Overnamevoorspelling

Overnamevoorspelling
Aute ur(s ):
Frugte, H.S. (auteur)
Terlouw , P. (auteur)
Werf, J.J., van der (auteur)
De auteurs zijn werkzaam aan de Rijksuniversiteit Groningen. Zij zijn dank verschuldigd aan H.W. de Jong, J. Bilderb eek, J.H. von Eije, C..B.
Kappert en Troostwijk Introman Advies b v, voor hun b ijdrage aan het onderzoek. (auteur)
Het volledig onderzoek is verkrijgbaar via http://www.refcom.nl
Ve rs che ne n in:
ESB, 86e jaargang, nr. 4294, pagina 134, 9 februari 2001 (datum)
Rubrie k :
Tre fw oord(e n):
besliskunde

Met behulp van neurale netwerken kan een betrouwbare voorspelling worden gedaan van welke bedrijven zullen worden
overgenomen. Voor beleggers en banken vormt dit een belangrijk hulpmiddel.
Steeds meer bedrijven groeien via overnames. Het aantal fusies en overnames blijft maar stijgen. Dagelijks staan de
overnameberichten in de krant. Alleen al in Nederland waren het er afgelopen jaar naar schatting meer dan zeventienduizend. De
totale waarde van alle geregistreerde fusies en overnames in de wereld bedroeg in 1999 2500 miljard dollar 1. Sinds 1990 is die
waarde jaarlijks met zo’n twintig procent toegenomen. Sommige overnames leiden tot de beloofde synergie en meerwaarde, het
merendeel van de overnames mislukt. Desalniettemin bedroeg de gemiddelde overnamepremie bij beursfondsen 33 procent.
De financiële belangen rond overnames zijn erg groot. Hoewel er verschrikkelijk veel gepubliceerd wordt over fusies en overnames, is er
empirisch weinig bekend over de financiële positie van overgenomen bedrijven. De faculteit Bedrijfskunde aan de Rijksuniversiteit
Groningen heeft onderzoek gedaan naar de financiële huishouding van overgenomen bedrijven. Er is een ‘overname model’ ontwikkeld
dat een financieel profiel beschrijft van overgenomen bedrijven. Door bedrijven te screenen met behulp van het ‘overname model’ kan
worden voorspeld of een onderneming voldoet aan het financiële profiel van overgenomen bedrijven. Dit kan een cijfermatige
achtergrond bieden aan belanghebbenden.
Model
Voor de ontwikkeling van een overname-model is aansluiting gezocht bij het uitgebreide financiële ratio-onderzoek naar faillissementen.
Met name rond de jaren tachtig zijn er opzienbarende onderzoeken verricht naar de voorspelling van faillissementen door financiële
goeroes als Altman 2, Beaver 3, Bilderbeek 4, Blum 5, Edmister 6, en Tamari 7. Deze onderzoekers hebben met behulp van een
discriminantanalyse formules ontwikkeld aan de hand waarvan ‘failliete’ ondernemingen waren te onderscheiden van ‘gezonde’
ondernemingen. Het onderzoek naar bedrijfsovernames is op een vergelijkbare wijze opgezet als het faillissementenonderzoek. De
financiële huishouding van overgenomen bedrijven is vergeleken met de financiële huishouding van niet-overgenomen bedrijven.
De steekproefgegevens voor overgenomen ondernemingen zijn verzameld via publicaties in het vakblad F&O, Het Financieele Dagblad
en via medewerking van de Commissie voor Fusie-aangelegenheden van de Sociaal Economische Raad. De overnames hebben
plaatsgehad in de periode 1990-1995. Vervolgens is bij iedere overgenomen onderneming een niet-overgenomen onderneming gezocht
via de methode van de gepaarde waarneming 8 op SBI (de Standaard Bedrijfs Indeling van het CBS)-code. Zo worden ondernemingen
met elkaar vergeleken in dezelfde branche.
De financiële gegevens van alle ondernemingen zijn verzameld via de balans en uit de winst- en verliesrekening van algemeen
beschikbare jaarrekeningen. De onderzochte ratio’s zijn verdeeld over de volgende categorieën: winstgevendheidsratio’s,
liquiditeitsratio’s, activiteitenratio’s, dekkingsratio’s, structuurratio’s, rentabiliteitsratio’s, bruto toegevoegde waarde ratio’s,
investeringsratio’s, cashflowratio’s en groeiratio’s. Het totale aantal ratio’s van het onderzoek bedroeg 220.
Om verschil te vinden tussen overgenomen en niet-overgenomen ondernemingen is een discriminantanalyse uitgevoerd.
Discriminantanalyses kunnen worden uitgevoerd door conventionele statistische computerprogramma’s, maar ook door de nieuwe
technologie van de neurale netwerken.
Neurale netwerken
Neurale netwerken zijn kunstmatig ‘intelligente’ programma’s, die op een soortgelijke wijze analyseren als de menselijke hersenen. Ze
leggen niet alleen relaties tussen de inputvariabelen (de ratio’s) en de output (overname), maar ook relaties tussen de input onderling in
relatie met de output.

In conventionele statistische regressie-, correlatie- en discriminantanalyse is het mogelijk zowel lineaire als non-lineaire verbanden te
vinden tussen de geselecteerde variabelen. Het is dan echter noodzakelijk om, op theoretische gronden, een (non)lineaire basisfunctie te
predetermineren 9. Conventionele statistiek is alleen dan in staat om een goed model te produceren, wanneer van te voren op
theoretische gronden is vastgesteld om wat voor soort model het gaat. Bij nieuw en exploratief onderzoek ontbreekt het vaak aan een
‘bekend’ verband.
In tegenstelling tot de conventionele statistiek is het bij neurale netwerken juist niet nodig dat van te voren bekend is wat het
achterliggende verband is 10. Zij zijn in staat ‘onbevangen’ naar samenhang tussen de variabelen te zoeken. Deze creatieve zoektocht
naar verband leent zich bij uitstek bij exploratief onderzoek met veel variabelen, waarbij er op voorhand geen theoretische samenhang
beschikbaar is tussen al die variabelen en overname. Neurale netwerken zijn in staat om lineaire en non-lineaire verbanden te vinden.
Belangrijke verschillen met conventionele statistiek zijn dat het aantal vereiste waarnemingen bij neurale netwerken beduidend lager is
11, het neurale netwerk een testgroep aanhoudt waartegen het gevonden model wordt gecontroleerd, er correlatie tussen input
variabelen mogelijk is 12 en de robuustheid van modellen ondanks ruis in de dataset 13.
Een onderscheidend criterium
Het neurale netwerk is geïnstrueerd om een model te formuleren dat, op basis van financiële ratio’s, de overgenomen ondernemingen zo
goed mogelijk profileert ten opzichte van de niet-overgenomen ondernemingen.
Hierbij zijn alle 220 ratio’s uit het onderzoek meegenomen. Het netwerk zelf selecteert vervolgens de variabelen die een onderscheidende
rol spelen.
Het resultaat van de neurale analyse is het ‘overname model’ en kan worden weergegeven met een discriminantformule (zie kader) 14.

Een model voor overnames
J =-0,422893 ln<-%accoladeOpen%->F1(t-4)<-%accoladeSluiten%-> – 0,00202201 F2(t-1) + 0,0225495 F2(t-2) – 0,000998008
F2(t-3)
– 0,0225819 F3(t-2) – 1,03187 F4(t-3) + 0,00505904 F5(t-1) +0,00518636 F5(t-4) + 2,65227
Waarbij geldt: J > 0,265 overname
J < 0,265: geen overname
(t-n) = n jaar voor overname
De afzonderlijke ratio’s zijn:
F1 = <-%accoladeOpen%->bruto toegevoegde waarde/materiële vaste activa<-%accoladeSluiten%-> * 100
F2 = <-%accoladeOpen%->cashflow /(schuld lange termijn + kortlopende schulden)<-%accoladeSluiten%-> * 100
F3 = <-%accoladeOpen%->cashflow /kortlopende schulden<-%accoladeSluiten%-> * 100
F4 = <-%accoladeOpen%->handelskredieten/(bedrijfsopbrengsten + bruto marge)<-%accoladeSluiten%->
F5 = <-%accoladeOpen%->bruto toegevoegde waarde/cashflow<-%accoladeSluiten%->

