Die Arbeit gliedert sich in vier Kapitel. Nach der einleitenden Problemstellung werden in Kapitel zwei zunächst Grundlagen der Thematik dargelegt und ein Überblick über einige der modernen Verfahren zur Analyse der Kreditwürdigkeit gegeben. Hiervon werden drei Verfahren - Diskriminanzanalyse, Expertensystem und neuronale Netze - im folgenden Kapitel ausführlicher betrachtet. Anschließend findet eine kritische Auseinandersetzung mit diesen Verfahren statt. In Kapitel vier folgt dann ein Resümee der Ergebnisse sowie ein Ausblick auf die Zukunft.
Inhaltsverzeichnis
1. Einführung
1.1 Die Problematik der Analyse der Kreditwürdigkeit von Unternehmen
1.2 Gang der Untersuchung
2. Grundlagen zur Kreditwürdigkeitsprüfung
2.1 Zum Inhalt der Kreditwürdigkeitsprüfung
2.2 Intention der Kreditwürdigkeitsprüfung
3. Moderne Verfahren der Kreditwürdigkeitsprüfung
3.1 Diskriminanzanalyse
3.1.1 Funktionsweise
3.1.2 Abriss der Forschungsbemühungen
3.2 Verfahren der Künstlichen Intelligenz
3.2.1 Expertensystem
3.2.2 Künstliche neuronale Netze
3.3 Kritische Würdigung der vorgestellten Verfahren
3.3.1 Kritik im Kontext der Datengrundlage
3.3.2 Spezifische Kritik der Diskriminanzanalyse
3.3.3 Spezifische Kritik der Verfahren der Künstlichen Intelligenz
3.3.3.1 Expertensysteme
3.3.3.2 Neuronale Netze
4. Resümee und Ausblick
Zielsetzung & Themen
Die vorliegende Arbeit untersucht moderne Analyseverfahren zur Beurteilung der Kreditwürdigkeit von Unternehmen, um das Insolvenzrisiko aus externer Sicht präziser einschätzen zu können. Dabei steht die Forschungsfrage im Mittelpunkt, inwieweit alternative Methoden wie die Diskriminanzanalyse oder Verfahren der Künstlichen Intelligenz die klassische Bilanzanalyse ergänzen oder übertreffen können.
- Grundlagen und Intention der Kreditwürdigkeitsprüfung
- Funktionsweise der Diskriminanzanalyse zur Insolvenzprognose
- Einsatz von Expertensystemen in der Bonitätsbeurteilung
- Potenziale und Funktionsweise künstlicher neuronaler Netze
- Kritische Reflexion der Datengrundlage und der Verfahrensgrenzen
Auszug aus dem Buch
3.1.1 Funktionsweise
Bei einer Diskriminanzanalyse werden mit Hilfe von statistischen Verfahren jene Merkmale bzw. Merkmalskombinationen von Kreditnehmern herausgefiltert, die besonders für eine frühzeitige Unterscheidung in zukünftig solvente und insolvente Unternehmen geeignet sind. (vgl. Schierenbeck (2003), Seite 339). Als dazu besonders geeignet haben sich die Jahresabschlusskennzahlen der Unternehmen erwiesen. Die Annahme ist, dass signifikante Unterschiede in den Bilanzdaten solventer und insolventer Unternehmen vorliegen - und das oft schon weit vor Beginn finanzieller Schwierigkeiten. (vgl. Schulte/ Horsch (2002), S.102f.).
Durch umfangreiche empirische Voruntersuchungen wird ein Punkt ermittelt, der die bestmögliche Trennung bzw. „Diskriminierung“ zwischen solventen und insolventen Unternehmen ermöglicht. Um diesen Trennwert zu ermitteln, ist eine große Grundgesamtheit an vergleichbaren Unternehmen mit vergleichbarer Bonität notwendig. Eine Stichprobe daraus wird anschließend auf systematische Zusammenhänge von Kennzahlen und der späteren Solvenz bzw. Insolvenz hin betrachtet. (vgl. Schiller/ Tytko (2001), S.91-93). Nachdem das Verfahren für die Stichprobe durchgeführt wurde, wird anhand der nichteinbezogenen Unternehmen überprüft, ob die Diskriminanzfunktion grundsätzlich zur Prognose herangezogen werden kann. Sollte dies nicht der Fall sein, ist die gesamte Prozedur erneut zu durchlaufen (vgl. Gräfer et. al. (2012), S.156). Anschließend kann die getestete Diskriminanzfunktion verwendet werden um auch Elemente zu klassifizieren, die nicht Teil der Grundgesamtheit waren.
