Content

2.5 Empirisch-statistische und strukturelle Ratingmodelle in:

Werner Gleißner, Karsten Füser

Praxishandbuch Rating und Finanzierung, page 69 - 77

Strategien für den Mittelstand

3. Edition 2014, ISBN print: 978-3-8006-3876-5, ISBN online: 978-3-8006-3877-2, https://doi.org/10.15358/9783800638772_69

Series: Finance Competence

Bibliographic information
2. Grundlagen der Finanzierung und des Ratings54 2.5 Empirisch-statistische und strukturelle Ratingmodelle Nachfolgend wird der „traditionelle“ Weg zur Entwicklung von Ratingverfahren auf Grundlage der sogenannten „statistisch-induktiven“ Me thode ebenso knapp erläutert, wie die (zumindest ergänzend wesentliche) Methode von simulationsbasierten Ratingverfahren basierend auf strukturellen Modellen. Auf andere Varianten von Insolvenzprognose- bzw. Ratingverfahren (siehe die folgende Abbildung) sei nur hingewiesen.61 Im Folgenden werden zwei mögliche Ansätze vorgestellt: empirisch-statistische und strukturelle Insolvenzprognoseverfahren.62 Insolvenzprognoseverfahren informell linear quadratisch linear logistisch individuelle Analyse ohne Verfahrensunterstützung individuelle Analyse auf Basis von Leitfäden/Checklisten induktive Verfahren Scoringmodelle parametr. Verfahren Expertensysteme nichtparam. Verfahren basierend auf Anleihespreads Optionspreisansatz Glücksspieleransatz deterministische Simulationsmodelle stochastische Simulationsmodelle Direkte Ermittlung der PD Kennzahlenbasiert empirisch-statistische Verfahren strukturelle Modelle formell Diskriminanzanalyse Regressionsanalyse Entscheidungsbaumverfahren künstliche neuronale Netze Abbildung 7: Insolvenzprognoseverfahren63 2.5.1 Rating mittels empirisch-statistischer Insolvenzprognoseverfahren Jedem Rating, das auf rein statistischer Grundlage beruht, geht der Aufbau eines Kriteriensystems voran, das sich auf den Vergleich von „guten“ und „schlechten“ (ausgefallenen) Unternehmen empirisch stützt. Beim Aufbau eines Rating-Systems wird damit versucht, Kriterien zu identifi zieren, die „gute“ und „schlechte“ Unternehmen systematisch und empirisch belegbar unterscheiden. Die Berechnung der Ausfallwahrscheinlichkeit kann dabei auf der Basis sehr unterschiedlicher mathematischer Modelle erfolgen. Das Ziel der Entwicklung eines Rating-Systems ist es stets, aus verschiedenen Einzelkriterien, die eine mathematisch-statistisch nachgewiesene Relevanz haben, eine Ausfallwahrscheinlichkeit abzuleiten. Empirisch-statistische Verfahren können nach parametrischen und nicht-parametrischen Verfahren unterschieden werden. 61 Siehe z. B. Bemmann (2007) und Strobel (2011). 62 In Anlehnung an Gleißner/Bemmann (2008), siehe auch Blum/Gleißner/Leibbrand (2005), und Gleißner (2008d). 63 In Anlehnung an Bemmann (2007). 2.5 Empirisch-statistische und strukturelle Ratingmodelle 55 Parametrische Verfahren basieren auf zahlreichen technischen Annahmen, beispielsweise bezüglich der Verteilung der Modellfehler, der Kovarianzen der erklärenden Variablen oder eines bestimmten funktionalen Zusammenhanges zwischen den erklärenden und der erklärten Variable („Ausfall vs. Nicht-Ausfall“). Die Parameter lassen sich durch formale Optimierungsverfahren bestimmen und betriebswirtschaftlich gut interpretieren. Dagegen ist es das Ziel nicht-parametrischer Verfahren, durch Anwendung numerischer Verfahren den Zusammenhang zwischen den erklärenden und der erklärten Variable möglichst gut zu reproduzieren, ohne dabei einen konkreten funktionalen Zusammenhang anzunehmen. Die Parameteranzahl (Modellvariablen) von „nichtparametrischen“ Modellen ist häufi g fl exibel und die Parameter können meist inhaltlich interpretiert werden. Insolvenzen können durch empirisch-statistische Modelle mit hoher Treffsicherheit prognostiziert werden. Nach einer Kalibrierung eines solchen Modells auf historisch beobachtete Ausfallraten kann die Abgabe der Insolvenzprognose auch vollständig automatisiert und damit praktisch kostenfrei und ohne Zeitverzug erfolgen. Im Kontext empirisch-statistischer Insolvenzprognoseverfahren werden zwar meist nicht begründbare und empirisch nicht haltbare Verteilungsannahmen über die erklärenden Variablen getroffen. Jedoch sind diese Verfahren meist sehr robust gegenüber Verletzungen dieser Annahmen. Empirisch-statistische Verfahren decken keine Ursache-Wirkungs-Beziehungen auf, sondern erzeugen „statistisch optimal