Professional Documents
Culture Documents
Bjorkendahl Carl-Wilhelm Kandidatavhandling2.0
Bjorkendahl Carl-Wilhelm Kandidatavhandling2.0
inom sjukvårdssektorn
Carl-Wilhelm Björkendahl
195850
Svenska handelshögskolan
Helsingfors
2023
i
SVENSKA HANDELSHÖGSKOLAN
Sammandrag:
Alla modeller var signifikanta på 0,01 %-nivån. Tillväxt hade en positiv påverkan,
avskrivningar negativ, skatteprocent negativ, WACC signifikant men varierande, ROIC
icke-signifikant, industri signifikant men varierande, R&D positiv, immateriella
tillgångar negativ. Resultaten var i flera fall i linje med tidigare studier.
Sammanfattningsvis visade resultaten att fyra av fem fundamentala faktorer kunde
förklara skillnader i EV/EBITDA. Det samma för alla två sjukvårdsspecifika faktorer.
Industriklassificering var också en viktig faktor som kunde förklara skillnaderna i
EV/EBITDA. Med tanke på samplets natur så gäller dessa resultat endast för EBIT-
positiva företag inom sjukvårdssektorn.
INNEHÅLLSFÖRTECKNING
1 Introduktion ....................................................................................................................... 1
1.1 Problemområde........................................................................................................... 1
2 Företagsvärderingsteori ..................................................................................................... 4
4 Data .................................................................................................................................. 17
5 Metod ................................................................................................................................ 27
6 Resultat ............................................................................................................................. 31
7 Konklusioner .................................................................................................................... 39
KÄLLFÖRTECKNING ............................................................................................................. 47
BILAGOR ................................................................................................................................. 54
BILAGA 5 FÖRETAGSFÖRTECKNING............................................................................... 57
TABELLER
FIGURER
I McKinseys rapport diskuteras det hur samhälleliga bördan av olika sjukdomar och dödsfall
redan är stor. Trots det estimerar Institute for Health Metrics att bördans storlek kommer att
växa ytterligare 20 % mellan 2020–2040. Men ifall bördan kan förminskas så estimeras det
att USA kunde tillägga 10 % till sin BNP år 2040, ett tillägg från 29,1 biljoner USD till 32,0
biljoner USD. (McKinsey, 2020a)
Det är uppenbart att sjukdomar kan orsaka otrolig skada både individuellt och kollektivt. På
grund av detta är sjukvårdssektorn en betydande del av ekonomin. McKinsey estimerar att
USA:s sjukvårdssektorns aggregerade vinst år 2021 var 654 miljarder USD och skall årligen
växa med 4 % till 2026 (McKinsey, 2023a). Sjukvårdssektorns vikt av S&P 500 den 11.9.2023
var ungefär 13 %, vilket är andra störst efter teknologi med 28 %. När vi blickar till USA så
hittar vi läkemedelsbolaget Eli Lilly som varit i rampljuset år 2023 p.g.a. sin fetma botande
läkemedel (Financial Times, 2023). Enligt Refinitivs databas handlas Eli Lilly på börsen den
22.11.2023 för EV/EBITDA 38,6x 2024E. På amerikanska börsen hittas också
bioteknologiföretaget Amgen som handlas för 9,4x 2024E. Båda bolagen opererar inom
sjukvårdssektorn men handlas för fullständigt olika EV/EBITDA-multiplar. Vad är det som
kan förklara dessa skillnader?
1.1 Problemområde
De tre vanligaste värderingsmetoderna inom företagsvärdering är diskonterad kassaflödes
analys, relativ värderingsanalys och tidigare skedda transaktioner. Relativ värderingsanalys
tillämpas för att jämföra bolag inom samma industri och av liknande storlek med hjälp av
värderingsmultiplar. (CFI, 2023a). Exempelvis användes EV/EBITDA-multipeln i
introduktionen för att jämföra två bolag med varandra. Man kunde fråga sig ifall Eli Lillys
EV/EBITDA-multipel skiljer sig från Amgens endast för att de opererar inom olika industrier
2
inom sjukvårdssektorn, eller om det finns andra faktorer och situationer som kunde förklara
dessa skillnader.
McKinsey identifierar vissa situationer där multiplar måste noggrant granskas innan
slutsatser dras om företagsvärdering. Den första är överraskande chocker till industrier eller
företag. När värderingsmultiplar analyseras så är det vanligt att använda 12 eller 24 månaders
framåtblickande resultat. Exempelvis kan bolag uppleva stora engångskostnader som
temporärt sänker resultatet för kommande 12 månader. Följaktligen stiger
värderingsmultipeln medan företagsvärdet förblir relativt stabilt. Företagsvärdet är relativt
oförändrat för att resultatet förväntas återgå till sitt medeltal i framtiden. En annan situation
uppstår på grund av företagets cykliska profil. Marknaden är ofta väl informerad ifall företag
är cykliska vilket betyder att företagsvärdet inte borde variera i samma grad som resultatet när
ekonomiska cykeln varierar. Därför kan man ofta observera höga och låga värderingsmultiplar
för cykliska företag. (McKinsey, 2023b).
1.2 Syfte
Syftet med denna kandidatavhandling är att undersöka huruvida fundamentala faktorer,
sjukvårdssektorspecifika faktorer samt industriklassificeringar kan förklara skillnader i
EV/EBITDA-multipeln inom sjukvårdssektorn.
1.3 Avgränsningar
Denna kandidatavhandling avgränsas på basen av geografi, sektor, finansiella tal och
tidsperiod. Datamaterialet för bolag inom sjukvårdssektorn avgränsas till bolag från USA.
3
Sektorn avgränsas till GICS definition av sjukvårdssektorn. Därtill uteslutes bolag som inte är
EBIT positiva. Finansiella talen och värderingsmultiplarna för företagen samlas in för ca. fem
år för perioden 1.12 2018–1.9 2023. Orsaken till alla dessa avgränsningar diskuteras i detalj
under rubriken Data.
2 Företagsvärderingsteori
Detta kapitel är ägnat till att djupgående diskutera vad företagsvärdering är samt varför det är
viktigt och vilka konsekvenser det kan ha ifall värderingen är inkorrekt. Därtill kommer det
diskuteras om olika värderingsmetoder som till exempel absoluta och relativa. Det påpekas
vilka fördelar och nackdelar relativvärdering har. Ytterligare kommer det presentera en
härledning som belyser de faktorer som kan påverkar EV/EBITDA-multipeln.
Före detta McKinsey-konsulter förklarar i sin bok "Why Value Value?" varför det är viktigt att
värdera värde. Värde representerar en användbar enhet för prestation som har central
betydelse för alla intressenter, inklusive arbetstagare och aktieägare. Enligt forskning är
korrekt företagsvärdering avgörande för att säkerställa effektiv användning av kapital,
humankapital och naturresurser. Men ibland förbises värdering. Ett exempel på detta var
internetbubblan då investerare endast red på ett löfte om ett högre pris. Sådana situationer
kan ha långa negativa konsekvenser ifall kapital är allokerat ineffektivt. (Koller, Goedhart,
Wessels, 2010). Därför är det viktigt att värdera företag korrekt.
2.2 Företagsvärderingsmetoder
Det finns otaliga metoder för att värdera företag. Trots det kan metoderna kategoriseras i
absoluta och relativa värderingsmetoder. Absoluta metoder analyserar diskonterade
kassaflöden. Medan relativa metoder jämför jämförbara företags värderingsmultiplar.
(Investopedia, 2022a). Valet av företagsvärderingsmetod beror ändå på profilen av företaget.
Kassaflödesanalys anses vara en utmärkt metod ifall företaget antas fortsätta sin relativt
stabila verksamhet i långa loppet (Fernandez, 2002). Likvideringsvärdering kan användas för
att simulera konkursscenario eller generellt ifall företaget måste avvecklas (CFI, 2023b).
5
2.3 Relativvärdering
Relativ värdering är en prissättningsmetod och inte en absolut värderingsmetod som man kan
använda för att förankra ett företags multipel till liknande företag (Damodaran, n.d. a). En
multipel är i praktiken en kvot som jämför företagsvärdet/marknadsvärdet med en faktor som
anses driva värdet. Principen för relativ multipelvärdering bygger på idén att liknande företag
bör handlas till liknande priser, vilket reflekteras i "The Law of One Price" (Investopedia,
2022).
Det finns två typer av värderingsmultiplar och de baserar sig endera på företagsvärdet
(framöver uttryckt som EV) eller marknadsvärdet. EV definieras som diskonterade
kassaflödet till alla investerare dvs aktie- och skuldinvesterare (förkortat FCFF). Däremot
definieras marknadsvärdet som diskonterade kassaflödet endast till aktieinvesterare (Tse,
2017). Två allmänna faktorer som driver EV är EBIT och omsättning, inkomster som alla
investerare är berättigade till. Å andra sidan påverkas marknadsvärdet av faktorer som mer
exakt förklarar kassaflödet för aktieägare såsom periodens resultat (UBS Warburg, 2001).
Enligt Morgan Stanley är de två mest använda värderingsmultiplarna P/E och EV/EBITDA
(Fernandez, 2019). I praktiken när analytiker använder dessa värderingsmultiplar för privata
bolag så applicerar de exempelvis jämförbara företagens EV/EBITDA-medianmultipel till
undersökta företagets korresponderande EBITDA resultat för att härleda sig till privata
bolagets EV (Bhojrar & Lee, 2001). Några andra EV värderingsmultiplar är EV/EBIT eller
EV/Omsättning. EV/Omsättning är användbar vid värdering av för företag med negativt
resultat (Macabacus, 2023).
Därtill kan man analysera multiplarna för olika tidsperioder. De vanligaste perioderna är LTM
(12 senaste månaderna) och NTM (12 kommande månaderna). LTM EV/EBITDA innebär att
dagens EV divideras med de senaste 12 månadernas EBITDA, medan NTM avser de
kommande 12 månaderna. Argumentet för att använda LTM är att siffrorna är trovärdiga för
att de faktiskt realiserats. Men i relativ multipelvärdering kan LTM multiplar bli
problematiska ifall företagens tillväxt avviker. På grund av potentiellt avvikande tillväxt så är
framåtblickande multiplar bättre. (CFI, 2018a). Därtill för att marknadspriset reflekterar
framtida förväntningar så är framåtblickande multiplar ändamålsenliga (Plenborg &
Pimentel, 2016)
multiplar inte alltid är så enkla att jämföra. På grund av flera faktorer som bokföringsregler,
databrist, eller tillväxt så kan multiplarna avvika betydligt och vara svåra att jämföra. (UBS
Warburg, 2001). En fjärde nackdel relaterar till marknadens effektivitet. Fastän ett företag
verkar undervärderat i relation till sina jämförbara företag så kan företaget trots det vara
övervärderat ifall alla jämförbara företag är övervärderade. Relativvärdering baserar sig på att
aktiemarknaden är aggregerat effektiv men ifall detta antagande inte håller så fungerar inte
relativ värdering. (Sharma & Prashar, 2013).
