Löbbe, Henner: Klassifizierung landwirtschaftlicher Jahresbeschlüsse mittels Neuronaler Netze und Fuzzy Systeme. - Bonn, 2002. - Dissertation, Rheinische Friedrich-Wilhelms-Universität Bonn.
Online-Ausgabe in bonndoc: https://nbn-resolving.org/urn:nbn:de:hbz:5n-01998
@phdthesis{handle:20.500.11811/1686,
urn: https://nbn-resolving.org/urn:nbn:de:hbz:5n-01998,
author = {{Henner Löbbe}},
title = {Klassifizierung landwirtschaftlicher Jahresbeschlüsse mittels Neuronaler Netze und Fuzzy Systeme},
school = {Rheinische Friedrich-Wilhelms-Universität Bonn},
year = 2002,
note = {In der Jahresabschlussanalyse kommen zunehmend empirisch-statistische Methoden zum Einsatz. Hierbei handelt es sich um Verfahren, die Unternehmen nach Ereignissen bzw. Zuständen klassifizieren. Aufgrund ihrer Eigenschaften haben sich in den letzten Jahren insbesondere Neuronale Netze für diese Aufgabe durchgesetzt. Ihre überlegenen Eigenschaften gegenüber anderen empirisch-statistischen Instrumenten sind: Lernfähigkeit, Generalisierbarkeit und Fehlertoleranz.
Deshalb werden in dieser Arbeit Neuronale Netze verwendet, um auf der Grundlage von Buchführungsdaten die zukünftigen finanziellen Zustände landwirtschaftlicher Unternehmen zu klassifizieren. Die Klassen des finanziellen Zustandes sind "finanziell gefährdet" und "finanziell gesund". Bei der Klassifizierung tritt das Problem auf, dass die Unternehmen nicht empirisch eindeutig der jeweiligen Klasse zugeordnet werden können. Deswegen werden die Klassen anhand der Kennzahlen Gesamtkapital-rentabilität, Fremdkapitalanteil und dynamischer Verschuldungsgrad definiert. Die beiden finanziellen Zustände sind des weiteren nicht eindeutig gegeneinander abgrenzbar. Deshalb erfolgt die Zuordnung der Unternehmen zur jeweiligen Klasse über ein Fuzzy System.
Bei der Klassifizierung der zukünftigen finanziellen Zustände wird wiederum auf dieses Fuzzy System zurückgegriffen. Das Klassifizierungsmodell wird deshalb in die Abschnitte Neuronale Netze und Fuzzy Systeme unterteilt. Die Neuronalen Netze klassifizieren die Unternehmen nach den drei Kennzahlen, die den finanziellen Zustand definieren. Für jede Variable wird ein eigenes Neuronales Netz entwickelt. Hierbei handelt es sich jeweils um ein dreilagiges Multilayer-Perceptron mit einem Backpropagation-Lernalgorithmus. Über das Fuzzy System werden die klassifizierten Output-Variablen zusammengefasst.
Durch diese Aufteilung des Modells werden die Eigenschaften der beiden Instrumente Neuronale Netze und Fuzzy Systeme miteinander kombiniert, da diese sich ergänzen. Neuronale Netze können strukturelle, vollständig unbekannte Systeme beherrschen, soweit deren Eingabe- und Ausgabeverhalten bekannt ist. Deshalb werden sie für den Teil des Modells verwendet, bei dem kein Wissen über die Zusammenhänge der Ausgangsdaten vorliegt. Im Gegensatz hierzu kann das Fuzzy System das vage Wissen über die Zusammenhänge der drei definierenden Kennzahlen über die Fuzzy Regeln mitberücksichtigen.
Zur Überprüfung, ob die theoretischen Vorteile des Modells in der Praxis zu besseren Klassifizierungsergebnissen führen, wird ein Vergleich zwischen den Ergebnissen dieses Modells mit einer multivariaten Diskriminanzanalyse vorgenommen. Hierbei kann gezeigt werden, dass dieses Modell bessere Ergebnisse liefert als bisherige Verfahren.},

url = {https://hdl.handle.net/20.500.11811/1686}
}

The following license files are associated with this item:

InCopyright