Betekenis
Veel ratio-onderzoeken richten zich op losse afzonderlijke jaarrekeningen. Dit ratio-onderzoek betrekt daarentegen vier jaarrekeningen per
onderneming in het onderzoek. Ter illustratie: voor gebruik van het model is het nodig van bijvoorbeeld de ratio F5 uit het model, zijnde
‘bruto toegevoegde waarde/cashflow’, dat zij afkomstig is uit de jaarrekeningen (t-1) en (t-4).
De (t-1) staat voor de ratio uit de jaarrekening één jaar voor overname en de (t-4) staat voor de ratio uit de jaarrekening vier jaar voor
overname. De ratio’s (t-n) staan voor ratio’s uit de jaarrekening n jaar voor overname.
Voor de analyse van een onderneming is derhalve de gegevenshistorie van de vier voorgaande jaarrekeningen noodzakelijk.
De werking van de formule wordt verduidelijkt in de grafische afbeelding van figuur 1. De overgenomen ondernemingen staan aan de
bovenzijde van de figuur op y=1. De niet-overgenomen ondernemingen aan de onderzijde van de figuur op y=0.

Figuur 1. Verdeling van bedrijven volgens neuraal netwerk-model
Het ‘overname model’ onderscheidt de overgenomen ondernemingen van de niet-overgenomen ondernemingen duidelijk rond de waarde
van J = 0,265. Ondernemingen met een discriminantscore groter dan 0,265 worden aangemerkt als overgenomen ondernemingen.
Ondernemingen met een discriminantscore kleiner dan 0,265 worden aangemerkt als niet-overgenomen ondernemingen.
De betrouwbaarheid van het model kan worden vastgesteld met een betrouwbaarheidsanalyse. Deze is afgebeeld in tabel 1.

Tabel 1. Een betrouwbaarheidsanalyse voor de overname-voorspelling. Hierin staat een ‘fout van de eerste soort’ (fout I) voor
een geval waarin het model ten onrechte niet-overname heeft voorspeld terwijl het bedrijf in werkelijkheid wel is
overgenomen.Een fout van de tweede soort geeft het omgekeerde aan
model

model uitkomst
overgenomen
H0: J>0,265
model uitkomst
niet overgenomen
H1: J<0,265
totaal:

in werkelijkheid
in werkelijkheid
overgenomen
niet overgenomen
H0: J>0,265
H1: J<0,265

94% (15 bedrijven )

4% (3 bedrijven)
fout II

6% (1 bedrijf)
96% (71 bedrijven)
fout I
100% (16 bedrijven) 100% (74 bedrijven)

Een additionele chi-kwadraat analyse bevestigt dat het model met 94 procent een significant profiel beschrijft van overgenomen
ondernemingen ten opzichte van niet-overgenomen ondernemingen.
Beschouwing
Een korte beschouwing van het model leert dat de variabelen ‘bruto toegevoegde waarde’ en ‘cashflow’ een belangrijke plaats innemen.
De reden daarvoor zou gelegen kunnen zijn in de theoretische achtergrond van overnames. De Jong vermoedt dat overgenomen
bedrijven zich clusteren rondom twee fasen: de groei-fase en de oogst-fase 15. Morck bevestigt het vermoeden van een dergelijke
clustering 16.
In de groei-fase worden bedrijven vaak overgenomen vanwege financierings- of liquiditeitsproblemen. Dit is het gevolg van de sterke
groei. Ondernemingen kunnen hun groei niet meer zelfstandig realiseren. Door overname kan het bedrijf zich aansluiten bij een financieel
sterkere onderneming dat wel over de faciliteiten beschikt om de groei te laten plaatsvinden. Actuele voorbeelden van dergelijke
overnames vindt men veel in de it, zoals bijvoorbeeld de overname van de internetserviceprovider Wish door het bedrijf Newconomy.
In de oogst-fase worden bedrijven overgenomen omdat ze financieel uitgedroogd raken als gevolg van een ‘shake-out’- strategie. Het
gaat hierbij veelal om grotere en ‘volwassen’ bedrijven die opereren in een verzadigde markt. De onderneming functioneert dan vaak als
cash-cow, waarvan de cashflow niet meer voor de onderneming wordt aangewend. De verkoop van de onderneming vindt plaats als
laatste cash-oogst methode. Voorbeelden van dergelijke overnames vindt men onder andere bij de overname van Philips’
dochteronderneming Polygram door het mediaconcern Seagram.
Een groeifase kenmerkt zich door een hoge bruto toegevoegde waarde en problemen met een lage cashflow. De oogstfase kenmerkt zich
daarentegen juist door een lage bruto toegevoegde waarde, in een verzadigde markt, en een hoge cashflow. Zowel de variabele bruto
toegevoegde waarde als de variabele cashflow is nadrukkelijk vertegenwoordigd in het model.
Bij overnames zijn echter ook niet financiële factoren van belang zoals de strategie van de directie. Deze factoren zijn veelal
psychologisch van aard en niet algemeen beschikbaar in de jaarrekening. Omdat deze factoren niet algemeen beschikbaar zijn, zijn ze niet
in het onderzoek betrokken. Men zou overigens kunnen stellen dat de strategie zijn weerklank vindt in de financiële prestaties van een
onderneming.
Conclusie en toepassing.
Met behulp van historische data, ratio’s en een neuraal netwerk is een krachtig overnamemodel geformuleerd. De discriminantformule
leidt tot een eenvoudige toepassing van het model, via algemeen beschikbare gegevens uit de jaarrekening. Het model geeft een saillant
empirisch resultaat in een nog nauwelijks financieel ontgonnen bedrijfsterrein en is gemakkelijk voor iedereen te gebruiken. Voor een
analyse zijn slechts vijf financiële ratio=s nodig. De vereiste gegevens zijn algemeen beschikbaar in de jaarrekening. Door de vijf ratio’s
van een onderneming in het model in te voeren kan, met hoge betrouwbaarheid, worden vastgesteld of een onderneming voldoet aan het
overgenomen profiel (J >0.265) of aan het niet-overgenomen profiel Het ‘overname model’ kan voor economen, bedrijfskundigen en