När man genomför företagsvärdering kan det upplevas som att man förlorar sig i en mängd
förkortningar. I verkligheten kan man värdera vilken tillgång som helst bara man vet
kassaflödet, tillväxten och risken (Damodaran, n.d. c). I teorin sker värdeskapande genom
differensen mellan negativt kassaflöde idag och diskonterat kassaflöde från framtiden. Med
andra ord är det ROIC, WACC och kassaflödes tillväxten som explicit förklarar värdet och
värdeskapandet. Därtill är det essentiellt att ROIC är högre än WACC, annars är
investeringsbeslut värdeförstörande (Koller, Goedhart, Wessels, McKinsey & Company Inc
2015). ROIC mäter företagets lönsamhet genom att räkna procentuella vinsten företaget gör
8
på investerat kapital (CFI, n.d.). WACC förklara kostnaden för det investerade kapitalet och är
avkastningen investerare kräver för att investera i företaget. (CFI, 2020). Eftersom de
ovannämnda faktorerna kan förklara företagets värde så finns det också en direkt koppling till
värderingsmultiplar. Till följande härleder vi EV/EBITDA på basis av ROIC, WACC och
kassaflödestillväxt.
Vi antar att EV kan definieras som diskonterade kassaflödet FCFF med en viss tillväxt g.
Diskonteringsräntan är WACC och således sammanfaller EV till summan av en geometrisk
talföljd som uttrycks i första ekvationen. Därefter uttrycker vi FCFF = NOPAT * (1-r) där r är
procentuella andelen av NOPAT som återinvesteras i företaget.
𝐹𝐶𝐹𝐹 𝑁𝑂𝑃𝐴𝑇 ∗ (1 − 𝑟)
𝐸𝑉 = =
𝑊𝐴𝐶𝐶 − 𝑔 𝑊𝐴𝐶𝐶 − 𝑔
Vi dividerar båda sidor med investerade kapitalet IC men samtidigt uttrycker vi NOPAT =
ROIC * IC. På högra sidan av ekvationen så tar IC i nämnaren och täljaren ut varandra.
r kan också uttryckas som r = g/ROIC. Vi substituerar r med g/ROIC och dividerar bägge två
sidor med ROIC. IC * ROIC = NOPAT och således kan vi uttrycka EV/(IC*ROIC) =
EV/NOPAT.
NOPAT kan uttryckas som EBIT * (1-t) där t är skatteprocenten. Vi substituerar detta med
NOPAT och härleder följande ekvation.
𝐸𝑉 𝑅𝑂𝐼𝐶 − 𝑔 𝐸𝑉 𝑅𝑂𝐼𝐶 − 𝑔
= → = ∗ (1 − 𝑡)
𝑁𝑂𝑃𝐴𝑇 𝑅𝑂𝐼𝐶 ∗ (𝑊𝐴𝐶𝐶 − 𝑔) 𝐸𝐵𝐼𝑇 𝑅𝑂𝐼𝐶 ∗ (𝑊𝐴𝐶𝐶 − 𝑔)
EBIT kan uttryckas som EBITDA * (1-d) där d är avskrivningarnas procentuella andel av
EBITDA. Genom substitut så härleder vi vår slutliga formel.
𝐸𝑉 𝑅𝑂𝐼𝐶 − 𝑔
= ∗ (1 − 𝑡) ∗ (1 − 𝑑)
𝐸𝐵𝐼𝑇𝐷𝐴 𝑅𝑂𝐼𝐶 ∗ (𝑊𝐴𝐶𝐶 − 𝑔)
Vår slutliga formel innehåller alla faktorer som förklarar EV/EBITDA-multipeln (UBS
Warburg, 2001). Ifall olika företag avviker i dessa faktorer så kommer också deras
EV/EBITDA-multipel att avvika (Knudsen, 2017). I verkligheten kan man ändå inte veta vad
g borde faktiskt vara. Därför räknas inte EV/EBITDA-multipel i praktiken enligt denna
ekvation utan oftast som en kombination av analytikers DCF analyser och
relativvärderingsmetoder.
9
3 Tidigare forskning
I detta kapitel diskuteras det fyra tidigare studier. Alla studier har en direkt anknytning till
själva datamaterialet och metoden i avhandlingen
3.1.2 Data
Datasamplet baserade sig på GICS industriklassificeringsstandarden (Global Industry
Classification Standard) som enligt flera empiriska studier anses vara den pålitligaste för att
förklara skillnader i värderingsmultiplar. Skribenterna samlade in data för GICS industrierna
för att företagen inom specifika industrier är mera jämförbara gentemot företag på sektornivå.
Dessutom inkluderade samplet endast företag från USA. Skribenterna utnyttjade Standard &
Poor Composite 1500 index som använts i andra prominenta studier. Därtill när samplet var
enbart amerikanskt så exkluderade skribenterna variationer i bokföringsregler. Alla företag
inom S&P 1500 måste följa redovisningsregler i enlighet med GAAP (General Accepted
Accounting Principles). Inom samma land spelar också skatter, riskfria räntor och inflation en
mindre roll då dessa faktorer är relativt homogena för företagen.
Från de 1506 företag från S&P 1500 så gallrades 536 företag med följande metod. Företagen
måste ha EV data för åren 2016–2018, positiva EBITDA konsensus för 2017–2021, ROIC för
2016–2018, och WACC för senaste räkenskapsår. Skribenterna gallrade bort företag inom
finansiella sektorn för att EV/EBITDA inte är en lämplig multipel för sektorn. Extremvärden
exkluderades och slutliga samplet bestod av tvärsnittsdata på 965 företag.
3.1.3 Metod
Som beroende variabeln fungerade EV/EBITDA där nämnaren var två års estimat av EBITDA,
FY + 2. Beroende variabeln hade kalkylerats som ett harmoniskt medelvärde för åren 2016–
2018. Som förklarande variabler fungerade EBITDA tillväxt för följande tre år, FY + 3 (median
CAGR för åren 2016–2018), lönsamhetsmåttet ROIC för senaste räkenskapsår (medianen för
2016–2018) och riskfaktorn WACC för senaste räkenskapsåret.
För att undersöka första frågan undersökte skribenterna modellernas förklaringsgrad (R2)
samt faktorernas statistiska signifikans. För att undersöka andra frågan estimerade
skribenterna EV/EBITDA-multipeln och jämförde dessa med faktiska multiplar för att meta
prediktionsfelen. Prediktionsfelen kalkylerades på tre olika vis, absoluta avvikelsen,
avvikelsen i kvadrat samt kalkylerades det ifall modellen över eller under estimerar
värderingsmultiplarna.
3.1.4 Resultat
I resultatet mättes alla signifikansnivåer på 5 %. Tillväxt i enkla regressionsmodellen gav en
varierande signifikans samt påverkan på EV/EBITDA. På marknadsnivån hade tillväxt en
positiv men icke-signifikant påverkan. På sektornivå varierade tillväxtens påverkan mellan
negativt och positivt. Exempelvis var tillväxt signifikant positiv för sjukvårdssektorn medan
signifikant negativ för konsumentvarusektorn. Trots dessa variationer drog skribenterna
slutsatsen att tillväxt är positivt för EV/EBITDA.
Resultaten från multipel linjär regressionen på marknadsnivån var i sin helhet signifikant.
Tillväxt- och riskkoefficienterna var dock icke-signifikanta på en 5% nivå men lönsamhet var
signifikant positiv. Tillväxt och lönsamhet visade sig ändå vara positivt bidragande till
11
EV/EBITDA och risk tvärtom som var i enlighet med underliggande teori.
Kollat på industri- eller sektornivå var resultaten väldigt varierande. Tillväxt var positivt och
signifikant inom materialsektorn men negativt signifikant för konsumentvarusektorn.
Lönsamhetens påverkan var exempelvis negativ och signifikant för läkemedelsindustrin.
Slutligen hade risk en negativ och signifikant påverkan på detaljhandelsindustrin men positiv
påverkan på flera andra industrier. Givet uppfylld signifikansnivå var R2 högst för
kommunikationstjänstsektorn där förklaringsgraden nådde 50 %.
Resultaten för relativa multipel linjär regressionen var delvis liknande som för multipel linjära
regressionen. Koefficienternas förtecken var positiva för alla tre faktorer på marknadsnivå
som skiljde sig från multipel linjära regressionen där risk ändå var negativt bidragande. På
industri- och sektornivå var resultaten varierande. Givet uppfylld signifikansnivå var R2 högst
för halvledarindustrin där förklaringsgraden nådde 54 %.
Skribenternas generella konklusion av första frågan var att multipel linjär eller relativ multipel
linjär regression behövs för att bättre förklara skillnaderna mellan EV/EBITDA. Trots det
varierade signifikansnivåerna och koefficienternas förtecken mellan industrierna.
3.2.2 Data
För varje år mellan 1956–1974 kalkylerade skribenterna P/E-multipeln för företag på NYSE
(New York Stock Exchange). De definierade P/E som senaste priset den 31 december dividerat
med realiserade vinsten per aktie (EPS) för samma år. De samlade in data för tillväxt och risk.
Vinsttillväxt räknades som procentuella förändringen av årets EPS från föregående årets EPS.
Risk definierades som aktiens beta räknat på månatlig basis. Samplet bestod till slut av 270
företag år 1956 och 600 företag år 1975. För varje år konstruerade skribenterna 25 olika
12
portföljer på basis av P/E-talet. Den första portföljen inkluderade 4 % av årets sampel med de
högsta P/E-talen, medan den 25:e innehöll företag med de lägsta P/E-talen.
3.2.3 Metod
Skribenterna använde sig av diverse statistiska metoder. De undersökte exempelvis
rangkorrelationen mellan median P/E-multipeln och årliga EPS tillväxten för samma och 14
följande år. En liknande rangkorrelation utfördes också mellan P/E och beta där beta för
exempelvis år 1956 var kalkylerat med data för 1957.
