PDF to HTML - Convert PDF files to HTML files

Udvalget for Landdistrikter og Øer 2013-14
ULØ Alm.del Bilag 167
Offentligt

Kreditpolitik før og

under krisen

En empirisk analyse

Palle Sørensen, Rasmus Bisgaard Larsen

og Jonas Korsgaard Christiansen

16/05/2014

PDF to HTML - Convert PDF files to HTML files

1 Introduktion

Dette studie forsøger at vurdere kredittilgængeligheden for små- og mellemstore danske

virksomheder umiddelbart før og i årene efter finanskrisen slog igennem i efteråret 2008.

Analyserne tager udgangspunkt i spørgeskemaundersøgelser fra Danmarks Statistik, DI og

Dansk byggeri, samt registerbaserede oplysninger om virksomhederne og deres primære

bankforbindelse. Blandt hovedkonklusionerne er følgende:



Analysen peger på, at efterspørgslen efter kredit i SME-virksomhederne er steget i

perioden fra 2007 og frem til 2009/2010

–

dvs. at kreditefterspørgslen, alt andet

lige, har været konjunkturmodløbende i de pågældende virksomheder.



Langt størstedelen af faldet i acceptraten på lånansøgninger fra 2007 til 2009/2010,

kan henføres til en strammere kreditpolitik og større tab i bankerne, mens ændrin-

ger i virksomhedernes egen kreditværdighed har spillet en mindre rolle. Det kan

bl.a. afspejle, at virksomheder, som har dårlig økonomi, ofte helt undlader at søge

om lån i banken som følge af, at de forventer at få afslag.



Samlet har kreditpolitikken i pengeinstitutterne dermed været meget konjunktur-

medløbende. Den var meget lempelig i 2007, hvor de fleste låneansøgninger blev

efterkommet, men blev strammet væsentligt frem til 2009/2010. Det konjunktur-

forstærkende element i kreditpolitikken har givetvis medvirket til at forøge kon-

junkturudsvingene i dansk økonomi.



Virksomhedernes mulighed for at få accepteret en låneansøgning i 2009/2010 af-

hænger signifikant af tab- og hensættelser hos den primære bankforbindelse. Jo

større tab banken har været udsat for, jo vanskeligere var det for bankens SME-

virksomheder at få godkendt en låneansøgning (ved en given rating af virksomhe-

den).



Kredittilgængeligheden for virksomhederne er i nogen grad påvirket af geografiske

forhold, branche og størrelse, og der er indikationer af, at disse forhold i nogle

tilfælde knytter sig til interne forhold hos den primære bankforbindelse.



Analyser af Dansk Industri og Dansk Byggeris kreditundersøgelser bakker op om

konklusionerne i hovedanalysen. Konkret er industrivirksomhedernes egen opfat-

telse af kredittilgængeligheden påvirket af virksomhedernes økonomi (rating), men

også af bankinterne forhold hos den primære bankforbindelse: jo større solvens-

procent og jo mindre tab og hensættelser i den primære bankforbindelse, jo bedre

er industrivirksomhedernes oplevede adgang til kredit.

PDF to HTML - Convert PDF files to HTML files

Analysens resultater adskiller sig i et vist omfang fra tidligere studier på området. Blandt

andet argumenteres der ofte for at faldet i den samlede udlån fra danske pengeinstitutter

skyldes manglende efterspørgsel på kredit. Analysen i dette notat nuancerer dette billede,

idet der for de små- og mellemstore virksomheder ser ud til at være et modcyklisk element

i kreditefterspørgslen: Der var flere virksomheder der ønskede lån i banken i 2009/2010

end i 2007. Analysen finder også klart belæg for, at muligheden for at få et lån i banken

påvirkes af bankinterne forhold hos den primære bankforbindelse. Hvis en bank er hårdt

ramt af krisen, er det altså vanskeligere at få lån i banken for dens SME-kunder. I Abildgren

m.fl. (2013) findes denne effekt kun marginalt signifikant (ved et 10% signifikansniveau).

Sidst men ikke mindst peger analysen på, at branchetilknytning, virksomhedsstørrelse og

geografisk placering kan have spillet en rolle for virksomhedernes adgang til kredit. Det

står i modsætning til resultaterne i Finansrådet (2014), som dog ser på realkredit og bank-

lån under et, mens analysen her alene analyserer kreditpolitikken i pengeinstitutterne.

2 Relateret litteratur

Dette studie bygger videre på analyserne fra Abildgren m.fl. (2013) og Finansrådet (2014).

Der tages udgangspunkt i samme spørgeskemaundersøgelse og kontrolvariable. Den øko-

nometriske tilgang udvides til at håndtere både accepterede, delvist accepterede og afslå-

ede ansøgninger i en ”ordered probit” tilgang.

En ordered probit tilgang kan benyttes til at

modellere diskrete udfald med en naturlig orden. Til sammenligning benyttes en

”binær

probit” tilgang i Abildgren m.fl. (2013) og Finansrådet (2014), hvor både delvist accepte-

rede og afslåede ansøgninger betragtes som afslag. I analysen her inddrages også nye

spørgeskemaundersøgelser fra Dansk Industri (DI) og Dansk Byggeri.

Analysen medtager bl.a. kreditrating data fra Experian som kontrolvariabel

–

Experian er

en privat udbyder af kreditratings. Dette muliggør identifikation af centrale effekter sam-

menlignet med tidligere danske studier, som har svært ved at påvise signifikante effekter

af bankinterne forhold hos virksomhedernes primære bankforbindelse. Inddragelse af ra-

ting synes også at overflødiggøre andre regnskabsvariable, hvilket betyder, at en større

andel af deltagerne i kreditundersøgelsen kan medtages i analysen. Yderligere bidrager

dette studie ved at beregne en række kontrafaktiske forløb, som kan bruges til at evaluere

forskellige effekters relative størrelse.

Studiet relaterer sig, som også nævnt i Abildgren m.fl. (2013), til en stor international

mikroøkonometrisk litteratur, der ser på kreditrationering, se blandt andre Canton et al.

(2012), Artola og Genre (2011), Ferrando og Griesshaber (2011), Lawless og McCann

(2012), Ferrando and Milier (2013), Rottmann and Wollmershäuser (2013) og Giaotti

(2013). Fordelen ved de danske data er muligheden for at kombinere surveydata med fx

regnskabsdata gennem Danmarks statistiks forskeradgang.

PDF to HTML - Convert PDF files to HTML files

PDF to HTML - Convert PDF files to HTML files

PDF to HTML - Convert PDF files to HTML files

PDF to HTML - Convert PDF files to HTML files

I det følgende er det forsøgt at opstille modeller, der mere præcist forklarer bankernes

kreditpolitik med baggrund i oplysninger om virksomhedernes kreditværdighed og deres

primære bankforbindelse. De anvendte data er kort beskrevet i boks 1.

Boks 1

De anvendte data i analysen

Analysen inddrager Experians opgørelse af kreditrating for virksomhederne, for at styrke identifika-

tionen af bankernes vurdering af virksomhedernes kreditværdighed.

Experians kreditrating bygger på oplysninger om virksomhedens juridiske status, alder, antal ansatte,

officielle anmærkninger, pant, og indsamlede erfaringer om virksomhedens betalinger. Desuden ind-

går nøgletal/hovedtal fra regnskabet. Det drejer sig om resultat før skat, egenkapital, samt solidi-

tetsgraden, egenkapitalens forrentning og likviditetsgraden. De officielle anmærkninger er fra Stats-

tidende, og kan bl.a. vedrøre konkurs, likvidation og tvangsopløsning. Oplysninger om betalingserfa-

ringer er indhentet af Experian efter aftale med større danske virksomheder om levering af informa-

tion om deres betalte regninger. Herudfra opgøres om et selskab betaler for sent eller rettidigt og

der beregnes gennemsnitlig betalingstid for virksomheden. Informationen medtages, hvis der eksi-

sterer mere end 10 betalingsobservationer for en virksomhed.

Oplysningerne om kreditrating bygger således på virksomhedsspecifik information, og ikke på andre

institutioners vurdering af den pågældende virksomhed. Der anvendes ikke information om virksom-

hedens evne til at stille sikkerhed, makroøkonomiske eller sektorspecifikke forhold, eller oplysninger

om evt. lånebevillinger. Experian ønsker ikke at offentliggøre den konkrete beregning af ratingen.

