Volltext
Werbung
Dissertation zur Erlangung des akademischen Grades Dr. rer. pol. eingereicht am Lehrstuhl für Finanzwirtschaft und Bankbetriebslehre Prof. Dr. Friedrich Thießen Wirtschaftswissenschaftliche Fakultät Technische Universität Chemnitz „Der Einfluss von Maßnahmen auf den Ausgang einer Sanierung“ vorgelegt von: Stephan Schnorr Inhaltsübersicht Tabellenverzeichnis .................................................................................................... V Abbildungsverzeichnis ............................................................................................. VIII 1 Ziel und Gang der Untersuchung ............................................................................. 1 2 Theoretischer Rahmen der Arbeit ............................................................................ 6 3 Methodik der Untersuchung................................................................................... 68 4 Beschreibung des Datensatzes ........................................................................... 124 5 Auswertung der ermittelten Variablen .................................................................. 132 6 Einflussfaktoren auf den Erfolg einer Sanierung .................................................. 234 7 Fazit ..................................................................................................................... 241 8 Anhang ................................................................................................................... IX Literaturverzeichnis ............................................................................................... XCII Inhaltsverzeichnis Tabellenverzeichnis .................................................................................................... V Abbildungsverzeichnis ............................................................................................. VIII 1 Ziel und Gang der Untersuchung ............................................................................. 1 2 Theoretischer Rahmen der Arbeit ............................................................................ 6 2.1 Die Krise eines Unternehmens ......................................................................... 7 2.1.1 Der Begriff der Krise ................................................................................... 7 2.1.2 Die Ursachen einer Krise .......................................................................... 10 2.1.3 Die Krise als Prozess ............................................................................... 11 2.2 Die Sanierung als Bewältigung einer Unternehmenskrise .............................. 14 2.3 Maßnahmen in einer Krisenbewältigung ......................................................... 16 2.3.1 Systematisierung der Maßnahmen ........................................................... 16 2.3.2 Durch das Unternehmen ergriffene Maßnahmen ..................................... 17 2.3.2.1 Maßnahmen im finanzwirtschaftlichen Bereich .................................. 17 2.3.2.2 Maßnahmen im leistungswirtschaftlichen Bereich ............................. 25 2.3.2.3 Maßnahmen im strategischen Bereich ............................................... 29 2.3.3 Durch das Kreditinstitut ergriffene Maßnahmen ....................................... 32 2.3.4 Würdigung der Studien zum Einfluss der Maßnahmen ............................ 40 2.4 Der Einfluss der Lage des Unternehmens auf das Ergebnis einer Sanierung 41 2.4.1 Systematisierung bereits erfolgter Untersuchungen ................................. 41 2.4.2 Unterscheidung zwischen erfolgreicher und fehlgeschlagener Sanierung 41 2.4.3 Weitere Differenzierung einer erfolgreichen Sanierung ............................ 49 2.4.4 Prognose der Wahl eines Weges in der Sanierung .................................. 59 2.4.5 Würdigung der Studien zum Einfluss der Lage des Unternehmens ......... 62 2.5 Ansätze zur Weiterentwicklung der bestehenden Literatur ............................. 64 3 Methodik der Untersuchung................................................................................... 68 3.1 Erhebung der Daten und Transformation in Variablen .................................... 68 3.1.1 Aufbereitung der Daten ............................................................................ 68 3.1.2 Kodierung der Maßnahmen .................................................................. 69 3.1.2.1.1 Kodierung der Maßnahmen auf der Gesamtebene ..................... 69 3.1.2.1.2 Kodierung der Maßnahmen auf der Detailebene ......................... 70 3.1.2.2 Aufbereitung der qualitativen Daten ................................................... 74 3.1.3 Aufbereitung der quantitativen Daten .................................................... 76 3.2 Überblick über die angewandten statistischen Maße ...................................... 80 3.2.1 Mittelwerte ................................................................................................ 81 3.2.2 Streuungsmaße ........................................................................................ 83 3.2.3 Schiefe und Exzess .................................................................................. 87 3.3 Überblick über die Methoden zur Auswertung ................................................ 91 3.3.1 Methoden zum Vergleich verschiedener Datenreihen .............................. 91 3.3.2 Test auf Autokorrelation ........................................................................... 95 3.3.3 Monotonieanalyse .................................................................................... 96 3.3.4 Test auf Multikollinearität .......................................................................... 97 3.3.5 Diskriminanzanalyse ................................................................................. 98 3.3.6 Regressionsanalyse ................................................................................. 99 3.3.6.1 Lineare Regression ............................................................................ 99 3.3.6.2 Lokale Regression ............................................................................. 99 3.3.6.3 Logistische Regression .................................................................... 100 I 3.3.6.4 Geordnete logistische Regression ................................................... 103 3.3.6.5 Gütemaße einer Regression ............................................................ 104 3.3.6.6 Interpretation der Koeffizienten ........................................................ 113 3.3.6.7 Multikollinearität ............................................................................... 115 3.3.7 Neuronale Netze..................................................................................... 117 3.3.8 Strukturgleichungsmodelle ..................................................................... 118 3.3.9 Zusammenfassende Übersicht über die angewandten Methoden .......... 118 3.4 Grundsätzliches Vorgehen bei der Auswertung ............................................ 120 4 Beschreibung des Datensatzes ........................................................................... 124 4.1 Herkunft der Daten ........................................................................................ 124 4.2 Ergebnis der Sanierung ................................................................................ 125 4.3 Durchschnittliche Größe der untersuchten Unternehmen ............................. 126 4.4 Erfasste Rechtsformen.................................................................................. 128 4.5 Erfasste Branchen......................................................................................... 129 5 Auswertung der ermittelten Variablen .................................................................. 132 5.1 Auswirkung der quantitativen und qualitativen Variablen auf den Ausgang der Sanierung............................................................................................................ 132 5.1.1 Univariate Analyse der qualitativen und quantitativen Variablen ............ 133 5.1.1.1 Quantitative Daten ........................................................................... 133 5.1.1.1.1 Überleben .................................................................................. 133 5.1.1.1.2 Detaillierte Analyse des Ausgangs Überleben ........................... 134 5.1.1.1.2.1 Fortführung ......................................................................... 134 5.1.1.1.2.2 Reorganisation .................................................................... 135 5.1.1.2 Qualitative Variablen ........................................................................ 136 5.1.1.2.1 Sicherheiten .............................................................................. 136 5.1.1.2.2 Kredite ....................................................................................... 137 5.1.1.2.3 Sonstige qualitative Daten ......................................................... 138 5.1.1.3 Überprüfung der Thesen anhand der univariaten Modelle ............... 139 5.1.2 Multivariate Analyse der qualitativen und quantitativen Variablen .......... 143 5.1.2.1 Allgemeine Beschreibung des Vorgehens ....................................... 143 5.1.2.2 Einfluss der qualitativen und quantitativen Variablen auf den Ausgang Überleben .................................................................................................... 144 5.1.2.2.1 Auswahl der Variablen............................................................... 144 5.1.2.2.2 Erstellung des Modells .............................................................. 146 5.1.2.2.3 Beschreibung des Modells ........................................................ 149 5.1.2.3 Detaillierte Analyse des Ausgangs Überleben ................................. 153 5.1.2.3.1 Einfluss der qualitativen und quantitativen Variablen auf den Ausgang „Fortführung“ ............................................................................. 154 5.1.2.3.1.1 Auswahl der Variablen ........................................................ 154 5.1.2.3.1.2 Erstellung des Modells ........................................................ 157 5.1.2.3.1.3 Beschreibung des Modells .................................................. 158 5.1.2.3.2 Einfluss der qualitativen und quantitativen Variablen auf den Ausgang „Reorganisation“ ........................................................................ 161 5.1.2.3.2.1 Auswahl der Variablen ........................................................ 161 5.1.2.3.2.2 Erstellung des Modells ........................................................ 163 5.1.2.3.2.3 Beschreibung des Modells .................................................. 165 5.1.2.3.3 Fortführung vs. Reorganisation im Fall „Überleben“ .................. 167 5.1.2.3.3.1 Auswahl der Variablen ........................................................ 168 5.1.2.3.3.2 Erstellung des Modells ........................................................ 169 5.1.2.3.3.3 Beschreibung des Modells .................................................. 171 II 5.1.2.4 Vergleich der Modelle quanqual_Überleben und quanqual_Fortführung ..................................................................................................................... 174 5.1.3 Vergleich der Modelle auf Basis der qualitativen und quantitativen Variablen ......................................................................................................... 175 5.2 Auswirkung der Maßnahmen auf den Ausgang der Sanierung ..................... 180 5.2.1 Univariaten Analyse auf Basis der Variablen zu den Maßnahmen ......... 180 5.2.2 Überprüfung der Variablen zu den indirekten Maßnahmen .................... 183 5.2.3 Überprüfung der Thesen anhand der univariaten Auswertungen ........... 184 5.2.4 Multivariate Analyse auf Basis der Variablen zu den Maßnahmen ......... 187 5.2.4.1 Allgemeine Beschreibung des Vorgehens ....................................... 187 5.2.4.2 Einfluss der Maßnahmen auf den Ausgang „Überleben“ ................. 188 5.2.4.2.1 Auswahl der Variablen............................................................... 188 5.2.4.2.2 Erstellung des Modells .............................................................. 189 5.2.4.2.3 Beschreibung des Modells ........................................................ 191 5.2.4.3 Detaillierte Analyse des Ausgangs Überleben ................................. 195 5.2.4.3.1 Einfluss der Maßnahmen auf den Ausgang „Fortführung“ ......... 195 5.2.4.3.1.1 Auswahl der Variablen ........................................................ 195 5.2.4.3.1.2 Erstellung des Modells ........................................................ 196 5.2.4.3.1.3 Beschreibung des Modells .................................................. 198 5.2.4.3.2 Einfluss der Maßnahmen auf den Ausgang „Reorganisation“ ... 204 5.2.4.3.2.1 Auswahl der Variablen ........................................................ 204 5.2.4.3.2.2 Erstellung des Modells ........................................................ 205 5.2.4.3.2.3 Beschreibung des Modells .................................................. 206 5.2.4.3.3 Fortführung vs. Reorganisation im Fall „Überleben“ .................. 208 5.2.4.3.3.1 Auswahl der Variablen ........................................................ 209 5.2.4.3.3.2 Erstellung des Modells ........................................................ 210 5.2.4.3.3.3 Beschreibung des Modells .................................................. 212 5.2.4.4 Vergleich der Modelle Maßnahmen_Überleben und Maßnahmen_Fortführung ............................................................................ 215 5.2.5 Vergleich der Modelle auf Basis der Maßnahmen .................................. 216 5.3 Auswirkungen der qualitativen und quantitativen Variablen auf die ergriffenen Maßnahmen ........................................................................................................ 222 5.3.1 Ausgang Überleben ................................................................................ 223 5.3.2 Ausgang Fortführung .............................................................................. 224 5.3.3 Ausgang Reorganisation ........................................................................ 225 5.3.4 Ausgang Fortführung im Fall Überleben ................................................. 226 5.3.5 Unabhängigkeit der Variablen auf Basis der Maßnahmen ..................... 227 5.4 Überprüfung der aufgestellten Thesen .......................................................... 227 6 Einflussfaktoren auf den Erfolg einer Sanierung .................................................. 234 6.1 Einfluss der Variablen auf Basis quantitativer und qualitativer Daten ........... 235 6.2 Einfluss der Variablen auf Basis der Maßnahmen ........................................ 236 7 Fazit ..................................................................................................................... 241 8 Anhang ................................................................................................................... IX 8.1 Überblick über die aufgestellten Thesen .......................................................... IX 8.2 Branchenklassifikation nach destatis ............................................................... XI 8.3 Methoden zur Auswertung der Variablen ....................................................... XIII 8.4 Bezeichnung der Variablen zur Kennzeichnung der Branche ......................... XV 8.5 Variablen auf Basis der Daten zu den Maßnahmen ....................................... XVI 8.5.1 Variablen zur Bezeichnung finanzwirtschaftlicher Maßnahmen .............. XVI 8.5.2 Variablen zur Bezeichnung indirekter Maßnahmen auf Basis der Bilanzkennzahlen ........................................................................................... XVIII III 8.5.3 Variablen zur Bezeichnung indirekter Maßnahmen auf Basis der Gewinnund Verlustrechnung ........................................................................................ XIX 8.5.4 Variablen zur Bezeichnung direkter finanzwirtschaftlicher Maßnahmen auf Basis von Bilanzrelationen ................................................................................ XX 8.5.5 Variablen zur Bezeichnung strategischer Maßnahmen ........................... XXI 8.5.6 Maßnahmen mit Bezug auf die gestellten Sicherheiten .......................... XXII 8.5.7 Zwangsmaßnahmen .............................................................................. XXIII 8.5.8 Sonstige Maßnahmen .......................................................................... XXIV 8.5.9 Weiterführende Variablen zu den Maßnahmen .................................... XXVI 8.6 Variablen auf Basis der qualitativen Daten ................................................ XXVII 8.6.1 Variablen zur Erfassung der Darlehensarten ....................................... XXVII 8.6.2 Variablen zur Ausprägung der Kredite ................................................ XXVIII 8.6.3 Variablen zur Beschreibung der Kredite ............................................... XXIX 8.6.4 Variablen zur Art der Sicherheiten ......................................................... XXX 8.6.5 Variablen zur Beschreibung der Sicherheiten ...................................... XXXI 8.7 Signifikante Variablen in anderen Untersuchungen .................................. XXXIII 8.8 Variablen auf Basis der quantitativen Daten ................................................... XL 8.8.1 verwendete Abkürzungen für Bilanzpositionen ......................................... XL 8.8.1.1 Aktiva ................................................................................................. XL 8.8.1.2 Passiva ............................................................................................ XLII 8.8.2 Verwendete Abkürzungen für Positionen der Gewinn- und Verlustrechnung ....................................................................................................................... XLIV 8.8.3 Variablen zur Bezeichnung aggregierter Größen .................................. XLVI 8.8.4 Variablen zur Bezeichnung von Kennzahlen zur Wirtschafts- und Finanzlage ...................................................................................................... XLIX 8.8.5 Variablen zur Bezeichnung unterschiedlicher Ausprägungen der Variablen .......................................................................................................................... LX 8.8.6 Variablen bisheriger empirischer Arbeiten .............................................. LXII 8.9 Herleitung der Formel für Durchschnittswerte .............................................. LXVI 8.10 Validierung der Ergebnisse bereits erfolgter Studien ............................... LXVIII 8.11 Univariat signifikante Variablen auf Basis der Maßnahmen ........................ LXX 8.12 Vergleich der Modelle auf Basis der qualitativen und quantitativen Variablen ........................................................................................................................... LXXI 8.13 Vergleich der Modelle auf Basis der Variablen zu den Maßnahmen ......... LXXII 8.13.1 Modelle zur Erklärung des Ausganges Überleben und Fortführung ... LXXII 8.13.2 Modelle zur Erklärung aller untersuchten Ausgänge ......................... LXXIII 8.14 Überprüfung der Thesen .......................................................................... LXXV 8.14.1 Modelle auf Basis der Variablen zu den Maßnahmen ....................... LXXV 8.14.2 Modelle auf Basis der qualitativen und quantitativen Variablen ....... LXXVII 8.15 Wirkung der Variablen auf Basis der Maßnahmen .................................. LXXIX 8.16 Überblick über den Einfluss der Variablen auf Basis der Maßnahmen ... LXXXI Literaturverzeichnis ............................................................................................... XCII IV Tabellenverzeichnis Tabelle 1: Systematisierung der Krisenursachen ..................................................... 10 Tabelle 2: Klassifikation von Krisen .......................................................................... 11 Tabelle 3: Systematik finanzwirtschaftlicher Maßnahmen ........................................ 21 Tabelle 4: Systematik leistungswirtschaftlicher Maßnahmen.................................... 26 Tabelle 5: Anzahl der Unternehmen je Branche ..................................................... 130 Tabelle 6: univariat signifikante Variablen „Wifila“ für Ausgang Überleben ............ 134 Tabelle 7: ausgewählte Variablen „Wifila“ für Ausgang Fortführung geordnet nach Signifikanz .............................................................................................................. 135 Tabelle 8: ausgewählte Variablen „Wifila“ für Ausgang Reorganisation ................. 136 Tabelle 9: ausgewählte Variablen "Sicherheit" für Ausgang Überleben ................. 137 Tabelle 10: ausgewählte Variablen "Sicherheit" für Ausgang Reorganisation ........ 137 Tabelle 11: ausgewählte Variablen "Sicherheit" für Ausgang Fortführung.............. 137 Tabelle 12: ausgewählte Variablen „Kredit“ für Ausgang Überleben ...................... 138 Tabelle 13: ausgewählte Variablen „Kredit“ für Ausgang Reorganisation ............... 138 Tabelle 14: signifikante Ausprägungen ausgewählter Variablen ............................ 142 Tabelle 15: Übersicht über univariat signifikante Variablen für Ausgang Überleben geordnet nach Signifikanz ...................................................................................... 145 Tabelle 16: Bestimmtheitsmaße in den Regressionen zur Bestimmung der Multikollinearität in Modellen auf Basis der qualitativen und quantitativen Daten ... 145 Tabelle 17: Bestimmtheitsmaße in den Regressionen zur Bestimmung der Multikollinearität in Modellen auf Basis der qualitativen und quantitativen Daten nach schrittweiser Eliminierung ....................................................................................... 146 Tabelle 18: Signifikanzen der Variablen im Modell quanqual_Überleben ............... 148 Tabelle 19: Beschreibung des Modells quanqual_Überleben ................................. 149 Tabelle 20: Variablen auf Basis der qualitativen und quantitativen Daten für den Ausgang „Fortführung“ geordnet nach Signifikanz ................................................. 155 Tabelle 21: Bestimmtheitsmaße in den Regressionen zur Bestimmung der Multikollinearität im Modell Fortführung .................................................................. 156 Tabelle 22: Bestimmtheitsmaße nach schrittweisen Regressionen im Modell Fortführung ............................................................................................................. 157 Tabelle 23: Signifikanzen der Variablen im Modell Fortführung .............................. 157 Tabelle 24: Beschreibung des Modells quanqual_Fortführung ............................... 158 Tabelle 25: ausgewählte Variablen für Ausgang Reorganisation geordnet nach Signifikanz .............................................................................................................. 162 Tabelle 26: Bestimmtheitsmaße in den Regressionen zur Bestimmung der Multikollinearität im Modell quanqual_Reorganisaton ............................................. 162 Tabelle 27: Bestimmtheitsmaße nach schrittweisen Regressionen im Modell quanqual_Reorganisation ....................................................................................... 163 Tabelle 28: Signifikanzen der Variablen im Modell Reorganisation ........................ 164 Tabelle 29: Beschreibung des Modells quanqual_Reorganisation ......................... 165 Tabelle 30: in multivariate Analyse mit Ausgang "Überleben-Fortführung“ einbezogene Variablen ........................................................................................... 168 Tabelle 31: univariate Signifikanzen der Variablen im Modell quanqual_FortführungÜberleben ............................................................................................................... 169 Tabelle 32: Signifikanz der im Modell quanqual_Überleben-Fortführung enthaltenen Variablen ................................................................................................................ 170 V Tabelle 33: Beschreibung des Modells quanqual_Überleben-Fortführung ............. 171 Tabelle 34: Vergleich der Modelle auf Basis der qualitativen und quantitativen Daten ............................................................................................................................... 177 Tabelle 35: univariat signifikante Variablen auf Basis der Maßnahmen mit "Überleben" als Ausgang ........................................................................................ 181 Tabelle 36: univariat signifikante Variablen auf Basis der Maßnahmen mit "Fortführung" als Ausgang ...................................................................................... 182 Tabelle 37: univariat signifikante Variablen auf Basis der Maßnahmen mit "Reorganisation" als Ausgang ................................................................................ 183 Tabelle 38: indirekte Maßnahmen auf Basis von Bilanzkennzahlen ....................... 184 Tabelle 39: Bestimmtheitsmaße in den Regressionen zur Bestimmung der Multikollinearität im Modell Maßnahmen_Überleben .............................................. 189 Tabelle 40: Signifikanzen der Variablen im Modell Maßnahmen_Überleben.......... 190 Tabelle 41: Beschreibung des Modells Maßnahmen_Überleben ........................... 191 Tabelle 42: Maßnahmen im strategischen Bereich ................................................. 192 Tabelle 43: Änderungen der Odds und Wahrscheinlichkeiten im Modell Maßnahmen_Überleben ......................................................................................... 194 Tabelle 44: Bestimmtheitsmaße in den Regressionen zur Bestimmung der Multikollinearität im Modell Maßnahmen_Fortführung ............................................ 196 Tabelle 45: Signifikanzen der Variablen im Modell Maßnahmen_Fortführung ........ 197 Tabelle 46: Beschreibung des Modells Maßnahmen_Fortführung ......................... 199 Tabelle 47: Koeffizient der Variable nr_fw in einer univariaten logistischen Regression mit dem Ausgang "Fortführung" in SPSS ............................................ 202 Tabelle 48: Änderungen der Odds und Wahrscheinlichkeiten im Modell Maßnahmen_Fortführung ....................................................................................... 203 Tabelle 49: Bestimmtheitsmaße in den Regressionen zur Bestimmung der Multikollinearität im Modell Maßnahmen_Reorganisation....................................... 204 Tabelle 50: Signifikanzen der Variablen im Modell Maßnahmen_Reorganisation .. 205 Tabelle 51: Beschreibung des Modells Maßnahmen_Reorganisation .................... 206 Tabelle 52: Änderungen der Odds und Wahrscheinlichkeiten im Modell Maßnahmen_Fortführung ....................................................................................... 208 Tabelle 53: univariat signifikante Variablen auf Basis der Maßnahmen mit "Überleben" als Ausgang ........................................................................................ 209 Tabelle 54: Bestimmtheitsmaße in den Regressionen zur Bestimmung der Multikollinearität im Modell Maßnahmen_Überleben .............................................. 210 Tabelle 55: Signifikanzen der Variablen im Modell Maßnahmen_fortüber .............. 211 Tabelle 56: Beschreibung des Modells Maßnahmen_Fortführung-Überleben ........ 212 Tabelle 57: Änderungen der Odds und Wahrscheinlichkeiten im Modell Maßnahmen_Fortführung-Überleben ..................................................................... 215 Tabelle 58: Beschreibung des Modells Maßnahmen_Überleben ........................... 218 Tabelle 59: Änderungen der Odds und Wahrscheinlichkeiten im Modell Maßnahmen_Überleben ......................................................................................... 219 Tabelle 60: Bestimmtheitsmasse der linearen Regressionen im Ausgang "Überleben" ............................................................................................................................... 224 Tabelle 61: Bestimmtheitsmasse der linearen Regressionen im Ausgang "Fortführung" .......................................................................................................... 225 Tabelle 62: Bestimmtheitsmasse der linearen Regressionen im Ausgang "Reorganisation" ..................................................................................................... 226 Tabelle 63: Bestimmtheitsmasse der linearen Regressionen im Ausgang "Reorganisation" ..................................................................................................... 226 VI Tabelle 64: in multivariaten Modellen signifikante Maßnahmen aus dem finanzwirtschaftlichen Bereich ................................................................................ 229 Tabelle 65: im multivariaten Modelle „Maßnahmen_Fortführung“ signifikante Maßnahmen aus dem finanzwirtschaftlichen Bereich ............................................. 231 Tabelle 66: Status der Thesen................................................................................ 232 Tabelle 67: die einflussreichsten Maßnahmen ....................................................... 237 Tabelle 68: Branchen nach destatis ......................................................................... XII Tabelle 69: Übersicht über die Analysemethoden ausgewählter empirischer Arbeiten ................................................................................................................................ XIV Tabelle 70: Branche und verwendete Bezeichnung ................................................. XV Tabelle 71: Maßnahmen im finanzwirtschaftlichen Bereich .................................... XVII Tabelle 72: indirekte Maßnahmen auf Basis von Bilanzkennzahlen ...................... XVIII Tabelle 73: indirekte Maßnahmen auf Basis der GuV ............................................. XIX Tabelle 74: direkte Maßnahmen auf Basis ausgewählter Bilanzkennzahlen ............ XX Tabelle 75: Maßnahmen im strategischen Bereich .................................................. XXI Tabelle 76: Variablen zur Beschreibung von Maßnahmen im Bereich Sicherheiten ............................................................................................................................... XXII Tabelle 77: Variablen zur Bezeichnung von Zwangsmaßnahmen ......................... XXIII Tabelle 78: sonstige Maßnahmen ......................................................................... XXV Tabelle 79: Ausprägung der Variablen ................................................................. XXVI Tabelle 80: Variablen zur Erfassung der Kreditarten ........................................... XXVII Tabelle 81: Variablen zur Erfassung der Ausprägung in den Kreditarten ........... XXVIII Tabelle 82: Variablen zur Beschreibung der Kredite ............................................ XXIX Tabelle 83: Variablen zur Beschreibung der Art der Sicherheiten ......................... XXX Tabelle 84: Variablen zur Beschreibung der Daten zu den Sicherheiten .............. XXXI Tabelle 85: Übersicht über die signifikanten Variablen der vorgestellten empirischen Arbeiten .............................................................................................................. XXXIX Tabelle 86: Abkürzungen für Bilanzpositionen der Aktivseite .................................. XLI Tabelle 87: Abkürzungen für Bilanzpositionen der Passivseite ............................. XLIII Tabelle 88: Abkürzungen für GuV-Positionen......................................................... XLV Tabelle 89: Kennzahlen zur Bezeichnung aggregierter Größen auf Basis der Jahresabschlussdaten ......................................................................................... XLVIII Tabelle 89: Kennzahlen auf Basis der Jahresabschlussdaten ................................. LIX Tabelle 90: Ausprägung der Variablen .................................................................... LXI Tabelle 91: Variablen empirischer Untersuchungen ............................................... LXV Tabelle 92: Vergleich der Ergebnisse bisheriger empirischer Arbeiten zur Genesungsprognose ............................................................................................. LXIX Tabelle 93: univariat signifikante Variablen auf Basis der Maßnahmen ................. LXX Tabelle 94: Vergleich der Modelle quanqual_Überleben und quanqual_Fortführung .............................................................................................................................. LXXI Tabelle 95: Vergleich der Modelle Maßnahmen_Überleben und Maßnahmen_Fortführung-Überleben ................................................................... LXXII Tabelle 96: Vergleich der Modelle auf Basis der Daten zu den Maßnahmen ..... LXXIV Tabelle 97: Übersicht der Variablen der multivariaten Modelle auf Basis der Maßnahmen und deren Wirkung ........................................................................ LXXVI Tabelle 98: Übersicht der Variablen der multivariaten Modelle auf Basis der quantitativen und qualitativen Daten ................................................................. LXXVIII Tabelle 99: Maßnahmen mit uni- und multivariatem Einfluss .............................. LXXX Tabelle 100: vollständiger Status der Maßnahmen ................................................ XCI VII Abbildungsverzeichnis Abbildung 1: untersuchte Zusammenhänge zwischen den Kategorien der Variablen 5 Abbildung 2: die Krise als Prozess ........................................................................... 12 Abbildung 3: beispielhafter Verlauf einer logistischen Funktion .............................. 102 Abbildung 4: Beispiele für ROC-Kurven.................................................................. 112 Abbildung 5: Abhängigkeit zwischen Odds und Wahrscheinlichkeit ....................... 116 Abbildung 6: untersuchte Zusammenhänge zwischen den Kategorien der Variablen ............................................................................................................................... 120 Abbildung 7: Zusammensetzung der Ausgänge im Datensatz ............................... 126 Abbildung 8: Verteilung der Rechtsformen im Datensatz ....................................... 129 Abbildung 9: Häufigkeit der Branchen .................................................................... 131 VIII 1 Ziel und Gang der Untersuchung Im Jahr 2009 mussten 32.930 Unternehmen in Deutschland Insolvenz anmelden.1 Die Zahl der Unternehmensinsolvenzen nahm im Jahr 2010 um 2,5% ab. Demnach mussten 2010 immer noch 32.100 Unternehmen Insolvenz beantragen.2 Nach Schätzungen der Creditreform beliefen sich die Schäden aus Insolvenzen im Jahr 2010 auf 35,4 Mrd. Euro.3 Der Großteil dieser Insolvenzen findet dabei im Mittelstand statt,4 hier insbesondere im „kleinen“ Mittelstand.5 Unternehmen mit einem Jahresumsatz bis zu 500.000 Euro verzeichneten gemäß Creditreform im Jahr 2010 die höchste Zahl Insolvenzen. Auf die Unternehmen in dieser Größenordnung entfallen über 60% der im Jahr 2010 aufgetretenen Fälle.6 Unternehmen mit einem Jahresumsatz größer 25 Millionen Euro tragen nur noch minimal zu der Gesamtzahl an Insolvenzen bei. Diese Zahlen belegen, dass Insolvenzen nach wie vor ein bestimmendes Thema in der deutschen Wirtschaft sind. Besonders betroffen sind, wie gezeigt wurde, die kleinen und mittelständischen Unternehmen. Die Thematik insolventer oder drohend insolventer Unternehmen spielt für Kreditinstitute eine große Rolle. Die Kredite an Unternehmen machen etwa 40% der gesamten inländischen Kredite der deutschen Banken aus,7 was die Bedeutung dieses Segments für die Banken unterstreicht. Auch für die betroffenen Unternehmen haben die beteiligten Kreditinstitute eine große Bedeutung. Sie sind für die Unternehmen die wichtigste Quelle für liquide Mittel8, und die Mitarbeiter der Bank besitzen oft einen fundierten Einblick in die 1 Vgl. Creditreform (2010a), S. 1 Vgl. Creditreform (2011), S. 23 3 Vgl. Creditreform (2010b), S. 7 4 Vgl. Creditreform (2010a), S. 1 5 Vgl. Creditreform (2010a), S. 8 und S. 19 sowie Creditreform (2010b), S. 8 6 Creditreform (2010b), S. 22 7 Vgl. Deutsche Bundesbank (2010), S. 75 8 Vgl. Bales/Brinkmann (2005), S. 75 2 1 interne Situation des Unternehmens.9 Sowohl im Privat- als auch im Firmenkundenbereich existieren in den Kreditinstituten Sanierungsabteilungen, die speziell insolvente oder drohend insolvente Engagements betreuen. In diesen Abteilungen wird versucht, die Krise des Unternehmens zusammen mit dem Unternehmen zu bewältigen. Scheint ein erfolgreicher Ausgang dieser Sanierung nicht wahrscheinlich, wird das Kreditinstitut das Unternehmen zerschlagen. Die Bestrebungen, eine Krise zu bewältigen werden in diesem Zusammenhang als Sanierung bezeichnet. 10 Eine Sanierung hat drei Komponenten: die finanzielle, die operative und die strategische Sanierung. Im Rahmen der finanziellen Sanierung steht die Liquidität des Unternehmens im Vordergrund. Die operative Sanierung richtet sich verstärkt auf das Ergebnis, setzt also an der Kosten- und Erlösstruktur an. In der strategischen Sanierung schließlich wird eine nachhaltige Sanierung durch den Eintritt in eine neue Wachstumsphase angestrebt. 11 Zu jeder dieser drei Komponenten sind jeweils Maßnahmen vorstellbar, die eine Verbesserung des in der Komponente im Fokus stehenden Elementes Liquidität, Ertrag oder Wachstum bewirken können. Unterschiedliche Maßnahmen können dabei durchaus den gleichen Effekt haben. Wie später noch gezeigt wird, ist beispielsweise die Verbesserung der Liquidität auf verschiedenen Wegen möglich. Auch Verbesserungen der Ertragslage sind, wie später ebenfalls noch beschrieben wird, durch unterschiedliche Maßnahmen umsetzbar. Mitarbeiter der Sanierungsabteilungen stehen damit vor der Frage, welche Maßnahmen eingesetzt werden sollen. Die Entscheidung für eine Maßnahme hängt auf der einen Seite von dem Zustand des zu sanierenden Unternehmens ab. Andererseits muss in die Entscheidung für eine Maßnahme auch die Wirkung dieser Maßnahme auf das Ziel der Sanierung einbezogen werden. Diese Frage, welche Wirkung einzelne Maßnahmen eines Kreditinstitutes auf das Ergebnis der Sanierung haben, ist Kern der hier vorliegenden Arbeit. Es existieren in der Literatur bereits Arbeiten zu diesem Thema. Frühe Untersuchungen stellen Kataloge von Maßnahmen auf und ermitteln die Häufigkeit der Anwendung bestimmter Maßnahmen aus diesem Katalog. Daraus lässt sich jedoch 9 Vgl. Bales/Brinkmann (2005), S. 77 Vergleiche hierzu Punkt 2.2 11 Vgl. Giessler (2006), S. 159ff. 10 2 noch keine Wirkung auf den Erfolg der Sanierung ermitteln und damit auch keine Empfehlung zur Wahl einer Maßnahme aussprechen. 12 Weitere Arbeiten haben versucht, den Einfluss bestimmter Maßnahmen oder Maßnahmenpakete zu untersuchen. Dabei blieb der Katalog an untersuchten Arbeiten meist eher schmal. Der Fokus der Arbeiten liegt darüber hinaus oft auf Maßnahmen, die durch das Unternehmen ergriffen werden. Eine Untersuchung der Maßnahmen aus Sicht des Kreditinstitutes erfolgte bisher auch nicht. Die Fokussierung auf die Perspektive eines Kreditinstitutes ist weiterhin dadurch gerechtfertigt, dass gerade die Kreditinstitute Interesse an solchen Fragestellungen haben, da sie direkt in ihrer Tätigkeit von diesen Themen betroffen sind. Das an der Untersuchung beteiligte Kreditinstitut, dass Einblick in seine Akten und Unterlagen gewährte, auf deren Basis der Datensatz erstellt wurde, hat sich aus Interesse an den aufgeworfenen Fragen zur Mitarbeit entschlossen. Die Erhebung der Daten aus den Unterlagen des Kreditinstitutes bietet mehr Informationen, als das Auswerten von öffentlich verfügbaren Informationen zu Unternehmen, die eine Sanierung durchlaufen. Durch die Fokussierung auf die Perspektive der Bank können Informationen, Einschätzungen und Dokumentationen der bearbeitenden Bank in die Auswertung einbezogen werden. Informationen dieser Art werden in der Regel nicht öffentlich zugänglich gemacht.13 Ein weiterer Punkt, der für das Vorgehen spricht, ist organisatorischer Natur. Das Kreditinstitut bietet zentralen Zugang zu mehreren Fällen. Die Datenerhebung kann hier schneller erfolgen, da die Daten zu verschiedenen Fällen nicht aus zum Teil unterschiedlichen Quellen zusammengetragen werden müssen. Aus den Akten und Unterlagen der Sanierungsabteilungen der Banken kann ein für diese Sichtweise geeigneter Datensatz aufgebaut werden. Durch die Auswertung dieser Datenquellen kann ein Datensatz aufgebaut werden, der es ermöglicht, die Maßnahmen der Kreditinstitute zu untersuchen. Im Rahmen der Sanierung gilt es aus Sicht des Kreditinstitutes, den teilweisen oder vollständigen Ausfall des Kredites zu verhindern.14 Im Laufe der Sanierung zielen die Maßnahmen darauf ab, die Wahrscheinlichkeit einer erfolgreichen Sanierung, also 12 Vgl. Buschmann (2006), S. 54 An dieser Stelle sei auf das Bankgeheimnis verwiesen, dass die Weitergabe kundenbezogener Daten durch ein Kreditinstitut einschränkt. Vgl. Cahn (2004), S. 5. 14 Vgl. Bales/Brinkmann (2005), S. 11 13 3 einer Genesung, zu erhöhen. Es wurde bereits darauf hingewiesen, dass die Wirkung einer Maßnahme auf den angestrebten Ausgang der Sanierung in der Wahl der Maßnahme eine Rolle spielen muss. Hier wird die Frage gestellt, ob eine Maßnahme einen bestimmten Ausgang der Sanierung wahrscheinlicher macht. Kann diese Frage mit „Ja“ beantwortet werden, stellt sich darüber hinaus die Frage, in welchem Ausmaß das Ergebnis der Sanierungsbemühungen beeinflusst wird, wie sehr eine Maßnahme die Wahrscheinlichkeit eines bestimmten Ausgangs verändert. Das Ziel der hier vorliegenden Arbeit besteht darin, die Akten und Unterlagen des kooperierenden Kreditinstituts auszuwerten und einen Datensatz aufzubauen, auf dessen Grundlage anschließend untersucht wird, ob und in welchem Ausmaß die Maßnahmen des Kreditinstitutes in der Sanierung die Wahrscheinlichkeit eines bestimmten Ausgangs der Sanierung beeinflussen. Die Maßnahmen, welche im Rahmen einer Sanierung ergriffen werden können, können nur im Kontext aller relevanten Zusammenhänge untersucht werden. Es handelt sich dabei um den Zusammenhang zwischen den erfassten qualitativen sowie quantitativen Variablen und dem Ergebnis der Sanierung, dem Einfluss der qualitativen sowie quantitativen Variablen auf die Maßnahmen und schlussendlich der Einfluss der vom Kreditinstitut oder Unternehmen ergriffenen Maßnahmen auf das Ergebnis der Sanierung. Damit der eigenständige Beitrag der Maßnahmen ermittelt werden kann, werden zuerst die Auswirkungen der quantitativen und qualitativen Variablen auf das Ergebnis der Sanierung untersucht. Diese Variablen beschreiben den Zustand des Unternehmens zu Beginn der Sanierung. Denkbar sind hier Variablen auf Basis finanzwirtschaftlicher Kennzahlen oder auch Branchenzugehörigkeiten und ähnliches. Durch diesen Schritt wird vermieden, dass der Einfluss, den diese Variablen haben, den Einfluss der Maßnahmen verzerrt. Wenn bestimmt wurde, inwieweit sich das Ergebnis der Sanierung aus den bereits bei Beginn der Sanierung erhebbaren Variablen ableiten lässt, wird in einem zweiten Schritt dann ermittelt, wie die Variablen auf Basis der ergriffenen Maßnahmen das Sanierungsergebnis beeinflussen. Dieser Teil der Auswertung bildet den Kern dieser Arbeit. Es darf bei diesen Betrachtungen jedoch nicht vernachlässigt werden, dass die qualitativen und quantitativen Variablen, welche die Situation und den Zustand des betroffenen Unternehmens beschreiben, die Wahl einer Maßnahme zur Folge 4 haben, in deren Folge im Rahmen der Sanierung ein bestimmtes Ergebnis erreicht wird. Die gewählte Maßnahme ist dann nicht ursächlich für dieses Ergebnis, sondern eine Folge der qualitativen oder quantitativen Variable, die damit den eigentlichen Einfluss auf das Ergebnis ausübt. Dieser Zusammenhang ist der dritte im Rahmen dieser Arbeit untersuchte Sachverhalt. Im Ergebnis dieser Analysen kann bestimmt werden, welchen Einfluss die unterschiedlichen Kategorien an Daten aufeinander und auf das Ergebnis der Sanierung ausüben. Die beschriebenen Abhängigkeiten stellt Abbildung 1 noch einmal dar. Abbildung 1: untersuchte Zusammenhänge zwischen den Kategorien der Variablen Die weitere Arbeit gliedert sich nun wie folgt. Im Anschluss an dieses Kapitel werden sowohl die theoretischen Hintergründe beschrieben, als auch bereits existierende empirische Arbeiten zu dem Themengebiet vorgestellt. Die Ergebnisse der vorzustellenden Daten können im hier zu analysierenden Datensatz ebenfalls Aussagekraft erlangen. Aus dieser Überlegung werden Thesen formuliert, die im Rahmen der Auswertungen überprüft werden. Mit diesen Thesen werden neben der Kernfrage, dem Einfluss der Maßnahmen auf das Ergebnis einer Sanierung, weitere Aspekte überprüft. 5 Im Anschluss an die Beschreibung des theoretischen Rahmens der Arbeit, wird die Methodik dieser Untersuchung dargelegt. Dieses Kapitel beschreibt die Aufbereitung der Daten und deren Transformation in Variablen. Die Daten werden aus den Unterlagen der Sanierungsabteilung eines Kreditinstitutes erhoben. Die Daten werden nicht in der Form ausgewertet, in der sie erhoben wurden. Um eine Auswertung möglich zu machen, muss die Vielzahl der Daten in geeignete Variable transformiert werden. Darüber hinaus werden die statistischen Maße und Methoden vorgestellt und auf ihre Eignung für die hier vorzunehmende Untersuchung geprüft. Im Anschluss an diesen Punkt erfolgt eine kurze Beschreibung des Datensatzes anhand einiger ausgewählter Kriterien. Die Arbeit hat sich zum Ziel gesetzt, den Einfluss von Maßnahmen auf das Ergebnis einer Sanierung zu bestimmen. Dieser Einfluss wird im Kapitel 5 ermittelt. Die einzusetzenden Methoden und die einfließenden Variablen wurden in den vorangegangenen Abschnitten beschrieben. Es wurde bereits ausgeführt, dass der Einfluss der Maßnahmen nicht isoliert ermittelt werden kann. Es kann ebenso ein Einfluss der qualitativen und quantitativen Variablen sowohl auf die Maßnahmen als auch auf das Ergebnis der Sanierung bestehen. Im Kapitel 5 werden Modelle erstellt, die es ermöglichen, die entsprechenden Einflüsse zu quantifizieren. Das sich anschließende Kapitel geht noch einmal auf die Ergebnisse der in Kapitel 5 aufgestellten Ergebnisse ein und geht über die formale Darstellung hinaus. Im letzten Abschnitt wird das Fazit der Überlegungen dieser Arbeit gezogen. 2 Theoretischer Rahmen der Arbeit Zu den einzelnen Teilaspekten, wie sie in der Abbildung 1 dargestellt wurden, existieren diverse Arbeiten, die diese Aspekte entweder theoretisch oder empirisch aufgreifen. Eine Auswahl der relevanten Arbeiten wird vorgestellt. Ziel soll es sein, geeignete Methoden für die hier vorzunehmende Auswertung zu identifizieren und bereits als signifikant ermittelte Einflussfaktoren zu bestimmen. Vor diesem Hintergrund wird der Fokus bei der Auswahl auf empirische Arbeiten gelegt. 6 Kern der Betrachtungen sind Unternehmen, die sich bei der Rückführung ihrer Darlehen und Kredite vor Probleme gestellt sehen, die "in Not" geraten sind. Der Begriff des "Unternehmens" soll eingangs kurz definiert werden. Im Anschluss wird die Notsituation des so festgelegten Unternehmens eingegrenzt. Es erfolgt also eine Beschreibung der unterschiedlichen Stadien einer Krise. Weiterhin werden die Maßnahmen vorgestellt, die durch das Unternehmen und das Kreditinstitut im Rahmen der Sanierung ergreifen können. Daraus werden die Variablen für diese Untersuchung abgeleitet. Weiterhin werden empirische Arbeiten zur Genesungsprognose vorgestellt. Auf Basis dieser Arbeiten werden die Variablen zu den qualitativen und quantitativen Daten bestimmt. 2.1 Die Krise eines Unternehmens Wenn im Folgenden von „Unternehmen“ gesprochen wird, ist damit eine organisatorisch-rechtliche Einheit gemeint, welche erwerbswirtschaftliche Zwecke verfolgt. Diese Unternehmen haben die Rechtsform entweder einer Personen- oder einer Kapitalgesellschaft.15 Nachstehend wird die Krise beschrieben, in dem sich die hier untersuchten Unternehmen befinden. 2.1.1 Der Begriff der Krise Der Begriff der Krise stammt aus dem Altgriechischen. Das Wort "crisis" wird dort als Scheidung, Streit bzw. Entscheidung verstanden. Heute wird dieser Begriff gebraucht, um eine kritische Entwicklung oder die Zuspitzung einer Situation zu beschreiben. 16 Diese Situation hat zwei sich gegenseitig ausschließende Ausgänge. Das Unternehmen kann diese kritische Entwicklung erfolgreich meistern und bleibt als Marktteilnehmer bestehen. Andernfalls scheidet das Unternehmen aus dem 15 16 7 Vgl. Harz/Hub/Schlarb (2006), S. 3 Vgl. Liebig (2010), S. 12 Markt aus. Diese Ambivalenz der möglichen Ergebnisse ist ebenso kennzeichnend für eine Krise.17 Eine Krise tritt ungeplant und ungewollt auf. Sie bedroht die Existenz eines Unternehmens nachhaltig18, also nicht nur vorübergehend19. Die Existenzgefährdung entsteht dadurch, dass wesentliche Ziele des Unternehmens nicht erreicht wurden.20 Dies kam bereits unter dem Begriff der Ambivalenz des Ausgangs der Krise zum Ausdruck. Wird die Krise nicht erfolgreich bewältigt, hat dies das ungeplante Ausscheiden des Unternehmens aus dem Markt zur Folge. 21 Ursache des Ausscheidens sind die ernsthafte Bedrohung der Erfolgspotentiale, des Reinvermögens oder der Liquidität des Unternehmens.22 Das Vorliegen einer Krise stellt hohe Anforderungen an Art und Ausmaß der zur Lösung des Problems erforderlichen Potentiale.23 Im juristischen, genauer im insolvenzrechtlichen Kontext liegt eine Krise dann vor, wenn einer der gesetzlich geregelten Insolvenzgründe eintritt.24 Dabei kann es sich um eine "drohende Überschuldung" nach §18 InsO, "Zahlungsunfähigkeit" nach §17 InsO oder "Überschuldung" nach §19 InsO handeln. Die juristischen Definitionen des Beginns der Krise eignen sich nicht für die betriebswirtschaftliche Anwendung. Wie später noch gezeigt wird, wurden zu diesem Zeitpunkt bereits fast alle Krisenphasen durchlaufen. Der Spielraum ist sehr stark eingeschränkt.25 Zur besseren Beschreibung der Krise muss somit eine andere als die juristische Abgrenzung gefunden werden. Eine kreditgewährende Bank macht eine Krise eines Unternehmens neben den juristisch definierten Punkten zusätzlich an einem weiteren Kriterium fest: die Fähigkeit des Unternehmens, den zu leistenden Kapitaldienst frist- und termingerecht 17 Vgl. Schley (2010), S. 11f. Vgl. Böckenförde (1996), S. 16 19 Vgl. Schley (2010), S. 12 20 Vgl. Buschmann (2006), S. 8 21 Vgl. Schley (2010), S. 12 22 Vgl. Bales/Brinkmann (2005), S. 7 23 Vgl. Böckenförde (1996), S. 15 24 Vgl. Liebig (2010), S. 13 25 Siehe hierzu 2.1.3 18 8 zu erbringen. Kann vom Vorliegen dieser Fähigkeit nicht mehr ausgegangen werden, liegt für eine Bank eine Krise vor.26 Kreditinstitute, insbesondere wenn sie die Funktion der Hausbank übernehmen, können somit nicht allein auf die gesetzlich geregelten Insolvenzursachen bauen. Sie sind bestrebt, eine Krise so zeitig als möglich aufzudecken und notwendige Schritte einzuleiten.27 Die juristisch fixierten Insolvenzgründe kommen in der Regel zu spät zum Tragen.28 Aus diesem Grund werden in den Banken Instrumente installiert, die der Bank das Vorliegen einer Krise signalisieren können. Es wird dabei, wie bereits dargestellt, auf die Fähigkeit zur Erbringung des Kapitaldienstes abgestellt. Die Instrumente stützen sich auf qualitative oder quantitative Daten, bzw. auf eine Kombination aus Daten beider Kategorien.29 Damit beginnt die Krise eines Unternehmens dann, wenn eines der eingesetzten Instrumente dies anzeigt. In der hier vorliegenden Arbeit wird der Beginn einer Krise am Erreichen eines bestimmten Ratings auf Basis qualitativer und quantitativer Daten festgemacht. Das Erreichen einer bestimmten Note in diesem Rating führt dazu, dass eine Krise angenommen wird und dass das Engagement in eine auf die Sanierung spezialisierte Abteilung übergeben wird. Diese Abgrenzung ist für die hier vorliegende Untersuchung besser geeignet als eine Bestimmung der Krise allein aufgrund der juristisch definierten Kriterien. Im Zusammenhang mit dem Thema "Problemkredit" wird oft auch der Begriff "notleidender Kredit" oder "non performing loan" verwendet. Hier sind zwei Sichtweisen möglich. Im engeren Sinne kann "notleidender Kredit" ein Engagement bezeichnen, welches durch das Kreditinstitut bereits gekündigt wurde. Im weiteren Sinne kann damit ein Engagement bezeichnet werden, bei dem die Kündigungsreife 26 Vgl. Semler (2007), S. 20 Vgl. Portisch (2010), S. 36 28 Ihrem Charakter nach greifen diese Kriterien erst in einem späten Stadium der Krise. Siehe hierzu die Ausführungen in 2.1.3 29 Vgl. Portisch (2010), S. 36f. und Semler (2007), S. 24 27 9 besteht.30 Die Bezeichnungen werden in dieser Arbeit nicht eingesetzt und sollen hier nicht tiefer besprochen werden. 2.1.2 Die Ursachen einer Krise In einer Krise sind die Erfolgspotentiale eines Unternehmens, wie dargestellt, ernsthaft gefährdet. Diese Gefährdung der Erfolgspotentiale lässt sich auf bestimmte Ursachen zurückführen. Diese Ursachen werden in diesem Kapitel beschrieben. Die Ursachen einer Krise sind vielfältig. Es kommen hier verschieden Punkte in Betracht. Die häufigste Ursache einer Krise sind Managementfehler. Ihnen werden etwa 80% aller Krisen zugeschrieben.31 Es wurde und wird versucht, die Ursachen anhand geeigneter Kriterien zu systematisieren. Dies ist abschließend und vollständig auf Grund der Komplexität und Vielfalt der Ursachen kaum möglich.32 Ein Versuch dieser Systematisierung wird nachstehend vorgestellt. Die Ursachen einer Krise lassen sich diesem Schema nach in zwei Kriterien systematisieren. Zum einen kann die Ursache im Unternehmen (intern) oder außerhalb des Unternehmens liegen (extern). Zum anderen kann die Ursache durch den Markt oder durch die Wettbewerber des Unternehmens indiziert sein.33 Dies lässt sich zu folgendem Schema zusammenfassen. marktindiziert Extern Nachfragerückgang Intern Überexpansion wettbewerbsindiziert Veränderungen Wettbewerb Ineffizienzen Tabelle 1: Systematisierung der Krisenursachen34 Abzugrenzen von den Ursachen der Krise sind deren Symptome. Diese sind ein Signal für das Vorhandensein der Krise, haben diese jedoch nicht verursacht. Hierbei 30 Vgl. Wirtky (2006), S. 55 Vgl. Buth, Hermanns (2009), S. 136 32 Vgl. Buth, Hermanns (2009), S. 136 33 Vgl. Buth, Hermanns (2009), S. 136 34 Vgl. Buth, Hermanns (2009), S. 136 31 10 kann es sich um Punkte wie geringe Eigenkapitalquote oder Zahlungsengpässe handeln.35 2.1.3 Die Krise als Prozess Hier soll versucht werden, einen Überblick über den Prozess der Krise zu geben. Dazu erfolgt zuerst ein Überblick über die verschiedenen Systematisierungsmöglichkeiten der Krise. Darauf aufbauend wird die Krise näher charakterisiert. Krisen lassen sich nach verschiedenen Kriterien systematisieren. Die Tabelle 2 gibt einen Überblick über mögliche Kriterien und entsprechende Ausprägungen. Kriterium strategische Unternehmensentwicklung Lebenszyklusstadium Krisenursachen Aggregatzustand bedrohte Unternehmensziele Ausprägung Wachstumskrise Stagnationskrise Schrumpfungskrise Gründungskrise Wachstumskrise Alterskrise exogene Krise endogene Krise latente Krise akute Krise Strategiekrise Erfolgskrise Liquiditätskrise Tabelle 2: Klassifikation von Krisen36 In der Literatur fand die Systematisierung nach bedrohten Unternehmenszielen die meiste Verbreitung. Die Krisenarten nach diesem Kriterium werden nachstehend kurz beschrieben. Wie aus Tabelle 2 ersichtlich wird, finden sich für die Krise nach 35 36 Vgl. Buth, Hermanns (2009), S. 136 Vgl. Böckenförde (1996), S. 18 11 bedrohten Unternehmenszielen drei Ausprägungen: Strategiekrise, Erfolgskrise und Liquiditätskrise. In einer strategischen Krise sind die Erfolgspotentiale verbraucht und neue Potentiale wurden nicht erschlossen. Ursache für diese Krise sind Fehler in der strategischen Ausrichtung des Unternehmens.37 In einer Erfolgskrise werden Verluste erwirtschaftet. Die gesetzten Gewinn- oder Rentabilitätsziele werden nicht mehr erreicht.38 Die bedrohlichste Form der Krise ist die Liquiditätskrise. Kann sie nicht abgewendet werden, droht die Insolvenz des Unternehmens.39 Einige Autoren ergänzen in dieser Systematik die Krise nach dem Kriterium der gefährdeten Unternehmensziele um eine vierte Phase. Diese umfasst dann die Insolvenz.40 Eine Krise ist kein statischer Zustand, sondern ein Prozess.41 Folgt man weiterhin der Systematisierung nach bedrohten Unternehmenszielen, lässt sich der Prozess der Krise wie folgt darstellen. Abbildung 2: die Krise als Prozess42 Nicht immer wird der beschriebene Ablauf eingehalten. Die Reihenfolge, in der die einzelnen Krisen durchlaufen werden, wird durch die jeweilige krisenauslösende Ursache bestimmt. Eine finanzwirtschaftliche Fehldisposition kann bspw. direkt zu einer Liquiditätskrise führen, ohne dass eine strategische oder eine Erfolgskrise vorliegt.43 Darüber hinaus kann im Rahmen des beschriebenen Prozesses ein vorgelagertes, bereits durchlaufenes Stadium erneut durchlaufen werden. Aus einer Erfolgskrise kann also wieder eine Strategiekrise werden.44 37 Vgl. Bales/Brinkmann (2005), S. 7 Vgl. Bales/Brinkmann (2005), S. 8 39 Vgl. von der Horst (2000), S. 47 40 Vgl. Galuschge (2008), S. 15 41 Vgl. Böckenförde (1996), S. 18 42 Vgl. Böckenförde (1996), S. 21 43 Vgl. Bales/Brinkmann (2005), S. 8 44 Vgl. Portisch (2010), S. 8 38 12 Die Erkennbarkeit einer Krise nimmt von der strategischen über die Erfolgs- bis zur Liquiditätskrise zu.45 Gleichzeitig nimmt der Handlungsspielraum über die unterschiedlichen Stadien der Krise ab, während der Handlungsbedarf zunimmt.46 Im Laufe des hier beschriebenen Krisenprozesses nimmt die Bedrohung für den Fortbestand des Unternehmens in der Regel zu.47 In der ersten Phase sind die Anzeichen einer vorliegenden Krise kaum wahrnehmbar. Die Erfolgskrise ist schon deutlicher wahrnehmbar. Die Umsätze gehen zurück, die Erträge sinken. 48 In diesen beiden Phasen ist ein aktives oder präven- tives Krisenmanagement möglich.49 Die Liquiditätskrise letztendlich ist nicht mehr zu übersehen.50 Aufgrund des eingeschränkten Handlungsspielraums ist hier nur ein reaktives Krisenmanagement möglich.51 Die Bank, die in einem solchen Unternehmen engagiert ist, steht vor der besonderen Herausforderung, die Krise erst sehr spät entdecken zu können. Meist kann die Bank das Bestehen einer Krise erst im Stadium der Liquiditätskrise feststellen. 52 Damit sind die Möglichkeiten des Kreditinstitutes schon beeinträchtigt. Wie bereits beschrieben, sind die Handlungsmöglichkeiten in diesem Stadium bereits gering. Der Bedarf, einzugreifen ist in dieser Phase, genau wie die Bedrohung des Unternehmensfortbestandes, am größten. Dies bekräftigt die Notwendigkeit für eine Bank, eine eventuelle Krise so früh als irgend möglich zu identifizieren. Je eher die Bank eine sich abzeichnende Krise erkennt, umso mehr Einflussmöglichkeiten hat die Bank. Nach dem in diesem Kapitel beschrieben wurde, welcher Prozessstufen eine Krise durchlaufen kann, soll nun die Frage im Vordergrund stehen, wie die nun manifestierte Krise bewältigt werden kann. 45 Vgl. Bales/Brinkmann (2005), S. 9 Vgl. Buth, Hermanns (2009), S. 205 47 Vgl. Böckenförde (1996), S. 22 48 Vgl. Liebig (2010), S. 30 49 Vgl. Liebig (2010), S. 69 50 Vgl. Liebig (2010), S. 30 51 Vgl. Liebig (2010), S. 69 52 Vgl. Portisch (2010), S. 8 46 13 2.2 Die Sanierung als Bewältigung einer Unternehmenskrise Das Bestehen einer Krise wurde anhand der beschriebenen Kriterien festgestellt. Die beteiligten Parteien, namentlich das Unternehmen und das Kreditinstitut sind nun bestrebt, die bestehende Krise zu bewältigen. Die Bewältigung einer Krise hat mehrere Elemente. Es kann unterschieden werden in das prozessuale Element, das inhaltliche Element und das institutionelle Element. Das erste Element beinhaltet Überlegungen dazu, wie die Krisenbewältigung erfolgen soll. Das inhaltliche Element prüft, welche Schritte unternommen werden. Die Frage, wer die Sanierung durchführt, ist ein Bestandteil des institutionellen Elementes.53 Hier soll untersucht werden, welchen Wert Maßnahmen in der Sanierung haben. Diese Frage lässt sich der hier vorgestellten Unterteilung folgend dem inhaltlichen Element zuordnen. Die nachstehenden Ausführungen fokussieren daher auf dieses inhaltliche Element. Die beiden anderen Elemente werden hier nicht betrachtet. Werden nun durch die beteiligten Parteien Maßnahmen ergriffen, um die Krise bzw. den Zusammenbruch abzuwenden, spricht man oft von „Sanierung“.54 Der Ursprung der "Sanierung" liegt im Lateinischen. Das Wort "sanare" hieß so viel wie heilen oder gesund machen.55 Der Begriff „Sanierung“ in der heutigen Verwendung kann dabei zwei Ansätzen folgen. Bei dem eher eng gefassten Begriff der Sanierung umfasst diese lediglich die finanzwirtschaftlichen Maßnahmen. Wird der Begriff Sanierung weiter gefasst, werden alle Maßnahmen zur Gesundung eingeschlossen.56 Eine andere Unterscheidung betrachtet die Sanierung im weiteren Sinne als Gesamtheit aller Maßnahmen, die der Gesundung des Unternehmens dienen sollen. Damit folgt diese Differenzierung den bereits gemachten Ausführungen. Die Sanierung im engeren Sinne wird nach der zweiten Sichtweise dann angenommen, wenn die Krise den Bestand des Unternehmens ernsthaft gefährdet. 57 Die Unterscheidung stellt dabei also nicht auf den Bereich ab, in dem Maßnahmen ergriffen werden, sondern wird am Krisenstadium festgemacht. 53 Vgl. Zirener (2005), S. 41 Vgl. Bales/Brinkmann (2005), S. 10 55 Vgl. Portisch (2010), S. 9 56 Vgl. Böckenförde (1996), S. 7 57 Vgl. Galuschge (2008), S. 13 54 14 Bevor Maßnahmen zur Bewältigung einer vorliegenden Krise ergriffen werden, erfolgt in der Regel die Prüfung des Unternehmens auf Sanierungsfähigkeit und Sanierungswürdigkeit. Werden beide Prüfungen positiv beendet, werden die Beteiligten Maßnahmen zur Gesundung ergreifen und die Sanierung beginnen.58 Im Rahmen der vorliegenden Arbeit wird als „Sanierung“, der weiten Definition folgend, die Gesamtheit aller Maßnahmen verstanden, die zur Gesundung des Unternehmens beitragen sollen. Wird anstelle einer Gesundung eine Abwicklung des Unternehmens angestrebt, wird von einer Zerschlagung gesprochen. Im Zusammenhang mit Sanierung werden oft weitere Begriffe verwandt. So wird in dem Zusammenhang auch von „Turnaround“ gesprochen. Dieser Begriff soll, in Anlehnung an Galuschge (2008) den Zeitpunkt beschreiben, an dem das Ziel der Sanierung, die Änderung der Entwicklung hin zum Positiven, erreicht wird. 59 Im Zusammenhang mit Sanierungen wird ebenso häufig der Begriff „Reorganisation“ verwandt. Eine Reorganisation bezieht sich auf den Aufbau und den Ablauf der Organisation. Als Synonym für die Sanierung ist dieser Begriff zu ungenau.60 Im Laufe dieser Arbeit wird als Reorganisation die Umstrukturierung eines Unternehmens in Bezug auf Rechtsform, Geschäftsfeld oder räumliche Ausdehnung des Unternehmens im Rahmen einer Sanierung bezeichnet. Damit ist die Reorganisation im Folgenden ein Ausgang, der im Rahmen einer Sanierung erreicht werden kann. Einen zweiten möglichen Ausgang im Rahmen der Sanierung soll die Fortführung darstellen. Die Sanierung verlief erfolgreich und das betroffene Unternehmen bleibt bestehen. Es erfolgen keine Umstrukturierungen, wie sie in der Reorganisation vorgenommen werden. Beide Ausgänge, Fortführung und Reorganisation, werden in dem Ausgang "Überleben" zusammengefasst. Den Gegenpol hierzu bildet die Zerschlagung. Erscheint die Sanierung des Unternehmens nicht möglich, kommt es zu der Zerschlagung. Dies erfolgt meist im Rahmen einer Insolvenz. 61 Das Kreditinstitut wird 58 Vgl. Harz/Hub/Schlarb (2006), S. 8 Vgl. ebenda, S. 14 60 Vgl. Galuschge (2008), S. 14 61 Vgl. Harz/Hub/Schlarb (2006), S. 8 59 15 die ihm eingeräumten Sicherheiten verwerten um so die aufgelaufenen Inanspruchnahmen zurückzuführen.62 Die bis hier gemachten Ausführungen sollen den notwendigen theoretischen Rahmen setzen für die noch folgenden Analysen. Tiefergehende Betrachtungen der aufgezählten Elemente unterbleiben an dieser Stelle, da der Rahmen in dieser Form für die empirischen Auswertungen ausreichend scheint. 