Sieben Finanzkennzahlen sagen KMU-Insolvenzen bis zu drei Jahre im Voraus vorher
Es gibt einen merkwürdigen Moment in jeder Branche, wenn die Erkenntnisse, die ein Problem lösen würden, seit Jahrzehnten verfügbar sind, aber niemand sie auf die richtige Weise zusammengeführt hat. Genau das hat eine im Global Business and Economics Review veröffentlichte Studie dokumentiert: dass die Insolvenz kleiner und mittlerer Unternehmen in Europa mit bis zu drei Jahren Vorlauf anhand von nur sieben standardisierten Bilanzkennzahlen vorhergesagt werden kann – dieselben, die jeder Buchhalter bereits berechnet und die Banken seit Jahrzehnten empfangen, ohne genau zu wissen, was sie in Kombination damit anfangen sollen.
Die von Sónia Silva unterzeichnete Studie analysierte Daten von mehr als 24.500 europäischen Unternehmen über einen Zeitraum von acht Jahren. Das resultierende Modell erreicht eine globale Genauigkeit von rund 82 % und identifiziert korrekt mehr als 70 % der Insolvenzen drei Jahre vor deren Eintreten, wenn es auf Daten mit bekannten Ergebnissen angewendet wird. Es handelt sich nicht um einen maschinellen Lernalgorithmus, der mit Millionen von Variablen trainiert wurde. Es ist ein multivariates Vorhersagemodell, das auf sieben Kennzahlen aufgebaut ist: Cash-Ratio, Zinsdeckungsgrad, Solvenzquote, kurzfristige Finanzierung, Verschuldungsgrad, Schulden-zu-Aktiva-Verhältnis und Gesamtkapitalrentabilität. Sieben Zahlen, die bereits in Bilanzen vorhanden sind und die zusammen Liquidität, Schuldenlast, finanzielle Widerstandsfähigkeit und Rentabilität eines Unternehmens mit ausreichender Genauigkeit beschreiben.
Die Frage, die der Befund auf den Tisch legt, ist keine technische. Sie ist struktureller Natur: Wenn die Daten vorhanden waren und die Modelle funktionieren, was hat dann verhindert, dass dies früher geschah?
Die Lücke, die die Wissenschaft zu lange offen gelassen hat
Die Vorhersage von Unternehmensinsolvenzen hat eine lange akademische Geschichte. Die klassischen Modelle, die in den 1960er und 1970er Jahren entwickelt wurden, waren für große börsennotierte Unternehmen konzipiert, die Zugang zu Marktbewertungen, Börsendaten und ausreichend transparenten Finanzstrukturen hatten, um robuste statistische Modelle zu speisen. KMU blieben außen vor – nicht aus Nachlässigkeit, sondern weil sie eine Kategorie darstellten, die die traditionelle Unternehmensfinanzierung als zu undurchsichtig, zu heterogen und in vielen Fällen als zu klein behandelte, um den analytischen Aufwand zu rechtfertigen.
Das Problem mit dieser Logik ist, dass KMU keine Nebenkategorie sind. Sie stellen die Mehrheit der Unternehmen in den OECD-Volkswirtschaften dar und etwa zwei Drittel der Beschäftigung in diesen Ländern. Das Insolvenzrisiko von KMU ist kein Problem der Mikroökonomie, das auf individueller Ebene handhabbar ist: Es ist eine Variable mit direkten Folgen für das Bankensystem, den Arbeitsmarkt und die fiskalische Stabilität von Regierungen, die Kreditgarantieprogramme oder Beschäftigungssubventionen betreiben.
Was Silvas Arbeit leistet, ist, diese Lücke mit einem Datensatz zu schließen, der umfangreich genug ist, um das Modell statistisch robust zu machen, und der sich auf zugängliche Kennzahlen konzentriert, sodass es ohne außerordentliche Infrastruktur replizierbar ist. Der aufschlussreichste Befund ist nicht, dass das Modell mit 82 % Genauigkeit funktioniert: Es ist, dass dieses Präzisionsniveau drei Jahre vor dem Insolvenzereignis erreicht wird – ein zeitlicher Horizont, der die Logik der Intervention vollständig verändert.