Sammenhængen mellem rating og nøgletal kan imidlertid overordnet vurderes ved at foretage en

regression, hvor ratings forsøges forklaret af solvens- og profitratio og antallet af ansatte. Da disse

antageligt ikke indgår lineært medtages også kvadrerede led. Regressionen kan forklare ca. 53 pct.

af variationen i rating i de virksomheder, som indgår i Danmarks Statistiks Kreditsurvey:

Regressionsmodel for rating af virksomhederne i DS’ survey

Solvensratio

0.480***

(0.017)

Solvensratio, kvadreret

0.056***

(0.017)

Profitratio

0.460***

(0.014)

0.074***

(0.014)

0.140***

(0.015)

Profitratio, kvadreret

0.007***

(0.001)

Antal ansatte (log)

0.106***

(0.027)

Antal ansatte (log), kvadreret

-0.001

(0.004)

Konstant

0.420***

0.073

PDF to HTML - Convert PDF files to HTML files

(0.007)

Antal observationer (1000)

1,79

0.33

(0.047)

1,79

0.53

Oplysningerne om kreditrating er fra primo januar hvert år og kan sammenlignes over tid og på tværs

af erhverv. Dvs. samme bagvedliggende algoritme benyttes i alle år.

Fra Experian anvendes ud over rating også oplysninger om virksomhedernes primære bankforbin-

delse. Disse oplysninger er herefter koblet sammen med tre forskellige spørgeskemaundersøgelser

omkring kreditpolitikken. Det drejer sig om Danmarks Statistiks Kreditsurvey, Dansk Industris kre-

ditundersøgelse, og Dansk Byggeris kreditundersøgelse. Desuden anvendes en række oplysninger fra

Finanstilsynets hjemmeside med henblik på at karakterisere den primære bankforbindelse, samt an-

dre oplysninger fra Danmarks Statistik.

Danmarks Statistiks kreditsurvey

Spørgeskemaundersøgelsen er lovpligtig og består af 2.265 repræsentative svar fra små- og mel-

lemstore virksomheder, ud af en population på 13.990, og forsøger at belyse adgangen til kredit i

2007 og 2009/2010 (April 2009 til marts 2010). I undersøgelsen afgrænses små- og mellemstore

virksomheder som dem, der har mellem 5 og 249 ansatte i 2005 og mindst 5 ansatte i 2009. Re-

spondenterne var alle fra enten industri, råstofindvinding og forsyningsvirksomhed, Bygge og anlæg,

Handel og transport mv., eller Information og kommunikation (DB07 21-grupperingerne C, F, G, H,

I, J, L, M, N).

Informationen om virksomhedernes låneansøgninger og tilsagn i både 2007 og

2009/2010 er indsamlet i samme spørgeskema fra foråret 2010, hvilket kan betyde, at oplysningerne

om 2007 måske er mere usikre end dem for 2010. Skemaet indeholder oplysninger om virksomhe-

derne har søgt lån andre steder end i bankerne, og hvorvidt ansøgninger er blevet efterkommet.

Specifikt benyttes spørgsmålet: ”Har

virksomheden forsøgt at opnå lånefinansiering i år x fra Ban-

ker/sparekasser, og med hvilket udfald? (fuldt opnået/delvist opnået/ikke opnået)”. Generelt kobles

virksomhedens svar direkte til både registrer og Experian data via virksomhedens cvr-nummer.

4 Probitanalyse

–

Danmarks sta-

tistiks survey

Sandsynligheden for, at en virksomhed helt eller delvist får det lån i banken, som virksom-

heden har ansøgt om, modelleres med en probit-model med tre tilstande eller udfald. Ud-

faldsvariablen, , kan således antage tre værdier, nemlig 1 hvis låneansøgeren afvises, 2

hvis låneansøgningen delvist efterkommes og 3 hvis virksomheden får det lån den ønsker.

For banken vil vurderingen af, om virksomheden skal have lånet, afhænge af bankens vur-

dering af virksomhedens kreditværdighed. Denne vurdering kendes ikke. Det eneste vi ved

PDF to HTML - Convert PDF files to HTML files

er, om låneansøgningen er efterkommet, delvist efterkommet eller afvist. Bankens vurde-

ring af kreditværdigheden kan derfor ses som en latent variabel, som antages at kunne

beskrives som:

∗

Hvor

��

er en matrix med forklarende, virksomhedsspecifikke variable, som bl.a. indeholder

uafhængig af

��.

Fortolkningen er, at lånet afvises hvis

defineres nogle tærskelværdier for

∗

information om virksomhedernes kreditværdighed, og

��

er normalfordelte fejlled, som er

kreditværdigheden er lav), og omvendt, at ansøgningen efterkommes, hvis

��

–

således at

��

∗

= �� + ��, ��|�� ~

(1)

er lav (dvs. bankens vurdering af

er høj. Derfor

banken er efterkommet. Desuden antages, som nævnt, at fejlleddet er normalfordelt.

Sandsynligheden for, at ansøgningen afvises eller (helt eller delvist) efterkommes, givet

virksomhedens særlige karakteristika, kan derfor skrives som:

��

= |�� =

��

∗

De observationer, som kendes, er de virksomhedsspecifikke oplysninger,

��,

og om lånet i

< �� |�� =

= |�� =

�� + �� < �� |�� = Φ �� − ��

−Φ �� −��

��

ℎ ��

∗

<��

, ℎ �� <

∗

<��

∗

ℎ ��

> ��

(2)

len estimeres for både 2007 og 2009/2010, i begge perioder med en trinvis proces, hvor

modellen gradvist udvides med flere variable.

Resultaterne fra estimationerne er vist i tabel 1

. Resultaterne holdes op mod en bivariat

probitmodel, som svarer til Abildgreen (2013). De variable, som skal identificere virksom-

hedens kreditværdighed i denne model er henholdsvis solvens, profit, renteomkostninger,

likviditetsratio og kortsigtet gældsfinansiering. Disse variable har som udgangspunkt be-

grænset signifikans, særligt i 2007

(jf. ”NB-version” i tabellen).

Derfor er det forsøgt, at

hvor

Φ .

er den akkumulerede standardnormalfordeling (med middelværdi på 0 og spred-

= |�� = Φ �� − ��

−Φ �� −��

(3)

ning på 1). Parametrene kan dermed estimeres med maximum likelihood metode

. Model-

Loglikelihood funktionen er givet ved:

= ∑

��

[

= ] [Φ

−

]+ [

I stata benyttes oprobit, og der kontrolleres for selektion med heckoprobit i stata 13.

Standardfejl i parentes. I Abildgren m.fl. (2013) modelleres

= ] [Φ

−

−Φ

−

]+ [

= ] [ −Φ

−

]

Hvor

��

indeholder konstanten og

��

antages standard normaltfordelt. De estimerede

tabel 1, men er givet ved -0.0355 (0.0779) i 2009/2010 og 1.132*** (0.121) i 2007.

|�� =

�� + �� < |��

(4)

er ikke vist i

PDF to HTML - Convert PDF files to HTML files

inddrage Experians rating af de pågældende virksomheder, som ud over regnskabsoplys-

ninger også inddrager andre informationer, fx betalingshistorie, jf. boks 1. Denne rating

bliver meget signifikant, og fremstår gennemgående som et mere præcist mål for banker-

nes vurdering af virksomhedernes kreditværdighed.

For at etablere en ”grundmodel” er der (i den tredimensionelle model) taget udgangspunkt

i variablerne i Abildgren (2013), med tilføjelse af virksomhedens størrelse og kreditratings

jf. søjle (1) i tabellen. Virksomhedens størrelse

–

målt ved balancen

–

er medtaget, fordi

størrelse kan have selvstændig betydning og i forvejen indgår i beregningen af ratingen

(den udgår, når der tages hensyn til selektion, jf. senere). I næste trin medtages de signi-

fikante variable fra første trin (på et 5 pct.’s niveau), hvorefter der suppleres med nye

variable (kort gæld, likviditet og implicit rente). Den trinvise proces afspejler, at antallet af

observationer reduceres når disse nye variable tilføres. Ingen af de nævnte variable er

imidlertid signifikante, hverken i 2007 eller 2009/10.

I det sidste trin inddrages oplysninger om den primære bankforbindelse, dvs. bankens tabs-

procent, solvens og om den tilhører gruppe 1. Der er her en svag tendens til at gruppe-1

banker i 2009/2010 afviser flere låneansøgninger end andre banker, mens hensættelses-

procenten er klart signifikant under krisen. Den foreløbige

”grundmodel” fremgår herefter

af søjle (4) i

tabel 1.

Med den valgte modelstrategi bliver virksomhedernes forskellige regn-

skabsstørrelser overflødige når kreditrating og virksomhedsstørrelse medtages, og ratingen

er stærkt signifikant både før og under krisen

. Information om den primære bankforbin-

delse har også betydning, idet hensættelsesprocenten er signifikant på et 5 pct. signifikans-

niveau i 2009/2010. Hvis den primære bank har store hensættelser var det således alt

andet lige vanskeligere at få godkendt låneansøgningen.

