Das Firmenkundenkreditgeschäft in Deutschland ist im Umbruch.1 Vor dem Hintergrund der seit 1990 kontinuierlich steigenden Zahl an Unternehmensinsolvenzen wird die Bonitätsanalyse im Firmenkundengeschäft immer mehr zu einem der wichtigsten Faktoren für den Geschäftserfolg der Banken. Vor diesem Hintergrund sind vor allem Instrumente gefragt, die eine Verschlechterung der wirtschaftlichen Lage eines Unternehmens rechtzeitig anzeigen.
Im Hinblick auf das Ziel, das Ausfallrisiko zu verringern, stellt sich somit die Frage, ob sich die Verschlechterung der Bonität eines Unternehmens an der Entwicklung seiner Kontodaten ablesen läßt.2
Das im Kontokorrentkonto enthaltene Informationspotential wird in der Praxis für die Risikofrüherkennung bestenfalls ansatzweise, keinesfalls aber optimal genutzt.3 Früher wurde das Kontoblatt sehr oft in die Hand genommen. Dabei wurden Umsatzänderungen bemerkt und das Zahlungsverhalten beobachtet. Dieses unmittelbare Kontostudium ist durch den Einsatz der EDV schrittweise verlorengegangen.4 Der Kontoverlauf muß wieder sichtbar und transparent werden.5
Inhaltsverzeichnis
1. Einleitung
1.1. Problemstellung
1.2. Aufbau der Arbeit
2. Merkmale von Kontodaten
2.1. Absolute Kontodaten
2.1.1. Besondere Eigenschaften der Kontodaten
2.1.2. Erläuterung einzelner ausgewählter Kontodaten
2.1.3. Erkenntnisse aus der Betrachtung von einzelnen Kontovariablen
2.2. Relative Kontodaten
2.2.1. Kennzahlenkonstruktionen
2.2.2. Interpretation der Kennzahlen
2.2.3. Untersuchungsergebnisse und ihre Beurteilung
3. Die Trennung guter von schlechten Unternehmen
3.1. Der Dichotomische Klassifikationsansatz
3.1.1. Ziel des dichotomischen Klassifikationsansatzes
3.1.2. Vorgehensweise beim dichotomischen Klassifikationsverfahren
3.1.3. Einsatz zur Risikofrüherkennung
3.1.4. Kritik am Verfahren
3.2. Trennung mit Hilfe der Linearen Diskriminanzanalyse
3.2.1. Prämissen der Linearen Diskriminanzanalyse
3.2.2. Probleme bei der Bestimmung des Trennwertes
3.2.3. Untersuchungen zur Kontodatenanalyse
3.2.4. KONDAN: Ein Anwendungsbeispiel aus der Praxis
3.3. Trennung mit Hilfe von Expertensystemen
3.4. Trennung mit Hilfe künstlicher neuronaler Netze
3.4.1. Grundlagen
3.4.2. Eignung der künstlichen neuronalen Netze zur Kontodatenanalyse
3.4.3. Denkbare Vorgehensweise im Rahmen der Kontodatenanalyse
4. Die Kontodatenanalyse als Informationsquelle
4.1. Ausgangsüberlegungen
4.2. Ergänzung der Kontodatenanalyse um weitere Informationsquellen
4.2.1. Jahresabschluß/ Jahresabschlußanalyse
4.2.2. Betriebswirtschaftliche Auskünfte (BWA`s)
4.2.3. Auskunft von Dritten
4.2.4. Kundengespräch
4.3. Integration der Kontodatenanalyse in die Kreditüberwachung
5. Schlußbetrachtung und Ausblick
Zielsetzung & Themen
Die Arbeit untersucht, inwieweit die Analyse von Kontodaten im Firmenkundengeschäft als wirksames Instrument zur Früherkennung von Bonitätsverschlechterungen und Kreditrisiken eingesetzt werden kann. Im Zentrum steht dabei die Frage, wie durch mathematisch-statistische Methoden und den Einsatz moderner IT-Systeme eine objektive Trennung zwischen gesunden und gefährdeten Unternehmen ermöglicht wird.
- Methoden der Kontodatenanalyse (Kennzahlenbildung)
- Statistische Verfahren zur Risikoklassifizierung (Diskriminanzanalyse)
- Einsatz von Expertensystemen und künstlichen neuronalen Netzen
- Integration der Analyseergebnisse in die laufende Kreditüberwachung
- Vergleich und Ergänzung durch andere Informationsquellen wie Jahresabschlussanalyse
Auszug aus dem Buch
3.1.2. Vorgehensweise beim dichotomischen Klassifikationsverfahren
Diese Trennverfahren setzt keine Annahme über die Häufigkeitsverteilung voraus. Da aufgrund der bisherigen Erkenntnisse davon auszugehen ist, daß gute Unternehmen bei einigen Kennzahlen höhere Werte ausweisen als schlechte (G>S) (Kennzahl 5, 6 und 7), werden alle oberhalb eines bestimmten Trennwertes liegenden Fälle als gut, alle unterhalb dieser Schwelle als schlecht klassifiziert. Bei diesem Verfahren können zwei Arten von Fehlern auftreten. Vom Fehler erster Art spricht man, wenn ein schlechtes Unternehmen als gut eingestuft wird. Der Fehler zweiter Art bezeichnet den Fall, wenn ein gutes Unternehmen als schlecht klassifiziert wird. Die Festlegung des Trennwertes, anhand dessen die Unterscheidung zwischen guten und schlechten Unternehmen getroffen wird, kann beispielsweise der statistische Lageparameter Median sein. Als zweite Möglichkeit kommt ein Gütekriterium in Betracht nach der Regel „ Minimierung der Anzahl der Fehlerklassifikationen“. Die zweite Möglichkeit scheint in der Praxis die wünschenswerte Alternative zu sein.
Für die übrigen Kennzahlen, für die gilt, daß die guten Unternehmen niedrigere Werte aufweisen als die schlechten (G
Zusammenfassung der Kapitel
1. Einleitung: Beleuchtet das Umfeld des Firmenkundenkreditgeschäfts und die wachsende Bedeutung von Instrumenten zur rechtzeitigen Identifikation von Bonitätsverschlechterungen.
2. Merkmale von Kontodaten: Definiert absolute und relative Kontodaten sowie Kennzahlen und beschreibt deren Bedeutung für die Unterscheidung guter und schlechter Unternehmen.
3. Die Trennung guter von schlechten Unternehmen: Analysiert statistische Trennverfahren wie den dichotomischen Klassifikationsansatz, die Diskriminanzanalyse sowie den Einsatz von Expertensystemen und neuronalen Netzen.
4. Die Kontodatenanalyse als Informationsquelle: Erörtert die Einbettung der Kontodatenanalyse in die Kreditüberwachung und die notwendige Ergänzung durch externe Informationsquellen wie BWA's und Jahresabschlüsse.
5. Schlußbetrachtung und Ausblick: Fasst die Ergebnisse zusammen und bewertet die Bedeutung einer dynamischen, quantitativen Risikofrüherkennung für die Bankpraxis.
Schlüsselwörter
Kontodatenanalyse, Risikofrüherkennung, Bonitätsprüfung, Firmenkundengeschäft, Kreditrisiken, Kennzahlen, Diskriminanzanalyse, Expertensysteme, künstliche neuronale Netze, Kreditüberwachung, Frühwarnsystem, Unternehmenskrisen, Bonitätsverschlechterung, KONDAN, Jahresabschlussanalyse
Häufig gestellte Fragen
Worum geht es in der Arbeit grundlegend?
Die Arbeit analysiert das Potenzial von Kontodaten als Informationsquelle zur Früherkennung von Kreditrisiken bei Firmenkunden.
Was sind die zentralen Themenfelder?
Die zentralen Themen sind die mathematische Kennzahlenbildung aus Kontodaten sowie deren statistische Auswertung mittels Klassifikationsverfahren.
Was ist das primäre Ziel der Untersuchung?
Das Ziel ist zu klären, inwieweit die systematische Analyse von Kontodaten dazu beitragen kann, gute von schlechten Unternehmen rechtzeitig zu unterscheiden.
Welche wissenschaftlichen Methoden werden angewendet?
Es werden deskriptive Verfahren, der dichotomische Klassifikationsansatz, die Lineare Diskriminanzanalyse sowie Ansätze aus Expertensystemen und künstlichen neuronalen Netzen diskutiert.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die Identifikation relevanter Kontomerkmale, die Konstruktion trennfähiger Kennzahlen und die methodische Diskussion zur Klassifizierung von Kreditrisiken.
Welche Begriffe charakterisieren die Arbeit?
Begriffe wie Kontodatenanalyse, Frühwarnsystem, Bonitätsprüfung und Klassifikationsverfahren stehen im Mittelpunkt der Arbeit.
Welche Rolle spielen neuronale Netze in der Analyse?
Neuronale Netze werden als leistungsfähigere Alternative zur Diskriminanzanalyse bewertet, da sie komplexe und nichtlineare Zusammenhänge erfassen können.
Inwiefern ist das Programm KONDAN relevant?
KONDAN dient als praxisnahes Beispiel für die Anwendung der Kontodatenanalyse in Sparkassen zur Risikobewertung mittels Diskriminanzfunktionen.
- Quote paper
- Dipl.Betrw.(BA) Michael M. Fleißer (Author), 2001, Die Kontodatenanalyse als Instrument zur Risikofrüherkennung im Firmenkundengeschäft, Munich, GRIN Verlag, https://www.grin.com/document/51021
