Lønnsomhetsdrivere for SMB i den norske bygg- og anleggsbransjen

Abstract

Bygg- og anleggsbransjen står overfor utfordringer knyttet til lønnsomhet, og fra 2021 til 2022 var det et fall i driftsmargin fra 5,1 % til 4,5 %. Denne oppgaven bidrar til økt innsikt i hva som driver lønnsomheten i bransjen, med problemstillingen: Hva er de viktigste lønnsomhetsdriverne for norske SMB i bygg- og anleggsbransjen? For å svare på problemstillingen, ser vi på lønnsomheten fra tre forskjellige perspektiver, bedriftsspesifikke-, bransjespesifikke- og makroøkonomiske perspektiver.

Oppgaven er avgrenset til norske små- og mellomstore aksjeselskap, innen bygg og anlegg fra 2009 til 2022. Modellene trenes og testes på et datasett som omfatter alle ukonsoliderte årsregnskap gjennom en rolling window tilnærming. Vi benytter først denne dataen til å utvikle forklaringsmodeller i inneværende år ved ordinary least squares (OLS) og fixed effects. Lønnsomheten blir målt gjennom nøkkeltallet return on assets (ROA). I forkant benyttes Least Absolute Shrinkage and Selection Operator (LASSO), sammen med teori og tidligere forskning, til variabelseleksjon. Videre utvikles tre prediktive modeller som predikerer kontinuerlig ROA ett år frem i tid ved Extreme Gradient Boosting (XGBoost) og PyCaret, hvor sistnevnte er et automaskinlæringsbibliotek. XGBoost benyttes også til å predikere om bedrifter klassifiseres som «lønnsom» eller «ikke lønnsom». For å identifisere de viktigste variablene, og effekten av dem, benyttes Shapley Additive exPlanations (SHAP), Partial Dependence Plots (PDP) og Individual conditional expectation (ICE) kurver.

Funnene viser at de bedriftsspesifikke faktorene er mest egnet til å forklare lønnsomhet. Kapasitetsutnyttelse, målt ved nøkkeltallene produktivitet og lønnskostnad i % av driftsinntekt, er to av de viktigste lønnsomhetsdriverne, og høyere verdier er generelt assosiert med bedre lønnsomhet. Selskapsstørrelse, målt gjennom antall årsverk, omsetning og markedsandel, er mindre viktige for lønnsomhet, og viser at en økning i selskapsstørrelse ikke nødvendigvis fører til økt lønnsomhet. Erfaring i form av bedriftens alder viser at yngre bedrifter er mer volatile og kan være assosiert med lavere lønnsomhet, men for eldre bedrifter er ikke alder utslagsgivende for lønnsomheten. Lokalisering kan påvirke lønnsomheten, og beliggenhet i Oslo er assosiert med bedre lønnsomhet, mens beliggenhet i Hordaland og Møre om Romsdal har motsatt effekt. Kapitalens omløpshastighet blir ansett som en viktig lønnsomhetsdriver, og understreker viktigheten av effektiv kapitalutnyttelse. Når det gjelder likviditet, er likviditetsgrad 1 og 2, samt arbeidskapital, viktige forklaringsvariabler, og verdier over gjennomsnittet assosieres med lavere ROA. For soliditet er rentedekningsgrad, egenkapitalandel og gjeldsgrad viktige forklaringsvariabler, og forholdet mellom egenkapitalandel og gjeldsgrad tyder på at strategisk bruk av gjeld kan øke lønnsomhet. Funnene tyder på at bransjespesifikke- og makroøkonomiske variabler ikke er viktige lønnsomhetsdrivere.

The construction industry is facing challenges with profitability, as seen by a decline in operating margin from 5.1 % in 2021 to 4.5 % in 2022. This thesis aims to contribute with insight in profitability drivers, hence the research question: What are the key drivers of profitability for Norwegian SMEs in the construction industry? To answer the research question, we explore firm-specific, industry-specific and macroeconomic factors.

The scope of the study is limited to Norwegian small and medium-sized enterprises (SMEs) in the construction industry from 2009 to 2022. The dataset consists of all unconsolidated annual financial statements with a rolling window approach. We use this data to construct explanatory models within the current year using ordinary least squares (OLS) regression and fixed effects. Profitability is assessed using return on assets (ROA). Prior to the regression models, Least Absolute Shrinkage and Selection Operator (LASSO), along with theory and previous literature, are applied for variable selection. In the next stage, we predict ROA a year ahead of time using Extreme Gradient Boosting (XGBoost) and PyCaret, an automated machine learning library. XGBoost is also used for classification, predicting whether a firm will be “profitable” or “non-profitable”. To identify the key drivers of profitability and their impact on prediction, SHapley Additive exPlanations (SHAP), Partial Dependence Plots (PDP), and Individual Conditional Expectation (ICE) curves are utilized.

The results suggest that firm-specific factors are most suitable for explaining profitability. Capacity utilization, measured by productivity and wage costs as a % of operating revenues, are two key determinants of ROA, where higher values are associated with improved profitability. Scale, measured by the number of employees, annual turnover, and market share have less impact on profitability, suggesting that larger companies are not necessarily associated with higher ROA. Experience, reflected by the age of the firm, indicate that younger companies tend to achieve lower profitability, whereas age does not significantly influence profitability for established companies. Location also influences ROA, where companies situated in Oslo are associated with higher ROA, whereas Hordaland and Møre og Romsdal indicate the opposite effect. Asset turnover significantly impacts ROA, emphasizing the importance of efficient capital utilization. For measuring liquidity, current ratio, quick ratio and working capital are considered key profitability drivers, and values above average are associated with lower profitability. In terms of solvency, the interest coverage ratio, debt ratio and equity ratio are important variables, and the relationship between debt ratio and equity ratio suggests that increased profitability can be achieved by the strategic use of debt. Industry-specific and macroeconomic variables are not considered to be key drivers of profitability.