I Abildgren m.fl. (2013) er hensættelsesprocenten ”kun” signifikant ved et 10 pct. signifi-

kansniveau. Forskellen kan netop skyldes, at kreditratingen ser ud til at være bedre til at

kontrollere for den enkelte virksomheds kreditværdighed, og at det derfor er lettere at

isolere effekten af, at have en primær bankforbindelse med store tab på udlån. Hensættel-

sesprocenten er formentlig en rimelig proxy for bankens generelle sundhedstilstand, og

dermed om virksomhederne har været kunder i en bank, der var hårdt ramt af krisen.

Den nævnte model (4) for henholdsvis 2007 og 2009/2010 kan bruges til at sammenligne

sandsynligheden for, at en låneansøgning efterkommes de to år. Det ses at hensættelses-

procenten kun er signifikant i 2009/2010. Dette skyldes antageligt, at tabene på udlån før

krisen var små, og at bank-interne forhold dengang ikke begrænsede udlånsomfanget i

særlig høj grad. Ratingen af virksomheden, der søger om lån, er også signifikant i 2007,

men den

marginale

betydning af kreditratings er mindre end i 2009/2010. Det understøtter,

at virksomhedernes økonomi blev tillagt mindre vægt i bankernes kreditpolitik under høj-

konjunkturen.

Ratings er skaleret så de ligger mellem 0 og 1 (i stedet for mellem 0 og 100) for at gøre det nem-

mere at sammenligne effekter på tværs af variable.

I appendiks A2 vises det, at hvis modelvalget fastlægges med en general til specifik tilgang baseret

på Akaike’s Informations

Kriterium (AIC) og det lille virksomhedssample vil man opnå samme grund-

model, dog med tilføjelse af profitratioen, som dog ikke er signifikant på et 5 pct. niveau.

PDF to HTML - Convert PDF files to HTML files

Tabel 1

Probit model (uden selektion)

NB-version*

(1)

(2)

(3)

(4)

NB-version*

(1)

(2)

(3)

(4)

----------------------------- 2009/10 -----------------------------

Rating

2.300***

(0.450)

Balance (log.)

-0.180***

(0.054)

Solvensratio

0.405*

(0.208)

Profitratio

1.017**

(0.401)

Kort gæld ift. samlet gæld

-0.280

(0.315)

0.240

(0.325)

-0.300

(0.376)

Likviditetsratio

-0.088

(0.793)

Implicit rente

-2.217

(-3.013)

Tab/hensættelsesprocent i primær bank

-5.050**

(-2.187)

Solvens i primær bank

-3.020

(-2.787)

Gruppe 1 - bank

-0.450*

(0.256)

-2.625***

(0.818)

-1.911**

(0.814)

Antal observationer

386

335

-2.242*

(-1.200)

-1.483

(-1.197)

193

-2.671**

(-1.043)

-1.920*

(-1.039)

236

-2.202**

(0.986)

-1.458

(0.982)

236

337

-3.340**

(-1.568)

1.900***

(0.510)

-0.130*

(0.071)

2.100***

(0.450)

-0.140**

(0.064)

2.100***

(0.440)

-0.140**

(0.064)

0.751*

(0.427)

-0.009

(0.081)

----------------------------- 2007 -----------------------------

2.417***

(0.811)

-0.227**

(0.099)

0.433

(0.864)

-0.013

(0.087)

-1.017

(0.766)

6.821

(4.325)

-6.696

(9.573)

49.840

(48.050)

1.395

(5.679)

0.007

(0.431)

-4.377***

(1.495)

-3.791**

(1.487)

288

-5.144**

(2.488)

-4.511*

(2.479)

152

-4.755**

(1.922)

-4.227**

(1.914)

202

-4.890***

(1.824)

-4.363**

(1.816)

202

49.550

(46.590)

2.332***

(0.888)

-0.228

(0.141)

2.704***

(0.774)

-0.264**

(0.121)

2.669***

(0.759)

-0.265**

(0.121)

PDF to HTML - Convert PDF files to HTML files

4.1 Selektion

–

det er ikke tilfældigt, hvem der søger lån i

banken

I modellen ovenfor estimeres sandsynligheden for, at en låneansøgning efterkommes for

de virksomheder, som rent faktisk har ansøgt om et lån. Der tages ikke hensyn til det

selektionsproblem, der består i, at det ikke er tilfældigt, hvem der søger lån.

På den ene side må det forventes at økonomisk stærke virksomheder i høj grad kan finan-

siere deres projekter og drift med tilbageholdte overskud. Denne gruppe af virksomheder

har en tendens til i mindre grad at ansøge om kredit i bankerne. På den anden side vil nogle

af de pressede virksomheder, som har behov for kredit, ikke ansøge, da de på forhånd

forventer ikke at kunne få et lån. Denne heterogenitet blandt virksomhederne kan påvirke

estimaterne ovenfor. Desuden kan der være forskel på selektionen i 2007 og 2009/2010.

Det er som nævnt muligt ud fra Danmarks Statistiks spørgeskemaundersøgelse at identifi-

cere, hvem der ikke ansøgte om lån, fordi de på forhånd forventede afslag eller utilfreds-

stillende lånevilkår. Denne gruppe har som nævnt dårligere rating end de øvrige virksom-

heder i undersøgelsen, og er i første omgang udeladt af selektionsanalysen.

Selektionsmekanismen kan med denne opdeling fortolkes som en model for, hvem der an-

søger om lån i banken, og hvem der ikke efterspørger kredit. Udgangspunktet er, at ban-

kens vurdering af en låneansøgning kun kan observeres, hvis virksomheden rent faktisk

har søgt om et lån. Derfor lader vi

være en binær variabel som har værdien 1, hvis

er lig 1. Selektions-

virksomheden har søgt om et lån, og værdien 0, hvis det ikke er tilfældet. Dermed gælder

(bankens håndtering af låneansøgningen) kun observeres, hvis

��

ℎ

å :

= [

+�� ]

processen modelleres med en bivariat probitmodel, jf. også appendiks A1:

(4)

hvor sandsynligheden for at en virksomhed ansøger om lån afhænger af en række virksom-

hedsspecifikke variable

forklarende variabel indgår i

. For at identificere den samlede model kræves, at mindst en

gangspunkt i model (4) ovenfor (for 2007 og 2009/2010) og herefter inkludere hhv. rating,

dighed mv. i selektionsligningen.

størrelse og hensættelsesprocent samt andre oplysninger om virksomhedernes kreditvær-

uden samtidig at indgå i

��.

Der er her valgt at tage ud-

Resultatet er vist i tabel 2, idet fremstillingen kun medtager variable som er signifikante på

et 5 pct.’s niveau. Det fremgår, at rating fortsat er signifikant i bestemmelsen af bankernes

kreditpolitik, men at koefficienten til ratingen er mindre, når der tages hensyn til selektion.

Effekten på acceptraten af tab hos den primære bankforbindelse er derimod ret uændret.

Estimationen viser også, at det er relevant at korrigere for selektion (idet korrelationen

mellem fejledne i udfaldsligningen og selektionen, givet ved parameteren , er signifikant).

Desuden viser resultaterne, at virksomhedens størrelse både i 2007 og 2009/2010 nu ikke

længere har en signifikant, selvstændig effekt på sandsynligheden for at få godkendt en

PDF to HTML - Convert PDF files to HTML files

låneansøgning. Virksomhedens størrelse har samlet set positiv betydning for om en ansøg-

ning efterkommes, men det er alene i kraft af virksomhedsstørrelsens betydning for ratin-

gen

. Til gengæld viser selektionsligningen, at større virksomheder (i SME-gruppen, som

indgår i analysen) alt andet lige er mere tilbøjelige til at søge lån i banken end små virk-

somheder. Denne effekt er meget signifikant.

Selektionsligningen viser som ventet, at virksomheder med høj solvens (og i nogen grad

højere rating) er mindre tilbøjelige til at søge om lån i bankerne, mens de virksomheder,

der søger lån andre steder omvendt er mere tilbøjelige til også at ansøge om et lån i banken.

Endelig har interne forhold hos virksomhedens primære bankforbindelse betydning. Jo

større tab og hensættelser den primære bank har, jo mere tilbøjelige er virksomhedskun-

derne til at ansøge om lån enten i den primære bank eller i andre banker. Dette kunne

afspejle, at erhvervskunder i nødlidende banker er tvunget til at finde en bankforbindelse

og dermed skal genforhandle/optage nye lån.

