@phdthesis{Perederiy2010, author = {Perederiy, Volodymyr}, title = {Insolvenzprognose f{\"u}r ukrainische, deutsche sowie nordamerikanische Unternehmen}, url = {http://nbn-resolving.de/urn:nbn:de:kobv:521-opus-440}, school = {Europa-Universit{\"a}t Viadrina Frankfurt}, year = {2010}, abstract = {Das vorliegende Dissertationsprojekt hatte zwei zentrale Schwerpunkte. Den ersten Schwerpunkt bildete die innovative Insolvenzprognosemodellierung f{\"u}r ukrainische Unternehmen. Daf{\"u}r wurde im Wesentlichen die moderne internationale Standardmethodik zur Insolvenzprognose auf Basis der logistischen Regression {\"u}bernommen. Es mussten dennoch auch einige ukrainische Spezifika ber{\"u}cksichtigt werden. Es konnten ausschließlich bilanzielle offenlegungspflichtige Informationen verwendet werden. Die Jahresabschl{\"u}sse sind dabei nach den ukrainischen Rechnungslegungsstandards (UAS) verfasst, die auf internationalen Rechnungslegungsstandards (IAS) basieren. Die Kennzahlenbildung erfolgte deswegen nach den Mustern, die f{\"u}r IAS/US-GAAP {\"u}blich sind. Abgesehen von den traditionellen Kennzahlen wurden auch zus{\"a}tzliche, technisch generierte Kennzahlen untersucht. Diese wurden durch geeignete Normierung der s{\"a}mtlichen vorhandenen Bilanz- und GuV-Posten gebildet. Diese technischen Kennzahlen hatten den Zweck, die f{\"u}r große Industrienationen untypischen Zusammenh{\"a}nge zu erfassen. Es konnten tats{\"a}chlich einige solche Kennzahlen identifiziert werden, die die Insolvenzprognose f{\"u}r ukrainische Unternehmen deutlich verbessern. Dies war auch f{\"u}r einige kategoriale Gr{\"o}ßen der Fall. So erwies sich bspw. die Region innerhalb der Ukraine ebenfalls als aussagekr{\"a}ftig. Den zweiten Schwerpunkt der Dissertation bildeten die Verfahren zur Kennzahlenauswahl f{\"u}r Insolvenzprognose in den Industrienationen (am Bespiel von Deutschland und USA). Die Auswahl von geeigneten bilanziellen Kennzahlen ist f{\"u}r diese L{\"a}nder immer noch ein großes Problem, f{\"u}r die es noch keine Standardl{\"o}sung gibt. Dies ist vor allem auf die betriebswirtschaftliche Theoriedefizite der bilanzbasierten Insolvenzprognose zur{\"u}ckzuf{\"u}hren. Auch die statistische Auswahl der Kennzahlen als erkl{\"a}renden Variablen ist problematisch. Es wurden deswegen zwei alternative Methoden zur Kennzahlenauswahl vorgeschlagen. Die erste Methode ist betriebswirtschaftlich orientiert, die zweite - statistisch gepr{\"a}gt. Die erste Methode verdichtet die {\"u}ber 40 ber{\"u}cksichtigten traditionellen Liquidit{\"a}ts- und Solvenzkennzahlen zu einer einziger aggregierten Kennzahl und macht auf diese Weise eine diesbez{\"u}gliche Kennzahlenauswahl {\"u}berfl{\"u}ssig. Dies wird durch geeignete Gewichtung und Division der {\"u}blichen, auch in den traditionellen Kennzahlen vorkommenden Bilanz- und GuV-Posten erreicht. Es wird gezeigt, wie die Gewichte anhand von empirischen Insolvenzdaten (in diesem Fall f{\"u}r deutsche GmbHs) angepasst werden k{\"o}nnen. Die Methode wird mit der popul{\"a}ren statistischen Methode der schrittweisen Selektion verglichen. Es stellt sich heraus, dass die aggregierten Kennzahlen zur besseren Prognoseg{\"u}te durch schw{\"a}cheres Overfitting f{\"u}hren k{\"o}nnen. Zu den weiteren Vorteilen der aggregierten Kennzahl z{\"a}hlt die Erkenntnis, dass ihre Gewichte in vielen F{\"a}llen leichter zu interpretieren sind als Regressionskoeffizienten der traditionellen Kennzahlen. Die zweite Methode verwendet das innovative statistische Lasso-Verfahren zur Kennzahlenauswahl im Rahmen eines Insolvenzprognosemodells f{\"u}r US-amerikanische Grossunternehmen. Lasso ist ein neues vielversprechendes Verfahren zur Auswahl erkl{\"a}render Variablen in multivariater Regression und bietet viele theoretische Vorteile im Vergleich zu traditionellen statistischen Verfahren. Da das Verfahren neu ist, existieren bis heute nur wenige empirische Untersuchungen, die auf dieses Verfahren zur{\"u}ckgreifen. In diesem Teilbeitrag wird auf die sehr umfassende Compustat-Datenbank zur{\"u}ckgegriffen. Dies erm{\"o}glicht die Erfassung praktisch aller relevanten {\"o}ffentlich verf{\"u}gbaren Bilanz- und Marktinformationen. Daraus werden insbesondere 100 traditionelle bilanzielle und markbasierte Kennzahlen gebildet. Es werden auch ca. 600 weitere, nicht traditionelle Kennzahlen in die Variablenauswahl einbezogen. Diese erfassen beispielsweise Trends und Branchendurchschnitte in den traditionellen Kennzahlen, ber{\"u}cksichtigen die detaillierten Bilanz- und GuV-Posten usw.. Die sehr pr{\"a}zise Datenerfassung in der Compustat-Datenbank hat es des Weiteren erm{\"o}glicht, die fehlenden bilanziellen Informationen als solche zu erkennen und die Qualit{\"a}t des Jahresabschlusses als weitere erkl{\"a}rende Variablen f{\"u}r Insolvenzprognose zu verwenden. Das Lasso-Verfahren wurde auch bei diesen Untersuchungen mit der traditionellen statistischen schrittweisen Auswahl verglichen. Die Prognoseperformance wurde dabei zuverl{\"a}ssig mittels Kreuzvalidierung abgesch{\"a}tzt. Durch geeignete statistische Signifikanztests wurde gezeigt, dass Lasso in der Tat genauere Prognose liefert. Viele der oben erw{\"a}hnten nicht traditionellen Informationen erwiesen sich dabei als n{\"u}tzlich. Das Lasso-Verfahren erm{\"o}glicht dabei diese Informationen so zu ber{\"u}cksichtigen, dass die traditionellen Kennzahlen nicht ersetzt, sondern lediglich vervollst{\"a}ndigt werden.}, subject = {Regressionsanalyse}, language = {de} }