Direkt zum Hauptbereich

Das dritte Quartal von Volvo


In der Rubrik Investor Relations auf der Internetpräsenz von Volvo Trucks kann man nicht nur die Absatzzahlen herunterladen (und fortschreiben wie im vorherigen Post), sondern auch ein Set an Kennzahlen. Das Volvo-eigene Kennzahlensystem wurde nach eigenen Angaben zu Beginn 2018 überarbeitet; insofern lohnt sich ein genauer Blick auf deren Entwicklung. Im Folgenden eine kleine Analyse, bzw. vor allem eine Visualisierung.

Zur Einordnung als erstes die weltweite Absatzmenge und der Umsatz von Volvo Trucks mitsamt bereinigter Wachstumsrate im Vgl. zum selben Quartal im Vorjahr. Die Besonderheit durch Corona in 2020 ist vor allem an dieser Wachstumsrate gut sichtbar; doch der Rückgang beginnt bereits in 2019. 


Profitabilität
Hier benutzt Volvo die Operating Margin (Bruttoeinkommen/Umsatz). Sie gibt an, wie viel Prozent vom Umsatz nach Abzug der variablen Kosten (Löhne, Materialien, ...) übrig bleiben. Volvo zielt mind. 10% (über einen Business Cycle hinweg) an. Das Ziel selbst wird durchweg übertroffen; interessant ist v.a. dass Volvo nach einem Einbruch im Q2 2020 seine Bruttomarge wieder auf das vorherige Level bringen konnte. Diese konstante Marge verweist trotz/dank des sich verändernden Umsatzes auf ein gutes Management der variablen Kosten.

Speziell für das industrielle Geschäft führt Volvo noch die EBITDA-Marge auf. Die Earnings before Interest, Tax, Depreciation and Amortization gibt Aufschluss darüber, wie rentabel die operativen Aktivitäten - isoliert von unterschiedlichen Besteuerungssystemen und Abschreibungen auf Maschinen - eines Unternehmens sind. es wird deutlich, wie Corona das Jahr 2020 durcheinanderbrachte; nimmt man aber einen Durchschnitt von Q2 und Q3 2020, so sieht man, dass sich der Abwärtstrend in der Rentabilität fortsetzt.

Liquidität
Volvo schreibt hierzu: "A debt-free industrial balance sheet, ..., enables the Volvo Group to better manage cyclicality in a capital-intensive industry and to secure competitive cost of funds for the Financial Services’ operation." - also, dass das operative Geschäft unter Normalbedingungen keine Verschuldung bedingen sollte (Verbindlichkeiten von Leasing und Pensionen ausgeschlossen). Dies sei speziell angesichts der kapitalintensiven Natur des LKW-Geschäfts von Bedeutung. 
Die erte Grafik zeigt die Volatilität der Eigenfinanzierungsquote (wie oft die Investitionen mit dem operativen Cashflow finanziert werden können). Die Quote sinkt deutlich hin zu 2020. Das Q3 2020 hat eine erhebliche Verbesserung der Quote - v.a. wegen nicht steigender Investitionen.
Zur Finanzsituation des operativen Geschäfts verweist Volvo zudem auf den Return on Capital Employed. Er verweist darauf, wie profitabel das Unternehmen mit dem eingesetzten Kapital umgeht. Auch hier fällt das Jahr 2020 auf.

Zur Liquidität der Volvo Gruppe wird auf die Eigenkapitalrendite verwiesen, also auf die Verzinsung für das Eigenkapital der Eigentümer - selbe Geschichte: auch hier fällt das Jahr 2020 auf.
Der obige Return on Equity ist wohlgemerkt inklusive des Leasinggeschäfts. In der folgenden Grafik wird sichtbar, dass die Durchdringungsrate des Leasinggeschäfts steigt. Hier ist die Frage, ob dies auf eine steigende Notwendigkeit der Kunden für solche Finanzierungsangebote hinweist, oder ob diese dennoch in der Lage wären, einen LKW zu kaufen.