I selektionsligningen i Abildgren m.fl. (2013) findes solvens, likviditet og kort gæld signifi-

kant ved et 5% signifikansniveau med negativt fortegn. Dvs. at kreditefterspørgslen forøges

når virksomhedernes økonomi svækkes og omvendt. Tilsvarende fortegn for solvenspro-

centen findes i Finansrådets (2014). I analysen ovenfor, hvor rating og solvens indgår sig-

nifikant, er billedet også, at økonomisk sunde virksomheder efterspørger mindre kredit. Det

understøtter, at der blandt virksomhederne i spørgeskemaundersøgelsen er en tendens til

at kreditefterspørgslen er steget under krisen, idet virksomhedernes nøgletal typisk svæk-

kes i en lavkonjunktur. Dvs. at der er tegn på at kreditefterspørgslen i dette segment af

virksomheder har været modscyklisk. Det kan afspejle særlige forhold under krisen (her-

under at ikke finansielle virksomheder også kan have været bekymrede for deres likviditet),

samt at SME-virksomheder måske i højere grad har været presset på deres leverandørkre-

ditter. Hertil kommer at nogle virksomheder kan have behov for likviditet for at dække

midlertidige underskud under krisen. Den modcykliske tendens i kreditefterspørgslen i SME-

segmentet nuancerer under alle omstændigheder det ellers rimelige synspunkt, at virksom-

hedernes kreditefterspørgsel normalt må formodes at være procyklisk på grund af et ge-

nerelt lavere investeringsniveau i lavkonjunkturen.

Eller formuleret lidt anderledes. Der er ikke behov for en korrektion til ratingen for virksomheds-

størrelse i bestemmelsen af kreditpolitikken.

PDF to HTML - Convert PDF files to HTML files

Tabel 2

Endelig grundmodel

Kreditpolitik

Rating

Tab/hensættelsesprocent

2007

1.28***

(0.41)

51.85

(42.38)

M.E.

0 .45

18.24

2009/2010

1.24***

(0.40)

-3.32**

(1.58)

M.E.

0.44

-1.18

Selektionsligning (sandsynligheden for at virksomhed ansøger om lån)

Virksomhedsspecifikke forhold

Søger om lån uden for banksyst.

Solvensratio

Rating

Balance (log)

Virksomheds primære bankforbindelse

Tab/hensættelsesprocent

Konstant

Observationer

Anm.:

1.05***

(0.12)

-0.80***

(0.27)

-0.14

(0.33)

0.09**

(0.04)

16.08

(16.00)

-2.25***

(0.62)

-0.23

(0.39)

0.23

(0.35)

0.55***

(0.17)

1203

1.34***

(0.10)

-0.50**

(0.24)

-0.39

(0.30)

0.11***

(0.04)

2.15**

(0.98)

-2.83***

(0.57)

0.48*

(0.25)

1.16***

(0.24)

0.53***

(0.10)

1253

Kilde:

M.E. er den marginale effekt på

( = | = )

(sandsynligheden for at få lånan-

søgningen godkendt) evalueret i middelværdien af kontrolvariablene. Standardfejl

i parentes.

Bygger på data fra Danmarks Statistik og Experian.

4.2 Effekten af at medtage virksomheder, som ikke ansøgte

om kredit fordi de på forhånd forventede afvisning eller

utilfredsstillende lånevilkår

Nogle virksomheder ansøger som nævnt ikke om kredit fordi de på forhånd forventer et

afslag eller at lånevilkårene (løbetid, rente og generelle lånevilkår) ville være utilfredsstil-

lende. Denne gruppe er som nævnt vokset fra 2007 til 2009/2010. Det er relevant at un-

dersøge, hvilken effekt det har, at medtage disse virksomheder i gruppen af afviste lånan-

søgere.

PDF to HTML - Convert PDF files to HTML files

Tabel 3

Ordered probit med selektion ved medtagelse af de virksomheder

som ikke ansøgte pga. forventet afslag i gruppen afviste

Kreditpolitik

Rating

2007

2.051***

(0.520)

M.E.

0.467

2009/2010

1.750***

(0.352)

M.E.

0.688

Tab/hensættelsesprocent

Selektionsligning (sandsynlighed

for at virksomheden ansøger om

lån)

Virksomhedsspecifikke forhold

Søger lån uden for banksyst.

41.570

(40.800)

9.462

-3.067**

(1.499)

-1.206

Solvens

Rating

Balance (log)

Primær bankforbindelses

forhold

Tab/hensættelsesprocent

1.003***

(0.119)

0.800***

(0.266)

-0.317

(0.320)

0.0892**

(0.042)

1.175***

(0.099)

-0.526**

(0.235)

-0.782***

(0.285)

0.130***

(0.036)

15.05

(15.64)

2.156***

(0.615)

-0.159

(0.426)

0.137

(0.422)

0.063

(0.275)

1217

1.871**

(0.923)

-2.709***

(0.554)

0.570**

(0.241)

1.154***

(0.242)

0.125

(0.154)

1293

Konstant

Observationer

Anm.:

Kilde:

M.E. er den marginale effekt på

( = | = )

(sandsynligheden for at få lånan-

søgningen godkendt) evalueret i middelværdien af kontrolvariablene. Standardfejl

i parentes.

Bygger på data fra Danmarks Statistik og Experian.

I 2009/10 var det 78 ud af de 2265 respondenter, som svarede, at de ikke søgte lån i

banken fordi de forventede afslag eller utilfredsstillende vilkår. Gruppen er dermed for-

PDF to HTML - Convert PDF files to HTML files

holdsvis stor i 2009/2010. Til sammenligning var der 100 reelle afslag på egentlige ansøg-

ninger. I 2007 var der kun 21, som ikke søgte fordi de forventede afslag. Denne form for

selektion kan være en af årsagerne til, at lånansøgernes økonomi og rating har udviklet sig

rimeligt under krisen og derfor ikke kan forklare den kraftige nedgang i acceptraten fra

2007 til 2009/2010.

I tabel 3 vises estimationsresultaterne af

grundmodellen

(i tabel 2) for 2007 og 2009/2010

med den nye population. Det ændrer ikke afgørende på konklusionerne. Effekten af virk-

somhedens rating på bankernes vurdering af låneansøgningen stiger lidt, mens betydnin-

gen af tab og hensættelser i den primære bankforbindelse reduceres lidt. Det mest interes-

sante er, at der ikke længere synes at være behov for at kontrollere for selektion, da

tabel 2 ovenfor (inklusiv selektion).

ikke

længere er signifikant forskellig fra 0. I det følgende tages der udgangspunkt i modellen i

4.3 Geografisk lokalisering, branche og størrelse

Der kan være forskellige årsager til, at en virksomhed kan have svært ved at opnå kredit.

Det kan skyldes, at virksomhedens økonomi er svækket eller at den ikke kan stille sikker-

hed. Desuden kan der ske skift i kreditpolitikken hos virksomhedens bankforbindelse, enten

pga. bankinterne forhold eller som følge af et generelt fald i risikoappetitten i den finansielle

sektor. Kreditvurderingen af virksomhederne kan i den forbindelse potentielt være af-

hængig af branchetilknytning, størrelse og geografisk placering.

I Finansrådet (2014) undersøges om acceptraten påvirkes af kreditansøgerens branche og

geografiske placering. Rapporten konkluderer, at når der kontrolleres for virksomhedernes

finansielle nøgletal (solvens- og profitratio) er det ikke muligt at identificere en signifikant

effekt af at være placeret i forskellige landsdele. Virksomhedens størrelse har heller ikke

selvstændig betydning. Mht. branchetilknytning finder analysen, at transportsektoren har

signifikant højere sandsynlighed for få accepteret en låneansøgning end andre brancher.

Finansrådets analyse ser på realkredit- og banklån under et, og den adskiller sig dermed

fra analysen i dette papir, hvor der alene er fokus på lån i pengeinstitutter.

Grundmodellen i dette papir peger på at større virksomheder (i SME-gruppen) oftere søger

lån i banken end mindre virksomheder. Desuden viser resultaterne, at virksomhedens kre-

ditrating har en klar, signifikant effekt på om en låneansøgning efterkommes. Det betyder,

at størrelsen af virksomheden også har en effekt på succesraten igennem størrelsens be-

tydning for virksomhedens kreditrating. Dermed indikerer denne analyse altså, at der en

positiv sammenhæng mellem virksomhedens størrelse og sandsynligheden for at få et lån

i banken (også når der kontrolleres for selektion). Virksomhedsstørrelse kan ses som ob-

jektiv indikator for kreditværdighed, da store virksomheder i større grad kan absorbere tab

på enkelte projekter, og i gennemsnit har en lavere konkurssandsynlighed.