gewichtete Symptombeschreibungen“. Beispielsweise zeigt sich, dass Unternehmen – am Umsatz gemessen – hohe Steuerzahlungen leisten, seltener insolvent werden als Unternehmen, die weniger Steuern zahlen, oder dass Unternehmen, die Eigenkapital von Risikokapitalgesellschaften zur Verfügung gestellt bekommen, eine wesentlich höhere Insolvenzwahrscheinlichkeit haben als andere Unternehmen. Solche Kriterien mögen zwar gute Indikatoren für die Insolvenzgefährdung eines Unternehmens sein, sie sind aber nicht die Ursache hierfür und können somit auch nicht zur Ableitung sinnvoller Handlungsempfehlungen dienen. Deshalb können empirisch-statistische Verfahren regelmäßig durch ökonomisch unsinniges Verhalten manipuliert werden. Neben dem Schutz geistigen Eigentums oder der Verhinderung „selbsterfüllender Prognosen“ ist dies auch ein Grund dafür, warum Banken ihre Schätzverfahren geheim halten wollen. Empirisch-statistische Insolvenzprognoseverfahren werden allgemein dann kritisiert, wenn sie Faktoren heranziehen, die „nur“ einen empirischen aber keinen kausalen Zusammenhang zur Ausfallwahrscheinlichkeit der Gläubiger aufweisen. Ein Beispiel für die in empirischen Modellen verwendeten statistischen Verfahren sind sogenannte multivariate Probit-Modelle. Ihre Qualität lässt sich ex post empirisch bestimmen, indem die vorhergesagte und die tatsächliche Ausfallwahrscheinlichkeit von Unternehmen verschiedener Rating-Klassen (über einen längeren, d. h. mehrjährigen Zeithorizont) miteinander verglichen werden. Ein ebenfalls denkbares Modell zur Schätzung von Ausfall- (bzw. Default-)Wahrscheinlichkeiten, das häufi ger angewandt wird, ist das sogenannte Logit-Modell . Bei Logit-Modellen gilt es zunächst, gestützt auf einzelne Rating-Kriterien (X1 bis Xn) und spezifi scher Gewichtsfaktoren (a1 bis a n) einen Gesamtscore (Z) zu bestimmen: Z = a0 + a1X1 + a2X2 + … + anXn. 2. Grundlagen der Finanzierung und des Ratings56 Anschließend wird die Wahrscheinlichkeit einer Insolvenz (p) in Abhängigkeit des Z- Scores wie folgt berechnet: p = 1 1 + e – z Die Schätzung der α-Faktoren zur Gewichtung der Rating-Kriterien geschieht bei diesen mathematischen Modellen empirisch. Es werden hierzu tatsächlich eingetretene Insolvenzfälle analysiert und die für diese Unternehmen gemessenen Ausprägungen der Rating-Kriterien (X1 bis Xn) mittels ökonometrischer Verfahren (z. B. Kleinste-Quadrate-Schätzung oder Maximum-Likelihood-Verfahren) der Zusammenhang dieser Kriterien zum Z-Wert hergestellt und damit Ausfallwahrscheinlichkeiten abgeleitet. Problematisch bei diesen empirischen Schätzungen sind die notwendige Bestimmung einer repräsentativen Stichprobe insolventer Unternehmen für die Modellkalibrierung sowie die erforderliche Annahme einer Konstanz sämtlicher Modellparameter im Zeitverlauf („Zeitstabilitätshypothese“). 2.5.2 Strukturelle Insolvenzprognoseverfahren und Kapitalmarkt: Merton-Modell Im Idealfall basieren strukturelle Insolvenzprognoseverfahren auf vollständigen, widerspruchsfreien und realistischen ökonomischen Modellen. Je „tiefer“ die zugrunde liegenden Insolvenzursachen modelliert werden, desto besser ist die Eignung von Strukturmodellen Handlungsanweisungen zu geben. In Abhängigkeit der Komplexität der Annahmesysteme können diese Modelle nur mit Simulationsverfahren analysiert werden. Für die theoretischen Grundlagen des strukturbasierten Ratings hat der sogenannte KMV-Ansatz von Merton (1974)64 eine hohe Bedeutung. Der KMV-Ansatz basiert auf der Kapitalmarkttheorie und den Grundgedanken eines wertorientierten Managements. Die Basisidee des Ansatzes ( Asset-Value-Modell) basiert darauf, dass man den Wert der Aktiva eines Unternehmens (also den Marktwert von Eigen- und Fremdkapital) sowie dessen Volatilität („Risiko“) bestimmt und auf dieser Grundlage berechnet, wie wahrscheinlich das Unterschreiten eines bestimmten „Mindestwerts“ ist. Dieser Mindestwert („Default-Point “) korrespondiert in der Praxis mit dem Wert des Fremdkapitals. Im Grundsatz stellt das Modell also auf die Frage ab, mit welcher Wahrscheinlichkeit der Wert der Aktiva unterhalb des Werts des Fremdkapitals fällt, was gleichbedeutend mit einer Situation ist, in der das Eigenkapital Null oder negativ wird, das Unternehmen also (zu Marktwerten bewertet) überschuldet ist. Die Asset-Volatilität kann dabei entweder direkt aus der Volatilität der Aktien (und damit des