In den Jahren nach der Jahrtausendwende hat die Zahl der Unternehmensinsolvenzen in der Bundesrepublik Deutschland immer neue Rekordwerte erreicht. Im Jahr 2014 konnten noch 24.085 Unternehmensinsolvenzen verzeichnet werden. Betrachtet man zusätzlich die Höhe der voraussichtlichen Forderungen, welche in den vergangenen sieben Jahren bei durchschnittlich 33,75 Mrd. Euro lagen und erfahrungsgemäß in 90%-95% der Fälle uneinholbar sind, wird die gesamtwirtschaftliche Bedeutung der frühzeitigen Erkennung einer möglichen Insolvenzgefahr für alle Marktteilnehmer noch hervorgehoben.
Seit Entwicklung der ersten empirisch-statistischen Insolvenzprognoseverfahren Ende der 1960er Jahre wird diesen eine stetig zunehmende Bedeutung zugesprochen. Sie eignen sich insbesondere zur Auswertung großer Datenmengen und liefern dabei in der Regel zuverlässige Prognoseergebnisse. Dennoch ist es bislang nicht gelungen, eines der zahlreichen Insolvenzprognosemodelle als das Beste zu identifizieren.
Das Ziel dieser Arbeit soll es sein, neben den klassischen Bilanzkennzahlen weitere Kennzahlen zu identifizieren, die einen zusätzlichen Informationsgehalt zur Ermittlung der prognostizierten Ausfallwahrscheinlichkeit von Unternehmen besitzen. Die Analyse erfolgt anhand eines selbst zu generierenden Insolvenzprognosemodells auf Basis von Jahresabschlussinformationen deutscher Unternehmen. Dabei soll versucht werden, weitere für die Insolvenzprognose relevante Unternehmensinformationen so zu modifizieren, dass sie einen positiven Einfluss auf die empirische Schätzgüte des zugrunde liegenden Insolvenzprognosemodells aufweisen.
Inhaltsverzeichnis
1. Einleitung
2. Theoretische Übersicht
2.1. Begriffsbestimmung der Unternehmensinsolvenz
2.2. Empirisch-statistische Insolvenzprognosemodelle
2.3. Datenauswahl im Insolvenzprognosemodell
2.4. Zusammenfassung und untersuchungsleitende Fragestellung
3. Daten und Methodik
3.1. Beschreibung der Datenbasis
3.2. Theoretische und empirische Kennzahlenauswahl
3.3. Vorbereitung der multivariaten Analyse
3.3.1. Datenbereinigung und -modifizierung
3.3.2. Empirischer Pretest und univariate Analyse
3.4. Durchführung der multivariaten Analyse
4. Ergebnisse und Schlussfolgerungen
4.1. Entwicklung des Basismodells zur Insolvenzprognose
4.2. Veränderung der empirischen Schätzgüte durch Anpassungen im Basismodell
5. Zusammenfassung und Fazit
Zielsetzung & Themen
Die vorliegende Arbeit untersucht, wie über klassische Bilanzkennzahlen hinaus zusätzliche Informationen aus Jahresabschlüssen zur Verbesserung der Prognosegenauigkeit bei Unternehmensinsolvenzen genutzt werden können. Dabei liegt ein besonderer Fokus auf der Modifizierung von Kennzahlen durch prozentuale Veränderungsraten, um deren Aussagekraft in branchenübergreifenden Modellen zu steigern.
- Analyse empirisch-statistischer Insolvenzprognosemodelle
- Identifikation und Kategorisierung relevanter Kennzahlen zur Finanz- und Ertragslage
- Einsatz multivariater Logit-Regressionsmodelle zur Schätzung der Ausfallwahrscheinlichkeit
- Untersuchung des Einflusses von Dummy-Variablen auf die Prognosegüte
- Testung der Robustheit durch Einbeziehung modifizierter Kennzahlen (z.B. Personalaufwandsquote)
Auszug aus dem Buch
2.2. Empirisch-statistische Insolvenzprognosemodelle
Empirisch-statistische Verfahren stellen ein wesentliches Instrument der modernen Insolvenzprognose dar. Mit ihrer Hilfe wird versucht, Ausfallbeobachtungen auf Basis der zu einem bestimmten Zeitpunkt zur Verfügung stehenden Inputdaten, typischerweise Finanzkennzahlen, bestmöglich zu reproduzieren. Abbildung 1 zeigt eine Übersicht der gebräuchlichsten empirisch-statistischen Insolvenzprognosemodelle.
Grundsätzlich lassen sich empirisch-statistische Insolvenzprognosemodelle in parametrische und nicht-parametrische Verfahren klassifizieren. Dabei unterstellen die parametrischen Verfahren auf Basis bestimmter Annahmen, unter anderem bzgl. der Verteilung der Modellvariablen, einen bestimmten funktionalen Zusammenhang zwischen den erklärenden (unabhängigen) und der erklärten (abhängigen) Variable. Die Parameter werden in der Regel durch formal lösbare Optimierungsverfahren bestimmt und sind ökonomisch gut interpretierbar. Das Ziel der nichtparametrischen Verfahren ist es hingegen, durch Anwendung numerischer Verfahren den Zusammenhang zwischen den erklärenden und der erklärten Variable möglichst gut zu reproduzieren, ohne dabei einen konkreten funktionalen Zusammenhang zu unterstellen.
