Relatie tussen prestatiemaatstaven en EM

Page 32 De parameters worden geschat door middel van de bovenstaande regressieformule dit is voor de 36 ondernemingen in totaal gedaan. De data, welke is verzameld uit Orbis en de

jaarverslagen, zijn ingelezen in Eviews om de parameters te berekenen. Om de 𝑇𝐴𝑡 te bepalen wordt de volgende formule gehanteerd:

𝑇𝐴𝑡 = (∆ Vlottende activa - ∆liquide middelen) – (∆Kortlopende schulden - ∆ korlopend deel van de lange termijn schulden – ∆ te betalen belasting – afschrijvingen)

Het kortlopend deel van de lange termijn schulden en te betalen belastingen zijn niet

opgenomen in de berekening van de absolute totale accruals omdat deze niet in de database van Orbis zijn opgenomen.

Nadat de parameters zijn geschat kunnen de NDA worden berekend. Voor de berekening van de niet-discretionaire accruals in jaar t (NDAt) wordt de volgende formule gehanteerd:

𝑵𝑫𝑨𝒕 = 𝒂𝟏 ∗ ( ^𝟏 𝑨𝒕 − 𝟏^{) + 𝒂𝟐 ∗} (∆𝑹𝑬𝑽𝒕 − ∆𝑹𝑬𝑪𝒕) 𝑨𝒕 − 𝟏 ^{+ 𝒂𝟑 ∗} 𝑷𝑷𝑬 𝑨𝒕 − 𝟏

Voor de berekening van de discretionaire accruals in jaar t (DAt) kan de volgende formule worden gehanteerd:

𝑫𝑨𝒕 = 𝑻𝑨𝒕 − 𝑵𝑫𝑨𝒕

De DAt geeft de mate van winststuring aan voor de betreffende onderneming. Managers kunnen de accruals beïnvloeden door afschrijvingen, debiteuren en voorzieningen. Indien er geen sprake is van winststuring DAt gelijk aan nul. Men spreekt van opwaartse winststuring als de DAt positief is. Er is sprake van neerwaartse winststuring wanneer deze negatief is Voor een berekening van de parameters zie bijlage 2.

6.2.2 Relatie tussen prestatiemaatstaven en EM

In deze paragraaf wordt de relatie gelegd tussen EM en de prestatiemaatstaven waarop de bonus wordt gebaseerd. Dit wordt gedaan door het uitvoeren van een OLS regressie. De klassieke OLS gaat van de volgende aannames uit:

- De relatie tussen afhankelijke variabele en de regressors is lineair (Hayashi; 2000). - Strict exogeneity. Dit wil zeggen dat de klassieke OLS aanneemt dat de verwachte

waarde van de storingsterm, conditioneel op tot de regressors, gelijk is aan nul. (Hayashi; 2000).

- Geen Multicollineariteit. Volgens Hayshi (2000) is multicollineariteit het verschijnsel waarbij de datareeksen lineair afhankelijk zijn, dat wil zeggen dat je een datareeks van 1

Page 33 regressor kunt schrijven als een lineaire combinatie van de datareeksen van de

resterende regressors. Door multicollineariteit wordt de rang van de datamatrix kleiner dan het aantal regressors in het model, waardoor de OLS formule niet kan worden uitgevoerd.

- Homoscedasticiteit van de storingsterm en geen correlatie tussen de storingstermen. Homoscedasticiteit houdt in dat de variantie van de storingsterm constant is voor de verschillende observaties. Indien dit niet het geval is, is er sprake van

heteroscedasticiteit .

Om EM in relatie te leggen met de verschillende variabele is vanuit de theorie de volgende regressieformule geformuleerd:

𝑫𝑨 = + 𝟏 𝑻 + 𝟐 𝑻𝑨 + 𝟑 𝑹 𝑨 + 𝑹𝑬 + 𝑬𝑽 + 𝑪 In deze regressieformule zijn zes controlevariabelen opgenomen die in relatie worden gelegd met EM (Frankler et al.; 2002). We controleren voor de bovenstaande factoren welke doorgaans geassocieerd zijn om het resultaat te sturen:

- Absolute waarde van de discretionaire accruals (DA).

- Market-to-book value (MTB). Ondernemingen die een hoge verwachte groei hebben, zijn meer geneigd om EM toe te passen.

- Totale activa (TA). Grotere ondernemingen hebben hogere accruals en grotere discretionaire accruals.

- Return on assets (ROA). Ondernemingen met betere financiële prestaties hebben hogere accruals.

- Resultaat (RES). Ondernemingen die verlies draaien hebben verschillende incentives om EM toe te passen. Het resultaat is een dummy-variabele bij een verlies

vertegenwoordigd deze een waarde van 1 en bij een winst vertegenwoordigd deze een 0.

- Leverage (LEV). ). Ik controleer op deze variabele omdat managers met een hogere leverage meer incentives hebben om EM toe te passen. Dit wordt veroorzaakt omdat er anders niet meer wordt voldaan aan bepaalde solvabiliteitratio’s.

- Kasstroom op basis van de operationele activiteiten (CFO). Ondernemingen met betere prestaties hebben hogere accruals.

