Oppgrader til nyeste versjon av Internet eksplorer for best mulig visning av siden. Klikk her for for å skjule denne meldingen
Ikke pålogget
{{session.user.firstName}} {{session.user.lastName}}
Du har tilgang til Idunn gjennom , & {{sessionPartyGroup.name}}

Regnskapsmanipulering1

– Foregår det klassifikasjonsskifting før kapitalutvidelser?

Kjell Henry Knivsflå er professor ved Norges Handelshøyskole.


Frode Sættem er professor ved Norges Handelshøyskole.

Øystein Gjerde er professor ved Norges Handelshøyskole.

En mindre påaktet form for regnskapsmanipulering er å skjule deler av ordinære driftskostnader i spesielle eller unormale poster for å kunne fremvise et bedre kjerneresultat, dvs. driftsresultat før spesielle poster. Incentivene til å utføre slik klassifikasjonsendring eller -skifting (classification shifting) knyttes til oppfatningen om at brukerne vektlegger ulike poster i resultatregnskapet ulikt, og at det f.eks. er lettere å innhente kapital når man i forkant kan fremvise et godt kjerneresultat. Denne studien undersøker om omklassifisering av ordinære kostnader til spesielle kostnader synes å foregå i Norge før børsnoterte selskaper innhenter kapital. Resultatene indikerer at dette skjer ved utstedelse av egenkapital, men ikke ved opptak av finansiell gjeld.

Nøkkelord: regnskapsmanipulering, klassifikasjonsskifting, kapitalutvidelser

Innledning

I første del av artikkelen gir vi et overblikk over hva som menes med resultatmanipulering. Vi beskriver tre former for slik manipulering, hvorav klassifikasjonsskifting er én av dem. Med dette som bakteppe gjennomfører vi en studie hvor formålet er å avdekke om selskaper notert på Oslo Børs klassifiserer deler av ordinære driftskostnader som spesielle eller unormale før de innhenter kapital.

Resultatmanipulering

Ofte avgrenses regnskapsmanipulering til å omhandle resultatmanipulering, dvs. at regnskapsprodusenten søker å påvirke periodens eller fremtidige perioders resultat for å villede regnskapsbruker. Siden regnskapsprodusenten tilpasser eller styrer resultatet, kan resultatmanipulering også omtales som resultattilpasning eller resultatstyring (earnings management). Healy & Wahlen (1999) definerer fenomenet slik:

Earnings management occurs when managers use judgment in financial reporting and in structuring transactions to alter financial reports to either mislead some stakeholders about the underlying economic performance of the company or to influence contractual outcomes that depend on reported accounting numbers.

En bred presentasjon av regnskapsmanipulering er gitt f.eks. i dette tidsskrift av Stenheim & Blakstad (2012).

For å kunne bruke skjønn og påvirke resultatet må regnskapsprodusenten ha valg som gir rapporteringsmessig fleksibilitet. Dechow & Skinner (2000) skiller mellom regnskapsmessige valg innenfor gjeldende regelverk (conservative, neutral eller aggressive accounting) og utenfor gjeldende rett (fraudulent accounting). I så måte er manipulering bredt definert og ikke avgrenset ene og alene til svindel. Manipulering utgjør først og fremst et problem når ledelsen har sterke incentiver til å manipulere regnskapet, når incentivene ikke er balanserte (Eilifsen, Knivsflå & Sættem 1999), når regnskapet er nokså enerådende som informasjonskilde eller når brukernes evne til å justere for manipulering er mangelfull.

Tre former for resultatmanipulering

Tradisjonelt har litteraturen pekt på to former for resultatmanipulering (Scott 2011); regnskapsmessige valg (accounting policy choices) og realøkonomiske disposisjoner (real actions). Regnskapsmessige valg påvirker resultatet gjennom tidfesting eller periodisering av inntekter og kostnader – og ikke gjennom underliggende kontantstrøm, som er tilfellet ved realøkonomiske disposisjoner.

Ulike løsninger og metoder innenfor og utenfor god regnskapsskikk representerer regnskapsmessige valg, f.eks. balanseføring eller kostnadsføring av utgifter til FoU og valg mellom lineær eller annen avskrivningsmetode. Valgfrihet innebærer også valg av estimater innenfor valgt metode, f.eks. valg av avskrivningstid ved bruk av lineære avskrivninger og estimater knyttet til avsetninger for usikre forpliktelser, som tap på kundefordringer. Manipulering av regnskapsmessige metoder og estimater påvirker periodiseringen og omtales gjerne som skjønnsmessige periodiseringer (discretionary accruals) (Dechow, Sloan & Sweeney 1995; Dechow & Skinner 2000). Periodiseringstilpasning (accrual management) har vært gjenstand for en serie studier (f.eks. Jones 1991; McNichols & Wilson 1988; Rangan 1998; Teoh, Welch & Wong 1998; Shivakumar 2000; Phillips, Pincus & Rego 2003), som vanligvis finner at periodiseringstilpasning skjer. For eksempel har tidligere studier tatt utgangspunkt i incentivene til å justere overskuddet oppover før utstedelse av ny egenkapital. Man flytter fortjeneste fra en fremtidig periode, ved å øke inntektsføringen og/eller redusere kostnadsføringen, for å øke fortjenesten før emisjonen.

Regnskapsmessig resultat kan også påvirkes gjennom realresultattilpasning (real earnings management), dvs. hvis en økonomisk beslutning fattes kun for å endre kontantstrømmen i en periode på bekostning av kontantstrøm og resultatet i en annen periode, kan man betrakte det som manipulering så lenge resultatendringen er suboptimal. Det kan være at man gir betydelige prisreduksjoner for å øke årets omsetning, reduserer vedlikeholdskostnader for å bedre årets regnskapsmessig resultat, selger eiendeler for å kunne realisere regnskapsmessige gevinster eller kutter FoU-kostnader for å øke årets fortjeneste (Baber, Fairfield & Haggard 1991; Dechow & Sloan 1991; Bushee 1998).

