Show Less
Open access

Bankertrag und Bevölkerungsdynamik

Eine empirische Untersuchung für deutsche Sparkassen

Series:

Marco Oestmann

Diese Arbeit beschäftigt sich mit den quantitativen Auswirkungen des demographischen Wandels auf die zukünftige Ertragslage der deutschen Sparkassen. Hierzu wird ein mikroökonometrisch fundiertes Simulationsmodell genutzt, in das neben offiziellen Bevölkerungsprognosen ein neuartiger, detaillierter Datensatz von knapp 2,5 Millionen Kunden elf deutscher Sparkassen einfließt. Für verschiedene Szenarien werden aus dem Modell Prognosen der Kunden- und Ertragsentwicklung für den deutschen Sparkassensektor bis 2025 auf NUTS II-Ebene abgeleitet. Die Ergebnisse deuten darauf hin, dass für den Sparkassensektor insgesamt eine recht stabile Ertragssituation zu erwarten ist. Für einige Regionen, insbesondere in Ostdeutschland, ergibt sich dagegen eine existenzgefährdende Ertragserosion.
Show Summary Details
Open access

4 Untersuchungsmethodik – Konzeptionelle Vorgehensweise

| 51 →

4 Untersuchungsmethodik – Konzeptionelle Vorgehensweise

Wie in Kapitel 5.2 deutlich wird, ist die mittelfristige Bevölkerungsdynamik in Deutschland durch substantielle Alterungs- und Schrumpfungsprozesse gekennzeichnet, die regional jedoch stark divergieren. Nachdem bislang vollkommen unklar ist, welche Konsequenzen diese Entwicklung für Banken und deren Ertragslage hat, soll im Folgenden der empirische Untersuchungsansatz zur Beantwortung dieser Frage näher beschrieben werden.

Im Fokus dieser Arbeit steht dabei das Privatkundengeschäft der Sparkassen, die -wie in Abschnitt 2 dargelegt- aus verschiedenen Gründen ein geeignetes Untersuchungsobjekt zur Abschätzung dieser Konsequenzen sind. Zum einen spielen Sparkassen eine bedeutende Rolle im deutschen Bankensystem und verfügen insbesondere im Privatkundengeschäft über sehr große Marktanteile. Zweitens sind Sparkassen keine Spezialbanken einer bestimmten Kundenklientel, d.h. die Sparkassenkunden sind vermutlich am ehesten repräsentativ für die deutsche Bevölkerung. Drittens sind Sparkassen zumindest im Privatkundengeschäft stark mit ihrem Geschäftsgebiet verbunden, d.h. können der demographischen Entwicklung schwer ausweichen.

In der Einleitung wurde bereits deutlich, dass der demographische Wandel über mindestens zwei Wirkungskanäle den Ertrag beeinflusst. Da die meisten Regionen in Deutschland schrumpfen werden, ist zum einen ein negativer Kundenbasiseffekt zu erwarten. Wenn zudem der Ertrag vom Alter abhängt, spielt darüber hinaus die zukünftige Altersstruktur der Kunden eine gewichtige Rolle. Offen bleibt, welche Auswirkungen die komplexe Interaktion der Effekte auf die Ertragslage der Sparkassen in Deutschland haben wird.

Zur Beantwortung dieser und der bereits in der Einleitung aufgeworfenen Fragen steht ein einzigartiger Privatkundendatensatz von elf deutschen Sparkassen aus verschiedenen Regionen Deutschlands aus dem Jahr 2006 zur Verfügung.44 Bei drei Sparkassen handelt es sich um große städtisch geprägte Sparkassen, die anderen vier mittleren und vier kleinen Sparkassen sind in der ← 51 | 52 → (klein-)städtischen und ländlichen Peripherie tätig. Acht der Sparkassen stammen aus Ostdeutschland, drei aus Westdeutschland. Insgesamt liegen ca. zweieinhalb Millionen Datensätze vor, die zusammen mit geeigneten Bevölkerungsprognosen in ein Simulationsmodell einfließen, das es erlaubt, die Auswirkungen des Demographischen Wandels auf den Sparkassenertrag bis zum Jahr 2020/2025 zu prognostizieren.45

Das Modell wird dabei auf zwei Untersuchungsebenen genutzt. Zum einen geht es zunächst darum, die Auswirkungen des Demographischen Wandels auf Kundenbasis und Ertrag für die involvierten elf Sparkassen zu simulieren. Hierbei handelt es sich um explorative Fallstudien, d.h. die Aussagekraft und Übertragbarkeit der Ergebnisse ist begrenzt auf strukturell ähnliche Sparkassen, die sich einer vergleichbaren demographischen Entwicklung gegenübersehen (Fallstudien). Zum anderen werden auf Basis dieser Ergebnisse Hochrechnungen für die deutschen NUTS II-Regionen durchgeführt, um durch Aggregation Aussagen für den Sparkassensektor als Ganzes zu treffen und regional divergierende Entwicklungen zu identifizieren (Hochrechnung).

Das in beiden Fällen verwendete Simulationsmodell besteht aus mehreren Komponenten und umfasst drei notwendige Arbeitsschritte, die im nächsten Kapitel anhand der Analyse auf Sparkassenebene detailliert beschrieben werden. Im Anschluss erfolgt dann die Beschreibung der Methodik bei der Hochrechnung für die deutschen NUTS II-Regionen und eine Gegenüberstellung der beiden Ansätze.

Ausgangspunkt in beiden Fällen ist zunächst eine Status Quo-Prognose, d.h. über den Vorhersagezeitraum werden allen Einflussfaktoren auf den Ertrag mit Ausnahme der demographischen Entwicklung konstant gehalten. Zum Abschluss der empirischen Untersuchung werden neben diesem demographischen Basisszenario I zwei weitere Szenarien II und III betrachtet. Mit Hilfe des Szenarios II wird versucht, die Wettbewerbssituation der Sparkassen realistischer zu modellieren und mit Szenario III soll zusätzlich die vermutlich steigende Preissensitivität älterer Kunden eingefangen werden. ← 52 | 53 →

4.1 Fallstudien: Entwicklung des Bankertrags auf Sparkassenebene

Determinanten des Bankertrags

Bei der Untersuchung wird in drei Schritten vorgegangen. Im ersten Schritt wird mit Hilfe einer Regressionsanalyse unter Verwendung von Privatkundendaten elf deutscher Sparkassen aus verschiedenen Regionen Ost- und Westdeutschlands untersucht, welche kundenindividuellen Faktoren (z.B. Wohnort, Alter, Geschlecht, Einkommen, Einlagen und Kredite, etc.) auf den Sparkassenertrag wirken und wie groß diese Effekte sind. Als Ertragsvariable steht hierbei aus dem internen Rechnungswesen der Deckungsbeitrag II (im folgenden DB II) zur Verfügung. Diese Einflussfaktoren müssen nicht zwangsläufig für alle Sparkassen identisch sein. So können die Institute unterschiedliche Geschäftsmodelle mit differierenden Schwerpunkten besitzen oder bestimmte regionale Besonderheiten eine Rolle spielen. Um zu überprüfen, wie homogen die Sparkassen sind, werden deshalb die Determinanten zunächst für jede Sparkasse einzeln geschätzt. Bei ausreichender Ähnlichkeit können dann im Anschluss die Einflussfaktoren auf den Ertrag jeweils separat für die zusammengefassten Datensätze der ost- bzw. westdeutschen Sparkassen ermittelt werden. Abschließend erfolgt die Schätzung der Ertragsdeterminanten mit Hilfe des integrierten Gesamtdatensatzes aller Sparkassen, d.h. hier werden alle verfügbaren Kundendaten in einer Schätzung genutzt.

Prognose der Kundenbasis und -struktur

In einem zweiten Schritt wird dann analysiert, wie sich Kundenbestand und -struktur der beteiligten Sparkassen in ihrem Geschäftsgebiet über den Prognosezeitraum entwickeln werden. Zentral ist hier der Begriff der Marktausschöpfung. Unter der Marktausschöpfung wird allgemein der Quotient aus Kundenzahl und Bevölkerung in einer bestimmten Altersgruppe in einem definierten Gebiet verstanden. Die Marktausschöpfung kann prinzipiell geschlechtsspezifisch (d.h. für Männer und Frauen getrennt) für jede Altersklasse und für jede regionale Aggregationsebene bis hinunter zur Gemeindeebene ausdifferenziert werden. Dies setzt jedoch voraus, dass die Informationen der Sparkassen hinsichtlich Wohnort, Geschlecht und Alter der Kunden kompatibel mit den zur Verfügung stehenden Informationen der amtlichen Bevölkerungsstatistik sind. Im Rahmen der vorliegenden Untersuchung konnten die Ebene der Kreise und kreisfreien Städte und einjährige Altersklassen gewählt werden. So ist es möglich, für jede beteiligte ← 53 | 54 → Sparkasse die Ausschöpfung in einjährigen Altersklassen in jedem Kreis ihres Geschäftsgebiets zu ermitteln, also z.B. die Ausschöpfung für weibliche 20-Jährige Kunden in Kreis X des Geschäftsgebiets.

