In deze paragraaf wordt de deelwaarneming nader toegelicht. In de eerste sub-paragraaf worden de variabelen behandeld. In de tweede sub-paragraaf worden de waarnemingen geanalyseerd en in de laatste sub-paragraaf wordt nagegaan of er multi-collineariteit aanwezig is tussen de onafhankelijke variabelen.
Paragraaf 4.1.1 | De variabelen
De stellingen in paragraaf 2.2 (theoretisch kader) zijn per onafhankelijke variabele in tweetallen opgesteld. De eerste stelling toetst of de onafhankelijke variabele de kans op een bijzondere waardevermindering beïnvloedt. Indien dit het geval is, toetst de tweede stelling de invloed van de onafhankelijke variabele op de hoogte van de relatieve bijzondere waardevermindering. In paragraaf 4.2 worden de stellingen getoetst aan de hand van regressieanalyse. Voor het toetsen van de stellingen zijn formules opgesteld. Om de leesbaarheid van de formules te verbeteren zijn er afkortingen voor de onafhankelijke variabelen gebruikt. Onderstaande tabel geeft een overzicht van de variabelen, hun afkorting en hun definitie.
Tabel 4 Beschrijving variabelen
Tabel 4 Beschrijving variabelen (vervolg)
Tabel 4 Beschrijving variabelen (vervolg)
Voordat de regressieanalyse kan worden uitgevoerd is het van belang om het meetniveau van de onafhankelijke variabelen vast te stellen. Er zijn vier mogelijkheden, namelijk nominaal, ordinaal, interval of ratio. Voor de keuze van het type regressieanalyse is het meetniveau van belang. Onderstaande tabel geeft per variabele een toelichting op de uitkomstmogelijkheden van de variabele en het meetniveau van de variabele.
Tabel 5 Meetniveau variabelen
Tabel 5 Meetniveau variabelen
De variabele type vrachtschip heeft vier uitkomstmogelijkheden, namelijk container, tanker, droge bulk of diversen en heeft zodoende een nominaal meetniveau. De overige nominale variabelen hebben elk twee uitkomstmogelijkheden en worden zodoende gekwantificeerd als binaire nominale variabelen. De uitkomst kan zowel worden uitgedrukt in een woord, als in een cijfer waarbij 1 betekend ‘ja’ en 0 ‘nee’.
De grootte van een vrachtschip wordt uitgedrukt in hetzij het aantal TEU (twenty-foot equivalent unit) dat een containerschip kan vervoeren, hetzij het aantal DWT (dead weight tonnage) dat een overig vrachtschip kan vervoeren. Wanneer de grootte in het aantal TEU of DWT wordt uitgedrukt kan dit worden gekwantificeerd als een ratiovariabele. Echter, het met elkaar vergelijken van beide capaciteitscategorieën is als het vergelijken van appels met peren, daarom zijn beide capaciteitscategorieën verenigd door een onderverdeling te maken naar klein en groot, waarbij de gemiddelde capaciteit per categorie (zie tabel 6) als grens is gebruikt. Zodoende worden containerschepen met een capaciteit tot 4.279 TEU en overige vrachtschepen met een capaciteit tot 33.218 DWT gekwantificeerd als klein. Containerschepen en overige vrachtschepen met een capaciteit boven deze grens worden gekwantificeerd als groot. De bijzondere waardevermindering uitgedrukt als een percentage van de boekwaarde heeft een ratio meetniveau.
Paragraaf 4.1.2 | De deelwaarneming
De beschrijvende statistiek geeft een eerste indruk van de deelwaarneming en kan worden toegepast op variabelen met een interval of ratio meetniveau. Onderstaande tabel geeft een overzicht van de beschrijvende statistiek van de variabelen op ratio meetniveau.
Tabel 6 Beschrijvende statistiek
N Minimum Maximum Gem. Std. deviatie
Capaciteit in TEU 14 742 8600 4278,79 2677,410 Capaciteit in DWT 96 8600 115000 33217,83 28686,966 Economische levensduur 110 12 25 16,25 4,501 Technische veroudering 110 0 21 7,79 6,246 Bijzondere waardevermindering 21 1 44 17,14 13,388 Geldig N 110
Tabel 6 Beschrijvende statistiek
In onderstaande tabel is de frequentie van de onafhankelijke variabelen opgenomen. Ter bevordering van de leesbaarheid zijn de waarnemingen van de ratiovariabelen verdeeld in klassen. De eerste kolom geeft de absolute en relatieve frequentie van de waarnemingen per onafhankelijke variabele weer. De tweede kolom geeft de absolute en relatieve frequentie van de bijzondere waardeverminderingen per onafhankelijke variabele weer. Uit de frequentietabel kunnen de bijzondere waardeverminderingen per onafhankelijke variabele eenvoudig worden afgelezen. Ter verduidelijking van de frequentietabel zijn in bijlage II grafieken opgenomen.