Drei Jahre sind genug Zeit, um Kreditbedingungen neu zu verhandeln. Es ist genug Zeit, damit ein Kreditgeber Sicherheiten anpasst, Covenants ändert oder das Monitoring eines bestimmten Portfolios intensiviert. Es ist genug Zeit, damit ein KMU-Eigentümer Restrukturierungsentscheidungen trifft, bevor die Situation irreversibel wird. Was dieses Modell von den Frühwarnsystemen unterscheidet, die bereits in vielen europäischen Banken existieren, ist genau dieser erweiterte Zeithorizont in Kombination mit der Sparsamkeit des Instruments: sieben Kennzahlen, nicht Hunderte von Variablen.
Was die sieben Kennzahlen über die Anatomie einer Insolvenz verraten
Die sieben Indikatoren des Modells als Gesamtheit zu betrachten – anstatt als isolierte Variablen – liefert eine interessantere Diagnose als jede einzelne von ihnen für sich. Die Auswahl ist nicht willkürlich: Jede Kennzahl erfasst eine andere Risicodimension, und gemeinsam zeichnen sie ein dreidimensionales Bild des Unternehmens.
Die Cash-Ratio und die kurzfristige Finanzierung beschreiben die unmittelbare Liquidität und die Art und Weise, wie das Unternehmen seine dringendsten Verpflichtungen verwaltet. Ein Unternehmen kann auf dem Papier rentabel sein und dennoch an fehlender Liquidität ersticken. Das ist keine seltene Ausnahme bei KMU: Es ist einer der häufigsten Insolvenzmechanismen, insbesondere bei Unternehmen mit langen Forderungszyklen und Lieferanten, die schnelle Zahlungen verlangen.
Die Solvenzquote, der Verschuldungsgrad und das Schulden-zu-Aktiva-Verhältnis erfassen die Kapitalstruktur und die Fähigkeit, Verluste zu absorbieren, ohne zusammenzubrechen. Ein hochverschuldetes Unternehmen kann überleben, solange die Cashflows stabil sind, aber seine Toleranzgrenze gegenüber einem Umsatzrückgang ist minimal. Diese drei Kennzahlen beschreiben zusammen, wie viel Luft dem Unternehmen noch bleibt, bevor die Schulden nicht mehr tragbar werden.
Der Zinsdeckungsgrad fügt eine operative Dimension hinzu: Er misst, ob das Unternehmen genug Deckungsbeitrag erwirtschaftet, um seine Finanzierungskosten zu decken. Ein Unternehmen, das seine Zinsen nicht aus seinem operativen Ergebnis decken kann, verbraucht Eigenkapital oder zusätzlichen Kredit, um aktiv zu bleiben – ein Signal für strukturelle Erosion, das über mehrere Quartale hinweg unsichtbar bleiben kann, wenn man nur den Jahresüberschuss betrachtet.
Die Gesamtkapitalrentabilität schließt das Modell ab, indem sie die Effizienz misst, mit der das Unternehmen seine Vermögenswerte in Ergebnisse umwandelt. Ein anhaltender Rückgang dieses Indikators in Kombination mit steigendem Verschuldungsgrad und sinkender Liquidität erzeugt das Muster, das das Modell als Vorbote einer Insolvenz erkennen lernt.
Was aus einer Nutzenperspektive bedeutsam ist: Keine dieser sieben Kennzahlen erfordert Informationen, die nicht bereits in den grundlegenden Jahresabschlüssen eines Unternehmens vorhanden sind. Es ist kein Zugang zu Marktdaten, externen Bewertungen oder Managementprognosen erforderlich. Das Modell arbeitet mit dem, was bereits existiert – was direkte Auswirkungen darauf hat, wer es übernehmen kann und zu welchen Kosten.
