOTACT 0,1561 *** 0,1562 *** 0,1534 *** 0,1570 ***

19,36 19,37 18,05 19,47

HANDELSKR 0,1891 *** 0,1890 *** 0,1848 *** 0,1897 ***

15,8300 15,8300 15,0400 15,8900

VOORRAAD 0,1414 *** 0,1423 *** 0,1388 *** 0,1422 ***

14,3200 14,4100 13,6500 14,4100

ANDERPAS -0,0768 *** -0,0840 *** -0,0864 *** -0,0754 ***

-4,19 -4,53 -4,64 -4,12

KTSCHULD -0,0323 * -0,0305 -0,0413 * -0,0392 *

-1,9700 -1,8500 -2,5000 -2,3600

LTSCHULD -0,0144 -0,0197

-1,04 -1,42

LEVERAGE 0,0006 ** 0,0006 *

2,64 2,51

F-waarde 116,80 *** 107,12 *** 104,21 *** 127,47 *** 121,95 *** 116,70 *** 122,20 *** 117,43 *** 112,96 *** 108,55 *** 112,96 ***

R² 0,3286 0,3502 0,3683 0,4282 0,4289 0,429 0,4294 0,4306 0,4315 0,4319 0,4316

Adjusted R² 0,3258 0,347 0,3648 0,4249 0,4253 0,4254 0,4258 0,4269 0,4277 0,4279 0,4277

Het bovenste cijfer geeft telkens de Bètacoëfficiënt weer. Onder deze Bètacoëfficiënt is (cursief) de bijbehorende t-waarde voor deze coëfficiënt weergegeven. *, ** en *** geven aan dat de schattingen van de Bètacoëfficiënt significant zijn op niveaus 5%, 1% en 0,1%

BIJLAGE 6c: REGRESSIERESULTATEN CROSS-SECTIE – HONGARIJE 2491 bedrijven

MODEL 2 MODEL 3 MODEL 4 MODEL 5 MODEL 6 MODEL 7 MODEL 8 MODEL 9 MODEL 10 MODEL 11 MODEL 12

AANKOOP 0,0410 *** 0,0416 *** 0,0427 *** 0,0364 *** 0,0363 *** 0,0364 *** 0,0365 *** 0,0344 *** 0,0345 *** 0,0343 *** 0,0345 ***

