4. Analyse der Leasingbilanzierung als Steuerungsinstrument

Zur Notwendigkeit einer derartigen ökonomischen Analyse eintretender Handlungsfolgen siehe auch Fülbier / Hitz / Sellhorn (2009), S. 460, i. V. m. Beaver (1998), S. 35, und Barth / Beaver / Landsman (2001), S. 88.

Zur Vorteilhaftigkeit der aus Unsicherheit heraus erwachsenden Flexibilität vgl. Adams/Rudolf (2009), S. 366.

Vgl. grundlegend zum Optionsbegriff Myers (1977), S. 163, und Trigeorgis (1993), S. 204.

Vgl. zur Übertragung der Bilanzierungsflexibilität auf den Realoptionsansatz Labrenz (2018), S. 95.

Vgl. Adams/Rudolf (2009), S. 366.

Ausführungen zur Gestaltung dieser Handlungsalternativen fußen konzeptionell auf der Grundidee von Labrenz/Thorand (2017), S. 388, i. V. m. Unterkapitel 3.​5.​3.

Siehe speziell zur Kennzahlwirkung Unterkapitel 3.​5.​2.

Realoptionen in Folge der Einführung des IFRS 16 sieht auch Labrenz (2021), S. 174.

Zur Übereinstimmung dieser Herangehensweise mit der Information-Content-Perspektive vgl. weiterführend Beaver / Demski (1979), S. 38.

Zu verweisen sei an dieser Stelle wieder auf die dem IAS 17.7–8 immanente Chancen-Risiko-Beurteilung und die damit einhergehende Klassifizierung als Finanzierungs- oder Operating-Leasing im Sinne der IAS 17.10–11.

Fülbier/Pferdehirt (2005), S. 275, verweisen auf die bewusst nutzbaren Gestaltungsalternativen des IAS 17.

In Übereinstimmung mit der Information-Content-Perspektive steht die Untersuchung des Bilanzierungssignals zwar im Analysemittelpunkt, jedoch soll dabei nicht dessen tatsächliche Wertausprägung von Bedeutung sein. Dies gilt sowohl im Hinblick auf die bilanzielle Ansatzhöhe als auch für die Konkretisierung der real induzierten Kosten einer Optionsausübung respektive Signalaussendung.

Zur Bedeutung der Vertragsstruktur für die bilanzielle Eingliederung vgl. Küting / Hell/ Tesche (2013), S. 391, Tesche / Küting (2016) S. 620, und Coenenberg / Haller / Schultze (2018), S. 1032–1033.

Unter einer negativen Beeinflussung ist die Erhöhung beider Kennzahlen zu verstehen.

Vgl. Labrenz / Thorand (2017), S. 388.

Sich ergebende bilanzielle Folgen der Off-Balance-Sheet-Gestaltung des IAS 17 können bspw. der Fallstudie Labrenz / Thorand (2017), S. 390–391, entnommen werden.

Allgemein zur fehlenden Glaubwürdigkeit der Signalaussendung in diesem Zusammenhang vgl. Breuer (2013), S. 160–161.

Die Imitierbarkeit ist aus dem fehlenden Kostenbestandteil ableitbar. Vgl. Breuer (2013), S. 162.

Vgl. Labrenz / Thorand (2017), S. 388.

Ausführlich zur bilanziellen Behandlung von Leasingverhältnissen im Anwendungskontext des IFRS 16 sei auf Unterkapitel 3.​4 verwiesen.

Von erhöhten Implementierungskosten im Zuge der erstmaligen Standardanwendung soll an dieser Stelle bewusst abstrahiert werden, da diese lediglich kurzfristige Einmaleffekte der Regelungsänderung darstellen und folglich das Analyseergebnis nur verzerren würden.

Ausführlich zur inhaltlichen Ausgestaltung dieser Handlungsalternative und zu weiteren Quellenverweisen siehe Unterkapitel 3.​5.​3. Bilanz- und Kennzahleffekte dieser Optionen können beispielhaft Labrenz / Thorand (2017), S. 391, entnommen werden.

So verringert der niedrigere Nutzungsrechtsansatz die Anlagenintensität des Unternehmens. Eine Reduzierung der Leasingverbindlichkeit bedingt gleichzeitig auch die Reduzierung des Verschuldungsgrads bzw. eine erhöhte Eigenkapitalquote.

Ausführlich zur inhaltlichen Ausgestaltung dieser Handlungsalternative und zu weiteren Quellenverweisen siehe Unterkapitel 3.​5.​3.​2.

Zur Darstellung von Sachverhaltsgestaltungen als Handlungsoption siehe auch Wellejus (2008), S. 26, i. V. m. Hinz (1994), S. 132.

Zur Substituierbarkeit von sachverhaltsabbildenden Maßnahmen durch Sachverhaltsgestaltungen im Zuge der Erhöhung der Regelungstiefe eines Rechnungslegungsstandards vgl. Ewert / Wagenhofer (2005), S. 1102, i. V. m. Schipper (2003), S. 68.

Beispielhaft kann für die Wirkungsweise dieser Sachverhaltsgestaltungen wieder auf Labrenz / Thorand (2017), S. 391–395, verwiesen werden.

Vgl. zu Vertragsanpassungen als kostenpflichtigen Handlungsalternativen Holthausen / Leftwich (1983), S. 78. Zur Notwendigkeit der Vertragsumstrukturierung infolge der veränderten bilanziellen Darstellung siehe Bryan / Lilien / Martin (2010), S. 38.

Siehe erneut zum Transaktionskostenverständnis Voigt (2009), S. 23–24, sowie grundlegend Coase (1937), S. 386 und 405.

Vgl. zu den Kosten der gezielten Transaktionsstrukturierung bspw. Nelson / Elliott / Tarpley (2002), S. 180. Vgl. zu den anderen Kostenkomponenten Voigt (2009), S. 24, i. V. m. Dahlman (1979), S. 141–162.

Zum Grundsatz der höheren Kostenverursachung realer Bilanzpolitik im Vergleich zu buchmäßiger Bilanzpolitik siehe abermals Wagenhofer / Ewert (2015), S. 317.

Ausführlich zur inhaltlichen Ausgestaltung dieser Handlungsalternative und zu weiteren Quellenverweisen siehe Unterkapitel 3.​5.​3.​3.

Vgl. Ewert / Wagenhofer (2005), S. 1106.

Zu differenzierten Klassifizierungsmöglichkeiten bilanzpolitischer Handlungen siehe bspw. auch Kühnberger (2017), S. 148.

Die durch den IFRS 16 postulierte Signalaussendung ist mit Kosten im Sinne von Spence (1973), S. 359, verbunden.

Vgl. zur Wirkungsweise Breuer (2013), S. 162–163.

Per Annahme wird von einer beschränkten Rationalität ausgegangen.

Zur Nichtdurchführung der bilanzpolitischen Maßnahmen infolge schlechter Unternehmensqualität siehe auch Breuer (2013), S. 163.

Vgl. Spence (1973), S. 358.

Siehe ausführlich Spremann (1996), S. 721–724.