En tredje form for resultattilpasning er klassifikasjonsendring eller -skifting (classification shifting), noe som krever fleksibilitet i klassifisering av regnskapsposter. Ideen er å påvirke oppfatningen av selskapets resultater, f.eks. ved å feilklassifisere deler av ordinære driftskostnader som unormale eller spesielle for å bedre kjerneresultatet, dvs. driftsresultat før spesielle poster. Et eksempel er å klassifisere deler av ordinære administrasjonskostnader – altså kostnader som ikke har noe med selve restruktureringen å gjøre – som en del av kostnadene ved restrukturering. Restruktureringskostnader er gjerne spesielle i forhold til restrukturert drift og ekskluderes derfor fra det normaliserte kjerneresultatet. Spesielle driftsposter kan rapporteres på egen linje i resultatoppstillingen, f.eks. store nedskrivninger, eller samles og spesifiseres i note. Når kostnadene samles, blir de gjerne kalt engangskostnader, andre kostnader eller lignende benevnelser som indikerer at de er spesielle. Hva som er spesielle poster er vanligvis ikke definert av regnskapsregler (poster flagget som ekstraordinære kan være regulert), men en kategori utviklet ved at regnskapsprodusenter i benevnelsen indikerer at postene ikke er normale. Kjerneresultatet blir gjerne referert til som et ikke-GAAP resultatmål – altså et resultatmål som ikke er definert av regnskapsregler, men som har stor fokus i praksis, spesielt blant finansanalytikere.

Forståelsen bygger på at investorer og analytikere vektlegger kjerneresultatet og tillegger transitoriske og unormale poster mindre betydning, f.eks. ved inntjeningsprognoser og selskapsverdsettelse. Desto mer permanent posten oppfattes å være, jo høyere verdivekt kan posten tillegges (Lipe 1986; Fairfield, Sweeney & Yohn 1996; Elliott & Hanna 1996; Francis, Hanna & Vincent 1996; Davis 2002; Bradshaw & Sloan 2002). Klassifikasjonsskifting oppfattes som en mindre alvorlig form for resultattilpasning enn de to foregående former for manipulering; den foregår innenfor resultatoppstillingen, det er ingen periodiseringer som reverseres senere, det er ingen tapte inntekter fra tapte investeringsmuligheter og revisor kan være mindre oppmerksom på slike disposisjoner siden bunnlinjen ikke endres (Kinney & Trezevant 1997; Dye 2002; McVay 2006).

Studier av klassifikasjonsskifting

McVay (2006) argumenterer for at selskaper kan flytte kostnader, eller inntekter, innad i resultatoppstillingen for å presentere et bilde av virksomheten som ikke er konsistent med økonomiske realiteter. Hun fokuserer på fordelingen mellom kjernekostnader (core costs) – definert som varekostnader og kostnader knyttet til salg og administrative aktiviteter – og spesielle poster (special items). Hun dekomponerer kjerneresultat i en forventet og en uventet del, og modellerer forventet kjerneresultat. Hun finner at unormalt kjerneresultat (rapportert minus predikert kjerneresultat) øker med spesielle poster, og at det høye uventede resultatet reverseres påfølgende år, noe som er konsistent med klassifikasjonsskifting. Hun finner at klassifikasjonsskifting er mer fremtredende når dette gjør det mulig for selskapet å møte eller slå analytikernes resultatforventninger.

Fan, Barua, Cready & Thomas (2010) benytter alternative modeller for å estimere kjerneresultat. I tillegg bruker de kvartalsdata og ser på flere situasjoner hvor klassifikasjonsskifting potensielt kan benyttes for å justere resultatet – f.eks. for å møte eller slå analytikernes resultatforventninger, møte eller slå resultatet fra samme kvartal året før og for å fremvise et positivt resultat. Fan & Liu (2017) skiller mellom flytting av varekostnader versus kostnader knyttet til salg og administrative aktiviteter.

Barua, Lin & Sbaraglia (2010) undersøker hvorvidt selskaper henfører normale driftskostnader til diskontinuerlig virksomhet. Lail, Thomas & Winterbotham (2014) undersøker om klassifikasjonsskifting benyttes for å flytte resultater mellom ulike virksomhetsområder. Lee (2012) analyserer om operasjonelle kontantstrømmer inflateres ved hjelp av klassifikasjonsskifting.

Siu & Faff (2013) ser på klassifikasjonsskifting ved egenkapitalemisjoner. Eilifsen & Knivsflå (2018) ser på egenkapitalemisjoner på norske data, og fokuserer på revisors rolle i å moderere feilklassifisering. Fan, Thomas & Yu (2019) analyserer klassifikasjonsskifting når det foreligger restriksjoner i lånekontrakter.

Felles for alle disse studiene er at klassifikasjonsskifting påvises som et virkemiddel for resultattilpasning, og at det finnes situasjoner hvor bruken av dette verktøyet er mer fremtredende, f.eks. ved emisjoner.

Klassifikasjonsskifting på Oslo Børs i forbindelse med kapitalutvidelser

Vi analyserer hvorvidt det foregår klassifikasjonsskifting i forbindelse med at norske børsnoterte selskaper gjennomfører kapitalutvidelser.

Hypoteser og data

Vi formulerer tre hypoteser basert på tidligere studier av resultatmanipulering før kapitalutvidelser:

  • H1: Klassifikasjonsskifting er mer fremtredende før utstedelse og opptak av kapital.

  • H2: Klassifikasjonsskifting er mer fremtredende før utstedelse av egenkapital enn før utstedelse av finansiell gjeld.

  • H3: Klassifikasjonsskifting før utstedelse av egenkapital påvirkes av om utstederen også utsteder finansiell gjeld, og vice versa.