Till slut skapade skribenterna också en multipel linjär regressionsmodell där beroende
variabeln var E/P. Skribenterna tog inversen av P/E-multipeln för att E/P beter sig mera
linjärt. Som oberoende variabler fungerade årliga EPS tillväxten för ett år framåtblickande.
Den andra oberoende variabeln var EPS årliga tillväxt två år framåtblickande och tredje
variabeln EPS tillväxt tre år framåtblickande.
3.2.4 Resultat
Rangkorrelationen mellan P/E och EPS-tillväxt för samma år var negativ för nästan alla år
mellan 1957–1975 då tillväxt var ett år bakåtblickande. Denna observation antydde på att
företag med relativt låg tillväxt för året hade högre P/E multiplar. Detta var i enlighet med att
investerare anser att sämre tider är kortvariga varefter tillväxten återkommer till sitt normala
förlopp. Rangkorrelationen mellan P/E och EPS-tillväxten ett år framåtblickande var positiv
för samtliga år mellan 1957 och 1975, vilket indikerade att investerarnas förväntningar om
övergående negativ EPS-tillväxt för det följande året bekräftades.
Rangkorrelationen mellan P/E och beta varierade från år till år. Anledning till det här var att
ekonomiskt sämre tider med låga vinster hänger ihop med påföljande bättre tider. Om ett
företags beta var högt, tenderade deras vinster att korrelera starkt med perioder av generellt
dåliga ekonomiska förhållanden. Detta resulterar i att P/E-talet stiger ännu högre och således
finns det en stark korrelation mellan P/E och beta under ekonomiskt sämre år. Med andra ord
var beta positivt korrelerat för år då marknaden handlades för generellt höga P/E-tal och en
negativ korrelation då marknaden handlades för låga P/E-tal.
Multipel linjära regressionsmodellens R2 varierade mellan 19% och 78% under åren mellan
1956–1970. 13 av 15 av åren var regressionsmodellerna signifikanta på en 5% nivå. Därtill hade
första framåtblickande årets tillväxt en signifikant och negativ påverkan på E/P för 10 av 15
år. Två eller tre års framåtblickande tillväxt hade mera sällan en signifikant påverkan på E/P.
Konklusionerna av undersökningen var att risk och tillväxt inte förklara mycket av P/E-
multipeln. För att förbättra modellens förklaringsgrad måste man ta i beaktande
bokföringsskillnader mellan bolagen. Skribenterna hänvisar till en studie gjord av Beaver and
Dukes där accelererade avskrivningsmetoder resulterade i högre P/E-multiplar än andra
bolag. Dessa skillnader måste tas i beaktande.
13
3.3.2 Data
Skribenterna samlade data från S&P 1500 som innehåller stora, mellanstora och små bolag.
Från dessa bolag samlade skribenterna in data baserat på fyra olika industriklassificeringar.
Alltså SIC, NAICS, FF och GICS. SIC står för Standard Industrial Classification och var före
2000-talet överlägset mest använda standarden. NAICS står för North American
Classification Standard. FF för Fama French och till slut GICS som står för Global Industry
Calssification Standard och var under början av 2000-talet den nya standarden.
För att en viss industrin skulle inkluderas i samplet måste den innehålla minst fem bolag.
Därför bestod skribenternas sampel av 54 industrier för SIC, 56 för NAICS, 40 för FF och 51
för GICS för åren mellan 1994–2001. För dessa bolag nerladdades data som
värderingsmultiplar, finansiella nyckeltal och konsensusestimat av omsättningstillväxt.
Skribenterna filtrerade också bort företag som inte hade positiv vinst före
engångsavskrivningar och företag utan vissa nyckeltal. Till slut exkluderades extremvärden.
Som en följd av dessa förfaranden hade skribenterna knappa 1500 observationer per år.
3.3.3 Metod
Skribenterna använde sig av en OLS enkel linjär regressionsmodell. Som beroende variabel
fungerade P/B, P/E och EV/Omsättning för alla enskilda bolag mellan 1994–2000. Därtill
gjordes regressionsmodeller för finansiella nyckeltal som beroende variabler. Dessa var
exempelvis totala tillgångar dividerat med omsättning, R&D eller långvarig
omsättningstillväxt. Enligt artikeln gjordes inga transformeringar av beroende variablerna.
Som oberoende variabel fungerade samma mått som för beroende variabeln men oberoende
variabeln räknades som årliga medelvärdet för industriernas P/B, P/E eller EV/Omsättning.
Skribenterna undersökte sedan R2 för regressionsmodellerna baserat på de fyra olika
industriklassificeringarna varefter de också gjorde ett t-test mellan GICS och de tre andra
industriklassificeringarna för att undersöka ifall medelvärdet på multiplarna var signifikant
olika.
14
För att industriklassificeringarna avviker från varandra beträffande mängden olika industrier
så utförde skribenterna också en Monte Carlo analys för att jämföra standarderna där
mängden industrier och mängden bolag inom en viss industri matchade.
3.3.4 Resultat
För alla regressionsmodeller med värderingsmultiplarna som oberoende variabler så hade
GICS högsta R2-värdet. GICS förklarade 23 % av P/B, 37 % av EV/Sales och 15 % av P/E. För
P/B så förklarade ingen annan industriklassificeringsstandard över 20 %. För EV/Sales
förklarade andra modeller 32 %-34 % av variationen och för P/E 13 %-14 % av variationen.
Skribenterna drog alltså slutsatsen att EV multiplar är betydligt bättre för att förklara
skillnader i multiplar. Därtill var medelvärdet på GICS multiplarna signifikant olika (p <5 %)
än SIC och NAICS.
Kollat på de finansiella nyckeltalen så resulterade GICS i högsta R 2 för sju av åtta olika
beroende variabler. Största differensen mellan industriernas R2 observerades för R&D där
GICS förklarade 64 % av skillnaderna i R&D och de andra industriklassificeringsstandarderna
mellan 43 %-53 %.
Gällande Monte Carlo analysen visade sig resultatet att GICS förmåga att bättre förklara
skillnader i värderingsmultiplar samt olika finansiella nyckeltal inte var beroende av
slumpmässiga skillnader i mängden olika industrier eller mängden företag inom industrierna.
Detta resultat gav en ännu större trovärdighet till GICS.
Slutliga konklusionerna var att GICS är den bästa industriklassificeringsstandarden för nästan
alla undersökta variabler i studien. Skribenterna ansåg att GICS borde användas i framtiden i
forskningssammanhang.
3.4.2 Data
Finansiella data samlades in för året 1998 och samtidigt utnyttjades analytikers vinstestimat
för 1999. Samplet bestod av tvärsnittsdata på 8621 företag. För alla dessa företag samlades
data för tio olika multiplar varav sex var justerade på olika vis. Några exempel var
EV/EBITDA, EV/EBIT, EV/Sales och P/E där nämnaren refererade till samma år som EV eller
P. Därtill undersöktes också framåtblickande P/E där nämnaren refererade till följande års
EPS.
15
Varje företag var också given en industriklassificering enligt SIC koder. Företag
kategoriserades för att kunna räkna ut en värderingsmultipel på basis av jämförbara företag
som sedan användes för analysera metodernas prediktionsfel. Industrierna baserade sig på
tresiffriga SIC koder som måste innehålla minst fem företag. Ifall detta villkor inte fylldes så
utnyttjade skribenterna tvåsiffriga SIC koder.
3.4.3 Metod
Metoden gick ut på att matcha varje företag till sin korresponderande SIC industri. På basis
av företagen inom industrin så kalkylerades medianmultipeln för alla 10 olika multiplar.
Industrimultipeln användes sedan för att multipliceras med korresponderande företagets
nämnare (EBIT, EBITDA, E osv.). Detta resultat divideras sedan med faktiska täljaren (EV, P
etcetera) av företaget. Kvoten var därefter transformerad till naturliga logaritmen.
3.4.4 Resultat
Resultatet visade att prediktionsfelet baserat på framåtblickade P/E var mindre än för P/E
med realiserad vinst. Värderingsmultiplar som hade justerats på olika vis resulterade i inga
betydliga skillnader gentemot icke-justerade. Det visade sig också att EV/EBITDA resulterade
i mindre prediktionsfel än EV/EBIT.
Skribenterna gjorde också samma undersökning för industrier där immateriella tillgångar
spelade en stor roll. En av dessa industrier var läkemedelsindustrin. Läkemedelsindustrin
tenderar ha höga R&D kostnader som enligt bokföringsregler påverkar företagsvinsten men
som möjligtvis inte anses som en negativ faktor för företagsvärdet. Skribenterna delade alltså
läkemedelsindustrin in i två kohorter. Den första bestod av företag där R&D:s procentuella
andel av omsättningen var under 10 % och den andra där R&D var över 10 %. Resultatet visade
att för sex värderingsmultiplar så underskattade skribenternas metod värderingsmultiplarna
för företagen med R&D över 10 %. Med andra ord verkade som att läkemedelsföretag med hög
R&D fokus tenderar ha högre värderingsmultiplar jämfört med företag med lägre R&D fokus.
Därtill verkade som att EV/EBITDA resulterade i högre estimeringsfel än EV/EBIT i
läkemedelsindustrin. Detta var inte fallet för andra industrier skribenterna undersökte.
Följaktligen rekommenderades GICS som en metod för framtida studier. Den sista studien
underströk vikten av framåtblickande värderingsmultiplar och påvisade ett positivt samband
mellan R&D-kostnader och högre värderingsmultiplar.
I tabell 1 presenteras syftet, data, metoden och resultatet för alla tidigare
studier.
Havander & Goich, 2019 Beaver & Morse, 1978 Bhojrar et al. 2003 Lie & Lie, 2002
4 Data
Denna del av avhandlingen redogör för datamaterialet för den empiriska undersökningen. Till
först beskrivs det vad samplet består av. Därefter diskuteras orsakerna till valet av faktorerna
och kriterierna hur de samlats in. Varefter det presenteras en deskriptiv tabell av hela samplet
och avgränsade samplet. Till slut presenteras en korrelationsmatris som bevisar att
multikollinearitet inte är ett betydligt problem i empiriska metoden.