Werts des Eigenkapitals zu Marktwerten) oder indirekt, fundamental und oft besser abgesichert aus der Volatilität der Gewinne (und der sie determinierenden Faktoren wie der Volatilität des Umsatzes) abgeleitet werden. Eine wichtige Kenngröße ist in diesem Zusammenhang die sogenannte Distance to Default ( DD), die sich wie folgt berechnet: Distance to Default = Werte der Aktiva – Ausfallschwelle σAktiva Wenn man vereinfachend davon ausgeht, dass der Wert der Aktiva selbst normal verteilt ist, kann die Wahrscheinlichkeit eines Ausfalls unmittelbar aus einer (Wahrscheinlichkeits-)Verteilung abgeleitet werden. In der Praxis wird jedoch häufi g an 64 Weiterführend z. B. Berg/Kaserer (2009). 2.5 Empirisch-statistische und strukturelle Ratingmodelle 57 Stelle der Normalverteilung eine aus den vorhandenen Unternehmensdaten empirisch abgeleitete Funktion bestimmt, die die Ausfallwahrscheinlichkeit (Probability of Default) (PD) und den Distance to Default (DD) in Zusammenhang bringt. Das Merton-Modell zeigt besonders deutlich, dass die Ausrichtung von Unternehmen auf eine Steigerung des Unternehmenswerts – also des Marktwerts der Aktiva – neben der Verfolgung der unmittelbaren Interessen der Gesellschafter den Nebeneffekt einer Reduzierung der Ausfallwahrscheinlichkeit und damit einer Verbesserung des Ratings mit sich bringt. t0 tE Verbindlichkeiten Ausfallwahrscheinlichkeit Verteilungsfunktion des Aktivawerts zum Zeitpunkt tE aus Sicht von t0 Marktwert des Aktivums zum Zeitpunkt t0 mögliche Wertentwicklungspfade des Aktivums zwischen t0 und tE Zeit Verbindlichkeiten (abdiskontiert auf t0) (zum Zeitpunkt tE zu tilgen) Abbildung 8: Ausfallwahrscheinlichkeit nach dem Optionspreismodell von Merton65 2.5.3 Simulationsbasierte Ratings, R atingprognose und die Qualität von Ratings Die Qualität eines einzelnen Ratings ist abhängig von der Qualität des gesamten Ratingverfahrens eines Kreditinstituts – aber nicht nur von dieser. Die Determinanten der Qualität eines einzelnen Ratings sind:66 • Die Qualität des Ratingverfahrens: Die Qualität des Ratingverfahrens kann anhand von Kriterien wie Kalibrierung, Trennschärfe und Stabilität beurteilt werden. Für die Qualität eines Einzelratings ist die Qualität des Ratingverfahrens, welches das Kreditinstitut anwendet, maßgeblich. Sofern keine weiteren Informationen über den betrachteten Einzelfall vorliegen, ist davon auszugehen, dass die Qualität des Einzelratings mit der des gesamten Ratingsystems – also der durchschnittlichen Qualität des Ratingverfahrens – übereinstimmt. • Die Eignung des Ratingverfahrens für den betrachteten Fall: Es kann nicht grundsätzlich vorausgesetzt werden, dass das Ratingverfahren für alle Arten von Unternehmen die gleiche Leistungsfähigkeit aufweist. Spezifi sche Merkmale eines Unternehmens oder eines ganzen Segments von Unternehmen können dazu führen, dass das Ratingverfahren insgesamt eine geringere Leistungsfähigkeit aufweist, so dass die entsprechende Ratingqualität niedriger ausfällt. Banken begegnen diesem Problem zumindest partiell dadurch, indem sie für jede relevante Zielgruppe separate Ratingverfahren entwickeln. 65 Nach Bemmann (2007), S. 43 66 In enger Anlehnung an Gleißner/Bemmann (2008). 2. Grundlagen der Finanzierung und des Ratings58 • Die Qualität der Anwendung des Ratingverfahrens im betrachteten Einzelfall: Die verfügbaren und für das Rating ausgewerteten Informationen, aber auch die Fähigkeiten der Personen, die ein konkretes Rating erstellt haben, unterscheiden sich von Fall zu Fall. Das Wissen über den Umfang der erhobenen Informationen, die beteiligten Personen und sonstigen Rahmenbedingungen, die für die Erstellung eines Ratings maßgeblich sind, sind grundsätzlich von Bedeutung, um die Qualität eines einzelnen Ratings einschätzen zu können. Tendenziell ist beispielsweise eine umso bessere Ratingqualität zu erwarten, je mehr Informationen zur Verfügung stehen und je besser die Mitarbeiter qualifi ziert sind, die das Rating durchführen. Um die Qualität eines konkreten Ratings – die „Rating-Evidenz “67 – einzuschätzen, ist es damit neben der Beurteilung der Qualität des Ratingverfahrens als Ganzes erforderlich, (1) die konkreten Umstände bei der Erstellung eines Ratings, insbesondere die verfügbaren Informationen, zu kennen und (2) zu beurteilen, ob bei den konkreten Rahmenbedingungen die Anwendung des Ratingverfahrens