Stabilität eines Bilanzbonitätsindikators

Transkript

1 Jörg Baetge Stabilität eines Bilanzbonitätsindikators und seine Einsatzmöglichkeiten im Kreditgeschäft 1. Teil: Künstliches Neuronales Netz als Grundlage eines solchen Indikators Der nachstehende Aufsatz ist die überarbeitete Schriftfassung des vom Preisträger gehaltenen Vortrages anlässlich der Verleihung des Dr. Kausch-Preises 1997 am 13. Januar 1998 in St.Gallen. Der gesamte ursprüngliche Vortrag ist in zwei Teile aufgeteilt*. Der hier vorliegende erste Teil setzt sich mit der Stabilität eines Bilanzbonitätsindikators auf Basis eines Künstlichen Neuronalen Netzes auseinander. Der zweite Teil wird in einem nächsten Heft veröffentlicht und behandelt die Einsatzmöglichkeiten im Kreditgeschäft. 1. Einführung * Ein Aufsatz des Autors, der den gleichen Themenbereich behandelt, wird auch in einer Veröffentlichung des Lehrstuhls für Betriebswirtschaftslehre, insbesondere Finanzwirtschaft, der Universität Bamberg, erscheinen. Der Gründer der Fritz Carl Wilhelm Stiftung Dr. Kausch erkannte früh die Möglichkeiten zur Gewinnreduzierung oder Verlustminimierung, die die Bildung und Auflösung stiller Rücklagen in der Bilanz dem rechnunglegenden Unternehmen bietet [1]. Vor dem Hintergrund von Unternehmensinsolvenzen auf Rekordhöhe wird der Bedarf der Kreditgeber an leistungsfähigen Instrumenten für die Bonitätsprüfung zunehmend grösser, die auf die Bildung und Auflösung stiller Rücklagen nicht hereinfallen. Nur wenn die drohende Insolvenz trotz Auflösung stiller Rücklagen eines Schuldnerunternehmens rechtzeitig erkannt wird, können Forderungsausfälle vermieden bzw. begrenzt werden. Eine ganzheitliche Bonitätsprüfung umfasst u.a. die Prüfung der Managementqualität, der Markt-, Jörg Baetge, Dr. Dr. h.c, Professor und Direktor des Instituts für Revisionswesen an der Westfälischen Wilhelms-Universität Münster, BPV Baetge & Partner GmbH & Co., Verfahrensentwicklung KG, Münster, Honorarprofessor der Universität Wien, Münster/BRD Branchen-, Wettbewerbssituation sowie die Analyse des Jahresabschlusses des Unternehmens. Obwohl zur umfassenden Beurteilung eines Unternehmens alle genannten Einflussfaktoren berücksichtigt werden müssten, steht im Mittelpunkt der Bonitätsanalyse meist die Analyse des Jahresabschlusses. Der Jahresabschluss ist nämlich oft die einzige Informationsquelle, die zur Verfügung steht. Ausserdem wird allein der Jahresabschluss nach einheitlichen Grundsätzen, nämlich den Grundsätzen ordnungsmässiger Buchführung, aufgestellt. Zuzugeben ist, dass auch diese Grundsätze nicht unbeträchtliche Spielräume für die Rechnungslegung belassen. Unsere Untersuchungen [2] haben indes ergeben, dass Bonitätsbeurteilungen vor allem mit modernen mathematisch-statistischen Verfahren auf Grundlage von Jahresabschlussdaten wesentlich bessere Beurteilungszuverlässigkeiten erzielen als eine Bonitätsbeurteilung auf Basis qualitativer Daten, z. B. von Handelsauskünften. Zieht man neben den Daten des Jahresabschlusses allerdings auch qualitative Daten zur Bonitätsbeurteilung heran, lässt sich die Beurteilungsgüte leicht steigern. 2. Traditionelle versus moderne Bilanzanalyse Das Ziel sowohl der traditionellen als auch der modernen Bilanzanalyse ist, mit Hilfe von Kennzahlen aus den Daten des Jahresabschlusses zu einem Gesamturteil darüber zu gelangen, ob das analysierte Unternehmen solvent oder insolvenzgefährdet ist. Bei der traditionellen Bilanzanalyse hat der Bilanzanalytiker das Problem, die für 605