H1 er utgangspunktet for vår testing. H2 tester om klassifikasjonsskifting er sterkere knyttet til innhenting av risikokapital fra aksjemarkedet enn tilførsel av finansiell gjeld fra kreditorene. H3 fanger opp hvorvidt det er samspillseffekter mellom de to formene for kapitalinnhenting, dvs. om klassifikasjonsskifting er mer eller mindre fremtredende om selskaper henter både egenkapital og gjeld. Det forventes at disse effektene er tydeligst ved store kapitalopptak.

Vi har data for perioden fra 1999 til 2014 for selskaper notert på Oslo Børs. Dataene er hentet fra Børsdatabasen ved NHH supplert med regnskapsdata fra Thomson Reuters Datastream og selskapenes årsrapporter. Antall observasjoner (selskapsår) utgjør 3.555. Vi utelater selskaper i finanssektoren (438), selskaper med ufullstendige data (inkl. leads/lags) (1.174) og selskaper med inntekter og aktiva mindre enn kr 10 mill. (73), og står igjen med et utvalg bestående av 1.870 observasjoner (selskapsår) fra 288 selskaper.

Testmetode

For å teste H1, bygger vi på McVays (2006) modell og utvider ved å tillate interaksjoner mellom resultatreduserende spesialposter og påfølgende innhenting av kapital:

abCE = α0 ∙ FIX + α11 ∙ idSI + α12 ∙ CI ∙ idSI + α2 ∙ CI + α3 ∙ CONTROLS + ε,   (1)

hvor abCE er unormalt kjerneresultat i prosent av driftsinntekter (estimert ved Modell 3). FIX representerer faste bransje- og årseffekter, idSI er resultatreduserende spesialposter relativt til driftsinntekter, CI er innhentet kapital i det påfølgende året dividert med gjennomsnittlig totalkapital og CONTROLS representer selskapsspesifikke kontrollvariabler som kan bidra til å forklare abCE. Alfaene er regresjonskoeffisienter og ε er feilleddet. Vi foretar også en alternativ spesifikasjon av Modell (1) med en indikatorvariabel, iCI, som har verdien 1 for å indikere en kapitalutvidelse (CI > 0) eller en stor kapitalutvidelse (CI > f.eks. 75 eller 90 prosentilen), og 0 ellers.

Nettoeffekten – eller nettoassosiasjonen – mellom abCE og idSI er α11 + α12 ∙ CI, hvor α11 måler effekten når CI = 0 (utgangspunktet for alle selskaper) og α12 måler tilleggseffekten når CI > 0 (endring for selskaper med kapitalutvidelser). Som påpekt av McVay (2006) og Fan, Barua, Cready & Thomas (2010), er økt klassifikasjonsskifting konsistent med et mer positivt forhold mellom abCE og idSI siden kjerneresultat bedres når kjernekostnader blir feilklassifiserte som spesialposter. Ifølge H1 forventes økt klassifikasjonsskifting å inntreffe når CI > 0, dvs. at α12 > 0 og statistisk signifikant.2

For å teste hypotesene H2 and H3, utvider vi Modell (1) ved å splitte CI i hhv. egenkapital og finansiell gjeld. I tillegg inkluderer vi et kryssledd for å fange opp muligheten av en forsterkende eller modererende effekt av å utstede begge kapitalformer:

abCE = α0 ∙ FIX + α11 ∙ idSI + α121 ∙ DT ∙ idSI + α122 ∙ EQ ∙ idSI + α123 ∙ DT ∙ EQ ∙ idSI + α21 ∙ DT + α22 ∙ EQ + α23 ∙ DT ∙ EQ + α3 ∙ CONTROLS + ε,   (2)

hvor DT er ny gjeld det påfølgende året, EQ er ny egenkapital og DT ∙ EQ er kryssproduktet, som representerer interaksjonen mellom de to kapitalkildene. α121 måler effekten av klassifikasjonsskifting når DT > 0, α122 måler effekten når EQ > 0, og α123 måler effekten av interaksjonen DT ∙ EQ > 0. Ifølge H2 (og H1), vil α122 > α121 (> 0), mens H3 predikerer α123 ≠ 0. Modell (2) blir også spesifisert med indikatorvariable for positive eller store gjeldsutstedelser (iDT), positive eller store egenkapitalutstedelser (iEQ) og interaksjonen mellom de to formene for kapitalopptak (iDT ∙ iEQ).

Definisjon og estimering av variabler, deskriptiv statistikk og korrelasjoner

For å teste de tre hypotesene estimerer vi variablene i Modell (1) og (2): abCE, idSI, CI, DT, EQ og CONTROLS. I Tabell 1 defineres og forklares alle variablene.

Tabell 1:

Definisjoner variable

FIXFaste bransje- og årseffekter. FIX = (INTERCEPT, INDUSTRY, YEAR), hvor INTERCEPT er konstantleddet i regresjonen, INDUSTRY er en vektor av indikatorvariable én for hver bransje (unntatt en) og YEAR er en vektor av indikatorvariable én for hvert år (unntatt ett).
abCEUnormal kjernekostnad er residualene i Modell (3), estimert for hvert bransjeår: CE = β0 + β1 ∙ CE-1 + β2 ∙ ATO + β3 ∙ TAC-1 + β41 ∙ ΔREV + β42 ∙ NEG + β43 ∙ NEG ∙ ΔREV + β51 ∙ abRET-1 + β52 ∙ abRET + abCE, hvor betaene er koeffisienter, variablene er definert nedenfor, og abCE er estimerte residualer.
idSIResultatreduserende spesielle driftsposter dividert med driftsinntekter når postens nettoverdi er positiv, og 0 ellers. Spesielle driftsposter er summen av engangsdriftskostnader minus inntekter, og inkluderer nedskrivninger og reverseringer, tap eller gevinst på salg av anleggsmidler, endringer i virkelig verdi på biologiske eiendeler, restruktureringskostnader, fusjonsrelaterte kostnader og lignende engangsposter.
CIKapitalutvidelser dividert på gjennomsnittlig totalkapital når posten er positiv og 0 ellers. CI = DT + EQ, hvor DT er utstedelse av finansiell gjeld og EQ er egenkapitalutvidelser.
iCIIndikatorvariabel med verdien 1 når CI > 0, og 0 ellers. Alternativt en indikator for stor kapitalutvidelse, f.eks. CI > 90 prosentilen.
CONTROLSSelskapsspesifikke kontrollvariabler som kan bidra til å forklare abCE. F.eks. LEV, cROA, eRET, BETA, SIZE og BTM.
DTUtstedelse av finansiell gjeld, definert som endring i finansiell gjeld pluss tilbakebetalinger i løpet av året dividert med gjennomsnittlig totalkapital når postens nettoverdi er positiv, og 0 ellers.
iDTIndikatorvariabel med verdien 1 når DT > 0, og 0 ellers. Alternativt en indikator for stor kapitalutvidelse, f.eks. DT > 90 prosentilen.
EQEgenkapitalutvidelser, definert som endring i egenkapital som ikke gjelder opptjent EK pluss annonserte utbyttebetalinger dividert med gjennomsnittlig totalkapital når postens nettoverdi er positiv, og 0 ellers.
iEQIndikatorvariabel med verdien 1 når EQ > 0, og 0 ellers. Alternativt en indikator for stor kapitalutvidelse, f.eks. EQ > 90 prosentilen.
CE, CE-1 Samtidig og lagget kjerneresultat relativt til driftsinntekter. Kjernekostnader som trekkes fra driftsinntektene for å beregne kjerneresultatet er varekostnader, personalkostnader og andre ordinære driftskostnader, unntatt avskrivninger og amortisering.
ATOGjennomsnittlig omløpshastighet, dvs. omsetning i prosent av gjennomsnittlig netto driftsaktiva.
TAC, TAC-1 Samtidig og lagget totale periodiseringer i prosent av driftsinntekter. Totale periodiseringer er resultat minus kontantstrøm fra driften.
ΔREVProsentvis vekst i driftsinntekter.
NEGIndikatorvariabel for ΔREV < 0.
abRET, abRET-1 Unormal aksjeavkastning er residualene i den Fama & French (1993) inspirerte regresjonen, estimert for hvert bransjeår: eRET = ϕ0 + ϕ1 ∙ BETA + ϕ2 ∙ SIZE + ϕ3 ∙ BTM + abRET, hvor fiene er regresjonskoeffisienter. abRET-1 innebærer at abRET er lagget ett år.
LEVGjeldsandel, målt som finansiell eller rentebærende gjeld dividert med gjennomsnittlig totalkapital.
ROAAvkastning på totalkapitalen, målt som resultat dividert med gjennomsnittlig totalkapital.
cROAKontantavkastning på totalkapital, målt som kontantstrøm fra drift dividert med gjennomsnittlig totalkapital.
eRETAksjens meravkastning, eRET = RET – RF, hvor RET er årlig aksjemarkedsavkastning og RF er risikofri rente, definert som interbankrenten etter skatt minus en kredittrisikopremie tilsvarende gjennomsnittlig bankrating.
BETASystematisk risiko, estimert ved markedsmodellen basert på månedlige observasjoner over et år.
SIZELagget log av den inflasjonsjusterte markedsverdien av egenkapitalen.
BTMLagget bok/markedsverdi.
ΔEndring, f.eks. ΔCE er definert som CE – CE-1.

For å måle unormalt kjerneresultat (abCE), estimerer vi en variant av modellen som McVay (2006) bruker for hvert bransjeår:

CE = β0 + β1 ∙ CE-1 + β2 ∙ ATO + β3 ∙ TAC-1 + β41 ∙ ΔREV + β42 ∙ NEG + β43 ∙ NEG ∙ ΔREV + β51 ∙ abRET-1 + β52 ∙ abRET + abCE,   (3)

hvor CE og CE-1 er samtidig og lagget kjerneresultat relativt til driftsinntekter. Driftskostnader som trekkes fra inntekten for å beregne kjerneresultat er varekostnader, personalkostnader og andre ordinære driftskostnader, unntatt avskrivninger og amortiseringer. Årsaken til at avskrivninger og amortiseringer holdes utenfor kjerneresultatet, som da blir et normalisert EBITDA-resultat, er for å unngå en eventuell mekanisk sammenheng med nedskrivinger, som er en spesiell post. Kjerneresultatet blir gjerne referert til som et ikke-GAAP resultatmål – altså et resultatmål som ikke er definert av regnskapsregler, men som har stort fokus i praksis, spesielt blant finansanalytikere. Kjerneresultatet er mer permanent – og således mer verdirelevant enn totalresultatet.

I Tabell 2 presenteres deskriptiv statistikk (vi har winsorisert (winsorized) 1 prosent av alle haleobservasjoner). Gjennomsnittsverdien til CE er 0,088. dvs. kjerneresultatet utgjør i gjennomsnitt 8,8 prosent av driftsinntektene.

Tabell 2:

Deskriptiv statistikk

Obs.SnittSt.av.10-pro.25-pro.Med.75-pro.90-pro.
CE1.8700,0880,526–0,093–0,0390,1170,2620,481
ATO1.8702,3205,5000,2090,4811,3572,5134,643
TAC1.870–0,1690,839–0,460–0,179–0,066–0,0020,083
ΔREV1.8700,3693,067–0,229–0,0520,0750,2700,638
NEG1.8700,3340,4720,0000,0000,0001,0001,000
abRET1.8700,0060,677–0,661–0,325–0,0660,2120,611
abCE1.870–0,0010,219–0,154–0,0640,0030,0720,176
idSI1.8700,0610,3000,0000,0000,0000,0160,106
CI1.8700,1510,2180,0000,0110,0750,1920,392
DT1.8700,0980,1460,0000,0000,0470,1340,259
EQ1.8700,0510,1410,0000,0000,0000,0230,163
DT ∙ EQ1.8700,0070,0390,0000,0000,0000,0000,010
LEV1.8700,3250,2390,0160,1280,2990,4890,641
cROA1.8700,0560,123–0,0810,0070,0600,1200,193
ROA1.870–0,0050,162–0,176–0,0380,0220,0720,137
eRET1.8700,1570,898–0,638–0,3320,0180,3960,910
BETA1.8701,0181,031–0,0540,3600,8861,4902,273
SIZE1.8707,1241,7804,9085,8527,0188,3399,441
BTM1.8700,9741,1910,2220,3740,6561,1571,884

