Im Jahr 2007 meldeten in Deutschland 29160 Unternehmen Insolvenz an. Daraus ergab sich für die Gläubiger ein Schaden von 18 Milliarden €, was im Durschnitt ca. 620 000 € pro Unternehmensinsolvenz bedeutet.
Für die Gläubiger eines Unternehmens stellt eine mögliche Insolvenz dabei eine Unsicherheit dar, da sie mit einem Forderungsausfall verbunden ist. In der Betriebswirtschaft lässt sich der Begriff „Unsicherheit“ als einen Zustand nicht vollkommenen Wissens bezeichnen, der es nicht erlaubt, die Konsequenzen einer Handlung mit so großer Präzision vorherzusagen, dass ein und nur ein Ergebnis ihre Folge ist. Demnach muss das Wissen über den Zustand eines Unternehmens gesteigert werden, um die Unsicherheit in Form eines Insolvenzrisikos zu senken. Zahlenbezogene Informationen, wie sie das Rechnungswesen liefert, können dabei schon frühzeitig erste Anzeichen einer Insolvenzgefährdung liefern, da Insolvenzen nur selten durch ein plötzlich eintretendes, unvorhersehbares Ereignis verursacht werden. Besonders für Gläubiger, wie zum Beispiel Kreditgeber, Anteilseigner oder auch Lieferanten, ist dies entscheidend, da sie nur vor dem tatsächlichen Eintritt der Insolvenz reagieren und so ihre Forderungsausfälle minimieren können. Die folgenden Kapitel behandeln das Insolvenzrisiko als eine Form der Unsicherheit und stellen fest, wie mit Hilfe von statistischen Verfahren der Bilanzanalyse eine Früherkennung von Insolvenzrisiken möglich gemacht wird.
Inhaltsverzeichnis
1.Insolvenzrisiken als Form der Unsicherheit
2.Früherkennung von Insolvenzrisiken anhand von Informationen aus dem Rechnungswesen
2.1 Der handelsrechtliche Jahresabschluss als Informationsgrundlage
2.2 Der Ansatz der Bilanzanalyse
2.3 Statistische Verfahren zur Früherkennung von Insolvenzrisiken – ein Überblick
2.3.1 Grundlagen statistischer Verfahren bei der Insolvenzprognose
2.3.2 Die Lineare Multivariate Diskriminanzanalyse
2.3.3 Die Logistische Regressionsanalyse
3. Die Künstliche Neuronale Netzanalyse
3.1 Aufbau und Funktionsweise Künstlicher Neuronaler Netze
3.2 Gewichtung und Lernphase der Künstlichen Neuronalen Netzanalyse
4. Möglichkeiten und Grenzen von Verfahren zur Früherkennung von Insolvenzrisiken
Zielsetzung und Themen
Die vorliegende Arbeit untersucht, wie Informationen aus dem externen Rechnungswesen genutzt werden können, um Insolvenzrisiken frühzeitig zu erkennen und somit die Unsicherheit für Gläubiger zu reduzieren, indem sie verschiedene statistische Verfahren sowie die Methode der Künstlichen Neuronalen Netzanalyse analysiert.
- Insolvenzrisiken als Form betriebswirtschaftlicher Unsicherheit
- Jahresabschlussanalyse als Informationsgrundlage
- Statistische Klassifikationsverfahren (LMDA, Logistische Regression)
- Aufbau und Funktionsweise Künstlicher Neuronaler Netze (KNN)
- Lernalgorithmen und Optimierungsprozesse in der KNNA
Auszug aus dem Buch
3.1 Aufbau und Funktionsweise Künstlicher Neuronaler Netze
Die Künstliche Neuronale Netzanalyse (KNNA) ist ein Verfahren der künstlichen Intelligenz, welches zur Analyse Künstliche Neuronale Netze (KNN) verwendet. Diese KNN sind biologischen, neuronalen Netzen nachempfunden, wie sie zum Beispiel im menschlichen Gehirn vorkommen. Die KNNA eignet sich besonders gut zur Lösung von Problemen, bei denen die Wirkungsbeziehungen unter den Variablen unbekannt sind. Da dies auch auf die Jahresabschlusskennzahlen zutrifft, wird die KNNA häufig zur Früherkennung von Insolvenzrisiken verwendet. Dabei soll das KNN die Klassifikation von gesunden und kranken Unternehmen anhand von deren Jahresabschlusskennzahlen selbstständig aus einem Datensatz lernen, ohne dass es hierfür programmiert werden muss.
