Im Jahr 2004 erreichte die Zahl der Unternehmensinsolvenzen mit 39.600 Fällen einen neuen Höchststand. Zwar wurde der negative Trend im Jahr 2005 mit 37.900 angemeldeten Unternehmensinsolvenzen nicht fortgesetzt, doch stellt sich vor dem Hintergrund der hohen Unternehmenskrisen für Anteileigner, Kapitalgeber und Abschlussprüfer die Frage, wie solche negativen Entwicklungen bereits frühzeitig anhand von Jahresabschlussinformationen erkannt werden können.
Herkömmliche Verfahren der Bilanzanalyse auf der Basis klassischer Kennzahlenbildung oder statistischer Verfahren zur Prognose ökonomischer Unternehmensentwicklungen bieten angesichts der hochdimensionalen nichtlinearen Problemstellungen oft nur eine eher befriedigende Lösung. Vor diesem Hintergrund erhalten moderne Verfahren aus dem Forschungsgebiet der künstlichen Intelligenz auf der Basis Künstlicher Neuronaler Netze (KNN) seit den neunziger Jahren Einzug in die betriebswirtschaftliche Forschung und Praxis. Sie zeichnen sich durch intelligente Verfahren der Problemlösung aus und sind auch bei nichtlinearen komplexen Problemstrukturen einsetzbar. Insbesondere die Fähigkeit Unternehmenskrisen frühzeitig zu identifizieren macht sie nicht nur für Kreditwürdigkeitsprüfer zum wichtigen Instrument der Analyse und Bewertung. Nachfolgend wird der Einsatz von KNN in der Bilanzanalyse zur Früherkennung von Unternehmenskrisen diskutiert. Im Zentrum der Diskussion steht dabei die häufig in der Fachliteratur vertretene Meinung, dass KNN die prognostischen Fähigkeiten angestammter Verfahren übertreffen. Hierzu wird zunächst das Verfahren der klassischen Bilanzanalyse und das mathematisch-statistische Verfahren der Multivariaten Diskriminanzanalyse vorgestellt. Der sich aus den zentralen Kritikpunkten der Verfahren ergebende Optimierungsanspruch wird am Backpropagation-Netz mit 14 Kenzahlen (BP-14) diskutiert.
Inhaltsverzeichnis
1 Einleitung
2 Ziele und Kritikpunkte der klassischen Bilanzanalyse
3 Die Multivariate Diskriminanzanalyse
3.1 Verfahrensablauf
3.2 Bewertung und Optimierungsanspruch
4 Künstliche Neuronale Netze
4.1 Grundlagen
4.1.1 Architektur und Funktionsweise
4.1.2 Lernprozess
4.2 Instrumentalisierung am Beispiel des BP-14
4.2.1 Entwicklung
4.2.2 Kennzahlen
4.2.3 Interpretation der Ergebnisse
4.3 Bewertung
5 Fazit
Zielsetzung und thematische Schwerpunkte
Die Arbeit untersucht den Einsatz Künstlicher Neuronaler Netze (KNN) in der Bilanzanalyse zur Früherkennung von Unternehmenskrisen. Das primäre Ziel ist es zu diskutieren, inwiefern KNN die prognostischen Fähigkeiten traditioneller Verfahren, insbesondere der Multivariaten Diskriminanzanalyse (MDA), bei der Identifikation insolvenzgefährdeter Unternehmen optimieren können.
- Kritische Analyse der klassischen Bilanzanalyse und ihrer Grenzen bei komplexen Problemstrukturen.
- Darstellung der Multivariaten Diskriminanzanalyse (MDA) als statistisches Standardverfahren.
- Einführung in die Architektur, Funktionsweise und Lernprozesse Künstlicher Neuronaler Netze.
- Fallstudie zum Backpropagation-Netz mit 14 Kennzahlen (BP-14) als praktisches Anwendungsinstrument.
- Vergleichende Bewertung der Leistungsfähigkeit von MDA und KNN hinsichtlich Prognosegenauigkeit und Praxistauglichkeit.
Auszug aus dem Buch
4.2.1 Entwicklung
Ziel der KNN-Analyse ist es aus einem großen Kennzahlenkatalog die Kennzahlen herauszufiltern, die eine möglichst genaue Klassifizierung von „gesunden“ und „kranken“ Unternehmen erlauben. Die Auswahl der Kennzahlen steht dabei im direkten Zusammenhang mit dem Ganzheitlichkeitsprinzip. Denn eine umfassende Beurteilung der wirtschaftlichen Lage eines Unternehmens ist nur möglich, wenn die herangezogenen Kennzahlen alle Informationsbereiche des Jahresabschlusses abdecken.
Dementsprechend lag der Entwicklung des BP-14 ein Katalog von 209 Kennzahlen zugrunde, der alle Informationsbereiche des Jahresabschluss umfasste. Untersucht wurden die Kennzahlen anhand einer Lernstichprobe, die je 393 Jahresabschlüssen „gesunder“ und „kranker“ Unternehmen enthielt. Die Kennzahlenwerte der Lernstichprobe wurden dem Netz dabei nach dem Prinzip des überwachten lernen präsentiert, d. h. dass neben den Eingabewerten auch die Ausgabewerte „gesund“ oder „krank“ bekannt waren. Der Prozess wurde solange wiederholt bis das Netz gelernt hatte „gesunde“ und „kranke“ Unternehmen auf der Basis der Lernstichprobe richtig zu klassifizieren. Der eigentliche Lernprozess, die Modifikation der Verbindungsgewichte, erfolgte dabei nach der Lernregel des Backpropagation-Algorithmus.