Tabel 7 Frequentietabel onafhankelijke variabelen
Tabel 7 Frequentietabel onafhankelijke variabelen (vervolg)
Tabel 7 Frequentietabel onafhankelijke variabelen
Op vrachtschepen van het type diversen zijn geen bijzondere waardeverminderingen verantwoord (daarom is er in de gegevensverzameling 0 ingevuld). De vrachtschepen van dit type behoren tot een groep van drie scheepvaartondernemingen. Het betreft voornamelijk multi-purpose vrachtschepen welke degressief in gemiddeld 12 jaar worden afgeschreven. Technische vernieuwing van dit type vrachtschip verklaart wellicht de korte economische levensduur. De overige vrachtschepen worden over het algemeen over 20 jaar lineair afgeschreven en een klein deel over 25 jaar. De afschrijvingsmethode is de keuze van het management van een scheepvaartonderneming.
Voordat regressieanalyse kan worden uitgevoerd is het van belang om na te gaan of er sprake is van multi-collineariteit tussen de onafhankelijke variabelen. Dit houdt in dat de onafhankelijke variabelen (erg) sterk gecorreleerd zijn (samenhangen). Wanneer dit het geval is verklaren twee (of meer) onafhankelijke variabelen vrijwel dezelfde variatie in de afhankelijke variabele. Multi-collineariteit verslechterd de kwaliteit van de regressieanalyse. Zodoende dient één van de twee onafhankelijke variabelen te worden geëlimineerd uit de regressieanalyse. Tabel 8 op de volgende pagina geeft de correlatie tussen de onafhankelijke variabelen weer.
Tabel 8 Pearson correlatiematrix Type vrachtschip Grootte vrachtschip Afschrijvings- methode Afschrijvings- duur Technische veroudering Lenings- convenant Type vrachtschip Correlatie 1 Sig. (2-zijdig) N 110 Grootte vrachtschip Correlatie -,595** 1 Sig. (2-zijdig) ,000 N 110 110 Afschrijvings- methode Correlatie ,905** -,740** 1 Sig. (2-zijdig) ,000 ,000 N 110 110 110 Afschrijvings- duur Correlatie -,833** ,715** -,965** 1 Sig. (2-zijdig) ,000 ,000 ,000 N 110 110 110 110 Technische veroudering Correlatie ,331** -,418** ,426** -,432** 1 Sig. (2-zijdig) ,000 ,000 ,000 ,000 N 110 110 110 110 110 Lenings- convenant Correlatie -,489** ,802** -,770** ,781** -,443** 1 Sig. (2-zijdig) ,000 ,000 ,000 ,000 ,000 N 110 110 110 110 110 110
28 Uit de Pearson correlatiematrix (tabel 8) op de vorige pagina blijkt dat een aantal onafhankelijke variabelen (erg) sterk met elkaar zijn gecorreleerd. Een waarde boven de 0,7 duidt op sterke correlatie en is zodoende oranje gearceerd. Een waarde boven 0,8 duidt op multi-collineariteit en is zodoende rood gearceerd.
De verklaring voor de sterke correlatie tussen deze onafhankelijke variabelen is dat er drie scheepvaartondernemingen in de deelwaarneming is opgenomen met een gezamenlijke vloot van 56 vrachtschepen in de categorie diversen, welke allemaal relatief klein zijn, een korte economische levensduur hebben, dezelfde afschrijvingsmethode hanteren en voor een groot deel met interne middelen zijn gefinancierd waardoor er geen sprake is van leningsconvenanten.
De Pearson correlatiematrix (tabel 9) geeft een indicatie voor de aanwezigheid van multi-collineariteit. De variantie inflatie factor (VIF) meet de aanwezigheid van multi-collineariteit nauwkeuriger. Een waarde hoger dan 10 duidt op de aanwezigheid van multi-collineariteit. Onderstaande tabel geeft de VIF-waarden voor de onafhankelijke variabelen weer.