22,65 22,66 23,42 19,31 19,23 19,22 19,41 19,00 19,02 18,86 19,11

BUITENL -0,0373 ** -0,0353 ** -0,0330 ** -0,0371 ** -0,0363 ** -0,0362 -0,0367 ** -0,0195 -0,0198 -0,0199 -0,0190

-3,06 -2,88 -2,73 -3,13 -3,05 -3,04 -3,10 -1,71 -1,73 -1,74 -1,67

GROOTTE 0,0014 0,0015 * 0,0013 0,0013 0,0014 0,0014 0,0010 0,0011 0,0010 0,0012

1,87 2,01 1,81 1,82 1,85 1,95 1,48 1,49 1,36 1,64

GROEI 0,0011 0,0011 0,0008 0,0008 0,0008 0,0006 0,0013 * 0,0014 * 0,0014 * 0,0012

1,55 1,60 1,19 1,13 1,13 0,94 2,04 2,07 2,06 1,76

RESULTAAT -0,0001 -0,0001 -0,0001 -0,0001 -0,0001 -0,0001 -0,0001 -0,0001 -0,0001 -0,0001

-0,38 -0,40 -0,48 -0,44 -0,42 -0,40 -0,43 -0,43 -0,49 -0,34

CASHFLOW -0,0643 *** -0,0575 ** -0,0562 ** -0,0557 ** -0,0554 ** -0,0446 ** -0,0454 ** -0,0466 ** -0,0424 *

-3,68 -3,36 -3,27 -3,23 -3,24 -2,71 -2,75 -2,83 -2,58

CASH -0,0856 *** -0,1615 *** -0,1564 *** -0,1563 *** -0,1589 *** -0,0636 *** -0,0631 *** -0,0664 *** -0,0609 ***

-5,32 -9,32 -8,80 -8,79 -9,15 -4,15 -4,05 -4,22 -3,96

VLOTACT 0,0955 *** 0,0950 *** 0,0960 *** 0,0955 ***

10,48 10,41 10,18 10,50

HANDELSKR 0,2046 *** 0,2039 *** 0,2010 *** 0,2055 ***

16,17 16,10 15,71 16,25

VOORRAAD 0,0688 *** 0,0702 *** 0,0679 *** 0,0679 ***

5,37 5,35 5,15 5,31

ANDERPAS -0,1244 *** -0,1263 *** -0,1295 *** -0,1248 ***

-11,31 -11,25 -11,36 -11,36

KTSCHULD 0,0159 0,0154 -0,0091 -0,0081

0,93 0,89 -0,53 -0,47

LTSCHULD 0,0069 -0,0247

0,43 -1,61

FINKOST -0,0018 -0,0018 -0,0019 -0,0021 -0,0021 -0,0021

-1,26 -1,26 -1,27 -1,50 -1,53 -1,48

LEVERAGE 0,0008 ** 0,0009 **

2,90 3,28

F-waarde 63,29 *** 56,66 *** 52,34 *** 57,15 *** 52,50 *** 50,39 *** 52,98 *** 67,12 *** 62,07 *** 59,90 *** 62,73 ***

R² 0,2904 0,2921 0,308 0,3375 0,3382 0,3382 0,3402 0,3951 0,3957 0,3964 0,3983

Adjusted R² 0,2858 0,2867 0,3021 0,3316 0,3317 0,3315 0,3338 0,3892 0,3894 0,3898 0,3919

Het bovenste cijfer geeft telkens de Bètacoëfficiënt weer. Onder deze Bètacoëfficiënt is (cursief) de bijbehorende t-waarde voor deze coëfficiënt weergegeven. *, ** en *** geven aan dat de schattingen van de Bètacoëfficiënt significant zijn op niveaus 5%, 1% en 0,1%

BIJLAGE 6d: REGRESSIERESULTATEN CROSS-SECTIE – LETLAND 978 bedrijven

MODEL 2 MODEL 3 MODEL 4 MODEL 5 MODEL 6 MODEL 7 MODEL 8 MODEL 9 MODEL 10 MODEL 11 MODEL 12

AANKOOP 0,0378 *** 0,0362 *** 0,0358 *** 0,0279 *** 0,0284 *** 0,0281 *** 0,0278 *** 0,0237 *** 0,0245 *** 0,0236 *** 0,0239 ***