De insamlade data inkluderar tolv månaders framåtblickande EV/EBITDA NTM (Next Tvelve
Months), tillväxt, avskrivningar, skatteprocenten, WACC, ROIC, industri, R&D och
immateriella tillgångar. I tidigare studier har det utförts analys av fundamentala faktorers
påverkan på värderingsmultiplar. Men eftersom avhandlingen fokuserar på sjukvårdssektorn
så har också industrispecifika faktorer som R&D och immateriella tillgångar inkluderats.
Hela datamaterialet består av 2661 observationer för 181 unika företag. En förteckning över
företagen som analyseras i avhandlingen återfinns i bilaga 5. Ur tabell 2 nedan framgår
observationernas fördelning per kvartal när hela samplet undersöks. Q4 för 2023 saknas då
datamaterialet alltid sökts för slutet av kvartalet. Exempelvis innebär Q3 att observationerna
är för den 1.september. Det kan noteras att observationernas mängd minskar när man går
bakåt i tiden. Under 2022 fanns det 603 unika observationer medan 2019 endast 499. Denna
18
minskning kan förklaras med att unika bolag har sökts för 2023, medan de ännu inte har blivit
börsnoterade när man går bakåt i tiden. Viktigt att notera är att avgränsade samplet som
används i empiriska analysen avviker från Tabell 2 efter slutliga filtreringsmetoder
applicerats, vilka diskuteras under följande underrubrik.
Det finns tre olika fördelar med att använda denna värderingsmultipel. För det först har det
visat sig att framåtblickande värderingsmultiplar tenderar ha homogenare resultat bland
industrier (Lie & Lie, 2002). Därtill brukar historiska multiplar oftare påverkas av
engångskostnader som är företagsspecifika (Plenborg & Pimentel, 2016). För det andra kan
skillnader i avskrivningsregler leda till att likadana företag resulterar i olika
värderingsmultiplar (Young & Zeng, 2015). Därför kan vi exkludera detta problem med att
använda EBITDA. För det tredje är P/E-multiplar förvrängda av kapitalstrukturen medan EV
19
I slutliga samplet har det gallrats bolag vars EV/EBITDA NTM inte faller inom intervallet
0<EV/EBITDA NTM <100.
4.2.2 Tillväxt
Analytikers estimat av omsättning har utnyttjats för att kalkylera tillväxt. Estimatet är
framåtblickande för perioden FY3 där talet för tillväxt är kalkylerat enligt följande formel.
3 𝑜𝑚𝑠ä𝑡𝑡𝑛𝑖𝑛𝑔 (𝐹𝑌3)
𝑇𝑖𝑙𝑙𝑣ä𝑥𝑡 = √ −1
𝑜𝑚𝑠ä𝑡𝑡𝑛𝑖𝑛𝑔 (𝐹𝑌0)
Ceteris paribus ifall tillväxten ökar så skall också EV/EBITDA stiga i en effektiv marknad.
Detta påstående kan visas enligt härleda formeln under rubriken 2.4. Databrist blir ett
problem ifall man undersöker perioder efter FY3 och därför har FY3 valts som en tillräckligt
lång framåtblickande period. Därtill har studier i andra undersökningar alltid använt tillväxt
som en faktor för att beskriva skillnader i värderingsmultiplar (Morgan Stanley, 2020).
I slutliga samplet har inga filtreringsmetoder använts. Tillväxten är alltså tillåten att vara
positiv eller negativ.
4.2.3 Avskrivningar
I samplet finns också data på företagens avskrivningar. För att beräkna detta har analytikers
framåtblickande estimat av EBITDA och EBIT utnyttjats för perioderna FY1, FY2 och FY3.
Avskrivningar för varje framåtblickande år har kalkylerats med att subtrahera EBIT från
EBITDA (uttryckt som DA) varefter differensen dividerats med EBITDA. Slutliga siffran för
avskrivningarna har kalkylerats enligt följande formel.
Orsaken för att använda avskrivningar i samplet är att ceteris paribus så skall EV/EBITDA
sjunka ifall avskrivningarna stiger. Detta kan visas enligt härleda formeln under rubriken 2.4.
Intuitivt betyder högre avskrivningar att företaget kräver större underhållningsinvesteringar.
Detta leder till att investerare går miste om mera kassaflöde. Därför brukar också
kapitalintensiva företag handlas för lägre EV/EBITDA-multiplar (CFI, 2023c).
I slutliga samplet har det gallrats bolag vars avskrivningar inte faller inom intervallet
0<avskrivningar <1.
20
4.2.4 Skatteprocent
Skatteprocenten har samlats in för varje bolag i samplet. För detta har analytikers estimat av
effektiva skatteprocenten använts för framåtblickande åren FY1, FY2 och FY3.
Skatteprocenten räknas med att dividera totala skatterna för året med vinsten före skatt.
Slutliga siffran för skatteprocenten har kalkylerats enligt följande formel.
Orsaken för att använda skatteprocenten i samplet är att ceteris paribus så skall EV/EBITDA
sjunka ifall skatteprocenten stiger. Detta kan visas enligt härleda formeln under rubriken 2.4.
Fastän alla bolag i samplet är från USA där bolagsskatten är 21 % så kan man ända observera
skillnader i skatteprocenten bland bolag (PWC, 2023). Företag i USA har möjligheten att
använda så kallade carryforwards som skapas från att man gjort förluster från tidigare år.
Dessa kan sedan användas för att minska på skatteprocenten. (Tax Foundation, 2019).
Ytterligare har sjukvårdsindustrin flera olika skatteincentiv i USA som direkt påverkar
skatteprocenten. En av dessa kallas Orphan Drug Credit där företag är givna skattefördelar
ifall de utvecklar läkemedel för sjukdomar som påverkar en minoritet av populationen
(Investopedia, 2021).
I slutliga samplet har det gallrats bolag vars skatteprocent inte faller inom intervallet
0<skatteprocent <1.
4.2.5 WACC
WACC reflekterar risken i bolagen. För detta så har senaste fem års månatliga aktiebeta
använts för att estimera kostnaden för eget kapital (E). Kostnaden för skuld (D) och
preferensaktier (P) har samlats från senaste årsredovisning från Refinitiv. Slutliga
siffran för WACC har kalkylerats enligt följande formel där t står för skatteprocenten.
Orsaken för att använda WACC i samplet är att ceteris paribus så skall EV/EBITDA sjunka
ifall WACC stiger. Detta kan visas enligt härleda formeln under rubriken 2.4. I tidigare studier
har också olika mått av risk såsom netto skuldsättning av EBITDA använts (Harbula, 2009).
Dock så har Modigliani och Miller bevisat att i teorin så borde inte kapitalstrukturen påverka
företagsvärdet (Investopedia, 2022b). Således är WACC en bättre reflektion av risk då
EV/EBITDA är denna kandidatavhandlings beroende variabel och för att WACC är den
korrekta diskonteringsräntan för att värdera företagsvärdet (EV) (Myers, 2001).
I slutliga samplet har det gallrats bolag vars WACC inte faller inom intervallet 0<WACC <1.
21
4.2.6 ROIC
ROIC som står för Return On Invested Capital är en fundamental värdedrivare av
EV/EBITDA. För detta lönsamhetsmått så har analytikers estimat av ROIC använts för
framåtblickande åren FY1, FY2 och FY3. Refinitivs definition av ROIC är EBIT efter skatt
(NOPAT) dividerat med investerade kapitalet. Investerade kapitalet är definierat som eget
kapital, skuld och preferensaktier. Det kan noteras att nämnaren i både WACC och ROIC
matchar som leder till en enklare jämförelse av dessa faktorer. Slutliga siffran för ROIC har
kalkylerats enligt följande formel.
Orsaken för att använda ROIC i samplet är att ceteris paribus så skall EV/EBITDA stiga ifall
ROIC stiger. Detta kan visas enligt härleda formeln under rubriken 2.4. Varför ROIC är
väsentligt för värdeskapande och följaktligen EV/EBITDA är att ROIC mäter hur mycket vinst
företaget genererar relativt till hur mycket som investerat för att generera vinsten. ROIC
hänger också ihop med WACC för att företagens investeringsbeslut görs på basis av dessa två
faktorer. Ifall ROIC och WACC är exempelvis 7% så kommer en 100 € investering leda till ett
positivt kassaflöde av 100 €, NPV är alltså 0 € och det finns inte en orsak att investera. Ifall
ROIC överträffar WACC så är företagets investeringsbeslut värdeskapande, NPV positivt.
(Morgan Stanley, 2023). I teorin kunde det vara mera ackurat att inkludera exempelvis
differensen mellan ROIC och WACC men för att kunna analysera faktorerna skilt så görs inte
detta.
I slutliga samplet har det gallrats bolag vars ROIC inte faller inom intervallet -1<ROIC <1.
4.2.7 Industri
Industriklassificeringen i samplet baserar sig på GICS (Global Industry Classification
Standard). Alla bolag i samplet faller inom sjukvårdssektorn (Health Care Sector) och är
därefter indelad i sex olika industrier inom sektorn. Dessa är följande enligt deras officiella
namn: Health Care Equipment & Supplies, Health Care Providers & Services, Biotechnology,
Life Sciences Tools & Services, Pharmaceuticals och Health Care Technology. Industrierna har
givits en dummy variabel i samplet.
Orsaken för att inkludera data om industri är följande. Tidigare forskning har visat att
industrin kan förklara runt 30 % av skillnaderna i värderingsmultiplar (Bhojrar, Lee & Oler,
2003). Därtill är det vanligt att investerare och analytiker väljer jämförbara företag från
samma industri som leder till att industrifaktorn är relevant för relativvärdering (CFI, 2023d).
22
4.2.8 R&D
R&D är en avvikande komponent i samplet för att matematiskt har det inte härletts en formel
som skulle visa ett direkt samband mellan EV/EBITDA och R&D. R&D (Research &
Development) står för forskning och utveckling som kan definieras som kreativt och
systematiskt arbete för att ackumulera kunskap om samhället och människan (OECD, 2015).
Slutliga siffran för R&D har kalkylerats som en procentuell del av omsättningen enligt följande
formel.