Det er også forsøgt at analysere om geografisk tilhørsforhold og branche spiller en selv-

stændig rolle for virksomhedernes adgang til at få lån. Der tages her udgangspunkt i grund-

modellen (tabel 2). I første omgang uden at inddrage informationer om virksomhedens

primære bankforbindelse. Det har den fordel, at antallet af observationer øges væsentligt.

PDF to HTML - Convert PDF files to HTML files

Der kontrolleres for selektion og opdeles geografisk på regioner (hvor region hovedstaden

er referencegruppen), mens brancheopdelingen følger DB07 10 grupperingen og Industri,

råstofindvinding og forsyningsvirksomhed er referencegruppen.

Resultatet er sammenfattet i

figur 4,

som viser de marginale effekter fra branche og geo-

grafisk tilknytning og deres respektive 95 pct. konfidensbånd. Beregningen viser, at sand-

synligheden for at få en låneansøgning godkendt i banken (ved given kreditrating mv.) er

ca. 20 pct. point større for de virksomheder, som er lokaliseret i region Syddanmark og

Midtjylland sammenlignet med region hovedstaden. Effekterne er statistisk signifikante. For

region Sjælland og Syddanmark er der derimod ikke signifikante forskelle ift. hovedstads-

regionen. Disse regionale forskelle i kreditpolitikken kan ses i sammenhæng med, at de

primære bankforbindelser for de virksomheder, der er lokaliseret på Sjælland og i hoved-

stadsområdet, i gennemsnit havde langt større tab og hensættelser end andre steder i

landet, se figur 4b.

Fsva. brancher er der tegn på, at information og kommunikationsbranchen har en signifi-

kant lavere sandsynlighed for at få et lån sammenlignet med de øvrige brancher. Dette kan

måske afspejle, at denne branche kun i begrænset omfang har mulighed for at stille sik-

kerhed, og derfor sammenlignet med andre brancher kan have vanskeligere ved at opnå

kredit

. Desuden kan det spille en rolle, at virksomhederne i denne branche er kunder i

banker med høje tab på udlån, se

figur 4d.

Kreditratings et mål for virksomhedernes kreditværdighed, som er baseret blandt andet på regn-

skabstal, men som nævnt i boks 1 medtages ikke markeds- og makroinformation eller om virksom-

heden kan stille sikkerhed i form af aktiver. Der er derfor udviklet et mål for virksomhedernes evne

til at stille sikkerhed i fast ejendom. Denne proxy findes dog ikke signifikant og er derfor ikke medta-

get i fremstillingen.

PDF to HTML - Convert PDF files to HTML files

PDF to HTML - Convert PDF files to HTML files

4.4 Tegn på at små virksomheder i udkantsdanmark havde

vanskeligere adgang til kredit

Det er også muligt, at der i bankernes kreditpolitik kan være et samspil mellem låneansø-

gernes størrelse, branche og geografisk placering. Derfor er der foretaget estimationer,

som inddrager krydseffekter mellem hhv. størrelse, branche og geografi.

Geografisk

sondres her mellem såkaldte ”udkantsområder

”, ”geografiske centre” og andre

kommuner.

En "udkantskommune" er en

kommune

hvis største by har mindre end 30.000

indbyggere og som ligger mere end 40 km fra nærmeste såkaldte "geografiske center". Et

geografisk center er byer med over 40.000 arbejdspladser, og som har flere indpendlere

end udpendlere

–

det vil sige Hovedstadsregionen, Århus Kommune, Odense Kommune, og

Aalborg Kommune.

Den

eneste signifikante ”krydseffekt” er, at små virksomheder i udkantsområderne

ser ud

til at have vanskeligere ved at få kredit end andre virksomheder, jf.

bilag A3.

Hvis virksom-

heden fx har en størrelse, der svarer til ca. 1 mio. kr. målt på balancen, og virksomheden

er placeret i

en ”udkantskommune”,

kan sandsynligheden for at få godkendt en låneansøg-

ning alt andet lige opgøres til 51 pct. i 2009/2010. For en virksomhed med samme størrelse

og kreditværdighed (målt ved rating), som ligger i en af de øvrige kommuner (dvs. uden

for de geografiske centre) ville sandsynligheden for at få godkendt låneansøgningen være

på 82 pct. (ved samme rating mv.), jf.

tabel 4.

Tabel 4

Eksempel

–

sandsynlighed for at få lån for lille virksomhed efter

geografi

Udkantsområde

Afslået

Delvist accepteret

Accepteret

Anm.:

Geografisk center

…. Pct ….

(14,8)

(23,3)

(61,9)

Reference

4,9

13,3

81,9

22,1

26,9

51,0

Kilde:

Beregnet som

( = ��

ℎ

| = )

evalueret i gennemsnittet af X med undtagelse af

størrelsen, som er fastsat til 1 mio. kr. hvilket er en relativt lille virksomhed. Be-

mærk at det kun er forskellen mellem udkantsområdet og referencegruppen som

er signifikant jf.

appendiks A3.

Estimaterne for Geografisk center er derfor angivet

i parentes

Bygger på data fra Danmarks Statistik og Experian.

Det er ifølge analysen kun de mindste virksomheder i udkantsområderne som har ufor-

holdsmæssigt svært ved at opnå kredit. Effekten reduceres eller forsvinder når virksomhe-

den opnår en vis størrelse målt på balancen. Desuden skal resultatet ses i sammenhæng

Udkantskommunerne efter kommunalreformen 2007: Bornholm, Haderslev, Kalundborg, Langeland,

Lemvig, Lolland, Læsø, Norddjurs, Odsherred, Rebild, Samsø, Struer, Svendborg, Sønderborg, Thi-

sted, Tønder, Varde, Vejen og Ærø.

PDF to HTML - Convert PDF files to HTML files

med, at datagrundlaget bliver forholdsvis spinkelt når det på den måde bruges til at vurdere

kreditpolitik for mindre segmenter af virksomheder.

4.5 Kontrafaktiske eksempler

Et centralt spørgsmål er om ændringen i acceptraten på låneansøgninger fra 2007 og frem

til 2009/2010 skyldes ændret kreditpolitik i bankerne, eller om det er en konsekvens af

dårligere økonomi i de virksomheder, som ansøger om et lån. Dette spørgsmål kan belyses

ved at lade kreditpolitikken være givet som i den estimerede model i 2009/2010, men med

lånansøgernes karakteristika fra 2007. Med andre ord: Hvis bankerne havde haft samme

kreditpolitik før krisen som i 2009/2010, hvor mange havde så fået lån tilbage i 2007

Resultaterne fremgår af tabel 5. Acceptraten i 2007 var som nævnt på knap 90 pct. 2007,

dvs. at 90 pct. af låneansøgningerne fuldt ud blev efterkommet. Med den udlånspolitik, som

estimeres for 2009/2010 ville acceptraten i 2007 imidlertid kun have været på knap 63 pct.

Dermed ville 27 pct. point flere have fået afvist eller delvist afvist deres lånansøgning i

2007.

Det betyder samtidig, at hovedparten

–

ca. ¾ - af faldet i acceptraten fra 2007 til

2009/2010 kan tilskrives den strammere kreditpolitik. Den kontrafaktiske acceptrate i 2007

(dvs. med kreditpolitikken fra 2009/2019) er således kun 9,4 pct. point højere end accept-

raten i 2009/2010. Det vil sige at andre forhold - udviklingen i virksomhedernes økonomi

og bankernes tab på udlån

–

kun kan forklare ca. ¼ af faldet i den samlede succesrate.

Tabel 5

Accept af låneansøgninger med 2009/2010 kreditpolitik

Afslået

Faktisk 2007

Faktisk 2010

Forskel

Kontrafaktisk 2007

Ændring fra højere kreditstandarder

Ændring fra ratings, tabsprocent i primær bank og selektion

4,0%

22,0%

18,1%

15,1%

11,2%

6,9%

Delvist accepteret

…. Pct ….

5,9%

24,6%

18,6%

22,0%

16,1%

2,6%

Accepteret

90,1%

53,4%

-36,7%

62,9%

-27,2%

-9,5%

Det estimeres, hvor mange der ville have fået tildelt lånet, delvist tildelt lånet eller ikke tildelt lånet,

��

= ��

ℎ

|��

hvis kreditudbuddet havde været uændret i mellem 2007 og 2009/2010. Disse andele er givet ved

(

, ��̂

∑ (

= ��

ℎ

| = )

PDF to HTML - Convert PDF files to HTML files

Anm.:

Kilde:

De kontrafaktiske tal er dannet på baggrund af grundmodellen i tabel 2 med selek-

tion.