Vgl. Breuer (2013), S. 163. Die Kategorisierung in gute und schlechte Unternehmen findet auch in der Untersuchung von Hughes / Schwartz (1988), S. 43, Anwendung.

Vgl. Labrenz / Thorand (2017), S. 397.

Vgl. Breuer (2013), S. 162.

Vgl. Breuer (2013), S. 162–164.

Wagner (2019), S. 272, konstatiert bspw. den gezielten Einsatz maßgeschneiderter Rechnungslegungsinformationen zur Beeinflussung der Kapitalvergabeentscheidungen.

Vgl. Levy (1988), S. 612.

Erneut ist darauf zu verweisen, dass Ausweichgestaltungen grundsätzlich durch die den IFRS immanente wirtschaftliche Betrachtungsweise begrenzt werden. Vgl. Küting / Hell / Tesche (2013), S. 392.

Vgl. Labrenz / Thorand (2017), S. 397.

Aus Vereinfachungsgründen kann diese Aussage nur für den sich infolge von Leasingverträgen veränderbaren Verschuldungsgrad gelten.

Es kann in diesem Kontext gleichwohl von einem Disnutzen der bilanzpolitischen Strategie gesprochen werden. Vgl. Labrenz / Thorand (2017), S. 397, i. V. m Wagenhofer / Ewert (2015), S. 311.

Vgl. Labrenz / Thorand (2017), S. 397.

Vgl. Wagenhofer / Ewert (2015), S. 312.

Vgl. Labrenz / Thorand (2017), S. 397.

Innerhalb eines Pooling-Gleichgewichts lohnt sich die Aufbringung der Kosten von sachverhaltsgestaltenden Maßnahmen nicht, da in Anbetracht der fehlenden qualitativen Unterscheidbarkeit alle Unternehmen mit einheitlichen Zinsforderungen durch ihre Adressaten konfrontiert werden. Vgl. dazu auch Breuer (2013), S. 164.

Vgl. zum Pooling-Gleichgewicht Breuer (2013), S. 162.

Vgl. zum separierenden Gleichgewicht Breuer (2013), S. 164.

Vgl. Labrenz / Thorand (2017), S. 397.

Zur Übertragbarkeit auf einen Angebots- und Nachfragekontext siehe auch Wagenhofer / Ewert (2015), S. 311.

Vgl. Labrenz / Thorand (2017), S. 397.

Der Standardsetzer erlaubt sich mit kleineren Ausnahmeregelungen einen Rückgriff auf die innerhalb des Conceptual Framework verankerte Kostenprämisse, nach welcher sich die Kosten der Informationsbereitstellung stets mit dem beim Adressaten generierbaren Nutzen dieser Information rechtfertigen lassen müssen. Siehe CF 2.39.

Fülbier / Scharf (2017), S. 149–150, beschreiben die geschaffenen Ausnahmeregelungen als Instrumentarien zur Reduzierung einer dem Gesamtstandard innewohnenden Komplexität.

Eine Zusammenfassung verschiedener Studienergebnisse liefern Morales-Diaz / Zamora-Ramirez (2018), S. 107. In Hinblick auf Forschungsarbeiten zur Nutzung von Off-Balance-Finanzierungen als Ausprägungsform einer opportunistisch motivierten Bilanzpolitik kann beispielhaft auf Beatty / Liao / Weber (2010), S. 1235–1236, Bryan / Lilien / Martin (2010), S. 36–38, oder auch Dechow et al. (2011), S. 41 und 50, verwiesen werden.

Vgl. Backhaus et al. (2018), S. 15.

Diese grundsätzliche Optimierungsentscheidung sehen im Leasingkontext bspw. Richter / Rogler (2018b), S. 296, und Richter / Rogler (2018c), S. 347–348. Auch andere empirische Studien untersuchen gezielt die Auswirkungen unterschiedlicher Leasingdarstellungen auf sich gegensätzlich entwickelnde Kennzahlen. Vgl. Morales-Diaz / Zamora-Ramirez (2018), S. 111.

Es sei an dieser Stelle auf jene Gestaltungsalternativen verwiesen, die auch weiterhin eine außerbilanzielle Leasingbehandlung zulassen. Vgl. erneut Beyhs / Labrenz (2016), S. 454–458.

Auf eine dem IAS 17 immanente Abgrenzungsproblematik verweist bspw. Labrenz (2015), S. 360.

Siehe IAS 17.33–34.

Siehe IAS 17.20.

Diese Ergebnisbeeinflussung spielt im Kontext des IAS 17 eine bedeutende Rolle und gilt als einer der Treiber zur Standardneuformulierung. Fischbach / Stein (2019), S. 159, betonen die Anpassungseffekte für die Eigenkapitalquote im Zuge der Leasingstandardänderung.

Küting / Mojadadr (2013), S. 142, sprechen den gewählten Indizes eine hohe Relevanz innerhalb der öffentlichen Wahrnehmung zu, weshalb auch sie diese Datengrundgesamtheit für ihre Untersuchungszwecke gewählt haben. Weiterführend zur Bedeutung der ausgewählten Indizes für den deutschen Kapitalmarkt siehe Bieg (2000), S. 308. Eine ausführliche Erläuterung zur Zusammensetzung der verschiedenen Indizes kann Steiner / Bruns / Stöckl (2017), S. 224–229, entnommen werden.

Eine vergleichbare Datengrundgesamtheit wählen auch Dimmer (2020), S. 276, für die Untersuchung der erstmaligen Anwendung des IFRS 16, Eisenschmidt / Kühnberger (2019), S. 116, zur Analyse rechnungswesenbasierter Ergebnisqualität oder Tesche (2014), S. 243, zur Durchführung einer Simulation außerbilanzieller Leasinggeschäfte.

Zur Vorteilhaftigkeit des Konzernabschlusses im Vergleich zu Einzelabschlüssen vgl. im Detail Baetge / Kirsch / Thiele (2019a), S. 7–8 und 48–52.

Eine Übersicht der in die Untersuchung integrierten Unternehmen kann Anlage 1 im elektronischen Zusatzmaterial entnommen werden.

In Verbindung mit der Anwendung von IFRS 15 kann der Leasingstandard schon für das Geschäftsjahr 2018 angewendet werden. Siehe weiterführend zu bilanzpolitischen Möglichkeiten einer Parallelanwendung Bardens / Czymoch / Wallek (2018), S. 261–267. Die verpflichtende Anwendung des IFRS 16 gilt für Geschäftsjahre, welche am oder nach dem 01.01.2019 beginnen. Siehe IFRS 16.C1.

Zur Anwendbarkeit dieser Branchengruppierung vgl. bspw. Küting / Mojadadr (2013), S. 142–143, oder auch Tesche (2014), S. 244.

Nach dem Untersuchungsstichtag fand eine Anpassung der Indexzusammensetzung statt, weshalb die hier angegebene Wertangabe von 50 Unternehmen mittlerweile auf die 60 größten Unternehmen, die innerhalb des Prime Standard auf die DAX-Werte folgen, angestiegen ist.

Zur Notwendigkeit länderübergreifender Forschung auf Ebene der Standardsetzung siehe auch Fülbier / Hitz / Sellhorn (2009), S. 459.

