Zusammenfassung
Nachdem in Kapitel 2, die in der vorliegenden Arbeit betrachteten, vier zentralen Bestandteile von Kreditengagements aus Sicht der finanzwirtschaftlichen Theorie beleuchtet wurden, dient Kapitel 3 der empirischen Analyse der Determinanten dieser Bestandteile. Dabei konnte auf einen vom Verfasser bei einem deutschen Kreditinstitut eigenhändig erhobenen Datensatz zurückgegriffen werden. Der Datensatz wird in Kapitel 3.1 vorgestellt und erläutert. Außerdem erfolgt in diesem Abschnitt die Darstellung der Erhebungsmethodik. In Kapitel 3.2 werden die zentralen Bestandteile von Kreditengagements unter der Voraussetzung analysiert, daß immer nur ein Vertragsbestandteil alleine zwischen Bank und Kunden festgelegt wird, während die anderen Komponenten als gegeben angesehen werden. Diese Vorgehensweise folgt der augenblicklich in der empirischen Forschung üblichen Annahme, daß die Bestandteile nicht simultan in einem Verhandlungsprozeß zwischen Bank und Kunden vereinbart werden.163, 164 Sofern die Elemente von Kreditengagements jedoch simultan bestimmt werden, hat dies Konsequenzen für die ökonometrische Analyse des Datensatzes. Bei Durchführung von Regressionen, korrelieren dann die Bestandteile von Kreditengagements mit den Störtermen der verschiedenen Regressionsgleichungen. Wird diese Tatsache nicht berücksichtigt, entsteht ein „Simultaneous-Equation Bias“, das heißt es ergeben sich inkonsistente Schätzer der Regressionskoeffizienten.165 Aus diesem Grund thematisiert Kapitel 3.3 die Frage nach der simultanen Bestimmung der Komponenten von Kreditengagements im vorliegenden Datensatz.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literature
Beispiele für Studien, in denen das Problem der Simultanität nicht oder nur sehr kurz behandelt wird, bieten Berger/ Udell (1995), Degryse/ van Cayseele (1999), Elsas/ Krahnen (1998), Harhoff/ Körting (1998) und Machauer/ Weber (1998).
Eine weitere Möglichkeit, bei der keine simultane Festlegung der Bestandteile von Kreditengagements vorliegt, ist die sequentielle Bestimmung dieser Komponenten, wie sie beispielsweise für Besicherung und Hausbankstatus im Modell von Longhofer/ Santos (1998) analysiert wird. In diesem Fall folgt die Festlegung der verschiedenen Elemente einer bestimmten Reihenfolge, wobei nur die jeweils bekannten Komponenten Einfluß auf die neu zu bestimmenden Bestandteile von Kreditengagements haben. Diese Möglichkeit wird in der vorliegenden Arbeit nicht weiter analysiert.
Vgl. hierzu Greene (1997), S. 710. Unter der Konsistenz eines Schätzers θ versteht man die Tatsache, daß er sich mit zunehmender Größe der Stichprobe dem wahren Wert θ immer mehr annähert. Vgl. Gujarati (1995), S. 782 ff.
Im Gegensatz dazu, mußten im Rahmen des Projekts „Credit Management“ des Institut für Kapitalmarktforschung — Center for Financial Studies, Frankfurt/ Main aufgrund der fünf teilnehmenden Banken verschiedene Standardisierungen durchgeführt werden, vgl. Elsas et al. (1998), S.5.
Auch Degryse/ van Cayseele (1999) analysieren beispielsweise Daten von nur einer Bank.
Vgl. Menges (1982), S. 98.
Die Gesamtvormerkung eines Kreditnehmers berechnet sich als die Summe aller an ihn gewährten Kredite. Hierin sind auch nicht ausgenutzte, aber grundsätzlich gewährte Kredite enthalten. Von der Gesamtvormerkung ist die Inanspruchnahme zu unterscheiden. Diese gibt nur den tatsächlich geschuldeten Betrag wieder. Gewährte, aber nicht in Anspruch genommene Kredite sind darin folglich nicht enthalten.
In diesem Fall ist unter Umständen kein Einblick in die finanziellen und wirtschaftlichen Verhältnisse notwendig gewesen, obwohl die Gesamtvormerkung DM 250.000,— überstieg.
Vgl. zu diesem Begriff Menges (1982), S. 99.
In der vorliegenden Arbeit wurde die Marge als Bestandteil des Zinssatzes analysiert. Vgl. hierzu Kapitel 3.2.1.
Im Laufe der Erhebung betraf dies vier Engagements.
Vgl. Menges (1982), S. 102.
Vgl. Kalton (1983), S.8.
Vgl. Hartung (1991), S. 274 ff. sowie Frankel (1983), S. 40.
Andere Möglichkeiten die Stichprobe auf die verschiedenen Schichten aufzuteilen zeigt Som (1973), S. 135 ff.
Vgl. Kalton (1983), S. 21.
Ein Indiz für die Richtigkeit dieser Aussage ist die Tatsache, daß bei allen Schichten ungefähr der gleiche Anteil, der aus der „erweiterten“ Grundgesamtheit gezogenen Engagements, auch zur tatsächlichen Grundgesamtheit gehört.
Ursprünglich waren 150 Engagements geplant. Da die Berechnung der Stichprobenumfänge der einzelnen Schichten in der Regel keine ganzen Zahlen ergab und nur die Erhebung von vollständigen Engagements sinnvoll ist, wurde eine kaufmännische Rundung der kalkulierten Stichprobenumfänge vorgenommen, was der üblichen Vorgehensweise entspricht (vgl. hierzu Drexl (1982), S. 18 f.). Auf diese Weise entstand ein Stichprobenumfang von insgesamt 151 Engagements.
Wiederum wird Gleichverteilung der Engagements, die nicht der Definition der Grundgesamtheit entsprechen, sich jedoch in der „erweiterten“ Grundgesamtheit befinden, unterstellt.
Vgl. Sudman (1976), S. 26 und Backstrom/ Hursh-César (1981), S. 76.
Ein Beispiel für einen Datensatz, der einen Erhebungszeitraum von zwei Jahren umfaßt bietet die „National Survey of Small Business Finances“, die Grundlage für die Querschnittsanalysen von Berger/ Udell (1995) und Petersen/ Rajan (1994) ist. Die Daten wurden dort in den Jahren 1988 bis 1989 erhoben. Vgl. Berger/ Udell (1995), S. 356 und Petersen/ Rajan (1994), S. 6.
Santomero (1985), S. 593 zeigt, wie eine Kundenkalkulation grundsätzlich aufgebaut sein kann.
Hierbei werden nur die Variablen erläutert, die in Kapitel 3.2 und 3.3 zur Anwendung kommen. Einen detaillierten Überblick über alle erhobenen Variablen bietet der in Anhang 1 aufgeführte Erhebungsbogen.
Wird zukünftig von „dem Kunden“, „dem Kreditnehmer“, „dem Unternehmen“ oder „der Firma“ gesprochen, so ist darunter immer die Gesamtheit der Kreditnehmer eines Engagements zu verstehen.
Im Ratingsystem der Bank, die die Daten zur Verfügung gestellt hat, existieren in der Realität mehr als vier Ratingklassen. Da mit etwas Hintergrundwissen von der tatsächlichen Anzahl der Ratingkategorien möglicherweise auf das Kreditinstitut zurückgeschlossen werden könnte, wurden, mit Rücksicht auf den Wunsch der Bank, anonym zu bleiben, die tatsächlichen Ratingklassen sinnvoll zu vier Kategorien aggregiert. Die Ergebnisse der empirischen Analysen der Kapitel 3.2 und 3.3 ändern sich qualitativ jedoch nicht, wenn die tatsächlichen Ratingklassen statt der aggregierten vier Ratingkategorien verwandt werden.
Bei der Erstellung von Ratings finden häufig Scoring-Verfahren Anwendung. Vgl. hierzu Hartmann-Wendels et al. (1998), S. 152 ff. Anwendungsfehler beim Einsatz von Scoring-Verfahren sind in Weber et al. (1995) thematisiert. Eine ausführliche empirische Analyse von bankinternen Ratingverfahren liefern Weber et al. (1999). Ansätze zur Entwicklung von „Technology-Ratings“, die zur Beurteilung der Erfolgsaussichten technischer Entwicklungen genutzt werden können, werden von Everling/ Riedel (1998) vorgestellt.
Es gilt folglich: Besicherungsgrad in % = (100% — Blankoanteil des Engagements in %).
Da sich die Inanspruchnahme täglich ändert, würde sich auch BESICHGRAD täglich ändern, sofern man die Inanspruchnahme statt der Vormerkung bei der Definition von BESICHGRAD berücksichtigen würde. Eine solche Größe wäre für die Bank als Entscheidungskriterium allerdings unbrauchbar.
Beispielsweise durch Einsicht von Grundbuchauszügen.
Wie bereits erwähnt, erhält der Finnenkundenbetreuer Informationen über die Engagements eines Kreditnehmers bei anderen Banken durch Gespräche mit dem Kunden.
Wenn in diesem Zusammenhang von Kreditfinanzierung gesprochen wird, ist immer Kreditfinanzierung durch Banken gemeint. In der vorliegenden Definition von FINANT sind zwar die für Banken entscheidungsrelevanten Kreditvormerkungen eines Unternehmens enthalten, andere Kreditarten, die zusätzlich zu Bankkrediten in Anspruch genommen werden, sind jedoch nicht berücksichtigt. Eine gleichzeitige Berücksichtigung dieser beiden Größen bei der Definition von FINANT ist problematisch, da der Zeitpunkt der Kundenangaben bezüglich der Vormerkungen und die Bilanzstichtage, zu denen die Ausnutzung anderer Kreditquellen bekannt ist, in aller Regel nicht zusammenfallen. Da aber die Ausnutzung anderer Kreditarten sehr volatil sein kann ist eine solche Vorgehensweise nicht zweckmäßig. Um die bei der Untersuchung des Datensatzes erzielten Ergebnisse trotzdem auf Robustheit hinsichtlich der Einbeziehung anderer Kreditarten, wie beispielsweise von Handelskrediten, zu prüfen, wurde die Definition von FINANT bei den jeweiligen Analysen dahingehend variiert. Im einzelnen wird darauf an entsprechender Stelle eingegangen. Zu theoretischen und empirischen Aspekten von Handelskrediten vgl. Krahnen (1995).
Wobei null nicht erreicht werden kann, da dies bedeuten würde, daß kein Kredit vergeben worden ist und somit auch kein Engagement besteht. Bei Verwendung von Bezugsgrößen aus der Bilanz ist eine solche Normierung nicht gegeben, da aufgrund der dort fehlenden Berücksichtigung nicht ausgenutzter Kreditvormerkungen durchaus Finanzierungsanteile entstehen können, die größer als eins sind.
Die Begriffe „standardisiertes Kreditvolumen“ und „Finanzierungsanteil“ werden daher im verbleibenden Teil der Arbeit synonym verwandt.
Vgl. hierzu Kapitel 2.4.1 sowie die Ausführungen in Fischer (1990), S. 3 ff.
Diese Vorgehensweise entspricht im wesentlichen der Methode, die bei der Erhebung des Datensatzes, der im Rahmen des Projekts „Credit Management“ des Center for Financial Studies -Institut für Kapitalmarktforschung, Frankfurt/ Main, analysiert wurde, Anwendung fand.
Degryse/ van Cayseele (1999) verfugen über die Selbsteinschätzung einer belgischen Bank, ob sie die Hauptbank ist. Diese Definition der Hauptbank ist allerdings strikt an verschiedene Kriterien geknüpft. Kunden müssen einen gewissen Umsatz über ihr Konto abwickeln und verschiedene andere Dienstleistungen der Bank in Anspruch nehmen, damit sich diese als eine Hauptbank fühlt.
Im Datensatz liegen auch Informationen darüber vor, ob die Bank gemeinsam mit anderen Banken Hausbank bei einem Unternehmen ist. Allerdings ergaben sich bei der Analyse des Datensatzes keine neuen Erkenntnisse, wenn auch hinsichtlich dieses Kriteriums unterschieden wurde. Aus diesem Grund wurden diese Fälle und die Beobachtungen, bei denen die Bank keine Hausbank ist zur Gruppe „keine Hausbank“, also HABALLEI = 0 zusammengefaßt. Es liegt folglich eine enge Definition der Hausbankeigenschaft als „alleinige Hausbank“ vor.
Die Studien, die auf dem Datensatz des Projekts „Credit Management“ des Center for Financial Studies — Institut für Kapitalmarktforschung, Frankfurt/ Main, beruhen, verfugen zwar über Daten bezüglich des Hausbankstatus, jedoch nicht über die Kontenumsätze. Nakamura (1993) besitzt Informationen, die sich auf Kontenbewegungen beziehen, wie zum Beispiel Angaben über die darüber gezogenen Schecks. Diese Daten sind zwar sehr ähnlich, verglichen zu den hier vorliegenden Kontenumsätzen, allerdings liegt sein Fokus in der Analyse der Unterschiede zwischen größeren und kleineren Banken. Bestandteile von Kreditengagements werden nicht betrachtet.
Vgl. beispielsweise Berger/ Udell (1995) sowie Petersen/ Rajan (1994).
Bei der Analyse des Datensatzes wurden diese Maße teilweise variiert, um die Robustheit der Ergebnisse zu überprüfen. Darauf wird im einzelnen in den entsprechenden Kapiteln eingegangen.
Gemäß dieser Definition ist AUSLDUM auch gleich eins, wenn sowohl das Gesamtergebnis als auch das Ergebnis aus Auslandsgeschäft negativ sind und sich daraus rechnerisch ein Quotient von größer als 20% ergibt. Dies würde nicht dem Sinn der Variablen AUSLDUM entsprechen, da in diesem Fall kein wesentliches Auslandsgeschäft vorliegt. Im betrachteten Datensatz sind solche Fälle allerdings nicht enthalten.
Dies betraf nur 31 Engagements, was typisch für die in der Stichprobe dominierenden mittelstandischen Unternehmen ist, da aus Kostengründen oftmals auf die Erstellung konsolidierter Bilanzen verzichtet wird.
Dabei wurden erneut die jeweils zuerst in einem Engagement aufgeführten Unternehmen untersucht, bei denen es sich um die „Kernunternehmen“ des Engagements handelt.
Es handelt sich hierbei folglich um die Größen, die zwar in Tabelle 3.1.1 aufgeführt sind, von denen aber weder die Kapitel 3.1.5.1 bis 3.1.5.4, noch das Kapitel 3.2 deskriptive Statistiken enthalten.
Wie in Kapitel 3.1.4 erwähnt, geht in die empirische Analyse des Datensatzes der logarithmierte Umsatz in Form der Variablen LNUMS ein.
Bei sieben Unternehmen lagen keine Angaben über die Anzahl der Mitarbeiter vor.
Dies entspricht der Variablen BRANCHE2 in Tabelle 3.1.1.
Dies entspricht der Variablen BRANCHE 1 in Tabelle 3.1.1.
Vgl. Wöhe (1990), S. 350.
Hierbei wurde die GmbH & Co. KG zu den Gesellschaftsformen mit beschränkter Haftung gezählt, da in aller Regel die GmbH der einzige Komplementär ist.
Die verschiedenen Definitionen der Variablen sind in Tabelle 3.1.1 zu finden.
Bei einem Engagement liegt keine Beobachtung für ANBANK vor.
Die Vermutung, daß die Anzahl der Kreditnehmer in einem Engagement (ANZKNR) und die Anzahl zusätzlicher Bankverbindungen (ANBANK) hoch korrelieren, wird durch den in seiner Höhe moderaten Korrelationskoeffizienten von 0,38 nicht bestätigt.
Für sechs Engagements liegen keine Angaben vor.
Hierbei ist zu berücksichtigen, daß die Bank bereits dann mit einem Kunden durch Auslandsgeschäft ein Ergebnis von DM 1.000 in einem Jahr erzielt, wenn bei einer Kreditvormerkung von DM 1 Million die Variable ERGAUSL den Wert eins annimmt.
Bei insgesamt vier Engagements liegt keine Beobachtung von UMSANTEIL vor.
Bei vier Engagements liegen keine Beobachtungen vor.
Die Korrelationen aller genannten Variablen sind moderat bis sehr gering. Sie liegen jeweils zwischen -0,28 und 0,38, in den meisten Fällen sogar sehr nahe bei null.
Hinsichtlich der Variablen DRITTSICH liegt bei einem Engagement keine Beobachtung vor.
Vgl. zum Beispiel Berger/ Udell (1995). Das Problem der Simultanität wird ausführlich in Kapitel 3.3 diskutiert.
Die erwähnten Studien bieten neben den erläuterten Resultaten oftmals zusätzliche Erkenntnisse, Analysen und Schwerpunkte, auf die hier nicht eingegangen wird, da sie für die vorliegende Arbeit nicht relevant sind.
Einen Überblick über dieses Forschungsprojekt liefern Elsas et al. (1999).
Gemessen durch das interne Rating, das die Risikoeinschätzung der Bank widerspiegelt.
Dies bestätigen auch Cressy/ Toivanen (1997) in ihrer Arbeit, die unabhängig davon, nicht im Rahmen des Kreditprojekts durchgeführt wurde.
Petersen/ Rajan (1994) analysieren Cross-Selling nicht explizit. Zu den Variablen, die in ihrem empirischen Modell die Intensität der Bank-Kunden-Beziehung approximieren sollen, gehören aber Angaben über weitere Dienstleistungen, die die Bank dem Kunden anbietet. Diese können als Approximation für vorhandenes Cross-Selling aufgefaßt werden.
Avery/ Berger (1991) finden in ihrer empirischen Studie, daß die Performance von Loan-Commitments für die Bank höher ist als die Performance anderer Kreditarten.
Diese Größe wurde durch Befragung der Unternehmen ermittelt. Sie beruht daher auf deren Einschätzung bezüglich der stärke des Vertrauensverhältnisses zwischen Firma und Bank.
Eine umfangreiche Beziehung liegt vor, wenn der Kunde auch andere Produkte der Bank nutzt, also Cross-Selling in Anspruch nimmt, und wenn größere Umsätze über die Konten der Bank getätigt werden.
Weitere Studien, die sich zum Teil aus anderen Blickwinkeln mit den Determinanten von Zinsen bei Bankkrediten auseinandersetzen liefern Angbazo et al. (1996), Berlin/ Mester (1997b), Boltz/ Campbell (1979), Fischer (1990) und Ho/ Saunders (1981). Do/ Shilling (1995) analysieren das Pricing von Hypothekendarlehen. Scott/ Smith (1986) finden, daß die zusätzlichen Kosten der Kreditgewährung, die durch den in den USA 1978 in Kraft getretenen „Bankcruptcy Reform Act“ entstanden, von den Banken in Form von höheren Zinsen an die Kunden weitergegeben wurden. Der Zusammenhang zwischen dem Zinssatz und der Konzentration des Kreditmarkts wird von Hannan (1991) untersucht. Booth (1992) zeigt empirisch, daß Firmen, die sich in Privatbesitz befinden, höhere Margen zahlen als andere Unternehmen. In der Analyse von Berger/ Udell (1996) verlangen große Banken bei der Kreditvergabe an kleine Unternehmen geringere Margen als kleine Kreditinstitute.
Drzik/ Strothe (1997) weisen darauf hin, daß auch die Verhandlungskompetenz des Betreuers der Bank ein entscheidender Faktor bei der Preisgestaltung ist. Die in diesem Kapitel vorgestellten Studien verfugen allerdings über keine Möglichkeiten die Verhandlungskompetenz der Betreuer direkt zu messen.
So findet beispielsweise Sarap (1990) für seine Untersuchung in Indien die Kaste als relevanten Einflußfaktor. Theoretische Erklärungsansätze für die äußerst hohen Zinssätze in unterentwickelten Kreditmärkten liefern beispielsweise Bhaduri (1977), Bhaduri (1980), Bottomley (1963), Bottomley (1964), Bottomley (1965), Chandavarkar (1965), Rao (1980) und Gangopadhyay/ Sengupta (1987).
Vgl. hierzu zum Beispiel Avery et al. (1988), Cantor/ Packer (1996), Cook/ Hendershott (1978), Düllmann et al. (1998), Jaffee (1975) und Longstaff/ Schwartz (1995). Fair/ Malkiel (1971) analysieren die Unterschiede in Spreads von Anleihen mit gleicher Laufzeit und gleichem Rating. Die Determinanten der Laufzeit von Anleihen und weiteren Untemehmensverbindlichkeiten werden von Barclay/ Smith (1995a), Guedes/ Opler (1995) und Stohs/ Mauer (1996) untersucht. Barclay/ Smith (1995b) analysieren die Determinanten von verschiedenen Arten von Untemehmensverbindlichkeiten.
Es handelt sich hierbei um den Refinanzierungszinssatz, den die Bank zum Stichtag 31.7.1996 intern für Linien auf Kontokorrentkonten berechnet hat. Er ist für alle betrachteten Linien gleich.
Einige Margen weisen zwei Nachkommastellen auf. Sie wurden zur Vereinfachung der Darstellung in Abb. 3.2.1 kaufmännisch gerundet.
Die Mittelwertvergleiche wurden mit Hilfe von t-Tests durchgeführt. Sie sind in Tabelle 3.2.1 nicht aufgeführt. Werden, wie bei den Umsatzgrößenklassen und Ratingklassen, mehr als zwei Gruppen verglichen, so muß zuerst ein F-Test durchgeführt werden, der angibt, ob überhaupt signifikante Unterschiede zwischen den Gruppen insgesamt vorliegen. Die F-Tests sind in beiden Fällen auf dem 1%-Niveau signifikant.
Auch hier sind die Klassenunterschiede signifikant.
Vgl. hierzu die Definition in Tabelle 3.1.1.
Der Mittelwertvergleich ist nicht signifikant.
Im vorliegenden Datensatz können die Fälle, bei denen tatsächlich Zahlungsverzug eingetreten ist, nicht identifiziert werden. Allerdings sind sie vernachlässigbar, da einerseits fast vollständig zahlungsunfähige Kreditnehmer, bei denen bereits keine Zinsrechnung mehr stattfindet, nicht erhoben wurden und daher nicht im Datensatz vertreten sind (vgl. hierzu die Ausführungen in Kapitel 3.1.2) und andererseits im vorliegenden Datensatz nur 11 der 151 Fälle der schlechtesten Ratingklasse 4 angehören. Unternehmen die besseren Ratingklassen angehören geraten in der Realität üblicherweise nur sehr selten in Zahlungsverzug.
Vorhandene Sicherheiten werden dabei nicht berücksichtigt. Zur exakten Definition der hier verwandten Variablen vgl. Tabelle 3.1.1. Im Modell von Merton (1974) wird das Ausfallrisiko des Unternehmens durch dessen Verschuldungsgrad ausgedrückt. Dieser ist einer der quantitativen Faktoren, die bei der Erstellung des Ratings Berücksichtigung finden.
Von den in Kapitel 3.2.1.1 vorgestellten Studien verfugen nur die aus dem Projekt „Credit Management“ des Institut für Kapitalmarktforschung — Center for Financial Studies hervorgegangen über interne Ratings der jeweiligen Banken. Alle anderen Arbeiten müssen auf sonstige Approximationen für das Ausfellrisiko, wie zum Beispiel Bilanzkennzahlen, zurückgreifen.
Die Bewertung erfolgt hierbei unter Liquidationsaspekten. Es gilt: BESICHGRAD in % = (100% — Blankoanteil in %).
Vgl. zum Beispiel Berger/ Udell (1995) und Petersen/ Rajan (1994).
Nakamura (1993) verfugt über ähnliche Informationen, die sich ebenfalls auf Kontenbewegungen beziehen, wie zum Beispiel Angaben über die auf den Konten gezogenen Schecks. Er analysiert damit allerdings keine Kreditvertragsbestandteile, sondern Unterschiede zwischen größeren und kleineren Banken.
UMSANTEIL approximiert ein mögliches Informationsmonopol der Bank. Die vorliegende Argumentation bezieht sich daher ausschließlich auf den Gesichtspunkt des Informationsmonopols, das die Bank mit steigendem UMSANTEIL erhält. In den Modellen von Boot/ Thakor (1994) und Blackwell/ Santomero (1982) wird die Intensität der Bank-Kunden-Beziehung nicht durch ein Informationsmonopol definiert. Aus diesem Grund sind die Modelle zwar bei HABALLEI zutreffend, im Falle von UMSANTEIL jedoch nicht anwendbar. Dies fuhrt dazu, daß aufgrund der unterschiedlichen Vorhersagen der Modelle von Greenbaum et al. (1989), Sharpe (1990) sowie Fischer (1990) einerseits und der Modelle von Boot/ Thakor (1994) sowie Blackwell/ Santomero (1982) andererseits, sowohl eine positive als auch eine negative Beziehung zwischen HABALLEI und MARGE denkbar ist, während zwischen UMSANTEIL und MARGE ein positiver Zusammenhang prognostiziert wird, denn hier sind nur Greenbaum et al. (1989), Sharpe (1990) und Fischer (1990) zutreffend.
Vgl. Fischer (1990), S. 4.
Rajan (1996), S. 13 geht davon aus, daß ein Kreditinstitut in der Lage ist, dem Kunden implizit eine solche Versicherungsfunktion zu versprechen. Obwohl eine Bank dadurch einen Anreiz haben sollte, finanzielle Schieflagen ihrer Kunden bereits früh zu erkennen, finden Edwards/ Fischer (1994), S. 175 in ihrer empirischen Analyse für Deutschland keine Hinweise auf eine weitverbreitete derartige Fähigkeit von Kreditinstituten. Die Bedeutung einer intensiven Beziehung zwischen japanischen Banken und ihren Kunden im Falle einer finanziellen Schieflage hebt Mayer (1988), S. 1181 hervor.
Keine der in Kapitel 3.2.1.1 erläuterten Arbeiten verfügt über diesbezügliche Daten.
Vgl. hierzu die exakte Definition in Tabelle 3.1.1.
Eine weitere Möglichkeit der Kompensation für die Hausbankeigenschaft besteht beispielsweise darin, daß Hausbanken über bessere Recovery-Rates als Nicht-Hausbanken verfügen. In diesem Fall wäre bei einem Ausfall des Kreditnehmers das Verhältnis zwischen dem tatsächlich entstehenden Verlust und der Inanspruchnahme zum Ausfallzeitpunkt für Hausbanken geringer als für Nicht-Hausbanken. Aufgrund fehlender Informationen im vorliegenden Datensatz, kann diese Art der Kompensation damit nicht überprüft werden.
FIL1 stellt die Basis dar.
Zwar ist es grundsätzlich möglich, daß die Filial-Dummies die Marktstruktur des Bankenmarkts im jeweiligen Marktgebiet der Filialen messen, allerdings liegen hierüber keine weiteren Informationen vor, so daß darauf aufbauend keine Hypothese formuliert werden kann.
Die Subskripts i zur Bezeichnung der jeweiligen Beobachtung wurden aus Gründen der Übersichtlichkeit weggelassen.
α4 und α5 stellen ebenfalls Skalare dar.
Theoretisch ist auch eine negative Marge denkbar. Die Vorgehensweise bei zensierten abhängigen Variablen wird in den Kapiteln 3.2.2.3 und 3.2.3.3 erläutert. Die Behandlung von Dummies als abhängige Variablen wird in Kapitel 3.2.4.3 thematisiert.
Vgl. hierzu Backhaus et al. (1994), S. 3.
Mit Hilfe eines „Pricing-Tools“ können risikogerechte Margen auf Basis eines finanzmathematischen Modells errechnet werden. Beispiele für einige dieser finanzmathematischen Modelle liefern Paul-Choudhury (1997) sowie Wilson (1997a) und Wilson (1997b).
Natürlich ist der monoton steigende Zusammenhang zwischen Ausfallrisiko und Marge alleine nicht ausreichend, um von einem risikogerechten Pricing zu sprechen, da dafür auch die absolute Höhe der Marge sowie die Höhe der Differenzen zwischen den einzelnen Ratingklassen entscheidend sind.
Vgl. dazu die Ausführungen in Kapitel 3.2.1.1.
In Tabelle 3.2.3 nicht aufgeführt.
Berger/ Udell (1992) arbeiten allerdings nur mit einer Dummy-Variablen, die „Besicherung“ oder „keine Besicherung“ angibt.
Aus theoretischer Sicht wird auch ein negativer und kein positiver Zusammenhang erwartet. Vgl. hierzu Tabelle 3.2.2.
Arbeiten, die zu vergleichbaren Ergebnissen gelangen, sind in Kapitel 3.2.1.1. aufgeführt.
In Tabelle 3.2.3 nicht aufgeführt.
Ewert/ Schenk (1998) weisen einen Einfluß der potentiellen Konkurrenz zwischen den Banken, gemessen durch die Konzentration der Banken im Gebiet, in dem die jeweilige Firma ihren Sitz hat, nach. Auf Basis des hier vorliegenden Datensatzes kann dies nicht überprüft werden, da keine ausreichend exakten Informationen über den Sitz der Firma vorhanden sind.
Die Korrelation zwischen HABALLEI und AUSLDUM ist annähernd null.
Petersen/ Rajan (1994) finden allerdings nur einen schwachen Effekt der Bank-Kunden-Beziehung auf die Marge.
Der Interaktionsterm HABALLEI*AUSLDUM nimmt den Wert eins an, wenn HABALLEI = 1 und gleichzeitig AUSLDUM = 1. Das bedeutet, daß eine indirekte Kompensation der Hausbank in Form eines relevanten Cross-Selling definitionsgemäß auch immer dann vorliegt, wenn der Interaktionsterm gleich eins ist. Das erläuterte Ergebnis besagt also nur, daß sofern die Bank Hausbank ist und gleichzeitig relevantes Cross-Selling vorliegt, das Kreditinstitut nur einen der beiden Einzeleffekte in Form eines Bonus weitergibt. Aufgrund dieses Ergebnisses ist jedoch kein Rückschluß darauf möglich, ob eine Hausbank üblicherweise eine Kompensation durch vermehrtes Cross-Selling erhält.
Das ergibt eine exakte Analyse der Daten.
Unter anderem wurde das Ergebnis aus Einlagengeschäft miteinbezogen und es wurde das Ergebnis aus Einlagengeschäft alleine zur Erzeugung einer Dummy-Variable verwandt. Außerdem wurde in allen Definitionen die Schwelle von 20% variiert. Vgl. hierzu die Definition von AUSLDUM in Tabelle 3.1.1.
In Tabelle 3.2.3 nicht aufgeführt.
Eine umfangreiche Beziehung liegt bei Degryse/ van Cayseele (1999) dann vor, wenn der Kunde auch andere Produkte der Bank nutzt, also Cross-Selling in Anspruch nimmt, und wenn größere Umsätze über die Konten der Bank getätigt werden.
Es wurden zwei Variationen vorgenommen, die sich von der bisherigen Definition dadurch unterscheiden, daß die Gesamtvormerkung auf differierende Größen bezogen wurde, die aus der Bilanz der Unternehmen stammen und nicht, wie in der Definition in Tabelle 3.1.1, ihre Eigenangaben darstellen. In einem ersten Schritt wurde die gesamte Fremdfinanzierung die auch gleichzeitig Außenfinanzierung darstellt als Bezugsgröße verwandt. Es ergaben sich analoge Ergebnisse bei beiden Regressionen. In einem zweiten Schritt wurde die komplette Fremdfinanzierung als neue Bezugsgröße eingesetzt. In dieser Definition ist FINANT zwar in beiden Regressionen auf dem 5%-Niveau signifikant, jedoch ökonomisch nicht relevant, da in beiden Fällen die Koeffizienten annähernd null sind. Die verschiedenen Variationen von FINANT sind in Tabelle 3.2.3 nicht aufgeführt.
In Tabelle 3.2.3 nicht aufgeführt.
Auch die Berücksichtigung des Logarithmus von VERBSEI, die dazu dient, eine mit zunehmender Dauer der Verbindung schwächer werdende Steigerung des Einflusses von VERBSEI zu modellieren, bringt die gleichen Ergebnisse. Elsas/ Krahnen (1998) und Elsas/ Krahnen (1999) kommen ebenfalls zu dem Schluß, daß die Dauer der Bank-Kunden-Beziehung eine schlechte Approximation für deren Intensität ist.
Die Signifikanzen der verschiedenen Variationen von FINANT ändern sich dadurch in den entsprechenden Regressionen ebenfalls nicht.
Wie ganz zu Anfang des Kapitels 3.2 erläutert, wurde in den hier vorgestellten Regressionen vom Problem der simultanen Bestimmung der Bestandteile von Kreditengagements abstrahiert (auf dieses Problem wird im Detail in Kapitel 3.3 eingegangen). Falls jedoch eine simultane Festlegung vorliegt (Kapitel 3.3.3 zeigt, daß davon nicht zwingend auszugehen ist) und die Bestandteile der Kreditengagements FINANT, BESICHGRAD und HABALLEI trotzdem in die Regression einbezogen werden, kann dies zu einem „Simultaneous-Equation Bias“ führen (vgl. hierzu Greene (1997), S. 710). Aus diesem Grund wurden die eben genannten Variablen sowie die jeweiligen Interaktions-terme aus den Regressionen 1 und 2 ausgeschlossen. Die Effekte der verbleibenden Variablen auf die Marge blieben qualitativ gleich. Ein „Simultaneous-Equation Bias“ mit relevanten Auswirkungen scheint daher nicht vorzuliegen.
Hester (1979) führt eine Regression mittels eines linearen Wahrscheinlichkeitsmodells durch, das mit Hilfe der Kleinsten-Quadrate-Methode geschätzt wird, obwohl es sich bei der abhängigen Variablen um eine Dummy-Variable handelt. Zur Problematik dieser Vorgehensweise vgl. die Ausführungen am Ende des Kapitels 3.2.4.3. Die Anwendung eines linearen Wahrscheinlichkeitsmodells entspricht allerdings der 1979 üblichen Vorgehensweise. Der Grund dafür liegt darin, daß zu dieser Zeit kaum entsprechende Software und leistungsfähige Computer vorhanden waren, die in der Lage gewesen wären, komplexere ökonometrische Methoden, wie am Ende des Kapitels 3.2.4.3 kurz beschrieben, durchzuführen.
Eine umfangreiche Beziehung liegt vor, wenn der Kunde auch andere Produkte der Bank nutzt und wenn größere Umsätze über die Konten der Bank abgewickelt werden.
In einer anderen Arbeit analysieren Berger/ Udell (1992) den Einfluß von hauptsächlich makroökonomischen Variablen auf die Vergabe besicherter Kredite.
Machauer/ Weber (1998) schätzen ein lineares Regressionsmodell unter Verwendung der Kleinsten-Quadrate-Methode. Da der Regressand eine zensierte Variable ist, führt diese Vorgehensweise zu inkonsistenten Schätzern. Vgl. dazu die Ausführungen am Ende des Kapitels 3.2.2.3.
Eine weitere Studie, die sich mit Sicherheiten beschäftigt, stammt von Mian/ Smith (1992). Sie analysieren die Besicherung von Krediten mit Forderungen aus Lieferungen und Leistungen. Bereits Orgler (1970) bezieht bei der Erstellung eines Credit Scoring-Verfahrens, die Besicherung als unabhängige Variable mit ein.
Es handelt sich hierbei um die durch die Bank vorgenommene interne Bewertung der Sicherheiten unter Liquidationsaspekten. Nur sehr wenige der in Kapitel 3.2.2.1 genannten Studien verfugen über entsprechende Daten. Den meisten Studien ist nur bekannt, ob eine Besicherung vorliegt oder nicht. Teilweise liegen noch Informationen bezüglich der Sicherheitenarten vor.
Ein Besicherungsgrad größer als 100% ist deshalb ausgeschlossen, weil die vorliegenden Sicherheiten von der Bank maximal in Höhe des Kredits bewertet werden, selbst wenn der tatsächliche Wert der Sicherheiten möglicherweise höher ist. Diese Maximalbewertung gibt es deshalb, weil die Bank direkt nach Ausfall eines Kredits vom Kunden nicht mehr als 100% des Kreditbetrags zurückfordern kann. Die Variable BESICHGRAD kann auch als (100% — Blankoanteil in %) aufgefaßt werden.
Die Mittelwertvergleiche wurden mit Hilfe von t-Tests durchgeführt. Sie sind in Tabelle 3.2.4 nicht aufgeführt. Sofern mehr als zwei Gruppen verglichen wurden, erfolgte mittels eines F-Tests die Überprüfung, ob überhaupt signifikante Unterschiede zwischen den Gruppen insgesamt vorliegen. Im Falle der Umsatzgrößenklassen ist der F-Test auf dem 1%-Niveau signifikant. Die t-Tests ergeben, daß nur die Mittelwertvergleiche zwischen den Klassen 5–10 Mio und 50 – 200 Mio sowie 10 – 50 Mio und > 200 Mio nicht signifikant sind. Alle anderen Mittelwertvergleiche sind signifikant.
Der F-Test ist auf dem 1%-Niveau signifikant.
Der Unterschied ist auf dem 10%-Niveau signifikant.
Der Unterschied ist auf dem 1%-Niveau signifikant.
Über solche Informationen hinsichtlich der Besicherung der Konkurrenzbanken verfügt keine der in Kapitel 3.2.2.1 aufgeführten empirischen Studien.
Sowohl bei den Branchen, als auch beim Anteil der anderen Banken, die besichert sind, sind die F-Tests nicht signifikant.
Im Sinne von „Outside Collateral“.
Mit DRITTSICH werden die meisten, aber nicht alle Drittsicherheiten identifiziert, da grundsätzlich auch alle anderen Arten von Sicherheiten, die nicht in das Untemehmensvermögen fallen, Drittsicherheiten darstellen. Allerdings beinhaltet DRITTSICH den bei mittelständischen Unternehmen sehr relevanten Fall von Gesellschafterbürgschaften.
Natürlich ist BESIBA nur ein relativ ungenaues Maß zur Beschreibung der Besicherung der anderen Banken. Idealerweise sollten deren interne Bewertungen der Sicherheiten bekannt sein. Da diese Informationen im vorliegenden Datensatz jedoch nicht vorhanden sind, die Berücksichtigung des skizzierten Effekts aber relevant ist, wurde BESIBA trotz dieser Unzulänglichkeiten mit in das empirische Modell aufgenommen.
Ein weiteres Modell, das sich mit dem Zusammenhang zwischen Besicherung und Bank-Kunden-Beziehung beschäftigt, ist das in Kapitel 2.4.4 erläuterte Modell von Longhofer/ Santos (1998). Die daraus ableitbare testbare Hypothese legt ebenfalls eine positive Korrelation zwischen Besicherung und Intensität der Bank-Kunden-Beziehung nahe. Allerdings ist in Longhofer/ Santos (1998) die Kausalität anders als in den hier erwähnten Modellen, da dort eine höhere Besicherung die Wahrscheinlichkeit erhöht, daß die Bank eine intensive Beziehung zu dem Kunden aufnimmt, während hier eine intensive Bank-Kunden-Beziehung dazu fuhrt, daß die Besicherung steigt. Aus diesem Grund ist das Modell von Longhofer/ Santos (1998) für das in diesem Kapitel formulierte empirische Modell nicht anwendbar. Im empirischen Modell des Kapitels 3.2.4.3 wird darauf zurückgegriffen.
Vgl. zum Beispiel Berger/ Udell (1995) und Petersen/ Rajan (1994).
Diese Argumentation bezieht sich alleine auf das mögüche Informationsmonopol, das mit einem steigenden Umsatzanteil verbunden ist. Die Resultate des Modells von Boot/ Thakor (1994), in dem die Intensität der Bank-Kunden-Beziehung nicht durch ein Informationsmonopol definiert ist, und das einen negativen Effekt der Bank-Kunden-Beziehung auf den Besicherungsgrad prognostiziert, sind daher bei UMSANTEIL nicht anzuwenden. Die relevanten theoretischen Modelle von Fischer (1990), Greenbaum et al. (1989) und Sharpe (1990) legen ausschließlich einen positiven Zusammenhang zwischen UMSANTEIL und BESICHGRAD nahe. Der erwartete Effekt auf den Besicherungsgrad ist also, im Gegensatz zu HABALLEI, eindeutig positiv.
Es könnte vermutet werden, daß ANBANK und BESIBA hoch korrelieren und daher Konkurrenzeffekte doppelt gemessen werden. Da die Korrelation von ANBANK und BESIBA aber annähernd null beträgt, kann diese Befürchtung verworfen werden.
Vgl. Maddala (1983), S. 160.
Die Subskripts i zur Bezeichnung der jeweiligen Beobachtung wurden aus Gründen der Übersichtlichkeit weggelassen.
ß4 ist ebenfalls ein Skalar.
Zur näheren Erläuterung von Tobit-Modellen vgl. zum Beispiel Maddala, S. 151 ff. sowie Ronning (1991), S. 121 ff. Die erstmalige Formulierung eines Tobit-Modells erfolgte in Tobin (1958).
Vgl. Greene (1997), S. 956 und S. 966.
Die Maximum-Likelihood-Methode fuhrt zu konsistenten Schätzern. Vgl. Maddala (1983), S. 162.
Vgl. hierzu Greene (1997), S. 963.
Vgl. hierzu Greene (1997), S. 963, der die Gewichtung für ein einseitig zensiertes Tobit-Modell darstellt. McDonald/ Moffit (1980) zeigen eine Möglichkeit, wie bei einem Tobit-Modell mit einer Untergrenze und ohne Obergrenze marginale Effekte in zwei Komponenten aufgespalten werden können. Dabei gibt die eine Komponente Änderungen in der Wahrscheinlichkeit an, daß der Schwellenwert überschritten wird, während die andere Komponente Änderungen im erwarteten Wert des Regressanden angibt, sofern er über dem Schwellenwert liegt. Eine weitere, anschauliche Möglichkeit die marginalen Effekte darzustellen, stellt die Sensitivitätsanalyse dar. Hierbei wird die Veränderung des Regressanden bei einer Änderung von signifikanten Regressoren mit Hilfe der geschätzten Koeffizienten simuliert. Auf diese Vorgehensweise wird im vorliegenden Abschnitt verzichtet, da keine Variable alleine signifikant ist. Eine Anwendung der Simulationstechnik findet in Kapitel 3.2.3.4 und 3.2.4.4 statt.
Mit Hilfe des Likelihood Ratio-Tests kann überprüft werden, ob mehrere Koeffizienten gleichzeitig gleich null sind. Eine Erläuterung dieses Tests bietet Gujarati (1995), S. 280 f.
Wird die Basiskategorie der Ratings von RATING1 auf RATING 1 und RATING2 erweitert, so ist der Likelihood Ratio-Test für die verbleibenden RATING3 und RATING4 ebenfalls auf dem 1%-Niveau signifikant.
Vgl. hierzu Tabelle 3.2.4.
In dieser modifizierten Variablen hat demnach die am längsten bestehende Bank-Kunden-Beziehung den Wert null. Vorteil der durchgeführten Modifikation von VERBSEI ist, daß die Interaktionsterme so anschaulicher zum Test der genannten Hypothese geeignet sind, denn ist die jeweilige Rating-Dummy gleich eins, so bedeutet ein größerer Interaktionsterm eine kürzer andauernde Verbindung zum betrachteten Unternehmen.
In den Tabellen 3.2.6 und 3.2.7 nicht aufgerührt.
Die Berücksichtigung eines Interaktionsterms zwischen diesen beiden Variablen bringt keine Signifikanz in der Tobit-Regression. Dies ist in Tabelle 3.2.6 nicht aufgeführt.
In Tabelle 3.2.7 nicht aufgeführt.
Zur Kontrolle der Robustheit der Ergebnisse hinsichtlich der Größe FINANT wurde die in Tabelle 3.1.1 aufgeführte Definition dieser Variablen in der vorliegenden Regression variiert. Hierbei wurden analog Kapitel 3.2.1.4 sowohl die Fremdfinanzierung, die nur Außenfinanzierung darstellt, als auch die gesamte Fremdfinanzierung den entsprechenden Bilanzen entnommen und jeweils statt der Kreditvormerkungen aller Banken als Bezugsgröße für die Gesamtvormerkung bei der betrachteten Bank verwandt. Mit Ausnahme der Tatsache, daß mit diesen Definitionen alle Kontrollvariablen gemeinsam nicht mehr signifikant sind, brachten alle Signifikanztests analoge Ergebnisse.
In Tabelle 3.2.7 nicht aufgeführt.
Klasse 1 umfaßt Unternehmen mit einem Umsatz kleiner als DM 50 Mio, Klasse 2 Unternehmen mit einem Umsatz größer DM 50 Mio.
Hierbei wurde die in Tabelle 3.2.4 vorgenommene Aufteilung gewählt.
In Tabelle 3.2.6 nicht aufgeführt.
An diesem Ergebnis ändert sich nichts, wenn Branche 2 oder Branche 3 als Basiskategorie herangezogen werden.
Am Anfang des Kapitels 3.2 wurde erläutert, daß in den hier vorgestellten Regressionen vom Problem der simultanen Bestimmung der Bestandteile von Kreditengagements abstrahiert wird (auf dieses Problem wird im Detail in Kapitel 3.3 eingegangen). Liegt jedoch eine simultane Festlegung vor (Kapitel 3.3.3 zeigt, daß davon nicht unbedingt auszugehen ist) und die Bestandteile FINANT, MARGE und HABALLEI werden trotzdem in die Regression einbezogen, kann dies zu einem „Simultaneous-Equation Bias“ fuhren (vgl. hierzu Greene (1997), S. 710). Aus diesem Grund wurden die eben genannten Variablen aus der Regression ausgeschlossen. Das Ergebnis der Tobit-Regression blieb qualitativ unverändert. Auch die in Tabelle 3.2.7 aufgeführten Likelihood Ratio-Tests wurden analog, natürlich ohne die ausgeschlossenen Variablen durchgeführt. Die Ergebnisse blieben qualitativ gleich, die Signifikanzen veränderten sich nicht. Aufgrund der sehr guten Übereinstimmung der Resultate sowohl bei Berücksichtigung als auch bei Nichtberücksichtigung der oben genannten Variablen, scheint ein „Simultaneous-Equation Bias“ mit relevanten Auswirkungen nicht vorzuliegen.
Es handelt sich hierbei um ein gegenseitiges Einvernehmen. Die Bank hat jedoch keine Möglichkeit, Sicherheiten gegen den Willen eines Kunden zu behalten, sofern der Kredit ordnungsgemäß zurückgeführt ist und keine weiteren Forderungen des Kreditinstituts damit abgesichert sind.
Die hier aufgeführten Analysen beziehen sich auf entwickelte Kreditmärkte, wie sie in den Industrienationen vorzufinden sind. Eine Analyse des Darlehensvolumens für unterentwickelte Kreditmärkte, wie sie zum Beispiel in ländlichen Gebieten Indiens anzutreffen sind, liefert Sarap (1987).
Mit Ausnahme der rein deskriptiven Arbeit von Boltz/ Campbell (1979).
Vgl. zu dieser Argumentation die Ausführungen weiter oben in diesem Kapitel.
Für das nicht standardisierte Kreditvolumen gibt es keine Obergrenze. Erst durch die Normierung entsteht eine Begrenzung bei 100%. Eigentlich unterschiedlich große absolute Kreditvormerkungen häufen sich aufgrund der Standardisierung nun bei dieser Obergrenze, wodurch Informationen verloren gehen, die in den unterschiedlichen absoluten Größen enthalten waren. Aus diesem Grund wird auch von einer rechtszensierten Variablen gesprochen.
Die Mittelwertvergleiche wurden mit Hilfe von t-Tests durchgeführt. Der F-Test, der ausdrückt, ob überhaupt Unterschiede zwischen den verschiedenen Klassen insgesamt bestehen, ist auf dem 1%-Niveau signifikant. Die Tests sind in Tabelle 3.2.8 nicht aufgeführt.
Der F-Test für alle Ratingklassen insgesamt ist auf dem 10%-Niveau signifikant. In Tabelle 3.2.8 nicht aufgeführt.
Die Klasse „2 Prozentpunkte“ ist die Klasse zwischen 2,0 und 2,99 Prozentpunkten, wobei diese beiden Werte eingeschlossen sind.
Eine Ausnahme stellt die Klasse „ > 6 Prozentpunkte “ dar. Dort handelt es sich allerdings nur um acht Beobachtungen, was die Aussagefahigkeit stark einschränkt.
Nicht in Tabelle 3.2.8 aufgeführt.
Es handelt sich dabei um die in Tabelle 3.1.1 näher erläuterte Variable FINMOEGL.
Auf diesen im ersten Augenblick wenig intuitiven Zusammenhang wird in Kapitel 3.2.3.4 näher eingegangen.
Auch im Modell von Melnik/ Plaut (1986a) führt ein steigendes Kreditvolumen zu einer Nutzenminderung für die Bank.
Neben dem erläuterten, eindeutig positiven oder eindeutig negativen Zusammenhang zwischen der Intensität der Bank-Kunden-Beziehung und dem Kreditvolumen, ist auch ein nicht linearer oder mit zunehmender Intensität der Beziehung wechselnder Einfluß denkbar. Solche Effekte sind mit einer Dummy-Variablen, um die es sich bei HABALLEI handelt, nicht erfaßbar.
Vgl. hierzu die Definition von FINANT in Tabelle 3.1.1.
Nach Kenntnis des Verfasser handelt es sich hierbei um die erste Studie zum vorliegenden Themengebiet, die auf Informationen bezüglich des Gesellschafterhintergrunds zurückgreifen kann.
Zum Erhebungszeitpunkt des Datensatzes existierte der am 10. März 1997 eingeführte Neue Markt an der Frankfurter Wertpapierbörse noch nicht, weshalb eine Kapitalmarktfinanzierung für fast alle der erhobenen Unternehmen aufgrund ihrer Größe noch keine Alternative zur Bankfinanzierung darstellte.
Bei einer gleichmäßigen Verteilung der Reduktion des gesamten Kreditvolumens auf alle Banken sinkt sowohl der Zähler als auch der Nenner von FÏNANT um den gleichen Prozentsatz, wodurch FINANT konstant bleibt.
Eine andere mögliche Interpretation von FINMOEGL ergibt sich aus der Definition dieser Variablen. Da sie sich auf den Gesellschafterhintergrund des Kreditnehmers bezieht, kann sie auch als eine Vergrößerung seines gesamten Haftungspotentials angesehen werden, das bei einer Unternehmenskrise zum Tragen kommt. Voraussetzung für eine solche Sichtweise ist, daß die Gesellschafter im Falle einer Schieflage auch bereit sind, dem Kreditnehmer zur Seite zu stehen. Sofern die Bank an eine dahingehende Unterstützung durch die Gesellschafter glaubt, stellt dies für sie eine Haftungserweiterung dar, die analog der Erhöhung gestellter Sicherheiten interpretiert werden kann. Allerdings wird das Kreditinstitut nur dann mit dem Beistand der Gesellschafter rechnen, wenn diese auch rechtlich dazu verpflichtet sind. Auf nicht bindende Absichtserklärungen wird es sich nicht verlassen. Eine genaue Prüfimg der Daten ergibt, daß eine Verpflichtung der Gesellschafter nur in wenigen Fällen, bei denen FINMOEGL den Wert eins annimmt, gegeben ist. Sofern jedoch das Kreditinstitut nicht mit Sicherheit mit der Unterstützung der Gesellschafter rechnen kann, faßt es FINMOEGL auch nicht als Haftungserweiterung auf. Als Maß für die Ausdehnung des Haftungspotentials ist diese Variable für die Bank daher nicht relevant, weshalb die Interpretation als die Konkurrenz aus dem Nichtbankensektor, der hier gefolgt wird, überzeugender erscheint.
Vgl. hierzu die Ausführungen am Anfang des Kapitels 3.2.3.2.
Vgl. Maddala (1983), S. 160.
Aus Gründen der Übersichtlichkeit wurden die Subskripts i zur Bezeichnung der jeweiligen Beobachtung weggelassen.
γ 4 ist ebenfalls ein Skalar.
Zur näheren Erläuterung von Tobit-Modellen vgl. beispielsweise Greene (1997), S. 962 ff. und Maddala(1983),S. 151 ff.
Vgl. Greene (1997), S. 956 und 966.
Die Maximum-Likelihood-Methode führt zu konsistenten Schätzern. Vgl. Greene (1997), S. 965.
Vgl. Greene (1997), S. 963.
Vgl. hierzu Greene (1997), S. 963, der die Gewichtung für ein einseitig zensiertes Tobit-Modell darstellt.
In Tabelle 3.2.10 nicht aufgeführt.
Für die Analyse der Versicherungsfunktion ist eine Zeitreihe besser geeignet, da dort ein Liquidi-tätsengpaß als Ratingverschlechterung und nicht nur als schlechtes Rating wie in der vorliegenden Arbeit definiert werden kann. Elsas/ Krahnen (1998) liefern empirische Evidenz für die Versicherungsfunktion einer Hausbank auf Grundlage einer Zeitreihenuntersuchung.
Vgl. hierzu die Ausführungen in den Kapiteln 3.2.1.4 und 3.2.2.4.
In Tabelle 3.2.10 nicht aufgeführt.
Vgl. zur genauen Vorgehensweise Krafft (1997), S. 637 f.
Das Durchschnittsengagement ist demnach aus Filiale 7, die Firma hat eine Rechtsform mit beschränkter Haftung und gehört Ratingklasse 2 an. Außerdem ist sie im verarbeitenden Gewerbe tätig und es sind keine Finanzierungsmöglichkeiten aus dem Nichtbankensektor im Umfeld des Unternehmens gegeben.
Formeln zur Berechnung des Erwartungswerts der abhängigen Variablen für links- beziehungsweise zweiseitig zensierte Tobit-Modelle sind in Maddala (1983), S. 159 ff. zu finden. Für die hier vorliegende Rechtszensierung wurde eine entsprechende Anpassung vorgenommen.
Variiert werden folglich die Variablen ANBANK, LNUMS, BESICHGRAD, VERBSEI, UMANTNEU und MARGE.
Die Tobit-Regression verwendet bei der Schätzung alle Beobachtungen, also sowohl die unter dem Schwellenwert, als auch die auf dem Schwellenwert liegenden. Da im vorliegenden Datensatz mit 14% ein moderater Anteil der abhängigen Variablen zensiert ist und somit die Wahrscheinlichkeit, daß FINANT unter dem Schwellenwert liegt relativ hoch ist, stellt der Erwartungswert von FINANT* im Bereich unter dem Schwellenwert einen relativ guten Schätzer für den Erwartungswert von FINANT dar. Aus diesem Grund liegt der marginale Effekt von durchgehend ca. 21 Prozentpunkten auch nahe bei dem geschätzten Koeffizienten von HABALLEI, der bei 21,015 liegt.
Vgl. hierzu Kapitel 3.2.3.3.
Vgl. hierzu Kapitel 3.2.3.1.
Vgl. hierzu die Erläuterungen in Kapitel 3.2.3.3.
In Tabelle 3.2.10 nicht aufgeführt.
Der t-Test ergibt einen auf dem 5%-Niveau signifikanten Unterschied der Mittelwerte.
In Kapitel 3.2.3.3 wurde die Möglichkeit angesprochen, FINMOEGL als Vergrößerung des Haftungspotentials des Kreditnehmers zu interpretieren. Eine Haftungserweiterung kann auch als eine Steigerung der gestellten Sicherheiten angesehen werden, was zu einem erwarteten positiven Zusammenhang zwischen FINMOEGL und FINANT führt. Zwar ist das Vorzeichen von FINMOEGL in Tabelle 3.2.10 positiv, allerdings ist die Variable nicht signifikant. Mit HAFTUNG verfugt die Regression über eine Größe, die Haftungsbegrenzungen mißt, das erwartete Vorzeichen hat und ebenfalls nicht signifikant ist. Sofern FINMOEGL einen Haftungsbestandteil und nicht die Finanzierungsmöglichkeiten im Nichtbankensektor darstellt und Haftungsfragen relevant sind, sollte ein gemeinsamer Test mit HAFTUNG signifikant sein. Die Durchführung eines entsprechenden Tests zeigt, daß dies jedoch nicht der Fall ist. Auch ein gemeinsamer Test von FINMOEGL, HAFTUNG und BESICHGRAD ist nicht signifikant. Zusammen mit dem Ergebnis des signifikanten gemeinsamen Tests von FINMOEGL und ANBANK legen diese Resultate eine Interpretation von FINMOEGL als Konkurrenz- und nicht als Haftungsvariable nahe.
In Tabelle 3.2.10 nicht aufgeführt.
Bei der hier vorgestellten Regression wurde vom Problem der simultanen Bestimmung der Kreditvertragsbestandteile abstrahiert (Kapitel 3.3 thematisiert dieses Problem). Werden jedoch BESICHGRAD, MARGE und HABALLEI in die Regression aufgenommen, obwohl die vier zentralen Bestandteile von Kreditengagements simultan bestimmt werden (Kapitel 3.3.3 zeigt, daß davon nicht auszugehen ist), so kann dies zu einem „Simultaneous-Equation Bias“ führen (vgl. hierzu Greene (1997), S. 710). Daher wurden die soeben aufgeführten Variablen aus der Regression ausgeschlossen. Bis auf das Fehlen der signifikanten Variablen HABALLEI blieb das Ergebnis der Tobit-Regression qualitativ unverändert. Das gleiche gilt für die in Tabelle 3.2.11 aufgeführten Likelihood Ratio-Tests, die ebenfalls ohne die genannten Variablen durchgeführt wurden. Aufgrund der sehr guten Übereinstimmung der Ergebnisse bei Berücksichtigung und bei Nichtberücksichtigung der oben genannten Variablen, scheint ein „Simultaneous-Equation Bias“ mit relevanten Auswirkungen nicht vorzuliegen.
Eine solche Dominanz der Bank-Kunden-Beziehung findet auch Hester (1979). Vgl. dort insbesondere S.355.
Vgl. hierzu die Ausführungen in Kapitel 2.4.1.
Die Dauer von Bank-Kunden-Beziehungen analysieren Ongena/ Smith (1997). In ihrer Studie steigt die Wahrscheinlichkeit, daß ein Unternehmen die Beziehung zur Bank beendet, mit deren Dauer. Kosten und Erträge von Bank-Kunden-Beziehungen untersuchen Berlin/ Mester (1997a).
Eine umfangreiche Beziehung liegt vor, wenn der Kunde Cross-Selling in Anspruch nimmt und wenn größere Umsätze über die Konten der Bank getätigt werden.
Auch Hoshi et al. (1990a), Hoshi et al. (1990b) und Hoshi et al. (1991) finden Evidenz dafür, daß Firmen mit einer engen Bindung zu einer Bank weniger von Liquiditätsengpässen betroffen sind als andere Unternehmen. Einen kurzen Überblick über einige Studien, die sich mit den Investitionsentscheidungen von Unternehmen, bei vorliegenden Finanzierungsrestriktionen beschäftigen, liefert Elston (1995). Lawrence/ Arshadi (1995) analysieren empirisch einige mögliche Handlungsalternativen von Banken bei der Behandlung von Problemkrediten.
Vgl. hierzu die Ausführungen in Kapitel 2.4.2.
In der empirischen Arbeit von Betsch et al. (1997) geben Banken an, daß der Kontakt zum Kunden für sie ein wichtiges Kriterium bei der Kreditwürdigkeitsprüfung darstellt. Dies ist ein weiteres Indiz dafür, daß ein Kreditinstitut aufgrund einer guten Geschäftsbeziehung in der Lage ist, Informationen über den Kunden zu erhalten, zu denen es sonst keinen Zugang hätte.
Burghof/ Henschel (1998) analysieren detailliert sechs Kreditbeziehungen. Sofern keine Probleme bestehen, nutzen Banken demnach billige und vergangenheitsorientierte Informationen. Wenn jedoch eine Unternehmenskrise entsteht, verwenden sie zusätzlich ausführlichere und teurere Informationen.
Bereits Black (1975), S. 326 weist darauf hin, daß das Vorhandensein eines laufenden Kontos die Überwachungsmöglichkeiten der Bank und damit deren private Informationen bezüglich des Kunden verbessert. Berlin/ Mester (1997b) finden Evidenz dafür, daß die Bank aufgrund des Zugangs zu Depositen und des daraus resultierenden Schutzes ihrer Refinanzierungskosten gegen exogene Schocks eher in der Lage ist, intensive Beziehungen mit ihren Kreditnehmern einzugehen, indem sie diese ihrerseits gegen exogene Kreditschocks schützt.
Ein theoretisches Modell zur Begründung dieses Sachverhalts liefern Almazan/ Suarez (1998). Die Bank ist dort in der Lage, Agency-Probleme, die durch die Trennung von Management und Eigentümer entstehen, zu mildern.
Fama (1985) weist darauf hin, daß die Verlängerung eines Bankkredits ein positives Signal bezüglich der Kreditwürdigkeit des Kreditnehmers darstellt.
Weitere Studien, die sich aus unterschiedlichen Perspektiven mit dem Zusammenhang zwischen der Verfügbarkeit von Bankkrediten und Aktienkursen befassen stammen von Slovin et al. (1993) und Preece/ Mullineaux (1996). Houston/ James (1996) finden, daß Kreditnehmer, bei denen starke Informationsasymmetrien vorherrschen, sich stärker durch Banken finanzieren. In der empirischen Analyse von Datta et al. (1999) führt die Existenz einer Bankverbindung zu niedrigeren Spreads bei der Emission von Unternehmensanleihen. Cable (1985) und Gorton/ Schmid (1996) zeigen in ihren empirischen Studien die Fähigkeit von Banken, einen positiven Einfluß auf die Performance von Unternehmen auszuüben. Einen anderen Blickwinkel nehmen Megginson et al. (1995) ein. Sie analysieren die Reaktion der Aktienkurse von Banken auf deren Beteiligung an der Vergabe syndizierter Kredite.
Der Zusammenhang zwischen Bank-Kunden-Beziehung und Kreditverfügbarkeit wird von Angelini et al. (1998) und Cole (1998) analysiert.
Bei 15 Engagements, also in 10% aller Fälle, ist die Bank gemeinsam mit anderen Banken Hausbank. Bei der Analyse des Datensatzes ergaben sich keine neuen Erkenntnisse, wenn auch hinsichtlich dieses Kriteriums unterschieden wurde. Dies verwundert auch nicht, da sich in diesem Fall die Intensität der Bank-Kunden-Beziehung nicht von der Intensität der Verbindung einiger anderer Kreditgeber zum Unternehmen unterscheidet und daher keine Einzigartigkeit der Beziehung mehr vorliegt. Aus diesem Grund wurden diese Fälle und die Beobachtungen, bei denen die Bank keine Hausbank ist zur Gruppe „keine Hausbank“ zusammengefaßt. Es liegt folglich eine enge Definition der Hausbankeigenschaft als „alleinige Hausbank“ vor.
Dies ist nicht selbstverständlich, denn auch bei einem Finanzierungsanteil von 100% muß die Bank nicht zwangsläufig auch Hausbank sein. Eine genaue Überprüfung der Daten ergibt, daß in 30% der Fälle die Bank keine Hausbank ist, obwohl der Finanzierungsanteil 100% beträgt.
Wie bereits in Kapitel 3.1.5.5 erwähnt, kann UMSANTEIL auch Werte annehmen, die größer als 100% sind. Dies liegt an Haben-Kontoumsätzen, die nicht gleichzeitig Umsatz in der Gewinn- und Verlustrechnung des Unternehmens darstellen. Nicht für alle Engagements der Stichprobe waren Informationen über Kontenumsätze erhältlich, weshalb hier nur 147 Fälle in die Betrachtung einbezogen werden konnten.
Die Vermutung, daß der Finanzierungsanteil und UMSANTEIL hoch korrelieren wird durch einen Korrelationskoeffizienten von 0,31 widerlegt.
Da nur Informationen von einer Bank im vorliegenden Datensatz vorhanden sind, kann diese Aussage nicht überprüft werden.
Zur Grundgesamtheit vgl. Kapitel 3.1.2.
Vgl. hierzu die Ausführungen in Fischer (1990), S. 3 ff.
Nur wenige empirische Studien verfugen über diesbezügliche Informationen. Vgl. hierzu die Ausführungen in Kapitel 3.2.4.1.
Neben der steigenden Kundenbindung hat aus theoretischer Sicht ein Informationsmonopol für die Hausbank weiterhin den Vorteil, daß sie in der Lage ist, vom Kunden höhere Zinsen zu verlangen. Allerdings zeigt die empirische Analyse des Kapitels 3.2.1.4, daß Hausbankkunden nicht höhere, sondern niedrigere Zinsen zu bezahlen haben.
Von den in Kapitel 3.2.4.1 vorgestellten Studien verfugt nur Nakamura (1993) über ähnliche Daten.
Durch UMSANTEIL wird natürlich nur ein Teil des möglichen Informationsmonopols der Bank approximiert, da sie auch durch andere Quellen private Informationen über den Kreditnehmer erhält.
Hierbei handelt es sich um die sogenannten Vorfalligkeitsentschädigungen, die üblicherweise bei der vorzeitigen Rückführung von Darlehen mit Zinsfestschreibung anfallen.
Ein höheres Rating bedeutet eine schlechtere Qualität des Unternehmens.
Um diese Interpretation vornehmen zu können muß es sich um Sicherheiten handeln, die aus dem Vermögen des Unternehmens gestellt werden. Diese können auch als „Inside Collateral“ bezeichnet werden.
Von auf Moral Hazard und adverser Selektion basierenden Effekten wird bei dieser Begründung abstrahiert.
Diese direkte Kompensation über den Zinssatz, die eine Hausbank möglicherweise für die Übernahme ihrer Funktion erhält, wird zwar aus theoretischer Sicht nahegelegt, kann aber in der empirischen Analyse des Kapitels 3.2.1.4 nicht bestätigt werden.
Zur exakten Definition vgl. Tabelle 3.1.1.
Boot/ Thakor (1997) prognostizieren in ihrem Modell eine positive Beziehung zwischen potentieller Konkurrenz aus dem Bankensektor und der Wahrscheinlichkeit, daß eine intensive Bank-Kunden-Beziehung vorliegt. Als ein Maß für diese potentielle Konkurrenz kann der Herfindahl-Index verwandt werden, der die Konzentration im Bankenmarkt der Region mißt, in der der Kreditnehmer seinen Sitz hat. Beispielsweise greifen Petersen/ Rajan (1995) in ihrer Arbeit auf den genannten Index zurück. Die im vorliegenden Datensatz vorhandenen Informationen reichen allerdings nicht aus, um daraus den Herfindahl-Index generieren zu können. Auf ein Maß für die potentielle Konkurrenz muß daher in dieser Arbeit verzichtet werden.
Vgl. Backhaus et al. (1994), S. 3.
Vgl. Maddala (1983), S. 16.
Vgl. Greene (1997), S. 874.
Die Subskripts i zur Bezeichnung der jeweiligen Beobachtung wurden aus Gründen der Übersichtlichkeit weggelassen.
Eine nähere Erläuterung von Probit-Modellen liefern beispielsweise Maddala (1983), S. 22 ff. oder Aldrich/ Nelson (1984), S. 48 ff. Probit- und Logit-Modelle verfugen über dieselbe Grundstruktur. Bei einem Probit-Modell werden normalverteilte Störterme unterstellt, während ein Logit-Modell lognormalverteilte Störterme annimmt. Aus theoretischer Sicht ist es schwierig die Wahl eines der Modelle zu rechtfertigen. Allerdings spielt es bei vielen Anwendungen auch keine Rolle welches angewandt wird, da beide meist zu analogen Ergebnissen kommen (vgl. hierzu Amemiya (1981), S. 1502, Greene (1997), S. 875 f.). Bei der hier vorliegenden Anwendung wird ein Probit-Modell unterstellt, obwohl die Schätzung mittels eines Logit-Modells auch in diesem Fall analoge Ergebnisse bringt.
Vgl. Aldrich/ Nelson (1984), S. 53.
Die Verbesserung der Klassifizierung gegenüber einem Modell, das nur die Konstante als Regressor aufweist, hegt bei beiden Regressionen bei ca. 28%.
Vgl. Greene (1997), S. 880.
Da UMSANTEIL auch Werte annehmen kann, die deutlich über 100% liegen, wurden als Robustheitskontrolle beide Regressionen von Tabelle 3.2.14 nur mit den Fällen durchgerechnet, bei denen UMSANTEIL < 150% und UMSANTEIL < 100% ist. In allen Regressionen blieb UMSANTEIL bei positivem Vorzeichen unverändert signifikant.