In deze scriptie staat de basis waarop de bonus wordt gebaseerd centraal, aan de bovenstaande formule voegen we een extra variabele toe namelijk PM. PM staat voor prestatiemaatstaf. Bij louter FPM vertegenwoordigd deze een waarde van 1 en bij een combinatie van NFPM en FPM vertegenwoordigd deze een 0. Op basis hiervan komt de volgende formule tot stand:

Page 34 Op basis van de bovenstaande formules zijn er twee OLS regressies uitgevoerd. Voor de

resultaten van de tweede formule zie tabel 7.1. Uit tabel 7.1 blijkt dat geen van de variabele, die vanuit de theorie worden gerelateerd aan EM, significant is. Dit concluderen wij uit de t-toetsen. Een variabele is statistisch significant indien deze afwijkt van nul, wanneer de

bijbehorende p-waarde kleiner is dan 0,05. Bij het uitvoeren van een t-toets neem ik aan dat de bovenstaande aannames gerechtvaardigd zijn. Bovendien neem ik aan dat de storingsterm, conditioneel op de regressors, normaal verdeeld is.

Uit bovenstaande blijkt een zeer lage R^2. Deze R^2 geeft uitdrukking aan hoe goed de

geobserveerde data clusteren rond de geschatte regressielijn. Akaike info criterion (AIC) is een maatstaf voor de relatieve kwaliteit van een statistisch model voor een bepaalde set gegevens. Op basis van bovenstaande resultaten worden achtereen volgens de variabele met een hoge p-value (Prob.) verwijderd uit de formule. Hoe hoger de p-p-value des te minder significant de betreffende variabele. Allereerst wordt CFO uit de regressieformule verwijderd. Hieruit blijkt dat de R-squared lager wordt en dat de Akaike stijgt. Op basis hiervan verwijderen CFO niet uit de formule. Daarna verwijderen we LEV, ROA en TA uit de formule dit heeft een positief effect op de R^2 en de AIC. Op basis hiervan blijven er vier variabelen over welke staan weergegeven in tabel 7.2.

Tabel 7.1: OLS output formule 2

Variable Coefficient Std. Error t-Statistic Prob.

C 266468,9 360780,5 0,73864 0,4612 MTB -37044,59 50572,76 -0,732501 0,4649 TA -0,000106 0,000359 -0,295537 0,768 ROA -5705,807 10367,05 -0,550379 0,5828 RES -272576,5 218661,6 -1,246568 0,2144 LEV 300094,64 639754,1 0,047041 0,9625 CFO -0,00079 0,018201 -0,043395 0,9654 PM -202707,3 160585,4 -1,262302 0,2087

R-Squared 0,034578 Mean dependent var -27792,72 Adjusted R-squared -0,007659 S.D. dependent var 937430,5 S.E. of regression 941013,6 Akaike info criterion 30,39375 Sum squared resid 1,42E+14 Schwarz criterion 30,54251 Log likelihood -2545,075 F statistic 0,818665 Durbin-Watson stat 2,609409 Prob (F-statistic 0,573068

Page 35 Op basis van bovenstaande kan er geconcludeerd worden dat geen van de variabelen

significant is op basis van de t-toets. In tabel 7.1. worden de variabele weergegeven uit formule 1. Hieruit blijkt dat geen van de variabele significant zijn. Tevens als bij formule 2 heeft MTB de laagste p-value. De variabele PM heeft een positieve invloed op de R^2 maar een marginale invloed op de AIC.

Op basis van de bovenstaande tabellen kan er worden geconcludeerd dat geen van de variabele significant is en dat er geen relatie kan worden gelegd met EM. Dit staat haaks op de betsaande literatuur van Ibrahim et al. (2013) en Koubaa et al. (2013). Een verklaring hiervoor is dat in de andere onderzoeken een andere en langere tijdsperiode is gehanteerd voor de berekening van de accruals. Daarnaast zijn de onderzoeken van Ibrahim et al. (2013) en Koubaa et al. (2013) uitgevoerd voor ondernemingen uit de VS en Canada. Mogelijke verschillen tussen Nederland en de Noord-Amerikaanse landen kan worden gezocht in cultuurverschillen, corporate

governance en regelgeving in de betreffende landen. In de volgende paragrafen zullen we testen of er aan de aannames met betrekking tot een OLS regressie en t-toetsen is voldaan.

Tabel 7.2: Verwijdering van variabele formule 2

Variable Coefficient Std. Error t-Statistic Prob.

C 263073,5 151715,9 1,733988 0,0848 MTB -48335,17 36251,62 -1,333325 0,1843 RES -251363,2 214819,4 -1,170114 0,2437 CFO -0,00279 0,017631 -0,158247 0,8745 PM -193212,7 152962 -1,263141 0,2083

R-Squared 0,0316 Mean dependent var -27792,7 Adjusted R-squared 0,007836 S.D. dependent var 937430,5 S.E. of regression 933750,6 Akaike info criterion 30,36112 Sum squared resid 1,42E+14 Schwarz criterion 30,45409 Log likelihood -2545,334 F statistic 1,329720 Durbin-Watson stat 2,618197 Prob (F-statistic 0,261089

Tabel 7.3: Verwijdering van variabele formule 1

Variable Coefficient Std. Error t-Statistic Prob.

C 161887,8 129077,3 1,254193 0,2116 MTB -54454,3 35991,65 -1,51297 0,1322 RES -273433,1 214496 -1,27477 0,2042 CFO -0,005401 0,017542 -0,3079 0,7586

R-Squared 0,022121 Mean dependent var -27792,7 Adjusted R-squared 0,004233 S.D. dependent var 937430,5 S.E. of regression 935444,4 Akaike info criterion 30,35895 Sum squared resid 1,44E+14 Schwarz criterion 30,43333 Log likelihood -2546,152 F statistic 1,236628 Durbin-Watson stat 2,590514 Prob (F-statistic 0,298195

Page 36