Vor dem Hintergrund einer fortschreitenden Globalisierung und im Zusammenhang mit strukturellen Unvollkommenheiten der heimischen Volkswirtschaften sehen sich immer mehr und immer häufiger deutsche und europäische Unternehmen mit dem Thema der Insolvenz konfrontiert. Zwar wird 2003 die Marke von 40.000 Unternehmensinsolvenzen in Deutschland nach Schätzungen von Creditreform e.V. nicht überschritten, doch der Anstieg der Insolvenzenanmeldungen gegenüber 2002 um 5,5% ist alles andere als irrelevant. In diesem Sinne steigt auch das Interesse auf Seite der Unternehmen und Kreditgeber für geeignete Instrumente der Krisenfrüherkennung, da nur durch die rechtzeitige Diagnose einer drohenden Krise ein erfolgreiches Krisenmanagement möglich ist.
Die vorliegende Arbeit befaßt sich mit diesem Thema unter dem Aspekt der Krisenfrüherkennung anhand von Jahresabschlüssen mithilfe statistischer Verfahren. In der ersten Hälfte erfolgt ein Überblick über die theoretischen Aspekte der Unternehmenskrise, ihre Ursachen und Verläufe (Kapitel 2.) und über die Instrumente zur Krisenfrüherkennung (Kapitel 3.).
In der zweiten Hälfte werden die beiden statistischen Verfahren vorgestellt – nämlich das BBR Baetge-Bilanz-Rating® (Kapitel 5.) und das RiskCalc™ Germany (Kapitel 6.) – welche die höchsten Trefferquoten bei der Erkennung von insolvenzgefährdeten Unternehmen aufweisen. Beide Verfahren werden von renommierten Rating-Agenturen für die Ermittlung von Kreditrisiken angewendet und bieten auch sonst eine hervorragende Grundlage für weitere qualitative Analysen. Im Gegensatz zu RiskCalc™ Germany – welches auf der mehr oder weniger bekannten Grundlage einer logistischen Regression entwickelt wurde – funktioniert das BBR Baetge-Bilanz-Rating® auf der Basis eines Künstlichen Neuronalen Netzes (KNN). Die Künstliche Neuronale Netzanalyse dürfte in der allgemeinen Betriebswirtschaftslehre einen noch recht niedrigen Bekanntheitsgrad geniessen, daher sind in Kapitel 4. die Grundzüge der KNNA dargestellt.
Im Fazit (Kapitel 7.) erfolgt ein Vergleich der beiden Verfahren anhand von ausgewählten Kriterien.
Inhaltsverzeichnis der Seminararbeit
1. Einleitung
2. Zum Begriff der Unternehmenskrise
2.1. Ursachen für Unternehmenskrisen
2.2. Verlauf von Unternehmenkrisen
2.2.1. Verlauf der Krise in Bezug auf das Zielsystem des Unternehmens
2.2.2. Verlauf der Krise in Bezug auf den Aggregatzustand
2.2.3. Gegenüberstellung der Phasenmodelle
2.3. Wirkungen von Unternehmenskrisen
3. Frühwarnsysteme und Krisendiagnose
3.1. Krisenfrüherkennung während der Geschäftsperiode
3.2. Krisendiagnose am Ende der Geschäftsperiode
4. Die Künstliche Neuronale Netzanalyse (KNNA)
5. Das BBR Baetge-Bilanz-Rating®
6. RiskCalc™ Germany
7. Fazit
Zielsetzung & Themen der Arbeit
Die Arbeit untersucht Instrumente zur Krisenfrüherkennung von Unternehmen mithilfe von statistischen Verfahren auf Basis von Jahresabschlusskennzahlen, um rechtzeitige Sanierungsmaßnahmen zu ermöglichen.
- Theoretische Grundlagen von Unternehmenskrisen (Ursachen und Verläufe)
- Methoden der Krisenfrüherkennung während und nach der Geschäftsperiode
- Grundlagen der Künstlichen Neuronalen Netzanalyse (KNNA)
- Detaillierte Vorstellung des BBR Baetge-Bilanz-Rating®
- Analyse des RiskCalc™ Germany Modells
Auszug aus der Seminararbeit
4. Die Künstliche Neuronale Netzanalyse (KNNA)
Den Ausgangspunkt für die Entwicklung der Neuronalen Netze bildet die Überlegenheit von Menschen oder Tieren gegenüber den Computern bei der Lösung von komplexen Aufgaben wie z.B. Erkennen eines Bildes, Analysieren von Sprache oder Steuern von Bewegungen. Es ist also naheliegend, die Struktur des menschlichen Gehirns genauer zu entschlüsseln, um daraus Anregungen für eine Verbesserung der maschinellen Datenverarbeitung zu erhalten.
