Bonitätsklassifikationen von Unternehmen mit Neuronalen Netzen

摘要

Die zunehmende Zahl von Unternehmensinsolvenzen in den vergangenen Jahren und die damit verbundenen Forderungsausfälle für Gläubiger haben eine Suche nach neuen Methoden zur Bonitätsbeurteilung notwendig gemacht, um Unternehmenskrisen frühzeitig erkennen zu können. Mit Hilfe der Künstlichen Neuronalen Netz-Analyse (KNNA) ist es gelungen, einen Bilanzbonitätsindikator zu entwickeln, der objektiv und mit hoher Zuverlässigkeit Bestandsgefährdungen frühzeitig erkennt. Im Rahmen der KNNA wurde aus einem umfangreichen Kennzahlenkatalog unter Anwendung des Backpropagation-Algorithmus und mit Hilfe eines zweistufigen Prunings die „optimale" Kennzahlenkombination zur Klassifikation von gesunden und bestandsgefährdeten Unternehmen ermittelt. Der Untersuchung lag ein großer und repräsentativer Datenbestand zugrunde. Die Ergebnisse des entwickelten Künstlichen Neuronalen Netzes (KNN) sind betriebswirtschaftlich gut nachvollziehbar und lassen sich demgemäß sehr gut interpretieren. Im Rahmen der Kreditprüfung können KNN erfolgsoptimal auf die Parameter des einzelnen Kreditinstituts eingestellt werden. KNN sind daher ein geeignetes Instrument, um den gestiegenen Anforderungen an die Bonitätsbeurteilung gerecht zu werden.%Because of the increasing number of company insolvencies and the corresponding loan losses, there is a need for new methods of credit rating with the ability to predict bankruptcies early. Employing Artificial Neural Nets (ANN) an indicator could be developed which identifies a company crisis early, objectively and with a high reliability. The analysis is based on a large and representative data set. Out of a great number of predictor variables that combination of vari- ables has been determined best classifying companies into failed and non-failed classes. For this purpose a backpropagation net and pruning algorithms have been used. The results of the developed ANN are plausible and easy to interpret. In credit investigation ANN can be adapted to the parameters of a bank for optimal results. As a conclusion ANN are an effective tool to predict commercial failures.