2 Abbildung 2 Lineare bivariate Trennung mit einer MDA Abbildung 1 Zweifache univariate Trennung eine Beurteilung der Insolvenzgefährdung aussagekräftigsten Kennzahlen auszuwählen. Aber auch die Gewichtung und Zusammenfassung der von ihm gewählten Kennzahlen erfolgt nach seinen persönlichen Erfahrungen, so dass ein mit der traditionellen Bilanzanalyse ermitteltes Urteil über die Bilanzbonität eines Unternehmens in jedem Fall subjektiv ist. Die üblicherweise sich ergebenden widersprüchlichen Teilurteile über ein Unternehmen (z. B. hohe Rendite als positives Teilurteil bei gleichzeitiger hoher Verschuldung als negatives Teilurteil) lassen sich auf dieser individuellen Urteilsbasis nicht zu einem objektiven und verlässlichen Gesamturteil zusammenfassen. Bei der traditionellen Bilanzanalyse ist weiterhin nicht sichergestellt, dass die dem Gesamturteil zugrundegelegten Kennzahlen nicht durch Bilanzpolitik verfälscht sind. Anders bei der empirisch-statistischen Jahresabschlussanalyse: Hier wird anhand der vielen Jahresabschlüsse und dem Angebot an vielen auch Bilanzpolitik konterkarierenden Kennzahlen jene Kennzahlen-Kombination herausgefiltert, die bilanzpolitische und sachverhaltsgestaltene Massnahmen des Bilanzierenden weitgehend konterkariert. Dies ist unbedingt nötig, denn der Bilanzierende hat durch Wahlrechte und Sachverhaltsgestaltungen die Möglichkeit, sein Unternehmen im Jahresabschluss besser oder schlechter darzustellen als es eigentlich ist. Im übrigen werden vom Bilanzanalytiker bei der traditionellen Bilanzanalyse wahrscheinlich auch nicht alle für die Beurteilung der wirtschaftlichen Lage relevanten Kennzahlen für ein zusammenfassendes Gesamturteil ausgewählt, so dass kein ganzheitliches, d. h. alle relevanten Informationsbereiche des Jahresabschlusses einbeziehendes Gesamturteil generiert wird. Mit modernen Verfahren der Jahresabschlussanalyse, nämlich empirischstatistischen Verfahren, können die geschilderten Probleme der traditionellen Jahresabschlussanalyse, die auch bei der Nutzwertanalyse und allen Scoring- Verfahren auftreten, gelöst werden. So lässt sich mit Hilfe der Multivariaten Diskriminanzanalyse (MDA) oder der Künstlichen Neuronalen Netzanalyse (KNNA) anhand von vielen tausend Jahresabschlüssen solventer und später insolvent werdender Unternehmen untersuchen und ermitteln, welche Kennzahlen in welcher Gewichtung und Kombination die Unternehmen am besten in die Gruppen «solvent» und «insolvenzgefährdet» trennen. An dem folgenden Beispiel werden die Probleme und die Vorgehensweise der traditionellen und der modernen Bilanzanalyse verdeutlicht [3]. 606 In das Koordinatensystem in Abbildung 1 sind die Werte von zwölf zufällig ausgewählten solventen (weisse Quadrate) und von zwölf später insolventen Unternehmen (schwarze Quadrate) für die beiden Kennzahlen Fremdkapitalquote (FK-Quote) und Cash-Flow2-Return-on-Investment (CF2-ROI) eingetragen. Für die FK- Quote gilt die Hypothese I>S, d.h. insolvente Unternehmen weisen im Durchschnitt höhere Werte dieser Kennzahl auf als solvente. Für den