Den största orsaken för att inkludera R&D är för att sjukvårdssektorn är väldigt beroende av
kontinuerlig utveckling och forskning av nya mediciner och maskiner. På global nivå har
McKinsey beräknat att läkemedelsindustrin spenderar upp till 50% av sin EBITDA på R&D
(McKinsey, 2020b). I USA gäller GAAP-bokföringsstandarder som kräver sjukvårdssektorn
att dra av R&D kostnader från resultaträkning. Men R&D kostnader kan tolkas som
investeringar fastän de inte gör det enligt bokföringsregler. Orsaken varför R&D kostnader
ändå inte kapitaliseras är för att det skulle kräva svåra estimeringar av immateriella tillgångars
avdragningar. (CFI, 2022). Därtill har det empiriskt visats att bioteknologiföretag som
fokuserar på R&D oftast uppfinner mera värdeskapande lösningar på problem (Hall, Bagchi-
Sen, 2002)
I slutliga samplet har det gallrats bolag vars R&D inte faller inom intervallet 0<R&D <1.
För att förstå immateriella tillgångars relation till sjukvärdsindustrin så kan man kolla på
företagens bokslut. För Johnson & Johnson så bestod deras immateriella tillgångar av
följande: patenter & varumärkern, kundrelationer, andra varumärken och läkemedel som är i
utvecklingsfasen (Johnson & Johnson, 2022). Det har också gjorts empiriska studier mellan
patenter och företagsvärdet där det visat sig att patenter har en positiv och signifikant
påverkan på företagsvärdet (Bloom & Reenen, 2002).
I slutliga samplet har det gallrats bolag vars immateriella tillgångar av totala tillgångar inte
faller inom intervallet 0<immateriella tillgångar <1.
Det kan observeras att EVEBITDA har en stor skillnad mellan maximum och minimumvärdet.
Dock så ligger medianen på 13,9x som är en bättre representation av samplet. EVEBITDA har
en tendens att påverkas av skevhet och därför har också EVEBITDA transformerats till
naturliga logaritmen i empiriska metoden. G har en median av 7,3 % tillväxt per år men
standardavvikelsen är stor på 13,1 %. För D:s minimumvärde kan också observeras negativa
tal som orsakas av negativt EBITDA under perioden. Negativa D gallras ändå bort med att
exkludera företag med negativt EBITDA. WACC:s median och medeltal är relativt nära
varandra som indikerar att skevheten är väldigt liten. Negativt WACC är också ett orealistiskt
värde som gallras bort i avgränsade samplet. ROIC har en median på 12,9 % men
standardavvikelsen är väldigt hög som påverkas av extremvärden i samplet.
24
RD:s median observeras vara 5,6 % men minimum värdet är 0%. Orsaken till att vissa bolag
inte har RD är för att industrin Health Care Providers & Services inte rapporterar detta. Detta
kan observeras i tabell 5. Immateriella tillgångar består i medeltal för 16% av totala
tillgångarna. Gällande EV så kan också tydlig skevhet observeras på basis av medeltalets och
medianens stora differens.
För att undersöka huruvida det finns skillnader i hela samplet och avgränsade samplet så
presenteras det avgränsade samplets deskriptiva statistik i tabell 4.
Antalet observationer minskar från 2661 till 2510 efter att alla filtreringsmetoder applicerats.
Medianen för EVEBITDA hålls relativt konstant men medeltalet faller från 18,7x till 16,9x efter
25
att man exkluderat företag med högre EVEBITDA än 100x. Det förekommer dock ännu
skevhetsproblem som senare löses med naturliga logaritmen. Standardavvikelsen för G sjönk
från 13,1% till 8,8 % i det avgränsade samplet. Det sker en betydlig förändring i D då negativa
EBITDA uteslutes. Median och medelvärdet för D är stabilt men standardavvikelsen sjunker
från 0,54 till 0,14. T är nästan oförändrad efter filterringsmetoderna. Från WACC kan man
notera att minimumvärdet är 0,1 % som inte längre är negativt. ROIC är den sista faktorn som
faktiskt sett en förändring från hela samplet. ROIC:s standardavvikelse sjönk från 24,3 % till
13,1 % efter att man avgränsat bolag som inte faller inom 0<ROIC <1. Medianen av EV-
storleken steg från 9,16 till 9,89 som indikerar att avgränsade samplet har exkluderat vissa
småbolag med extremvärden i alla dessa ovannämnda faktorer.
Totalt 2510 13,7x 7,1 % 0,16 21,4 % 7,0 % 12,8 % 5,4 % 0,13 9,89
Health Care Equipment & Supplies 752 16,7x 7,4 % 0,18 19,9 % 7,5 % 11,0 % 6,4 % 0,16 7,86
Health Care Providers & Services 671 9,9x 6,2 % 0,19 24,9 % 6,7 % 11,3 % 0,0 % 0,08 6,90
Life Sciences Tools & Services 412 18,9x 7,6 % 0,12 20,3 % 7,8 % 16,1 % 5,7 % 0,13 13,70
Pharmaceuticals 362 10,2x 7,0 % 0,13 20,0 % 6,3 % 16,3 % 9,1 % 0,23 10,04
Biotechnology 162 10,6x 5,4 % 0,10 16,8 % 6,0 % 18,4 % 19,5 % 0,13 48,87
Health Care Technology 151 18,1x 10,2 % 0,24 23,1 % 7,9 % 7,9 % 12,6 % 0,16 2,38
26
I graf 1 illustreras hur mycket EV/EBITDA varierar inom industrierna och bland industrierna.
Variationen är störst inom Health Care Technology men minst inom Health Care Equipment
& Supplies. Orsakerna till dessa skillnader är vad som denna avhandling är ute efter att
förklara.
Grafen visar första, tredje kvartilen samt medianen för EV/EBITDA per industri.
Tabell 6 redogörs för korrelationerna mellan faktorerna i samplet. Korrelationen kan anta
värden inom intervallet -1 – 1. Om korrelationen är 1 eller -1 så finns det ett tydligt samband
mellan faktorerna. Den högsta positiva korrelationen kan observeras för ROIC och RD där den
är 0,17. Den högsta negativa korrelationen kan observeras för ROIC och D där den är -0,35.
Allmänt ser korrelationen små ut som antyder att multikollinearitetsproblem inte finns
(Vatcheva et al., 2016).
5 Metod
Detta kapitel av avhandlingen fokuserar på den empiriska delen och redogör för metoden som
tillämpas. Kapitlet inleds med att förklara varför en multipel linjär regression är passande.
Därefter presenteras tre multipla linjära regressioner som är avhandlingens modeller samt
diskuteras det varför de vals. Därefter presenterats hypoteser samt förväntade förtecken för
förklarande variablerna.
Det finns också olika varianter av multipla linjära regressionsmodeller. Den vanligaste är
Ordinary Least Squares (OLS). Alternativt finns Weighted Least Squares (WLS), som kan
utgöra ett fördelaktigt val av regressionsmodell vid variationer i samplets kvalitet. Exempelvis
med heteroskedasticitetsproblem i datamaterialet så kan WLS vara ett bättre val. Professor
Damodaran som utfört en multipel linjär regression mellan P/E och tre oberoende variabler
viktade observationerna i samplet enligt deras börsvärdet (Damodaran, n.d. a). Intuitivt
kunde man tänka sig att större bolag har flera aktieanalytiker och följaktligen noggrannare
estimat. Emellertid tycks det inte finnas signifikant bevis för att ett ökat antal analytiker leder
till förbättrade estimat (Doukas et al., 2005). OLS är BLUE (Best Linear Unbiased Estimator)
28
Anledningen till att tre olika regressionsmodeller tillämpas är att undersöka eventuella
variationer i signifikans och förtecken mellan dem. Modell två och tre kan klassificeras som
Least Squares Dummy Variable (LSDV-modeller), vilka tillför dummyvariabler för att beakta
effekter som är konstanta över tid (Das, 2019). Orsaken till att välja en fasteffektsmodell är att
vissa industrier eller företag potentiellt har högre tillväxt i långa loppet vilket kunde berättiga
konstant högre värderingsmultiplar än andra industrier.
I den andra modellen så har HCPS industrin valts att inte explicit uttryckas i modellen. Detta
grundar sig på att tabell 5 visar att EVEBITDA är lägst för denna industri, vilket antyder att
alla fem industridummyn sannolikt skulle vara positiva i resultatet. Förkortningarna för
variablerna upprepas i tabell 7.
29
Tabell 7 redogör för förkortningarna av olika namnen i samplet där EVEBITDA är modellens
beroende variabel. De fundamentala faktorerna är: G, D, T, WACC och ROIC. Sjukvårdsspecifika
faktorerna är: RD och IT. De resterande är industriklassificeringar.
Förkortning Namn
EVEBITDA EV/EBITDA NTM
G Tillväxt
D Avskrivningar
Fundamentala
faktorer
T Skatteprocent
WACC WACC
ROIC ROIC
RD R&D
cifika faktorer
Sjukvårdsspe-
IT Immateriella tillgångar
Modell 1
Modell 2
Modell 3
Första hypotesen är att multipla linjära regressionsmodellerna som helhet baserat på ett F-
test skall vara signifikant på en 5 % signifikansnivå. Andra hypotesen är att alla förklarande
variabler skall vara signifikanta på en 5 % signifikansnivå och vara enligt förväntade förtecknet
som presenteras i tabell 8. Industridummyn förväntas endast vara signifikanta.
För att förklara följande förklarande variablers förväntade förtecken som G, D, T, WACC och
ROIC så kan man derivera ekvationen under rubriken 2.6. Derivatan för ekvationen är
exempelvis positiv då man deriverar avseende på G givet att andra förklarande variablerna
hålls inom vissa intervall. RD förväntas påverka positivt på beroende variabeln för att tidigare
forskning visat att RD tolkas mera som en investering i marknadens ögon (Lie & Lie, 2002).
IT förväntas påverka positivt för att det indikerar att bolagen äger patenterade
läkemedel/maskiner och således också gynnas av en konkurrensfördel (World Intellectual
Property Organization, n.d.). Industridummyn förväntas endast vara signifikanta.
31
6 Resultat
Detta kapitel presenterar resultaten för regressionerna. I efterhand har också fixerade
tidseffekter inkluderats i modellerna för att undersöka ifall de förbättrats. Först diskuteras
resonemanget varför tidseffekterna har inkluderats. Därefter presenteras resultatet för modell
1. Sedan förevisas resultatet från modell 2 med fixerade GICS-effekter. Till tredje presenteras
resultatet för modell 3 med fixerade företagseffekter. Modellerna med och utan tidseffekter
jämförs med varandra med hjälp av F-test. Ytterligare diskuteras huruvida nollhypoteserna
förkastas och ifall förväntade förtecknen stämmer med hypoteserna. Till slut genomförs
resultatdiagnostik och det diskuteras varför resultaten kunde vara mindre pålitliga än vad de
visar sig vara.
