In den letzten Jahren ist das Interesse an neuen betriebswirtschaftlichen Problemlösungsverfahren enorm gestiegen. Herkömmliche Verfahren aus dem Operations Research und der Statistik bieten angesichts hochkomplexer Probleme oft nur unbefriedigende Ergebnisse. Verfahren aus dem Forschungsgebiet der Künstlichen Intelligenz dringen zunehmend in betriebswirtschaftliche Problemstellungen vor. Künstliche Neuronale Netze (KNN) stellen "intelligente" Problemlösungsverfahren dar, die sich besonders für nicht-konservative Aufgabenstellungen eignen, bei denen kein exaktes Modell der Ursache-Wirkungszusammenhänge vorliegt. Die Verfahren zeichnen sich durch eine breite Anwendbarkeit in betrieblichen Aufgabengebieten aus.
Die vorliegende Arbeit beschäftigt sich mit dem Einsatz von KNN in der Bilanzanalyse. Zunächst werden der Aufbau und die Funktionsweise von Neuronalen und Künstlichen Neuronalen Netzen erläutert. Folglich wird auf die Bilanzanalyse mit traditionellen und KNN-basierten Methoden eingegangen.
Inhaltsverzeichnis
- Abbildungsverzeichnis
- 1. Einleitung
- 2. Neuronale Netze
- 2.1 Das biologische Vorbild
- 2.2 Künstliche Neuronale Netze (KNN)
- 2.3 Aufbau und Funktionsweise von KNN
- 2.4 Topologie
- 2.5 Lernvorgang in KNN
- 2.6 Beispiel zum Lernprozess des KNN
- 2.7 Probleme lernender KNN
- 3. Bilanzanalyse
- 3.1 Bilanz und Bilanzanalyse
- 3.2 Objektivierungs-, Neutralisierungs- und Ganzheitlichkeitsprinzipien
- 3.3 Vorgehensweise bei der Bilanzanalyse
- 3.4 Kritik
- 3.5 Traditionelle Verfahren
- 3.5.1 Lineare multivariate und univariate Diskriminanzanalysen
- 3.5.2 Diskriminanzfunktion
- 3.5.3 Fehler bei der Anwendung der Diskriminanzfunktion
- 3.5.4 Optimierung
- 4. Moderne Verfahren
- 4.1 Künstliche Neuronale Netze in der Bilanzanalyse
- 4.2 Vorteile der KNN gegenüber einer linearen Diskriminanzanalyse
- 4.3 Betriebswirtschaftliche Einsatzgebiete der KNN
- 4.4 Bilanzanalyse im Sinne der Frühwarnung durch KNN
- 4.5 Beispiel für ein funktionierendes KNN
- 4.5.1 Das System zur Bilanzbonitätsbeurteilung BP-14
- 4.5.2 Entwicklung
- 4.5.3 Kennzahlen des BP-14
- 4.5.4 Anwendung: Interpretation der mit dem BP-14 erzielten Klassifikationsergebnisse
- 5. Ergebnis und weiterführende Gedanken
- 5.1 Ergebnis
- 5.2 Bewertung von Verfahren
- 5.3 Thesentörmige Zusammenfassung
- 6 Anhang
- Literaturverzeichnis
Zielsetzung und Themenschwerpunkte
Die Arbeit untersucht die Anwendung von künstlichen neuronalen Netzen (KNN) in der Bilanzanalyse, um Frühwarnungssysteme für Unternehmensinsovenzen zu entwickeln. Die Arbeit zeigt auf, wie KNN in der Bilanzanalyse eingesetzt werden können, um Informationen aus Jahresabschlüssen zu extrahieren und Unternehmen in Kategorien wie solvent oder insolvenzgefährdet einzuteilen.
- Das biologische Vorbild und die Funktionsweise von neuronalen Netzen
- Die Anwendung von KNN in der Bilanzanalyse im Vergleich zu traditionellen Verfahren
- Die Vorteile von KNN für Frühwarnungssysteme
- Das Beispiel des BP-14-Systems, ein KNN-basiertes Frühwarnsystem für die Bilanzbonitätsbeurteilung
- Die Bewertung der Effizienz und Genauigkeit von KNN-basierten Frühwarnsystemen
Zusammenfassung der Kapitel
Kapitel 1 führt in die Thematik der Frühwarnung durch Bilanzanalyse mittels neuronaler Netze ein und beleuchtet die steigende Bedeutung von KI-basierten Verfahren in der Betriebswirtschaftslehre. Kapitel 2 erläutert die Funktionsweise von neuronalen Netzen, beginnend mit dem biologischen Vorbild und der Funktionsweise von Neuronen. Es werden die verschiedenen Arten von Neuronen, die Topologie und der Lernvorgang in KNN detailliert beschrieben.
Kapitel 3 widmet sich der Bilanzanalyse und ihren traditionellen Methoden. Es werden die Prinzipien der Objektivierung, Neutralisierung und Ganzheitlichkeit sowie die Vorgehensweise bei der Bilanzanalyse erläutert. Die Kritik an traditionellen Verfahren und die Stärken und Schwächen von linearen multivariaten und univariaten Diskriminanzanalysen werden ebenfalls beleuchtet.
Kapitel 4 präsentiert moderne KNN-basierte Verfahren in der Bilanzanalyse. Es werden die Vorteile von KNN gegenüber traditionellen Methoden, wie z.B. die Fähigkeit zur nichtlinearen Trennung, hervorgehoben. Die betriebswirtschaftlichen Einsatzgebiete von KNN werden dargestellt und die Funktionsweise von Frühwarnsystemen mit KNN erklärt. Kapitel 4 enthält auch ein detailliertes Beispiel, das System zur Bilanzbonitätsbeurteilung BP-14, welches die Entwicklung, die Kennzahlen und die Anwendung des Systems im Detail beschreibt.
Kapitel 5 fasst die Ergebnisse der Arbeit zusammen und bewertet die verschiedenen Verfahren der Bilanzanalyse. Die Thesentörmige Zusammenfassung fasst die wichtigsten Erkenntnisse der Arbeit zusammen.
Schlüsselwörter
Die Schlüsselwörter und Schwerpunktthemen des Textes umfassen die Frühwarnung durch Bilanzanalyse, künstliche neuronale Netze (KNN), Bilanzbonitätsbeurteilung, Insolvenzprognose, traditionelle Verfahren der Bilanzanalyse, lineare Diskriminanzanalyse, das BP-14-System und die Bewertung von Frühwarnsystemen. Die Arbeit untersucht die Effizienz und Genauigkeit von KNN-basierten Frühwarnsystemen im Vergleich zu traditionellen Methoden.
- Arbeit zitieren
- Alexei Galert (Autor:in), 2002, Frühwarnung durch Bilanzanalyse mittels neuronaler Netze, München, GRIN Verlag, https://www.grin.com/document/9972
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen.