Advertisement

Die Kreditwürdigkeitsprüfung

  • Peter Berlandi
Part of the Hallesche Schriften zur Betriebswirtschaft book series (HSBW, volume 7)

Zusammenfassung

Der Begriff der Kreditwürdigkeitsprüfung umfaßt alle Maßnahmen, die darauf ausgerichtet sind, das Risiko einer Kreditvergabe zu bestimmen.54 Das Ergebnis einer derartigen Prüfung ist ein Urteil über die Fähigkeit des Kunden seinen Zins- und Tilgungsverpflichtungen in der Zukunft nachzukommen.55 Diese Fähigkeit wird als Kreditwürdigkeit oder synonym als Bonität des Kreditnehmers bezeichnet.56 Da jedoch eine Aussage über die zukünftige Kapitaldienstfähigkeit des Kunden getroffen werden muß, besteht bei jeder Kreditwürdigkeitsprüfung die Gefahr einer Falscheinschätzung der Bonität des Kreditnehmers.57 Hierbei sind zwei Arten von Fehleinschätzungen möglich.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Referenzen

  1. 54.
    Vgl. Kuhlmann, J., Ausgliederung, 1992, S. 12.Google Scholar
  2. 55.
    Vgl. Rödl, H., Kreditrisiken, 1979, S. 14; auch Bönkhoff, F.J., Kreditwürdigkeitsprüfung, 1983, S. 18.Google Scholar
  3. 56.
    Vgl. Heno, R, Kreditwürdigkeitsprüfung, 1983, S. 11.Google Scholar
  4. 57.
    Vgl. Bönkhoff, F. J., Kreditwürdigkeitsprüfung, 1983, S. 13.Google Scholar
  5. 58.
    Vgl. Friedl, H. H., Anforderungen, 1996, S. 142.Google Scholar
  6. 59.
    Vgl. Hartmann, B., Kreditprüfung, 1965, S. 13; auch Kreim, E., Finanzplanung, 1977, S. 17 f; auch Hagenmüller, K. F., Bankbetrieb, 1987, S. 35.Google Scholar
  7. 60.
    Vgl. Krause, C., Neuronale Netze, 1993, S. 9.Google Scholar
  8. 61.
    Zu qualitativen Kriterien vgl. Zellweger, B., Kreditwürdigkeitsprüfung, 1987, S. 26 ff; auch Huß, M., RISK, 1989, S. 320 ff; auch Fritz, M., Indikatorkonstellationen, 1991, S. 119 ff. Zur Bedeutung von quantitativen Daten, vor allem dem Jahresabschluß, vgl. Niehaus, H.-J., Früherkennung, 1987, S. 157 ff; auch Feidicker, M., Kreditwürdiggkeitsprüfung, 1992, S. 184 ff.Google Scholar
  9. 62.
    Vgl. Baetge, J., Bilanzen, 1994, S. 7.Google Scholar
  10. 63.
    Vgl. Wächtershäuser, M., Kreditrisiko, 1971, S. 18; auch Brakensiek, T., Kalkulation, 1991, S. 7.Google Scholar
  11. 64.
    Vgl. Hagenmüller, K. F., Bankbetrieb, 1987, S. 239.Google Scholar
  12. 65.
    Vgl. Bönkhoff, F. J., Kreditwürdigkeitsprüfung, 1983, S. 1.Google Scholar
  13. 66.
    Vgl. Hartmann, B., Kreditprüfung, 1965, S. 10; auch Steiner, M., Kreditwürdigkeitsprüfung, 1994, S. 425; auch Roß, H.-P., Kreditrevision, 1995, S. 18.Google Scholar
  14. 67.
    Vgl. Wächtershäuser, M., Kreditrisiko, 1971, S. 70.Google Scholar
  15. 68.
    Vgl. Heno, R., Kreditwürdigkeitsprüfung, 1983, S. 20.Google Scholar
  16. 69.
    Vgl. Hüls, D., Früherkennung, 1995, S. 9.Google Scholar
  17. 70.
    Vgl. Weinrich, G., Kreditwürdigkeitsprognosen, 1978, S. 25.Google Scholar
  18. 71.
    Vgl. Schierenbeck, H., Bankmanagement, 1994, S. 656 f.Google Scholar
  19. 72.
    Vgl. Buchner, R., Grundzüge, 1981, S. 199; auch Kuhlmann, J., Ausgliederung, 1992, S. 12. Unter Kreditwürdigkeitsprüfung soll im folgenden sowohl die erstmalige als auch die laufende Überprüfung der Kreditnehmerbonität verstanden werden. Hartmann bezeichnet die laufende Bonitätsanalyse als Kreditüberwachung. Val. Hartmann. B.. Kreditprüfung, 1965. S. 13.Google Scholar
  20. 73.
    Val. Mayer, G., Beurteilung, 1964, S. 12 f; auch Dorka, J., Kundenverbundanalyse. 1990. S. 46.Google Scholar
  21. 74.
    Zu den möglichen Informationsquellen vgl. Hartmann, B., Kreditprüfung, 1965, S. 14–21.Google Scholar
  22. 75.
    Vgl. auch Abschnitt 7.1.1 der vorliegenden Arbeit sowie Kreim, E., Kreditentscheidung, 1988, S. 261; auch Schmoll, A., Risikoklassen, 1992, S. 997 ff.Google Scholar
  23. 76.
    Vgl. Strack, H., Beurteilung, 1976, S. 5; auch Häußler, W. M., Punktbewertungen, 1981, S.1; auch Huß, M., RISK, 1989, S. 311.Google Scholar
  24. 77.
    Zu den Einsatzmöglichkeiten formalisierter Verfahren in der Kreditwürdigkeitsprüfung vgl. Gebhardt, G., Eignung, 1981, S. 225–234.Google Scholar
  25. 78.
    Vgl. Ohlenroth, W., Reuter, A., Zensuren, 1985, S. 336; auch Köllhofer, D., Moderne, 1989, S. 146.Google Scholar
  26. 79.
    Vgl. Krause, C., Neuronale Netze, 1993, S. 12.Google Scholar
  27. 80.
    Vgl. Baetge, J., Objektivierung, 1970, S. 16 f.Google Scholar
  28. 81.
    Vgl. Bräutigam, J., Küllmer, H., Objektivierung, 1972, S.9; auch Krause, C., Neuronale Netze, 1993, S. 12.Google Scholar
  29. 82.
    Vgl. Heno, R., Kreditwürdigkeitsprüfung, 1983, S. 59. Zwar werden mit formalisierten Verfahren in der Regel nur quantitative Daten verarbeitet. Bei einer geeigneten Codierung können aber ebenfalls qualitative Daten analysiert werden. Vgl. Häußler, W. M., Punktebewertung, 1981, S. B79 ff.Google Scholar
  30. 83.
    Vgl. FitzPatrick, P. J., Comparison, 1932, S. 589 ff; auch Beaver, W., Predictors, 1966. S. 71 ff.Google Scholar
  31. 84.
    Vgl. Beaver, W., Predictors, 1966, S. 83 ff. Zuvor hatten bereits FitzPatrick und Tamari Jahresabschlußkennziffern von guten und schlechten Unternehmen einander gegenübergestellt, ohne jedoch kritische Trennwerte abzuleiten. Vgl. FitzPatrick, P. J., Comparison, 1932, S. 589 ff.Google Scholar
  32. 85.
    Vgl. Diez, B., Krisenunternehmen, 1987, S. 83; auch Fouquet, K. P., Sanierungswürdigkeitsanalyse, 1987, S. 194; auch Bleier, E., Unternehmensanalyse, 1989. S. 168 f.Google Scholar
  33. 86.
    Vgl. Beaver, W., Predictors, 1966, S. 84; auch Beermann, K., Prognosemöglichkeiten, 1976, S. 80; auch Weibel, P. F., Bonitätsbeurteilung, 1978, S. 206 f; auch Hüls, D., Früherkennung, 1995, S. 144.Google Scholar
  34. 87.
    Vgl. Krause, C., Neuronale Netze, 1993, S. 17.Google Scholar
  35. 88.
    Vgl. Gebhardt, G., Insolvenzprognosen, 1980, S. 226 ff und S. 247.Google Scholar
  36. 89.
    Vgl. Hüls, D., Früherkennung, 1995, S. 9.Google Scholar
  37. 90.
    Vgl. Baetge, J., Niehaus, H.-J., Verfahren, 1989, S. 150.Google Scholar
  38. 91.
    Vgl. Gebhardt, G., Insolvenzprognosen, 1980, S. 242.Google Scholar
  39. 92.
    Für frühe empirische Studien vgl. bspw. Beermann, K., Prognosemöglichkeiten, 1976, S. 98 ff; auch Weinrich, G., Kreditwürdigkeitsprognosen, 1978, S. 98 ff; auch Gebhardt, G., Insolvenzprognosen, 1980, S. 242 ff. Für aktuellere empirische Studien vgl. z.B. Leker, J., Frühdiagnose, 1993, S. 236 ff; auch Hüls, D., Früherkennung, 1995, S. ff. Zum statistischen Hintergrund vgl. bspw. Backhaus, K., Erichson, B., Plinke, W., Weiber, R., Multivariate, 1994, S. 90 ff; auch Brosius, G., Brosius, F., SPSS, 1995, S. 771 ff.Google Scholar
  40. 93.
    Vgl. Hüls, D., Früherkennung, 1995, S. 27.Google Scholar
  41. 94.
    Vgl. Backhaus, K., Erichson, B., Plinke, W., Weiber, R., Multivariate, 1994, S. 91.Google Scholar
  42. 95.
    Vgl. Buchner, R., Statistik, 1985, S. 355.Google Scholar
  43. 96.
    Vgl. Sachs, L., Angewandte, 1992, S. 201 f.Google Scholar
  44. 97.
    Vgl. Gebhardt, G., Lnsolvenzprognosen, 1980, S. 278 und 282; auch Niehaus, H.-J., Früherkennung, 1987, S. 150 und 156; auch Keysberg, G., Diskriminanzanalyse, 1989, S. 85; auch Hüls, D., Früherkennuna. 1995. S. 263 f.Google Scholar
  45. 98.
    Eine Ausnahme hiervon bildet zum Beispiel das für den Sparkassen- und Giroverband entwickelte Bilanzanalysesystem STATBIL. Ein Vergleich von parametrischen und nicht-parametrischen Verfahren fiel hier zugunsten der verteilungsfreien Verfahren aus. Vgl. Stein, J. H. v., Weiterentwicklung, 1984, S. 219.Google Scholar
  46. 99.
    Vgl. Gebhardt, G., Insolvenzprognosen, 1980, S. 261.Google Scholar
  47. 100.
