Strukturgleichungsmodell für Dateninterpretationen börsennotierter Private Equity-Gesellschaften


Masterarbeit, 2022

84 Seiten, Note: 1,3


Leseprobe

Inhaltsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

Abkürzungsverzeichnis

1 Einleitung
1.1 Einführung in die Thematik
1.2 Relevanz des Themas und Motivation

2 Problemstellung
2.1 Komplexität der Datenbeschaffung und -aufbereitung
2.2 Zielsetzung der Arbeit
2.3 Aufbau der Arbeit

3 Theoretische Grundlagen von Private Equity-Investments
3.1 Venture Capital
3.2 Leveraged Buyouts
3.3 Angel Investment

4 Forschungsdesign
4.1 Research Onion als methodisches Tool
4.2 Forschungsmethodik

5 Aktueller Forschungsstand der Erfolgsfaktoren
5.1 Keine Erkenntnisse anhand Portfoliounternehmen
5.2 Erfolgsfaktoren der Zielunternehmen
5.2.1 Finanzprofil
5.2.2 Management
5.3 Erfolgsfaktoren der Private Equity-Gesellschaften
5.3.1 Gängige Finanzkennzahlen
5.3.2 Fondsgröße
5.3.3 Erfahrung der General Partner
5.3.4 Unternehmensspezialisierung
5.3.5 Timing

6 Konstruktion eines Strukturgleichungsmodells zur Datenauswertung von Erfolgsfaktoren deutscher börsennotierter Private Equity-Gesellschaften
6.1 Erhebung der Geschäftsdaten aus Bilanzen und Gewinn- und Verlustrechnungen
6.2 Datenaufbereitung
6.2.1 Einführung von Standardpositionen und Reste-Standardpositionen
6.2.2 Clustering der Bilanz- und Gewinn- und Verlustrechnungspositionen
6.2.3 Einführung von Parent-Child-Hierarchien mit Account Keys
6.3 Erstellung eines Strukturgleichungsmodells
6.3.1 Erstellung des Metamodells für Bilanzen
6.3.2 Erstellung des Metamodells für Gewinn- und Verlustrechnungen
6.3.3 Durchführung des Strukturgleichungsmodells

7 Fazit und Ausblick

Literaturverzeichnis

Anhangsverzeichnis

Abbildungsverzeichnis

Abbildung 1: Aufbau der Arbeit

Abbildung 2: Research Onion

Abbildung 3: Struktur des Metamodells für Bilanzen mit Standardpositionen

Abbildung 4: Struktur des Metamodells für Bilanzen mit Reste-Standardpositionen

Abbildung 5: Struktur des Metamodells für GuVs mit Standardpositionen

Abbildung 6: Struktur des Metamodells für GuVs mit Reste-Standardpositionen

Abbildung 7: Möglichkeiten des Strukturgleichungsmodells mit PowerPivot

Tabellenverzeichnis

Tabelle 1: Vorkommende Bezeichnungen für dieselbe Position

Tabelle 2: Kopfzeilen mit Bedeutungen

Tabelle 3: Clustering der Bilanzposition "Grund und Boden"

Tabelle 4: Clustering mit Reste-Standardposition

Tabelle 5: Davon-Positionen am Beispiel der Position "Verbindlichkeiten"

Tabelle 6: Aufteilung von GuV-Positionen in Kontenrahmen

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Einleitung

1.1 Einführung in die Thematik

Das Volumen des internationalen Kapitalverkehrs ist seit dem Jahr 1970 auf mehr als das 100-fache des weltweiten Güterverkehrs angestiegen. Anhand fortschreitender Globalisierung, mit der einhergehenden Vermehrung von transnationalen Handelsströmen und der zunehmenden Entwicklung hin zu einem global vernetzten Investment- und Geschäftsumfeld hat das globale Finanzsystem erheblich an Bedeutung gewonnen (vgl. Buckley & Arner 2012, S. 15). Ein wichtiges Segment des Finanzmarkts stellen heutzutage private Kapitalbeteiligungsgesellschaften dar. Diese werden auch als Private Equity-Gesellschaften (PEGs) bezeichnet (vgl. Aldatmaz & Brown 2020, S. 13-14).

Die vorliegende Masterarbeit fokussiert sich auf die Erstellung eines Strukturgleichungsmodells für faktoranalytische Verfahren der Dateninterpretation von Erfolgsfaktoren von PEGs an Geschäftszahlen ihrer Portfoliounternehmen. Private Equity (PE) ist ein wichtiger Faktor in Bezug auf die Unternehmensfinanzierung um die risikoreiche Anfangsphase von Start-Ups zu überstehen und auch in späteren Entwicklungsstufen genügend finanzielle Mittel zur Verfügung zu haben (vgl. Precup 2017, S. 32). Grundsätzlich zählen dazu Unternehmen, welche noch keinen Börsengang vollzogen haben und typischerweise von institutionellen Investoren wie Regierungen, Banken, Versicherungsgesellschaften, Pensions- und Staatsfonds, private Großinvestoren etc. eingezahlte Investmentfonds verwalten (vgl. Kaplan & Strömberg 2009, S. 123). Weltweit investieren mehr als 8.400 Institutionen und wohlhabende Privatleute in PE (vg. Preqin 2020, S. 10). Bei Fonds größerer PEGs kann es sich um Kredit-, Hedge, Immobilienfonds, Leveraged Buyout Fonds und Fonds für Alternativanlagen (vgl. Fontenay 2019, S. 26) wie ökologische Energien handeln (vgl. Reboredo et al. 2017, S. 512). Sie konzentrieren sich auf rentable Investitionen durch Börsengänge, Handelsverkäufe oder sekundäre Übernahmen (Secondary Buyouts) (vgl. Kaplan & Strömberg 2009, S. 129). Die Definitionen gehen dabei auseinander, sodass Unternehmen als PEGs betitelt werden, welche selbst an der Börse notiert sind und somit öffentliche Finanzmittel erhalten (vgl. Schumacher 2020, S. 393-396).

