Pitkän aikavälin kassavirtaennustaminen pk-yrityksessä – Case-tutkimus

Abstract

Kassavirtalaskelmia pidetään nykyään luotettavampana lähteenä tulevien kassavirtojen ennustamisessa kuin tuloslaskelmaa ja tasetta. Tämän myötä kassavirtoja on pyritty ennustamaan erilaisten tilastollisten mallien avulla lyhyellä aikavälillä, mutta pitkän aikavälin ennustemalleja on olemassa hyvin vähän. Lisäksi kehitetyt monimutkaisemmat pitkän aikavälin mallit ovat olleet ennustekyvyltään epätarkempia kuin melko yksinkertaiset ennustemallit. Nykyisten pitkän aikavälin ennustemallien kehittämiselle on siis tarvetta. Tutkimalla syitä, miksi yksinkertaiset mallit ovat ennustekyvyltään tarkempia kuin monimutkaiset mallit, voidaan nykyisiä malleja kehittää tarkemmiksi. Pitkän aikavälin kassavirtaennustaminen ja ennustemallien kehittäminen on tärkeää yrityksille ja kolmansille osapuolille, sillä ne auttavat rahoitustarpeen arvioinnissa ja yrityksen arvonmäärityksessä.

Tämän tutkimuksen tavoitteena on ennustaa liiketoiminnan kassavirtoja 1–3 vuoden ajanjaksoilla. Tutkielma toteutettiin kvantitatiivisena yhden yrityksen case-tutkimuksena, ja aineisto kerättiin case-yrityksen taloushallinnon tietojärjestelmistä. Tutkimusmenetelmänä käytettiin lineaarista regressioanalyysia, jota verrattiin naiiviin malliin, jossa liiketoiminnan kassavirran oletetaan jatkuvan samanlaisena. Ennustemallin selittävinä muuttujina tarkasteltiin yrityksen ydinliiketoimintaan liittyviä suoran rahoituslaskelman komponentteja, joita olivat myynti, suoraan liiketoimintaan liittyvät ostot, palkat, myyntiin ja hallintoon liittyvät kustannukset sekä matkakustannukset. Muuttujien ennustearvot määritettiin liukuvan keskiarvon avulla.

Tutkimuksen tuloksista havaittiin, että palkat oli ainoa selittävä muuttuja, joka ei korreloinut lainkaan liiketoiminnan kassavirran kanssa. Jäljellä olevista muuttujista myynnin ja hallinnon kulut sai tilastollisesti vähiten merkitsevän arvon. Tulosten perusteella myynti, suoraan liiketoimintaan liittyvät ostot sekä matkakustannukset ennustivat parhaiten kassavirtaa, joten ne valittiin lopulliseen regressiomalliin selittäviksi muuttujiksi. Mallin selityskerroin muodostui erittäin korkeaksi. Muuttujille laskettujen ennustearvojen keskimääräinen virheprosentti oli kuitenkin myynnin ja ostojen kohdalla melko suuri satunnaisen vaihtelun vuoksi. Kassavirtaennuste laadittiin yhdeksälle eri ajanjaksolle, joista viidellä naiivi malli oli tarkempi kuin lineaarinen regressiomalli.

Tutkimuksen tulokset täydentävät aiempaa tutkimusta naiivin mallin ennustetarkkuudesta monimutkaisempiin malleihin verrattuna laatimalla ennusteita yli vuoden pituisille ajanjaksoille. Lineaarisen regressioanalyysin haasteena on ennustearvojen määrittäminen, jos komponenttien arvojen vaihtelevuus on hyvin satunnaista. Vaikka naiivilla mallilla laskettu ennuste muodostuisi monimutkaisempaa ennustemallia tarkemmaksi, sitä ei kuitenkaan voida hyödyntää esimerkiksi myynti- ja ostobudjettien suunnittelussa, sillä se huomioi ainoastaan kassavirran määrän. Naiivin ennustemallin tehtävänä onkin toimia lähinnä vertailukohtana monimutkaisempien mallien kehittämiselle. Jatkossa naiivia mallia olisi hyvä verrata vielä monimutkaisempiin regressiomalleihin pitkällä aikavälillä.