    Vgl. Morrison, D. G., Interpretation, 1969, S. 156 f; auch Perlitz, M., Bilanzanalyse, 1979, S. 838.Google Scholar
  48. 101.
    Vgl. Keysberg, G., Diskriminanzanalyse, 1989, S. 73.Google Scholar
  49. 102.
    Vgl. Weinrich, G., Kreditwürdigkeitsprognosen, 1978, S. 125; auch Gebhardt, G., Insolvenzprognosen, 1980, S. 261.Google Scholar
  50. 103.
    Vgl. Buchner, R., Statistik, 1985, S. 360. Um nach Festlegung eines kritischen Trennwertes die Klassifikation neu zu beurteilender Unternehmen zu erleichtern, wird die Diskriminanzfunktion häufig um ein absolutes Glied ao erweitert, das der Normierung des kritischen Trennwertes auf Null dient. Vgl. Backhaus, K., Erichson, B., Plinke, W., Weiber, R., Multivariate, 1994, S. 96 und 101.Google Scholar
  51. 104.
    Vgl. Backhaus, K., Erichson, B., Plinke, W., Weiber, R., Multivariate, 1994, S. 100 f.Google Scholar
  52. 105.
    Vgl. Fisher, R. A., Multiple, 1936, S. 179 ff.Google Scholar
  53. 106.
    Vgl. Durand, D., Risk, 1941, S. 125.Google Scholar
  54. 107.
    Vgl. Altman, E. I., Prediction, 1968, S. 589 ff.Google Scholar
  55. 108.
    Vgl. Beermann, K., Prognosemöglichkeiten, 1976, S. 98 ff.Google Scholar
  56. 109.
    Thanner benutzt das Verfahren der Diskriminanzanalyse auch zur Untersuchung von Kontodaten. Vgl. Thanner, W., Kontokorrentverbindung, 1991, S. 203 ff. Hesselmann kombiniert Jahresabschlußdaten mit qualitativen Daten über das Management sowie die Marktstellung. Vgl. Hesselmann, S., Z-/Q-Methode, 1993. Ähnlich Uthoff, der Daten aus dem Auskunftswesen mit Jahresabschlußdaten verknüpft. Vgl. Uthoff, C., Erfolgsoptimale, 1997.Google Scholar
  57. 110.
    Vgl. Schönbrodt, B., Erfolgsprognosen, 1981, S. 157 ff; auch Schneider, D., Warnung, 1985, S. 1492 f; auch Gemünden, H. G., Defizite, 1988, S. 135 ff; auch Burger, A., Schellberg, B., Rating, 1994, S. 870 ff.Google Scholar
  58. 111.
    Weitere Kritikpunkte sind die Bestimmung eines kritischen Trennwertes und die Bildung von Güteund Risikoklassen. Diese zwei Punkte werden ausführlich in Abschnitt 6.3.2.2 und 6.3.2.3.4 behandelt.Google Scholar
  59. 112.
    Eine weitere Optimalitätsbedingung ist die Unabhängigkeit der in der Diskriminanzfunktion verwendeten Kennzahlen. Diese kann jedoch durch den Einsatz der Faktorenanalyse, der Clusteranalyse oder der Korrelationsanalyse sichergestellt werden. Vgl. Fisher, R. A., Multiple, 1936, S. 179 ff; auch Eisenbeis, R. A., Discriminant, 1977, S. 37 ff; auch Fahrmeier, L., Häußler, W., Tutz, G., Diskriminanzanalyse, 1984, S. 316 ff.Google Scholar
  60. 113.
    Vgl. Schönbrodt, B., Erfolgsprognosen, 1981, S. 185.Google Scholar
  61. 114.
    Vgl. Baetge, J., Beuter, H., Feidicker, M., Kreditwürdigkeitsprüfung, 1992, S. 751 f.Google Scholar
  62. 115.
    Vgl. Niehaus, H.-J., Früherkennung, 1987, S. 156; auch Hüls, D., Früherkennung, 1995, 5. 263. Zu verteilungsfreien Verfahren vgl. Linhart, H., Techniques, 1959, S. 138 ff; auch Kendall, M. G., Discrimination. 1966, S. 165 ff.Google Scholar
  63. 116.
    Val. Duda, R.O., Hart, P.E., Pattern, 1973, S. 114 ff.Google Scholar
  64. 117.
    Vgl. Schneider, D., Warnung, 1985, S. 1492 f; auch Burger, A., Klassifikation, 1994, S. 1167 ft.Google Scholar
  65. 118.
    Vgl. Schneider, D., Schritte, 1989, S. 637; auch Burger, A., Klassifikation, 1994, S. 1167 f.Google Scholar
  66. 119.
    Vgl. Baetge, J., Krause, C., Mertens, P., Kritik, 1994, S. 1184.Google Scholar
  67. 120.
    Vgl. Höfer, K., Prognose, 1978, S. 462 f; auch Christians, U., Entwicklung, 1986, S. 119 ff.Google Scholar
  68. 121.
    Vgl. Steiner, M., Unternehmenskredit, 1979, S. 181; auch Joy, O. M., Tolefson, J. O., Financial, 1975, S. 728.Google Scholar
  69. 122.
    Vgl. Feidicker, M., Kreditwürdigkeitsprüfung, 1992, S.158 ff.Google Scholar
  70. 123.
    Vgl. Hüls, D., Früherkennung, 1995, S. 279 ff.Google Scholar
  71. 124.
