Kasstroom uit operationele activiteiten

Voor het bepalen van de abnormale waarde van de kasstroom uit operiationele activiteiten zijn eerst de regressies <1A> en <1B> uitgevoerd. Hieronder zijn in tabel 2 de gemiddelden voor ieder afzonderlijk deel van de regressies per jaar opgenomen. De waarden in kolom 1 (𝑎1), Verkopen (𝑎₂) en ΔVerkopen (𝑎₃) zijn weergegeven in miljoenen USD. De gegevens tussen haakjes staan voor de componenten in de regressievergelijking <1A>.

Fiscaal jaar n 1 (𝒂_𝟏) Verkopen (𝒂_𝟐) ΔVerkopen (𝒂_𝟑)

2004 3856 1273,9082 14089,4266 9646,0183 2005 3725 768,9727 5022,2160 824,9886 2006 3599 248,7575 6303,6515 2174,7111 2007 3512 213,2303 4944,9914 1020,2325 2008 3313 104,2909 3948,0907 350,3910 2009 3238 267,4792 3562,4348 -276,6298 2010 3118 153,0281 3833,6595 488,6749 2011 3005 115,6120 3755,2040 458,9871 2012 2925 136,9635 3457,6363 215,4954 2013 2934 198,8795 3518,0583 265,5983 2014 2555 122,2574 2829,5541 262,9612 Totaal 35780 3603,3794 55264,9232 15431,4287

Tabel 2. Gemiddelden van regressievariabelen <1A>

Uit bovenstaande tabel is op te maken dat de gemiddelde verkopen in de periode voor de crisis (jaren 2004 tot en met 2007) hoger liggen dan in de periode na de crisis (jaren 2010 tot en met 2014). Zoals verwacht is in één van de crisisjaren (2009) de mutatie van de verkopen ten opzichte van voorgaand jaar negatief. Dit is in lijn met de gevolgen van de crisis, namelijk teruglopende verkopen. Het aantal deelwaarnemingen per jaar is globaal afnemend.

31

Variabelen regressievergelijkingen

In tabel 3 is de beschrijvende statistiek opgenomen van alle variabelen die zijn gebruikt in de regressiemodel <4A>. Dit zijn de regresssies die betrekking hebben op de kasstroom uit operationele activiteiten. De totale dataset bevat 35.780 records verdeeld over de jaren 2004 tot en met 2014. In de tabel worden de volgende statistieken opgenomen: gemiddelde, minimale waarde, maximale waarde en de standaarddeviatie. De notatie is in miljoenen USD. In de tabel zijn zowel logaritmische waarden als ongetransformeerde waarden weergegeven.

Gemiddelde Minimum Maximum Standaarddeviatie

(M/B) _{5,7045 ,0000 3282,2295 45,6772}

Dcrisis _{,1831 ,0000 1,0000 ,3867}

Dcrisis * CFOpos abn _{,0122 ,0000 29,9615 ,1780}

Dcrisis * CFOneg abn _{-,0122 -6,8128 ,0000 ,1025}

CFOpos abn _{,0893 ,0000 245,8283 1,4287} CFOneg abn _{-,0893 -102,9044 ,0000 ,7531} ROA _{-,1619 -1533,6290 454,0000 12,1523} logInkomsten _{9,7496 ,0000 11,7103 ,0742} Leverage _{,4508 ,0000 ,9998 ,2243} LogTotale bezittingen _{5,6897 ,0440 13,5896 2,2125} logVerkopen _{5,4858 ,0010 13,0695 2,3799}

Tabel 3. Beschrijvende statistiek dataset CFO (n = 35.780)

Uit bovenstaande blijkt dat er een grote diversiteit is in de ‘market-to-book’ ratio (hoogste waarde is afgerond 3.282 en de laagste waarde is 0). Dit wordt veroorzaakt door een aantal grote ondernemingen waarvan de beurswaarde extreem hoog is ten opzichte van het boekhoudkundige eigen vernomgen. Daarnaast is op te maken dat er grote verschillen zijn in de berekende waarde voor alle variabelen, niet zijnde logaritmische waarden, die gebruikt worden in de regressies <4A> en <4B>. Dit is te zien is bij de sterke afwijkingen tussen de minimale en maximale waarden. Door Erceg-Hurn en Mirosevich (2008) wordt een techniek beschreven om de extreme waarden uit de dataset te halen. Door deze techniek te gebruiken wordt de schatting van de storingsterm acurater. De beschrijvende statistiek voor de kasstroom uit operationele activiteiten wordt na toepassing van eerder genoemde techniek in een nieuwe paragraaf uitgewerkt.

Aangepaste dataset

Zoals hierboven is aangegeven wordt de originele dataset door middel van de techniek ‘winsorizing’ bewerkt. Deze techniek wordt toegepast voor de variabelen: (M/B), Dcrisis * CFOpos abn, Dcrisis * CFOneg abn, CFOpos abn, CFOneg abn, ROA en leverage. Iedere variabele wordt gesorteerd van een lage naar een hoge waarde. Vervolgens wordt een vast percentage van de laagste en hoogste waarden vervangen door de eerstvolgende waarde (Erceg-

32 Hurn & Mirosevich, 2008). In dit onderzoek is er voor gekozen om een afwijking van 2,5% te hanteren bij het ‘winsorizen’. In de dataset CFO resulteert dit in een aanpassing van 894 waarden aan iedere zijde van de schaal.