grundsätzlich sinnvoll erscheint. Die beiden genannten Aspekte werden im Folgenden näher betrachtet. Hier wird die Bedeutung von Risiko und Risikomanagement für das Rating aufgezeigt. Dabei wird das Konzept der Repräsentativitätshypothesen vorgestellt. Dieser Ansatz dient dazu zu beurteilen, inwieweit die vorliegenden (historischen) Daten über ein Unternehmen grundsätzlich geeignet sind, Aussagen über die zukünftigen Ausfallwahrscheinlichkeiten abzuleiten. • Beurteilung einzelner Ratings versus Beurteilung von Ratingsystemen: In der Praxis gibt es viele Fälle, in denen nicht die Qualität des gesamten Insolvenzprognose- bzw. Ratingsystems, sondern die eines konkreten Ratings von Interesse ist. Die Qualität eines einzelnen Ratings ist dabei jedoch – wie erwähnt – nicht zwingend deckungsgleich mit der Qualität des zugrunde liegenden Ratingsystems. • Schwächen empirisch-statistischer Verfahren und Repräsentativitätshypothese : Für die We iterentwicklung von Ratingsystemen und die Verbesserung der Qualität der Ratings ist die Kenntnis der Schwächen üblicher empirisch-statistischer Insolvenzprognoseverfahren notwendig. Ein erster Problembereich dieser üblichen Ratingverfahren besteht darin, dass deren Anwendungsvoraussetzungen im einzelnen Anwendungsfall oft nicht kritisch geprüft werden. Von Bedeutung sind hier die Repräsentativitätshypothesen, denen zu Folge bei einer der Anwendung eines empirisch-statistischen, indirekten Ratingverfahrens sichergestellt werden muss, dass ein Unternehmen bezüglich der wesentlichen Faktoren repräsentativ für die Grundgesamtheit sein muss, auf deren Basis das Ratingverfahren entwickelt wurde und dass die aktuellen bzw. historischen Ausprägungen der wesentlichen Charakteristika des Unternehmens möglichst erwartungstreue Schätzer für die zukünftigen Ausprägungen dieser Charakteristika sein sollten. Geringe Verletzungen dieser Repräsentativitätshypothesen kann begegnet werden, beispielsweise dadurch, dass die Jahresabschlussdaten um die Auswirkungen au- ßergewöhnlicher Risiken bereinigt werden. Je stärker die Repräsentativitätshypothesen verletzt werden, desto nützlicher wird die Anwendung simulationsbasierter und zukunftsorientierter Ratingprognosen auf Basis struktureller Modelle (siehe Abschnitt 3.4). Diese basieren auf der Monte-Carlo-Simulation, bei der ausgehend von einer Unternehmensplanung und einer stochastischen Modellierung derjenigen Risiken, die Planabweichungen auslösen können, ermittelt wird, welche zukünftige Entwicklung bei den Finanzkennzahlen eines Unternehmens zu erwarten 67 Siehe Everling/Gleißner (2004). 2.5 Empirisch-statistische und strukturelle Ratingmodelle 59 ist – und welche risikobedingten Bandbreiten nach oben und unten (Konfi denzintervalle) zu berücksichtigen sind. Hier wird also die gleiche Methode genutzt wie bei der Risikoaggregation (Gleißner, 2001 und 2008) und bei der simulationsbasierten Unternehmensbewertung (Gleißner, Kamaras und Wolfrum 2008). Weitere Schwächen empirisch-statistischer Verfahren liegen in deren mangelhaften Fähigkeit, Insolvenzen erklären und quantitativ fundierte Handlungsempfehlungen zur Beeinfl ussung der individuellen Ausfallwahrscheinlichkeit geben zu können. Im Gegensatz zu strukturellen Modellen messen diese Verfahren zwar, welche Variablenkombinationen empirisch mit Ausfällen korrelieren, sie geben aber keine Kausalitäten wieder, sondern generieren nur „statistisch optimal gewichtete Symptombeschreibungen“. Regelmäßig können sie deshalb durch ökonomisch unsinniges Verhalten manipuliert werden. Dies ist auch ein Grund dafür, neben dem Schutz geistigen Eigentums  – insbesondere vor den Wettbewerbern68 – oder der Verhinderung „selbsterfüllender Prognosen“69, warum Banken ihre Schätzverfahren geheim halten wollen. Als Alternative oder Ergänzung zu empirisch-statistische Insolvenzprognoseverfahren können auch simulationsbasierte, direkte Ratingverfahren auf Basis struktureller Modelle genutzt werden, die in jedem Simulationslauf unmittelbar überprüfen, ob bei diesem Zukunftsszenario Überschuldung oder Illiquidität des Unternehmens vorliegt, so dass hier – ohne Bezug zu Finanzkennzahlen – unmittelbar die Bestimmung der Insolvenzwahrscheinlichkeit in der Zukunft möglich ist. Strukturelle Modelle und stochastische Ratingprognosen – Relevanz des Risikos Strukturelle simulationsbasierte Modelle (siehe auch den folgenden