    Vgl. ebenda, S. 282.Google Scholar
  72. 125.
    Vgl. zu regressionsanalytischen Verfahren Fouquet, K. P., Sanierungswürdigkeitsanalyse, 1987, S. 288 ff; auch Hartung, J., Elpelt, B., 1992, Multivariate Statistik, S. 132 ff.Google Scholar
  73. 126.
    Vgl. Fouquet, K. P., Sanierungswürdigkeitsanalyse, 1987, S. 285.Google Scholar
  74. 127.
    Vgl. Mühlbayer, M., Erfolgsanalyse, 1986, S. 253 f.Google Scholar
  75. 128.
    Vgl. Feidicker, M., Kreditwürdigkeitsprüfung, 1992, S. 135.Google Scholar
  76. 129.
    Verwendet wurde das lineare Wahrscheinlichkeitsmodell zur Kreditwürdigkeitsprüfung von Meyer, P. A., Pifer, H. W., Prediction, 1970, S. 856 ff; auch Collins, R. A., Comparison, 1980, S. 53 ff; auch Mühlbayer, M., Erfolgsanalyse, 1986, S. 255 ff; auch Fouquet, K. P., Sanierungswürdigkeitsanalyse, 1987, S. 288 ff.Google Scholar
  77. 130.
    Zur linearen Regressionsanalyse vgl. Bleymüller, J., Gehlert, G., Gülicher, H., Statistik, 1992, S. 139 ff.Google Scholar
  78. 131.
    Vgl. Mühlbayer, M., Erfolgsanalyse, 1986, S. 254 f.Google Scholar
  79. 132.
    Folgende Autoren haben die Logit-Analyse für die Kreditwürdigkeitsprüfung verwendet. Vgl. Martin, D., Failure, 1977, S. 256 ff; auch Ohlson, J. A., Ratios, 1980, S. 109 ff; auch Zavgren, C. V., Failure, 1983, S. 28 ff; auch Casey, C. J., Bartczak, N., Distress, 1985, S. 392 ff; auch Mühlbayer, M., Erfolgsanalyse, 1986, S. 259 ff.Google Scholar
  80. 133.
    Die logistische Funktion wird auch als Sigmoidfunktion bezeichnet. Sie transformiert beliebige Eingangswerte zu Ausgabewerten zwischen Null und Eins. Im Intervall zwischen -1 und +1 werden die Eingabewerte nahezu linear transformiert, außerhalb dieses Wertebereichs erfolgt eine starke Komprimierung. Vgl. Krause, C., Neuronale Netze, 1993, S. 41 f.Google Scholar
  81. 134.
    Im Rahmen der Kreditwürdigkeitsprüfung wurde die Probit-Analyse verwendet von Gentry, J. A., Newbold, P., Whitford, D. T., Classifying, 1985, S. 149; auch Zmijewski, M. E., Estimation, 1985, S. 65 ff; auch Fouquet, K. P., Sanierungswürdigkeitsanalyse, 1987, S. 295 ff.Google Scholar
  82. 135.
    Vgl. Feidicker, M., Kreditwürdigkeitsprüfung, 1992, S. 142.Google Scholar
  83. 136.
    Vgl. Fouquet, K. P., Sanierungswürdigkeitsanalyse, 1987, S. 295 und 299 f.Google Scholar
  84. 137.
    Vgl. Mühlbayer, M., Erfolgsanalyse, 1986, S. 267Google Scholar
  85. 138.
    Vgl. Fouquet, K.P., Sanierungswürdigkeitsanalyse, 1987, S. 308 ft.Google Scholar
  86. 139.
    Vgl. Hamer, M. M., Sensitivity, 1983, S. 298.Google Scholar
  87. 140.
    Vgl. Collins, R. A., Comparison, 1980, S. 56; auch Zavgren, C. V., Failure, 1983, S. 30; auch Gentry, J. A., Newbold, P., Whitford, D. T., Classifying, 1985, S. 150; auch Casey, C. J. Jr., Bartczak, N., Distress, 1985, S. 394; auch Fouquet, K. P., Sanierungswürdigkeitsanalyse, 1987, S. 323. Im Gegensatz hierzu kommen folgende Autoren für die Regressionsanalyse zu besseren Ergebnissen. Vgl. Ohlson, J. A., Ratios, 1980, S. 129; auch Lau, A. H.-L., Distress, 1987, S. 135 f. Für den Bereich des Länderrisikos kommt Schmidt zu dem Ergebnis, daß die Logit-Analyse der multivariaten Diskriminanzanalyse und auch der Clusteranalyse überlegen ist. Vgl. Schmidt, R., Early, 1984, S. 369.Google Scholar
  88. 141.
    Vgl. Fischer, J. H., Mustererkennung, 1981, S. 64. Zu den verschiedenen Arten von Mustern vgl. Mertens, P., Theorie, 1977, S. 779 f.Google Scholar
  89. 142.
    Vgl. Heno, R., Kreditwürdigkeitsprüfung, 1983, S. 123.Google Scholar
  90. 143.
    Vgl. Fischer, J. H., Mustererkennung, 1981, S. 63.Google Scholar
  91. 144.
    Vgl. Mertens, P., Theorie, 1977, S. 790 f.Google Scholar
  92. 145.
    Vgl. Fischer, J. H., Mustererkennung, 1981.Google Scholar
  93. 146.