3 CF2-ROI gilt die Hypothese I<S, d. h. insolvente Unternehmen weisen im Durchschnitt geringere Werte dieser Kennzahl auf als solvente. Bei der traditionellen Bilanzanalyse bildet sich der Bilanzanalytiker für jede Kennzahl aufgrund seiner subjektiven Erfahrungen einen Grenzwert, ab dem er das zu beurteilende Unternehmen für gesund (oder für krank) erachtet. Abbildung 3 Nicht-lineare bivariate Trennungen mit KNN Werden die Unternehmen auf diese Weise je anhand einer Kennzahl, also univariat, in solvent und insolvenzgefährdet getrennt, dann ergibt sich am Beispiel der FK-Quote mit der «Methode des Augenmasses», d. h. durch genaues Hinschauen, ein Trennwert von ca. 66% (Trenngerade 1), bei dem die wenigsten Unternehmen fehlklassifiziert werden. Fehlklassifikationen ergeben sich zum einen bei tatsächlich später insolventen, d. h. insolvenzgefährdeten Unternehmen, die fälschlich als solvent klassifiziert werden (Alpha-Fehler), und zum anderen bei tatsächlich solventen Unternehmen, die fälschlich als insolvenzgefährdet klassifiziert werden (Beta-Fehler). Von den zwölf Unternehmen, die tatsächlich später insolvent werden, werden mit der Trenngerade 1 insgesamt vier fälschlich als solvent klassifiziert (Alpha-Fehler = 4/12). Von den zwölf Unternehmen, die tatsächlich solvent sind, werden insgesamt drei fälschlich als insolvenzgefährdet klassifiziert (Beta-Fehler = 3/12). Wird für die univariate Trennung der CF2-ROI herangezogen, so ergeben sich bei einem Trennwert von ca. 15 % (Trenngerade 2) die geringsten Fehlklassifikationen. Der Alpha-Fehler beträgt hier 3/12, der Beta-Fehler 4/12. Bei der traditionellen Bilanzanalyse entsteht ein Problem, wenn die beiden Kennzahlen-Teilurteile (mit der FK-Quote bzw. mit dem CF2-ROI) widersprüchlich sind (wie in den Bereichen II und IV der Abbildung 1) und dennoch zu einem Gesamturteil zusammengefasst werden sollen. Die Unternehmen in Bereich II werden mit dem CF2-ROI als insolvenzgefährdet und mit der FK- Quote als solvent beurteilt. Bei den Unternehmen in Bereich IV ist es genau umgekehrt. Dieses Problem der widersprüchlichen Teilurteile lässt sich mit Hilfe der modernen Bilanzanalyse, nämlich hier mit einer bivariaten Solvente Unternehmen Insolvente Unternehmen Trennung, lösen (Abbildung 2). Dazu werden die beiden Kennzahlen mit mathematisch-statistischen Verfahren gewichtet und zu einem Kennzahlenwert zusammengefasst. Der geometrische Ort der Ausprägungen dieses Wertes ist eine Diskriminanzfunktion. Die Trenngerade in Abbildung 2 steht senkrecht auf der Diskriminanzfunktion. Die Trenngerade ist so gewählt, dass möglichst wenige Fehlklassifikationen auftreten. Die hiermit entstehenden Fehlklassifikationen lassen sich im Vergleich zu den beiden univariaten Trennungen erheblich reduzieren, denn bei der bivariaten Trennung betragen sowohl der Alpha-Fehler als auch der Beta-Fehler nur noch 2/12. Auch Widersprüche zwischen den Teilurteilen werden vermieden. Ausserdem kommen bei der bivariaten Trennung betriebswirtschaftlich sinnvolle Ergebnisse heraus, wie die Klassifikation des Unternehmens Nr. 17 (rechts oben in Abbildung 2) zeigt. Denn dieses Unternehmen wurde aufgrund seines hohen CF2-ROI trotz einer hohen Verschuldung als solvent klassifiziert, was in Anbetracht der hohen Leverage-Chance betriebswirtschaftlich sehr plausibel ist. In der modernen Bilanzanalyse wurde in der Vergangenheit vor allem die Multivariate lineare Diskriminanzanalyse (MDA) angewendet. Neuerdings findet indes die Künstliche Neuronale Netzanalyse als mathematischstatistisches Verfahren zunehmend Verbreitung. Meist ist die MDA ein lineares Verfahren zur Analyse von Gruppenunterschieden. Mit ihr ist es möglich zu ermitteln, wie sich Gruppen mit einer linearen Kombination einzelner Variablen z.b. in zwei Klassen trennen lassen [4]. Für die Bilanzanalyse bedeutet dies, dass es die lineare MDA ermöglicht, solvente und insolvenzgefährdete