Obs. er antall observasjoner, snitt er gjennomsnittet, st.av. er standardavviket, 10-pro. er 10 prosentilen, 25-pro. er 25 prosentilen, med. er medianen, 75-pro. er 75 prosentilen og 90-pro. er 90 prosentilen. For å redusere betydningen av ekstremobservasjoner, er 1 prosent av observasjonene i halene winsorisert, hvilket også forklarer hvorfor f.eks. gjennomsnittet av abCE og abRET er litt forskjellig fra 0.

Betaene i Modell (3) er regresjonskoeffisienter. ATO er gjennomsnittlig omsetning i prosent av netto driftsaktiva (gjennomsnitt 2,320). TAC-1 er lagget totale periodiseringer relativt til driftsinntekter (gjennomsnitt -0,169). ΔREV er veksten i driftsinntekter (gjennomsnitt 0,369). NEG er en indikatorvariabel for negativ inntektsvekst (gjennomsnitt 0,334, som betyr at rundt en tredjedel av observasjonene har negativ vekst). NEG ∙ ΔREV er interaksjonen mellom NEG og ΔREV. abRET og abRET-1 er samtidig og lagget unormal aksjeavkastning (gjennomsnitt 0,006). abCE er feilleddet i regresjonen (gjennomsnitt -0,001), og er vårt estimat på unormalt kjerneresultat (gjennomsnitt forskjellig fra null fordi haleobservasjonene av abCE er winsorisert).

Vi følger Fan, Barua, Cready & Thomas (2010), og Modell (3) avviker fra McVays modell ved at vi ekskluderer nåværende periodiseringer (TAC) og inkluderer unormal aksjemarkedsavkastning (abRET). Nåværende periodiseringer ekskluderes fordi de inkluderer nåværende spesialpostperiodiseringer, og prestasjonsjusteringen utføres for å kontrollere for at kjerneresultat og resultatreduserende spesialposter begge blir påvirket av svake prestasjoner. Viktigheten av prestasjonsjustering gjør at vi også inkluderer slike variabler mellom kontrollvariablene i (1) og (2) og i tester av robusthet.

I Modell (1) og (2) er idSI resultatreduserende spesielle driftsposter dividert med driftsinntekter når postens nettoverdi er positiv, og 0 ellers. Spesielle driftsposter er summen av spesielle driftskostnader minus spesielle driftsinntekter, og inkluderer nedskrivninger og reverseringer, tap eller gevinst på salg av anleggsmidler, endringer i virkelig verdi på biologiske eiendeler, restruktureringskostnader, fusjonsrelaterte kostnader og lignende engangsposter. Spesielle poster kan rapporteres på egen linje i resultatoppstillingen, f.eks. nedskrivninger, eller samles og spesifiseres i note. Når kostnadene samles, blir de gjerne kalt engangskostnader, andre kostnader eller lignende benevnelser som indikerer at de er spesielle. Spesielle poster er ikke definert av regnskapsregler (poster flagget som ekstraordinære kan være regulert, f.eks. ikke tiltatt etter IFRS), men en kategori utviklet ved at regnskapsprodusenten i benevnelsen indikerer at posten ikke er normal. Etter IFRS er det stor fleksibilitet til å spesifisere egne linjer i resultatsoppstillingen (IAS 1, 85; se også 97–98), noe som kan benyttes til å indikere spesielle poster. I motsetning til McVay (2006), som bygger sitt arbeid på Compustat og deres vurderinger og klassifiseringer, har vi foretatt klassifiseringene selv ved gjennomgang av årsrapporter for å finne ut hva som er spesielle poster eller ikke. Gjennomsnittverdien til idSI er 0,061 og korrelasjonen mellom abCE og idSI is -0,080 (denne og andre korrelasjoner er ikke tabulert), som indikerer at i gjennomsnitt er høye spesielle driftskostnader assosiert med svake prestasjoner – og ikke drevet av netto klassifikasjonsskifting.3

CI er kapitalutvidelser, definert som endring i sysselsatt kapital (egenkapital pluss finansiell gjeld) som ikke gjelder opptjent kapital, dividert med gjennomsnittlig totalkapital når postens nettoverdi er positiv, og 0 ellers (gjennomsnitt 0,151). Kapitalutvidelser er negativt korrelert med kjerneresultat (-0,060) og positivt korrelert med resultatreduserende spesialposter (0,131), hvilket er konsistent med at dårlige prestasjoner trigger kapitalutvidelser og rapportering av spesialposter.

I Modell (2) er DT utstedelse av finansiell gjeld, definert som endring i finansiell gjeld pluss tilbakebetalinger i løpet av året dividert med gjennomsnittlig totalkapital når postens nettoverdi er positiv, og 0 ellers (gjennomsnitt 0,098). Gjeldsutstedelser er ukorrelert med kjerneresultat (-0,006) og positivt korrelert med resultatreduserende spesialposter (0,126). EQ er egenkapitalutstedelser, definert som endring i egenkapital som ikke gjelder opptjent egenkapital gjennom totalresultatet pluss annonserte utbyttebetalinger dividert med gjennomsnittlig totalkapital når postens nettoverdi er positiv, og 0 ellers (gjennomsnitt 0,051). EQ er negativt korrelert med abCE (-0,074) og positivt korrelert med idSI (0,073). Korrelasjonen er konsistent med at egenkapitalemisjoner er nødvendig når kjerneresultatet er dårlig, og at gjeldsutstedelse er ukorrelert med kjerneresultat og brukes som en generell finansieringsform. Begge former er korrelert med resultatreduserende spesialposter, som er konsistent med at spesialpostklassifisering er populært ved kapitalmarkedstransaksjoner. Korrelasjonen mellom DT og EQ er 0,116.