Bygger på data fra Danmarks Statistik og Experian.

Beregningerne i tabel 5 tager udgangspunkt i den model, som er vist i tabel 2

(”Endelig

grundmodel”).

Det har som nævnt også været muligt at replikere resultaterne i Abildgren

m.fl. (2013), hvor det er solvens- og profitratio, der indgår som forklarende variable og

ikke Experians rating. Ifølge denne model ville 55 pct. af ansøgningerne være efterkommet

i 2007, hvis den estimerede kreditpolitik for 2009/2010 lægges til grund. Med denne model

kan faldet i succesraten fra 2007 til 2009/2010 dermed stort set udelukkende tilskrives en

strammere kreditpolitik og ikke fra ændringer i lånansøgernes nøgletal mv.

Det er også muligt at vurdere effekten af at have en primær bankforbindelse med udfor-

dringer i form af høje tab og afskrivninger. Dette kan gøres ved at antage, at hensættel-

sesprocenten i bankerne i 2009/2010 ikke havde nogen effekt på den førte kreditpolitik

. I

figur 5

ses resultaterne af denne kontrafaktiske øvelse. Ca. 4,5 pct. point flere ville have

fået accepteret deres lånansøgning, hvis bankernes kreditpolitik var uafhængig af banker-

nes tab på udlån. Stort set samme effekt får man, hvis man indregner forskellen mellem

en bank med meget høje tab (90 pct. fraktilen) og meget lave tab (10 pct. fraktilen)

. Da

tillidsforholdet mellem bank og kunde ofte er bygget op over nogle år og kundens kredithi-

storie over for banken derfor har betydning for lånebetingelserne, er det ikke omkostnings-

frit for en virksomhed at skifte primær bankforbindelse. De er derfor i nogen grad underlagt

den kreditpolitik, som føres i den enkelte bank.

Formelt

��

(

= ��

ℎ

|��

, ̂

, ��̂

Hvor

��

er den samme som

��

på nær med hensyn til hensættelsesprocenten som sættes til 0.

Formelt

( = ��

ℎ

|��

, ̂

, ��̂

, ̂

, ��̂

er lig mid-

)

( = ��

ℎ

|��

hvor

��

delværdien

��

med undtagelse af hensættelsesprocenten som sættes lig 10% fraktilen, og

��

med undtagelse af hensættelsesprocenten som sættes lig 90% fraktilen

, ��̂

∑ (

= ��

ℎ

| = )

PDF to HTML - Convert PDF files to HTML files

PDF to HTML - Convert PDF files to HTML files

bankforbindelse og

–

især

–

den betydelige stramning af kreditpolitikken som er sket her-

udover

4.6 Har virksomheder, som er kunder i en bank der bliver

nødlidende, svært ved at få kredit?

I modelestimationerne ovenfor er tab/hensættelsesprocent i virksomhedernes primære

bankforbindelse som nævnt signifikant. Det peger på, at bankinterne forhold har haft be-

tydning for kreditpolitikken, og at det kan være svært at skifte bank, navnlig hvis den

finansielle sektor er under pres.

Det er undersøgt om en række andre karakteristika ved den primære bankforbindelse har

indflydelse på kreditpolitikken i det enkelte pengeinstitut. En central udfordring er dog, at

disse karakteristika er relativt korrelerede med hinanden. Derfor er disse medtaget i grund-

modellen uden hensættelsesprocenten én af gangen. I

tabel 6

ses de estimerede koeffici-

enter for kreditpolitikken (dvs. bankens behandling af låneansøgningen) og selektionsme-

kanismen, som fastlægger hvem der ansøger om lån.

Selektionsligningen peger på at en primær bankforbindelse med udfordringer vil øge virk-

somhedskundernes tilbøjelighed til at ansøge om lån enten i den primære bank eller i andre

banker. Hensættelsesprocenten er således signifikant i selektionsligningen. Desuden frem-

går det, at de virksomheder, som har været kunder i nødlidende banker, har større tilbø-

jelighed til at ansøge om lån, hvilket kan ses i sammenhæng med at mange af disse virk-

somheder givetvis forsøger at finde en ny primær bankforbindelse.

For så vidt angår selve kreditvurderingen af virksomhederne

–

dvs. om låneansøgningen

rent faktisk efterkommes

–

er det kun hensættelsesprocenten som findes signifikant. Høje

tab medfører altså en strammere kreditpolitik.

Derudover findes Z-scoren på den primære bankforbindelse i 2010 signifikant ved et 10

pct. signifikansniveau. Z-scoren kan fortolkes som afstanden til insolvens (Det kan vises,

at den er omvendt proportional med sandsynlighed for at blive insolvent

–

jo mindre z-

score jo større sandsynlighed for at blive insolvent)

. Dvs. at hvis virksomhedens bank er

langt fra insolvens er sandsynligheden for at få et lån alt andet lige større. Generelt ser

Experians ratings af banker ikke ud til at give et korrekt billede af bankers sundhed (modsat

Resultaterne skal naturligvis læses med det forbehold, at der er vis usikkerhed omkring de estime-

rede sammenhænge, samt at de betingede effekter i kontrafaktiske forløb muligvis ignorer vigtige

samspilseffekter.

Z-scoren er defineret ved følgende formel

Hvor

er return on assets

er solvensratio

��

er standardafvigelsen på

er resultatet, er totale aktiver/passiver, og er egenkapital. Z-scoren er den inverse af sandsyn-

ligheden for insolvens eller afstanden fra insolvens, jf. Roy (1952).

��

PDF to HTML - Convert PDF files to HTML files

fortegn), hvilket også er blevet bekræftet i et tidligere studie af ratings evne til at forudse

hvilke banker der blev nødlidende under krisen.

Tabel 6

Koefficientestimater for forskellige indikatorer for den primære

bankforbindelses sundhed

Koef. i Ordered Probit

Tab/hensættelsesprocent

Kunde i 2007 i senere

nødlidende bank jf.

Østrup (2014)*

Kunde i 2010 i senere

nødlidende bank jf.

Østrup (2014)*

Gruppe 1 bank jf. Finan-

stilsynet*

Bank rating I 2007

Bank rating I 2010

Bank rating i 2010 af

bankforbindelse i 2007

Z-score I 2007

Z-score I 2010

Indlånsunderskud I 2007

Solvensratio 2010

-3.320**

(1.584)

Koef. i Selektion

2.150**

(0.977)

0.007

(0.193)

0.372***

(0.131)

-0.081

(0.191)

-0.118

(0.141)

-0.001

(0.016)

-0.005

(0.006)

-0.008

(0.006)

0.108

(0.102)

0.188*

(0.102)

-0.283

(0.366)

-1.324

(1.523)

0.481***

(0.133)

-0.208**

(0 .090)

-0.012**

(0.006)

-0.003

(0.003)

-0.002

(0.001)

-0.036

(0.060)

-0.065

(0.0630

0.199

(0.228)

-0.493

(1.095 )

Anm.:

Kilde:

Beregnet på baggrund af grundmodellen i tabel 2 (dog uden tab/hensættelsespro-

cent). Z-scoren er den gennemsnitlige Z score mellem 2000-2012. * er dummyva-

riable.

Bygger på data fra Danmarks Statistik og Experian.

4.7 Udviklingen i den opfattede kredittilgængelighed

Dansk Industri (DI) og Dansk Byggeri har efter finanskrisen lavet en række spørgeskema-

undersøgelser, som forsøger at belyse kreditadgangen i årene efter krisen.

PDF to HTML - Convert PDF files to HTML files

PDF to HTML - Convert PDF files to HTML files

af ændringer i virksomhedens rating og solvensprocent, og

geografi.

er den naturlige

logaritme til den samlede balance. Desuden indgår dummyer for branchetilhørsforhold og

Resultaterne peger på, at de virksomheder, som har haft en relativ god udvikling i rating

og solvensprocent også har en tendens til at se mere positivt på udviklingen kredittilgæn-

geligheden, se

tabel 7.

Dvs. at virksomhedsinterne forhold er en del af forklaringen på de

indbyrdes forskelle i vurderingen af adgangen til kredit. Det understøtter, at rating er et

fornuftigt mål for virksomhedernes kreditværdighed. Der er også en tendens til, at vurde-

ringen af udviklingen i kredittilgængeligheden alt andet lige er mere positiv for de større

virksomheder (målt på den samlede balance). Det er samlet på linje med de resultater,

som blev fundet i de foregående afsnit.