    Vgl. Heno, R., Kreditwürdigkeitsprüfung, 1983, S. 124.Google Scholar
  94. 147.
    Vgl. Ebenda, S. 148 ff.Google Scholar
  95. 148.
    Vgl. Ebenda, S. 153.Google Scholar
  96. 149.
    Vgl. Ebenda, S. 156.Google Scholar
  97. 150.
    Vgl. Niemann, H., Methoden, 1974, S. 15 f und S. 203.Google Scholar
  98. 151.
    Vgl. Heno, R., Kreditwürdigkeitsprüfung, 1983, S. 159 f.Google Scholar
  99. 152.
    Vgl. Ebenda, S. 161.Google Scholar
  100. 153.
    Vgl. Niemann, H., Methoden, 1974, S. 224 und S. 300.Google Scholar
  101. 154.
    Vgl. Niemann, H., Methoden, 1974, S. 14; auch Mertens, P., Theorie, 1977, S. 780; auch Heno, R., Kreditwürdigkeitsprüfung, 1983, S. 133 f.Google Scholar
  102. 155.
    Vgl. Heno, R., Kreditwürdigkeitsprüfung, 1983, S. 171.Google Scholar
  103. 156.
    Vgl. Niemann, H., Methoden, 1974, S. 29.Google Scholar
  104. 157.
    Vgl. Ebenda, S. 151.Google Scholar
  105. 158.
    Nach Niemann kommen als Gütekriterien ein Abstandsmaß, ein intormationstheoretiscnes Maß und die Schätzung von Fehlerwahrscheinlichkeiten in Frage. Vgl. Niemann, H., Methoden, 1974, S. 133 ff.Google Scholar
  106. 159.
    Vgl. Niemann, H., Methoden, 1974, S. 133 ff.Google Scholar
  107. 160.
    Vgl. Fischer, J. H., Mustererkennung, 1981, S. 81 ff.Google Scholar
  108. 161.
    Vgl. hierzu die Abbildung 11 bei Fischer, J. H., Mustererkennung, 1981, S. 89.Google Scholar
  109. 162.
    Vgl. Niemann, H., Methoden, 1974, S. 326 ff.Google Scholar
  110. 163.
    Vgl. Ebenda, S. 165 f. Im gewissen Sinne lassen sich auch die diskriminanzanalytischen Verfahren unter die geometrischen Verfahren der Mustererkennung subsumieren. Vgl. Heno, R., Kreditwürdigkeitsprüfung, 1983, S. 178; auch Fischer, J. H., Mustererkennung, 1981, S. 94 ff.Google Scholar
  111. 164.
    Vgl. Niemann, H., Methoden, 1974, S. 165.Google Scholar
  112. 165.
    Vgl. Eisenhut, M., Diagnose, 1996, S. 62.Google Scholar
  113. 166.
    Vgl. Ebenda, S. 226 ff.Google Scholar
  114. 167.
    Vgl. Heno, R., Kreditwürdigkeitsprüfung, 1983, S. 228.Google Scholar
  115. 168.
    Vgl. Niemann, H., Methoden, 1974, S. 249.Google Scholar
  116. 169.
    Vgl. Eisenhut, M., Diagnose, 1996, S. 67.Google Scholar
  117. 170.
    Vgl. Ebenda, S. 282 ff.Google Scholar
  118. 171.
    Zu verschiedenen Möglichkeiten, die Anzahl der Cluster zu bestimmen vgl. Fritz, M., Indikatorkonstellationen, 1991, S. 97 ff.Google Scholar
  119. 172.
    Vgl. Vogel, F., Probleme, 1975, S. 5 f.Google Scholar
  120. 173.
    Vgl. Steinhausen, D., Langer, K., Clusteranalyse, 1977, S. 14 f.Google Scholar
  121. 174.
    Vgl. Heno, R., Kreditwürdigkeitsprüfung, 1983, S. 244. Zu verschiedenen Ähnlichkeitsmaßen in Abhängigkeit vom jeweiligen Skalenniveau der untersuchten Daten val. Fritz, M., Indikatorkonstellationen, 1991, S. 69 ff.Google Scholar
  122. 175.
    Vgl. Steinhausen, D., Langer, K., Clusteranalyse, 1977, S. 75.Google Scholar
  123. 176.
    Vgl. Ebenda, S. 98.Google Scholar
  124. 177.
    Vgl. Ebenda, S. 100.Google Scholar
  125. 178.
    Vgl. Deimer, R., Clusteranalysemethoden, 1986, S. 85. Zu unterschiedlichen Zielfunktionen vgl. Vogel, F., Probleme, 1975, S. 198 ff; auch Fritz, M., Indikatorkonstel lationen. 1991. S. 90 ff.Google Scholar
  126. 179.
    Vgl. Heno, R., Kreditwürdigkeitsprüfung, 1983, S. 185.Google Scholar
  127. 180.
    Vgl. Friedman, J. H., Decision, 1977.Google Scholar
  128. 181.
    Vgl. Frydman, H., Altman, E. I., Kao, D.-L., Distress, 1985, S. 270; auch Grenz, T., Dimensionen, 1987. S. 41.Google Scholar
  129. 182.
    Vgl. Frydman, H., Altman, E. I., Kao, D.-L., Distress, 1985, S. 289.Google Scholar
  130. 183.
    Vgl. Ladiges, B., Mehrstufige, 1992, S. 164.Google Scholar
  131. 184.
