Maturity matching in unlisted firms: The within-firm evidence
Met behulp van een uitgebreide dataset van niet-beursgenoteerde Italiaanse bedrijven levert dit artikel binnen-bedrijfsevidentie aan dat de tastbaarheid van activa de samenstelling van de looptijd van schulden significant beïnvloedt, waarbij wordt onthuld dat looptijdaanpassing standhoudt onder verschillende bedrijfsregimes en dat regulatoire certificering primair bedrijven selecteert met specifieke balanskenmerken in plaats van deze te vormen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Elk bedrijf dat geld leent, staat voor een fundamentele keuze over tijd. Het kan een lening afsluiten die snel moet worden terugbetaald, bijvoorbeeld binnen een jaar, of het kan een lening veiligstellen die zich uitstrekt over vele jaren. De theorie over hoe bedrijven dit beheren, is gebouwd op een eenvoudig, logisch idee genaamd maturity matching (looptijd-matching). Dit concept suggereert dat een bedrijf probeert de lengte van zijn schulden af te stemmen op de lengte van de activa die het koopt. Als een bedrijf investeert in een fabriek of een grote machine die decennia lang zal meegaan, is het logisch om geld te lenen voor een lange periode om dit te financieren. Als het bedrijf in plaats daarvan kortlopende leningen gebruikt om die langdurige zaken te kopen, loopt het een risicovolle situatie op waarbij het constant nieuw geld moet vinden om oude schulden af te lossen voordat de activa hun waarde volledig hebben verdiend. Voor grote, beursgenoteerde bedrijven hebben onderzoekers lang geweten dat deze afstemming plaatsvindt. Maar voor de miljoenen kleinere, privébedrijven die geen aandelen verkopen op de effectenbeurs, is het beeld echter vaag gebleven. We wisten niet of deze kleinere bedrijven daadwerkelijk hun leningvoorwaarden konden kiezen, of dat ze simpelweg gedwongen waren om de beschikbare kortlopende kredieten te accepteren.
Een team van onderzoekers uit Italië zette zich af om deze onzekerheid weg te nemen door rechtstreeks naar de financiële gegevens van meer dan elf duizend niet-beursgenoteerde bedrijven te kijken. Ze richtten zich op een specifieke vraag: bepaalt de hoeveelheid fysiek eigendom die een bedrijf bezit, zoals gebouwen en machines, hoeveel van zijn schuld kortlopend versus langlopend is? Het team verzamelde een enorme dataset die bijna zeventenduizend momentopnames van de financiën van deze bedrijven beslaat tussen 2016 en 2024. Deze periode omvatte een mix van gewone kleine bedrijven, innovatieve kleine bedrijven en gloednieuwe start-ups die een officiële overheidscertificering voor innovatie hadden ontvangen. Omdat al deze groepen hun rekeningen op dezelfde manier indienen, konden de onderzoekers hen eerlijk vergelijken zonder dat de gegevens werden vertekend door verschillende rapportageregels. Ze wilden zien of de regel van het matchen van activa aan schulden standhield binnen individuele bedrijven naarmate zij veranderden over de tijd, en niet alleen wanneer men één bedrijf met een ander vergeleek.
De studie bevestigde dat de regel van maturity matching echt is, zelfs voor kleine, privébedrijven, maar het is niet zo sterk als bij grote ondernemingen. Wanneer de onderzoekers keken naar hoe een enkel bedrijf zijn schuldenstructuur veranderde terwijl het meer fysieke activa kocht, vonden zij een duidelijk patroon. Naarmate een bedrijf zijn aandeel in vaste activa verhoogde, verschoof het inderdaad een deel van zijn financiering naar langlopende leningen. Echter, deze aanpassing was incompleet. De gegevens toonden aan dat bedrijven niet onmiddellijk hun volledige schuldenportefeuille herstructureerden op het moment dat ze een nieuwe machine kochten. In plaats daarvan gebeurde de verandering geleidelijk over de tijd. De onderzoekers berekenden dat het volledige effect van het kopen van een nieuw actief op de looptijd van een bedrijf tijd nodig heeft om zich te voltrekken, waarbij de uiteindelijke aanpassing bijna twee keer zo groot is als de onmiddellijke verandering die in een enkel jaar wordt gezien. Deze bevinding daagt de algemene aanname in veel financiële studies uit dat bedrijven hun schulden onmiddellijk binnen een enkel jaar aanpassen.
Misschien wel de meest onthullende ontdekking betrof de verschillende soorten bedrijven in de steekproef. De onderzoekers vonden dat de kracht van deze matching-regel zwaar afhing van de status van het bedrijf. Gewone kleine bedrijven vertoonden een sterke neiging om hun langlopende activa af te stemmen op langlopende schulden. Innovatieve kleine bedrijven vertoonden een zwakkere neiging, en gloednieuwe innovatieve start-ups vertoonden de zwakste schakel van allemaal. Voor deze start-ups hielp het bezit van fysieke activa hen nauwelijks om langlopende leningen te verkrijgen. De onderzoekers vermoedden dat dit niet kwam omdat de start-ups slecht waren in plannen, maar omdat de markt simpelweg niet bereid was hen voor de lange termijn te lenen, ongeacht wat zij bezaten. Om dit te testen, creëerden zij een nieuwe manier om de bedrijven te groeperen op basis van puur de vorm van hun balansen, waarbij zij de officiële labels volledig negeerden. Deze methode scheidde de bedrijven op natuurlijke wijze in groepen die overeenkwamen met de officiële categorieën. De groepen die leken op start-ups hadden de zwakste schakel tussen activa en schulden, terwijl de groepen die leken op gewone bedrijven de sterkste hadden. Dit bewees dat het verschil niet werd gecreëerd door de overheidscertificaten zelf, maar dat de certificaten bedrijven selecteerden die al balansen hadden die moeilijk te matchen waren met langlopende leningen.
De studie adresseerde ook een veelvoorkomende zorg in financieel onderzoek: of de wiskundige formules die gebruikt werden om de gegevens te analyseren te simpel waren om de complexe realiteit van het bedrijfsleven te vatten. De onderzoekers testten hun lineaire vergelijkingen tegen geavanceerde computermodellen die subtiele, gebogen relaties in de data kunnen detecteren. Zij vonden dat het eenvoudige, rechte-lijnmodel verrassend goed werkte. De complexe computermodellen vonden geen verborgen patronen die het eenvoudige model miste, en in sommige gevallen presteerden de complexe modellen zelfs slechter wanneer ze op nieuwe gegevens werden getest. Dit suggereert dat de relatie tussen de fysieke activa van een bedrijf en zijn schuldenstructuur inderdaad rechtlijnig en evenredig is, in plaats van een verstrengeld web van verborgen interacties. De onderzoekers concludeerden dat voor deze bedrijven de regel van het matchen van activa aan schulden een echte, meetbare kracht is, maar dat deze zwaar wordt beperkt door het vermogen van het bedrijf om een kredietverstrekker ervan te overtuigen te wachten. Voor veel innovatieve start-ups ontbreekt dat vermogen, waardoor zij achterblijven met een stapel langlopende activa gefinancierd door een stroom van kortlopende leningen, een precaire positie waar beleidsmakers rekening mee moeten houden bij het ontwerpen van ondersteuningsprogramma's.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.