Uçak Yakıtı Riskine Karşı Kullanılan Riskten Korunma Tedbirleri İktisadi Olarak Anlamlı Mı? Amerikanın Büyük Yolcu Havayolu Şirketleri Üzerine Bir Çalışma

Abstract

Amerika?nın büyük yolcu hava yolu şirketlerinin maruz kaldıkları uçak yakıtı riskine karşı riskten korunma davranışlarını 2002-2011, 2006-2011, 2007-2011 ve 2008-2011 dönemlerinde inceledik. Çalışmayı farklı dönemlerde yapmamızın sebebi örneklemimizde olan bazı firmaların değişik dönemlerde yeniden yapılanma sürecine girmeleridir. Firmalar söz konusu süreçte özel şartlara tabi oldukları için ilgili dönemlerde karşılaştırılabilir sağlıklı veriler bulunmamaktadır. Bu çalışmanın amaçlarından bir tanesi havayolu şirketlerinin uçak yakıtı riskine karşı uyguladıkları riskten korunma stratejilerinin ilgili dönemlerde firma değerlerini etkileyip etkilemediğidir. Ayrıca, riskten korunma yöntemleriyle gelecek yılın yakıt gereksiniminin yüzde kaçının korunduğu ile firma değeri arasındaki ilişkiyi araştırdık. Bağımlı değişkenimiz Chung ve Pruitt?in 1993 yılında önerdiği Tobin?in Q?sunun basit yaklaşık hesaplanmasıdır. Riskten korunma faaliyetlerini ölçmek için iki ölçü kullandık. İlki, gelecek yılın yakıt gereksiniminin yüzde kaçının riskten korunduğudur. Diğeri ise, riskten korunma faaliyeti ile ilgili gölge değişkendir. İlgili dönemde herhangi bir türev ürün kullanılarak riskten korunma stratejisi belirlenmişse söz konusu gölge değişken 1 değerini, belirlenmemişse 0 değerini aldı. Bunlara ek olarak, firma değerini etkileyebilecek bazı değişkenleri kontrol değişkeni olarak modelimize dahil ettik. Söz konusu kontrol değişkenleri; firma büyüklüğü, firmanın ilgili dönemlerde temettü dağıtıp dağıtmadığı, uzun vadeli borçların toplam varlıklara oranı, net gelirin toplam varlıklara oranı ve sermaye harcamalarının satışlara oranı şeklinde sıralanabilir.Çalışmada kullanılan finansal ve operasyonel verileri Menkul Kıymetler ve Borsa Komisyon?nundan (SEC) alınan şirketlere ait yıllık denetim raporu olan 10-K dosyalarından elde ettik. Yaklaşık 130 denetim raporunu ve varsa değişiklik raporlarını manuel olarak inceleyerek gerekli veri setini oluşturduk. Ayrıca adi hisse senetlerinin piyasa değerlerini Bloomberg veri tabanından çektik. Sabit etkiler modelini havuzlanmış en küçük kareler ve rassal etkiler modellerine karşı test ettik. Sabit etkiler modelini havuzlanmış en küçük kareler modeline karşı F-testi yaparak rassal etkiler modeline karşı ise Hausman testi yaparak inceledik. Hausman testi sonucuna göre ikinci model dışındaki tüm modellerin sabit etkiler yöntemi ile tahmin edilmesi gerektiği sonucu vardık. İkinci modelin ki-kare test istatistiği negatif çıktı. Schreiber 2008 yılında Hausman ki-kare test istatistiğinin sadece küçük örneklemlerde değil asimptotik olarak da negatif çıkabileceğini göstermiştir. F-testi sonucuna göre tüm modeller için sabit etkiler yöntemi havuzlanmış en küçük kareler yöntemine tercih edilmiştir. Buna ek olarak, gözlenemeyen zaman etkilerini kontrol etmek için zaman gölge değişkenin modele dahil edilip edilmemesi hususunda zaman etkileri testi yaptık. Muhtemel modelleri tanımladıktan sonra, birimlere göre heteroskedasite, otokorelasyon ve birimler arası korelasyon testlerini tüm modeller üzerinde uyguladık. Bu testlerin sonuçları doğrultusunda, tüm modeller Driscoll-Kraay standart hataları ile sabit etkiler yöntemine göre STATA 11 ekonometri programında tahmin edildi. 