    Vgl. Lohrbach, T., Einsatz, 1994, S. 147.Google Scholar
  132. 185.
    Vgl. Hofmann, H.-J., CART, 1990, S. 946.Google Scholar
  133. 186.
    Vgl. Lohrbach, T., Einsatz, 1994, S. 147 f.Google Scholar
  134. 187.
    Vgl. Ladiges, B., Mehrstufige, 1992, S. 158 ff.Google Scholar
  135. 188.
    Vgl. Frydman, H., Altman, E. I., Kao, D.-L., Distress, 1985, S. 273.Google Scholar
  136. 189.
    Vgl. Breiman, L., Friedman, J. H., Olshen, R. A., Stone, C. J., Classification, 1984, S. 113 ft.Google Scholar
  137. 190.
    Vgl. Frydman, H., Altman, E. I., Kao, D.-L., Distress, 1985, S. 274.Google Scholar
  138. 191.
    Vgl. Lohrbach, T., Einsatz, 1994, S. 148 f.Google Scholar
  139. 192.
    Zur Auswahl des optimalen Baumes vgl. Breiman, L., Friedman, J. H., uisnen, H. A., atone, J., Classification, 1984, S. 66 ff und 302 ff; auch Frydman, H., Altman, E. I., Kao, D.-L., Distress, 1985, S. 274 f.Google Scholar
  140. 193.
    Vgl. Frydman, H., Altman, E. I., Kao, D.-L., Distress, 1985, S. 276.Google Scholar
  141. 194.
    Vgl. Ebenda, S. 276 ff; auch Hofmann, H.-J., CART, 1990, S. 957.Google Scholar
  142. 195.
    Vgl. Ladiges, B., Mehrstufiqe, 1992, S. 80.Google Scholar
  143. 198.
    Vgl. Ebenda, S. 169 f.Google Scholar
  144. 197.
    Vgl. Ebenda, S. 152.Google Scholar
  145. 198.
    Vgl. Hofmann, H.-J., CART, 1990, S. 957.Google Scholar
  146. 199.
    Vgl. Lohrbach, T., Einsatz, 1994, S. 151 ff.Google Scholar
  147. 200.
    Vgl. Ebenda, S. 152 f.Google Scholar
  148. 201.
    Vgl. Ebenda, S. 153.Google Scholar
  149. 202.
    Vgl. Hofmann, H.-J., CART, 1990, S. 957 f.Google Scholar
  150. 203.
    Vgl. Frydman, H., Altman, E. I., Kao, D.-L., Distress, 1985, S. 271 und 281.Google Scholar
  151. 204.
    Vgl. Ladiges, B., Mehrstufige, 1992, S. 220 ff.Google Scholar
  152. 205.
    Vgl. Frydman, H., Altman, E. I., Kao, D.-L., Distress, 1985, S. 287 ff.Google Scholar
  153. 206.
    Vgl. Hauschildt, J., Wissensbasis, 1990, S. 525 ff.Google Scholar
  154. 207.
    Vgl. Ladiges, B., Mehrstufige, 1992, S. 86.Google Scholar
  155. 208.
    Val. Harmon, P., King, D., Expertensysteme, 1986, S. 56.Google Scholar
  156. 209.
    Vgl. Möller, H., Expertensysteme, 1994, S. 42.Google Scholar
  157. 210.
    Vgl. Ladiges, B., Mehrstufige, 1992, S. 88.Google Scholar
  158. 211.
    Vgl. Möller, H., Expertensysteme, 1994, S. 39.Google Scholar
  159. 212.
    Neben regelbasierten Systemen seien auch die fallbasierten Systeme genannt. Diese bedienen sich für Schlußfolgerungen des Case-Based Reasoning, bei dem ein neuer Fall mit einer vorhandenen Fallsammlung durch Einsatz statistischer Methoden verglichen wird. Ein Fall besteht hierbei sowohl aus einer Problembeschreibung als auch einem Lösungsweg und einer Problemlösung. Vgl. Schmidt, R., Finanzmanagement, 1999, S. 258. Für eine Studie zum praktischen Einsatz des Cased-Based Reasoning im Rahmen der Kreditwürdigkeitsprüfung von Firmenkunden vgl. Wilke, W., Bergmann, R., Althoff K.-D., Kreditwürdigkeitsprüfung, 1996.Google Scholar
  160. 213.
    Vgl. Möller, H., Expertensysteme, 1994, S. 40.Google Scholar
  161. 214.
    Vgl. Ebenda, S. 89.Google Scholar
  162. 215.
    Vgl. Ebenda, S. 51.Google Scholar
  163. 216.
    Vgl. Bullinger, H. J., Fähnrich, K. P., Systeme, 1988, S. 102.Google Scholar
  164. 217.
    Vgl. Möller, H., Expertensysteme, 1994, S. 47.Google Scholar
  165. 218.
    Vgl. Daniel, M., Striebel, D., Intelligenz, 1993, S. 43.Google Scholar
  166. 219.
    Vgl. Klee, H. W., Akzeptanz, 1989, S. 266.Google Scholar
  167. 220.
    Vgl. Möller, H., Expertensysteme, 1994, S. 44.Google Scholar
  168. 221.
    Vgl. Zelewski, S., Schwierigkeiten, 1991, S. 13.Google Scholar
  169. 222.
    Vgl. Lebsanft, E., Gill, U., Expertensysteme, 1987f, S. 141 ff.Google Scholar
  170. 223.
