Читать книгу Unternehmenssanierung, eBook - Guido Koch - Страница 96

184

Die Künstliche Neuronale Netzanalyse ist eine Technik der Künstlichen Intelligenz.[130] Mit der Künstlichen Neuronalen Netzanalyse können Muster in Datenmengen erkannt werden. Die Mustererkennung kann u.a. dazu eingesetzt werden, Kombinationen von Kennzahlen auf der Basis einer Vielzahl von Jahresabschlüssen von Unternehmen zu ermitteln, die eine Unterscheidung zwischen bestandsfesten und existenzgefährdeten Unternehmen erlauben.[131]

185

Das Künstliche Neuronale Netz ist ein Abbild (Modell) des biologischen neuronalen Netzes. Ähnlich wie ein biologisches neuronales Netz besteht auch ein Künstliches Neuronales Netz aus Modellzellen (Neuronen), die in Schichten angeordnet miteinander verbunden sind. Die Verbindungen zwischen den Neuronen im biologischen Netz, die sog. Synapsen, werden im Künstlichen Neuronalen Netz durch Verbindungsgewichte dargestellt. Je stärker ein Verbindungsgewicht ist, desto bedeutender sind die Informationen, die zwischen den verbundenen Neuronen fließen. Abhängig von den vorzugebenden Lernregeln werden diese Gewichte während einer Lernphase durch die „gesammelten Erfahrungen“ beim Training des neuronalen Netzes mit den Kennzahlen von gesunden und kranken Unternehmen modifiziert. Die Lernregeln schreiben dem Netz vor, wie es lernen soll, aus einer bestimmten Eingabe die gewünschte Ausgabe zu erzeugen, z.B. zu ermitteln, ob es sich bei den verarbeiteten Jahresabschlusskennzahlen um solche eines gesunden oder eines kranken Unternehmens handelt.[132]

186

Wird die Künstliche Neuronale Netzanalyse zur Ermittlung von Jahresabschlusskennzahlen-Symptom-Mustern zur Erkennung von Unternehmenskrisen eingesetzt, besteht die Netzeingabe aus Kennzahlenausprägungen jener Unternehmen, deren Jahresabschlüsse als Trainings- bzw. als Lern-Stichprobe zufällig ausgewählt wurden. Die Netzausgabe (N-Wert) ist in diesem Fall ein Bonitätsindex. Welche Kennzahlen in den N-Wert mit welchem Gewicht eingehen, lernt das Künstliche Neuronale Netz anhand einer großen Zahl von Jahresabschlussdaten der solventen sowie der später insolvent gewordenen Unternehmen, die in das Netz immer wieder zum Training eingegeben werden. Analysen im Bereich der Früherkennung von Unternehmenskrisen mithilfe von Jahresabschlusskennzahlen haben ergeben, dass Drei-Schichten-Netze mit einer Eingabeschicht, einer versteckten Schicht und einer Ausgabeschicht bei der empirisch-statistischen Jahresabschlussanalyse die besten Klassifikationsergebnisse liefern.[133] Die Neuronen in der Eingabeschicht nehmen die Informationen auf und geben sie weiter. In der versteckten Schicht werden die Informationen verarbeitet und an die Ausgabeschicht weitergeleitet, welche das Ergebnis der Informationsverarbeitung ausgibt (vgl. Abb. 15).

187