Wie in Abbildung 1 dargestellt, besteht ein KNN aus mehreren miteinander verbundenen Neuronen, die Informationen in Form von Signalen senden und empfangen. Die Verbindungen zwischen den Neuronen sind dabei gerichtet und gewichtet. Je nach Richtung des Informationsflusses unterscheidet man dabei zwischen Feed-Forward- und Feed-Backward-Netzen, also Netzen deren Richtung des Informationsflusses nur vorwärts verläuft und solchen bei denen die Informationen auch rückwärts fließen können. Da in der Praxis der Bilanzanalyse überwiegend Fast-Forward-Netze verwendet werden, wird im Weiteren nur diese Form verwendet.
Zusammenfassung der Kapitel
1.Insolvenzrisiken als Form der Unsicherheit: Das Kapitel definiert den Begriff der Unsicherheit im betriebswirtschaftlichen Kontext und erläutert die Notwendigkeit einer frühzeitigen Erkennung von Insolvenzrisiken zur Schadensminimierung für Gläubiger.
2.Früherkennung von Insolvenzrisiken anhand von Informationen aus dem Rechnungswesen: Es wird der handelsrechtliche Jahresabschluss als Datenbasis eingeführt und die Bilanzanalyse als methodisches Instrument zur Identifikation von Insolvenzgefahren durch statistische Verfahren dargestellt.
3. Die Künstliche Neuronale Netzanalyse: Dieses Kapitel erläutert die Funktionsweise von KNNs, den Aufbau in Schichten sowie die notwendigen Lernphasen und Gewichtungsanpassungen mittels Algorithmen zur Klassifizierung von Unternehmenszuständen.
4. Möglichkeiten und Grenzen von Verfahren zur Früherkennung von Insolvenzrisiken: Die Arbeit schließt mit einer kritischen Reflexion über die Datenqualität, Bilanzpolitik und die Leistungsfähigkeit der vorgestellten Prognosemodelle ab.
Schlüsselwörter
Insolvenzrisiko, Rechnungswesen, Jahresabschluss, Bilanzanalyse, Unsicherheit, Künstliche Neuronale Netze, KNNA, Klassifikation, Diskriminanzanalyse, Logistische Regression, Lernphase, Backpropagation, Insolvenzprognose, Früherkennung, Betriebswirtschaft
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit behandelt die Nutzung des externen Rechnungswesens zur systematischen Früherkennung von Unternehmensinsolvenzen.
Was sind die zentralen Themenfelder?
Die Schwerpunkte liegen auf der Analyse von Jahresabschlüssen, der Anwendung statistischer Trennverfahren sowie der Implementierung künstlicher Intelligenz zur Risikobeurteilung.
Was ist das primäre Ziel der Untersuchung?
Das Ziel ist aufzuzeigen, wie durch statistische und neuronale Verfahren aus Bilanzkennzahlen objektive Indikatoren zur Einschätzung der wirtschaftlichen Überlebensfähigkeit von Unternehmen abgeleitet werden können.
Welche wissenschaftlichen Methoden werden verwendet?
Es werden klassische statistische Ansätze wie die Lineare Multivariate Diskriminanzanalyse und die Logistische Regression sowie der moderne Ansatz der Künstlichen Neuronalen Netzanalyse gegenübergestellt.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die theoretische Fundierung der Jahresabschlussanalyse, die Erklärung der mathematischen Klassifikationsmodelle und eine detaillierte technische Beschreibung von neuronalen Netzen.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wesentliche Begriffe sind Insolvenzprognose, Bilanzanalyse, Künstliche Neuronale Netze, Klassifikationsfunktion und Früherkennung.
Was unterscheidet die KNNA von klassischen statistischen Verfahren?
Im Gegensatz zu starren statistischen Formeln lernt ein neuronales Netz die Klassifikationsmuster selbstständig aus einem Datensatz, ohne dass explizite Wirkungsbeziehungen zwischen den Variablen vorab programmiert werden müssen.
Warum ist die Wahl der Lernrate bei der KNNA so entscheidend?
Eine zu hohe Lernrate kann dazu führen, dass das mathematische Minimum der Fehlerfunktion verpasst wird, während eine zu niedrige Lernrate den Rechenaufwand unverhältnismäßig in die Länge zieht.
Was versteht man im Kontext der KNNA unter "Overlearning"?
Overlearning oder Overfitting tritt auf, wenn ein Netz die vorliegenden Trainingsdaten quasi "auswendig lernt", dabei aber seine Fähigkeit verliert, auf neue, unbekannte Datensätze korrekt zu generalisieren.
- Quote paper
- Jens Neuhüttler (Author), 2008, Die Abbildung der Unsicherheit im Rechnungswesen, Munich, GRIN Verlag, https://www.grin.com/document/132436