2.3 Maßnahmen in einer Krisenbewältigung 2.3.1 Systematisierung der Maßnahmen Die Untersuchung soll sich nicht nur auf die Maßnahmen konzentrieren, die das Kreditinstitut ergreift. Es werden auch Maßnahmen betrachtet, die das betroffene Unternehmen ergreift. Die Maßnahmen, die im Rahmen einer Sanierung ergriffen werden können, lassen sich zum einen in strategische und operative Maßnahmen unterteilen. Andere Autoren unterteilen die Maßnahmen in finanzwirtschaftliche, leistungswirtschaftliche und strategische Maßnahmen.63 Im weiteren Verlauf der Arbeit wird dieser Unterteilung gefolgt. Die Maßnahmen werden in eine der drei genannten Kategorien eingeordnet. Der überwiegende Teil der Fachliteratur zum Thema Krisenbewältigung stellt in seinen Betrachtungen auf die Sanierung ab. Wenn ein Kreditinstitut von einem Gelingen der Sanierung nicht überzeugt ist, wird es Maßnahmen ergreifen, die dazu dienen, die Inanspruchnahme schnell zurückzuführen. Wenn ein Überleben des Unternehmens nicht als wahrscheinlich angenommen wird, kann die Inanspruchnahme durch Verwertung der bestellten Sicherheiten zurückgeführt werden. Nach Verwertung der Sicherheiten können noch bestehende Forderungen im Rahmen einer Insolvenz eingefordert werden. Da dies bedeutet, dass Vermögensgegenstände des Unternehmens veräußert werden, hat das das Ende der Unternehmung zur Folge. Die Maßnahmen, die im Rahmen einer Zerschlagung ergriffen werden können, werden nur in geringem Umfang systematisiert oder empirisch geprüft. Der zugrunde liegende Datensatz erlaubt es, Maßnahmen zu 62 63 Vgl. Semler (2007), S. 21 Vgl. von der Horst (2000), S. 38 16 untersuchen, die ergriffen werden, wenn eine Zerschlagung des Unternehmens unabwendbar scheint. In den nachstehenden Abschnitten werden die Maßnahmen in den unterschiedlichen Bereichen, die sowohl durch das Unternehmen als auch durch das die Sanierung begleitende Kreditinstitut ergriffen werden können, näher beschrieben. 2.3.2 Durch das Unternehmen ergriffene Maßnahmen Die Maßnahmen, die ein Unternehmen in einer Krise ergreifen kann, beziehen sich auf unterschiedliche Bereiche, wie bereits angedeutet wurde. Bei den Bereichen handelt es sich hierbei um den finanzwirtschaftlichen, den leistungswirtschaftlichen und den strategischen Bereich. Nachstehend folgen die Beschreibungen der Bereiche und der zugehörigen Maßnahmen. 2.3.2.1 Maßnahmen im finanzwirtschaftlichen Bereich Im finanzwirtschaftlichen Bereich werden Maßnahmen betrachtet, die dazu beitragen, die drohende Insolvenz oder Überschuldung zu vermeiden. Sie beziehen sich auf die Kapitalstruktur bzw. auf die Liquidität des Unternehmens und zielen somit auf eine Beseitigung der Liquiditätskrise.64 Maßnahmen in diesem Bereich zielen in erster Linie darauf ab, Zahlungsunfähigkeit und Überschuldung zu vermeiden. Das Eintreten dieser insolvenzrechtlichen Tatbestände soll verhindert werden.65 Die erfolgreiche Umsetzung finanzwirtschaftlicher Maßnahmen schafft die Voraussetzung, um mit leistungswirtschaftlichen und strategischen Maßnahmen die Sanierung erfolgreich abzuschließen.66 Um Maßnahmen in diesem Bereich zu systematisieren, bietet es sich an, in einem ersten Schritt die Maßnahme der Innen- oder der Außenfinanzierung zuzuordnen. Jede Maßnahme kann entweder liquiditätsfördernd oder bilanzbereinigend wirken.67 Eine zweite Systematisierung stellt auf die Einbeziehung unternehmensexterner Parteien ab. Ist zur Umsetzung einer Maßnahme die Zustimmung einer dritten Partei 64 Vgl. von der Horst (2000), S. 38f. Vgl. Buschmann (2006), S. 42 66 Vgl. Buschmann (2006), S. 59 67 Vgl. Buschmann (2006), S. 59 65 17 notwendig, spricht man von heteronomen Maßnahmen.68 Kann das Unternehmen eine Maßnahme ohne eine dritte Partei umsetzen, spricht man von autonomen Maßnahmen69. Die Tabelle 3 zeigt die so entstehende Matrix und gibt für jede Kombination entsprechende Beispiele. Die Bedeutung der Maßnahmen im finanzwirtschaftlichen Bereich bekräftigt das Ergebnis der Studie von Galuschge (2008). Im Rahmen dieser Arbeit wurde festgestellt, dass 22,5% der ergriffenen Maßnahmen auf den hier betrachteten finanzwirtschaftlichen Bereich entfielen (zum Vergleich 64,4% im noch folgenden leistungswirtschaftlichen Bereich).70 Der finanzwirtschaftliche Bereich ist damit zwar nicht der Kern der Sanierungsbemühung. Die Anzahl der hier ergriffenen Maßnahmen zeigt aber, dass dieser Bereich bei einer erfolgreichen Sanierung nicht zu vernachlässigen ist. Der Schluss, von der Relation der in diesem Bereich ergriffenen Maßnahmen zu der Zahl der in anderen Bereichen ergriffenen Maßnahmen auf die Bedeutung des Bereiches für den Erfolg der Sanierung scheint dennoch nicht gerechtfertigt. Buth und Hermanns (2008) ermitteln in ihrer Untersuchung, dass bei 54% der befragten Unternehmen zusätzlicher Kapitalbedarf entstand71 und so Maßnahmen im finanzwirtschaftlichen Bereich notwendig wurden. 19% der von ihnen befragten Unternehmen gaben an, dass eine Verbesserung der Kapitalstruktur, die ebenfalls diesem Bereich zuzuordnen ist, die wichtigste Maßnahme im Rahmen der Sanierung darstellt. 72 Wie sich hier bereits zeigt, ist eine Betrachtung der Maßnahmen über die Häufigkeit ihrer Ergreifung oder der ihnen zugesprochenen Bedeutung nicht ausreichend. Wie oft eine Maßnahme ergriffen wird, sagt nichts über ihren expliziten Einfluss auf das Ergebnis der Sanierung aus. Der Schluss scheint nahe liegend, dass häufig ergriffenen Maßnahmen auch einen hohen Einfluss auf das Ergebnis der Sanierung haben. Nur dieser Einfluss kann auf diesem Weg nicht gemessen werden. Nähert 68 Vgl. Böckenförde (1996), S. 157f. Vgl. Böckenförde (1996), S. 139 70 Vgl. Galuschge (2008), S. 29 71 Vgl. Buth, Hermanns (2008), S. 8 72 Vgl. Buth, Hermanns (2008), S. 8 69 18 man sich der Frage nach dem Einfluss auf einem anderen Weg und befragt Beteiligte, welche Bedeutung sie bestimmten Maßnahmen beimessen, wird der Einfluss ebenfalls noch nicht konkretisiert. Darüber hinaus liegt der individuell beigemessenen Bedeutung kein übertragbares, objektives Kriterium zugrunde. Die bisher aufgeführten Untersuchungen untersuchen lediglich die Häufigkeit bestimmter Maßnahmen oder deren subjektive Bedeutung. Es wird hier noch keine Verbindung zum Ausgang der Sanierungsbemühungen hergestellt. Damit liefern diese Arbeiten ein erstes Bild über die Maßnahmen in einer Sanierung, sie sind jedoch nicht geeignet, die hier zu beantwortenden Frage nach dem Einfluss der Maßnahmen auf das Ergebnis der Sanierungsbemühungen zu beleuchten. Hambrick und Schecter (1983) bestimmen den Einfluss bestimmter Maßnahmen nicht nur allein über ihre Häufigkeit, sondern sie untersuchen mittels linearer Regression den Zusammenhang, den verschiedene Maßnahmen zur Verbesserung des Return on Investment (ROI)73 haben.74 Verringerungen des Forderungsbestandes und der Vorräte, welche zu den finanzwirtschaftlichen Maßnahmen zu zählen sind, weisen nach dieser Studie einen positiven Zusammenhang zu einem verbesserten ROI auf.75 In dieser Arbeit wird ein funktionaler Zusammenhang hergestellt zwischen Maßnahmen und einer Variable, die den Erfolg der Sanierung abbilden soll. Damit stellen die Autoren nicht auf das tatsächlich erzielte Ergebnis der Sanierung ab, sondern verwenden eine beobachtbare Variable, deren Entwicklung sie als Zeichen eines Erfolges interpretieren. Sudarsanam und Lai (2001) prüfen ebenfalls den Einfluss verschiedener Maßnahmen auf den Erfolg76 einer Sanierung. Im Rahmen einer logistischen Regression überprüfen sie verschiedene Maßnahmen.77 Als Maßnahmen im finanzwirtschaftlichen Bereich nehmen sie folgende auf: dividend change, equity issue und debt 73 Die Autoren interpretieren eine bestimmte Entwicklung des ROI als Zeichen einer erfolgreichen Sanierung. Vgl. Hambrick, Schecter (1983), S. 238 74 Vgl. Hambrick, Schecter (1983), S. 238 75 Vgl. Hambrick, Schecter (1983), S. 239 76 Der Erfolg der Sanierung wird hier am Erreichen eines bestimmten Z-Scores festgemacht. Vgl. Sudarsanam, Lai (2001), S. 188 77 Vgl. ebenda, S. 196 19 restructuring.78 Lediglich eine Änderung der Dividenden, also dividend change, hat einen positiven Einfluss auf die Wahrscheinlichkeit, die Sanierung erfolgreich zu beenden. Diese Maßnahme erreicht jedoch kein ausreichendes Signifikanzniveau. Alle anderen genannten Maßnahmen verringern die Wahrscheinlichkeit einer erfolgreichen Sanierung bei jeweils unterschiedlichen Signifikanzniveaus.79 Auch in dieser Arbeit kann nicht das tatsächliche Ergebnis der Sanierung einbezogen werden. Die Autoren weichen ebenfalls auf eine Variable aus, deren Entwicklung sie als Näherung für Erfolg oder Nichterfolg in der Sanierung heranziehen. Weiterhin bleibt anzumerken, dass lediglich 3 Maßnahmenbündel80 im finanzwirtschaftlichen Bereich getestet werden. Der Einfluss der einzelnen im Bündel enthaltenen Maßnahmen wird in dieser Arbeit nicht explizit betrachtet. Robbins und Pearce (1992) gehen der Frage nach, welchen Einfluss ein sogenanntes „retrenchment“ auf den Erfolg einer Sanierung hat. Als „retrenchment“ bezeichnen sie Maßnahmen, die auf eine Reduzierung der Vermögensgegenstände bzw. Assets oder auf eine Reduzierung der Kosten zielen. Den Erfolg der Sanierung messen sie als Änderung des ROI. Der Einfluss der Maßnahme wird über ein Regressionsmodell ermittelt. Im Ergebnis stellen sie fest, dass eine Reduzierung von Assets und Kosten einen positiven Einfluss auf das Ergebnis der Sanierung hat. 81 Aus dieser Studie lässt sich ein Einfluss der Reduzierung der Assets, der nach der hier vorgenommenen Unterscheidung den finanzwirtschaftlichen Maßnahmen zuzuordnen wäre, nicht einzeln bestimmen. Die Autoren betrachten, ähnlich zu der Arbeit von Sudarsanam und Lai (2001), ein Bündel aus Maßnahmen. Der Einfluss einzelner Maßnahmen, die hier zusammengefasst wurden, wurde nicht einzeln bestimmt. Dennoch bleibt festzuhalten, dass eine Reduzierung der Assets offenbar das Ergebnis der Sanierung positiv beeinflusst. Auch in dieser Studie kann das Ergebnis der Sanierung nicht als „erfolgreich“ oder „nicht erfolgreich“ erfasst werden. Als Näherung für eine erfolgreiche Sanierung wird durch die Autoren erneut der ROI herangezogen. 78 Vgl. Sudarsanam, Lai (2001), S. 189 Vgl. Sudarsanam, Lai (2001), S. 189 80 Vgl. Sudarsanam, Lai (2001), S. 189 81 Vgl. Robbins, Pearce (1992), S. 296 79 20 Finanzwirtschaftliche Maßnahmen Innenfinanzierung Liquiditätsfördernd Anlagevermög Umlaufvermögen/ en Working Capital Außenfinanzierung Eigenkapitalgeber Desinvestition Abbau Vorräte Kapitalerhöhung Reduzierung Abbau Kürzung/Streichung Investitionen Forderungen Dividenden Sale-andlease-back Aufbau Lieferanten- Gesellschafterdarlehen verbindlichkeiten Fremdkapitalgeber Beiträge weiterer Stakeholder Stundung Stundung von Verbindlichk. Zahlungen Erhöhung Kredite Subventionen, Bürgschaften Factoring, ABS, Lohn- u. Leasing Gehaltsverzicht Mezzanine Aufbau stiller Bilanz- Reserven Auflösung stiller Reserven Kapitalherabsetzung bereinigend Forderungsverzicht Forderungsverzicht Rangrücktritt Debt Equity Swap autonome Maßnahmen heteronome Maßnahmen Tabelle 3: Systematik finanzwirtschaftlicher Maßnahmen 82 82 eigene Darstellung in Anlehnung an: Buschmann (2006), S. 59, Böckenförde (1996), S. 139 und Böckenförde (1996), S. 157f 21 Das Ergebnis der Studie von Robbins und Pearce bestätigen Barker und Mone (1994). Hier wird speziell der Einfluss der Reduzierung der Assets untersucht. Firmen in diesem Datensatz, die Maßnahmen zur Reduzierung der Assets ergreifen, haben höhere Zuwächse im ROI.83 Damit wird der Einfluss der Maßnahmen zur Reduzierung der Assets explizit bestimmt. Barker und Mone weisen jedoch darauf hin, dass Änderungen des ROI ein nur zum Teil zuverlässiges Bild des Sanierungserfolgs zeichnen. In ihrer Studie zeigen sie, dass Firmen, die Maßnahmen zum „retrenchment“ ergreifen, keine signifikant bessere Performance zeigen, also in etwa gleiche ROI aufweisen, wie Firmen, die diese Maßnahmen nicht ergreifen.84 Die Autoren stellen selbst fest, dass die Beobachtung des ROI keine zuverlässigen Aussagen über den Erfolg der Sanierung generieren kann. Die vier letztgenannten Studien sind sich darin gleich, dass sie versuchen, einen funktionalen Zusammenhang herzustellen zwischen Maßnahmen und dem Ergebnis der Sanierung. Damit überwinden sie Schwächen der eingangs vorgestellten Arbeiten. Die Autoren können den tatsächlichen Ausgang der Sanierung nicht explizit bestimmen und weichen auf eine Variable aus, die in ihren Augen eine Näherung für diese Aussage darstellt. Es handelt sich bei dieser Variable um den ROI. Weiterhin bleibt anzumerken, dass zum einen keine systematische Analyse einer Vielzahl von Variablen auf Basis der Maßnahmen erfolgt, sondern oft nur einige Maßnahmen oder gar Maßnahmenbündel getestet werden. Eine sehr ausführliche Untersuchung zum Einfluss der Maßnahmen auf den Erfolg einer Sanierung liegt mit der Arbeit Schleys (2010) vor85. Im Rahmen eines kausalanalytischen Vorgehens werden mittels eines linearen Strukturgleichungsmodells Erfolgsfaktoren einer Sanierung ermittelt.86 In der ersten Sanierungsphase, die die finanzwirtschaftliche Sanierung umfasst87, wird ein positiver Einfluss finanzwirt83 Vgl. Barker, Mone (1994), S. 400 Vgl. Barker, Mone (1994), S. 401 85 Gegenstand dieser Untersuchung sind deutsche Unternehmen. Auf Grundlage der Dafne Datenbank wurden 253 Unternehmen identifiziert, die im Zeitraum 1998 bis 2006 eine Krise durchliefen, wobei das Vorliegen einer Krise und deren Bewältigung an der Ausprägung finanzwirtschaftlicher Kennzahlen, Return on Investment und Netto Cash Flow festgemacht wurde. Vgl. Schley (2010), S. 223ff. 86 Vgl. Schley (2010), S. 4 und S. 7 87 Vgl. Schley (2010), S. 202f. 84 22 schaftlicher Maßnahmen auf den Erfolg der Sanierung ermittelt.88 Unter den verschiedenen Maßnahmen aus diesem Bereich erlangt insbesondere die Verwertung von Anlagevermögen zur Stärkung der Liquidität Signifikanz in dieser Phase.89 Auch in der zweiten Phase, deren Ziel die leistungswirtschaftliche Sanierung darstellt, erlangen finanzwirtschaftliche Maßnahmen signifikanten Einfluss auf den Sanierungserfolg.90 Anstelle der Verwertung der Assets ist es nun jedoch die Reduzierung des Working Capitals, die den Erfolg offenbar beeinflusst. 91 In der letzten Phase, welche sich auf die strategische Sanierung konzentriert, haben finanzwirtschaftliche Maßnahmen keinen signifikanten Einfluss auf den Erfolg der Sanierung.92 Wenngleich diese Arbeit den Fokus stark auf einzelne Maßnahmen legt und deren Einfluss untersucht, kann auch hier nicht auf das Ergebnis der Sanierung zurückgegriffen werden. In dieser Arbeit kommt erneut eine Variable zum Einsatz, die als Indikator für den Erfolg der Sanierung betrachtet wird. In diesem konkreten Fall wird der Return on Investment und der Netto Cash Flow herangezogen. Finanzwirtschaftliche Maßnahmen im Allgemeinen haben, wie die genannten Studien zeigen, offenbar einen positiven Einfluss auf den Erfolg der Sanierungsbemühungen. Eine Verallgemeinerung dieser Aussage erscheint nicht ohne weiteres möglich. Zum einen werden die Variablen jeweils unterschiedlich operationalisiert, zum Teil werden Maßnahmebündel als eine Einflussgröße getestet. Zum anderen ist die Zielgröße, deren Beeinflussung durch die Maßnahmen untersucht wird, unterschiedlich. Kann davon ausgegangen werden, dass finanzwirtschaftliche Maßnahme grundsätzlich einen positiven Einfluss auf die Wahrscheinlichkeit haben, eine Sanierung erfolgreich zu absolvieren? Es scheint durchaus plausibel, dass Maßnahmen in diesem Bereich auch in dem hier untersuchten Datensatz einen Einfluss auf den Erfolg der Sanierung haben. Diese Annahme soll über die folgende These 1 geprüft werden. These 1: Maßnahmen im finanzwirtschaftlichen Bereich haben einen positiven Einfluss auf den Erfolg einer Sanierung. 88 Vgl. Schley (2010), S. 270 Vgl. Schley (2010), S. 270 90 Vgl. Schley (2010), S. 277 91 Vgl. Schley (2010), S. 277 92 Vgl. Schley (2010), S. 283 89 23 Die in diesem Abschnitt zitierten Arbeiten ermöglichen Aussagen zum anzustrebenden Design der hier vorliegenden Untersuchung. Aus den ersten Studien zu diesem Thema ergibt sich die Notwendigkeit, den expliziten Einfluss der Maßnahmen auf das Ergebnis einer Sanierung nicht allein über die Häufigkeit der Anwendung zu bestimmen. Maßnahmen, die häufig ergriffen werden, haben nicht zwangsläufig eine positive Auswirkung auf das Ergebnis. Selbst wenn bestimmte Maßnahmen in einer Gruppe der Untersuchung häufiger angewandt wird, als in der jeweils anderen Gruppe, kann daraus nicht auf einen bestimmten Einfluss der Maßnahme geschlossen werden.93 Wie die Ergebnisse der vorgestellten Studie weiterhin zeigen, sind auf der Ebene konkreter Maßnahmen im finanzwirtschaftlichen Bereich noch keine allgemeinen Aussagen möglich. In jeder Studie erreichen jeweils andere Maßnahmen ausreichend Aussagekraft. Die unterschiedlichen Ergebnisse in den einzelnen Studien lassen sich zum Teil auf divergierende Methoden zurückführen. Zum anderen führen auch unterschiedliche Operationalisierungen der einfließenden Variablen zu dieser Divergenz. Die Frage, nach dem Einfluss konkreter finanzwirtschaftlicher Maßnahmen ist damit noch nicht eindeutig beantwortet. Dieser Frage soll im Rahmen dieser Arbeit detaillierter nachgegangen werden. Um der Einschränkung unterschiedlicher Operationalisierungen zu begegnen, wird in dieser Arbeit eine möglichst große Anzahl an unterschiedlicher Variablen erstellt und getestet. Finanzwirtschaftliche Maßnahmen allein sind jedoch nicht ausreichend, um ein Unternehmen langfristig eine Überleben zu sichern. Die zukünftige Ertragskraft des Unternehmens kann so nicht gewährleistet werden.94 Aus diesem Grund werden im folgenden Kapitel Maßnahmen vorgestellt, die im leistungswirtschaftlichen Bereich ergriffen werden können. 93 Sudarsanam und Lai (2001) ermitteln beispielsweise, dass die Maßnahme dividend change in der Gruppe der nicht erfolgreich sanierten Unternehmen signifikant häufiger angewandt wurde als in der Gruppe der erfolgreich sanierten Unternehmen. Vgl. ebenda, S. 192. Der Schluss läge nahe, dass dividend change demnach den Erfolg negativ beeinflusst. Jedoch wird für diese Maßnahme ein positiver Einfluss auf das Ergebnis der Sanierung im Rahmen der logistischen Regression ermittelt. Vgl. ebenda, S. 196. 94 Vgl. Zirener (2005), S. 51 24 2.3.2.2 Maßnahmen im leistungswirtschaftlichen Bereich Maßnahmen aus diesem Bereich beziehen sich auf den Leistungsbereich eines Unternehmens. Im Fokus stehen hier die Leistungserstellung und die Leistungsverwertung.95 Leistungswirtschaftliche Maßnahmen zielen darauf ab, die Ergebniskrise abzuwenden96, das Augenmerk liegt auf den Aufwendungen und Erträgen, bzw. Kosten und Erlösen97. Durch diese Maßnahmen soll die Profitabilität98, bzw. die betriebliche Effizienz und Effektivität99 des Unternehmens wieder hergestellt werden. Eine Unterscheidung in autonome und heteronome Maßnahmen, wie sie bei den finanzwirtschaftlichen Maßnahmen erfolgte, ist hier nicht angebracht. Ein Unternehmen kann Änderungen im Leistungserstellungs- oder Leistungsverwertungsprozess jederzeit ohne Einbeziehung einer externen Person vornehmen. In seiner empirischen Untersuchung ermittelt Galuschge, dass 64,4% aller genannten Maßnahmen dem ertragswirtschaftlichen, also leistungswirtschaftlichen Bereich zuzuordnen sind.100 Dies unterstreicht die Bedeutung dieses Bereiches für die Sanierung eines Unternehmens. Grundsätzlich kann man in diesem Bereich in Maßnahmen zur Umsatzsteigerung und Maßnahmen zur Kostensenkung unterscheiden. Auf einer weiteren Ebene lassen sich diese Kategorien jeweils weiter unterscheiden in operative Maßnahmen, die eher einen kurzfristigen Fokus haben, und in strukturelle Maßnahmen. 101 Die sich hieraus ergebende Systematisierung der Maßnahmen im leistungswirtschaftlichen Bereich wird in Tabelle 4 zusammengefasst. Maßnahmen im leistungswirtschaftlichen Bereich Umsatzsteigerung 95 Vgl. Wöhe, Döring (2008), S. 283 Vgl. Kall (1999), S 128 97 Vgl. Kall (1999), S. 129 98 Vgl. Buschmann (2006), S. 42 99 Vgl. Schley (2010), S. 90 100 Vgl. Galuschge (2008), S. 29 101 Vgl. Buschmann (2006), S. 54 96 25 Kostensenkung Operativ Verkaufsförderung Preisgestaltung Marketingaufwand strukturell Anpassung im Marketing Operativ Strukturell Senkung des Sortiments- Personal- bereinigung aufwandes Anpassung im Senkung des Vertrieb Materialaufwandes Standortschließung Senkung der Produktions- Abschreibungen verlagerung Senkung der sonstigen betrieblichen Outsourcing Aufwendungen Senkung der Zinsaufwendungen Tabelle 4: Systematik leistungswirtschaftlicher Maßnahmen102 Zur Umsatzsteigerung sind als operative Maßnahmen solche zur Verkaufsförderung, Preisgestaltung oder Marketingaktivitäten möglich.103 Ziel dieser operativen Maßnahmen ist, die abgesetzte Menge der Produkte zu erhöhen, oder einen höheren Preis für die abgesetzten Produkte zu erzielen. 104 Als strukturelle Maßnahmen sind Anpassungen im Vertrieb bzw. im Marketing105 bzw. das Erschließen neuer Potentiale über neue Produkte oder neue Absatzwege möglich. 106 Umsatzsteigernde Maßnahmen können neben einer Ergebnisverbesserung auch eine Entspannung oder Verbesserung der Liquidität des Unternehmens bewirken. 107 Eine Reduktion der Assets, was als finanzwirtschaftliche Maßnahme beschrieben wurde, führt in der Folge zu einer Verringerung der Abschreibungen. Aus einer 102 eigene Darstellung in Anlehnung an Buschmann (2006), S. 54 und Coenenberg (1997), S. 316 Vgl. Buschmann (2006), S. 54 104 Vgl. Galuschge (2008), S. 30 105 Vgl. Buschmann (2006), S. 54 106 Vgl. Galuschge (2008), S. 30 107 Vgl. Schley (2010), S. 91 103 26 finanzwirtschaftlichen Maßnahme resultiert somit in späteren Perioden eine leistungswirtschaftliche Maßnahme. Es ergeben sich also Überschneidungen zu und Wechselwirkungen mit den finanzwirtschaftlichen Maßnahmen. In empirischen Arbeiten konnte wiederholt nachgewiesen werden, dass umsatzsteigernde Maßnahmen den Erfolg einer Sanierung positiv beeinflussen. 108 Der Einfluss kostensenkender Maßnahmen wurde ebenfalls in diversen Arbeiten überprüft, die Ergebnisse sind jedoch nicht so eindeutig wie für umsatzsteigernde Maßnahmen.109 Die bereits zitierte Studie110 von Hambrick und Schecter (1983) kann beispielsweise keinen Einfluss einer Kostensenkung ermitteln.111 Robbins und Pearce (1992) ermitteln in ihrer Studie einen positiven Einfluss des Maßnahmebündels „Kostenreduktion und Verringerung der Assets“. 112 Der Einfluss der Kostenreduktion allein ist im Nachgang nicht mehr ermittelbar. Barker und Mone (1994) bauen auf der Studie von Robbins und Pearce (1992) auf. Sie bestätigen den signifikanten Einfluss von Kostenreduktionen auf eine Verbesserung der ROI. 113 Auch hier muss erneut angemerkt werden, dass zum einen das Ergebnis der Sanierung nicht explizit gemessen wird, sondern über eine andere Variable angenähert wird. Darüber hinaus werden teilweise Bündel an Maßnahmen getestet, die im Ergebnis keine Aussage darüber zulassen, welchen Einfluss eine konkrete Maßnahme nun hat. Auch Schley (2010) überprüft in seiner Arbeit mit Hilfe eines linearen Strukturgleichungsmodells den Einfluss leistungswirtschaftlicher Maßnahmen auf den Erfolg in einer Sanierung.114 Seine kausalanalytische Untersuchung ermittelt für die erste Sanierungsphase115 einen positiven, jedoch nicht signifikanten Einfluss der leistungswirtschaftlichen Maßnahmen in der Gruppe der erfolgreich sanierten Unternehmen.116 In der Gruppe der nicht erfolgreich sanierten Unternehmen haben leistungswirtschaftliche Maßnahmen in dieser Phase einen signifikant negativen Einfluss 108 Vgl. Schley (2010), S. 97 und vgl. Buschmann (2006), S. 55 Vgl. Schley (2010), S. 97f. und vgl. Buschmann (2006), S. 56ff. 110 Siehe hierzu die Ausführungen zu den nachfolgend genannten Studien im Punkt 2.3.2.1 111 Vgl. Hambrick, Schecter (1983), S. 239 112 Vgl. Robbins, Pearce (1992), S. 296 113 Vgl. Barker, Mone (1994), S. 401 114 Vgl. Schley (2010), S. 204 ff. 115 Diese umfasst eine finanzwirtschaftliche Sanierung, vgl. Schley (2010), S. 202 116 Vgl. Schley (2010), S. 271 109 27 auf den Erfolg der Sanierung,117 wobei der Autor jedoch darauf hinweist, dass der Natur des Vorgehens folgend die Ergebnisse seiner Untersuchung für die Gruppe der nicht erfolgreich sanierten Unternehmen keine Gültigkeit besitzen können. 118 In der zweiten Phase, die die leistungswirtschaftliche Sanierung beinhaltet, erlangen die Maßnahmen im leistungswirtschaftlichen Bereich, speziell die Reduzierung des Personalaufwandes, einen signifikant positiven Einfluss auf den Sanierungserfolg. 119 Aussagen zu umsatzsteigernden Maßnahmen sind in Schleys Arbeit nicht enthalten, da keine Variable eingeführt wird, die explizit solche Maßnahmen abbildet. 120 Werden auch in der dritten Phase, der strategischen Sanierung, leistungswirtschaftliche Maßnahmen ergriffen, senkt dies nun den Sanierungserfolg signifikant.121 Wie bereits ausgeführt wurde122, gelingt es Schley mit seiner Arbeit, die Maßnahmen in einem hohen Detailgrad zu analysieren. Jedoch kann er auch nur eine Hilfsgröße zur Bestimmung des Sanierungserfolgs heranziehen. Welche Maßnahme im Detail durch das Unternehmen ergriffen wurde, um entweder den Umsatz zu erhöhen oder die Kosten zu senken, ist aus den regelmäßig einer Bank zur Verfügung stehenden Unterlagen nicht explizit ersichtlich. Eine Bank ist auch hier auf die Kommunikation mit dem Kunden angewiesen. Es scheint angebracht, anstatt die Maßnahmen auf der hier vorgestellten Detailebene zu operationalisieren, die Auswirkung der Maßnahmen zu überprüfen. Ziel ist die Steigerung des Umsatzes oder die Senkung der Kosten. Wenn dies gelingt, kann eine Änderung der entsprechenden Größen in der GuV beobachtet werden. Die Analyse der Maßnahmen erfolgt hier über die Änderung der entsprechenden Größen aus der GuV.123 Maßnahmen zur Kostensenkung und zur Umsatzsteigerung spielen eine große Rolle in einer Sanierung. Auch hier kann, wie bereits bei den finanzwirtschaftlichen Maßnahmen, eine Aussage zum grundsätzlichen Einfluss dieser Maßnahmen auf den Erfolg noch nicht getroffen werden. Ebenso muss darauf hingewiesen werden, 117 Vgl. Schley (2010), S. 271 Vgl. Schley (2010), S. 257 119 Vgl. Schley (2010), S. 276 120 Vg. Schley (2010), S. 244 121 Vgl. Schley (2010), S. 282 122 Siehe dazu die Erläuterungen zu Schley (2010) auf S.Schleys 22f. 123 Die Details der zu erstellenden Variablen werden später beschrieben. 118 28 dass die Operationalisierung der Variablen und die Wahl der untersuchten Zielgröße divergieren. Hat das Ergreifen von Maßnahmen im leistungswirtschaftlichen Bereich einen grundsätzlichen Einfluss auf den Erfolg der Sanierungsbemühungen? Dies soll über die folgende These 2 getestet werden. These 2: Maßnahmen zur Erhöhung des Umsatzes oder zur Senkung der Kosten erhöhen die Wahrscheinlichkeit einer erfolgreichen Sanierung. Es wurden bis hierher Maßnahmen im finanzwirtschaftlichen und leistungswirtschaftlichen Bereich beschrieben. Auf Punkte, die verbesserungswürdig erscheinen, wurde hingewiesen. Nachstehend folgen nun die Ausführungen zum dritten Bereich, der sich auf die strategische Ausrichtung des Unternehmens bezieht. 2.3.2.3 Maßnahmen im strategischen Bereich Der letzte der drei zu betrachtenden Bereiche, in dem Maßnahmen ergriffen werden können, ist der strategische Bereich des Unternehmens. Unter den strategischen Maßnahmen können Schritte zur Neupositionierung des Unternehmens verstanden werden. Ziel ist es, die strategische Krise zu bewältigen.124 Durch Maßnahmen im strategischen Bereich sollen die durch die Krise beeinträchtigten Erfolgspotentiale des Unternehmens wieder hergestellt werden.125 Eine Befragung unter 500 deutschen Unternehmen zeigte, dass für 23 Prozent der Befragten die Veränderung des Geschäftsportfolios die wichtigste Maßnahme darstellte. 19 Prozent der Befragten hielten die Änderung des Geschäftsmodells bzw. Wertschöpfungsstruktur für die wichtigste Maßnahme bei der Sanierung eines Unternehmens.126 Wie bereits zuvor beschrieben, reicht eine subjektive Bewertung einer Maßnahme nicht aus, um den Einfluss dieser Maßnahme auf den Erfolg der Sanierung zu beschreiben.127 124 Vgl. von der Horst (2000), S. 40 Vgl. Buschmann (2006), S. 42 126 Vgl. Buth, Hermanns (2008), S. 8 127 Vgl. Sudarsanam, Lai (2001), S. 192 125 29 Eine empirische Untersuchung des Einflusses der strategischen Maßnahmen findet sich bei Schley (2010). In seinem Modell wird während der Phase der finanzwirtschaftlichen Sanierung ein signifikant negativer Einfluss der strategischen Maßnahmen ermittelt. Er führt dies darauf zurück, dass die Wirkung dieser Maßnahmen eher langfristig eintritt, die Kosten jedoch bereits frühzeitig beeinflusst werden und damit in dieser Phase krisenverstärkend wirken.128 Auch in der zweiten Phase, der leistungswirtschaftlichen Sanierung, haben diese Maßnahmen noch immer einen signifikant negativen Einfluss auf den Sanierungserfolg.129 Erst in der dritten Phase, die eine strategische Sanierung beinhaltet, kann ein signifikant positiver Einfluss der strategischen Maßnahmen festgestellt werden.130 Hierbei erlangen insbesondere Maßnahmen zur Umsetzung der Unternehmensstrategie und regionenbezogene Maßnahmen zur Umsetzung der Geschäftseinheitenstrategie Bedeutung. 131 Auch in Bezug auf die Erkenntnisse im strategischen Bereich gelten die bereits vorgebrachten Einschränkungen bezüglich der Operationalisierung des Sanierungserfolges.132 Der Einfluss strategischer Maßnahmen auf das Ergebnis einer Sanierung scheint, nicht zuletzt betont durch Einordnung als wichtigste Maßnahme im Rahmen einer Sanierung, nahe liegend. Dennoch können empirische Untersuchungen den Einfluss von Maßnahmen in diesem Bereich nicht einheitlich bestätigen.133 Damit wurde die Frage, ob und welchen Einfluss Maßnahmen im strategischen Bereich auf den Erfolg einer Sanierung haben, noch nicht abschließend beantwortet. Erhöhen Veränderungen in der strategischen Ausrichtung eines Unternehmens nun die Wahrscheinlichkeit, die Sanierung erfolgreich abzuschließen? Der Frage soll in dieser Untersuchung erneut nachgegangen werden. These 3: Maßnahmen, die die strategische Ausrichtung des Unternehmens verbessern sollen, erhöhen die Chance, die Sanierung erfolgreich zu beenden. 128 Vgl. Schley (2010), S. 269f. Vgl. Schley (2010), S. 276 130 Vgl. Schley (2010), S. 282 131 Vgl. Schley (2010), S. 282 und 243 132 Vgl. hierzu die Ausführungen auf S. 23 133 Vgl. Buschmann (2006), S. 52 und auch Schley (2010), S. 87f. 129 30 Dieses Kapitel beschrieb die Maßnahmen, die ein Unternehmen in einer Krise ergreifen kann. Diese Maßnahmen können sich auf den finanzwirtschaftlichen, den leistungswirtschaftlichen und den strategischen Bereich beziehen. In jedem dieser Bereiche wird jeweils eine andere Auswirkung der Krise bekämpft bzw. wird ein jeweils anderes Stadium der Krise adressiert. Es existieren bereits Studien, die den Einfluss bestimmter Maßnahmen auf das Ergebnis einer Sanierung untersuchen. Diese wurden vorgestellt. Viele dieser Studien beziehen sich nicht auf das explizite Ergebnis der Sanierung. Die Tatsache, ob die Sanierung erfolgreich oder nicht erfolgreich beendet wurde, kann nicht aus den ausgewerteten Daten entnommen und als Variable operationalisiert werden. Die betroffenen Autoren weichen auf beobachtbare Größen aus, von denen angenommen wird, dass sie das Ergebnis der Sanierung widerspiegeln. Durch die Auswertung der Daten, die dem Kreditinstitut vorliegen, liegt ein Ergebnis der Sanierung vor. Der Ausgang kann aus den Unterlagen erhoben werden und somit als Variable in den Auswertungen operationalisiert werden. Weiterhin stützen sich die hier aufgeführten Studien auf Daten, die aus öffentlich zugänglichen Datenbanken und Datenquellen abrufbar sind. An diesem Punkt stellt die hier vorliegende Arbeit somit eine Weiterentwicklung und Verbesserung der bestehenden Literatur dar. In einem weiteren Punkt können die hier vorzustellenden Untersuchungen zu einer Weiterentwicklung beitragen. Die vorgestellten Arbeiten identifizieren signifikante Maßnahmen oder Maßnahmenbündel. Keine der Arbeiten geht jedoch darauf ein, welchen expliziten Einfluss eine Maßnahme, die als signifikant ermittelt wurde, nun auf das Erreichen eines bestimmten Ausganges hat. Wie gezeigt wurde, existiert eine Vielzahl an Maßnahmen, die den Auswertungen zufolge das Ergebnis beeinflussen. Das Wissen über deren Signifikanz erlaubt jedoch noch keine Einschätzung des Ausmaßes dieses Einflusses. Wenn unterschiedliche Maßnahmen ergriffen werden können, die jeweils als signifikant ermittelt wurden, kann keine Aussage getroffen werden, ob eine Maßnahme einer zweiten vorzuziehen wäre. Ein Schritt in diese Richtung bestünde darin, den Einfluss einer signifikanten Maßnahme zu quantifizieren. Dies geschieht in der hier vorgestellten Arbeit. Nicht nur wird das betroffene Unternehmen Maßnahmen ergreifen, um die Krise abzuwenden. Auch das Kreditinstitut, das das Unternehmen durch die Sanierung 31 begleitet, wird versuchen, den Ausgang der Sanierung zu beeinflussen. Die Möglichkeiten des Kreditinstitutes sind Gegenstand des folgenden Absatzes. Die Systematisierung in die verschiedenen Bereiche, auf die sich die Maßnahmen beziehen können, soll für die Arbeit übernommen werden. Die Maßnahmen werden dementsprechend kategorisiert in autonome vs. heteronome Maßnahmen und weiterhin nach den Bereichen, auf die sie sich beziehen, also finanzwirtschaftliche, leistungswirtschaftliche und strategische Maßnahmen. Bezüglich der Erhebung der Daten zu den Maßnahmen in den einzelnen Bereichen muss darauf hingewiesen werden, dass einige der Maßnahmen nicht aus den Unterlagen, die in einem Kreditinstitut vorgehalten werden, bestimmt werden können. Bei vielen Maßnahmen kann die Bank nur durch die Information durch die Kunden in Kenntnis gesetzt werden. In der Folge werden diese Maßnahmen in den internen Dokumenten der Bank (wie bspw. Gesprächsnotizen oder Aktenvermerken) nicht in der für eine statistische Auswertung nötigen Bestimmtheit dokumentiert. Aus den eventuell aufgenommenen Hinweisen lassen sich somit keine Variablen bilden, die den für eine Analyse notwendigen Bestimmtheitsgrad aufweisen.134 Aus diesem Grund muss hier auf andere, konkretere Größen als Approximation ausgewichen werden. 2.3.3 Durch das Kreditinstitut ergriffene Maßnahmen Im vorangegangenen Punkt wurden die Maßnahmen beschrieben, die das betroffene Unternehmen im Rahmen einer Sanierung ergreifen kann. Nicht nur das Unternehmen wird Maßnahmen ergreifen, um die Sanierung erfolgreich abzuschließen. Auch ein beteiligtes Kreditinstitut wird seinerseits Maßnahmen ergreifen. Diese Maßnahmen des Kreditinstitutes stehen im Fokus dieser Arbeit. Die Maßnahmen, die das Kreditinstitut ergreift, haben das Ziel, das Ausfallrisiko zu minimieren. Ein Insolvenzverfahren, welches zu einem teilweisen oder gar voll- 134 Es ist vorstellbar, dass ein Kunde in einem Gespräch mit den Mitarbeitern der Bank die Aussage trifft, den Umsatz durch Ausweitung der Absatzmenge zu erhöhen. Ob diese Maßnahme tatsächlich umgesetzt werden kann und wenn ja, zu welchem Zeitpunkt, ist aus einem Gesprächsprotokoll nicht entnehmbar. 32 ständigen Ausfall des Kredites führen kann, soll vermieden werden.135 Aus der Rechtstellung als Fremdkapitalgeber ergibt sich für ein Kreditinstitut noch keine Möglichkeit, Einfluss auf die Unternehmensführung zu nehmen. Faktisch hat eine kreditgebende Bank aber durchaus Möglichkeiten, Einfluss auf die Entscheidungen der Unternehmensführungen zu nehmen.136 Versucht man, die von einem Kreditinstitut ergriffenen Maßnahmen in die unter 2.3.2 beschriebene Systematik einzuordnen, muss man eine Zuordnung zu den Maßnahmen im finanzwirtschaftlichen Bereich vornehmen. Durch ihre Rolle als Fremdkapitalgeber hat die Bank vorrangig nur Einfluss auf finanzwirtschaftliche Größen. Durch die Bedeutung der Bank als Kreditgeber137 erlangt diese indirekten Einfluss auf die Entscheidungen der Geschäftsführung. So kann ein Kreditinstitut auch bestimmte Maßnahmen im leistungswirtschaftlichen oder strategischen Bereich forcieren, in dem die Verlängerung bestehender oder die Vergabe neuer Kredite an die Umsetzung bestimmter Aktionen gekoppelt wird. Tritt bei einem Unternehmen eine Krise ein, wird das Kreditinstitut prüfen, ob es eine erfolgreiche Sanierung für möglich hält. Kommt sie zu dem Schluss, dass das Unternehmen die Krise erfolgreich abwenden kann, wird es entsprechende Maßnahmen ergreifen, um das Unternehmen in seinen Bestreben nach einer Krisenbewältigung unterstützen. Das Kreditinstitut kann beispielsweise neue Kredite und Darlehen an das Unternehmen ausreichen.138 Der Kategorie „Stillhalten“ werden Maßnahmen zugerechnet, die eine Stundung von Forderungen zum Inhalt haben. Hierbei wird die Fälligkeit einer Leistung, bspw. Zins- oder Tilgungsleistung auf ein ausgereichtes Darlehen, auf einen späteren Zeitpunkt verschoben.139 Forderungsverzichte eignen sich in erster Linie dazu, die Zahlungsunfähigkeit des Unternehmens zu beseitigen. Sie sind sowohl im Betrag als auch in der Dauer ihrer Gültigkeit variabel. Diese Verzichte werden oft mit einem sog. Besserungsschein verknüpft. 140 135 Vgl. Bales/Brinkmann (2005), S. 11 Vgl. Lippe et al (1994), S. 228 137 Im vorliegenden Datensatz stellen Kreditinstitute im Jahr des Beginns der Sanierung im Mittel 56 % des gesamten Fremdkapitals des jeweiligen Unternehmens. Vgl. hierzu auch Bales/Brinkmann (2005), S. 75 138 Vgl. Bales/Brinkmann (2005), S. 7 139 Vgl. Bales/Brinkmann (2005), S. 159 140 Vgl. Bales/Brinkmann (2005), S. 162ff. 136 33 Über einen solchen Besserungsschein partizipiert das Kreditinstitut an den Erträgen einer Gesundung. Kommt das Kreditinstitut zu dem Schluss, dass eine erfolgreiche Sanierung nicht möglich scheint, wird es Maßnahmen ergreifen, die darauf abzielen, die bestehenden Forderungen gegenüber dem Unternehmen zu reduzieren. Meist kommt es in dieser Situation zu einer Kündigung und zu einer Verwertung der durch das Unternehmen eingeräumten Sicherheiten. Eine Kündigung ist für einen Teil der ausgereichten Kredite bzw. Darlehen und für sämtliche Darlehen und Kredite möglich. 141 Weiterhin kann unterschieden werden in eine ordentliche gesetzliche Kündigung und eine außerordentliche gesetzliche Kündigung.142 Eine außerordentliche gesetzliche Kündigung kann vorgenommen werden, wenn sich die Vermögenssituation des Kreditnehmers wesentlich verschlechtert und die Rückerstattung des Kredites gefährdet scheint.143 Die Folge ist die sofortige Fälligkeit der gekündigten Darlehen.144 Von dieser Regelung machen die Kreditinstitute im Rahmen der Sanierung regelmäßig Gebrauch, da die Krise eines Unternehmens meist eine deutliche Verschlechterung der Vermögensverhältnisse nach sich zieht. Die Verwertung der dem Institut eingeräumten Sicherheiten145 und hat meist die Insolvenz des Unternehmens zur Folge146. Die Verwertung kann entweder durch das Pfandrecht nach AGB begründet werden147 oder über die Verwertung explizit eingeräumter Sicherheiten.148 Weitere Maßnahmen, die in diesem Zusammenhang ergriffen werden, sind Mahnbescheide149 und die Zwangsvollstreckung150. Unabhängig von der Beurteilung der Erfolgchancen können Banken auch weitere Maßnahmen ergreifen. Eine der häufigsten Maßnahmen, die Banken ergreifen, ist der Untersuchung Portischs (2010) zu Folge das Führen eines Gespräches mit dem 141 Vgl. Rieder, Hofmann (2006), S. 22 Vgl. Rieder, Hofmann (2006), S. 22ff. und 29ff. 143 Vgl. Rieder, Hofmann (2006), S. 29 144 Vgl. Rieder, Hofmann (2006), S. 55 145 Vgl. Bales/Brinkmann (2005), S. 115 146 Vgl. Bales/Brinkmann (2005), S. 189 147 Vgl. Rieder, Hofmann (2006), S. 118ff. 148 Vgl. Rieder, Hofmann (2006), S. 122ff. 149 Vgl. Rieder, Hofmann (2006), S. 63ff. 150 Vgl. Rieder, Hofmann (2006), S. 70ff. 142 34 Management des Unternehmens.151 Weiterhin werden Banken versuchen, das für sie bestehende Risiko zu reduzieren, in dem sie auf die Vereinbarung weiterer Sicherheiten drängen, oder die (teilweise) Rückführung von in Anspruch genommenen Krediten bzw. Kreditlinien. Darüber hinaus ist es denkbar, dass das Kreditinstitut dem Unternehmen empfiehlt, einen Berater zu beauftragen, oder mit anderen involvierten Banken über die Bildung eines Sicherheitenpools verhandelt.152 Die bisher gemachten Aussagen geben nur mögliche Maßnahmen an. Eine Aussage über deren Einfluss auf den Erfolg einer Sanierung ist damit noch nicht verbunden. Einen ersten Schritt in diese Richtung unternimmt Portisch (2010), in dem der Autor Banken bittet, den Maßnahmen eine Relevanz zuzuordnen. Das Ergebnis dieser Untersuchung ist folgende Reihung der Maßnahmen:153 Kundengespräch Finanzielle Unterstützung durch die Gesellschafter Kosteneinsparungen Liquiditätssicherung Beratungseinsetzung Bankenunterstützung in Form von Stundungen Risikoreduzierung Finanzielle Unterstützung durch Geschäftspartner Allein über die Zuordnung einer Relevanz ist die Frage nach dem konkreten Einfluss einer Maßnahme noch nicht beantwortet. Dieses Vorgehen bietet jedoch einen ersten Anhaltspunkt bei der Klärung dieser Frage. Einige der Maßnahmen aus dieser Auflistung sind keine Maßnahmen, die allein durch die Bank ergriffen werden können. Dies soll am Beispiel der „finanziellen Unterstützung durch Geschäftspartner“ verdeutlicht werden. Diese Maßnahme wurde durch Kreditinstitute als relevant eingestuft. Ein Kreditinstitut kann diese Maßnahme nicht allein umsetzen. Es kann die Maßnahme anregen und mit dem Unternehmen 151 Vgl. Portisch (2010), S. 138, 97% der befragten Kreditinstitute gaben an, diese Maßnahme durchgeführt zu haben. 152 Vgl. Portisch (2010), S. 138 153 Vgl. Portisch (2010), S. 139 35 diskutieren. Die Vergabe neuer Kredite oder die Verlängerung bestehender Kredite kann von der Umsetzung dieser Maßnahme durch das Unternehmen abhängig gemacht werden. Die letztendliche Entscheidung zur Umsetzung und die tatsächliche Umsetzung der Maßnahme obliegt jedoch dem Unternehmen. Damit soll verdeutlicht werden, dass einige der hier aufgeführten Maßnahmen, auch wenn ihnen gewisse Relevanz zugesprochen wird, keine Maßnahmen sind, die von einem Kreditinstitut in eigenem Ermessen ergriffen werden können. Diese Arbeit untersucht den Einfluss der Maßnahmen eines Kreditinstitutes. Dabei soll auf solche Maßnahmen abgestellt werden, die ein Kreditinstitut selbst ergreifen bzw. umsetzen kann. Maßnahmen, deren letztendliche Umsetzung vom Unternehmen oder anderen involvierten Parteien abhängt, sollen dem Ziel der Arbeit folgend nicht untersucht werden. Portisch (2010) stellt fest, dass nahezu alle Kreditinstitute, die im Rahmen seiner Studie befragt wurden, einem Gespräch mit dem Kunden eine hohe Relevanz zuordnen.154 Aus der Untersuchung ging nicht hervor, warum ein Kundengespräch eine solche Einstufung erfuhr. Allein aus der zugesprochenen Relevanz lässt sich nicht auf den Einfluss auf das Ergebnis der Sanierung schließen. Ist der Grund der Wichtigkeit dieser Maßnahme der positive Einfluss auf die Wahrscheinlichkeit, die Sanierung erfolgreich abzuschließen? Oder liegen dieser Einschätzung andere Punkte zugrunde? Dieser Frage soll nachgegangen werden. Es wird folgende These getestet: These 4: Häufige Gespräche zwischen Kreditinstitut und dem Unternehmen erhöhen die Wahrscheinlichkeit einer erfolgreichen Sanierung. In einer Krise kommt, wie eingangs155 bereits beschrieben wurde, der Liquidität des Unternehmens große Bedeutung zu. Eine Verbesserung der Liquidität des Unternehmens erhält bzw. erweitert den Spielraum des Unternehmens zur Bekämpfung der Krise. Kann eine drohende Zahlungsunfähigkeit durch eine 154 Vgl. Portisch (2010), S. 139, Ein Kundengespräch wurde von 99% der befragten Kreditinstitute als wichtig eingestuft. 155 Siehe hierzu die Ausführungen im Punkt 2.1.2 36 Verbesserung der Liquidität abgewendet werden, entfällt nicht zuletzt ein Insolvenzgrund gemäß Insolvenzordnung.156 Dieser Einfluss der Liquidität lässt vermuten, dass Maßnahmen, die die Liquidität verbessern, auch die Wahrscheinlichkeit einer erfolgreichen Krisenbewältigung erhöhen. Ob diese Vermutung auch tatsächlich zutrifft, soll im Rahmen dieser Untersuchung getestet werden. These 5: Durch das Kreditinstitut ergriffene Maßnahmen zur Verbesserung der Liquidität des Unternehmens erhöhen die Wahrscheinlichkeit, die Krise erfolgreich zu bewältigen. Sollte sich diese These bestätigen, kann damit die Aussage getroffen werden, dass eine Verbesserung der Liquidität die Erfolgschancen in der Sanierung erhöht. Nach Erstellung der Modelle ist bekannt, welche Variablen einen bestimmten Ausgang beeinflussen. Weiterhin ist bekannt, in welche Richtung die einzelnen Variablen wirken. Damit kann überprüft werden, ob die hier betrachteten Maßnahmen einen Ausgang wahrscheinlicher machen, wie es die These 5 aussagt. Darüber hinaus kann naturgemäß aber auch der Umkehrschluss überprüft werden. Also die Frage, ob Maßnahmen zur Verbesserung der Liquidität die Wahrscheinlichkeit eines bestimmten Ausgangs senken. Einige der Maßnahmen, die ein Kreditinstitut ergreifen kann, schränken den Spielraum eines Unternehmens in der Krisenbewältigung ein. Werden von dem Kreditinstitut beispielsweise zusätzliche Sicherheiten zur Reduzierung des Risikos eines Ausfalls gefordert, stehen diese Sicherheiten nicht für neue Kredite zur Verfügung. Der eingeschränkte Spielraum macht es dem Unternehmen schwerer, die Krise zu erfolgreich bewältigen. Ist dieser Einfluss in diesem Datensatz bestimmbar? Dies soll in Form der nachstehenden These überprüft werden. These 6: Verlangt ein Kreditinstitut zusätzliche Sicherheiten, reduziert sich die Wahrscheinlichkeit einer erfolgreichen Sanierung. 156 37 Details hierzu nebst entsprechenden Nachweisen wurden im Punkt 2.1.1 aufgeführt. Mit der These 5 wird der Einfluss liquiditätsfördernder Maßnahmen untersucht. Einem Kreditinstitut stehen verschiedene Maßnahmen zur Verfügung, die positive Wirkungen auf die Liquidität des Unternehmens haben. Denkbar sind Maßnahmen wie Einräumung neuer Kredite, Verlängerung der Laufzeit bestehender Kredite oder beispielsweise die Genehmigung einer vorübergehenden Überziehung. Gemein ist allen Maßnahmen, dass sich in der Folge deren Umsetzung die Liquidität des Unternehmens verbessert. Sollte sich die These 5 bestätigen, bleibt die Frage unbeantwortet, ob alle Maßnahmen, die eine Verbesserung der Liquidität zum Ziel haben, denselben Einfluss auf die Wahrscheinlichkeit einer erfolgreichen Sanierung haben. Diese Fragestellung lässt sich auf alle Maßnahmen übertragen, die auf die Lage des Unternehmens einen ähnlichen Effekt haben. Kann man einen Unterschied zwischen gleichgerichteten Maßnahmen feststellen? lässt sich ein unterschiedlicher Einfluss dieser Maßnahmen feststellen, obwohl sie ein gleiches Ziel verfolgen? Diese Frage soll an folgender These getestet werden: These 7: Unterschiedliche Maßnahmen haben einen unterschiedlichen Einfluss auf das Ergebnis der Sanierung, auch wenn sie das gleiche Ziel verfolgen. Ein Punkt, in dem sich die beschriebenen Maßnahmen unterscheiden, ist ihre Messbarkeit. Die Einräumung neuer Kredite lässt sich präzise aus den entsprechenden Beschlüssen, Verträgen und Kontobewegungen bestimmen. Hier ist eine Angabe, ob die Maßnahme ergriffen wurde, möglich. Darüber hinaus kann das Volumen der neuen Kredite ebenso aus den vorliegenden Unterlagen sicher festgestellt werden. Weiterhin ist es nicht immer möglich, das Ergreifen bestimmter Maßnahmen aus den einem Kreditinstitut vorliegenden Unterlagen eindeutig zu bestimmen. Gerade Maßnahmen, die im leistungswirtschaftlichen Bereich durch das Unternehmen ergriffen werden, sind für ein Kreditinstitut nur schwer fassbar. Anhand der Änderung bestimmter Positionen der Gewinn- und Verlustrechnung, die den Kreditinstituten in der Regel vorliegt, können Rückschlüsse auf diese Maßnahmen gezogen werden. Sinken beispielsweise die Materialkosten, kann das eine Folge einer entsprechenden Maßnahme des Unternehmens sein. Es ist an der Stelle aber nicht offensichtlich, ob diese Änderung explizit und ausschließlich auf die Maßnahme zurückzuführen ist, oder ob hier andere Einflüsse zu Tage treten. 38 Welche Maßnahmen jeweils ergriffen werden, hängt von verschiedenen Faktoren ab. In erster Linie wird das Ergreifen einer Maßnahme durch die Erfordernisse der aktuellen Situation in der Sanierung beeinflusst. Bei akuten Liquiditätsproblemen werden Maßnahmen ergriffen, die die Liquidität des Unternehmens verbessern. Würde man diesen Einfluss der Maßnahmen nur in diesem Rahmen untersuchen, könnte es jedoch zu Fehlschlüssen kommen. Es ist durchaus möglich, dass die Situation des Unternehmens zu Beginn der Sanierung ebenfalls einen Einfluss auf die Wahl der Maßnahmen hat157. Hat ein Unternehmen Investitionen getätigt und die Finanzierung nicht fristenkongruent abgeschlossen, kann das im Rahmen einer Sanierung zum Beispiel zu Liquiditätsproblemen aufgrund zu hoher Belastung aus der Rückführung der Darlehen haben. Eine denkbare Maßnahme wäre das Verlängern der Laufzeit der entsprechenden Kredite. Eine Beschränkung rein auf die Maßnahmen während der Sanierung würde hier eine Verbindung herstellen zwischen einer Laufzeitverlängerung und Liquiditätsproblemen. Der eigentliche Auslöser, die fristeninkongruente Finanzierung, würde nicht betrachtet. Was diese Überlegung verdeutlichen soll, sind die Interdependenzen zwischen drei Elementen: während der Sanierung ergriffene Maßnahmen, qualitative und quantitative Daten zur Lage des Unternehmens zu Beginn der Sanierung und schlussendlich das Ergebnis der Sanierung. Auf diesen Zusammenhang wurde bereits eingangs hingewiesen.158 Nur im Zusammenhang aller drei Elemente, wie es hier in dieser Arbeit vorgenommen wird, kann der Einfluss der Maßnahmen bestimmt werden. In diesem Abschnitt wurden mögliche Maßnahmen eines Kreditinstitutes im Rahmen einer Sanierung dargestellt. Aufgrund seiner Stellung als Fremdkapitalgeber kann ein Kreditinstitut durch Entscheidungen in Bezug auf die ausgereichten Kredite oder Darlehen im finanzwirtschaftlichen Bereich aktiv werden. Durch die Bedeutung des Kreditinstitutes und der durch das Kreditinstitut eingeräumten Finanzierungsmittel erlangt das Kreditinstitut auch faktisch Einfluss auf den leistungswirtschaftlichen oder strategischen Bereich. Im Fokus dieser Untersuchung sollen die Maßnahmen stehen, die ein Kreditinstitut ergreifen kann, ohne dass die Umsetzung von anderen Beteiligten abhängt. Es wurden in diesem Kapitel Thesen aufgestellt, anhand derer 157 158 39 Vgl. Diez (1988), S. 153f., so zitiert in: von der Horst (2000), S. 39 Siehe Abbildung 1 auf Seite 5 der Einfluss der Maßnahmen des Kreditinstitutes auf die Wahrscheinlichkeit eines erfolgreichen Ausgangs geprüft werden soll. 2.3.4 Würdigung der Studien zum Einfluss der Maßnahmen In den vorangegangenen Ausführungen wurden Arbeiten vorgestellt, die den Einfluss der Maßnahmen auf den Erfolg einer Sanierung untersuchen. Ein Ansatz bestand darin, zu erheben, wie oft bestimmte Maßnahmen ergriffen wurden. Auf diesem Wege ist es jedoch nicht möglich, den Einfluss einer Maßnahme zu bestimmen. Der Ansatz stellt keinen funktionalen Zusammenhang zwischen den Maßnahmen und dem Ausgang der Sanierung dar. Viele der vorgestellten Arbeiten verfügen weiterhin nicht über die Daten der direkt in der Sanierung beteiligten Parteien. Dies hat zur Folge, dass der Ausgang der Sanierung nicht direkt erhoben werden kann. Stattdessen weichen die Autoren auf andere Variablen, wie beispielsweise der return on investment (ROI), aus, denen Aussagekraft in Bezug auf dieses Ereignis zugesprochen wird. Dadurch wird die Aussagekraft der Untersuchung jedoch eingeschränkt.159 Ein weiterer Punkt, der bei einigen Arbeiten kritisch einzustufen ist, ist das Untersuchen von Maßnahmebündeln. Die in den Bündeln enthaltenen einzelnen Maßnahmen werden nicht in die Analysen einbezogen. Die untersuchten Maßnahmenbündel werden nach einem gemeinsamen Fokus zusammengestellt, beispielsweise „Reduzierung der Assets“. An dieser Stelle wird deutlich, dass zur Erreichung bestimmter Ergebnisse verschiedene Maßnahmen ergriffen werden können. Wenn offenbar mehrere Maßnahmen ergreifbar sind, die zu einem gleichen Ergebnis führen können, stellt sich die Frage, ob einer der Maßnahmen besser geeignet ist, den gewünschten Ausgang in der Sanierung zu realisieren. Aussagen zum Einfluss einzelner Maßnahmen sind auf dem beschriebenen Wege nicht generierbar. 159 40 Vgl. Barker, Mone (1994), S. 401 2.4 Der Einfluss der Lage des Unternehmens auf das Ergebnis einer Sanierung 2.4.1 Systematisierung bereits erfolgter Untersuchungen Die Lage, in der sich ein Unternehmen bei Eintritt der Krise befindet, bezieht sich zum einen auf die wirtschaftliche Situation des Unternehmens. Um diese Lage zu beschreiben, werden Kennzahlen zur wirtschaftlich-finanziellen Lage herangezogen. Diese Variablen werden als quantitative Variablen bezeichnet, da sie zahlenmäßig ausgewertet und verglichen werden können. Weiterhin wird die Lage des Unternehmens beispielsweise über die Zuordnung zu einer bestimmten Branche beschrieben. In Abgrenzung zu den quantitativen Variablen werden diese als qualitative Variablen bezeichnet, da sie zwar zahlenmäßig erfasst werden können, die Vergleichbarkeit der der Variable zugeschriebenen Zahl jedoch nicht gegeben ist. Die vorzustellenden Arbeiten werden in drei Kategorien unterteilt. Kriterium der Zuordnung ist dabei der Fokus der Untersuchung. Ein Teil der Arbeiten erstellt Modelle zur Differenzierung zwischen erfolgreicher und nicht erfolgreicher Sanierung. Andere Arbeiten unterteilen eine erfolgreiche Sanierung in weitere Punkte, beispielsweise Kauf des Unternehmens durch Dritte und Gesundung aus eigener Kraft. Eine dritte Gruppe von Arbeiten versucht, die Wahl eines bestimmten Prozesses im Rahmen der Sanierung zu prognostizieren. Die in diesen Untersuchungen bereits als signifikant ermittelten Variablen sollen als Anhaltspunkt zur Erhebung von Variablen im Rahmen der hier vorgestellten Untersuchung dienen. Darüber hinaus gilt das Augenmerk den angewandten Methoden. Die eingesetzten Methoden werden zusammengestellt und im Anschluss im Kapitel 3 auf ihre Eignung für die in dieser Arbeit vorzunehmenden Analysen überprüft. 2.4.2 Unterscheidung zwischen erfolgreicher und fehlgeschlagener Sanierung Nachfolgend werden Arbeiten vorgestellt, die zur Erstellung einer Genesungsprognose quantitative und qualitative Variable getestet haben. Die beschriebenen Arbeiten differenzieren lediglich zwischen einer erfolgreichen Sanierung und einem Fehlschlagen der Sanierungsbemühungen. Eine weitere Unterscheidung einer 41 erfolgreichen Sanierung erfolgt nicht. Unterschiedliche Wege, eine Sanierung durchzuführen, werden ebenfalls nicht betrachtet. Die Analyse von LOPUCKI (1983) basiert auf einer empirischen Studie aller 48 Fälle, die im ersten Jahr nach Inkrafttreten unter den damals neuen Chapter 11 des US Bankruptcy Code (Sanierung nach US-Insolvenzrecht) im Western District of Missouri fielen. Zur Anwendung kommen der Wilcoxon-Test auf Abhängigkeiten zwischen zwei Reihen, Fishers exact probability test sowie Korrelationsanalysen. In der Untersuchung von LOPUCKI wurde der Erfolg der Sanierung mit dem Überleben des Unternehmens gleichgesetzt:160. “Reorganization proceedings traditionally have been considered to have been a success only if the business survived”161. Folgende Erfolgsfaktoren konnten in der Untersuchung identifiziert werden: Die Erfolgsrate im produzierenden Gewerbe war etwa 5 mal höher als in sonstigen Unternehmen (57% vs. 12%) – das liegt zum einen darin begründet, dass solche Unternehmen in der Regel größer sind als andere und die Unternehmensgröße sich positiv auf die Überlebensfähigkeit auswirkt (siehe nächster Punkt), andererseits sind solche Unternehmen meist auch in verschiedenen Projekten engagiert, was die Überwindung einer finanziellen Krise erleichtert (Diversifizierungseffekt). Darüber hinaus schienen die erfolgreichen „manufacturers“ von weniger Lieferanten, Kreditgebern und Abnehmern abhängig gewesen zu sein.162 Die Unternehmensgröße gemessen an der Bilanzsumme hatte einen statistisch signifikanten Einfluss auf den Erfolg der Sanierung (Pearsonscher Korrelationskoeffizient betrug 0,4). Dies galt jedoch nicht innerhalb der Untergruppe der „nonmanufacturers“ weshalb unklar blieb, ob nicht die Unternehmensart (siehe erster Punkt) der zugrunde liegende Faktor für den Zusammenhang ist.163 Es zeigte sich, dass die Vorschriften des sog. „Chapter 11“ ungeeignet sind, wenn im Rahmen der Sanierung Immobilien verwertet werden sollen.164 Es ergab sich kein statistisch signifikanter Zusammenhang zwischen Erfolg der Sanierung und dem Alter des Unternehmens, obwohl erwartet wurde, dass die 160 Vgl. LoPucki (1983), S. 101f. Vgl. LoPucki (1983), S. 106 162 Vgl. LoPucki (1983), S. 107 163 Vgl. LoPucki (1983), S. 109f. 164 Vgl. LoPucki (1983), S. 109f. 161 42 Wahrscheinlichkeit des Misserfolges mit dem Unternehmensalter sinkt.165 Es ergab sich nur ein marginal statistisch signifikanter Zusammenhang zwischen Erfolg der Sanierung und Widerständen der Kreditgeber gegen eine Sanierung.166 Die festgestellte höhere Erfolgsrate von Unternehmen in Metropolregionen ist nicht signifikant.167 In dieser Studie kamen der Wilcoxon-Test auf Abhängigkeiten zwischen zwei Reihen und Fishers exact probability test zur Anwendung. Darüber hinaus verwendet der Autor Korrelationsanalysen zur Untersuchung der Daten. Diese Methoden werden im weiteren Verlauf der Arbeit daraufhin überprüft, ob sie für die hier zu vornehmenden Analysen geeignet sind. Folgende Einflussgrößen wurden als signifikant ermittelt: Einfluss der Branche auf das Ergebnis der Sanierung Einfluss der Bilanzsumme auf das Ergebnis der Bearbeitung In dieser Arbeit werden die Zeitreihen auf Ähnlichkeit überprüft. Die angewandten Methoden erlauben es jedoch nicht, den Einfluss als signifikant identifizierter Variablen zu bestimmen. Vor diesem Hintergrund werden die der zitierten Studie angewanden Methoden nicht in der hier vorliegenden Arbeit eingesetzt. Die Ergebnisse liefern gleichwohl erste Ansatzpunkte. Die Aussagekraft der Ergebnisse der Studie LoPuckis müssen stets vor dem Hintergrund der gewählten Methoden betrachtet werden. Im Rahmen ihrer Arbeit untersuchen Casey et al (1986) 113 Unternehmen im Zeitraum 1970 bis 1981. Als mögliche Ergebnisse der Insolvenz werden Liquidation und erfolgreiche Sanierung erfasst. Eine weitere Differentiation der Reorganisation erfolgt hier ebenfalls nicht.168 Die Autoren führen eine sog. Probit-Analyse durch. Die Ergebnisse dieser Analyse werden mit Hilfe einer Sensitivitätsanalyse und mittels linearer Diskriminanzanalyse 165 Vgl. LoPucki (1983), S. 110 Vgl. LoPucki (1983), S. 110f. 167 Vgl. LoPucki (1983), S. 113 168 Vgl. LoPucki (1983), S. 253 166 43 auf Robustheit getestet.169 Damit stellt diese Studie eine Weiterentwicklung dar, als mit der Probit-Analyse nicht nur Zeitreihen miteinander verglichen werden können, sondern auch Einflüsse quantifiziert werden können. Für das gesamte Sample erreichen gemäß Chi-Quadrat-Test zwei Variablen in der Probit-Analyse ausreichende Signifikanzniveaus: das Verhältnis der einbehaltenen Gewinne zur Bilanzsumme und der prozentuale Anteil freier Vermögenswerte. 170 Im Ergebnis der Sensitivitätsanalyse (wiederholte lineare Diskriminanzanalyse über zufällig bestimmte Subsamples, anschließend Analyse der jeweils signifikanten Variablen und Güte der Funktion171) werden die Aussagen der Probit-Analyse bestätigt. Die beiden Faktoren haben die höchste Erklärungskraft. In einem letzten Analyseschritt wurden die Daten in zwei Perioden aufgeteilt und die Daten der letzten Periode einer Probit-Analyse unterzogen. Für dieses Subsample erreicht wiederum der prozentuale Anteil freier Vermögenswerte hohe Signifikanz. Weitere signifikante Variablen sind Veränderung der Bilanzsumme172 und das Verhältnis aus Nettoergebnis zu Bilanzsumme. Bei den von Casey et al angewandten Methoden handelt es sich zum einen um die Probit Analyse und zum anderen um die Sensitivitätsanalyse bzw. Diskriminanzanalyse. Folgende Variablen werden von Casey et al als signifikant ermittelt: Änderungen der Bilanzsumme das Verhältnis der einbehaltenen Gewinne zur Bilanzsumme prozentuale Anteil freier Vermögenswerte Verhältnis Nettoergebnis zu Bilanzsumme Vergleicht man die Ergebnisse dieser Studie mit der LoPuckis, zeigen sich nicht nur andere Ansätze bezüglich der Methoden, sondern auch einige Unterschiede bezogen auf die Ergebnisse. Die Bilanzsumme scheint in beiden Studien als 169 Vgl. Casey et al (1986), S. 255f. Vgl. Casey et al (1986), S. 257f. 171 Vgl. Casey et al (1986), S. 259 172 Hier: Änderung der Bilanzsumme zwischen dem aktuellsten Wert und dem Wert drei Jahre vor Insolvenzantrag, vgl. Casey et al (1986) , S. 252 170 44 Einflussgröße eine Rolle zu spielen. In LoPuckis Studie wird jedoch die Bilanzsumme als solche, in Caseys Arbeit deren Änderung als signifikant ermittelt. Eine Erklärung für diese Unterschiede in den Ergebnissen kann in den unterschiedlichen eingesetzten Methoden liegen. Mit seiner Studie will Campbell ein Modell vorstellen, welches für kleine, nicht börsengehandelte (sog. “closely held”) Firmen eine Prognose der Wahrscheinlichkeit der Rehabilitation ermöglicht.173 Der Autor unterscheidet hierbei, dem Vorgehen der bereits vorgestellten Arbeiten folgend, in die möglichen Ausgänge Reorganisation und Liquidation.174 Die erklärenden Variablen dieser Studie sind: Firmengröße (gemessen über den natürlichen Logarithmus des Marktwertes der total assets175), Asset-Profitabilität (gemessen als return on assets im ersten Monat der Tätigkeit unter dem sog. „Chapter 11“176), Anzahl der besicherten Gläubiger, Vorhandensein freier (nicht als Sicherheit dienender177) Assets (hier wird ein Dummy eingeführt, der den Wert 1 annimmt, falls der Wert der freien Vermögenswerte kleiner 10.000 Dollar war, andernfalls 0178 [=nominal asset indicator]) Anzahl der nicht vollständig besicherten Gläubiger (Anzahl der gesicherten Gläubiger multipliziert mit dem nominal asset indicator179) und 173 die Branche.180 Vgl. Campbell (1996), S. 13 Vgl. Campbell (1996), S. 14 175 Vgl. Campbell (1996), S. 15 176 Vgl. Campbell (1996), S. 16 177 Vgl. Campbell (1996), S. 16 178 Vgl. Campbell (1996), S. 16 179 Vgl. Campbell (1996), S. 17 180 Vgl. Campbell (1996), S. 14 174 45 Der Datensatz besteht aus den Informationen zu 121 Unternehmen, die zwischen Juni 1987 und August 1992 am Bankruptcy Court for the District Oregon Insolvenz nach dem sog. „Chapter 11“ beantragt haben.181 Die Auswertung selbst erfolgt über eine nichtlineare Probit-Regression.182 In der multivariaten Analyse erreicht das Modell eine sehr hohe Gesamtsignifikanz. Sechs der Variablen sind signifikant auf einem Niveau von 99%. Diese Variablen sind: Firmengröße, Return on Assets, nominal asset indicator, Anzahl der besicherten Gläubiger, Anzahl der nicht vollständig besicherten Gläubiger und der Dummy für die Branche „construction“. Die Branche „manufacturing“ ist auf einem Niveau von 95% signifikant. Das Modell kann 78,5% der Firmen korrekt klassifizieren.183 Abschließend wurde überprüft, ob ein Overfitting vorliegt. Dazu wurde die Stichprobe in eine Entwicklungs- und ein Teststichprobe aufgeteilt. Die Ergebnisse lassen den Schluss zu, dass kein overfitting vorliegt.184 Die in diese Studie einfließenden Daten wurden in einer nichtlinearen ProbitRegression ausgewertet. Es wurden folgende Einflussfaktoren durch Campbell als signifikant ermittelt: natürlicher Logarithmus des Marktwertes der total assets Return on Assets nominal asset indicator Anzahl der besicherten Gläubiger Anzahl der nicht vollständig besicherten Gläubiger Mit den Arbeiten von Casey et al und Campbell liegen nunmehr Studien vor, die die Auswertungen mit gleichen Methoden, in dem Fall Probit-Analysen, vornehmen. Damit scheinen die Ergebnisse vor dem Hintergrund gleicher angewandter Methoden vergleichbar. Dennoch identifizieren die Studien jedoch unterschiedliche Einflussgrößen als signifikant. Ein Grund kann darin liegen, dass es keine längerfristig stabilen, allgemeingültigen Einflussgrößen gibt. Jede Studie würde andere Variablen 181 Vgl. Campbell (1996), S. 18 Vgl. Campbell (1996), S. 17 183 Vgl. Campbell (1996), S.19 184 Vgl. Campbell (1996), S. 19ff. 182 46 als aussagekräftig identifizieren. Hält man an der Annahme fest, dass der Erfolg in einer Sanierung durch bestimmte Faktoren bestimmt wird, und sich diese im Zeitablauf nicht ändern, muss die Ursache für divergierende Ergebnisse in anderen Punkten gesucht werden. Denkbar ist, dass Änderungen der Rechtsgrundlage, in dem Fall das sog. „Chapter 11“ und verwandte Vorschriften. Diese wurden im Laufe der Jahre mehrere Male geändert und ergänzt. In seiner Arbeit untersucht Schley den Sanierungsbeitrag verschiedener Maßnahmen sowie den Einfluss unternehmensinterner und ~externer Faktoren auf den Sanierungserfolg.185 Der Autor identifiziert diverse Variable, die unternehmensinterne und unternehmensexterne Einflüsse beschreiben. Externe Rahmenbedingungen werden dabei durch die Größen Umsatzvolatilität der Branche, Comanor-Wilson-Index, durchschnittliche EBITDA-Marge der Branche und Gini-Koeffizient (bezogen auf den Marktanteil gemessen am Umsatz) abgebildet.186 Die internen Rahmenbedingungen werden durch die Größen Altmans Z-Score, Cash Flow Return on Investment, Gesamtkapitalumschlag, Gesamtkapitalrentabilität und Umschlagshäufigkeit des Nettovermögens beschrieben.187 Im Rahmen eines Strukturgleichungsmodells prüft er diese Variablen zusammen mit Variablen zu ergriffenen Maßnahmebündeln auf ihren Zusammenhang mit dem Erfolg der Sanierung. Diese Maßnahmebündel beschreiben die strategische Sanierung, die leistungswirtschaftliche Sanierung und die finanzwirtschaftliche Sanierung.188 Der Autor misst das Vorhandensein einer Krise anhand des Return on Investment (ROI) und des Netto Cash Flow (NCF).189 Unternehmen werden dann als in einer Krise befindlich betrachtet, wenn der ROI bzw. der Netto Cash Flow in drei aufeinander folgenden Jahren rückläufig ist und mindestens im dritten Jahr negativ ist. Das Ende einer Krise wird neben ROI und NCF auch am Umsatz gemessen. Ein Unternehmen gilt als erfolgreich saniert, wenn, analog zur Definition der Krise, der 185 Vgl. Schley (2010), S. 3 Vgl. Schley (2010), S. 238 187 Vgl. Schley (2010), S. 239 188 Vgl. Schley (2010), S. 195ff. 189 Vgl. Schley (2010), S. 220f. 186 47 ROI und der NCF drei Jahre aufeinander steigen und im dritten Jahr positiv sind und wenn in zwei aufeinander folgenden Jahren ein steigender Umsatz erzielt wurde. 