Der Engpass, den das Modell allein nicht lösen kann
Die Studie selbst weist auf eine Einschränkung hin, die gesonderte Aufmerksamkeit verdient: Das Modell würde von einer umfassenderen Finanzberichterstattung durch KMU profitieren, aber die Autoren halten das für „höchst unwahrscheinlich angesichts der Natur der kleineren Unternehmen". Dieser Satz bündelt eine Spannung, die nicht neu ist, die dieser Befund aber mit größerer Dringlichkeit als zuvor wieder auf den Tisch bringt.
KMU haben strukturelle Anreize, ihre Finanzdaten undurchsichtig zu halten. Ein Teil dieser Intransparenz ist defensiver Natur: Die Weitergabe detaillierter Informationen an Kreditgeber oder den Markt kann die Verhandlungsposition eines Eigentümers schwächen, Wettbewerbsschwachstellen offenlegen oder schlicht einen administrativen Aufwand erzeugen, den ein kleines Unternehmen nicht bewältigen kann. Das Ergebnis ist ein Markt, in dem Vorhersageinstrumente genau dort am besten funktionieren, wo Informationen am reichlichsten vorhanden sind – also bei Unternehmen, die sie am wenigsten benötigen.
Dieses Ungleichgewicht hat direkte Konsequenzen für Kreditgeber. Banken und Mikrokreditinstitutionen, die im Segment kleiner KMU tätig sind – nicht der gut dokumentierten mittleren Unternehmen, sondern der Kleinstunternehmen und kleinen Betriebe mit vereinfachter Buchführung – haben nur Zugang zu einem Bruchteil der Informationen, die das Modell benötigt, um mit seiner dokumentierten Präzision zu arbeiten. In diesen Fällen kann das Modell weiterhin als relatives Risikoreferenzrahmen nützlich sein, aber seine Vorhersagefähigkeit nimmt proportional zur Qualität der verfügbaren Daten ab.
Für öffentliche Kreditgarantieprogramme ist die Herausforderung anders, aber ebenso konkret. Viele dieser Programme stehen unter politischem Druck, den Kreditzugang zu maximieren, was in der Praxis bedeutet, Unternehmen mit Risikoprofilen zu finanzieren, die eine Privatbank ablehnen würde. Ein Modell mit der von Silva dokumentierten Genauigkeit könnte dazu genutzt werden, besser zwischen lebensfähigen Unternehmen mit vorübergehenden Liquiditätsproblemen und Unternehmen mit irreversibler struktureller Erosion zu unterscheiden – was die Effizienz der öffentlichen Ausgaben verbessern würde. Dies setzt jedoch voraus, dass die begünstigten Unternehmen mit dem Detaillierungsgrad berichten, den das Modell benötigt, und diese Anforderung steht in direktem Widerspruch zur Vereinfachungslogik, die die Programme überhaupt erst rechtfertigt.
Die Kennzahl, die europäische Banken bereits berechnen sollten
Die Forschung erscheint zu einem Zeitpunkt, an dem der makroökonomische Kontext in Europa ihre Relevanz verstärkt. Frühere Studien über die Auswirkungen der COVID-19-Pandemie auf europäische KMU dokumentierten Anstiege des Insolvenzrisikos in der Größenordnung von 21 % während dieses Zeitraums, gemessen als Funktion von Rückgängen bei Rentabilität, Umsatz und Betriebskapital. Dieselben Variablen, die das Modell von Silva als zentrale Prädiktoren identifiziert.