Abschnitt) basieren auf vollständigen und widerspruchsfreien – und im Idealfall auch realistischen – ökonomischen Modellen und berücksichtigen damit Unternehmensplanung und Risiko explizit. Ein nützlicher, stochastischer Simulationsansatz basiert auf einer detaillierten Abbildung der Bilanzen sowie Gewinn- und Verlustrechnungen und bietet somit viele Ansatzpunkte für die quantitativ fundierte Ableitung von Handlungsempfehlung zur Beeinfl ussung der individuellen Insolvenzwahrscheinlichkeit. So können z. B. auch alternative Risikotransferkonzepte oder andere Maßnahmen der Risikobewältigung im Hinblick auf die Ratingwirkung beurteilt werden (Gleißner 2008). Besonders deutlich wird dieser Vorteil der Simulationsmethodik, wenn es um die Bewertung und konsistente Berücksichtigung von geplanten, großen Veränderungen der Unternehmensstruktur geht, beispielsweise im Rahmen verschiedener Strategie- und Planungsvarianten. Solche Veränderungen könnten beispielsweise in der Aufnahme eines erheblichen Investitionskredits zur Errichtung einer neuen Produktionsanlage bestehen oder in einer großen geplanten Ausschüttung an die Eigentümer des Unternehmens. Die Beurteilung der Angemessenheit von Ausschüttungen soll zukünftig sogar durch (ebenfalls sinnvollerweise simulationsbasierte) Solvenztests zwingend bezüglich der Implikation für Gläubiger vorgeschrieben werden, wenn hier eine dies bezügliche Initiative der EU umgesetzt wird (vgl. Pellens/Crasselt/Sellhorn, 2007 und Gleißner, 2007) Ferner bietet ein modellbasiertes Vorgehen eine Reihe von weiteren potenziellen Vorteilen gegenüber herkömmlichen Insolvenzprognose- bzw. Ratingverfahren (Bemmann/Gleißner, 2007): • Insolvenzprognosen können auch dann erstellt werden, wenn keine Ausfalldaten „ähnlicher“ Unternehmen verfügbar sind; 68 Siehe Blöchlinger/Leippold (2006, S. 872) sowie Gleißner (2002). 69 Siehe Küting/Weber (2004, S. 350 f.). 2. Grundlagen der Finanzierung und des Ratings60 • Insolvenzprognosen können auch dann erstellt werden, wenn keine historischen Daten des untersuchten Unternehmens verfügbar sind, beispielsweise im Fall von Existenzgründungen70; • eine getrennte Ausweisung der Insolvenzwahrscheinlichkeit nach Überschuldungsund/oder Illiquiditätswahrscheinlichkeit ist möglich; • es können individuelle, anstelle (rating-)klassenspezifi scher Insolvenzprognosen getroffen werden; • es können individuelle Mehrjahresausfallprofi le prognostiziert werden; • es können die Konsequenzen alternativer Unternehmensstrategien für das Rating (Gläubigersicht) und zugleich der Unternehmenswert (Eigentümersicht) verglichen werden, wobei beide Bewertungen konsistent abgeleitet werden. Unabhängig von Branchenzugehörigkeit und anderen allgemeinen Eigenschaften des Schuldners ist grundsätzlich davon auszugehen, dass die Qualität eines traditionellen Ratingverfahrens sinkt, wenn wesentliche strukturelle Veränderungen eines Unternehmens in der Zukunft geplant sind – oder sogar schon realisiert wurden, sich aber in den letzten verfügbaren Jahresabschlüssen noch nicht niedergeschlagen haben. Gleiches gilt, wenn außergewöhnliche Risiken vorliegen. Gerade bestandsgefährdende Risiken lassen sich praktisch nie aus den Vergangenheitsdaten eines (noch lebenden) Unternehmens erkennen. Für die Weiterentwicklung der Ratingverfahren ist es daher sinnvoll, den bisher existierenden Ratingverfahren geeignete Expertensysteme vorzuschalten, die Hinweise geben, wenn aufgrund der genannten Informationen eine niedrigere Ratingqualität zu erwarten ist. In diesen Fällen sollten zumindest ergänzend zu den traditionellen Ratingverfahren alternative Verfahren zum Einsatz kommen, speziell die erwähnten simulationsbasierten Ratingprognosen. Durch die mit diesen Verfahren mögliche Ableitung von Empfehlungen, z. B. bezüglich des Risikotransfers, kann auch ein unmittelbarer Beitrag zur Reduzierung der Ausfallwahrscheinlichkeit von Unternehmen geleistet werden. Dies ist die Basis für eine Krisenprävention und zeigt die tatsächliche Bedeutung von Risiko und Risikomanagement für das zukünftige Rating. Risikoinformationen ermöglichen bessere Ratingprognosen. Varianten und Methoden von Ratingprognose n Bezüglich der angesprochenen Ratingprognosen auf Basis struktureller Modelle kann man mehrere Entwicklungsstufen unterscheiden: Im einfachsten Fall werden sog. „deterministische Ratingprognosen“ erstellt. Bei