    Für weitere Anwendungsfelder von Expertensystemen vgl. Mertens, P., Finanzwirtschaft, 1989, S. 285.Google Scholar
  171. 224.
    Vgl. Mertens, P., Borkowski, V., Geis, W., Anwendungen, 1993, S. 8.Google Scholar
  172. 225.
    Vgl. Ladiges, B., Mehrstufige, 1992, S. 92. Für die verschiedenen Einsatzgebiete von Expertensystemen sowie eine ausführliche Beschreibung bereits existierender Systeme vgl. Mertens, P., Borkowski, V., Geis, W., Anwendungen, 1993. Speziell für den Einsatz von Expertensystemen bei der Kreditvergabe vgl. Gill, U., Expertensysteme, 1993, S. 1314 f; auch Glasen, F., Kreditwürdigkeitsprüfung, 1993, S. 26 ff; auch Möller, H., Expertensysteme, 1994, S. 122 ff.Google Scholar
  173. 226.
    Vgl. Möller, H., Expertensysteme, 1994, S. 28.Google Scholar
  174. 227.
    Vgl. Bullinger, H. J., Fähnrich, K. P., Systeme, 1988, S. 94.Google Scholar
  175. 228.
    Vgl. Zelewski, S., Expertensysteme, 1989, S. 185.Google Scholar
  176. 229.
    Vgl. Ladiges, B., Mehrstufige, 1992, S. 96 f.Google Scholar
  177. 230.
    Vgl. Möller, H., Expertensysteme, 1994, S. 28 f.Google Scholar
  178. 231.
    Vgl. Regier, H. J., Expertensysteme, 1988, S. 20. Zum Problem der Erarbeitung einer Wissensbasis vgl. auch Krakl, J., Nolte-Hellwig, U., CODEX, 1990, S. 627 ff.Google Scholar
  179. 232.
    Vgl. Möller, H., Expertensysteme, 1994, S. 57.Google Scholar
  180. 233.
    Vgl. Zelewski, S., Schwierigkeiten, 1991, S. 13.Google Scholar
  181. 234.
    Vgl. Drabich-Wächter, G. v., Generation, 1988, S. 591.Google Scholar
  182. 235.
    Vgl. Baetge, J., Hüls, D., Uthoff, C., Netze, 1995, S. 22.Google Scholar
  183. 236.
    Vgl. Anders, U., Netze, 1996, S. 164.Google Scholar
  184. 237.
    Zur Abgrenzung des Begriffs der Künstlichen Intelligenz vgl. Daniel, M., Striebel, D., Intelligenz, 1993.Google Scholar
  185. 238.
    Vgl. Roias, R., Theorie, 1993, S. 3.Google Scholar
  186. 239.
    Vgl. Baetge, J., Kruse, A., Uthoff, C., Bonitätsklassifikationen, 1996, S. 274 f.Google Scholar
  187. 240.
    Vgl. Rumelhart, D. E., Hinton, G. E., McClelland, J. L., Framework, 1986, S. 48 f.Google Scholar
  188. 241.
    Vgl. Krause, C., Neuronale Netze, 1993, S. 41 f.Google Scholar
  189. 242.
    Vgl. McCord Nelson, M., Illingworth, W. T., Nets, 1991, S. 50 f.Google Scholar
  190. 243.
    Die beschriebene Vernetzung wird als feed-forward bezeichnet. Daneben sind aber auch Rückkopplungen, sogenannte feed-backward Netze möglich. Hier ist das Ausgangssignal eines Neurons entweder zugleich ein Eingangssignal desselben Neurons oder das Eingangssignal eines Neurons einer vorgelagerten verdeckten Schicht. Vgl. McCord Nelson, M., Illingworth, W. T., Nets, 1991. S. 51 f.Google Scholar
  191. 244.
    Vgl. Kerling, M., Poddig, T., Klassifikation, 1994, S. 436.Google Scholar
  192. 245.
    Vgl. Baetge, J., Schmedt, U., Hüls, D., Krause, C., Uthott, C., Bonitatsbeurteilung, 1994, S. 338.Google Scholar
  193. 246.
    Vgl. Rehkugler, H., Poddig, T., Netze, 1992, 5. 41 b.Google Scholar
  194. 247.
    Vgl. Hebb, D. O., Behavior, 1949.Google Scholar
  195. 248.
    Vgl. Dorffner, G., Konnektionismus, 1991, S. 32 t.Google Scholar
  196. 249.
    Vgl. Ebenda, S. 33 f.Google Scholar
  197. 250.
    Vgl. Krause, C., Neuronale Netze, 1993, S. 50. Für ein mehrschichtiges Netz ist die Delta-Regel zu modifizieren, da für die verborgenen Schichten keine Soll-Ausgabewerte existieren. Es wird von der generalisierten Delta-Regel gesprochen. Vgl. Dorffner, G., Konnektionismus, 1991, S. 34 f.Google Scholar
  198. 251.
    Vgl. Erxleben, K., Baetge, J., Feidicker, M., Koch, H., Krause, C., Mertens, P., Klassifikation, 1992, S. 1241.Google Scholar
  199. 252.
    Vgl. Ebenda, S. 1242.Google Scholar
  200. 253.
    Vgl. Rosenblatt, F., Neurodynamics, 1962.Google Scholar
  201. 254.
    Vgl. Minski, M. L., Papert, S. A., Perceptrons, 1962.Google Scholar
  202. 255.