Eine Übersicht der in die Untersuchung integrierten Unternehmen kann Anlage 2 im elektronischen Zusatzmaterial entnommen werden.

Eine Übersicht der in die Untersuchung integrierten Unternehmen kann Anlage 3 im elektronischen Zusatzmaterial entnommen werden.

Vgl. ausführlich zur IFRS-Anwendung in Österreich IASB (2021).

Siehe OR Art. 963b.

Siehe Art. 1 der VASR vom 21.11.2012.

Die Übersicht zur Anwendung der Rechnungslegungssysteme bezieht sich ebenfalls auf den Stichtag des 30.06.2018.

Auch innerhalb der US-GAAP erfolgte bisher für die Leasingnehmer die Unterscheidung zwischen Finanzierungs- und operativem Leasing mit den entsprechenden Darstellungskonsequenzen der Bilanzwirksamkeit oder außerbilanziellen Darstellung. Pferdehirt (2007), S. 115, betont die Parallelen in beiden Leasingstandards. Siehe speziell zur Unterscheidung ASC 840–10. Weiterführend zur Bilanzierung als Capital Leases siehe ASC 840–30 sowie zu Operating Leases ASC 840–20. Eine Gegenüberstellung der Bilanzierungsvorschriften nach Durchführung des Konvergenzprojekts und Einführung von IFRS 16 und ASC 842 kann Ziegler / Blab (2019), S. 29–34, entnommen werden.

Auch das Swiss GAAP FER postuliert einen dem IAS 17 ähnlichen Chance-Risiko-Ansatz mit dazugehörigem Kriterienkatalog zur Ableitung von Bilanzierungsfolgen. Siehe dafür Swiss GAAP FER 13.3 i. V. m. 13.9. Zur Offenlegung der Fälligkeitsstruktur siehe zudem FER 13.5 und FER 13.11.

Bedingt durch den verwendeten Abschlussstichtag (30.04.) der BUWOG AG konnte der Abschluss für das Geschäftsjahr 2017/2018 nicht zum Stichtag der Datenerhebung eingesehen werden. Gleiches gilt für den Konzernabschluss der Dialog Semiconductor Plc., welcher durch eine verspätete Veröffentlichung ebenfalls nicht zum Untersuchungsstichtag verfügbar war.

Abschlüsse für die Ceconomy AG oder auch die Innogy AG sind erst ab dem Geschäftsjahr 2016 verfügbar. Folglich können keine Vergleichsdaten für das Jahr 2015 erhoben werden.

Aufgrund von Restriktionen in der Datenverfügbarkeit handelt es sich um ein unbalanciertes Datenpanel, da die Unternehmensanzahl pro Untersuchungsjahr variiert. Zur Verwendung aller Daten zur Erzielung einer möglichst großen Datenbasis vgl. auch Wagenhofer / Dücker (2007), S. 282–283.

Obgleich sich die Zusammensetzung der zum späteren Zeitpunkt in den Indizes befindlichen Unternehmen de facto verändert hat, werden aus Gründen der Vergleichbarkeit die gleichen Unternehmen wie bereits im ersten Untersuchungsdurchlauf analysiert.

Ausführungen zur Datengrundgesamtheit sind 4.2.7.1 zu entnehmen.

Aus der Untersuchung ausgeschlossen wurden jene Unternehmen, welche aufgrund der Verwendung abweichender Abschlussstichtage den IFRS 16 noch nicht angewendet haben bzw. aufgrund der fehlenden Veröffentlichung der Daten bis zum 30.06.2020 nicht mehr in der Untersuchung berücksichtigt werden konnten.

Die Notwendigkeit zur Untersuchung leasingunabhängiger Größen ist mit der Vermeidung von entstehenden Zirkelbezügen zu begründen.

Die Verwendung und Entnahme dieser Angaben sind besonders bei Studien, die auf eine simulierende Kapitalisierung von bisherigen Operating-Leasing-Verhältnissen abstellen, ein typisches Vorgehen. Grundlegend zu dieser Studienart siehe Imhoff / Lipe / Wright (1991), S. 51–63, und Imhoff / Lipe / Wright (1997), S. 12–32.

Gleiches gilt auch für die Wertangaben des IFRS 16, welche für die Folgeanalyse untersucht werden.

Durch die Verwendung von Summenangaben über mehrere Jahre hinweg sollen Verzerrungen infolge der isolierten Betrachtung von Einzeljahreswerten umgangen werden.

Zur Verfügbarkeit der benötigten Daten siehe IFRS 16.22 i. V. m. IFRS 16.53.

Zur Herleitung des Gesamtleasingvolumens im Regelungszusammenhang des IFRS 16 ist zu beachten, dass sich die Off-Balance-Leasing-Komponente sowohl aus der aufwandswirksamen OFFBL als auch aus der lediglich im Anhang kommunizierten OFFBL 16.59(b) zusammensetzt. Weiterführend zur Variablenbelegung siehe Tabelle 4.5.

Zur grundsätzlichen Schwierigkeit der Approximation bilanzpolitischer Größen siehe auch Wagenhofer / Dücker (2007), S. 275.

Die Ableitung einer bestimmten Bilanzierungsstrategie erfolgt in vergleichbaren Studien ebenfalls mittels Approximation über eine Dummy-Variable. Vgl. dazu die Studienzusammenfassung von Holthausen / Leftwich (1983), S. 91–95.

Lediglich branchenspezifische Größen scheiden deshalb aufgrund der fehlenden Vergleichbarkeit für Unternehmen unterschiedlicher Wirtschaftssektoren aus.

Vgl. Küting (2013), S. 23.

Eine Darstellung ausgewählter expliziter Wahlrechte innerhalb der IFRS kann bspw. der Untersuchung von Eisenschmidt / Schwenkler (2016), S. 54–55, entnommen werden.

Eine grundlegende Zusammenfassung dieser Wahlrechte wird von Brösel (2017), S. 106–107, präsentiert. Weiterführend zu einem fehlenden expliziten Bilanzansatzwahlrecht siehe bspw. Küting / Weber (2015), S. 42.

Der Bilanzierende hat die Wahl, das immaterielle Anlagevermögen bzw. das Sachanlagevermögen in der Folgebewertung mit dem Anschaffungskostenmodell oder mittels der Neubewertungsmethode fortzuführen. Ausführlich zu beiden Methoden vgl. Scharfenberg (2016), Rdnr. 123–140, und Baetge / Kirsch / Thiele (2019b), S. 294–301.

Die Nutzung der Neubewertungsmethode oder auch der Fair-Value-Bewertung kann hier für im Wert steigende Vermögenswerte gezielt zur positiven Beeinflussung der Eigenkapitalhöhe Verwendung finden. Vgl. auch Eisenschmidt / Schwenkler (2016), S. 56.