Mit Hilfe von Annahmen über die zukünftige Entwicklung der Marktausschöpfung über den Prognosehorizont und Daten über die zu erwartende Bevölkerungsdynamik kann dann im nächsten Schritt die zukünftige Kundenstruktur in den Geschäftsgebieten der beteiligten Sparkassen abgeschätzt werden. Um den rein demographischen Effekt auf den Ertrag, der sich aus der Änderung der demographischen Struktur ergibt, zu isolieren, wird im Folgenden zunächst angenommen, dass die alters-, gebiets- und geschlechtsspezifischen Ausschöpfungsquoten nicht über den Vorhersagezeitraum variieren.46 Demzufolge werden Sparkassen zu jedem Zeitpunkt in der Zukunft in jeder Altersgruppe einen konstanten Teil des Marktpotentials (Bevölkerung) ausschöpfen. Kann eine Sparkasse also beispielsweis im Kreis X bei den 20-Jährigen im Basisjahr 50% der Bevölkerung zu ihren Kunden zählen (relevantes Marktpotential), so wird unterstellt, dass dies auch über den ganzen Prognosehorizont so sein wird. Durch diesen Ansatz, der auch als Benchmarkszenario betrachtet werden kann, werden Effekte, die sich z.B. aus einer veränderten Wettbewerbssituation ergeben können, zunächst einmal ausgeschaltet.

Zur Ermittlung der zukünftigen Kundenzahlen werden somit abschließend korrespondierende Informationen über das zukünftige Marktpotential, also die Bevölkerung benötigt. Da die Untersuchung auf Kreisebene erfolgt und die betrachteten Sparkassen aus unterschiedlichen Bundesländern stammen, muss hier jeweils auf die regional ausdifferenzierte Bevölkerungsvorausberechnung des zugehörigen statistischen Landesamtes zurückgegriffen werden. Die verwendeten Prognosen basieren im Wesentlichen auf der 11. koordinierten Bevölkerungsvorausberechnung des Statistischen Bundesamtes in der Variante 1-W1 und sind deshalb hinsichtlich Methodik und zu Grunde liegenden Annahmen grundsätzlich vergleichbar.47 ← 54 | 55 →

Kombiniert man die Informationen zur zukünftigen Bevölkerungsentwicklung mit den Annahmen zur Marktausschöpfung, so kann man die zukünftige Kundenbasis und -struktur ermitteln, indem für jedes Prognosejahr in jedem Kreis des Geschäftsgebiets in jeder Altersklasse die zukünftige Bevölkerung mit der entsprechenden angenommenen Marktausschöpfung multipliziert wird. Durch Aggregation über alle Altersklassen und Kreise des Geschäftsgebiets kann dann für jedes Jahr des Vorhersagehorizonts der zukünftige Kundenbestand berechnet werden. Der maximale Prognosehorizont für die Kundenprognose der einzelnen Sparkassen ergibt sich dabei aus dem Vorausberechnungszeitraum der entsprechenden regionalen Bevölkerungsprojektion für das Geschäftsgebiet. Für neun Sparkassen liegen Prognosen bis 2020 vor, für zwei Fälle sogar bis zum Jahr 2025. Aus Gründen der Vergleichbarkeit wird jedoch auch in diesen Fällen lediglich der Zeitraum bis 2020 betrachtet.

Prognose der Ertragsentwicklung

Im dritten und letzten Schritt werden die Ergebnisse der beiden ersten Arbeitsschritte kombiniert, um zu simulieren, welchen Deckungsbeitrag die Sparkasse aus dem in Schritt zwei prognostizierten Kundenstamm erwarten kann. Hierzu wird für jeden Kreis des Geschäftsgebiets und jede Altersklasse ein repräsentativer Kunde kreiert, dem alters- und gebietstypische Eigenschaften, z.B. zum Produktportfolio und Einkommen, zugewiesen werden, die mit Hilfe von entsprechenden Durchschnitten ermittelt wurden.48

Da der Einfluss jeder dieser Eigenschaften (z.B. des Einkommens) auf den DB II aus Regressionsanalyse bekannt ist, kann für jeden repräsentativen Kunden ein erwarteter Ertrag berechnet werden. Hierzu werden die signifikanten Koeffizienten der Regression aus Schritt eins mit den entsprechenden Durchschnittswerten der zugehörigen Variablen multipliziert und die Ergebnisse anschließend aufaddiert. Mathematisch gesprochen, erfolgt also für jede Altersklasse in jedem Kreis des Geschäftsgebiets die Multiplikation eines Vektors signifikanter ← 55 | 56 → Koeffizienten mit einem entsprechenden Eigenschaftsvektor, der die Ausprägungen der relevanten Einflussfaktoren auf den Ertrag enthält.

Multipliziert man dann abschließend die prognostizieren Erträge der repräsentativen Kunden mit der Anzahl der zukünftigen Kunden in jeder Altersklasse und aggregiert über alle Altersklassen und Regionen, erhält man den erwarteten DB II. Der erwartete Ertrag hängt dabei von der Auswahl des relevanten Koeffizientenvektors ab, der die Stärke und Wirkungsrichtung der einzelnen Eigenschaften auf den Deckungsbeitrag bestimmt. Denkbar ist hier je nach Untersuchungszweck die Verwendung von sparkassenindividuellen Schätzergebnissen oder Koeffizientenvektoren aus den Schätzungen der aggregierten Datensätze.49

Abbildung 8 illustriert zusammenfassend die Komponenten des Simulationsmodells und die Arbeitsschritte auf dem Weg zur Prognose der Ertragsentwicklung.

Illustration

Abbildung 8: Simulationsmodell - Methodische Vorgehensweise im Überblick; Quelle: eigene Darstellung. ← 56 | 57 →

4.2 Hochrechnung: Simulation für den deutschen Sparkassensektor

Da bei der Untersuchung auf Sparkassenebene mit 11 von 439 Sparkassen nur ein sehr kleiner Ausschnitt der Grundgesamtheit beleuchtet werden kann und die ermittelten Ergebnisse sehr stark von der spezifischen Situation der betrachteten Sparkasse und der demographischen Situation im Geschäftsgebiet abhängen, können aus dieser Analyse zunächst keine allgemeingültigen Aussagen über den Einfluss des Demographischen Wandels auf den Ertrag abgeleitet werden. Die Ergebnisse und die zu Grunde liegenden Kundendaten können jedoch zu einer Hochrechnung für Gesamtdeutschland benutzt werden. Hierbei bleibt die grundsätzliche Vorgehensweise, die in Abbildung 8 illustriert und im vorangegangen Kapitel beschrieben wurde, bestehen. Betrachtet werden jetzt allerdings nicht reale, sondern 39 fiktive Sparkassen, deren Geschäftsgebiete mit den 39 NUTS II-Regionen in Deutschland korrespondieren. Für die 31 virtuellen westdeutschen (inkl. Berlin) bzw. 8 virtuellen ostdeutschen Sparkassen werden dann separate Kunden- und Ertragsprognosen durchgeführt, die durch Aggregation zu Ergebnissen für Ost- und Westdeutschland bzw. Gesamtdeutschland zusammengefasst werden können.

Aus historischen und ökonomischen Gründen unterscheiden sich die Wettbewerbsstruktur und die Kundencharakteristika zwischen ost- und westdeutschen Sparkassen erheblich. Dies spiegelt sich auch in den vorhandenen Datensätzen wider und sollte bei der Konstruktion der 39 Sparkassen berücksichtigt werden. Deshalb wird angenommen, dass die durchschnittliche altersspezifische Marktausschöpfung der drei westdeutschen Sparkassen repräsentativ für alle 31 künstlichen westdeutschen Institute ist. Ebenso wird unterstellt, dass sich die Charakteristika der repräsentativen Kunden aus den Durchschnittswerten der Kunden westdeutscher Sparkassen berechnen lassen. Analog wird in beiden Fällen bei den acht fiktiven ostdeutschen Instituten vorgegangen, d.h. die entsprechenden Durchschnitte werden aus den vorhandenen Informationen der ostdeutschen Sparkassen konstruiert.