190 Der Datensatz besteht aus 138 Unternehmen aus verschiedenen Branchen. Der größte Teil der untersuchten Unternehmen weist einen Umsatz von unter 50 Mio. Euro pro Jahr auf. Die Unternehmen stammen aus Deutschland.191 Die Auswertung erfolgt zum einen für drei unterschiedliche Sanierungsphasen (emergency stage, stabilization stage, return-to-growth stage192) und zum anderen jeweils getrennt für erfolgreich und nicht erfolgreich sanierte Unternehmen.193 Im Ergebnis stellt der Autor unter anderem fest, dass die externen und internen Rahmenbedingungen in der ersten Phase der Sanierung keinen Einfluss auf den Sanierungserfolg haben.194 In der zweiten Phase der Sanierung ergibt sich ein etwas anderes Bild. In der Gruppe der nicht erfolgreich sanierten Unternehmen haben die Variablen, die externe und interne Rahmenbedingungen beschreiben, einen signifikant negativen Einfluss auf den Sanierungserfolg.195 In der letzten untersuchten Sanierungsphase ergibt sich erneut ein etwas anderes Bild. Die externen und internen Rahmenbedingungen haben keinen signifikanten Einfluss auf den Sanierungserfolg in der Gruppe der erfolgreich sanierten Unternehmen und in der Gruppe der nicht erfolgreich sanierten Unternehmen.196 Schley stützt sich in seiner Arbeit ausschließlich auf ein lineares Strukturgleichungsmodell. Er identifiziert folgende Variable als signifikant: 190 Altmans Z-Score Cash Flow Return on Investment Gesamtkapitalumschlag Vgl. Schley (2010), S. 225f. Vgl. Schley (2010), S. 226ff. 192 Vgl. Schley (2010), S. 106 193 Vgl. Schley (2010), S. 257 und 262 194 Vgl. Schley (2010), S. 268 195 Vgl. Schley (2010), S. 274 196 Vgl. Schley (2010), S. 280 191 48 Gesamtkapitalrentabilität Umschlagshäufigkeit des Nettovermögens Umsatzvolatilität der Branche Comanor-Wilson-Index durchschnittliche EBITDA-Marge der Branche Gini-Koeffizient Wie bereits mehrfach beschrieben, ist die Erhebung des tatsächlichen Ausganges der Verwendung einer Näherungsgröße vorzuziehen. Der Autor kann sich nur Kennzahlen stützen, die eine Näherung des Sanierungserfolges darstellen. Aufgrund unterschiedlicher angewandter Methoden ist die Vergleichbarkeit mit den Ergebnissen anderer Autoren eingeschränkt. Schley legt seiner Analyse einen Datensatz zu deutschen Unternehmen zugrunde. Der Großteil der bisherigen Arbeiten stammt aus dem us-amerikanischen Raum. Neben der eingeschränkten Vergleichbarkeit aufgrund der gewählten Methoden, muss zusätzlich noch ein unterschiedlicher Rechtsrahmen berücksichtigt werden. Die bis hier vorgestellten Arbeiten unterscheiden lediglich zwischen erfolgreicher und gescheiterter Sanierung. Eine erfolgreiche Sanierung ist jedoch auf unterschiedlichem Weg erreichbar. Als Beispiel sei hier ein Kauf durch ein drittes Unternehmen genannt, der ebenso wie eine Gesundung aus eigener Kraft zu einer erfolgreichen Sanierung führen kann. Die nachfolgend aufgeführten Arbeiten differenzieren eine erfolgreiche Sanierung weiter. 2.4.3 Weitere Differenzierung einer erfolgreichen Sanierung Die nachstehend beschriebenen Arbeiten unterschieden nicht nur zwischen erfolgreicher und nicht erfolgreicher Sanierung, sondern differenzieren den erfolgreichen Ausgang weiter. Bryan et al. (1999) untersuchen, ob es einen Zusammenhang zwischen dem Überleben des Unternehmens nach Insolvenzeröffnung und den Rechnungslegungsinformationen aus dem Jahr vor der Beantragung des Insolvenzverfahrens gibt.197 Das Ergebnis des Insolvenzprozesses in dieser Arbeit ist entweder „Erfolg“, hier 197 49 Vgl. Bryan et al (1999), S. 2 erfasst in Form der Zustände Sanierung, Kauf oder Fusion oder „kein Erfolg“, sprich Zerschlagung oder Liquidierung.198 Die Daten der Studie stammen von Compustat und National Automated Accounting Research System (NAARS). Die Stichprobe umfasste 175 Unternehmen, die im Zeitraum 1980-1994 Insolvenz unter dem sog. „Chapter 11“ beantragten.199 Den grundlegenden Treiber für den Erfolg im Insolvenzprozess sehen die Autoren in langfristigem Stress bzw. Solvenzrisiko, und kurzfristigem Stress, bzw. Liquiditätsrisiko.200 Es wird vorhergesagt, das Unternehmen mit niedrigem Solvenzrisiko und hohem Liquiditätsrisiko am wahrscheinlichsten den Insolvenzprozess überleben. Die geringsten Überlebenschancen haben Unternehmen mit hohem Solvenzrisiko und hohem Liquiditätsrisiko201. Das „Solvenzrisiko“ wird in der Studie an der Kennzahl „Zinsdeckungsquote“ (hier dargestellt über das Verhältnis aus earnings before extraordinary items plus interest expense zu interest expense) festgemacht.202 Als Kennzahl für das Liquiditätsrisiko wird das sog. „quick ratio“ (current assets less inventory divided by current liabilities) verwandt.203 In der Analyse wurden Dummy-Variablen eingesetzt. Für jede der vier möglichen Kombinationen aus hohem oder niedrigen Solvenz- bzw. Liquiditätsrisiko wurde ein Dummy verwendet. Die Zuordnung zu hohem oder niedrigem Stress wird aufgrund der Zuordnung zur oberen oder unteren Hälfte der Gesamtheit der Fälle vorgenommen.204 In die Auswertung werden weiterhin die Größen: rangtransformierte Firmengröße (gemessen über die logarithmierte inflationsadjustierte Bilanzsumme), rangtransformierte return-on-assets (net income divided by average total assets205), 198 Vgl. Bryan et al (1999), S. 10 Vgl. Bryan et al (1999), S. 11 200 Vgl. Bryan et al (1999), S. 2 201 Vgl. Bryan et al (1999), S. 2f. 202 Vgl. Bryan et al (1999), S. 12f. 203 Vgl. Bryan et al (1999), S. 13 204 Vgl. Bryan et al (1999), S. 10 205 Vgl. Bryan et al (1999), S. 10 199 50 rangtransformierter net worth (total stockholders’ equity divided by total assets), rangtransformierte retained earnings (retained earnings divided by total assets), free assets geteilt durch total assets (rangtransformiert) (gemessen über die Größen property, plant, and equipment less collateralized loans (hier debt, less mortgages and other secured loans), recession-period (Dummy, 1, falls Insolvenz während einer Rezession auftrat) und Branche (Dummy für Groß- und Einzelhandel, verarbeitendes Gewerbe, Bau) aufgenommen.206 Alle Daten werden für das Jahr, das der Insolvenz vorausgeht, erhoben207 und im Rahmen einer Regression (linear und logistisch)208, ausgewertet. Im Ergebnis sind die Variablen für hohes (niedriges) Solvenz- bzw. Liquiditätsrisiko signifikant mit dem Ergebnis der Sanierung assoziiert. Selbes gilt für die Variable „return on assets“ (rangtransformiert) und den Rezessionsindikator (Dummy; 1Rezession, 0-keine Rezession).209 Die für die Stresskombinationen ermittelten Dummys bzw. Regressionskoeffizienten wurden dann einem „test for difference“ unterzogen. Das Ergebnis bestätigt die eingangs aufgestellten Hypothesen. 210 Um den Einfluss der Unternehmensgröße zu ermitteln, wird die beschriebene Regression in zwei Gruppen – große und kleine Unternehmen, gemessen über „total assets“ – wiederholt. Die Stressfaktoren behalten ihre Signifikanz, ebenso wie der Rezessionsindikator.211 In dieser Studie kamen die folgenden Methoden zur Anwendung: 206 Lineare Regression Testing for difference Rangtransformation Logistische Regression Vgl. Bryan et al (1999), S. 9f. Vgl. Bryan et al (1999), S. 13 208 Vgl. Bryan et al (1999), S. 17 209 Vgl. Bryan et al (1999), S. 15 210 Vgl. Bryan et al (1999), S. 15 211 Vgl. Bryan et al (1999), S. 15 207 51 Dabei konnten die nachstehenden Einflüsse als signifikant ermittelt werden: Einfluss der Zinsdeckungsquote Einfluss des „quick ratio“ Einfluss der rangtransformierten returns on assets Einfluss des Rezessionsindikators In dieser Studie werden die tatsächlichen Ausgänge ausgewertet, statt auf Näherungen auszuweichen. Damit kann diese Studie einen bereits mehrere Male geäußerten Kritikpunkt umgehen. Durch die Verwendung der linearen Regression wird auch ein funktionaler Zusammenhang hergestellt. Allerdings führt die Verwendung eben jener linearen Regression auch zu einer Einschränkung. Die Autoren verwenden Dummy-Variablen für die unterschiedlichen Ausgänge. Diese Variablen sollen nun mittels einer linearen Regression geschätzt werden. Dem Wesen der linearen Regression folgend, kann die aufgestellte Gleichung auch Werte größer 1 oder kleiner 0 liefern. Diese Ergebnisse sind in Bezug auf eine DummyVariable, die die Werte 1 oder 0 annehmen kann, nicht interpretierbar. Andere Methoden sind an dieser Stelle besser geeignet. Die Studie von Barniv et al (2002) entwickelt ein Klassifizierungs- und Vorhersagemodell unter Verwendung einer logistischen Regression, um Unternehmen prognostisch den 3 Kategorien Erwerb durch anderes Unternehmen, erfolgreiche Sanierung oder Liquidation bzw. den zwei Kategorien Erwerb/Sanierung vs. Liquidation zuzuordnen.212 Das Ergebnis der Studie ist ein 10-Variablen-Modell, das auf jeweils 5 Variablen auf dem Bereich Rechnungslegung und aus dem Bereich der nicht-finanziellen Daten beruht. Die Daten stammen von 237 Unternehmen, die zwischen 1980 und 1995 Insolvenz unter Chapter 11 (US Bankruptcy Code) beantragten.213 Im Ergebnis kann Folgendes festgestellt werden: Die Finanzdaten allein verfügen nicht über ausreichenden Erklärungsgehalt: “[The] results indicate that financial statement data alone is not adequate, and researchers as well as external users of accounting data would benefit from using nonfinancial accounting 212 213 52 Vgl. Barniv et al (2002), S. 498 Vgl. Barniv et al (2002), S. 498 information for classifying and predicting bankruptcy resolution.“214 Bei der Auswahl der Variablen gingen die Autoren wie folgt vor. Zuerst wurden Korrelationsanalysen durchgeführt. Von Variablen, die eine hohe Korrelation aufwiesen, wurde nur eine gewählt. In einem zweiten Schritt wurden univariate Analysen durchgeführt, um diejenigen Variablen zu eliminieren, die zwischen den einzelnen Ausgängen nicht signifikant differieren. In einem weiteren Schritt werden durch logistische Regression diejenigen Variablen ausgewählt, die in mindestens einer Kombination statistisch signifikant sind. 215 Die 10 erklärenden Variablen des Modells sind:216 Financial Accounting Variables Net Income/Total Assets The natural logarithm of Total Assets/GDP deflator als Proxy für die Unternehmensgröße (Bilanzsumme/BIP-Deflator) Intangible Assets/Net Sales (je höher, umso attraktiver ist eine Übernahme des Unternehmens) Interest Bearing Debt/Total Liabilities Secured Interest Bearing Debt/Total Liabilities Non-Financial Accounting Variables Fraudulent Activity (1 wenn ein Betrug vorlag, sonst 0) Resignation by Top Management (1 wenn das Top Management zurücktrat, sonst 0); Annahme: ein neues Management ist gut für eine Reorganisation. The number of major classes of bond holders. Herfindahl-Hirchman Index of competition. The index varies between 0 and 1. Annahme: mehr Wettbewerb ist schlecht für eine erfolgreiche Reorganisation. Price weighted CARs (cumulative abnormal returns) from 60 days prior to filing through one day after the filing. 214 Barniv et al (2002), S. 499 Vgl. Barniv et al (2002), 507 216 Vgl. Barniv et al (2002), S. 507f. 215 53 In der vorliegenden Studie verwenden die Autoren eine geordnete logistische Regression. Sie gehen davon aus, dass ein Kauf besser ist als die Sanierung, diese wiederum ist besser als die Liquidation. Diese Reihung wird mit durchschnittlich erzielten „cumulative abnormal returns“ begründet.217 Als Gütemaße für die geschätzten Funktionen werden „rate of correct classification“ und „expected cost of misclassification“ verwandt.218 Bei der Erstellung des Modells teilen die Autoren die Daten in eine Entwicklungs- und eine Teststichprobe.219 Die Autoren dieser Studie setzen eine geordnete logistische Regression ein. Variablen, die zueinander eine hohe Korrelation aufweisen oder univariat nicht signifikante sind, werden eliminiert. Die Autoren ermitteln folgende signifikante Einflussfaktoren: Net Income/Total Assets The natural logarithm of Total Assets/GDP deflator als Näherung für die Unternehmensgröße Interest Bearing Debt/Total Liabilities Secured Interest Bearing Debt/Total Liabilities Fraudulent Activity Resignation by Top Management The number of major classes of bond holders. Herfindahl-Hirchman Index of competition. Price weighted CARs cumulative abnormal returns from 60 days prior to filing through one day after the filing. Durch den Einsatz der logistischen Regression können die Einschränkungen überwunden werden, die das Verwenden der linearen Regression mit sich bringt. Die im Vergleich zur Arbeit von Bryan et al (1999) differierende Methode kann Ursache der unterschiedlichen Ergebnisse der beiden Arbeiten sein. 217 Vgl. Barniv et al (2002), S. 501 Vgl. Barniv et al (2002), S. 499 219 Vgl. Barniv et al (2002), S. 504 218 54 Eine sehr weit reichende Differenzierung eines erfolgreichen Ausgangs der Sanierung nimmt Saldanha (2008) vor. In seiner Arbeit stellt der Autor ein Modell zur Prognose der Genesungswahrscheinlichkeit von notleidenden oder insolventen Unternehmen auf220. Grundlage der Arbeit bilden 820 Unternehmen aus den USA, die in dem Zeitraum 1996-2003 Insolvenz an einem US-Insolvenzgericht anmeldeten.221 Saldanha geht in seiner Arbeit mehrstufig vor. In einem ersten Schritt werden in einer univariaten Analyse die Variablen auf Trennfähigkeit untersucht. Hier fließen sowohl finanzwirtschaftliche Zahlen ein als auch qualitative Faktoren. Die Trennfähigkeit wird mittels R2, Trefferquoten und ROC-Kurven ermittelt. Im Ergebnis entsteht eine Liste geeigneter Faktoren für die folgenden multivariaten Analysen222. Im zweiten Schritt erfolgt eine multivariate Analyse der Faktoren. Dazu werden eine Entwicklungs- und eine Teststichprobe, die etwa 30% der Gesamtdaten umfasst, gebildet223. Die Bildung der beiden Teilstichproben erfolgt randomisiert. Gleichzeitig wurden jedoch sicher gestellt, dass beide Stichproben in Bezug auf die Verteilung liquidierter und genesener Unternehmen, mittlere Größe und Verschuldungsrate homogen sind 224. Der letzte Schritt ist die Überprüfung der erstellten Modelle anhand der Teststichprobe. Die Arbeit betrachtet zum einen die Daten aus dem Jahr vor der Insolvenz. In einem zweiten Analyseschritt werden darüber hinaus noch weitere, länger zurückliegende Daten einbezogen.225 Die Arbeit unterscheidet für die untersuchten Fälle 5 mögliche Ausgänge des Insolvenzverfahrens: gekauft, genesen, wiederholt insolvent, übertragende Sanierung und Liquidation.226 Die vorhandenen 58 Variablen werden über eine Korrelationsanalyse reduziert. 227 Im Vorfeld wurden die Variablen ausgeschlossen, die keiner Normalverteilung folgen.228 220 Vgl. Saldanha (2008), S. 4 Vgl. Saldanha (2008), S. 5f und S. 185 222 Vgl. Saldanha (2008), S. 174f 223 Vgl. Saldanha (2008), S. 175 224 Vgl. Saldanha (2008), S. 203 225 Vgl. Saldanha (2008), S. 234, S. 292 226 Vgl. Saldanha (2008), S. 186ff. 227 Vgl. Saldanha (2008), S. 205ff. 228 Vgl. Saldanha (2008), S. 197f. 221 55 Die einfließenden Variablen werden auf Monotonie überprüft229 und wenn nötig über eine Score-Transformation monotonisiert.230 Für die anschließenden multivariaten Auswertungen auf Basis der Daten aus dem Jahr vor der Insolvenz werden die Variablen ausgewählt, die in univariaten Analysen die beste Prognosekraft mit „selbstständig genesen“ als zu erklärender Variable erreichen231. Es handelt sich dabei um die folgenden 10 Kennzahlen: long term debt – total assets – Ratio (tl_cov) total assets (ta) short term asset coverage (ca_tl) coverage for debt (cf_tl) EBITDA operating cash flow coverage (ocf_cov) interest coverage from total operations (EBITDA_cov) sales brutto cash flow – total liabilities – Ratio (gm_tl) und Gesamtverschuldung (lc_g)232. In der Arbeit werden 15 multivariate Modelle aufgestellt. Diese unterscheiden sich einmal nach der Anzahl der Faktoren (Auswahl vs. alle Faktoren), nach den Informationsstufen (Bilanzkennzahlen, Bilanzkennzahlen + Brancheninformationen, Bilanzkennzahlen + Brancheninformationen + Insolvenzart) und nach der Prognosefunktion (Genesung, Akquisition, Fortführung).233 Am besten können die auf Basis der Entwicklungsstichprobe entwickelten Modelle zwischen den Ausgängen „gekauft“ und „liquidiert“ unterscheiden. Hier werden in den verschiedenen Konstellationen die besten Gütemaße erreicht.234 Diese Bild ändert sich mit Betrachtung der Teststichprobe etwas.235 Das Prognosemodell mit der besten Prognosegüte (ROC von 75,9%) besteht aus den Variablen „tl_cov_c_m“ (der 229 Vgl. Saldanha (2008), S. 207ff. Vgl. Saldanha (2008), S. 219 231 Vgl. Saldanha (2008), S. 237ff. 232 Vgl. Saldanha (2008), S. 237 233 Vgl. Saldanha (2008), S. 279 234 Vgl. Saldanha (2008), S. 281, S. 284 235 Vgl. Saldanha (2008), S. 286 230 56 Mittelwert des Verhältnisses der langfristigen Verbindlichkeiten zu total assets in den Quartalen des Jahres vor Insolvenz) und „EBITDA_c_m“ (Mittelwert der QuartalsEBITDA im Jahr vor Insolvenz) sowie der Art des Insolvenzantrags und bezieht als zu erklärende Variable die Unterscheidung zwischen selbständig genesenen und liquidierten Unternehmen ein.236 Die bisherigen Analysen bezogen sich auf Daten aus dem Jahr vor der Insolvenz. In einem weiteren Schritt werden die Daten aus den zwei der Insolvenz vorangegangenen Jahren genauer betrachtet.237 Es werden wiederum die Variablen mit der besten Erklärungskraft in univariaten Auswertungen bestimmt. Hierbei handelt es sich um die Größen: real interest rate (cfint), asset coverage (teq_cov), operating cash flow coverage (ocf_cov), EBITDA, EBITDA-Liquidität (EBITDA_cov), total assets (ta), short term asset coverage (ca_tl), sales, Brutto-Cash-Flow – Verbindlichkeiten – Ratio (gm_tl) und total debt (lc_g).238 Auf Basis der Quartalsdaten erreicht ein Modell in der Entwicklungsstichprobe die höchsten Gütemaße, das aus dem 4. Quartal des Insolvenzjahres die Größen „operating cash flow ratio“ (ocf_q_tr), „operational net income“ (neti_ac_tr) und kurzfristige Liquidität (rc_l_tr) einbezieht.239 Werden Informationen über die Art der Insolvenz aufgenommen, erreicht das Modell eine bessere Prognosegenauigkeit.240 Wird die Analyse auf die Teststichprobe ausgedehnt, kann festgestellt werden, dass die Aussagekraft der Quartalsdaten scheinbar zufällig schwankt. Ein bester Prognosezeitpunkt kann nicht ausgemacht werden.241 Als Ergebnis der unterschiedlichen Ansätze in der Generierung der Modelle wird festgestellt, dass Modelle, die zwischen „genesen“ und „liquidiert“ unterscheiden, stets die besten Ergebnisse lieferten.242 Weiterhin zeigt sich, dass die Modelle die höheren Gütemaße erreichen, die alle der univariat erklärungskräftigen Variablen („enter“) enthalten. Die erreichten Gütemasse sinken, wenn lediglich die signifikantesten Variablen („cond“) aufgenommen 236 Vgl. Saldanha (2008), S. 291 Vgl. Saldanha (2008); S. 292 238 Vgl. Saldanah (2008), S. 298 239 Vgl. Saldanha (2008), S. 295 240 Vgl. Saldanha (2008), S. 297 241 Vgl. Saldanha (2008), S. 297 242 Vgl. Saldanha (2008), S. 297 237 57 werden.243 Bei der Auswertung der Daten zwei Jahre vor Insolvenz zeigt sich, dass diese die schlechteste Prognosekraft besitzen. Zu diesem und zu früheren Zeitpunkten ist eine Genesungsprognose damit schwieriger als mit aktuellerem Zahlen.244 Saldanha kommt außerdem zu dem Schluss, dass unterschiedliche Stadien der Krise des Unternehmens jeweils eigene Prognosemodelle erfordern.245 Saldanha wendet in seiner Arbeit die nachstehenden Methoden an: Reduzierung der Variablen durch Korrelationsanalysen Monotonisierung durch Score-Transformation Einsatz verschiedener Gütemaße (R2, Trefferquoten, ROC) Logistische Regression Bestimmung von univariat prognosestarken Faktoren und Bildung von Modellen auf deren Basis Verwenden einer Entwicklungs- und einer Teststichprobe Diese Untersuchung kann die folgenden Faktoren als aussagekräftig ermitteln: Verhältnis langfristige Verschuldung zu „total assets“ im Jahr der Insolvenz Durchschnitt der Quartals-EBITDA im Jahr vor Insolvenz Unterjährig „operating cash flow ratio“, „operational net income“ und kurzfristige Liquidität long term debt/total assets (tl_cov), total assets (ta), short term asset coverage (ca_tl), coverage for debt (cf_tl), EBITDA, operating cash flow coverage (ocf_cov), interest coverage from total operations (EBITDA_cov), sales, brutto cash flow/total liabilities (gm_tl) und Gesamtverschuldung (lc_g) real interest rate (cfint), asset coverage (teq_cov), operating cash flow coverage (ocf_cov), EBITDA, EBITDA-Liquidität (EBITDA_cov), total assets (ta), short term asset coverage (ca_tl), sales, Brutto-Cash-Flow – Verbindlichkeiten – Ratio (gm_tl) und total debt (lc_g) 243 Art der Insolvenz Vgl. Saldanha (2008), S. 284, S. 294 Vgl. Saldanha (2008), S. 300 245 Vgl. Saldanha (2008), S. 295 244 58 operating cash flow ratio (ocf_q_tr), operational net income (neti_ac_tr) und kurzfristige Liquidität (rc_l_tr)246 Auch Saldanha reduziert die Zahl der einfließenden Variablen durch eine entsprechende Korrelationsanalyse. Variablen, die nicht monoton waren, wurden im Vorfeld durch den Autor monotonisiert. Weiterhin werden die Variablen in dieser Arbeit in zwei Stufen ausgewertet. Eine univariate Analyse ermittelt Einflussgrößen, die dann in einer multivariaten Analyse getestet werden. Die ermittelten Einflussfaktoren unterscheiden sich von den bisher vorgestellten Arbeiten. Die Zahl der Einflussfaktoren ist bei Saldanha im Vergleich zu den anderen Arbeiten hoch. 2.4.4 Prognose der Wahl eines Weges in der Sanierung Eine Sanierung ist auf verschiedenen Wegen möglich. Denkbar ist die Wahl des juristisch im Rahmen der Insolvenzgesetzgebung definierten Weges. Auf der anderen Seite besteht die Möglichkeit, dass sich das Unternehmen außerhalb dieses formalen Weges mit seinen Gläubigern einigt. Die nachstehend aufgeführten Arbeiten versuchen zu prognostizieren, welcher Weg im Rahmen einer Sanierung gewählt wird. Gilson et al (1990) untersuchen in ihrer Studie, welche Faktoren dazu führen, dass Firmen Verbindlichkeiten außerhalb des regulären Insolvenzprozesses regeln. Die Untersuchung basiert auf 169 börsennotierten Unternehmen, die im Zeitraum von 1978 bis 1987 Zahlungsstörungen aufwiesen.247 Die Auswahl der Firmen erfolgt zweistufig: Zuerst wurden für jedes untersuchte Jahr die Firmen nach ihren über 3 Jahre kumulierten Returns an der NYSE in eine Rangfolge gebracht. Von dieser Gesamtheit wurden die unteren 5% auf Hinweise auf eine Restrukturierung überprüft.248 Die notwendigen Daten stammen aus unterschiedlichen Quellen, darunter COMPUSTAT und WSJ.249 Der Einfluss der Variablen wird der Zusatz „_tr“ bezeichnet hier aufgrund fehlender Monotonie transformierte Größen Vgl. Gilson et al (1990), S. 316 248 Vgl. Gilson et al (1990), S. 325f. 249 Vgl. Gilson et al (1990), S. 327 246 247 59 über Mittelwertvergleiche bzw. über den Wilcoxon-Rangsummen-Test bestimmt.250 Die Mittelwerte für die Variablen market value / replacement cost ratio und bank-debt ratio unterscheiden sich im Ergebnis zwischen den beiden Gruppen private Sanierung vs. Sanierung im Rahmen einer Insolvenz signifikant.251 Es wird die standardisierte Anzahl der Gläubiger als das Verhältnis aus der Anzahl der ausstehenden Fremdkapitalkontrakte und dem Nominalvolumen der gesamten Verbindlichkeiten definiert. Dieser Wert ist für Firmen, die eine Insolvenz vermeiden, signifikant geringer.252 Weiterhin sind privat restrukturierte Firmen im Median signifikant größer, gemessen nach Buchwert der Aktiva und erzielen signifikant höhere Returns.253 In einem weiteren Analyseschritt werden die möglichen Ausgänge (private Sanierung vs. Sanierung im Rahmen einer Insolvenz) als abhängige Variable in einer logistischen Regression eingesetzt. Die Variablen market value / replacement cost ratio, bank-debt ratio und standardisierte Anzahl an Gläubigern werden als erklärende Variable eingesetzt. Sowohl in der multivariaten Analyse mit allen drei Variablen als auch jeweils in univariaten Analysen erreichen diese Variablen signifikanten Einfluss.254 Der letzte Teil der Untersuchung widmet sich den Aktien-Returns. Es zeigt sich, dass bei Firmen, die privat sanieren, kumulierte abnormale Returns von 41,4% auftreten, gegenüber -39,9% für im Rahmen einer Insolvenz sanierte Firmen.255 Die Autoren dieser Studie stützen sich auf folgende Methoden Mittelwertvergleich Wilcoxon Rangsummen Test Logistische Regression Es werden die folgenden Einflussgrößen ermittelt: 250 market value / replacement cost ratio bank debt ratio standardisierte Anzahl an Gläubigern Vgl. Gilson et al (1990), S. 334ff. Vgl. Gilson et al (1990), S. 336 252 Vgl. Gilson et al (1990), S. 334 253 Vgl. Gilson et al (1990), S. 334 254 Vgl. Gilson et al (1990), S. 338 255 Vgl. Gilson et al (1990), S. 344 251 60 Im Rahmen ihrer Studie untersuchen Jacobs et al (2008), ob es Faktoren gibt, die zum einen Rückschluss auf den gewählten Prozess (privates work out vs. Insolvenz) zulassen und die zum anderen eine Prognose des Ergebnisses (Liquidation vs. Reorganisation) zu lassen.256 Die Autoren setzen bei ihrer Analyse geordnete logistische Regression, lokale Regression und sog. feed-forward neural networks ein.257 Dabei zeigt sich, dass gemessen an der Klassifikationsgenauigkeit die geordnete logistische Regression die besten Ergebnisse erzielt.258 Der Datensatz, der die Basis der Untersuchung bildet, besteht aus 518 USamerikanischen börsengehandelten Firmen, die in den Jahren 1985-2004 einen Ausfall oder eine Zahlungsstörung verzeichneten.259 Bei der Prognose des Prozesses, also Insolvenz oder außergerichtliche Einigung, wird folgendes festgestellt. Unternehmen, die einen höheren Leverage, kleinere Größen (gemessen über den Marktwert des Eigenkapitals260), niedrigere Tobin´s Q, höhere Profitabilität (gemessen als return on equity261), mehr Schuldnerklassen und mehr subordinierte Schulden haben, werden eher außerhalb einer Insolvenz, also außergerichtlich eine Sanierung erreichen können.262 Weiterhin weisen Unternehmen, die eine private Sanierung erreichen, höhere Altman Z-Scores263 und höhere cumulative abnormal returns auf.264 Weitere signifikante Merkmale für den Prozess des work out sind ein regionaler Dummy für District of New York und District of Delaware und die Aussage des Wirtschaftsprüfers.265 In einem weiteren Schritt wird untersucht, welche Charakteristiken den verschiedenen Ausgängen (Liquidation vs. Sanierung) zugrunde liegen. Dabei wird festgestellt, dass die Firmen weniger wahrscheinlich liquidiert werden, die einen höheren Leverage, mehr immaterielle Vermögensgüter und einen höheren operativen Cash Flow haben. Die Wahrscheinlichkeit der Liquidation steigt mit zunehmender Liquidität.266 Die Größen werden hier wie folgt operationalisiert. Leverage wird gemessen über das sog. long term debt ratio und 256 Vgl. Jacobs et al (2008), S. 1 Vgl. Jabobs et al (2008), S. 12f. 258 Vgl. Jacobs et al (2008), S. 2 259 Vgl. Jacobs et al (2008), S. 20 260 Vgl. Jacobs et al (2008), S. 25 261 Vgl. Jacobs et al (2008), S. 40 262 Vgl. Jacobs et al (2008), S. 24 263 Vgl. Altman (1968) 264 Vgl. Jacobs et al (2008), S. 24 265 Vgl. Jabobs et al (2008), S. 25 266 Vgl. Jacobs et al (2008), S. 26 257 61 das Verhältnis aus long term debt zu Marktwert. Die immateriellen Vermögenswerte werden mittels des intangible ratios gemessen. Liquidität wird über das Verhältnis aus net working capital und total assets bestimmt.267 In der vorliegenden Studie kommen folgende Methoden zur Anwendung: geordnete logistische Regression lokale Regression feed-forward neurale Netzwerke Es werden folgende Einflüsse als signifikant ermittelt: Leverage ratio (long term debt ratio und long term debt zum Marktwert des Eigenkapitals) Return on Equity Anzahl der Gläubigerklassen Marktwert des Eigenkapital CARs Tobins Q Quick ratio Altmans Z-Score Dummy für District of New York oder District of Delaware Aussage des Abschlussprüfers Intangible Ratio Net working Capital zu total assets Die hier vorgestellten empirischen Arbeiten versuchen qualitative oder quantitative Daten zu finden, die geeignet sind, das Ergebnis einer Sanierung vorherzusagen. Die als signifikant ermittelten Variablen werden auch am hier untersuchten Datensatz getestet. 2.4.5 Würdigung der Studien zum Einfluss der Lage des Unternehmens In einigen der zitierten Studien werden die Variablen nicht nur in ihrer absoluten Ausprägung getestet, sondern auch Variablen generiert, die die Änderung einer 267 62 Vgl. Jacobs et al (2008), S. 41 Variable im Zeitablauf abbilden. Vor diesem Hintergrund wird folgende These aufgestellt. These 8: Auf das Ergebnis einer Sanierung haben nicht nur die absoluten Ausprägungen der Kennzahlen zu einem bestimmten Zeitpunkt Aussagekraft, sondern auch die durch geeignete Maße beschriebene Entwicklung der Variable im Zeitablauf. Die hier aufgeführten Arbeiten haben ihren Schwerpunkt auf US-amerikanischen Unternehmen. Nur eine Studie untersucht deutsche Unternehmen. Das Insolvenzrecht hat große Auswirkungen, nicht nur auf die Zahl der Insolvenzen, sondern auch auf das Verhalten der Unternehmer.268 Darüber hinaus beeinflusst die Ausgestaltung des Insolvenzrechts auch die Qualität des Insolvenzgeschehens. Hierbei wird betrachtet, welche Partei, Schuldner, Gläubiger oder die Gesellschaft, im Fokus der Regelungen steht.269 Die Ergebnisse der Studien sind damit stark von den Besonderheiten des US-amerikanischen Insolvenzrechts geprägt. Die gefundenen Einflüsse sind vor diesem Hintergrund nur eingeschränkt auf deutsche Verhältnisse übertragbar. Es bedarf weiterer Untersuchungen anhand deutscher Unternehmen, um Vergleiche vornehmen zu können. Ein Einfluss des Rechtssystems wird in der These 9 getestet. These 9: Aufgrund des unterschiedlichen rechtlichen Rahmens unterscheiden sich die Einflussfaktoren für Unternehmen aus Deutschland von denen für Unternehmen aus dem US-amerikanischen Raum. Die zitierten Studien stützen sich auf öffentlich verfügbare Daten. Quelle sind oft Daten von Börsen oder von Datenbanken. Keine Studie kann sich auf Daten beziehen, die beim begleitenden Kreditinstitut entstehen oder erhebbar sind. These 10: Aufgrund seiner Möglichkeit, Variablen zu erheben, die einem außenstehenden Dritten nicht zur Verfügung stehen, kann ein Kreditinstitut den Ausgang der Sanierung besser vorhersagen. 268 269 63 Vgl. Osterkamp (2006), S. 23. ebenda Ein Teil der Studien stützt sich auf börsennotierte Unternehmen. Es scheint durchaus möglich, dass die Einflüsse im Sanierungsprozess bei diesen Unternehmen andere sind als bei nicht-börsennotierten Unternehmen. Ein expliziter Test auf unterschiedliche Einflüsse in den beiden Kategorien ist nicht möglich, da ein Unternehmen entweder der einen oder der anderen Kategorie angehört. Somit ist es nicht möglich zu prüfen, ob die Einflussfaktoren je nach Status (börsennotiert vs. nicht börsennotiert) divergieren. 2.5 Ansätze zur Weiterentwicklung der bestehenden Literatur In den Abschnitten 2.3 und 2.4 wurden Arbeiten vorgestellt, die ähnliche Fragestellungen untersuchen, wie sie auch in dieser Arbeit im Vordergrund stehen. Es wurden Punkte aufgeführt, die eine Weiterentwicklung der bestehenden Arbeiten darstellen. Einige der genannten Punkte können in dieser Arbeit umgesetzt werden. Im Folgenden werden diese Weiterentwicklungen zusammengefasst. Dieser Abschnitt beschreibt somit die Punkte, in denen die hier vorliegende Arbeit die bestehende Literatur ergänzt und somit zum Erkenntnisfortschritt auf dem hier untersuchten Gebiet beiträgt. Mit dieser Arbeit werden die Einflussgrößen, die andere Autoren bereits identifizieren konnten, an einem eigenständigen Datensatz getestet. Mit diesem Schritt kann diese Arbeit dazu beitragen, allgemeingültige Aussagen zu bestätigen oder abzuleiten. Die spezifische Beschaffenheit der Datensätze, die unterschiedlichen Rahmenbedingungen in Zeitpunkt der Erhebung der Daten und nicht zuletzt die Vielfalt in den angewandten Methoden kann dazu führen, dass jeder Autor andere Faktoren bestimmt. Um diesen Punkt konsequent weiterzuführen, müssten die Datensätze aller hier zitierten Studien mit einer einheitlichen Methode ausgewertet werden. Dabei müssten relevante Umwelteinflüsse, wie beispielsweise das im Zeitpunkt der Erhebung geltende Insolvenzrecht, identifiziert und berücksichtigt werden. Dieses Vorhaben scheitert jedoch an den nicht vorhandenen Ressourcen, um die Fülle der notwendigen Daten zu erheben und zu verarbeiten. Darüber hinaus sind Daten zum Teil nicht mehr oder nicht frei verfügbar. 64 Die Arbeiten im Abschnitt 2.3 widmen sich den Maßnahmen und deren Auswirkungen auf das Ergebnis der Sanierung. Die meisten der dort aufgeführten Arbeiten können aufgrund der Datenherkunft nicht das konkrete Ergebnis der Sanierung als zu erklärende Variable verwenden, sondern müssen auf Hilfsgrößen ausweichen. Der wesentliche Beitrag, den die hier vorliegende Arbeit leisten kann, liegt in der Herkunft der Daten. Die Verarbeitung der Daten, wie sie beim Kreditinstitut vorliegen, erlaubt es, das Ergebnis der Sanierung als tatsächliches Ergebnis zu erfassen. Ein Ausweichen auf Hilfsvariablen zur Abbildung des Ausgangs der Sanierung ist nicht notwendig. Anstelle von Maßnahmenbündeln, wie sie in anderen Arbeiten einbezogen werden, bilden hier die jeweiligen einzelnen Maßnahmen den Kern der Untersuchung. Somit kann insbesondere ermittelt werden, welche Maßnahmen, die andere Autoren in einem Bündel zusammenfassen, den größeren Einfluss auf das Ergebnis der Sanierung hat. Wie ein Blick auf die einzelnen Studien im Abschnitt zeigt 2.4 , ist die Bandbreite der ermittelten Einflussgrößen groß. Jede der aufgeführten Studien ermittelt andere Kennzahlen, die eine Prognose des Ergebnisses der Sanierung zulassen. Kein Einflussfaktor kann in allen Studien bestätigt werden. Aufgrund der unterschiedlichen Zeiträume, Methoden und Datensätze scheint die Vergleichbarkeit der Studien eingeschränkt. Die Prognose, welche Faktoren im hier vorliegenden Datensatz ausreichende Aussagekraft erlangen, ist kaum möglich. Aus diesem Grund wird in der hier vorzustellenden Analyse eine große Anzahl an Variablen bestimmt und überprüft. So besteht zum einen die Möglichkeit, die bereits bestimmten Einflussgrößen erneut auf ihre Aussagekraft in dem hier zugrunde liegenden Datensatz zu testen und zum anderen können eventuelle weitere Einflussgrößen aufgedeckt werden. Die Autoren der vorgestellten Studien berechnen die Variablen häufig als absolute Kennzahlen270. An einigen Stellen werden die Kennzahlen logarithmiert.271 An 270 Beispielsweise Bilanzsumme, S. 43 oder Verhältnis aus Nettoergebnis zu Bilanzsumme, S. 44 Zum Beispiel wurde der Marktwert der „total assets“ bei Campbell (1996) als logarithmierter Wert getestet. Siehe S. 46. 271 65 anderen Stellen werden auch Variablen ermittelt, die Änderungen im Zeitablauf abbilden.272 Eine konsequente Fortsetzung dieser Ansätze erfolgte bisher in keiner der zitierten Arbeiten. Die Autoren beschränken sich auf einige Variablen. Es scheint durchaus plausibel, dass die Änderung einer Variable im Zeitablauf einen Einfluss auf das Ergebnis der Sanierung hat. Eine positive Veränderung von Kennzahlen zur Liquidität kann ein Zeichen sein, dass entsprechende Maßnahmen Erfolg haben. In dem Ausmaß der Verbesserung der Liquidität kann darüber hinaus auch ein Indiz für den Erfolg der Sanierung vorliegen. Bei Unternehmen, denen es gelingt, ihre Liquiditätskennzahlen deutlicher zu verbessern, könnte eine höhere Wahrscheinlichkeit einer erfolgreichen Sanierung vorliegen. Der Einfluss der Entwicklung der Variablen im Zeitablauf soll in dieser Arbeit daher ebenfalls getestet werden. Um dies zu ermöglichen werden für alle Variablen, die aus den zur Verfügung stehenden Daten ermittelt werden, zum einen eine logarithmierte Form in die Auswertung aufgenommen und zum anderen wird eine zusätzliche Variable geschaffen, die die Änderung zwischen den Zeitpunkten der Messung wiedergibt. 273 Die Bestimmung der Änderungszeitreihe erlaubt einen ersten Blick in die Entwicklung der betrachteten Variable im Zeitablauf. Um diese Betrachtung zu vervollständigen, werden weiterhin statistische Maße, wie Durchschnitt, Median oder Standardabweichung, berechnet.274 Die in den Abschnitten 2.3 und 2.4 vorgestellten Arbeiten haben das Ziel, signifikante Einflussgrößen zu bestimmen. Die Autoren gehen über die Identifizierung eben jener Einflussgrößen nicht hinaus. Eine Analyse, in welchem Ausmaß die ermittelten Größen das Ergebnis der Sanierung beeinflussen, erfolgt nicht. Wie die Studien zeigen, welche Maßnahmenbündel untersuchen, können unterschiedliche Maßnahmen durchaus das gleiche Ziel verfolgen.275 Die Frage, welche von zwei als signifikant ermittelten Einflussgrößen einen größeren Einfluss auf den jeweiligen Ausgang hat, wird nicht beantwortet. Dieser Schritt wird in der hier vorliegenden 272 Casey (1986) ermittelt die Änderung der Bilanzsumme innerhalb eines bestimmten Zeitpunktes als signifikant. Siehe hierzu S. 44. 273 Die Berechnung dieser Variable wird auf Seite LX beschrieben. 274 Ein Überblick über die Ausprägungen und deren Bezeichnung findet sich im Anhang 8.8.5 auf S. LX 275 Siehe hierzu beispielsweise die Studie von Robbins und Pearce (1992) auf S. 20ff., die verschiedene Maßnahmen untersuchen, die dazu dienen, die Assets oder die Kosten zu reduzieren. Die untersuchten Maßnahmenbündel enthalten unterschiedliche Einzelmaßnahmen, werden gleichwohl nicht detailliert betrachtet. 66 Arbeit vollzogen. Es werden nicht nur die signifikanten Einflussgrößen bestimmt, sonder es erfolgt auch eine explizite Analyse jeder als signifikant ermittelten Einflussgröße auf ihre Wirkrichtung und ihren Einfluss auf das Ergebnis der Sanierung. 67 3 Methodik der Untersuchung Nach dem der vorangegangene Abschnitt den theoretischen Rahmen absteckt, in dem sich die hier vorliegende Arbeit bewegt, steht in diesem Kapitel die Methodik im Fokus. Die Beschreibung deckt die Schritte der Arbeit ab, von der Erhebung der Daten und deren Transformation in Variablen bis hin zur Darstellung des Vorgehens bei der Auswertung der Variablen. 3.1 Erhebung der Daten und Transformation in Variablen Wie in den vorherigen Abschnitten dargelegt wurde, werden im Rahmen dieser Arbeit Variablen aus mehreren Bereichen ermittelt. Die Daten des Datensatzes zur Lage des Unternehmens werden zu qualitativen und quantitativen Variablen transformiert. Weitere Variablen werden aus zu den ergriffenen Maßnahmen bestimmt. Die nachstehenden Abschnitte beschreiben das Vorgehen, welches bei dieser Transformation Anwendung fand. Diesen Ausführungen schließt sich eine Beschreibung der statistischen Maße, die aus den Variablen errechnet werden und die Methoden, mit denen die Auswertung erfolgen wird, an. Den Schluss dieses Kapitels bildet eine Beschreibung des Vorgehens in den Analysen. 3.1.1 Aufbereitung der Daten Um die erfassten Daten auswerten zu können, müssen sie entsprechend aufbereitet und in Variablen transformiert werden. Im Folgenden werden die vorgenommenen Bearbeitungsschritte und die zu generierenden Variablen beschrieben. Wie bereits angedeutet wurde, werden die Informationen zu Branchen und Rechtsform der einzelnen Engagements als Dummy-Variablen weiterverarbeitet. Wenn eine bestimmte Branche oder Rechtsform vorliegt, nimmt der zugehörige Dummy den Wert 1 an, andernfalls wird eine Null gesetzt. Der erste der folgenden Abschnitte widmet sich der Kodierung der Informationen, die zu den Maßnahmen erfasst wurden. Daran schließt sich die Beschreibung der 68 Variablen auf Basis der qualitativen Daten an. Der letzte Teil dieses Abschnittes stellt die Variablen vor, die aus den Jahresabschlüssen generiert wurden. 3.1.2 Kodierung der Maßnahmen Aus dem Datensatz kann eine Vielzahl an Informationen zu den Maßnahmen erhoben werden. Durch eine Systematisierung aller Schritte, die sowohl das Unternehmen als auch das Kreditinstitut im Rahmen der Sanierungsbemühungen ergreift, können wiederkehrende Maßnahmen bestimmt werden. Diese Informationen müssen nun in auswertbare Variablen überführt werden, um die noch folgenden Analysen durchführen zu können. Dieser Vorgang wird hier als Kodierung beschrieben. Im Ergebnis dieses Schrittes liegen für jeden Fall des Datensatzes Variablen vor, die die Anzahl bestimmter Maßnahmen messen. Diese Variablen wiederum lassen sich Kategorien zuordnen, die dann, auf einer höheren Aggregationsebene, ebenfalls in die Auswertungen einfließen. Bei der Zuordnung der Variablen zu Kategorien, im Folgenden die Kodierung auf der Gesamtebene in Abgrenzung zur Kodierung auf Detailebene, wird auf die bereit beschrieben Unterteilung276 der Maßnahmen in den finanzwirtschaftlichen, leistungswirtschaftlichen und strategischen Bereich zurückgegriffen. In diese Bereiche werden ebenso die Maßnahmen des Kreditinstitutes eingeordnet277, wenn sie auf die in den jeweiligen Bereichen im Fokus stehenden Größen gerichtet sind. 3.1.2.1.1 Kodierung der Maßnahmen auf der Gesamtebene Für jede Maßnahme, die im Datensatz beobachtet wurde kann nun, wie bereits ausgeführt, eine Zuordnung zu einem Bereich vorgenommen. Diese Zuordnung wird auf der Gesamtebene vorgenommen. Im Gegensatz hierzu erfolgt eine Erfassung der einzelnen Maßnahmen auf der Detailebene, worauf später eingegangen wird. Für jeden Bereich bzw. jede Kategorie wird eine Dummy-Variable278 eingeführt, die dann den Wert 1 annimmt, falls eine Maßnahme dem entsprechenden Bereich zuzuordnen ist. Weiterhin wird eine Kategorie279 eingeführt, die Maßnahmen aufnimmt, die den 276 Siehe hierzu die Ausführungen auf S. 17ff. Hierzu wurden unter dem Punkt 2.3.3 auf S. 32f. Ausführungen gemacht. 278 „fw“ als Dummy für finanzwirtschaftliche Maßnahmen, „lw“ als Dummy für leistungswirtschaftliche Maßnahmen und „st“ als Dummy für strategische Maßnahmen 279 Der Dummy für diese Kategorie erhält die Bezeichnung „and“ 277 69 genannten Bereichen nicht zuzuordnen sind. Auf diese Weise ist es möglich, Auswertungen auf der Aggregationsstufe der betroffenen Bereiche vorzunehmen. Insbesondere bei Maßnahmen, deren Umsetzung allein in den Händen des Unternehmens liegt, und deren Ergebnisse nicht direkt messbar sind, ist eine genaue Bestimmung der Maßnahme schwer möglich. In den Unterlagen des Kreditinstitutes finden sich oft Hinweise darauf, dass eine solche Maßnahme, zum Beispiel „Senkung der Personalkosten“, durch die Unternehmensleitung geplant ist. Der genaue Zeitpunkt, an dem die Maßnahme ergriffen wird, ist aus Sicht des Kreditinstitutes mit vertretbarem Aufwand nicht bestimmbar. Dennoch soll versucht werden, auch solche Maßnahmen in die Auswertung einzubeziehen. Um dies zu ermöglichen, werden Größen herangezogen, die einen Rückschluss auf das Ergreifen einer solchen Maßnahme zulassen. Im Beispiel „Senkung der Personalkosten“ kann dies über die Kennzahl „Personalintensität“ erfolgen. Dabei wird in Kauf genommen, dass diese Kenngrößen nicht ausschließlich durch die betrachtete Maßnahme beeinflusst werden, sondern unter Umständen auch anderen Einwirkungen unterliegen. 280 Es erfolgt also eine Unterteilung in direkte Maßnahmen, welche in der Form dokumentiert sind und indirekte Maßnahmen, welche wie beschrieben aus anderen Informationen abgeleitet werden. Das Vorliegen einer solchen direkten oder indirekten Maßnahme wird in einer entsprechenden Dummy-Variable281 gespeichert. 3.1.2.1.2 Kodierung der Maßnahmen auf der Detailebene Neben der Vergabe der eben beschriebenen Variablen werden die Maßnahmen darüber hinaus auf der Detailebene kodiert. Einige konkrete Maßnahmen werden im Laufe einer Sanierung wiederholt ergriffen bzw. werden bei verschiedenen Engagements angewendet. Durch eine Auswertung der erhobenen Daten können die jeweiligen Maßnahmen bestimmt werden. Darüber hinaus werden sie, ihrem Fokus 280 Wie im Punkt 8.8.2 bzw. in Tabelle 90, S. LIX dargestellt wird, ist diese Kennzahl das Verhältnis aus Personalkosten und Umsatz. Damit zeigt eine Erhöhung des Umsatzes bei gleich bleibendem Umsatz eine Reduzierung der Personalintensität an. Dies kann jedoch auf andere Einflüsse zurückzuführen sein und bildet in diesem Fall nicht das Ergebnis der Maßnahme „Senkung der Personalkosten“ ab. In dem Fall, dass eine dieser so beschriebenen Maßnahmen Erklärungskraft erlangt, werden weiterführende Analysen vorgenommen. 281 Für jede Variable wird ein Dummy „direkt“ eingeführt, der j den Wert 1 annimmt, falls die Maßnahme als direkt im hier beschriebenen Sinne einzuordnen ist. Für eine indirekte Variable nimmt dieser Dummy dementsprechend den Wert 0 an. 70 nach, einer der bereits beschriebenen Kategorien282 zugeordnet werden. Es werden Variablen eingeführt, die die Häufigkeit, mit der in jedem Fall bestimmte Maßnahmen ergriffen werden, abbilden. Nachstehend wird nun einen Überblick über diese Variablen und die Kategorien, denen sie zugeordnet werden, gegeben. Dieser Abschnitt gibt einen Überblick über die Maßnahmen im finanzwirtschaftlichen, also auf die Liquidität oder die Kapitalstruktur gerichteten, Bereich und den ihnen zugeordneten Variablen.283 Es werden Variablen für bestimmte Maßnahmen gesetzt, die im Laufe der Sanierung von einer der beteiligten Seiten ergriffen werden. Beispiele sind hier Maßnahmen wie „Neueinräumung Kredit“ oder „Umschuldung“. Im Bereich der finanzwirtschaftlichen Maßnahmen kann eine Unterteilung vorgenommen werden in autonome Maßnahmen, also Maßnahmen, die durch das Unternehmen ohne Einbeziehung einer dritten Partei umgesetzt werden können, und heteronome Maßnahmen.284 Zur Abbildung dieser Systematisierung werden ebenfalls Variablen erfasst.285 Eine Aufstellung über die beobachteten Maßnahmen und die Bezeichnung der Variablen befindet sich im Anhang.286 Wie bereits bei den Maßnahmen auf der Gesamtebene beschrieben wurde, können einige Maßnahmen nur aus anderen Informationen abgeleitet werden. Diese Maßnahmen werden in dieser Untersuchung als „indirekte“ Maßnahmen bezeichnet. Oft besteht keine andere Möglichkeit, Anhaltspunkte für die Umsetzung bestimmter Maßnahmen zu finden, so dass in diesen Fällen auf diese Art der Bestimmung zurückgegriffen wird. Für die hier zu machenden Analysen werden solche indirekten Variablen aus der Bilanz des Unternehmens287 abgeleitet. 282 Vgl. hierzu die Ausführungen im Punkt 2.3.2 auf S. 17f. Details zu den Maßnahmen im finanzwirtschaftlichen Bereich finden sich im Punkt 2.3.2.1 auf S. 17ff. 284 Siehe hierzu die Erläuterungen unter 2.3.2.1 285 Die Abbildung erfolgt für diese Zuordnung auf zwei Ebenen. Zum einen können Maßnahmen dem Bereich „autonom“ oder „heteronom“ gemäß der Darstellung in Tabelle 3 auf S. 21 zugeordnet werden. Mit Vorliegen der Analysen kann dann jede in die Modelle aufgenommene Variable auf ihre Zugehörigkeit zu einer der beiden Kategorien überprüft werden und Rückschlüsse gezogen werden. Darüber hinaus werden Variablen eingeführt, die je Fall die Anzahl der Maßnahmen einer Kategorie und die Dichte dieser Art von Maßnahmen messen. 286 Siehe hierzu Tabelle 71 auf S. XVII 287 Eine Übersicht über diese indirekten Variablen, deren Bezeichnung und Berechnung, ist in der Tabelle 72 auf S. XVIII zu finden. 283 71 Im Gegensatz zu dem eben beschriebenen Vorgehen, aus der Bilanz indirekte Maßnahmen abzuleiten, lassen sich insbesondere zwei direkte Maßnahmen ebenfalls aus der Bilanz bestimmen. Es handelt sich dabei um die Maßnahmen „Reduzierung von Aktiva“ – fw_70 und „Reduzierung des Anlagevermögens“ – fw_71. Im Unterschied zu den oben aufgeführten indirekten Maßnahmen wurden die Variablen fw_70 und fw_71 beobachtet bzw. ihre Umsetzung explizit dokumentiert. Sie sind also als „direkte Maßnahmen“ zu betrachten. Dieser Abschnitt widmet sich der zweiten Kategorie. Hier werden Maßnahmen eingeordnet, die die Kostenstruktur des betroffenen Unternehmens beeinflussen. Ein Beispiel kann die Senkung der Personalkosten sein. Diese Maßnahmen werden nicht in allen Fällen der Bank explizit offen gelegt. Sie sind durch Änderung von Relationen in der Gewinn- und Verlustrechnung ableitbar 288 und können ebenfalls als indirekte Maßnahmen eingeordnet werden.289 Die letzte hier zu beschreibende Kategorie umfasst die Maßnahmen im strategischen Bereich. Ziel dieser Maßnahmen ist die Wiederherstellung der Erfolgspotentiale des Unternehmens. 290 In diesem Datensatz können nur solche strategische Maßnahmen aufgenommen werden, die dokumentiert wurden. Es ist denkbar, strategische Maßnahmen ebenfalls als indirekte Maßnahmen zu erfassen. Maßnahmen in diesem Bereich benötigen jedoch länger, ehe sie wirksam werden291. Die Dokumentation der Fälle, die für diesen Datensatz ausgewertet wurden, erstreckt sich nicht über einen ausreichend langen Zeitraum, als dass die Möglichkeit zur indirekten Erfassung solcher Maßnahmen bestand. Darüber hinaus sind mögliche Quellen für Informationen zu strategischen Maßnahmen noch stärker durch andere Faktoren beeinflusst. Als strategisch wurden hier im Datensatz Maßnahmen wie beispielsweise „Schließung von Betriebsteilen“ oder „Neubestellung eines Geschäftsführers“ 288 Die Maßnahmen des leistungswirtschaftlichen Bereiches werden in Tabelle 73 auf S. XIX dargestellt. 289 Eine gesonderte Variable, die die Eigenschaft als indirekte Variable kennzeichnet, wird hier nicht eingeführt. Diese Unterscheidung erfolgt, um innerhalb einer Kategorie den Einfluss direkter und indirekter Maßnahmen untersuchen zu können. Da alle Maßnahmen dieser Kategorie als indirekt einzustufen sind, entfällt die Notwendigkeit einer Unterscheidung in der Bezeichnung der Variablen. 290 Erläuterungen zu diesen Maßnahmen sind unter Punkt 2.3.2.3 auf S. 29ff. zu finden. 291 Vgl. Schley (2010), S. 269f. 72 erfasst. Die Maßnahmen, die hier verwendet werden, sind gegenüber der Bank dokumentierbar. Ein Überblick befindet sich im Anhang zu dieser Arbeit.292 Nicht alle Maßnahmen, die im Rahmen einer Sanierung ergriffen werden können, lassen sich in die bisher genannten Kategorien einordnen. Die ergriffenen Maßnahmen beziehen sich nicht nur auf die vorstehend beschriebenen Bereiche, es werden auch Maßnahmen ergriffen, die das Verhältnis des Kreditinstitutes zum Unternehmen betreffen. In diese Kategorie werden so Maßnahmen eingeordnet, die die Sicherheitensituation des Kreditinstitutes betreffen.293 In einigen Fällen sah sich das Kreditinstitut gezwungen, eigene Ansprüche mit Zwangsmaßnahmen durchsetzen zu müssen. Bei diesen Maßnahmen stehen die Interessen der Bank klar im Vordergrund. Sie werden ohne Einwilligung des Kunden aufgrund entsprechender Verträge oder Rechtsansprüche umgesetzt. Beispiele können hier sein das Ausüben eines Pfandrechts an Kontoguthaben nach AGB oder das Eintragen einer Zwangssicherungshypothek.294 Die letzte Kategorie umfasst Maßnahmen, die sich keinem der vorstehenden Bereichen zuordnen lassen. Gleichwohl handelt es sich um Maßnahmen, die im zugrunde liegenden Datensatz wiederholt ergriffen wurden und ebenfalls der Analyse zugänglich gemacht werden sollen.295 Für die folgenden Auswertungen werden nicht nur Variablen zur Bezeichnung der Maßnahmen selbst eingeführt, sondern es werden auch Variablen geschaffen, die es ermöglichen, weiterführende Beschreibungen der Maßnahmen aufzunehmen. Es handelt sich um Variablen, die die Anzahl der Maßnahmen messen, die innerhalb einer Kategorie ergriffen werden. Eine weitere Variable misst den durchschnittlichen Abstand der Maßnahmen in Tagen, die letzte Variable ermittelt die durchschnittliche Anzahl der Maßnahmen je Kategorie und Jahr.296 292 Tabelle 75 auf S. XXI Die Variablen zur Bezeichnung dieser Maßnahmen werden in Tabelle 76 auf S. XXII vorgestellt. 294 Die Tabelle 77 auf S. XXIII enthält die Variablen, die zur Beschreibung dieser Maßnahmen eingeführt wurden. 295 Diese Variablen werden ebenfalls im Anhang dargestellt. Siehe Tabelle 78 auf S. XXV 296 Die Bezeichnungen der jeweiligen Variablen sind im Anhang in Tabelle 79 auf S. XXVI dargestellt. 293 73 3.1.2.2 Aufbereitung der qualitativen Daten Einen Aspekt in den im Rahmen dieser Arbeit aufzustellenden Modellen bildet der Zustand des Unternehmens. Dieser wird einmal beschrieben durch quantitative Variablen und zum anderen durch qualitative Daten. Zu den qualitativen Daten zählen vor allem Informationen über Art und Umfang der bestehenden Kredite und zu den Sicherheiten. Analog zu der bereits erläuterten Weiterverarbeitung der Daten zu den Maßnahmen werden auch die erfassten qualitativen Daten zu Variablen transformiert. Dazu werden im Folgenden die Variablen definiert, die später in die Erstellung der Modelle einfließen. In die Analyse werden die Daten zu den Krediten mit einbezogen. Durch den Zugang zu den Akten des Kreditinstitutes können hier Variablen generiert werden, die Arbeiten mit vergleichbarem Ziel ohne Zugang zu den Unterlagen des Kreditinstitutes nicht erheben und auswerten können. Die Bilanzen eines Unternehmens lassen Rückschlüsse auf die Höhe des aufgenommen Fremdkapitals zu. Die Aufteilung auf verschiedene Darlehensarten oder andere Faktoren sind so jedoch nicht erhebbar. In der ersten Stufe erfolgt eine Systematisierung der Darlehensarten. Erfasst werden hier zum Beispiel neben Kontokorrentkrediten auch Eigenkapitalhilfedarlehen oder Mittel aus dem ERP-Fond. 297 Die Erfassung muss danke des zugrunde liegenden Datensatzes nicht auf diese Informationen beschränkt werden. Neben den Darlehensarten können Anzahl der je Art eingeräumten Kredite, sowie deren Volumen bestimmt werden. Diese Informationen werden ebenso in Variablen überführt. Auch Restlaufzeiten können bestimmt werden.298 Schlussendlich wird ermittelt, welchen Anteil die Darlehen einer Art an der Summe der ausstehenden Darlehen haben.299 Dies ermöglicht, den Einfluss einer Darlehensart zu untersuchen. Um die zu Beginn der Sanierung vorhandenen Kredite genauer analysieren zu können, werden Variablen eingeführt, die eine solche Beschreibung ermöglichen. Hier werden also Informationen wie beispielsweise Volumen der Kredite mit einem fixen Zinssatz. Dem kann das Volumen der Kredite mit einem variablen, und damit veränderlichen Zins gegenübergestellt werden. Ein weiteres Beispiel für die hier 297 Die genannten Variablen werden in Tabelle 80 auf S. XXVII vorgestellt. Es gilt, auch für alle weiteren Variablen auf Basis der quantitativen Variablen, dass diese sich stets auf die Situation zu Beginn der Sanierung beziehen. Abweichungen hiervon werden an geeigneter Stelle hervorgehoben. 298 An dieser Stelle wird jeweils die durchschnittliche Restlaufzeit der Kredite je Kreditart erfasst. Darüber hinaus kann auch eine volumengewichtete Restlaufzeit ermittelt werden. 299 Details zu diesen Variablen enthält die Tabelle 81 auf S. XXVIII 74 erhobenen Variablen ist die verbleibende Restlaufzeit aller Kredite.300 Damit existieren nun Variablen, die es ermöglichen, die Daten zu den Krediten in die Auswertungen einzubeziehen. Ein weiterer großer Teil der qualitativen Daten sind die Angaben zu den Sicherheiten. Auch an dieser Stelle besteht im Rahmen dieser Arbeit die Möglichkeit, die Situation in Bezug auf die Sicherheiten zu erheben und in die Auswertungen einzubeziehen. Ohne Einsicht in die Unterlagen des Kreditinstitutes oder des Unternehmens ist es nicht möglich, Variablen in dieser Tiefe zu bestimmen. Das Vorgehen bei der Bestimmung der Variablen entspricht dem, das im vorangegangen Punkt beschrieben wurde. In einem ersten Schritt werden die Sicherheiten in verschieden Kategorien erfasst. Unterschieden wird hier gemäß den Auftreten im Datensatz in Grundschulden, Bürgschaften, Sicherungsübereignungen, Zessionen, Abtretungen von Ansprüchen aus Versicherungen oder Pfandrechte. 301 Darüber hinaus werden auch für die Daten zu den Sicherheiten beschreibende Variablen eingeführt. Dies reicht von der Anzahl der Sicherheiten je Kategorie über die Volumina der Sicherheiten in den Kategorien bis zum Alter der Sicherheit.302303 Neben den bisher aufgeführten Daten zu Krediten und Sicherheiten werden weitere Elemente in die Auswertung aufgenommen. Die hier zu bildenden Variablen betreffen weder die Kredite noch die Sicherheitensituation. Gleichwohl sind diese Variablen ihrem Charakter nach in die Gruppe der qualitativen Daten zuzuordnen. Als ein möglicher Einflussfaktor wird die Dauer der Beziehung des Unternehmens zum Kreditinstitut untersucht. Die Variable „bezieh“ misst die Dauer dieser Beziehung in Tagen. Ist bei einem Engagement nur das Jahr bekannt, in dem die Beziehung zur betreuenden Bank aufgenommen wurde, wird als Datum der 30.06. des entsprechenden Jahres erfasst. Dieser Schritt wird durchgeführt, um in diesem Fall die Dauer der Kundenbeziehung zumindest näherungsweise berechnen zu können. 300 Siehe hierzu Tabelle 82 auf S. XXIX Die Bezeichnung der Variablen zur Bezeichnung der Art der Sicherheiten wird in Tabelle 83 auf S. XXX wiedergegeben. 302 Diese Variablen und weitere zur Beschreibung der Sicherheiten werden in Tabelle 84 auf S. XXXI beschrieben. 303 Die hier eingeführten Variablen können sich im Laufe der Sanierungsbemühungen ändern. In die Auswertungen aufgenommen werden die Variablen in der Ausprägung, wie sie zum Beginn der Sanierung vorlagen. 301 75 Unter anderem die Studie von Bryan et al (1999) ermittelte als einen der signifikanten Einflussfaktoren einen Rezessionsindikator304. Um den eventuellen Einfluss des Konjunkturverlaufes bestimmen zu können, werden für die einzelnen Engagement Dummys vergeben, die das Jahr 0, den Beginn der Sanierung abbilden. Für jedes mögliche Jahr des Beginns der Sanierung, der Datensatz deckt den Zeitraum 1995 bis 2007 ab, wird ein entsprechender Dummy eingeführt, der den Wert 1 annimmt, wenn die Sanierung des Engagements in dem Jahr begann, das dem Dummy entspricht. Sollte der Zeitpunkt des Sanierungsbeginns, und damit auch der Einfluss des Konjunkturverlaufes, eine Auswirkung auf das Ergebnis der Sanierung haben, wird die entsprechende Variable einen signifikanten Einfluss haben. 3.1.3 Aufbereitung der quantitativen Daten In die Auswertung fließen neben den bisher beschriebenen Daten auch Informationen zur Wirtschafts- und Finanzlage ein. Diese können in der erfassten Form nicht sinnvoll ausgewertet werden. Die erfassten Werte müssen zu Kennzahlen verdichtet werden. Der folgende Abschnitt beschreibt, wie die Variablen zu den quantitativen Daten berechnet werden. Die vorgestellten Arbeiten, die den Einfluss untersuchen, den die Lage des Unternehmens auf das Ergebnis der Sanierung hat, konnten signifikante Einflussfaktoren in Form von Kennzahlen zur Wirtschafts- oder Finanzlage des Unternehmens identifizieren. Damit existiert bereits eine Auswahl an Kennzahlen305, die in die hier zu machenden Auswertungen einbezogen werden, um die Aussagekraft dieser Variablen im hier untersuchten Datensatz zu ermitteln. Von diesen Kennzahlen können allerdings nicht alle aus den hier vorliegenden Daten ermittelt werden. Dies ist beispielsweise dann der Fall, wenn die Kennzahl sich auf Marktwerte bestimmter Größen bezieht. 306 Diese Marktwerte sind hier nicht erhhebar und können somit auch nicht einbezogen werden. Andere Kennzahlen stützen sich auf 304 Vgl. Bryan et al (1999), S. 15 Die Tabelle 85 auf S. XXXIX gibt einen Überblick über diese Kennzahlen. 306 Vgl. als Beispiel die Studie von Campbell (1996), S.19 bzw. die Beschreibung dieser Studie auf S. 45ff. In dem dort untersuchten Datensatz wird die Größe “natürlicher Logarithmus des Marktwertes der total assets” aufgenommen. 305 76 Information, die hier nicht vorliegen307 und können aus diesem Grund mangels Daten nicht aufgenommen werden.308 Aufbauend auf den Ergebnissen bereits erfolgter Studien309 werden aus den vorliegenden Jahresabschlussdaten Kennzahlen gebildet, die in die Auswertung einfließen. Über die bereits in den beschriebenen Arbeiten getesteten Größen hinaus werden weitere Kennzahlen aufgenommen, um weitere Einflussgrößen aufdecken zu können. Die nachfolgenden Abschnitte beschreiben, in Form welcher Abkürzungen die einzelnen Positionen aus Bilanz und Gewinn- und Verlustrechnung einfließen, welche aggregierten Größen aus den Positionen bestimmt werden und welche Kennzahlen letztendlich berechnet werden. Die Berechnung der Kennzahlen bezieht sich jeweils auf bestimmte Bilanzpositionen.310 Zur besseren Darstellbarkeit der Berechnungsvorschriften für die einzelnen Kennzahlen werden für die Positionen der Jahresabschlüsse Abkürzungen eingeführt. Diese Abkürzungen kommen in der Bezeichnung der Variablen zum Einsatz. Da eine große Zahl von Variablen auf Basis der Jahresabschlüsse gebildet wird, die darüber hinaus in verschiedenen Ausprägungen ermittelt werden, erleichtern die Abkürzungen die Bezeichnung der jeweiligen Variablen. Die Abkürzungen werden vergeben für Positionen der Bilanz311 und für Positionen der Gewinn- und Verlustrechnung312. Die genannten Positionen aus Bilanz und GuV der Unternehmen werden zu Aggregaten verdichtet. In einige Kennzahlen, wie zum Beispiel „Anlagevermögen“, fließen beispielsweise nicht einzelne Bilanzpositionen, wie „Grundstücke und 307 In seiner Untersuchung wertet Saldanha (2008) auch die Quartalsabschlüsse aus und prüft so auch Kennzahlen aus dem Quartal vor der Insolvenz. Vgl. dazu auch die Ausführungen auf S. 55 dieser Arbeit. 308 Die Tabelle 85 auf S. XXXIX enthält Aussagen über die Gründe, falls einer der dort genannten Variablen in dieser Untersuchung nicht aufgenommen werden kann. 309 Vgl. hierzu die Ausführungen in Abschnitt 2.4 auf S. 41ff. 310 Die Bilanzpositionen werden, soweit nicht anders angegeben, gemäß den Regelungen des §266 HGB gewählt. 311 Siehe hierzu Tabelle 86 und Tabelle 87 auf S. XLIff. für die Abkürzungen, die für Positionen der Bilanz verwendet werden. 312 Abkürzungen, die für Positionen der Gewinn- und Verlustrechnung verwendet werden, werden in der Tabelle 88 auf S. XLVff. dargestellt. 77 Gebäude“ oder „technische Anlagen und Maschinen“ ein, sondern aggregierte Werte. Schon in anderen Arbeiten sind solche Werte als signifikant ermittelt wurden. Barniv et al (2002)313 ermitteln Relationen zu „total assets“ oder „total liabilities“ als signifikant. Auch in der Arbeit Saldanhas (2008)314 erreichen solche Werte Signifikanz. Die vorgestellten Aggregate wiederum fließen in die Berechnung der Variablen ein. Die Daten aus den Jahresabschlüssen werden in Form von Kennzahlen ausgewertet. Einige signifikante Kennzahlen wurden bereits am Anfang der Arbeit vorgestellt.315 Die bereits in anderen Studien als aussagekräftig ermittelten Kennzahlen werden auch am hier untersuchten Datensatz überprüft. Die These 9 sagt aus, dass im vorliegenden Datensatz neben den bereits als signifikant ermittelten Einflüssen andere Faktoren eine Rolle spielen. Um diese These prüfen zu können, werden aus den vorliegenden Daten nicht nur die bereits getesteten Kennzahlen ermittelt, sondern es werden darüber hinaus weitere mögliche Kennzahlen ermittelt. 