Die Qualität der Klassifizierungsergebnisse wurde während des Lernprozesses laufend optimiert. Dies geschah einerseits durch die wiederholte Präsentation der Datensätze und andererseits durch die Reduktion der Kennzahlen, dem sog. Pruning. Zunächst wurde ein gewichtsorientiertes Pruning durchgeführt, bei dem die Kannezahlen mit den geringsten Verbindungsgewichten abgeschnitten wurden. Die Verbindungen wurden reduziert, da ein KNN mit zu vielen Kennzahlen und Verbindungsgewichten die Daten der Lernstichprobe zu genau abbildet und seine Generalisierungsfähigkeit verliert. Nachdem gewichtsorientierten Pruning wurde ein relevanzorientiertes Pruning durchgeführt, bei dem alle verbliebenen Kennzahlen hinsichtlich ihrer Bedeutung für die Klassifizierungsgenauigkeit untersucht wurden. War die Klassifizierungsgenauigkeit ohne eine bestimmte Kennzahl genauer, so wurde diese entfernt.
Zusammenfassung der Kapitel
1 Einleitung: Diese Einleitung führt in die Problematik steigender Unternehmensinsolvenzen ein und erläutert die Notwendigkeit moderner Verfahren zur Früherkennung, wobei KNN als potenziell leistungsstarke Alternative zur klassischen Bilanzanalyse vorgestellt werden.
2 Ziele und Kritikpunkte der klassischen Bilanzanalyse: Das Kapitel beschreibt den Zweck der Bilanzanalyse zur Beurteilung der Unternehmenslage, arbeitet jedoch gleichzeitig die Subjektivität der Analysten sowie die mangelnde Eignung für komplexe, nichtlineare Problemstrukturen als zentrale Schwachstellen heraus.
3 Die Multivariate Diskriminanzanalyse: Dieses Kapitel erläutert den statistischen Ansatz der MDA zur Klassifizierung von Unternehmen und diskutiert deren Verfahrensablauf, Stärken und Schwächen hinsichtlich der theoretischen Fundierung sowie Fehlklassifizierungsraten.
4 Künstliche Neuronale Netze: Dieses umfangreiche Kapitel widmet sich den theoretischen Grundlagen der KNN, erläutert die Architektur und Lernprozesse und untersucht detailliert das BP-14 Modell als Instrument der Bilanzbonitätsbeurteilung inklusive dessen Entwicklung, Kennzahlenauswahl und Ergebnisinterpretation.
5 Fazit: Das Fazit fasst zusammen, dass sowohl MDA als auch KNN leistungsfähige Instrumente sind, wobei KNN eine höhere Prognosegenauigkeit aufweisen, jedoch im Vergleich zur ausgereiften MDA noch als jüngere, kostenintensive Technologie gelten.
Schlüsselwörter
Bilanzanalyse, Unternehmenskrisen, Künstliche Neuronale Netze, KNN, Multivariate Diskriminanzanalyse, MDA, BP-14, Insolvenzprognose, Früherkennung, Backpropagation-Algorithmus, Bilanzbonitätsindex, Kennzahlen, Klassifizierung, Neuron, Lernfähigkeit.
Häufig gestellte Fragen
Worum geht es in dieser wissenschaftlichen Arbeit grundlegend?
Die Arbeit befasst sich mit der Anwendung moderner Analysemethoden aus dem Bereich der Künstlichen Intelligenz, spezifisch Künstlicher Neuronaler Netze, zur Unterstützung der klassischen Bilanzanalyse bei der Früherkennung von Unternehmenskrisen.
Was sind die zentralen Themenfelder der Untersuchung?
Zentrale Themen sind die Leistungsfähigkeit klassischer statistischer Verfahren wie der Multivariaten Diskriminanzanalyse im Vergleich zu fortschrittlichen lernfähigen Modellen wie Künstlichen Neuronalen Netzen.
Was ist das primäre Ziel oder die Forschungsfrage?
Das Ziel ist es, zu analysieren, ob Künstliche Neuronale Netze die prognostischen Mängel traditioneller Verfahren ausgleichen können und als zuverlässiges Instrument für Kreditwürdigkeitsprüfer und Analysten geeignet sind.
Welche wissenschaftliche Methode wird in dieser Arbeit verwendet?
Die Arbeit stützt sich primär auf eine theoretische Auseinandersetzung mit Fachliteratur sowie die Analyse und Diskussion eines konkreten Praxisbeispiels, des sogenannten BP-14 Modells.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die Darstellung der klassischen Bilanzanalyse, die methodische Einführung der MDA, die theoretische Herleitung von KNN und eine detaillierte Auseinandersetzung mit der Entwicklung und dem Aufbau des BP-14 Modells.
Welche Schlüsselwörter charakterisieren diese Arbeit?
Die Arbeit wird maßgeblich durch Begriffe wie Bilanzanalyse, Unternehmenskrisen, Künstliche Neuronale Netze, MDA und Insolvenzprognose charakterisiert.
Was genau verbirgt sich hinter dem Kürzel BP-14?
Das BP-14 ist ein spezifisches KNN zur Bilanzbonitätsbeurteilung, das auf der Basis von 14 ausgewählten Kennzahlen einen Bilanzbonitätsindex (den N-Wert) berechnet, um die Bestandsfestigkeit von Unternehmen zu klassifizieren.
Warum reicht die klassische Bilanzanalyse laut Autor oft nicht aus?
Der Autor argumentiert, dass die klassische Bilanzanalyse bei hochdimensionalen, nichtlinearen Problemstrukturen oft nur befriedigende Ergebnisse liefert und stark von der Subjektivität des Analysten abhängt.
- Quote paper
- Nils Oetjen (Author), 2006, Künstliche Neuronale Netze in der Bilanzanalyse, Munich, GRIN Verlag, https://www.grin.com/document/52469