Durch gesammeltes privates Eigenkapital verschiedener Investoren ist es PEGs möglich, sich in börsennotierte und private Unternehmen einzukaufen. So können auch öffentliche Aktiengesellschaften aufgekauft und privatisiert werden, damit Meinungsverschiedenheiten und Interventionen von Aktionären umgangen und die Unternehmen saniert werden können. Mit organisatorischen Umstrukturierungen werden Unternehmen mit finanziellen Schwierigkeiten von einer Insolvenz bewahrt. Auch Unternehmen welche schon Insolvenz angemeldet haben, können von PEGs übernommen werden (vgl. Toms et al. 2015, S. 5-7; vgl. Aggarwal 2003, S. 51) In der Regel werden die gekauften Unternehmen einige Jahre gehalten, bevor sie gewinnbringend veräußert werden (Exits) (vgl. Schumacher 2020, S. 396). Von den realisierten Erträgen wird zumindest ein Teil an die Investoren zurückgeführt (vgl. Kaplan & Strömberg 2009, S. 123).

In der folgenden Arbeit werden Geschäftszahlen aus Bilanzen und Gewinn und Verlustrechnungen (GuVs) von Portfoliounternehmen von PEGs zur Konstruktion des Strukturgleichungsmodells erhoben. Damit in späteren Forschungsarbeiten analysieren zu können welche PEGs mit ihrem Portfolio am erfolgreichsten sind, soll eine Basis geschaffen werden, um Erfolgsfaktoren identifizieren und auswerten zu können.

PE kann in die zwei wichtigsten Komponenten Venture Capital (VC), welches als Wagnis- oder Risikokapital bezeichnet wird, und Leveraged Buyouts (LBOs) unterschieden werden. Letztere sind als Fremdkapital finanzierte Übernahmen zu verstehen (vgl. Schumacher 2020, S. 395). Bei beiden Varianten wird mittels Investmentfonds überwiegend in nicht-börsennotierte Unternehmen investiert, wobei Branchen, Unternehmensgrößen und andere Faktoren voneinander abweichen (vgl. Precup 2017, S. 32-36). Als weitere Form von PE wird Angel Investment (AI) gesehen, welches von Business Angels (BA) in Start-up-Unternehmen investiert wird. Im weiteren Verlauf der Masterthesis werden die Begrifflichkeiten genauer erläutert (vgl. Block et al. 2019, S. 329).

Die weltweit größte PEG ist das amerikanische und an der Börse notierte Unternehmen Blackstone Group, welches nach eigenen Angaben ein Vermögen von 881 Milliarden US-Dollar verwaltet (Stand Dezember 2021) (vgl. Blackstone 2021). Nach Blackstone stehen die Konzerne Kohlberg Kravis Roberts mit 459 Milliarden US-Dollar (Stand September 2021) (vgl. KKR 2021) und The Carlyle Group mit 301 Milliarden US-Dollar (Stand Februar 2022) (vgl. Carlyle 2022) an zweiter und dritter Stelle. Laut Forbes ist nun auch der weltweit größte Anleihefonds Vanguard Group in den PE-Markt eingestiegen (vgl. Gara 2020).

Aus einer Studie von Madi geht weiterhin hervor, dass die Vereinigten Staaten von Amerika (USA) nach wie vor die Region mit den meisten führenden PE-Fonds ausmachen. Eine Umverteilung der global verwalteten Vermögenswerte von Beteiligungsfirmen in Richtung China und Westeuropa ist dabei zu erkennen (vgl. 2020, S. 71). Zu diesem Ergebnis kommen auch Studien von Brîndușa und Meyer, welche PE als immer wichtigeren Einflussfaktor im europäischen Finanzsystem sehen (vgl. 2016, S. 134; vgl. 2007, S. 61). Nach Harris et al. resultiert diese Bewegung in Europa aus LBO-Transaktionen, welche eine ähnliche Rentabilität wie in den USA aufweisen können. VC-Investitionen fallen nach diesen Erkenntnissen im Durchschnitt weniger profitabel aus (vgl. Harris et al. 2021, S. 20-23). Brinkhuis & De Maeseneire bestätigen dies und weisen auf vergleichbare Faktoren für die Bestimmung der Kapitalstruktur von US-Amerikanischen und europäischen PEGs hin (vgl. Brinkhuis & De Maeseneire 2012, S. 157-160). Es liegt nahe, dass deshalb der Stellenwert von PE in Europa und Deutschland in Zukunft weiter steigen wird.

1.2 Relevanz des Themas und Motivation

Angesichts der beschriebenen Gegebenheiten kann geschlussfolgert werden, dass ein Strukturgleichungsmodell für faktoranalytische Verfahren der Dateninterpretation auf Basis der Portfoliounternehmen von erheblichem Interesse für die Wissenschaft ist. Die Grundlagenforschung des Strukturgleichungsmodells ermöglicht als breite Forschungsbasis eine Identifizierung noch unbekannter Erfolgsfaktoren. Zum aktuellen Stand wurde in der Forschungsliteratur die Thematik noch nicht behandelt. So ist es noch nicht möglich, Erfolgsfaktoren von PEGs einheitlich zu analysieren und zu vergleichen.

Zunehmende Investitionen von PEGs und die wachsende Präsenz von Privatinvestoren in der Finanzindustrie rücken PE immer mehr in den wissenschaftlichen Fokus. Nach Angaben der Unternehmens- und Strategieberatung McKinsey, kamen das Volumen der privaten Investments im Jahr 2018 mit 5,8 Billionen US-Dollar, und das Volumen von Transaktionen mit 1,4 Billionen US-Dollar auf einen Rekordwert. Des Weiteren hat sich die Zahl, der sich im Besitz von PEGs befindenden Unternehmen seit dem Jahr 2006 auf 8.000 verdoppelt, während sich parallel dazu die Zahl börsennotierter Unternehmen um 15,7 % auf 4.300 verringert hat (vgl. McKinsey 2021). Der globale Analyse- und Datenanbieter Private Equity International schätzt im Vergleich dazu, dass PE-Investoren im Jahr 2021 weltweit etwa 750 Milliarden US-Dollar investieren werden. Der Anteil an alternativen Investments insbesondere bei professionellen Anlegern soll dabei an Bedeutung gewinnen (vgl. Mendoza 2021).

Die jüngsten Entwicklungen im PE-Markt in Deutschland deuten nach der Analyse von McKinsey auf einen immer wichtiger werdenden Wirtschaftszweig hin. Dies liegt zum einen am zunehmenden Markt für Secondary Buyouts, und zum anderen an einem autodidaktischen Ansatz deutscher PEGs in der Investmentbranche (vgl. McKinsey 2021). Eine Untersuchung des Prüfungs- und Beratungsunternehmen Ernst & Young bestätigt dies, wonach das Transaktionsvolumen von PE-Investitionen in Deutschland im Jahr 2019 um 69 % auf 30,2 Milliarden Euro im Vergleich zum Vorjahr gestiegen ist.

Trotz sinkender Exits um 25 % auf 88, wird in naher Zukunft von vermehrten Aktivitäten im PE-Bereich ausgegangen (vgl. EY 2019). Auch gemäß des Private Equity Monitors der Hans-Böckler-Stiftung in Zusammenarbeit mit dem Institut für Mitbestimmung und Unternehmensführung, liegen die Erwartungen für eine wichtiger werdende PE-Industrie in Deutschland hoch. Folglich sind im Jahr 2019 die Buyouts um 29 % im Vergleich zum Vorjahr gestiegen. Daneben hat die Zahl der Investoren um ein Drittel zugenommen (vgl. Scheuplein 2019, S. 6).

Überdies ist seit der Weltfinanzkrise im Jahr 2007 deutlich geworden, dass PEGs einen erheblichen Einfluss auf die Weltwirtschaft haben können. Die Analysten von McKinsey erkennen zahlreiche Gemeinsamkeiten zur aktuellen Lage und der damaligen Entwicklung zu Beginn der Krise im Jahr 2007. Durch viele Analogen ist eine weitere globale Finanzkrise nicht auszuschließen. Erhöhte Liquiditätsreserven, steigende Preise und ständig hinzukommende Marktteilnehmer insbesondere in Deutschland weisen darauf hin (vgl. McKinsey 2019). Die Zukunft vieler Arbeitsplätze und Existenzen ist somit unsicher und eine weitreichende Einschätzung des Marktes von PEGs in Deutschland ist komplex. Damit Vorgänge besser versteht werden und Finanzkrisen vermieden werden können, ist es nötig, Erfolgsfaktoren von PEGs zu erforschen. Es ist dadurch möglich, ggf. gesetzliche Regeln oder Einschränkungen zu erlassen.

Ein weiterer Faktor, welcher die Relevanz des Themas verdeutlicht, ist die fortschreitende Altersarmut in Deutschland. Der Spiegel berichtet, dass die Zahl der Rentner unter deutschen Tafelkunden vom Jahr 2018 bis zum Jahr 2019 um 20 % auf 430.000 gestiegen ist (vgl. Spiegel 2019). Das deutsche Rentensystem begünstigt die Altersarmut, weshalb die Thematik um PE vor allem in Deutschland stetig relevanter wird. So benötigen insbesondere ältere Bürger finanzielle Unterstützung. Dies kann nicht nur mit Inflation und diversen politischen Entscheidungen wie die vom Gesetzgeber geregelte Besteuerung der Rente, sondern auch anhand fehlender Kenntnisse in der Investmentbranche zusammenhängen. Ein Strukturgleichungsmodell bildet den Ausgangspunkt für Analysen der Geschäftszahlen der Portfoliounternehmen. Mit ermittelten Erfolgsfaktoren von deutschen PEGs können Anhaltspunkte zu sicheren Investitionen für ältere Menschen und kleinere Privatanleger gegeben werden. So können bspw. Anteile von börsennotierten PEGs oder deren Portfoliounternehmen als Altersvorsorge erworben werden. Mit frühzeitigen Investitionen in börsennotierte PEGs oder deren Portfoliounternehmen kann der fortschreitenden Altersarmut in Deutschland entgegengewirkt werden.

Aus der wissenschaftlichen Signifikanz der Thematik von PE für die Finanzierung von Unternehmen, resultiert daher die Motivation zur Verfassung dieser Arbeit.

2 Problemstellung

2.1 Komplexität der Datenbeschaffung und -aufbereitung

Wie im vorherigen Kapitel 1.2 thematisiert, ist PE ein immer wichtiger werdendes Segment der Finanzwelt. Um den geschilderten Umständen entgegenzuwirken, ist ein Strukturgleichungsmodell mit Geschäftsdaten der Portfoliounternehmen eine mögliche Lösung. Bei dessen Erstellung können mehrere Probleme entstehen, welche in dieser Masterarbeit behoben werden sollen:

Das Hauptproblem liegt in der Unvergleichbarkeit der Geschäftsdaten der einzelnen Portfoliounternehmen. Die Heterogenität der Daten, macht eine Analyse der Erfolgsfaktoren nicht möglich. Die Daten müssen bereinigt und homogenisiert werden, sodass eine Gegenüberstellung der Daten gewährleistet werden kann.

Aufgrund Firmen- und Sitzänderungen etc. können Daten der untersuchten Unternehmen verloren gehen oder Geschäftsberichte mit relevanten Kennzahlen nicht gefunden werden. Geschäftsberichte vieler Portfoliounternehmen sind unvollständig oder nicht bzw. für nur wenige Jahre vorhanden. Zudem sind die Daten in den Geschäftsberichten oft intransparent. Die fehlenden Daten können die Erstellung des Strukturgleichungsmodells negativ beeinträchtigen. Zusätzlich sind Positionsbezeichnungen in Bilanzen, GuVs etc. von den Unternehmen verschieden betitelt und einzelne Positionen sind innerhalb der üblichen Bilanz- und GuV-Struktur schwer vergleichbar. Die Bilanzposition „Entgeltlich erworbene Konzessionen, gewerbliche Schutzrechte und ähnliche Rechte und Werte sowie Lizenzen an solchen Rechten und Werten“ weißt bspw. 39 unterschiedliche Bezeichnungen in den Daten der Portfoliounternehmen auf. Auch bei den restlichen Bilanzpositionen werden vielerlei Bezeichnungen für gleiche Positionen benutzt.

Die folgende Tabelle zeigt den Umfang an alternativen Bezeichnungen der Bilanz- und GuV-Positionen in den Geschäftsberichten am genannten Beispiel der Bilanzposition „Entgeltlich erworbene Konzessionen, gewerbliche Schutzrechte und ähnliche Rechte und Werte sowie Lizenzen an solchen Rechten und Werten“. Es werden nur 17 der insgesamt 39 Positionsbezeichnungen dargestellt:

Tabelle 1: Vorkommende Bezeichnungen für dieselbe Position

Quelle: Eigene Darstellung

Abbildung in dieser Leseprobe nicht enthalten

Ferner haben viele Unternehmen, welche sich im Portfolio von PEGs befinden, ihren steuerlichen Sitz im Ausland. So können verschiedene Bilanzierungsmethoden wie bspw. nach dem Handelsgesetzbuch (HGB), den International Financial Reporting Standards (IFRS) oder den amerikanischen Generally Accepted Accounting Principles (US GAAP) angewandt werden. Dies erschwert ebenfalls eine Vergleichbarkeit der Datensätze.

Außerdem sind Werte in den Bilanzen und GuVs bei vielen Geschäftsberichten nicht untereinander strukturiert geordnet. Die Daten werden mittels PowerQuery aus den Geschäftsberichten erhoben. Das Datentransformationsmodul erkennt nicht immer, welche der Daten relevant sind. So können Werte vertauscht oder irrelevante Werte erhoben werden. Dies kann zu ungleichen Bilanzseiten führen oder die GuVs verfälschen.

Ein weiterer Punkt ist die Problematik einer richtigen Zuordnung (Clustering) der einzelnen und unterschiedlich benannten Positionen, nachdem die Daten erhoben und verarbeitet wurden. Generell besteht eine hohe Komplexität der Datengenerierung und -aufbereitung und ohne weitere Maßnahmen ist es nicht möglich Geschäftszahlen einheitlich zu analysieren.

Um diese Forschungslücke zu füllen und ein Strukturgleichungsmodell erstellen zu können, leitet sich die erste Forschungsfrage ab:

- Wie kann ein Metamodell erstellt werden, durch das Erfolgsfaktoren für PEGs mit Kennzahlenanalysen der Portfoliounternehmen gemessen werden können?

Um die erste Forschungsfrage beantworten zu können, ergeben sich nachstehende untergeordnete Forschungsfragen:

- Welche Maßnahmen sind notwendig um aus heterogenen Geschäftsdaten einen homogenen Datensatz von Portfoliounternehmen von PEGs zu erstellen?

- Welche Faktoren beeinflussen eine Vergleichbarkeit des Datensatzes?

Für den theoretischen und qualitativen Teil der Arbeit leitet sich die zweite Forschungsfrage ab:

- Wie lässt sich die aktuelle wissenschaftliche Forschungslage zu den Erfolgsfaktoren von PEGs und ihren Zielunternehmen darstellen?

2.2 Zielsetzung der Arbeit

Zunächst soll ein Grundlagenverständnis von PE vermittelt werden. Es soll eine strukturierte Transparenz mit wissenschaftlichen Studien über Erfolgsfaktoren von PEGs und deren Zielunternehmen geschaffen werden.

Das primäre Ziel der Masterarbeit ist die Konstruktion eines Metamodells für die Strukturierung der Geschäftsdaten der Portfoliounternehmen von deutschen börsennotierten PEGs. Um dieses Ziel zu erreichen, muss zunächst eine Homogenität der Geschäftsdaten erschaffen werden. So wird auf eine einheitliche und identische Möglichkeit der Datenbeschaffung gezielt, damit heterogene Datensätze der Geschäftsberichte in homogene Datensätze transformiert werden können. Es sollen neue Erkenntnisse im Hinblick auf die notwendigen Verfahren der Datenbeschaffung und -aufbereitung gewonnen werden, sodass ein einheitliches Strukturgleichungsmodell etabliert werden kann.

Die Forschungsarbeit hat auch das Ziel, die Vergleichbarkeit von Datensätzen zu ermöglichen, auf dessen Fundament in nachgehenden und darauf aufbauenden wissenschaftlichen Studien die Erfolgsfaktoren gemessen und analysiert werden können. Die Erstellung des Strukturgleichungsmodells zielt somit darauf ab, eine Orientierungshilfe bereitzustellen. Handlungsempfehlungen für Investoren, Banken, Versicherungsgesellschaften, Staatsfonds, Stiftungen usw. sollen ermittelt werden können.

2.3 Aufbau der Arbeit

Die Masterarbeit gliedert sich in sieben Kapitel, wie in Abbildung 1 visualisiert. Zu Beginn wird in Kapitel 1 in die Thematik eingeführt und die theoretischen Grundlagen von PE-Investments veranschaulicht. Des Weiteren wird die Wichtigkeit des Themas und die Motivation zur Verfassung der Thesis dargelegt. Kapitel 2 behandelt die Problemstellung, welche als Hauptpunkt die Komplexität der Datenbeschaffung und -aufbereitung beinhaltet. Innerhalb der Problemstellung werden auch die Forschungsfragen definiert, sowie die Zielsetzung und der Aufbau der Arbeit wiedergegeben. In Kapitel 3 werden die theoretischen Grundlagen von Private Equity-Investments VC, LBOs und AI formuliert. Weiterführend wird in Kapitel 4 das Forschungsdesign erläutert, wobei die „Research Onion“ als systematische Basis der Forschungsmethodik dient. Der Kern dieser Arbeit bilden die Kapitel 5 und 6, welche sich aus dem aktuellen Forschungsstand der Erfolgsfaktoren (Kapitel 5) und der Konstruktion eines Strukturgleichungsmodells (Kapitel 6) zusammensetzen. Beide Kapitel widmen sich der Beantwortung der Forschungsfragen. Kapitel 5 umfasst den theoretischen Rahmen, wobei hauptsächlich Literatur aus wissenschaftlichen Journals als Quelle benutzt wird. Dazu werden Erkenntnisse anhand der Portfoliounternehmen ermittelt, damit im Anschluss die Erfolgsfaktoren der Zielunternehmen und der PEGs konkretisiert werden können. Darauf folgt in Kapitel 6 die Erhebung der Geschäftsdaten aus den Bilanzen und GuVs der Portfoliounternehmen und somit die quantitative Forschung. Die Daten werden daraufhin aufbereitet und ein Konzept zum Clustering der heterogenen Daten entwickelt um die Erstellung des Strukturgleichungsmodells zu ermöglichen. Die Arbeit vereint somit Elemente der qualitativen und der quantitativen Forschung. Die Masterthesis endet in Kapitel 7 mit einem Fazit und einem Ausblick auf die zukünftige Entwicklung und den weiteren Forschungsbedarf, aufbauend auf der Grundlagenforschung dieser Arbeit.

Abbildung 1: Aufbau der Arbeit

Quelle: Eigene Darstellung

3 Theoretische Grundlagen von Private Equity-Investments

3.1 Venture Capital

Wie in Kapitel 1.1 erwähnt, kann bei PE in die drei wichtigsten Komponenten VC, LBOs und AI differenziert werden. Aus Gründen einer besseren Verständlichkeit der Thematik werden deshalb die theoretischen Grundlagen von PE-Investitionen im nachfolgenden Teil der Arbeit ausführlicher beleuchtet.

Bayar et al. legen dar, dass die Investitionen bei VC zumeist Minderheitsbeteiligungen sind, welche in innovationsorientierte Wachstumsunternehmen aus der Technologiebranche einfließen (vgl. Bayar et al. 2021, S. 32). Zu den wichtigsten Sparten gehören die Informationstechnologie (IT), Elektronik, Biotechnik und alternative Energien (vgl. Precup 2017, S. 34). Traditionell wird überwiegend Eigenkapital eingesetzt, indessen Lerner & Nanda festgestellt haben, dass gegenwärtig ein Wandel zu steigenden Fremdkapitalinvestitionen zu beobachten ist (vgl. 2020, S. 3-6). Diese Geldmittel werden den Unternehmen wiederum als Eigenkapital bereit gestellt. Das Investitionsrisiko wird bei VC als hoch eingeschätzt, da es sich laut Bubna et al. meist um junge kleine und mittlere Unternehmen handelt, welche die Funktionalität ihrer Geschäftsmodelle noch nicht unter Beweis gestellt haben. Andererseits kann trotz der schwachen Sicherheiten von Start-Up-Unternehmen, bei gelungener Entwicklung eine hohe Rendite erwartet werden (vgl. 2020, S. 621). Die Studie von Precup belegt, dass zumeist nicht mehr als zwei Millionen Euro der VC-Fonds investiert wird, wenngleich auch weit höhere Beträge in Abhängigkeit der Größe des Fonds transferiert werden. Die Haltedauer der Beteiligungen liegt bei bis zu zehn Jahren, weshalb VC als Langzeitanlage gesehen wird (vgl. 2017, S. 34-35). Gornall & Strebulaev nennen dagegen eine Haltedauer zwischen drei und acht Jahren als gewöhnlichen Investitionszeitraum (vgl. 2020, S. 2). Investitionen hängen oft mit einer hohen Einflussnahme der PEG auf das operative Geschäft des Unternehmens zusammen. Durch Hilfestellung mit Kennzahlenanalysen und Beratung wird versucht, das Unternehmen zu stabilisieren und aus dem Firmenportfolio Wert zu schöpfen (vgl. Precup 2017, S. 35).