Vermehrt wurden in der Literatur bspw. die Folgebewertungsalternativen für das Sachanlagevermögen oder auch für als Finanzinvestition gehaltene Immobilien untersucht. Im Geschäftsjahr 2016 wendet bezogen auf den analysierten Teilindex HDAX bspw. lediglich die Rheinmetall AG für die Bilanzposition „Betriebsnotwendiger Grund und Boden“ die Neubewertungsmethode an. Vgl. dazu die Anhangangaben der Rheinmetall AG (2016), S. 135 und 140. Auch die von Eisenschmidt / Schwenkler durchgeführte Untersuchung zeigt für eine ähnliche Datenbasis, dass die Neubewertungsmethode oder gar eine Fair-Value-Bewertung in der Häufigkeit ihrer Nutzung stets deutlich dem Anschaffungskostenmodell unterliegen. Siehe Eisenschmidt / Schwenkler (2016), S. 56–57.

Weiterführend zu möglichen Bilanzierungswahlrechten siehe Kirsch (2017), S. 49–56. Spezifischen Konzernausweiswahlrechten widmet sich Verhofen (2016), S. 27–29.

Derartige Ausweiswahlrechte finden auch für ähnliche empirische Untersuchungsabläufe Anwendung. Vergleichend kann auf den Untersuchungsaufbau von Gordon et al. (2017), S. 840–844, verwiesen werden, in welchem die Konsequenzen unterschiedlicher Kapitalflussrechnungsausweise analysiert werden.

Siehe IAS 28.10. Vgl. auch Labrenz / Thorand (2016), S. 546–547, und Pellens et al. (2021), S. 911.

Zu den Zuordnungsmöglichkeiten des Ergebnisses aus Equity-Beteiligungen siehe Coenenberg / Haller / Schultze (2018), S. 1165.

Zur Relevanz assoziierter Beteiligungsstrukturen im IFRS-Konzernabschluss vgl. Labrenz / Thorand (2016), S. 546–547.

Eine Betonung derartiger Performance-Größen im Signaling-Kontext ist bspw. auch Samaha / Khlif (2016), S. 45, zu entnehmen.

Für Konzernunternehmen, welche über keine Equity-Beteiligungen verfügen oder ein Ausweis aufgrund untergeordneter Bedeutung dieser Beteiligungen entfällt, wird behelfsweise auf den Ergebnisausweis sonstiger Beteiligungen zurückgegriffen.

Beispielhaft zur Wirkungsweise von Finanzierungsleasingvereinbarungen nach IAS 17 vgl. Engels / Dreesen (2015), S. 191–192.

In Abhängigkeit des zur Berechnung verwendeten Zinssatzes können sich die Effekte auf das EBIT erhöhen. In jedem Fall hat die Wahl der bilanziellen Abbildung aber deutliche Auswirkungen auf das EBITDA. So auch Morales-Diaz / Zamora-Ramirez (2018), S. 129, und Antonakopoulos / Rummel (2020), S. 558–559.

Zur direkten oder indirekten Messung vgl. Hauser (2004), S. 24.

Zur direkten Ableitung relevanter Variablen aus den Unternehmensabschlüssen vgl. Dechow et al. (2011), S. 19.

Die fehlende Angabe zur Erstanwendung ist lediglich bei den Unternehmen, welche den IFRS 16 in einem später beginnenden Geschäftsjahr erstmalig anwenden, zu beobachten.

Die Angabe der späteren Anwendung bezieht sich auf den verwendeten Analysestichtag des Follow-up-Tests. Aufgrund der Anwendungspflicht für Geschäftsjahre, die am oder nach dem 01.01.2019 beginnen, kann es infolge der Verwendung von Berichtsperioden, welche nicht am 01.01 beginnen, zu einer Anwendung des IFRS 16 erst im veröffentlichten Geschäftsbericht des Geschäftsjahres 2019/2020 kommen. Eine Analyse dieser Abschlüsse scheidet demnach für die hier durchgeführte Untersuchung aus.

Für den Fall, dass der Konzernabschluss in einer vom Euro abweichenden Währung erstellt wurde, erfolgt die Umrechnung in Euro zum jeweiligen Stichtagskurs. Zu begründen ist dieses Vorgehen mit der Schaffung einer notwendigen Vergleichbarkeit absoluter Wertangaben. In den publizierten Geschäftsberichten erfolgten Angaben in US-Dollar und in Schweizer Franken.

Bezieht sich die OLR in den Geschäftsjahren 2015–2017 lediglich auf den Leasinganteil, welcher im jeweiligen Geschäftsjahr das Konzernergebnis erfolgswirksam beeinflusst hat, setzt sich die OLR im Kontext der vorzeitigen Standardanwendung im Jahr 2018 sowie im regulären Anwendungsfall 2019 des IFRS 16 aus den aufwandswirksamen Leasingzahlungen, die aus kurzfristigen, einen lediglich geringwertigen Vermögenswert zugrunde habenden sowie mit variablen Zahlungsvereinbarungen ausgestalteten Vertragszahlungen bestehen, zusammen. Siehe dazu IFRS 16.53(c)–(e).

Zur Einbeziehung von Kontrollvariablen in den Untersuchungskontext vgl. bspw. Janssen / Laatz (2017), S. 330.

An dieser Stelle sei auf die unterschiedlichen Ergebniseffekte der verschiedenen Erstanwendungsmöglichkeiten im Beispiel von Galbiati / Bühler (2017), S. 288–290, verwiesen.

Zum allgemeinen Testschema für die Auswahl des passenden Signifikanztests vgl. Janssen / Laatz (2017), S. 320–326.

Vgl. Backhaus et al. (2018), S. 10–12.

Basierend auf der bereits formulierten Vorstellung vom möglichen Kausalitätszusammenhang ist die Nutzung strukturprüfender Verfahren in diesem Kontext als zweckmäßig anzusehen. Vgl. Backhaus et al. (2018), S. 15.

Vgl. Reuschenbach (2009), S. 501.

Vgl. zur Übertragung der relevanten Forschungsfrage auf eine wissenschaftlich testbare Hypothese Huber / Meyer / Lenzen (2014), S. 13.

Zur Ableitung eines allgemeinen Testschemas siehe Auer / Rottmann (2020), S. 349.

Ausführlich zur Testmethodik des Chi-Quadrat-Unabhängigkeitstests siehe Auer / Rottmann (2020), S. 392–394.

Siehe zur Einordnung als unabhängige Stichprobe Janssen / Laatz (2017), S. 334–335.

Für die unterschiedlichen Faktorstufen vgl. die in Tabelle 4.5 gelisteten Variablenausprägungen zur „Steuerung“ und zum „Ausweis Equity-Ergebnis“.

Zum Vorgehen vgl. Bühner / Ziegler (2017), S. 295–296.

Eine vergleichbare Herangehensweise wählt auch Labrenz (2018), S. 123–124.

Allgemein zum t-Test für zwei unabhängige Stichproben vgl. Huber / Meyer / Lenzen (2014), S. 19–21, oder auch Janssen / Laatz (2017), S. 334–340.

Allgemein zum Mann-Whitney-U-Test für zwei unabhängige Stichproben vgl. Janssen / Laatz (2017), S. 652–657.

Grundlegend zu nichtparametrischen Testverfahren vgl. Schäfer / Wegner (2004), S. 445–446.

Zu den Voraussetzungen für die Durchführbarkeit des t-Tests siehe Bühner / Ziegler (2017), S. 301.

