Skip to main content

Die Prognose von Insolvenzen bei gleichzeitiger Betrachtung mehrerer Kennzahlen („Multivariate Diskrimination“)

  • Chapter
Insolvenzprognosen aus aktienrechtlichen Jahresabschlüssen

Zusammenfassung

Bisher wurden die Kennzahlen nur isoliert betrachtet. Mit einer einzelnen Kennzahl kann aber jeweils nur ein Teilaspekt des im Jahres-abschluß abgebildeten Unternehmensgeschehen erfaßt werden. Es ist daher zu erwarten, daß eine gleichzeitige Betrachtung mehrerer Kennzahlen bessere Möglichkeiten zur Unterscheidung zwischen insolventen und Vergleichsunternehmen eröffnen wird.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 54.99
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
USD 69.99
Price excludes VAT (USA)
  • Compact, lightweight edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. Vgl. Horrigan, J.O.: A Short History of Financial Ratio Analysis, a.a.O., S. 286 f.

    Google Scholar 

  2. Tamari, M.: Finanzwirtschaftliche Kennzahlen als Mittel zur Vorhersage von Insolvenzen, in: Management International Review, 1966, Nr. 4, S. 32.

    Google Scholar 

  3. Vgl. Altman, E.I.: Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy, a.a.O., S. 589 ff.

    Google Scholar 

  4. Vgl. Abschnitt V. C. 2., S. 192 f. dieser Arbeit.

    Google Scholar 

  5. Vgl. Altman, E.I.: Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy, a.a.O., S. 600 f.

    Google Scholar 

  6. Vgl. z.B. Linder, A.: Statistische Methoden für Naturwissenschaftler, Mediziner und Ingenieure, 4. Aufl., 1964, S. 238 ff.;

    Google Scholar 

  7. Weber, E.: Grundriß der biologischen Statistik, 7. Aufl., 1972, S. 550 ff.;

    Google Scholar 

  8. Green, P.E./Tull, D.S.: Research for Marketing Decisions, 3. Aufl., 1975, S. 441 ff.

    Google Scholar 

  9. Vgl. z.B. Cooley, W.W./Lohnes, P.R.: Multivariate Data Analysis, 1971, S. 243 ff.;

    Google Scholar 

  10. Tatsuoka, M.M.: Multivariate Analysis, 1971, S. 157 ff.;

    Google Scholar 

  11. Ahrens, H./Läuter, J.: Mehrdimensionale Varianzanalyse, 1974, S. 97 ff.;

    Google Scholar 

  12. Marinell, G.: Multivariate Verfahren, 1977, S. 51 ff.

    Google Scholar 

  13. Vgl. dazu Abschnitt VI. A., S. 202 ff. dieser Arbeit.

    Google Scholar 

  14. Vgl. Eisenbeis, R.A./Avery, R.B.: Discrimant Analysis and Classification Procedures, 1972, S. 16 ff.; 37 ff.

    Google Scholar 

  15. So z.B. von Altman, E.I./Loris, B.: a.a.O., S. 1203 ff; Sinkey, J.F.: A Multivariate Statistical Analysis of the Characteristics of Problem Banks, in: JOF, 1975, S. 21 ff.; Altman, E.I./Halde-man, R.G./Narayanan, P.:a.a.O., S. 33 ff.

    Google Scholar 

  16. Eine ausführliche Programmbeschreibung findet man bei Eisenbeis, R.A./Avery, R.B.: a.a.O., S. 85 ff.

    Google Scholar 

  17. Vgl. Eisenbeis, R.A./Avery, R.B.: a.a.O., S. 21 ff., 99 ff.

    Google Scholar 

  18. Die praktische Durchführung der Lachenbruch-Fehlerschätzung benutzt hier eine von Bartlett aufgezeigte Identität, durch die der Rechenaufwand in erträglichen Grenzen gehalten werden kann. Vgl. dazu Lachenbruch, P.A.: a.a.O., S. 641 ff.; Eisenbeis, R.A./ Avery, R.B.: a.a.O., S. 99 ff.

