Die Umsetzung des Expected Credit Loss-Modells nach IFRS 9 stellt viele Unternehmen vor Herausforderungen. Wir zeigen in einem Anwendungsbeispiel für den Simplified Approach auf Forderungen aus Lieferungen und Leistungen, wie die Umsetzung in der Praxis aussehen kann und welche Ansätze sich für eine Automatisierung bieten.

Das neue Impairment-Modell des IFRS 9 sieht eine Risikovorsorge für erwartete Kreditausfälle vor, was eine Abkehr vom bisherigen Ansatz auf Basis eingetretener Verluste darstellt. Die Bilanzierung rückt somit näher an das zukunftsorientierte Kreditrisikomanagement und macht ein Modell zur Bewertung von Kreditausfallrisiken für sämtliche Finanzaktiva, die nicht zum Marktwert bewertet werden, erforderlich.

Im heutigen Artikel fokussieren wir auf die Umsetzung des vereinfachten Ansatzes („Simplified Approach“), der unter anderem für Forderungen aus Lieferungen und Leistungen sowie Vertragsvermögenswerte nach IFRS 15 zum Einsatz kommt. Die grundsätzlichen Rahmenbedingungen haben wir bereits in einem früheren Newsletter dargestellt.

Der IFRS 9 macht keine Vorgaben zur konkreten Modellgestaltung. In der Praxis kommen vor allem zwei Ansätze zur Ermittlung der ECL („Expected Credit Losses“) vor:

1. Wertberichtigungsmatrix basierend auf unternehmensinternen, historischen Ausfalldaten und Überfälligkeiten
2. Bewertungsmodell unter Verwendung von Ausfallwahrscheinlichkeiten
   

Beiden Ansätzen gemein ist, dass sie wahrscheinlichkeitsgewichtet sind und um zukunftsgerichtete, makroökonomische Faktoren („Forward Looking Information“) zu adjustieren sind. In vielen Fällen sind historische Daten des Unternehmens nicht repräsentativ, weil konjunktur- oder geschäftsmodellbedingt nur geringe Ausfälle vorliegen. Der IFRS 9 lässt jedoch eine reine Fortschreibung der Vergangenheit nicht zu, das heißt, dass auch für Kunden mit guter Bonität immer eine gewisse prozentuale Ausfallwahrscheinlichkeit besteht. In anderen Fällen lassen die im Finanzbuchhaltungssystem (ERP) verfügbaren Buchungsdaten eine granulare Auswertung von historischen Ausfalldaten nicht zu. Aus diesen Gründen bietet sich die Verwendung eines Bewertungsmodells an, bei dem die Ermittlung der ECL auf Basis von Ausfallwahrscheinlichkeiten erfolgt, welche auf den Forderungsbestand angewendet werden.

Wie dieses Modell für Corporates in drei Schritten umgesetzt werden kann, schauen wir uns im Folgenden anhand eines Anwendungsbeispiels an.

1. Konzeption der Modellanforderungen
   Zunächst sind die erforderlichen Inputparameter festzulegen und die entsprechende Verfügbarkeit der Daten zu eruieren. Informationsquellen sind neben dem ERP auch Risikomanagementsysteme, zum Beispiel im Debitorenmanagement, wo regelmäßig bereits eine Datengrundlage besteht. Wesentliche Informationen für das Modell sind:
   
   - Buchwerte der Forderungen LuL und Vertragsvermögenswerte;
   - Vertragliche Laufzeiten;­
   - Sicherheiten;­
   - Kundennamen und –adressen;­
   - Ratings bzw. Scorings;­
   - Ausfallwahrscheinlichkeit/Probability of Default (PD)
   
   Insbesondere bei weltweit tätigen, heterogenen Unternehmen ohne laufendes Kreditrisikomanagement sind Rating-/Scoring-Informationen sowie Ausfallwahrscheinlichkeiten für die Kundenbasis oft nicht vorhanden. Scoring-Anbieter, Ratingagenturen und Kreditversicherungen können hier Abhilfe schaffen, da diese bereits auf die passgenaue Zulieferung dieser Daten für Kreditrisikozwecke eingestellt sind.
   