Bei Verwendung von Logit-Regressionen sind die Ergebnisse analog.
Definitionsgemäß können nur Kreditgeber, die Banken sind, auch Hausbanken sein. Der Hausbankstatus definiert sich folglich immer relativ zu allen anderen Banken und nicht zu sonstigen Kreditgebern. Aus diesem Grund sollte der Finanzierungsanteil nur dann die Wahrscheinlichkeit einer Hausbankbeziehung beeinflussen, wenn er so definiert ist, daß er ausschließlich Finanzierungskomponenten beinhaltet, die mit Banken in Zusammenhang stehen, wie es bei FINANT der Fall ist. Gemäß dieser Argumentation dürften Finanzierungsanteile, die in ihrer Definition auch andere Kreditarten aufweisen, in den durchgeführten Regressionen nicht signifikant sein, da sie eine Reihe von Bestandteilen enthalten, die keine Bankfinanzierung darstellen. Um dies zu überprüfen, wurde FINANT gegenüber der Definition in Tabelle 3.1.1 dahingehend modifiziert, daß im Zähler weiterhin die Gesamtvormerkung und im Nenner statt der gesamten Bankkreditfinanzierung entweder der Teil der Fremdfinanzierung, der gleichzeitig auch Außenfinanzierung darstellt, also auch beispielsweise Handelskredite beinhaltet, oder die gesamte Fremdfinanzierung des Unternehmens steht. Beide genannten Modifikationen des Finanzierungsanteils sind bei Einbeziehung in die Regressionen nicht signifikant, was den skizzierten Gedankengang bestätigt.
Vgl. hierzu die entsprechenden Ausführungen in den Kapiteln 3.2.1.4, 3.2.2.4 und 3.2.3.4. Auch die Berücksichtigung des Logarithmus von VERBSEI, mit dem eine im Zeitablauf abnehmende Steigerung des Einflusses der Dauer der Verbindung auf HABALLEI modelliert werden kann läßt dieses Ergebnis unverändert.
Vgl. hierzu die Ausführungen in Kapitel 3.2.1.3.
Als Maß für Cross-Selling wurde unter anderem auch das Ergebnis aus Einlagengeschäft alleine und die Summe aus dem Ergebnis aus Einlagengeschäft und dem Ergebnis aus Auslandsgeschäft anstelle von ERGAUSL in die Probit-Regression aufgenommen. Außerdem wurde AUSLDUM durch Dummy-Variablen mit analoger Definition ersetzt, die das Ergebnis aus Einlagengeschäft alleine und die Summe aus dem Ergebnis aus Einlagengeschäft und dem Ergebnis aus Auslandsgeschäft berücksichtigen. In allen Definitionen wurde außerdem die Schwelle von 20% variiert. Die Ergebnisse der Probit-Regressionen blieben jeweils qualitativ unverändert. Auch der Interaktionsterm zwischen den Kompensationsvariablen war in beiden Regressionen nicht signifikant.
Vgl. zur genauen Vorgehensweise Krafft (1997), S. 637 f. oder Greene (1997), S. 879 f.
Das Durchschnittsengagement ist demnach aus Fiüale 7, die Firma hat eine Rechtsform mit beschränkter Haftung und gehört Ratingklasse 2 an. Außerdem ist AUSLDUM = 1, da für die Durchführung der Sensitivitätsanalyse Regression 2 verwandt wurde. Sensitivitätsanalysen mit Regression 1 ergaben analoge Ergebnisse mit nur sehr geringen Abweichungen.
Dabei ist Prob(Y=1) = Φ(β’x), wobei Φ die Verteilungsfunktion der Standardnormalverteilung darstellt. Vgl. hierzu Greene (1997), S. 874.
Ein Finanzierungsanteil von 0% würde eine Bank-Kunden-Beziehung ohne Kreditvergabe bedeuten. Solche Fälle sind in der Stichprobe nicht enthalten.
Bei einem Finanzierungsanteil von 100% ist die Bank zwar die einzige Bank, die mit Kredit zur Verfügung steht, allerdings muß es sich dabei nicht zwangsläufig auch um die Hausbank handeln. Eine genaue Überprüfung der Daten ergibt, daß in 70% der Fälle, bei denen ein Finanzierungsanteil von 100% vorliegt, die Bank Hausbank ist. Dies zeigt eine gute Übereinstimmung mir den hier geschätzten 63%, die sich ja nur auf einen fiktiven Durchschnittskunden beziehen.
Werte von UMSANTEIL größer 100% sind durchaus möglich, da auch Zahlungen auf dem Konto eingehen, die bei dem Unternehmen nicht zu Umsatz in der Gewinn- und Verlustrechnung fuhren. Ist der Umsatzanteil gleich null Prozent, so unterhält der Kunde kein laufendes Konto bei der Bank. Trotzdem ist eine Geschäftsbeziehung in Form von zum Beispiel reinen Tilgungsdarlehen möglich. In der Stichprobe sind solche Fälle allerdings nicht enthalten.
Der Wendepunkt liegt erst bei einem Umsatzanteil von 159%.
In Tabelle 3.2.14 nicht aufgeführt.
Allerdings kann die Existenz dieser Fähigkeit der Hausbank durch die erläuterten Ergebnisse auch nicht ausgeschlossen werden, da dafür detailliertere Informationen über die einzelnen Projekte vorhanden sein müßten, was im vorliegenden Datensatz nicht der Fall ist.
Der vorliegende Datensatz stammt aus dem mittelständischen Bereich und beinhaltet daher nur wenige große Firmen. Die getroffene Aussage kann sich daher nur auf den Unterschied zwischen kleinen und großen Unternehmen im betrachteten Größensegment beziehen. Es ist folglich durchaus möglich, allerdings mit Hilfe des vorliegenden Datensatzes nicht überprüfbar, daß es in der Realität Unterschiede zwischen sehr großen und sehr kleinen Unternehmen hinsichtlich der Wahrscheinlichkeit einer Hausbankfunktion gibt. Zur Größe der in der Stichprobe enthaltenen Firmen vgl. Kapitel 3.1.5.1.
In Tabelle 3.2.14 nicht aufgeführt.
In der Analyse dieses Kapitels fand das Problem der simultanen Bestimmung der Bestandteile von Kreditengagements keine Berücksichtigung, wie am Anfang des Kapitels 3.2 dargelegt wurde (in Kapitel 3.3. wird dieses Problem thematisiert). Werden die vier zentralen Bestandteile von Kreditengagements jedoch simultan festgelegt (Kapitel 3.3.3 zeigt, daß davon nicht auszugehen ist) und BESICHGRAD, MARGE und FINANT trotzdem in die Regression einbezogen, so kann dies zu einem „Simultaneous-Equation Bias“ führen (vgl. hierzu Greene (1997), S. 710). Die eben genannten Variablen wurden aus diesem Grund aus den Regressionen ausgeschlossen. Die Ergebnisse blieben qualitativ unverändert, wobei die Variable ANBANK signifikant wurde. Aufgrund der guten Übereinstimmung der Ergebnisse bei Berücksichtigung und bei Nichtberücksichtigung der oben genannten Variablen, scheint ein „Simultaneous-Equation Bias“ mit relevanten Auswirkungen nicht vorzuliegen.
Zu diesem Ergebnis kommen auch Degryse/ van Cayseele (1999), S. 23.
Vgl. hierzu Kapitel 3.1.1.
Vgl. hierzu Greene (1997), S. 710.
Beispiele für empirische Studien, die von einer möglichen Simultanität abstrahieren oder nur sehr kurz auf dieses Problem eingehen, bieten Berger/ Udell (1995), Degryse/ van Cayseele (1999), Elsas/ Krahnen (1998), Harhofff/ Körting (1998) und Machauer/ Weber (1998).
Hierbei handelt es sich um die Gleichungen (3.2.1.3.1), (3.2.2.3.2), (3.2.3.3.2) und (3.2.4.3.2). Der Interaktionsterm aus Gleichung (3.2.1.3.1) wurde nicht in die Gleichungen (3.3.1.1.1.a) und (3.3.1.1.2.a) aufgenommen, da sonst durch diesen zusätzlichen, nicht linearen Bestandteil der Gleichung die Identifikation nicht mehr mit den in Kapitel 3.3.2 angewandten Standardmethoden überprüft werden kann. Außerdem verkompliziert sich die reduzierte Form des Gleichungssystems (vgl. Kapitel 3.3.1.2) unnötig. Der Interaktionsterm wird jedoch beim Vergleich der Ergebnisse in Kapitel 3.3.5.1 berücksichtigt.
Die Subskripts i zur Bezeichnung der jeweiligen Beobachtung wurden aus Gründen der Übersichtlichkeit weggelassen.
Vgl. hierzu die Ausführungen jeweils am Ende der Kapitel 3.2.2.3, 3.2.3.3 und 3.2.4.3.
Bei K m , K b , Kf, α4, β4 und γ4 handelt es sich um Skalare, da in die entsprechenden Gleichungen nur jeweils eine Kompensationsvariable eingeht.
Es handelt sich dabei um die gleichen Variablen, die auch in den entsprechenden Modellen der Kapitel 3.2.1 bis 3.2.4 verwandt wurden. Hierbei ist zu beachten, daß in den Kapiteln 3.2.1.4 und 3.2.4.4 jeweils zwei Regressionen zur Diskussion standen. Das hier vorgestellte Simultanmodell enthält die Variablen der jeweils zweiten Regression. Auf die Berücksichtigung des Interaktionsterms aus Kapitel 3.2.1.4 wurde, wie erläutert, verzichtet. Einen Überblick über die verwandten Variablen bietet auch Tabelle 3.3.1.
Dies geschieht im Vorgriff auf die anzuwendende Methodik zur Lösung des Systems. Vgl. hierzu die Ausführungen in Kapitel 3.3.4. Eine Ausnahme stellt MARGE dar, da hierfür keine latente Variable existiert.
Vgl. Maddala (1983), S. 160 sowie Nelson/ Olson (1978), S. 698.
Aus Gründen der Übersichtlichkeit wurden die Subskripts i, die die jeweilige Beobachtung bezeichnen, weggelassen.
Vgl. Gujarati (1995), S. 655. Wird im folgenden von der strukturellen Form des Gleichungssystems gesprochen, bezieht sich dies immer auf die Gleichungen (3.3.1.1.2.a) bis (3.3.1.1.2.d), obwohl grundsätzlich beide dargestellten Formen der Gleichungssysteme strukturelle Formen darstellen.
Vgl. zu dieser Darstellungsform Gujarati (1995), S. 667. Um deutlich zu machen, daß es sich um die Formulierung ausschließlich mit Hilfe von latenten Variablen ohne die zusätzlichen Bedingungen für die tatsächlich beobachtbaren Variablen handelt, wurde bei der Kennzeichnung der entsprechenden Gleichungen das Subskript l angebracht. Zur Vermeidung einer Verwechslung der
Vektoren von Koeffizienten (math) mit Einzelkoeffizienten wurden α4,l , β4,l , γ4,l und δ4,l nicht zur Bezeichnung von Einzelkoeffizienten verwandt.
Vgl. hierzu Nelson/ Olson (1978), S. 704 f. Zur Gewährleistung der Übersichtlichkeit, wurden die Subskripts i zur Bezeichnung der einzelnen Beobachtungen weggelassen.
Aus diesem Grund befinden sich an X auch keine Subskripts.
Es handelt sich hierbei um komplizierte Ausdrücke, die bei der in dieser Arbeit verfolgten Vorgehensweise nicht benötigt werden und daher nicht aufgeführt sind.