    Google Scholar 

  19. Vgl. Klecka, W.R.: Discriminant Analysis, in: Nie, N.H./Hull, C.H./Jenkins, J.G./Steinbrenner, K./Bent, D.H.: SPSS Statistical Package for the Social Sciences, 2 nd ed., 1975, S.456 f.

    Google Scholar 

  20. Zum Test vgl. Eisenbeis, R.A./Avery, R.B.: a.a.O., S. 8, 93 f. Deren von uns verwendetes Programm MULDIS führt im Falle einer nicht ausreichenden Anzahl von Freiheitsgraden keine Diskrimi-nanzanalysen mehr durch.

    Google Scholar 

  21. Vgl. Weinrich, G.: a.a.O., S. 114 ff.

    Google Scholar 

  22. Vgl. Klecka, W.R.: a.a.O., S. 447 f.

    Google Scholar 

  23. Vgl. z.B. Weber, E.: a.a.O., S. 571 ff.

    Google Scholar 

  24. Vgl. Eisenbeis, R.A./Avery, R.B.: a.a.O., S. 74; Michaelis, J.: Computerprogramme zur Variablenreduktion bei der linearen und quadratischen Diskriminanzanalyse für mehrere Gruppen, in: EDV in Medizin und Biologie, 1972, S. 87 ff.

    Google Scholar 

  25. In der Programmbeschreibung wird ein Rechenzeitbedarf von sechs Minuten auf einer IBM 360–50 für die vollständige Überprüfung bei 15 Variablen angegeben. Jede Hinzufügung einer weiteren Variablen soll diese Rechenzeit verdoppeln. Vgl. Eisenbeis, R.A./Avery, R.B.: a.a.O., S. 77, 82.

    Google Scholar 

  26. Vgl. hierzu die Diskussion bei Weinrich, G.: a.a.O., S. 109 ff.

    Google Scholar 

  27. Vgl. Tab. 22, S. 218 und Tab. 28, S. 230.

    Google Scholar 

  28. Vgl. dazu S. 239 ff. dieser Arbeit.

    Google Scholar 

  29. Vgl. die Darstellung der Wirkungsweise solcher Suppressorvariab-len bei der zur multiplen Diskriminanzanalyse sehr große Ähnlichkeit aufweisenden multiplen Regression durch Gaensslen, H./ Schubö, W.: Einfache und komplexe statistische Analyse, 1973, S. 117, 121 ff.

    Google Scholar 

  30. Vgl. Altman, E.I.: Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy, a.a.O., S. 597; ders.: Predicting railroad bankruptcies in America, a.a.O., S. 197.

    Google Scholar 

  31. Vgl. Tab. 23, S. 221 dieser Arbeit.

    Google Scholar 

  32. Vgl. dazu S. 232 dieser Arbeit.

    Google Scholar 

  33. Vgl. dazu S. 236 f. dieser Arbeit.

    Google Scholar 

  34. Vgl. Altman, E.I./Haldeman, R.G./Narayanan, P.: a.a.O., S. 38 ff.

    Google Scholar 

  35. Vgl. Tab. 24, S. 223.

    Google Scholar 

  36. Vgl. dazu oben, S. 259.

    Google Scholar 

  37. Vgl. dazu die Ergebnisse in Anhang 3.

    Google Scholar 

  38. Nur fünf Kennzahl en umfaßt der oben, S. 242 wiedergegebene Kennzahlenindex aus Altman’s erster Untersuchung, In weiteren unter seiner Mitwirkung entstandenen Arbeiten werden zumeist sechs (Vgl. Altman, E.I./Loris, B.: a.a.O., S. 1207.) oder sieben Variablen (Vgl. z.B. Altman, E.I.: Predicting railroad bankruptcies in America, a.a.O., S. 195; Altman, E.I./Haldeman, R.G./Narayanan, P.: a.a.O., S. 34 ff.) verwendet, bei denen es sich nicht nur um Kennzahlen handelt. Indices aus zehn und mehr Kennzahlen legen z.B. Deakin, E.B.: A Discriminant Analysis of Predictors of Business Failure, a.a.O. S. 167 ff.; Blum, M.: a.a.O., S. 16 ff.; Sinkey, J.F.: a.a.O., S. 28 ff.; Beermann, K.: a.a.O., S. 98 ff. ihren Untersuchungen zugrunde.