andere financiële professionals een bruikbaar instrument zijn bij de analyse van overnames. Zo kunnen banken, analoog aan het gebruik
van faillissementsanalyse, het model gebruiken om de kredietverstrekking aan bedrijven mee te beoordelen. Voor beleggers kan het
model bijdragen aan een afweging in welke bedrijven te beleggen. Het is bij dit alles zaak niet op dit model alleen blind te varen maar het
te gebruiken naast andere instrumenten. Het overname-model verschaft echter wel een krachtig hulpmiddel

1 Dwangneurose drijfveer voor overnames, Het Financiële Dagblad, 15 december 2000.
2 E.I. Altman, Corporate financial distress, New York, John Wiley, 1983.
3 W.H. Beaver, Financial ratios as predictors of failure, Journal of Accounting Research, januari 1967.
4 J. Bilderbeek, Financiële ratio-analyse, Leiden, Stenfert Kroese, 1979.
5 M.P. Blum, The failing company doctrine, Boston College Industrial and Commercial Review, nr. 16, 1974.
6 R.O. Edmister, Financial ratios and credit scoring for small business loans, Journal of Commercial Bank Lending, september 1977.
7 M.Tamari, Financial ratios, analysis and prediction, London, Paul Elek, 1978.
8 A. Slotboom, Statistiek in woorden, Groningen, Wolters-Noordhoff, blz. 98, 1987.
9 N. Karunanithi, D. Whitley, K.Y. Malaiya, Using neural networks in reliability prediction, IEEE Software, juli 1992, blz. 53-59.
10 B. Kamp, A neural network model to forecast and describe bond ratings, Tilburg University, 1994, blz. 9.
11 M. McCord Nelson, W.T. Illingworth, A practical guide to neural nets, Addison-Wesley, 1991.
12 P. Gregory, The role of neural networks in database marketing, The Journal of Database Marketing, 1194, nr. 1 blz. 11-23.
13 S.Y. Kung, Digital neural networks, Englewood Cliffs, New Jersey, PTR Prentice-Hall, 1993.
14 De gegeven functie is een versimpelde log-lineaire variant van de eigenlijke neurale formule. Alle analyses zijn uitgevoerd met de
authentieke formule.
15 H.W. de Jong, Ondernemingsconcentratie, Leiden, Stenfert Kroese, 1971.
16 R. Morck, en A. Shleifer, Characteristics of hostile and friendly takeover targets, NBER working paper, 1987.

Copyright © 2001 – 2003 Economisch Statistische Berichten (www.economie.nl)