Das menschliche Gehirn ist aus Nervenzellen (Neuronen) aufgebaut, die die Eigenschaft besitzen, Informationen durch ein veränderbares elektrisches Potential speichern und mit Hilfe von Nervenimpulsen über Verdickungen im Ende ihrer Ausläufer (Synapsen) an andere Nervenzellen weitergeben zu können. Neuronen mit erhöhtem Potential werden dabei als angeregt oder aktiviert bezeichnet. Man schätzt, dass der Mensch ca. 100 Milliarden Nervenzellen besitzt, wobei jede Zelle mit ca. 1.000 bis 10.000 „Nachbarn“ verbunden ist. Dieses Modell läßt sich durch eine Skizze darstellen (Abb. 4), welche zugleich die sehr vereinfachten Modelle eines Nervenzellengeflechtes zeigt, die in der Neuroinformatik verwendet werden.
Zusammenfassung der Kapitel
1. Einleitung: Die Einleitung beleuchtet die steigende Bedeutung von Krisenfrüherkennungssystemen aufgrund zunehmender Unternehmensinsolvenzen und führt in die behandelten statistischen Verfahren ein.
2. Zum Begriff der Unternehmenskrise: Dieses Kapitel definiert Unternehmenskrise, analysiert deren Ursachen (endogen/exogen) und stellt verschiedene Phasenmodelle sowie die Auswirkungen von Krisen dar.
3. Frühwarnsysteme und Krisendiagnose: Hier werden unterschiedliche Systeme zur Krisenfrüherkennung während und nach der Geschäftsperiode sowie methodische Anforderungen an die Bilanzanalyse erörtert.
4. Die Künstliche Neuronale Netzanalyse (KNNA): Das Kapitel erläutert die biologischen Grundlagen der Neuronalen Netze und deren Übertragung auf die maschinelle Datenverarbeitung für betriebswirtschaftliche Analysen.
5. Das BBR Baetge-Bilanz-Rating®: Vorstellung des kommerziellen BBR®-Systems, dessen Datenbasis, Aufbau, Funktionsweise des Neuronalen Netzes und die Nutzung für Ursachenanalysen.
6. RiskCalc™ Germany: Detaillierte Darstellung des auf logistischer Regression basierenden Moody’s Rating-Modells, inklusive seiner Zielsetzung, Auswahlkriterien und Funktionsweise.
7. Fazit: Das Fazit fasst die Bedeutung kontinuierlicher Krisenfrüherkennung zusammen, vergleicht die vorgestellten Verfahren und bewertet deren Beitrag zur Risikominimierung.
Schlüsselwörter
Unternehmenskrise, Sanierung, Krisenfrüherkennung, Jahresabschlusskennzahlen, Künstliche Neuronale Netze, KNNA, BBR Baetge-Bilanz-Rating, RiskCalc Germany, Insolvenzprognose, logistische Regression, Bilanzanalyse, Rating-Agenturen, Frühwarnsysteme, Backpropagation, Sensitivitätsanalyse.
Häufig gestellte Fragen
Worum geht es in dieser Seminararbeit?
Die Arbeit analysiert statistische Verfahren zur Früherkennung von Unternehmenskrisen basierend auf Kennzahlen aus Jahresabschlüssen, um Unternehmen frühzeitig vor Insolvenzrisiken zu warnen.
Was sind die zentralen Themenfelder?
Die Schwerpunkte liegen auf den theoretischen Krisendefinitionen, der Klassifizierung von Krisenphasen sowie der technischen Vorstellung moderner Rating-Modelle wie KNNA, BBR® und RiskCalc™.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist es, dem Leser einen Überblick über die Möglichkeiten der Krisenfrüherkennung zu geben, um durch rechtzeitige Diagnose ein erfolgreiches Krisenmanagement zu ermöglichen.
Welche wissenschaftliche Methode wird verwendet?
Es werden moderne quantitative Verfahren angewendet, insbesondere Künstliche Neuronale Netze (KNNA) und logistische Regression, die zur Analyse von Jahresabschlussdaten dienen.
Was wird im Hauptteil behandelt?
Der Hauptteil gliedert sich in theoretische Aspekte, Instrumente zur Krisenfrüherkennung sowie eine detaillierte technische Analyse der Verfahren BBR® und RiskCalc™.
Welche Schlüsselwörter charakterisieren die Arbeit?
Zentrale Begriffe sind Unternehmenskrise, Insolvenzprognose, BBR-Rating, RiskCalc, statistische Jahresabschlussanalyse und Frühwarnsysteme.
Wie unterscheidet sich die Künstliche Neuronale Netzanalyse von klassischen Verfahren?
Im Gegensatz zu linearen Modellen wie der traditionellen Bilanzanalyse oder klassischen Diskriminanzanalysen können Neuronale Netze komplexere, nicht-lineare Zusammenhänge in den Daten besser erfassen und verarbeiten.
Warum ist eine Unterscheidung in BBR® und RiskCalc™ Germany sinnvoll?
Obwohl beide Modelle hohe Trefferquoten zur Krisenerkennung aufweisen, unterscheiden sie sich grundlegend in ihrer mathematischen Basis (Neuronale Netze vs. logistische Regression) sowie in ihrer Transparenz und methodischen Herangehensweise.
- Quote paper
- Dipl.-Kfm. / M.E.S. / Internationaler Wirtschaftler (BG) Vesselin Iankov (Author), 2004, Probleme der Früherkennung von Unternehmenskrisen anhand von Jahresabschlußkennzahlen, Munich, GRIN Verlag, https://www.grin.com/document/62169