6.1 Tidseffekter
Inkludering av tidseffekter i modellerna har fördröjts avsiktligt för att undvika
publikationsbias. Efter noggrann observation av resultaten insåg jag att inkludering av
tidseffekter resulterade i signifikant bättre resultat. Empiriska studier har en benägenhet att
påverkas av publikationsbias där endast de signifikantaste resultaten publiceras. Genom att
genomföra modellerna både med och utan tidseffekter strävar jag att eliminera detta
inflytande (Anaesth, 2019).
Att inkludera tidseffekter innebär att tillägga T-1 dummyvariabler för T tidsdimensioner.
Resonemanget för att inkludera tidseffekter är att det kan finnas perioder med
makroekonomiska faktorer som påverkar marknaden i helhet. Marknadens positiva sentiment
är exempelvis något som möjligtvis kunde driva upp aktiepriserna och indirekt
värderingsmultiplarna (Brown & Cliff, 2005).
med teorin och förtecknet. Tillväxten (G) hade en signifikant samt positiv påverkan på
värderingsmultipeln. Immateriella tillgångarna (IT) hade en signifikant negativ påverkan på
värderingsmultipeln. IT var inte enligt förväntade förtecknet.
IT var fortfarande signifikant negativ lik modellen i tabell 9. RD:s magnitud var större än
modellen i tabell 9 men fortsättningsvis signifikant positivt. ROIC gav ett negativt men
samtidigt icke-signifikant resultat i modell (1) och (2). T var inte lika negativ i modell (1) och
(2) som modellen i tabell 9 och signifikansnivån föll inom 5 %-nivån. Magnituden av WACC
ändrade betydligt från modellen i tabell 9. Trots det förblev WACC ännu signifikant positiv.
Inkluderingen av tidseffekterna verkade ha en liknande påverkan som på modellen i Tabell 9,
då tidseffekterna hade en marginell påverkan på förklarande variablerna bortsett från WACC.
Alla industriklassificeringar gav ett signifikant resultat som indikerar att de förbättrar
modellen.
35
IT blev för första gången icke-signifikant jämfört med modellerna i tabell 8 och 9. RD visade
ett oförändrat positivt och väldigt signifikant resultat. ROIC var för första gången signifikant
men också negativt som inte var förväntat. Skatteprocenten (T) var fortsättningsvis negativ
och signifikant. WACC visade ett varierande resultat då tidseffekterna exkluderades från
modellen. I modell (1) var WACC för första gången signifikant negativ som ursprungligen
förväntades. WACC var icke-signifikant positivt i modell (2).
36
6.5 Resultatdiagnostik
I detta avsnitt diskuteras kort hur datasamplets natur skall tas i beaktande när resultaten
tolkas. Därtill diskuteras huruvida modellerna har problem med normalitet,
multikollinearitet, autokorrelation och heteroskedasticitet. Detta är väsentligt att veta före
slutsatser dras från resultatet. Ifall modellerna bryter mot flera av ovannämnda antaganden
så minskar det på resultatens tillförlitlighet.
6.5.1 Datasamplet
När datasamplet sammanställdes så gallrades bolag men negativ EBIT-resultat. Detta leder
till att resultaten från modellerna inte kan appliceras till en betydlig del av bolag inom
sjukvårdssektorn då deras verksamhet ännu gör förslut. Därtill är paneldata obalanserat som
inte är ett problem i sig men en stor del av datasamplets observationer kommer från några
bolag. Idealt skulle paneldata vara balanserat så att varje unika bolag skulle ha samma vikt i
modellernas resultat. Avgränsade datasamplet visar också att medelstorleken av företagen är
relativt stort på 9,89 miljarder USD. Detta innebär att resultaten från modellerna möjligtvis
inte skulle stämma överens med mindre bolag som inte observeras i datasamplet.
6.5.2 Normalitet
Med normalitet avses att beroende variabeln samt att modellernas residualer borde följa en
normalfördelning. Man bör undersöka skevhet som förklara hur medianen av observationerna
avviker från en normalfördelning. Därtill bör man undersöka kurtosis som förklaras hur tjocka
svansar fördelningen har. Kurtosis bör också motsvara en normalfördelning. För att
undkomma problem med skevhet så logaritmerades beroende variabeln i samplet. (Brooks,
2008).
För att undersöka normaliteten av beroende variabeln så utförs ett Jarque-Berra test.
Resultatet på testet visar att värderingsmultipeln EV/EBITDA inte är normalfördelad på en
0,01 % signifikansnivå. Därtill är modellernas residualer inte normalfördelade på en 0,01 %
signifikansnivå. Trots att Jarque-Berra testet påstår att normalitet inte håller så kan
residualerna anses vara asymptotiskt normalfördelade om samplet är tillräckligt stort, vilket
är fallet i denna avhandling (Wooldridge 2012).
6.5.3 Multikollinearitet
I en regressionsmodell är det inte fel att inkludera variabler som korrelerar en aning med
varandra. Däremot kan det uppstå multikollinearitet då förklarande variablerna korrelerar
37
starkt med varandra. Multikollinearitet kan leda till oförväntade förtecken och magnitud av
förklarande variablerna. (Verbeek, 2004)
För att undersöka problem med multikollinearitet i samtliga huvudregressioner så utförs ett
VIF-test. VIF har inte en absolut tröskel där man kunde konstatera att multikollinearitet är ett
problem. Trots det brukar VIF värde på 10 eller högre indikera ifall problemet finns.
(Wooldridge 2012)
Resultaten för VIF-testen presenteras i bilaga 2. För det två första regressionerna varierar VIF-
talen mellan 1 och 2. För den tredje regressionen med fixerade företagseffekter steg VIF-talen
betydligt men VIF-talen överskred aldrig 10 som kan anses som en gräns då multikollinearitet
kan konstaterats. Sammanfattningsvis kan man konstatera att multikollinearitet antagligen
inte utgör är ett problem i modellerna.
6.5.4 Heteroskedasticitet
Heteroskedasticitet innebär att feltermernas varians inte är konstant. Det vill säga ifall x-
variabeln ökar så minskar eller ökar residualen i modellen. Heteroskedasticitet påverkar inte
magnituden på förklarande variablerna. Däremot är feltermerna inte längre
väntevärdesriktiga eftersom de baseras på förklarande variablernas varianser. Detta leder till
att resultaten från signifikanstesten blir snedvridna eftersom t-statistikan inte längre är t-
fördelad (Wooldridge, 2012).
För att testa för heteroskedasticitet så utförs ett Breusch-Pagan test för samtliga
huvudmodeller. Samtliga huvudmodeller lider av heteroskedasticitet på 0,01 %-nivån. Från
resultatet kunde konstateras att p-värden var väldigt låga vilket antagligen kan förklaras av att
t-statistikan inte är t-fördelad. Man kan lösa heteroskedasticitetsproblemet med att använda
en GLS eller WLS modell som diskuterades under rubrik 5.1 (Das, 2019). Avhandlingen håller
ändå sig till OLS på grund av orsakerna som diskuterades i 5.1. För att ändå säkerställa sig att
heteroskedasticitet inte leder till inkorrekta konklusioner så jämfördes resultaten av
modellerna med tidseffekter i kapitel 6 och GLS modellvarianten. Resultaten för GLS-
varianten presenteras i Bilaga 6. Från bilagan kan man konstatera att skatteprocenten (T)
tappar sin signifikans jämfört med modellerna i kapitel 6. Avskrivningarna (D) tappar endast
sin signifikans i första GLS modellen. Med dessa observationer kan man konstatera att
heteroskedasticitet inte påverkar slutsatsernas robusthet i avhandlingen.
6.5.5 Autokorrelation
Autokorrelation innebär att feltermerna för observationerna från olika tidsperioder korrelerar
med varandra. Detta är inte ovanligt för aktiedata då de följer en generell marknadstrend.
38
För att undersöka huruvida samplet lider av autokorrelation så utförs ett Durbin-Watson-test
för alla tre huvudregressioner i avhandlingen. Samtliga modeller lider av autokorrelation på
0,1 %-nivån.
39
7 Konklusioner
I detta kapitel diskuteras modellernas resultat. När det hänvisas till avhandlingens
huvudmodeller så innebär det att tidseffekterna också inkluderats. Kapitlets mening är att
besvara på avhandlingens syfte med hjälp av resultaten som fåtts från regressionerna. Till
början besvaras första hypotesen samt så jämförs de tre huvudmodellerna med hjälp av F-test
för att bestämma vilken modell som bäst förklarar skillnaderna i värderingsmultiplarna.
Därefter diskuteras förklarande variablernas påverkan och samband i kronologisk ordning.
Till först diskuteras tillväxt sedan avskrivningar, skatteprocent, WACC, ROIC, R&D, IT och
slutligen industri. Därtill kommer resultaten jämföras med tidigare studier. Orsakerna varför
förtecknen avviker eller stämmer med avhandlingens andra hypotes och tidigare studier
kommer att diskuteras.
För att genomföra en jämförelse mellan två regressionsmodeller kan ett F-test användas. Detta
test analyserar om summan av kvadrerade residualer är signifikant mindre för den mer
komplexa modellen jämfört med den mindre komplexa. Resultatet ger svar på vilken modell
som bäst förklara skillnaderna i värderingsmultiplarna (Brooks, 2008).
I avhandlingen användes tre olika huvudmodeller för att undersöka förklarande variablernas
förklaringsgrad av EV/EBITDA-multipeln. I den första modellen inkluderades fundamentala
faktorer, sjukvårdspecifika faktorer och senare tidseffekter. I den andra modellen tillades
GICS industrier och senare tidseffekter. I den tredje modellen tillades fixerade företags
effekter och senare tidseffekter. Tidseffekterna bevisades tidigare att förbättra modellen
baserat på F-test och således kommer samtliga F-test att göras med modellerna som
inkluderar tidseffekterna.
Från tabell 12 kan avläsas att de mera komplexa modellerna är signifikant bättre än de enklare.
Modell 2 var signifikant bättre än modell 1 och modell 3 var signifikant bättre än modell 1 och
2. Man kan alltså konstatera att modell 3 är den bästa modellen med den minsta summan av
kvadrerade residualer (RSS).
40
Tabell 12 presenterar en sammanfattning av F-testen som gjorts mellan regressionerna. Den mer
komplexa modellen jämförs alltid med den mindre komplexa. Endast signifikansnivån på 0,01
% har använts (noterat med ***).