I Modell (1) og (2) er kontrollvariablene CONTROLS hhv. gjeldsandel (LEV) og kontantavkastning på aktiva (cROA) eller avkastning på totalkapital (ROA) og aksjemarkedsavkastning i form av meravkastning i aksjemarkedet (eRET). I tillegg inkluderer vi risikofaktorer, uttrykt ved aksjens betaverdi (BETA), selskapsstørrelse (SIZE) og bok/markedsverdi-forholdet (BTM).

Hovedtester av hypotesene

Hovedtesten av H1 er gitt ved Modell (1) og resultatene rapporteres i Tabell 3. Regresjonskoeffisienten til resultatreduserende spesialposter (idSI) er som nevnt separert i to. Første ledd er estimert til -0,112 (t-verdi = -2,76, etter å ha benyttet robuste standardavvik for tilfeldig heteroskedastisitet og førsteordens autokorrelasjon (White 1980; Newey & West 1987)). For ikke-utstedere påvirker selskaper med svake prestasjoner både unormalt kjerneresultat (abCE) og idSI, noe som gir en negativ sammenheng som dominerer mulig klassifikasjonsskifting hos enkelte ikke-utstedere. Koeffisienten er estimert til å være 0,129 høyere (t-verdi = 3,03) for hver enhet CI i utvalget med kapitalutvidelser. En mer positiv sammenheng mellom abCE og idSI er konsistent med H1 og følgelig klassifikasjonsskifting året før man gjennomfører en kapitalutvidelse.

Tabell 3:

Hovedtest – Relative beløp

Modell (1)Modell (2)
abCEKoeff.t-verdi Koeff.t-verdi
FIXJaJa
idSI–0,112***–2,76–0,114***–2,79
idSI · CI 0,129 *** 3,03
idSI · DT 0,126 * 1,88
idSI · EQ 0,193 * 1,68
idSI · DT ∙ EQ –0,177 –0,20
CI–0,019–0,44
DT–0,008–0,14
EQ–0,061–0,71
DT ∙ EQ0,1630,81
LEV0,064*1,950,062*1,86
cROA0,320***3,520,317***3,45
eRET–0,014**–2,36–0,014**–2,30
BETA–0,018**–2,51–0,018**–2,51
SIZE–0,001–0,22–0,001–0,23
BTM0,0050,860,0050,84
Justert R2 0,040***0,039***
Antall obs.1.8701.870
Diff. F-verdi
idSI ∙ EQ vs. idSI ∙ DT 0,067 0,39

Modell (1) og (2) er spesifisert i teksten og Tabell 1 definerer alle variablene. *, ** og *** indikerer statistisk signifikans på 10%, 5% og 1% nivå.

For å teste H2 og H3 estimerer vi Modell (2) og rapporterer også dette i Tabell 3. Koeffisienten på utstedelse av finansiell gjeld (DT) er 0,126 høyere, mens koeffisienten på utstedelse av egenkapital (EQ) er 0,193 høyere for hver enhet CI. Ingen av dem er signifikante på 5 %-nivå. I Tabell 4 har vi erstattet DT og EQ med indikatorvariablene iDT og iEQ, og grupperer for hhv. utstedelser og store utstedelser (90 prosentilen).

Tabell 4:

Hovedtest – Indikatorvariable

Modell (2) Indikator utstedelseModell (2) Indikator stor utstedelse
abCEKoeff.t-verdi Koeff.t-verdi
FIXJaJa
idSI–0,095***–3,01–0,102**–2,35
idSI · iDT –0,027 –0,63 0,067 0,92
idSI · iEQ 0,116 ** 2,11 0,188 ** 2,21
idSI · iDT ∙ iEQ 0,004 0,05 –0,311 –0,89
iDT0,0090,810,0100,45
iEQ–0,026–1,50–0,025–0,90
iDT ∙ iEQ0,0150,720,0130,18
LEV0,066**1,970,065**1,97
cROA0,327***3,800,322***3,78
eRET–0,013**–2,15–0,014**–2,28
BETA–0,019***–2,68–0,017**–2,53
SIZE–0,000–0,17–0,001–0,31
BTM0,0040,650,0050,78
Justert R2 0,041***0,039***
Antall obs.1.8701.870
Diff. F-verdi Diff. F-verdi
idSI ∙ iEQ vs. idSI ∙ iDT 0,143 *** 7,04 0,121 1,85

Modell (2) er spesifisert i teksten og Tabell 1 definerer alle variablene. I den første regresjonen tar indikatorvariabelen verdien 1 når utstedt beløp er positivt, og 0 ellers. I den andre regresjonen tar indikatorvariabelen verdien 1 når utstedt beløp er «stort», definert som at det relative beløpet tilhører 90 prosentilen, og 0 ellers. *, ** og *** indikerer statistisk signifikans på 10%, 5% og 1% nivå.

Nå blir tilleggskoeffisienten for egenkapitalutvidelser (idSI ∙ iEQ) signifikant, med verdien 0,116 for utstedelse og 0,188 for store utstedelser. Koeffisienten for idSI ∙ iDT er ikke signifikant (-0,027 og 0,067). Dette innebærer støtte for H2 og at klassifikasjonsskifting relateres til utstedelse av egenkapital, og ikke av finansiell gjeld. Dersom det foretas en F-test på forskjellen i koeffisienter mellom egenkapital og gjeld, fremkommer det en forskjell kun for utstedelser (0,116 kontra -0,027), men ikke for store utstedelser (0,118 kontra 0,067). Klassifikasjonsskifting som kan knyttes til at egenkapitalutstedelser påvirkes av utstedelse av finansiell gjeld, underbygges ikke siden koeffisienten på idSI ∙ idDT ∙ idEQ ikke er signifikant, noe som taler for at det ikke er støtte for H3.