11,06 10,21 10,08 8,33 8,64 8,46 8,42 6,96 7,35 7,01 7,09

BUITENL 0,0217 0,0224 0,0205 0,0102 0,0064 0,0059 0,0036 0,0042 0,0015 0,0000 -0,0010

1,65 1,63 1,49 0,80 0,51 0,47 0,29 0,34 0,12 0,00 -0,08

GROOTTE -0,0038 -0,0033 0,0044 0,0044 0,0042 0,0034 -0,0020 -0,0017 -0,0026 -0,0023

-1,03 -0,88 1,27 1,28 1,20 0,99 -0,56 -0,48 -0,72 -0,65

GROEI 0,0351 * 0,0345 * 0,0381 * 0,0404 * 0,0416 ** 0,0359 * 0,0369 * 0,0400 ** 0,0432 ** 0,0352 *

2,02 1,99 2,38 2,56 2,62 2,27 2,36 2,61 2,80 2,27

RESULTAAT -0,0318 -0,0343 -0,0406 -0,0432 -0,0433 -0,0370 -0,0376 -0,0419 -0,0422 -0,0350

-1,25 -1,34 -1,72 -1,86 -1,86 -1,59 -1,63 -1,85 -1,86 -1,53

CASH 0,0626 -0,1234 * -0,1942 *** -0,1999 *** -0,1179 * 0,2180 *** 0,1491 ** 0,1201 * 0,2198 ***

1,16 -2,38 -3,66 -3,72 -2,3 4,31 2,93 2,25 4,38

VLOTACT 0,3264 *** 0,3308 *** 0,3251 *** 0,3219 ***

12,76 13,01 12,12 12,67

HANDELSKR 0,4125 *** 0,4181 *** 0,4051 *** 0,4050 ***

13,39 13,60 12,84 13,10

VOORRAAD 0,2505 *** 0,2673 *** 0,2520 *** 0,2535 ***

7,58 8,21 7,49 7,74

ANDERPAS -0,3826 *** -0,4112 *** -0,4291 -0,3574 ***

-5,7 -6,16 -6,37 -5,34

KTSCHULD -0,2346 *** -0,2342 *** -0,2712 *** -0,2717 ***

-4,90 -4,89 -5,77 -5,79

LTSCHULD -0,0238 -0,0632

-0,67 -1,81

FINKOST 0,0756 ** 0,0735 ** 0,0899 *** 0,0433 0,0365 0,0624 *

2,81 2,71 3,34 1,63 1,36 2,34

LEVERAGE 0,0008 ** 0,0008 ***

3,34 3,90

F-waarde 28,27 *** 24,08 *** 22,9 *** 33,56 31,76 *** 32,55 *** 34,37 34,36 *** 33,19 *** 33 ***

R² 0,306 0,3113 0,3123 0,4122 0,4334 0,4337 0,4285 0,4419 0,4639 0,4657 0,4538

Adjusted R² 0,2951 0,2984 0,2987 0,4 0,4203 0,42 0,4154 0,429 0,4504 0,4517 0,4401

Het bovenste cijfer geeft telkens de Bètacoëfficiënt weer. Onder deze Bètacoëfficiënt is (cursief) de bijbehorende t-waarde voor deze coëfficiënt weergegeven. *, ** en *** geven aan dat de schattingen van de Bètacoëfficiënt significant zijn op niveaus 5%, 1% en 0,1%

BIJLAGE 6e: REGRESSIERESULTATEN CROSS-SECTIE – LITOUWEN 392 bedrijven

MODEL 2 MODEL 3 MODEL 4 MODEL 5 MODEL 6 MODEL 7 MODEL 8 MODEL 9 MODEL 10 MODEL 11 MODEL 12

AANKOOP 0,0639 *** 0,0597 *** 0,0609 *** 0,0492 *** 0,0523 *** 0,0524 *** 0,0495 *** 0,0387 *** 0,0420 *** 0,0423 *** 0,0388 ***

9,16 8,28 8,54 7,05 7,49 7,50 7,07 5,41 5,87 5,90 5,43

BUITENL -0,0150 -0,0109 -0,0069 0,0056 0,0059 0,0060 0,0067 0,0089 0,0087 0,0086 0,0102

-0,78 -0,56 -0,36 0,30 0,33 0,33 0,36 0,50 0,50 0,49 0,57

GROOTTE -0,0031 -0,0060 -0,0025 -0,0012 -0,0013 -0,0022 -0,0036 -0,0024 -0,0026 -0,0033

-0,65 -1,26 -0,55 -0,27 -0,30 -0,48 -0,81 -0,54 -0,59 -0,74

GROEI 0,0195 0,0225 0,0199 0,0284 0,0271 0,0200 0,0192 0,0284 0,0273 0,0189

0,74 0,87 0,81 1,16 1,10 0,81 0,78 1,15 1,11 0,77

RESULTAAT -0,2091 ** -0,1659 * -0,1782 * -0,2029 ** -0,1975 ** -0,1824 * -0,1530 * -0,1729 * -0,1620 * -0,1576 *

-2,75 -2,17 -2,46 -2,82 -2,72 -2,51 -2,20 -2,50 -2,31 -2,25

CASH -0,33691 ** -0,48769 *** -0,60009 *** -0,58909 *** -0,49101 *** -0,22988 * -0,30763 ** -0,27399 * -0,23519 *

-3,16 -4,71 -5,51 -5,32 -4,73 -2,3 -3,01 -2,55 -2,35

VLOTACT 0,2225 *** 0,2448 *** 0,2505 *** 0,2218 ***

6,62 7,19 7,06 6,59

HANDELSKR 0,3625 *** 0,3781 *** 0,3896 *** 0,3620 ***

8,91 9,31 9,26 8,89

VOORRAAD 0,0981 * 0,1145 ** 0,1209 ** 0,0967 *

2,35 2,75 2,87 2,31

ANDERPAS 0,0447 0,0323 0,0207 0,0485

0,58 0,42 0,27 0,63

KTSCHULD -0,2066 ** -0,2050 ** -0,1892 ** -0,1856 **

-3,07 -3,04 -2,94 -2,88

LTSCHULD 0,0317 0,0566

0,57 1,04

LEVERAGE -0,0012 -0,0013

-0,62 -0,68

F-waarde 18,63 *** 16,04 *** 16,07 *** 19,27 *** 19,19 *** 18,26 *** 18,3 *** 20,42 *** 20,29 *** 19,45 *** 19,48 ***