3.2 Leveraged Buyouts

Die Studie von Block et al. ist zu dem Ergebnis gekommen, dass bei LBO-Transaktionen europäischer Unternehmen, ähnlich wie bei VC, hauptsächlich in Portfoliounternehmen der Bereiche Software und Dienstleistungen oder IT-Systeme investiert wird. Konsumgüter, Biotechnologie, Finanzdienstleistungen und das Gesundheitswesen stehen ebenfalls im Fokus (vgl. 2019, S. 10), wie auch Sektoren der Telekommunikation und des Transportwesens (vgl. Precup 2017, S. 34). Ayash & Egan belegen, dass dies auch in den USA zutrifft (vgl. 2021, S. 2).

Bei LBOs werden im Gegensatz zu VC-Investitionen meist bereits am Markt etablierte Unternehmen vollständig erworben oder zumindest der Großteil der Anteile aufgekauft. Die betroffenen Firmen können unterbewertet sein oder befinden sich in finanziellen Notlagen. Mit Mehrheitsbeteiligungen ist es möglich, die Zielunternehmen effektiver zu kontrollieren. Nach Precup wird deshalb vermieden in börsennotierte Unternehmen zu investieren, sodass langfristig gewirtschaftet werden kann und Interessen anderer Anteilseigner nicht berücksichtigt werden müssen (vgl. 2017, S. 35). Die Beteiligungen bei LBOs halten nach einer Studie von Kaplan & Strömberg durchschnittlich für fünf bis sechs Jahre an. Doch auch kürzere Zeiträume und Investitionen von bis zu zehn Jahren sind üblich (vgl. Kaplan & Strömberg 2009, S. 129). Eisenthal-Berkovitz et al. bekräftigen dies und geben einen typischen Zeitrahmen von zehn Jahren an (vgl. 2020, S. 23). Als Finanzierungsart für LBOs spielt für PEGs das Mezzanine Kapital eine übergeordnete Rolle, welches sich als Mischform aus Eigen- sowie Fremdkapital charakterisiert. Colla et al. legen dar, dass dieses in die zwei Hauptkategorien Senior Dept (vorrangiges Fremdkapital), und Junior Dept (nachrangiges Fremdkapital), aufgeteilt werden kann. Dadurch kann der Einsatz von Eigenkapital gering gehalten werden (vgl. 2012, S. 124-126). So werden Brinkhuis & De Maeseneire zufolge LBOs überwiegend durch Fremdkapital finanziert, um einen Hebel-Effekt zu erzeugen. Dieser entsteht an dem geringeren Anteil an Eigenkapital und der damit verbundenen hohen Eigenkapitalrentabilität. Wenn die Fremdkapitalzinsen niedriger sind als die Gesamtrentabilität, können die Investitionen profitabel ausfallen (vgl. 2012, S. 175).

Die nach Precup typische Kapitalstruktur von LBOs setzt sich aus einer Eigenkapitalquote von 40 % und einer Fremdkapitalquote von 60 % zusammen (vgl. 2017, S. 36). Engel et al. sehen dagegen einen Fremdkapitalanteil zwischen 60 % und 90 % als gewöhnlich an (vgl. 2012, S. 451). Die Strukturen können variieren und werden bei einem Verhältnis ab 70 % Fremdkapital (30 % Eigenkapitalanteil) als riskanter geschätzt, obwohl LBO-Transaktionen generell sicherer als VC-Investitionen gelten (vgl. Precup 2017, S. 36). Dies resultiert nach Brinkhuis & De Maeseneire mitunter an der Bereitstellung von Tax-Shields (Steuerschilden), da Fremdkapitalschulden die Steuerlast verringern können. Infolge der eingeschränkten Flexibilität und den Kosten eines möglichen Insolvenzverfahrens (vgl. 2012, S. 161), werden dagegen bei einem Übernahmeverhältnis bis 30 % Fremdkapitalanteil, die Investitionen als sicherer eingestuft (vgl. Precup 2017, S. 36).

3.3 Angel Investment

Neben VC und LBOs kann AI zu den verbreiteten Investitionsmöglichkeiten bei PE-Transaktionen gezählt werden. Block et al. bezeichnen BA um wohlhabende Einzelpersonen mit hohen Erfahrungswerten in der Geschäftswelt, da sie selbst als Unternehmer tätig sind oder zuvor Unternehmen gegründet haben. Kennzeichnend investieren sie in Unternehmen, welche sich noch in der Entstehungsphase befinden, während die Höhe der Investitionen im Vergleich zu VC und LBOs geringer ausfallen (vgl. 2019, S. 5). Dies wird von Scheela & Isidro bestätigt, welche die Investitionen von BA zwar als riskanter einstufen, diese jedoch mit potenziell höheren Auszahlungen verbunden sehen (vgl. 2008, S. 90). So hat sich mit AI trotz hohem Grad an Unsicherheiten in den letzten Jahren eine wichtige Kapitalbeschaffungsquelle für junge Unternehmen entwickelt (vgl. Block et al. 2019, S. 5).

4 Forschungsdesign

4.1 Research Onion als methodisches Tool

Das Forschungsdesign der vorliegenden Masterarbeit basiert auf Grundlage der von Saunders et al. erstellten Research Onion. Sie stellt die einzelnen Teilaspekte der Untersuchungsmethodik beginnend von der äußersten bis hin zur innersten Schale dar (vgl. 2019). Der Methodenansatz unterliegt einer iterativen Forschungstechnik, die auf mehreren Ebenen untergliedert ist und der Prozessgestaltung dient (ebd., S. 128).