2007-2011 dönemi haricinde diğer tüm dönemler için riskten korunma gölge değişkeni ile firma değeri arasında zayıf ve istatistiksel olarak anlamsız bir ilişki bulduk. Jin ve Jorion?un 2006 yılındaki çalışmasıyla tutarlı olarak, söz konusu dönemde Amerika?nın büyük yolcu havayolu şirketleri için riskten korunma tedbirleri ile firma değerleri arasında elde tutulur bir ilişki bulunamamıştır. Ancak, 2007-2011 döneminde söz konusu örneklem için incelen ilişki negatif ve 10% seviyesinde istatistiksel olarak anlamlıdır. İlgili dönem ve örneklemde, türev ürünlerini kullanarak yakıt riskinden korunmayı tercih eden havayolu firmaları tercih etmeyenlere nazaran ortalama olarak 11.28% daha düşük değer primine sahip olacaklardır. Diğer taraftan, gelecek yılın yakıt gereksiniminin yüzde kaçının riskten korunduğunu gösteren değişkenin tahmin edilen katsayısı 2002-2011 ve 2006-2011 dönemleri için pozitif ve istatistiksel olarak anlamlıdır. Model 1?e baktığımızda, ilgili katsayı 0.2598 şöyle yorumlanabilir; gelecek senenin yakıt gereksiniminin tamamını türev ürünler ile riskten koruyan havayolu şirketleri türev ürünleri ile herhangi bir koruma yapmayan havayolu şirketlerine nazaran yaklaşık 26% değer primine sahip olacaklardır. 2002-2011 döneminde gelecek senenin yakıt gereksiniminin 34.78% lik bölümü türev ürünleri ile riskten korunmuştur. Böylece, söz konusu dönem ve örneklem için ortalama olarak 9% değer priminden bahsedebiliriz [0.2598*34.78%]. Değer primi 2006-2011, 2007-2011 ve 2008-2011 dönemleri için sırasıyla 7.34%, 3.99% ve 4% dir.İlk bakışta, iki farklı ana değişken ile tahmin edilen farklı modellerin sonuçlarının bir biri ile çeliştiği şeklinde bir algı oluşabilir. Ancak, söz konusu firmaların herhangi bir riskten korunma aracı kullanmadıklarında durumları şimdikinden daha kötü olabilir. Örnek vermek gerekirse 2007-2008 dönemi için tahmin edilen modelde riskten korunma faaliyetlerine atfedilen değer değişmesi -11% dir. Şayet bu firmalar maruz kaldıkları risklere karşı herhangi bir şey yapmasalardı değer değişimi muhtemelen -11%?den daha düşük olacaktı. Diğer taraftan, geçmiş dönem firma değerinin bir sonraki dönem firma değerine muhtemel etkilerini modele dahil etmek için modele bağımlı değişkenin bir dönemlik gecikmeli değerini dahil ederek daha önceki modelleri dinamik hale getirdik. Tüm dinamik modelleri zaman gölge değişkenlerini de dahil ederek dengeli panel sabit etkiler yöntemi ile tahmin ettik. Zaman gölge değişkenleri müştereken anlamlı değil ise söz konusu değişkenleri modelden çıkardık. Daha önce tahmin ettiğimiz modellere benzer şekilde 2008-2011 dönemi haricinde firma değeri ve riskten korunma gölge değişkeni arasında negatif ve istatistiksel olarak anlamsız bir ilişkiyi bulguladık. Jin ve Jorion?un 2006 yılındaki çalışmasıyla tutarlı olarak, söz konusu dönemde Amerika?nın büyük yolcu havayolu şirketleri için riskten korunma tedbirleri ile firma değerleri arasında elde tutulur bir ilişki bulunamamıştır. Diğer taraftan, 2008-2011 döneminde söz konusu örneklem için incelen ilişki pozitif ve 1% seviyesinde istatistiksel olarak anlamlıdır. İlgili dönem ve örneklemde, türev ürünlerini kullanarak yakıt riskinden korunmayı tercih eden havayolu firmaları tercih etmeyenlere nazaran ortalama olarak 7% daha yüksek değer primine sahip olacaklardır.Diğer taraftan, gelecek yılın yakıt gereksiniminin yüzde kaçının riskten korunduğu değişkeninin tahmin edilen katsayısı 2002-2011 ve 2006-2011 dönemleri için pozitif ve 5% seviyesinde istatistiksel olarak anlamlıdır. Model 1?e baktığımızda, ilgili katsayı 0.2676 şöyle yorumlanabilir; gelecek senenin yakıt gereksiniminin tamamını türev ürünler ile riskten koruyan havayolu şirketleri türev ürünleri ile herhangi bir koruma yapmayan havayolu şirketlerinden yaklaşık 26% değer primine sahip olacaklardır. 2002-2011 döneminde gelecek senenin yakıt gereksiniminin 34.78% lik bölümü türev ürünleri ile riskten korunmuştur. Böylece, söz konusu dönem ve örneklem için ortalama olarak 9.30% değer priminden bahsedebiliriz [0.2676*34.78%]. Değer primi 2006-2011, 2007-2011 ve 2008-2011 dönemleri için sırasıyla 6.13%, 2.94% ve 6.72% dir.

