In diesem Artikel prognostizieren wir Insolvenzwahrscheinlichkeiten von kleinen und mittleren Unternehmen, die bislang noch keine hinreichende Beachtung gefunden haben, obwohl diese Unternehmen besonders insolvenzgefährdet sind. Die Schwierigkeit bei der Insolvenzprognose von kleinen und mittleren Unternehmen besteht darin, daß meist nur wenige Bilanzdaten verfügbar sind, so daß qualitative Angaben zu den Unternehmen hinzugezogen werden müssen. Wir zeigen, daß trotz dieser Einschränkungen gute Insolvenzprognosen möglich sind. Als Verfahren verwenden wir die logistische Regression und neuronale Netzwerke. Zur Modellselektion nutzen wir bei beiden Verfahren statistische Inferenztechniken. Für die logistische Regression ist dies ein Standard, für neuronale Netzwerke ist es dagegen neu. Mit Hilfe der Inferenztechniken gelangen wir zu sparsam parametrisierten Modellen und vermeiden ein Overfitting der Daten. Abschließend werden die Wirkungszusammenhänge in den resultierenden Modellen analysiert. Mit Hilfe des neuronalen Netzwerkmodells können die Nichtlinearitäten in den Wirkungszusammenhängen abgebildet werden, wodurch wesentlich differenziertere Aussagen über das Insolvenzrisiko in Abhängigkeit bestimmter Merkmalsausprägungen getroffen werden können als bei der logistischen Regression. Wir sind Daniel Schwamm für seine wertvolle Unterstützung zu großem Dank verpflichtet. Die Daten für diese Studie wurden dem ZEW freundlicherweise vom Verband der Vereine Creditreform zur Verfügung gestellt und uns von Dietmar Harhoff, Konrad Stahl und Michael Woywode in aufbereiteter Form überlassen. Wir danken Olaf Korn und Michael Schröder für hilfreiche Anmerkungen.

Autoren

Anders, U.
Szczesny, A.