Der Kolmogoroff-Smirnov-Test kann zur Überprüfung der Normalverteilungseigenschaft herangezogen werden. Vgl. bspw. Schäfer / Wegner (2004), S. 488–493.

Die Varianzhomogenität lässt sich sowohl mittels eines F-Tests als auch mit dem Levene-Test überprüfen. Letzterer wird in der Literatur als vorzugswürdig angesehen und soll infolgedessen hier Anwendung finden. Diese Meinung vertreten auch Bühner / Ziegler (2017), S. 303, sowie Janssen / Laatz (2017), S. 243.

Für die Verarbeitung mittels SPSS erfolgt die Transformation der metrischen Variable Equity-Ergebnis in die Dummy-Variable Equity-positiv. Siehe Tabelle 4.5.

Vgl. Kosfeld / Eckey / Türck (2019), S. 334–335.

Vgl. Kosfeld / Eckey / Türck (2019), S. 333–334.

Zu den Voraussetzungen für den Chi-Quadrat-Unabhängigkeitstest siehe Schäfer / Wegner (2004), S. 446.

Siehe Unterkapitel 4.2.3 sowie Tabelle 4.5.

Vgl. Schäfer / Wegner (2004), S. 446–447.

Vgl. zur Hypothesenbildung bspw. Auer / Rottmann (2020), S. 392.

Zur formalen Herleitung der Unabhängigkeitszahlen siehe Schäfer / Wegner (2004), S. 447.

Vgl. zur Interpretation der Größe Schäfer / Wegner (2004), S. 448, und Auer / Rottmann (2020), S. 393–394.

Die Prüfgröße \(\chi^{2} { }\) folgt der Chi-Quadrat-Verteilung mit \(\left( {k - 1} \right) \cdot \left( {q - 1} \right)\)-Freiheitsgraden.

Vgl. für die mathematische Konkretisierung der Prüfgröße Schäfer / Wegner (2004), S. 448.

Für das Signifikanzniveau wird in diesem Aufsatz unterschieden zwischen signifikant (*) mit einem p-Wert ≤ 0,05, hoch signifikant (**) mit einem p-Wert ≤ 0,01 und höchst signifikant (***) mit einem p-Wert ≤ 0,001.

Vgl. Cohen (1988), S. 223.

Siehe Bühner / Ziegler (2017), S. 349.

Siehe Bühner / Ziegler (2017), S. 349.

Zur Kategorisierung der Effektstärke vgl. Cohen (1988), S. 224–225, und Bühner / Ziegler (2017), S. 349.

Die Angaben Min., Max., Summe, Mittelwert, Std.-Abweichung erfolgen in Mio. Euro. Vgl. methodisch zur Erstellung dieser Tabellen mittels SPSS Janssen / Laatz (2017), S. 45–46.

Siehe allgemein zur Interpretierbarkeit der Standardabweichung Waschkau (2004), S. 147.

Siehe zu den Testvoraussetzungen Rasch et al. (2014a), S. 43, oder auch Bühner / Ziegler (2017), S. 301.

Huber / Meyer / Lenzen (2014), S. 64–67, wenden diesen Test ebenfalls zur Überprüfung der Normalverteilungseigenschaft in Vorbereitung auf eine Varianzanalyse an.

Zur formalen Herleitung der Prüfgröße siehe Schäfer / Wegner (2004), S. 490–491.

Zur inhaltlichen und formalen Herleitung des Ablehnungsbereichs siehe Schäfer / Wegner (2004), S. 491–492.

Getestet wurden einerseits die Gruppen der EBITDA- und Sonstiges-Optimierer sowie andererseits jene im Betriebsergebnis respektive im Finanzergebnis ausgewiesenen Unternehmensgruppen.

In die Untersuchung als abhängige Variablen einbezogen wurden jeweils OLR, UE, BLQ, KOLV, KFLV, KGLV und die FLQ.

Die Zusammenfassung aller Testergebnisse kann explizit Anlage 4 im elektronischen Zusatzmaterial entnommen werden.

So argumentieren Bühner / Ziegler (2017), S. 303.

Vgl. Janssen / Laatz (2017), S. 335.

Der Prüfgröße setzt in Abhängigkeit der Gruppenzugehörigkeit die Abweichungsquadrate der Stichproben ins Verhältnis. \(\overline{Y}_{j}\) repräsentiert die mittlere absolute Abweichung innerhalb der ausgewählten Stichprobengruppe, \(\overline{Y}\) ist der Mittelwert der absoluten Abweichungen und n die Anzahl der Beobachtungen unter Einbezug aller Stichproben. Grundlegend zum Testverfahren vgl. Rudolf / Kuhlisch (2008), S. 150–154.

Vgl. zur Herangehensweise und der Testsystematik Janssen / Laatz (2017), S. 243–247 und 335.

Eine Übersicht zu allen Untersuchungsergebnissen kann Anlage 5 im elektronischen Zusatzmaterial entnommen werden.

Die Eliminierung verzerrender Brancheneinflüsse stellt eine für die Rechnungslegungsforschung typische Vorgehensweise dar. Vgl. bspw. Ruhwedel / Hähn / Röper (2018), S. 510.

Vgl. zur Gesamtbranchenübersicht Tabelle 4.1 und Tabelle 4.2.

Für Unternehmen, die dieser Branche angehörig sind, bestehen die notwendigen Freiheitsgrade in der Zuordnung des Ergebnisses aus assoziierten Beteiligungen nur bedingt, da die Gliederung der Gesamtergebnisrechnung explizit vorgeschrieben wird. Zur fehlenden Eignung aufgrund branchenspezifischer Besonderheiten siehe auch Wagenhofer / Dücker (2007), S. 282.

Diese Branche eliminieren innerhalb ihrer Studien auch Tesche (2014), S. 244, Eisenschmidt / Beiersdorf (2017), S. 490, Ruhwedel / Hähn / Röper (2018), S. 510, oder Eisenschmidt / Kühnberger (2019), S. 116.

Eine Übersicht zu allen Untersuchungsergebnissen kann Anlage 6 im elektronischen Zusatzmaterial entnommen werden.

Für das Jahr 2017 kann mit einem Signifikanzwert von 0,0004 sogar ein höchstsignifikanter Wert erzielt werden.

Auf dem Fünf-Prozent-Niveau können signifikante Ergebnisausprägungen bspw. für die OLQ in allen Untersuchungsjahren und für die KFLV im Jahr 2016 festgestellt werden.

Vgl. Janssen / Laatz (2017), S. 652.

Das weitere Vorgehen bei Nichterfüllung von Annahmevoraussetzungen zur Durchführung statistischer Testverfahren wird in der Literatur kontrovers diskutiert. So empfehlen Bühner / Ziegler (2017), S. 303, auch bei Nichterfüllung die Durchführung des Tests. Janssen / Laatz (2017), S. 352, sprechen sich aufgrund der Testrobustheit im Fall einer geringen Verletzung der Varianzhomogenitätsprämisse ebenfalls für die Durchführung aus. Für diese Arbeit soll sich am Vorgehen von Rasch et al. (2014b), S. 94, oder auch Labrenz (2018), S. 130, orientiert werden. So entschließen sich die Autoren im Fall der Nichterfüllung von Durchführungsvoraussetzungen zur Nutzung nichtparametrischer Verfahren. Eine praktische Bedeutsamkeit signifikanter Ergebnisse nichtparametrischer Verfahren soll durch eine nachgelagerte Effektstärkenberechnung erzielt werden. Hierzu können wiederum Bühner / Ziegler (2017), S. 349, herangezogen werden.