Hovedresultatet i denne studien er at klassifikasjonsskifting skjer før kapitalutvidelser, og at dette er drevet av egenkapitalutstedelser og ikke utstedelse av finansiell gjeld. I så måte bekrefter vi resultatene til Siu & Faff (2013) og Eilifsen & Knivsflå (2018) som dokumenterer klassifikasjonsskifting før egenkapitalutvidelser, men vi viser at deres resultater ikke nødvendigvis gjelder gjeldsutstedelse.

Tilleggstester og robusthet

En tilleggstest er å analysere hvorvidt det dokumenterte unormale kjerneresultatet før egenkapitalutvidelser reverseres i påfølgende periode, dvs. i perioden kapitalutvidelsen foregår. Dette er for å sikre at resultatet faktisk skyldes klassifikasjonsskifting og ikke bedret økonomisk kjerneresultat knyttet til den spesielle posten i seg selv. Dette kan testes ved å estimere Modell (1) og (2), hvor abCE erstattes med abΔCE+1, den unormale eller uventete endringen i kjerneresultatet fra året før (år 0) til året for kapitalutvidelse (år 1). I Modell (1) predikeres nå α12 å være negativ hvis reversering skjer eller positiv hvis klassifikasjonsskifting fortsetter. Tilsvarende tillater Modell (2) oss å teste om unormalt kjerneresultat reverseres eller fortsetter i årene med utstedelse av egenkapital og finansiell gjeld. Vi rapporterer ikke resultatene i tabell, men finner at klassifikasjonsskifting i året før en kapitalutvidelse reverseres i det året kapitalutstedelsen gjennomføres, noe som er konsistent med H1. Også når vi bruker Modell (2) i denne analysen, finner vi resultater som er konsistente med det som ble funnet i hovedanalysen.

I tillegg gjennomfører vi tester for robusthet. Vi endrer hvordan hovedtesten justeres for prestasjoner. Dette er potensielt viktig fordi dårlige resultater skaper en naturlig negativ relasjon mellom ujustert unormalt kjerneresultat og resultatreduserende spesialposter (jamfør fotnote 2). I hovedtesten følger vi først Fan, Barua, Cready & Thomas (2010) og estimerer abCE ved Modell (3) som inkluderer unormal aksjeavkastning som en kilde som påvirker unormalt kjerneresultat. Deretter legges kontantavkastning på totale eiendeler(cROA) og aksjeavkastning (utover estimert risikofri rente, eRET) til som kontrollvariabler når vi benytter Modell (1) og (2). Når vi utelater disse justeringene, opprettholdes likevel konklusjonene. Vi utelater også både faste effekter og alle kontrollvariabler, uten at hovedfunn og konklusjoner endres i disse tilfellene heller.

I den andre testen for robusthet analyserer vi klassifikasjonsskifting kun ved egenkapitalutvidelser. Metodisk endrer vi fra å ta hensyn til tilfeldig heteroskedastisitet og førsteordens autokorrelasjon til å tillate multi-way clustering av selskaper og år og tilfeldig autokorrelasjon (Driscoll & Kraay 1998; Cameron, Gelbach & Miller 2011; Thompson 2011). Vi estimerer også ved hjelp av GLS regresjoner i stedet for OLS regresjoner, og vi tar hensyn til at emisjoner bestemmes endogent (Heckman 1978). Disse justeringene endrer ikke konklusjonene. Til slutt har vi også brukt ikke-winsoriserte data og inkludert svært små selskaper (73), med det resultat at økt støy i halene pga. ekstreme observasjoner gjør resultatene mindre signifikante.

Avrunding

Regnskapsmanipulering er en viktig problemstilling for brukere av regnskapsinformasjon. En lite påaktet metode for å utøve resultatmanipulering er å klassifisere deler av ordinære driftskostnader som spesielle eller unormale poster for å kunne fremvise et bedre kjerneresultat. Incentivene til å utføre dette er oppfatningen om at markedet vektlegger ulike poster i resultatregnskapet ulikt, og at det f.eks. er lettere å innhente ekstern kapital når man i forkant kan fremvise et godt kjerneresultat. I vår studie undersøker vi om slik klassifikasjonsskifting kan foregå i Norge i forbindelse med at selskaper innhenter frisk kapital. Resultatene indikerer at dette skjer og at utstedelse av egenkapital driver resultatene, og ikke utstedelse av finansiell gjeld.

Referanser

Baber, W., Fairfield, P. & Haggard, J. 1991. «The effect of concern about reported income on discretionary spending decisions: The case of Research and Development.» The Accounting Review. 66 (4): 818–829.

Barua, A., Lin, S. & Sbaraglia, A. 2010. «Earnings management using discontinued operations.» The Accounting Review. 85 (5): 1485–1509.

Bradshaw, M. & Sloan, R. 2002. «GAAP versus the street: An empirical assessment of two alternative definitions of earnings.» Journal of Accounting Research. 40 (1): 41–66.

Bushee, B. 1998. «The Influence of institutional investors on myopic R&D investment behavior.» The Accounting Review. 73 (3): 305–333.

Cameron, A.C., Gelbach, J.B. & Miller, D.L. 2011. «Robust inferences with multiway clustering.» Journal of Business and Economic Statistics, 29: 238–249.

Davis, A. 2002. «The value relevance of revenue for internet firms: Does reporting grossed-up or barter revenue make a difference?» Journal of Accounting Research. 40 (2): 445–477.

Dechow, P.M. & Skinner, D.J. 2000. «Earnings management: Reconciling the view of accounting academics, practitioners, and regulators.» Accounting Horizons. 24 (2): 235–250.

Dechow, P. & Sloan, R. 1991. «Executive incentives and the horizon problem: An empirical investigation.» Journal of Accounting and Economics. 14 (1): 51–89.