Nachdem Annahmen über die Marktausschöpfung der ost- und westdeutschen Institute getroffen wurden, werden noch Informationen über das korrespondierende Marktpotential, d.h. über die Bevölkerung benötigt, um von der Marktausschöpfung auf die aktuellen und zukünftig erwarteten Kundenzahlen in den NUTS II-Sparkassen zu schließen. Die hierzu am besten geeigneten Daten ← 57 | 58 → stammen vom BBR aus der Raumordnungsprognose 2025/2050. Die hierin enthaltene Bevölkerungsprognose liefert konsistent vorausberechnete Daten mit einjährigen Altersklassen auf NUTS II-Ebene bis zum Jahr 2025.50

Um schließlich von den zukünftig erwarteten Kunden und deren Eigenschaften zur Ertragsprognose zu gelangen, wird abschließend noch ein Koeffizientenvektor benötigt. Liegen starke Differenzen zwischen den Schätzergebnissen der ost- und westdeutschen Sparkassen vor, ist analog zur Vorgehensweise bei der Marktausschöpfung und den repräsentativen Kunden die Verwendung von unterschiedlichen Koeffizientenvektoren für ost- und westdeutsche Regionen möglich. In diesem Fall sind dann jeweils die Schätzergebnisse aus den aggregierten Datensätzen der acht ost- bzw. drei westdeutschen Sparkassen heranzuziehen. Anderenfalls kann ein einheitlicher Vektor für alle 39 Sparkassen Verwendung finden, der sich aus den Regressionsergebnissen der Schätzung aller vorhandenen Kundendaten ergibt.

Um die Unterschiede zwischen der Analyse auf Sparkassenebene und der Hochrechnung für Deutschland zu verdeutlichen, werden in Tabelle 3 zusammenfassend die beiden Untersuchungsebenen, d.h. insbesondere die zugehörigen Teilkomponenten der Kunden- und Ertragsprognose, gegenübergestellt.

4.3 Gliederung der methodischen Untersuchung

Der Aufbau der nachfolgenden empirischen Untersuchung trägt der beschriebenen Vorgehensweise Rechnung. Zuerst werden in Abschnitt 5 die zur Untersuchung verwendeten Daten näher beleuchtet. Dies betrifft zum einen die Individualkundendatensätze und zum anderen die verwendeten Bevölkerungsdaten von den Statistischen Landesämtern (Fallstudien auf Sparkassenebene) und dem BBR (Hochrechnung für Deutschland). In Abschnitt 6 werden anschließend die Determinanten des Bankertrags mit Hilfe einer Regressionsanalyse ermittelt. Nachfolgend wird in Kapitel 7 die Prognose der Kundenentwicklung und –struktur ← 58 | 59 → auf Ebene der elf beteiligten und der 39 synthetischen Sparkassen durchgeführt. In Kapitel 8 wird im Anschluss die Prognose der Ertragsentwicklung für beide Analyseebenen durchgeführt und die Hochrechnung für Deutschland vorgenommen. Hierzu werden zuerst die erwartete Kundenstruktur und die Eigenschaften der repräsentativen Kunden ermittelt, um im Anschluss unter Verwendung der Regressionsergebnisse aus Abschnitt 6 eine Prognose für den DB II durchzuführen. Abschließend wird neben den zwei Standardszenarien ein drittes Szenario III betrachtet, dass zusätzlich die Annahme einer steigenden Preissensitivität beinhaltet.