    Google Scholar 

  39. Dieser 41-Kennzahlen-Index wird von den Autoren sogar noch als praktikabel (“feasible”) bezeichnet. Vgl. Altman, E.I./Margaine, M./Schlosser, M./Vernimmen, P.: a.a.O., S. 207.

    Google Scholar 

  40. Dies gilt z.B. für Blum, M.: a.a.O., S. 1 ff., der lineare Dis-kriminanzanalysen durchgeführt hat. Daß gerade bei quadratischen Diskriminanzanalysen auf die Angabe der Gewichte verzichtet wird, mag darauf zurückzuführen sein, daß die Autoren den Leser nicht durch Angabe einer bei 7 Variablen aus sieben linearen und 28 nicht-linearen Termen sowie einer Konstanten bestehenden Klassifikationsregel “verwirren” wollen. Mit solch komplexen Entscheidungsregeln wird man in der Tat bei Praktikern kaum auf große Gegenliebe stoßen. Auf die Angabe der quadratischen Diskriminanzfunktionen verzichten z.B. Sinkey, J.F.: a.a.O., S. 21 ff.; Altman, E.I./Loris, B.: a.a.O., S. 1201 ff.

    Google Scholar 

  41. Vgl. Altman, E.I.: Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy, a.a.O., S. 594.

    Google Scholar 

  42. Vgl. Perlitz, M.: a.a.O., S. 132 ff.

    Google Scholar 

  43. Vgl. Beermann, K.: a.a.O., S. 102 ff.

    Google Scholar 

  44. Vgl. ebenda, S. 131 f.

    Google Scholar 

  45. Vgl. ebenda, S. 111.

    Google Scholar 

  46. Vgl. die analoge Kritik an Beermann bei Weihrich, 6.: a.a.O., S. 52 ff.

    Google Scholar 

  47. ßeermann, K.: a.a.O., S. 127.

    Google Scholar 

  48. Die Überprüfung der Klassifikationsregel für das erste Jahr “vor Vermögensverlust” anhand von zwölf zusätzlichen Fällen ist ein kleiner Ansatz von Beermann in dieser Richtung. Vgl. ebenda, S. 117 ff.

    Google Scholar 

  49. Vgl. dazu S. 250 dieser Arbeit.

    Google Scholar 

  50. Vgl. Weinrich, G.: a.a.O., S. 122 f., 126 f.

    Google Scholar 

  51. Vgl. die Ergebnisse in Anhang 3.

    Google Scholar 

  52. Dieser Test steht uns im Programm MULDIS zur Verfügung. Zum Verfahren vgl. Eisenbeis, R.A./Avery, R.B.: a.a.O., S. 29.

    Google Scholar 

  53. Vgl. dazu Altman, E.I./Haldeman, R.G./Narayanan, P.: a.a.O., S. 34.

    Google Scholar 

  54. Vgl. die Darstellung bei Linhart, H.: Techniques for Discriminant Analysis with Discrete Variables, in: Metrica, 1959, S. 138 ff.;

    Google Scholar 

  55. Kendall, M.G.: Discrimination and Classification, in: Multivariate Analysis, hrsg. von P.R. Krishnaiah, 1966, S. 165 ff.

    Google Scholar 

  56. Vgl. auch Kendall, M.G.: Multivariate Analysis, 1975, S. 161 ff.

    Google Scholar 

  57. Vgl. Weinrich, G.: a.a.O., S. 138 ff. In einer kürzlich erschienenen Studie zu den Möglichkeiten einer Insolvenzprognose aus Jahresabschlüssen niederländischer Unternehmen zog Bilderbeek ein verteilungsfreies Verfahren heran, daß in Anlehnung an den - auch von uns verwendeten — Vorschlag von Kendall formuliert wurde. Vgl. Bilderbeek, J.: An Empirical Study of the Predictive Ability of Financial Ratios in the Netherlands, in: ZfB, 1979, S. 399 ff.

    Google Scholar 

  58. Vgl. Chatterjee, S./Barcun, S.: A Nonparametric Approach to Credit Screening, in: Journal of the American Statistical Association, 1970, S. 150 ff.; Weinrich, G.: a.a.O., S. 138 ff.

