Thema dieser Hausarbeit ist es, die empirische Bilanzanalyse im Gegensatz zur Kennzahlenanalyse zu betrachten. Es ist dafür unerlässlich, sich eine Vorstellung darüber zu machen, wer die verschiedenen Stakeholder einer Bilanzanalyse (BA) sind und welchen Informationsbedarf sie haben. Daher werden in dieser Hausarbeit auch die Kosten-Nutzen-Relationen im Hinblick auf die unterschiedlichen Interessenten betrachtet. Nach dem allgemeinem Teil über die BA und deren Stakeholder, wird thematisch in die Kennzahlenanalyse (KZA) eingestiegen.
Beginnend mit der Kennzahlenbildung wird es fachlich komplexer mit der Zusammenfassung der Kennzahlen zu Kennzahlensystemen. Nach dem allgemeinem Teil über die Systeme, werden die Wichtigsten kurz vorgestellt, um anschließend auch besser auf die Stärken und Schwächen eingehen zu können.
Anschließend werden die modernen Verfahren der Bilanzanalyse vorgestellt und erläutert. Zunächst wird die univariate Kennzahlenauswahl vorgestellt, um die danach folgend vorgestellte und erläuterte Multivariate Diskriminanzanalyse (MDA) nicht nur besser zu verstehen, sondern auch die Stärken und Schwächen besser erläutern zu können.
Zum Ende des deskriptiven Teils wird die Künstliche Neuronale Netzanalyse (KNNA) behandelt. Hier werden die Grundlagen und die besondere Bedeutung des Verfahrens herausgearbeitet. Beim Vergleich der Stärken und Schwächen der Verfahren der modernen Bilanzanalyse untereinander wird auch verstärkt auf den speziellen Fall einer Unternehmenskrise eingegangen, da sich die modernen Verfahren besonders hierfür eignen und auch konzipiert werden.
Da nun sowohl die KZA als auch die empirische Bilanzanalyse vorgestellt und erläutert wurden, dabei auch jeweils die Stärken und Schwächen herausgearbeitet wurden, wird eine allgemeine Gegenüberstellung vorgenommen. Unter Punkt 5 meiner Gliederung ,,Empirische Bilanzanalyse versus Kennzahlenanalyse" wird nicht nur auf die Stärken und Schwächen eingegangen, es wird der Fokus auf die Stakeholder und Bilanzanalysten gelegt und die Frage, wie mit den Vor- und Nachteilen der Verfahren umgegangen werden soll.
Zum Ende der Hausarbeit folgt eine kritische Würdigung, bei der die Aspekte aufgegriffen werden, die vorher noch nicht so deutlich herausgestellt wurden, meiner Meinung nach aber angesprochen werden sollten. Zudem gibt es einen Ausblick auf eine mögliche Entwicklung der Verfahren und deren Bedeutung.
Inhaltsverzeichnis
1. Einleitung
2. Bilanzanalyse
2.1 Aufgaben und Stakeholder
2.2 Schwächen der Bilanzanalyse
3. Kennzahlenanalyse
3.1. Grundlagen und Aufgaben
3.2. Bedeutung und Schwächen
3.3. Kennzahlensysteme
3.3.1. Grundlagen und Aufgaben von Kennzahlensystemen
3.3.2. Einblicke in verschiedene Kennzahlensysteme
3.3.3. Stärken und Schwächen der Kennzahlensysteme
4. Empirische Bilanzanalyse
4.1. Grundlagen der empirischen Bilanzanalyse
4.1.1. Kennzahlenauswahlverfahren auf univariater Basis
4.1.2. Multivariate Diskriminanzanalyse
4.2. Neuronale Netze
4.2.1. Grundlagen der Neuronalen Netzanalyse
4.2.2. Besondere Bedeutung der Neuronalen Netzanalyse
4.3. Stärken und Schwächen der Verfahren
5. Empirische Bilanzanalyse versus Kennzahlenanalyse
6. Kritische Würdigung
Zielsetzung & Themen
Die vorliegende Arbeit untersucht die Unterschiede zwischen der traditionellen Kennzahlenanalyse und der modernen, empirischen Bilanzanalyse, wobei ein besonderer Schwerpunkt auf der Eignung beider Verfahren zur Bonitätsbeurteilung und Früherkennung von Unternehmenskrisen liegt.
- Gegenüberstellung von traditioneller Kennzahlenanalyse und empirischen Verfahren.
- Analyse des Informationsbedarfs verschiedener Stakeholder in der Bilanzanalyse.
- Untersuchung der Funktionsweise und Schwächen von Kennzahlensystemen.
- Erläuterung moderner empirischer Verfahren wie der Diskriminanzanalyse und Neuronalen Netzen.
- Kritische Bewertung der Kosten-Nutzen-Relation bei zunehmender analytischer Komplexität.