We investigated the aircraft fuel hedging behavior of the U.S. major passenger airlines during the periods of 2002-2011, 2006-2011, 2007-2011 and 2008-2011. One of the goals of this study is to analyze whether airlines? aircraft fuel hedging strategies affect firms? values for such time horizons. Besides, we evaluated the relation between firms? values and the percentage of next year?s fuel requirements hedged.Firms? values were measured by the simple approximation of Tobin?s Q, developed by Chung and Pruitt (1993). The natural logarithm of Tobin?s Q was used as an explained variable. We also used different measures of aircraft fuel hedging activities, including the percentage of next year?s fuel requirements hedged and the hedging dummy variable that received a value of 1 if the airline hedges its aircraft fuel exposure and 0 if it does not. Along with, we added various other control variables in our analysis, firm size, measured by the natural logarithm of total assets, a dividend dummy, the ratio of long term debt to total assets, the ratio of net income to total assets, and the ratio of capital expenditures to sales. We used audited annual reports that taken from the Securities and Exchange Commission (SEC) 10-K filings in order to obtain both financial and operating data as of 31 December for the period 2002 to 2011. We searched manually over 130 annual reports and their amendments for the period 2002 to 2011 to obtain airlines? financial and operating data and hedging information that compiled from the footnotes. Moreover, the market value of common stock figures were taken from the Bloomberg database.Then, we tested the fixed effect model versus the pooled OLS and the random effects models. The fixed effect model versus the pooled OLS is tested via an F-test. To decide between the fixed or random effects we run a Hausmant test for each model. According to the Hausman test, all models should be estimated by using the fixed effects methodology out of the second model. Its Hausman test statistic ?2 was negative. Schreiber (2008) showed that the Hausman chi-square test statistic may be negative not only in small samples but even asymtotically as well. On the other hand, the fixed effect model was preferred to the pooled OLS with respect to the F-tests for all models. The fixed effects model is a suitable specification if we are concentrate a specific set of N firms and our inference limited to the behavior of these set of firm (Baltagi, 2001). In line with Baltagi (2001), the second model was also estimated by using the fixed effect methodology. In addition that we perfomed the time effect tests for each time horizon to determine whether we include year dummy in our models or not to control for the posibility of systematic time effects on airline?s firm value.That is to say, we determined whether the one-way error component regression model is valid by testing time effect. After identifying the probable models, we also tested the groupwise heteroskedasticity, autocorrelation and cross-sectional dependence. In accordance with these tests? results, all models were estimated with fixed effect methodology with Driscoll-Kraay standart errors by using STATA 11. We found weak and statistically insignificant relation between hedging dummy and firm value for all periods except the period of 2007-2011. Consistent with Jin and Jorion (2006), hedging has no perceptible effect on firm value for the U.S. major passenger airlines. However, hedging with aircraft fuel exposure with derivatives shows negative and statistically significant at the 10% level during the period of 2007-2011. Airlines that prefer to use aircraft fuel hedging with derivatives