Det är inte överraskande att modell 2 presterar bättre än modell 1. Tidigare i avhandlingen
redogjordes det hur relativvärdering fungerar i praktiken, där företag värderas enligt
jämförbara bolags värderingsmultiplar inom samma industri. Ifall ett företags
värderingsmultipel avviker från industrins värderingsmultipel så kan det indikera att
företaget är undervärderat. Detta lockar investerare att köpa aktien, vilket återställer
värderingsmultipeln till branschens medeltal. Detta resulterar i att företag inom samma
industri har liknande värderingsmultiplar.
Orsaken varför modell 3 är bättre än modell 2 är mer nyanserad. En trolig orsak är att
företagseffekterna i modell 3 fångar mera information som också påverkar företagens
värderingsmultiplar. Fundamentala samt sjukvårdsspecifika förklarande variablerna är
endast tre år framåtblickande. Tillväxten (G) kommande tre år säger möjligtvis inte så mycket
om tillväxten därefter. Däremot så kan företagseffekterna inkludera informationen om att
tillväxten exempelvis accelererar efter de tre framåtblickande åren. Detta leder till att
modellen blir noggrannare i att förklara skillnaderna i värderingsmultiplarna.
Sammanfattningsvis verkar det logiskt att tredje modellen är den bästa modellen.
När man jämför resultatet så är den i linje med tidigare studier. Exempelvis i Havander &
Goich, 2019 så konkluderades att tillväxt har en positiv påverkan på värderingsmultipeln.
Deras resultat varierade dock mer än denna avhandling. Trots att de inte fann en signifikant
påverkan av tillväxt på värderingsmultipeln inom sjukvårdssektorns olika industrier, var deras
modeller som helhet signifikanta, vilket är överensstämmer med denna studie (Havander &
41
Goich, 2019). I artikeln Beaver & Morse, 1978 så konstaterades också att tillväxten signifikant
positivt påverkade värderingsmultiplar. De betonade dock att tillväxt i sig inte kan förklara en
hög procent av variationerna i värderingsmultiplarna (Beaver & Morse, 1978). I modell 1
nådde förklaringsgraden endast upp till 25 %. Givetvis inkluderade modell 1 flera förklarande
variabler än endast tillväxt men man kan konstatera att kortsiktiga tillväxten inte kan förklara
en stor del av variationerna.
Det finns inga tidigare studier som specifikt undersökt hur avskrivningar påverkar
värderingsmultiplar och därför är avhandlingens resultat intressant från en akademisk
synvinkel. Trots det finns det artiklar som analyserat avskrivningarnas relation till
företagsvärdet. I Blum och Katz artikeln skriver de hur företagsvärdet baserar sig på
diskonterade kassaflödet företagets tillgångar genererar. En tillgång har ändå en fixerad livstid
som betyder att företaget måste återinvestera i tillgångarna för att upprätthålla dem. Högre
avskrivningar indikerar att återinvesteringarna måste vara större. Ifall företaget måste
återinvestera mera i tillgångarna för att upprätthålla samma kassaflöde så sjunker
företagsvärdet. Avskrivningarna påverkar dock inte EBITDA och således är det logiskt att
EV/EBITDA sjunker då avskrivningarna stiger. (Blum & Katz, 1965)
Man kan alltså konstatera att skatteprocenten har en negativ påverkan på värderingsmultipeln
och därför förkastas inte andra hypotesen.
För att undersöka orsaken prövades en modell som endast inkluderade WACC med fixerade
företagseffekter. I denna modell fick WACC ett signifikant negativ förtecken på -1,650. Ifall
tidseffekterna också inkluderades så tappade WACC sin signifikans och blev +0,261.
Tidseffekterna verkade alltså påverka WACC. En möjlig förklaring till detta fenomen är att
tidseffekterna korrelerar med WACC och således blir resultatet icke-signifikant. För att
undersöka detta genomfördes en ytterligare modell. Som oberoende variabler inkluderades
endast tidseffekterna och företagseffekter. Tidseffekterna gav ett estimat för varje kvartal
jämfört med tidseffekten för första observationstiden i data 1.12.2018. Därefter beräknades
medeltalet av WACC för hela datasamplet för alla observationstider. För respektive kvartal
räknades WACC:s förändring från medeltalet 1.12.2018. Resultatet av sambandet mellan
WACC och tidseffekterna presenteras i grafen i bilaga 3. Från grafen kan man konstatera att
WACC och tidseffekterna har en negativ korrelation. Korrelationen är signifikant -0,68. På
grund av denna höga korrelation borde resultatet för WACC i huvudmodellerna ges mindre
tyngd än modellerna utan tidseffekter. I tredje modellen utan tidseffekter kan man konstatera
att högre WACC leder till lägre värderingsmultiplar. Men detta stämmer ändå inte med
resultaten från modell 1 och 2.
En möjlig orsak varför WACC var signifikant positivt i de två första modellerna är att företag
med högre långvarig tillväxt har högre WACC. Samma sak resonerades i Havander & Goich
2019 där deras resultat oftast visade att WACC och EV/EBITDA hade ett positivt samband.
Ifall detta stämmer så kan möjligtvis långvariga tillväxten fångas med fixerade
43
företagseffekter. Därför kan man observera en skillnad i förtecknet i de två första modellerna
och tredje modellen utan tidseffekter. På grund av väldigt varierande resultat så kan inga
signifikanta resultat dras gällande förtecknet för WACC. Endast Ifall man kontrollerar för
företagseffekter i tredje modellen så kan man konstatera en signifikant negativ påverkan.
Begränsad tidigare forskning behandlar förhållandet mellan ROIC och EV/EBITDA. Men i
Havander & Goich 2019 så konstaterade att ROIC och EV/EBITDA hade ett negativt samband
för industrierna BIO och PH. Detta gick dock emot skribenternas hypotes som det också görs
i denna avhandling. Baserat på modellernas resultat så kan inga signifikanta slutsatser dras
gällande ROIC:s förtecken.
Orsaken varför ROIC resulterade i ett oförväntat resultat kan delvis bero på att ROIC hänger
ihop med G och således är inte förklarande variablerna oberoende. I avhandlingen härledning
av EV/EBITDA så antogs att g = ROIC * r ifall ROIC stiger och återinvesteringsgraden r är
konstant så borde g växa. Intuitiva orsaken varför ROIC borde ha haft en positiv påverkan
förekommer också från samma antagande. Ifall företaget kan skapa mera tillväxt med samma
investeringsgrad så borde tillväxten öka och således höja EV/EBITDA.
Tidigare forskning har också hittat ett positivt samband mellan R&D och EV/EBITDA. I
artikeln av Lie & Lie 2009 så observerade de att företag med höga R&D kostnader hade högre
värderingsmultiplar än företag med lägre R&D kostnader inom samma industri. I en annan
artikel har det också utmärkts att R&D intensiva företag ofta handlas för högre
värderingsmultiplar (Chan et al. 2001). Tidigare studier samt resultatet från denna avhandling
bekräftar att marknaden faktiskt tar i beaktande R&D kostnader när företag värderas. R&D är
en faktor som inte bestraffar värderingen av företag inom sjukvårdssektorn och således
påverkar EV/EBITDA positivt.
44
Orsaken varför R&D kostnader är relevanta för värderingsmultiplar diskuterades kort under
rubriken 4.2.8. R&D kostnader påverkar resultaträkningen negativt men för att R&D verkar
påverka värderingsmultipeln positivt så kan man konstatera att högre R&D kostnader inte
påverkar på företagsvärdet. Detta är intuitionen varför värderingsmultipeln stiger då R&D
kostnader stiger.
För att illustrera sambandet mellan EV/EBITDA och IT så tilläggs en graf till bilaga 4. Grafen
visar klart och tydligt att sambandet mellan EV/EBITDA och IT är negativt. Tidigare forskning
har också kommit till liknande resultat där immateriella tillgångarna storlek av total
tillgångarna hade ett negativt samband relaterat till P/B och P/S men inte till P/E (Qureshi,
2020). Orsaken till detta samband är mångfasetterad.
Från korrelationsmatrisen i tabell 5 kan man konstatera att IT inte korrelerar starkt med andra
förklarande variabler. Detta utesluter multikollinearitetsproblem som kunde påverka
resultatet. Professor Damodaran har dock utfört en studie hur man borde värdera företag med
höga immateriella tillgångar. Karaktäristiska drag för dessa företag är att de är mindre
skuldsatta. Detta beror på att banker har svårare att exakt bedöma värdet av immateriella
tillgångar och därmed utövar försiktighet vid utlåning till sådana företag. Denna osäkerhet
kanske också reflekteras på aktiemarknaden, vilket kan leda till att dessa företag handlas till
lägre EV/EBITDA-multiplar. Man kunde också konstatera att företag med stora immateriella
tillgångar härleder en betydlig del av sitt värde från dessa tillgångar. Inom sjukvårdssektorn
är det vanligt att immateriella tillgångarna består av patenterade läkemedel. Nackdelen med
patenterade läkemedel är trots allt deras bäst före datum. Ifall ett företags verksamhet baseras
på ett succéläkemedel så kommer försäljningen och kassaflödet abrupt minska efter patenten
gått ut. Detta är också en möjlig orsak varför dessa företag handlas för lägre EV/EBITDA-
multiplar (Damodaran, 2009). Med dessa resonemang konkluderas att IT har en signifikant
negativ påverkan på EV/EBITDA.
45
Resultatet från andra modellen bidrar till påståendet om att relativvärderings borde utföras
mellan företag inom samma industri. Industridummyn inkluderar information som inte kan
observeras i förklarande variablerna i modell 1. Exempelvis kan denna information vara
industrins långsiktiga tillväxt eller någon slags politisk osäkerhet som endast berör en
industri. Andra hypotesen gällande industridummyn förkastas inte då alla dummyn var
signifikanta.
46
Tabell 13 presenterar en sammanfattning av alla slutsatser som drogs för förklarande variablerna
i avhandlingen.