diesen wird basierend auf der Unternehmensplanung die zukünftig zu erwartende Ausprägung derjenigen Kennzahlen berechnet, die für das (Finanz-) Rating maßgeblich sind. Entsprechend wird hier eine Prognose der Ratingentwicklung berechnet, die auf der Annahme basiert, dass die Zukunftsentwicklung des Unternehmens tatsächlich den Planungen entspricht („bedingte Ratingprognose“). Der zweite Weiterentwicklungsschritt besteht in einer stochastischen kennzahlenbasierten Ratingprognose. Bei dieser wird in jedem Simulationslauf der Monte-Carlo-Simulation eine Ausprägung derjenigen Kennzahlen berechnet, die für das Rating maßgeblich sind, so dass als Ergebnis eine Wahrscheinlichkeitsverteilung der zukünftigen Ratingentwicklung entsteht. Damit lassen sich die möglichen Bandbreiten der künftigen Ratingentwicklung ermitteln, die sich als Konsequenz der betrieblichen Risiken ergibt. 70 Oder wenn die verfügbaren historischen Daten schlechte Schätzer für die erwartete zukünftige Entwicklung des Unternehmens darstellen, weil wesentliche strukturelle Änderungen des Unternehmens absehbar sind (beispielsweise bei Sprunginvestitionen oder Unternehmensübernahmen). 2.5 Empirisch-statistische und strukturelle Ratingmodelle 61 Obergrenze Konfidenzintervall Untergrenze Konfidenzintervall Finanzrating 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 Y0 Q1 Q2 Q3 Y1 Q1 Q2 Q3 Y2 Q1 Q2 Q3 Y3 Q1 Q2 Q3 Y4 Q1 Q2 Q3 Y5 Abbildung 9: Ratingprognose mit risikobedingten Bandbreiten Bei der dritten Entwicklungsstufe, einer „simulationsbasierten, direkten Ratingprognose“ wird ein völlig vom Ratingverfahren des Kreditinstituts unabhängiges Rating abgeleitet, in dem unmittelbar die Wahrscheinlichkeit von Überschuldung und Illiquidität aus der Simulation abgeleitet wird. Unabhängig von der Ausprägung konkreter Finanzkennzahlen wird dabei in jedem einzelnen Simulationslauf überprüft, ob Überschuldung und/oder Illiquidität vorliegen würde, womit die Insolvenzwahrscheinlichkeit des Unternehmens direkt ermittelt und in eine Ratingnote umgerechnet werden kann71. Ausgangspunkt der Entwicklung solcher struktureller Ratingprognose- bzw. Insolvenzprognosemodelle ist zunächst die Erstellung einer Plan-Gewinn- und Verlustrechnung und einer Plan-Bilanz. Anders als traditionelle Software-gestützte Unternehmensplanungsverfahren , ist dabei die Zuordnung der bewerteten Risiken zu den einzelnen Planwerten erforderlich.72 Die Plan-Positionen werden also durch geeignete Wahrscheinlichkeitsverteilungen beschrieben. Position Plan 2004 Gesamtleistung 439.750,00 1. Umsatzerlöse 415.769,00 2. Bestandsveränderung fertige/unfertige Erzeugnisse 386,00 3. andere aktivierte Eigenleistungen 0,00 4. sonstige betriebliche Erträge 23.595,00 5. Materialaufwand 325.317,00 a) Roh-, Hilfs- und Betriebsstoffe und bezogene Waren 299.135,00 b) bezogene Leistungen 26.182,00 Deckungsbeitrag 114.433,00 6. Personalaufwand 36.853,00 a) Löhne und Gehälter 30.355,00 b) Sozialabgaben und Altersaufwendungen 6.498,00 8. sonstiger betrieblicher Aufwand + 19. sonstige Steuern 28.401,00 Fixe, zahlungswirksame Kosten 65.254,00 EBITDA 49.179,00 7. Abschreibungen 33.488,00 a) auf immaterielle Vermögensgegenstände 33.488,00 b) auf Umlaufvermögen 0,00 Betriebsergebnis (EBIT) 15.691,00 9. Erträge aus Beteiligungen 8,00 10. Erträge aus Wertpapieren 5,00 11. Zinsen und ähnliche Erträge 1.233,00 12. Abschreibungen 0,00 13. Zinsen und ähnliche Aufwendungen 6.747,00 Finanzergebnis -5.501,00 14. ordentliches Ergebnis (EBIT) 10.190,00 15. a.o. Erträge 0,00 16. a.o. Aufwendungen 8.218,00 17. a.o. Ergebnis, Korrekturen -8.218,00 Gewinn vor Steuern 1.972,00 18. Steuern von Einkommen und Ertrag 540,33 20. Gewinn nach Steuern 1.431,67 Position Plan 2004 A: Anlagevermögen 77.144,00 B: Umlaufvermögen 84.450,00 I. Vorratsvermögen 29.109,00 II. Forderungen und sonst. Vermögensgegenstände 55.341,00 1. Forderungen aus Lieferungen und Leistungen 24.358,00 2. Forderungen gegen verbundene Unternehmen 1.082,00 3. Forderungen gegen beteiligte Unternehmen 165,00 4. sonstige Vermögensgegenstände 29.736,00 C. Rechnungsabgrenzungsposten (aktiv) 1.148,00 Bilanzsumme Aktive 162.742,00 A: Eigenkapital 35.143,00 I. Eigenkapital 32.157,00 II. Kapitalrücklage 122,00 III. Gewinnrücklagen 16,00 IV. Gewinn-/Verlustvortrag 1.416,00 V. Jahresüberschuss/Jahresfehlbeitrag 1.432,00 B: Rückstellung 17.006,00 C: Verbindlichkeiten 81.698,00 