Vgl. Greene (1997), S. 709.
Vgl. Gujarati (1995), S. 657 ff.
Diese Ausführungen beziehen sich auf Gujarati (1995), S. 665 f.
Die Überprüfung der Identifikation bezieht sich auf die in Tabelle 3.3.1 gewählte Formulierung ausschließlich mit Hilfe von latenten Variablen. Dabei ist in Gleichung (3.3.1.1.2.a) der Interak-tionsterm zwischen der Hausbankeigenschaft und AUSLDUM, wie er in Kapitel 3.2.1.4 in die Formulierung einbezogen wurde, nicht berücksichtigt. Diese Vorgehensweise wurde gewählt, weil infolge der Nichtlinearität die durch den Interaktionsterm zwischen einer endogenen und einer exogenen Variablen in die Gleichung eingeht, die Überprüfung der Identifikation mit Hilfe der beiden in Kapitel 3.3.2 vorgestellten, üblicherweise anzuwendenden Methoden nicht mehr möglich ist. Daher findet hier die Prüfung der Identifikation für die Gleichung ohne den Interaktionsterm statt. Der Interaktionsterm wird dann in Kapitel 3.3.5.1 berücksichtigt.
Vgl. Gujarati (1995), S. 667.
Die folgenden Ausführungen beziehen sich auf Gujarati (1995), S. 666 ff.
Hierbei werden sowohl exogene als auch endogene Variablen betrachtet.
Die geschätzten Koeffizienten sind alle ungleich null. Auch der Parameter α15,l , also der Koeffizient von KONTOAUSN ist nicht gleich null, obwohl die Ergebnisse der Schätzung des Simultanmodells in Kapitel 3.3.5.1 den Eindruck erwecken könnten. Der Anschein entsteht, weil in den dort dargestellten Tabellen 3.3.3 und 3.3.4 die Resultate nur mit drei Stellen nach dem Komma angegeben werden, was dazu führt, daß α15,l mit dem Wert 0,000 aufgeführt ist. Es sieht folglich
so aus, als ob der Koeffizient null wäre. Tatsächlich ist er in den verschiedenen Schätzungen zwar kleiner als 0,0005, aber immer noch größer als null. In Tabelle 3.3.4, Regression B beträgt er beispielsweise -0,0002.
Vgl. zur Vorgehensweise bei der Anwendung des Tests Gujarati (1995), S. 670 ff.
Vgl. Gujarati (1995), S. 670.
Vgl. Tabelle 3.3.1.
Die Formulierung mit Hilfe von latenten Variablen sowie Gleichung (3.3.1.1.2.a) werden deshalb gewählt, weil sich die beschriebene Vorgehensweise auf lineare Gleichungssysteme und Gleichungen bezieht.
Die Schätzung der reduzierten Form findet analog der 1. Stufe der in Kapitel 3.3.4 vorgestellten Methodik von Nelson/ Olson (1978) statt. Aus diesem Grund wird darauf in diesem Kapitel nicht näher eingegangen.
Da die latenten Variablen Y*b, Y*f und Y*h unbekannt sind, sind auch die entsprechenden Residuen nicht bekannt. Als Approximation werden daher die geschätzten Residuen der Form y -E(y|x,β,σ)
verwandt.
Es handelt sich hierbei lediglich um eine andere Schreibweise, die insbesondere in Kapitel 3.3.5 zur Anwendung kommt.
Die F-Tests sind in Tabelle 3.3.2 nicht aufgeführt. Wird der in Gujarati (1995), S. 671 außerdem vorgeschlagenen Vorgehensweise analog gefolgt und statt der Schätzer der latenten Variablen, die Variablen BESICHGRAD, FINANT und HABALLEI direkt in die Regression eingesetzt, ergeben sich ebenfalls keine Hinweise auf Simultanität.
Zu den Bestandteilen von Kreditengagements und dem Erhebungsdesign der vorliegenden Arbeit vgl. die Kapitel 3.1.1 bis 3.1.3.
Das genannte Ergebnis gilt allerdings nur für die vorliegende Analyse. Es ist daher für jede empirische Studie im einzelnen zu prüfen, ob bei dem dort vorliegenden Datensatz und der Definition der dort gewählten Untersuchungsobjekte Simultanität vorliegt oder nicht.
Vgl. Aldrich/ Nelson (1984), S. 81.
Vgl. Greene (1997), S. 710.
Vgl. Gujarati (1995), S. 604.
Vgl. Gujarati (1995), S. 688.
Vgl. Gujarati (1995), S. 689.
Dies betrifft Gleichung (3.3.1.1.2.a) des Simultanmodells.
Vgl. Nelson/ Olson (1978), S. 696 f.
Vgl. Nelson/ Olson (1978), S. 698.
Vgl. Nelson/ Olson (1978), S. 699 f. und 707. Amemiya (1979) entwickelt einen weniger eingängigen Schätzer, der asymptotisch effizienter ist als der von Nelson/ Olson (1978) vorgeschlagene. Eine andere Methode zur Schätzung der Strukturparameter eines Simultangleichungssystems stellt die in Chamberlain (1984) vorgeschlagene Minimum-Distance-Methode dar, der in der vorliegenden Arbeit nicht gefolgt wird. Anwendungen dieser Methodik finden sich beispielsweise in Grammig (1994), Grammig (1996) und Hujer/ Grammig (1999). Heckman (1978) und Amemiya (1978) leiten jeweils Schätzer für ein simultanes Probit-Modell her.
Vgl Maddala (1983), S. 238, Nelson/ Olson (1978), S. 705.
Vgl. Nelson/ Olson (1978), S. 705. Das Korrekturverfahren wird in Gujarati (1995), S. 705 beschrieben.
Über die Höhe der Abweichung der nicht korrigierten Standardabweichungen von ihren korrigierten Gegenstücken ist keine generelle Aussage möglich. Vgl. hierzu Maddala (1983), S. 238. Nelson/ Olson (1978) finden bei einer Simulation, daß in ihrem Modell die Standardabweichungen überschätzt werden.
Es handelt sich hierbei lediglich um eine andere Schreibweise der bereits bekannten Variablen (math)
Die Ergebnisse der Schätzungen der ersten Stufe der Nelson/ Olson (1978)-Methode sind in Anhang 2 aufgeführt.
Infolge der Nichtlinearität die durch den Interaktionsterm zwischen einer endogenen und einer exogenen Variablen in die Gleichung eingeht, ist die Überprüfung der Identifikation dieser Gleichung mit Hilfe der in Kapitel 3.3.2 vorgestellten, üblicherweise angewandten Methoden nicht mehr möglich. Aus diesem Grund wurde dort die Identifikation für die Gleichung ohne den Interaktionsterm überprüft. Aufgrund der vermutlich ausreichenden Anzahl unterschiedlicher Variablen die in die vier Gleichungen (3.3.1.1.2.a) bis (3.3.1.1.2.d) eingehen, wird jedoch davon ausgegangen, daß die Identifikation auch bei Berücksichtigung des Interaktionsterms gegeben ist.
Hierbei entspricht Regression 2 in Tabelle 3.3.4, Regression 2 aus Tabelle 3.2.3 in Kapitel 3.2.1.4.
Der F-Test ist in Tabelle 3.3.3 nicht aufgeführt.
Der F-Test ist nicht in Tabelle 3.3.4 nicht aufgeführt.
Immer wenn der Schätzer der latenten Variablen größer als null ist, ist der Schätzer der tatsächlich beobachteten Variablen gleich eins, sonst null. Vgl. hierzu die Ausführungen in Kapitel 3.2.4.3.
Aufgrund des nominalen Skalenniveaus von HABALLEI und HABALLEI muß ein Assoziationskoeffizient verwandt werden. Hierbei fand Cramers Kontingenzkoeffizient, der zwischen null und eins normiert ist, Anwendung. Vgl. dazu Rinne (1995), S. 87.
Die erste Stufe der Schätzung ist in Tabelle A.2.4 in Anhang 2 aufgeführt.
Vgl. hierzu die Ergebnisse der ersten Stufe der Schätzungen, die in den Tabellen A.2.2 und A.2.3 in Anhang 2 zu finden sind.
Es handelt sich hierbei um die Ergebnisse aus Tabelle 3.2.6 in Kapitel 3.2.2.4.
Wie zu Anfang des Kapitels 3.2.2.4 erwähnt, ist die Höhe der Tobit-Koeffizienten nicht direkt interpretierbar, was einen direkten Vergleich der Koeffizienten aus Regression 1 und Regression 2 ausschließt.
Vgl. hierzu die Ausführungen in Kapitel 3.3.5.1. Die Korrelation von MARGE mit dem zugehörigen Schätzer beträgt 0,76.
Regression 2 entspricht daher den in Tabelle 3.2.10 des Kapitels 3.2.3.4 dargestellten Ergebnissen.
Hierbei bleibt zu beachten, daß die P-Werte in Regression 1 analog der Vorgehensweise von Nelson/ Olson (1978) nicht korrigiert sind und daher nur als Approximationen dienen können. Vgl. hierzu die Ausführungen in Kapitel 3.3.4.
Die Höhe der Tobit-Koeffizienten ist nicht direkt interpretierbar, wie zu Anfang des Kapitels 3.2.2.4 erwähnt. Ein direkter Vergleich der Koeffizienten aus Regression 1 und Regression 2 ist daher ausgeschlossen.
Regression 2 stellt dabei die in Tabelle 3.2.14 in Kapitel 3.2 .4.4 erläuterte Regression 2 dar.
Auch hier ist zu beachten, daß die P-Werte in Regression 1 nur Approximationen darstellen, die durchaus von den tatsächlichen Signifikanzniveaus abweichen können. Vgl. hierzu die Ausführungen in Kapitel 3.3.4.
Die Ergebnisse des Likelihood Ratio-Tests sind in Tabelle 3.3.9 nicht aufgeführt. Der Likelihood Ratio-Test für (math) alleine ist auf dem 5%-Niveau signifikant.
Wie bereits in Kapitel 3.2.4.4 erwähnt, ist aufgrund der fehlenden Linearität, die Höhe der Koeffizienten bei einer Probit-Regression nicht direkt interpretierbar. Aus diesem Grund ist auch kein direkter Vergleich zwischen den Koeffizienten von Regression 1 und Regression 2 möglich.
Eine potentielle Fehlerquelle bei der Anwendung der Nelson/ Olson (1978)-Methode stellt die teilweise unzureichende Korrelation zwischen Schätzern und endogenen Variablen, die sie ersetzen sollen, dar, was von der Güte der Schätzung in der ersten Stufe der Methodik abhängt. Vgl. hierzu die Ausführungen in Kapitel 3.3.5.1.
Rights and permissions
Copyright information
© 2001 Betriebswirtschaftlicher Verlag Dr. Th. Gabler GmbH, Wiesbaden, und Deutscher Universitäts-Verlag GmbH, Wiesbaden
About this chapter
Cite this chapter
Hanser, F. (2001). Zentrale Bestandteile von Kreditengagements in der finanzwirtschaftlichen Praxis — Eine empirische Analyse von Kreditakten eines deutschen Kreditinstituts. In: Die Struktur von Kreditbeziehungen. Empirische Finanzmarktforschung / Empirical Finance. Deutscher Universitätsverlag. https://doi.org/10.1007/978-3-322-89848-7_3
Download citation
DOI: https://doi.org/10.1007/978-3-322-89848-7_3
Publisher Name: Deutscher Universitätsverlag
Print ISBN: 978-3-8244-7271-0
Online ISBN: 978-3-322-89848-7
eBook Packages: Springer Book Archive