316 Diese Kennzahlen beziehen sich auf unterschiedliche Bereiche. Im Bereich der allgemeinen Kennzahlen werden 2 Kennzahlen berechnet, die die Größe des Unternehmens beschreiben, sowie der Zinssatz, der vom Unternehmen auf das Fremdkapital zu zahlen ist. Zur Untersuchung der Kapitalstruktur werden 21 Kennzahlen, wie beispielsweise Eigenkapitalquoten oder Kennzahlen zur Beschreibung der Verbindlichkeitenstruktur, ermittelt. Der Betrachtung der Kapitalstruktur steht eine Betrachtung der Vermögensstruktur gegenüber. Die hier ermittelten Kennzahlen, 37 an der Zahl, enthalten neben anderen Anlagen- oder Umlaufintensitäten, Liquiditätsgrade oder auch Umschlaghäufigkeiten. Weitere 14 Kennzahlen werden zur Beschreibung der Aufwandsstruktur ermittelt. Die Bandbreite reicht von Personal- oder Materialintensitäten über Aufwandsquoten bis hin zu Ertragsquoten. Die nächsten 10 Variablen bestimmen Kennzahlen, die sich auf den Cash Flow des Unternehmens beziehen. Die Kennzahlen setzen zum Teil unterschiedlich berechnete Cash Flow in Relation zu anderen Kennzahlen oder Aggregaten. Die letzten 20 Kennzahlen schlussendlich beschreiben die Rentabilität des Unternehmens. Je nach gewählter Bezugsgröße werden so Eigenkapital- oder auch Gesamtkapitalrenditen berechnet. In Summe können somit 105 Kennzahlen 313 Siehe hierzu S. 52ff. und die dort gemachten Ausführungen zu dieser Studie. Details zu dieser Arbeit finden sich auf S. 55ff. 315 Siehe hierzu Punkt 2.4 auf S. 41ff. 316 Die ermittelten Kennzahlen und die jeweilige Berechnungsvorschrift zeigt die Tabelle 90 auf S. LIXff. 314 78 ermittelt und ausgewertet werden. Die genannten Kennzahlen können nicht durchgängig für jedes Jahr und Engagement ermittelt werden. Zum Teil liegen Jahresabschlüsse nicht vor, oder zur Ermittlung notwendige Positionen sind nicht belegt. Aufbauend auf den dargestellten Ermittlungsregeln für die Kennzahlen erfolgen weitere Berechnungen. So ist es zum Beispiel möglich, Kennzahlen für jedes dokumentierte Jahr der Sanierung zu berechnen. Um die Kennzahlen für die unterschiedlichen Jahre und die noch folgenden Ausprägungen benennen zu können, werden Präfixe eingefügt, die die jeweils betrachtete Ausprägung der Variable kennzeichnen. Eine bereits genannte Kennzeichnung ist das Jahr der Sanierung, für das die Kennzahl berechnet wird. Da teilweise auch Unterlagen aus der Zeit vor Beginn der Sanierung vorlagen, können Kennzahlen auch für die Jahre vor Beginn der Sanierung bestimmt werden. Campbell (1996) verwendet eine logarithmierte Form einer Kennzahl in seiner Studie. 317 Diesem Vorgehen folgend werden für alle Kennzahlen, für die diese Berechnung möglich ist, die logarithmierten Werte berechnet und aufgenommen. Wenn für verschiedene Jahre Kennzahlen vorliegen, kann jeweils die Änderung zwischen zwei Jahren berechnet werden und so eine neue Zeitreihe kreiert werden. Für jede ermittelte Reihe, Ausgangsform, Delta-Reihe oder logarithmierte Reihe können verschiedene statistische Maße wie Mittelwerte oder Standardabweichungen berechnet werden. Auch diese Werte werden in die Auswertungen mit aufgenommen. Durch diese unterschiedlichen Ausprägungen der Variablen kann eine Vielzahl von Variablen berechnet werden und in die Auswertungen einbezogen werden. Nicht zuletzt ermöglichen diese Ausprägungen, die These 8 zu testen. Diese besagte, dass auf das Ergebnis einer Sanierung nicht nur die absoluten Ausprägungen der Kennzahlen zu einem bestimmten Zeitpunkt einen Einfluss haben, sondern auch die durch geeignete Maße beschriebene Entwicklung der Variable im Zeitablauf. Die nötigen Voraussetzungen für die Überprüfung dieser These wurden mit den Ausprägungen geschaffen. Im Punkt 2.4 wurden empirische Arbeiten vorgestellt, die auf dem Gebiet der Genesungsprognose erfolgten. Faktoren, die im Rahmen dieser Studien als aus- 317 79 Vgl. Campbell (1996), S. 15 sowie die Ausführungen dazu auf S. 45ff. sagekräftig getestet wurden, wurden zusammengestellt. Diese Variablen sollen am vorliegenden Datensatz ebenfalls getestet werden. Die Variablen der Studien und die Entsprechung im hier untersuchten Datensatz wird in Tabelle 92 dargestellt.318 Mit den hier im Punkt 3.1.1 gemachten Ausführungen ist es nunmehr möglich, die Umwandlung der erhobenen Daten in Variablen nachzuvollziehen. Die jeweils ermittelten Variablen auf Basis der Daten zu den Maßnahmen, zu den qualitativen Daten und den quantitativen Daten wurden in all ihren Ausprägungen vorgestellt. Damit können nun die Auswertungen und die Tests der Hypothesen vorgenommen werden. Die dafür eingesetzten Methoden wurden ebenfalls bereits beschrieben. Die Auswertungen werden nun im nachfolgenden Kapitel ausführlich beschrieben. 3.2 Überblick über die angewandten statistischen Maße Im Punkt 2.4.5 wurde angesprochen, dass nicht nur die eigentlichen Variablen ausgewertet werden, sondern auch die Änderungen dieser Variablen im Zeitablauf untersucht werden sollen. Zu diesem Zweck müssen diese Änderungen mit geeigneten Maßen beschrieben werden. Nachstehend werden die hier eingesetzten Maße, insbesondere Lagemaße und Streuungsmaße, beschrieben. Lagemaße in Form von Mittelwerten eignen sich zur Beschreibung von eingipfligen Häufigkeitsverteilungen. Sind diese Verteilungen jedoch mehrgipflig, insbesondere uförmig, dann eignen sich Mittelwerte nicht zur Beschreibung der Beobachtungsreihe.319 Aus diesem Grund werden neben den Mittelwerten Streuungsmaße zur Beschreibung einer Reihe herangezogen. Während ein Mittelwert eine Art „Zentrum“ der Verteilung beschreibt, kann ein Streuungsmaß Auskunft darüber geben, wie weit einzelne Ausprägungen von diesem Zentrum abweichen.320 318 Die Tabelle 92 befindet sich auf S. LXVff. Vgl. Hartung et al (2005), S. 37 320 Vgl. Hartung et al (2005), S. 40 319 80 3.2.1 Mittelwerte Im Folgenden werden einige Mittelwerte kurz dargestellt, die im Laufe der Auswertungen berechnet werden. Arithmetisches Mittel Das arithmetische Mittel, oft auch als „Mittelwert“ bezeichnet, wird nach folgender Vorschrift bestimmt:321 x 1 n * xi n i 1 mit x – arithmetisches Mittel Xi – Merkmalsausprägung n – Anzahl der Beobachtungen Median Der Median, auch Zentralwert, beschreibt einen Mittelwert für den gilt, dass jeweils mindestens die Hälfte der Werte einen Wert größer oder gleich bzw. kleiner oder gleich diesem Wert annehmen.322 Für eine der Größe nach geordnete Reihe von Werten kann der Median wie folgt berechnet werden.323 X((n+1)/2) , falls n ungerade x 0, 5 ½ (X(n/2) + X((n+2)/2)) 321 Vgl. Hartung et al (2005), S. 31 Vgl. Hartung et al (2005), S. 32 323 Vgl. Hartung et al (2005), S. 32 322 81 , falls n gerade mit x 0,5 Median Xn = n-te Beobachtung der Reihe N = Anzahl der Beobachtungen Modalwert Als Modalwert oder auch Modus bezeichnet man in einer Reihe von Beobachtungen den Wert mit der größten Häufigkeit. Erfüllen mehrere Ausprägungen diese Bedingung, dann kann für diese Reihe kein sinnvoller Modalwert bestimmt werden. Im Gegensatz zum arithmetischen Mittel und Median eignet sich der Modalwert auch für nominalskalierte Variablen.324 Es gilt: Häufigkeit (Modalwert) Häufigkeit aller anderen Merkmalsausprägungen325 Geometrisches Mittel Um den Mittelwert einer Reihe von relativen Änderungen abzubilden, ist das arithmetische Mittel nicht geeignet. Hier findet das geometrische Mittel Verwendung.326 Es wird wie folgt berechnet:327 x G n x 1 * x 2 * ... * x n mit 324 Vgl. Hartung et al (2005), S. 35 Vgl. Hartung et al (2005), S. 35 326 Vgl. Hartung et al (2005), S. 35 327 Vgl. Hartung et al (2005), S. 35 325 82 x G – geometrisches Mittel xn – Merkmalsausprägung n – Anzahl der Beobachtungen Harmonisches Mittel Das harmonische Mittel wird wie folgt berechnet:328 xH n n 1 x i 1 i Diese Berechnung kommt dann zum Einsatz, wenn die beobachteten relativen Änderungen nur positive oder nur negative Werte aufweisen.329 Neben den beschriebenen Mittelwerten werden weitere Lagemaße aus den vorliegenden Variablen bestimmt. Diese beschreibt der nachstehende Abschnitt. 3.2.2 Streuungsmaße Streuungsmaße beschreiben, inwieweit die Werte einer Zeitreihe von einem, bspw. durch einen Mittelwert beschriebenem, Zentrum abweichen. Streuungsmaße lassen sich sinnvoll nur für metrisch skalierte Beobachtungen verwenden.330 Der folgende Abschnitt beschreibt die im Rahmen dieser Arbeit eingesetzten Streuungsmaße. Spannweite Die Spannweite oder der Streubereich (im englischen: range) einer Beobachtungsreihe beschreibt das Intervall zwischen kleinstem und größtem Wert der Reihe. 331 Es gilt:332 328 Vgl. Hartung et al (2005), S. 36 Vgl. Hartung et al (2005), S. 36 330 Vgl. Hartung et al (2005), S. 40 329 83 R x(n ) x(1) mit R – Spannweite X(n) – größter beobachteter Merkmalswert X(1) – kleinster beobachteter Merkmalswert Spannweiten verschiedener Reihen lassen sich nur dann sinnvoll vergleichen, wenn die Reihen die gleiche Länge haben. Mit zunehmender Länge der Reihe kann die Spannweite gleich bleiben oder sich vergrößern. Ein Abnehmen der Spannweite ist mit zunehmender Länge der Reihe nicht möglich. Aufgrund der beschriebenen Berechnungsweise ist die Spannweite anfällig für Ausreißer.333 Die Länge der einzelnen Zeitreihen wird bestimmt durch die vorliegenden Daten. Gerade bei quantitativen Variablen wird die Zahl der vorliegenden Werte durch das ausgewertete Material bestimmt. Es kann nicht gewährleistet werden, dass die berechneten Spannwerte sich auf Wertereihen gleicher Länge beziehen. Aus diesem Grund und der Anfälligkeit für Ausreißer werden Spannweiten nicht in der Analyse berücksichtigt und lediglich zu informativen Zwecken berechnet. Quartilsabstand Ein Maß, das weniger von Ausreißern beeinflusst wird, ist der sog. Quartilsabstand. Gemessen wird der Abstand zwischen zwei Quartilen. Die Größe beschreibt den Bereich, in dem etwa die Hälfte aller Beobachtungen der Reihe liegt.334 Die Berechnung erfolgt nach folgender Vorschrift:335 331 Vgl. Hartung et al (2005), S. 40 Vgl. Hartung et al (2005), S. 40 333 Vgl. Hartung et al (2005), S. 41 334 Vgl. Hartung et al (2005), S. 41 335 Vgl. Hartung et al (2005), S. 41 332 84 Q x~0,75 x~0,25 mit: Q – Quartilsabstand x~ - oberes Quartil 0,75 x~0,25 - unteres Quartil Mittlere absolute Abweichung vom Median Dieses Streuungsmaß misst die durchschnittliche Abweichung der Beobachtungswerte von einem bestimmten Wert, in dem Fall dem Median. Die Verwendung des Medians an der Stelle hat den Vorteil, das die mittlere absolute Abweichung vom Median stets kleiner oder gleich der mittleren absoluten Abweichung von jedem anderen Wert ist (Minimumseigenschaft des Medians).336 Dieses Streuungsmaß wird nach folgender Formel berechnet:337 1 n maam x i ~ x 0,5 n i 1 mit: maam – mittlerer absoluter Abstand vom Median xi – Merkmalswert des i-ten Elementes der Beobachtungsreihe x~ - Median 0,5 Varianz und Standardabweichung Ein sehr verbreitetes Streuungsmaß stellt die Varianz dar. Sie misst den mittleren quadratischen Abstand vom arithmetischen Mittelwert.338 336 337 85 Vgl. Hartung et al (2005), S. 42 Vgl. Hartung et al (2005), S. 42 Die Varianz wird wie folgt berechnet:339 var 1 n (x i x) 2 n 1 i 1 mit: var – Varianz xi – Merkmalswert des i-ten Elementes der Beobachtungsreihe x - arithmetisches Mittel der Reihe Zieht man die Wurzel aus der Varianz, erhält man die Standardabweichung. Es gilt also: stab var mit: var – Varianz stab - Standardabweichung Die Standardabweichung hat, im Gegensatz zur Varianz, die gleiche Dimension, wie die zugrunde liegenden Werte der Beobachtungsreihe.340 Variationskoeffizient Standardabweichung und Varianz werden als Abweichung vom arithmetischen Mittel berechnet, werden jedoch nicht zu Mittelwert ins Verhältnis gesetzt. Der Variationskoeffizient stellt ein Streuungsmaß dar, dass um x bereinigt wurde und ohne dessen direkte Nennung interpretiert werden kann. Der Variationskoeffizient liefert jedoch nur 338 Vgl. Hartung et al (2005), S. 44 Vgl. Hartung et al (2005), S. 44 340 Vgl. Hartung et al (2005), S. 46 339 86 für Beobachtungsreihen mit ausschließlich positiven Beobachtungswerten sinnvolle Aussagen.341 Die Berechnung erfolgt nach folgender Vorschrift: vk s x mit: vk – Variationskoeffizient s – Standardabweichung x – arithmetischer Mittelwert 3.2.3 Schiefe und Exzess Neben den bereits beschriebenen Mittelwerten und Streuungsmaßen lassen sich Reihen auch durch Schiefe und Exzess beschreiben. Die entsprechenden Maße werden nachfolgend beschrieben. Links- oder Rechtsschiefe Bei eingipfligen Verteilungen kann als weiteres Maß zur Beschreibung der Beobachtungsreihe die Schiefe herangezogen werden. Von einer symmetrischen Verteilung kann man dann sprechen, wenn gilt:342 x x~0,5 xmod Von einer rechtsschiefen bzw. linkssteilen Verteilung spricht man hingegen, wenn x x~0,5 xmod 341 342 87 Vgl. Hartung et al (2005), S. 47 Vgl. Hartung et al (2005), S. 38 gilt. Die Verteilung kann als linksschief bzw. rechtssteil charakterisiert werden, wenn x x~0,5 xmod gilt. Hierbei bezeichnet: x – arithmetischer Mittelwert x~0,5 - Median xmod – Modalwert Schiefe Die Schiefe einer Verteilung lässt sich durch folgendes Maß beschreiben:343 ( 1 n ( x i x )3 ) n i 1 ( 1 n ( x i x )2 )3 n i 1 g1 mit: g1 – Schiefe x – arithmetischer Mittelwert xi – Merkmalswert des i-ten Elementes der Beobachtungsreihe Bei g1=0 liegt eine symmetrische Verteilung vor. Bei zunehmender Linksschiefe wird diese Größe stärker negativ und umgekehrt stärker positiv bei Vorliegen einer rechts- 343 88 Vgl. Hartung et al (2005), S. 47 schiefen Verteilung.344 Eine Aussage über die Schiefe lässt sich sinnvoll nur bei eingipfligen Verteilungen interpretieren.345 344 345 89 Vgl. Hartung et al (2005), S. 47 Vgl. Hartung et al (2005), S. 38 Exzess Auch diese Maßzahl wird sinnvoll nur bei eingipfligen Verteilungen berechnet. Sie wird auch als Wölbung oder Kurtosis bezeichnet. Der Exzess gibt an, ob bei gleicher Varianz das absolute Maximum der untersuchten Häufigkeitsverteilung gleich der Dichte der Normalverteilung ist.346 Die Berechnung erfolgt gemäß nachstehender Vorschrift:347 1 n ( xi x )4 n i 1 g2 3 1 n 2 2 [ (xi x ) ] n i 1 mit: g2 – Exzess x – arithmetischer Mittelwert xi – Merkmalswert des i-ten Elementes der Beobachtungsreihe Folgt die beobachtete Reihe der Normalverteilung, so nimmt g2 in diesem Fall den Wert 0 an.348 Mit den beschriebenen Maßen lassen sich Wertereihen beschreiben. Die berechneten Maße sind Grundlage für weitergehende Auswertungen. Nachstehend werden die Methoden zur weiteren Auswertung beschrieben. 346 Vgl. Hartung et al (2005), S. 49 Vgl. Hartung et al (2005), S. 49 348 Vgl. Hartung et al (2005), S. 49 347 90 3.3 Überblick über die Methoden zur Auswertung Der nachfolgende Abschnitt widmet sich den Methoden der Auswertung. Im Abschnitt 2.4 wurden bereits einige empirische Arbeiten zur Genesungsprognose vorgestellt.349 Nachfolgend werden die dort angewandten Methoden noch einmal aufgeführt und anschließend auf ihre Eignung für die hier zu machenden Untersuchungen überprüft. 3.3.1 Methoden zum Vergleich verschiedener Datenreihen Ein erster Schritt bei der Analyse der Variablen kann darin bestehen, Datenreihen miteinander zu vergleichen und so Gemeinsamkeiten oder Unterschiede festzustellen. Denkbar wäre im Rahmen dieser Arbeit, eine Variable jeweils für nicht erfolgreich sanierte Unternehmen und für erfolgreich sanierte Unternehmen zu messen. Durch den Vergleich der so entstehenden Datenreihen können Rückschlüsse auf die Natur der zugrunde liegenden Stichprobe gezogen werden. Die Möglichkeiten zum Vergleich von Datenreihen werden nachfolgend vorgestellt. Wilcoxon-Test Dieses Verfahren, auch Mann-Witney-Test oder U-Test genannt, wird zum Vergleich zweier Datenreihen herangezogen. Es wurde bereits in den Arbeiten von LoPucki (1983)350 und Gilson et al (1990)351 eingesetzt. Es wird geprüft, ob die Mittelwerte dieser zwei Reihen identisch sind. Der Wilcoxon-Test wird insbesondere bei ordinal skalierten Variablen eingesetzt, oder falls die Stichprobe die Anforderungen an andere Tests, wie bspw. den t-Test, nicht erfüllt.352 349 Eine Aufstellung über die Autoren und die von ihnen eingesetzten Methoden befindet sich Anhang, auf S. XIV in Tabelle 69. 350 Die Studie wird auf S. 42ff. beschrieben. 351 Ein Überblick über die Arbeit dieser Autoren befindet sich auf S. 59ff. 352 Vgl. Feltovich (2003), S. 273f. 91 Der Wilcoxon-Rangsummen-Test lässt sich durch Umformen in den Wilcoxon-Test überführen.353 Die folgenden Aussagen beziehen sich auf beide Ausprägungen des Tests. Das Ziel der hier vorliegenden Untersuchung ist es, den Einfluss bestimmter Variablen auf die Eintrittswahrscheinlichkeit eines Ereignisses zu modellieren. Ein Test auf Gleichheit zweier Datenreihen liefert nicht die gewünschten Ergebnisse. Auf diese Methode wird daher in dieser Arbeit nicht zurückgegriffen. Fishers exact probability Test Diese Methode kam ebenfalls in der Studie von LoPucki (1983)354 zum Einsatz. Können die Elemente zweier unabhängiger Gruppen zwei sich ausschließenden Gruppen zugeordnet werden, kann mit diesem Test überprüft werden, ob die Zahl der auf jede Gruppe entfallenden Elemente sich unterscheidet.355 Für diese Arbeit liegen keine zwei voneinander unabhängige Gruppen vor. Darüber hinaus ist die Zahl der Elemente je Gruppe nicht geeignet, den Einfluss bestimmter Variablen auf die Wahrscheinlichkeit eines bestimmten Ausganges in der Sanierung zu beschrieben. Die hier vorgestellte Methode wird daher keine Verwendung finden. Mittelwertvergleiche Auf diese Methode griffen zum Beispiel Gilson et al (1990) 356 zurück. Über den Vergleich der Mittelwerte zweier Reihen lässt sich bestimmen, ob die beiden Reihen gleich im Sinne gleicher Mittelwerte sind. Diese Fragestellung ist für die hier vorzunehmenden Analysen nicht zielführend. Die Erkenntnis, dass sich die Mittelwerte bestimmter Variablen zwischen zwei gegensätzigen Ausgängen unterscheiden, liefert einen Hinweis auf den Einfluss bestimmter Variablen. Deren Einfluss auf die Wahrscheinlichkeit, einen der in Frage stehenden Ausgang zu erreichen, 353 Vgl. Baltes-Götz (1998), S. 15 Siehe S. 42ff. in dieser Arbeit. 355 Vgl. Preacher/Briggs (2001), ohne Seite 356 Details zu dieser Studie sind auf S. 59ff. zu finden. 354 92 lässt sich auf diesem Wege jedoch nicht ermitteln. Mittelwertvergleiche werden vor diesem Hintergrund in dieser Arbeit nicht vorgenommen. „testing for difference“ Diese Methode fand Aufnahme in die Arbeit von Bryan et al (1999). 357 Ein Weg, um den Einfluss einer Variablen auf ein bestimmtes Ergebnis zu bestimmen, besteht darin, die unterschiedlichen Ergebnisse mit geeigneten Methoden zu modellieren und anschließend die Koeffizienten der untersuchten Variable in den erstellten Modellen zu vergleichen.358 In dieser Untersuchung soll nicht die Frage im Vordergrund stehen, ob sich der Einfluss bestimmter Variablen je nach untersuchtem Ausgang ändert, sondern inwieweit bestimmte Ausgänge durch die Ausprägungen der einfließenden Variablen erklärt werden können. Der Einfluss der Variablen lässt sich über andere Gütemaße, bspw. Signifikanz der Koeffizienten, in für die hier untersuchte Fragestellung ausreichendem Maße erklären. Ein „testing for difference“ wird somit hier nicht vorgenommen. Korrelationsanalyse Mittels einer Korrelationsanalyse kann, wie zum Beispiel in der Arbeit von LoPucki (1983) 359 geschehen, der Grad der gegenseitigen Abhängigkeit zweier Merkmale bestimmt werden. Die Korrelation gibt in erster Linie einen linearen Zusammenhang wider. 360 Es kann aufgrund der Korrelationen jedoch keine Aussage darüber getroffen werden, welche der Variablen endogen und welche exogen sind.361 357 Siehe S. 49 dieser Arbeit. Vgl. Bryan et al (1999), S. 15ff. 359 Auf S. 42ff. beschrieben. 360 Vgl. Hartung et al (2005), S. 546 361 Vgl. Leiner, B. (1996), S. 57 358 93 Nachstehend wird der sog. Pearsonscher Korrelationskoeffizient beschrieben, welcher eine Aussage zur Korrelation zwischen zwei Reihen liefert. Er ist ein dimensionsloses Maß. Die Berechnung folgt nachstehendem Schema: 362 rxy covx, y sx * sy Mit: rxy = Korrelationskoeffizient der Merkmale X und Y cov (x,y) = Kovarianz der Merkmale X und Y s= Standardabweichung der jeweiligen Merkmale Für den Korrelationskoeffizient rxy gilt 1 rxy 1 Nimmt dieser Korrelationskoeffizient den Wert 1 an, so besteht zwischen den beiden betrachteten Reihen x und y ein perfekt linearer, positiver Zusammenhang. Ist der Zusammenhang perfekt linear und negativ, nimmt dieser Korrelationskoeffizient den Wert -1 an.363 Dieser Korrelationskoeffizient kann nur für metrisch skalierte Merkmale eingesetzt werden364 und setzt voraus, dass die untersuchten Zufallsvariablen normalverteilt sind.365 In dieser Studie werden unter anderem die unterschiedlichen Ausgänge einer Sanierung modelliert. Für die jeweiligen Ausgänge werden Dummy-Variablen gebildet, die den Wert 1 annehmen, wenn das zu untersuchende Ereignis eintrat, bzw. den Wert 0 annehmen, wenn das Ereignis nicht eintrat. Damit liegen in Hinsicht 362 Vgl. Leiner, B. (1996), S. 57, Hartung et al (2005), S. 546 Vgl. Weigand (2009), S. 92 364 Vgl. Hartung et al (2005), S. 73 365 Vgl. Hartung et al (2005), S. 546 363 94 auf das zu erklärende Ereignis nominal skalierte Variablen vor. Die Korrelationsanalyse wird in dieser Arbeit nicht als zentrale Methode zur Untersuchung der Ausgänge eingesetzt. Es wird gleichwohl an einigen Stellen in dieser Arbeit auf dieses Maß zurückgegriffen, um Zusammenhänge zwischen einzelnen Variablen zu ermitteln. Diese Ausführungen beziehen sich dann aber nicht auf für diese Arbeit zentrale Aussagen. Rangtransformation In einigen der eingangs beschriebenen Arbeiten werden die Variablen rangtransformiert.366 Eine Rangtransformation bedeutet, dass nicht mehr die Ausprägungen der Variablen selbst untersucht werden, sondern die jeweiligen Ränge auf Basis der Reihenfolge der Realisierungen. Der kleinste Wert der Stichprobe erhält den Rang 1, der nächst kleinere den Rang 2 und so weiter.367 Mit dieser Transformation gehen jedoch die Informationen zu den absoluten Werten der Variablen verloren. Da die hier einzusetzenden Methoden auch auf nicht rangtransformierte Variablen anwendbar sind, wird auf eine solche Transformation vor dem Hintergrund des Verlustes an Information verzichtet. 3.3.2 Test auf Autokorrelation Um die Beobachtungen einer Reihe, insbesondere einer Zeitreihe beurteilen zu können, werden regelmäßig Tests auf Autokorrelation bzw. Autokovarianz durchgeführt. Diese Größe misst also beispielsweise den Zusammenhang zwischen y t und yt-1.368 Die Berechnung erfolgt nach der Vorschrift:369 c(k ) 366 1 n k ( y t y )( y t k y ) n t 1 Vgl. Bryan et al (1999), deren Arbeit auf S. 49ff. beschrieben wird. Vgl. Schwieger (2005), S. 25f. 368 Vgl. Hartung et al (2005), S. 675 369 Vgl. Hartung et al (2005), S. 675 367 95 mit: c – empirische Autokovarianz k – lag (Zeitverschiebung) Aus der so berechneten Autokovarianz lässt sich die Autokorrelation bestimmen: r (k ) c(k ) c (0 ) Entstehen ausgeprägte Autokorrelationen, lässt dies den Schluss auf Vorliegen systematischer Komponenten in der betrachteten Zeitreihe zu.370 Damit ist die Abwesenheit von Autokorrelation zwischen den Variablen ein wichtiger Punkt, der bei der Beurteilung der Regressionsgüte beachtet werden muss.371 3.3.3 Monotonieanalyse Saldanha (2008) unterzieht die in seine Modelle einfließenden Variablen einer Monotonieanalyse. Dies geschieht, da Regressionsmodelle monotone Daten voraussetzen. Sind die Daten nicht monoton, erfolgt in der Arbeit eine Monotonisierung über Rang-Transformationen. Bei der Vielzahl der in dieser Arbeit untersuchten Variablen erfordert die Prüfung jeder einzelnen Wertereihe auf Monotonie einen enormen Aufwand. Dies gilt insbesondere, da es kaum Möglichkeiten gibt, dies automatisiert zu tun; eine oft empfohlene Methode ist das visuelle Beurteilen der Daten.372 Aus diesem Grund wird auf eine Monotonieanalyse und eine eventuelle Transformation verzichtet. 370 Vgl. Hartung et al (2005), S. 676 Vgl. Rönz/Förster (1992), S. 223 372 Vgl. Saldanha (2007), S. 207ff. 371 96 3.3.4 Test auf Multikollinearität Wenn die in eine Regression einfließenden unabhängigen Variablen voneinander linear abhängen, spricht man von Multikollinearität. Liegt diese vor, wird die Schätzung verzerrt. Die Aussagekraft des Modells leidet, es kann zu Über- oder Unterschätzung einzelner Parameter führen.373 Um eventuell vorliegende Multikollinearität in den Daten aufzudecken, ist es möglich, Regressionen aufzustellen, die jeweils eine der unabhängigen Variablen mit Hilfe der übrigen unabhängigen Variablen modellieren. Werden in diesen Regressionen Bestimmtheitsmaße nahe 1 erreicht, wird das Vorliegen von Multikollinearität angenommen.374 Im Rahmen der vorliegenden Untersuchung werden für die zu erstellenden Modelle jeweils Analysen auf Multikollinearität vorgenommen. Die Analyse erfolgt dabei jeweils für diejenigen Variablen, die univariat als signifikant ermittelt wurden. In die multivariaten Analysen werden nur die Variablen aufgenommen, die in den beschriebenen Regressionen ein Bestimmtheitsmaß von 0,8 oder kleiner erreichen. Variablen, deren Bestimmtheitsmaß größer als 0,8 ist, können zum überwiegenden Teil durch die verbliebenen Variablen erklärt werden und werden eliminiert. Ein ähnliches Vorgehen wenden Barniv et al (2002) und Saldanha (2008) in ihren Studien an. Ihr vordergründiges Ziel ist es, die Zahl der einfließenden Variablen zu reduzieren. Um dies zu erreichen, führen sie zum einen Korrelationsanalysen durch. Variablen, die hoch korrelieren, werden entfernt.375 Dies geschieht nicht explizit vor dem Hintergrund, Multikollinearität zu begegnen. Es wird jedoch dasselbe erreicht, wie mit dem hier beschriebenen Vorgehen. Wenn der Korrelationskoeffizient den Wert 1 erreicht, besteht ein linearer Zusammenhang zwischen den beiden untersuchten Reihen.376 Wenn der Zusammenhang zwischen den Reihen perfekt linear ist, nimmt auch das Bestimmtheitsmaß den Wert 1 an. Beide Vorgehen, Korrelationsanalysen und lineare Regressionen mit den jeweils einfließenden Variablen führen dazu, dass die Variablen identifiziert werden, die keine zusätzlichen 373 Vgl. Schneider (2007), S. 183 Vgl. Schneider (2007), S. 186f. 375 Vgl. Barniv et al (2002), S. 507 und Saldanah (2008), S. 205ff. 376 Vgl. Abschnitt „Korrelationsanalyse“, S. 93f. 374 97 Informationen enthalten sondern aus den verbleibenden Variablen abgeleitet werden können. 3.3.5 Diskriminanzanalyse Die Diskriminanzanalyse erlaubt eine Zuordnung von Fällen zu einer Gruppe auf Basis der Ausprägung der einfließenden Variablen.377 Für den hier zu untersuchenden Datensatz wäre es also möglich, die Engagements den Ausgängen „Überleben“ oder „nicht Überleben“ zuzuordnen. Es sind damit jedoch noch keine Aussagen zum Einfluss einzelner Variablen möglich. Da hier gleichwohl eben jener spezifischer Einfluss der einzelnen Variablen im Vordergrund steht, wird die Diskriminanzanalyse nicht angewandt. 377 98 Vgl. Janssen/Laatz (2007),. S. 513 3.3.6 Regressionsanalyse Die Regressionsanalyse ermöglicht Aussagen über den Einfluss einer oder mehrerer Variablen auf eine zu erklärende Größe. Das Ergebnis ist eine Gleichung, die den Einfluss der unabhängigen Variablen auf die zu erklärende Größe beschreibt. 378 Im Gegensatz zur Korrelationsanalyse werden hier Daten auf Vorliegen eines funktionalen Zusammenhangs überprüft.379 Mit Hilfe der Regressionsanalyse können sowohl lineare als nicht-lineare Zusammenhänge aufgedeckt werden.380 3.3.6.1 Lineare Regression Wird in den Daten ein linearer Zusammenhang der Form y i x i e i vermutet, wobei α das Absolutglied, β den Steigungsparameter und e i den zufälligen Fehler darstellen, können mit Hilfe der linearen Regression die Parameter α und β geschätzt werden.381 Der Kern der Untersuchung bezieht sich auf Zusammenhänge, die mit einer linearen Regression nur unzureichend beschrieben werden. Für diese Fragestellungen kommt die lineare Regression nicht zum Einsatz. Dennoch wird für einen Ausschnitt der Untersuchung diese Methode angewandt. 3.3.6.2 Lokale Regression In einigen Arbeiten wird eine so genannte lokale Regression durchgeführt.382 Dabei handelt es sich meist um lineare Regressionen.383 Mit dieser Methode werden Modelle erstellt, die nur einen Teil der Datenpunkte einbeziehen. Bei der Erstellung 378 Vgl. Bellgardt (1997), S. 111 Vgl. Hartung et al (2005), S. 567 380 Vgl. Hartung et al (2005), S. 572f. 381 Vgl. Hartung et al (2005), S. 574 382 Vgl. Jacobs et al (2008), S. 12f. 383 Vgl. Fahrenmeier et al (2007), S. 337 379 99 der Regressionsgleichung wird auf einen speziellen Punkt und seine Umgebung abgestellt.384 So können insbesondere nicht lineare Einflüsse abgebildet werden.385 Da sich die noch vorzustellende logistische Regression besser eignet, um dichotome Zielgrößen zu modellieren, wird dieses Verfahren angewandt. Lokale Regressionen werden in dieser Arbeit nicht durchgeführt. 3.3.6.3 Logistische Regression Wenn die im Rahmen einer Regression zu schätzende Funktion nicht-linear ist bzw. sich nicht linearisieren lässt, kann auf die logistische Funktion zurückgegriffen werden.386 Die logistische Regression erlaubt Aussagen darüber, mit welcher Wahrscheinlichkeit bestimmte Ereignisse eintreten.387 Dieses Verfahren findet gerade in der Prognose von Insolvenzwahrscheinlichkeiten breite Anwendung (siehe hierzu auch Punkt 5.1 und die dort zitierten Arbeiten).388 Für dieses Verfahren wird oft die Bezeichnung Logit-Modell verwendet.389 Es wird davon ausgegangen, dass der zu erklärende Wert (Zustand wird erreicht oder nicht bzw. Ereignis tritt ein oder nicht), dann den Wert 1 (0) annimmt, wenn eine zugrunde liegende Funktion eine bestimmte Schwelle überschreitet.390 Die zugrunde liegende logistische Funktion hat folgende Grundform: p k ( y 1) 1 1 e zk 391 mit 384 Vgl. Fahrenmeier et al (2007), S. 336 Vgl. Jacobs et al (2008), S. 13 386 Vgl. Hartung et al (2005), S. 642 387 Vgl. Backhaus et al (2006), S. 426 388 Vgl. Oelerich/Poddig (2005), S. 264 und Kaiser/Szczesny (2003), S. 795 389 Vgl. Kaiser/Szczesny (2003), S. 794 390 Vgl. Kaiser, Szczesny (2003), S. 795 391 Vgl. Backhaus et al (2006), S. 430f. 385 100 pk – Wahrscheinlichkeit des Eintretens eines zu erklärenden Zustandes für einen Beobachtungsfall k e – Eulersche Zahl zk – latente Variable Z, erzeugt als Linearkombination der verschiedenen Einflussgrößen (sog. Logit) Dabei gilt: J z k 0 j * x jk u k j1 mit β0 und βj – Regressionskoeffizienten xjk – Ausprägung der unabhängigen Variable des Objektes k im Fall j uk – Fehlerterm des Objektes k Die so erzeugte Wahrscheinlichkeitsverteilung folgt einem s-förmigen Verlauf. Die Ergebnisse für die ermittelte Wahrscheinlichkeit bewegen sich zwischen 0 und 1.392 Die Abbildung 3 verdeutlicht beispielhaft diesen Verlauf. 392 Vgl. Backhaus et al (2006), S. 432 101 Verlauf einer logistischen Funktion 1,1 Wahrscheinlichkeit p=f(z) 0,9 0,7 0,5 0,3 0,1 -0,1 -10 -9 -8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10 Ausprägungen für z Abbildung 3: beispielhafter Verlauf einer logistischen Funktion393 Der hier beschriebene Verlauf der Funktion und die Ausführungen zur logistischen Regressionen belegen die gute Eignung dieser Funktion in Analysen, die von Ausprägungen bestimmter Eigenschaften auf die Wahrscheinlichkeit schließen wollen, dass ein bestimmter Zustand eintritt.394 Die logistische Regression bietet den großen Vorteil, dass sie robuster ist als beispielsweise die Diskriminanzanalyse. Die in die Regression einfließenden unabhängigen Variablen müssen keiner Normalverteilung folgen.395 Damit die logistische Regression zu plausiblen Ergebnissen führt, müssen die einfließenden Daten gewissen Anforderungen genügen. Aus den Ausführungen im vorangegangenen Abschnitt ergibt sich die Forderung, die Zahl der einfließenden erklärenden Variablen nicht zu groß werden zu lassen. 396 393 eigene Darstellung in Anlehnung an Backhaus et al (2006), S. 432 Vgl. Kaiser, Szczesny (2003), S. 799 395 Vgl. Backhaus et al (2006), S. 426 396 Vgl. Backhaus et al (2006), S. 426 394 102 Dies wirft die Frage auf, ab wann die Zahl der Variablen „zu groß“ ist. Auf Basis empirischer Untersuchungen kann festgestellt werden, dass die Prognosegüte empirisch-statistischer Verfahren bei der Verwendung von mehr als 3 Variablen offenbar nicht mehr signifikant ansteigt.397 Weiterhin muss die Zahl der einfließenden Beobachtungen genügend groß sein. Als Untergrenze werden 50 Beobachtungen genannt.398 Dies entspricht bei zwei zu erklärenden Zuständen der Forderung von Backhaus et al, mindestens 25 Fälle je Ausprägung der abhängigen Variable einzubeziehen.399 Die logistische Regression liefert erst ab einer Größe von 100 Beobachtungen aussagekräftige Ergebnisse.400 Wird statt der logistischen Funktion die Verteilungsfunktion der Standardnormalverteilung zugrunde gelegt, spricht man vom Probit-Modell.401 Die Probit-Funktion verläuft in den Randbereichen etwas flacher, als die Logit-Funktion. Extreme Ereignisse haben im Probit-Modell eine geringere Eintrittswahrscheinlichkeit.402 Um eine Unterschätzung extremer Ergebnisse zu vermeiden, wird in dieser Arbeit das Logit-Modell eingesetzt. 3.3.6.4 Geordnete logistische Regression Eine weitere Form der logistischen Regression neben der binär-logistischen ist die geordnete logistische Regression. Diese wird auch als kategoriale Regression bezeichnet. Es werden hier keine dichotomen Ereignisse analysiert, sondern die Zielvariable wird in mehrere Kategorien unterteilt.403 Um diese Methode im Rahmen der hier vorgestellten Auswertung anwenden zu können, müssten sich die untersuchten Ausgänge in eine Reihenfolge bringen lassen. Barniv et al (2002) schlagen folgende Reihenfolge der in ihrer Arbeit 397 Vgl. Bemmann (2007), S. 19 Vgl. Fromm (2005), S. 6 399 Vgl. Backhaus et al (2006), S. 480 400 Vgl. Fromm (2005), S. 6 401 Vgl. Kaiser/Szczesny (2003), S. 796 402 Vgl. Saldanha (2008), S. 167 403 Vgl. Fahrmeir et al (2009), S. 235 398 103 untersuchten Ausgänge vor: „acquired“, „emerged“ und „liquidated“.404 Die Grundlage dieser Reihenfolge sind dabei die Ergebnisse für die Investoren.405 Im vorliegenden Datensatz lässt sich kein Kriterium finden, dass eine solche Reihung der untersuchten Ausgänge plausibel macht. Aus diesem Grund wird eine geordnete Regression nicht durchgeführt. 3.3.6.5 Gütemaße einer Regression Um beurteilen zu können, wie gut eine erstellte Regressionsgleichung die Daten beschreibt, werden verschiedene Gütemaße benutzt. Einige werden im Folgenden vorgestellt. 404 405 Vgl. ebenda, S. 501 Vgl. ebenda, S. 498 104 Bestimmtheitsmaß Das Bestimmtheitsmaß beschreibt die Güte der Anpassung einer Regression. 406 n B Y ,X 1 ( y i ŷ i ) 2 i 1 n (y i 1 i y) 2 mit: BY,X – Bestimmtheitsmaß ŷ i - mit der Regression geschätzter Wert für y yi – beobachteter Wert y - Mittelwert der beobachteten Werte yi Es handelt sich bei diesem Wert also um das Verhältnis der Varianz der geschätzten Werte zur Varianz der beobachteten Werte. Es gilt für BX,Y stets:407 0 B X ,Y 1 Nimmt BX,Y den Wert 1 an, dann kann die Regression der Variable Y auf X die gesamte Varianz der beobachteten Werte Y erklären. In dem Fall wird eine optimale Anpassung der Funktion an die Beobachtungen erreicht.408 Für (univariate) lineare Regressionen entspricht das Bestimmtheitsmaß B X,Y stets dem Quadrat der Korrelation rXY.409 406 Vgl. Hartung et al (2005), S. 578 Vgl. Hartung et al (2005), S. 579 408 Vgl. Hartung et al (2005), S. 579 409 Vgl. Hartung et al (2005), S. 579 407 105 Das hier beschriebene Bestimmtheitsmaß eignet sich auch zur Beurteilung der Güte logistischer Regressionen410 und findet damit Anwendung bei der Betrachtung der noch zu erstellenden Regressionsmodelle. Pseudo-R2 –Statistik Die unter diesem Begriff zusammengefassten Gütemaße geben Auskunft darüber, welchen Teil der Variation das Modell erklären kann. Es bestehen hier Ähnlichkeiten zum Bestimmtheitsmaß R2. Auch hier finden wieder die Likelihood-Werte Anwendung.411 Die einzelnen Berechnungsmethoden werden nachfolgend vorgestellt. McFaddens-R2 Dieses Gütemaß412 kann aus den LL-Werten des Null-Modells (LL0) und des vollständigen Modells (LLv) berechnet werden. Es gilt: McFadden R 2 1 LLv LL0 Bei einem Wert von Null weist das Modell keine Erklärungskraft auf. Es wird davon ausgegangen, dass bei Werten zwischen 0,2 und 0,4 eine gute Modellanpassung angenommen werden kann. Cox und Snell-R2 Das Cox und Snell-R2413 wird nach folgender Vorschrift berechnet: 2 L K Cox Snell R 2 1 0 Lv 410 Vgl. Hartung et al (2005), S. 646 Vgl. Backhaus et al (2006), S. 448 412 Vgl. im Folgenden Backhaus et al (2006), S. 448f. 413 Vgl. im Folgenden Backhaus et al (2006), S. 449f. 411 106 mit L0 – Likelihood des Nullmodells (nur Konstante) Lv – Likelihood des vollständigen Modells K – Stichprobenumfang Die Likelihoods können gemäß nachstehender Vorschrift bestimmt werden: 414 K 1 L zk k 1 1 e yk 1 * 1 z 1 e k 1 y k Nagelkerke-R2 Das R2 nach Nagelkerke415 kann den Maximalwert 1 im Gegensatz zum R2 nach Cox und Snell erreichen und eignet sich besser für die Einschätzung der Güte des aufgestellten Modells. Die Berechnung erfolgt nach folgender Vorschrift: Nagel ker ke R 2 wobei R 2 max 1 (L0 ) 2 K R2 2 R max ist und R2 = Cox-Snell R2. Werte größer 0,5 für dieses R2 gelten noch als sehr gut. Die vorgestellten Pseudo-R2-Statistiken werden ebenfalls in der hier vorliegenden Arbeit zur Betrachtung der Güte einer Regression eingesetzt. 414 415 Vgl. Backhaus et al (2006), S. 437 Vgl. im Folgenden Backhaus et al (2006), S.449f. 107 Devianz Die Devianz416 ist ein Gütemaß auf Basis der sog. LogLikelihood-Funktion (LL). Es findet insbesondere bei logistischen Regressionen Anwendung. Diese Funktion wird wie folgt bestimmt: K 1 LL y k * ln z 1 e k k 1 1 (1 y k ) * ln 1 z 1 e k 417 mit yk – anhand der Logit-Regression ermittelte Wahrscheinlichkeit für das Objekt k zk – Logit des Objekts k Die Devianz entspricht dann dem -2-fachen des LL. Sie ermöglicht Aussagen zur Güte des Regressionsmodells. Die Devianz beschreibt eine Abweichung vom Idealwert. Dieser Wert nimmt dann den Wert 0 an, wenn ein perfekter Modellfit vorliegt. Je höher der bestimmte Wert der Devianz ist, desto eher ist die Nullhypothese eines perfekten Modellfits abzulehnen. Die Devianz folgt der Chi-Quadrat-Verteilung. Aussagen über die Modellgüte werden durch Vergleich der berechneten Devianz mit der tabellierten Chi-Quadrat-Verteilung erreicht. Die Zahl der Freiheitsgrade entspricht der Anzahl der Beobachtungen minus der Anzahl der Parameter minus 1.418 Bei einem Test auf Signifikanz wird die Nullhypothese geprüft, das Modell besäße eine optimale Anpassung. Werte nahe oder gleich Null sprechen für sehr gute Anpassung des Modells.419 Kritisch anzumerken ist, dass dieses Gütemaß ein Modell als besser bewertet, das eine sehr schiefe Verteilung des Datensatzes aufweist.420 416 Vgl. Backhaus et al (2006), S. 445f. Vgl. Backhaus et al (2006), S. 437 418 Vgl. Backhaus et al (2006), S. 445f 419 Vgl. Backhaus et al (2006), S. 445f 420 Vgl. Backhaus et al (2006), S. 446 417 108 Trotz dieser Einschränkung findet dieses Gütemaß Aufnahme in die anstehenden Untersuchungen. Likelihood Ratio-Test Die Einschränkungen bei der Anwendung der Devianz versucht der Likelihood RatioTest zu umgehen. Hier wird der LL-Wert mit dem LL-Wert eines Modells verglichen, bei dem alle Koeffizienten der Unabhängigen Null gesetzt werden (sog. Null-Modell). Je größer die Differenz zwischen beiden Werten ist, desto höhere Erklärungskraft haben die einfließenden Variablen. Die Prüfgroße ist Chi-Quadrat verteilt mit einer Zahl an Freiheitsgraden, die der Anzahl unabhängigen Variablen entspricht. Das Modell hat demnach dann Erklärungswert, wenn der ermittelte Wert größer ist als der tabellierte Wert der Verteilung bei gewünschter Signifikanz.421 Signifikanz der Regressionskoeffizienten Im Rahmen der Regressionsanalyse werden Koeffizienten für einzelne Einflussfaktoren ermittelt. Mit einem Signifikanztest wird die Hypothese überprüft, dass die Variable keinen Einfluss hat, der Koeffizient mithin also den Wert Null hat. Die ausgewiesene Wahrscheinlichkeit entspricht der Irrtumswahrscheinlichkeit bei Annahme dieser Hypothese. Je kleiner die ermittelten Signifikanzen also sind, desto eher kann angenommen werden, dass der tatsächliche Koeffizient der Variable von Null abweicht.422 Trefferquoten Ein weiterer Weg, die Güte eines Logit-Modells zu überprüfen besteht darin, die über die Regression bestimmten Wahrscheinlichkeiten mit den empirisch beobachteten Werten zu vergleichen.423 Eine gute Aussage über die Qualität des Modells wird 421 Vgl. Backhaus et al (2006), S. 447 Vgl. Fromm (2004), S. 24 und Baltes-Götz (2004), S. 36 423 Vgl. Backhaus et al (2006), S. 453 422 109 möglich, wenn man die die Trefferquote des Modells mit einer zufälligen Zuordnung der Objekte vergleicht.424 Aufbauend auf den Trefferquoten existieren diverse Tests, die Aussagen über die Güte der Regression ermöglichen. Press´s Q-Test Im Rahmen dieses Tests425 wird eine Prüfgröße, die einer Chi-Quadrat-Verteilung mit einem Freiheitsgrad folgt, wie folgt berechnet:: 2 K K * G * a Q K * G 1 mit K – Strichprobenumfang G – Anzahl der Gruppen a – Anteil der korrekt klassifizierten Elemente Über einen Vergleich mit dem tabellierten kritischen Wert können Aussagen über die Güte eines Logit-Modells abgeleitet werden. Hosmer-Lemeshow-Test Im Rahmen dieses Tests wird die Stichprobe in ungefähr gleich große Gruppen unterteilt. Im Anschluss wird geprüft, inwieweit sich die berechneten und die empirischen Häufigkeiten für den Eintritt des untersuchten Ereignisses unterscheiden. Über einen Chi-Quadrat-Test kann überprüft werden, ob sich die geschätzten und die beobachtenden Häufigkeiten voneinander unterscheiden. Signifikanzniveau größer als 0,7 gelten dabei als akzeptabel.426 424 Vgl. Backhaus et al (2006), S. 453f. Vgl. im Folgenden Backhaus et al (2006), S. 454 426 Vgl. Backhaus et al (2006), S. 454f. 425 110 Power-Kurven Analyse Um die Güte von binär-logistischen Regressionsmodellen, insbesondere die Trennschärfe zu bewerten, kann die Power-Kurven-Analyse (auch „ROC“ – reciever operating characteristics - genannt), angewandt werden.427 Dieses Gütemaß vergleicht die vorhergesagten Ergebnisse auf Basis des Modells mit den tatsächlich beobachteten Ausgängen. Kleinbaum und Klein (2010) folgend sollen die Fälle, bei denen der untersuchte Ausgang eintrat, als „cases“ bezeichnet werden. Tritt der in Frage stehende Ausgang nicht ein, soll von „non-cases“ gesprochen werden.428 Das Verhältnis an korrekt vorhergesagten „cases“ zur Gesamtzahl aller „cases“ wird als Sensitivität („sensitivity“) bezeichnet. Das Verhältnis aus korrekt vorhergesagten „non-cases“ zu gesamt beobachteten „non-cases“ wird als Spezifität („specificity“) bezeichnet.429 Je besser die Trennschärfe eines Modells ist, desto mehr nähern sich Sensitivität und Spezifität dem Wert 1.430 Die sog. ROC-Kurven entstehen, wenn in einem Diagramm die Sensitivität eines Modells und auf der zweiten Achse die 1-Spezifizität des Modells bei sich erhöhendem Trennwert aufgetragen werden. Je größer die Fläche unter der entstehenden Kurve ist, desto größer ist Trennschärfe des Modells.431 Als Maß für die Güte wird dabei die Fläche unter der Kurve („area under curve“) verwendet. Je größer diese Fläche ist, desto besser ist das Modell.432 427 Vgl. Kleinbaum/Klein (2010), S. 346 Vgl. ebenda, S. 348 429 Vgl. ebenda, S. 349 430 Vgl. Kleinbaum/Klein (2010), S. 349 431 Vgl. Kleinbaum/Klein (2010), S. 349 432 Vgl. Kleinbaum/Klein (2010), S. 349 428 111 Abbildung 4: Beispiele für ROC-Kurven433 In der Abbildung 4 werden beispielhaft zwei ROC-Kurven dargestellt. Die Fläche unter der Kurve ist für das „Example A“ größer. Das Modell, das diesem Beispiel zugrunde liegt, hat offenbar eine größere Trennschärfe als das zweite Modell („Example B“). Das Konzept der ROC-Kurven findet in dieser Arbeit ebenfalls als Gütemaß Anwendung. Erwartete Kosten der Fehlklassifizierung Ein weiteres mögliches Gütemaß für ein Regressionsmodell stellen die erwarteten Kosten der Fehlklassifizierung dar. Das Regressionsmodell wird so gewählt, dass diese Kosten minimal werden.434 Da für den vorliegenden Datensatz die Kosten einer falschen Zuordnung nicht bestimmbar sind, wird dieses Gütemaß nicht eingesetzt. Es wurden in den voranstehenden Ausführungen diverse Gütemaße vorgestellt, die für die Betrachtung einer logistischen Regression geeignet sind. Nachfolgend werden 433 434 Kleinbaum/Klein (2010), S. 349 Vgl. Barniv et al (2002), S. 502f. 112 noch einmal die Gütemaße zusammengefasst, die in dieser Arbeit aufgenommen werden. Bestimmtheitsmaß McFaddens R2 Cox und Snell R2 Nagelkerke R2 Devianz Likelihood-Ratio-Test Signifikanz der Regressionskoeffizienten Trefferquoten Press´s Q Test auf Basis der Trefferquoten Hosmer-Lemeshow-Test ROC-Kurven bzw. Power-Kurven Damit steht eine vielfältige Auswahl an Instrumenten zur Verfügung, um die Güte der aufzustellenden Modelle einzuschätzen. 3.3.6.6 Interpretation der Koeffizienten Das Ziel der aufzustellenden Modelle ist es, den Einfluss bestimmter Variablen auf das untersuchte Ergebnis zu bestimmen. Die logistische Regression bietet verschiedene Möglichkeiten, den Einfluss der Faktoren zu interpretieren. Eine direkte Interpretation der Koeffizienten, wie es bei der linearen Regression möglich ist, kann für die logistische Regression nicht vorgenommen werden, da der Einfluss der Faktoren auf das zu erklärende Ergebnis nicht linear ist. 435 Das Ergebnis der logistischen Regression ist die Gleichung J z k 0 j * x jk j 1 435 Vgl. Backhaus et al (2006), S. 440 113 mit β0 und βj – Regressionskoeffizienten xjk – Ausprägung der unabhängigen Variable des Objektes k im Fall j Das so ermittelte zk wird in die Grundgleichung p k ( y 1) 1 1 e zk der logistischen Regression eingesetzt.436 Setzt man nun bestimmte Werte in diese Regressionsgleichung ein, lässt sich die Wahrscheinlichkeit bestimmen, mit der das untersuchte Ereignis für ein Objekt k mit diesen Ausprägungen der Faktoren eintritt.437 Die Richtung des Einflusses der unabhängigen Variablen lässt sich ohne Umstände aus den geschätzten Koeffizienten βj bestimmen. Positive (negative) Vorzeichen bedeuten, dass mit zunehmenden Werten für diese Größe ceteris paribus auch die untersuchte Wahrscheinlichkeit pk steigt (sinkt).438 Durch einige Umformungen kann das sog. „odds ratio“, das Chancenverhältnis bestimmt werden. Dies erlaubt eine Aussage über die Chance, dass das untersuchte Ereignis eintritt.439 Formal kann das odds ratio (or) wie folgt beschrieben werden: or p k ( y 1) e z k 440 1 p k ( y 1) Das odds ratio sagt somit aus, um wie viel häufiger das Eintreten des untersuchten Zustandes gegenüber dem Nichteintreten ist. Eine odds ratio von 2 bedeutet, dass das untersuchte Ergebnis zweimal häufiger eintritt als der entgegengesetzte Fall. Dies entspräche einer Wahrscheinlichkeit p(y=1) von 0,66. 436 Vgl. 3.3.6.3 Vgl. Fromm (2005), S. 6 438 Vgl. Backhaus et al (2006), S. 441 439 Vgl. Fromm (2005), S. 7 440 Vgl. Backhaus et al (2006), S. 443 437 114 Durch Bilden des natürlichen Logarithmus des Ausdruckes e z erhält man das Logit z.441 Die Logits können somit direkt als logarithmierte Chancen interpretiert werden. Über die Odds können die Koeffizienten βj nun interpretiert werden. Eine Erhöhung der betrachteten unabhängigen Variable um eine Einheit ändert das Chancenverhältnis ceteris paribus um den Faktor e j .442 Beträgt der Koeffizient β beispielsweise 0,5, entspricht dem ein Einfluss von e0,5 1,6 . Wird diese Variable also um eine Einheit erhöht, steigen die Odds auf das 1,6fache. Mit zunehmender Größe der Odds sinken bei weiterer Zunahme dieser Odds die Änderungen der zugrunde liegenden Wahrscheinlichkeit, den untersuchten Zustand zu erreichen. Wenn beispielsweise der Koeffizient 0,693 beträgt, ergibt sich ein Faktor e 0,693 2 . Die Odds sollen 10 betragen. Dies entspricht einer Wahrscheinlichkeit von rund 90%. Wird die Variable nun um eine Einheit erhöht, steigen die Odds um den Faktor 2 auf 20. Dieser Verdopplung der Odds steht eine Zunahme der Wahrscheinlichkeit um rund 5 Prozentpunkt auf 95% gegenüber. Den Zusammenhang zwischen der Ausprägung der Odds und der dazugehörigen Wahrscheinlichkeit zeigt die Abbildung 5. 3.3.6.7 Multikollinearität Wenn die in eine Regression einfließenden unabhängigen Variablen voneinander linear abhängen, spricht man von Multikollinearität. Liegt diese vor, wird die Schätzung verzerrt. Die Aussagekraft des Modells leidet, es kann zu Über- oder Unterschätzung einzelner Parameter führen.443 441 Vgl. Fromm (2005), S. 7 Vgl. Backhaus et al (2006), S. 444 443 Vgl. Schneider (2007), S. 183 442 115 Wahrscheinlichkeit in Abhängigkeit der Odds 1,00 0,90 Wahrscheinlichkeit 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 0 2 4 6 8 10 12 14 16 18 20 Ausprägung der Odds Abbildung 5: Abhängigkeit zwischen Odds und Wahrscheinlichkeit Um eventuell vorliegende Multikollinearität in den Daten aufzudecken, ist es möglich, Regressionen aufzustellen, die jeweils eine der unabhängigen Variablen mit Hilfe der übrigen unabhängigen Variablen modellieren. Werden in diesen Regressionen Bestimmtheitsmaße nahe 1 erreicht, wird das Vorliegen von Multikollinearität angenommen.444 Im Rahmen der vorliegenden Untersuchung werden für die zu erstellenden Modelle jeweils Analysen auf Multikollinearität vorgenommen. Die Analyse erfolgt dabei jeweils für diejenigen Variablen, die univariat als signifikant ermittelt wurden. In die multivariaten Analysen werden nur die Variablen aufgenommen, die in den beschriebenen Regressionen ein Bestimmtheitsmaß von 0,8 oder kleiner erreichen. Variablen, deren Bestimmtheitsmaß größer als 0,8 ist, können zum überwiegenden Teil durch die verbliebenen Variablen erklärt werden und werden eliminiert. Ein ähnliches Vorgehen wenden Barniv et al (2002) und Saldanha (2008) in ihren Studien an. Ihr vordergründiges Ziel ist es, die Zahl der einfließenden Variablen zu 444 Vgl. Schneider (2007), S. 186f. 116 reduzieren. Um dies zu erreichen, führen sie zum einen Korrelationsanalysen durch. Variablen, die hoch korrelieren, werden entfernt.445 Dies geschieht nicht explizit vor dem Hintergrund, Multikollinearität zu begegnen. Es wird jedoch dasselbe erreicht, wie mit dem hier beschriebenen Vorgehen. Wenn der Korrelationskoeffizient den Wert 1 erreicht, besteht ein linearer Zusammenhang zwischen den beiden untersuchten reihen.446 Wenn der Zusammenhang zwischen den Reihen perfekt linear ist, nimmt auch das Bestimmtheitsmaß den Wert 1 an. Beide Vorgehen, Korrelationsanalysen und lineare Regressionen mit den jeweils einfließenden Variablen führen dazu, dass die Variablen identifiziert werden, die keine zusätzlichen Informationen enthalten sondern aus den verbleibenden Variablen abgeleitet werden können. 3.3.7 Neuronale Netze Eine Methode, die, wie Jacobs et al (2008) zeigen, in der Analyse von Daten eingesetzt werden kann, ist das „neuronale Netz“. Diese Methode ist besonders dann von Nutzen, wenn die Zusammenhänge komplex sind oder keine Hypothesen über die Zusammenhänge aufgestellt werden können.447 Ein neuronales Netz lernt aus beobachteten Werten. Es werden bestimmte Situationen bzw. Variablenausprägungen und die dazugehörige Ausprägung der abhängigen Variable vorgegeben. Ein neuronales Netz kann daraus eine generalisierbare Vorschrift ermitteln.448 Die Prozesse in einem neuronalen Netzwerk sind dabei den in der Natur beobachtbaren Lernprozessen nachgebildet,449 Die Umsetzung eines neuronalen Netzes erfordert entweder eine entsprechende Software oder Programmierkenntnisse, um ein solches Netz und die dazugehörigen Lernalgorithmen umzusetzen. Für beide Wege Ressourcen nicht zur Verfügung. 445 Vgl. Barniv et al (2002), S. 507 und Saldanah (2008), S. 205ff. Vgl. Abschnitt „Korrelationsanalyse“, S. 93f. 447 Vgl. Backhaus et al (2006), S. 750 448 Vgl. Kriesel (2007), S. 7 449 Vgl. Backhaus et al (2006), S. 750 446 117 standen die erforderlichen Ein neuronales Netz wird in dieser Untersuchung nicht eingesetzt. 3.3.8 Strukturgleichungsmodelle Diese Methode wird eingesetzt, um komplexe Sachverhalte zu modellieren. Insbesondere dann, wenn es latente, nicht direkt beobachtbare oder messbare, Größen gibt, die in die Analyse einbezogen werden sollen.450 Grundsätzlich können Strukturgleichungsmodelle nur lineare Zusammenhänge abbilden.451 Damit ist diese Methode nicht geeignet, eine binäre Variable, wie bspw. „Überleben“ und „nicht Überleben“ zu erklären. Strukturgleichungsmodelle werden daher in dieser Untersuchung nicht eingesetzt. 3.3.9 Zusammenfassende Übersicht über die angewandten Methoden Von der Vielzahl der vorgestellten Methoden werden nur diejenigen eingesetzt, die sich zur Untersuchung dieses Datensatzes eignen. Im Folgenden werden noch einmal die Methoden kurz aufgeführt, die in der hier vorliegenden Arbeit zur Anwendung kommen. Die Variablen des hier betrachteten Datensatzes werden mit multivariaten binärlogistischen Regressionen ausgewertet. Die abhängige Variable ist der jeweils untersuchte Ausgang der Sanierung. Die Zusammensetzung dieses Ausgangs wird jeweils bei den einzelnen zu erstellenden Modellen beschrieben. Als erklärende Variable in den Regressionen fungieren die Variablen, die auf Basis der vorliegenden Daten bestimmt werden. Der AbschnittError! Reference source not found.beschreibt die Variablen und ihre jeweilige Ausprägung. Um die Zahl der einfließenden erklärenden Variablen zu reduzieren, werden zuerst univariate binär-logistische Regressionen vorgenommen. Jede der vorliegenden Variablen wird univariat auf Erklärungskraft in Bezug auf das interessierende Ergebnis der Sanierung geprüft. Variablen, die univariat Signifikanzen der 450 451 Vgl. Huber et al (2007), S. 3 Vgl. Huber et al (2007), S. 4, Vgl. Cassel et al (1999), S. 437 118 Koeffizienten von 0,1 oder besser erreichen, werden in die multivariaten Modelle aufgenommen. Um Multikollinearität zwischen den verbleibenden Variablen zu vermeiden, werden lineare Regressionen vorgenommen, die eine Variable jeweils aus den anderen einfließenden Variablen erklären. Variablen, die in diesen Regressionen ein gewisses Bestimmtheitsmaß erreichen oder überschreiten, werden nicht aufgenommen. Sie ließen sich in sehr großem Maße aus den verbleibenden Variablen erklären. Zur Beurteilung der Güte der geschätzten Modelle werden folgende Kriterien verwendet: Bestimmtheitsmaße: McFadden Cox & Snell Nagelkerke Signifikanz der Koeffizienten der Devianz des Likelihood-Ratio-Test Trefferquoten Press´s Q-Test und Signifikanz des Hosmer-Lemeshow-Tests sowie Power-Kurven-Analyse Damit sind nunmehr die Methoden ermittelt, die für diese Arbeit zur Anwendung kommen sollen. Das Vorgehen wurde ebenfalls bereits umrissen. Die Kriterien, 119 anhand derer die Güte der aufzustellenden Modelle gemessen werden soll, wurden ebenfalls bestimmt. Die nächsten Schritte bestehen in der Erhebung der Daten und deren Transformation in Variablen. Dies wird Inhalt des nächsten Abschnittes sein. Diese Variablen werden dann mit Hilfe der hier beschriebenen Methoden untersucht. Die so entstehenden Modelle werden im Kapitel 5 erläutert. 3.4 Grundsätzliches Vorgehen bei der Auswertung Im Rahmen dieser Arbeit sollen die verschiedenen, eingangs bereits beschriebenen Zusammenhänge untersucht werden. Es fließen Variablen aus dem Bereich der quantitativen und qualitativen Daten und aus dem Bereich der Maßnahmen in die Analysen ein.452 Die Transformation der Daten des Datensatzes in die entsprechenden Variablen wurde bereits geschildert. Die folgende Abbildung gibt noch einmal einen Überblick über die noch zu analysierenden Verbindungen zwischen den einzelnen Kategorien. Abbildung 6: untersuchte Zusammenhänge zwischen den Kategorien der Variablen 452 Siehe hierzu Punkt 2.3 auf S. 16ff. und Punkt 2.4 auf S. 41 ff. 120 Im Rahmen der Auswertungen werden somit die folgenden Zusammenhänge untersucht: 1. Auswirkung der quantitativen und qualitativen Variablen auf den Ausgang der Sanierung, 2. Auswirkung der Maßnahmen auf den Ausgang der Sanierung und 3. Auswirkung der quantitativen und qualitativen Variablen auf die ergriffenen Maßnahmen. Der Punkt 1 kann zusammen als ein Modell zur Genesungsprognose aufgefasst werden. Die Erkenntnisse erweitern die bereits im Punkt 2.4 vorgestellten Arbeiten. Der 2. Punkt stellt den Schwerpunkt dieser Arbeit dar. Hier wird der Einfluss der Maßnahmen auf die möglichen Ausgänge bestimmt. Da die Ausgänge der Sanierung in Form von Dummy-Variablen vorliegen, welche jeweils den Wert 0 oder 1 annehmen, wird hier grundsätzlich die binär logistische Regression453 angewandt. Somit werden Modelle geschätzt, die den Einfluss der Variablen aus der jeweiligen Kategorie auf das Erreichen eines bestimmten Ausgangs454, im vorliegenden Fall zum Beispiel „erfolgreiche Sanierung“ vs. „gescheiterte Sanierung“, wiedergeben. In den Teilen 1-3, die jeweils die Auswirkung der Variablen auf das Ergebnis der Sanierung untersuchen, wird bezüglich der Auswahl der einzubeziehenden Variablen folgendes Vorgehen angewandt. In einem ersten Schritt werden die ermittelten Variablen455 in univariaten binärlogistischen Regressionen auf ihre Aussagekraft in Bezug auf das Ergebnis der Sanierung untersucht. So kann die Zahl der einzubeziehenden Variablen reduziert werden. Diejenigen Variablen, die in diesem Schritt eine Signifikanz der Koeffizienten von 0,1 oder besser erreichen, werden anschließend in multivariaten Regressionen überprüft. Auf diese Weise kann sichergestellt werden, dass durch die multivariaten 453 Eine Beschreibung dieser Methode enthält der Punkt 3.3.6.3 Vgl. hierzu die Ausführungen auf S.100ff. 455 Vgl. hierzu die Ausführungen im Punkt 3.1 auf Seite 68ff. 454 121 Regressionen nicht eine zufällig signifikante Kombination aus Variablen ermittelt wird. In diesem Schritt wird die Richtung des Einflusses nicht überprüft. Ob eine Variable es wahrscheinlicher macht, dass der untersuchte Ausgang erreicht wird, wird an dieser Stelle noch nicht bestimmt. Eine Quantifizierung des Einflusses erfolgt erst mit den multivariaten Auswertungen. Die Auswertungen zu den Punkten 1. Auswirkung der quantitativen Variablen auf den Ausgang der Sanierung und 2. Auswirkung der qualitativen Variablen auf den Ausgang der Sanierung erfolgen gemeinsam. Dies erfolgt unter anderem vor dem Hintergrund, dass diese Variablen die Situation des Engagements zu Beginn der Sanierung beschreiben. Somit eignen sich diese Variablen für Modelle, die den Sanierungserfolg zu Beginn einer Sanierung bestimmen, was Ziel der vorliegenden Arbeit ist. Einige empirische Arbeiten mit einem ähnlichen Erkenntnisschwerpunkt wurden im Punkt 2.4 vorgestellt. Im Zuge der Beschreibung der Arbeiten wurde auch dargelegt, mit welchen Methoden die genannten Autoren die in ihren Studien vorliegenden Variablen aufbereitet. Eine Beschreibung der Methoden erfolgte jeweils im Abschnitt 3.3 dieser Arbeit. Nachfolgend wird beschrieben, welche der bereits eingesetzten Methoden Anwendung in der hier vorliegenden Arbeit finden. Bryan et al (1999)456 setzen in ihrer Arbeit eine Rangtransformation457 ein. Da die Auswertungen durch logistische Regression keine rangtransformierten Variablen voraussetzen, wird darauf verzichtet, diese hier anzuwenden. Das Autorenteam um Barniv458 reduziert die Zahl der einzusetzenden Variablen durch Korrelationsanalysen459. Die Auswertung der Daten erfolgt im Anschluss in univariaten Modellen. Beide Punkte werden übernommen. Auch aus der Arbeit Saldanhas (2008)460 können Elemente zur Aufbereitung der Daten übernommen werden. Zum einen reduziert er ebenfalls die Zahl der Variablen, in dem er Korrelationsanalysen einsetzt. Darüber hinaus werden auch bei ihm zuerst univariat signifikante Faktoren bestimmt, 456 Siehe hierzu S. 49ff. Siehe hierzu die Erläuterung auf S. 95f. 458 Die Beschreibung der Studie von Barniv et al (2002) ist auf S. 52ff. zu finden. 459 Eine Erläuterung hierzu ist auf S. 93f. zu finden. 460 Auf S. 55 wird diese Arbeit vorgestellt. 457 122 die dann in die multivariaten Modelle einfließen. Die von Saldanha eingesetzte Monotonisierung durch eine Score-Transformation wird auf die hier betrachteten Variablen nicht angewandt461. Nach diesen Überlegungen ergibt sich nunmehr folgendes Vorgehen für die Aufbereitung der Variablen. Die ermittelten Variablen werden im ersten Schritt einer Korrelationsanalyse unterzogen. Variablen, die eine sehr hohe Korrelation zu anderen Variablen des Datensatzes aufweisen, werden nicht in die Analysen aufgenommen. So kann die Zahl der Variablen reduziert werden. Die verbleibenden Variablen werden univariat mittels logistischer Regression ausgewertet. So kann das der Einfluss jeder Variable ermittelt werden. In die multivariaten Analysen werden dann schlussendlich nur Variablen aufgenommen, die univariat ein hinreichend hohes Erklärungsmaß aufweisen, und die keine Multikollinearität zueinander aufweisen. Dieses Vorgehen hilft, ein eventuelles overfitting462 zu vermeiden. Overfitting bedeutet, die als „beste“ identifizierte Kombination aus erklärenden Variablen ist nur zufällig an die vorliegende Datenstruktur angepasst. 463 Es ist somit ratsam, die erklärenden Variablen nicht in beliebigen Kombinationen zu testen und anschließend die Kombination mit der höchsten Erklärungskraft auszuwählen464, sondern ein mehrstufiges Vorgehen anzuwenden. Weiterhin teilen viele Autoren teilen die jeweils vorliegenden Daten in eine Entwicklungs- und eine Teststichprobe auf.465 Die Regressionsmodelle werden auf Basis der Entwicklungsstichprobe geschätzt und die Aussagekraft anhand der Teststichprobe überprüft. Die vorliegende Untersuchung folgt diesem Vorgehen nicht. Die Unterteilung in zwei separate Stichproben führt dazu, dass weniger Fälle in die Schätzung des Modells einbezogen werden können. Da der hier untersuchte Datensatz mit 76 Fällen nur wenige Fälle enthält, wird von einer weiteren Unterteilung abgesehen. Die Ergebnisse wären nur stark eingeschränkt verallgemeinerbar. 461 Die Gründe wurden auf S. 96 aufgeführt. Zunehmend komplexere Modelle können die Ergebnisse des Datensatzes immer besser erklären. Dies liegt jedoch nicht an einer zunehmenden Prognosegüte, sondern an der Überanpassung des Modells an die Daten. Es werden nicht nur die Strukturen innerhalb der Daten beschrieben, sondern auch das Rauschen. Die Übertragbarkeit von Modellen, die ein overfitting aufweisen, ist sehr gering. Vgl. hierzu Göpfert (2011), S. 13 und Hastie et al (2013), S. 221 463 Vgl. Bemmann (2007), S. 17 464 Vgl. ebenda 465 Vgl. bspw. Saldanha (2008) 462 123 4 Beschreibung des Datensatzes Das folgende Kapitel widmet sich dem Datensatz, der dieser Arbeit zugrunde liegt. Nachstehend wird zum einen seine Herkunft kurz beleuchtet, zum anderen werden die Engagements des Datensatzes anhand einiger Kriterien kurz näher beschrieben. 4.1 Herkunft der Daten Die in der Untersuchung einfließenden Daten wurden aus zur Verfügung gestellten Kreditakten erhoben, welche durch das kooperierende Kreditinstitut bereitgestellt wurden. Damit standen für die Erhebung diverse Quellen zur Verfügung. Es konnten die bankinternen Protokolle und Beschlüsse ausgewertet werden. Darüber hinaus wurden die eingeräumten Kredite und die gestellten Sicherheiten anhand der ursprünglichen Verträge erfasst. Die Jahresabschlüsse des jeweiligen Kunden konnten nebst den unterjährigen betriebswirtschaftlichen Auswertungen erfasst werden. Weiterhin konnten viele Informationen aus dem Schriftverkehr des Kreditinstitutes mit dem Kunden und evtl. anderen beteiligten Personen gewonnen werden. Bei der Erhebung der Daten konnte sich somit auf ein sehr breites Spektrum an Informationsquellen gestützt werden. Die Erhebung der Daten erfolgte vor Ort, in den Räumen des Kreditinstitutes. Die Informationen wurden transkripiert, um eine spätere Verarbeitung in Statistikprogrammen und Tabellenkalkulationen zu ermöglichen. Der Datensatz enthält Engagements, die aufgrund interner Vorgaben des Kreditinstitutes an eine sog. „Intensivbetreuung“ abgegeben wurden. Diese Abgabe erfolgt regelbasiert aufgrund bestimmter Kriterien. Entweder erreicht das Engagement ein bestimmtes Rating, das nach der institutseigenen Systematik mit einem drohenden Ausfall verbunden ist, oder es traten bereits Zahlungsstörungen auf. Genauso erfolgt eine Übergabe, wenn das Unternehmen bereits Insolvenz beantragen musste. Der Datensatz besteht aus 76 Engagements. Nachstehend wird der Datensatz anhand ausgewählter Kriterien beschrieben. 