Unternehmen anhand einer linearen Kombination bestimmter mit der MDA ausgewählter Kennzahlen zu unterscheiden. Ein Künstliches Neuronales Netz (KNN) trennt auf ähnliche Weise, wie in Abbildung 2 dargestellt. Allerdings wird mit den neuronalen Netzen mit einer nicht-linearen Funktion getrennt. Das Neuronale Netz besteht aus einzelnen Zellen (Neuronen), die miteinander verknüpft sind und Signale empfangen und weitergeben können. Die Neuronen eines KNN sind i. d. R. in mehreren Schichten hintereinander angeordnet, so dass die Informationen in der Eingabeschicht aufgenommen werden, ins Netzinnere weitergeleitet, verarbeitet und anschliessend mit einem Ausgabeneuron zum N-Wert verdichtet werden [5]. Die besondere 607

4 Eigenschaft der Neuronalen Netze besteht darin, dass sie in der Lage sind zu lernen, d.h. das KNN erkennt anhand einer sehr grossen Zahl von Beispieldaten (z. B. Jahresabschluss-Kennzahlen) Muster bzw. bestimmte Merkmale, die dazu geeignet sind, Unternehmen als solvent oder insolvenzgefährdet zu klassifizieren. Darüber hinaus ist das KNN in der Lage, dieses Wissen auf fremde Datensätze zu übertragen und diese mit geringen Fehlern erfolgreich zu klassifizieren (vgl. Abbildung 3 linkes Koordinatensystem). Allerdings muss während der Entwicklung des Netzes darauf geachtet werden, dass dem Netz die Trainingsdaten nicht zu oft präsentiert werden, denn sonst besteht die Gefahr, dass das Netz die Strukturen dieser Trainingsdaten zu genau (auswendig) lernt und nicht mehr in der Lage ist, fremde Unternehmen anhand ihrer Jahresabschlüsse zu beurteilen (Overtraining) (vgl. Abbildung 3 rechtes Koordinatensystem). Abbildung 4 Verlauf des Beta-Fehlers abhängig von der Zahl der Lernschritte in Lern- und Teststichprobe Typischer Verlauf des Beta-Fehlers beim Training mit einem KNN Mit Hilfe der Multivariaten Diskriminanzanalyse (MDA) und der Künstlichen Neuronalen Netzanalyse (KNNA) wird zwischen solventen und insolvenzgefährdeten Unternehmen i. d. R. mit mehr als zwei Kennzahlen getrennt (multivariate Trennung), was allerdings grafisch nicht mehr darstellbar ist. Ein Overtraining bei der KNNA lässt sich vermeiden, wenn anhand einer Teststichprobe der Beta-Fehler bei Konstanz des Alpha-Fehlers im Verlaufe des Trainings zusätzlich zur Trainingsstichprobe gemessen wird und die Zahl der Lernschritte dann beendet wird, wenn der Beta-Fehler in der Teststichprobe wieder ansteigt. In Abbildung 4 ist die Entwicklung des Beta- Fehlers abhängig von der Anzahl der Lernschritte dargestellt. Während die Fehlerkurve für die Trainingsstichprobe mit zunehmender Anzahl der Lernschritte kontinuierlich sinkt, d. h. das Netz die Strukturen der Trainingsstichprobe zunehmend auswendig lernt, steigt ab Z opt mit zunehmender Anzahl der Lernschritte die Fehlerkurve für die Teststichprobe wieder an, weil das Netz die Generalisierungsfähigkeit allmählich wieder verliert. Das Künstliche Neuronale Netz kann also mit einer grösseren Zahl von Lernschritten als 608 Z opt das erlernte Wissen zunehmend weniger auf neue Anwendungsfälle übertragen [6]. 