Onderstaand is de beschrijvende statistiek opgenomen van de aangepaste dataset (tabel 4). In deze tabel worden dezelfde gegevens opgenomen als zijn genoteerd in tabel 3.

Gemiddelde Minimum Maximum Standaarddeviatie

(M/B) _{3,4132 ,3851 19,8059 3,8515}

Dcrisis _{,1831 ,0000 1,0000 ,3867}

Dcrisis * CFOpos abn _{,0082 ,0000 ,1315 ,0275}

Dcrisis * CFOneg abn _{-,0056 -,1287 ,0000 ,0236}

CFOpos abn _{,0666 ,0000 ,3329 ,0838} CFOneg abn _{-,0616 -,6157 ,0000 ,1351} ROA _{-,0253 -,8804 ,3127 ,2285} logInkomsten _{9,7496 ,0000 11,7103 ,0742} Leverage _{,4505 ,0750 ,9017 ,2206} LogTotale bezittingen _{5,6897 ,0440 13,5896 2,2125} logVerkopen _{5,4858 ,0010 13,0695 2,3799}

Tabel 4. Beschrijvende statistiek aangepaste dataset CFO (n = 35.780)

Uit bovenstaande tabel blijkt dat het toepassen van ‘winsorizing’ ervoor heeft gezorgd dat de extreme waarden uit de dataset verdwenen zijn. De maximale waarde van (M/B) is gedaald van USD 3.282,23 miljoen naar USD 19,8 miljoen (standaarddeviatie verkleind van 45,7 naar 3,9). Een dergelijke daling heeft zich ook voorgedaan bij de andere variabelen waarvan de data is bewerkt. Verder is te zien dat overeenkomstig Filip en Raffournier (2014) het toepassen van REM met betrekking tot CFO minder sterk is gedurende de crisisjaren.

Correlatiematrix

Vervolgens worden de correlatie coëficienten van de aangepaste onderzoeksvariabelen opgenomen. Hiervoor wordt gebruik gemaakt van de Pearson correlatie coëficienten. De Pearson correlatie coëfficienten worden weergegeven in een waarde die ligt tussen -1 en +1. Hoe hoger de weergegeven waarde des te sterker de relatie is tussen deze twee variabelen. Een waarde dicht bij +1 geeft een sterk positieve correlatie weer en een waarde dicht bij -1 een sterk negatieve correlatie. In tabel 5 zijn de Pearson correlatie coefficiënten opgenomen. Uit de tabel zijn diverse significante relaties te onderkennen. De significanties zijn weergegeven met sterren. Onderaan de tabel is toegelicht wat de betekenis van * en ** is.

33 Fout! Ongeldige koppeling.Tabel 5. Pearson correlatiematrix REM CFO

De ‘market-to-book’-ratio is significant gecorreleerd met de abnormale waarde van CFOpos en CFOneg. Daarnaast is er een significante correlatie tussen de ‘market-to-book’-ratio en de abnormale waarde van CFOpos gedurende de crisisjaren. In de correlatiematrix zijn geen sterk negatieve relaties te onderkennen (-,700 of lager). Er is wel sprake van een tweetal sterk positieve correlaties. De eerste is de relatie tussen CFOneg abn en ROA (,733). Daarnaast is er een sterke relatie tussen logTotale bezittingen en logVerkopen (,930). De hoge waarden in de correlatiematrix geven een indicatie voor de aanwezigheid van multicollineariteit.

De onafhankelijke variabelen worden, voordat over wordt gegaan op de resultaten, getest op multicollinariteit. Deze test geeft aan in hoeverre de onafhankelijke variabelen dezelfde variantie van de afhankelijke variabele verklaren. Dit kan voorkomen wanneer onafhankelijke variabelen een lineaire interactie vertonen. Dit blijkt uit tabel 6. Wanneer de multicollineariteit, gemeten in VIF, groter is dan 5 dan is er aanleiding om te veronderstellen dat er sprake is van multicollineariteit (O'brien, 2007).

34

Variabele VIF

Dcrisis 3,625

Dcrisis * CFOpos abn 2,781 Dcrisis * CFOneg abn 2,197

CFOpos abn 1,415 CFOneg abn 2,435 ROA 2,753 logInkomsten 1,074 Leverage 1,233 LogTotale bezittingen 8,184 logVerkopen 9,896

Tabel 6. Statistieken multicollineariteit REM CFO

Uit tabel 6 blijkt dat er sprake is van multicollineariteit voor de variabele logTotale bezittingen en logVerkopen. Aangezien logVerkopen de hoogste VIF-waarde heeft wordt deze variabele verwijderd uit de regressiemodellen die beschreven zijn in paragraaf 3.4 voor hypothese H1 en H2. Zie paragraaf 5.1 voor uitwerking van de regressiemodellen voor REM CFO.