library(dplyr)
library(ggplot2)
library(zoo)
library(reshape2)
library(viridis)
library(quantmod)

data <- read.csv("~/Documents/Blog/20 Volvo Financials/Volvo Key Ratios.csv") %>%
  mutate_if(is.character,as.numeric) %>%
  mutate(period = gsub("/","-",period)) %>%
  mutate(period = paste("Q",period)) %>%
  mutate(period = gsub(" ","",period)) %>%
  mutate(period = as.Date(as.yearqtr(period, format = "Q%q-%Y"),frac=1))
data %>%
  select(scope, period, Absatzmenge, Umsatz, Umsatzwachstum_adj) %>%
  filter(scope=="Volvo Group" | scope == "Industrial Operations") %>%
  melt(., id.vars=c("scope", "period")) %>%
  ggplot(aes(x=period, y=value, group=scope, color=scope)) +
  geom_hline(yintercept = 0, color="grey") +
  geom_point() +
  geom_line() +
  scale_colour_manual(values=c("#249DA6","#4EE7F2"), breaks=c("Volvo Group","Industrial Operations")) +
  facet_grid(vars(variable), scales="free") +
  theme_minimal() +
  labs(x = NULL, y = NULL,
       title = paste("Umsatz Volvo Trucks"),
       caption = "Plot 1")

## Plot 2 - Profitiabilität
data %>%
  select(scope, period, Umsatz, Bruttoeinkommen, Bruttomarge) %>%
  filter(scope=="Volvo Group" | scope == "Industrial Operations") %>%
  melt(., id.vars=c("scope", "period")) %>%
  ggplot(aes(x=period, y=value, group=scope, color=scope)) +
  geom_point() +
  geom_line(size=1) +
  geom_hline(yintercept = 0, color="grey") +
  scale_colour_manual(values=c("#249DA6","#4EE7F2"), breaks=c("Volvo Group","Industrial Operations")) +
  facet_grid(vars(variable), scales="free") +
  theme_minimal() +
  labs(x = NULL, y = NULL,
       title = paste("Profitabilität Volvo Trucks"),
       caption = "Plot 2")
data %>%
  select(scope, period, Umsatz, EBITDA, EBITDA.Marge) %>%
  filter(scope=="Industrial Operations") %>%
  melt(., id.vars=c("scope", "period")) %>%
  ggplot(aes(x=period, y=value, group=scope, color=scope)) +
  geom_point() +
  geom_line(size=1) +
  geom_hline(yintercept = 0, color="grey") +
  scale_colour_manual(values=c("#249DA6","#4EE7F2"), breaks=c("Volvo Group","Industrial Operations")) +
  facet_grid(vars(variable), scales="free") +
  theme_minimal() +
  labs(x = NULL, y = NULL,
       title = paste("Profitabilität Volvo Trucks"),
       caption = "Plot 3")

# Plot 3 - Liquidität
data %>%
  select(scope, period, Cashflow_lauf._Geschäft, Investitionen, Eigenfinanzierungsquote) %>%
  filter(scope=="Volvo Group" | scope == "Industrial Operations") %>%
  melt(., id.vars=c("scope", "period")) %>%
  ggplot(aes(x=period, y=value, group=scope, color=scope)) +
  geom_point() +
  geom_line(size=1) +
  geom_hline(yintercept = 0, color="grey") +
  scale_colour_manual(values=c("#249DA6","#4EE7F2"), breaks=c("Volvo Group","Industrial Operations")) +
  facet_grid(vars(variable), scales="free") +
  theme_minimal() +
  labs(x = NULL, y = NULL,
       title = paste("Liquidität Volvo Trucks"),
       caption = "Plot 4")
data %>%
  select(scope, period, Betriebsergebnis_12m, Betriebskapital, ReturnOnCapitalEmployed) %>%
  filter(scope =="Industrial Operations") %>%
  melt(., id.vars=c("scope", "period")) %>%
  ggplot(aes(x=period, y=value, group=scope, color=scope)) +
  geom_point() +
  geom_line(size=1) +
  geom_hline(yintercept = 0, color="grey") +
  scale_colour_manual(values=c("#249DA6","#4EE7F2"), breaks=c("Volvo Group","Industrial Operations")) +
  facet_grid(vars(variable), scales="free") +
  theme_minimal() +
  labs(x = NULL, y = NULL,
       title = paste("Liquidität Volvo Trucks"),
       caption = "Plot 5")
data %>%
  select(scope, period, JÜ_12mrolling, Eigenkapital_Quartalsgewichtung, Eigenkapitalrendite) %>%
  filter(scope =="Volvo Group") %>%
  melt(., id.vars=c("scope", "period")) %>%
  ggplot(aes(x=period, y=value, group=scope, color=scope)) +
  geom_point() +
  geom_line(size=1) +
  geom_hline(yintercept = 0, color="grey") +
  scale_colour_manual(values=c("#249DA6","#4EE7F2"), breaks=c("Volvo Group","Industrial Operations")) +
  facet_grid(vars(variable), scales="free") +
  theme_minimal() +
  labs(x = NULL, y = NULL,
       title = paste("Liquidität Volvo Trucks"),
       caption = "Plot 6")