Zusammenfassung der Kapitel
1. Einleitung: Beschreibt die wirtschaftliche Relevanz der Insolvenzprognose für Banken und Investoren und definiert das Ziel, zusätzliche aussagekräftige Kennzahlen zu identifizieren.
2. Theoretische Übersicht: Erläutert die juristischen und ökonomischen Insolvenzbegriffe und stellt gängige empirisch-statistische Prognoseverfahren sowie Methoden der Datenauswahl vor.
3. Daten und Methodik: Beschreibt den verwendeten Datensatz aus der AMADEUS-Datenbank, die notwendige Bereinigung sowie die Vorgehensweise bei der Kennzahlenauswahl und dem Aufbau des Logit-Modells.
4. Ergebnisse und Schlussfolgerungen: Präsentiert die empirischen Ergebnisse der entwickelten Modelle, analysiert die Schätzgüte und untersucht den Einfluss modifizierter Kennzahlen.
5. Zusammenfassung und Fazit: Fasst die Erkenntnisse zusammen und bewertet den Nutzen zusätzlicher modifizierter Kennzahlen für die Insolvenzprognose.
Schlüsselwörter
Insolvenzprognose, Jahresabschluss, Finanzkennzahlen, Logit-Modell, Ausfallwahrscheinlichkeit, Unternehmensinsolvenz, Bilanzanalyse, Diskriminanzanalyse, Prognosegüte, Datenqualität, Dummy-Variablen, Personalkennzahlen, AMADEUS, Statistisches Bundesamt, empirische Schätzgüte.
Häufig gestellte Fragen
Worum geht es in dieser Diplomarbeit grundsätzlich?
Die Arbeit befasst sich mit der Entwicklung und Optimierung von Insolvenzprognosemodellen für deutsche Unternehmen unter Verwendung von Jahresabschlussdaten.
Welche zentralen Themenfelder werden bearbeitet?
Zentrale Themen sind die theoretischen Grundlagen der Unternehmensinsolvenz, die verschiedenen empirisch-statistischen Prognoseverfahren sowie die Identifikation geeigneter Kennzahlen aus Bilanz und Gewinn- und Verlustrechnung.
Was ist das primäre Ziel der Untersuchung?
Ziel ist es zu untersuchen, ob zusätzliche Kennzahlen – insbesondere durch prozentuale Veränderungen modifizierte Bilanzgrößen – den Informationsgehalt und damit die Prognosegenauigkeit gegenüber klassischen Modellen erhöhen können.
Welche wissenschaftliche Methode wird primär verwendet?
Es werden empirisch-statistische Verfahren, insbesondere das multivariate Logit-Regressionsmodell, zur Analyse von Insolvenzdaten genutzt.
Was wird im Hauptteil der Arbeit behandelt?
Im Hauptteil liegt der Fokus auf der Beschreibung der Datenbasis, der univariaten Analyse der Kennzahlen zur Finanz- und Ertragslage sowie der Durchführung und Validierung der multivariaten Logit-Modelle.
Welche Schlüsselwörter charakterisieren die Arbeit am besten?
Schlüsselwörter sind Insolvenzprognose, Logit-Modell, Jahresabschlusskennzahlen, Ausfallwahrscheinlichkeit und empirische Schätzgüte.
Warum wird auf weiche Daten verzichtet?
Auf weiche Daten wird aufgrund mangelnder Datenverfügbarkeit, hoher Erhebungskosten und subjektiver Verzerrungen verzichtet, da eine objektive und robuste Modellierung angestrebt wird.
Welche Erkenntnisse lieferte die Analyse der Personalaufwandsquote?
Die Analyse ergab, dass die klassische Personalaufwandsquote als Bilanzkennzahl ungeeignet ist, ihre prozentuale Veränderungsrate jedoch einen positiven Effekt auf die Prognosegüte des Modells hat.
Warum sind Dummy-Variablen in das Modell integriert worden?
Dummy-Variablen für Branche, Bundesland und Rechtsform wurden integriert, um die spezifische Insolvenzgefährdung dieser Kategorien im Modell abzubilden und die Schätzgüte zu verbessern.
Was zeigt der Vergleich zwischen parametrischen und nicht-parametrischen Verfahren?
Die Arbeit zeigt, dass parametrische Modelle wie die logistische Regression bei deutlich geringerem Implementierungsaufwand vergleichbare oder sogar bessere Prognoseergebnisse liefern als komplexe nicht-parametrische Verfahren.
- Quote paper
- Sabrina Kick (Author), 2015, Insolvenzprognose anhand von Kennzahlen. Deutsche Unternehmensinsolvenzen, Munich, GRIN Verlag, https://www.grin.com/document/338255