Die Wissenschaft unterscheidet in uni – und multivariate Diskriminanzanalyse. Die univariate legt dabei die Gruppen aufgrund isolierter Kennzahlen fest, wohingegen die multivariate Untersuchung die trennfähigsten Kennzahlen miteinander zu einer Diskriminanzfunktion verknüpft. (vgl. Burger (1995), S.249). Im folgenden wird lediglich die lineare multivariate Diskriminanzanalyse erläutert werden, da verschiedene empirische Studien hierbei bessere Ergebnisse als bei verteilungsunabhängigen oder quadratischen Diskriminanzanalysen ergeben haben. Linear bedeutet, dass Kennzahlen lediglich additiv oder subtraktiv verknüpft werden. Dieses Verfahren findet auch in der Praxis die größte Verbreitung. (vgl. Küting/Weber (2009), S.377).
Zusammenfassung der Kapitel
1. Einführung: Dieses Kapitel stellt die Relevanz der Kreditwürdigkeitsprüfung vor dem Hintergrund finanzieller Risiken dar und erläutert den Aufbau der Untersuchung.
2. Grundlagen zur Kreditwürdigkeitsprüfung: Hier werden die inhaltlichen Definitionen der Bonitätsbeurteilung sowie die Zielsetzung der Risikoquantifizierung im Kreditgeschäft dargelegt.
3. Moderne Verfahren der Kreditwürdigkeitsprüfung: Dieser Hauptteil analysiert detailliert die Diskriminanzanalyse sowie Expertensysteme und neuronale Netze als alternative Ansätze zur klassischen Bilanzanalyse.
4. Resümee und Ausblick: Das abschließende Kapitel fasst die Ergebnisse zusammen und diskutiert den weiteren Forschungsbedarf sowie die Grenzen der vorgestellten Verfahren.
Schlüsselwörter
Kreditwürdigkeitsprüfung, Bonität, Insolvenzrisiko, Bilanzanalyse, Diskriminanzanalyse, Künstliche Intelligenz, Expertensysteme, Neuronale Netze, Insolvenzprognose, Kreditrisiko, Jahresabschlusskennzahlen, Finanzkrise, Klassifikation, Risikomanagement.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit beschäftigt sich mit den Möglichkeiten der Analyse der Kreditwürdigkeit von Unternehmen, wobei der Schwerpunkt auf modernen, datengestützten Verfahren zur Einschätzung von Insolvenzrisiken liegt.
Welche zentralen Themenfelder werden behandelt?
Zentrale Themen sind die Abgrenzung von Bonität, die Anwendung statistischer Methoden wie der Diskriminanzanalyse sowie der Einsatz von Modellen der Künstlichen Intelligenz, insbesondere neuronaler Netze.
Was ist das primäre Ziel der Arbeit?
Ziel ist es, einen fundierten Überblick über alternative Analyseverfahren zur klassischen Bilanzanalyse zu geben und diese Methoden kritisch hinsichtlich ihrer Eignung für die Kreditwürdigkeitsprüfung zu beleuchten.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit basiert primär auf einer Literaturanalyse sowie der Auswertung empirischer Erkenntnisse aus bestehenden Studien zu diskriminanzanalytischen Modellen und Systemen der Künstlichen Intelligenz.
Was wird im Hauptteil behandelt?
Im Hauptteil erfolgt eine technische Erläuterung der Diskriminanzanalyse, der Expertensysteme und der neuronalen Netze, gefolgt von einer kritischen Würdigung dieser Verfahren hinsichtlich Datengrundlage und Anwendbarkeit.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wichtige Begriffe sind unter anderem Kreditwürdigkeit, Insolvenzprognose, Diskriminanzanalyse, neuronale Netze, Expertensysteme und Bilanzkennzahlen.
Warum ist die Unterscheidung zwischen Alpha- und Beta-Fehler in der Diskriminanzanalyse wichtig?
Diese Fehlerarten beschreiben Fehlentscheidungen bei der Kreditvergabe: Der Alpha-Fehler führt zu Kreditausfällen bei insolventen Unternehmen, während der Beta-Fehler zu entgangenen Erträgen bei fälschlicher Ablehnung solventer Kunden führt.
Was wird unter dem „Black Box“-Problem bei neuronalen Netzen verstanden?
Damit ist die mangelnde Transparenz des Entscheidungsprozesses in den Zwischenschichten des neuronalen Netzes gemeint, was die Nachvollziehbarkeit des Krediturteils für Sachbearbeiter erschwert.
Welche Rolle spielen qualitative Daten in den untersuchten Systemen?
Insbesondere Expertensysteme ermöglichen die Integration qualitativer Informationen, während rein statistische Verfahren wie die klassische Diskriminanzanalyse fast ausschließlich auf quantitativen Bilanzdaten basieren.
Welchen Stellenwert nimmt die Datenqualität für diese Analysemodelle ein?
Die Datenqualität ist kritisch, da alle vorgestellten Verfahren auf den zur Verfügung stehenden Informationen aufbauen; unvollständige oder vergangenheitsorientierte Daten begrenzen die Prognosekraft dieser Modelle signifikant.
- Quote paper
- Joel Diener (Author), 2014, Analyse der Kreditwürdigkeit von Unternehmen, Munich, GRIN Verlag, https://www.grin.com/document/285349