R² 0,4089 0,4217 0,4367 0,4961 0,5085 0,509 0,4966 0,5368 0,5474 0,5487 0,5374

Adjusted R² 0,387 0,3954 0,4096 0,4703 0,482 0,4811 0,4694 0,5105 0,5204 0,5205 0,5098

Het bovenste cijfer geeft telkens de Bètacoëfficiënt weer. Onder deze Bètacoëfficiënt is (cursief) de bijbehorende t-waarde voor deze coëfficiënt weergegeven. *, ** en *** geven aan dat de schattingen van de Bètacoëfficiënt significant zijn op niveaus 5%, 1% en 0,1%

BIJLAGE 6f: REGRESSIERESULTATEN CROSS-SECTIE – POLEN 544 bedrijven

MODEL 2 MODEL 3 MODEL 4 MODEL 5 MODEL 6 MODEL 7 MODEL 8 MODEL 9 MODEL 10 MODEL 11 MODEL 12

AANKOOP 0,0645 *** 0,0625 *** 0,0654 *** 0,0545 *** 0,0543 *** 0,0541 *** 0,0541 *** 0,0486 *** 0,0487 *** 0,0485 *** 0,0485 ***

14,61 14,01 14,87 13,75 14,20 14,18 13,69 12,63 13,08 13,05 12,62

BUITENL 0,0239 0,0283 0,0257 * 0,0266 * 0,0221 * 0,0238 * 0,0242 ** 0,0195 0,0158 0,0174 0,0177

1,95 2,29 2,13 2,5 2,14 2,3 2,25 1,91 1,6 1,76 1,72

GROOTTE -0,0101 * -0,0123 ** -0,0090 * -0,0089 ** -0,0089 ** -0,0092 ** -0,0088 ** -0,0088 ** -0,0087 ** -0,0089 **

-2,51 -3,11 -2,60 -2,66 -2,65 -2,65 -2,67 -2,74 -2,73 -2,70

GROEI -0,0023 -0,0019 -0,0003 0,0009 0,0013 -0,0003 -0,0011 -0,0001 0,0004 -0,0010

-0,92 -0,75 -0,15 0,41 0,62 -0,13 -0,54 -0,03 0,20 -0,48

RESULTAAT -0,0037 0,0051 0,0038 0,0016 0,0020 0,0057 0,0054 0,0032 0,0036 0,0070

-0,39 0,54 0,46 0,20 0,25 0,69 0,69 0,42 0,47 0,88

CASHFLOW -0,3276 *** -0,2661 *** -0,3082 *** -0,3083 *** -0,2912 *** -0,3262 *** -0,3620 *** -0,3647 *** -0,3421 ***

-4,69 -4,32 -5,15 -5,16 -4,69 -5,48 -6,24 -6,31 -5,71

CASH -0,1136 -0,3580 *** -0,4938 *** -0,5019 *** -0,3467 *** -0,0091 -0,1043 -0,1287 -0,0157

-1,16 -4,05 -5,57 -5,67 -3,93 -0,11 -1,28 -1,56 -0,19

VLOTACT 0,2913 *** 0,3192 *** 0,3021 *** 0,2783 ***

12,42 13,39 11,89 11,67

HANDELSKR 0,4115 *** 0,4247 *** 0,4033 *** 0,4010 ***

14,53 15,20 13,58 14,01

VOORRAAD 0,1035 ** 0,1487 *** 0,1378 *** 0,0956 **

3,07 4,38 4,02 2,82

ANDERPAS -0,1214 ** -0,1368 ** -0,1554 ** -0,1027 *

-2,71 -3,09 -3,45 -2,26

KTSCHULD -0,2968 *** -0,2910 *** -0,2735 *** -0,2716 ***

-6,03 -5,92 -5,75 -5,72

LTSCHULD -0,0891 -0,0952 *

-1,90 -2,09

FINKOST 0,1251 * 0,1270 * 0,1329 ** 0,1020 * 0,1004 * 0,1121 *

2,54 2,59 2,61 2,15 2,12 2,29

LEVERAGE -0,0007 -0,0004

-0,77 -0,50

F-waarde 47,53 *** 39,37 *** 38,25 *** 54,95 *** 55,72 *** 53,62 *** 50,56 *** 57,81 *** 58,14 *** 56,26 *** 53,36 ***