124 4.2 Ergebnis der Sanierung Bei der Erfassung des Ausgangs werden als mögliche Ergebnisse „Überleben“ und „Zerschlagung“ erfasst. Den Arbeiten von Barniv et al und Saldanha466 folgend, wird der Ausgang „Überleben“ weiter differenziert. Es wird hier zum einen die „Fortführung“ des Unternehmens in seiner bisherigen Form erfasst. Weiterhin wird ein Ausgang „Reorganisation“ erfasst. Dieser Ausgang nimmt alle Sanierungen auf, in denen es eine Umstrukturierung in Bezug auf Geschäftsfeld, Rechtsform oder Organisationsstruktur des betroffenen Unternehmens gab. Auf eine Kategorie „Erwerb durch ein drittes Unternehmen“ nach Barniv et al 467 bzw. nach Saldanha468 wird hier verzichtet, da dieser Fall nicht auftrat. Die möglichen Ausgänge „wiederholt insolvent“ und „übertragende Sanierung“, die Saldanha darüber hinaus betrachte, wurden ebenfalls mangels Auftreten im Datensatz nicht gesondert erfasst. Der Gegenpol zu „Überleben“ wird durch den Ausgang „Zerschlagung“ als dritter möglicher Ausgang gebildet. Dies erfolgt meist durch Liquidation im Rahmen einer Insolvenz. Von den erfassten Fällen erreichen 44 den Ausgang „Überleben“. 31 Engagements469 können die Sanierung nicht erfolgreich beenden und realisieren den Ausgang „Zerschlagung“. Der Ausgang „Überleben“ gliedert sich in die beiden möglichen Ausgänge „Fortführung“ und „Reorganisation“ auf. Den Ausgang „Fortführung“ erreichen 38 Fälle. 6 Fälle werden mit Ausgang „Reorganisation“ erfasst. Die folgende Abbildung veranschaulicht die Zusammensetzung der verschiedenen Ausgänge im Datensatz. 466 Siehe hierzu Punkt 2.4.3 ab S.49ff. Vgl. S. 52ff. 468 Vgl. S. 55ff. 469 Die Information zum Ausgang der Sanierung liegt für ein Engagement nicht vor. So erklärt sich die Differenz aus der Anzahl der Fälle mit Ausgang „Überleben“ zuzüglich der Fälle mit dem Ausgang „Zerschlagung“ zur Gesamtzahl der Fälle. 467 125 Ausgang der Sanierung 1 Fortführung 31 38 Reorganisation Zerschlagung unbekannt 6 Abbildung 7: Zusammensetzung der Ausgänge im Datensatz Die Sanierung gilt dann als erfolgreich, wenn das Unternehmen die Krise überwinden kann, wenn also Liquiditätsprobleme oder Überschuldung abgewendet werden. 470 In Abgrenzung zur Reorganisation ist für „Fortführung“ in dieser Studie gefordert, dass die Unternehmen als solche in ihrer wesentlichen Form bestehen bleiben. Kam es zu Änderungen in der Rechtsform, Verkäufen großer Teile der Assets oder Aufgabe von Geschäftsfeldern, wird Reorganisation erfasst. Als Zeichen der erfolgten Sanierung kann die Übertragung des Engagements an die reguläre Kreditbearbeitung betrachtet werden. 4.3 Durchschnittliche Größe der untersuchten Unternehmen Der folgende Abschnitt soll einen Überblick über die Größe der im Datensatz enthaltenen Unternehmen geben. Dies erfolgt anhand der Kennzahlen Umsatz und Bilanzsumme. Alle Unternehmen weisen eine durchschnittliche Bilanzsumme von rund 2,7 Mio. Euro über alle erfassten Perioden auf. 470 Vgl. Saldanha (2008), S. 16 126 41 Unternehmen weisen für alle erfassten Perioden eine durchschnittliche Bilanzsumme von 2 Mio. Euro oder weniger auf. 19 Unternehmen weisen für den erfassten Zeitraum eine Bilanzsumme zwischen 2 und 10 Mio. Euro auf. Lediglich 3471 Unternehmen weisen höhere Bilanzsummen auf, wobei das Maximum bei rund 25 Mio. Euro liegt. Folgt man der Empfehlung der europäischen Kommission in ihrer Systematik der Klein- und mittelständischen Unternehmen (KMU)472, sind nach Bilanzsumme 41 Unternehmen Kleinstunternehmen (Bilanzsumme kleiner 2 Mio. Euro). Die 19 Unternehmen mit durchschnittlichen Bilanzsummen zwischen 2 und 10 Mio. Euro werden als Kleinunternehmen kategorisiert. Die verbleibenden 3 Unternehmen können als mittleres Unternehmen beschrieben werden. Die untersuchten Unternehmen weisen über alle erfassten Perioden durchschnittlich einen Jahresumsatz von rund 3,5 Mio. Euro auf. Die Spannweite der durchschnittlichen Jahresumsätze je Unternehmen über die Perioden erstreckt sich von etwa 100.000 Euro Umsatz bis etwa 60 Mio. Umsatz. Wiederum der Definition der europäischen Kommission473 folgend, können 45 Unternehmen als Kleinstunternehmen, 15 als Kleinunternehmen und 5 als mittleres Unternehmen klassifiziert werden. Ein Unternehmen474 erreicht einen durchschnittlichen Umsatz von mehr als 50 Mio. Euro und wird damit nicht mehr als KMU betrachtet. Zusammenfassend kann festgehalten werden, dass sich die untersuchten Unternehmen nach den Kriterien der europäischen Union zum größten Teil den Kleinstund Kleinunternehmen zuordnen lassen. 471 Es liegen nicht für alle Unternehmen Jahresabschlüsse vor, so dass die Summe der Unternehmen hier nicht 76 ergibt. 472 Vgl. Europ. Kommission (2003), Artikel 2. 473 Vgl. Europ. Kommission (2003), Artikel 2. 474 Für die zur Summe von 76 fehlenden Unternehmen liegen keine Jahresabschlüsse oder vergleichbare Rechenwerke vor. 127 4.4 Erfasste Rechtsformen Als eine der Variablen in der Untersuchung fließt die Rechtsform der untersuchten Firmen ein. Im Datensatz kommen GmbH, GbR, Einzelfirmen, Freiberufler, eG und GmbH und Co KG als Rechtsform vor. Die untersuchten Engagements verteilen sich auf die Rechtsformen Einzelunternehmer, GmbH, GbR und GmbH und Co KG wie folgt: Einzelunternehmer: 27 GmbH: 21 GbR: 1 GmbH und Co KG: 2 Sonstige475. 5 In 20 Fällen handelt es sich um Engagements, in denen mehrere Firmen beteiligt sind. Dies ist zum Beispiel dann der Fall, wenn das Engagement aus einer GmbH und Co KG und der zugehörigen GmbH besteht. Diese Fälle werden als „Verbund“ gekennzeichnet. Dem Engagement wird keine explizite Rechtsform zugeordnet. Lagen keine Informationen über die Rechtsform vor, wird „unbekannt“ erfasst. Dies geschieht in 4 Fällen. Die Abbildung 8 gibt einen noch einmal Überblick über die erfassten Rechtsformen. 475 Diese Position fasst Freiberufler, eG und unbekannte Rechtsformen zusammen. 128 20 27 Einzelfirma GmbH GmbH und Co KG GbR sonstige 4 unbekannt 1 Verbund 1 2 21 Abbildung 8: Verteilung der Rechtsformen im Datensatz Die Auswertung der Rechtsform erfolgt anhand von Dummy-Variablen. Es wird eine solche Variable für jede Rechtsform eingeführt. Diese nimmt den Wert 1 an, wenn die entsprechende Rechtsform vorliegt, sonst 0. Handelt es sich um einen Verbund, wird der entsprechende Dummy mit dem Wert 1 belegt, die Dummys für die Rechtsformen nehmen in diesem Fall alle den Wert 0 an. 4.5 Erfasste Branchen Nachstehend soll ein kurzer Überblick über die im Datensatz vertretenen Branchen gegeben werden. Zur Systematisierung der Branchen wird dem Branchenschema des statistischen Bundesamtes gefolgt. 476 Dieses Schema erlaubt eine weit reichende, hierarchische Gliederung der Auswertungen 476 477 Wirtschaftszweige.477 erscheint eine Rahmen Untergliederung Vgl. Statistisches Bundesamt (2008), S. 73ff. Vgl. Statistisches Bundesamt (2008), S. 15. 129 Im auf der hier Ebene angestrebten der obersten Gliederungsstufe478 ausreichend. Ist ein Unternehmen mehreren Branchen zuzuordnen, wird die Branche angenommen, in der das Unternehmen hauptsächlich tätig ist. Die Branchen, die im Datensatz nicht belegt sind, werden im Weiteren nicht betrachtet. Es wird für jede Branche eine Dummy-Variable479 vergeben. Für die auf das Unternehmen zutreffende Branche nimmt diese Variable den Wert 1 an, nicht zutreffende Branchen führen zum Wert Null der entsprechenden Dummy-Variable. Die nachstehende Tabelle 5 führt die einzelnen Branchen, welche im Datensatz vertreten sind, und die Zahl der jeweils dieser Branchen zugehörigen Unternehmen auf. Branche Anzahl landwirt 1 produktion 26 bau 14 Handel 14 Verkehr 5 gastro 4 finanz 1 wohn 4 freiberuf 1 Wirtschaft 3 Erziehung 1 gesund 1 sonstige 1 Tabelle 5: Anzahl der Unternehmen je Branche Die Verteilung der Unternehmen auf die einzelnen Branchen zeigt noch einmal die folgende Abbildung 9. 478 479 Eine Übersicht über die Gliederungsstufen befindet sich im Anhang auf der Seite XI. Die Bezeichnung dieser Variablen wird auf Seite XV dargestellt. 130 Ein Drittel der betrachteten Unternehmen kann der Branche „Produktion“ zugeordnet werden. Es folgen die Branchen „Bau“ und „Handel“. Zusammen stellen diese Branchen mit 54 Unternehmen etwa 70% aller Unternehmen. Zusammenfassend lässt sich festhalten, dass die Unternehmen des Datensatzes überwiegend Klein- und Kleinstunternehmen sind, die in der Rechtsform des Einzelunternehmers oder der GmbH vornehmlich in den Branchen Bau, Produktion und Handel tätig sind. Häufigkeit der Branchen 1 1 1 3 1 1 landwirt 4 produktion 1 bau 26 4 Handel Verkehr gastro 5 finanz wohn freiberuf Wirtschaft Erziehung gesund 14 sonstige 14 Abbildung 9: Häufigkeit der Branchen 131 5 Auswertung der ermittelten Variablen In vorangegangenen Abschnitten wurde beschrieben, wie aus den erhobenen Daten des Datensatzes aus den drei Bereichen quantitative Daten, qualitative Daten und Maßnahmen Variablen generiert wurden.480 Weiter wurde dargelegt, welche Methoden in dieser Arbeit eingesetzt werden.481 Damit kann sich dieser Abschnitt nunmehr dem eigentlichen Kern dieser Arbeit widmen und beschreiben, wie die Variablen ausgewertet werden und die jeweiligen Modelle geschätzt werden. 5.1 Auswirkung der quantitativen und qualitativen Variablen auf den Ausgang der Sanierung In diesem Abschnitt wird beschrieben, wie der Zusammenhang zwischen den quantitativen Variablen, welche auf Basis der Jahresabschlüsse ermittelt wurden, sowie den qualitativen Daten und dem Ausgang der Sanierung bestimmt wird. Wie bereits ausgeführt, wird in einem ersten Schritt im Rahmen einer univariaten Analyse die Zahl der Variablen reduziert. Die so als signifikant ermittelten Variablen werden in einer weiteren, multivariaten Analyse ausgewertet. Die zu erklärende Variable ist „Überleben“. Dieser Ausgang gilt als erreicht, wenn die Sanierung erfolgreich abgeschlossen wird. Das Gegenstück zu diesem Ausgang ist „Zerschlagung“. Es wird eine Dummy-Variable verwendet, die den Wert 1 für „Überleben“, sonst 0 annimmt. Somit können die Auswertungen als binär logistische Regression durchgeführt werden. Der Ausgang „Überleben“ kann in die zwei mögliche Ausprägungen „Fortführung“ und „Reorganisation“ unterteilt werden. Diese beiden Ausgänge werden ebenfalls untersucht. Das Vorgehen entspricht dabei dem Vorgehen bei der Analyse des Ausgangs „Überleben“ mit entsprechend anders definierten zu erklärenden Variablen. 480 481 Eine Beschreibung dieser Schritte erfolgte im Abschnitt 3.1.2 auf S: 69ff. Es sei an dieser Stelle auf die Ausführungen im Punkt 3.3 auf S. 91ff. verwiesen. 132 5.1.1 Univariate Analyse der qualitativen und quantitativen Variablen Zuerst werden die Ergebnisse für die univariate Auswertung der quantitativen Daten dargestellt. Im Anschluss werden die Auswertungen für die qualitativen Daten beschrieben. In diese Betrachtung fließen die Daten ein, die in den beiden Kategorien zu Beginn der Sanierung vorliegen. In der Kategorie der quantitativen Daten werden dementsprechend nur die Variablen in der Ausprägung „pre_“ aufgenommen. Die Daten aus der Kategorie der qualitativen Daten wurden ebenfalls für den Zeitpunkt Beginn der Sanierung ermittelt. Als Kriterium zur Beurteilung der Aussagekraft der Variablen wird die Signifikanz der Koeffizienten herangezogen. Eine Variable wird dann als aussagekräftig betrachtet, wenn sie eine Signifikanz des Koeffizienten von 0,1 oder besser erreicht. 5.1.1.1 Quantitative Daten In der hier beschriebenen Auswertung werden die Variablen auf Basis der Jahresabschlüsse jeweils in ihrer Ausprägung „pre_“ einbezogen. Da unter anderem versucht werden soll, Modelle zu generieren, die mögliche Ausgänge zu Beginn der Sanierung prognostizieren, werden die quantitativen Variablen auf Basis der Werte berechnet, die bis zu eben diesem Zeitpunkt vorliegen. 5.1.1.1.1 Überleben Für den Ausgang „Überleben“ wurden die folgenden 7 Variablen im Rahmen einer logistischen Regression als univariat aussagekräftig identifiziert. Die Spalte „Signifikanz“ gibt hierbei die ermittelte Signifikanz des Koeffizienten wieder. Variable Signifikanz nr_pre_d_GewVort 0,0122 nr_pre_GewVort 0,0339 nr_pre_d_egbs 0,0664 qv_pre_d_fcf 0,0812 133 nr_pre_d_eg 0,0876 Tabelle 6: univariat signifikante Variablen „Wifila“ für Ausgang Überleben Die univariaten Auswertungen am Ausgang „Überleben“ erlauben eine erste Überprüfung der These 8. Diese besagt, dass nicht nur die Ausprägung einer Kennzahl die Wahrscheinlichkeit des Überlebens beeinflusst, sondern auch die Entwicklung der Kennzahl im Zeitablauf. Die Variablen der Ausprägung „nr_“ geben an, wie oft die zugrunde liegenden Variablen im betrachteten Zeitraum belegt waren.482 Die Ausprägung „nr_“ nimmt nicht die tatsächliche Größe der zugrunde liegenden Kennzahl auf.483 Für die Variablen der Ausprägung „qv_“ gilt dies ebenso.484 Diese Variable lässt ebenfalls einen Rückschluss auf die Entwicklung der zugrunde liegenden Reihe zu. 5.1.1.1.2 Detaillierte Analyse des Ausgangs Überleben Das Ergebnis Überleben setzt sich aus den beiden möglichen Ausgängen Reorganisation und Fortführung zusammen. Diese beiden Ausgänge werden im Folgenden jeweils einzeln analysiert. 5.1.1.1.2.1 Fortführung Die Variablen, die univariat den Ausgang Fortführung mit der geforderten Signifikanz von 0,1 oder besser erklären können, werden in der folgenden Tabelle dargestellt. Variable Signifikanz nr_pre_außErt 0,0263 nr_pre_d_MatAufw 0,0311 nr_pre_MatAufw 0,0399 nr_pre_d_mi 0,0441 nr_pre_d_mi2 0,0518 482 Siehe zu den Ausprägungen der Variablen Abschnitt 8.8.5 auf S. LXf. „nr_pre_GewVort“ enthält nicht die Höhe des Gewinnvortrages (GewVort) in Euro, sondern beschreibt, wie oft diese Kennzahl in den Jahren bis zum Beginn der Sanierung ermittelt werden konnte. 484 Siehe hierzu ebenfalls Abschnitt 8.8.5 483 134 nr_pre_d_pi 0,0525 nr_pre_d_ln_pi 0,0561 nr_pre_d_eza 0,0592 nr_pre_ln_pi 0,0769 nr_pre_d_pi2 0,0812 nr_pre_d_ZinsAufw 0,0842 nr_pre_d_ln_ZinsAufw 0,0842 nr_pre_d_zd 0,0842 nr_pre_d_zd2 0,0842 nr_pre_d_edza 0,0842 qv_pre_d_fkr 0,0857 nr_pre_d_kfd 0,0861 nr_pre_d_außErt 0,0864 nr_pre_d_zaq 0,0943 nr_pre_d_abi 0,0959 nr_pre_d_req 0,0965 nr_pre_d_PersAufw 0,0996 nr_pre_d_ln_pi2 0,0996 Tabelle 7: ausgewählte Variablen „Wifila“ für Ausgang Fortführung geordnet nach Signifikanz Es finden fast ausschließlich Variablen in der Ausprägung „nr_“ Aufnahme. Damit spielt die Kennzahl als solche offenbar weniger eine Rolle, wichtiger scheint, wie oft diese Kennzahl berechnet werden kann. 5.1.1.1.2.2 Reorganisation Die nachstehende Tabelle zeigt die 5 Variablen, die in einer univariaten logistischen Regression mit dem Ausgang Reorganisation die Anforderungen an die Signifikanzniveaus erfüllen. Variable Signifikanz nr_pre_außAuf 0,0088 nr_pre_d_außAuf 0,0091 135 nr_pre_außErt 0,0254 nr_pre_d_sonstWP 0,0921 nr_pre_d_ln_sonstWP 0,0921 Tabelle 8: ausgewählte Variablen „Wifila“ für Ausgang Reorganisation Es werden erneut nur Variablen der Ausprägung „nr_“ aufgenommen. Auch hier scheint die ursprüngliche Ausprägung der jeweiligen Kennzahl keinen Einfluss zu entwickeln. Eine weitergehende Auswertung der Variablen in multivariaten Modellen erfolgt im Punkt 5.1.2 5.1.1.2 Qualitative Variablen Der folgende Abschnitt beschreibt die Ergebnisse der univariaten Analysen der Variablen aus der Kategorie der qualitativen Daten. Die Variablen wurden auf Basis der Informationen zu den Sicherheiten und zu den Krediten bestimmt. Die Gruppe „sonstige qualitative Daten“ enthält Variablen, die sich einer der zuerst genannten Gruppe nicht zuordnen lassen. 5.1.1.2.1 Sicherheiten Im Folgenden werden die Variablen auf Basis der Sicherheiten vorgestellt, die in univariaten Auswertungen für den Ausgang „Überleben“ das Kriterium Signifikanz des Koeffizienten besser als 0,1 erreichen. Die dann nachfolgenden Tabellen enthalten die jeweiligen Variablen getrennt nach den verschiedenen weiteren Ausgängen der Bearbeitung. Variable Signifikanz si_sü 0,0063 si_grund2_alter2 0,0261 si_anzahl 0,0301 si_grund2_nr 0,0595 si_grund2_alter 0,0610 136 si_anzahl2 0,0702 si_sü_nr 0,0868 Tabelle 9: ausgewählte Variablen "Sicherheit" für Ausgang Überleben Nachstehend werden die Variablen dargestellt, die univariat die Ausgänge „Reorganisation“ und „Fortführung“ erklären können, dargestellt. Auch hier müssen die Variablen ein Signifikanzniveau von mindestens 0,1 erreicht haben. Variable Signifikanz si_grund_bewert 0,0266 si_grund2_bewert2 0,0295 si_grund_bewert2 0,0308 Tabelle 10: ausgewählte Variablen "Sicherheit" für Ausgang Reorganisation Im Ausgang Fortführung erreichen, wie die nachstehende Tabelle zeigt, lediglich 2 Variablen das geforderte Signifikanzniveau. Variable Signifikanz si_sü 0,0234 si_grund2_nr 0,0384 Tabelle 11: ausgewählte Variablen "Sicherheit" für Ausgang Fortführung 5.1.1.2.2 Kredite Die Auswertungen werden ebenso mit Variablen durchgeführt, die auf Basis der Kredite erhoben werden. Die Variablen, die in den Regressionen aussagekräftig scheinen, werden in den nachstehenden Tabellen aufgeführt. Die Darstellung erfolgt wiederum getrennt nach den möglichen Ausgängen Überleben, Reorganisation sowie Fortführung. Für den Ausgang Überleben erreicht nur eine Variable die geforderte Signifikanz. 137 Variable Signifikanz kredit_ekh_vol 0,0808 Tabelle 12: ausgewählte Variablen „Kredit“ für Ausgang Überleben Lediglich das Volumen der bei Beginn der Sanierung eingeräumten EKH-Darlehen kann univariat den Ausgang „Überleben“ erklären. Für den Ausgang Reorganisation werden die folgenden vier Variablen als aussagekräftig ermittelt. Variable Signifikanz kredit_ekh_mat2 0,0312 kredit_mat2 0,0315 kredit_ekh_mat 0,0557 kredit_mat 0,0662 Tabelle 13: ausgewählte Variablen „Kredit“ für Ausgang Reorganisation Es zeigt sich, dass auch für diesen Ausgang EKH-Darlehen und dazugehörige Variablen Erklärungskraft haben. Damit kommt den EKH-Darlehen eine große Bedeutung bei der univariaten Vorhersage des Ausgangs der Bearbeitung zu. Im Ausgang Fortführung kann keine der ermittelten Variablen das geforderte Signifikanzniveau erreichen. 5.1.1.2.3 Sonstige qualitative Daten In dieser Gruppe werden Variablen zusammengefasst, die sich keiner der bereits genannten Gruppen zuordnen lassen. Die Auswertung folgt dem bereits beschriebenen Muster. Für den Ausgang Überleben wurde lediglich die Variable "Produktion" ermittelt. Alle anderen Variablen erreichen nicht die notwendige Signifikanz. Auch für den Ausgang 138 Reorganisation ist lediglich eine Variable identifizierbar. Es handelt sich hierbei um die Variable "Handel". Die beiden genannten Variablen werden als aussagekräftig in Bezug auf den Ausgang "Fortführung" ermittelt. Sie erreichen in diesem Fall die geforderte Signifikanz. Um den Einfluss des Jahres des Beginns der Sanierung und damit verbunden eine eventuelle konjunkturelle Komponente zu untersuchen, wurden die Dummys für das Jahr, in dem die Sanierung begann, auf ihren Zusammenhang mit dem Ergebnis der Sanierung untersucht. Als zu erklärende Variable wurde „Überleben“ gewählt. Für diesen Ausgang erreicht keine der Dummys das geforderte Signifikanzniveau. Die qualitativen Daten sind in der Regel nur durch das betreuende Kreditinstitut erhebbar. Ein außenstehender Dritte ist nicht in der Lage, Variablen zu Krediten oder gestellten Sicherheiten zu erheben. Lediglich die Branche, also Teile der sonstigen quantitativen Daten sind durch Dritte beobachtbar. Die univariat signifikanten Variablen aus diesem Bereich bestätigen somit die These 10. Diese besagte folgendes: Aufgrund seiner Möglichkeit, Variablen zu erheben, die einem außenstehenden Dritten nicht zur Verfügung stehen, kann ein Kreditinstitut den Ausgang der Sanierung besser vorhersagen. 5.1.1.3 Überprüfung der Thesen anhand der univariaten Modelle Aufbauend auf den univariaten Auswertungen können die folgenden Thesen überprüft werden. These 8: Auf das Ergebnis einer Sanierung haben nicht nur die absoluten Ausprägungen der Kennzahlen zu einem bestimmten Zeitpunkt Aussagekraft, sondern auch die durch geeignete Maße beschriebene Entwicklung der Variable im Zeitablauf. These 9: Aufgrund des unterschiedlichen rechtlichen Rahmens unterscheiden sich die Einflussfaktoren für Unternehmen aus Deutschland von denen für Unternehmen aus dem US-amerikanischen Raum. 139 These 10: Aufgrund seiner Möglichkeit, Variablen zu erheben, die einem außenstehenden Dritten nicht zur Verfügung stehen, kann ein Kreditinstitut den Ausgang der Sanierung besser vorhersagen. Im ersten Schritt soll die These 8 betrachtet werden. In der Untersuchung des Ausgangs „Überleben“ erreichen in der univariaten Betrachtung vorrangig Variablen in der Ausprägung „nr_“485 ausreichende Signifikanz. Auch bei der Analyse der Ausgänge „Fortführung“ und „Überleben“ zeigt sich ein ähnliches Bild. Es werden fast ausschließlich Variablen in der Ausprägung „nr_“ aufgenommen. Darüber hinaus handelt es sich bei den ermittelten Variablen fast ausschließlich um Variablen der Ausprägung „_d_“. Dies sind Variablen, die Änderungen beschreiben. Offenbar spielt die absolute Höhe einer Variable weniger eine Rolle, als die Änderungen von Jahr zu Jahr. An dieser Stelle findet sich somit ein Anhaltspunkt für die Gültigkeit der These 8. Einschränkend muss jedoch darauf hingewiesen werden, dass es sich hier um die Vorstufe der Modell-Bildung handelt. Die univariaten Auswertungen haben das Ziel, die Variablen zu bestimmen, die in die noch folgenden multivariaten Modelle aufgenommen werden. Ob die These 8 auch in diesen multivariaten Modellen zutrifft, muss sich an entsprechender Stelle noch zeigen. Darüber hinaus eignet sich die Betrachtung der Kennzahl in der Ausprägung „nr_“ nur eingeschränkt, um die Entwicklung der Kennzahl im Zeitablauf zu beschreiben. Dies gilt auch dann, wenn sich die Ausprägung „nr_“ auf die Änderungen (Ausprägung „_d_“) beziehen. Die Ausprägung „qv_“486 ist hier besser geeignet. Gleichwohl zeigt sich, dass die Kennzahl als solche im hier vorliegenden Datensatz offenbar keinen Einfluss zeigt, was der Intention der These 8 entspricht. 485 In dieser Ausprägung kommt zum Ausdruck, wie oft die zugrunde liegende Variable für das betroffene Unternehmen berechnet wurde. Zu Details siehe die Tabelle 91. 486 Diese Ausprägung bezieht sich auf die Änderungen der zugrunde liegenden Variable und beschreibt das Verhältnis aus Zunahmen dieser Kennzahl und Abnahmen dieser Kennzahl. 140 Damit kann die These 8 an dieser Stelle nicht bestätigt werden. Es gibt jedoch deutliche Anhaltspunkte, die für ihre Gültigkeit sprechen. Die These 9 stellt auf unterschiedliche rechtliche Rahmenbedingungen ab und sagt aus, dass sich die Einflussfaktoren für US-amerikanische Unternehmen von denen für deutsche Unternehmen unterscheiden. Wie bereits im Punkt 2.4 beschrieben wurde, wurden Kennzahlen zusammengestellt, die in anderen empirischen Arbeiten Erklärungskraft haben. Nach dem die univariaten Auswertungen erfolgt sind, kann überprüft werden, ob die Variablen aus den vorgestellten Studien auf univariater Basis Erklärungskraft im vorliegenden Datensatz haben. Da dem überwiegenden Teil der Studien US-amerikanische Unternehmen zugrunde liegen, kann über diesen Vergleich ein Schluss auf die Gültigkeit der These 9 gezogen werden. Die in anderen Studien als signifikant ermittelten Variablen auf Basis quantitativer Daten wurden auch für die Fälle des hier untersuchten Datensatzes berechnet. In den vorangegangenen Ausführungen wurden die univariaten Auswertungen und deren Ergebnisse dargestellt. Mit diesen Punkten ist es nun möglich, die Ergebnisse anderer Studien, und somit die Gültigkeit der These 9 zu überprüfen. Keine der in anderen Studien ermittelten Variablen auf Basis der quantitativen Daten kann ein ausreichend hohes Signifikanzniveau im hier untersuchten Datensatz erlangen.487 Dies gilt zumindest für die Ausprägungen, in denen sie in den ursprünglichen Arbeiten getestet wurden. Keine der in den zitierten Studien ermittelten Einflussfaktoren kann am hier vorliegenden Datensatz bestätigt werden. Einflussgrößen, die für US-amerikanische Unternehmen eine Prognose des Ausgangs der Sanierung ermöglichen, haben keine Signifikanz für die hier untersuchten deutschen Unternehmen. Damit scheint die These 9 bestätigt. Der Schluss auf die Gültigkeit der These kann jedoch an dieser Stelle nicht ohne weiteres gezogen werden. Einer der Autoren baute seine Untersuchung auf einem Datensatz deutscher Unternehmen auf.488 Eine Bestätigung der These 9 läge dann vor, wenn die Variablen, die aus seiner Untersuchung abgeleitet wurden, auch im hier untersuchten Datensatz sich als signifikant erwiesen hätten, während die durch die 487 Eine Auflistung dieser Variablen und deren Entsprechung in diesem Datensatz findet sich in Tabelle 93auf S. LXIXf. 488 Vgl. die Ausführungen zu Schley (2010) auf S. 47ff. in dieser Arbeit. 141 anderen Autoren für US-amerikanische Unternehmen gefundenen Variablen keine (oder weniger häufig) Signifikanz erlangen. Dies ist jedoch nicht der Fall. Auch die durch Schley (2010)489 als signifikant ermittelten Einflussgrößen werden in diesem Datensatz nicht bestätigt. Die Vielzahl der durch die in 2.4 beschriebenen Studien geprüften Variablen erlaubt die Annahme, die dort ermittelten Einflussfaktoren eignen sich zur Betrachtung der Gesamtheit der US-amerikanischen Unternehmen. Am vorliegenden Datensatz erlangt keine der Variablen Aussagekraft, was den Schluss zuließe, die Einflüsse unterscheiden sich für US-amerikanische und deutsche Unternehmen. Dieser Schluss kann jedoch nur dann gezogen werden, wenn den Ergebnissen der hier vorliegenden Untersuchung Allgemeingültigkeit für alle Sanierungsfälle in Deutschland zugesprochen wird. Dieser Anspruch erscheint vor dem Hintergrund des zahlenmäßig kleinen und in Bezug auf Region und Größe der Unternehmen eher engen Datensatzes nicht gerechtfertigt. Allgemeingültigkeit der Aussagen kann nur für das hier untersuchte Segment der kleinen und Kleinstunternehmen angenommen werden. Damit kann die These 9 nicht abschließend geprüft werden. Es gibt jedoch Indizien, die auf ihre Gültigkeit hindeuten. Ergänzend sei darauf hingewiesen, dass in Tabelle 93 die mit * gekennzeichneten Variablen am vorliegenden Datensatz univariat Aussagekraft erlangen, jedoch in anderen Ausprägungen. Die Tabelle 14 stellt diese Variablen, die in anderen Ausprägungen univariat Aussagekraft erlangen, noch einmal zusammen.490 Bezeichnung signifikanzerlangende Ausgang Signifikanz Ausprägung egbs nr_pre_d_egbs Überleben 0,067 zd2 nr_pre_d_zd2 Fortführung 0,084 edza nr_pre_d_edza Fortführung 0,084 Tabelle 14: signifikante Ausprägungen ausgewählter Variablen 489 ebenda Die erste Spalte benennt die Variable, die zweite gibt die Ausprägung wieder, die univariat Signifikanz erlangt. In der dritten Spalte wird der Ausgang aufgeführt, der durch die Variable erklärt wird. Die letzte Spalte enthält die erreichte Signifikanz. 490 142 Alle drei betroffenen Variablen erlangen in der Ausprägung „nr_pre_d_“ Aussagekraft. Diese Ausprägung erfasst die Anzahl der Änderungen der Variable im Zeitraum bis zum Beginn der Sanierung. Die These 10 schreibt der betreuenden Bank einen Vorteil in der Prognose des Ausganges zu, da sie Variablen erheben kann, die keiner dritten Person bekannt sind. Die These kann anhand der qualitativen Daten nicht getestet werden, da diese aus den Jahresabschlüssen generiert werden, welche in der Regel anderen Akteuren ebenso zur Verfügung stehen. Wie jedoch gezeigt wurde, erlangen Variablen auf Basis der qualitativen Daten univariat hinreichende Signifikanz. Diese Variablen sind naturgemäß lediglich dem Kreditinstitut bekannt. Dies bestätigt somit die These 10. 5.1.2 Multivariate Analyse der qualitativen und quantitativen Variablen Aufbauend auf den Ergebnissen der univariaten Analysen können nun Modelle erstellt werden, die den Ausgang der Bearbeitung multivariat erklären. In die Modelle fließen die Variablen ein, die im vorherigen Schritt als univariat aussagekräftig ermittelt wurden. Im Folgenden werden nun für die möglichen Ausgänge Modelle geschätzt, die es ermöglichen sollen, jeweils diesen Ausgang zu erklären und prognostizieren. 5.1.2.1 Allgemeine Beschreibung des Vorgehens Die Analyse erfolgt hier ebenfalls in Form einer binär logistischen Regression. Zur Beurteilung der Modellgüte werden die bereits beschriebenen Gütemaße verwendet.491 Die Analyse erfolgt für „Überleben“ (was den Fall „Zerschlagung“ als Gegenpol zum „Überleben“ beinhaltet), und detailliert für den Ausgang „Überleben“ anhand der möglichen Ausprägungen „Fortführung“ und „Reorganisation“. 491 Vgl. herzu die Ausführungen im Abschnitt 3.3.6.5 143 Es werden die Variablen aufgenommen, die univariat Erklärungskraft haben. Vor Schätzung der Modelle erfolgt ein Test auf Multikollinearität und entsprechende Bereinigung der Variablen. Anhand der beschriebenen Gütemaße werden die beiden jeweils Modelle verglichen. Zur Kennzeichnung wird den erstellten Modellen auf Basis der qualitativen und quantitativen Daten der Präfix „quanqual_“ vorangestellt. Der zweite Teil der Beschreibung gibt den untersuchten Ausgang wieder. 5.1.2.2 Einfluss der qualitativen und quantitativen Variablen auf den Ausgang Überleben Von den 76 Fällen beenden 44 die Sanierung erfolgreich und realisieren den Ausgang „Überleben“. Im Folgenden wird ein Modell aufgestellt, welches diesen Ausgang prognostiziert. Wenn es gelingt, die Wahrscheinlichkeit des Ausgangs „Überleben“ (p Überleben) zu bestimmen, liegt damit auch gleichzeitig die Wahrscheinlichkeit vor, die Sanierung nicht erfolgreich zu beenden (pZerschlagung), da der Gegenpol zum Ausgang „Überleben“ der Ausgang „nicht Überleben“, also „Zerschlagung“ darstellt. Rechnerisch kann die Wahrscheinlichkeit pZerschlagung als pZerschlagung = 1 – pÜberleben bestimmt werden. 5.1.2.2.1 Auswahl der Variablen In die Erstellung des Modells fließen die nachfolgend aufgeführten Variablen ein. Es handelt sich dabei um die univariat aussagekräftigen Variablen, geordnet in absteigender Reihenfolge der Signifikanz der Koeffizienten. Variable Signifikanz si_sü 0,0063 nr_pre_d_GewVort 0,0122 si_grund2_alter2 0,0261 144 si_anzahl 0,0301 nr_pre_GewVort 0,0339 produktion 0,0571 si_grund2_nr 0,0595 si_grund2_alter 0,0610 nr_pre_d_egbs 0,0664 si_anzahl2 0,0702 kredit_ekh_vol 0,0808 qv_pre_d_fcf 0,0812 si_sü_nr 0,0868 nr_pre_d_eg 0,0876 Tabelle 15: Übersicht über univariat signifikante Variablen für Ausgang Überleben geordnet nach Signifikanz Ein Test auf Multikollinearität unter diesen Variablen zeigt folgende Ergebnisse. Variable Bestimmtheitsmaß nr_pre_d_GewVort 0,944089 nr_pre_GewVort 0,970464 nr_pre_d_egbs 0,835674 qv_pre_d_fcf 0,476443 nr_pre_d_eg 0,951749 si_sü 0,751159 si_grund2_alter2 0,875500 si_anzahl 0,988083 produktion 0,429404 si_grund2_nr 0,799058 si_grund2_alter 0,864424 si_anzahl2 0,984873 kredit_ekh_vol 0,323731 si_sü_nr 0,776902 Tabelle 16: Bestimmtheitsmaße in den Regressionen zur Bestimmung der Multikollinearität in Modellen auf Basis der qualitativen und quantitativen Daten 145 Aufgrund der erreichten Bestimmtheitsmaße würden nur 6 (qv_pre_d_fcf, si_sü, produktion, si_grund2_nr, kredit_ekh_vol, si_sü_nr) der ursprünglich 14 Variablen in das Modell aufgenommen. Folgt man diesem Vorgehen, blieben Interdependenzen unberücksichtigt, die zwischen zu entfernenden und verbleibenden Variablen oder zwischen den zu entfernenden Variablen bestehen können. Vor diesem Hintergrund wird hier wie folgt vorgegangen. Es werden Regressionen zur Bestimmung der Multikollinearität durchgeführt. Die Variable, die das höchste Bestimmtheitsmaß erreicht, wird entfernt. Die Regressionen zur Bestimmung der Multikollinearität werden mit den verbliebenen Variablen wiederholt. Dieses schrittweise Vorgehen wird solange wiederholt, bis in den Regressionen keine Variable ein Bestimmtheitsmaß größer 0,8 erreicht. Im Ergebnis dieses Verfahrens erhält man die in der Tabelle 17 dargestellten Variablen. Variable Bestimmtheitsmaß si_sue_nr 0,78933361 nr_pre_d_egbs 0,77219546 si_anzahl2 0,74524828 nr_pre_d_GewVort 0,71368502 si_sue 0,66718984 si_grund2_nr 0,54857282 qv_pre_d_fcf 0,40577359 kredit_ekh_vol 0,31828219 Produktion 0,29085953 si_grund2_alter 0,28708641 Tabelle 17: Bestimmtheitsmaße in den Regressionen zur Bestimmung der Multikollinearität in Modellen auf Basis der qualitativen und quantitativen Daten nach schrittweiser Eliminierung Diese Variablen werden nun zur Erstellung des multivariaten Modells herangezogen. 5.1.2.2.2 Erstellung des Modells 146 Nachfolgend wird nun das Modell beschrieben, das multivariat den Ausgang „Überleben“ erklärt. Es wird zur Auswahl der Variablen die Methode der Rückwärtselimination (Likelihood-Quotient) angewandt Bei der Erstellung dieses Modells werden von den insgesamt 76 Fällen 38 in die Analyse einbezogen. 147 Das geschätzte Modell enthält die Variable nr_pre_d_GewVort si_grund2_nr und kredit_ekh_vol. Als Ergebnis der Regressionsanalyse ergibt sich die Funktion, mit der die Überlebenswahrscheinlichkeit pÜberleben eines Unternehmens i bestimmt werden kann, wie folgt: p Überleben 1 1 e zi mit z i 1,229 0,662 * nr _ pre _ d _ GewVort i 0,936 * si _ grund 2 _ nr i 0,000009 * kredit _ ekh _ vol i Die Variablen erreichen folgende Signifikanzniveaus: Variable Signifikanzniveau nr_pre_d_GewVort 0,048 si_grund2_nr 0,005 kredit_ekh_vol 0,037 Tabelle 18: Signifikanzen der Variablen im Modell quanqual_Überleben Das Modell quanqual_Überleben erreicht folgende Bestimmtheitsmaße: Mc-Fadden 0,348 Cox & Snell 0,378 Nagelkerke 0,508. 148 Die Devianz des Modells beträgt 33,698. Dies entspricht bei 35 Freiheitsgraden einer Signifikanz von 0,53. Die Modellgüte ist nach diesem Kriterium als schlecht einzustufen. Nach dem Likelihood Ratio-Test beträgt die Prüfgröße 18,030, was bei 3 Freiheitsgraden einer Signifikanz von 0,0004 entspricht. Nach diesem Kriterium ist das Modell quanqual_Überleben als sehr gut einzustufen. Nach dem Hosmer-Lemeshow-Test ergibt sich eine Signifikanz von 0,476, was als schlecht einzustufen ist. Das geschätzte Modell kann 33 Fälle (entspricht 86,8%) richtig vorhersagen. Diese Trefferquote ist nach dem Press´s Q Test signifikant auf einem Niveau von 0,0. Die „area under curve“ auf Basis der ROC-Kurve liefert einen Wert von 0,696. Dies spricht für eine hohe Güte des Modells. 5.1.2.2.3 Beschreibung des Modells Die folgende Übersicht beschreibt den Inhalt492 der Variablen und wie sich eine Zunahme des Wertes der Variable aufgrund der erstellen Gleichung auf die Wahrscheinlichkeit auswirkt, den Ausgang „Überleben“ zu erreichen. Variable nr_pre_d_GewVort si_grund2_nr kredit_ekh_vol Bedeutung Anzahl der Änderungen der Größe Gewinnvortrag Anzahl der eingeräumten Grundschulden (auch nachrangig) Volumen der eingeräumten EKH-Darlehen Auswirkung493 abnehmend zunehmend zunehmend Tabelle 19: Beschreibung des Modells quanqual_Überleben 492 Siehe hierzu auch Punkt 7.2.3 Änderung der Wahrscheinlichkeit, den Ausgang „Überleben“ zu erreichen, wenn der Wert der Variablen zunimmt und die Werte aller anderen Variablen gleich bleiben 493 149 Die einfließenden Variablen beziehen sich entweder auf den Zeitpunkt der Beginn der Sanierung (Variablen auf Basis der Daten zu Krediten und Sicherheiten) oder auf den Zeitraum bis zum Beginn der Sanierung (Variablen auf Basis der Jahresabschlüsse). Die im Folgenden beschriebenen Auswirkungen einer Variable setzen voraus, dass de übrigen Variablen sich nicht ändern. Wechselwirkungen zwischen zwei oder mehr Variablen werden nicht berücksichtigt. Je öfter sich die Größe „Gewinnvortrag“ ändert, umso unwahrscheinlicher wird das Erreichen des Ausganges „Überleben“ bei dem betroffenen Engagement. Ein negativer Gewinnvortrag steht dabei für einen Verlustvortrag. Im Zeitraum vor Beginn der Sanierung verzeichnen 20 Engagements einen Verlustvortrag, 15 einen Gewinnvortrag. Bei der Betrachtung der Änderungen zeigt sich, dass im Zeitraum vor Beginn der Sanierung 24 Engagements durchschnittlich Verringerungen zeigen. Bei 4 Engagements zeigt der Durchschnitt der Änderungen eine Zunahme an.494 Dieser Einflussfaktor scheint also in gewissem Maße die Profitabilität widerzuspiegeln. Abnehmende Gewinnvorträge, also auch zunehmende Verlustvorträge, entstehen durch die mangelnde Fähigkeit, ausreichende Erlöse zu erzielen. Es bleibt zu klären, warum die Variable in dieser Ausprägung „nr_pre_d_“ aufgenommen wurde. Wenn tatsächlich die Profitabilität die Erklärungskraft hat, hätten auch andere Kennzahlen, die sich auf diese Position beziehen, Aufnahme finden können. Denkbar wäre die durchschnittliche Höhe dieser Position bis Beginn der Sanierung („av_pre_GewVort“). Hier könnte eine Besonderheit des Datensatzes eine Rolle spielen. Einige Variablen, wie bspw. av_pre_GewVort weisen nur dann einen Wert auf, wenn die Position existiert. Fehlende Jahresabschlüsse führen also zu fehlenden Werten. Die Position nr_pre_d_GewVort kann in jedem Fall bestimmt werden. Wenn keine Änderung auftreten, weil die Position zum Beispiel nicht belegt ist, nimmt diese Variable den Wert 0 an. Es liegen also mehr Beobachtungen für die Variable nr_pre_d_GewVort vor, als für Variablen, die sich auf die Position „Gewinnvortrag“ 494 Es lassen sich nicht in jedem Fall Jahr-zu-Jahr-Änderungen aus den Bilanzpositionen berechnen. Aus diesem Grund sind die Summen „Engagements mit positivem oder negativen Gewinnvortrag“ und „Engagements mit durchschnittlichen Zu- bzw. Abnahmen“ nicht gleich. 150 selbst beziehen. So kann diese Variable in den Regressionen eine höhere Erklärungskraft erreichen. Mit zunehmender Zahl der eingeräumten Grundschulden steigt die Wahrscheinlichkeit einer erfolgreichen Sanierung. Es ist hier folgende Interpretation denkbar: Eine zunehmende Zahl an eingeräumten Grundschulden signalisiert das Vorhandensein von Vermögenswerten. Diese stellen unter Umständen einen gewissen Wertpuffer dar, der zu einem bestimmten Teil den Wert des Unternehmens gegenüber den Gläubigern sichert. Gläubiger, insbesondere eine Bank, könnten so gewillt sein, das Unternehmen weiterhin zu unterstützen, da für die Bank die Möglichkeit besteht, Teile der Forderung durch Verwertung der Grundschulden einzubringen. Mit derselben Begründung hätte auch das Volumen der Grundschulden Erklärungskraft erlangen können. Dies ist im vorliegenden Datensatz jedoch nicht der Fall. Variablen zum Volumen der Grundschulden haben bereits univariat keine Erklärungskraft. Sie wurden in die Erstellung des multivariaten Modells nicht aufgenommen. Eine Erklärung könnte darin liegen, dass das Nominalvolumen der Grundschuld nur gering mit dem tatsächlichen Erlös im Falle der Verwertung korreliert. Für die Fälle des vorliegenden Datensatzes, für die ein Verwertungserlös bekannt ist, beträgt der Korrelationskoeffizient zwischen Nominalvolumen einer Grundschuld und deren Erlös in der Verwertung jedoch rund 0,77. Die fehlende Korrelation scheint als Argument damit auszuscheiden. Der letzte Einflussfaktor in diesem Modell ist die Variable kredit_ekh_vol. Je mehr Eigenkapitalhilfe-Darlehen (EKH) zum Zeitpunkt des Beginns der Sanierung bestehen, desto wahrscheinlicher wird ein Überleben des Engagements. Es ließe sich vermuten, dass im Rahmen der Vergabe eines EKH-Darlehens eine genauere Prüfung erfolgt. Die Unternehmen könnten „robuster“ sein, und auch Krisen besser überstehen. Eine andere Interpretation könnte dahin gehen, dass durch die Kreditanstalt für Wiederaufbau (KfW) bzw. vormals die Deutsche Ausgleichsbank (DtA) Gläubiger involviert sind, die im Rahmen der Sanierung geduldiger sind oder evtl. grundsätzlich eher bestrebt sind, die Unternehmen zu erhalten. 151 Ein Beispiel soll die Aussage des Regressionsmodells verdeutlichen. Die durchschnittlichen Ausprägungen der Variablen (Werte gerundet) betragen: nr_pre_d_GewVort 0,84 si_grund2_nr 2,23 kredit_ekh_vol 75.000 Euro Damit berechnet sich das Chancenverhältnis eines durchschnittlichen Unternehmens dieses Datensatzes, den Ausgang „Überleben“ zu erreichen, wie folgt: z 1,229 0,662 * 0,84 0,936 * 2,23 0,000009 * 75.000 0,977 Odds e z e 0,977 2,66 Dies entspricht einer Wahrscheinlichkeit von 1 0,73 1 e z Eine Erhöhung der Variable nr_pre_d_GewVort führt zu einer Verringerung des Chancenverhältnisses495 für das Erreichen des Ausgangs Überleben um den Faktor e 0,662 0,52 . Das Odds betrüge dann nur noch 2,66 * 0,52 1,37 , was einer Wahrscheinlichkeit von nur noch 58 Prozent entspricht. Eine Änderung der Variable si_grund2_nr um eine Einheit, also die Vereinbarung einer weiteren Grundschuld vor Beginn der Sanierung, erhöht dieses Chancenverhältnis um den Faktor e 0,936 2,55 . Ceteris paribus würde sich die Odds auf 6,77 erhöhen. Dies entspräche dann einer Wahrscheinlichkeit von 87%. Eine Änderung der Variable kredit_ekh_vol um eine Einheit, dies entspricht hier einem Euro zusätzliches EKH vor Beginn der Sanierung, schließlich hat eine Auswirkung auf das Chancenverhältnis in Höhe von e 0,000009 1 . Bei Konstanz der übrigen Variablen ändert sich das Odds nur marginal. An dieser Stelle muss die Natur der Variable beachtet werden. Sie bildet das Volumen der bestehenden EKH-Darlehen zu Beginn der Sanierung ab. Der 495 Siehe hierzu Punkt 3.3.6.6 152 Durchschnitt dieser Variable über alle Engagements liegt bei gerundet 75.000 Euro. Änderungen um eine Einheit sind für diese Größe sehr selten. Änderungen bzw. Unterschiede lassen sich eher in Vielfachen von 10.000 Euro abbilden als in Vielfachen von 1 Euro. Der Einflussfaktor bei Änderung um eine Einheit beträgt 1,000009 (entspricht e0,000009 ). Betrachtet man eine Änderung um 10.000 Einheiten, beträgt der Einfluss auf die Odds ceteris paribus 1,09 (entspricht e0,09 ). Um diesen Faktor steigen die Odds, wenn statt 75.000 Euro bspw. 85.000 Euro in die Gleichung eingesetzt werden. 5.1.2.3 Detaillierte Analyse des Ausgangs Überleben Innerhalb des Ausgangs „Überleben“ sind zwei Wege möglich: Das Engagement überlebt in seiner ursprünglichen Form. Dies wird im Ausgang „Fortführung“ erfasst. Wird im Laufe der Sanierung das Unternehmen neu geordnet, die Rechtsform geändert oder Betriebsteile geschlossen, wird dies im Ausgang „Reorganisation“ erfasst. Im Folgenden werden zuerst Modelle entwickelt, die jeweils die einzelnen Ausgänge „Fortführung“ und „Reorganisation“ abbilden. Angesichts der geringen Zahl an Fällen werden in einem ersten Schritt die Modelle Fortführung und Reorganisation erstellt. Diese Modelle bilden den jeweiligen Ausgang „Fortführung“ bzw. „Reorganisation“ und den jeweiligen Gegenpol „keine Fortführung“ (also „Reorganisation“ und „nicht Überleben“) bzw. „keine Reorganisation“ (also „Fortführung“ und „nicht Überleben“) ab. Die im Folgenden beschriebenen Modelle können somit keine bedingte Wahrscheinlichkeit ermitteln. Aussagen darüber, mit welcher Wahrscheinlichkeit ein überlebendes Engagement den Ausgang „Fortführung“ bzw. „Reorganisation“ realisiert, sind mit den nachfolgend aufgeführten Modellen nicht möglich. 153 5.1.2.3.1 Einfluss der qualitativen und quantitativen Variablen auf den Ausgang „Fortführung“ Nach dem im vorangegangenen Teil ein Modell beschrieben wurde, welches den Ausgang „Überleben“ abbildet, erfolgt nun eine Analyse des Ausganges „Fortführung“. Das zu entwickelnde Modell soll zu Beginn der Sanierung eine Prognose erlauben, ob ein Unternehmen am Ende der Sanierung fortgeführt werden kann. Den Ausgang „Fortführung“ erreichen 38 der untersuchten Fälle in diesem Datensatz. Wie bereits erwähnt, ist das zu erklärende Ergebnis der Regression der Ausgang „Fortführung“ vs. „nicht Fortführung“, wobei letzteres die Fälle „nicht Überleben“ und „Reorganisation“ umfasst. 5.1.2.3.1.1 Auswahl der Variablen Die Variablen, die auf Basis der vorliegenden Daten den Ausgang „Fortführung“ univariat erklären können, wurden im Punkt 5.1.1 benannt. Nachstehend folgt noch einmal eine Übersicht über die Variablen, die auf Basis der qualitativen und quantitativen Daten den Ausgang Fortführung univariat hinreichend erklären können. Variable Signifikanz si_sü 0,0234 nr_pre_außErt 0,0263 nr_pre_d_MatAufw 0,0311 si_grund2_nr 0,0384 nr_pre_MatAufw 0,0399 nr_pre_d_mi 0,0441 nr_pre_d_mi2 0,0518 nr_pre_d_pi 0,0525 nr_pre_d_ln_pi 0,0561 nr_pre_d_eza 0,0592 nr_pre_ln_pi 0,0769 nr_pre_d_pi2 0,0812 154 nr_pre_d_ZinsAufw 0,0842 nr_pre_d_ln_ZinsAufw 0,0842 nr_pre_d_zd 0,0842 nr_pre_d_zd2 0,0842 nr_pre_d_edza 0,0842 qv_pre_d_fkr 0,0857 nr_pre_d_kfd 0,0861 nr_pre_d_außErt 0,0864 nr_pre_d_zaq 0,0943 nr_pre_d_abi 0,0959 nr_pre_d_req 0,0965 nr_pre_d_PersAufw 0,0996 nr_pre_d_ln_pi2 0,0996 Tabelle 20: Variablen auf Basis der qualitativen und quantitativen Daten für den Ausgang „Fortführung“ geordnet nach Signifikanz Diese Variablen werden auf Vorliegen von Multikollinearität geprüft. Die nachfolgende Tabelle 21 gibt einen Überblick über die Bestimmtheitsmasse der durchgeführten Regressionen. Variable Bestimmtheitsmaß nr_pre_d_MatAufw 1,000000 nr_pre_d_mi2 1,000000 nr_pre_d_pi 1,000000 nr_pre_d_ln_pi 1,000000 nr_pre_d_pi2 1,000000 nr_pre_d_ZinsAufw 1,000000 nr_pre_d_ln_ZinsAufw 1,000000 nr_pre_d_zd 1,000000 nr_pre_d_zd2 1,000000 nr_pre_d_edza 1,000000 nr_pre_d_zaq 1,000000 nr_pre_d_abi 1,000000 155 nr_pre_d_PersAufw 1,000000 nr_pre_d_ln_pi2 1,000000 nr_pre_MatAufw 0,994525 nr_pre_ln_pi 0,990835 nr_pre_d_req 0,986395 nr_pre_d_eza 0,959121 nr_pre_außErt 0,928840 nr_pre_d_außErt 0,927285 nr_pre_d_mi 0,914898 nr_pre_d_kfd 0,836353 qv_pre_d_fkr 0,400443 si_sue 0,354561 si_grund2_nr 0,250960 Tabelle 21: Bestimmtheitsmaße in den Regressionen zur Bestimmung der Multikollinearität im Modell Fortführung Folgte man dem beschriebenen Vorgehen und eliminierte alle Variablen, die sich durch Regressionen aus den jeweils anderen Variablen mit einem Bestimmtheitsmaß von 0,8 oder besser erklären lassen, würden von den 25 Variablen nur 3 verbleiben. Dieses Vorgehen würde wiederum die Interdependenzen zwischen dann zu eliminierenden Variablen vernachlässigen. Vor diesem Hintergrund werden wiederum schrittweise Regressionen durchgeführt. Es wird jeweils eine Variable mit dem maximalen Bestimmtheitsmaß entfernt. Diese Prozedur wird solange wiederholt, bis alle Bestimmtheitsmaße kleiner 0,8 sind. Die nachstehende Tabelle 22 beinhaltet die schließlich verbleibenden Variablen, welche in die Erstellung des Modells einbezogen werden, und deren jeweils erreichte Bestimmtheitsmaße. Variable Bestimmtheitsmaß nr_pre_d_mi 0,615927 nr_pre_d_kfd 0,580304 nr_pre_d_außErt 0,297582 156 qv_pre_d_fkr 0,256600 si_sue 0,153370 si_grund2_nr 0,096535 Tabelle 22: Bestimmtheitsmaße nach schrittweisen Regressionen im Modell Fortführung 5.1.2.3.1.2 Erstellung des Modells Bei der Erstellung dieses Modells können 40 der insgesamt 76 Fälle einbezogen werden. Die geschätzte Regressionsgleichung enthält die Variable si_grund2_nr und qv_pre_d_fkr. Als Ergebnis der Regressionsanalyse ergibt sich somit die Funktion, mit der die Wahrscheinlichkeit pFortführung,i eines Unternehmens i, im Rahmen der Sanierung den Ausgang „Fortführung“ zu realisieren, wie folgt: p Fortführung ,i 1 1 e zi mit z i 0,383 0,443 * si _ grund 2 _ nr i 1,176 * qv _ pre _ d _ fkri Die Variablen erreichen folgende Signifikanzniveaus: Variable Signifikanzniveau si_grund2_nr 0,040 qv_pre_d_fkr 0,076 Tabelle 23: Signifikanzen der Variablen im Modell Fortführung Das Modell quanqual_Fortführung erreicht folgende Bestimmtheitsmaße: Mc-Fadden 0,129 Cox & Snell 0,188 157 Nagelkerke 0,152. Die Devianz des Modells beträgt 46,228. Dies entspricht bei 37 Freiheitsgraden einer Signifikanz von 0,142. Die Modellgüte ist nach diesem Kriterium als sehr schlecht einzustufen. Nach dem Likelihood Ratio-Test beträgt die Prüfgröße 8,320, was bei 2 Freiheitsgraden einer Signifikanz von 0,016 entspricht. Nach diesem Kriterium ist das Modell als sehr gut einzustufen. Das geschätzte Modell kann 26 Fälle (entspricht 65,0%) richtig vorhersagen. Diese Trefferquote ist nach dem Press´s Q Test signifikant auf einem Niveau von 0,05. Nach dem Hosmer-Lemeshow-Test ergibt sich eine Signifikanz von 0,243, was als schlecht einzustufen ist. Die „area under curve“ auf Basis der ROC-Kurve liefert einen Wert von 0,746. Dies spricht für eine hohe Güte des Modells. 5.1.2.3.1.3 Beschreibung des Modells Im Folgenden wird das Modell quanqual_Fortführung beschrieben. Die Tabelle 24 beschreibt die Auswirkungen der Variablen auf die Wahrscheinlichkeit, den Ausgang „Fortführung“ zu erreichen. Variable si_grund2_nr Bedeutung Anzahl der eingeräumten Grundschulden (auch nachrangige) Auswirkung496 Zunehmend Verhältnis aus Werten größer 1 zu Werten qv_pre_d_fkr kleiner 1 für die Änderungen des Fremdkapital- abnehmend Ratios Tabelle 24: Beschreibung des Modells quanqual_Fortführung Änderung der Wahrscheinlichkeit, den Ausgang „Überleben“ zu erreichen, wenn der Wert der Variablen zunimmt und die Werte aller anderen Variablen gleich bleiben. 496 158 Wenn die Auswirkungen der Variablen betrachtet werden, muss stets berücksichtigt werden, dass in dem Modell quanqual_Fortführung der Ausgang „Fortführung“ im Gegensatz zum Ausgang „keine Fortführung“, also „Reorganisation“ und „Zerschlagung“, betrachtet wird. Da jedoch gerade 6 Fälle den Ausgang „Reorganisation“ erreichen, ist der Ausgang „Zerschlagung“ offenbar der bestimmende Gegenpol zum untersuchten Ausgang „Fortführung“. Auch für dieses Modell gilt, dass die einfließenden Variablen sich entweder auf den Zeitpunkt der Beginn der Sanierung (Variablen auf Basis der Daten zu Krediten und Sicherheiten) beziehen, oder auf den Zeitraum bis zum Beginn der Sanierung (Variablen auf Basis der Jahresabschlüsse). Wenn im Folgenden die Wirkungen einzelner Variablen auf den untersuchten Ausgang beschrieben werden, wird immer davon ausgegangen, dass die jeweils anderen Variablen sich nicht ändern. Wechselwirkungen werden nicht betrachtet. Die Zahl der eingeräumten Grundschulden hat auch hier einen positiven Effekt auf die Wahrscheinlichkeit, den Ausgang „Fortführung“ zu erreichen. Die Interpretation entspricht dem Fall „Überleben“. Ebenfalls einen Einfluss hat das Verhältnis aus Werten größer 1 zu Werten kleiner 1 für die Änderung des Fremdkapital-Ratios. Dieses Ratio berechnet sich nach folgender Formel: fkr FK . Der Term „ UV Vor “ soll hier die sog. „quick UV Vor assets“497 annähern, welche schnell liquidierbare Gegenstände darstellen. Die Größe lässt sich also als eine Art Liquiditätsmaß interpretieren. Der berechnete Quotient wird dann größer, wenn in einem betrachteten Zeitraum das FK im Verhältnis zu den „quick assets“ häufiger zu- als abnimmt. Die Kennzahl trifft keine Aussagen zum Ausmaß der Änderung. Es wird nur die Tatsache der Zu- und Abnahme als solche einbezogen. Die Zunahme dieses Ratios bedeutet, dass weniger schnell liquidierbare Assets zur Verfügung stellen, um die Schulden zurückzuzahlen. Damit sinkt der Spielraum des Unternehmens und ein Überleben wird unwahrscheinlicher. 497 Vgl. Sudarsanam/Lai (2001), S. 188 159 Auch hier kann festgestellt werden, dass nicht das Verhältnis als solches Aussagekraft erreicht, sondern eine Größe, die sich auf die Veränderungen bezieht. Die im Datensatz teilweise fehlenden Werte für einige Kennzahlen verbunden mit der Berechnung der darauf aufbauenden Variablen kann hier wieder eine Rolle spielen. Ein Beispiel soll auch die Aussage dieses Regressionsmodells verdeutlichen. Die durchschnittlichen Ausprägungen der Variablen (Werte gerundet) betragen: si_grund2_nr 2,23 qv_pre_d_fkr 0,775 Damit berechnet sich das Chancenverhältnis eines durchschnittlichen Unternehmens dieses Datensatzes, den Ausgang „Fortführung“ zu erreichen, wie folgt: z 0,383 0,443 * 2,23 1,176 * 0,775 0,306 Odds e z e 0,977 0,74 Dies entspricht einer Wahrscheinlichkeit von 1 0,42 1 e z Eine Änderung der Variable si_grund2_nr um eine Einheit, also die Vereinbarung einer weiteren Grundschuld vor Beginn der Sanierung, erhöht das Chancenverhältnis in diesem Modell um den Faktor e 0,443 1,56 . Ceteris paribus würde sich die Odds auf 1,15 erhöhen. Dies entspräche dann einer Wahrscheinlichkeit von etwa 53%. Eine Änderung der Variable qv_pre_d_fkr um eine Einheit hat eine Auswirkung auf das Chancenverhältnis in Höhe von e 1,176 0,31 . Bei Konstanz der übrigen Variablen ändert sich das Odds auf 0,23, was dann einer Wahrscheinlichkeit von nur noch 18% entspricht. 160 5.1.2.3.2 Einfluss der qualitativen und quantitativen Variablen auf den Ausgang „Reorganisation“ Als weitere Möglichkeit ist im Fall Überleben der Ausgang Reorganisation realisierbar. Das Unternehmen kann die Sanierung erfolgreich abschließen, erfährt jedoch signifikante Änderungen bspw. in Rechtsform oder Struktur. Dieser Ausgang wird im Datensatz von 6 Unternehmen erreicht. Analog zum Ausgang „Fortführung“ kann mit den nachfolgend beschriebenen Modellen keine bedingten Wahrscheinlichkeiten des Erreichens des Ausgangs „Reorganisation“, falls „Überleben“ gegeben ist, bestimmt werden. Im Folgenden wird das Modell quanqual_Reorganisation beschrieben. 5.1.2.3.2.1 Auswahl der Variablen Die Variablen, die auf Basis der vorliegenden Daten den Ausgang „Reorganisation“ univariat erklären können, wurden im Punkt 5.1.1 benannt. Nachstehend folgt noch einmal eine Zusammenstellung aller einfließenden Variablen. Variable Signifikanz nr_pre_außAuf 0,0088 nr_pre_d_außAuf 0,0091 nr_pre_außErt 0,0254 si_grund_bewert 0,0266 si_grund2_bewert2 0,0295 si_grund_bewert2 0,0308 kredit_ekh_mat2 0,0312 kredit_mat2 0,0315 kredit_ekh_mat 0,0557 161 Handel 0,0563 kredit_mat 0,0662 nr_pre_d_sonstWP 0,0921 nr_pre_d_ln_sonstWP 0,0921 Tabelle 25: ausgewählte Variablen für Ausgang Reorganisation geordnet nach Signifikanz Auch hier weisen die Variablen untereinander ein hohes Maß an Multikollinearität auf. Variable Bestimmtheitsmaß nr_pre_d_sonstWP 1,000000 nr_pre_d_ln_sonstWP 1,000000 si_grund_bewert2 0,990873 si_grund_bewert 0,990813 kredit_mat 0,952139 kredit_mat2 0,947366 nr_pre_außAuf 0,929323 nr_pre_d_außAuf 0,920325 kredit_ekh_mat 0,881342 kredit_ekh_mat2 0,851920 si_grund2_bewert2 0,793019 nr_pre_außErt 0,538692 Handel 0,061567 Tabelle 26: Bestimmtheitsmaße in den Regressionen zur Bestimmung der Multikollinearität im Modell quanqual_Reorganisaton Das Entfernen aller Variablen, deren Bestimmtheitsmaß größer 0,8 beträgt, erscheint nicht sinnvoll, da wiederum zu viele Variablen entfielen. Es werden hier wieder schrittweise Regressionen durchgeführt. Vorgehens zeigt die Tabelle 27. 162 Das Ergebnis dieses stufenweisen Variable Bestimmtheitsmaß si_grund2_bewert2 0,788183 si_grund_bewert 0,777870 kredit_ekh_mat2 0,656215 kredit_ekh_mat 0,638624 nr_pre_d_außAuf 0,433383 nr_pre_außErt 0,385580 kredit_mat2 0,237889 nr_pre_d_ln_sonstWP 0,175446 Handel 0,031267 Tabelle 27: Bestimmtheitsmaße nach schrittweisen Regressionen im Modell quanqual_Reorganisation 5.1.2.3.2.2 Erstellung des Modells Bei der Erstellung dieses Modells werden alle 76 Fälle in die Analyse einbezogen. Das Modell enthält die nachfolgend aufgeführten Variablen: nr_pre_außErt kredit_mat2 kredit_ekh_mat Die übrigen Variablen werden nach der Methode der Rückwärtselimination (Likelihood-Quotient) als nicht aussagekräftig ausgeschlossen. Als Ergebnis der Regressionsanalyse ergibt sich die Funktion, mit der die Wahrscheinlichkeit yi eines Unternehmens i, im Rahmen der Sanierung den Ausgang „Reorganisation“ zu realisieren, wie folgt: yi mit 163 1 1 e zi z i 4,850 0,723 * nr _ pre _ aufErt i 0,0004 * kredit _ mat 2i 0,0004 * kredit _ ekh _ mat i Die Signifikanz der Koeffizienten ist als gut einzuschätzen. Es werden folgende Signifikanzniveaus erreicht: Variable Signifikanzniveau nr_pre_außErt 0,023 kredit_mat2 0,046 kredit_ekh_mat 0,095 Tabelle 28: Signifikanzen der Variablen im Modell Reorganisation Das Modell Reorganisation erreicht folgende Bestimmtheitsmaße: Mc-Fadden 0,316 Cox & Snell 0,160 Nagelkerke 0,377. Die Devianz des Modells beträgt 28,722. Dies entspricht bei 72 Freiheitsgraden einer Signifikanz von 1. Die Modellgüte ist nach diesem Kriterium als sehr gut einzustufen. Nach dem Likelihood Ratio-Test beträgt die Prüfgröße 13,259, was bei 3 Freiheitsgraden einer Signifikanz von 0,004 entspricht. Nach diesem Kriterium ist das Modell ebenfalls als sehr gut einzustufen. Das geschätzte Modell kann 71 Fälle498 (entspricht 93,4%) richtig vorhersagen. Diese Trefferquote ist nach dem Press´s Q Test signifikant auf einem Niveau von 0,0. Nach dem Hosmer-Lemeshow-Test ergibt sich eine Signifikanz von 0,671. Dies ist als eher schlecht einzustufen. Die „area under curve“ auf Basis der ROC-Kurve liefert einen Wert von 0,839. Dies spricht für eine sehr hohe Güte des Modells. 498 In das Modell gehen 6 Fälle ein, die den Ausgang Reorganisation realisieren. Von diesen Fällen wird durch das Modell lediglich eines korrekt vorhergesagt. Die hohe Trefferquote ergibt sich aus der korrekten Vorhersage der Fälle, die den Ausgang „Reorganisation“ nicht erreichen. 164 5.1.2.3.2.3 Beschreibung des Modells Die folgende Tabelle 29 fasst kurz die Bedeutung und die Auswirkung der Variable auf die Wahrscheinlichkeit den zu erklärenden Zustand zu erreichen zusammen. Variable nr_pre_außErt Bedeutung Häufigkeit der Position außerordentliche Erträge Kredit_mat2 durchschnittliche volumengewichtete Restlaufzeit aller Kredite kredit_ekh_mat Restlaufzeit der eingeräumten EKH-Kredite Auswirkung499 Zunehmend Zunehmend Zunehmend Tabelle 29: Beschreibung des Modells quanqual_Reorganisation Auch bei diesem Modell muss bei der Betrachtung der Variablen beachtet werden, dass das Modell den Ausgang „Reorganisation“ im Gegensatz zu „keine Reorganisation“, was „Fortführung“ und „Zerschlagung“ beinhaltet, untersucht. Der Ausgang „Reorganisation“ wird im Datensatz von 6 Fällen erreicht. Wie auch für die bereits beschriebenen Modelle gilt auch hier, dass die einfließenden Variablen sich entweder auf den Zeitpunkt der Beginn der Sanierung (Variablen auf Basis der Daten zu Krediten und Sicherheiten) beziehen, oder auf den Zeitraum bis zum Beginn der Sanierung (Variablen auf Basis der Jahresabschlüsse). Auch in diesem Modell gilt, dass die beschriebenen Wirkungen einzelner Variablen die Konstanz der jeweils anderen Variablen voraussetzen und keine Wechselwirkungen berücksichtigt werden. Je häufiger die Position „außerordentliche Erträge“ belegt ist, desto wahrscheinlicher wird eine Reorganisation des betroffenen Engagements. Diese Position umfasst betriebs- und periodenfremde Erträge. Änderung der Wahrscheinlichkeit, den Ausgang „Reorganisation“ zu erreichen, wenn der Wert der Variablen zunimmt und die Werte aller anderen Variablen gleich bleiben. 499 165 Im Mittel ist die Position „außerordentliche Erträge“ im Zeitraum bis zum Beginn der Sanierung rund einmal je Engagement belegt. Diese Position nimmt also nur sporadisch anfallende Erträge auf. Diese Erträge können für die entsprechende Periode einen Beitrag zur Profitabilität leisten. Es werden so Überschüsse erwirtschaftet, die zur Überwindung der Krise eingesetzt werden können oder die helfen, entstandene Engpässe zu verringern. Je größer die volumengewichtete Restlaufzeit der Kredite ist, desto größer wird ebenso die Wahrscheinlichkeit, den Ausgang „Reorganisation“ zu erreichen. Es kann sein, dass hier wenig Aussicht besteht, mit dem momentanem Geschäftszweck in Zukunft den Kapitaldienst zu erwirtschaften. Eine zunehmende volumengewichtete Restlaufzeit bedeutet im Umkehrschluss, dass seit Ausreichung der Darlehen weniger Tilgungsleistungen erbracht wurden. Die Bank konnte bisher weniger Rückflüsse auf die eingereichten Darlehen vereinnahmen. Die momentane Aufstellung des Unternehmens macht eine Fortführung offenbar wenig lukrativ. Durch eine Reorganisation kann das Unternehmen in eine Situation gebracht werden, die es ihm ermöglicht, zumindest Teile der ausgereichten Darlehen zu bedienen. Die letzte Einflussgröße stellt die Restlaufzeit der Eigenkapitalhilfe-Darlehen (EKH) dar. Nimmt diese Restlaufzeit zu, steigt auch die Wahrscheinlichkeit, den Ausgang „Reorganisation“ zu erreichen. Eine Interpretation kann dem eben beschriebenem Muster folgen. Wie bereits bei den bisher geschilderten Modellen soll auch hier an einem Beispiel die Aussage des Modells verdeutlicht werden. Die durchschnittlichen Ausprägungen (Werte gerundet) der in dieses Modell aufgenommenen Variablen betragen: nr_pre_außErt kredit_mat2 kredit_ekh_mat 1,05 379,3 1213,23 Damit berechnet sich das Chancenverhältnis eines durchschnittlichen Unternehmens dieses Datensatzes, den Ausgang „Reorganisation“ zu erreichen, wie folgt: 166 z 4,850 0,723 * 1,05 0,0004 * 379,3 0,0004 * 1213,23 3,45 Odds e z e 0,977 0,03 Dies entspricht einer Wahrscheinlichkeit von 1 0,03 1 e z Eine Änderung der Variable nr_pre_außErt um eine Einheit erhöht das Chancenverhältnis hier um den Faktor e 0,723 2 . Bleiben die übrigen Variablen unverändert, würden sich die Odds auf 0,06 verdoppeln. Dies entspräche dann einer Wahrscheinlichkeit von etwa 6%. Eine Änderung der Variable kredit_mat2 um eine Einheit, also die Zunahme der volumengewichteten Restlaufzeit um einen Tag, hat eine Auswirkung auf das Chancenverhältnis in Höhe von e 0,0004 1 . Bei Konstanz der übrigen Variablen ändert sich das Odds nur minimal. Eine Zunahme der Restlaufzeit der EKH-Darlehen, hier dargestellt in der Erhöhung Variable kredit_ekh_mat um eine Einheit, um einen Tag, hat ebenfalls kaum einen Einfluss auf das Chancenverhältnis. Die Koeffizienten für kredit_ekh_mat und kredit_mat2 sind identisch. 5.1.2.3.3 Fortführung vs. Reorganisation im Fall „Überleben“ Es wurde bei den bisher vorgestellten Modellen stets darauf hingewiesen (siehe 5.1.2.3.1 ), dass die ermittelten Wahrscheinlichkeiten keine bedingten Wahrscheinlichkeiten sind. Im Folgenden soll nun ein Modell geschätzt werden, dass die Wahrscheinlichkeit ermittelt, im Falle „Überleben“ einen der beiden Ausgänge „Fortführung“ oder „Reorganisation“ zu erreichen. Da sich die Auswertungen hier nur auf die überlebenden Engagements beziehen soll, wird ein Teildatensatz gebildet, der die 44 der ursprünglich 76 Engagements 167 enthält, die den Ausgang „Überleben“ entweder in der Form „Fortführung“ oder „Reorganisation“ realisieren. Da im Fall Überleben nur die beiden Ausgänge Fortführung oder Reorganisation möglich sind, wird nur ein Modell geschätzt, dass den Ausgang Fortführung erklärt. Der Ausgang Reorganisation ergibt sich im Fall Überleben als Gegenstück zur Fortführung und wird daher nicht explizit modelliert. Es wird dem bereits bei den bisher erstellten Modellen angewandten Vorgehen gefolgt. 5.1.2.3.3.1 Auswahl der Variablen Im folgenden Modell quanqual_Überleben-Fortführung fließen die Variablen ein, die univariat den Ausgang Fortführung erklären können. Die nachstehende Tabelle 30 gibt noch einmal einen Überblick über diese Variablen. Die Multikollinearität wurde zwischen diesen Variablen bereits überprüft. Die Spalte Bestimmtheitsmaß gibt an, welche Bestimmtheitsmaße in jeweiligen Regressionen erreicht wurden. Variable Bestimmtheitsmaß si_sue_nr 0,78933361 nr_pre_d_egbs 0,77219546 si_anzahl2 0,74524828 nr_pre_d_GewVort 0,71368502 si_sue 0,66718984 si_grund2_nr 0,54857282 qv_pre_d_fcf 0,40577359 kredit_ekh_vol 0,31828219 Produktion 0,29085953 si_grund2_alter 0,28708641 Tabelle 30: in multivariate Analyse mit Ausgang "Überleben-Fortführung“ einbezogene Variablen 168 Ein eindeutiges Modell lässt sich mit diesen Variablen nicht bestimmen.500 Um dennoch zu einer Lösung zu gelangen, werden schrittweise logistische Regressionen durchgeführt. In jedem Schritt wird jeweils eine weitere Variable in der Reihenfolge der univariat erreichten Signifikanzen aufgenommen. Das letzte noch erstellbare Modell wird anschließend vorgestellt. Die Tabelle 31 zeigt noch einmal die univariat erreichten Signifikanzen der einfließenden Variablen. Variable Signifikanz si_sue 0,0063 nr_pre_d_GewVort 0,0122 Produktion 0,0571 si_grund2_nr 0,0595 si_grund2_alter 0,061 nr_pre_d_egbs 0,0664 si_anzahl2 0,0702 kredit_ekh_vol 0,0808 qv_pre_d_fcf 0,0812 si_sue_nr 0,0868 Tabelle 31: univariate Signifikanzen der Variablen im Modell quanqual_Fortführung-Überleben 5.1.2.3.3.2 Erstellung des Modells Bei der Erstellung dieses Modells werden von den insgesamt 44 Fällen 23 in die Analyse einbezogen. Das Modell enthält die nachfolgend aufgeführten Variablen nr_pre_d_GewVort und si_grund2_alter. Die restlichen Variablen (si_sü, produktion, si_grund2_nr) wurden nach der Methode der Rückwärtselimination (Likelihood-Quotient) als nicht aussagekräftig ausgeschlossen. 500 Die Regression führt in dieser Form zu einem nicht eindeutigen Ergebnis. 