Auszug aus dem Buch
4.2.2. Besondere Bedeutung der Neuronalen Netzanalyse
Die besondere Bedeutung der KNNA liegt in seiner Eigenschaft zu lernen. Das System lernt, „indem es seine Verbindungsgewichte anpasst“. Dazu stehen Lernalgorithmen zur Verfügung. Speziell geeignet um Klassifikationsprobleme zu lösen, ist dabei der Backpropagation-Algorithmus. Der Algorithmus hat die Funktion, dass der Netzfehler, also die Abweichung zwischen Soll-Ausgabe und Ist-Ausgabe minimiert wird. Das geschieht durch eine rückwärtsgerichtete Anpassung der Verbindungsgewichtungen durch das Netz. Die Gewichte können dabei nach jedem Datensatz angepasst werden bzw. auch einmal komplett nach allen Datensätzen. Durch die stetige Verbesserung der Informationsverarbeitung wird eine bessere Klassifikationsleistung als bei anderen Verfahren erzielt. Dadurch spielt die KNNA besonders bei den Kreditvergabeentscheidungen bei Banken für Firmenkundenkredite und bei Ratings eine große Rolle und ist aus der Praxis dort nicht weg zu denken.
Zusammenfassung der Kapitel
1. Einleitung: Die Arbeit führt in das Thema ein, skizziert den Aufbau der Untersuchung und stellt die Motivation dar, moderne empirische Analysemethoden als Ergänzung zur traditionellen Kennzahlenanalyse zu betrachten.
2. Bilanzanalyse: Dieses Kapitel erläutert die Grundlagen der Bilanzanalyse, identifiziert die relevanten Stakeholder und deren Informationsbedarfe sowie die strukturellen Schwächen des Verfahrens.
3. Kennzahlenanalyse: Es werden die Grundlagen, Aufgaben und verschiedenen Typen der Kennzahlen sowie die Bedeutung und Komplexität von Kennzahlensystemen (Rechen- und Ordnungssysteme) ausführlich dargestellt.
4. Empirische Bilanzanalyse: Der Abschnitt behandelt moderne mathematisch-statistische Verfahren wie die univariate und multivariate Diskriminanzanalyse sowie die Künstliche Neuronale Netzanalyse zur verbesserten Krisenfrüherkennung.
5. Empirische Bilanzanalyse versus Kennzahlenanalyse: Hier findet eine direkte Gegenüberstellung der Verfahren statt, wobei insbesondere auf das Objektivierungsprinzip und die Fähigkeit zur Verarbeitung qualitativer Daten eingegangen wird.
6. Kritische Würdigung: Zum Abschluss werden die Ergebnisse reflektiert und die Kosten-Nutzen-Relation der verschiedenen Analysemethoden im Hinblick auf Fehlentscheidungen diskutiert.
Schlüsselwörter
Bilanzanalyse, Kennzahlenanalyse, Kennzahlensysteme, empirische Bilanzanalyse, Diskriminanzanalyse, Künstliche Neuronale Netzanalyse, Bonitätsbeurteilung, Krisenfrüherkennung, Stakeholder, Jahresabschluss, Finanzanalyse, Klassifikation, Black-Box, Professional Judgement, Unternehmenskrisen.
Häufig gestellte Fragen
Was ist das grundlegende Thema der Arbeit?
Die Arbeit vergleicht die klassische Kennzahlenanalyse mit der empirischen Bilanzanalyse und untersucht deren Vor- und Nachteile im Hinblick auf die Beurteilung der wirtschaftlichen Lage von Unternehmen.
Welche zentralen Themenfelder werden bearbeitet?
Die Schwerpunkte liegen auf der Kennzahlenbildung, verschiedenen Kennzahlensystemen wie dem DuPont- oder ZVEI-System sowie modernen mathematisch-statistischen Verfahren zur Unternehmensanalyse.
Was ist das primäre Ziel der Untersuchung?
Das Ziel ist es aufzuzeigen, wie empirische Analysemethoden wie die Diskriminanzanalyse oder Neuronale Netze die Schwächen traditioneller Ansätze überwinden können, insbesondere bei der Früherkennung von Unternehmenskrisen.
Welche wissenschaftlichen Methoden werden angewendet?
Die Arbeit stützt sich auf eine deskriptive Aufarbeitung der Literatur, den Vergleich mathematischer Klassifikationsmodelle sowie eine kritische Analyse der ökonomischen Kosten-Nutzen-Relation bei verschiedenen Analysetechniken.
Welche Aspekte stehen im Hauptteil im Fokus?
Der Hauptteil behandelt die Systematisierung von Kennzahlen, die mathematischen Grundlagen empirischer Diskriminanzanalysen sowie die Funktionsweise und das Lernverhalten Künstlicher Neuronaler Netze.
Wodurch zeichnen sich die genannten Verfahren aus?
Während traditionelle Verfahren eine hohe Transparenz bieten, zeichnen sich empirische Verfahren durch eine höhere Treffsicherheit bei der Identifikation von insolvenzgefährdeten Unternehmen aus.
Warum wird die Künstliche Neuronale Netzanalyse (KNNA) als „Black Box“ bezeichnet?
Da die Gewichtung und Verarbeitung der Daten in den versteckten Schichten eines solchen Netzwerks für Analysten oft nicht nachvollziehbar ist, wird das Ergebnis zwar genutzt, der Prozess dorthin bleibt jedoch verborgen.
Welche Rolle spielt die Bilanzpolitik bei der Analyse?
Bilanzpolitische Spielräume können die Aussagekraft traditioneller Kennzahlen verzerren; empirische Analyseverfahren versuchen diese Verzerrungen durch eine ganzheitlichere Betrachtungsweise zu neutralisieren.
- Quote paper
- Tobias Drabinski (Author), 2013, Empirische Bilanzanalyse versus Kennzahlenanalyse, Munich, GRIN Verlag, https://www.grin.com/document/266895