    Vgl. Hopfield, J., Networks, 1982, S. 2554 ff.Google Scholar
  203. 256.
    Vgl. Rehkugler, H., Poddig, T., Aktienkursprognose, 1990; auch Schöneburg, E., Nieß, J., Sauter, U., Aktienkursprognose, 1990, S. XIII ff.Google Scholar
  204. 257.
    Vgl. Odom, M. D., Sharda, R., Network, 1990, S. 163 ff; auch Erxleben, K., Baetge, J., Feidicker, M., Koch, H., Krause, C., Mertens, P., Klassifikation, 1992, S. 1237 ff. Uthoff wendet die Netzanalyse auf kombinierte Jahresabschlußdaten und qualitative Daten an. Vgl. Uthoff, C., Erfolgsoptimale, 1997.Google Scholar
  205. 258.
    Vgl. Schumann, M., Lohrbach, T., Bährs, P., Kreditwürdigkeitsprognose, 1992.Google Scholar
  206. 259.
    Weitere Anwendungsgebiete von Neuronalen Netzen sind die Assoziation (Erkennen von Sprache und Bildern), Datenanalyse (Gruppenbildung), Datenfilterung (Entzerren von Signalen) und Optimierung (zum Beispiel Travelling Salesman Problem). Vgl. NeuralWare Inc., Computing, 1991, S. 35 ff.Google Scholar
  207. 260.
    Vgl. NeuralWare Inc., Computing, 1991, S. 36.Google Scholar
  208. 261.
    Vgl. Ebenda, S. 35 f.Google Scholar
  209. 262.
    Vgl. Krause, C., Neuronale Netze, 1993, S. 63. •Google Scholar
  210. 263.
    Der Backpropagations-Algorithmus arbeitet nach der Methode der kleinsten Quadrate. Minimiert wird die Summe der Abweichungen zwischen den Soll- und den lstwerten. Vgl. Krause, C., Neuronale Netze, 1993, S. 56.Google Scholar
  211. 264.
    Vgl. NeuralWare Inc., Computing, 1991, S. 35 f.Google Scholar
  212. 265.
    Vgl. Krause, C., Neuronale Netze, 1993, S. 63.Google Scholar
  213. 266.
    Vgl. Ebenda, S. 67 f.Google Scholar
  214. 267.
    Vgl. Ebenda, S. 74.Google Scholar
  215. 268.
    Vgl. Kurbel, K., Entwicklung, 1992, S. 13.Google Scholar
  216. 269.
    Eine Ubersicht zu Expertensystemen im Finanz- und Rechnungswesen findet sich bei Mertens. Vgl. Mertens, P., Finanzwirtschaft, 1989, S. 282 ff.Google Scholar
  217. 270.
    Vgl. Becker, J., Prischmann, M., Modelle, 1991, S. 19.Google Scholar
  218. 271.
    Vgl. Dorffner, G., Konnektionismus, 1991, S. 23 ff.Google Scholar
  219. 272.
    Vgl. Ebenda, S. 21.Google Scholar
  220. 273.
    Vgl. zum Beispiel Odom, M. D., Sharda, R., Network, 1990, S. 163 ff; auch Erxleben, K., Baetge, J., Feidicker, M., Koch, H., Krause, C., Mertens, P., Klassifikation, 1992, S. 1237 ff.Google Scholar
  221. 274.
    Eine vergleichende Auflistung verschiedener Untersuchungen, die sowohl die Diskriminanzanalyse als auch die Neuronale Netzanalyse verwendet haben findet sich bei Rehkugler, H., Kerling, M., Einsatz, 1995, S. 306 ff. Die dortige Aufstellung läßt sich um die Analysen von Lohrbach, Gode und Weinrich sowie Krause ergänzen. Gode und Weinrich präferieren die Multivariate Diskriminanzanlayse. Lohrbach wiederum, wie auch Krause, erzielen mit Neuronalen Netzen die besseren Klassifikationsergebnisse. Vgl. Krause, C., Neuronale Netze, 1993, S. 213 ff; auch Lohrbach, T., Einsatz, 1994, S. 323; auch Goede, K., Weinrich, G., Neuronale Netze, 1996, S. 421.Google Scholar
  222. 275.
    Vgl. Kerling, M., Poddig, T., Klassifikation, 1994, S. 429.Google Scholar
  223. 276.
    Vgl. Leker, J., Beurteilung, 1994, S. 605.Google Scholar
  224. 277.
    Vgl. Kerling, M., Poddig, T., Klassifikation, 1994, S. 481.Google Scholar
  225. 278.
    Baetge versucht der Kritik am black box Charakter eines Neuronalen Netzes zu entgehen, indem er Sensitivitätsanalysen durchführt. Untersucht wird, wie stark eine Veränderung einzelner Kennzahlen sich auf den N-Wert auswirkt. Vgl. Baetge, J., Kruse, A., Uthoff, C., Bonitätsklassifikationen, 1996, S. 279.Google Scholar
  226. 279.
    Vgl. Rehkugler, H., Poddig, T., Netze, 1992, S. 413.Google Scholar

Copyright information

© Betriebswirtschaftlicher Verlag Dr. Th. Gabler GmbH, Wiesbaden, und Deutscher Universitäts-Verlag GmbH, Wiesbaden 2000

Authors and Affiliations

  • Peter Berlandi

There are no affiliations available

Personalised recommendations