R² 0,5383 0,5445 0,5674 0,6658 0,6915 0,6937 0,6704 0,6993 0,7200 0,7223 0,7024

Adjusted R² 0,5270 0,5307 0,5526 0,6537 0,6791 0,6807 0,6571 0,6872 0,7076 0,7095 0,6892

Het bovenste cijfer geeft telkens de Bètacoëfficiënt weer. Onder deze Bètacoëfficiënt is (cursief) de bijbehorende t-waarde voor deze coëfficiënt weergegeven. *, ** en *** geven aan dat de schattingen van de Bètacoëfficiënt significant zijn op niveaus 5%, 1% en 0,1%

BIJLAGE 6g: REGRESSIERESULTATEN CROSS-SECTIE – SLOWAKIJE 126 bedrijven

MODEL 2 MODEL 3 MODEL 4 MODEL 5 MODEL 6 MODEL 7 MODEL 8 MODEL 9 MODEL 10 MODEL 11 MODEL 12

AANKOOP 0,0255 0,0269 0,0352 0,0181 0,0201 0,0191 0,0144 0,0304 0,0299 0,0295 0,0293

0,74 0,80 1,07 0,68 0,75 0,71 0,53 1,09 1,07 1,05 1,03

GROOTTE -0,0042 -0,0086 0,0012 0,0076 0,0075 0,0023 -0,0002 0,0052 0,0052 -0,0003

-0,33 -0,65 0,11 0,67 0,66 0,21 -0,02 0,43 0,43 -0,02

GROEI 0,0078 * 0,0071 * 0,0042 0,0038 0,0037 0,0040 0,0036 0,0033 0,0033 0,0036

2,56 2,36 1,73 1,55 1,49 1,62 1,42 1,31 1,30 1,41

RESULTAAT -0,1070 -0,0547 -0,0278 -0,0344 -0,0364 -0,0279 -0,0080 -0,0102 -0,0107 -0,0065

-1,77 -0,89 -0,56 -0,69 -0,72 -0,55 -0,16 -0,20 -0,21 -0,13

CASHFLOW -0,5524 ** -0,4666 ** -0,4736 ** -0,4748 ** -0,4945 ** -0,4980 ** -0,5073 ** -0,5078 ** -0,5100 **

-2,99 -3,10 -3,12 -3,12 -3,19 -3,24 -3,26 -3,25

CASH 0,1627 -0,2110 -0,2710 * -0,2840 * -0,2222 0,2684 * 0,2569 * 0,2537 * 0,2816 *

1,29 -1,87 -2,25 -2,32 -1,88 2,39 2,20 2,13 2,41

VLOTACT 0,4589 *** 0,4856 *** 0,4859 *** 0,4705 ***

7,89 8,10 8,08 7,71

HANDELSKR 0,4922 *** 0,5032 *** 0,5024 *** 0,4883 ***

7,36 7,39 7,33 7,13

VOORRAAD 0,3190 ** 0,3637 ** 0,3645 ** 0,3264 **

3,17 3,44 3,43 3,08

ANDERPAS -0,1466 -0,1284 -0,1281 -0,1560

-1,14 -0,98 -0,97 -1,17

KTSCHULD -0,3462 -0,3641 -0,2639 -0,2690

-1,82 -1,88 -1,32 -1,32

LTSCHULD -0,0896 -0,0254

-0,60 -0,17

FINKOST -0,0427 -0,0373 -0,0346 -0,0470 -0,0457 -0,0446

-0,50 -0,43 -0,40 -0,52 -0,50 -0,49

LEVERAGE -0,0124 0,0006

-0,77 0,04

F-waarde 0,55 2,94 * 3,56 ** 13,51 *** 11,04 *** 9,91 *** 10,49 *** 9,83 *** 8,22 *** 7,47 *** 7,94 ***

R² 0,0044 0,0885 0,1523 0,4448 0,4613 0,4630 0,4488 0,4326 0,4422 0,4424 0,4337

Adjusted R² -0,0036 0,0584 0,1096 0,4119 0,4195 0,4163 0,4060 0,3885 0,3884 0,3832 0,3791