2. Verbindlichkeiten gegenüber Kreditinstituten 0 4. Verbindlichkeiten aus Lieferungen und Leistungen 3.992,00 6. Verbindlichkeiten gegenüber verbundenen Unternehmen 68.854,00 8. sonstige Verbindlichkeiten 2.854,00 Verbindlichkeiten gegen Gesellschafter 6.188,00 D: Rechnungsabgrenzungsposten (passiv) 28.895,00 Bilanzsumme (Passiva) 162.742,00 Schwankungen der Absatzmenge = 2% Absatzpreis = 0,5% Materialkosten = 0,5% Personalkosten = 1% sonst. Kosten = 1% Zinsen = 2% Abhängigkeit von Schlüsselkunden, Produkthaftung ... Berücksichtigung von Steuersatz Ausschüttungsquote, Gewinn-/Verlustvortrag Abbildung 10: Unternehmensmodell als Basis der Ratingprognose 71 Dieser theoretisch sinnvolle, aber in der Praxis der Kreditinstitute bisher wenig beachtete alternative Ansatz zur Fundierung von Ratings ist beispielsweise in der Risikomanagementund Ratingsoftware „Risiko-Kompass“ oder im „Strategie-Navigator“ der FutureValue Group AG implementiert, siehe www.risiko-kompass.de und www.futurevalue.de. 72 Siehe Gleißner (2002). 2. Grundlagen der Finanzierung und des Ratings62 Nicht direkt zuordenbare, außerordentliche Schadenswirkungen von Risiken, z. B. Haftpfl ichtfälle, werden dabei in der Position „außerordentliches Ergebnis“ zusammengefasst. Auf diese Weise können mittels Monte-Carlo-Simulation (wie bei der Risikoaggregation) Bandbreiten für die wichtigsten Plangrößen  – beispielsweise das Betriebsergebnis, den Jahresüberschuss oder den Eigenkapitalbestand zu Periodenende – berechnet werden. Mit den Angaben über die Risiken, die sich an unterschiedlichen Stellen der GuV und Bilanz auswirken, werden mehrere tausend mögliche Zukunftsszenarien generiert und deren Auswirkungen auf das Unternehmen bestimmt. So lässt sich auch der risikobedingte Eigenkapitalbedarf als Maß für den Gesamtrisikoumfang berechnen oder die Wahrscheinlichkeit ermitteln, mit der das Unternehmen innerhalb des gewählten Betrachtungszeitraums illiquide wird und/oder das vorhandene Eigenkapital vollständig verbraucht. Aus der relativen Häufi gkeit der Szenarien, in denen das Unternehmen während der Simulationen insolvent wurde, lässt sich die Ausfallwahrscheinlichkeit direkt ermitteln. 2.6 Rating und Mittelstand 2.6.1 Einführung Für den mittelständischen Unternehmer ist das eigene Rating, insbesondere das interne Rating der Hausbank, interessant und von Wichtigkeit, weil die Konditionengestaltung bei Bankkrediten maßgeblich vom Rating abhängt. Ratingherabstufungen gehören heute zu den drei wichtigsten Hindernissen bei der Unternehmensfi nanzierung.73 Die Frage nach dem erteilten Rating sollte daher in jedem Kundengespräch auf der Agenda stehen. Noch immer erteilt nicht jede Bank Auskünfte zum intern erstellten Rating. Hier sollte das Gespräch gesucht werden, denn auch Banken sind an einer Verbesserung des Ratings gelegen. Eine solche Diskussion über die Zukunft des Unternehmens kann aber erst nach gegenseitiger Offenlegung aller Informationen sinnvoll geführt werden. Der Grund für die Zurückhaltung der Institute liegt darin, dass die Offenlegung des bankinternen Ratings Banken potenziell in ein Dilemma bringt. Attraktiven Kunden kann ihre gute Bonität nicht länger verborgen bleiben, sodass Gewinnmargen weiter unter Druck geraten. Gibt die Bank das Rating preis, liefert sie dem Kunden nicht nur die Preisinformation, mit der er bei anderen Kreditinstituten um günstigere Offerten zu bitten vermag, sondern erleichtert den Mitbewerbern zugleich die Urteilsbildung. Einerseits wurden durch Basel II die Risiken für die Banken transparenter und damit die Risikomargen angemessener, andererseits sind die Gesamtkosten der Risikobeurteilung und -bewertung angestiegen. Damit ging auch eine deutliche Spreizung der Finanzierungsbedingungen für mittelständische Unternehmen einher. Für „risikoarme“ Unternehmen wurden die Finanzierungsbedingungen oft besser, für Unternehmen mit höheren Risiken verteuerten sich Kredite. In Zaum gehalten wurde die Spreizung, weil Banken intern Risikoprämien nach einem Versicherungsansatz berechnen, bei dem nicht ausgefallene Schuldner ausgefallene Unternehmen gegenfi nanzieren. Auch Basel III wird hier im Grundsatz wenig ändern. 73 „Finanzierungskonditionen der Unternehmen. Ergebnisse einer DIHK-Umfrage bei den Industrie-und Handelskammern. IHK-Expertenbefragung zur Unternehmens zur Unternehmensfi nanzierung 1.Halbjahr 2010“

