Mehr lesen
Komplexe, dynamische und unscharfe Informationsquellen über Not leidende Unternehmen sind charakteristisch für Sanierungsprüfung und -controlling. Die in Theorie und Praxis bisher vernachlässigte Bewältigung dieses Informationsdilemmas ist jedoch der Schlüssel zu einer nachhaltigen und tragfähigen Unternehmenssanierung.
Anhand von Neuro-Fuzzy-Modellen und eines genetischen Algorithmus zeigt Reinhard Bennert wie die Methoden des Soft Computing, zu denen neuronale Netzwerke, Fuzzy-Systeme und evolutionäre Algorithmen zählen, zur Entscheidungsunterstützung in der Sanierungsprüfung beitragen können. Für das Sanierungscontrolling präsentiert er fuzzybasierte Lösungsansätze zur Kostenplanung mittels Erfahrungskurven und der Break-Even-Analyse von Sanierungskonzepten. Die Effektivität der Soft Computing-Methoden wird durch Beispiele und ein vom Autor entwickeltes Software-Tool nachgewiesen.
Inhaltsverzeichnis
1 Einführung.- 1.1 Problemstellung und Ziel der Arbeit.- 1.2 Aufbau der Arbeit.- 1.3 Vorherrschendes Begriffsverständnis.- 2 Entscheidungsunterstützung in Sanierungsprüfung und -controlling: Aufgaben, Systeme und Problemcharakteristika.- 2.1 Aufgaben in der Sanierungsprüfung.- 2.2 Aufgaben im Sanierungscontrolling.- 2.3 Entscheidungsunterstützungssysteme.- 2.4 Entscheidungsprobleme.- 3 Entscheidungsunterstützung mit den Methoden des Soft Computing.- 3.1 Begriffe des Soft Computing und der Computational Intelligence.- 3.2 Fuzzy-Entscheidungsunterstützungssysteme.- 3.3 Neuronale Entscheidungsunterstützungssysteme.- 3.4 Evolutionäre Entscheidungsunterstützungssysteme.- 3.5 Soft Computing-kombinierte Entscheidungsunterstützungssysteme.- 4 Neuro-Fuzzy-Methoden in der Prüfung der Sanierungsfähigkeit.- 4.1 Ablaufstruktur der Erstellung und Prüfung von Sanierungskonzepten.- 4.2 Modell der kooperativen Neuro-Fuzzy-Sanierungsfahigkeitskalküle.- 4.3 Strategische Neuro-Fuzzy-Sanierungsfähigkeitskalküle.- 4.4 Finanzwirtschaftliche Neuro-Fuzzy-Sanierungsfähigkeitskalküle.- 4.5 Leistungswirtschaftliche Neuro-Fuzzy-Sanierungsfähigkeitskalküle.- 4.6 Stakeholder-orientiertes Neuro-Fuzzy-Sanierungsfähigkeitskalkül.- 4.7 Management- und Organisations-orientiertes Neuro-Fuzzy- Sanierungsfähigkeitskalkül.- 5 Spezielle Soft Computing-Methoden in Sanierungsprüfung und -controlling.- 5.1 Genetischer Algorithmus zur Portfolio-Optimierung.- 5.2 Fuzzy-Erfahrungskurven im Sanierungscontrolling.- 5.3 Fuzzy-Break-Even-Analysen im Sanierungscontrolling.- 6 Fallstudie zu Neuro-Fuzzy-Methoden in der Prüfung der Sanierungsbedürftigkeit.- 6.1 Klassifikation der Sanierungsbedürftigkeit aus potenzial- und risikoorientierter Sicht.- 6.2 C-Birds(tm) - Computer Based IntelligentRestructuring Decision Support.- 6.3 Klassifikation der finanzwirtschaftlichen Risikosituation (C-BIRDS(tm)-Modul I).- 6.4 Klassifikation der Marktsituation und Wettbewerbsposition (C-BIRDS(tm)-Modul II).- 6.5 Klassifikation ausgewählter Unternehmensressourcen (C-BIRDS(tm)-Modul III).- 6.6 Klassifikation der Sanierungsbedürftigkeit (C-BIRDS(tm)-Modul IV).- 7 Schlussbetrachtung: Ergebnisse in Thesenform und Ausblick.
Über den Autor / die Autorin
Dr. Reinhard Bennert promovierte bei Prof. Dr. Magdalena Mißler-Behr an der Wirtschaftswissenschaftlichen Fakultät der Universität Augsburg. Er ist Senior-Berater bei der Ernst & Young AG, Wirtschaftsprüfungsgesellschaft, in München.
Zusammenfassung
Komplexe, dynamische und unscharfe Informationsquellen über Not leidende Unternehmen sind charakteristisch für Sanierungsprüfung und -controlling. Die in Theorie und Praxis bisher vernachlässigte Bewältigung dieses Informationsdilemmas ist jedoch der Schlüssel zu einer nachhaltigen und tragfähigen Unternehmenssanierung.
Anhand von Neuro-Fuzzy-Modellen und eines genetischen Algorithmus zeigt Reinhard Bennert wie die Methoden des Soft Computing, zu denen neuronale Netzwerke, Fuzzy-Systeme und evolutionäre Algorithmen zählen, zur Entscheidungsunterstützung in der Sanierungsprüfung beitragen können. Für das Sanierungscontrolling präsentiert er fuzzybasierte Lösungsansätze zur Kostenplanung mittels Erfahrungskurven und der Break-Even-Analyse von Sanierungskonzepten. Die Effektivität der Soft Computing-Methoden wird durch Beispiele und ein vom Autor entwickeltes Software-Tool nachgewiesen.