169 Als Ergebnis der Regressionsanalyse ergibt sich die Funktion, mit der die Wahrscheinlichkeit yi eines Unternehmens i, im Rahmen der Sanierung den Ausgang „Fortführung“ zu realisieren, falls das Unternehmen die Sanierung erfolgreich abschließt („Überleben“) wie folgt: yi 1 1 e zi mit zi 2,242 39,88 * nr _ pre _ d _ GewVort i 0,002 * si _ grund 2 _ alteri Die Variablen erreichen die nachstehend aufgeführten Signifikanzniveaus. Variable Signifikanzniveau nr_pre_d_GewVort 1,00 si_grund2_alter 0,21 Tabelle 32: Signifikanz der im Modell quanqual_Überleben-Fortführung enthaltenen Variablen An dieser Stelle manifestiert sich die geringe Größe des Datensatzes, auf den sich das Modell bei der Schätzung stützen kann. Die beiden enthaltenen Variablen erreichen keine akzeptablen Signifikanzniveaus. Die Variable nr_pre_d_GewVort müsste nach diesem Kriterium ausgeschlossen werden. Der Vollständigkeit halber werden die weiteren Gütemaße nachstehend aufgeführt. Das Modell quanqual_Überleben-Fortführung erreicht folgende Bestimmtheitsmaße: Mc-Fadden 0,368 Cox & Snell 0,196 Nagelkerke 0,439. Die Devianz des Modells beträgt 8,582. Dies entspricht bei Freiheitsgraden einer Signifikanz von 0,987. Die Modellgüte ist nach diesem Kriterium als sehr gut einzustufen. 170 Nach dem Likelihood Ratio-Test beträgt die Prüfgröße 5,009, was bei 2 Freiheitsgraden einer Signifikanz von 0,082 entspricht. Nach diesem Kriterium ist das Modell als gut einzustufen. Das geschätzte Modell kann 21 Fälle (entspricht 91,3%) richtig vorhersagen. Diese Trefferquote ist nach dem Press´s Q Test signifikant auf einem Niveau von 0,0001. Nach dem Hosmer-Lemeshow-Test ergibt sich eine Signifikanz von 0,296. Dies spricht für eine schlechte Anpassung des Modells. Die „area under curve“ auf Basis der ROC-Kurve liefert einen Wert von 0,506. Dies spricht für eine durchschnittliche Güte des Modells. 5.1.2.3.3.3 Beschreibung des Modells Die nachstehende Tabelle fasst kurz die Bedeutung und die Auswirkung der Variable auf die Wahrscheinlichkeit, den zu erklärenden Zustand zu erreichen, zusammen. Wie bei den anderen Modellen finden Variable der Ausprägung „_pre_“ Aufnahme. Variable nr_pre_d_GewVort Bedeutung Anzahl der Änderungen der Position „Gewinnvortrag“ si_grund2_alter Alter der eingeräumten Grundschulden (auch nachrangig) Auswirkung501 Zunehmend Zunehmend Tabelle 33: Beschreibung des Modells quanqual_Überleben-Fortführung Das hier beschriebene Model bezieht sich auf die Fälle, die den Ausgang „Überleben“ realisieren. Untersucht wird, ob diese Engagements die Sanierung erfolgreich im Weg der „Fortführung“ beenden. Den Gegenpol bildet somit der zweite erfolgreiche Ausgang „Reorganisation“. Änderung der Wahrscheinlichkeit, den Ausgang „Überleben“ zu erreichen, wenn der Wert der Variablen zunimmt und die Werte aller anderen Variablen gleich bleiben 501 171 Wie auch für die bereits beschriebenen Modell gilt auch hier, dass die einfließenden Variablen sich entweder auf den Zeitpunkt der Beginn der Sanierung (Variablen auf Basis der Daten zu Krediten und Sicherheiten) beziehen, oder auf den Zeitraum bis zum Beginn der Sanierung (Variablen auf Basis der Jahresabschlüsse). Die Variable nr_pre_d_GewVort sagt aus, wie oft im Zeitraum bis zum Beginn der Sanierung die Größe „Änderung des Gewinnvortrages“ belegt war. Im Gegensatz zum Modell quanqual_Überleben, in dem diese Variable ebenfalls enthalten ist, geht sie hier mit einem anderen Vorzeichen ein. Zunehmende Zahl dieser Änderungen führt hier zu einer zunehmenden Wahrscheinlichkeit, den Ausgang „Fortführung“ und nicht den Ausgang „Reorganisation“ zu erreichen. Die unterschiedlichen Vorzeichen in den beiden Modellen können sich durch die unterschiedlichen Ereignisse erklären, die den beiden Modellen jeweils zugrunde liegen. Betrachtet man die Position getrennt für die Ausgänge „Überleben“ und „Zerschlagung“ ist festzustellen, dass Engagements, welche die Sanierung erfolgreich abschließen, im Durchschnitt (Durchschnitt aller Positionen „Gewinnvortrag“ über alle Perioden bis Beginn der Sanierung und über alle Engagements) einen Gewinnvortrag verzeichnen. Die Unternehmen, die die Sanierung nicht erfolgreich abschließen, haben im Durchschnitt einen Verlustvortrag. Dies kann die Aufnahme einer auf „Gewinnvortrag“ bezogenen Variable erklären. Es ist jedoch zu prüfen, warum hier die Variable in ihrer Ausprägung „nr_pre_d_“ aufgenommen wird. Die durchschnittliche Änderung (Durchschnitt der Variablen av_pre_d_GewVort für alle Engagements) beträgt für überlebende und nicht überlebende Engagements etwa -1. Für die überlebenden Engagements beträgt die durchschnittliche Anzahl der Änderung je Engagement rund 0,5. Für nicht überlebende Engagements beläuft sich dieser Wert auf rund 1,3. Kann ein Engagement die Sanierung nicht erfolgreich abschließen, ändert sich die Position „Gewinnvortrag“ offenbar häufiger. Diese Befunde können den unterschiedlichen Einfluss der Variable in den Modellen quanqual_Überleben und quanqual_Fortführung-Überleben erklären. Der zweite Einflussfaktor enthält das Alter der Grundschulden zum Zeitpunkt des Beginns der Sanierung. Je länger die Grundschulden inklusive der nachrangigen 172 bestehen, umso wahrscheinlicher wird offenbar, dass das Unternehmen den Ausgang „Fortführung“ realisiert. Das Alter einer Grundschuld hat keinen Einfluss auf deren Wert. Eine Interpretation über diesen Zusammenhang scheint wenig plausibel. Denkbar wäre jedoch, dass hier das Alter der Kundenbeziehung, spezieller der Kreditbeziehung eine Rolle spielt. Im Rahmen einer Kreditgewährung wird durch die Bank sehr oft eine Grundschuld als Sicherheit verlangt. Es scheint plausibel, davon auszugehen, dass mit der ersten Kreditausreichung auch bereits eine Grundschuld vereinbart wird. Das Alter der Grundschulden kann damit die bisherige Dauer der Kreditbeziehung abbilden. Je länger die Beziehung zwischen der Bank und dem Unternehmen besteht, desto größer kann das Vertrauen in die Fähigkeiten des Unternehmens sein, desto besser kennt die Bank die Besonderheiten des Engagements. So kann es besser gelingen, das Unternehmen in seiner bisherigen Form fortzuführen. Die gemachten Ausführungen müssen stets unter der Einschränkung betrachtet werden, dass die im Modell enthaltenen Variablen gemäß den erreichten Signifikanzniveaus offenbar nur zufälligen Einfluss haben. Die geringe Größe des Teildatensatzes lässt robuste Ergebnisse nicht zu. Die durchschnittlichen Ausprägungen der in dieses Modell aufgenommenen Variablen (Werte gerundet) betragen für diesen Teildatensatz: nr_pre_d_GewVort si_grund2_alter 0,5 1.900 Damit berechnet sich das Chancenverhältnis eines durchschnittlichen Unternehmens dieses Datensatzes, den Ausgang „Reorganisation“ zu erreichen, wie folgt: z 2,242 39,88 * 0,5 0,002 * 1.900 21,5 Die Odds zu berechnen, scheint hier nicht sinnvoll. Diese erreichen einen enorm hohen Wert. Die entsprechende Wahrscheinlichkeit entspricht 1. 173 Eine Änderung der Variable nr_pre_d_GewVort um eine Einheit erhöht das Chancenverhältnis um einen so großen Faktor, das dies schlussendlich zu einer Wahrscheinlichkeit von 1 führt. Eine Änderung der Variable si_grund2_alter um eine Einheit hat eine Auswirkung auf das Chancenverhältnis in Höhe von e 0,002 1 . Bei Konstanz der übrigen Variablen ändern sich die Odds kaum. An dieser Stelle zeigt sich in Form der Odds und des Einflusses der Änderung der Variable nr_pre_d_GewVort erneut, dass der Teildatensatz aufgrund seiner geringen Größe keine robusten Ergebnisse generieren konnte. 5.1.2.4 Vergleich der Modelle quanqual_Überleben und quanqual_Fortführung Einige der Modelle beziehen sich auf einen sehr ähnlich konstruierten Ausgang. Das Modell quanqual_Überleben und das Modell quanqual_Fortführung sind in den untersuchten Endpunkten sehr ähnlich. Dies liegt darin begründet, dass der Ausgang „Überleben“ die beiden möglichen Ausgänge „Fortführung“ und „Reorganisation“ umfasst und „Reorganisation“ nur von 6 Engagements erreicht wird. Beide Modelle werden nachfolgend noch einmal gegenübergestellt.502 Trotz des sehr ähnlichen Ausgangs werden unterschiedliche Variablen in die Modelle aufgenommen. Nur die Variable si_grund2_nr wird in beide Modelle aufgenommen. Es wird deutlich, dass für jeden Ausgang andere Aspekte eine Rolle spielen. Die Variablen nr_pre_d_GewVort und kredit_ekh_vol beziehen sich auf andere Sachverhalte, als qv_pre_d_fkr. Beide Modelle können sich in etwa auf gleich viele Fälle stützen. In das Modell quanqual_Überleben finden 38 Fälle Aufnahme, für das zweite Modell können 40 Fälle verarbeitet werden. Aus der Anzahl der Fälle lässt sich keine größere Aussagekraft für eines der Modelle ableiten. Die weiteren Gütemaße sprechen für eine bessere Anpassung des Modells quanqual_Überleben. Die Signifikanzen der Devianz (0,53 zu 0,142503) und des Likelihood-Ratio-Tests (0,0004 502 Eine tabellarische Gegenüberstellung der nachfolgend aufgeführten Parameter enthält die Tabelle 95 auf S. LXXI. 503 Nennungen in Klammern führen jeweils immer als erstes den jeweiligen Wert für quanqual_Überleben auf. Es folgt der Wert, der dem Modell quanqual_Fortführung zuzuordnen ist. 174 zu 0,016) sind als besser einzustufen. Das Modell erreicht mit reichlich 86% auch eine bessere Trefferquote, als das Modell quanqual_Fortführung. Die Trefferquote lag hier bei 65%. Nach dem Hosmer-Lemeshow-Test (0,476 bzw. 0,243) können beide Modelle keine ausreichende Güte erreichen. Beide Modelle erreichen gute Werte für „area under curve“ auf Basis der ROC-Kurven. Die Werte für beide Modelle (0,696 zu 0,746) liegen in etwa auf einem Niveau. Die Ergebnisse deuten darauf hin, dass der Ausgang „Überleben“ zuverlässiger prognostiziert werden kann. Offenbar führt der untersuchte Endpunkt „Reorganisation“ vs. „Fortführung“ und „Zerschlagung“ im Modell quanqual_Reorganisation zu weniger trennscharfen Ergebnissen. Das Modell quanqual_Überleben untersucht einen klarer angegrenzten Endpunkt, „Überleben“ vs. „Zerschlagung“. Die bessere Abgrenzung der Ergebnisse führt hier offenbar zu besseren Gütemaßen des entsprechenden Modells. 5.1.3 Vergleich der Modelle auf Basis der qualitativen und quantitativen Variablen Der vorstehende Abschnitt untersucht den Einfluss der qualitativen und quantitativen Variablen auf den Ausgang der Sanierung. Es sollte also die Frage beantwortet werden, welchen Einfluss die Lage des Unternehmens zu Beginn der Sanierung, erfasst durch die Variablen auf Basis der qualitativen und quantitativen Daten, auf das Ergebnis der Sanierung hat. In den aufgestellten univariaten und multivariaten Modellen kann festgestellt werden, dass die Variablen, die die Situation des Unternehmens zu Beginn der Sanierung einen Einfluss auf das Ergebnis der Sanierung haben. Damit kann die Frage nach dem Einfluss dieser Variablen beantwortet werden. Diese Variablen haben einen Einfluss auf das Ergebnis der Sanierung. Der Einfluss der Variablen ist zum einen seiner grundsätzlichen Wirkung nach feststellbar. Als Ergebnis der Regressionen kann für die als signifikant aufgenommenen 175 Variablen festgestellt werden, welche Wirkung eine Erhöhung der Variable auf die untersuchte Wahrscheinlichkeit hat. Darüber hinaus kann der festgestellte Wirkungszusammenhang quantifiziert werden. Die im Rahmen der Regressionen ermittelten Koeffizienten erlauben Rückschlüsse auf die Änderungen der sog. Odds. Damit kann bestimmt werden, wie sich Änderungen der Variablen auf die untersuchte Wahrscheinlichkeit auswirken. Die hier geschätzten Modelle können ihrem Wesen nach den Genesungsprognosen zugeordnet werden. Im Ergebnis der Analysen kann festgehalten werden, dass der Ausgang „Überleben“ vorhergesagt werden kann. Mit der Wahrscheinlichkeit, den Ausgang „Überleben“ zu erreichen, liegt auch die Wahrscheinlichkeit vor, dass das Unternehmen zerschlagen wird. Weiterhin kann der Ausgang „Überleben“ detaillierter betrachtet werden. Das Unternehmen kann in der ursprünglichen Form fortgeführt werden, oder es überlebt in veränderter Form im Rahmen einer „Reorganisation“. Für jeden der untersuchten Ausgänge erweisen sich andere Variablen als aussagekräftig. Nachstehend sollen noch einmal die vier erstellten Modelle verglichen werden. Der Vergleich umfasst zum einen die aufgenommenen Variablen und zum anderen ausgewählte Gütemaße der jeweiligen Regressionen. Das Modell quanqual_Fortführung-Überleben wird der Vollständigkeit halber aufgenommen. Wie bereits ausgeführt wurde, sind die Ergebnisse dieser Regression offenbar jedoch nicht robust. 176 Modell quanqual_... Überleben Fortführung Reorganisation FortführungÜberleben enthaltene Variablen nr_pre_d_GewVort si_grund2_nr nr_pre_außErt nr_pre_d_GewVort si_grund2_nr qv_pre_d_fkr kredit_mat2 si_grund2_alter kredit_ekh_vol. Verarbeitete Fälle kredit_ekh_mat 38 40 76 23 McFadden 0,348 0,129 0,316 0,368 Cox & Snell 0,378 0,188 0,160 0,196 Nagelkerke 0,508 0,152 0,377 0,439 der Devianz 0,53 0,142 1 0,987 0,0004 0,016 0,004 0,082 0,476 0,243 0,671 0,296 Trefferquote 86,8% 65,0% 93,4% 91,3% area under curve 0,696 0,746 0,839 0,506 Gütemaße Bestimmtheitsmaß Signifikanz des Likelihood-RatioTest des HosmerLemmeshow-Test Tabelle 34: Vergleich der Modelle auf Basis der qualitativen und quantitativen Daten 177 Wie die Tabelle 34 zeigt, können die Modelle die einzelnen Ausgänge unterschiedlich gut vorhersagen. Große Auswirkung auf die Qualität der Modelle hat die in die Erstellung einbezogene Anzahl der Fälle. Nach diesem Kriterium kann man dem Modell quanqual_Reorganisation die höchste Erklärungskraft zusprechen. Es werden hier alle Engagements in die Erstellung des Modells einbezogen. Die anderen Modelle können sich nur auf einen Teil der Daten stützen. Die geringe Zahl der verarbeiteten Fälle schränkt die Aussagekraft der Modelle deutlich ein. Aufgrund des Umfanges des Datensatzes kann kein Modell die geforderte Zahl von 100 Beobachtungen504 erfüllen. Auch die tiefer angesetzte Untergrenze von 50 Beobachtungen505 kann nur durch das Modell quanqual_Reorganisation erfüllt werden. Die Aussagekraft der Modelle muss stets vor diesem Hintergrund betrachtet werden. Die Bestimmtheitsmaße des Modells quanqual_Reorganisation befinden sich etwa auf einem Niveau mit denen der Modelle quanqual_Überleben und quanqual_Fortführung-Überleben. Lediglich das Modell quanqual_Fortführung erreicht hier geringere Bestimmtheitsmasse. Für die Qualität des Modells Modell quanqual_Reorganisation spricht darüber hinaus die hohe Signifikanz der Devianz. Nach diesem Kriterium ist dieses Modell in etwa gleich auf mit dem Modell quanqual_Fortführung-Überleben. Die beiden anderen Modelle können nach diesem Kriterium keine ausreichende Güte aufweisen. Hier muss jedoch eingeschränkt werden, dass eine nahezu perfekte Anpassung des Modells, wie es die Signifikanzen der Devianzen von nahe 1 nahe legen, nicht plausibel scheint. Neben den erhobenen Daten gibt es mit Sicherheit weitere Faktoren, die die jeweils untersuchten Ausgänge erklären. Die geringe Zahl der aufgenommenen Fälle kann hier dazu führen, dass trotz aller Sorgfalt eine Überanpassung vorliegt. Die Variablen erklären möglicherweise nur zufällig den untersuchten Ausgang. Die Zusammenhänge in den Auswertungen sind robust und 504 505 Vgl. hierzu die Ausführungen im Punkt 3.3.6.3 auf Seite 100ff. Vgl. ebenda 178 signifikant. Sie sind jedoch unter Umständen spezifisch für den vorliegenden Datensatz und können nicht ohne Einschränkungen generalisiert werden. Die Signifikanzen des Likelihood-Ratio-Tests sind bei allen Modellen sehr gut. Es kann mit sehr geringer Irrtumswahrscheinlichkeit angenommen werden, dass die Koeffizienten der Variablen ungleich 0 sind. Ein weiteres Gütemaß eines logistischen Regressionsmodells ist die Signifikanz des Hosmer-Lemeshow-Tests. Bei diesem Test sind Werte ab 0,7 akzeptabel506. Diesen Wert kann keines der Modelle erreichen. Dies kann eine Folge der geringen Zahl an Fällen sein. Das Modell quanqual_Reorganisation kommt diesem Grenzwert jedoch am nächsten. Auch nach der Trefferquote ist das Modell quanqual_Reorganisation als sehr gut einzustufen. Es erreicht von allen Modellen mit 93,4% die höchste Trefferquote. Hier muss jedoch einschränkend erwähnt werden, dass dieses Modell von 6 Engagements, die „Reorganisation“ erreichen, nur eines korrekt vorhersagen konnte. Die geringe Zahl an Fällen, die den im Fokus stehenden Ausgang „Reorganisation“ realisieren, hat offenbar starke Auswirkungen auf die Aussagekraft des Modells.507 Vor diesem Hintergrund muss die Güte des Modells stets mit der Einschränkung bewertet werden, dass der überwiegende Teil der Stichprobe nicht den untersuchten Ausgang realisiert. Das Modell quanqual_Fortführung erreichte eine Trefferquote von 65%. Neben der im Vergleich geringen Ausprägung des Gütemaßes muss auch zu diesem Modell angemerkt werden, dass es lediglich 8 der insgesamt 17 Fälle, die den untersuchten Ausgang „Fortführung“ realisieren, korrekt vorhergesagt werden. Auch hier scheint die Aussagekraft des Modells nach diesem Gütemaß aufgrund der Zusammensetzung der Stichprobe eingeschränkt. Die beiden verbleibenden Modelle quanqual_Überleben und quanqual_FortführungÜberleben erreichen sehr gute Trefferquoten. 506 Vgl. hierzu Seite 110f. Nimmt ein Modell in jedem Fall an, dass der Ausgang „Reorganisation“ nicht erreicht wird, dann erreicht dieses Modell bei 6 von insgesamt 76 Fällen, die „Reorganisation“ erreichen und damit falsch vorhergesagt werden, eine Trefferquote von (70 korrekt vorhergesagten Fälle bei insgesamt 76 Fällen) 92,10%. 507 179 Auf Basis der ROC-Kurve erreicht das Modell quanqual_Reorganisation den höchsten Wert für „area under curve“. Die Modelle quanqual_Überleben und quanqual_Fortführung liegen, beide in etwa gleich auf, etwas darunter. Das Modell quanqual_Fortführung-Überleben erreicht hier den geringsten Wert. Den Modellen, die nicht alle 76 Fälle einbeziehen können, kann Aussagekraft nur unter Einschränkung zugesprochen werden. Das Modell quanqual_Reorganisation scheint nach den betrachteten Gütemaßen das robusteste zu sein. Auch hier müssen jedoch Einschränkungen vorgenommen werden. 5.2 Auswirkung der Maßnahmen auf den Ausgang der Sanierung Der nachstehende Abschnitt beschreibt die Ergebnisse der Auswertung der Variablen auf Basis der Maßnahmen. Die vorgenommenen Auswertungen folgen dabei dem unter 3.4 beschriebenen grundsätzlichen Vorgehen. Es wird für die hier gemachten Auswertungen das gleiche Verfahren angewandt, wie im Punkt 5.1 beschrieben. Die auf Basis der Maßnahmen erstellten Variablen werden univariat auf ihre Erklärungskraft in Bezug auf den Ausgang untersucht. Die Variablen, die in dieser Auswertung eine Signifikanz der Koeffizienten von 0,1 oder besser erreichen, werden in einem zweiten Schritt multivariat untersucht. 5.2.1 Univariaten Analyse auf Basis der Variablen zu den Maßnahmen Im folgenden Abschnitt werden die univariaten binär-logistischen Regressionen beschrieben, mit deren Hilfe die Variablen identifiziert werden, die den jeweils untersuchten Ausgang erklären können. Es werden untersucht. 180 die Ausgänge „Überleben“, „Fortführung“ und „Reorganisation“ Überleben In einer univariaten binär logistischen Regression mit „Überleben“ als abhängige Größe erreichen nachfolgend aufgeführte Variablen die geforderte Signifikanz des Koeffizienten von 0,1 oder besser. Variable Signifikanz and_21 0,000027 and_5 0,000074 st_4 0,000474 nr_st 0,000508 and_11 0,003856 and_40 0,010348 and_12 0,010740 fw_41 0,022723 nr_and 0,028640 st_5 0,031285 fw_01 0,031456 and_1 0,044220 and_20 0,053875 and_7 0,060010 fw_17 0,069153 and_25 0,082993 fw_23 0,093148 nr_fw 0,094412 Tabelle 35: univariat signifikante Variablen auf Basis der Maßnahmen mit "Überleben" als Ausgang Auf Basis der Maßnahmen sind somit viele Variablen in der Lage, den Ausgang „Überleben“ zu erklären. Es werden zum Teil beachtliche Signifikanzniveaus erreicht. Der Ausgang „Überleben“ ist in der Form „Fortführung“ und „Reorganisation“ möglich. Diese beiden Ausgänge werden im Folgenden untersucht. Dabei werden in beiden Fällen wiederum binär-logistische Regressionen eingesetzt. 181 Fortführung Den Ausgang „Fortführung“ können die nachfolgend dargestellten Variablen mit der geforderten Signifikanz der Koeffizienten von 0,1 oder besser erklären. Variable Signifikanz and_21 0,000040 nr_st 0,000249 and_5 0,000393 st_4 0,000427 and_40 0,019366 and_11 0,020006 fw_01 0,025354 and_1 0,025560 and_12 0,026074 st_5 0,032947 and_20 0,032952 fw_17 0,040025 fw_41 0,041537 fw_23 0,049089 nr_fw 0,054089 and_24 0,091193 Tabelle 36: univariat signifikante Variablen auf Basis der Maßnahmen mit "Fortführung" als Ausgang Auch dieser Ausgang kann durch mehrere Variablen erklärt werden. Einige Variablen erreichen wiederum sehr gute Signifikanzniveaus. Akzeptiert man das Signifikanzniveau des Koeffizienten als aussagekräftiges Maß für den Erklärungsgehalt der Variablen, so scheinen die Variablen auf Basis der Maßnahmen besser als die Variablen auf Basis der qualitativen und quantitativen Daten geeignet zu sein, die Ausgänge „Überleben“ und „Fortführung“ zu erklären. Die Variablen auf Basis der qualitativen und quantitativen Daten erreichen im besten 182 Fall Signifikanzniveaus von 0,012 im Ausgang „Überleben“ und 0,026 im Ausgang „Fortführung“. Reorganisation Den Ausgang „Reorganisation“ schließlich können die nachfolgend dargestellten Variablen mit der geforderten Signifikanz der Koeffizienten von 0,1 oder besser erklären. Variable Signifikanz fw_07 0,017288 fw_21 0,032983 and_32 0,062469 fw_24 0,079455 and_26 0,079455 and_43 0,079455 Tabelle 37: univariat signifikante Variablen auf Basis der Maßnahmen mit "Reorganisation" als Ausgang Die Zahl der Variablen, die hier das geforderte Signifikanzniveau erreichen sinkt im Vergleich zu den beiden bereits beschriebenen Ausgängen. Für diesen Ausgang erreichen die Variablen auf Basis der qualitativen und quantitativen Daten bessere Signifikanzniveaus. Dieser Ausgang kann offenbar mit diesen Variablen univariat besser erklärt werden. 5.2.2 Überprüfung der Variablen zu den indirekten Maßnahmen Es wurden im Abschnitt 3.1.2.1.2 unter anderem Variablen eingeführt, die Maßnahmen beschreiben, welche aus der Änderung bestimmter Kennzahlen abgeleitet wurden. Zur Verdeutlichung wurden diese Variablen als „indirekt“ bezeichnet. Dies waren im Detail folgende Variable. 183 Beschreibung Variable Reduzierung von Aktiva fw_70_indirekt Reduzierung des Anlagevermögens fw_71_indirekt Reduzierung des Umlaufvermögens fw_72_indirekt Abbau der Vorräte fw_73_indirekt Verbesserung des Forderungseinzuges (Kundenziel) fw_74_indirekt Einbringung von EK durch Gesellschafter fw_75_indirekt Einbringung von FK durch Gesellschafter fw_76_indirekt Auflösen von Rücklagen fw_77_indirekt Tabelle 38: indirekte Maßnahmen auf Basis von Bilanzkennzahlen Wird der Ausgang „Überleben“ untersucht, kann keine der Variablen die geforderte Signifikanz des Koeffizienten von 0,1 oder besser erreichen. Werden die beiden Ausgänge „Reorganisation“ und „Fortführung“ untersucht, die zusammen den Ausgang „Überleben“ bilden, erreicht auch hier keine Variable die geforderte Erklärungskraft. Die hier berechneten Variablen zu den indirekten Maßnahmen sind somit nicht geeignet, den Ausgang einer Sanierung zu erklären. 5.2.3 Überprüfung der Thesen anhand der univariaten Auswertungen Anhand der univariaten Auswertungen zum Einfluss der Maßnahmen können einige Thesen bereits überprüft werden. Die Thesen 1-7 zielen auf die Wirkung bestimmter Maßnahmen und können mit den bisher gewonnenen Erkenntnissen näher betrachtet werden. Die Variablen, die für die drei jeweils untersuchten Ausgänge univariat ausreichende Signifikanz erlangen, werden im Anhang noch einmal dargestellt508. Die These 1 vermutet einen positiven Einfluss von Maßnahmen im finanzwirtschaftlichen Bereich. Sie lautet: 508 Dies erfolgt in Tabelle 94 auf S. LXXf. 184 Maßnahmen im finanzwirtschaftlichen Bereich haben einen positiven Einfluss auf den Erfolg einer Sanierung. Ein Teil der Maßnahmen bezieht sich explizit auf den finanzwirtschaftlichen Bereich. 509 Es handelt sich hierbei um Maßnahmen wie Neueinräumung Kredit, Beschluss Kürzung Linie, Stundung/Tilgungsaussetzung, Rückzahlungsvereinbarung (RZV), Außerplanmäßige Tilgung, Zinsfreistellung, sowie Beschluss Prolongation". Auch die Anzahl der Maßnahmen im finanzwirtschaftlichen Bereich510 fand Aufnahme. Offenbar haben im hier vorliegenden Datensatz Maßnahmen im finanzwirtschaftlichen Bereich einen Einfluss auf das Ergebnis der Sanierung. Ob der Einfluss nun jedoch positiv oder negativ ist, lässt sich anhand der univariaten Modelle noch nicht bestimmen. Das Ziel der univariaten Betrachtung liegt rein darin, Variablen für die folgenden multivariaten Auswertungen zu bestimmen. Die Ermittlung einer Wirkrichtung war hier noch nicht das Ziel. Im Ergebnis der multivariaten Auswertung kann dann bestimmt werden, ob die Maßnahme positiv oder negativ auf die Wahrscheinlichkeit des Erreichens des jeweils untersuchten Ausganges wirken. Die These 2 bezog sich auf Maßnahmen zur Bereinigung der Bilanz. Sie besagt im Wortlaut: Maßnahmen zur Erhöhung des Umsatzes oder zur Senkung der Kosten erhöhen die Wahrscheinlichkeit einer erfolgreichen Sanierung. Von den in Tabelle 94 aufgeführten Variablen bezieht sich keine auf eine Erhöhung des Umsatzes oder eine Senkung der Kosten. Die These 2 muss für den vorliegenden Datensatz verworfen werden. Eine erneute Überprüfung der These anhand der Ergebnisse der multivariaten Modelle ist nicht notwendig, da nur solche Variablen in die multivariaten Auswertungen aufgenommen werden, die univariat bereits signifikant sind. Die These 3 bezieht sich auf Maßnahmen im strategischen Bereich. Die Variable „nr_st“ hat univariate Aussagekraft. Diese Variable beschreibt die Summe der strategischen Maßnahmen. Damit kann bestätigt werden, dass ein Einfluss der 509 510 Variablen zu diesen Maßnahmen tragen in Tabelle 94 auf S. LXXf. den Präfix "fw_". Diese Variable wurde als "nr_fw" bezeichnet. 185 strategischen Maßnahmen vorliegt. Auch hier muss eine erneute Überprüfung anhand der multivariaten Modelle erfolgen, da univariat noch keine Aussagen über die Wirkungsweise getroffen werden können. Die These 4 bezieht sich auf die Kommunikation zwischen dem Kreditinstitut und dem Unternehmen. Sie besagt: Häufige Gespräche zwischen Kreditinstitut und dem Unternehmen erhöhen die Wahrscheinlichkeit einer erfolgreichen Sanierung. Finden Gespräche zwischen dem Kreditinstitut und den Vertretern des Unternehmens statt, wird dies durch das Kreditinstitut dokumentiert. Damit kann die Anzahl dieser Gespräche als Variable ermittelt und ausgewertet werden. Dies geschah in Form der Variable and_23. In den Auswertungen erlangte diese Variable univariat nicht die geforderte Signifikanz. Die These 4 kann nicht bestätigt werden. Der These 5 folgend, haben Maßnahmen zur Verbesserung der Liquidität einen positiven Einfluss auf die Überlebenswahrscheinlichkeit. Einige der in Tabelle 94 genannten Variablen beschreiben Maßnahmen im Sinne der These 5. Dies sind insbesondere die Maßnahmen fw_01 - Neueinräumung eines Kredits und fw_24 Zinsfreistellung. Beide Maßnahmen haben Auswirkungen auf die Liquidität. Damit kann die hier betrachtete These soweit bestätigt werden, als das die Maßnahmen zur Verbesserung der Liquidität durchaus einen Einfluss auf das Ergebnis der Untersuchung haben. Da in den univariaten Analysen vorerst nur die aussagekräftigen Variablen ermittelt werden sollten und noch nicht deren Wirkung auf den Ausgang der Sanierung, bleibt die Frage offen, ob Maßnahmen zur Verbesserung der Liquidität die Wahrscheinlichkeit eines bestimmten Ausgangs erhöhen oder senken. Diese Aussagen können erst mit Betrachtung der multivariaten Modelle getroffen werden. Werden Vermögensgegenstände als weitere Sicherheit für einen bestehenden Kredit hinterlegt, können diese nicht mehr eingesetzt werden, um neue Kredite oder Darlehen zu besichern. Der Spielraum eines zu sanierenden Unternehmens würde eingeschränkt werden. Dies ist die Aussage der These 6. Die Vereinbarung weiterer Sicherheiten wird in der Variable and_1 erfasst. Diese ist univariat signifikant. Die 186 Vereinbarung weiterer Sicherheiten beeinflusst demnach das Ergebnis der Sanierung. Auch hier muss auf die noch folgenden multivariaten Auswertungen verwiesen werden, in denen die Wirkung dieser Variable bestimmt wird. Die These 7 besagt: Unterschiedliche Maßnahmen haben einen unterschiedlichen Einfluss auf das Ergebnis der Sanierung, auch wenn sie das gleiche Ziel verfolgen. Die folgenden Variablen sind beeinflussen die Liquidität des betroffenen Unternehmens und haben univariat Signifikanz erreicht. fw_01 - Neueinräumung Kredit fw_17 - Stundung/Tilgungsaussetzung fw_24 - Zinsfreistellung fw_41 - Beschluss Prolongation Die Feststellung, dass mehrere Maßnahmen das Ergebnis der Sanierung beeinflussen, die eine ähnliche Wirkung auf das Unternehmen haben (hier Änderung der Liquidität), reicht noch nicht aus, um die These 7 zu bestätigen. Aus den univariaten Auswertungen kann, wie bereits mehrmals ausgeführt wurde, noch keine Aussage zur Richtung des Einflusses und zum Ausmaß des Einflusses gesagt werden. Die Ergebnisse der univariaten Analyse stellen ein Indiz für die Gültigkeit dar. Eine Beantwortung ist erst mit dem Vorliegen der multivariaten Auswertungen möglich. 5.2.4 Multivariate Analyse auf Basis der Variablen zu den Maßnahmen Nachdem auf univariater Basis die aussagekräftigen Variablen ermittelt wurden, werden nachfolgend die multivariaten Modelle vorgestellt. 5.2.4.1 Allgemeine Beschreibung des Vorgehens Auch die Variablen auf Basis der Daten zu den Maßnahmen werden im Rahmen einer logistischen Regression ausgewertet. Zur Überprüfung der Modellgüte kommen die beschriebenen Gütemaße zum Einsatz. 187 Die einfließenden Variablen werden auf das Vorliegen von Multikollinearität überprüft, bevor die Modelle geschätzt werden. Nachfolgend werden die so ermittelten Modelle beschrieben. 5.2.4.2 Einfluss der Maßnahmen auf den Ausgang „Überleben“ Nachfolgend wird ein Modell beschrieben, das multivariat den Ausgang „Überleben“ auf Basis der Variablen zu den Maßnahmen erklärt. 5.2.4.2.1 Auswahl der Variablen In Regressionen zur Feststellung von Multikollinearität511 wurden folgende Bestimmtheitsmaße erreicht: Variable Bestimmtheitsmaß and_21 0,602876 and_5 0,658159 st_4 0,830836 nr_st 0,758437 and_11 0,530773 and_40 0,777868 and_12 0,729753 fw_41 0,361381 nr_and 0,832800 st_5 0,456663 fw_01 0,584715 and_1 0,629505 and_20 0,381506 and_7 0,327662 fw_17 0,461108 and_25 0,373487 511 Siehe hierzu Punkt 3.3.6.7 . 188 fw_23 0,379484 nr_fw 0,825095 Tabelle 39: Bestimmtheitsmaße in den Regressionen zur Bestimmung der Multikollinearität im Modell Maßnahmen_Überleben Die Variablen st_4, nr_and und nr_fw werden aufgrund der erreichten Bestimmtheitsmaße größer 0,8 nicht berücksichtigt. 5.2.4.2.2 Erstellung des Modells Es wird zur Auswahl der Variablen die Methode der Rückwärtselimination (Likelihood-Quotient) angewandt Bei der Erstellung dieses Modells werden alle der insgesamt 75512 Fälle in die Analyse einbezogen. Das geschätzte Modell enthält die Variablen: and_21 nr_st and_11 fw_41 und fw_01 Als Ergebnis dieser Regressionsanalyse ergibt sich die Funktion, mit der die Überlebenswahrscheinlichkeit pÜberleben eines Unternehmens i bestimmt werden kann, wie folgt: p Überleben 1 1 e zi mit 512 Für diese Auswertung kann lediglich auf 75 Fälle zurückgegriffen werden. Für ein Engagement liegen keine Aussagen zu den Maßnahmen vor. Es wurde deshalb in diese Analyse nicht aufgenommen. 189 z i 2,248 1,113 * and _ 21i 1,236 * nr _ st i 1,176 * and _ 11i 1,224 * fw _ 41i 0,336 * fw _ 01i Die Variablen erreichen folgende Signifikanzniveaus: Variable Signifikanzniveau and_21 0,013 nr_st 0,036 and_11 0,039 fw_41 0,033 fw_01 0,028 Tabelle 40: Signifikanzen der Variablen im Modell Maßnahmen_Überleben Das Modell Maßnahmen_Überleben erreicht folgende Bestimmtheitsmaße: Mc-Fadden 0,526 Cox & Snell 0,511 Nagelkerke 0,688. Die Devianz des Modells beträgt 48,116. Dies entspricht bei 69 Freiheitsgraden einer Signifikanz von 0,974. Die Modellgüte ist nach diesem Kriterium als sehr gut einzuschätzen. Nach dem Likelihood Ratio-Test beträgt die Prüfgröße 62,844, was bei 5 Freiheitsgraden einer Signifikanz von 0,000 entspricht. Nach diesem Kriterium ist das Modell Maßnahmen_Überleben als sehr gut einzustufen. Nach dem Hosmer-Lemeshow-Test ergibt sich eine Signifikanz von 0,398, was als schlecht einzustufen ist. Das geschätzte Modell kann 64 Fälle (entspricht 85,3%) richtig vorhersagen. Diese Trefferquote ist nach dem Press´s Q Test signifikant auf einem Niveau von 0,0. 190 Die „area under curve“ auf Basis der ROC-Kurve liefert einen Wert von 0,933. Dies spricht für eine sehr hohe Güte des Modells. Im Punkt 3.3.6.3 wurde ausgeführt, dass die Modellgüte bei mehr als 3 Variablen nicht mehr ansteigt. Das hier vorgestellte Modell bezieht 5 Variablen ein und enthält damit mehr als 3 Variablen. Bei der Erstellung der logistischen Regressionen wurde ein Verfahren gewählt, dass schrittweise die Zahl der Variablen verringert, bis auf Basis des Likelihood-Quotient keine Verbesserung der Modellgüte mehr erreicht wird. Die Zahl von 5 Variablen ist somit vertretbar, da eine weitere Eliminierung von Variablen offenbar kein besseres Modell zur Folge gehabt hätte. 5.2.4.2.3 Beschreibung des Modells Die folgende Übersicht beschreibt den Inhalt513 der Variablen und wie sich eine Zunahme des Wertes der Variable aufgrund der erstellten Gleichung auf die Wahrscheinlichkeit auswirkt, den Ausgang „Überleben“ zu erreichen. Variable Bedeutung Auswirkung514 and_21 Anzahl der Kündigungen durch das KI abnehmend nr_st Anzahl der strategischen Maßnahmen abnehmend and_11 fw_41 fw_01 Anzahl der Androhung von Zwangsmaßnahmen durch das KI Anzahl der Beschlüsse, Kredite oder Linien zu prolongieren Anzahl der neueingeräumten Kredite abnehmend zunehmend zunehmend Tabelle 41: Beschreibung des Modells Maßnahmen_Überleben Das hier entwickelte Modell bestimmt die Wahrscheinlichkeit, dass ein Engagement die Sanierung erfolgreich beendet. Den Gegenpol bildet der Ausgang „Zerschlagung“. Die erhobenen Variablen auf Basis der Maßnahmen beziehen sich dabei auf den Zeitraum ab Beginn der Sanierung. 513 Siehe hierzu auch Punkt 3.1.2 Änderung der Wahrscheinlichkeit, den Ausgang „Überleben“ zu erreichen, wenn der Wert der Variablen zunimmt und die Werte aller anderen Variablen gleich bleiben 514 191 Wie bereits in den Modellen auf Basis der qualitativen und quantitativen Daten gelten die beschriebenen Wirkungen „ceteris paribus“, die jeweils anderen Variablen werden nicht variiert. Die Interpretation für die Maßnahme and_21 – Anzahl der Kündigungen durch das KI scheint nahe liegend. Mit zunehmender Anzahl der ausgesprochenen Kündigungen sinkt die Wahrscheinlichkeit, dass das Unternehmen die Sanierung erfolgreich abschließt. Eine Kündigung schränkt den Spielraum eines Unternehmens stark ein, die gekündigte Linie steht in Zukunft nicht mehr zur Verfügung und muss darüber hinaus auch vorfristig zurückgeführt werden. Dies mindert die Liquidität zum Zeitpunkt der Kündigung und mindert die Liquiditätsbeschaffungspotentiale in der Zukunft. Ebenso führt eine zunehmende Zahl an strategischen Maßnahmen zu einer geringeren Überlebenswahrscheinlichkeit. Auch dieses Ergebnis wirkt plausibel, wenn man die Art der hier erfassten Maßnahmen betrachtet. Die Tabelle 42 gibt einen Überblick über die erfassten Variablen. Die Variable st_4 nimmt mit 30 den höchsten Wert an, gefolgt von st_1 mit 12. Die am häufigsten ergriffenen strategischen Maßnahmen sind also eher auf eine Zerschlagung ausgerichtet. Vor diesem Hintergrund wirkt die Wirkung der Variable nr_st erklärbar. Verkauf/Schließung von Betriebsteilen st_1 Schließung Betrieb/Gewerbe st_3 Insolvenzantrag durch Unternehmen/Schuldner st_4 Insolvenzantrag durch Gläubiger st_5 Ablösung eines Geschäftsführers st_6 Neubestellung eines Geschäftsführers st_7 Tabelle 42: Maßnahmen im strategischen Bereich Die Androhung von Zwangsmaßnahmen durch das KI in Form der Variable and_11 hat ebenfalls einen negativen Einfluss auf die Genesungswahrscheinlichkeit. Da 192 Zwangsmaßnahmen von einer Bank nur in dem Fall angedroht werden müssen, in dem ein Kreditnehmer sich unkooperativ verhält oder die Rückzahlung der ausgereichten Mittel zusehends unwahrscheinlicher ist, ist der modellierte Zusammenhang nachvollziehbar. Einen positiven Einfluss auf die Überlebenswahrscheinlichkeit hat die Anzahl der Beschlüsse, einen Kredit oder eine Linie zu prolongieren (Variable fw_41). Eine Erklärung scheint hier über zwei Punkte denkbar. Zum einem bleibt einem Unternehmen der Liquiditätsspielraum erhalten, wenn ein Kredit prolongiert wird. Zum anderen wird eine Prolongation durch die Bank aller Voraussicht nach dann vorgenommen, wenn die Bank von der zukünftigen Fähigkeit zur Erbringung des Kapitaldienstes überzeugt ist. Die vorgenommene Prolongation ist damit die Folge einer positiven Einschätzung durch das Kreditinstitut. Wenn das Kreditinstitut zu einem solchen positiven Bild gelangt, spricht dies für die Genesungswahrscheinlichkeit und somit für einen positiven Einfluss der Variable fw_41. Ein Kreditinstitut wird in der Regel erst durch Liquiditätsprobleme auf eine Krise eines Engagements aufmerksam. Im Rahmen der Sanierung ist die Beschaffung von Liquidität oft oberstes Ziel. Vor diesem Hintergrund ist es nachvollziehbar, dass das Einräumen neuer Kredite eine positive Auswirkung auf die Genesungswahrscheinlichkeit hat. Weiterhin kann das Einräumen von Krediten Ausfluss einer positiven Prognose in Bezug auf die Überlebensfähigkeit sein. Es ist nicht überprüfbar, anhand welcher Faktoren ein Kreditinstitut diese Prognose trifft. Die Vergabe neuer Kredite wäre damit nicht ursächlich für die Überlebenswahrscheinlichkeit, sondern Folge einer Konstellation anderer Faktoren. Die durchschnittlichen Ausprägungen der in dieses Modell aufgenommenen Variablen betragen für diesen Teildatensatz:515 and_21 1,3 nr_st 0,8 and_11 0,4 515 Werte gerundet 193 fw_41 0,9 fw_01 2,0 Damit berechnet sich das Chancenverhältnis eines durchschnittlichen Unternehmens dieses Datensatzes, den Ausgang „Überleben“ zu erreichen, wie folgt: z 2,248 1,113 * 1,3 1,236 * 0,8 1,176 * 0,4 1,224 * 0,9 0,336 * 2,0 1,12 Odds e z e1,12 3,05 Dies entspricht einer Wahrscheinlichkeit von 1 0,75 oder 75%. 1 e z Die Einflüsse der einzelnen Variablen werden, dem Muster der bisher beschriebenen Modelle folgend, hier in einer Tabelle dargestellt. Odds nach Wahrscheinlichkeit Änderung nach Änderung e 1,113 0,33 1,0 50% nr_st e 1,236 0,29 0,89 47% and_11 e 1,176 0,31 0,94 48% fw_41 e1,224 3,4 10,4 91% fw_01 e 0,336 1,4 4,3 81% Variable Faktor and_21 Tabelle 43: Änderungen der Odds und Wahrscheinlichkeiten im Modell Maßnahmen_Überleben In der Tabelle 43 werden die Einflüsse der Variablen in dem Modell Maßnahmen_Überleben dargestellt. Es wird gezeigt, um welchen Faktor (Spalte „Faktor“) sich die Odds ändern, wenn sich die Variable jeweils um eine Einheit erhöht. Bleiben die verbleibenden Variablen unverändert, kann das neue Odds (Spalte „Odds nach Änderung“) bestimmt werden und die damit korrespondierende Wahrscheinlichkeit (Spalte „Wahrscheinlichkeit nach Änderung“), den Ausgang „Überleben“ zu erreichen. 194 5.2.4.3 Detaillierte Analyse des Ausgangs Überleben Wie bereits bei den Variablen auf Basis der qualitativen und quantitativen Daten erfolgt auch für die Variablen auf Basis der Maßnahmen eine detaillierte Analyse des Ausgangs „Überleben“. Im Folgenden werden die Modelle Maßnahmen_Fortführung und Maßnahmen_Reorganisation beschrieben. Wie bereits ausgeführt ist eine bedingte Wahrscheinlichkeit (Fortführung, falls Engagement die Sanierung erfolgreich beendet) hier noch nicht möglich. 5.2.4.3.1 Einfluss der Maßnahmen auf den Ausgang „Fortführung“ Im Folgenden solle ein Modell vorgestellt werden, dass den Ausgang „Fortführung“ (als Gegenpol dazu die Ausgänge „Reorganisation“ und „nicht Überleben“) modelliert. Es ist nicht möglich, ein Modell auf Basis aller Variablen zu schätzen. Dieses Modell enthält nur die Konstante. Es wird dem bereits beschriebenem Vorgehen gefolgt und ein Modell auf Basis der univariat signifikanten Variablen geschätzt. 5.2.4.3.1.1 Auswahl der Variablen Der Test auf Multikollinearität516 erbringt folgende Bestimmtheitsmaße im Rahmen der Regressionen. Variable Bestimmtheitsmaß and_21 0,445536 nr_st 0,757943 and_5 0,627293 st_4 0,817430 and_40 0,766381 and_11 0,364832 fw_01 0,572636 and_1 0,382616 and_12 0,687363 516 Details werden im Punkt 3.3.6.7 dargelegt. 195 st_5 0,436912 and_20 0,334478 fw_17 0,458318 fw_41 0,373942 fw_23 0,382146 nr_fw 0,754033 and_24 0,158107 Tabelle 44: Bestimmtheitsmaße in den Regressionen zur Bestimmung der Multikollinearität im Modell Maßnahmen_Fortführung Aufgrund des hohen Bestimmtheitsmaßes (>0,8) wird in diesem Modell st_4 nicht mit berücksichtigt. 5.2.4.3.1.2 Erstellung des Modells Es wird zur Auswahl der Variablen die Methode der Rückwärtselimination (Likelihood-Quotient) angewandt Bei der Erstellung dieses Modells werden alle 75 Fälle in die Analyse einbezogen. Das geschätzte Modell enthält die Variablen: and_5 fw_01 and_1 fw_17 fw_41 fw_23 nr_fw and_24 Als Ergebnis der Regressionsanalyse ergibt sich die Funktion, mit der die Wahrscheinlichkeit, den Ausgang „Fortführung“ zu erreichen, pFortführung, eines Unternehmens i bestimmt werden kann, wie folgt: 196 p Überleben 1 1 e zi mit z i 0,958 2,76 * nr _ st 0,433 * and _ 5 i 0,56 * fw _ 01i 0,255 * and _ 1i 1,417 * fw _ 17 i 0,624 * fw _ 41i 2,257 * fw _ 23 i 0,187 * nr _ fw i 1,79 * and _ 24 i Die Variablen erreichen folgende Signifikanzniveaus: Variable Signifikanzniveau nr_st 0,002 and_5 0,047 fw_01 0,014 and_1 0,124 fw_17 0,031 fw_41 0,042 fw_23 0,156 nr_fw 0,066 and_24 0,114 Tabelle 45: Signifikanzen der Variablen im Modell Maßnahmen_Fortführung Das Modell Maßnahmen_Fortführung erreicht folgende Bestimmtheitsmaße: Mc-Fadden 0,578 Cox & Snell 0,551 Nagelkerke 0,735 Die Devianz des Modells beträgt 43,884. Dies entspricht bei 66 Freiheitsgraden einer Signifikanz von 0,984. Die Modellgüte ist nach diesem Kriterium als sehr gut einzuschätzen. 197 Nach dem Likelihood Ratio-Test beträgt die Prüfgröße 60,074, was bei 8 Freiheitsgraden einer Signifikanz von 0,000 entspricht. Nach diesem Kriterium ist das Modell Maßnahmen_Fortführung als sehr gut einzustufen. Nach dem Hosmer-Lemeshow-Test ergibt sich eine Signifikanz von 0,838, was als eher schlecht einzustufen ist. Das geschätzte Modell kann 67 Fälle (entspricht 89,5%) richtig vorhersagen. Diese Trefferquote ist nach dem Press´s Q Test signifikant auf einem Niveau von 0,0. Die „area under curve“ auf Basis der ROC-Kurve liefert einen Wert von 0,89. Dies spricht für eine sehr hohe Güte des Modells. Auch dieses Modell enthält mehr als die in Punkt 3.3.6.3 als Höchstzahl angeführten Variablen. Jedoch wurde auch dieses Modell mit der Methode der Rückwärtselimination auf Basis des Likelihood-Quotienten erstellt. Eine weitere Eliminierung von Variablen hat keine Auswirkung auf die Güte des Modells. 5.2.4.3.1.3 Beschreibung des Modells Die folgende Übersicht beschreibt den Inhalt517 der Variablen und wie sich eine Zunahme des Wertes der Variable aufgrund der erstellen Gleichung auf die Wahrscheinlichkeit auswirkt, den Ausgang „Fortführung“ zu erreichen. Variable Auswirkung518 nr_st Anzahl der strategischen Maßnahmen abnehmend and_5 Anzahl der Verwertung von Sicherheiten abnehmend fw_01 Anzahl der Neueinräumung von Krediten zunehmend and_1 fw_17 517 Bedeutung Anzahl der Vereinbarung weiterer Sicherheiten Anzahl der Stundungen/Tilgungsaus- zunehmend zunehmend Siehe hierzu auch Punkt 3.1.2 Änderung der Wahrscheinlichkeit, den Ausgang „Überleben“ zu erreichen, wenn der Wert der Variablen zunimmt und die Werte aller anderen Variablen gleich bleiben 518 198 setzungen Anzahl der Beschlüsse, Kredite oder Linien zu fw_41 zunehmend prolongieren fw_23 Anzahl der außerplanmäßigen Tilgungen zunehmend nr_fw Anzahl der finanzwirtschaftlichen Maßnahmen abnehmend Anzahl der Vergleiche zunehmend and_24 Tabelle 46: Beschreibung des Modells Maßnahmen_Fortführung Das Modell Maßnahmen_Fortführung ermöglicht Prognosen darüber, ob ein Engagement den Ausgang „Fortführung“ erreicht. Ist es dem Unternehmen nicht möglich, diesen Ausgang zu realisieren, erreicht es entweder „Reorganisation“ oder „Zerschlagung“. Da nur eine geringe Zahl der Engagements den Fall „Reorganisation“ erreicht, bildet „Zerschlagung“ den bestimmenden Gegenpol. Das Modell Maßnahmen_Fortführung bezieht sich ebenfalls auf Variablen, die während des Zeitraums der Bearbeitung erhoben werden. Wie bereits in den bisher beschriebenen Modellen gelten Aussagen zu den Auswirkungen jeweils ceteris paribus. Umso mehr Maßnahmen ergriffen werden, die sich auf die strategische Ausrichtung des Unternehmens beziehen, umso unwahrscheinlicher ist es, den Ausgang „Fortführung“ zu erreichen. Im Bereich der strategischen Maßnahmen werden Schließungen von Betrieben oder Betriebsteilen erfasst, sowie die Beantragung von Insolvenzen. Es scheint plausibel, dass der Ausgang „Fortführung“ umso seltener erreicht wird, je häufiger eine der genannten Maßnahmen ergriffen wird. Je häufiger Sicherheiten verwertet werden, desto unwahrscheinlicher wird es für ein Engagement, den Ausgang „Fortführung“ zu erreichen. Dies scheint insofern plausibel, als die Verwertung einer Sicherheit dazu führt, dass das Unternehmen die Kontrolle über diesen Vermögenswert verliert. Darüber hinaus wird ein Kreditinstitut eine Sicherheit nur dann verwerten, wenn anderweitig keine Rückflüsse generierbar scheinen. 199 Eine Fortführung wird mit zunehmender Zahl neu ausgereichter Kredit (Variable fw_01) wahrscheinlicher. Der Einfluss dieser Variable scheint plausibel. Neue Kredite verringern einen bestehenden Liquiditätsengpaß und ermöglichen darüber hinaus Investitionen in aussichtsreiche Projekte. Ein weiterer Einflussfaktor ist die Zahl der während der Sanierung neu vereinbarten Sicherheiten in Form der Variable and_1. Je mehr Sicherheiten vereinbart werden, desto wahrscheinlicher ist die Fortführung des Engagements. Eine erste Interpretation scheint nahe liegend. In der Regel verlangen Kreditinstitute für Darlehen und Kredite Sicherheiten. Mit zunehmender Zahl an neu ausgereichten Darlehen sollte demnach auch die Zahl der neu vereinbarten Sicherheiten steigen. Dieser Zusammenhang lässt sich für den vorliegenden Datensatz jedoch ausschließen. Bestünde ein strenger Zusammenhang, wie eben beschrieben, hätte sich die Variable and_1 mit einem Bestimmtheitsmaß von nahe 1 aus den anderen einfließenden Variablen, insbesondere aus fw_01, erklären lassen. Die Variable and_1 erreicht jedoch lediglich ein Bestimmtheitsmaß von gerundet 0,38. Damit scheint diese Variable weitestgehend unabhängig von den anderen einfließenden Variablen. Dies wird unterstrichen von der Tatsache, dass der Korrelationskoeffizient zwischen beiden Wertereihen 0,42 beträgt. Wie der Korrelationskoeffizient zeigt, scheinen beide Variable in einem geringen Maße voneinander abzuhängen. Ein Kreditinstitut kann eher bereit sein, weitere Kredite oder Darlehen einzuräumen, wenn die Möglichkeit besteht, diese zu besichern. Weiterhin kann die Fähigkeit, weitere Sicherheiten zu stellen, darauf hindeuten, dass das Unternehmen über gewisse Vermögenswerte verfügt. Dies kann ein bestimmtes Wertpolster darstellen. dass den Gläubigern als Schutz ihrer Forderung dient. Sie sind so eher bereit eine Fortführung zu unterstützen. Ein weiterer Faktor, der eine Fortführung zunehmend wahrscheinlich macht, ist eine zunehmende Zahl an Stundungen bzw. Tilgungsaussetzungen. Auch diese Variable scheint plausibel erklärbar. Durch Stundungen oder Tilgungsaussetzungen wird der finanzielle Spielraum des Unternehmens erhöht. Dies kann zu einer Fortführung des Unternehmens beitragen. 200 Je öfter das Kreditinstitut den Beschluss fasst, einen Kredit oder eine ausgereichte Linie zu prolongieren, desto wahrscheinlicher wird der Ausgang „Fortführung“. Durch eine Prolongation bleibt dem Unternehmen finanzieller Spielraum erhalten. Die Linien müssen nicht zurückgeführt werden, was die Liquidität naturgemäß im Zeitpunkt der Rückführung beansprucht. Der Beschluss, eine Linie zu prolongieren, wird aller Voraussicht nach nur dann gefasst, wenn das Kreditinstitut dem Unternehmen das zukünftige Erbringen des Kapitaldienstes zutraut. Es ließe sich hier annehmen, dass sich an dieser Stelle ein Urteil über die Sanierungsfähigkeit des Unternehmens manifestiert. Kann ein Unternehmen während der Sanierung außerplanmäßige Tilgungen vornehmen, erhöht dies gemäß dem geschätzten Modell die Wahrscheinlichkeit, dass das Unternehmen fortgeführt wird. Eine außerplanmäßige Tilgung ist nur dann möglich, wenn das Unternehmen liquide Mittel zur Verfügung hat. Eine außerplanmäßige Tilgung reduziert die zukünftige Belastung aus dem Kapitaldienst und schont so die Liquidität in späteren Zeitpunkten. Vor diesem Hintergrund scheint die Wirkung dieser Maßnahme plausibel erklärbar. Die Zahl der während der Sanierung ergriffenen finanzwirtschaftlichen Maßnahmen hat einen negativen Einfluss auf die Wahrscheinlichkeit, den Ausgang „Fortführung“ zu erreichen. Engagements, die den Ausgang „Fortführung“ realisieren, verzeichnen im Durchschnitt rund 13 finanzwirtschaftliche Maßnahmen. Die Engagements, die den Ausgang nicht realisieren können, verzeichnen im Mittel etwa 8 finanzwirtschaftliche Maßnahmen. Vor diesem Hintergrund scheint die Wirkung der Variable unplausibel. Ein anderes Vorzeichen wäre hier erwartet worden. Hier scheinen Wechselwirkungen mit den anderen Variablen zu vorzuliegen. In einer univariaten logistischen Regression mit nr_fw als erklärende Variable ergibt sich ein positives Vorzeichen des Koeffizienten, wie Tabelle 47 zeigt. 201 Variablen in der Gleichung RegressionskoeffizientB Schritt 1a nr_fw Konstante Standardfehler Wald df Sig. Exp(B) ,050 ,026 3,710 1 ,054 1,052 -,497 ,352 1,991 1 ,158 ,608 a. In Schritt 1 eingegebene Variablen: nr_fw. Tabelle 47: Koeffizient der Variable nr_fw in einer univariaten logistischen Regression mit dem Ausgang "Fortführung" in SPSS Dieses Ergebnis legt den Schluss nahe, dass der hier ermittelte Einfluss der Variable nr_fw von anderen Faktoren beeinflusst wird. Der letzte Einflussfaktor ist die Zahl der Vergleiche. Je öfter ein solcher Vergleich geschlossen wird, umso wahrscheinlicher erreicht das Engagement den Ausgang „Fortführung“. Ein Vergleich schafft ebenfalls Spielraum in Bezug auf die Liquidität, da in der Regel die Gläubiger im Rahmen eines Vergleiches auf Teile ihrer Forderung verzichten. Dadurch reduziert sich für das Unternehmen der zukünftige Kapitaldienst. Viele der Einflüsse scheinen ihrem Charakter nach ein Überleben des Engagements zu fördern. Nicht immer wird deutlich, inwiefern die entsprechende Variable eine Abgrenzung herbeiführen kann zwischen Engagements, die den Ausgang „Fortführung“ erreichen und Engagements, die die Ausgänge „Zerschlagung“ oder „Reorganisation“ erreichen. Hier muss erneut darauf hingewiesen werden, dass lediglich 6 Engagements den Ausgang „Reorganisation“ realisieren. Damit sind die wesentlichen in Frage stehenden Ausgänge tatsächlich „Fortführung“ und „Zerschlagung“, was die Wirkung der aufgenommenen Variablen plausibel macht. Die durchschnittlichen Ausprägungen der in dieses Modell aufgenommenen Variablen betragen (Werte gerundet) für diesen Teildatensatz: and_5 2,5 fw_01 2,0 and_1 3,5 202 fw_17 0,6 fw_41 0,9 fw_23 0,1 nr_fw 10,7 and_24 0,1 Damit berechnet sich das Chancenverhältnis eines durchschnittlichen Unternehmens dieses Datensatzes, den Ausgang „Überleben“ zu erreichen, wie folgt: z 0,958 0,433 * 2,5 0,56 * 2,0 0,255 * 3,5 1,417 * 0,6 0,624 * 0,9 2,257 * 0,1 0,187 * 10,7 1,79 * 0,1 1,7 Odds e z e1,7 5,5 Dies entspricht einer Wahrscheinlichkeit von 1 0,85 1 e z Die Einflüsse der einzelnen Variablen werden für das Modell Maßnahmen_Fortführung in der Tabelle 48 dargestellt. Odds nach Wahrscheinlichkeit Änderung nach Änderung 0,65 3,7 79% fw_01 1,75 9,9 91% and_1 1,29 7,3 88% fw_17 4,12 23,4 96% fw_41 1,87 10,6 91% fw_23 9,55 54,2 98% nr_fw 0,83 4,7 82% and_24 5,99 34,0 97% Variable Faktor and_5 Tabelle 48: Änderungen der Odds und Wahrscheinlichkeiten im Modell Maßnahmen_Fortführung519 519 Die Tabelle zeigt, wie sich die Odds ceteris paribus nach Erhöhung der Variable um eine Einheit ändern und welche Wahrscheinlichkeit des Ausgangs diesen neuen Odds entspricht. Details siehe auch S. 194. 203 Ein Vergleich der beiden im erklärten Ausgang sehr ähnlichen Modelle Maßnahmen_Überleben und Maßnahmen_Fortführung erfolgt im Punkt 5.2.5 . 5.2.4.3.2 Einfluss der Maßnahmen auf den Ausgang „Reorganisation“ Unternehmen können die Sanierung erfolgreich beenden, in dem sie eine Reorganisation durchlaufen. Im Folgenden wird ein Modell entwickelt, dass diesen Ausgang prognostizieren kann. Auch dieser Ausgang kann nicht auf Basis aller Variablen modelliert werden. Das Modell enthält wiederum nur eine Konstante. 5.2.4.3.2.1 Auswahl der Variablen Auch mit den für diesen Ausgang ermittelten univariat signifikanten Variablen werden Regressionen zur Bestimmung der Multikollinearität durchgeführt. Die folgende Tabelle gibt die jeweils erreichten Bestimmtheitsmaße wieder. Variable Bestimmtheitsmaß fw_07 0,590563 fw_21 0,281635 and_32 0,416799 fw_24 0,053594 and_26 0,356304 and_43 0,407937 Tabelle 49: Bestimmtheitsmaße in den Regressionen zur Bestimmung der Multikollinearität im Modell Maßnahmen_Reorganisation Die erreichten Bestimmtheitsmaße deuten nicht auf das Vorliegen von Multikollinearität. Es werden alle Variablen zur Schätzung des Modells herangezogen. 204 5.2.4.3.2.2 Erstellung des Modells Es wird zur Auswahl der Variablen die Methode der Rückwärtselimination (Likelihood-Quotient) angewandt Bei der Erstellung dieses Modells werden alle 75 Fälle in die Analyse einbezogen. Das geschätzte Modell enthält die Variablen: fw_07 fw_24 Als Ergebnis der Regressionsanalyse ergibt sich die Funktion, mit der die Wahrscheinlichkeit, den Ausgang „Reorganisation“ zu erreichen, p Reorganisation, eines Unternehmens i bestimmt werden kann, wie folgt: p Überleben 1 1 e zi mit z i 3,175 2,707 * fw _ 07 i 3,175 * fw _ 24 i Die Variablen erreichen folgende Signifikanzniveaus: Variable Signifikanzniveau fw_07 0,014 fw_24 0,039 Tabelle 50: Signifikanzen der Variablen im Modell Maßnahmen_Reorganisation Das Modell Maßnahmen_Reorganisation erreicht folgende Bestimmtheitsmaße: Mc-Fadden 0,308 Cox & Snell 0,158 Nagelkerke 0,369 205 Die Devianz des Modells beträgt 28,932. Dies entspricht bei 72 Freiheitsgraden einer Signifikanz von 0,99. Die Modellgüte ist nach diesem Kriterium als sehr gut einzuschätzen. Nach dem Likelihood Ratio-Test beträgt die Prüfgröße 12,833, was bei 2 Freiheitsgraden einer Signifikanz von 0,002 entspricht. Nach diesem Kriterium ist das Modell Maßnahmen_Überleben als sehr gut einzustufen. Nach dem Hosmer-Lemeshow-Test ergibt sich eine Signifikanz von 0, was als sehr schlecht einzustufen ist. Das geschätzte Modell kann 71 Fälle (entspricht 94,7%) richtig vorhersagen. Diese Trefferquote ist nach dem Press´s Q Test signifikant auf einem Niveau von 0,0. Die „area under curve“ auf Basis der ROC-Kurve liefert einen Wert von 0,74. Dies spricht für eine sehr hohe Güte des Modells. 5.2.4.3.2.3 Beschreibung des Modells Die folgende Übersicht beschreibt den Inhalt520 der Variablen und wie sich eine Zunahme des Wertes der Variable aufgrund der erstellen Gleichung auf die Wahrscheinlichkeit auswirkt, den Ausgang „Überleben“ zu erreichen. Variable Auswirkung521 Bedeutung fw_07 Anzahl der Beschlüsse, eine Linie zu kürzen zunehmend fw_24 Anzahl der Zinsfreistellungen zunehmend Tabelle 51: Beschreibung des Modells Maßnahmen_Reorganisation Im Folgenden werden Maßnahmen_Reorganisation 520 die Auswirkungen beschrieben. der Diesen Variablen Ausgang im Modell erreichen 6 Siehe hierzu auch Punkt 3.1.2 Änderung der Wahrscheinlichkeit, den Ausgang „Überleben“ zu erreichen, wenn der Wert der Variablen zunimmt und die Werte aller anderen Variablen gleich bleiben. 521 206 Unternehmen im Datensatz. Die restlichen Unternehmen können die Ausgänge „Fortführung“ oder „Zerschlagung“ realisieren. Das Modell bezieht Variablen ein, die sich auf den Zeitraum ab Beginn der Sanierung beziehen und aus den ergriffenen Maßnahmen generiert werden. Wie bereits bei den weiter oben beschriebenen Modellen gilt auch hier, dass die Auswirkungen der Variablen jeweils ceteris paribus beschrieben werden. Das Modell kann zwei Einflüsse ermitteln. Der erste ist die Zahl der Beschlüsse, eingeräumte Linien oder Kredite zu kürzen. Dadurch wird zukünftig der Spielraum des Unternehmens eingeengt. Es stehen weniger liquide Mittel zur Verfügung. Das Kreditinstitut scheint jedoch davon auszugehen, dass das Unternehmen weiterhin Kapitaldienst erbringen kann. Andernfalls würde es die Linie gänzlich streichen. Das Unternehmen muss die Bereiche identifizieren, aus denen es zukünftig Erträge generieren kann, um die verbleibende Linie zu bedienen. Eine Reorganisation kann die Trennung von defizitären Bereichen bedeuten oder die Fokussierung auf gewinnbringende Aktivitäten. Auch hier ist die Kausalität nicht eindeutig. Die Reduzierung der Linie kann dem Unternehmen die Notwendigkeit der Reorganisation deutlich machen. Sie kann jedoch auch Ausfluss der bereits erkennbaren Notwendigkeit einer Reorganisation sein. Der zweite Faktor ist die Zahl der Zinsfreistellungen. Je häufiger eine solche vereinbart wird, desto wahrscheinlicher wird der Ausgang „Reorganisation“. Eine Zinsfreistellung verschafft dem Unternehmen einen zeitlich begrenzten Aufschub. Während der Freistellung müssen keine Zinsen auf die ausgereichten Darlehen erbracht werden. Dies schont die Liquidität. Dieser Aufschub kann dem Unternehmen genau die Zeit verschaffen, die es für eine Reorganisation benötigt. Auch hier ist die Frage der Kausalität nicht eindeutig beantwortbar. Die Maßnahme kann Auslöser oder Voraussetzung für eine Reorganisation sein oder die Folge einer entsprechenden Einschätzung durch das Kreditinstitut. 207 Die durchschnittlichen Ausprägungen der in dieses Modell aufgenommenen Variablen betragen (Werte gerundet) für diesen Teildatensatz: fw_7 0,1 fw_24 0,0 Damit berechnet sich das Chancenverhältnis eines durchschnittlichen Unternehmens dieses Datensatzes, den Ausgang „Überleben“ zu erreichen, wie folgt: z 3,175 2,707 * 0,1 3,175 * 0,0 2,9 Odds e z e 2,9 0,05 Dies entspricht einer Wahrscheinlichkeit von 1 0,05 1 e z Die Einflüsse der einzelnen Variablen werden für das Modell Maßnahmen_Reorganisation in der Tabelle 52 dargestellt. Odds nach Wahrscheinlichkeit Änderung nach Änderung 14,98 0,8 43% 23,93 1,2 54% Variable Faktor fw_7 fw_24 Tabelle 52: Änderungen der Odds und Wahrscheinlichkeiten im Modell Maßnahmen_Fortführung 522 5.2.4.3.3 Fortführung vs. Reorganisation im Fall „Überleben“ Im Folgenden werden alle Engagements selektiert, die die Sanierung erfolgreich abschließen, also den Ausgang „Überleben“ realisieren. Das Modell Maßnahmen_Fortführung-Überleben soll den Ausgang „Fortsetzung“ in dieser Teilstichprobe prognostizieren. 522 Die Tabelle zeigt, wie sich die Odds ceteris paribus nach Erhöhung der Variable um eine Einheit ändern und welche Wahrscheinlichkeit des Ausgangs diesen neuen Odds entspricht. Details siehe auch S. 194. 208 5.2.4.3.3.1 Auswahl der Variablen Ausgangspunkt der Modellschätzung bilden diejenigen Variablen, die univariat den Ausgang „Überleben“ hinreichend erklären können. Die nachfolgende Tabelle stellt diese Variablen noch einmal zusammen. Variable Signifikanz and_21 0,000027 and_5 0,000074 st_4 0,000474 nr_st 0,000508 and_11 0,003856 and_40 0,010348 and_12 0,010740 fw_41 0,022723 nr_and 0,028640 st_5 0,031285 fw_01 0,031456 and_1 0,044220 and_20 0,053875 and_7 0,060010 fw_17 0,069153 and_25 0,082993 fw_23 0,093148 nr_fw 0,094412 Tabelle 53: univariat signifikante Variablen auf Basis der Maßnahmen mit "Überleben" als Ausgang Nachstehend werden noch einmal die in Regressionen zur Bestimmung der Multikollinearität erreichten Bestimmtheitsmaße dargestellt. Es fließen hier, wie bereits beschrieben, die Variablen ein, die den Ausgang „Überleben“ univariat hinreichend erklären können. 209 Variable Bestimmtheitsmaß and_21 0,602876 and_5 0,658159 st_4 0,830836 nr_st 0,758437 and_11 0,530773 and_40 0,777868 and_12 0,729753 fw_41 0,361381 nr_and 0,832800 st_5 0,456663 fw_01 0,584715 and_1 0,629505 and_20 0,381506 and_7 0,327662 fw_17 0,461108 and_25 0,373487 fw_23 0,379484 nr_fw 0,825095 Tabelle 54: Bestimmtheitsmaße in den Regressionen zur Bestimmung der Multikollinearität im Modell Maßnahmen_Überleben Aufgrund der Bestimmtheitsmaße finden die Variable st_4, nr_and und nr_fw keine Aufnahme bei der Erstellung des Modells. 5.2.4.3.3.2 Erstellung des Modells Es wird zur Auswahl der Variablen die Methode der Rückwärtselimination (Likelihood-Quotient) angewandt Bei der Erstellung dieses Modells werden 44 Fälle ausgewertet. Das geschätzte Modell enthält die Variablen: 210 nr_st fw_01 and_20 Als Ergebnis der Regressionsanalyse ergibt sich die Funktion, mit der die Wahrscheinlichkeit, den Ausgang „Fortführung“ zu erreichen, p Fortführung, eines Unternehmens i bestimmt werden kann, wie folgt: p Überleben 1 1 e zi mit z i 2,894 2,87 * nr _ st i 0,747 * fw _ 01i 2,534 * and _ 20 i Die Variablen erreichen folgende Signifikanzniveaus: Variable Signifikanzniveau nr_st 0,012 fw_01 0,056 and_20 0,077 Tabelle 55: Signifikanzen der Variablen im Modell Maßnahmen_fortüber Das Modell Maßnahmen_Fortführung erreicht folgende Bestimmtheitsmaße: Mc-Fadden 0,384 Cox & Snell 0,264 Nagelkerke 0,481 Die Devianz des Modells beträgt 21,572. Dies entspricht bei 27 Freiheitsgraden einer Signifikanz von 0,759. Die Modellgüte ist nach diesem Kriterium als schwach einzuschätzen. 211 Nach dem Likelihood Ratio-Test beträgt die Prüfgröße 13,479, was bei 3 Freiheitsgraden einer Signifikanz von 0,004 entspricht. Nach diesem Kriterium ist das Modell Maßnahmen_Fortführung als sehr gut einzustufen. Nach dem Hosmer-Lemeshow-Test ergibt sich eine Signifikanz von 0,969, was als sehr gut einzustufen ist. Das geschätzte Modell kann 38 Fälle (entspricht 86,4%) richtig vorhersagen. Diese Trefferquote ist nach dem Press´s Q Test signifikant auf einem Niveau von 0,0. Die „area under curve“ auf Basis der ROC-Kurve liefert einen Wert von 0,91. Dies spricht für eine außerordentlich hohe Güte des Modells. 5.2.4.3.3.3 Beschreibung des Modells Die folgende Übersicht beschreibt den Inhalt523 der Variablen und wie sich eine Zunahme des Wertes der Variable aufgrund der erstellen Gleichung auf die Wahrscheinlichkeit auswirkt, bei erfolgreicher Sanierung den Ausgang „Fortführung“ zu erreichen. Variable Bedeutung Auswirkung524 nr_st Anzahl der strategischen Maßnahmen abnehmend fw_01 Anzahl der Neueinräumung von Krediten zunehmend Anzahl der Androhung der Kündigung abnehmend and_20 Tabelle 56: Beschreibung des Modells Maßnahmen_Fortführung-Überleben Das hier beschriebene Model bezieht sich auf die Fälle, die den Ausgang „Überleben“ realisieren. Untersucht wird, ob diese Engagements die Sanierung erfolgreich im Weg der „Fortführung“ beenden. Den Gegenpol bildet somit der zweite erfolgreiche Ausgang „Reorganisation“. 523 Siehe hierzu auch Punkt 3.1.2 Änderung der Wahrscheinlichkeit, den Ausgang „Überleben“ zu erreichen, wenn der Wert der Variablen zunimmt und die Werte aller anderen Variablen gleich bleiben 524 212 Die einfließenden Variablen werden im Zeitraum ab Beginn der Sanierung erhoben. Die Beschreibungen der Auswirkungen setzen wieder Konstanz der jeweils anderen Variablen voraus. Je häufiger während der Sanierung strategische Maßnahmen ergriffen werden, desto unwahrscheinlicher wird das Erreichen des Ausgangs „Fortführung“. Strategische Maßnahmen umfassen die folgenden Punkte: Verkauf/Schließung von Betriebsteilen Schließung Betrieb/Gewerbe Insolvenzantrag durch Unternehmen/Schuldner Insolvenzantrag durch Gläubiger Ablösung eines Geschäftsführers Neubestellung eines Geschäftsführers Insbesondere der Punkt „Verkauf/Schließung von Betriebsteilen“ ist ein Indiz für eine Reorganisation. Das Unternehmen trennt sich von unrentablen Bestandteilen und konzentriert seine Tätigkeit. Damit wird der Ausgang „Fortführung“ unwahrscheinlicher und das Unternehmen wird eher den Ausgang „Reorganisation“ realisieren. Je häufiger neue Kredite und Darlehen ausgereicht werden, desto wahrscheinlicher wird das Unternehmen fortgeführt anstatt reorganisiert. Neue Kredite erhöhen den finanziellen Spielraum des Unternehmens. Das Unternehmen verfügt dann über zusätzliche Liquiditätspotentiale. Diese kann das Unternehmen einsetzen, um die Fortführung zu sichern. Wie bereits an verschiedenen Stellen beschrieben, ist die Frage der Kausalität nicht eindeutig beantwortbar. Der modellierte Zusammenhang lässt keine Aussage darüber zu, ob die Einräumung neuer Kredite ursächlich ist für die Realisierung des Ausgangs „Fortführung“, oder ob diese Maßnahme selbst durch andere Faktoren determiniert wird, die hier nicht hervortreten. 