A Multi-Input Approach for SME Default Using Explainable Deep Learning

In dem komplexen Gefüge einer modernen Wirtschaft fungieren kleine und mittlere Unternehmen als die wesentlichen Zahnräder, die alles am Laufen halten. Sie beschäftigen Millionen von Menschen, treiben Innovationen voran und bilden das Rückgrat des nationalen Wohlstands. Dennoch stehen diese Unternehmen vor einem ständigen, alles entscheidenden Risiko: dem Risiko des Zahlungsausfalls, also der Unfähigkeit, ihre Schulden zurückzuzahlen. Für Banken und Kreditgeber ist die Vorhersage, welches Unternehmen scheitern könnte, bevor es tatsächlich geschieht, eine Frage der finanziellen Stabilität. Seit Jahrzehnten versuchen Experten, dieses Rätsel mithilfe mathematischer Modelle zu lösen, die die Finanzberichte eines Unternehmens – seine Vermögenswerte, Schulden und Gewinne – betrachten, um dessen Zukunft zu erraten. Diese traditionellen Methoden funktionieren zwar vernünftig gut, aber sie behandeln die Geschichte eines Unternehmens oft als eine einzige Momentaufnahme und ignorieren dabei, wie sich dieses Unternehmen über die Jahre hinweg verändert hat. Zudem neigen sie dazu, andere entscheidende Details zu übersehen, wie etwa wer das Unternehmen führt oder wo es ansässig ist, indem sie sich fast ausschließlich auf die Zahlen im Kassenbuch konzentrieren.

Ein Forschungsteam der Universität Neapel „Parthenope“ in Italien hat einen neuen Weg entwickelt, um dieses Problem zu betrachten – einen Weg, der ein Unternehmen eher wie eine lebendige Geschichte als wie ein statisches Foto behandelt. Anstatt sich auf eine einzige, starre Formel zu verlassen, entwickelten sie ein hochentwickeltes Computersystem, das in der Lage ist, mehrere Arten von Informationen gleichzeitig zu lesen. Dieses System, das sie ein Multi-Input-Neuronales Netz nennen, ist darauf ausgelegt, drei verschiedene Datenströme zu verarbeiten: die Finanzhistorie eines Unternehmens über mehrere Jahre, die Merkmale seiner Führung und Managementstruktur sowie die wirtschaftlichen Bedingungen der spezifischen Region, in der es operiert. Durch das Verweben dieser verschiedenen Fäden schufen die Forscher ein Modell, das in der Lage ist, Muster und Verbindungen zu erkennen, die ältere Methoden übersehen. Ihre Arbeit legt nahe, dass man, um das Risiko eines Geschäftsausfalls wirklich zu verstehen, nicht nur auf die Bilanz schauen darf, sondern auch auf den bisherigen Verlauf, die aktuelle Führung und das Umfeld.

Die Forscher testeten diesen neuen Ansatz anhand eines massiven Datensatzes italienischer kleiner und mittlerer Unternehmen aus dem Zeitraum von 2013 bis 2022. Sie konzentrierten sich auf etablierte Unternehmen, die seit mindestens drei Jahren am Markt waren, wobei sie sehr kleine Kleinstunternehmen ausschlossen, da deren Finanzunterlagen oft zu kurz oder deren Managementstrukturen zu einfach sind, um die für diese Art der Analyse erforderte detaillierte Historie zu liefern. Das Team sammelte Informationen über Tausende von Unternehmen, einschließlich ihrer jährlichen Gewinne, Schulden und Vermögenswerte sowie Details über deren Vorstandsmitglieder, wie etwa Alter, Geschlecht und Erfahrung. Sie notierten auch die spezifische Region, in der jedes Unternehmen ansässig war, in der Erkenntnis, dass lokale wirtschaftliche Bedingungen den Erfolg eines Unternehmens beeinflussen können.

Um diese vielfältigen Informationen zu verarbeiten, konstruierten die Forscher eine digitale Architektur mit drei spezialisierten Pfaden oder „Sub-Netzwerken“, die in eine zentrale Entscheidungseinheit einspeisen. Der erste Pfad wurde für die Finanzdaten konzipiert, die sich jedes Jahr ändern. Anstatt nur die Zahlen des aktuellsten Jahres zu betrachten, nutzt dieser Teil des Systems eine Art künstliche Intelligenz namens Long Short-Term Memory Network. Diese Technologie ist besonders gut darin, Sequenzen zu speichern; sie betrachtet die Finanzhistorie eines Unternehmens über mehrere Jahre hinweg, um dessen Trend zu verstehen, ganz ähnlich wie ein Arzt die Krankenakte eines Patienten über ein Jahrzehnt hinweg betrachten würde, anstatt nur dessen Temperatur an einem einzelnen Tag. Der zweite Pfad verarbeitet die Governance-Daten, die beschreiben, wer die Führung innehat. Da sich Führungsteams nicht so häufig ändern wie Finanzkennzahlen, behandelt dieser Teil des Systems diese Informationen als einen stabilen Satz von Fakten über die Struktur des Unternehmens. Der dritte Pfad handhabt die Regionaldaten, indem er den Namen einer Region in einen numerischen Code umwandelt, der es dem System ermöglicht zu lernen, wie verschiedene geografische Gebiete das Geschäftsrisiko beeinflussen.