   Oftmals lohnt jedoch auch ein Blick in das bestehende Markdateninformationssystem des Treasury, welches für viele börsennotierte Unternehmen sowie auf Branchenebene Ratings und Ausfallwahrscheinlichkeiten anbietet, die zumindest für eine erste Quantifizierung verwendet werden können oder für eine Einzelbetrachtung von Großkunden.
   
   Eine strukturierte Vorgehensweise ist auch deshalb geboten, weil das Unternehmen die individuell verwendeten Inputdaten, Annahmen und Methoden zur Ermittlung der Risikovorsorge im Anhang erläutern muss.
   
   
2. Spezifikation und Datenerhebung
   In einem zweiten Schritt steht die tatsächliche Erhebung und IT-seitige Integration der Daten in das Modell im Vordergrund. Grundlage für die Bewertung ist zunächst das Risiko-Exposure, hier die Buchwerte der Forderungen („Exposure at Default“, EAD). Risikomindernde Sicherheiten wie Kreditversicherungen oder Hermes-Bürgschaften können entweder direkt im Exposure zum Abzug gebracht oder aber über einen Gewichtungsfaktor am Ende integriert werden (siehe unten). Nicht außer Acht gelassen werden sollten Selbstbehalte und andere Klauseln, aus denen Restrisiken beim Unternehmen verbleiben.
   
   Für die Bewertung des Risiko-Exposures spielt die vertragliche Laufzeit eine wesentliche Rolle. Es gilt der empirisch belegbare Grundsatz: je länger die Laufzeit, desto höher das Ausfallrisiko. Umgekehrt wird für Corporates mit regelmäßig kurzen Zahlungszielen das Risiko entsprechend gemindert. Die Zahlungsziele je Kunde bzw. Restlaufzeiten der bilanzierten Forderungen sowie die Zahlungspläne für Vertragsvermögenswerte sind oft nicht ad-hoc verfügbar und sollten als integrale Bestandteile des Modells frühzeitig erhoben werden. Dies kann standardisiert über das ERP-System oder über eine Abfrage im Rahmen der Reportingpackages der lokalen Gesellschaften erfolgen.
   
   Für Unternehmen mit heterogener Kundenbasis oder Kleinstkunden bietet der IFRS 9 die Möglichkeit zur Bildung einzelner Risikoportfolien, sogenannter Cluster. Auf Basis gleichartiger Risikomerkmale wie Region, Branche, Größe oder historischem Zahlungsverhalten können homogene Risikocluster gebildet werden, die im Modell dann gesamthaft für die Bewertung betrachtet werden. Diese Gruppierung bietet gleichzeitig die Möglichkeit, die Datenmenge zu reduzieren. Eine teilweise pauschalierte Betrachtung kann unter Wesentlichkeitsgründen zulässig sein.
   
   Nachdem die bislang genannten Daten ausschließlich interner Natur waren, kommen in unserem Beispiel im entscheidenden letzten Schritt unternehmensexterne Daten in Einsatz: Kundenratings/Scorings und insbesondere die Ausfallwahrscheinlichkeit in Prozent. Diese PD muss passgenau auf den jeweiligen Kunden bzw. das Risikocluster zugeordnet werden und auf die entsprechende Laufzeit kalibriert sein. Zusätzlich sollte eine Bestätigung des Datenanbieters eingeholt werden, welche Faktoren (insbesondere Forward Looking Information) bei der Ermittlung berücksichtigt werden, weil diese im Anhang offenzulegen sind. Die Einstufung in Risikoklassen ist auch in Hinblick auf die Anhangangaben nach IFRS 7 von Relevanz. 
   