3. Stabilität des Künstlichen Neuronalen Netzes BP-14 [7] bei Bilanzpolitik und bei Rechnungslegung nach US-GAAP [8] oder IAS [9] An der Bilanzanalyse wird immer wieder die berechtigte Kritik geübt, dass sie nicht erkennt, wenn Unternehmen durch Sachverhaltsgestaltungen und Bilanzierungswahlrechte die Darstellung ihrer wirtschaftlichen Lage beeinflussen. Unternehmen, die sich in einer Krise befinden, werden versuchen, ihre Lage möglichst gut darzustellen. Bestandsfeste erfolgreiche Unternehmen hingegen werden sich möglicherweise schlechter darstellen, um für Krisenzeiten stille Rücklagen zu bilden. Die Fehlbeurteilungen von Unternehmen aufgrund von bilanzpolitischen Massnahmen können indes durch Bildung besonderer Kennzahlen gemildert werden. Der Kennzahlenkatalog, aus dem mit der Künstlichen Neuronalen Netzanalyse (KNNA) die Kennzahlen des BP-14 ausgewählt wurden, enthält solche Bilanzpolitik konterkarierenden Kennzahlen. Die von der KNNA getroffene Wahl solcher Kennzahlen in das BP-14 bestätigt empirisch, dass diese Kennzahlen besser als herkömmliche Kennzahlen dazu geeignet sind, solvente von insolvenzgefährdeten Unternehmen zu trennen. In Abbildung 5 sind die Definitionen der von der KNNA aus 209 Kennzahlen ausgewählten 14 Kennzahlen des BP-14 mit den zugehörigen Hypothesen I<S oder I>S (vgl. Gliederungspunkt 2) aufgeführt [10]. In einer der KNNA vorgeschalteten Clusteranalyse wurden acht Informationsbereiche des Jahresabschlusses ermittelt, denen die Kennzahlen zuzuordnen sind. Diese Informationsbereiche decken die Vermögens-, Finanz- und Ertragslage vollständig ab. Im folgenden werden einige bilanzpolitische Möglichkeiten (= creative accounting) und die entsprechenden bilanzanalytischen Gegenmassnahmen (= creative analyzing) durch Bildung entsprechender Kennzahlen am Beispiel der in das BP-14 gewählten Kennzahlen erläutert. Eine wichtige bilanzpolitische Möglichkeit ergibt sich bei den Abschrei-

5 bungen und zwar durch die Wahl des Abschreibungsverfahrens, die Schätzung der Nutzungsdauer und die Annahme des Restverkaufserlöses sowie durch ausserplanmässige Abschreibungen [11]. Das BP-14 hat als Rentabilitätskennzahlen, den CF1-ROI und den CF2-ROI gewählt, bei denen der Cash-Flow anstelle des Jahresüber- Abbildung 5 Kennzahlen des BP

6 schusses bzw. -fehlbetrages im Zähler steht. Der Cash-Flow ist hier definiert als ordentliches Betriebsergebnis zuzüglich Normalabschreibungen, so dass die Abschreibungspolitik neutralisiert wird. Die ausserplanmässigen Abschreibungen werden vorab aus dem Betriebsergebnis herausgerechnet. Am Beispiel des N-Wertes der Lufthansa für 1992 lässt sich gut zeigen, dass Abschreibungspolitik kaum Auswirkungen auf das Urteil des BP-14 hat hat die Lufthansa ihre Abschreibungen um rund 400 Mio. DM reduziert, indem sie die angenommene Nutzungsdauer ihrer Flugzeuge von zehn auf zwölf Jahre verlängerte und den angenommenen Restverkaufserlös von 5 % auf 15 % der Anschaffungskosten erhöhte [12]. Berechnet man den N-Wert mit den Zahlen des Geschäftsberichts, ergibt sich ein Wert von 0,64. Ändert man die Zahlen des Jahresabschlusses so, als wäre die Abschreibungspolitik nicht geändert worden, ergibt sich ein N-Wert von 0,39, was also lediglich eine Differenz von 0,25 N-Wert-Punkten aus einer Spanne von 20 N-Wert-Punkten ausmacht (vgl. Abbildung 6). Die Lufthansa befindet sich 1992 mit oder ohne diese erhebliche Bilanzpolitik in der Güteklasse CC; die bilanzpolitische Massnahme führt den BP-14-Klassifikator nicht in die Irre. Eine in schlechten Zeiten für ein Unternehmen nicht selten genutzte sachverhaltsgestaltende Massnahme ist, dass Grundstücke und Bauten verkauft, zurückgemietet und aus dem Verkaufserlös Kredite getilgt werden. Diese Sale-and-lease-back-Politik führt dazu, dass bei gleichbleibendem Eigenkapital das Fremdkapital des betreffenden Unternehmens abnimmt und auf diese Weise die Eigenkapitalquote steigt. Damit