Tabel 9 Variantie inflatie factor
VIF Type vrachtschip 15,787 Grootte vrachtschip 3,432 Afschrijvingsmethode 52,167 Economische levensduur 16,970 Leeftijd in jaren 1,283 Leningsconvenant 8,575
Tabel 9 Variantie inflatie factor
Zoals uit bovenstaande tabel blijkt hebben de onafhankelijke variabelen type vrachtschip, afschrijvingsmethode en economische levensduur een VIF-waarde (ver) boven de 10. Het type vrachtschip dient als controlevariabel omdat PwC (2010) reeds het verband tussen deze onafhankelijke variabele en de daling van de realiseerbare waarde van vrachtschepen heeft aangetoond. Zodoende zal deze onafhankelijke variabele niet worden geëlimineerd.
onafhankelijke variabelen afschrijvingsmethode en economische levensduur zijn eveneens zijn sterk gecorreleerd. De vrachtschepen in de deelwaarneming die lineair worden afgeschreven, worden afgeschreven over een termijn van 20 of 25 jaar. De vrachtschepen die degressief worden afgeschreven (met een percentage van de boekwaarde), worden gemiddeld afgeschreven over een termijn van 12 jaar. Zodoende zijn afschrijvingsmethode en –duur erg sterk gecorreleerd. Om de kwaliteit van de regressieanalyse te bevorderen is de onafhankelijke variabele economische levensduur geëlimineerd. Echter, omdat twee variabelen met een hoge VIF niet in één regressiemodel mogen worden opgenomen zijn er twee regressiemodellen opgesteld, één met de onafhankelijke variabele type vrachtschip als controlevariabele en één met de onafhankelijke variabele afschrijvingsmethode als controle-variabele.
In de volgende paragraaf zullen de stellingen door middel van regressieanalyse worden getoetst.
29 Paragraaf 4.2 | Uitkomsten stellingen
In deze paragraaf worden de stellingen die in paragraaf 2.2 zijn opgesteld getoetst door middel van regressieanalyse. De stellingen zijn per onafhankelijke variabele in tweetallen opgesteld. De eerste stelling toetst of de onafhankelijke variabele invloed heeft op het voorkomen van een bijzondere waardevermindering. Het voorkomen van een bijzondere waardevermindering wordt uitgedrukt in 1 (ja, komt voor) of 0 (nee, komt niet voor). Omdat dit een binair nominale variabele is, dient de eerste stelling te worden getoetst door middel van logistische regressieanalyse.
Indien er een bijzondere waardevermindering is verantwoord, dan wordt de bijzondere waardevermindering uitgedrukt in een percentage van de boekwaarde aan het begin van het boekjaar. Omdat dit een continue variabele is, dient de tweede stelling te worden getoetst aan de hand van lineaire regressie. Onderstaande grafiek geeft lineaire regressie weer.
Grafiek 1 Lineaire regressie
Grafiek 1 Lineaire regressie Formule enkelvoudige regressie:
Yi = (bo + b1Xi)
Formule meervoudige regressie:
Yi = (b0 + b1X1 + b2X2 + … bnXn) Yi = uitkomst
b0 = het snijpunt van de lijn b1 = de helling van de lijn
Xi = score van de onafhankelijke variabele
Om de leesbaarheid van de formules te bevorderen worden de afkortingen uit tabel 4 gebruikt.
30
Paragraaf 4.2.1 | Enkelvoudige regressieanalyse
In deze paragraaf worden de stellingen die in paragraaf 2.2 zijn opgesteld getoetst aan de hand van enkelvoudige logistische en lineaire regressie.
Paragraaf 4.2.1.1 | Type vrachtschip
Tabel 10 Bijzondere waardeverminderingen per type vrachtschip
Tabel 10 Bijzondere waardeverminderingen per type vrachtschip
Stelling 1
De kans op een bijzondere waardevermindering op containerschepen is groter dan op andere vrachtschepen.
Formule logistische regressie:
Kans BWV = (b0 + b1CO)
Uit de logistische regressieanalyse blijkt een Nagelkerke R2 van 0,449. Dit houdt in dat de onafhankelijke variabele container 44,9 procent van de variatie in het aantal bijzondere waardeverminderingen verklaart. De bèta heeft een waarde van 4,060 en de exponent van de bèta heeft een waarde van 58,000. Wanneer de bèta een positieve waarde heeft, dient de exponent van de bèta een waarde groter dan 1 te hebben. Een positieve bèta houdt in dat de kans groter is dat een bijzondere waardevermindering voorkomt. Met een waarde van 0,000 is de bijdrage van de onafhankelijke variabele container aan het model significant.