Für Banken mit erheblichen KMU-Kreditportfolios ist das wirtschaftliche Argument für die Einführung eines Überwachungsrahmens auf Basis dieser sieben Kennzahlen eindeutig. Der Internationale Währungsfonds hat dokumentiert, dass eine massive Erosion bei KMU das Tier-1-Kapital der Bankensysteme in den am stärksten exponierten Ländern um bis zu 2 Prozentpunkte senken kann. Das ist kein abstraktes Risiko: Es ist eine Variable, die europäische Aufsichtsbehörden seit 2020 mit wachsender Aufmerksamkeit verfolgen und die die Risikomanagementteams jeder Bank mit einem relevanten KMU-Portfolio dauerhaft quantifizieren sollte.
Die praktische Einführung des Modells in Banken-Überwachungssysteme erfordert keine großen technologischen Investitionen. Es erfordert Disziplin bei der Erfassung periodischer Jahresabschlüsse der Kreditnehmer, Standardisierung bei der Berechnung der sieben Kennzahlen und einen klaren internen Alarmprozess, wenn ein Unternehmen gleichzeitig in mehreren Indikatoren Risikoschwellen überschreitet. Das ist eher ein Prozessproblem als ein Technologieproblem – was die Implementierungshürde für mittelgroße Institute, die kein Budget für proprietäre maschinelle Lernmodelle haben, erheblich senkt.
Was das Modell von Silva in diesem Kontext besonders nützlich macht, ist nicht nur seine Präzision, sondern seine Interpretierbarkeit. Ein Modell mit sieben Kennzahlen ist prüffähig. Ein Kreditanalyst kann einem Risikoausschuss erklären, warum ein bestimmtes Unternehmen einen Alarm ausgelöst hat: „Die Cash-Ratio fiel in zwei aufeinanderfolgenden Geschäftsjahren um 40 %, während der Verschuldungsgrad um 15 Prozentpunkte stieg und die Gesamtkapitalrentabilität negativ wurde." Das ist eine Diagnose, die Maßnahmen auslöst. Ein Black-Box-Modell mit 200 Variablen mag eine höhere statistische Genauigkeit aufweisen, erzeugt aber schwierigere Gespräche auf den Ebenen, auf denen echte Kreditentscheidungen getroffen werden.
Das Signal, das niemand gemeinsam las
Der dauerhafteste Beitrag dieser Arbeit ist nicht das Modell an sich. Es ist der Nachweis, dass die Informationen zur Vorhersage der Insolvenz eines KMU bereits vorhanden waren, dass sie in den Bilanzen lagen, die Banken regelmäßig erhalten, und dass das, was fehlte, die analytische Struktur war, um sie in Kombination mit ausreichendem Vorlauf zu lesen.
Das beschreibt ein Muster, das häufig in Märkten auftritt, wo Daten zwar vorhanden, aber fragmentiert oder fehlinterpretiert sind: Die Lösung kommt nicht mit neuen Informationen, sondern mit einer Neuordnung der vorhandenen Informationen, die etwas sichtbar macht, das bereits da war. In diesem Fall ist die Neuordnung statistisch dokumentiert, replizierbar und sparsam genug, dass jede Finanzinstitution mit Zugang zu grundlegenden Bilanzen sie ohne außerordentliche Infrastruktur übernehmen kann.
KMU stellen den größten Teil des unternehmerischen Gefüges in fortgeschrittenen Volkswirtschaften dar und einen unverhältnismäßig großen Anteil des nicht bewältigten Kreditrisikos. Ein Modell, das mehr als 70 % ihrer Insolvenzen mit drei Jahren Vorlauf voraussagen kann – unter Verwendung von nur sieben Standardkennzahlen –, ist keine akademische Kuriosität. Es ist ein Werkzeug mit konkreten operativen Konsequenzen für Kreditgeber, Regulatoren und Unternehmenseigentümer, die lieber eingreifen als eine Krise bewältigen möchten. Die Grenze seiner Nützlichkeit liegt nicht in seiner Präzision: Sie liegt in der Qualität und Konsistenz der Daten, die die KMU selbst bereit sind zu melden – und das hängt von Anreizen ab, die das Modell allein nicht verändern kann.