Sobald diese drei Informationsströme verarbeitet wurden, werden sie zu einem einzigen, einheitlichen Bild des Unternehmens zusammengeführt. Diese kombinierte Ansicht wird dann an eine letzte Schicht weitergeleitet, die die Wahrscheinlichkeit berechnet, mit der das Unternehmen im kommenden Jahr zahlungsunfähig wird. Die Forscher verglichen diesen neuen Multi-Input-Ansatz mit drei anderen in der Branche üblichen Methoden: einem traditionellen statistischen Modell, das als logistische Regression bekannt ist, einem leistungsstarken Werkzeug des maschinellen Lernens namens XGBoost und einem Standardmodell des Deep Learning, das keine Zeitsequenzen berücksichtigt. Sie testeten diese Modelle, indem sie vorhersagten, welche Unternehmen im Jahr 2021 und 2022 scheitern würden, basierend auf den im Vorjahr verfügbaren Daten.

Die Ergebnisse zeigten, dass der neue Multi-Input-Ansatz der genaueste Prädiktor war. In Tests, die darauf abzielten zu prüfen, wie gut die Modelle zwischen Unternehmen unterscheiden konnten, die überleben würden, und solchen, die scheitern würden, schnitt das neue System konsistent besser ab als die anderen. Es erzielte die höchsten Werte bei der korrekten Identifizierung sowohl der Unternehmen, die überleben würden, als auch derer, die scheitern würden, und erreichte eine bessere Balance als die anderen Modelle. Während das traditionelle statistische Modell und die Standardwerkzeuge des maschinellen Lernens mehr Fehler machten, demonstrierte das neue System eine überlegene Fähigkeit, sich an neue Daten anzupassen und die häufige Falle des Overfittings zu vermeiden – also das Phänomen, bei dem ein Modell vergangene Daten so perfekt auswendig lernt, dass es die Zukunft nicht mehr vorhersagen kann.

Über die bloße Vorhersage, wer scheitern würde, hinaus wollten die Forscher auch verstehen, warum ihr Modell seine Entscheidungen traf. Deep-Learning-Systeme werden oft kritisiert, „Black Boxes“ zu sein, was bedeutet, dass ihre interne Logik so komplex ist, dass Menschen nicht leicht erklären können, wie sie zu einem Schluss gelangt sind. Um dies zu adressieren, nutzte das Team eine Technik namens Shapley-Werte, die wie ein Fairness-Rechner fungiert, um zu messen, wie viel jedes einzelne Stück an Information zur endgültigen Vorhersage beigetragen hat. Sie fanden heraus, dass die Finanz- und Wirtschaftsindikatoren, wie erwartet, die stärksten Treiber der Vorhersage waren. Die Analyse enthüllte jedoch etwas Wichtiges: Auch die Merkmale der Unternehmensführung und der geografische Standort spielten eine signifikante, nicht zu vernachlässigende Rolle. Während die Finanzdaten das meiste Gewicht trugen, zeigte das Modell, dass das Ignorieren der handelnden Personen oder des lokalen wirtschaftlichen Kontextes zu weniger genauen Vorhersagen führen würde. Die Regionaldaten trugen beispielsweise weniger als 20 Prozent zur endgültigen Entscheidung bei, aber dieser kleine Anteil war dennoch bedeutsam genug, um die Gesamtgenauigkeit zu verbessern.

Diese Studie bestätigt, dass es nicht mehr ausreicht, ein Unternehmen durch eine einzige Linse zu betrachten, um eine genaue Risikobewertung vorzunehmen. Durch die Integration von Finanzhistorie, Führungsdetails und regionalem Kontext in ein einziges, flexibles System haben die Forscher ein Werkzeug geschaffen, das eine vollständigere und zuverlässigere Sicht auf die unternehmerische Gesundheit bietet. Ihre Arbeit legt nahe, dass die Zukunft der Vorhersage von Geschäftsausfällen in Modellen liegt, die in der Lage sind, verschiedene Arten von Daten gleichzeitig zu verarbeiten und dabei die einzigartige Art und Weise respektieren, wie jedes Informationsstück im Laufe der Zeit evolviert. Obwohl das Modell spezifisch auf italienische Unternehmen getestet wurde, bietet der Ansatz eine Blaupause dafür, wie Kreditgeber und Analysten auch anderswo die komplexen Realitäten der von ihnen unterstützten Unternehmen besser verstehen können. Die Ergebnisse beseitigen das Risiko des Scheiterns nicht, aber sie bieten eine klarere, nuanciertere Landkarte zur Navigation durch dieses Risiko.