Vgl. Bühner / Ziegler (2017), S. 325–326.

Vgl. Janssen / Laatz (2017), S. 654.

Die Hypothesenbildung erfolgt in Analogie zu Bühner / Ziegler (2017), S. 326.

Die Formel ist entnommen aus Bühner / Ziegler (2017), S. 327–328. Je nach gewählter Gruppierungsvariablen stellen \(n_{1}\)und \(n_{2}\) den Stichprobenumfang der Einzelgruppen dar sowie \(T_{1}\) und \(T_{2}\)die Gesamtrangsummen der Gruppen.

Vereinigen die Teilgruppen jeweils mindestens 10 Datenwerte auf sich und umfasst der Gesamtdatensatz mehr als 30 Daten, kann von einer größeren Stichprobe im statistischen Kontext gesprochen werden. Vgl. dazu Janssen / Laatz (2017), S. 656. Im hier betrachteten Fall ist diese Prämisse für alle Untersuchungsgruppen erfüllt.

Vgl. Janssen / Laatz (2017), S. 654.

Vgl. zum Ablehnungsbereich Bühner / Ziegler (2017), S. 329–330.

Die Einzelergebnisse für den Gesamtdatensatz können Anlage 7 im elektronischen Zusatzmaterial entnommen werden.

Die Gegenüberstellung der mittleren Ränge ist in Anlage 8 im elektronischen Zusatzmaterial als Diagramm dargestellt.

Die mittlere Rangsumme, auch als mittlerer Rang bezeichnet, ergibt sich aus der Division der Summe aller Rangplätze einer Gruppe durch die Anzahl der in einer Gruppe befindlichen Unternehmen. Vgl. zur Berechnung Rasch et al. (2014b), S. 95.

Zur Interpretation der mittleren Ränge vgl. bspw. Rasch et al. (2014b), S. 96.

Vgl. grundlegend zur Formel Fritz / Morris / Richler (2012), S. 12.

Vgl. Cohen (1988), S. 81.

Grundsätzlich spricht gegen die Verwendung absoluter Daten die mangelnde Vergleichbarkeit aufgrund der Wirkungsweise von Größeneffekten beim Einbezug unterschiedlicher Indizes. Bei Verwendung des MWU-Tests kann dieses Risiko jedoch durch die Testspezifik infolge einer Berechnung mit Rängen entkräftet werden, da diese auch für eventuelle Ausreißer nutzbar sind. Vgl. zur Methodik auch Rasch et al. (2014b), S. 94–95.

Sich ergebende mittlere Rangsummen liegen für die EBITDA-Optimierer bei 84,25 und damit über dem Wert der Sonstiges-Optimierer (66,27). Eine Gegenüberstellung kann Anlage 9 im elektronischen Zusatzmaterial entnommen werden.

Die Signifikanzausprägungen zu sämtlichen getesteten Kontrollvariablen können Anlage 10, Anlage 14, Anlage 16, Anlage 17, Anlage 18 und Anlage 19 im elektronischen Zusatzmaterial entnommen werden.

In der Gegenüberstellung der mittleren Ränge (FLQ) innerhalb des HDAX sind den EBITDA-Optimierern ein Wert von 62,31 und damit ein höherer Rang zuzuordnen. Den Sonstiges-Optimierern wird ein Wert von 47,90 zugewiesen. Im Falle der KFLV entfällt 2016 (2015) auf die EBITDA-Optimierer der Wert 84,25 (60,42) und auf die Sonstiges-Optimierer 66,27 (48,4). Eine Ranggegenüberstellung ist Anlage 11, Anlage 12 und Anlage 13 im elektronischen Zusatzmaterial zu entnehmen.

In der Gegenüberstellung der mittleren Ränge innerhalb des DAX sind den EBITDA-Optimierern ein Wert von 18,16 und damit wie bereits im Fall des HDAX ein höherer Rang zuzuordnen. Den Sonstiges-Optimierern ist ein Wert von 10,91 zuzusprechen. Siehe Anlage 15 im elektronischen Zusatzmaterial.

Die Ergebnisse des Gesamtdatensatzes nach Ausschluss dieser Branche können Anlage 20 im elektronischen Zusatzmaterial entnommen werden. Aus Gründen der besseren Lesbarkeit wird für die Datenbasis innerhalb der Tabellenangabe lediglich der Zusatz ohne Banken im Fall des Ausschlusses der Branchengruppe Banks, Insurance & Financial Services verwendet.

Für das Jahr 2016 kann die Nullhypothese sogar auf dem Ein-Prozent-Signifikanzniveau verworfen werden.

In 2017, 2016 und 2015 entfallen auf die EBITDA-Optimierer (Sonstiges-Optimierer) jeweils die mittleren Rangsummen von 67,30 (52,45); 71,68 (49,96); 67,22 (53,28).

Die Gegenüberstellungen der mittleren Ränge sind in Anlage 21, Anlage 23 und Anlage 25 im elektronischen Zusatzmaterial einsehbar.

2017, 2016 und 2015 entfallen auf die EBITDA-Optimierer (Sonstiges-Optimierer) jeweils die mittleren Rangsummen von 67,83 (51,98); 72,75 (49,05); 67,86 (52,83). Zum Vergleich der mittleren Rangsummen siehe Anlage 22, Anlage 24 und Anlage 26 im elektronischen Zusatzmaterial.

FLQ: 2017, 2016 und 2015 entfallen auf die EBITDA-Optimierer (Sonstiges-Optimierer) im HDAX jeweils die mittleren Rangsummen von 52,04 (42,27); 55,98 (39,38); 52,20 (41,92). Zum Vergleich der mittleren Rangsummen siehe Anlage 27, Anlage 28, Anlage 30 und Anlage 32 im elektronischen Zusatzmaterial.

KFLV: 2017, 2016 und 2015 entfallen auf die EBITDA-Optimierer (Sonstiges-Optimierer) im HDAX jeweils die mittleren Rangsummen von 53,21 (41,18); 57,23 (38,18); 53,34 (41,00). Zum Vergleich der mittleren Rangsummen siehe Anlage 29, Anlage 31 und Anlage 33 im elektronischen Zusatzmaterial.

In der Gegenüberstellung der mittleren Ränge der FLQ innerhalb des DAX sind den EBITDA-Optimierern ein Wert von 14,64 und damit ein höherer Rang zuzuordnen. Den Sonstiges-Optimierern wird ein Wert von 9,50 zugewiesen. Siehe Anlage 34 und Anlage 35 im elektronischen Zusatzmaterial.