213 Je öfter das Kreditinstitut dem Unternehmen die Kündigung einer Linie androht, desto unwahrscheinlicher wird das Erreichen des Ausganges „Fortführung“. Das Kreditinstitut wird die Kündigung nur dann androhen, wenn wichtige Elemente des Vertrages mit dem Unternehmen nicht befolgt werden. Es ist insofern plausibel, dass die Wahrscheinlichkeit, den Ausgang „Fortführung“ zu erreichen sinkt. Im Umkehrschluss bedeutet dies, dass die Wahrscheinlichkeit des Ausgangs „Reorganisation“ steigt. Ein Zusammenhang ist hier nur schwer zu beschreiben. Die durchschnittlichen Ausprägungen der in dieses Modell aufgenommenen Variablen betragen (Werte gerundet) für diesen Teildatensatz: nr_st 0,4 fw_01 2,6 and_20 0,1 Damit berechnet sich das Chancenverhältnis eines durchschnittlichen Unternehmens dieses Datensatzes, den Ausgang „Überleben“ zu erreichen, wie folgt: z 2,894 2,87 * 0,4 0,747 * 2,6 2,534 * 0,1 3,4 Odds e z e 3,4 32 Dies entspricht einer Wahrscheinlichkeit von 1 0,97 1 e z Die Einflüsse der einzelnen Variablen werden für das hier beschriebene Modell in der Tabelle 57 dargestellt. 214 Odds nach Wahrscheinlichkeit Änderung nach Änderung 0,06 1,8 65% fw_01 2,11 68,2 99% and_20 0,08 2,6 72% Variable Faktor nr_st Tabelle 57: Änderungen der Odds und Wahrscheinlichkeiten im Modell Maßnahmen_FortführungÜberleben 5.2.4.4 Vergleich der Modelle Maßnahmen_Überleben und Maßnahmen_Fortführung Wie bereits bei den Modellen auf Basis der qualitativen und quantitativen Daten werden auch die beiden Modelle Fortführung und Fortführung-Überleben auf Basis der Daten zu den Maßnahmen einander gegenübergestellt.525 Die in den beiden Modellen jeweils untersuchten Ausgänge sind sich sehr ähnlich. Der Ausgang „Überleben“ umfasst die Ausgänge „Fortführung“ und „Reorganisation“. Da nur 6 Engagements die „Reorganisation“ realisieren, gibt es große Überschneidungen in den beiden Modellen und den untersuchten Ereignissen. In beide Modelle wird jeweils eine unterschiedliche Anzahl an Variablen (5 vs. 8)526 aufgenommen. Einzig die Variablen fw_01 und fw_41 sind in beiden Modellen enthalten. Das Erreichen des Ausgangs „Fortführung“ scheint stärker von finanzwirtschaftlichen Maßnahmen abzuhängen. Es finden in diesem Modell mehr Variablen aus dieser Kategorie Aufnahme. Beide Modelle können 75 Fälle nutzen, um die Gleichungen zu schätzen. Vor diesem Hintergrund kann keine Empfehlung für eines der Modelle ausgesprochen werden. Beide Modelle können in etwa gleich gute Bestimmtheitsmaße erreichen. Nach diesem Kriterium scheint das Modell Maßnahmen_Fortführung nur minimal besser zu sein. Auch bei den ermittelten Signifikanzen liegen beide Modelle etwa gleichauf. Die Signifikanzen sind als sehr gut einzustufen. Das Modell Maßnahmen_Fortführung scheint auch hier etwas besser zu sein, da eine minimal bessere Signifikanz der Devianz (0,974 zu 0,984) erreicht wird. Auch der Likelihood-Ratio-Test führt für beide Modelle zu gleich guten Ergebnissen. Beide Modelle erreichen hier einen Wert von 0,0. Ein deutliches und differenziertes Ergebnis zeigt der Hosmer-Lemeshow-Test. Nach diesem Kriterium erreicht das Modell Maßnahmen_Fortführung mit 0,838 eine gute Anpassung. Das Modell Maßnahmen_Überleben kann mit einem Wert von 0,398 keine ausreichende 525 Einen Überblick über die Parameter, auf deren Grundlage der Vergleich erfolgt und die jeweiligen Ausprägungen der Modelle für die Parameter sind in Tabelle 96 aufgeführt. Vgl. dazu S. LXXII. 526 Werden für ausgewählte Parameter Werte aufgeführt, enthält die Klammer jeweils als erstes den Wert für das Modell Maßnahmen_Überleben, gefolgt von dem Wert, der das Modell Maßnahmen_Fortführung kennzeichnet. 215 Signifikanz erreichen. Für die Trefferquoten ergibt sich ein ähnliches Bild wie bei den meisten anderen Kriterien, keines der Modelle kann hier eine deutlich größere Güte erreichen. Beide Modelle erreichen eine ähnlich gute Trefferquote (85% zu 89%), wobei das Modell Maßnahmen_Fortführung geringfügig besser abschneidet. Nach der „area under curve“ sind beide Modelle sehr gut. Auch hier zeigt sich kein Unterschied zwischen den beiden betrachteten Modellen. Die Werte liegen auf etwa dem gleichen Niveau (0,933 zu 0,89), wobei das Modell Maßnahmen_Überleben einen geringfügig besseren Wert erreicht. Die beiden Modelle sind in ihrer Aussagekraft sehr ähnlich. Das Modell Maßnahmen_Fortführung zeichnet sich durch leichte Vorteile bei einer Vielzahl von Kriterien aus. Nach dem Hosmer-Lemeshow-Test schneidet es deutlich besser ab. Damit kann im untersuchten Datensatz der Ausgang „Fortführung“ offenbar präziser und robuster vorhergesagt Zusammensetzung des zu werden, als erklärenden der Ausgang Ereignisses, „Überleben“. Die „Fortführung“ vs. „Reorganisation“ und „Zerschlagung“ führt hier offenbar nicht zu Einschränkungen der Aussagekraft, wie es bei dem Modellen auf Basis der qualitativen und quantitativen Daten der Fall war. 5.2.5 Vergleich der Modelle auf Basis der Maßnahmen Nachdem im Abschnitt 5.1 der Einfluss der quantitativen und qualitativen Variablen untersucht wurde, stehen hier die Variablen auf Basis der Maßnahmen im Fokus. Die Frage, die dieser Abschnitt zu beantworten sucht, ist, ob die Maßnahmen einen Einfluss auf das Ergebnis der Sanierung haben. Die aufgestellten Modelle erlauben eine Antwort auf diese Frage. Die Variablen auf Basis der Maßnahmen haben einen Einfluss auf das Ergebnis der Untersuchung. Dem Aufbau des Kapitels 5.1 folgend, wird auch hier der Ausgang „Überleben“ und die im Ausgang „Überleben“ möglichen Ausgänge „Fortführung“ und „Reorganisation“ untersucht. 216 Jeder der genannten Ausgänge kann auf Basis der Maßnahmen prognostiziert werden. Auch in diesen Modellen zeigt sich, dass die unterschiedlichen Ausgänge jeweils durch andere Variablen vorhergesagt werden können. Der Einfluss der Maßnahmen kann zum einen als Wirkungszusammenhang dargestellt werden. Dies erlaubt Aussagen darüber, ob ein Mehr an bestimmten Maßnahmen einen bestimmten Ausgang wahrscheinlicher macht. Der Wirkungszusammenhang kann darüber hinaus quantifiziert werden. Über die sog. Odds kann ermittelt werden, wie sich die Wahrscheinlichkeit eines bestimmten Ausgangs bei Ergreifen bestimmter Maßnahmen konkret ändert. An einem Beispiel sollen die möglichen Interpretationen noch einmal demonstriert werden. Im Modell Maßnahmen_Überleben erreichen die Variablen gemäß nachstehender Tabelle 58 Erklärungskraft. Die Spalte „Auswirkung“ gibt an, wie sich eine Erhöhung der Variable auf die Wahrscheinlichkeit, den Ausgang „Überleben“ zu erreichen auswirkt. Der Wirkungszusammenhang kann aus den Vorzeichen der Koeffizienten, die im Rahmen der Regressionen ermittelt wurden, abgeleitet werden. Variable Bedeutung Auswirkung527 and_21 Anzahl der Kündigungen durch das KI abnehmend nr_st Anzahl der strategischen Maßnahmen abnehmend and_11 fw_41 Anzahl der Androhung von Zwangsmaßnahmen durch das KI Anzahl der Beschlüsse, Kredite oder Linien zu abnehmend zunehmend Änderung der Wahrscheinlichkeit, den Ausgang „Überleben“ zu erreichen, wenn der Wert der Variablen zunimmt und die Werte aller anderen Variablen gleich bleiben 527 217 prolongieren fw_01 Anzahl der neueingeräumten Kredite zunehmend Tabelle 58: Beschreibung des Modells Maßnahmen_Überleben Werden also zunehmen strategische Maßnahmen ergriffen, erhöht sich die Variablen nr_st entsprechend, und die Wahrscheinlichkeit eines „Überlebens“ nimmt ab. Die Interpretation kann nach diesem Muster für die verbliebenen Variablen vorgenommen werden. Über den hier dargestellten allgemeinen Wirkungszusammenhang hinaus kann der Einfluss der Variablen quantifiziert werden. Dazu werden die Koeffizienten der Variablen betrachtet, wie sie in den Regressionen ermittelt werden. Es ergibt sich eine Funktion, mit der die Überlebenswahrscheinlichkeit p Überleben eines Unternehmens i bestimmt werden kann: p Überleben 1 1 e zi mit zi 2,248 1,113 * and _ 21i 1,236 * nr _ sti 1,176 * and _ 11i 1,224 * fw _ 41i 0,336 * fw _ 01i Die Faktoren erlauben nun Aussagen über die veränderte Wahrscheinlichkeit eines „Überlebens“ bei Änderung der Variablen. Zur Veranschaulichung sei ein Unternehmen angenommen, dass folgende Ausprägungen der Variablen besitzt: and_21 1,3 nr_st 0,8 and_11 0,4 218 fw_41 0,9 fw_01 2,0 Damit berechnet sich das Chancenverhältnis eines durchschnittlichen Unternehmens dieses Datensatzes, den Ausgang „Überleben“ zu erreichen, wie folgt: z 2,248 1,113 * 1,3 1,236 * 0,8 1,176 * 0,4 1,224 * 0,9 0,336 * 2,0 1,12 Odds e z e1,12 3,05 Dies entspricht einer Wahrscheinlichkeit von 1 0,75 oder 75%. 1 e z Die nachstehende Tabelle 59 fasst die Auswirkungen der Variablen zusammen. Die Spalte „Faktor“ gibt an, auf welchen Faktor sich die Odds ändern, wenn die Variable sich um eine Einheit erhöht. Odds nach Wahrscheinlichkeit Änderung nach Änderung e 1,113 0,33 1,0 50% nr_st e 1,236 0,29 0,89 47% and_11 e 1,176 0,31 0,94 48% fw_41 e1,224 3,4 10,4 91% fw_01 e 0,336 1,4 4,3 81% Variable Faktor and_21 Tabelle 59: Änderungen der Odds und Wahrscheinlichkeiten im Modell Maßnahmen_Überleben Die Spalte „Odds nach Änderung“ gibt ab, wie sich ausgehend von dem beschriebenen Unternehmen mit den durchschnittlichen Ausprägungen der Variablen die Odds ändern, wenn sich eine Variable um eine Einheit ändert. Erhöht sich die Variable fw_01 um eine Einheit, weil ein weiterer Kredit vergeben wird, ändert sich das Odds auf 1,4. Ausgehend von einem Odds von 3,05 entspräche 219 dies einem neuen Odds von 4,3. Dies wiederum bedeutet, dass die Wahrscheinlichkeit, den Ausgang „Überleben“ zu erreichen, nun 81% beträgt. In dem hier dargestellten Fall würde ein weiterer eingeräumter Kredit die Überlebenswahrscheinlichkeit also um 6 Prozentpunkte verbessern. Nachstehend werden die Modelle auf Basis der Daten zu den Maßnahmen noch einmal gegenübergestellt. Der Vergleich bezieht sich dabei auf die aufgenommenen Variablen und auf die erreichten Gütemaße. Bis auf das Modell Maßnahmen_Fortführung-Überleben, welches 44 Fälle einbezieht, können alle Modelle 75 Fälle zur Schätzung der Modelle heranziehen. 528 Bedeutet dies, dass das Modell Maßnahmen_Fortführung-Überleben eine geringere Güte aufweist, da es nur einen Teil der Fälle einbeziehen kann? Dies kann durch einen Blick auf die weiteren Gütemaße beantwortet werden. Nach den ermittelten Bestimmtheitsmaßen529 weisen die beiden Modelle, die die Ausgänge Überleben und Fortführung mittels der Maßnahmen erklären, die höhere Güte auf. Hier werden Bestimmtheitsmaße von 0,5 bis 0,7 erreicht. Ein deutlicher Vorteil eines der beiden Modelle gegenüber dem verbleibenden zeichnet sich nicht ab. Die Bestimmtheitsmaße sind jeweils sehr nah beieinander. Die beiden Modelle zur Erklärung der Ausgänge Reorganisation und Fortführung-Überleben erreichen für alle errechneten Bestimmtheitsmaße schlechtere Werte. Die Güte der Modelle wird jedoch nicht nur durch die Bestimmtheitsmaße beschrieben. Als weiteres Kriterium werden die Signifikanzen betrachtet. Nach der Signifikanz der Devianz unterscheiden sich die Modelle mit der Ausnahme des Modells Maßnahmen_Fortführung-Überleben kaum. Es werden hier Werte zwischen 0,974 und 0,99 erreicht. Die Signifikanz der Devianz des Modells Maßnahmen_Fortführung-Überleben beträgt 0,759. Nach diesem Kriterium ist dieses Modell als schlechter einzustufen als die übrigen. Die Signifikanzen des Likelihood-Ratio-Tests unterscheiden sich für alle Modelle kaum530. Nach diesem Kriterium sind die Modelle als sehr gut einzustufen. Nur die beiden Modelle 528 Die hier beschriebenen Gütemaße werden im Anhang noch einmal tabellarisch für alle Modelle aufgeführt. Siehe hierzu die Tabelle 97 auf S. LXXIV. 529 Es handelt sich dabei, wie auch bei den anderen Modellen, um die Bestimmtheitsmaße nach McFadden, Cox & Snell sowie Nagelkerke. 530 Die Werte liegen für alle Modelle zwischen 0,0 und 0,004. 220 Maßnahmen_Fortführung und Maßnahmen_Fortführung-Überleben erreichen im Hosmer-Lemeshow-Test ausreichende Signifikanzen (0,838 und 0,969). Das Modell Maßnahmen_Fortführung-Überleben erreicht hier mit 0,969 den deutlich besten Wert. Die beiden verbleibenden Modelle sind nach diesem Kriterium als schlecht einzustufen. Die Betrachtung der Signifikanzen zeichnet hier kein einheitliches Bild. Zwei der betrachteten Signifikanzen sprechen für eine gute Anpassung der Modelle zur Erklärung der Ausgänge Überleben, Fortführung und Reorganisation. Gemäß der Hosmer-Lemeshow-Test hat das Modell Maßnahmen_Fortführung-Überleben die höchste Güte. herangezogen. Zur Abschätzung der Modellgüte Die beste Trefferquote werden weitere erreicht das Kriterien Modell Maßnahmen_Reorganisation. Wie bereits bei den Modellen auf Basis der qualitativen und quantitativen Daten müssen hier Einschränkungen vorgenommen werden. Die Trefferquote erscheint für dieses Modell in ihrer Ausprägung außergewöhnlich hoch. Von den insgesamt 6 Fällen, die den Ausgang „Reorganisation“ realisieren, werden jedoch lediglich 3 korrekt vorhergesagt. Die hohe Trefferquote resultiert somit aus der korrekten Vorhersage der Fälle, die den Ausgang „Reorganisation“ nicht erreichen. Auch hier werden die Ergebnisse offenbar durch die Zusammensetzung des Datensatzes verzerrt. 531 Die restlichen Modelle erreichen mit Werten zwischen 85,3% und 89,5% ebenfalls gute Trefferquoten, die für alle Modelle in etwa auf einem Niveau liegen. Als letztes Kriterium wird die „area under curve“ betrachtet. Alle Modelle erreichen beachtlich hohe Werte für die „area under curve“ aus Basis der ROC-Kurven. Nach diesem Gütermaß weist das Modell Maßnahmen_Reorganisation mit einem Wert von 0,74 die geringste Güte auf. Die verbleibenden Modelle schneiden etwas besser ab und liegen mit den erreichten Werten von 0,89 bis 0,933 etwa gleich auf. Nach Betrachtung aller Gütemaße zeigt sich kein einheitliches Bild. Eine klare Aussage zur besseren Güte eines Modells im Vergleich zu den anderen ergibt sich nicht. scheint das Modell Maßnahmen_Fortführung das robusteste zu sein, gefolgt von den Modellen zur Erklärung der Ausgänge „Überleben“ und „Reorganisation“. Die geringste Güte weist das Modell zur Erklärung des Ausgangs FortführungÜberleben auf. 531 Vgl. auch die Ausführungen im Punkt 5.1.3 221 5.3 Auswirkungen der qualitativen und quantitativen Variablen auf die ergriffenen Maßnahmen Wie eingangs bereits beschrieben wurde, können die zu ergreifenden Maßnahmen auch davon abhängen, in welchem Zustand sich das Unternehmen zu Beginn der Sanierung befindet. Es wird also ein Zusammenhang zwischen den qualitativen und quantitativen Variablen zu Beginn der Sanierung und den im Rahmen der Sanierung ergriffenen Maßnahmen vermutet. Wenn ein solcher Zusammenhang bestünde, würde dies bedeuten, dass der Ausgang der Sanierung sehr stark vom Zustand bei Beginn der Sanierung, also den qualitativen und quantitativen Variablen abhängt. Eine Betrachtung der Maßnahmen und deren Einfluss auf das Ergebnis der Sanierung wäre somit nicht zielführend, da der eigentliche bestimmende Faktor dann bereits vorläge. Nachfolgend werden Modelle vorgestellt, die diesen Zusammenhang zwischen den qualitativen und quantitativen Variablen und den Maßnahmen abbilden. Es werden dabei jeweils die einzelnen Ausgänge separat betrachtet. Um den Zusammenhang bestimmen zu können, werden multivariate lineare Regressionen durchgeführt. Als erklärende Variablen werden die Variablen auf Basis der qualitativen und quantitativen Daten herangezogen. Als abhängende Variable werden die einzelnen Variablen auf Basis der Maßnahmen herangezogen. Es fließen dabei jeweils diese Variablen ein, die in den bisher aufgestellten Modellen enthalten warten. Erreichen die Regressionen hohe Bestimmtheitsmaße in Form des R-Quadrat, kann auf das Vorliegen eines Zusammenhanges geschlossen werden. Sind die Bestimmtheitsmaße der Regressionen sehr gering, sind die Variablen auf Basis der Maßnahmen unabhängig von den Variablen auf Basis der qualitativen und quantitativen Daten. Als kritische Größe für das Bestimmtheitsmaß wird hier ein Wert von 0,5 angenommen. Überschreitet das erreichte Bestimmtheitsmaß, können über 50% der Varianz in der zu erklärenden Variable durch die einfließenden 222 unabhängigen Variablen erklärt werden. In diesem Fall wird das Bestehen eines Zusammenhanges angenommen. Es folgen nun die Betrachtungen der einzelnen Ausgänge. 5.3.1 Ausgang Überleben Der Ausgang „Überleben“ kann in den durchgeführten logistischen Regressionen durch folgende Variablen erklärt werden: Variablen auf Basis der qualitativen und quantitativen Daten532 nr_pre_d_GewVort si_grund2_nr und kredit_ekh_vol. Variablen auf Basis der Maßnahmen533 and_21 nr_st and_11 fw_41 und fw_01 Wie beschrieben, werden multivariate lineare Regressionen durchgeführt. Diese Regressionen erreichen nachfolgend aufgeführte Bestimmtheitsmasse. 532 533 Abhängige Variable Bestimmtheitsmaß and_21 0,027 nr_st 0,125 and_11 0,081 fw_41 0,335 fw_01 0,029 Siehe 5.1.2.2 Siehe 5.2.4.2 223 Tabelle 60: Bestimmtheitsmasse der linearen Regressionen im Ausgang "Überleben" Die Bestimmtheitsmasse lassen im vorliegenden Fall den Schluss zu, dass kein Zusammenhang zwischen den Variablen der untersuchten Kategorien besteht. Die linearen Regressionen können die Variablen auf Basis der Maßnahmen nur zu einem sehr kleinen Teil erklären. 5.3.2 Ausgang Fortführung Die Betrachtung wird im Folgenden für den Ausgang „Fortführung“ wiederholt. Wie die vorangegangenen Untersuchungen zeigten, kann der Ausgang Fortführung in logistischen Regressionen durch die nachfolgenden Variablen erklärt werden. Variablen auf Basis der qualitativen und quantitativen Daten534 si_grund2_nr qv_pre_d_fkr. Variablen auf Basis der Maßnahmen535 and_5 fw_01 and_1 fw_17 fw_41 fw_23 nr_fw and_24 Es werden wiederum multivariate lineare Regressionen durchgeführt. Diese Regressionen erreichen nachfolgend aufgeführte Bestimmtheitsmasse. Abhängige Variable 534 535 Vergleiche 5.1.2.3.1 Vergleiche 5.2.4.3.1 224 Bestimmtheitsmaß and_5 0,036 fw_01 0,022 and_1 0,037 fw_17 0,004 fw_41 0,057 fw_23 0,111 nr_fw 0,011 and_24 0,048 Tabelle 61: Bestimmtheitsmasse der linearen Regressionen im Ausgang "Fortführung" Auch im Ausgang „Fortführung“ kann kein Zusammenhang zwischen den Variablen der beiden Kategorien festgestellt werden. 5.3.3 Ausgang Reorganisation Der letzte untersuchte Ausgang ist „Reorganisation“. In den logistischen Regressionen wurden folgende Variablen als aussagekräftig ermittelt. Variablen auf Basis der qualitativen und quantitativen Daten536 nr_pre_außErt kredit_mat2 kredit_ekh_mat Variablen auf Basis der Maßnahmen537 fw_07 fw_24 Die durchgeführten linearen Regressionen erreichen folgende Bestimmtheitsmaße. Abhängige Variable 536 537 Vergleiche 5.1.2.3.2 Vergleiche 5.2.4.3.2 225 Bestimmtheitsmaß fw_07 0,076 fw_24 0,103 Tabelle 62: Bestimmtheitsmasse der linearen Regressionen im Ausgang "Reorganisation" Damit kann auch für diesen Ausgang ein Zusammenhang zwischen den Variablen der beiden Kategorien ausgeschlossen werden. 5.3.4 Ausgang Fortführung im Fall Überleben Die Ausgänge „Reorganisation“ und „Fortführung“ wurden bisher nicht auf die Teilstichprobe der überlebenden Fälle bezogen. Dies geschah für die anderen untersuchten Zusammenhänge jeweils in den Modellen Fortführung-Überleben. Auch im Rahmen der hier geprüften Abhängigkeiten wird dieser Zusammenhang geprüft. Variablen auf Basis der qualitativen und quantitativen Daten538 nr_pre_d_GewVort si_grund2_alter. Variablen auf Basis der Maßnahmen539 nr_st fw_01 and_20 Die linearen Regressionen erreichen folgende Bestimmtheitsmaße. Abhängige Variable Bestimmtheitsmaß fw_01 0,099 and_20 0,012 nr_st 0,085 Tabelle 63: Bestimmtheitsmasse der linearen Regressionen im Ausgang "Reorganisation" 538 539 Vergleiche 5.1.2.3.3 Vergleiche 5.2.4.3.3 226 Damit kann auch für diese Modelle davon ausgegangen werden, dass die Maßnahmen nicht durch die Variablen auf Basis der quantitativen und qualitativen Daten beeinflusst werden. 5.3.5 Unabhängigkeit der Variablen auf Basis der Maßnahmen In diesem Abschnitt wurde überprüft, ob die Variablen auf Basis der Maßnahmen von den Variablen auf Basis der qualitativen und quantitativen Daten abhängen. Ein Zusammenhang in hinreichender Stärke konnte für keinen der untersuchten Ausgänge festgestellt werden. Damit sind die Variablen auf Basis der Maßnahmen unabhängig von den Variablen auf Basis der qualitativen und quantitativen Daten. Dies bedeutet, dass zur Prognose der Genesungswahrscheinlichkeit die Variablen beider Kategorien herangezogen werden können und müssen. Wird nur eine Kategorie an Daten betrachtet, bleiben Informationen unberücksichtigt, die einen hohen Erklärungsgehalt in Bezug auf die Wahrscheinlichkeit des untersuchten Ausganges haben, wie die hier aufgestellten Modelle belegen. Beide Variablenkomplexe liefern somit voneinander unabhängige, relevante Erkenntnisse, die eine Abschätzung des Ergebnisses der Sanierung ermöglichen. 5.4 Überprüfung der aufgestellten Thesen In den Abschnitten 2.3 und 2.4 wurden Thesen abgeleitet. Bereits auf Basis der Ergebnisse der univariaten Analysen wurde die Gültigkeit der Thesen überprüft. Für einige Thesen konnte eine Bestätigung anhand der univariaten Modelle nicht gefunden werden. Insbesondere Thesen, die auf den Einfluss einer bestimmten Variable abstellen, konnten noch nicht getestet werden, da die univariaten Auswertungen nur signifikante Variablen identifizieren sollten, die Richtung und das Ausmaß des Einflusses jedoch noch nicht. Dies ist erst mit den erfolgten multivariaten Modellen möglich. Diese Modelle liefern für jede der in das Modell aufgenommenen Variablen die Wirkungsrichtung (Verbesserung oder Verschlech- 227 terung der Wahrscheinlichkeit des Eintretens eines bestimmten Ausgangs) und das Ausmaß des Einflusses. Im ersten Schritt sollen die Thesen überprüft werden, die auf die Wirkung von Maßnahmen einer bestimmten Kategorie abstellen. Dazu werden noch einmal die erstellten Modelle und die jeweils darin enthaltenen Variablen in der zusammengestellt.540 Wie aus der Tabelle 98541 zu ersehen ist, haben alle Maßnahmen aus dem finanzwirtschaftlichen Bereich (Präfix „fw_“) einen positiven Einfluss auf den jeweils untersuchten Ausgang. Darüber hinaus fanden auch in jedem der erstellten Modelle Maßnahmen aus dem finanzwirtschaftlichen Bereich Aufnahme. Dies bestätigt die These 1. Diese besagte: Maßnahmen im finanzwirtschaftlichen Bereich haben einen positiven Einfluss auf den Erfolg einer Sanierung. Wie die Ergebnisse zeigen, ist somit dieser positive Einfluss der Maßnahmen im finanzwirtschaftlichen Bereich vorhanden. Die These 2 bezog sich auf Maßnahmen zur Erhöhung des Umsatzes oder zur Senkung der Kosten. Bereits auf Basis der univariaten Auswertungen wurde diese These verworfen542. Eine erneute Überprüfung auf Basis der multivariaten Modelle findet nicht statt. Maßnahme im strategischen Bereich sind Gegenstand der These 3. Konkret besagt diese These folgendes: Maßnahmen, die die strategische Ausrichtung des Unternehmens verbessern sollen, erhöhen die Chance, die Sanierung erfolgreich zu beenden. In den univariaten Modellen wurde die Variable „nr_st“ aufgenommen, die die Anzahl der strategischen Maßnahmen abbildet. Diese Variable fand Aufnahme in die drei der erstellten Modelle. Nur für den Ausgang Reorganisation hat diese Variable offenbar keine Aussagekraft. In den Modellen erlangt die Variable „nr_st“ ausnahmslos einen negativen Einfluss auf den jeweiligen Einfluss. Die These muss 540 Diese Zusammenstellung befindet sich in tabellarischer Form im Anhang. Vgl. dazu Tabelle 98 auf S. LXXVI. 541 Siehe S. LXXVI bzw. Tabelle 64 auf S. 229, welche nur die Maßnahmen im finanzwirtschaftichen Bereich darstellt. 542 Siehe hierzu Abschnitt 5.2.3 auf S. 184ff. 228 dann verworfen werden, wenn die strategischen Maßnahmen, die in dieser Variable gezählt werden, der Verbesserung der strategischen Ausrichtung dienten. In dieser Variable überwiegen jedoch, wie später noch ausführlicher beschrieben wird, Insolvenzanträge.543 Diese haben keine Verbesserung der strategischen Ausrichtung zum Ziel. Damit kann, gemäß der Natur der Variable „nr_st“ im hier vorliegenden Datensatz, diese These nicht bestätigt werden. Die Daten sind gleich wohl auch nicht ausreichend, um die These verwerfen zu können. Es kann hier jedoch festgestellt werden, dass Maßnahmen, die die strategische Ausrichtung verschlechtern, die Wahrscheinlichkeit des untersuchten Ausgangs verringern. Die These 4 lautete: Häufige Gespräche zwischen Kreditinstitut und dem Unternehmen erhöhen die Wahrscheinlichkeit einer erfolgreichen Sanierung. Bereits anhand der univariaten Auswertungen wurde diese These verworfen. 544 Die nächste These, These 5 zielt auf liquiditätsfördernde Maßnahmen und deren Einfluss auf das Ergebnis der Sanierung. Sie lautet: Durch das Kreditinstitut ergriffene Maßnahmen zur Verbesserung der Liquidität des Unternehmens erhöhen die Wahrscheinlichkeit, die Krise erfolgreich zu bewältigen. Variable Einfluss Bedeutung fw_01 + Anzahl der neueingeräumten Kredite fw_07 + Anzahl der Beschlüsse, eine Linie zu kürzen fw_17 + Anzahl der Stundungen/Tilgungsaussetzungen fw_23 + Anzahl der außerplanmäßigen Tilgungen fw_24 + Anzahl der Zinsfreistellungen fw_41 + nr_fw - Anzahl der Beschlüsse, Kredite oder Linien zu prolongieren Anzahl der finanzwirtschaftlichen Maßnahmen Tabelle 64: in multivariaten Modellen signifikante Maßnahmen aus dem finanzwirtschaftlichen Bereich In der Tabelle 64 werden alle Variablen zusammengestellt, die sich auf den finanzwirtschaftlichen Bereich beziehen und in die multivariate Modelle als signifikant 543 544 Siehe hierzu Abschnitt 6.2 auf S. 236ff. Siehe hierzu Abschnitt 5.2.3 auf S. 184ff. 229 aufgenommen wurden. Direkten Einfluss auf die Liquidität haben die Maßnahmen fw_01 - Anzahl der neueingeräumten Kredite, fw_17 - Anzahl der Stundungen/Tilgungsaussetzungen und fw_24 – Anzahl der Zinsfreistellungen. Die genannten Variablen erhöhen die Wahrscheinlichkeit, den im jeweiligen Modell untersuchten Ausgang zu erreichen. Damit kann anhand dieser Erkenntnis die These 5 bereits bestätigt werden. Maßnahmen, die die Liquidität verbessern, erhöhen die Wahrscheinlichkeit des jeweiligen Ausgangs. Die Variable fw_41 - Anzahl der Beschlüsse, Kredite oder Linien zu prolongieren entfaltet nicht sofort einen Einfluss auf die Liquidität des Unternehmens. Dieser Beschluss führt nicht dazu, dass dem Unternehmen zusätzliche Liquidität zufließt, sondern in der Folge bleiben die bestehenden Kredite und Darlehen bestehen. Dennoch wird dieser Maßnahme eine liquiditätsfördernde Wirkung zugeschrieben. Außerplanmäßige Tilgungen, deren Anzahl in der Variable fw_23 aufgenommen wurde, belasten im ersten Moment die Liquidität, da die Mittel im Moment der Tilgung abfließen und dem Unternehmen nicht mehr zur Verfügung stehen. In den folgenden Perioden verbessert sich dann jedoch die Liquidität, da durch die Tilgung Zinszahlungen und Tilgungen eingespart werden. Ein unmittelbarer liquiditätsfördernder Einfluss kann dieser Variable nicht zugesprochen werden. Die These 6 lautet: Verlangt ein Kreditinstitut zusätzliche Sicherheiten, reduziert sich die Wahrscheinlichkeit einer erfolgreichen Sanierung. Die korrespondierende Variable zu dieser Maßnahme ist „and_1“. Diese Variable fand Aufnahme in das Modell Maßnahmen_Fortführung. Der Einfluss dieser Variable ist positiv. Je häufiger also zusätzliche Sicherheiten vereinbart werden, desto häufiger wird der Ausgang „Fortführung“ erreicht. Damit kann die These 6 widerlegt werden. Wie bereits anhand der Ausführungen zur These 5 zu sehen war, gibt es Maßnahmen, die dasselbe Ziel verfolgen. Das Ziel der genannten Maßnahmen ist es, die Liquidität des Unternehmens zu verbessern. Variable Einfluss Koeffizient fw_01 + 0,56 Anzahl der neueingeräumten Kredite fw_17 + 1,417 Anzahl der Stundungen/Tilgungsaus- 230 Bedeutung setzungen fw_41 + 0,624 Anzahl der Beschlüsse, Kredite oder Linien zu prolongieren Tabelle 65: im multivariaten Modelle „Maßnahmen_Fortführung“ signifikante Maßnahmen aus dem finanzwirtschaftlichen Bereich Die Tabelle 65 zeigt diejenigen Variablen, die im Modell „Maßnahmen_Fortführung“ als signifikant aufgenommen wurden und als Maßnahmen im finanzwirtschaftlichen Bereich das Ziel verfolgen, die Liquidität zu verbessern. Die Spalte „Koeffizient“ gibt die Faktoren wieder, mit denen diese Variablen ins das Modell eingehen. Die unterschiedlichen Koeffizienten zeigen, dass Maßnahmen, die ein gleiches Ziel verfolgen, einen jeweils unterschiedlichen Einfluss auf den untersuchten Einfluss haben. Im in der Tabelle 65 demonstrierten Beispiel hat eine Stundung bzw. Tilgungsaussetzung einen größeren Einfluss auf die Wahrscheinlichkeit, den Ausgang „Reorganisation“ zu erreichen als ein neu eingeräumter Kredit. Dies bestätigt die These 7. Die These 8 bezieht sich auf die Ausprägungen der Variablen. Sie lautet: Auf das Ergebnis einer Sanierung haben nicht nur die absoluten Ausprägungen der Kennzahlen zu einem bestimmten Zeitpunkt Aussagekraft, sondern auch die durch geeignete Maße beschriebene Entwicklung der Variable im Zeitablauf. In den univariaten Modellen wurden bereits Indizien für die Gültigkeit der These gefunden.545 Die Tabelle 99546 gibt die Variablen wider, die in die Modelle auf Basis der quantitativen und qualitativen Daten als aussagekräftig aufgenommen wurden. Insbesondere hier wird deutlich, dass viele Variable in der Ausprägung „_d_“ aufgenommen werden. In dieser Ausprägung beziehen sich die Variablen auf die Änderung der zugrunde liegenden Größe. Damit kann die These 8 anhand der multivariaten Modelle bestätigt werden. Die These 9 besagt: Aufgrund des unterschiedlichen rechtlichen Rahmens unterscheiden sich die Einflussfaktoren für Unternehmen aus Deutschland von 545 546 Siehe hierzu 5.1.1.3 auf S. 139ff. Siehe hierzu S. LXXVIII. 231 denen für Unternehmen aus dem US-amerikanischen Raum. Im Abschnitt 5.1.1.3 wurde diese These bereits betrachtet. Im Ergebnis konnte festgehalten werden, dass die These 9 nicht eindeutig bestätigt werden kann. Es gibt jedoch durchaus Indizien für deren Gültigkeit. Bereits im Abschnitt 5.1.1.3 wurde auf die These 10 eingegangen. Sie bezog sich auf den Informationsvorsprung eines Kreditinstitutes gegenüber anderen Beteiligten. Die These im Wortlaut: Aufgrund seiner Möglichkeit, Variablen zu erheben, die einem außenstehenden Dritten nicht zur Verfügung stehen, kann ein Kreditinstitut den Ausgang der Sanierung besser vorhersagen. Wie bereits ausgeführt, kann die These anhand der univariaten Auswertungen bestätigt werden. Auch in den multivariaten Modellen werden Variablen auf Basis der qualitativen Daten aufgenommen. Damit kann die These 10 auch auf Basis der multivariaten Modelle bestätigt werden. Abschließend wird der Status der Thesen noch einmal zusammenfasst. These Status547 1 bestätigt 2 widerlegt 3 nicht bestätigt 4 widerlegt 5 bestätigt 6 widerlegt 7 bestätigt 8 bestätigt 9 nicht bestätigt 10 bestätigt Tabelle 66: Status der Thesen Wird der Status „nicht bestätigt“ vergeben, sind die Daten nicht ausreichend, um die These tatsächlich verwerfen zu können. 547 232 5 der aufgestellten Thesen können bestätigt werden. 3 Thesen werden am vorliegenden Datensatz widerlegt. Die verbleibenden 2 Thesen gelten als „nicht bestätigt“. 233 6 Einflussfaktoren auf den Erfolg einer Sanierung Das Ziel der hier vorliegenden Arbeit bestand darin, den Einfluss der Maßnahmen auf den Erfolg einer Sanierung zu untersuchen. Um diesen Einfluss zu bestimmen, wurden drei Gruppen von Modellen erstellt, die es ermöglichen aus bestimmten Variablen auf den Ausgang einer Sanierung zu schließen. Da die Maßnahmen in einer Sanierung nicht losgelöst von anderen Faktoren untersucht werden konnten, wurden die Zusammenhänge zwischen folgenden Bereichen analysiert: Einfluss der qualitativen und quantitativen Variablen auf das Ergebnis der Sanierung Einfluss der qualitativen und quantitativen Variablen auf die Maßnahmen Einfluss der Maßnahmen auf das Ergebnis der Sanierung Im Ergebnis erlauben die aufgestellten Modelle eine Aussage über die grundsätzliche Wirkung der aufgenommenen Variablen auf die Wahrscheinlichkeit eines bestimmten Ausganges in Form eines Wirkungszusammenhanges. Über den Wirkungszusammenhang hinaus kann der Einfluss einer Variable jeweils noch quantifiziert werden und erlaubt so konkrete Angaben über die Änderung der Eintrittswahrscheinlichkeit des untersuchten Ausgangs bei Änderung des Wertes der Variablen. Im Folgenden werden die Ergebnisse der Untersuchungen in den einzelnen Komplexen noch einmal zusammengefasst. 234 6.1 Einfluss der Variablen auf Basis quantitativer und qualitativer Daten Wie die Analysen im Punkt 5.1 zeigen, haben bestimmte quantitative und qualitative Variable einen Einfluss auf den Ausgang der Sanierung. Die einzelnen untersuchten Ausgänge lassen sich somit mit Hilfe bestimmter Variablen auf Basis der quantitativen und qualitativen Daten vorhersagen. Die aufgestellten Modelle erlauben folglich zu Beginn einer Sanierung die Prognose des Ausgangs derselben. Die in diesem Schritt ermittelten Modelle sind im Rahmen der hier durchgeführten Untersuchung ein notwendiger Zwischenschritt. Für sich betrachtet bilden diese Modelle jedoch einen äußerst interessanten Aspekt: sie erlauben die Prognose der Genesungswahrscheinlichkeit des Unternehmens zu Beginn der Sanierung. Mit den hier aufgestellten Modellen besteht somit die Möglichkeit, bereits zu Beginn einer Sanierung die Wahrscheinlichkeit bestimmter Ausgänge zu ermitteln. Darin besteht ein wesentlicher Beitrag der Arbeit. Die Forschung zu Genesungsprognosen wurde um eine Arbeit über deutsche, kleine und mittlere nicht börsengehandelte Unternehmen ergänzt. Weiterhin zeigte sich, dass die Variablen auf Basis der quantitativen und qualitativen Daten keinen Zusammenhang zu den ergriffenen Maßnahmen aufweisen. Die Maßnahmen während der Sanierung können also nicht von den Variablen, die die Situation des Unternehmens zu Beginn der Sanierung beschreiben, abgeleitet werden. Das Variablen aus den beiden betrachteten Bereichen, qualitative und quantitative Daten und Maßnahmen, liefern infolgedessen voneinander unabhängige Informationen zur Prognose des Ausgangs. 235 Nach dem der Einfluss der Variablen auf Basis der qualitativen und quantitativen Daten ermittelt wurde und die Unabhängigkeit der Maßnahmen von diesen Variablen geprüft wurde, kann der eingangs gestellten Frage nach dem Einfluss von Maßnahmen im Rahmen einer Sanierung nachgegangen werden. 6.2 Einfluss der Variablen auf Basis der Maßnahmen Dieser Punkt bildet den Erkenntnisschwerpunkt der hier vorliegenden Arbeit. Es wird die Frage beantwortet, wie die durch ein Kreditinstitut im Rahmen einer Sanierung ergriffenen Maßnahmen die Wahrscheinlichkeit eines bestimmten Ausgangs beeinflussen. Im Rahmen der Arbeit wurden die Ausgänge der Sanierung zum einen als „Überleben“ erfasst, mit dem entsprechenden Gegenpol „Zerschlagung“. Zum anderen wurde der Ausgang „Überleben“ detaillierter untersucht. Der hier zugrunde liegende Datensatz wurde somit im Ausgang „Überleben“ weiter unterteilt in die Ausgänge „Reorganisation“, welche hier eine organisatorische oder juristische Änderung des Unternehmens meint, und „Fortführung“, die dann vorliegt, wenn das Unternehmen in seiner ursprünglichen Rechtsform und Struktur weiter besteht. Im Folgenden werden noch einmal die in dieser Arbeit untersuchten Maßnahmen vorgestellt und deren Einfluss auf den Erfolg einer Sanierung beschrieben. In den univariaten Regressionen erreichen nur einige der erhobenen Variablen zu den Maßnahmen Aussagekraft. In den meisten Fällen erreichen die Variablen in der Ausprägung „nr_“548 Aussagekraft. Die ebenfalls untersuchten Ausprägungen „dist_“ und „yav_“ haben keine Signifikanz in den uni- und multivariaten Modellen. Damit kann das Ergebnis einer Sanierung in Abhängigkeit der Anzahl bestimmter Maßnahmen untersucht werden. Der durchschnittliche zeitliche Abstand zwischen den einzelnen Maßnahmen oder die durchschnittliche Anzahl an Maßnahmen einer Kategorie in einem Jahr haben keine Aussagekraft in Bezug auf das Ergebnis der Sanierung. Diese Maßnahmen erreichen in keinem Modell ausreichende Signifikanz. 548 Die hier berechneten Ausprägungen werden im Punkt 3.1.2.2 auf S.74 beschrieben. Einen Überblick enthält die Tabelle 79 auf S. XXVI. 236 Dem hier gewählten Vorgehen entsprechend, wurden nur solche Variablen in die multivariaten Modelle aufgenommen, die bereits univariat eine hinreichend hohe Signifikanz erreichen.549 Ein Blick auf die Tabelle 100550 zeigt, dass einige der Variablen in mehreren multivariaten Modellen Erklärungskraft haben. Beispielhaft sei hier die Anzahl der Maßnahme „Beschluss Prolongation“ genannt. Diese Variable kann sowohl den Ausgang „Überleben“ als auch den Ausgang „Fortführung“ hinreichend gut erklären. Beide Ausgänge sind ähnlich gelagert. Der Ausgang „Fortführung“ ist eine Teilmenge der Engagements, die den Ausgang „Überleben“ realisieren können. Dementsprechend widerspricht es nicht den Erwartungen, wenn die genannte Variable in beiden Modellen dieselbe Wirkung entfaltet. In beiden Fällen führt eine zunehmende Anzahl dieser Maßnahmen zu einer höheren Wahrscheinlichkeit, den untersuchten Ausgang zu erreichen. Die Variablen, die in mehreren Modellen Aufnahme fanden, entfalten in allen Modellen einen gleichgerichteten Einfluss. Keine der Variablen wirkt in einem Modell anders als in einem zweiten Modell. Diese Konsistenz der Einflüsse spricht für den vorhandenen Einfluss der Variablen und somit für die Aussagekraft der aufgestellten Modelle. Die Variablen mit der häufigsten Aufnahme in die unterschiedlichen Modelle sind im speziellen: Variable Einfluss Anzahl der Neueinräumungen Kredit zunehmend Beschluss Prolongation zunehmend Anzahl der strategischen Maßnahmen abnehmend Tabelle 67: die einflussreichsten Maßnahmen Welche Schlüsse können daraus nun gezogen werden? 549 550 Vgl. hierzu die Anmerkungen unter 3.4 auf S. 120ff. Die genannte Tabelle ist im Anhang, dort auf der S. LXXX zu finden. 237 Aus der häufigen Aufnahme der Variable „Anzahl der Neueinräumung Kredit“ kann man schließen, dass die Bereitstellung von Liquidität einen großen Einfluss auf den Erfolg einer Sanierung hat. Die Variable hat in allen Modellen einen positiven Einfluss. Je öfter also neue Kredite eingeräumt werden, desto wahrscheinlicher wurde der untersuchte Ausgang, also beispielsweise „Überleben“, erreicht. Wie bereits im Punkt 2.1.3 kurz erläutert wurde, ist der Handlungsspielraum in einer Liquiditätskrise am kleinsten, wohingegen der Handlungsdruck für alle Beteiligte am größten ist. Dies kann erklären, warum diese Variable so oft Erklärungskraft erlangt. Neue Liquidität erhält oder erweitert Handlungsspielräume. Das Unternehmen erhält einen Aufschub, der es ermöglicht, notwendige Schritte zur Bewältigung der Krise zu unternehmen. Die Zahlungsunfähigkeit des Unternehmens, die ohne den neu eingeräumten Kredit als Folge der Liquiditätskrise eintreten könnte, würde zur Insolvenz führen. Ebenfalls einen positiven Einfluss hat die Anzahl der Beschlüsse, das Engagement zu prolongieren. Eine Prolongation stellt im Rahmen der Bearbeitung des Kredites die Entscheidung dar, das Engagement und insbesondere die ausgereichten Darlehen weiterzuführen. Sollte ein Kreditinstitut diesen Beschluss nicht fassen, wäre die Abwicklung des Engagements die Folge, da das Kreditinstitut dann nicht mehr bereit ist, als Kreditgeber zur Verfügung zu stehen. Die Zahl der Prolongationen kann nur dann zunehmen, wenn die anstehende turnusgemäße Prolongation zu jedem Termin beschlossen wird. Nur in diesem Fall kann diese Variable mit zunehmender Ausprägung die Wahrscheinlichkeit erhöhen, den untersuchten Ausgang der Sanierung zu erreichen. Entscheiden die Gremien des begleitenden Kreditinstitutes gegen eine Prolongation, wird die Kette unterbrochen und eine weitere Prolongation nicht auftreten. Damit beschreibt diese Maßnahme mehr eine Folge der erfolgreichen Sanierung als die Ursache. Es stellt sich an dieser Stelle die Frage, warum die Variable in die Untersuchung aufgenommen wurde. Zum einen war dieser Einfluss bei Beginn der Untersuchung nicht absehbar. Die Tatsache, dass die Variable eine hohe Aussagekraft erreicht, macht es zum einen notwendig, sie näher zu betrachten. Zum anderen wird so, im Nachhinein, die Aufnahme dieser Variable in die Analyse gerechtfertigt. An dieser Stelle muss näher auf die Hintergründe eingegangen 238 werden. Eine Erklärung für die Aussagekraft dieser Variable könnte darin vermutet werden, dass bestimmte qualitative oder quantitative Variable diese Beschlüsse begünstigen oder fördern. Dieser Frage wurde im Punkt 5.3 nachgegangen. Ein Zusammenhang zwischen den Variablen der beiden Kategorien konnte ausgeschlossen werden. Damit kann diese Erklärung verworfen werden. Eine weitere Erklärung könnte in Interdependenzen zwischen den einfließenden Variablen sein. Die Folge kann sein, dass eine Variable, die in das Modell Aufnahme findet, von anderen Variablen bestimmt wird, deren Einfluss auf das Ergebnis der Sanierung zu gering ist, um Berücksichtigung zu finden. In die hier beschriebenen Modelle finden diese Variablen somit keine Aufnahme. Ihr Einfluss entwickelt sich, so er vorhanden ist, nur über die hier beschriebene Variable „Beschlüsse Prolongation“. Welche Variablen einen Einfluss auf diese Größe haben, wovon also letztendlich ein Kreditinstitut eine Prolongation abhängig macht, ist nicht mehr im Fokus der hier vorliegenden Arbeit. Dies muss Thema weiterführender Arbeiten zu dem Themengebiet sein. Die Anzahl der strategischen Maßnahmen hat einen negativen Einfluss. Je öfter also strategische Maßnahmen ergriffen werden, desto unwahrscheinlicher war es, den untersuchten Ausgang zu erreichen. Die Häufigkeit dieser Variable und ihr Einfluss wird plausibler, wenn man einen Blick auf den Datensatz wirft. Zu den strategischen Maßnahmen zählt auch „Insolvenzantrag durch Unternehmen/Schuldner“. In allen untersuchten Fällen wurden in Summe 30 Insolvenzanträge durch den Schuldner gestellt. Damit war dies die am häufigsten ergriffene strategische Maßnahme. Allerdings fand nicht diese Variable allein Aufnahme, sondern die Zahl aller strategischen Maßnahmen, die für das Engagement ergriffen wurden. Vor diesem Hintergrund erscheint ein Blick auf die weiteren strategischen Maßnahmen angebracht. Als zweithäufigste Maßnahme, nämlich in Summe 12-mal, wurden Betriebsteile verkauft oder geschlossen. Darauf folgt mit 9 Nennungen der Insolvenzantrag durch den Gläubiger. Der Verkauf von Betriebsteilen oder deren Schließung kann durchaus positive Aspekte haben. Es ist vorstellbar, das im Rahmen der Schließung eine Bereinigung des Sortiments stattfindet, dass verlustbringende Produkte nicht mehr hergestellt und vertrieben werden. Das Unternehmen konzentriert sich auf profitable Produkte und 239 findet so den Weg aus der Krise. Es ist denkbar, dass ein positiver Einfluss dieser Maßnahme den Einfluss der Variable „Anzahl strategischer Maßnahmen“ abschwächt. Der vorliegenden Datensatz ist jedoch zu klein, um durch Bildung geeigneter Teilstichproben den Einfluss der beiden häufigsten Maßnahmen „Insolvenzantrag durch Unternehmen/Schuldner“ und „Schließung/Verkauf von Betriebsteilen“ getrennt zu untersuchen. Hier bietet sich erneut ein Ansatzpunkt für weitergehende Arbeiten. Wie bereits beschrieben wurde, war die dritthäufigste Maßnahme der Insolvenzantrag durch den Gläubiger. Das macht den Insolvenzantrag, gleich ob durch Schuldner oder Gläubiger, zur häufigsten Maßnahme im Bereich der strategischen Maßnahmen. Die „Anzahl der strategischen Maßnahmen“ wird damit deutlich durch diese beiden Maßnahmen geprägt. So kann der Einfluss dieser Variable in den Modellen erklärt werden. Was lässt sich nun für eine Schlussfolgerung für die Sanierung im Allgemeinen daraus ableiten? Augenscheinlich beeinflusst ein Insolvenzantrag die Wahrscheinlichkeit, zum Beispiel den Ausgang „Überleben“ zu erreichen, negativ. Dies bedeutet für Banken, dass eine Insolvenz kaum Möglichkeiten bietet, die Krise zu überwinden. Die hier vorliegende Untersuchung stützt sich auf kleine Unternehmen.551 Damit kann die Aussage über den negativen Einfluss einer Insolvenz nur für dieses Segment an Unternehmen getroffen werden. Bei großen Unternehmen kann der Einfluss einer Insolvenz durchaus positiv sein. Die Insolvenzordnung hat unter anderem das Ziel, einem Unternehmen im Rahmen des Insolvenzplanverfahrens eine erfolgreiche Sanierung zu ermöglichen.552 In der hier betrachteten Stichprobe kam das Insolvenzplanverfahren nicht zum Einsatz. Sind die Regelungen der Insolvenzordnung für Unternehmen dieser Größe angemessen? Oder kann mit den bestehenden Gesetzen eine Sanierung für solche Unternehmen nicht ermöglicht werden? Dieser Frage muss in weiteren Arbeiten nachgegangen werden. 551 552 Siehe hierzu die Ausführungen im Punkt 4 auf Seite 124ff. § 1 InsO 240 7 Fazit Mit diesen Betrachtungen kann die eingangs gestellte Frage nach dem Einfluss der Maßnahmen auf den Ausgang einer Sanierung beantwortet werden. Die Kernpunkte einer erfolgreichen Sanierung sind den Modellen folgend somit: neue Kredite, fortlaufende Beschluss zur Prolongation des Engagements und Vermeidung der Insolvenz. Damit haben sowohl Kreditinstitute als auch betroffene Unternehmen erste Eckpunkte, an denen sie sich im Rahmen der Krisenbewältigung den Modellen folgend orientieren können. Ein Einfluss der Maßnahmen auf den Ausgang einer Sanierung ist demnach vorhanden. Dieser Einfluss kann als Wirkungszusammenhang in der Form „je mehr, desto wahrscheinlicher“ bestimmt werden. Die Modelle erlauben aber darüber hinaus noch die Bestimmung des expliziten Einflusses. Damit kann bestimmt werden, wie sich die Wahrscheinlichkeit eines Ausgangs ändert, wenn die Variable sich um eine bestimmte Größe ändert. Die vorliegende Arbeit ergänzt die wissenschaftliche Literatur um mehrere wesentliche Aspekte. Wie im Laufe der Arbeit gezeigt wurde, existieren bereits Arbeiten zu den verschiedenen Teilbereichen des hier behandelten Themenkomplexes. Der größte Teil der Arbeiten zu Maßnahmen während einer Sanierung nähert sich der Frage nach dem Einfluss aus der Perspektive des Unternehmens. Eine explizite Analyse von Maßnahmen, die ein Kreditinstitut ergreifen kann, und deren Einfluss auf den Sanierungserfolg wurde bisher nicht vorgenommen. Der zweite wesentliche Aspekt, den diese Arbeit zum Themengebiet beitragen kann, liegt in der Quelle der ausgewerteten Daten. Bisher gemachte Untersuchungen zu diesem Thema haben ihren Schwerpunkt häufig auf US-amerikanischen Unternehmen bzw. beziehen Daten von börsennotierten Unternehmen ein. Diese Arbeit wertet die Sanierung kleiner und mittlerer Unternehmen aus, welche nicht an einer Börse gehandelt werden und in Deutschland angesiedelt sind. Diese Arbeit kann damit diese Lücke in der bisherigen Literatur schließen. Der Beitrag des Datensatzes 241 zur wissenschaftlichen Literatur beschränkt sich jedoch nicht nur auf den regionalen und kategorialen Fokus. Auch die Herkunft der Daten und damit der untersuchte Blickwinkel ist betonenswert. Die Daten wurden aus den Kreditakten und Unterlagen erhoben, die das Kreditinstitut angelegt hat. Andere Arbeiten müssen sich auf öffentlich verfügbare Informationen oder Befragungen der Unternehmen beschränken. Somit können in dieser Arbeit Variablen berechnet und in die Auswertungen einbezogen werden, die anderen Autoren nicht zugänglich sind. Ein weiterer Aspekt ist der ausnehmende Detailgrad in der Berechnung der Variablen. Mit dieser Arbeit wurde systematisch eine große Zahl an Variablen geprüft. Zum einen wurden in der Berechnung der Variablen auf Basis der quantitativen Daten verschiedenste Berechnungsweisen für ähnliche Bilanzrelationen berücksichtigt. Darüber hinaus wurden die jeweiligen Variablen jeweils auch in ihrer logarithmierten Form in die Analyse aufgenommen. Dort wo eine solche Berechnung möglich war, wurde auch die Änderung bestimmter Variablen getestet. Der letzte wesentliche Aspekt dieser Arbeit besteht in der expliziten Ermittlung des Einflusses der Maßnahmen. Untersuchungen, die den expliziten Einfluss der Maßnahmen bestimmen, sind dem Autor in dem Detailgrad, wie er hier umgesetzt wurde, nicht bekannt. Einige Fragen, die sich aus den Analysen ergaben, konnten im Rahmen dieser Arbeit nicht beantwortet werden. Hieraus ergeben sich Ansatzpunkte für weiterführende Arbeiten. Der hier untersuchte Datensatz besteht aus kleinen Unternehmen, die nicht börsennotiert sind. Die Unternehmen haben ihren Sitz jeweils in Deutschland. Die ermittelten Einflussgrößen können nur für diese Kategorie belegt werden. Einige empirische Arbeiten beziehen sich auf börsennotierte Unternehmen. Vergleichende Untersuchungen sind insofern schwer, als beide Zustände, börsennotiert und nicht börsennotiert, sich gegenseitig ausschließen. Hier bietet sich ein Ansatzpunkt für weitere Forschung. Denkbar wäre, Unternehmen aus beiden Gruppen zu vergleichen und die jeweiligen Einflussgrößen zu identifizieren. Dabei muss sichergestellt werden, dass die Unternehmen beider Gruppen dennoch vergleichbar bleiben. Als erste Kriterien für die Vergleichbarkeit sind Größe nach Umsatz oder Bilanzsumme, Branche oder Sitz möglich. 242 Als eine Einflussgröße wurde die Anzahl der Prolongationen identifiziert. Wie dargelegt wurde, hat die wiederkehrende Prolongation des Engagements eher den Charakter einer Ursache für den Erfolg einer Sanierung, als den einer Folge. Faktoren, die wiederum auf diese Variable wirken, konnten im Rahmen dieser Arbeit nicht identifiziert werden. Zukünftige Arbeiten müssen nunmehr die Frage beantworten, welche Faktoren ein Kreditinstitut bewegen, eine Prolongation zu beschließen. Es sind viele Aspekte denkbar, die hier Einflüsse zeigen und nicht im hier zugrunde beispielsweise liegenden bei Datensatz Sparkassen sind erhoben hier wurden. denkbar. Politische Weiterhin Vorgaben beeinflussen strategische Entscheidung zur Diversifikation des Kreditportfolios in Bezug auf Branchen, Regionen u.a. naturgemäß auch die Bereitschaft, bestehende Kreditbeziehungen zu prolongieren. Über die hier genannten Punkte hinaus sind noch viele weitere Einflüsse denkbar. Als ein weiterer Einflussfaktor wurde die Zahl der strategischen Maßnahmen ermittelt. Diese Variable wird stark geprägt von der Anzahl der Insolvenzanträge. Je häufiger eine Insolvenz beantragt wurde, desto unwahrscheinlicher ist es, die Sanierung erfolgreich zu beenden. Dieser Zusammenhang kann nur für das hier untersuchte Segment an Unternehmen belegt werden. Als Thema für weitere Arbeiten ergibt sich die Frage, ob eine Insolvenz in Unternehmen anderer Größe Erfolgschancen bietet. Ziel der Insolvenzordnung ist es, die Sanierungsmöglichkeiten zu verbessern. Zumindest für die hier untersuchten Unternehmen hat die Insolvenz die Erfolgschancen nicht verbessert. Damit ist die Zielstellung der Insolvenzordnung offenbar nicht erreicht. Wie an dieser Stelle herausgestellt wurde, fließen in die Variable „Zahl der strategischen Maßnahmen“ auch Verkäufe von Betriebsteilen ein. Diese Maßnahme kann durchaus positiven Einfluss auf den Sanierungserfolg haben. Der Datensatz bietet jedoch nicht die Möglichkeit, Teilstichproben zu generieren und den Einfluss der Insolvenzanträge und der Verkäufe von Betriebsteilen getrennt zu untersuchen. Auch dieser Aspekt kann sehr gut in weiteren Arbeiten thematisiert werden. Abschließend soll auf den praktischen Nutzen der ermittelten Ergebnisse eingegangen werden. 243 Die erstellten Modelle, die den Zusammenhang zwischen den quantitativen und qualitativen Variablen abbilden, ermöglichen eine Genesungsprognose. Ein Kreditinstitut hat somit die Möglichkeit, mit Beginn der Sanierung ein Urteil darüber zu fällen, wie wahrscheinlich ein Erfolg der Sanierung ist. Diese Genesungsprognose kann bereits bei der Entscheidung, das Unternehmen in der Sanierung zu begleiten, oder es zu zerschlagen, herangezogen werden. Im zweiten Schritt kann ein Kreditinstitut darüber hinaus prüfen, wie sich die Überlebenswahrscheinlichkeit während der Sanierung bei Ergreifen bestimmter Maßnahmen ändert. Neben der reinen Genesungsprognose kann die Überlebenswahrscheinlichkeit damit viel detaillierter eingeschätzt werden. Bei unterschiedlichen Maßnahmen, die zur Auswahl stehen, kann anhand der hier aufgestellten Modelle diejenige Maßnahme bestimmt werden, die die höchste Wirkung auf die Überlebenswahrscheinlichkeit hat. 244 8 Anhang 8.1 Überblick über die aufgestellten Thesen Im Rahmen der Arbeit wurden verschiedene Thesen aufgestellt, die anhand des untersuchten Datensatzes überprüft werden. Nachstehend werden noch einmal alle Thesen aufgeführt. These 1: Maßnahmen im finanzwirtschaftlichen Bereich haben einen positiven Einfluss auf den Erfolg einer Sanierung. These 2: Maßnahmen zur Erhöhung des Umsatzes oder zur Senkung der Kosten erhöhen die Wahrscheinlichkeit einer erfolgreichen Sanierung. These 3: Maßnahmen, die die strategische Ausrichtung des Unternehmens verbessern sollen, erhöhen die Chance, die Sanierung erfolgreich zu beenden. These 4: Häufige Gespräche zwischen Kreditinstitut und dem Unternehmen erhöhen die Wahrscheinlichkeit einer erfolgreichen Sanierung. These 5: Durch das Kreditinstitut ergriffene Maßnahmen zur Verbesserung der Liquidität des Unternehmens erhöhen die Wahrscheinlichkeit, die Krise erfolgreich zu bewältigen. These 6: Verlangt ein Kreditinstitut zusätzliche Sicherheiten, reduziert sich die Wahrscheinlichkeit einer erfolgreichen Sanierung. These 7: Unterschiedliche Maßnahmen haben einen unterschiedlichen Einfluss auf das Ergebnis der Sanierung, auch wenn sie das gleiche Ziel verfolgen. These 8: Auf das Ergebnis einer Sanierung haben nicht nur die absoluten Ausprägungen der Kennzahlen zu einem bestimmten Zeitpunkt Aussagekraft, sondern auch die durch geeignete Maße beschriebene Entwicklung der Variable im Zeitablauf. IX These 9: Aufgrund des unterschiedlichen rechtlichen Rahmens unterscheiden sich die Einflussfaktoren für Unternehmen aus Deutschland von denen für Unternehmen aus dem US-amerikanischen Raum. These 10: Aufgrund seiner Möglichkeit, Variablen zu erheben, die einem außenstehenden Dritten nicht zur Verfügung stehen, kann ein Kreditinstitut den Ausgang der Sanierung besser vorhersagen. X 8.2 Branchenklassifikation nach destatis CODE BRANCHE553 A LAND- UND FORSTWIRTSCHAFT, FISCHEREI B BERGBAU UND GEWINNUNG VON STEINEN UND ERDEN C VERARBEITENDES GEWERBE D ENERGIEVERSORGUNG WASSERVERSORGUNG; ABWASSER- UND E ABFALLENTSORGUNG UND BESEITIGUNG VON UMWELTVERSCHMUTZUNGEN F BAUGEWERBE HANDEL; INSTANDHALTUNG UND REPARATUR VON G KRAFTFAHRZEUGEN H VERKEHR UND LAGEREI I GASTGEWERBE J INFORMATION UND KOMMUNIKATION ERBRINGUNG VON FINANZ- UND K VERSICHERUNGSDIENSTLEISTUNGEN L GRUNDSTÜCKS- UND WOHNUNGSWESEN M N O 553 XI ERBRINGUNG VON FREIBERUFLICHEN, WISSENSCHAFTLICHEN UND TECHNISCHEN DIENSTLEISTUNGEN ERBRINGUNG VON SONSTIGEN WIRTSCHAFTLICHEN DIENSTLEISTUNGEN ÖFFENTLICHE VERWALTUNG, VERTEIDIGUNG; SOZIALVERSICHERUNG Vgl. Statistisches Bundesamt (2008), S. 73ff. P ERZIEHUNG UND UNTERRICHT Q GESUNDHEITS- UND SOZIALWESEN S ERBRINGUNG VON SONSTIGEN DIENSTLEISTUNGEN PRIVATE HAUSHALTE MIT HAUSPERSONAL; HERSTELLUNG VON T WAREN UND ERBRINGUNG VON DIENSTLEISTUNGEN DURCH PRIVATE HAUSHALTE FÜR DEN EIGENBEDARF OHNE AUSGEPRÄGTEN SCHWERPUNKT U EXTERRITORIALE ORGANISATIONEN UND KÖRPERSCHAFTEN Tabelle 68: Branchen nach destatis XII 8.3 Methoden zur Auswertung der Variablen Autor der Studie Methoden Wilcoxon-Test auf Abhängigkeiten zwischen zwei Reihen LoPucki Fishers exact probability test Korrelationsanalysen Probit Analyse Casey et al Sensitivitätsanalyse/Diskriminanzanalyse Mittelwertvergleich Gilson et al Wilcoxon Rangsummen Test Logistische Regression Campbell Nichtlineare Probit-Regression Rangtransformation Lineare Regression Bryan et al Testing for difference Logistische Regression Barniv et al Geordnete logistische Regression geordnete logistische Regression Jacobs et al lokale Regression feed-forward neurale Netzwerke XIII Einsatz verschiedener Gütemaße (R2, Trefferquoten, ROC) Saldanha Logistische Regression Verwenden einer Entwicklungs- und einer Teststichprobe Schley Strukturgleichungsmodell Tabelle 69: Übersicht über die Analysemethoden ausgewählter empirischer Arbeiten XIV 8.4 Bezeichnung der Variablen zur Kennzeichnung der Branche Branche nach destatis LAND- UND FORSTWIRTSCHAFT, FISCHEREI VERARBEITENDES GEWERBE BAUGEWERBE HANDEL; INSTANDHALTUNG UND REPARATUR VON KRAFTFAHRZEUGEN Bezeichnung/Dummy landwirt produktion bau handel VERKEHR UND LAGEREI verkehr GASTGEWERBE gastro ERBRINGUNG VON FINANZ- UND VERSICHERUNGSDIENSTLEISTUNGEN GRUNDSTÜCKS- UND WOHNUNGSWESEN finanz wohn ERBRINGUNG VON FREIBERUFLICHEN, WISSENSCHAFTLICHEN UND TECHNISCHEN freiberuf DIENSTLEISTUNGEN ERBRINGUNG VON SONSTIGEN WIRTSCHAFTLICHEN DIENSTLEISTUNGEN ERZIEHUNG UND UNTERRICHT wirtschaft erziehung GESUNDHEITS- UND SOZIALWESEN gesund ERBRINGUNG VON SONSTIGEN DIENSTLEISTUNGEN sonstige Tabelle 70: Branche und verwendete Bezeichnung XV 8.5 Variablen auf Basis der Daten zu den Maßnahmen 8.5.1 Variablen zur Bezeichnung finanzwirtschaftlicher Maßnahmen Beschreibung Variable Neueinräumung Kredit fw_01 Beschluss Neueinräumung Kredit fw_02 Erhöhung/Ausweitung Linie fw_03 Beschluss Erhöhung Linie fw_04 Prolongation Kredit/Linie fw_05 Kürzung Linie fw_06 Beschluss Kürzung Linie fw_07 Tilgungsstreckung/Laufzeitverlängerung fw_10 Beschluss Tilgungsstreckung/Laufzeitverlängerung fw_11 Antrag Überziehung durch Kreditnehmer fw_12 Genehmigung der Überziehung durch KI fw_13 Antrag des Kunden auf Krediterhöhung/-einräumung/-verlängerung fw_14 Forderungsverzicht fw_15 Beschluss Forderungsverzicht fw_16 Stundung/Tilgungsaussetzung fw_17 Beschluss Stundung/Tilgungsaussetzung fw_18 Umschuldung fw_19 Beschluss Umschuldung fw_20 Rückzahlungsvereinbarung (RZV) fw_21 Beschluss RZV fw_22 Außerplanmäßige Tilgung fw_23 Zinsfreistellung fw_24 Rangrücktritt Gesellschafter fw_29 Beschluss SoKo fw_30 XVI Einräumung SoKo fw_31 Antrag Reduzierung Kapitaldienst fw_33 Antrag Forderungsverzicht fw_34 Antrag Tilgungsaussetzung fw_35 nicht Verlängern einer befristeten Linie fw_38 Ablehnung eines Antrages auf Forderungsverzicht durch KI fw_39 Ablehnung Überziehung fw_40 Beschluss Prolongation fw_41 Ablehnung einer durch den Kunden beantragten Kreditausreichung fw_42 Ablehnung einer vom KN beantragten Tilgungsaussetzung/Stundung durch das KI fw_43 Beschluss Duldung bzw. Genehmigung einer Überziehung fw_44 Tabelle 71: Maßnahmen im finanzwirtschaftlichen Bereich XVII 8.5.2 Variablen zur Bezeichnung indirekter Maßnahmen auf Basis der Bilanzkennzahlen Aggregat/ Kennzahl554 Ausprägung Variable Reduzierung des Umlaufvermögens UV av_post_d_UV fw_72_indirekt Abbau der Vorräte Vor av_post_d_Vor fw_73_indirekt Verbesserung des Forderungseinzuges (Kundenziel) kuz av_post_d_kuz fw_74_indirekt Einbringung von EK durch Gesellschafter EK av_post_d_EK fw_75_indirekt Einbringung von FK durch Gesellschafter VGes av_post_d_VGes fw_76_indirekt RLges = KapRL + GewRL av_post_d_RLges555 fw_77_indirekt Beschreibung Auflösen von Rücklagen Tabelle 72: indirekte Maßnahmen auf Basis von Bilanzkennzahlen 554 Erläuterungen zu diesen Aggregaten finden sich im Punkt 3.1.3 auf S. 76. Details, insbesondere die expliziten Berechnungsvorschriften enthält Tabelle 89 auf S. XLVIII 555 Die Bildung dieser Kennzahl folgt den im Punkt 3.1.3 beschriebenem Vorgehen. Basis der Berechnung bildet die Summe der Gewinn- und Kapitalrücklagen in den jeweiligen Jahren. XVIII 8.5.3 Variablen zur Bezeichnung indirekter Maßnahmen auf Basis der Gewinn- und Verlustrechnung Beschreibung Aggregat/Kennzahl556 Ausprägung Reduzierung der Personalkosten pi bzw. pi2 av_post_d_pi und av_post_d_pi2 Reduzierung der Materialintensität mi bzw. mi2 av_post_d_mi und av_post_d_mi2 Reduzierung der Fertigungstiefe fert av_post_d_fert Tabelle 73: indirekte Maßnahmen auf Basis der GuV 556 Weiterführende Informationen zur Bestimmung der Kennzahlen sind tabellarisch auf S. LIX aufgeführt. XIX Variable lw_1 lw_2 lw_3 lw_4 lw_5 8.5.4 Variablen zur Bezeichnung direkter finanzwirtschaftlicher Maßnahmen auf Basis von Bilanzrelationen Beschreibung Aggregat/ Kennzahl557 Reduzierung von Aktiva Reduzierung des Anlagevermögens Tabelle 74: direkte Maßnahmen auf Basis ausgewählter Bilanzkennzahlen 557 Details siehe Punkt 3.1.3 und 8.8 XX Aktiva AV Ausprägung Variable av_post_d_Aktiva fw_70_indirekt av_post_d_AV fw_71_indirekt 8.5.5 Variablen zur Bezeichnung strategischer Maßnahmen Beschreibung Variable Verkauf/Schließung von Betriebsteilen st_1 Schließung Betrieb/Gewerbe st_3 Insolvenzantrag durch Unternehmen/Schuldner st_4 Insolvenzantrag durch Gläubiger st_5 Ablösung eines Geschäftsführers st_6 Neubestellung eines Geschäftsführers st_7 Tabelle 75: Maßnahmen im strategischen Bereich XXI 8.5.6 Maßnahmen mit Bezug auf die gestellten Sicherheiten Beschreibung Variable Vereinbarung weiterer Sicherheiten and_1 Beschluss Hereinnahme weiterer Sicherheiten and_2 Freigabe von Sicherheiten and_3 Beschluss Freigabe Sicherheiten and_4 Verwertung von Sicherheiten and_5 Beschluss Verwertung Sicherheit and_6 Zwangsverwaltung Immobilie and_7 Beschluss Zwangsverwaltung Immobilie and_8 Ende Zwangsverwaltung Immobilie and_9 Beschluss Ende Zwangsverwaltung and_10 Tabelle 76: Variablen zur Beschreibung von Maßnahmen im Bereich Sicherheiten XXII 8.5.7 Zwangsmaßnahmen Beschreibung Variable Androhung Zwangsmaßnahmen and_11 Durchführen von Zwangsmaßnahmen and_12 Beschluss Durchführung Zwangsmaßnahmen and_13 Beenden von Zwangsmaßnahmen and_14 Tabelle 77: Variablen zur Bezeichnung von Zwangsmaßnahmen XXIII 8.5.8 Sonstige Maßnahmen Beschreibung Variable Einhalten von vertraglichen Regelungen angefordert and_19 Androhung Kündigung and_20 Kündigung and_21 Mitteilung über wirtsch. Verhältnisse durch Kunden and_22 Gespräch Bank - Kunde and_23 Vergleich and_24 Angebot Vergleich des Kunden and_25 Angebot Vergleich durch Bank and_26 Anforderung von Unterlagen and_27 Einreichung Sanierungskonzept and_29 Einreichung Konzept (allgemein) and_30 Übergabe an Kreditüberwachung/Consulting (Verschlechterung) and_31 1. Mahnung and_32 Auflage and_36 sonstiges and_37 Beschluss Vergleich and_38 Abgabe einer eidesstattlichen Versicherung and_40 Ablehnung eines Vergleiches and_41 Übergabe an Kreditabteilung/Consulting (Verbesserung) and_42 XXIV Schuldanerkenntnis and_43 Ablehnung eines vom Kunden angebotenen Vergleichs and_44 Vorschlag weiteres Vorgehen – KI and_45 Vorschlag weiteres Vorgehen – KN and_46 Vergleich zw. KN und einer 3. Partei and_47 Tabelle 78: sonstige Maßnahmen XXV 8.5.9 Weiterführende Variablen zu den Maßnahmen Beschreibung Variable Anzahl der Maßnahmen je Kategorie558 nr_ durchschnittlicher Abstand der Maßnahmen (in Tagen) dist durchschnittliche Anzahl der Maßnahmen je Kategorie und Jahr yav_ Tabelle 79: Ausprägung der Variablen 558 Als Kategorien gelten hier sowohl „and“, „fw“ und „st“ als auch „direkt“ und „autonom“. XXVI 8.6 Variablen auf Basis der qualitativen Daten 8.6.1 Variablen zur Erfassung der Darlehensarten Beschreibung Variable Anzahl der Kredite bei Beginn Sanierung kredit_nr 1 – bei Beginn der Sanierung ist ein KKK eingeräumt, sonst 0 kredit_kkk 1 – bei Beginn der Sanierung ist/sind Darlehen eingeräumt, sonst 0 kredit_dar 1 – bei Beginn der Sanierung ist/sind ERP-Darlehen eingeräumt, sonst 0 1 – bei Beginn der Sanierung ist/sind EKH-Darlehen eingeräumt, sonst 0 1 – bei Beginn der Sanierung ist/sind Darlehen aus Mitteln der KfW eingeräumt, sonst 0 1 – bei Beginn der Sanierung ist/sind Aval(e)/Avalrahmen eingeräumt, sonst 0 1 – bei Beginn der Sanierung ist/sind sonstige Kredite eingeräumt, sonst 0 Tabelle 80: Variablen zur Erfassung der Kreditarten XXVII kredit_erp kredit_ekh kredit_kfw kredit_aval kredit_sonst 8.6.2 Variablen zur Ausprägung der Kredite Beschreibung Variable Anzahl der je Kreditart eingeräumten Kredite _nr Volumen der jeweiligen Kreditart zu Beginn der Bearbeitung _vol Restlaufzeit der jeweiligen Kreditart zu Beginn der Bearbeitung _mat Volumengewichtete Restlaufzeit der jeweiligen Kreditart zu Beginn der Bearbeitung Anteil des Volumens der jeweiligen Kredit am zu Beginn der Bearbeitung gesamt ausstehenden Volumen an Krediten Tabelle 81: Variablen zur Erfassung der Ausprägung in den Kreditarten XXVIII _mat2 _ratio 8.6.3 Variablen zur Beschreibung der Kredite Beschreibung gesamtes ausstehendes Volumen bei Beginn der Sanierung Anzahl Kredite bei Beginn Sanierung mit einem fixen Zinssatz bei Beginn der Sanierung ausstehendes Volumen der fest verzinsten Darlehen Anzahl Kredite bei Beginn Sanierung mit einem variablen Zinssatz bei Beginn der Sanierung ausstehendes Volumen der variable verzinsten Darlehen durchschnittliche Restlaufzeit aller Kredite bei Sanierung durchschnittliche volumengewichtete Restlaufzeit aller Kredite bei Sanierung Anzahl Kredite mit Laufzeit baw bei Beginn der Sanierung ausstehendes Volumen an bawbefristeten Krediten bei Beginn der Sanierung ausstehendes Volumen an geförderten Krediten (KfW, ERP etc.) Anzahl der bei Beginn der Sanierung ausstehenden geförderten Kredite (KfW, ERP etc.) Tabelle 82: Variablen zur Beschreibung der Kredite XXIX Variable kredit_vol_out kredit_nr_fix kredit_vol_fix kredit_nr_var kredit_vol_var kredit_mat kredit_mat2 kredit_nr_baw kredit_vol_baw kredit_vol_foerd kredit_nr_foerd 8.6.4 Variablen zur Art der Sicherheiten Beschreibung Variable Anzahl der vereinbarten Sicherheiten559 si_anzahl Anzahl der vereinbarten Sicherheiten560 si_anzahl2 1, wenn erstrangige Grundschulden vereinbart sind, sonst 0 si_grund 1, wenn Grundschulden (auch nachrangige) vereinbart sind, sonst 0 si_grund2 1, wenn Bürgschaften vereinbart sind, sonst 0561 si_bürg2 1, wenn Sicherungsübereignungen vereinbart sind, sonst 0 si_sü 1, wenn Zessionen vereinbart sind, sonst 0 si_zess 1, wenn Abtretung von Versicherungen vereinbart sind, sonst 0 si_vers 1, wenn sonstige Sicherheiten vereinbart sind, sonst 0 si_sonst 1, wenn Pfandrechte vereinbart sind, sonst 0 si_pfand Tabelle 83: Variablen zur Beschreibung der Art der Sicherheiten 559 Die Variable bezieht alle Grundschulden mit ein. In dieser Berechnung werden erstrangige Grundschulden mit eingerechnet. 