Het bovenste cijfer geeft telkens de Bètacoëfficiënt weer. Onder deze Bètacoëfficiënt is (cursief) de bijbehorende t-waarde voor deze coëfficiënt weergegeven. *, ** en *** geven aan dat de schattingen van de Bètacoëfficiënt significant zijn op niveaus 5%, 1% en 0,1%

BIJLAGE 6h: REGRESSIERESULTATEN CROSS-SECTIE – BULGARIJE 2041 bedrijven

MODEL 2 MODEL 3 MODEL 4 MODEL 5 MODEL 6 MODEL 7 MODEL 8 MODEL 9 MODEL 10 MODEL 11 MODEL 12

AANKOOP 0,031195 *** 0,025537 *** 0,031784 *** 0,030415 *** 0,031244 *** 0,031562 *** 0,030662 *** 0,026519 *** 0,027789 *** 0,028336 *** 0,026749 ***

4,87 3,96 4,93 5,05 5,19 5,25 5,10 4,58 4,81 4,92 4,63

BUITENL -0,00772 0,00403 0,006116 -0,00306 -0,00231 -0,00164 -0,00224 0,000231 0,001066 0,002453 0,000791 ***

-0,62 0,32 0,49 -0,26 -0,20 -0,14 -0,19 0,02 0,10 0,22 0,07

GROOTTE -0,01315 *** -0,01337 *** -0,00501 * -0,00492 -0,00481 -0,00543 * -0,01298 *** -0,01228 *** -0,01214 *** -0,01317

-5,28 -5,02 -1,97 -1,92 -1,88 -2,14 -5,17 -4,87 -4,83 -5,25

GROEI 0,004304 0,004164 0,00414 0,004104 0,004237 0,004062 0,006205 0,006191 0,006509 0,006121

0,99 0,97 1,03 1,02 1,06 1,01 1,61 1,61 1,7 1,59

RESULTAAT -0,00373 -0,0034 -0,00288 -0,00292 -0,00308 -0,00285 -0,00335 -0,00344 -0,00373 -0,00332

-1,53 -1,41 -1,28 -1,30 -1,37 -1,27 -1,55 -1,6 -1,74 -1,54

CASHFLOW -0,27677 *** -0,17271 *** -0,17324 *** -0,17599 *** -0,16713 *** -0,21941 *** -0,22453 *** -0,23052 *** -0,21455 ***

-6,65 -4,39 -4,40 -4,48 -4,23 -5,75 -5,91 -6,09 -5,62

CASH 0,094946 ** -0,08012 ** -0,09284 ** -0,10238 *** -0,08528 ** 0,193431 *** 0,180146 *** 0,153359 *** 0,189839 ***

3,48 -2,91 -3,32 -3,63 -3,09 7,49 6,93 5,73 7,30

VLOTACT 0,295772 *** 0,297368 *** 0,288702 *** 0,29545 ***

17,12 17,15 16,34 17,13

HANDELSKR 0,423743 *** 0,428561 *** 0,411044 *** 0,421491 ***

17,75 17,87 16,93 17,65

VOORRAAD 0,267908 *** 0,272857 *** 0,263506 *** 0,268054

14,21 14,45 13,90 14,23

ANDERPAS -0,2857 *** -0,28843 *** -0,30186 *** -0,2813

-12,55 -12,60 -13,10 -12,34

KTSCHULD -0,06354 -0,06087 -0,13812 ** -0,13665 **

-1,22 -1,17 -2,76 2,74

LTSCHULD -0,07083 * -0,11137 ***

-2,48 -4,01

FINKOST 0,004621 ** 0,004595 ** 0,0047 *** 0,003218 * 0,003137 * 0,003391 **

3,45 3,44 3,51 2,50 2,45 2,63

LEVERAGE 0,000857 0,000642

0,70 0,55

F-waarde 12,91 *** 12,66 *** 13,96 *** 28,57 *** 26,92 26,15 *** 26,86 *** 36,07 *** 34,06 *** 33,64 *** 33,66 ***

R² 0,0926 0,1063 0,1268 0,2375 0,2427 0,2450 0,2423 0,3004 0,3054 0,3109 0,3029

Adjusted R² 0,0854 0,0979 0,1177 0,2292 0,2337 0,2356 0,2333 0,2921 0,2965 0,3017 0,2939

Het bovenste cijfer geeft telkens de Bètacoëfficiënt weer. Onder deze Bètacoëfficiënt is (cursief) de bijbehorende t-waarde voor deze coëfficiënt weergegeven. *, ** en *** geven aan dat de schattingen van de Bètacoëfficiënt significant zijn op niveaus 5%, 1% en 0,1%