Op basis van tabel 10 en de logistische regressieanalyse kan worden geconcludeerd dat de kans op een bijzondere waardevermindering groter is dan bij containerschepen dan bij andere vrachtschepen. Hiermee wordt stelling 1 geaccepteerd.
Stelling 2
De relatieve bijzondere waardeverminderingen op containerschepen zijn hoger dan op andere vrachtschepen.
Formule lineaire regressie:
Hoogte BWV = (b0 + b1CO)
Uit de lineaire regressieanalyse blijkt een R2 van 0,0218. Dit houdt in dat de onafhankelijke variabele container 21,8 procent van de variatie in de hoogte van de bijzondere waardeverminderingen verklaart. Uit de ANOVA-analyse blijkt een F-ratio van 30,151 met een significantie van 0,000. De F-ratio dient ten minste een waarde van 1 te hebben en de significantie is statistisch significant wanneer de waarde kleiner is dan 0,05. Dit is niet het geval. Zodoende heeft de onafhankelijke variabele container geen verklarende waarde voor wat betreft de relatieve omvang van een bijzondere waardevermindering. De coëfficiënten b0 en b1 zijn respectievelijk 1,690 en 12,390. Dit houdt in dat het snijpunt van Y en X ligt op een waarde van 1,690 en dat de hellingsgraad 12,390 is. Wanneer de X-waarde toeneemt
31 met 1, neemt de Y-waarde af met 12,390. Er is dus sprake van negatieve lineaire regressie. De t-test heeft een waarde van 5,491 en een significantie van 0,000. Dit houdt in dat de b-waarde niet gelijk is aan 0. De uitkomst van de t-test is met een waarde groter dan 0,05 niet significant en heeft zodoende geen verklarende waarde.
Op basis van tabel 10 en de lineaire regressieanalyse kan worden geconcludeerd dat de relatieve omvang van de bijzondere waardeverminderingen op containerschepen niet significant groter is dan de bijzondere waardeverminderingen op andere vrachtschepen. Hiermee wordt stelling 2 verworpen.
Stelling 3
De kans op een bijzondere waardevermindering op multi-purpose vrachtschepen is kleiner dan op andere vrachtschepen.
Formule logistische regressie:
Kans BWV = (b0 + b1MPP)
Multi-purpose vrachtschepen vallen onder de categorie diversen. Uit tabel 10 blijkt dat op deze categorie vrachtschepen geen bijzondere waardeverminderingen hebben plaatsgevonden. Dit komt mogelijk door de flexibele inzetbaarheid van dit type vrachtschepen. Ten behoeve van de regressieanalyse is voor dit type vrachtschepen bij bijzondere waardevermindering 0 ingevuld.
Uit de logistische regressieanalyse blijkt een Nagelkerke R2 van 0,350. Dit houdt in dat de onafhankelijke variabele multi-purpose 35 procent van de variatie in het aantal bijzondere waardeverminderingen verklaart. De bèta heeft een waarde van -20,510 en de exponent van de bèta heeft een waarde van 0,000.Wanneer de bèta een negatieve waarde heeft, dient de exponent van de bèta een waarde kleiner dan 1 te hebben. Een negatieve bèta houdt in dat de kans kleiner is dat een bijzondere waardevermindering voorkomt. Met een waarde van 0,997 is de bijdrage van de onafhankelijke variabele multi-purpose aan het model niet significant. Op basis van tabel 10 en de logistische regressieanalyse kan worden geconcludeerd dat de kans op een bijzondere waardevermindering kleiner is bij multi-purpose vrachtschepen dan bij andere vrachtschepen. Deze kans is echter niet significant waardoor stelling 3 noch wordt geaccepteerd, noch wordt verworpen.
Stelling 4
De relatieve bijzondere waardeverminderingen op multi-purpose vrachtschepen zijn lager dan op andere vrachtschepen.