Dechow, P.M., Sloan, R. & Sweeney, A.P. 1995. «Detecting earnings management.» The Accounting Review. 70 (2): 193–226.

Driscoll, J. C. & Kraay, A. 1998. «Consistent covariance matrix estimation with spatially dependent panel data.» Review of Economics and Statistics. 80: 549–560.

Dye, R. 2002. «Classification manipulation and Nash accounting standards.» Journal of Accounting Research. 40 (4): 1125–1162.

Eilifsen, Aa. & Knivsflå, K.H. 2018. Core earnings management: How do audit firms interact with the balance between classification shifting and accruals management? SSRN: https://ssrn.com/abstract=3080778.

Eilifsen, Aa., Knivsflå, K.H. & Sættem F. 1999. «Earnings manipulation: cost of capital versus tax.» European Accounting Review. 8 (3): 481–491.

Elliott, J. & Hanna, J. 1996. «Repeated accounting write-offs and the information content of earnings.» Journal of Accounting Research. 34 (Supplements): 135–155.

Fairfield, P., Sweeney, R. & Yohn, T. 1996. «Accounting classification and the predictive content of earnings.» The Accounting Review. 71 (3): 337–355.

Fama, E.F. & French, K.R. 1993. «Common risk factors in the returns of stocks and bonds.» Journal of Financial Economics. 33 (1): 3–56.

Fan, Y., Barua, A., Cready, W.M. & Thomas, W.B. 2010. «Managing earnings using classification shifting: Evidence from quarterly special items.» The Accounting Review. 85 (4): 1303–1323.

Fan, Y. & Liu, X. 2017. «Misclassifying core expenses as special items: Cost of goods sold or selling, general and administrative expenses?» Contemporary Accounting Research. 34 (1): 400–426.

Fan, Y., Thomas, W.B. & Yu, X. 2019. «The impact of financial covenants in private loan contracts on classification shifting.» Management Science. Forthcoming.

Francis, J., Hanna, J. & Vincent, L. 1996. «Causes and effects of discretionary asset write-offs.» Journal of Accounting Research. 34 (Supplements): 117–134.

Healy, P.M. & Wahlen, J.M. 1999. «A review of the earnings management literature and its implications for standard setting.» Accounting Horizons. 13 (4): 365–383.

Heckman, J. 1978. «Dummy endogenous variables in a simultaneous equation system.» Econometrica. 46: 931–959.

Jones, J. 1991. «Earnings management during import relief investigations.» Journal of Accounting Research. 29 (82): 193–228.

Kinney, M. & Trezevant, R. 1997. «The use of special items to manage earnings and perceptions.» The Journal of Financial Statement Analysis. Fall: 45–53.

Lail, B., Thomas, W.B. & Winterbotham, G. 2014. «Classification shifting using the ‘Corporate/Other’ segment.» Accounting Horizon. 28 (3): 455–477.

Lee, L.F. 2012. «Incentives to inflate reported cash from operations using classification and timing.» The Accounting Review. 87 (1): 1–33.

Lipe, R. 1986. «The Information Contained in the Components of Earnings.» Journal of Accounting Research. 24 (Supplements): 37–64.

McNichols, M. & Wilson, G. 1988. «Evidence of earnings management from the provision for bad debts.» Journal of Accounting Research. 26 (Supplements): 1–31.

McVay, E. 2006. «Earnings management using classification shifting: An examination of core earnings and special items.» The Accounting Review. 81 (3): 501–531.

Newey, W.K., & West, K.D. 1987. «A simple, positive semi-definite, heteroskedasticity and autocorrelation consistent covariance matrix.» Econometrica. 55 (3): 703–708.

Phillips, J., Pincus, M. & Rego, S. 2003. «Earnings management: New evidence based on deferred tax expense.» The Accounting Review. 78 (2): 491–521.

Rangan, S. 1998. «Earnings management and the performance of seasoned equity offerings.» Journal of Financial Economics. 50 (1): 101–122.

Scott, W.R. 2011. Financial Accounting Theory. Toronto: Pearson Prentice Hall.

Shivakumar, L. 2000. «Do firms mislead investors by overstating earnings before seasoned equity offerings?» Journal of Accounting and Economics. (29): 339–371.

Siu, D. & Faff, R. 2013. Management of core earnings using classification shifting around seasoned equity offerings. SSRN: http://ssrn.com/abstract=1928578.

Stenheim, T. & Blakstad, L. 2012. «Regnskapsmanipulering – definisjon, forutsetninger og incentiver.» Praktisk økonomi & finans. (2): 57–69.

Teoh, S.H., Welch, I. & Wong, T. 1998. «Earnings management and the long-run underperformance of seasoned equity offerings.» Journal of Financial Economics. 50 (1): 63–99.

Thompson, S.B. 2011. «Simple formulas for standard errors that cluster by both firm and time.» Journal of Financial Economics. 99 (1): 1–10.

White, H. 1980. «A Heteroskedasticity-consistent covariance matrix estimator and a direct test for heteroskedasticity.» Econometrica. 48 (4): 817–838.

1Forfatterne takker anonym fagfelle og redaktør for meget konstruktive kommentarer til et tidligere utkast.
2Siden insentivene for klassifikasjonsskifting er svakere når CI = 0, forventes α11 å være negativ, fordi generelt svake prestasjoner pålegger en negativ korrelasjon mellom abCE og idSI, som dokumentert av McVay (2006) og Fan, Barua, Cready & Thomas (2010).
3Regresjonsmodellen abCE = α0 + α1 ∙ idSI + ε estimerer α1 = -0.058, og som ikke-signifikant. Følgelig kan det ikke påvises korrelasjon mellom unormalt kjerneresultat og resultatreduserende spesialposter, konsistent med ingen klassifikasjonsskifting og at prestasjonsjusteringen i Modell (3) er tilstrekkelig.

Idunn bruker informasjonskapsler (cookies). Ved å fortsette å bruke nettsiden godtar du dette. Klikk her for mer informasjon