BIJLAGE 6i: REGRESSIERESULTATEN CROSS-SECTIE – ROEMENIË 27215 bedrijven

MODEL 2 MODEL 3 MODEL 4 MODEL 5 MODEL 6 MODEL 7 MODEL 8 MODEL 9 MODEL 10 MODEL 11 MODEL 12

AANKOOP 0,0114 *** 0,0135 *** 0,0125 *** 0,0066 *** 0,0074 *** 0,0074 *** 0,0066 *** 0,0067 *** 0,0077 *** 0,0077 *** 0,0066 ***

24,34 26,65 25,77 15,23 17,05 17,08 15,24 15,77 18,49 18,61 15,74

BUITENL -0,0026 -0,0006 0,0058 * 0,0040 0,0045 0,0048 0,0039 0,0060 * 0,0067 ** 0,0072 ** 0,0059 *

-0,89 -0,21 2,05 1,60 1,81 1,92 1,57 2,51 2,88 3,10 2,49

GROOTTE 0,0114 *** 0,0085 *** 0,0115 *** 0,0138 *** 0,0148 0,0114 *** -0,0101 *** -0,0077 -0,0065 *** -0,0102

10,78 8,37 12,86 15,34 16,30 12,69 -11,02 -8,44 -7,20 -11,14

GROEI 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000

0,44 0,27 0,93 0,85 0,87 0,93 0,22 0,03 0,04 0,23

RESULTAAT -0,0003 0,0000 0,0001 0,0001 0,0001 0,0001 0,0002 0,0002 0,0002 0,0002

-1,34 -0,17 0,43 0,63 0,59 0,45 1,07 1,46 1,40 1,10

CASHFLOW -0,4166 *** -0,3761 *** -0,3806 *** -0,3799 *** -0,3758 *** -0,3128 *** -0,3115 *** -0,3078 *** -0,3125 ***

-49,95 -51,00 -51,91 -51,90 -50,98 -43,38 -43,99 -43,67 -43,36

CASH 0,2320 *** -0,0138 -0,0425 *** 0,0452 *** -0,0140 0,4286 *** 0,3702 *** 0,3496 *** 0,4286 ***

19,41 -1,27 -3,88 -4,14 -1,28 40,99 35,49 33,44 41,01

VLOTACT 0,4824 *** 0,4724 *** 0,4633 *** 0,4821 ***

87,89 86,23 83,34 87,87

HANDELSKR 0,6510 *** 0,6269 *** 0,6039 *** 0,6513 ***

79,63 77,74 74,16 79,71

VOORRAAD 0,3389 *** 0,3299 *** 0,3141 *** 0,3394 ***

55,44 54,90 51,88 55,55

ANDERPAS -0,3584 *** -0,3871 *** -0,3959 *** -0,3577 ***

-63,55 -68,88 -70,48 -63,41

KTSCHULD -0,2538 *** -0,2449 *** -0,4161 *** -0,4045 ***

-18,41 -17,74 -31,61 -30,83

LTSCHULD -0,1716 *** -0,2913 ***

-9,24 -16,58

FINKOST 0,0012 *** 0,0012 *** 0,0012 *** 0,0010 *** 0,0010 *** 0,0010 ***

4,58 4,52 4,36 4,16 3,92 4,02

LEVERAGE 0,0001 ** 0,0001 ***

2,81 3,85

F-waarde 164,42 *** 144,19 *** 266,48 *** 693,69 *** 657,23 *** 635,36 *** 635,12 *** 818,43 *** 821,65 *** 808,58 *** 754,99 ***

R² 0,0831 0,0871 0,1639 0,3488 0,3573 0,3593 0,3495 0,4091 0,4304 0,4361 0,4098

Adjusted R² 0,0826 0,0865 0,1633 0,3483 0,3568 0,3587 0,3489 0,4086 0,4298 0,4355 0,4092

Het bovenste cijfer geeft telkens de Bètacoëfficiënt weer. Onder deze Bètacoëfficiënt is (cursief) de bijbehorende t-waarde voor deze coëfficiënt weergegeven. *, ** en *** geven aan dat de schattingen van de Bètacoëfficiënt significant zijn op niveaus 5%, 1% en 0,1%