In den letzten Jahren ist das Interesse an neuen betriebswirtschaftlichen Problemlösungsverfahren enorm gestiegen. Herkömmliche Verfahren aus dem Operations Research und der Statistik bieten angesichts hochkomplexer Probleme oft nur unbefriedigende Ergebnisse. Verfahren aus dem Forschungsgebiet der Künstlichen Intelligenz dringen zunehmend in betriebswirtschaftliche Problemstellungen vor. Künstliche Neuronale Netze (KNN) stellen "intelligente" Problemlösungsverfahren dar, die sich besonders für nicht-konservative Aufgabenstellungen eignen, bei denen kein exaktes Modell der Ursache-Wirkungszusammenhänge vorliegt. Die Verfahren zeichnen sich durch eine breite Anwendbarkeit in betrieblichen Aufgabengebieten aus.
Die vorliegende Arbeit beschäftigt sich mit dem Einsatz von KNN in der Bilanzanalyse. Zunächst werden der Aufbau und die Funktionsweise von Neuronalen und Künstlichen Neuronalen Netzen erläutert. Folglich wird auf die Bilanzanalyse mit traditionellen und KNN-basierten Methoden eingegangen.
Inhaltsverzeichnis
1. Einleitung
2. Neuronale Netze
2.1 Das biologische Vorbild
2.2 Künstliche neuronale Netze (KNN)
2.3 Aufbau und Funktionsweise von KNN
2.4 Topologie
2.5 Lernvorgang in KNN
2.6 Beispiel zum Lernprozess des KNN
2.7 Probleme lernender KNN
3. Bilanzanalyse
3.1 Bilanz und Bilanzanalyse
3.2 Objektivierungs-, Neutralisierungs- und Ganzheitlichkeitsprinzipien
3.3 Vorgehensweise bei der Bilanzanalyse
3.4 Kritik
3.5 Traditionelle Verfahren
3.5.1 Lineare multivariate und univariate Diskriminanzanalysen
3.5.2 Diskriminanzfunktion
3.5.3 Fehler bei der Anwendung der Diskriminanzfunktion
3.5.4 Optimierung
4. Moderne KNN-basierte Verfahren
4.1 Künstliche Neuronale Netze in der Bilanzanalyse
4.2 Vorteile der KNN gegenüber einer linearen Diskriminanzanalyse
4.3 Betriebswirtschaftliche Einsatzgebiete der KNN
4.4 Bilanzanalyse im Sinne der Frühwarnung durch KNN
4.5 Beispiel für ein funktionierendes KNN
4.5.1 Das System zur Bilanzbonitätsbeurteilung BP-14
4.5.2 Entwicklung
4.5.3 Kennzahlen des BP-14
4.5.4 Anwendung: Interpretation der mit dem BP-14 erzielten Klassifikationsergebnisse
5. Ergebnis und weiterführende Gedanken
5.1 Ergebnis
5.2 Bewertung von Verfahren
5.3 Thesenförmige Zusammenfassung
Zielsetzung und thematische Schwerpunkte
Die vorliegende Arbeit untersucht den Einsatz von Künstlichen Neuronalen Netzen (KNN) als innovatives Instrument der betriebswirtschaftlichen Bilanzanalyse zur Insolvenzfrüherkennung. Ziel ist es, die Funktionsweise von KNN darzustellen und ihre Leistungsfähigkeit im Vergleich zu traditionellen statistischen Verfahren, wie der Diskriminanzanalyse, zu bewerten.
- Grundlagen und biologische Vorbilder künstlicher neuronaler Netze
- Traditionelle Methoden der Bilanzanalyse und deren methodische Schwachstellen
- Technischer Aufbau und Lernprozesse (Backpropagation) bei KNN
- Praktische Anwendung anhand des Bilanzbonitätssystems BP-14
- Vergleichende Analyse der Prinzipien zur Gesamturteilsbildung
Auszug aus dem Buch
2.1 Das biologische Vorbild
Biologische neuronale Netze, wie die Gehirne von höherentwickelten Wesen, bestehen aus einzelnen Zellen, den Neuronen. Das menschliche Gehirn enthält ca. 10^10 Neuronen. Ein Neuron besteht aus dem Soma (Zellkörper), dem Axon (Nervenfaser) und den Dendriten (Eingänge des Neurons). Über die Dendriten kann ein Neuron mit bis zu 200 000 anderen Neuronen verbunden werden. Alle Neuronen arbeiten nach einem Prinzip: Im Ruhezustand besitzt ein Neuron ein elektrisches Ruhepotential (ca. –70mV), d.h. es ist seiner Umgebung gegenüber negativ geladen. Wenn es durch chemische und/oder elektrische Reize über seine Dendriten von anderen Neuronen angeregt wird, depolarisiert sich seine Zellmembran. Ist diese Depolarisation stark genug, d.h. überschreitet die Reizung einen Schwellenwert, schlägt die Ladung im Zellkörper des Neurons schlagartig um. Das Neuron ist für kurze Zeit positiv geladen – es entsteht ein elektrisches Aktionspotential. Dieses Aktionspotential pflanzt sich über das noch negativ geladene Axon fort und reizt seinerseits andere Neuronen. Ist das Axon direkt mit den Dendriten eines anderen Neurons verbunden, geschieht dies auf elektrischem Wege und ansonsten – dies ist der Regelfall – über die Synapsen.
