Informationsplattform KMU
Insolvenzprognose —
Methoden & Geschichte
Wie kann man vorhersagen, ob ein Unternehmen in die Insolvenz geht? Von den ersten univariaten Modellen der 1960er Jahre bis zu Neural Networks und LLMs heute — ein Überblick über 60 Jahre Forschung.
Quellen: Wallner (2025) Masterarbeit · Wallner (2023) Bachelorarbeit · 81 wissenschaftliche Studien (Scopus, EBSCO, Google Scholar)
1966Erste systematische Insolvenzforschung (Beaver)
81Analysierte Studien in der Masterarbeit
6Verglichene Modelle im Forschungsprojekt
96,8 %Höchste Genauigkeit in Literatur (CNN)
Historische Entwicklung
60 Jahre Insolvenzprognoseforschung
Von der univariaten Diskriminanzanalyse bis zu Large Language Models — die Methoden wurden immer mächtiger, die Datenbasis reicher und die Prognosen präziser.
1966
Pionierarbeit
Erste systematische Insolvenzforschung
William Beaver eröffnet die wissenschaftliche Insolvenzforschung mit einer univariaten Diskriminanzanalyse. Er zeigt, dass einzelne Finanzkennzahlen wie Cashflow, Verbindlichkeiten und Working Capital signifikante Vorhersagekraft haben.
Klassische Statistik
1968
Der Z-Score
Der Altman Z-Score — bis heute ein Benchmark
Edward Altman entwickelt den Z-Score: ein multivariates Diskriminanzmodell mit fünf Finanzkennzahlen. Das Modell gilt bis heute als Benchmark in der Insolvenzprognose und wurde in hunderten Studien repliziert und erweitert — auch auf nicht-börsennotierte Unternehmen (Altman 1983) und KMU (Altman & Sabato 2007). Die Bachelorarbeit (Wallner 2023) wendet das Altman-Modell erstmals auf österreichische KMU an.
Klassische Statistik
1980
Logit
Logistische Regression als neuer Standard
James Ohlson führt die logistische Regression in die Insolvenzforschung ein. Die Methode dominiert jahrzehntelang als methodischer Standard — durch ihre Transparenz und Interpretierbarkeit bleibt sie auch heute regulatorisch bevorzugt.
Klassische Statistik
2000er
Machine Learning
Machine Learning hält Einzug
Fortschritte in der Computertechnologie ermöglichen den Einsatz komplexerer Modelle: Decision Trees, Random Forest, Support Vector Machines und Neural Networks übertreffen klassische Modelle in der Prognosegenauigkeit. Sie erkennen nicht-lineare Zusammenhänge, die klassische Statistik nicht abbilden kann.
Machine Learning
Heute
KI & NLP
Von CNN bis BERT — KI in der Insolvenzprognose
Aktuelle Studien erzielen mit Convolutional Neural Networks (CNN) bis zu 96,8 % Genauigkeit (Zeng 2022). Large Language Models und BERT-basierte Modelle analysieren Texte aus Jahresabschlüssen — ein völlig neuer Ansatz. Unser Forschungsprojekt testet genau diese Methodengeneration für österreichische KMU.
Machine Learning + NLP
Methodenüberblick
Die drei Methodenklassen im Vergleich
Unser Forschungsprojekt vergleicht systematisch alle drei Generationen von Prognosemethoden — auf dem gleichen Datensatz, über vier Prognosezeiträume.
Klassische Statistik
Transparent & bewährt
Statistische Verfahren mit klar interpretierbaren Koeffizienten — regulatorisch bevorzugt und seit Jahrzehnten erprobt.
Logistische Regression (LR)
Diskriminanzanalyse
Altman Z-Score
Probit-Modelle
Machine Learning
Präzise & adaptiv
ML-Verfahren erkennen nicht-lineare Muster — höhere Prognosegenauigkeit, aber geringere Interpretierbarkeit (Black-Box).
Random Forest (RF)
Gradient Boosting (GB)
Support Vector Machine (SVM)
Neural Networks (NN)
Decision Tree (DT)
XGBoost
Advanced AI
Pionierarbeit
Textbasierte Insolvenzprognose mit NLP — analysiert Lagebeschreibungen und Jahresabschluss-Texte, nicht nur Kennzahlen.
BERT / FinBERT
Large Language Models (LLM)
NLP-Pipelines
Sentiment-Analyse
| Kriterium | Klassische Statistik | Machine Learning | Advanced AI |
|---|---|---|---|
| Prognosegenauigkeit | Mittel | Hoch | Sehr hoch |
| Interpretierbarkeit | Sehr hoch | Gering (Black Box) | Sehr gering |
| Datenbedarf | Gering | Hoch | Sehr hoch |
| Regulatorische Akzeptanz | Hoch | Eingeschränkt | Gering |
| KMU-Eignung | Gut | Mittel | Schwierig |
Besonderheiten bei KMU
Warum braucht es KMU-spezifische Modelle?
Modelle die für börsennotierte Großunternehmen entwickelt wurden, funktionieren für KMU nur eingeschränkt. Die Gründe liegen in den strukturellen Besonderheiten kleiner Unternehmen.
Eingeschränkte Offenlegungspflichten
Kleinstunternehmen müssen nur aggregierte Bilanzen einreichen — keine GuV, keine Details. In der Masterarbeit konnten nur 7 Kennzahlen aus dem KSV1870-Datensatz berechnet werden (statt üblicher 30+).
Keine Börsendaten
Modelle wie der ursprüngliche Altman Z-Score (1968) basieren auf Aktienkursen — die es bei nicht-börsennotierten KMU nicht gibt. Altman entwickelte deshalb später angepasste Versionen.
Hohe Datenheterogeneität
KMU aus verschiedenen Branchen und Größenklassen unterscheiden sich fundamental. Branchenspezifische Modelle (wie für den Bausektor) liefern deutlich bessere Ergebnisse als generische Ansätze.
Unausgewogene Datensätze
Insolvenzen sind seltene Ereignisse — im KSV1870-Datensatz nur ~8 % der Fälle. Ohne spezielle Balancierungsmethoden (SMOTE) lernen Modelle, immer „solvent“ vorherzusagen.
Mehr auf dieser Plattform