    Google Scholar 

  59. Vgl. Linhart, H.: a.a.O., S. 138 ff.

    Google Scholar 

  60. Vgl. Kendall, M.G.: Discrimination and Classification, a.a.O., S. 171 ff.

    Google Scholar 

  61. Vgl. Linhart, H.: a.a.O., S. 138 ff.; Heinrich, G.: a.a.O., S. 138 ff.

    Google Scholar 

  62. Vgl. Linhart, H.: a.a.O., S. 139 f.; Chatterjee, S./Barcun, S.: a.a.O., S. 150 f.

    Google Scholar 

  63. Vgl. Weinrich, G.: a.a.O., S. 142 ff.

    Google Scholar 

  64. Bei sechs Kennzahlen, die unter Verwendung von Finanzflußelemen-ten gebildet werden, greift Weinrich auf Zahlen zweier aufeinan-derfolgender Jahresabschlüsse zurück, so daß diese Kennzahlen im vierten Jahr “vor Insolvenz” nicht zur Verfügung stehen. Vgl. ebenda, S. 66 ff.

    Google Scholar 

  65. Wie auch wir, mußte Weinrich auf eine Untersuchung des letzten Jahres “vor Insolvenz” wegen fehlender Daten verzichten. Vgl. ebenda, S.59 ff.

    Google Scholar 

  66. Insgesamt standen Weinrich 44 insolvente und Vergleichsunternehmen zur Verfügung. Diese Aufspaltung des Datenmaterials in eine “Ausgangsstichprobe” und eine “Kontrollstichprobe” nutzt das knappe Datenmaterial für eine Fehlerschätzung nicht gerade effizient aus. Vgl. dazu die Diskussion auf S. 211 ff. dieser Arbeit.

    Google Scholar 

  67. In einem Fall, den Weinrich aber nicht näher kommentiert, werden offenbar sogar alle Unternehmen der Kontrollstichprobe richtig klassifiziert. Vgl. Weinrich, G.: a.a.O., S. 149.

    Google Scholar 

  68. Vgl. ebenda, S. 145.

    Google Scholar 

  69. Vgl. ebenda, S. 150 f.

    Google Scholar 

  70. Vgl. zum folgenden Kendall, M.G.: Discrimination and Classification, a.a.O., S. 171 ff.; ders.: Multivariate Analysis, a.a.O., S. 163 ff.

    Google Scholar 

  71. Vgl. auch den Hinweis in der neueren Darstellung dieses Verfahrens bei Kendall, M.G.: Multivariate Analysis, a.a.O., S. 168.

    Google Scholar 

  72. Vgl. ebenda, S. 163, 167.

    Google Scholar 

  73. Vgl. dazu S. 215 ff. und S. 228 ff. dieser Arbeit.

    Google Scholar 

  74. Vgl. dazu S. 220 ff. und S. 233 ff. dieser Arbeit.

    Google Scholar 

  75. Vgl. dazu S. 236 f. dieser Arbeit.

    Google Scholar 

  76. Vgl. Kendall, NLG.: Multivariate Analysis, a.a.O., S. 168.

    Google Scholar 

Download references

Authors

Rights and permissions

Reprints and permissions

Copyright information

© 1980 Betriebswirtschaftlicher Verlag Dr. Th. Gabler GmbH, Wiesbaden

About this chapter

Cite this chapter

Gebhardt, G. (1980). Die Prognose von Insolvenzen bei gleichzeitiger Betrachtung mehrerer Kennzahlen („Multivariate Diskrimination“). In: Insolvenzprognosen aus aktienrechtlichen Jahresabschlüssen. Bochumer Beiträge zur Unternehmungsführung und Unternehmensforschung, vol 22. Gabler Verlag. https://doi.org/10.1007/978-3-322-87942-4_8

Download citation

  • DOI: https://doi.org/10.1007/978-3-322-87942-4_8

  • Publisher Name: Gabler Verlag

  • Print ISBN: 978-3-409-16091-9

  • Online ISBN: 978-3-322-87942-4

  • eBook Packages: Springer Book Archive

Publish with us

Policies and ethics