Die Arbeit geht der Frage nach, ob die frühzeitige Erkennung von Insolvenzen möglich ist beziehungsweise welches System hierfür das effektivste darstellt. Zur Beantwortung der Fragestellung erfolgt zunächst eine thematische Einführung. Im Anschluss werden verschiedene ausgewählte Möglichkeiten zur Insolvenzprognose diskutiert und schließlich in einem Fazit die Erkenntnisse hieraus zusammengeführt.
Seit dem Höhepunkt der Finanzkrise 2009 sinkt die Anzahl der Insolvenzen von Unternehmen in Deutschland stetig. Als Gründe für den maßgeblichen Rückgang lassen sich vor allem die widerstandsfähige Konjunktur sowie die hohen Exportzahlen anführen. Aber auch geringere finanzielle Belastungen für Kreditnehmer und der Binnenmarkt tragen zu diesem Erfolg bei. Ungeachtet der positiven Entwicklung wurde auch im Jahr 2017 eine nicht zu verachtende Anzahl an Unternehmensinsolvenzen von 20.200 gemeldet, die weiterhin einen hohen volkswirtschaftlichen Schaden verursachen.
Die Problematik der Frühprognose von Insolvenzen Bezüglich dieser Problematik kommt den Systemen zur Frühprognose von Insolvenzen ein hoher Stellenwert zu. Die Unternehmen sind durchgehend mit einer sich ständig erweiternden Komplexität und einer zunehmenden Dynamik in ihrem unternehmerischen Umfeld konfrontiert und müssen schneller und effektiver auf neu eintretende Begebenheiten reagieren. Somit wird es für Unternehmen überlebensnotwendig, Erkenntnisverzögerungen zu minimieren und relevante Veränderungen rechtzeitig zu identifizieren. Eine Krise erfolgreich zu überstehen, besteht dementsprechend weniger aus dem Finden eines Auswegs aus einer Krise, sondern vielmehr daraus, bereits durch rechtzeitig eintretende Handlungsschritte eine Krisensituation so weit zu vermeiden, dass diese keine bzw. kaum negative Einflüsse mehr haben kann.
Inhaltsverzeichnis
A. Einleitung
I. Die Problematik der Frühprognose von Insolvenzen
II. Zielsetzung und Gang der Untersuchung
B. Thematische Grundlagen
I. Begriffsbestimmung zur Insolvenz
II. Risikomanagement und Risikocontrolling
III. Grundlagen der Kreditwürdigkeitsprüfung
C. Systeme zur Insolvenzprognose
I. Entwicklungsstufen der Systeme zur Identifikation von Risiken
1. Frühwarnung
2. Früherkennung
3. Frühaufklärung
4. Zwischenfazit
II. Traditionelle Bilanzanalyse
1. Inhalt der traditionellen Bilanzanalyse
2. Kritische Betrachtung der traditionellen Bilanzanalyse
III. Moderne Verfahren
1. Multivariate Diskriminanzanalyse
2. Logistische Regressionsanalyse
3. Künstliche Intelligenz
a) Künstlich neuronale Netzanalyse
b) Expertensystem
4. Scoringverfahren i. S. d. RSW-Verfahrens
IV. Kritische Betrachtung der modernen Verfahren
1. Allgemeine Kritik zu den modernen Verfahren der Bilanzanalyse
2. Spezifische Kritik der Multivariaten Diskriminanzanalyse
3. Spezifische Kritik der logistischen Regressionsanalyse
4. Spezifische Kritik der Verfahren der Künstlichen Intelligenz
a) Künstlich neuronale Netze
b) Expertensystem
5. Spezifische Kritik des Scoringverfahrens i. S. d. RSW-Verfahrens
6. Weitergehende Lösungsansätze
D. Fazit
Zielsetzung & Themen
Die vorliegende Arbeit untersucht, inwiefern die frühzeitige Erkennung von Unternehmensinsolvenzen möglich ist und welche der existierenden Prognosesysteme sich hierfür als am effektivsten erweisen. Dabei steht die kritische Hinterfragung moderner Verfahren im Vergleich zur klassischen Bilanzanalyse im Zentrum der Forschungsfrage.
- Frühwarnsysteme im Krisenmanagement
- Traditionelle Bilanzanalyse versus moderne Prognoseverfahren
- Methoden der multivariaten Diskriminanzanalyse und logistischen Regression
- Einsatzmöglichkeiten künstlicher Intelligenz (neuronale Netze & Expertensysteme)
- Kritische Analyse von Risikocontrolling und Insolvenzprognosen
Auszug aus dem Buch
1. Multivariate Diskriminanzanalyse
Beim Verfahren der multivariaten Diskriminanzanalyse werden Gruppenzugehörigkeiten anhand eines Diskriminanzwertes ausgehend von festgelegten Merkmalen bzw. Jahresabschlusskennzahlen analysiert, um eine erste Einschätzung der Bonität eines Unternehmens zu erlangen. Im hier relevanten Fall erfolgt demnach die Gruppeneinteilung zwischen solventen und insolvenzgefährdeten Unternehmen. Je nach Anzahl der verwendeten Kennzahlen unterscheidet man zwischen univariat, bivariat und multivariat. Dementsprechend ist eine Diskriminanzanalyse mit einer Kennzahl univariat, mit zwei Kennzahlen bivariat und mit mehreren Kennzahlen multivariat. Der Aufbau einer multivariaten Diskriminanzanalyse lässt sich in fünf wesentliche Schritte unterteilen.