   
3. Umsetzung und Buchung
   Sind die unternehmensinternen Daten zu Kunden, Forderungsdetails und Sicherheiten erhoben, gegebenenfalls in geeignete Risiko-Cluster gruppiert und um externe Daten zu Ratings und Ausfallwahrscheinlichkeiten ergänzt, liegen alle Informationen vor, um die erwarteten Kreditausfälle zu bewerten. 
   
   Die in der Praxis regelmäßig verwendete Formel hierfür lautet: 
   
   ECL = EAD * PD * LGD
   [Expected Credit Losses = Exposure at Default * Probability of Default * Loss Given Default]
   
   Hierbei bezeichnet die LGD („Loss Given Default“) die Verlustquote, das heißt den tatsächlichen Forderungsverlust bei Ausfall des Kunden bzw. was voraussichtlich aus der Insolvenzmasse uneinbringlich sein wird.
   
   Berechnungsbeispiel:
   Es liegt eine unbesicherte Forderung über EUR 100 Mio. mit einjähriger Restlaufzeit gegenüber einem Kunden vor, dessen 1J-Ausfallwahrscheinlichkeit 1% beträgt und für den eine Verlustquote im Ausfallereignis von 50% angenommen wird. Hieraus ergeben sich erwartete Kreditausfälle in Höhe von EUR 0,5 Mio. (ECL = 100 * 1% * 0,5). Auf eine Diskontierung wird im Beispiel aus Wesentlichkeitsgründen verzichtet.
   
   Die Expected Credit Losses werden bei erstmaliger Erfassung aufwandswirksam in einem Wertberichtigungskonto zum jeweiligen Bilanzposten erfasst und zu jedem Bilanzstichtag aktualisiert. Über die ECL hinaus kommt es auch weiterhin – wie unter IAS 39 – zu spezifischen Einzelwertberichtigungen, wenn bestimmte „Verlustereignisse“ eingetreten sind.

Damit die Impairment-Ermittlung nach IFRS 9 keine theoretische Abhandlung bleibt, sollte für die Umsetzung eine optimale Integration des Modells in die rechnungslegungsrelevanten Prozesse und IT-Systeme betrachtet werden.

Je nach ERP-Landschaft und Konzernstruktur sind für den Buchungsprozess sowohl Top-Adjustments in der Konzernbilanz als auch ein Push-Down in die lokalen ERP-Systeme denkbar. Hierbei sind Prozesseffizienz und Fehlerrisiko abzuwägen. So findet sich in der Praxis oftmals die initiale Datenerhebung und Modellierung im Group Accounting, welches die Daten für die Risikovorsorge zentral über standardisierte Reports in das ERP oder Berichtssystem einspielt. Hierüber können lokale Gesellschaften auf die vorgegebenen Daten zugreifen und diese in einer konsistenten Logik auf die lokalen Bestände anwenden und buchen. 

Herausforderungen für eine Automatisierung ergeben sich in der Praxis vor allem bei Daten, die bislang nicht für Abschlusszwecke herangezogen wurden, wie Kundendetails oder Vertragslaufzeiten. Um zusätzliche manuelle Abfragen und aufwändiges Datenmapping zu vermeiden, sollte das Ziel sein, alle regelmäßig zu erhebenden Daten für Abschluss und Anhang standardisiert im ERP oder in den Reportingpackages zu integrieren. Im Rahmen der Umsetzung empfiehlt sich die frühzeitige Abstimmung mit dem Wirtschaftsprüfer nicht nur in Hinblick auf die Methodik, sondern auch für die Integration in die rechnungslegungsrelevanten Prozesse, IT-Systeme und das interne Kontrollsystem.

Je nach Datenverfügbarkeit und Schnittstellen zu externen Anbietern sind derzeit bereits vollautomatisierte Impairment-Lösungen umsetzbar, die eine hohe Datenqualität und effiziente Prozesse sicherstellen.

Quelle: KPMG Corporate Treasury News, Ausgabe 81, Juni 2018
Autor: Christian Pfeiffer, Manager, Finance Advisory, christianpfeiffer@kpmg.com