Tabelle 3: Die zwei Untersuchungsebenen im Überblick; Quelle: eigene Darstellung

 Fallstudien: Analyse auf SparkassenebeneHochrechnung: Simulation für Sparkassensektor
Untersuchungsobjekt11 reale Sparkassen39 synthetische Sparkassen
Kleinste UntersuchungsebeneKreise der GeschäftsgebieteNUTS II-Regionen
MarktauschöpfungIndividuell berechnet aus Daten der jeweiligen Sparkasse. Ausdifferenzierung nach Alter, Kreis (bei Geschäftsgebieten die aus mehreren Kreisen bestehen) und bei Bedarf nach Geschlecht. Für Sparkassen in westdeutschen (ostdeutschen) Regionen:

Gewichteter Durchschnitt der drei (acht) realen westdeutschen (ostdeutschen) Sparkassen. Ausdifferenziert nach Alter und wenn notwendig nach Geschlecht.
Bevölkerungsdaten und -prognoseRegionale Bevölkerungsprognosen der Statistischen Landesämter basierend auf der 11. koordinierten Bevölkerungsvorausberechnung, Variante 1-W1.Bevölkerungsprognose des BBR aus der Raumordnungsprognose 2025/2050.
Eigenschaften der repräsentativen KundenIndividuell berechnet aus Daten der jeweiligen Sparkasse. Ausdifferenzierung nach Alter, Kreis (bei Geschäftsgebieten die aus mehreren Kreisen bestehen) und bei Bedarf nach Geschlecht. Für Sparkassen in westdeutschen (ostdeutschen) Regionen:

Gewichteter Durchschnitt der drei (acht) realen westdeutschen (ostdeutschen) Sparkassen. Ausdifferenziert nach Alter und wenn notwendig nach Geschlecht.
Koeffizientenvektor (Regressionsergebnisse)Je nach Untersuchungszweck:

1. Sparkassenindividuelle Schätzung

2. Schätzergebnisse der aggregierten Datensätze Ost/West
Je nach Untersuchungszweck:

1. Schätzergebnisse der aggregierten Datensätze Ost/West

2. Schätzergebnisse der Schätzung aller Kundendaten
Aussagekraft der ErgebnisseBegrenzt auf strukturell ähnliche Sparkassen mit vergleichbarer demographischer Entwicklung.Unter Repräsentativitätsannahme:

Aussage für die Entwicklung des ost-/westdeutschen und des gesamten Sparkassensektors.

44 Drei Sparkassen konnten lediglich Informationen aus dem Jahr 2007 erheben. Wegen der zeitlichen Nähe ist es jedoch unproblematisch, die Daten wie Querschnittsdaten zu behandeln.

45 Der Prognosehorizont wird determiniert durch den maximalen Vorhersagezeitraum der jeweils verwendeten Bevölkerungsvorausberechnung.

46 Sollte sich herausstellen, dass das Geschlecht einen systematischen Einfluss auf den Ertrag besitzt, ist eine zusätzliche Aufgliederung der Marktausschöpfungsquoten nach Männern und Frauen notwendig. Diese kann ohne Probleme implementiert werden, da die Bevölkerungsvorausberechnungen geschlechtsspezifisch vorliegen. In der weiteren Beschreibung der Vorgehensweise wird aus Vereinfachungsgründen auf die Differenzierung nach Geschlecht verzichtet. Wie sich später zeigen wird, ist eine Unterscheidung nach Geschlecht im Rahmen dieser Untersuchung jedoch nicht notwendig.

47 Siehe hierzu Abschnitt 5.2.3.

48 Neben dem Einkommen und den Kredit- und Anlagevolumina werden noch weitere kundenindividuelle Variablen berücksichtigt, die Einfluss auf den Ertrag besitzen können. Eine Variablenübersicht hierzu ist in Tabelle 4 zu finden. Auch für diese potentiell ertragsgenerierenden Eigenschaften wurden den repräsentativen Kunden Durchschnittswerte zugewiesen. Alle Durchschnitte werden aus den Kunden, die das entsprechende Alter aufweisen und im entsprechenden Kreis des Geschäftsgebietes wohnen, berechnet.

49 Es wird angenommen, dass die Koeffizienten sich nicht über den Simulationszeitraum ändern.

50 Regionale Bevölkerungsprognosen der statistischen Landesämter konnten nicht verwendet werden, da die Wanderungssalden nicht aufeinander abgestimmt sind. Darüber hinaus liegt z.B. für Nordrhein-Westfalen lediglich eine Vorausberechnung vor, die nicht komplett kompatibel zu den anderen regionalen Bevölkerungsprognosen ist, da sie auf leicht differierenden Annahmen basiert und sich nicht an den Länderergebnissen der 11. koordinierten Bevölkerungsvorausberechnung in der Variante 1-W1 orientiert.