DE ROL VAN HANDELSKR EDIET VOOR DE FINANCIERING …nuttige tips ter verbetering. II. III. IV LIJST...
Transcript of DE ROL VAN HANDELSKR EDIET VOOR DE FINANCIERING …nuttige tips ter verbetering. II. III. IV LIJST...
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.
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%