have on average a 11.28% lower value premium than airlines that do not prefer to use them for this time period. The estimated coefficients for the percentage of next year?s fuel requirements hedged are positive and statistically significant at the 5% level for the periods of 2002-2011 and 2006-2011. However, the coefficients are at least positive but statistically insignificant for the periods of 2007-2011 and 2008-20011. In the case of Model 1, the coefficent of 0.2598 can be explained by declaring that an airline that hedges 100% of its aircraft fuel requirements would be anticipated to have value premium of virtually 26% over an airline hedges non of its aircraft fuel requirements. The average percentage of next year?s aircraft fuel requirements hedged was 34.78% during the period 2002-2011. Hence, for those airlines in our sample, on average hedging airline displays a value premium of nearly 9%. The value premium is 7.34%, 3.99% and 4% for periods of 2006-2011, 2007-2011 and 2008-2011, respectively. Although the hedging discount was valid with hedging dummy for the period of 2007-2011, the hedging premium results were documented with the next year?s aircraft fuel requirements variable for the same period. At first glance, the results of two different hedging variables seem to contradict. However, this is not the case. If they had not hedged their fuel expense, their firm value would have been decreased more than the actual situation. For instance, the hedging discount was approximately -11% for the period of 2007-2011. Had they not used any hedging instruments, this percentage would have been lower than -11%.On the other hand, the dynamic models were estimated by adding lagged dependent variable among the regressors in order to incorporate possible effects of the previous year?s firm value. All dynamic models were estimated by using the fixed effects methodology with Driscoll-Kraay standart errors and time effects dummy. If the time dummies are not jointly significant, we excluded them from the models.Similar to previous models, we documented negative but weak and statistically insignificant relation between hedging dummy and firm value over all periods out of the period of 2008-2011. These results resemble to the outcome of the previous models and are consistent with Jin and Jorion (2006). On the contrary, there is a positive and statistically significant relationship between hedging dummy and firm value at the 1% level for the period of 2008-2011 consistent with the Allayannis and Weston (2001) and Carter et al. (2003, 2006). According to the results, those airlines in our sample that prefer to use aircraft fuel hedging with derivatives have on average a 7% higher value premium than those that do not prefer to use them over the period of 2008-2011.The estimated coefficients for the percentage of next year?s fuel requirements hedged are positive and statistically significant at the 5% level for the periods of 2002-2011 and 2006-2011. However, the coefficients are at least positive but statistically insignificant for the periods of 2007-2011 and 2008-20011. In the case of Model9, the coefficent of 0.2676 can be interpreted by declaring that an airline that hedges 100% of its aircraft fuel requirements would be anticipated to have value premium of almost 26% over an airline hedges non of its aircraft fuel requirements. The average percentage of next year?s fuel requirements hedged was 34.78% during the period 2002-2011. Hence, for those airlines in our sample, on average, an airline displays a value premium of around 9.30% [0.2676*0.3478] by implemeting hedging strategies. The value premium is 6.13%, 2.94% and 6.72% for periods of 2006-2011, 2007-2011 and 2008-2011, respectively.