Comparative risk analysis of Hajdú-Bihor and Bihor counties' small and medium-sized enterprises

A vállalatvezetők többsége tisztában van azzal, hogy rövid távon, a szükséges profit elérése, illetve hosszú távon a vagyon-maximalizálása csak kockázat vállalásával érhető el. Ezért a szakirodalmi áttekintésben fontosnak tartottam foglalkozni a kockázat fogalmával, valamint a kockázat és bizonytalanság közötti különbséggel. Mivel kutatásom két ország szomszédos megyéiben (Bihor és Hajdú-Bihar) bejegyzett vállalati adatokra épül, ezért foglalkoztam a vállalatokat leginkább érintő kockázatokkal, a működési és pénzügyi kockázattal. A számítási adatbázist a két ország vizsgált megyéiben bejegyzett vállalkozások beszámolóiból vettem, ezért fontosnak tartottam a két megye vállalati szektorai főbb jellemzőinek ismertetését is. A vizsgált vállalkozások négy éves beszámolóira alapozva, kiszámítottam a működési és pénzügyi tőkeáttételi fok kockázati mutatókat, valamint a kutatás szempontjából fontos pénzügyi mutatókat. Az adatok statisztikai elemzése azt mutatta, hogy erős heterogenitás jellemzi a vizsgált sokaságokat, mind a két kockázati (DOL, DFL), mind a kiválasztott pénzügyi mutatók vonatkozásában. A homogénebb minta elérése érdekében elvégeztem a minta csoportosítását, amihez a k-közép klaszteranalízist használtam, és csoportosítási szempontként a DOL-t és a DFL-t szerepeltettem. Az egyes pénzügyi mutatók esetében kiszámítottam a mutatók átlagtól vett eltérései átlaghoz viszonyított arányainak összegét. Klaszterenként létrehoztam az EÁVA mutatót (Eltérések Átlaghoz Viszonyított Aránya), ami átláthatóbbá tette a klaszterek kockázati helyzetét. Lényegesnek tartottam más mérőszámmal is kifejezni a vállalati kockázatot, ezért kiszámítottam a DOL, a DFL és a DCL mutatók szóródási jellemzőit (szórás, szemi-szórás, átlagos abszolút eltérés, középeltérés) is. A csoportok közötti hasonlóságok és különbözőségek jobb szemléltetésére a klasztereket, többdimenziós skálázással, kétdimenziós összefüggésrendszerben is megjelenítettem. A vizsgálatból kiderült, hogy a legtöbb esetben a klaszterek tőkeáttételi fok mutatói és azok szóródási értékei nem ugyanazokat a kockázatokat jelzik. A klaszterezés hatását többszintű regresszió segítségével is megvizsgáltam, amely által kimutatható volt a klaszterezésnek a három tőkeáttételi mutatóra gyakorolt hatása. A vizsgált években a román és magyar klaszterekre kiszámolt tőkeáttételi és szóródási mutatók értékei, néhány kivétellel, eléggé eltérő, néha ellentmondó eredményeket mutattak. Ugyanakkor valamennyi román és magyar klaszternél jelentős szinkronitást tapasztaltam az EÁVA mutató, valamint a három tőkeáttételi fok mutató között. Az elemzés három évében, a DOL szerint, a magyar vállalatok viszonylag kockázatosabbak a román vállalatokkal szemben. 2012-ben a román vállalatoknál a klaszterátlagok DOL abszolút értéke jóval nagyobb volt, ami sokkal magasabb működési kockázatra utal. A DFL mutató esetében, a 2009-es év kivételével, a román vállalati minta alapján képzett klaszter-átlagérték mutat nagyobb pénzügyi kockázatot. A két tőkeáttételi fok mutató, decilisekre alapozott, panelelemzése során nyilván¬valóvá vált, hogy a függő változóként szerepeltetett két kockázati mutató a pénzügyi mutatók segítségével magyarázható, meghatározható. A két megye vállalkozásai esetén, mindkét mutatónál kiszámítottam a rögzített és véletlen hatású panel-regressziót, az eredményeket pedig a Hausman-teszt segítségével hasonlítottam össze. Mindkét ország DOL panel-regressziós modelljében megtalálható mutatók: Követelések forgási sebessége, Készpénzszintű likviditás, Nettó forgótőke/Forgóeszköz. A DFL panel modelljeiben megtalálható a Nettó forgótőke/Forgóeszköz, ROE és az Összes eladósodottság. Az elvégzett vizsgálatok azt támasztják alá, hogy a két ország vállalatai nem tudják minden esetben megfelelően kezelni a működési és a pénzügyi kockázatot, amit a klaszterenkénti jelentős mértékű DOL és DFL eltérések támasztanak alá. Sok esetben nem található megfelelő szinkronitás a két változó között, ami valószínűleg azt is ez okozza, hogy nehéz a tőkeáttételi mutatók és a pénzügyi mutatók között szoros