# Leasinggeschäft Volvo Trucks
data %>%
  select(scope, period, Absatz_Finanzangebot, Absatz_finanziert, Durchdringungsrate) %>%
  filter(scope=="Financial Services") %>%
  melt(., id.vars=c("scope", "period")) %>%
  ggplot(aes(x=period, y=value, group=scope, color=scope)) +
  geom_point() +
  geom_line(size=1) +
  geom_hline(yintercept = 0, color="grey") +
  scale_colour_manual(values=c("#249DA6","#4EE7F2", "#1AD9AC"), breaks=c("Volvo Group","Industrial Operations", "Financial Services")) +
  facet_grid(vars(variable), scales="free") +
  theme_minimal() +
  labs(x = NULL, y = NULL,
       title = paste("Leasinggeschäft Volvo Trucks"),
       caption = "Plot 7")
Foto von Pixabay von Pexels
Labels:

Beliebte Posts aus diesem Blog

Was ist fremd?

brandy74 "Malstunde" Some rights reserved. www.piqs.de Der Begriff Fremdheit wird benutzt zur Charakterisierung einer Beziehung. Immer muss etwas bekannt sein um es auch als fremd zu bezeichnen; andernfalls kann es nicht beschrieben werden. Wissenschaftlich wird die Fremdheit oft auch als die Gleichzeitigkeit von Nähe und Entferntheit, von Verbundenheit und Getrenntheit charakterisiert. Wer demnach etwas als fremd bezeichnet, unterscheidet die Welt an dieser Stelle in ein Innen und ein Außen. Das Fremde sei jenseits einer einer imaginären Grenze. Diese Grenzen können unterschiedlich lokalisiert werden. Bei der kulturellen Fremdheit werden andere kulturelle Verhaltensweisen und Ansichten identifiziert und als fremd bezeichnet. Bei der sozialen Fremdheit ist der Fremde hingegen Teil der eigenen Gesellschaft, der eigenen Gemeinschaft. Durch die Zuschreibung der sozialen Fremdheit wird er aus dem eigenen Bereich, also dem eigenen sozialen Milieu, exkludiert. Drückt sich
Read more »

Sentiment-Analyse von deutschen Texten in R

Eine Sentiment-Analyse funktioniert im Grunde wiefolgt: die einzelnen Wörter werden eines Textes werden mit bestimmten Bibliotheken abgeglichen und eine Einteilung in "positiv/negativ" oder ein hinterlegter Sentiment-Wert abgegriffen. Die Summe dieser Werte ergibt schließlich den Sentiment-Score des ganzen Texts. Für englische Texte sind in R bereits Bibliotheken hinterlegt (z.B. im Package tidytext ). Für deutsche Texte habe ich auf meiner Recherche die Bibliothek  SentiWS  der Universität Leipzig gefunden. Die rund 16.000 positiven und 18.000 negativen Wörter sind mit einer Wertspanne von -1 zu 1 hinterlegt. Das Problem ist, dass diese in zwei Textdateien kommen, deren Format erst aufbereitet werden muss. So sieht die Bibliothek beim Einlesen aus: Mit folgendem Code habe ich mir die Bibliothek operationalisiert: library(dplyr) # SentiWS - Dateien hier runterladen: https://wortschatz.uni-leipzig.de/en/download # a) negative Wörter # die Textdatei einlesen negat
Read more »