In der Gegenüberstellung der mittleren Ränge der KFLV (FLQ) innerhalb des MDAX sind den EBITDA-Optimierern ein Wert von 23,80 (23,87) und damit ein höherer Rang zuzuordnen. Den Sonstiges-Optimierern wird ein Wert von 16,03 (15,94) zugewiesen. Siehe Anlage 36, Anlage 37 und Anlage 38 im elektronischen Zusatzmaterial.

In der Gegenüberstellung der mittleren Ränge der KFLV (FLQ) innerhalb des ATX sind den EBITDA-Optimierern ein Wert von 8 (7,67) und damit ein höherer Rang zuzuordnen. Den Sonstiges-Optimierern wird ein Wert von 3,6 (4,0) zugewiesen. Siehe Anlage 39, Anlage 40 und Anlage 41 im elektronischen Zusatzmaterial.

Siehe zu dieser formalen Testvoraussetzung Eckstein (2016), S. 133.

Beide Angaben beziehen sich auf die Optimierungsstruktur im Jahr 2017.

Siehe Anlage 42 im elektronischen Zusatzmaterial.

Nach Ausschluss des Finanzsektors verbleiben 14 Unternehmen im SMI gelistet. Davon sind im Jahr 2017 fünf EBITDA-Optimierer und neun Sonstiges-Optimierer.

Vgl. Eckstein (2016), S. 149.

Die zehn Gruppen ergeben sich aus der getroffenen Branchenzuordnung. Siehe Tabelle 4.1 und Tabelle 4.2.

Vgl. Schäfer / Wegner (2004), S. 484.

Variablenbelegung:\(k =\) Stichprobenanzahl; \(n\)= Beobachtungswerte der kombinierten Stichprobe; \(r_{ij} =\) Rangzahl der kombinierten Stichprobe; \(B =\) Korrekturfaktor Bindungen; \(p =\)Anzahl verschiedener Rangzahlen; \(l_{q}\)= Anzahl der Elemente innerhalb einer Bindung \(q\).

Siehe zur Herleitung der Prüfgröße Schäfer / Wegner (2004), S. 485–486.

Zur Problematik der Fehlentscheidung bei globalen Testverfahren vgl. Timischl (2013), S. 372.

Siehe zur Bonferroni-Korrektur Timischl (2013), S. 373.

Vgl. Janssen / Laatz (2017), S. 667. Vgl. zu den Ergebnissen Anlage 43, Anlage 44, Anlage 45 und Anlage 46 im elektronischen Zusatzmaterial.

Zur Bestimmung der adjustierten Gesamt-Irrtumswahrscheinlichkeit siehe Timischl (2013), S. 373.

Die Interpretation erfolgt in Übereinstimmung mit Eckstein (2016), S. 150.

Ähnliche Tendenzen im Hinblick auf die Unternehmensgröße stellen auch Samaha / Khlif (2016), S. 51–52, fest.

Vgl. Helfrich (2016), S. 141–142.

Vergleichbare Restriktionen der verwendeten nichtparametrischen Testverfahren sieht auch Labrenz (2018), S. 163–164.

Kann für die untersuchten Daten von einer internen Validität ausgegangen werden, gilt es speziell mit einer Veränderung und Erweiterung der Datengrundlage, die externe Validität zu prüfen und zu stärken. Vgl. zu den Begriffen der internen und externen Validität bspw. Helfrich (2016), S. 101–102.

Diese Problematik betonen auch Holthausen / Leftwich (1983), S. 104.

Vgl. abermals Holthausen / Leftwich (1983), S. 107–108.

Vgl. Bühner / Ziegler (2017), S. 349.

Küting / Mojadadr (2013), S. 142, thematisieren vergleichbare Einschränkungen, stellen jedoch die These auf, dass bei den verwendeten Indizes von einer Strahlungswirkung auf andere Unternehmen ausgegangen werden kann.

Siehe IFRS IFRS 16.C1.

Siehe IFRS 15.C1.

Die im ursprünglichen Datenpanel gelistete BUWOG AG konnte 2018 aufgrund der fehlenden Erstellung eines IFRS-Abschlusses nicht analysiert werden.

MRA entspricht der modifiziert retrospektiven Standardanwendung unter Nutzung von Erleichterungsmöglichkeiten der erstmaligen Anwendung. Siehe dazu IFRS 16.C5(b).

Die Erstanwendung des Standards erfolgt vollständig retrospektiv im Sinne des IFRS 16.C5(a).

2019 wurde die XING GmbH & Co. KG in New Work SE umbenannt und deshalb unter dieser Bezeichnung auch in der Analyse aufgeführt.

In einer expliziten Auseinandersetzung mit den Beweggründen zur vorzeitigen Erstanwendung des IFRS 16 wird am Beispiel der Deutschen Post AG mit dem Bestreben zur Verbesserung der Vergleichbarkeit finanzieller Informationen sowie dem grundlegenden aus einer einheitlichen Vertragsbilanzierung ableitbaren Informationspotenzial für das Unternehmen als mögliche Treiber argumentiert. Vgl. dazu Pollmann-Klein et al. (2019), S. 45–46 und 48.

Mit 8 Unternehmen aus dem MDAX stellen die Mid-Cap-Unternehmen an dieser Stelle die größte Unternehmensgruppe dar.

Obgleich sich keine wirkliche Branchendominanz feststellen lässt, zeigt der Testballon des Jahres 2018 dennoch, dass spezielle Unternehmen aus dem Technologie- und Medienbereich eine vorzeitige Anwendung verstärkt umsetzen.

Bis auf die Angabe der OnBLQ erfolgen die Wertangaben jeweils in Mio. €.

Die OFFBL setzte sich als Summe der lediglich aufwandswirksam erfassten Leasingzahlungen des Jahres 2018 zusammen. Teilweise erfolgte die Aufteilung zwischen kurzfristigen, geringwertigen und variablen Zahlungen nicht durch das bilanzierende Unternehmen, weshalb mitunter lediglich die Gesamtsumme innerhalb der Tabelle angegeben werden konnte.

Aufgrund der Datierung eines Geschäftsjahres vom 01.10. bis 30.09. werden hier die in der Untersuchung dem Jahr 2019 zugeordneten Wertangaben gezeigt. Generell erfolgt bei den jahreswechselübergreifenden Geschäftsjahren immer die Zuordnung zu dem Jahr, welchem der zeitliche Hauptteil des Geschäftsjahres zuzusprechen ist.

Die explizite Sichtbarkeit ermessensbehafteter Einschätzungen sei an dieser Stelle jedoch begrenzt, da sie sich lediglich auf die konkret im Anhang anzugebenden Optionseinschätzungen bezieht. Folglich bleiben besonders jene Entscheidungen, welche schon an die Erfüllung der Leasingdefinition anknüpfen, unberücksichtigt.

Das Wertpotenzial dieser Position wird speziell in den Abschlüssen der Uniper SE, der Deutschen Post AG und der Axel Springer SE deutlich.

Ein solches Wirkungspotenzial des Standards prognostizierten bspw. schon vor der Erstanwendung Dinh et al. (2016), S. 237 und 243.

Ausgeschlossen werden vor diesem Hintergrund die BUWOG Group, die HELLA GmbH & Co. KGaA, die Zumtobel Group und die Wirecard AG.