Den opfattede kredittilgængelighed synes desuden at være signifikant påvirket af den pri-

mære banks tab på udlån samt solvensprocent. Dvs. at virksomheder, som var kunder i

banker med høje tab/hensættelser og lav solvens alt andet lige har oplevet en mere negativ

udvikling i kredittilgængeligheden end andre virksomheder. Disse resultater er i høj grad

på linje med analysen af Danmarks Statistiks kreditsurvey, som også viste, at bankinterne

forhold har betydning for adgangen til kredit. Samlet støtter det hypotesen om, at især

mindre virksomheder har haft svært ved opnå kredit og at dette i en del tilfælde - og i et

vist omfang - kan henføres til forhold i virksomhedens primære bank.

Tabel 7

Estimationsresultater

på DI’s kreditsurvey

OLS

Konstant

År 2010

År 2011

Bankvariable:

- Tab/hensættelsesprocent

- Solvens

(0,853)*

- Udlånsvækst

(0,045)

Virksomhedsvariable:

- Ændring i rating

- Balance (log)

- Ændring i solvens

Branchevariable:

- Bygge og anlæg

(1)

1,399

(0,264)***

0,194

(0,063)***

0,450

(0,075)***

-1,359

(0,564)**

1,497

[0,699]**

0,038

[0,044]

0,004

(0,002)**

0,046

(0,013)***

0,295

(0,116)**

-0,178

[0,111]***

[0,013]***

[0,002]**

(0,045)

(0,856)*

[0,496]***

[0,074]***

[0,063]***

[0,251]***

(2)

1,512

(0,360)***

0,193

(0,063)***

0,450

(0,075)***

-1,309

(0,567)**

1,527

[0,704]**

0,037

[0,044]

0,004

(0,002)**

0,040

(0,019)**

0,307

(0,116)***

-0,179

[0,111]***

[0,019]**

[0,002]**

[0,489]***

[0,074]***

[0,064]***

[0,361]***

PDF to HTML - Convert PDF files to HTML files

(0,188)

- Handel og transport mv.

(0,063)

- Information og kommunikation

(0,145)

- Ejendomshandel og udlejning

(0,312)

- Erhvervsservice

(0,086)

- Kultur, fritid og anden service

(0,613)

Geografiske variable:

- udkantsområde

(0,091)

- geografiskcenter

(0,058)

Krydseffekter:

- logassets * udkantsområde

- logassets * geografiskcenter

[0,154]

0,010

[0,061]

0,123

[0,148]

0,334

[0,312]

-0,095

[0,093]

0,446

[0,393]

0,071

[0,095]

0,034

[0,057]

(0,188)

0,011

(0,063)

0,124

(0,146)

0,335

(0,433)

-0,095

(0,087)

0,430

(0,614)

-0,925

(0,98)

-0,085

(0,486)

0,056

(0,055)

[0,155]

[0,061]

[0,148]

[0,312]

[0,093]

[0,394]

[1,050]

[0,471]

[0,060]

0,007

[0,026]

0,071

0,091*

(0,027)

0,070

0,071*

Breusch-Pagan-test (signifikans-ssh.)

Anm.:

Kilde:

OLS regression: Den forklarede variabel er ændringen i kredittilgængeligheden

mht. mængde (indekseret fra 1-5). Normale standardfejl er angivet i runde paren-

teser, mens heteroskedasticitetsrobuste (White) standardfejl er angivet i kantede

parenteser. Hvis variable er signifikante på et 10-, 5- og 1-procentsniveau, marke-

res de med hhv. *, ** og ***.

Bygger på data fra Dansk Industri (DI), Danmarks Statistik og Experian.

Spørgeskemaundersøgelsen fra Dansk Byggeri er opbygget efter samme principper som

Danmarks Statistiks kreditsurvey. Dvs. at der spørges til, om medlemmet har ansøgt om

forhøjelse af kassekredit, lån eller andre kreditmuligheder i den pågældende periode, og

om de fik den ønskede kredit.

Spørgeskemaundersøgelserne blev ikke lavet før krisen, men er fra 2009 blevet gennemført

to gange årligt.

På den baggrund er det muligt at vurdere udviklingen kredittilgængelig-

heden for bygge- og anlægssektoren fra 2009 til starten af 2013. Muligheden for at analy-

sere undersøgelsen mere detaljeret begrænses dog af, at de anvendte registerdata for

virksomhederne kun går frem til og med 2010, men også at respondenterne i højere grad

er mikrovirksomheder, som har begrænset indberetningspligt. Det er også kun i begrænset

omfang muligt at bestemme den primære bankforbindelse for meget små virksomheder.

På den baggrund er der opstillet en mere enkel probit model, som søger at forklare sand-

synligheden for, at virksomhederne får accepteret en låneansøgning, idet der kontrolleres

for virksomhedernes rating. Der korrigeres ikke for selektion. Beregningen viser, at ratin-

gen er signifikant, dvs. at virksomheder med bedre økonomi alt andet lige har lettere ved

få lån. Desuden er kreditudbuddet signifikant lavere i 2012 end i 2009, når der tages højde

for lånansøgernes kreditværdighed/rating. Der er således ikke tegn på, at kredittilgænge-

PDF to HTML - Convert PDF files to HTML files

ligheden skulle være steget siden 2009. Til sammenligning var der en tendens til at kredit-

tilgængeligheden steg fra 2009-2011

i DI’s survey. Det er dog umiddelbart ikke muligt at

vurdere om dette skyldes selektionseffekter i bygge- og anlægssektoren pga. fx konkurser.

Tabel 8

Ordered probit model på dansk byggeris kreditsurvey

Ordered probit model

2010

2011

2012

2013

Rating

Observationer

Koef.

0.134

(0.233)

-0.223

(0.225)

-0.502**

(0.239)

0.280

(0.278)

1.450***

(0.003)

-0.359

(0.226)

0.495**

(0.227)

Anm.:

Kilde:

M.E. er den marginale effekt på

( = )

(sandsynligheden for at få lånansøgningen

godkendt) evalueret i middelværdien af kontrolvariablene .

Bygger på data fra Dansk Byggeri, Danmarks Statistik og Experian.

M.E.

0.053

-0.088

-0.194

0.111

0.578

293

5 Litteratur



Abildgren, Kim, Peter A. Drejer, and Andreas Kuchler (2013). A micro-econometric

analysis of the banks' loan rejection rates and the creditworthiness of the banks'

corporate customers. National økonomisk tidsskrift 151.

Artola C., og V. Genre (2011). Euro area SMEs under Financial Constraints: Belief

or Reality? CESIFO WORKING PAPER No. 3650.

Bernanke, Ben, and Mark Gertler (1989). Agency Costs, Net Worth and Business

Fluctuations. The American Economic Review, Vol. 79, No. 1 (Mar., 1989), pp. 14-

31.

Canton, E., I. Grilo, J. Monteagudo, og P. ven der Zwan (2012). Perceived credit

constraints in the European Union. Small Business Economics October, pp. 1-15.

De Luca, G., og V. Perotti (2011). Estimation of ordered response models with sam-

ple selection. Stata Journal 11: 213-239.

Ferrando, A. og N. Griesshaber (2011). Financing obstacles among the euro area

firms

–

who suffer the most? ECB Working paper No. 1293.

PDF to HTML - Convert PDF files to HTML files



Ferrando, A., og N. Milier (2013).

Firms’ financial constraints: do perceptions match

the actual situation? ECB Working paper No. 1577.

Finansrådet (2014). Rapport om risikovillig kapital. Se:

http://www.finansraa-

det.dk/Politik/Documents/Analyser/Rapport_om_risikovillig_kapital_130314.pdf

Giaotti, E. (2013). Credit availability and investment: lessons from

the ‘great re-

cession’. European Economic

Review 59, pp. 212-27.

Lawless, M. og F. McCann (2012). Credit access for Small and Medium Firms. Sur-

vey Evidence for Ireland. Journal of the Statistical and Social Inquiry Society of

Ireland 41, pp. 1-23.

Rottmann, H. og T. Wollmershäuser (2013). A micro data approach to the identifi-

cation of credit crunches. Applied Econometrics 45, pp. 2423-41.

Roy, A.D., 1952. Safety first and the holding of assets. Econometrica 20, 431-449.

Statistics Denmark (2010). Små og mellemstore virksomheders adgang til finansi-

ering (Funding access for small and medium-sized enterprises - in Danish with an

English summary), TemaPubl, No. 1, December.

Stiglitz, Joseph E. and Andrew Weiss (1981). Credit rationing in Markets with in-

complete information. The American Economic Review, Vol. 71, No. 3. (Jun., 1981),

pp. 393-410.