Migration und Bevölkerungsentwicklung: Solidarität und Selbsthilfe

Aus: Neue Potenziale - zur Lage der Nation in Deutschland , Juni 2014,  Berlin-Institut für Bevölkerung und Entwicklung Vor ein paar Wochen war ich auf einem sehr spannenden Vortrag am ifo-Institut in München von Herrn Dr. Klingholz, Direktor des Berlin Instituts für Bevölkerung und Entwicklung. Der Vortrag widmete sich einerseits der Zusammensetzung und dem Bildungs- wie Integrationsgrad deutscher Migranten und andererseits der zukünftigen Bevölkerungsentwicklung in Teilen der Welt und deren Auswirkungen auf die Migration in Europa, bzw. Deutschland. Polarisierend Unterteilt man die Migranten(1) nach Gruppen hinsichtlich ihrer Herkunftsländer, so zeigt sich oft eine starke Polarisierung des Bildungsgrades. Beispiel Rumänien und Polen. Zwar ist der Anteil der Migranten aus Rumänien und Polen ohne Bildungsabschluss wesentlich höher als der Anteil der Einheimischen. Umgekehrt ist der Anteil an Akademikern bei Migranten aus Rumänien und Polen höher als bei Einheimischen. Auch
Read more »

die Hot-Dog-Ökonomie

Diego Torres Silvestre " Ice Creams, Hot Dogs & Pretzels" Some rights reserved. www.piqs.de Man stelle sich eine Wirtschaft vor, in der nur zwei Güter hergestellt würden: Würstchen und Brötchen. Konsumenten würden Hotdogs kaufen; also jeweils ein Brötchen mit einer Wurst. Die Fertigung geschieht durch Menschenhand. So fing Paul Krugman 1997 einen Artikel für das Online-Magazine Slate an, in welchem er den Zusammenhang von Technologie, Jobs und Kapitalismus erklären will. Er fährt fort, dass in dieser Wirtschaft 120 Millionen Arbeiter beschäftigt sind, was einer Vollbeschäftigung entspreche. Zur Herstellung einer Wurst oder eines Brötchens benötige es zwei Arbeitstage. Die 60 Millionen Angestellten in der Brötchenproduktion und genauso viele in der Wurstfabrikationen produzieren demnach täglich 30 Millionen Brötchen und Würste. Angenommen es komme eine verbesserte Technologie auf, mit deren Hilfe ein Arbeiter zur Herstellung einer Wurst nur noch einen Tag
Read more »

die schöne Welt von Red Bull

Till Krech "wroooom" Some rights reserved. www.piqs.de Red Bull – vom Marktführer für Energiegetränke zum kommenden Medienimperium? Das Magazin Fast Company vergab in der Liste „The World´s 50 Most Innovative Companies“ den 29. Platz an Red Bull für genau diese Entwicklung. Gebündelt unter dem Dach der Red Bull Media House GmbH besitzt der Konzern mittlerweile verschiedene Medienbeteiligungen und Neugründungen. Kritiker bezeichnen es als eine gewaltige Marketingmaschine. Rund ein Drittel des Umsatzes wird für die Pflege des Marktauftritts ausgegeben. Eine firmeninterne Nachrichtenagentur sammelt Inhalte zu einen der vielen weltweiten aufsehenerregenden Red-Bull-Ereignisse, um sie externen Medien gebündelt und aufbereitet zur Verfügung zu stellen. Über eigene Medien werden die Konsumenten sogar direkt erreicht. Das 2007 gegründete Hochglanzmagazin "Red Bulletin" hat bereits eine Auflage von 5 Millionen Heften erreicht und wird mehrspraching in zwö
Read more »

Verspargelung der Landschaft

FZ 18: "Mount Idarkopf" www.piqs.de Some Rights reserved. Vielleicht ist es, weil ich erst 22 Jahre alt bin. Vielleicht weil es bei meiner Heimatstadt schon seit mehr als zehn Jahren ein Windrad gibt. Aber das Argument einer Verspargelung der Landschaft durch Windräder zählt für mich nicht. Ich komme aus Baden-Württemberg. Insofern verfolgt mich das Argument der Verspargelung der Landschaft durch den ehemaligen baden-württembergischen Ministerpräsidenten Erwin Teufel fast genauso lange wie das Windrad vor meiner Haustür. Das Argument wird immer wieder von jenen hervorgebracht, welche gegen die Aufstellung von Windrädern sind. Die einen fürchten um die Landschaft, andere finden sie einfach nicht schön und noch andere bringen es nur als Vorwand. Besonders die Nähe zur Atomwirtschaft fällt einem bei der hießigen CDU auf. In Baden-Württemberg ist der Fall bei den Windrädern vielleicht ein bisschen spezieller. Wenn man hier die Windenergie effizient nutzen will, so
Read more »