összefüggést kimutatni. Most companies’ leaders are aware that in short term achieving the necessary profit and in long-term capital maximization could be realized only by risk-taking. Considering all these, in the literature review of the dissertation I considered important to deal with the definition of risk and with the difference between risk and uncertainty. Since my research is based on two neighbouring counties’ (Bihor and Hajdú-Bihar) enterprise data, I considered it is essential to deal with specific risks of companies, basically with the economic and financial risks. I considered important to present the main features of enterprise sectors from these counties based on the four-year financial statements of enterprises I calculated the degree of operational and financial leverage ratios. Besides these, I also calculated some financial ratios considered important regarding to present research. The extremely high values of dispersion measures drew attention that in case of two enterprise’s samples. In order to get a homogeneous sample, I grouped the samples. The grouping was carried out with k-means cluster analysis, where I used as grouping features the DOL and DFL. Interpretation and analysis of financial ratios I tried to approximate it by the deviation from mean of each financial ratios divided to mean. Accordingly, I created the MDMR (Mean Deviation to Mean Ratio) which made the risk position of each cluster more suggestive in term of financial ratios. In addition, it also helped me in determination of clusters’ ranking. In the analysis of risk, I also considered important to express enterprise risk with other measures. For this purpose, I presented the corporate through the dispersion measures of DOL, DFL and DCL (standard deviation, semi-deviation, mean absolute deviation, median absolute deviation). In order of a better illustration of similarities and differences between the examined groups, I also visualized the clusters in two-dimensional coordinate system using multidimensional scaling. The investigation revealed that in most of the cases, the degree of leverage ratios and the dispersion measures of its do not indicate the same risks. I examined the effect of clustering using multilevel regression model. In each of the investigated years, in case of DFL, the effect of clustering could be more and less pointed. The values of leverage and its dispersion measures, except in some cases, show different and in many cases contradictory results. At the same time, I experienced significant synchrony between MDMR and the three degree of leverage ratios. In the cluster analysis of Romanian and Hungarian companies, in many cases, in companies with high operational and financial risks the MDMR values were also unfavourable. In the first three years of analysis, the Hungarian companies were more risky than the Romanians, in terms of DOL. In 2012, the DOL’s absolute values of cluster averages are much higher. This indicates much higher operational risk in case of Romanian companies. The DFL calculated by the average values of Romanian clusters show greater financial risk, excepting year 2009. During the panel regression analysis based on decimals of two leverage ratios and financial ratios, it became obvious, that the two risk measures used as dependent variables could be determined by financial ratios. In case of both counties’ companies, I calculated the random effect and fixed effect panel regression and I used Hausman’s test to compare the obtained results. In both countries’ DOL panel regression we can find: Receivables turnover ratio, Net working capital / Current assets, Quick ratio (liquidity). It could be stated that both countries’ DFL panel regression models include as explanatory variables: Return on equity, Debt ratio, and Net working capital / Current assets. The analysis reflects that the two countries’ enterprises cannot always manage operational and financial risk. This is basically supported by significant deviations of each cluster’s DOL and DFL. Probably this causes difficulties in determination of an adequate correlation between leverage and financial ratios, as well.N