561 Die Variable si_bürg wird nicht gesondert erfasst, da diese immer dann den Wert 1 annähme, wenn si_bürg2 den Wert 1 annimmt. Die Information“ Bürgschaft vorhanden“ ist mit si_bürg2 somit zuverlässig abgebildet. 560 XXX 8.6.5 Variablen zur Beschreibung der Sicherheiten Beschreibung durchschnittliches Alter der jeweiligen Sicherheitenart (einfaches Mittel) durchschnittliches Alter der jeweiligen Sicherheitenart (gewichtet mit dem jeweiligen Volumen der Sicherheitenart) Volumen562 der jeweiligen Sicherheitenart Variable _alter _alter2 _vol durchschnittliches Alter der letzten Bewertung (einfaches Mittel)563 _bewert durchschnittliches Alter der letzten Bewertung (volumengewichtet) _bewert2 Anzahl der jeweils eingeräumten Sicherheiten Verhältnis aus Nominalwert und Sicherheitenwert nach letzter Prüfung vor Beginn der Bearbeitung564 Verhältnis aus Nominalvolumen aller bestehender Sicherheiten und Summe Inanspruchnahme _nr si_grund_ratio si_deck Tabelle 84: Variablen zur Beschreibung der Daten zu den Sicherheiten Liegt in Bezug auf die Sicherheitenhistorie ein Datum nicht komplett vor, werden die fehlenden Angaben ergänzt, um eine Weiterverarbeitung möglich zu machen. Liegen nur Monat und Jahr vor, wird der 15. des Monats als Näherungswert für das gesuchte Datum angenommen. Liegt nur das Jahr vor, wird das Datum mit dem 30.06. des genannten Jahres angenähert. 562 Das Volumen bezieht sich hier jeweils auf das ursprünglich vereinbarte Nominalvolumen der Sicherheit. 563 Vgl. Grunert (2009), S. 127 564 Wird aufgrund der Datenlage nur für Grundschulden berechnet. Für andere Sicherheitenarten liegen seltener Bewertungen vor. XXXI Der Datensatz enthält in Bezug auf die Sicherheiten, soweit aus den Akten ersichtlich, Aussagen zu folgenden Daten: Beschluss Verwertung Verwertung Datum des Einganges des Erlöses Datum der Freigabe Einige der Daten spiegeln nicht das explizite Ende der Sicherheit wider. Wenn dieses Enddatum jedoch nicht bekannt ist, aber andere der genannten Daten vorliegen, wird das geeignetste Datum als Näherung für das Ende der Sicherheit eingesetzt. XXXII 8.7 Signifikante Variablen in anderen Untersuchungen Autor der Studie LoPucki ermittelte Einflussfaktoren Bemerkung Branche des Unternehmens Bilanzsumme des Unternehmens Casey et al Änderungen der Bilanzsumme das Verhältnis der einbehaltenen Gewinne zur Bilanzsumme prozentualer Anteil freier Vermögenswerte Verhältnis des Nettoergebnis zur Bilanzsumme Gilson et al market value / replacement cost ratio Es liegen für diese Untersuchung keine Marktwerte vor, da keine börsengehandelte Unternehmen zugrunde liegen. Kennzahlen auf Basis von Marktwerten werden nicht aufgenommen. bank debt ratio standardisierte Anzahl an Gläubigern XXXIII Die Zahl der ausstehenden Kontrakte ist im vorliegenden Datensatz nicht bekannt. Campbell natürlicher Logarithmus des Marktwertes der total assets Es liegen keine Marktwerte vor. Diese Variable wird nicht aufgenommen. Return on Assets nominal asset indicator Für diesen Datensatz liegen die Aussagen über die as Sicherheit gestellten Vermögenswerte nicht im erforderlichen Detailgrad vor. Anzahl der besicherten Gläubiger Die Informationen liegen nicht im erforderlichen Detailgrad vor. Anzahl der nicht vollständig besicherten Gläubiger Die Informationen liegen nicht im erforderlichen Detailgrad vor. Bryan et al Zinsdeckungsquote quick ratio rangtransformierte returns on assets Auf Rangtransformation wird verzichtet. Einfluss des Rezessionsindikators Das Jahr des Beginns der Sanierung wird auf seine Aussagekraft überprüft. Barniv et al XXXIV Net Income/Total Assets natürlicher Logarithmus des Verhältnisses von total assets zu GDP deflator Interest Bearing Debt/Total Liabilities Secured Interest Bearing Debt/Total Liabilities Fraudulent Activity Diese Variable kann nur aufgenommen werden, wenn entsprechendes Verhalten dokumentiert ist. Resignation by Top Management Diese Variable kann ebenfalls nur aufgenommen werden, wenn entsprechendes Verhalten dokumentiert ist. The number of major classes of bond holders Da keine börsengehandelten Unternehmen betrachtet werden, liegen keine Informationen zu Anleihen vor. Herfindahl-Hirchman Index of competition Die Informationen zu den Marktanteilen der Wettbewerber liegen nicht vor. Jacobs et al Price weighted CARs cumulative abnormal returns from 60 Es werden keine börsengehandelten Unternehmen days prior to filing through one day after the filing. betrachtet. Leverage ratio (long term debt ratio und Verhältnis von long Es liegen keine Marktwerte vor. term debt zu Marktwert des EK) XXXV Return on Equity Anzahl der Gläubigerklassen Es liegen keine Informationen zu den Gläubigerklassen vor. Marktwert des Eigenkapital Es liegen keine Marktwerte vor. CARs Die untersuchten Unternehmen sind nicht börsengehandelt. Tobins Q Diese Variable benötigt Marktwerte, die nicht vorliegen. Quick ratio Altmans Z-Score Der Z-Score nach Altman enthält Marktwerte. Diese liegen nicht vor. Dummy für District of New York oder District of Delaware Für die hier untersuchten Unternehmen ist diese Information nicht relevant. Aussage des Abschlussprüfers Es liegen nicht für alle Unternehmen testierte Jahresabschlüsse vor. Intangible Ratio Net working Capital zu total assets XXXVI Saldanha Verhältnis von langfristiger Verschuldung zu „total assets“ im Jahr der Insolvenz Durchschnitt der Quartals-EBITDA im Jahr der Insolvenz Es liegen keine Quartalsabschlüsse vor. Unterjährig „operating cash flow ratio“ Der Cash-Flow kann unterjährig nicht zuverlässig bestimmt werden. operational net income kurzfristige Liquidität short term asset coverage coverage for debt operating cash flow coverage interest coverage from total operations brutto cash flow/total liabilities real interest rate asset coverage EBITDA EBITDA-Liquidität total assets XXXVII short term asset coverage sales Brutto-Cash-Flow – Verbindlichkeiten – Ratio total debt Art der Insolvenz Diese Variable bezieht sich auf das USamerikanische Insolvenzrecht und ist im vorliegenden Datensatz nicht relevant. operating cash flow ratio operational net income kurzfristige Liquidität Schley Altmans Z-Score Die für den Z-Score notwendigen Marktdaten liegen nicht vor. Cash Flow Return on Investment Gesamtkapitalumschlag Gesamtkapitalrentabilität Umschlagshäufigkeit des Nettovermögens Umsatzvolatilität der Branche XXXVIII Branchendaten liegen nicht vor. Comanor-Wilson-Index Branchendaten liegen nicht vor. durchschnittliche EBITDA-Marge der Branche Branchendaten liegen nicht vor. Gini-Koeffizient Branchendaten liegen nicht vor. Tabelle 85: Übersicht über die signifikanten Variablen der vorgestellten empirischen Arbeiten XXXIX 8.8 Variablen auf Basis der quantitativen Daten 8.8.1 verwendete Abkürzungen für Bilanzpositionen 8.8.1.1 Aktiva Position der Bilanz Abkürzung ausstehende Einlagen Ingangsetzung/Erweiterung Geschäftsbetrieb Ingang Konzessionen/Lizenzen Lizenz Geschäfts-/ Firmenwert Firmenwert geleistete Anzahlungen AnzahlIm Grundstücke etc. technische Anlagen und Maschinen andere Anlagen, Betriebs-/ Geschäftsausstattung Grund TAMasch BGA geleistete Anzahlungen, Anlagen im Bau AnzahlAnl Anteile verbundene Unternehmen. AntVUAV Ausleihungen an verbundene Unternehmen Beteiligungen Ausleihungen an Unternehmen, mit denen ein Beteiligungsverhältnis besteht Wertpapiere des AV sonstige Ausleihungen Roh-, Hilfs- und Betriebsstoffe AuslVU Beteil AuslBet WPAV sonstAusl RHB unfertige Erzeugnisse/ Leistungen UE fertige Erzeugnisse/ Waren FE geleistete Anzahlungen Forderungen Lieferung und Leistung XL ausE Anzahl FaLL Forderung ggü. Gesellschafter FGes Forderungen ggü. verbundene Unternehmen FVU Forderungen gegen Unternehmen, mit denen ein Beteiligungsverhältnis besteht sonstige Vermögensgegenstände sonstVG Anteile an verbundene Unternehmen AntVUUV eigene Anteile sonstige Wertpapiere eigAnt sonstWP Schecks, Kasse Kasse aktive Rechnungsabgrenzungsposten ARAP nicht durch Eigenkapital gedeckter Fehlbetrag Fehlbet informativ: Einlagen - Entnahmen Ein-EntA Summe Aktiva Tabelle 86: Abkürzungen für Bilanzpositionen der Aktivseite XLI FBet Aktiva 8.8.1.2 Passiva Position der Bilanz Abkürzung gezeichnetes Kapital gezKap Kapitalrücklage KapRL Gewinnrücklage GewRL Gewinn-/ Verlustvortrag Jahresüberschuss/-fehlbetrag Eigenkapital-Fehlbetrag Sonderposten mit Rücklageanteil JÜ EKFehlbet SoPo Genussrecht Genuss Rückstellungen für Pensionen RSPens Steuerrückstellungen RSSteuer sonstige Rückstellungen sonstRS Anleihen Anleihen Verbindlichkeiten ggü. Kreditinstituten VKI dav. Langfristig VKIlang dav. Mittelfristig VKImittel dav. Kurzfristig VKIkurz erhaltene Anzahlungen erhAnz Verbindlichkeiten aus Lieferung und Leistung VaLL dav. Kurzfristig VaLLkurz Verbindlichkeiten aus Wechseln VWechsel Verbindlichkeiten ggü. Gesellschaftern VGes dav. Langfristig Vgeslang dav. Mittelfristig Vgesmittel dav. Kurzfristig Vgeskurz Verbindlichkeiten ggü. verbundenen Unternehmen XLII GewVortr VVU dav. Langfristig VVUlang dav. Mittelfristig VVUmittel dav. Kurzfristig VVUkurz Verbindlichkeiten ggü. Unternehmen, mit denen ein Beteiligungsverhältnis besteht dav. Langfristig Vbetlang dav. Mittelfristig Vbetmittel dav. Kurzfristig Vbetkurz sonstige Verbindlichkeiten sonstV dav. Steuern sonstVSt dav. soziale Sicherheit sonstVSS dav. Kurzfristig sonstVkurz dav. Mittelfristig sonstVmittel dav. Langfristig sonstVlang passive Rechnungsabgrenzungsposten PRAP informativ: Einlagen – Entnahmen Ein-EntP Summe Passiva Passiva Tabelle 87: Abkürzungen für Bilanzpositionen der Passivseite XLIII VBet 8.8.2 Verwendete Abkürzungen für Positionen der Gewinn- und Verlustrechnung Position der Gewinn- und Verlustrechnungen Umsatzerlöse Bestandsänderungen aktivierte Eigenleistungen sonstige betriebliche Erträge Gesamtleistung Materialaufwand Abkürzung Umsatz Bestands aktEL sonstErtr GL MatAufw Roh-, Hilfs- und Betriebsstoffe RHBAufw bezogene Leistungen bezLAufw Personalaufwand PersAufw Löhne, Gehälter LohnAufw soziale Abgaben sozAbgAufw Abschreibungen Abschr auf immaterielle Vermögensgegenstände, Sachanlagen etc. AbschrSA auf Vermögensgegenstände des Umlaufvermögens, soweit die üblichen überschreitend sonstige betriebliche Aufwendungen Erträge aus Beteiligungen XLIV AbschrUV sonstBAufw ErtrBet dav. aus verbundenen Unternehmen Erträge aus anderen Wertpapieren und Ausleihungen ErtrBetVU ErtrWP dav. aus verbundenen Unternehmen ErtrWPVU sonstige Zinsen und ähnliche Erträge sonstZinsen dav. aus verbundenen Unternehmen sonstZinsenVU Abschreibungen auf Finanzanlagen etc. Zinsen und ähnliche Aufwendungen AbschrFinAnl ZinsenAufw dav. aus verbundenen Unternehmen ZinsenAufwVU Ergebnis der gewöhnlichen Geschäftstätigkeit außerordentliche Erträge außerordentliche Aufwendungen außErtr außAufw Steuern von Einkommen und Ertrag SteuernEink sonstige Steuern sonstSteuern Jahresüberschuss/ -fehlbetrag Tabelle 88: Abkürzungen für GuV-Positionen XLV ErgGesch JÜGuV 8.8.3 Variablen zur Bezeichnung aggregierter Größen Aggregat Inhalt Berechnung565 = Lizenz + Firmenwert + Anzahllm + AV Anlagevermögen Grund + TAMasch + BGA + AnzahlAnl + AntVUAV + AuslVU + Beteil + AuslBet + WPAV + sonstAusl Immat Vermögensgegenstände = Lizenz + Firmenwert + Anzahllm SA Sachanlagen = Grund + TAMasch + BGA + AnzahlAnl Vor Vorräte = RHB + UE + FE + Anzahl FA Finanzanlagen UV Umlaufvermögen Ford bVerm EK wirtschEK 565 immaterielle Forderungen betriebsnotwendiges Vermögen Eigenkapital = AntVUAV + AuslVU + Beteil + AuslBet + WPAV + sonstAusl = RHB + UE + FE + Anzahl + FaLL + FGes + FVU + FBet + sonstVG + Kasse = FaLL + FGes + FVU + FBet + sonstVG = Aktiva – FA – sonstVG - sonstWP566 = gezKap + KapRL + GewRL + GewVortr + JÜ + EKFehlBet - FehlBet wirtschaftliches = EK – Beteil – AuslBet – FVU + VVU - Eigenkapital FBet+ VBet567 Die hier verwendeten Abkürzungen werden in der Tabelle 86, Tabelle 87 und Tabelle 88 auf den vorangehenden Seiten erläutert. 566 Vgl. Baetge (1998), S. 450 567 Vgl. Heesen, Gruber (2008), S. 118 – die Formel wurde abgewandelt übernommen. Heesen und Gruber addieren noch 50% der langfristigen Rückstellungen. Da im Datensatz jedoch keine Aussagen zu den Fristen der Rückstellungen vorliegen, wurde diese Position in der ersten Variante nicht aufgenommen. Ebenso wurden Positionen nicht übernommen, die im Datensatz nicht belegt sind (nicht durchgeführte Wertberichtigungen, stille Reserven AV). Weiterhin wurden die Positionen Forderungen und Verbindlichkeiten gegenüber beteiligten Unternehmen hinzugefügt, da hier eine ähnliche Argumentation vorgenommen werden kann wie bzgl. der Verbindlichkeiten gegenüber verbundenen Unter- XLVI wirtschaftliches = EK – Beteil – AuslBet – FVU + VVU - Eigenkapital FBet + VBet + 0,5 * RSPens NV Nettovermögen = EK + langFK568 EG einbehaltene Gewinne = ΔGewVortr wirtschEK2 = VaLL + VWechsel + Anleihen + RSPens FK Fremdkapital + RSSteuer + sonstRS + VKI + erhAnz+ VGes + VVU + VBet + sonstV + PRAP569 = VKIkurz + VaLL + VWechsel + erhAnz + kurzFK kurzfristiges Vgeskurz + VVUkurz + VBetkurz + Fremdkapital sonstVkurz570 + RSSteuer + sonstRS + PRAP571 langFK effFK langfristiges Fremdkapital Effektivverschuldung = RSPens + Anleihen + VKIlang + VVUlang + VBetlang + VGeslang + sonstVlang572 = FK – sonstWP - Kasse573 = Passiva – ausE – Lizenz – Firmenwert – BK Betriebskapital WC working capital575 = UV – kurzFK roh Rohertrag = GL - MatAufw BE Betriebergebnis = Umsatz * USt – PersAufw - Abschr576 ordentliches = GL – MatAufw – PersAufw - AbschrSA – Betriebsergebnis sonstBAufw + außAufw - außErtr577 ordBE Anzahllm –FA – FVU - FBet574 nehmen. In der zweiten Variante der Berechnung wird unterstellt, dass nur die Rückstellungen für Pensionen langfristiger Natur sind. 568 Vgl. Schley (2010), S. 239 569 Vgl. Coenenberg (2005), S. 373 570 Hierunter fallen die als kurzfristig ausgewiesenen sonstigen Verbindlichkeiten und die sonstigen Verbindlichkeiten für Steuern und soziale Sicherheit, die hier als kurzfristig angenommen werden. 571 In Anlehnung an Baetge (1998), S. 201; es wird angenommen, dass VaLL, RSSteuer und sonst RS kurzfristig sind. 572 In Analogie zu kurzFK 573 Vgl. Baetge (1998), S. 207 574 Vgl. Heesen, Gruber (2008), S. 162 575 Vgl. Altman (1968), S: 594 576 Vgl. Heesen, Gruber (2008), S. 162 – Auf einige Positionen musste verzichtet werden, da die Fälle im Datensatz nicht den nötigen Detailgrad aufwiesen. XLVII EvSt Ergebnis vor Steuern Wert Wertschöpfung EBIT EBIT EBITDA cf opcf icf fcf USt = JÜGuV + SteuernEink + sonstSteuern578 = PersAufw + ZinsenAuf + SteuernEink + sonstSteuern + JÜGuV579 = JÜGuV + außAufw – außErtr + SteuernEink + ZinsenAuf580 EBITDA = EBIT + Abschr581 Cash Flow (vereinfacht) = JÜGuV + Abschr582 Cash Flow aus = (JÜGuV – außErtr + außAufw) + Abschr laufender Geschäftstä- + ΔRS584 + ΔVor + ΔFaLL + ΔVaLL + tigkeit583 außErtr - außAufw585 Cash Flow aus Investitionstätigkeit586 Cash Flow aus Finanzierungstätigkeit588 Umsatzsteuersatz = - (ΔAV + Abschr) - ΔImmat - ΔFA587 = ΔEK + ΔVKI = 1,16 für die Jahre 1990 – 2006 = 1,19 für das Jahr 2007 Tabelle 89: Kennzahlen zur Bezeichnung aggregierter Größen auf Basis der Jahresabschlussdaten Vgl. Baetge (1998), S. 363 – Unterschiede in der Darstellung resultieren aus divergierender Gliederung des Erfassungsschemas und nichtvorhandene Informationen über bestimmte Positionen. 578 Vgl. Heesen, Gruber (2008), S. 30 579 Vgl. Baetge (1998), S. 506 580 Vgl. Coenenberg (2005), S.968 581 Vgl. Coenenberg (2005), S.968 582 Vgl. Coenenberg (1997), S. 619 und Baetge (1998), S. 418 583 Entspricht dem „operating cash flow“, vgl. Coenenberg (2005), S. 809 584 ΔRS = Summe der Rückstellungen (RSPens + RSSteuer + sonstRS) des betrachteten Jahres abzüglich der Summe der Rückstellungen des entsprechenden Vorjahres 585 Vgl. Coenenberg (2005), S. 814 – Auslassung von Positionen, die im Datensatz nicht bestimmbar sind 586 Vgl. Coenenberg (2005), S. 822 587 Die hie gewählte Berechnung nähert den Wert nur an. Zum einen werden nicht belegte Positionen ausgelassen, zum anderen liegen die Daten nicht im erforderlichen Detailgrad vor. 588 Vgl. Coenenberg (2005), S. 825 577 XLVIII 8.8.4 Variablen zur Bezeichnung von Kennzahlen zur Wirtschafts- und Finanzlage Kennzahl Bezeich- Berechnung nung Allgemein Größe ta_ ta Aktiva Größe589 ta2_ ta2 Zinssatz591 zs_ zs Aktiva GDP _ deflator 590 ZinsenAufw FK Kapitalstruktur Eigenkapitalquote592 Eigenkapitalquote (korrigiert)593 Eigenkapitalquote (korrigiert)594 Eigenkapitalquote 589 EK Passiva ekq_ ekq ekq2_ ekq2 EK Ingang Firmenwert Passiva Ingang Firmenwert ekq3_ ekq3 EK 0,5 * SoPo Passiva ekw_ ekw wirtschEK Passiva Vgl. Barniv et al (2002), S. 507 Zu den GDP-inflators vgl. OECD (2008), Notes to statistical annex tables 11-19, table 16 „GDP deflators“ 591 Vgl. Saldanha (2008), S. 195 592 Vgl. Baetge (1998), S. 146 593 Vgl. Baetge (1998), S. 154 – in den ausgewerteten Jahresabschlüssen nicht belegte Bilanzpositionen (Disagio, aktivische latente Steuern) wurden nicht aufgeführt 594 Vgl. Baetge (1998), S. 155 590 XLIX (wirtschaftlich)595 Buchwert des Eigenkapitals596 Selbstfinanzierungsgrad597 Rücklagenquote598 dynamische Verschuldung599 dynamische Verschuldung601 Fremdkapitalquote602 kurzfristige Fremdkapitalquote603 statischer Verschuldungsgrad604 Verschuldungskoeffi zient605 Verbindlichkeitenstruktur606 Verbindlichkeitenstruktur607 595 bwek_ bwek Aktiva FK sfg_ sfg GewRL EK rlq_ rlq GewRL KapRL EK dyn_ dyn dyn2_ dyn2 FK RSPens FaLL Kasse 600 cf effFK cf FK Passiva lev_ lev levk_ levk kurzFK Passiva lev2_ lev 2 FK EK lev3_ lev 3 EK FK vs_ vs vs2_ vs 2 kurzFK FK kurzFK FaLL FK FaLL Vgl. Heesen, Gruber (2008), S. 118 Vgl. Carapeto (2000), S. 22 und S. 42 597 Vgl. Baetge (1998), S. 214 598 Vgl. Baetge (1998), S. 216 599 Vgl. Heesen, Gruber (2008), S. 134 600 Es wird angenommen, dass lediglich die Rückstellungen für Pensionen langfristiger Natur sind. 601 Gl. Baetge (1998), S. 207 602 Vgl. Baetge (1998), S. 199 603 Vgl. Baete (1998), S. 200 604 Vgl. Baetge (1998), S. 199 605 Vgl. Baetge (1998), S. 199 606 Vgl. Baetge (1998), S. 220 596 L FremdkapitalRatio608 Verschuldungsstruktur609 Verschuldungsstruktur610 Verschuldungsstruktur611 Verschuldungsstruktur612 Working Capital Ratio613 fkr_ fkr FK UV Vor vss_ vss VKI Passiva vss2_ vss 2 VaLL Passiva vss3_ vss 3 VKI FK vss4_ vss 4 FKlang Aktiva wcr_ wcr WC Aktiva Vermögenslage AV Aktiva Anlageintensität614 ai_ ai Anlagenintensität615 ai2_ ai2 Umlaufintensität616 ui_ ui 607 AV Aktiva FaLL UV Aktiva Vgl. Baetge (1998), S. 222 Vgl. Sudarsanam, Lai (2001), S. 188 609 Vgl. Baetge (1998), S. 226 610 Vgl. Baetge (1998), S. 226 611 Vgl. Barniv et al (2002), S. 507; Die Autoren messen hier den Anteil der verzinsten Verbindlichkeiten an den gesamten Verbindlichkeiten. Es wird angenommen, das lediglich die Verbindlichkeiten ggü. Kreditinstituten explizit verzinst werden. 612 In Anlehnung an Saldanha (2008), S. 291; Auf die Bildung des Durchschnittes der 4 Quartalswerte wird hier verzichtet, da die Daten nicht im notwendigen Detailgrad vorliegen. 613 Vgl. Jacobs et al (2008), S. 25 – Die Autoren verwenden den Altman Z-Score, der hier aufgrund fehlender Marktwerte des EK nicht abgebildet werden kann. Es werden die einzelnen Elemente aufgenommen. 614 Vgl. Baetge (1998), S. 166 615 Vgl. Baetge (1998), S. 175 616 Vgl. Baetge (1998), S: 177 608 LI Umlaufintensität617 Sachanlagenintensität618 Vorratsintensität619 Intensität immaterieller VG620 ui2_ ui 2 UV FaLL Aktiva FaLL sai_ sai SA Aktiva vi_ vi imi_ Vor Aktiva imi Im mat Aktiva Umsatz Vor vu_ vu uhv_ uhv Umsatz Vor erhAnz udv_ udv Umsatz * 360 Vor erhAnz Vorratsreichweite624 vrw_ vrw 250 * Vorratsreichweite625 vrw2_ vrw 2 360 * Vorratsumschlag621 Umschlaghäufigkeit der Vorräte622 Umschlagdauer der Vorräte623 Umschlaghäufigkeit der Forderungen626 Kundenziel627 Umschlagdauer UV628 617 LII Vor Umsatz ufo_ ufo Umsatz FaLL kuz_ kuz FaLL * 360 Umsatz uduv_ uduv Vgl. Baetge (1998), S. 177 Vgl. Baetge (1998), S. 168 619 Vgl. Baetge (1998), S. 188 620 Vgl. Jacobs et al (2008), S. 26 und 41 621 Vgl. Heesen, Gruber (2008), S. 105 622 Vgl. Baetge (1998), S. 675 623 Vgl. Baetge (1998), S. 675 624 Vgl. Heesen, Gruber (2008), S. 106f. 625 Vgl. Heesen, Gruber (2008), S. 106f. 626 Vgl. Baetge (1998), S. 190 627 Vgl. Baetge (1998), S. 191 628 Vgl. Heesen, Gruber (2008), S. 109f. 618 Vor Umsatz UV * 250 Umsatz Anlagendeckung629 ad_ ad wirtschEK AV Umschlaghäufigkeit des Gesamt- uhgk_ uhgk kapitals630 Umsatz Passiva Umschlaghäufigkeit des Umlaufver- uhuv_ uhuv mögens631 Umschlaghäufigkeit des Umlaufver- uhuv2_ uhuv 2 mögens632 Umschlaghäufigkeit Umsatz UV Umsatz 2 * UV UV 2 Umsatz NV uhnv uhnv sab_ sab drw_ drw Ford * 360 636 Umsatz * USt Kreditorenlaufzeit637 klfz_ klfz VaLL * 360 MatAufw * USt Kreditorenlaufzeit638 klfz2_ klfz 2 des Nettovermögens Sachanlagenbindung634 Debitorenreichweite635 629 633 SA Umsatz VaLL VWechsel * 360 MatAufw Vgl. Baetge (1998), S. 245 Vgl. Baetge (1998), S. 522 631 in Anlehnung an Coenenberg (2005), S. 990, der durchschnittliche Bestand des Umlaufvermögens ist nicht bekannt und wird durch den Bestand zum Bilanzstichtag angenähert 632 Der durchschnittliche Bestand des UV wird hier durch die angegeben Relation angenähert. Um mit den hier definierten Variablen arbeiten zu können, wurde der Term im Nenner im Vergleich zur Quelle umgeformt. Details zur Herleitung der Formel siehe Anhang. 633 Vgl. Schley (2010), S. 239 634 Vgl. Coenenberg (2005), S. 989 635 Vgl. Heesen, Gruber (2008), S. 111f. 636 Bei allen Kennzahlen, die Reichweiten abbilden, werden 360 Tage pro Jahr angenommen. 637 Vgl. Heesen, Gruber (2008), S. 112f. 638 In Anlehnung an Heesen, Gruber (2008), S. 112f. – Wechsel werden unter anderem zur Begleichung von Verbindlichkeiten aus Lieferung und Leistung benutzt. 630 LIII Kassenreichweite639 karw_ karw Kasse * 360 Umsatz Kapital640 ku_ ku Umsatz Passiva Liquiditätsgrad 1641 lg1_ lg 1 Kasse kurzFK Liquiditätsgrad 2642 lg2_ lg 2 Ford Kasse sonstWP ARAP kurzFK Liquiditätsgrad 3643 lg3_ lg 3 UV sonstWP ARAP kurzFK kfd_ kfd EvSt kurzFK kurzfristige Deckung644 kurzfristige Liquidität645 quick ratio646 short term asset kl_ kl UV Aktiva qr_ qr UV Vor kurzFK UV FK stac_ stac Investitionsquote648 inv_ inv Solvenzrate649 solv_ solv Solvenzrate650 solv2_ solv 2 coverage647 639 Vgl. Heesen, Gruber (2008), S. 115 Vgl. Heesen, Gruber (2008), S. 101 641 Vgl. Coenenberg (1997), S. 573, S. 601 642 Vgl. Coenenberg (1997), S. 568, S. 602 643 Vgl. Coenenberg (1997), S. 602 644 Vgl. Sudarsanam, Lai (2001), S. 188 645 Vgl. Saldanha (2008), S. 196 646 Vgl. Bryan et al (1999), S. 13 647 Vgl. Saldanha (2008), S. 195 648 Vgl. Heesen, Gruber (2008), S. 135 649 Vgl. Carapeto (2000), S. 22 650 In Analogie zu „solv_“ 640 LIV AV Umsatz EBITDA Aktiva EBIT Aktiva FK-Deckung651 fkd_ roh FK fkd Aufwandsstruktur Personalintensität652 pi_ pi PersAufw GL Personalintensität653 pi2_ pi2 PersAufw Umsatz Materialintensität654 mi_ mi MatAufw GL Materialintensität655 mi2_ mi2 MatAufw Umsatz abi_ abi Abschr Umsatz staq_ staq Fertigungstiefe658 fert_ fert wert GL Zinsaufwandquote659 zaq_ zaq ZinsenAufw and Umsatz zd_ zd zd2_ zd2 Abschreibungsintensität656 Steueraufwandquote657 Zinsdeckungsquote660 Zinsdeckungsquote661 SteuerEink Umsatz BE ZinsenAufw JÜGuV außAufw außErtr ZinsenAufw ZinsenAufw In Anlehnung an Saldanha (2008), S. 195, die hier gewählte Darstellung soll „brutto cash flow/total liabilities“ annähern. Anstelle der Größe „sales-cogs“ wird hier das Rohergebnis eingesetzt. 652 Vgl. Coenenberg (2000), S. 997 653 Vgl. Baetge (1998), S. 398 654 Vgl. Coenenberg (2000), S. 997 655 Vgl. Baetge (1998), S. 403 656 Vgl. Heesen, Gruber (2008), S. 142 657 Vgl. Baetge (1998), S. 409 658 Vgl. Baetge (1998); S. 509 659 Vgl. Heesen, Gruber (2008), S. 145 660 Vgl. Heesen, Gruber (2008), S. 146 651 LV Ergebnisbeitrag des ordentlichen ebob_ ebob Betriebserfolgs662 Rohertragsquote663 req_ ordBE EvSt roh GL req Interest coverage from total edza_ edza eza_ eza operations664 interest cover ratio665 EBITDA ZinsenAufw EBIT ZinsenAufw Cash Flow Cash Flow – Bilanzsumme – Ratio666 Cash Flow – Umsatz – Ratio667 Cash Flow – Eigenkapitalrentabilität668 cfr_ cfr cf Aktiva cfu_ cfu cf Umsatz cf EK cfekr_ cfekr cfgesr_ cfgesr Cash Flow – Gesamtkapitalrentabilität669 661 CF ZinsenAufw Passiva Vgl. Bryan et al (1999), S. 13 Vgl. Baetge (1998), S. 388 663 Vgl. Heesen, Gruber (2008), S. 140 664 Vgl. Saldanha (2008), S. 196 665 Vgl. Pant (1991), S. 630 sowie in Analogie zu edza_ 666 Vgl. Heesen, Gruber (2008), S. 127 667 Vgl. Heesen, Gruber (2008), S. 127 668 Vgl. Baetge (1998), S. 454 669 Vgl. Baetge (1998), S. 454 662 LVI cf Passiva Cash Flow – ROI670 cfroi_ cfroi Coverage for debt671 ocffk_ ocffk cffk_ cffk Cash Flow – Fremdkapital – Ratio672 operating cash flow coverage673 operating cash flow ratio674 Net Income - cf FK ocfza_ ocfza ocfr_ ocfr nia_ nia Anteil675 opcf FK opcf ZinsenAufw opcf opcf icf fcf JÜGuV opcf JÜGuV opcf Rentabilität JÜGuV Umsatz Umsatzrendite676 ur_ ur Umsatzrendite677 ur2_ ur 2 EvSt Umsatz Umsatzrendite678 ur3_ ur 3 ordBE Umsatz gkr_ gkr EvSt Passiva Gesamtkapitalrendite679 670 Vgl. Baetge (1998), S. 454 Vgl. Saldanha (2008), S. 195 672 in Analogie zu „coverage for debt“. 673 Vgl. Saldanha (2008), S. 196; Der Autor definiert diese Kennzahl als das Verhältnis des operating cash flow und „INT“, wobei „INT“ in zwei Ausprägungen auftritt, einmal als „interest rate“, welche hier nicht sinnvoll scheint, und einmal als Zinsaufwand, welche hier angewandt wird. 674 Vgl. Saldanha (2008), S. 195 675 Vgl. Saldanha (2008), S. 196 676 Vgl. Heesen, Gruber (2008), S. 145 677 Vgl. Heesen, Gruber (2008), S. 148 678 Vgl. Baete (1998), S. 458 679 Vgl. Heesen, Gruber (2008), S. 150 671 LVII Gesamtkapitalrendite680 Gesamtkapitalrendite681 Gesamtkapitalrendite682 gkr2_ gkr 2 gkr 3 JÜGuV 2 * Aktiva Aktiva 2 gkr4_ gkr 4 JÜGuV Aktiva egbs_ egbs GewVortr Passiva gkr3_ Verhältnis einbehaltene Gewinne zu Bilanzsumme683 Eigenkapitalrendite684 Eigenkapitalrendite685 Eigenkapitalrendite686 Eigenkapitalrendite687 Eigenkapitalrendite688 Eigenkapitalumschlag689 Eigenkapitalumschlag690 680 LVIII EvSt EK ekr_ ekr ekr2_ ekr 2 JÜGuV EK ekr3_ ekr 3 EvSt wirtschEK ekr4_ ekr 4 JÜGuV wirtschEK ekr5_ ekr 5 ordBE wirtschEK eku_ eku eku2_ eku2 Vgl. Heesen, Gruber (2008), S. 150 Vgl. Bryan et al (1999), S. 10 682 Vgl. Campbell (1996), S. 15 683 Vgl. Casey et al (1986), S. 257f. 684 Vgl. Heesen, Gruber (2008), S. 156 685 Vgl. Baetge (1998), S. 432 686 Vgl. Heesen, Gruber (2008), S. 158 687 Vgl. Baetge (1998), S. 433 688 Vgl. Baetge (1998), S. 433 689 Vgl. Heesen, Gruber (2008), S. 159 690 Vgl. Heesen, Gruber (2008), S. 159 681 EvSt ZinsenAufw Passiva Umsatz EK Umsatz wirtschEK operative Rentabilität691 ROI692 Betriebsrentabilität693 Betriebsrentabilität694 Anteil einbehaltener Gewinne695 or_ or BE BK roi_ roi JÜGuV Passiva br_ br ordBE bVerm br2_ br 2 ordBE langFK egr_ egr EG Aktiva Tabelle 90: Kennzahlen auf Basis der Jahresabschlussdaten 691 Vgl. Heesen, Gruber (2008), S. 162 Vgl. Baetge (1998), S. 447f. 693 Vgl. Baetge (1998), S. 450 694 Vgl. Baetge (1998), S. 451 695 Vgl. Jacobs et al (2008), S. 25 – Vorgehen gemäß „wcr_“ auf S. LI 692 LIX 8.8.5 Variablen zur Bezeichnung unterschiedlicher Ausprägungen der Variablen Zusatz 1 (bis 5) 0 x1 (bis x5) Beschreibung Variablen aus dem Jahr 1 (bis 5) nach Beginn der Sanierung Variablen aus dem Jahr des Beginns der Sanierung Variablen aus dem Jahr 1 (bis 5) vor Beginn der Sanierung Veränderung relativ zur Vorperiode d Berechnung: d (delta) x t x t 1 mit xt = Wert der Variable in betrachteter x t 1 Periode t und xt-1 Wert der Variable in entsprechender Vorperiode696 696 ln natürlicher Logarithmus av Durchschnitt, arithmetisches Mittel med Median mod Modus, wird nur bei delta-Größen berechnet697 geo geometrisches Mittel, wird nur bei delta-Größen berechnet harm harmonisches Mittel, wird nur bei delta-Größen berechnet var Varianz stab Standardabweichung rge Range, Spanne Diese Größe wird jedes Mal dann berechnet, wenn aus der betrachteten Periode und der Vorperiode die zugrunde liegenden Werte vorhanden sind. 697 Um die Berechnung zu ermöglichen, werden in diesem Fall die d_Variablen auf zwei Stellen nach dem Komma gerundet. LX min Minimum max Maximum nr Anzahl der Werte vk Variationskoeffizient mit vk psm ls rs qv pre post stab av Pearsonsche Schiefemaß, (Mittelwert – Modus) / Standardabweichung, nur berechnet, wenn Modus existiert linksschief, nimmt den Wert 1 an, wenn die Verteilung der Wert linksschief (Mittelwert < Median < Modus)698 ist. rechtsschief, nimmt den Wert 1 bei rechtsschiefen Verteilungen (Mittelwert > Median > Modus) an. nur berechnet bei delta-Größen, Quotient aus Werten größer 1 und Werten kleiner 1699 bezeichnet Variablen, die sich auf die Jahre 1-5 vor Beginn der Sanierung und das Jahr 0 beziehen700 bezeichnet Variablen, die sich auf die Jahre 1-5 nach Beginn der Sanierung beziehen Tabelle 91: Ausprägung der Variablen Die Variablen in den Ausprägungen „ls_“ und „rs_“ werden nur für Variablen der Form „_d_“ berechnet, da sonst der Modus nicht berechnet wird. 699 Werte größer 1 für eine Variable der Ausprägung „_d_“ bedeuten, dass die zugrunde liegende Größe im Vergleich zum Vorjahr zugenommen hat. Damit kann die Variable „qv_“ Aussagen darüber liefern, in welchem Verhältnis Zu- und Abnahmen stehen. Das Ausmaß der Änderungen kann hiermit jedoch nicht erfasst werden. 700 Das Jahr 0 wird dem Zeitraum „vor Beginn der Sanierung“ zugeordnet. Ergriffene Maßnahmen können in dem Jahresabschluß des Jahres 0 kaum Einfluss haben. 698 LXI 8.8.6 Variablen bisheriger empirischer Arbeiten Variable aufgenommen Bezeichnung in der vorliegenden Untersuchung Bilanzsumme ja ta Änderung der Bilanzsumme ja d_ta ja egbs ja ROI Zinsdeckungsquote ja zd2 quick ratio ja qr Return on assets ja gkr3 Buchwert des Eigenkapitals ja bwek ja solv ja ROI701 ja ta2 ja vss3 Verhältnis der einbehaltenen Gewinne zur Bilanzsumme Verhältnis Nettoergebnis zu Bilanzsumme Verhältnis EBITDA zu total assets Net Income/Total Assets natural logarithm of Total Assets/GDP deflator Interest Bearing Debt/Total Liabilities Secured Interest Bearing Debt/Total Liabilities 701 der Anteil der gesicherten nein Verbindlichkeiten lässt sich nicht bestimmen Die Größe „total assets“ entspricht der Bilanzsumme und ist damit gleich der Größe „Aktiva“ LXII Verhältnis langfristige Verschuldung zu „total assets“ ja x1_vss4 im Jahr vor Insolvenz Durchschnitt der QuartalsEBITDA im Jahr vor Insolvenz ja702 x1_EBITDA coverage for debt ja cffk EBITDA ja EBITDA operating cash flow coverage ja ocfza ja cfroi ja edza ja Umsatz Cash Flow Return on Investment Interest coverage from total operations sales Die Berechnung setzt die Kenntnis der „cost of goods Brutto-Cash-Flow – Verbindlichkeiten - Ratio nein sold“703 voraus, was im vorliegenden Datensatz nicht gewährleistet ist. Annäherung durch fkd total debt ja FK real interest rate ja zs short term asset coverage ja stac operating cash flow ratio ja ocfr operational net income ja nia 702 Die notwendigen Quartalsdaten liegen für die Engagements nicht vor, die Variable kann in der Form nicht aufgenommen werden. Stattdessen erfolgt die Aufnahme des Jahreswertes aus dem Jahr x1. 703 Vgl. Saldanha (2008), S. 195 LXIII kurzfristige Liquidität market value/replacement cost ratio ja kl es liegen keine Aussagen zum nein Marktwert oder zu den Kosten vor Bank Debt Ratio standardisierte Anzahl Gläubiger ja nein vss3 die genaue Anzahl der Gläubiger liegt nicht vor leverage ratio ja ekq, lev, lev2, lev3 Return on Equity ja ekr2 Anzahl der Gläubigerklassen nein hier nicht relevant Marktwert des Eigenkapital nein es liegen keine Marktwerte vor Tobins Q nein benötigt Marktwerte quick ratio ja Altman Z-Score working capital/total assets retained earnings/total assets EBIT/total assets market value equity/book value of debt sales/total assets Dummy für District of New York oder District of Delaware 704 gr, siehe oben nein704 ja wcr ja egr ja solv2 nein ja nein keine Marktwerte vorhanden ku nicht relevant In den Z-Score fließen Marktwerte ein, die für die hier untersuchten Engagements nicht vorliegen. Die einzelnen Bestandteile wurden, bis auf Marktwerte, aufgenommen. LXIV Aussage des Abschlussprüfers nein liegt nicht vor Gesamtkapitalumschlag ja uhgk Gesamtkapitalrentabilität ja gkr in verschiedenen Varianten Umsatzvolatilität der Branche durchschnittliche EBITDA-Marge der Branche nein nein Gini-Koeffizient nein Comanor-Wilson-Index nein Umschlaghäufigkeit des Nettovermögens ja Tabelle 92: Variablen empirischer Untersuchungen LXV Branchendaten liegen nicht in ausreichender Dichte vor Branchendaten liegen nicht in ausreichender Dichte vor Branchendaten liegen nicht in ausreichender Dichte vor Branchendaten liegen nicht in ausreichender Dichte vor uhnv 8.9 Herleitung der Formel für Durchschnittswerte Im Folgenden soll gezeigt werden, wie die verwandte Formel zu Stande kommt. Das hier beschriebene Vorgehen wird analog auf andere Fälle angewandt, in denen ein Durchschnittswert aus den Werten zu Beginn des Jahres (Ende des Vorjahres) und Ende des Betrachtungsjahres gebildet wird. Der durchschnittliche Wert D im Laufe eines Jahres wird angenommen als Mittelwert aus dem Wert zu Beginn des Jahres und zum Ende des Jahres (am Beispiel des Umlaufvermögens UV): D mit UVt UVt 1 2 UVt = Wert des Umlaufvermögens am Jahresende UVt-1 = Wert des Umlaufvermögens am Jahresanfang (Ende Vorjahr) Es gilt: UV tUVt 1 dVU UVt 1 UVt dVU Daraus folgt: D LXVI UVt UVt dVU 2 D LXVII 2 * UVt dVU 2 8.10 Validierung der Ergebnisse bereits erfolgter Studien Bezeichnung im Signifikanzniveau Datensatz705 besser 0,1 ta nein d_ta nein egbs* nein ROI nein zd2* nein qr nein Return on assets gkr3 nein Buchwert des Eigenkapitals bwek nein solv nein ln_ta2 nein vss3 nein x1_vss4 nein cffk nein x1_EBITDA nein operating cash flow coverage ocfza nein Cash Flow Return on Investment cfroi nein Variable Bilanzsumme Änderung der Bilanzsumme Verhältnis der einbehaltenen Gewinne zur Bilanzsumme Verhältnis Nettoergebnis zu Bilanzsumme Zinsdeckungsquote quick ratio Verhältnis EBITDA zu total assets natural logarithm of Total Assets/GDP deflator Interest Bearing Debt/Total Liabilities Verhältnis langfristige Verschuldung zu „total assets“ coverage for debt EBITDA 705 Hier werden die Ausprägungen gewählt, die sich auf den Zeitraum vor Beginn der Sanierung beziehen. LXVIII Interest coverage from total edza* nein Umsatz nein total debt FK nein real interest rate zs nein short term asset coverage stac nein operating cash flow ratio ocfr nein operational net income nia nein kl nein vss3 nein ekq, lev, lev2, lev3 nein ekr2 nein gr nein working capital/total assets wcr nein retained earnings/total assets egr nein EBIT/total assets solv2 nein sales/total assets ku nein Gesamtkapitalumschlag uhgk nein Gesamtkapitalrentabilität gkr706 nein uhnv nein operations Sales kurzfristige Liquidität Bank Debt Ratio leverage ratio Return on Equity quick ratio Umschlaghäufigkeit des Nettovermögens Tabelle 93: Vergleich der Ergebnisse bisheriger empirischer Arbeiten zur Genesungsprognose 706 In den verschiedenen im Rahmen der vorliegenden Arbeit bestimmten Varianten. LXIX 8.11 Univariat signifikante Variablen auf Basis der Maßnahmen Variable Beschreibung and_1 Vereinbarung weiterer Sicherheiten and_5 Verwertung von Sicherheiten and_7 Zwangsverwaltung Immobilie and_11 Androhung Zwangsmaßnahmen and_12 Durchführen von Zwangsmaßnahmen and_20 Androhung Kündigung and_21 Kündigung and_24 Vergleich and_25 Angebot Vergleich des Kunden and_26 Angebot Vergleich durch Bank and_32 1. Mahnung and_40 Abgabe einer eidesstattlichen Versicherung and_43 Schuldanerkenntnis fw_01 Neueinräumung Kredit fw_07 Beschluss Kürzung Linie fw_17 Stundung/Tilgungsaussetzung fw_21 Rückzahlungsvereinbarung (RZV) fw_23 Außerplanmäßige Tilgung fw_24 Zinsfreistellung fw_41 Beschluss Prolongation nr_and Anzahl der weiteren Maßnahmen nr_fw Anzahl der finanzwirtschaftlichen Maßnahmen nr_st Anzahl der strategischen Maßnahmen st_4 Insolvenzantrag durch Unternehmen/Schuldner st_5 Insolvenzantrag durch Gläubiger Tabelle 94: univariat signifikante Variablen auf Basis der Maßnahmen LXX 8.12 Vergleich der Modelle auf Basis der qualitativen und quantitativen Variablen Modell quanqual_... Überleben Fortführung enthaltene Variablen nr_pre_d_GewVort si_grund2_nr si_grund2_nr qv_pre_d_fkr kredit_ekh_vol. Verarbeitete Fälle 38 40 McFadden 0,348 0,129 Cox & Snell 0,378 0,188 Nagelkerke 0,508 0,152 der Devianz 0,53 0,142 0,0004 0,016 0,476 0,243 Trefferquote 86,8% 65,0% area under curve 0,696 0,746 Gütemaße Bestimmtheitsmaß nach Signifikanz des Likelihood-Ratio-Test des Hosmer-LemmeshowTest Tabelle 95: Vergleich der Modelle quanqual_Überleben und quanqual_Fortführung LXXI 8.13 Vergleich der Modelle auf Basis der Variablen zu den Maßnahmen 8.13.1 Modelle zur Erklärung des Ausganges Überleben und Fortführung Modell Maßnahmen_... enthaltene Variablen Überleben Fortführung and_21 and_5 nr_st fw_01 and_11 and_1 fw_41 und fw_17 fw_01 fw_41 fw_23 nr_fw and_24 Verarbeitete Fälle 75 75 McFadden 0,526 0,578 Cox & Snell 0,511 0,551 Nagelkerke 0,688 0,735 der Devianz 0,974 0,984 des Likelihood-Ratio-Test 0,000 0,000 0,398 0,838 Trefferquote 85,3% 89,5% area under curve 0,933 0,89 Gütemaße Bestimmtheitsmaß Signifikanz des Hosmer-LemmeshowTest Tabelle 96: Vergleich der Modelle Maßnahmen_Überleben und Maßnahmen_Fortführung-Überleben LXXII 8.13.2 Modelle zur Erklärung aller untersuchten Ausgänge Modell Maßnahmen_... enthaltene Variablen Überleben Reorganisation Fortführung-Überleben and_21 fw_41 und and_5 fw_41 fw_07 nr_st nr_st fw_01 fw_01 fw_23 fw_24 fw_01 and_1 nr_fw fw_17 and_24 and_11 Verarbeitete Fälle Fortführung and_20 75 75 75 44 McFadden 0,526 0,578 0,308 0,384 Cox & Snell 0,511 0,551 0,158 0,264 Nagelkerke 0,688 0,735 0,369 0,481 der Devianz 0,974 0,984 0,99 0,759 des Likelihood-Ratio-Test 0,000 0,000 0,002 0,004 des Hosmer- 0,398 0,838 0,0 0,969 Gütemaße Bestimmtheitsmaß Signifikanz LXXIII Lemmeshow-Test Trefferquote 85,3% 89,5% 94,7% 86,4% area under curve 0,933 0,89 0,74 0,91 Tabelle 97: Vergleich der Modelle auf Basis der Daten zu den Maßnahmen LXXIV 8.14 Überprüfung der Thesen 8.14.1 Modelle auf Basis der Variablen zu den Maßnahmen Modell Maßnahmen_Überleben Variable Einfluss707 and_21 - nr_st - Bedeutung Anzahl der Kündigungen durch das KI Anzahl der strategischen Maßnahmen Anzahl der Androhung von and_11 - Zwangsmaßnahmen durch das KI Anzahl der Beschlüsse, fw_41 + Kredite oder Linien zu prolongieren Maßnahmen_Fortführung 707 fw_01 + nr_st - and_5 - fw_01 + and_1 + fw_17 + Anzahl der neueingeräumten Kredite Anzahl der strategischen Maßnahmen Anzahl der Verwertung von Sicherheiten Anzahl der Neueinräumung von Krediten Anzahl der Vereinbarung weiterer Sicherheiten Anzahl der Stundungen/- Diese Spalte zeigt, ob die Variable das Ergebnis positiv (+) oder negativ (-) beeinflusst. Diese Wirkrichtung kann aus den Koeffizienten abgelesen werden, die im Ergebnis der Modellbestimmung ermittelt wurden. LXXV Tilgungsaussetzungen Anzahl der Beschlüsse, fw_41 + Kredite oder Linien zu prolongieren Anzahl der fw_23 + außerplanmäßigen Tilgungen Anzahl der nr_fw - finanzwirtschaftlichen Maßnahmen Maßnahmen_Reorganisation Maßnahmen_FortführungÜberleben and_24 + fw_07 + fw_24 + nr_st - fw_01 + and_20 - Anzahl der Vergleiche Anzahl der Beschlüsse, eine Linie zu kürzen Anzahl der Zinsfreistellungen Anzahl der strategischen Maßnahmen Anzahl der Neueinräumung von Krediten Anzahl der Androhung der Kündigung Tabelle 98: Übersicht der Variablen der multivariaten Modelle auf Basis der Maßnahmen und deren Wirkung LXXVI 8.14.2 Modelle auf Basis der qualitativen und quantitativen Variablen Modell Variable Einfluss708 Bedeutung Anzahl der quanqual_Überleben nr_pre_d_GewVort - Änderungen der Größe Gewinnvortrag Anzahl der si_grund2_nr - eingeräumten Grundschulden (auch nachrangig) Volumen der kredit_ekh_vol + eingeräumten EKHDarlehen Anzahl der quanqual_Fortführung si_grund2_nr + eingeräumten Grundschulden (auch nachrangige) Verhältnis aus Werten größer 1 zu Werten qv_pre_d_fkr - kleiner 1 für die Änderungen des Fremdkapital-Ratios Häufigkeit der Position quanqual_Reorganisation nr_pre_außErt + außerordentliche Erträge kredit_mat2 708 + durchschnittliche Diese Spalte zeigt, ob die Variable das Ergebnis positiv (+) oder negativ (-) beeinflusst. Diese Wirkrichtung kann aus den Koeffizienten abgelesen werden, die im Ergebnis der Modellbestimmung ermittelt wurden. LXXVII volumengewichtete Restlaufzeit aller Kredite Restlaufzeit der kredit_ekh_mat + eingeräumten EKHKredite Anzahl der quanqual_FortführungÜberleben nr_pre_d_GewVort + Änderungen der Position „Gewinnvortrag“ Alter der eingeräumten si_grund2_alter + Grundschulden (auch nachrangig) Tabelle 99: Übersicht der Variablen der multivariaten Modelle auf Basis der quantitativen und qualitativen Daten LXXVIII 8.15 Wirkung der Variablen auf Basis der Maßnahmen Bezeichnung univariater Einfluss multivariater Einfluss Wirkung Maßnahmen aus dem finanzwirtschaftlichem Bereich Neueinräumung Kredit Überleben Überleben zunehmend Fortführung Fortführung zunehmend Reorganisation Reorganisation zunehmend Stundung/Tilgungsaussetzung Fortführung Fortführung zunehmend Außerplanmäßige Tilgung Fortführung Fortführung zunehmend Reorganisation Reorganisation zunehmend Überleben Überleben zunehmend Fortführung Fortführung zunehmend Fortführung Fortführung abnehmend Beschluss Kürzung Linie Zinsfreistellung Beschluss Prolongation Anzahl der finanzwirtschaftlichen Maßnahmen LXXIX Bezeichnung univariater Einfluss multivariater Einfluss Wirkung strategische Maßnahmen Anzahl der strategischen Maßnahmen Überleben Überleben abnehmend Fortführung Fortführung abnehmend weitere Maßnahmen Vereinbarung weiterer Sicherheiten Fortführung Fortführung zunehmend Verwertung von Sicherheiten Fortführung Fortführung abnehmend Androhung Zwangsmaßnahmen Überleben Überleben abnehmend Kündigung Überleben Überleben abnehmend Vergleich Fortführung Fortführung zunehmend Tabelle 100: Maßnahmen mit uni- und multivariatem Einfluss LXXX 8.16 Überblick über den Einfluss der Variablen auf Basis der Maßnahmen Im Folgenden werden noch einmal die in dieser Arbeit untersuchten Maßnahmen vorgestellt und deren Einfluss auf den Erfolg einer Sanierung zusammengefasst. Die nachstehende Tabelle 101 enthält die Bezeichnung709 der Variablen. Eine Spalte gibt an, in welchen Ausgängen univariat710 Aussagekraft erlangt wurde, eine weitere nennt die Ausgänge, in denen multivariat Signifikanz erreicht wurde. Die letzte Spalte gibt an, in welche grundsätzliche Richtung die Variable in den multivariaten Modellen wirkt711. 709 Die genannten Variablen beschreiben, wie oft die entsprechende Maßnahme durchgeführt wurde. Auf den Hinweis, dass es sich jeweils um die Anzahl handelt, wird in der Zusammenfassung verzichtet. 710 In dieser Spalte wird der untersuchte Ausgang aufgeführt, in dem die entsprechende Variable in univariaten Auswertungen einen hinreichend signifikanten Einfluss hat. Die Signifikanz wurde dann als gegeben angesehen, wenn die Signifikanz der Koeffizienten 0,1 oder besser erreicht. Hat die Variable in keinem Modell signifikanten univariaten Einfluss, bleibt dieses Feld leer. 711 Erhöht sie die Wahrscheinlichkeit, den untersuchten Ausgang zu erreichen, wird „zunehmend“ erfasst. Verringert die Maßnahme diese Wahrscheinlichkeit, enthält das Feld ein „abnehmend“. LXXXI Bezeichnung univariater Einfluss multivariater Einfluss Wirkung Maßnahmen aus dem finanzwirtschaftlichem Bereich Neueinräumung Kredit Überleben Überleben zunehmend Fortführung Fortführung zunehmend Fortführung-Überleben zunehmend Reorganisation zunehmend Beschluss Neueinräumung Kredit Erhöhung/Ausweitung Linie Beschluss Erhöhung Linie Prolongation Kredit/Linie Kürzung Linie Beschluss Kürzung Linie Tilgungsstreckung/Laufzeitverlänger ung Beschluss LXXXII Reorganisation Bezeichnung univariater Einfluss multivariater Einfluss Wirkung Fortführung zunehmend Tilgungsstreckung/Laufzeitverlänger ung Antrag Überziehung durch Kreditnehmer Genehmigung der Überziehung durch KI Antrag des Kunden auf Krediterhöhung/-einräumung/verlängerung Forderungsverzicht Beschluss Forderungsverzicht Stundung/Tilgungsaussetzung Überleben Fortführung Beschluss Stundung/Tilgungsaussetzung Umschuldung LXXXIII Bezeichnung univariater Einfluss multivariater Einfluss Wirkung Fortführung Fortführung zunehmend Reorganisation Reorganisation zunehmend Beschluss Umschuldung Rückzahlungsvereinbarung (RZV) Reorganisation Beschluss RZV Außerplanmäßige Tilgung Zinsfreistellung Rangrücktritt Gesellschafter Beschluss SoKo Einräumung SoKo Antrag Reduzierung Kapitaldienst Antrag Forderungsverzicht Antrag Tilgungsaussetzung nicht Verlängern einer befristeten Linie Ablehnung eines Antrages auf Forderungsverzicht durch KI LXXXIV Überleben Bezeichnung univariater Einfluss multivariater Einfluss Wirkung Überleben Überleben zunehmend Fortführung Fortführung zunehmend Ablehnung Überziehung Beschluss Prolongation Ablehnung einer durch den Kunden beantragten Kreditausreichung Ablehnung einer vom KN beantragten Tilgungsaussetzung/Stundung durch das KI Beschluss Duldung bzw. Genehmigung einer Überziehung Reduzierung von Aktiva Reduzierung des Anlagevermögens Reduzierung des Umlaufvermögens Abbau der Vorräte Verbesserung des LXXXV Bezeichnung univariater Einfluss multivariater Einfluss Wirkung Fortführung abnehmend Forderungseinzuges (Kundenziel) Einbringung von EK durch Gesellschafter Einbringung von FK durch Gesellschafter Auflösen von Rücklagen Anzahl der finanzwirtschaftlichen Maßnahmen Überleben Fortführung Maßnahmen aus dem leistungswirtschaftlichem Bereich Reduzierung der Personalkosten Reduzierung der Materialintensität Reduzierung der Fertigungstiefe Anzahl der leistungswirtschaftlichen LXXXVI Bezeichnung univariater Einfluss multivariater Einfluss Wirkung Maßnahmen strategische Maßnahmen Verkauf/Schließung von Betriebsteilen Schließung Betrieb/Gewerbe Insolvenzantrag durch Unternehmen/Schuldner Überleben Fortführung Insolvenzantrag durch Gläubiger Überleben Fortführung Ablösung eines Geschäftsführers Neubestellung eines Geschäftsführers Anzahl der strategischen LXXXVII Überleben Überleben abnehmend Bezeichnung univariater Einfluss multivariater Einfluss Wirkung Fortführung Fortführung abnehmend Fortführung-Überleben abnehmend Maßnahmen weitere Maßnahmen Vereinbarung weiterer Sicherheiten Überleben Fortführung Fortführung zunehmend Fortführung abnehmend Beschluss Hereinnahme weiterer Sicherheiten Freigabe von Sicherheiten Beschluss Freigabe Sicherheiten Verwertung von Sicherheiten Überleben Fortführung Beschluss Verwertung Sicherheit Zwangsverwaltung Immobilie LXXXVIII Überleben Bezeichnung univariater Einfluss multivariater Einfluss Wirkung Überleben Überleben abnehmend Beschluss Zwangsverwaltung Immobilie Ende Zwangsverwaltung Immobilie Beschluss Ende Zwangsverwaltung Androhung Zwangsmaßnahmen Fortführung Durchführen von Zwangsmaßnahmen Überleben Fortführung Beschluss Durchführung Zwangsmaßnahmen Beenden von Zwangsmaßnahmen Einhalten von vertraglichen Regelungen angefordert Androhung Kündigung Überleben Fortführung LXXXIX Bezeichnung Kündigung univariater Einfluss Überleben multivariater Einfluss Wirkung Fortführung-Überleben abnehmend Überleben abnehmend Fortführung zunehmend Fortführung Mitteilung über wirtsch. Verhältnisse durch Kunden Gespräch Bank – Kunde Vergleich Fortführung Angebot Vergleich des Kunden Überleben Angebot Vergleich durch Bank Reorganisation Anforderung von Unterlagen Einreichung Sanierungskonzept Einreichung Konzept (allgemein) Übergabe an Kreditüberwachung/Consulting (Verschlechterung) 1. Mahnung Auflage XC Reorganisation Bezeichnung univariater Einfluss Sonstiges Beschluss Vergleich Abgabe einer eidesstattlichen Versicherung Überleben Fortführung Ablehnung eines Vergleiches Übergabe an Kreditabteilung/Consulting (Verbesserung) Schuldanerkenntnis Reorganisation Ablehnung eines vom Kunden angebotenen Vergleichs Vorschlag weiteres Vorgehen – KI Vorschlag weiteres Vorgehen – KN Vergleich zw. KN und einer 3. Partei Anzahl der weiteren Maßnahmen Tabelle 101: vollständiger Status der Maßnahmen XCI Überleben multivariater Einfluss Wirkung Literaturverzeichnis Altman, Edward (1968), Financial ratios, discriminant analysis and the prediction of corporate bankruptcy, in: The Journal of Finance, Sept. 1968, Vol. XXIII, No. 4, S. 589-609 Backhaus et al (2006), Multivariate Analysemethoden: eine anwendungsorientierte Einführung, 11. Auflage, Springer, Berlin, Heidelberg, 2006 Baetge, Jörg (1998), Bilanzanalyse, IDW-Verlag, Düsseldorf Barker, Vincent; Mone, Mark (1994), Retrenchment: Cause of Turnaround or Consquence of Decline?, in: Strategic Management Journal, Vol. 15, S. 395-405 Bales, Klaus, Brinkmann, Jochen H. (2005), Sanierung von Unternehmen durch Kreditinstitute, Management und Berater, Finanz Colloquium Heidelberg, 2005 Baltes-Götz, B. (1998), Exakte Tests mit SPSS, AWS.SPPS.9, Universitätsrechenzentrum Trier, verfügbar unter: http://www.uni-trier.de/fileadmin/urt/doku/exact/exact.pdf, Abruf am 14.08.2010 Baltes-Götz, B. (2004), Logistische Regressionsanalyse mit SPSS, AWS.SPSS.19, Universitätsrechenzentrum Trier, verfügbar unter: www.boku.ac.at/hfa/lehre/VU_HM_Papers/Baltes-Goetz_2004_logReg.pdf, Abruf am 25.01.2010 Barniv, R., Agarwal, A., Leach, R. (2002) Predicting Bankruptcy Resolution in: Journal of Business Finance & Accounting, April/May 2002, S. 497-520 Bellgardt, Egon (1997), Statistik mit SPSS, Verlag Vahlen, München, 1997 Bemmann, Martin (2007), Entwicklung und Validierung eines stochastischen Simulationsmodells für die Prognose von Unternehmensinsolvenzen, TUDpress 2007, Dissertation der TU Dresden, Fak. für Wirtschaftswissenschaften Böckenförde, B. (1996), Unternehmenssanierung, 2. Auflage, Schäffer-Poeschl, Stuttgart Brücher, Tanja (1999), Reorganisationsstrategien für insolvenzbedrohte Unternehmen, Peter Lang GmbH, Frankfurt am Main, 1999 Bryan, D., Tiras, S. L., Wheatley, C. M. (1999), The Interaction of Solvency with Liquidity and its Association with Bankruptcy Emergence, verfügbar: http://papers.ssrn.com/sol3/papers.cfm?abstract_id=189410 (letzer Abruf: 26.01.2009). XCII Bühl, Achim; Zöfel, Peter (2005), SPSS 12 – Einführung in die moderne Datenanalyse unter Windows, 9. Auflage, Pearson Studium, München Buth, A.; Hermanns, M. (2009), Restrukturierung, Sanierung, Insolvenz, Verlag C.H.Beck, München Buschmann, Holger (2006), Erfolgreiches Turnaround-Management, Empirische Untersuchung mit Schwerpunkt auf dem Einfluss der Stakeholder, Deutscher Universitäts-Verlag, Wiesbaden Cahn, Andreas (2004), Bankgeheimnis und Forderungsverwertung, Working Paper Series No. 32, 08/2004, Instute for Law and Finance, Johann Wolfgang GoetheUniversität, verfügbar unter: http://publikationen.ub.uni-frankfurt.de/files/4629/ILF_WP_032.pdf (letzter Abruf: 01. Mai 2013). Campbell, Steven (1996), Predicting Bankruptcy Reorganization for Closely Held Firms, in: Accounting Horizons, Sept. 1996, Vol 10, No. 3, S. 12-25 Casey, C.J., McGee, V.E., Stickney, C. (1986), Discriminating between Reorganized and Liquidated Firms in Bankruptcy in: The Accounting Review, Vol. LXI, No. 2, April 1986, S. 249-262 Cassel, Claes et al (1999), Robustness of partial least-squares method for estimating latent variable quality structures, in: Journal of Applied Statistics, Vol. 26, No. 4, 1999, S. 435 – 446. Coenenberg, Adolf (1997), Jahresabschluss und Jahresabschlussanalyse, 16. Auflage, Verlag Moderne Industrie, Landsberg, Lech Coenenberg, Adolf (2002), Jahresabschluss und Jahresabschlussanalyse, 17. Auflage, Verlag Moderne Industrie, Landsberg, Lech Coenenberg, Adolf (2005), Jahresabschluss und Jahresabschlussanalyse, 20. Auflage, Verlag Moderne Industrie, Landsberg, Lech Creditreform (2010a), Insolvenzen Neugründungen Löschungen, 1. Halbjahr 2010, Eine Untersuchung der Creditreform Wirtschaftsforschung, Neuss, 2010 Creditreform (2010b), Insolvenzen Neugründungen Löschungen, Jahr 2010, Eine Untersuchung der Creditreform Wirtschaftsforschung, Neuss, 2010 Creditreform (2011), Insolvenzen in Europa, Jahr 2010/11, Eine Untersuchung der Creditreform Wirtschaftsforschung, Neuss, 2011 Czech, Michael; Neumann, Alexander (2006) Optionen auf Bankseite - Verkauf versus Eigensanierung, in: Lützenratz et al (2006), Distressed Debt und NonPerforming Loans, Handel und Workout von Not leidenden Firmenkundenkrediten in der Bankpraxis, Verlag Th. Gabler, Wiesbaden, 2006, S. 27-42 Deutsche Bundesbank (2010), Finanzstabilitätsbericht 2010, Frankfurt am Main, 2010 XCIII Dubben, Hans-Herrmann, Beck-Dornholdt, Hans-Peter (2006), Der Hund der Eier legt, Rowohlt Taschenbuch Verlag, Reinbek bei Hamburg. Europ. Kommission (2003), EMPFEHLUNG DER KOMMISSION vom 6. Mai 2003 betreffend die Definition der Kleinstunternehmen sowie der kleinen und mittleren Unternehmen (Bekannt gegeben unter Aktenzeichen K(2003) 1422), 2003/361/EG, in: Amtsblatt der europäischen Union vom 20.05.2003, L 124/36. Fahrmeier, Ludwig; Kneib, Thomas; Lang, Stefan (2007), Regression – Modelle, Methoden und Anwendungen, Heidelberg, London, New York Fahrmeier, Ludwig; Kneib, Thomas; Lang, Stefan (2009), Regression – Modelle, Methoden und Anwendungen, 2. Auflage, Springer, Heidelberg, London, New York Feldbauer-Durstmüller, Birgit (2003), Unternehmenskrisen im Mittelstand – Entwicklung, Symptome, Bewältigung, in: DSWR, Heft 5 2003, S. 135-137 Feltovich, Nick (2003), Nonparametric Tests of Differences in Medians: Comparison of the Wilcoxon–Mann–Whitney and Robust Rank-Order Tests, in: Experimental Economics, Vol 6, S. 273-297 Fischer, Marion (2005), Das Workout-Management der Bank, in: Jobe, Clemens J., Stachuletz, Rainer (Hrsg.), (2005), Workout, S. 99-123 Fromm, Sabine (2005), Binäre logistische Regressionsanalyse – Eine Einführung für Sozialwissenschaftler mit SPSS für Windows in: Schulze, Gerhard, Akremi, Leila (Hrsg.) (2005), Bamberger Beiträge zur empirischen Sozialforschung, Nr. 11 2005. Galuschge, Christof (2008), Ursachen für Sanierungsmisserfolge in mittelständischen Unternehmen: Untersuchung von Sanierungsmaßnahmen und deren Wirkung in einer Unternehmenskrise, PH. C. W. Schmidt Verlag, Neustadt an der Aisch, 2008 Giessler, Jan W. (2006), Bedeutung des Unternehmenswerts für das Sanierungsmanagement, in: Hommel, Ulrich; Knecht, Thomas; Wohlenberg, Holger (Hrsg.) (2006) Handbuch Unternehmensrestrukturierung Grundlagen – Konzepte – Maßnahmen, Verlag Dr. Th. Gabler, S. 157-184. Gilson, Stuart, John, Kose, Lang, Larry (1990); Trouble debt restructuring – An empirical study of private reorganization of firms in default, in: Journal of Financial Economics, Issue 27, 1990, S. 315-353. Göpfert, Anne (2011); Statistische Modellierung; Seminararbeit am Institut für Statistik; verfügbar unter: http://cattaneo.userweb.mwn.de/pgsws1011/materials/Seminararbeit%209%20-%20Statistische%20Modellierung.pdf (letzter Aufruf 2. April 2013). Grunert, Jens (2009), Kreditsicherheiten: eine Umfrage zu deren Häufigkeit, den erzielten Verwertungserlösen und der Bewertungsfrequenz, in: Zeitschrift für Bankrecht und Bankwirtschaft, Heft 2/09, 2009, S. 126-135. Günthers, Thomas; Scheipers, Thomas (1993), Insolvenzursachen – zum Stand der empirischen Ursachenforschung, in: DStR, 1993, Heft 12, S. 447-453 XCIV Hambrick, Donald; Schecter, Steven (1983), Turnaround Strategies for Mature Industrial-Product Business Units, in: Academy of Management Journal, Vol. 26, Nr. 2, S. 231-248. Hartung, Joachim et al (2005), Statistik Lehr- und Handbuch der angewandten Statistik, R. Oldenbourg Verlag, München, Wien, 2005 Harz, Michael; Hub, Heinz-Günter; Schlarb, Eberhard (2006), SanierungsManagement, Unternehmen aus der Krise führen, 3. Akt. und erhebl. erw. Auflage, Deutscher Sparkassen Verlag, Stuttgart, 2006 Hastie, Trevor et al (2013), The Elements of Statistical Learning, Data Mining, Inference, and Prediction; 2. Auflage, Springer Verlag; verfügbar unter: http://wwwstat.stanford.edu/~tibs/ElemStatLearn/ (letzter Abruf 2. April 2013). Heesen, Bernd; Gruber, Wolfgang (2008), Bilanzanalyse und Kennzahlen, Betriebswirtschaftlicher Verlag Dr. Th. Gabler, Wiesbaden Hesselmann, Stefan; Stefan, Ute (1990), Sanierung oder Zerschlagung insolventer Unternehmen: betriebswirtschaftliche Überlegungen und empirische Ergebnisse, Verlag Schaeffer-Poeschel, Stuttgart, 1990 Huber, Frank et al (2007), Kausalmodellierung mit Partial Least Squares - Eine anwendungsorientierte Einführung, Verlag Gabler Jacobs, Michael; Karagozoglu, Ahmet; Layish, Dina Naples (2008), Understanding and Predicting the Resolution of Financial Distress, Paper for Presentation at Risk Management Conference 2008, Florence, Draft June 2008, verfügbar unter: http://papers.ssrn.com/sol3/papers.cfm?abstract_id=1149406 (letzter Abruf 12.05.2009) Janssen, Jürgen; Laatz, Wilfried (2007), Statistische Datenanalyse mit SPSS für Windows, 6. Auflage, Springer, Berlin, Heidelberg, New York Kaiser, Ulrich, Szczesny, Andrea (2003), Ökonometrische Verfahren zur Modellierung von Kreditausfallwahrscheinlichkeiten: Logit- und Probit-Modelle, in: zfbf Zeitschrift für betriebswirtschaftliche Forschung, zfbf 55, Dezember 2003, S. 790-822 Kleinbaum, David; Klein, Mitchel (2010), Logistic Regression, 3. Auflage, Springer Kolb, Susanne (2006), Integriertes Turnaround-Management: Konzept zur nachhaltigen Überwindung von Unternehmenskrisen in KMU, Peter Lang GmbH, Frankfurt am Main. 2006 Kriesel, David (2007), Ein kleiner Überblick über Neuronale Netze, verfügbar: http://www.dkriesel.com. letzter Abruf 18.08.2010 Leiner, Bernd (1996), Einführung in die Statistik, 7. Auflage, Oldenbourg Verlag, München, Wien, 1996 XCV Liao, Tim Futing (1994), Interpreting Probability Models – Logit, Probit, and other generalized linear models, Sage University Paper series on Quantitative applications in the social sciences, no. 07-101, Thousand Oaks Liebig, Max (2010), Reaktivierungsmanagement von Not leidenden Unternehmen, Wiesbaden, Gabler Verlag, 2010 Lippe, Gerhard; Esemann, Jörn; Tänzer, Thomas (1994), Das Wissen für Bankkaufleute, 7. Auflage, Gabler Verlag, Wiesbaden, 1994 LoPucki, L. M. (1983):The Debtor in Full Control - Systems Failure Under Chapter 11 of the Bankruptcy Code?, in: American Bankruptcy Law Journal, Vol. 57, S. 99-126 Lützenrath, Christian, Peppmeier, Kai, Schuppener, Jörg (2003) Bankstrategien für Unternehmenssanierungen – Erfolgskonzepte zur Früherkennung und Krisenbewältigung, Gabler Verlag, Wiesbaden, 2003 OECD (2008), Notes to statistical annex tables 11-19, Table 16 „GDP deflators“; verfügbar: http://www.oecd.org/document/48/0,3343,en_2649_34109_33702064_1_1_1_1,00.html (letzter Abruf: 19.05.2009) Oelerich, Andreas; Poddig, Thorsten (2005), Optimierung quantitativer Ratingverfahren, in: Die Unternehmung, 59. Jg., Nr. 3, S. 263-279 Osterkamp, Rigmar (2006), Insolvenzen in ausgewählten OECD-Ländern – Umfang, Tendenzen, Gesetze, in: ifo Schnelldienst, 9/2006, 59. Jahrgang, S. 22-29 Pant, Laurie (1991), An investigation of industry and firm structural characteristics in corporate turnarounds in: Journal of Management Studies, November 1991, S. 623643 Perridon, Louis; Steiner, Manfred (2004), Finanzwirtschaft der Unternehmung, 13. Auflage, Verlag Franz Vahlen GmbH, München Portisch, Wolfgang (2010), Sanierung und Insolvenz aus Bankensicht, 2. Auflage, Oldenbourg Wissenschaftsverlag, 2010, München Preacher, K. J., & Briggs, N. E. (2001, May). Calculation for Fisher's Exact Test: An interactive calculation tool for Fisher's exact probability test for 2 x 2 tables, verfügbar: http://www.quantpsy.org. (letzter Abruf: 11.08.2010) Räss, Hugo (1993), Die Restrukturierung von Unternehmen ais der Sicht der kreditgebenden Bank, 3., überarbeitete Auflage, Stuttgart, Wien, 1993 Rieder, Josef; Hofmann, Rudolf (2006), Die Abwicklung notleidender Kredite, 5. Auflage, Deutscher Sparkassenverlag, Stuttgart, 2006 Rönz, Bernd; Förster, Erhard (1992), Regressions- und Korrelationsanalyse: Grundlagen, Methoden, Beispiele, Gabler Verlag, Wiesbaden, 1992 Robbins, Keith; Pearce, John (1992), Turnaround: Retrenchment and Recovery, in: Strategic Management Journal, Vol. 13, S. 287-309 XCVI Schira, Josef (2005), Statistische Methoden der VWL und BWL – Theorie und Praxis, 2. überarbeitete Auflage, Pearson Studium, München, 2005 Schley, Lennart (2010), Erfolgsfaktoren von Sanierungen - eine kausalanalytische Untersuchung mit dem Partial Least Squares-Verfahren, Verlag Kovac, Hamburg, 2010 Schneider, Holger (2007), Nachweis und Behandlung von Multikollinearität, in: Albers et al (Hrsg.) (2007), Methodik der empirischen Forschung, 2., überarbeitete und erweiterte Auflage, Verlag Gabler, S. 183 - 198 Schuhmacher, Marc (2006), Rating für den Mittelstand – Neue Ansätze zur Prognose von Unternehmensausfällen, Deutscher Universitätsverlag, Wiesbaden, 2006 Schwieger, Holger (2005), Nicht-lineare Sensitivitätsanalyse gezeigt an Beispielen zu bewegten Objekten, Deutsche Geodätische Kommission bei der Bayerischen Akademie der Wissenschaften, Reihe C, Heft Nr. 581, Verlag der Bayerischen Akademie der Wissenschaften in Kommission beim Verlag C. H. Beck Semler, Bettina (2007), Workout-Abteilung in Banken, Möglichkeit der Bearbeitung von notleidenden Krediten, VDM Verlag Dr. Müller, Saarbrücken, 2007 Statistisches Bundesamt (2008), Klassifikation der Wirtschaftszweige; verfügbar: http://www.destatis.de/jetspeed/portal/cms/Sites/destatis/Internet/DE/Content/Klassifi kationen/GueterWirtschaftklassifikationen/Content75/KlassifikationWZ08,templateId= renderPrint.psml (letzter Abruf: 19.05.2009) Sudarsanam, Sudi; Lai, Jim (2001), Corporate Financial Distress and Turnaround Strategies: An Empirical Analysis in: British Journal of Management, Vol. 12, S. 1831996 Von der Horst, Michael (2000), Bewältigung von Unternehmenskrisen, Berlin, Logos Verlag, 2000 Weidl, Bruno J. (1996); Ökonomische Krise und Wege der Krisenbewältigung aus der Sicht von Führungskräften – eine empirische Analyse, Frankfurt am Main et al, Peter Lang, 1996 Wiegand, Christoph (2009), Statistik mit und ohne Zufall, 2. Auflage, Physica Verlag Wirtky, Frank (2006), Problemkredite, Management und Handel von non performing loans aus Sicht der Bank, VDM Verlag Dr. Müller, Saarbrücken 2006 Wöhe, G. ; Döring, U. (2008), Einführung in die allgemeine Betriebswirtschaftslehre, Verlag Franz Vahlen, München Woywode, Dr. Michael (2006), Erklärung der Überlebenswahrscheinlichkeit von Unternehmen, in: Hommel, U. et al (Hrsg) (2006), Handbuch Unternehmensrestrukturierung Grundlagen – Konzepte – Maßnahmen, Gabler Verlag, Wiesbaden, 2006, S. 61-98 XCVII Zirener, Jörg (2005), Sanierung in der Insolvenz, Handlungsalternativen für einen wertorientierten Einsatz des Insolvenzverfahrens, Deutscher Universitätsverlag, Wiesbaden, 2005 XCVIII