Unternehmen, die Saleand-lease-back betrieben haben, bei der Bilanzanalyse nicht grundsätzlich besser beurteilt werden als andere Unternehmen, hat das BP-14 jene Eigenkapitalquoten (EKQ1 und EKQ2) in den Kennzahlenkatalog gewählt, bei denen die Restbuchwerte der Grundstücke und Bauten von der Bilanzsumme im Nenner abgezogen werden. Einige Unternehmen betreiben kurz vor dem Bilanzstichtag Window-dressing, d.h. sie nehmen Fremdkapital auf. Abbildung 6 Lufthansa mit und ohne Bilanzpolitik in 1992 Damit verbessern sie zwar ihre Liquidität, verschlechtern aber gleichzeitig ihre Eigenkapitalquote. Diese Massnahme hat das BP-14 dadurch neutralisiert, dass es jene Eigenkapitalquoten (EKQ1 und EKQ2) ausgewählt hat, bei denen die flüssigen Mittel von der Bilanzsumme im Nenner abgezogen werden. Grosse Ermessensspielräume eröffnen sich auch bei der Bewertung von Forderungen. Das BP-14 hat indes nur Rendite-Kennzahlen ausgewählt, bei denen Erträge aus der Auflösung von Wertberichtigungen auf Forderungen nicht zum ordentlichen Betriebsergebnis zählen. Bei den gewählten Renditekennzahlen werden Erträge aus der Auflösung von in Deutschland häufig zu findenden Sonderposten mit Rücklageanteil ebenfalls aus dem ordentlichen Betriebsergebnis herausgerechnet. Das BP-14 konterkariert damit die bilanzpolitischen Einflüsse der Bildung von in Deutschland zulässigen steuerlichen Sonderposten [13]. Um herauszufinden, wie stark bilanzpolitische Massnahmen das Urteil des BP-14 beeinflussen, wurden 138 Geschäftsberichte der grössten Unternehmen Deutschlands auf erhebliche bilanzpolitische Massnahmen hin untersucht. Dabei konnten 47 Einzelfälle von quantifizierbarer Bilanzpolitik festgestellt werden, die sich elf verschiedenen bilanzpolitischen Massnahmen zuordnen liessen. Diese Massnahmen sind die erfolgsneutrale oder erfolgswirksame Behandlung von Währungsdifferenzen, die Bildung bzw. Auflösung von Sonderposten mit Rücklageanteil, die Bildung bzw. Auflösung von kurzfristigen Rückstellungen, die Änderung des Verbrauchsfolgeverfahrens, die Änderung des Verfahrens zur Währungsumrechnung, die Änderung der Abschreibungsmethode, die Änderung der Bewertung der Vorräte und Forderungen, die Aktivierung eines Geschäfts- oder Firmenwertes, die Änderung der Ermittlung der Herstellungskosten, die Bildung bzw. Auflösung von langfristigen Rückstellungen und die Aktivierung von Ingangsetzungs- und Erweiterungsaufwendungen. Für alle gefundenen Fälle von Bilanzpolitik wurde der N-Wert einmal mit und einmal ohne die jeweilige bilanzpolitische Massnahme berechnet. Die grösste N-Wert-Differenz ergab sich bei einem Fall der Aktivierung von Ingangsetzungs- und Erweiterungsaufwendungen. Allerdings betrug diese N-Wert-Abweichung nur 0,3919 N-Wert-Punkte von maximal 20 N-Wert-Punkten. Dies sind lediglich 610

7 Abbildung 7 VEBA mit und ohne Aufdeckung angenommener stiller Reserven im Jahresabschluss 1996 Immer mehr deutsche Unternehmen veröffentlichen neben einem HGB- Abschluss auch einen internationalen Abschluss oder nutzen Wahlmöglichkeiten, die das deutsche Bilanzrecht bietet, im Sinne von internationalen Regeln aus. Wir haben an einigen Fällen geprüft, welchen Einfluss die Rechnungslegung nach US-GAAP und nach IAS auf das Urteil des BP-14 hat. Für Daimler-Benz konnten wir die N-Werte für die Jahre 1995 und 1996 einmal nach US-GAAP und einmal nach HGB berechnen, da Daimler- Benz für diese Jahre sowohl einen HGB- als auch einen US-GAAP-Abschluss veröffentlicht hat. Für 1995 