Zusammenfassung der Kapitel
1. Einleitung: Die Einleitung beleuchtet das wachsende Interesse an intelligenten Problemlösungsverfahren in der Betriebswirtschaft und führt in die Thematik der Bilanzanalyse mittels neuronaler Netze ein.
2. Neuronale Netze: Dieses Kapitel erläutert die biologischen Grundlagen, den Aufbau, die Topologie und die Lernprozesse künstlicher neuronaler Netze sowie deren spezifische Probleme.
3. Bilanzanalyse: Es werden die Prinzipien, der Ablauf und die Kritik an traditionellen Verfahren der Bilanzanalyse, insbesondere der Diskriminanzanalyse, detailliert dargestellt.
4. Moderne KNN-basierte Verfahren: Hier steht der praktische Einsatz von KNN in der Bilanzanalyse, inklusive der Vorteile gegenüber linearen Methoden und einer Fallstudie zum System BP-14, im Mittelpunkt.
5. Ergebnis und weiterführende Gedanken: Das Abschlusskapitel bewertet die Verfahren hinsichtlich der Einhaltung wissenschaftlicher Prinzipien und fasst die zentralen Erkenntnisse thesenförmig zusammen.
Schlüsselwörter
Bilanzanalyse, Neuronale Netze, KNN, Insolvenzprognose, Künstliche Intelligenz, Diskriminanzanalyse, Backpropagation, Frühwarnsystem, Bilanzbonität, BP-14, Klassifikation, Betriebswirtschaft, Finanzanalyse, Investitionsentscheidung, Lernprozess.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht, wie Künstliche Neuronale Netze (KNN) genutzt werden können, um Jahresabschlüsse von Unternehmen zu analysieren und frühzeitig Anzeichen für eine mögliche Insolvenz zu erkennen.
Was sind die zentralen Themenfelder?
Die zentralen Felder sind die Funktionsweise von KNN (aufbauend auf biologischen Vorbildern), die Methoden der traditionellen Bilanzkennzahlenanalyse und der Vergleich dieser beiden Ansätze.
Was ist das primäre Ziel der Untersuchung?
Das Ziel ist es, aufzuzeigen, dass KNN durch ihre nicht-lineare Verarbeitungsweise in der Lage sind, komplexe wirtschaftliche Zusammenhänge besser abzubilden als klassische, starre Verfahren.
Welche wissenschaftliche Methode wird verwendet?
Es wird eine deskriptive und vergleichende Analyse durchgeführt, die die mathematischen Grundlagen von KNN, insbesondere den Backpropagation-Algorithmus, erläutert und anhand einer Fallstudie (BP-14) illustriert.
Was wird im Hauptteil behandelt?
Der Hauptteil gliedert sich in die theoretische Fundierung neuronaler Netze, die methodische Kritik an der traditionellen Bilanzanalyse (insbesondere Diskriminanzanalysen) und die Implementierung moderner KNN-basierter Ansätze.
Welche Schlüsselwörter charakterisieren die Arbeit?
Zu den prägenden Begriffen zählen Bilanzanalyse, Künstliche Neuronale Netze (KNN), Insolvenzprognose, Diskriminanzanalyse, Backpropagation-Algorithmus und Bilanzbonität.
Was genau ist das BP-14 System?
Das BP-14 ist ein spezifisches neuronales Netz, das 1995 an der Universität Münster entwickelt wurde, um mit Hilfe von 14 Bilanzkennzahlen die Bestandsfähigkeit von Unternehmen zu bewerten.
Was versteht man unter der Black-Box-Eigenschaft von KNN?
Damit ist gemeint, dass KNN zwar präzise Klassifikationsergebnisse liefern, die genaue „Logik“ oder das exakte Verständnis der zugrunde liegenden ökonomischen Problemstruktur jedoch für den Anwender verborgen bleibt.
- Arbeit zitieren
- Alexei Galert (Autor:in), 2002, Frühwarnung durch Bilanzanalyse mittels neuronaler Netze, München, GRIN Verlag, https://www.grin.com/document/9972