Anfangs werden zwei verschiedene Stichproben benötigt. Hierzu wird die vorhandene Datenbasis nach bestimmten Kriterien analysiert, um die solventen und insolvenzgefährdeten Unternehmen unabhängig voneinander in zwei Gruppen aufzuteilen. Dadurch werden zwei repräsentative Stichproben gewonnen: die Lern- und Kontrollstrichprobe. Die Lernstichprobe ist Voraussetzung für die Ermittlung der Diskriminanzfunktion.
Im nächsten Schritt wird ein Kennzahlenkatalog auf Grundlage der Informationen aus der Jahresbilanz festgelegt. Die dort enthaltenen Kennzahlen dürfen nicht miteinander korrelieren, d.h., dass sie normalverteilt, multivariat trennfähig und voneinander unabhängig sein müssen.
Im dritten Schritt werden die Kennzahlen aus dem Kennzahlenkatalog identifiziert und es wird geprüft, in welcher Gewichtung diese die Unternehmen aus der Lernstichprobe in solvent und insolvenzgefährdet trennen. Hieraus lässt sich dann die Diskriminanzfunktion ableiten. Im Grundsatz werden die Kennzahlen also zuerst ausgewählt, dann gewichtet und anschließend in einer Funktion zusammengefasst. Diese Analyseabfolge stellt den umfangreichsten Teil einer Diskriminanzanalyse dar.
Zusammenfassung der Kapitel
A. Einleitung: Beschreibt die Relevanz der Insolvenzprognose angesichts der wirtschaftlichen Dynamik und definiert das Ziel der Arbeit, verschiedene Prognosemethoden kritisch zu untersuchen.
B. Thematische Grundlagen: Legt das notwendige theoretische Fundament, indem Begriffe wie Insolvenz und Risikomanagement definiert und die Bedeutung der Kreditwürdigkeitsprüfung erläutert werden.
C. Systeme zur Insolvenzprognose: Analysiert detailliert die historische Entwicklung von Frühwarnsystemen, die traditionelle Bilanzanalyse sowie moderne mathematisch-statistische und KI-basierte Prognoseverfahren, inklusive ihrer jeweiligen Stärken und Schwächen.
D. Fazit: Führt die Erkenntnisse zusammen und stellt fest, dass trotz bestehender Defizite bei der Vergangenheitsorientierung die Kombination verschiedener Verfahren adäquate empirische Ergebnisse für die Insolvenzprävention liefern kann.
Schlüsselwörter
Insolvenzprognose, Frühwarnsystem, Bilanzanalyse, Risikomanagement, Multivariate Diskriminanzanalyse, Logistische Regression, Künstliche Intelligenz, Neuronale Netze, Expertensysteme, RSW-Verfahren, Kreditwürdigkeitsprüfung, Krisenmanagement, Jahresabschluss, Bonitätsprüfung, Insolvenzrisiko.
Häufig gestellte Fragen
Worum geht es in dieser wissenschaftlichen Arbeit grundsätzlich?
Die Arbeit befasst sich mit der Entwicklung und kritischen Prüfung von Systemen zur Früherkennung von Unternehmensinsolvenzen.
Was sind die zentralen Themenfelder der Untersuchung?
Zu den zentralen Themen gehören das betriebliche Risikomanagement, die methodische Einordnung von Frühwarnsystemen und der Vergleich zwischen klassischen sowie modernen Analyseverfahren.
Was ist das primäre Ziel der Forschungsarbeit?
Das Ziel ist es, verschiedene moderne Prognosemethoden daraufhin zu hinterfragen, ob sie effektiv dazu beitragen können, insolvenzgefährdete Unternehmen frühzeitig zu identifizieren.
Welche wissenschaftlichen Methoden kommen zur Anwendung?
Die Autorin/der Autor analysiert schwerpunktmäßig mathematisch-statistische Verfahren wie die Diskriminanz- und Regressionsanalyse sowie Ansätze der künstlichen Intelligenz, darunter neuronale Netze und Expertensysteme.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die theoretischen Grundlagen des Risikomanagements, eine detaillierte historische und inhaltliche Darstellung von Prognosesystemen sowie eine kritische Bewertung dieser Verfahren bezüglich ihrer Objektivität und Aussagekraft.
Welche Schlüsselbegriffe charakterisieren die Arbeit?
Wesentliche Begriffe sind Insolvenzprognose, Frühwarnung, multivariate Diskriminanzanalyse, künstliche Intelligenz und Bilanzanalyse.
Worin liegt der Hauptkritikpunkt an der klassischen Bilanzanalyse für Insolvenzprognosen?
Der Hauptkritikpunkt ist die starke Vergangenheitsorientierung, da die Kennzahlen oft erst zu spät auf eine Krise reagieren und qualitative Faktoren wie Management-Know-how nicht einfließen.
Was ist das Besondere an dem RSW-Verfahren?
Das RSW-Verfahren (Rendite, Sicherheit, Wachstum) wird speziell zur Bewertung von börsennotierten Aktiengesellschaften genutzt, indem es verschiedene Kennzahlen aggregiert, weist jedoch eine hohe Subjektivität bei der Gewichtung auf.
Warum werden "künstlich neuronale Netze" oft gegenüber "Expertensystemen" bevorzugt?
Neuronale Netze verfügen über Lernalgorithmen, die komplexe Muster eigenständig identifizieren können, während Expertensysteme einen hohen Aufwand bei der Wissenspflege erfordern und über keine vergleichbare Lernkomponente verfügen.
- Citar trabajo
- Anonym (Autor), 2018, Systeme zur Früherkennung von Insolvenzen. Effektivität und Insolvenzprognose, Múnich, GRIN Verlag, https://www.grin.com/document/588163