Ausgeschlossen werden vor diesem Hintergrund die Ceconomy AG, die Metro AG, die Aurubis AG, die Osram Licht AG, die Siemens AG, die Thyssenkrupp AG, die Gerresheimer AG, die Siemens Healthineers AG, die Isra Vision AG und die Infineon Technologies AG.

Ausgeschlossen werden vor diesem Hintergrund die Swiss Re, die Swatch Group SA, die ABB Ltd. und die Linde Group.

Ein vergleichbares Vorgehen in diesem Untersuchungskontext wählt auch Dimmer (2020), S. 276.

Für die Herleitung der Teststatistik sowie die Hypothesenbildung sei an dieser Stelle auf Unterkapitel 4.2.5.1.2 verwiesen.

Die Angaben Min., Max., Summe, Mittelwert, Std.-Abweichung erfolgen in Mio. €. Methodisch zur Erstellung dieser Tabellen mittels SPSS vgl. Janssen / Laatz (2017), S. 45–46.

Diese Beobachtung stützt bereits im Rahmen der vorzeitigen Erstanwendung identifizierte Effekte.

In diesem Zusammenhang muss jedoch auch auf die sehr hohe Standardabweichung verwiesen werden, welche auf eine hohe Streuung und folglich Diversität der Wertausprägungen um den Mittelwert deutet. Vgl. zum Streuungsmaß Mittag / Schüller (2020), S. 81–82.

Es sei an dieser Stelle erneut zu betonen, dass sich die rechnerisch erhobene OnBLQ nur auf tatsächlich identifizierbare und somit auf bereits im Anwendungskontext des IFRS 16 liegende Leasingverpflichtungen beziehen kann. Die effektive OnBLQ ist als geringer einzuschätzen, da diese auch im Zuge von Vertragsgestaltungen oder genutzten Ermessensspielräumen bei der Definitionserfüllung herausgerechnete außerbilanzielle Verträge berücksichtigen müsste. Diese sind im durchgeführten Untersuchungsszenario jedoch nicht extern beobachtbar und folglich nicht in die Untersuchung eingeflossen.

Die Angaben Min., Max., Summe, Mittelwert, Std.-Abweichung erfolgen in Mio. €.

Die Angaben Min., Max., Summe, Mittelwert, Std.-Abweichung erfolgen in Prozent.

Die Angaben Min., Max., Summe, Mittelwert, Std.-Abweichung erfolgen in Mio. €.

Zur Wahrung der Vergleichbarkeit zur Hauptuntersuchung wird erneut der Mann-Whitney-U-Test verwendet. Im Zuge der verteilungsfreien Eigenschaften dieses Testverfahrens kann an dieser Stelle auf die Prüfung von Voraussetzungen verzichtet werden. Vgl. auch Kosfeld / Eckey / Türck (2019), S. 346.

Untersucht wurden neben allen rein erfolgswirksam erfassten Leasinggrößen auch die Umsatzerlöse und alle berechneten Leasingquoten.

Sich ergebende mittlere Rangsummen liegen für die EBITDA-Optimierer bei 71,46 und damit über dem Wert der Sonstiges-Optimierer (59,92). Siehe Anlage 47 und Anlage 48 im elektronischen Zusatzmaterial.

Siehe Anlage 49, Anlage 50, Anlage 53, Anlage 55, Anlage 56 und Anlage 60 im elektronischen Zusatzmaterial.

Sich ergebende mittlere Rangsummen liegen für die EBITDA-Optimierer bei 10,23 und damit unter dem Wert der Sonstiges-Optimierer (16,77). Siehe Anlage 51 im elektronischen Zusatzmaterial.

Sich ergebende mittlere Rangsummen liegen für die EBITDA-Optimierer bei 16,23 und damit über dem Wert der Sonstiges-Optimierer (10,77). Siehe Anlage 52 im elektronischen Zusatzmaterial.

Sich ergebende mittlere Rangsummen liegen für die EBITDA-Optimierer bei 19,84 und damit unter dem Wert der Sonstiges-Optimierer (27,16). Siehe Anlage 54 im elektronischen Zusatzmaterial.

Sich ergebende mittlere Rangsummen liegen für die EBITDA-Optimierer bei 11,04 und damit über dem Wert der Sonstiges-Optimierer (6,42). Siehe Anlage 57 im elektronischen Zusatzmaterial.

Sich ergebende mittlere Rangsummen liegen für die EBITDA-Optimierer bei 11,58 und damit über dem Wert der Sonstiges-Optimierer (5,33). Siehe Anlage 58 im elektronischen Zusatzmaterial.

Sich ergebende mittlere Rangsummen liegen für die EBITDA-Optimierer bei 11,58 und damit über dem Wert der Sonstiges-Optimierer (5,33). Siehe Anlage 59 im elektronischen Zusatzmaterial.

Sich ergebende mittlere Rangsummen liegen für die EBITDA-Optimierer bei 6,67 und damit unter dem Wert der Sonstiges-Optimierer (10,86). Siehe Anlage 62 im elektronischen Zusatzmaterial.

Sich ergebende mittlere Rangsummen liegen für die EBITDA-Optimierer bei 10,78 und damit über dem Wert der Sonstiges-Optimierer (5,57). Siehe Anlage 61 im elektronischen Zusatzmaterial.

Für eine weiterführende Analyse zur Leasingbilanzierung bei österreichischen börsennotierten Unternehmen kann auf Schuschnig / Paulitsch (2021), S. 122–132, verwiesen werden.

Siehe zu dieser formalen Testvoraussetzung Eckstein (2016), S. 133.

Für den TecDAX ergibt sich infolge des Ausschlusses keine abweichende Datenzusammensetzung. Eine weitere Untersuchung des ATX und SMI unterbleibt infolge der weiteren Stichprobengrößenreduzierung. Siehe Anlage 63, Anlage 64, Anlage 65, und Anlage 66 im elektronischen Zusatzmaterial.

Sich ergebende mittlere Rangsummen liegen für die EBITDA-Optimierer bei 14,70 und damit unter dem Wert der Sonstiges-Optimierer (22,62). Siehe Anlage 67 im elektronischen Zusatzmaterial.

Sich ergebende mittlere Rangsummen liegen für die EBITDA-Optimierer bei 20,09 und damit über dem Wert der Sonstiges-Optimierer (12,75). Siehe Anlage 68 im elektronischen Zusatzmaterial.

Sich ergebende mittlere Rangsummen liegen für die EBITDA-Optimierer bei 17,69 und damit über dem Wert der Sonstiges-Optimierer (9,31). Siehe Anlage 72 im elektronischen Zusatzmaterial.

Siehe Anlage 69, Anlage 70, Anlage 71, Anlage 73 und Anlage 74 im elektronischen Zusatzmaterial. Auch die weitere Reduzierung dieses Datensatzes um die Branche der Banken und Finanzdienstleistungsunternehmen bedingt keine zusätzlichen Veränderungen im Signifikanzniveau.

Zu begründen ist diese Entscheidung mit der fehlenden externen Beobachtbarkeit dieser Beurteilungsentscheidung im Unternehmen.

Hierzu sei speziell auf Unterkaptiel 4.2.6 verwiesen.