Østrup, Finn (2014). Konsekvenser af ejerstrukturen I danske pengeinstitutter.

Working paper.



PDF to HTML - Convert PDF files to HTML files

6 Appendiks A1

Udfaldsligningen kan skrives på følgende form:

= ∑ �½�

��

��(��

��−��

��=��

��

+ ��

��

< ��

��

)

er en indikatorfunkion,

for

�� <

Hvor

er kontrolvariablene, hvis udfaldet observeres,

for

�� <

(1,2,3) og opfylder

�� < ��

vektor med koefficienterne og

antager værdien

−∞

��

antager værdien

∞.

er fejlleddet. De observerede udfald

�� , �� , ��

er heltal

�� , ��

er reelle tal og opfylder

�� < ��

��

Selektionsligningen er givet ved:

= (

> )

er kontrolvariablene som benyttes til at

er fejlleddet.

Hvor

modellere selektionen,

hvis udfaldet observeres og 0 ellers,

er vektor med koefficienterne og

Det antages yderligere at fejlleddene

er bivariat normalfordelte med en middel-

værdi på nul og en varians matrix givet ved

[

hvor

]

er korrelationskoefficienten mellem fejlleddene. Sandsynligheden for selektion er

dermed

(

= ) = Φ(

)

hvor

Φ .

er den kumulative normalfordeling. Log likelihood funktionen bliver dermed:

PDF to HTML - Convert PDF files to HTML files

=∑

≠

Φ(−

) +∑ ∑

ℎ=

∈

��

=��

ℎ

{Φ (

, ��

ℎ

−

,− )− Φ (

, ��

ℎ−

−

, − )}

tionen er den simultane sandsynlighed for selektion og observation af

(

= ��

ℎ

= )=Φ (

, ��

ℎ

−

,− )− Φ (

, ��

ℎ−

−

riate normalfordeling (med middelværdien

[

Hvor

er det sæt af observationer hvor

er observeret, og

Φ .

er den kumulative biva-

]

). Som det fremgår af log likelihood funk-

,− )

= ��

ℎ

givet ved

Den betingede sandsynlighed kan dermed bestemmes for

faldet jf. Bayes regel

(

= ��

ℎ

= )=

(

= ��

ℎ

(

= ��

ℎ

givet at vi observere ud-

= )

Hvilket er den relevante størrelse i forbindelse med de kontrafaktiske beregninger neden-

for

7 Appendiks A2

Modelvalget her foretaget brug af Akaikes informations kriterium (AIC). En central udfor-

dring er at antallet af observationer afhænger af valget af medtagne kontrolvariable, og

AIC ikke er konsistent over forskellige stikprøvestørrelser. Der benyttes derfor en trinvis

procedure, hvor der startes med det største datasæt, og derefter beholdes de variable som

indeholder information jf. AIC til det næste trin. Derefter inddrages variable med næststør-

ste antal observationer osv. Variablen medtages ikke, hvis AIC indikerer et bedre fit når

variablen udelades fra estimationen.

I trin 1 indgår variable fra Experian, ejendomsregisteret og virksomhedsregisteret.

Kilden her er De Luca og Perotti (2011)

PDF to HTML - Convert PDF files to HTML files

Tabel A1

Ordered multinomial probit for 2009/2010

Foretrukket af AIC

Rating

Solvensratio

Profitratio

Antal ansatte (log)

Balance (log)

Udkantsområde

Geografisk center

Bygningsratio

2.400***

(0.005)

-0.314

(0.323)

0.237

(0.324)

-0.082

(0.102)

-0.147**

(0.069)

0.216

(0.245)

-0.176

(0.139)

0.536

(1.055)

-2.380***

(0.917)

-1.661*

(0.914)

Observationer

335

Anm.:

Kilde:

Standardfejl i parentes.

Egne beregninger.

Som det fremgår af tabel A.1 skal Rating i 2010 og profit ratio og størrelsen af balancen i

logaritmer (log(assets)) medtages i step 2. I dette andet trin information om virksomhe-

dens primære bankforbindelse.

Tabel A2

Ordered multinomial probit for 2009/2010

Foretrukket af AIC

Rating

Profitratio

Balance (log)

Tab/hensættelsesprocent

1.76***

(0.005)

0.406

(0.439)

-0.129*

(0.071)

-4.847*

(2.531)

PDF to HTML - Convert PDF files to HTML files

Banks solvensratio i 2010

Bank i 2007 senere nødlidende jf.

Østrup

Gruppe 1 bank

Banks Indlånsunderskud i 2007

Banks udlånsvækst fra 2002-2007

-3.304

(3.311)

0.365

(0.474)

-0.360

(0.275)

0.0240

(0.793)

-0.108

(0.262)

-2.758**

(1.155)

-2.011*

(1.151)

200

Observationer

Anm.:

Kilde:

Standardfejl i parentes.

Egne beregninger.

Herefter medtages tab/hensættelsesprocent i trin 3. I dette trin medtages medtages vari-

able for den primære bankforbindelses rating.

Tabel A3

Ordered multinomial probit for 2009/2010

Foretrukket af

AIC

Rating

Profitratio

Balance (log)

Tab/hensættelsesprocent

Bankrating07

Bankrating10

Bankrating1007

1.62***

(0.005)

0.442

(0.422)

-0.123*

(0.072)

-1.106

(2.369)

-0.009

(0.011)

-0.008

(0.011)

0.002

(0.011)

-3.463**

(1.723)

-2.718

(1.718)

PDF to HTML - Convert PDF files to HTML files

Observationer

Anm.:

Kilde:

Standardfejl i parentes.

Egne beregninger.

192

Det fremgår af tabel A.3, at ingen af disse oplysninger om bankrating skal medtages. I det

næste trin 4 medtages medtages variable fra FIRE spørgeskemaundersøgelsen

Tabel A4

Ordered multinomial probit for 2009/2010

Foretrukket af

AIC

Rating

Profitratio

Balance (log)

Tab/hensættelsesprocent

Kort gældsratio

Likviditetsratio smal

Likviditetsratio bred

Implicit rente

1.770***

(0.005)

0.580

(0.561)

-0.103

(0.089)

-3.390*

(1.939)

-0.149

(0.430)

1.211

(1.475)

0.664

(0.669)

-0.348

(3.395)

-1.641

(1.568)

-0.872

(1.566)

Observationer

Anm.:

Kilde:

Standardfejl i parentes.

Egne beregninger.

153

AIC taler ikke for medtagelse af nogen af regnskabsstørrelserne fra FIRE spørgeskemaun-

dersøgelsen, se tabel A.4. Den endelige model er vist i tabel A5. Det fremgår at virksom-

hedens rating og størrelse indgår, sammen med hensættelsesprocenten i den primære

bank. Profit ration i virksomhederne indgår også men er ikke signifikant på et almindeligt

5 pct.-niveau.

Tabel A5

Ordered multinomial probit for 2009/2010

Foretrukket af

AIC

PDF to HTML - Convert PDF files to HTML files

Rating

Profitratio

Balance (log)

Tab/hensættelsesprocent

2.06***

(0.005)

0.215

(0.332)

-0.138**

(0.064)

-3.234**

(1.578)

-2.126**

(0.990)

-1.375

(0.987)

236

Observations

Anm.:

Kilde:

Standardfejl i parentes.

Egne beregninger.

8 Appendiks A3

Tabel A6

Signifikante krydseffekter

Ordered probit model

Rating

Balance (log)

Udkantsområdet

Geografisk center

Udkantsområde x Balance (log)

Geografisk center x Balance (log)

Selektionsligning

Søger om lån uden for banksyst.

Solvensratio

Rating

1.399***

(0.087)

0.513**

(0.199)

-0.416

(0.265)

2009/2010

1.954***

(0.519)

-0.230**

(0.105)

-6.282**

(3.113)

-2.044

(1.504)

0.383**

(0.189)

0.108

(0.087)

0.0412

0.147

-0.624

-0.591

-0.088

M.E.

0.749

PDF to HTML - Convert PDF files to HTML files

Balance (log)

Udkantsområdet

Geografisk center

Udkantsområde x Balance (log)

Geografisk center x Balance (log)

Constant

0.120***

(0.044)

-0.505

(1.843)

1.039

(0.937)

0.0312

(0.110)

-0.062

(0.055)

-2.842***

(0.694)

-3.229*

(1.662)

-2.532

(1.645)

0.392***

(0.111)

Observationer

1729

Anm.:

Kilde:

Standardfejl i parentes. M.E. er den marginale effekt på

( = | = )

(sandsyn-

ligheden for at få lånansøgningen godkendt) evalueret i middelværdien af kontrol-

variablene.

Egne beregninger.