Innerhalb der ersten Ebene (die äußerste Schale der Zwiebel) findet die Interpretation der Forschungsphilosophie statt. Es wird die Wissensentwicklung auf der Interpretation der realen Sachverhalte (Ontologie), der aktuellen Erkenntnistheorie (Epistemologie), und Möglichkeiten der Einflussnahme auf die bestehende Arbeit (Axiologie) identifiziert (ebd., S. 130-132). Die Vorgehensweise für Untersuchungen (zweite Schale) ist grundsätzlich in drei Ansätzen unterteilt. Es kann sowohl eine deduktive Verifikation bzw. Falsifikation einer bereits existierenden Theorie als auch die Theoriebildung durch die induktive Datenevaluation stattfinden. Des Weiteren kann eine komplementäre Theoriemodifizierung durch Abduktion erfolgen (ebd., S. 152-156). Damit findet eine Abgrenzung der in Betracht kommenden Forschungsstrategien (dritte Schale) statt. Zu diesen gehören bspw. Umfragen, Fallstudien, statistische Auswertungen oder die Action bzw. Grounded Theory, wobei letztere im weiteren Ablauf definiert werden.

Die Wahl der Methodik (vierte Schale) steht im Zusammenhang mit der Forschungsstrategie, die sich aus dem Forschungsansatz herleitet. Somit hilft sie der Präzisierung der Auswahl von qualitativen, quantitativen, oder Mischforschungsmethoden (ebd., S. 157). Diese führen wiederum zur Eingrenzung der Betrachtungsperiode nach Querschnitts- oder Längsschnittbetrachtungen der gewünschten Datenzeiträume (fünfte Schale) (ebd., S. 158). In der letzten Untersuchungsphase und somit der innersten Schale der Research Onion, werden die Techniken und Verfahrensweisen festgelegt.

Die nachstehende Abbildung zeigt den chronologischen Verlauf der selektierten Forschungstechniken, wobei der Fluss von außen zum Mittelpunkt erfolgt. Die Gesamtstruktur umspannt dabei die einzelnen Teilbereiche dieser Masterarbeit, in denen die Herangehensweise, von der Forschungsphilosophie bis hin zu den Techniken und Instrumenten der Research Onion behandelt wird.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2 : Research Onion

Quelle: In Anlehnung an Saunders et al. 2019, S. 130

Entsprechend der vorhergehenden Definition handelt es sich bei der vorliegenden Arbeit um die ontologische Forschungsphilosophie. Der Pragmatismus unterliegt dieser Philosophie, weshalb auf diesem ein praktischer Ansatz für die Forschung entwickelt wird. Er wird benutzt um konkrete Maßnahmen zu finden, sodass aus heterogenen Geschäftsdaten ein homogener Datensatz erstellt werden kann. Der Forschungsansatz, welcher sich daraus ableitet, ist induktiv, da noch keine Theorien zur Erstellung eines Strukturgleichungsmodells für Portfoliounternehmen von PEGs mittels Kennzahlen in der Wissenschaft vorliegen. Durch die individuelle Beobachtung verbunden mit der Datenaufbereitung mit einem Instrumentarium an Hilfsmitteln wie PowerQuery und PowerPivot, soll eine neue Theorie generiert werden. Als Forschungsstrategien werden die Action- und die Grounded Theory eingesetzt. Mit der Action Theory wird eine praktische Lösung für die Erreichung der Forschungsziele gefunden und erzeugt. Das Problem der heterogenen Daten wird diagnostiziert und mit gezieltem Handeln behoben. Mit der Grounded Theory werden die Geschäftsdaten gesammelt um auf dieser Grundlage Vorhersagen aufzustellen und Theorien abzuleiten.

Die Forschungsmethode kann wie hier dargestellt als eine gemischte Methode eingestuft werden, da quantitative und qualitative Verfahren für die Forschung angewandt werden. Für die quantitative Forschung werden Geschäftszahlen aus Jahres- bzw. Konzernberichten (n = 2142) von 621 Portfoliounternehmen deutscher börsennotierter PEGs über den restriktiven Zeitraum von 2005 bis 2020 erhoben (siehe Anhang 1). Für die Erhebung aus den Geschäftsberichten wird sich auf die Daten der Bilanzen und GuVs beschränkt. Als Datenbanken dienen der Bundesanzeiger und das Unternehmensregister. Diese Daten machen den Hauptteil der Untersuchung aus und garantieren eine hohe Validität der Ergebnisse anhand der Menge der extrahierten Daten der Geschäftsberichte. Supplementär werden weitere Daten über die Branchenzugehörigkeiten und die Muttergesellschaften der Portfoliounternehmen aus der Recherchedatenbank Nexis Uni erhoben. Dies vereinfacht die Suche nach der passenden Tochtergesellschaft der PEG, da sich viele Töchter namentlich sehr ähneln können. Ergänzend werden für die qualitative Forschung, also den theoretischen Teil der Arbeit, wissenschaftliche Journals und offizielle Statistiken herangezogen. So soll sichergestellt werden, dass der aktuelle Forschungsstand der Erfolgsfaktoren von PEGs und deren Zielunternehmen wissenschaftlich fundiert ist.