Formule lineaire regressie:
Hoogte BWV = (b0 + b1MPP)
Uit de lineaire regressieanalyse blijkt een R2 van 0,0102. Dit houdt in dat de onafhankelijke variabele multi-purpose 10,2 procent van de variatie in de hoogte van de bijzondere waardeverminderingen verklaart. Uit de ANOVA-analyse blijkt een F-ratio van 12,252 met een significantie van 0,000. De F-ratio dient ten minste een waarde van 1 te hebben en de significantie is statistisch significant wanneer de waarde kleiner is dan 0,05. Dit is het geval. Zodoende heeft de onafhankelijke variabele multi-purpose een sterke voorspellingswaarde voor wat betreft de hoogte van de bijzondere waardeverminderingen. De coëfficiënten b0 en b1 zijn respectievelijk 5,703 en -5,703. Dit houdt in dat het snijpunt van Y en X ligt op een waarde van 5,703 en dat de hellingsgraad -5,703 is. Deze waarden komen overeen omdat er
32 geen bijzondere waardeverminderingen zijn verantwoord op multi-purpose vrachtschepen. Wanneer de X-waarde toeneemt met 1, neemt de Y-waarde af met 5,703, met andere woorden elke eenheid multi-purpose vrachtschepen leidt tot een bijzondere waardevermindering van 0. Er is dus sprake van negatieve lineaire regressie. De t-test heeft een waarde van -3,500 en een significantie van 0,000. Dit houdt in dat de b-waarde niet gelijk is aan 0. De uitkomst van de t-test is met een waarde kleiner dan 0,05 wel significant en heeft zodoende wel verklarende waarde.
Op de multi-purpose vrachtschepen uit de deelwaarneming zijn geen bijzondere waardeverminderingen verantwoord. Echter, doordat 0 is ingevuld is er toch een sterk verband gevonden tussen de onafhankelijke variabele multi-purpose vrachtschip en de omvang van de bijzondere waardeverminderingen. Aangezien de bijzondere waardeverminderingen op multi-purpose vrachtschepen 0 bedragen zijn deze lager dan de bijzondere waardeverminderingen op overige vrachtschepen. Hiermee wordt stelling 4 geaccepteerd.
Paragraaf 4.2.1.2 | Grootte vrachtschip
Tabel 11 Bijzondere waardeverminderingen per grootte categorie
Tabel 11 Bijzondere waardeverminderingen per grootte categorie
Stelling 5
De kans op een bijzondere waardevermindering op grote vrachtschepen is groter dan op kleine(re) vrachtschepen.
Formule logistische regressie:
Kans BWV = (b0 + b1GR)
Uit de logistische regressieanalyse blijkt een Nagelkerke R2 van 0,080. Dit houdt in dat de onafhankelijke variabele grootte 8 procent van de variatie in het aantal bijzondere waardeverminderingen verklaart. De bèta heeft een waarde van 1,173 en de exponent van de bèta heeft een waarde van 3,231. Wanneer de bèta een positieve waarde heeft, dient de exponent van de bèta een waarde groter dan 1 te hebben. Dit is het geval. Een positieve bèta houdt in dat de kans groter is dat een bijzondere waardevermindering voorkomt. Met een waarde van 0,019 is de bijdrage van de onafhankelijke variabele grootte aan het model significant.
Op basis van tabel 11 en de logistische regressieanalyse kan worden geconcludeerd dat de kans op een bijzondere waardevermindering groter is bij grote vrachtschepen dan bij kleine vrachtschepen. Hiermee kan stelling 5 worden geaccepteerd.
Stelling 6
De relatieve bijzondere waardeverminderingen op grote vrachtschepen zijn hoger dan op kleine(re) vrachtschepen.
Formule lineaire regressie:
33 Uit de lineaire regressieanalyse blijkt een R2 van 0,019. Dit houdt in dat de onafhankelijke variabele groot 1,9 procent van de variatie in de hoogte van de bijzondere waardeverminderingen verklaart. Uit de ANOVA-analyse blijkt een F-ratio van 2,142 met een significantie van 0,146. De F-ratio dient ten minste een waarde van 1 te hebben en de significantie is statistisch significant wanneer de waarde kleiner is dan 0,05. Dit is niet het geval. Zodoende heeft de onafhankelijke variabele groot geen verklarende waarde voor wat betreft de hoogte van de bijzondere waardeverminderingen. De coëfficiënten b0 en b1 zijn respectievelijk 2,371 en 2,592. Dit houdt in dat het snijpunt van Y en X ligt op een waarde van 2,371 en dat de hellingsgraad 2,592 is. Wanneer de X-waarde toeneemt met 1, neemt de Y-waarde toe met 2,592. Er is dus sprake van positieve lineaire regressie. De t-test heeft een waarde van 1,464 en een significantie van 0,146. Dit houdt in dat de b-waarde niet gelijk is aan 0. De uitkomst van de t-test is met een waarde groter dan 0,05 niet significant en heeft zodoende geen verklarende waarde.