Hypotes 1:
Modellernas första hypotes förkastas inte då de var signifikanta på 0,01 %-nivån
Hypotes 2: Förkastas
G Nej Tillväxt hade en signifikant positiv påverkan
Fundamentala faktorer
KÄLLFÖRTECKNING
Beaver & Morse, (1978), What Determines Price-Earnings Ratios? Financial Analyst
Journal, Vol. 34, 65-75,
http://efinance.org.cn/cn/fm/What%20Determines%20Price-
Earnings%20Ratios.pdf
Berk & DeMarzo, (2020), Corporate Finance, eBook, Global Edition. Pearson Education
Bhojrar & Lee, (2001), Who Is My Peer? A Valuation-Based Approach to the Selection of
Comparable Firms, Journal of Accounting Research, Vol. 40, 413-414
Bhojrar, Lee & Oler, (2003), What's My Line? A Comparison of Industry Classification
Schemes for Capital Market Research, Journal of Accounting Research, Vol. 41, 745-
774
BiopharmaDive, (2019), Biopharma happily takes the tax cuts, but the jobs are harder to
find, https://www.biopharmadive.com/news/biopharma-happily-takes-the-tax-cuts-
but-the-jobs-are-harder-to-find/553925/
Bloom & Reenen, (2002), Patents, Real Options and Firm Performance, The Economic
Journal, Vol. 112, 97-116, https://www.jstor.org/stable/798362?seq=18
Blum & Katz, (1965), Depreciation and Enterprise Valuation, The University of Chicago Law
Review, Vol. 32, 236-242, https://www.jstor.org/stable/1598690?seq=1
Boasson, Boasson, MacPherson & Shin, (2005), Firm Value and Geographic Competitive
Advantage: Evidence from the U.S. Pharmaceutical Industry, The Journal of
Business, Vol. 78, 2465-2495
Brown & Cliff, (2005), Investor Sentiment and Asset Valuation, The Journal of Business,
https://www.jstor.org/stable/10.1086/427633?seq=33
48
CFA Institute, (2022), Tell Me a Story: Aswath Damodaran on Valuing Young Companies,
https://blogs.cfainstitute.org/investor/2022/05/24/tell-me-a-story-aswath-
damodaran-on-valuing-young-companies/
Chan et al. (2001), The Stock Market Valuation of Research and Development Expenditures,
The Journal of Finance, Vol. 56, 2431-2456,
https://www.jstor.org/stable/2697829?read-
now=1&seq=22#page_scan_tab_contents
Damodaran, (2009), Valuing Companies with intangible assets, Stern School of Business,
https://pages.stern.nyu.edu/~adamodar/pdfiles/papers/intangibles.pdf
Doukas et al., (2005), The Two Faces of Analyst Coverage, Financial Management, 99-125,
https://www.jstor.org/stable/3666352
Esty, (2000), What Determines Comparability When Valuing Firms With Multiples? Journal
of Financial Education, Vol. 26, 24-33
Fernandez, (2002), Valuation Methods and Shareholder Value Creation, Academic Press
Fidelity, (2016), The global industry classification standard (GICS): An objective language
for sectors, https://www.fidelity.com/learning-center/trading-investing/markets-
sectors/global-industry-classification-standard
Financial Times, (2023), Approval for Eli Lilly obesity drug sets up rival to Wegovy,
https://www.ft.com/content/66af86f2-547f-483e-adea-506373e00917
Hall, Bagchi-Sen, (2002), A study of R&D, innovation, and business performance in the
Canadian biotechnology industry, Technovation, Vol. 22, 231-244,
https://www.sciencedirect.com/science/article/pii/S0166497201000165
50
Harbula, (2009), Valuation Multiples: Accuracy and Drivers – Evidence from the European
Stock Market, Business Valuation Review, Vol. 28,
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=1876456
Havander & Goich, (2019), Predicting Valuation Multiples, [Master’s thesis, Copenhagen
Business School], https://research-
api.cbs.dk/ws/portalfiles/portal/59803520/653497_Predicting_Valuation_Multiple
s.pdf
Hsiao, (1986), Panel Data Analysis — Advantages and Challenges, University of Southern
California,
https://www.uio.no/studier/emner/sv/oekonomi/ECON5103/v10/undervisningsmat
eriale/PDAppl_14.pdf
Investopedia, (2023a), What Are Intangible Assets? Examples and How to Value,
https://www.investopedia.com/terms/i/intangibleasset.asp
Johnson & Johnson, (2022), 2022, Johnson & Johnson Annual Report,
https://www.investor.jnj.com/files/doc_financials/2022/ar/2022-annual-report.pdf
Kaplan & Ruback, (1995), The Valuation of Cash Flow Forecasts: An Empirical Analysis, The
Journal of Finance, Vol 50, 1059-1093
Kim & Ritter, (1998), Valuing IPOs, Journal of Financial Economics, vol 53, 409-437
Knudsen, (2017), Stick to the Fundamentals and Discover Your Peers, Financial Analyst
Journal and CFA Institute,
51
http://gregmccall.s3.amazonaws.com/Stick+to+the+Fundamentals+and+Discover+
Your+Peers.pdf
Koller, Goedhart, Wessels, McKinsey & Company Inc (2010), Valuation: Measuring and
Managing the Value of Companies, John Wiley & Sons
Koller, Goedhart, Wessels, McKinsey & Company Inc (2015), Valuation: Measuring and
Managing the Value of Companies, John Wiley & Sons
Lie & Lie, (2002), Multiples Used to Estimate Corporate Value, Financial Analyst Journal,
Vol. 58, 44-54, https://sci-hub.se/10.2307/4480377
McKinsey, (2023b), The times for multiples: Five situations when multiples need more than
a second look. https://www.mckinsey.com/capabilities/strategy-and-corporate-
finance/our-insights/the-times-for-multiples-five-situations-when-multiples-need-
more-than-a-second-look
Myers, (2001), Capital Structure, The Journal of Economic Perspectives, Vol. 15, 81-102,
https://www.jstor.org/stable/2696593
52
Plenborg & Pimentel, (2016), Best Practices in Applying Multiples for Valuation Purposes,
The Journal of Private Equity, Vol. 19, 55-64,
https://www.jstor.org/stable/44397547?read-
now=1&seq=4#page_scan_tab_contents
PWC, (2016), Company valuations and the new IFRS 16 leases standard,
https://www.pwc.fi/en/services/deals/valuations/blog-may-2018.html
Sharma & Prashar, (2013), A Conceptual Framework for Relative Valuation, The Journal of
Private Equity, Vol. 16, 22-32
Varaiya et al. (2016), The Relationship between Growth, Profitability, and Firm Value,
Strategic Management Journal, Vol. 8, 487-497, https://sci-
hub.se/https://www.jstor.org/stable/2486235
Young & Zeng, (2015), Accounting Comparability and the Accuracy of Peer-Based Valuation
Models, The Accounting Review, Vol. 90, 2571-2601,
https://www.jstor.org/stable/26550622
54
BILAGOR
BILAGA 1 DEFINITIONER
Förkortninga Definition
BIO Biotechnology: en industri inom GICS definition av sjukvårdssektorn.
EBIT Earnings Before Interest and Taxes: vinsten före räntekostnaderna och skatterna.
EBITDA Earnings Before Interest, Taxes, Depreciation & Amortization: vinsten före räntekostnaderna, skatterna och
totala avskrivningarna.
EPS Earnings Per Share: vinst per aktie.
EV Enterprise Value: företagsvärde: detta kan definieras som diskonterade FCFF (kolla defintionen av FCFF).
EVEBITDA Naturliga logaritmen av EV/EBITDA NTM. Detta är beroende variabeln i modellen (kolla NTM).
FCFF Free Cash Flow to Firm: Kassaflödet till företaget. Kan definieras som NOPAT + DA - ΔWC - CAPEX.
G Growth: omsättningstillväxt.
HCES Health Care Equipment & Supplies: en industri inom GICS definition av sjukvårdssektorn.
HCPS Health Care Providers & Services: en industri inom GICS definition av sjukvårdssektorn.
IC Invested Capital: investerat kapital i företaget. Kan räknas som tola räntebärande skulden + aktiekapitalet
+ icke operativa likvida medel & investeringar.
IFRS 16 Redovisningsstandard som kräver företag att rapportera vissa leasingavtal på balansräkningen.
LSDV Least Square Dummy Variable: tillägger N-1 dummyvariabler för N företag som tar i beaktande
företagsspecifika effeker som är konstanta över tiden.
LSTS Life Sciences Tools & Services: en industri inom GICS definition av sjukvårdssektorn.
NOPAT Net Operating Profit After Taxes: operativa vinsten efter skatter. NOPAT = EBIT * (1-t)
R/r Reinvestment rate: procentuella andelen av NOPAT som investeras tillbaka i företaget. (1-
FCFF/NOPAT)=r
RD Research & Development: forskningens och utvecklingens andel av omsättningen.
WACC Weighted Average Cost of Capital: kostnaden av investerat kapital. Investerare och lånegivare kräver en
viss avkastning som är en kostnad för företaget.
55
BILAGA 2 VIF-test
BILAGA 5 FÖRETAGSFÖRTECKNING
Företag GICS
Abbott Laboratories HCES
Abbvie Inc BIO
Acadia Healthcare Company Inc HCPS
Accuray Inc HCES
Adapthealth Corp HCPS
Addus Homecare Corp HCPS
Agilent Technologies Inc LSTS
Agiliti Inc HCPS
Align Technology Inc HCES
Alkermes Plc BIO
Amedisys Inc HCPS
Amgen Inc BIO
AMN Healthcare Services Inc HCPS
Amneal Pharmaceuticals Inc PH
Amphastar Pharmaceuticals Inc PH
ANI Pharmaceuticals Inc PH
Apollo Medical Holdings Inc HCPS
Artivion Inc HCES
Assertio Holdings Inc PH
Avanos Medical Inc HCES
Avantor Inc LSTS
Aveanna Healthcare Holdings Inc HCPS
Bausch + Lomb Corp HCES
Baxter International Inc HCES
Becton Dickinson and Co HCES
Bio Rad Laboratories Inc LSTS
Biogen Inc BIO
Biomarin Pharmaceutical Inc BIO
Bio-Techne Corp LSTS
Bioventus Inc HCES
Boston Scientific Corp HCES
Bristol-Myers Squibb Co PH
Bruker Corp LSTS
Cardinal Health Inc HCPS
Catalent Inc PH
Cencora Inc HCPS
Centene Corp HCPS
Certara Inc HCT
Charles River Laboratories International Inc LSTS
Chemed Corp HCPS
Cigna Group HCPS
Collegium Pharmaceutical Inc PH
Conmed Corp HCES
Cooper Companies Inc HCES
Cross Country Healthcare Inc HCPS
58