Chapter Preview

References

Zusammenfassung

Rating und Finanzierung unter Basel III

Mit Basel III hat der sogenannte Baseler Ausschuss ein neues Regelwerk mit Eigenkapitalvorschriften für Banken veröffentlicht, das ab 2013 schrittweise in Kraft tritt. Während Basel II vor allem die Risikomessung zum Gegenstand hat, geht es in den neuen Regelungen um die Definition des Eigenkapitals und die erforderlichen Mindestquoten. Das stellt insbesondere mittelständische Firmen, die auf weitere Kreditvergabe durch Banken angewiesen sind, vor neue Herausforderungen.

Das Praxishandbuch Rating und Finanzierung stellt Firmen Bausteine für eine ratingorientierte Unternehmensführung zur Verfügung.

Die Schwerpunkte:

- Rating als Erfolgsfaktor

- Analyse der eigenen Situation: Wie gut ist unser Rating?

- Optimierung des Ratings

- IT-gestützte Hilfsmittel für das Rating

- Die Zukunft von Rating und Finanzierung

Besonders praktisch

sind die Checklisten zur Analyse und Optimierung des eigenen Unternehmens sowie die CD mit der Software Quick-Rater, die eine Eigenbewertung des Unternehmens ermöglicht.

Die Autoren

Dr. Werner Gleißner ist Vorstand der FutureValue Group AG und Dr. Karsten Füser ist Partner bei Ernst&Young.

Zielgruppe

Mitarbeiter in den Finanzabteilungen mittelständischer Unternehmen.