Op basis van tabel 11 en de lineaire regressieanalyse kan worden geconcludeerd dat de hoogte van de bijzondere waardeverminderingen op grote vrachtschepen niet significant hoger zijn dan de bijzondere waardeverminderingen op kleine vrachtschepen. Hiermee kan stelling 6 worden verworpen.
Paragraaf 4.2.1.3 | Afschrijvingsmethode
Tabel 12 Bijzondere waardeverminderingen per afschrijvingsmethode
Tabel 12 Bijzondere waardeverminderingen per afschrijvingsmethode
Stelling 7
De kans op een bijzondere waardevermindering op degressief afgeschreven vrachtschepen is kleiner dan op lineair afgeschreven vrachtschepen.
Formule logistische regressie:
Kans BWV = (b0 + b1LI)
Uit de logistische regressieanalyse blijkt een Nagelkerke R2 van 0,438. Dit houdt in dat de onafhankelijke variabele lineair 43,8 procent van de variatie in het aantal bijzondere waardeverminderingen verklaart. De bèta heeft een waarde van 20,751 en de exponent van de bèta heeft een waarde van 0,000. Wanneer de bèta een positieve waarde heeft, dient de exponent van de bèta een waarde groter dan 1 te hebben. Dit is niet het geval. Een positieve bèta houdt in dat de kans groter is dat een bijzondere waardevermindering voorkomt. Met een waarde van 0,997 is de bijdrage van de onafhankelijke variabele lineair aan het model niet significant.
De uitkomsten van de logistische regressieanalyse zijn verwarrend, maar op basis van de waarde de Nagelkerke R2 en tabel 12 kan worden geconcludeerd dat de kans op een bijzondere waardevermindering groter (maar niet significant) is bij vrachtschepen die lineair worden afgeschreven dan op vrachtschepen die degressief worden afgeschreven. Hiermee kan stelling 7 noch worden geaccepteerd, noch worden verworpen.
Stelling 8
De relatieve bijzondere waardeverminderingen op degressief afgeschreven vrachtschepen zijn lager dan op lineair afgeschreven vrachtschepen.
34 Formule lineaire regressie:
Hoogte BWV = (b0 + b1LI)
Uit de lineaire regressieanalyse blijkt een R2 van 0,142. Dit houdt in dat de onafhankelijke variabele lineair 14,2 procent van de variatie in de hoogte van de bijzondere waardeverminderingen verklaart. Uit de ANOVA-analyse blijkt een F-ratio van 17,820 met een significantie van 0,000. De F-ratio dient ten minste een waarde van 1 te hebben en de significantie is statistisch significant wanneer de waarde kleiner is dan 0,05. Dit is het geval. Zodoende heeft de onafhankelijke variabele lineair een sterke verklarende waarde voor wat betreft de hoogte van de bijzondere waardeverminderingen. De coëfficiënten b0 en b1 zijn respectievelijk 0,000 en 6,654. Dit houdt in dat het snijpunt van Y en X ligt op een waarde van 0,000 en dat de hellingsgraad 6,654 is. Wanneer de X-waarde toeneemt met 1, neemt de Y-waarde toe met 6,654. Er is dus sprake van sterke positieve lineaire regressie.
De t-test heeft een waarde van 4,221 en een significantie van 0,000. Dit houdt in dat de b-waarde niet gelijk is aan 0. De uitkomst van de t-test is met een waarde kleiner dan 0,05 significant en heeft zodoende wel verklarende waarde.
Op basis van tabel 12 en de lineaire regressieanalyse kan worden geconcludeerd dat de hoogte van de bijzondere waardeverminderingen op vrachtschepen die lineair worden afgeschreven significant hoger zijn dan de bijzondere waardeverminderingen op vrachtschepen die degressief worden afgeschreven (hierop zijn namelijk geen bijzondere waardeverminderingen verantwoord – er is bij bijzondere waardeverminderingen 0 ingevuld). Zodoende kan stelling 8 worden geaccepteerd.
Paragraaf 4.2.1.4 | Economische levensduur
Tabel 13 Bijzondere waardeverminderingen per afschrijvingsmethode en -duur
Tabel 13 Bijzondere waardeverminderingen per afschrijvingsmethode en -duur Vanwege de hoge correlatie tussen afschrijvingsmethode en economische levensduur (zie