Über das Forschungsprojekt
A Data-Driven Comprehensive Approach for Credit Default Prediction of Non-Listed Austrian Companies — ein dreijähriges Forschungsprojekt der FH Oberösterreich zur Insolvenzprognose österreichischer KMU.
Warum dieses Forschungsprojekt?
Die Beurteilung von Kreditausfallrisiken ist für börsennotierte und nicht-börsennotierte Unternehmen gleichermaßen zentral. Die bestehende Forschung konzentriert sich jedoch überwiegend auf börsennotierte Unternehmen — nicht-börsennotierte KMU erhalten kaum methodische Unterstützung.
Regulatorische Veränderungen (Basel III, IFRS 9) sowie wirtschaftliche Schocks wie COVID-19 und die Energiekrise 2022 haben die Anforderungen an präzise Kreditrisikomodelle deutlich erhöht. Gleichzeitig eröffnen KI und maschinelles Lernen völlig neue Möglichkeiten.
Dieses Projekt schließt die Forschungslücke: mit einem datengestützten, umfassenden Ansatz — und Zugang zu über 1,7 Millionen Bilanzen nicht-börsennottierter österreichischer Unternehmen seit 1995.
Vier zentrale Forschungsbeiträge
Warum nicht-börsennotierte KMU?
Eingeschränkte Offenlegung
KMU unterliegen reduzierten Berichtspflichten — keine Kapitalmarktdaten, oft nur Bilanz und GuV verfügbar.
Höhere Vulnerabilität
Verlust eines Großkunden, Managementwechsel oder strategische Fehlentscheidungen wirken bei KMU unmittelbarer.
Systemische Relevanz
KMU-Insolvenzen haben kaskadenartige Effekte auf Lieferketten, Beschäftigung und regionale Finanzmarktstabilität.
Die vier Kernfragen des Projekts
Welche Indikatoren sind entscheidend?
Welche finanziellen und nicht-finanziellen Variablen haben den größten Einfluss auf das Ausfallrisiko nicht-börsennotierter österreichischer Unternehmen?
Statistik vs. Machine Learning?
Wie gut performen klassische Methoden (Logistische Regression, Diskriminanzanalyse) im Vergleich zu modernen ML-Ansätzen (Random Forest, SVM, ANN)?
Welchen Beitrag leisten Makrodaten?
Verbessern makroökonomische Indikatoren wie BIP-Wachstum, Zinssätze oder Arbeitslosigkeit die Vorhersagegenauigkeit?
Können Texte Insolvenzen vorhersagen?
Lassen sich aus Nachrichtenartikeln mittels NLP und Large Language Models verlässliche Frühwarnsignale extrahieren?
Drei Methodenblöcke im Vergleich
Traditionelle Statistik
Bewährte Methoden mit hoher Interpretierbarkeit — als Benchmark und für regulatorische Anforderungen unverzichtbar.
Machine Learning
Datengestützte Methoden zur Erkennung nichtlinearer Muster — mit höherer Vorhersagegenauigkeit bei ausreichend Daten.
Natural Language Processing
Transformation unstrukturierter Texte in prädiktive Features — Pionierarbeit für die KMU-Insolvenzforschung in Österreich.
Wie die drei Datenströme zusammenfließen
Drei Phasen bis 2028
Jan – Dez 2025 · In Arbeit
Jul 2025 – Dez 2028
Jan 2026 – Dez 2028
Konferenzen & Publikationen
BAFA 2026 · Birmingham, UK
ML vs. statistische Methoden für österreichische KMU im Bausektor · Juli 2026
BAFA 2025 · Belfast
Erstpräsentation des Forschungsprojekts bei der British Accounting and Finance Association · 2025
CARF Luzern 2023
Darmann & Wallner: Anwendung der Altman Z-Scores zur Insolvenzprognose in Österreich · CARF Konferenzband, 183–206
Predicting Credit Defaults for SMEs
Darmann, Leitner-Hanetseder & Perkhofer (2024) · Eurasian Studies in Business and Economics · in press
Workshop mit Prof. Edward Altman · NYU
Geplant für August 2026 · Diskussion der Modellergebnisse mit dem Begründer des Z-Score-Modells