ergibt sich ein Unterschied von 0,06 und für 1996 von 0,52 N-Wert-Punkten. Diese geringen N-Wert-Abweichungen ergaben sich trotz der hohen Unterschiede der HGB- und der US- GAAP-Werte für den Cash-Flow (1,1 Mrd. DM für 1996) und das Eigenkapital (10,5 Mrd. DM für 1996). Auch bei Bayer, Hoechst, Schering und Heidelberger Zement, die seit 1994 nach den IAS in den Grenzen des HGB bilanzieren, konnten nur vernachlässigbare N-Wert-Abweichungen zwischen HGB-Abschluss und IAS-Abschluss festgestellt werden. Die vom Stifter des Dr. Kausch-Preises beschriebenen bilanzpolitischen Möglichkeiten werden vom BP-14 also konterkariert. 1,96 % der N-Wert-Skala von +10 bis 10. Die grösste Abweichung, die sich bei einem Unternehmen aufgrund von mehreren gleichgerichteten bilanzpolitischen Massnahmen ermitteln liess, waren 0,713 Punkte, also lediglich 3,57 % der gesamten N-Wert-Skala. Bilanzpolitische Massnahmen wirken sich nach diesen Ergebnissen auf das Urteil des BP-14 kaum aus. An einem für die VEBA angenommenen Beispiel lässt sich zeigen, dass auch stille Reserven den N-Wert-Verlauf nur geringfügig beeinflussen (siehe Abbildung 7). Nimmt man einmal an, dass VEBA in den Grundstücken und Bauten eine stille Reserve in Höhe von 3 Mrd. DM habe und bucht man diese «per Grundstücke und Bauten an Eigenkapital» und berechnet den N-Wert auf Grundlage dieser veränderten Daten, ergibt sich lediglich eine N-Wert-Differenz in Höhe von 0,11. Der positiven Wirkung der Eigenkapitalerhöhung auf die Eigenkapitalquoten stehen nämlich verminderte Cash- Flow-ROIs gegenüber, da der Cash- Flow nunmehr durch eine höhere Bilanzsumme geteilt wird. Durch den ganzheitlichen Ansatz des BP-14 werden also positive bzw. negative Wirkungen einzelner Kennzahlen auf den N-Wert, die durch eine bilanzpolitische Massnahme verursacht wurden, durch negative bzw. positive Wirkungen anderer Kennzahlen auf den N-Wert gedämpft oder wie hier fast gänzlich egalisiert. 4. Zusammenfassung Die Analyse des Jahresabschlusses mit Hilfe von Kennzahlen mit dem Ziel, zu einem Gesamturteil über das bilanzielle Standing eines Unternehmens zu kommen, ist vor allem für Kreditgeber von grossem Interesse. Allerdings besteht bei der Jahresabschlussanalyse das Problem, die relevanten Kennzahlen auszuwählen und zu einem Gesamturteil zu verdichten. Hinzu kommt, dass Unternehmen die Zahlen ihrer Jahresabschlüsse durch Bilanzpolitik verändern können. Diese Probleme lassen sich mit Hilfe der Künstlichen Neuronalen Netzanalyse lösen. Mit der KNNA werden die relevanten Kennzahlen empirisch ausgewählt, gewichtet und zusammengefasst, so dass solche Systeme sowohl der herkömmlichen Bilanzanalyse als auch allen Scoring-Systemen überlegen sind, die auf subjektiven Erfahrungen von Bilanzanalytikern beruhen. Am Beispiel des modernen Analysesystems BP-14 konnte gezeigt werden, dass mit Hilfe von «intelligent» definierten Kennzahlen Bilanzpolitik konterkariert wird und dass auch bilanzpolitisch motivierte Änderungen in der Bilanzierung aufgrund der umfassenden Kennzahlenauswahl aus allen Informationsbereichen des Jahresabschlusses auf das Gesamturteil des KNN kaum einen Einfluss haben. Sogar die gegenüber dem HGB veränderte Rechnungslegung nach IAS und US-GAAP hat in den betrachteten Fällen nur geringe Auswirkungen auf das Urteil des BP-14. Anmerkungen 1 Vgl. Helbling, C., Rechnungswesen, S Vgl. Die Zusammenarbeit der Vereine Creditreform e. V., der Allgemeinen Kreditversicherung AG und des Institutes für Revisions- 611