Der Zeithorizont kann als longitudinal oder auch als Längsschnittbetrachtung bezeichnet werden. Dies resultiert aus ständigen möglichen Veränderungen und unvorhersehbaren Erkenntnissen während der Forschungsarbeit. Für die innerste Schale der Research Onion werden unterschiedliche Techniken und Instrumente verwendet. Zum einen wird PowerQuery für eine vereinfachte Datenerhebung beansprucht. Kennzahlen können dadurch automatisiert aus den Geschäftsberichten in Excel gezogen und mit PowerPivot aufbereitet werden. Aus Gründen der besseren Verständlichkeit wird im nächsten Abschnitt der Masterarbeit detaillierter auf die Methodik eingegangen.

4.2 Forschungsmethodik

Wie mit der Research Onion erläutert, wird eine gemixte Methode benützt um die Forschungsfragen zu beantworten. Zu Beginn werden Informationen aus verfügbarer Literatur von wissenschaftlichen Journals und offiziellen Quellen gesammelt. Es werden theoretische Fundamente im Bereich von PE wie LBOs, VC usw. konkretisiert. Zudem werden mit Daten und Erkenntnissen der Forschungsliteratur, der aktuelle Forschungsstand zu Erfolgsfaktoren von PEGs wie auch zu deren Zielunternehmen deskriptiv verdeutlicht. So soll demonstriert werden, welche Erfolgsfaktoren schon wissenschaftlich ermittelt wurden. Außerdem soll ersichtlich gemacht werden, welche Forschungslücke bezüglich der Erfolgsfaktoren auf Basis der Portfoliounternehmen besteht. Mit einem Strukturgleichungsmodell kann in weiterführenden Studien diese Forschungslücke geschlossen werden.

Als empirische Ausgangsbasis dieser Studie dienen wie zuvor erwähnt, die Daten aus den Bilanzen und Gewinn- und Verlustrechnungen der Geschäftsberichte der Portfoliounternehmen von deutschen börsennotierten PEGs. Die Jahres- und Konzernabschlüsse werden aus dem Bundesanzeiger bzw. Unternehmensregister heruntergeladen. Die Suche beschränkt sich auf den Zeitraum zwischen dem 01.01.2005 und dem 01.12.2020. In einer Excel-Tabelle wird dokumentiert, ob die Jahres- und Konzernabschlüsse vorhanden sind, fehlen oder hinterlegt wurden.

Zusätzlich werden Informationen aus Nexis Uni zu Branchenzugehörigkeiten selektiert. Daten über die Muttergesellschaften der Portfoliounternehmen werden ebenfalls erhoben, dass passende Tochtergesellschaften der PEGs gefunden werden können. In Kapitel 6.1 wird genauer auf die benutzten Datenbanken eingegangen.

Nach der Datenerhebung werden die noch unstrukturierten Daten aufbereitet und zu einem homogenen Datensatz verarbeitet. Die Geschäftszahlen der Bilanzen und GuVs werden in den Geschäftsberichten von Unternehmen zu Unternehmen uneinheitlich aufgeführt und oft für die Vorjahre angegeben. Sie werden in dafür erstellten Wertspalten in Excel manuell passend zugeordnet, bereinigt und vereinheitlicht veranschaulicht. Um die heterogenen Positionen von Bilanzen und GuVs zu normen, werden Standardpositionen erstellt. Mit Hilfe dieser Standardpositionen kann eine Vereinheitlichung der Positionen gewährleistet werden. Viele der bereinigten Positionen lassen sich trotz Standardpositionen nicht eindeutig clustern. Bei Unsicherheiten wird sich deshalb von sogenannten Reste-Standardpositionen bedient, welche dem Problem einer falschen Zuordnung entgegenwirken. Sie stehen als Über-Positionen in einer höheren Granularitäts- bzw. Hierarchieebene und fassen mehrere Standardpositionen zusammen. Die Reste-Standardpositionen werden in einer individuellen Spalte in der Excel-Tabelle gelistet. Für eine vereinfachte Umsetzung des Clusterings werden Account Keys verwendet und damit eine hohe Validität der Ergebnisse garantiert werden kann, werden Kontrollsummen benützt. Für die Daten der GuVs dienen dazu die Jahresüberschüsse. Als Maßstab für die Bilanzen werden die Summen der Seiten Aktiva und Passiva eingesetzt.

Jede einzelne bereinigte Position wird manuell jeweils für die Daten der Bilanzen als auch der GuVs mit einer Standard- oder Reste-Standardposition betitelt. Darauffolgend werden die Daten für eine bessere Übersichtlichkeit in ein neues Excel-Arbeitsblatt kopiert. Eine detaillierte Beschreibung der Vorgehensweise erfolgt in Kapitel 6.2.

[...]

Ende der Leseprobe aus 84 Seiten

Details

Titel
Strukturgleichungsmodell für Dateninterpretationen börsennotierter Private Equity-Gesellschaften
Hochschule
Hochschule Heilbronn, ehem. Fachhochschule Heilbronn
Note
1,3
Autor
Jahr
2022
Seiten
84
Katalognummer
V1262535
Sprache
Deutsch
Schlagworte
Finanzen, Finanzierung, Investment, Private Equity, Geschäftsdaten, Geschäftszahlen, Geschäftsberiche, Venture Capital, Leveraged Buyout, Leveraged Buyouts, Investition
Arbeit zitieren
Marco Huber (Autor:in), 2022, Strukturgleichungsmodell für Dateninterpretationen börsennotierter Private Equity-Gesellschaften, München, GRIN Verlag, https://www.grin.com/document/1262535

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Strukturgleichungsmodell für Dateninterpretationen börsennotierter Private Equity-Gesellschaften



Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden