• Keine Ergebnisse gefunden

Ertragsdeterminanten auf Sparkassenebene

6 Determinanten des Bankertrags

6.2 Ertragsdeterminanten auf Sparkassenebene

Im ersten Untersuchungsschritt wird überprüft, wie homogen die einzelnen Sparkassen sind. Im Mittelpunkt steht hierbei die Frage, ob die gleichen Ein-flussfaktoren den Deckungsbeitrag II bestimmen. Darüber hinaus sollten die Koeffizienten möglichst das gleiche Vorzeichen aufweisen und in ähnlichen Dimensionen liegen, d.h. in Richtung und Stärke nicht zu stark voneinander ab-weichen.

Methodisch stellt sich darüber hinaus bei einer Schätzung auf Sparkas-senebene die Frage, ob die Schätzung nur mit Kunden durchgeführt werden soll, die im Geschäftsgebiet der Sparkasse wohnen oder ob alle Kunden verwendet werden. Sollten die Kunden außerhalb des Geschäftsgebiets andere Charakteris-tika aufweisen, sich also deutlich von den Kunden im Geschäftsgebiet unter-scheiden, würden sich später bei einer Prognose für das Geschäftsgebiet Fehler

gen Sparkasse ein. Dies hat den Vorteil, dass den sparkassenspezifischen Be-sonderheiten, die auf den Ertrag wirken, besonders Rechnung getragen wird. So ist es z.B. denkbar, dass unterschiedliche Schwerpunktsetzungen in der Ge-schäftspolitik dazu führen, dass sich die Kerndeterminanten der aus einem Kun-den zu erzielenKun-den Deckungsbeiträge systematisch unterscheiKun-den. In diesem Fall wären gesonderte Schätzungen für jede Sparkasse vorteilhaft. Eine Vergleich-barkeit der Sparkassen kann mit diesem Ansatz jedoch nicht hergestellt werden.

Die sparkassenindividuellen Regressionen werden in Abschnitt 6.2 durchge-führt.

Da die Ergebnisse der individuellen Analyse darauf hindeuten, dass die Sparkassen hinreichend homogen sind, d.h. identische Einflussfaktoren aufwei-sen, die auch in Wirkungsrichtung und Stärke nicht zu stark voneinander abwei-chen, kann die Schätzung der Ertragsdeterminanten auch sinnvoll für Aggregate von Sparkassen durchgeführt werden. Ein wichtiger Vorteil einer Schätzung der aggregierten Datensätze liegt in der großen Zahl verwendbarer Beobachtungen, die die Aussagekraft der Ergebnisse in der Regel erhöhen. Sparkassenindividuel-le Effekte können zudem durch die Aufnahme von DummyvariabSparkassenindividuel-len abgebildet werden, was zusätzlich den Vorteil hat, dass man die Effizienz der Sparkassen vergleichen kann. Diese Analyse wird in Kapitel 6.3 vorgestellt. Als Aggregate werden die integrierten Datensätze der ost- und westdeutschen Sparkassen, so-wie der gesamte Datensatz aller Sparkassen untersucht.

6.2 Ertragsdeterminanten auf Sparkassenebene

Im ersten Untersuchungsschritt wird überprüft, wie homogen die einzelnen Sparkassen sind. Im Mittelpunkt steht hierbei die Frage, ob die gleichen Ein-flussfaktoren den Deckungsbeitrag II bestimmen. Darüber hinaus sollten die Koeffizienten möglichst das gleiche Vorzeichen aufweisen und in ähnlichen Dimensionen liegen, d.h. in Richtung und Stärke nicht zu stark voneinander ab-weichen.

Methodisch stellt sich darüber hinaus bei einer Schätzung auf Sparkas-senebene die Frage, ob die Schätzung nur mit Kunden durchgeführt werden soll, die im Geschäftsgebiet der Sparkasse wohnen oder ob alle Kunden verwendet werden. Sollten die Kunden außerhalb des Geschäftsgebiets andere Charakteris-tika aufweisen, sich also deutlich von den Kunden im Geschäftsgebiet unter-scheiden, würden sich später bei einer Prognose für das Geschäftsgebiet Fehler

ergeben. Anderenfalls, bei großer Ähnlichkeit, entstehen durch die größere An-zahl an Beobachtungen tendenziell genauere Schätzergebnisse mit einer größe-ren Validität. In die folgenden Schätzungen werden deshalb grundsätzlich alle Kunden der jeweils betrachteten Sparkasse aufgenommen. Für relevante Kreise, die außerhalb des Geschäftsgebiets liegen, werden zusätzlich entsprechende Wohnortdummyvariablen eingeführt, um eventuelle bestehende Heterogenitäten aufzufangen.88

Die Schätzgleichung einer linearen multiplen Querschnittsregression zur Analyse der Determinanten des Bankertrags auf Sparkassenebene für die Spar-kasse j (j= 1, … , 11) hat die allgemeine Form:

Dabei bezeichnet die Variable db2i,j den Deckungsbeitrag II, den die Spar-kasse j mit dem Kunden i erzielt. Die Variable cj ist die Regressionskonstante, die Variablen DETk,i,j (k=1,…,n) stehen für die in Betracht kommenden Deter-minanten des DB II. Dies sind die in Tabelle 4 zusammengestellten potentiellen Einflussgrößen.89 Die Variable D_age(l) (l=0,1,…,85+) kennzeichnet die Al-tersdummyvariablen, die wegen Ihrer besonderen Bedeutung gesondert aufge-führt werden. Die Variablen Alter, Geschlecht, Wohnort, Girokonto und Trans-fereinkommen gehen in Form von Dummyvariablen in die Schätzung ein.90 Alle anderen Variablen gehen als Niveauvariablen in die Schätzung ein. Die Variable ε stellt das durch die Regression nicht erklärte Residuum dar. Je größer die siduen der Regression ausfallen, desto geringer ist der Erklärungsgehalt der Re-gression.

88 Siehe dazu auch Abschnitt 5.1.

89 Die Determinanten sind für acht Sparkassen identisch, bei drei Sparkassen konnten ein-zelne Einflussfaktoren nicht berücksichtigt werden. Die Sparkasse 3 war aus techni-schen Gründen nicht in der Lage, die Variable Dispositionskredite rückwirkend zu er-heben, die Sparkasse 10 hat keine Termineinlagen im Produktportfolio und die Sparkas-se 11 konnte keine Angaben zum Transfereinkommen liefern.

90 Dies bedeutet, dass die entsprechenden Variablen nur den Wert Null oder Eins aufwei-sen können. Sie haben den Wert Eins, wenn der Kunde die jeweilige Eigenschaft auf-weist und den Wert Null, wenn dies nicht der Fall ist. Ist der Kunde i z.B. 66 Jahre alt, so weisen alle Altersdummies den Wert Null auf, lediglich die Altersdummy für das Al-ter 66 hat den Wert Eins.

Als empirisches Maß für den Erklärungsgehalt der geschätzten Regression dient das adjustierte Bestimmtheitsmaß (adj. R2). Dieses Maß kann Werte zwi-schen Null und Eins annehmen. Je näher dieses Maß bei Eins liegt, desto höher ist der Erklärungsgehalt der Regression.91

Im Zentrum der Regressionsanalyse steht die Ermittlung der Konstanten c

und der Regressionskoeffizienten 1 bis n. Die Koeffizienten werden mit Hilfe der Kleinste-Quadrate-Schätzung (Ordinary Least Squares, OLS) bestimmt. Mit Hilfe des T-Tests kann ermittelt werden, inwiefern die einzelnen geschätzten Regressionskoeffizienten signifikant sind, also mit einer genügend hohen Wahr-scheinlichkeit davon ausgegangen werden kann, dass der durch den geschätzten Koeffizienten angegebene Zusammenhang zwischen der jeweiligen Determinan-te und dem Deckungsbeitrag II tatsächlich sysDeterminan-tematisch ist. Ist dies nicht der Fall, so ist davon auszugehen, dass es keinen linearen Zusammenhang zwischen der in Betracht gezogenen Determinante und dem Deckungsbeitrag II gibt.92 Er-gebnis der Regressionsanalyse ist also eine Gleichung, mit deren Hilfe sich ab-schätzen lässt, wie hoch der aus einem Kunden mit bekannten Eigenschaften zu erwartende Deckungsbeitrag ist. Die wichtigsten Schätzergebnisse der sparkas-senspezifischen Schätzungen93 sind in Tabelle 13 vergleichend zusammenge-stellt. Insignifikante Koeffizienten sind in der Tabelle dunkelgrau markiert, Er-gebnisse mit unplausiblen Vorzeichen wurden hellgrau eingefärbt. Da die An-zahl der Beobachtungen der AnAn-zahl der Kundendatensätze entspricht, die nicht veröffentlicht werden darf, muss hier mit der aus Abschnitt 5.1.5 bekannten Ein-teilung in drei Größenklassen gearbeitet werden. Die Klasse 1 entspricht dabei 50.000 bis 100.000 Beobachtungen, die Klasse 2 100.000 bis 200.000 Beobach-tungen und Klasse 3 zeigt mehr als 200.000 BeobachBeobach-tungen an.

91 Nimmt das adjustierte R2 den Wert von Eins an, so bedeutet dies, dass die Regressions-gleichung den Deckungsbeitrag perfekt erklärt. Ein Wert von Null hingegen würde be-deuten, dass die Regressionsgleichung keinerlei Erklärungsgehalt aufweist. Ein Wert von 0,76 würde implizieren, dass 76% der beobachteten Varianz des Deckungsbeitrags durch die Schätzgleichung erklärt wird.

92 Im Rahmen der vorliegenden Studie wurde eine Irrtumswahrscheinlichkeit von weniger als 10% zu Grunde gelegt. Koeffizienten, die dieses Kriterium erfüllen, wurden mit ei-nem Stern (*) gekennzeichnet. Zwei Sterne (**) implizieren eine Irrtumswahrschein-lichkeit von weniger als 5%, drei Sterne (***) eine von weniger als 1%.

93 Bei allen Einzelschätzungen wurde mit robusten Schätzern gearbeitet, um für Heteros-kedastizität zu korrigieren. Für Details siehe White [1980]. Die t-Werte der Koeffizien-ten und die zugehörigen IrrtumswahrscheinlichkeiKoeffizien-ten wurden der Übersichtlichkeit nicht dargestellt.

Als empirisches Maß für den Erklärungsgehalt der geschätzten Regression dient das adjustierte Bestimmtheitsmaß (adj. R2). Dieses Maß kann Werte zwi-schen Null und Eins annehmen. Je näher dieses Maß bei Eins liegt, desto höher ist der Erklärungsgehalt der Regression.91

Im Zentrum der Regressionsanalyse steht die Ermittlung der Konstanten c

und der Regressionskoeffizienten 1 bis n. Die Koeffizienten werden mit Hilfe der Kleinste-Quadrate-Schätzung (Ordinary Least Squares, OLS) bestimmt. Mit Hilfe des T-Tests kann ermittelt werden, inwiefern die einzelnen geschätzten Regressionskoeffizienten signifikant sind, also mit einer genügend hohen Wahr-scheinlichkeit davon ausgegangen werden kann, dass der durch den geschätzten Koeffizienten angegebene Zusammenhang zwischen der jeweiligen Determinan-te und dem Deckungsbeitrag II tatsächlich sysDeterminan-tematisch ist. Ist dies nicht der Fall, so ist davon auszugehen, dass es keinen linearen Zusammenhang zwischen der in Betracht gezogenen Determinante und dem Deckungsbeitrag II gibt.92 Er-gebnis der Regressionsanalyse ist also eine Gleichung, mit deren Hilfe sich ab-schätzen lässt, wie hoch der aus einem Kunden mit bekannten Eigenschaften zu erwartende Deckungsbeitrag ist. Die wichtigsten Schätzergebnisse der sparkas-senspezifischen Schätzungen93 sind in Tabelle 13 vergleichend zusammenge-stellt. Insignifikante Koeffizienten sind in der Tabelle dunkelgrau markiert, Er-gebnisse mit unplausiblen Vorzeichen wurden hellgrau eingefärbt. Da die An-zahl der Beobachtungen der AnAn-zahl der Kundendatensätze entspricht, die nicht veröffentlicht werden darf, muss hier mit der aus Abschnitt 5.1.5 bekannten Ein-teilung in drei Größenklassen gearbeitet werden. Die Klasse 1 entspricht dabei 50.000 bis 100.000 Beobachtungen, die Klasse 2 100.000 bis 200.000 Beobach-tungen und Klasse 3 zeigt mehr als 200.000 BeobachBeobach-tungen an.

91 Nimmt das adjustierte R2 den Wert von Eins an, so bedeutet dies, dass die Regressions-gleichung den Deckungsbeitrag perfekt erklärt. Ein Wert von Null hingegen würde be-deuten, dass die Regressionsgleichung keinerlei Erklärungsgehalt aufweist. Ein Wert von 0,76 würde implizieren, dass 76% der beobachteten Varianz des Deckungsbeitrags durch die Schätzgleichung erklärt wird.

92 Im Rahmen der vorliegenden Studie wurde eine Irrtumswahrscheinlichkeit von weniger als 10% zu Grunde gelegt. Koeffizienten, die dieses Kriterium erfüllen, wurden mit ei-nem Stern (*) gekennzeichnet. Zwei Sterne (**) implizieren eine Irrtumswahrschein-lichkeit von weniger als 5%, drei Sterne (***) eine von weniger als 1%.

93 Bei allen Einzelschätzungen wurde mit robusten Schätzern gearbeitet, um für Heteros-kedastizität zu korrigieren. Für Details siehe White [1980]. Die t-Werte der Koeffizien-ten und die zugehörigen IrrtumswahrscheinlichkeiKoeffizien-ten wurden der Übersichtlichkeit

nicht dargestellt. Tabelle 13: Determinanten des DB II auf Sparkassenebene; Quelle: eigene Darstellung Tabelle 13: Determinanten des DB II auf Sparkassenebene; Quelle: eigene Darstellung

Die durchgeführten Schätzungen weisen für Querschnittsanalysen einen re-lativ hohen Erklärungsgehalt auf. Bei sieben der elf Sparkassen ist ein adjustier-tes R2 von über 0,6 zu beobachten, die restlichen vier Sparkassen liegen darun-ter im Bereich von 0,5. Die Bandbreite für das adjustierte R2 reicht dabei von 0,4801 (Bank 9) bis 0,7586 (Bank 7), d.h. zwischen gut 48% und knapp 76% der Variation des DB II können durch die Schätzungen erklärt werden.

Für die Variablen des Produktportfolios Darlehen (DL), Sichteinlagen (SE), DepotB (DPB) und Spareinlagen (SP) sind alle Koeffizienten der Einzelschät-zungen signifikant, d.h. sie besitzen mit einer Irrtumswahrscheinlichkeit von weniger als 10% einen systematischen Einfluss auf den DB II und weisen das erwartete positive Vorzeichen auf. 94 Darüber hinaus ist die Varianz der Koeffi-zienten vergleichsweise klein, d.h. die Schätzergebnisse sind sehr einheitlich.

Das gleiche gilt für die Dummyvariable Girokonto. Für die Variablen DEKA (DK), Dispositionskredite (DP) und Termineinlagen (TE) ist das Bild nur mini-mal schlechter, bis auf zwei Ergebnisse mit unplausiblen Vorzeichen (Bank 3:

DK, Bank 7: DP) und zwei insignifikanten Koeffizienten (Bank 4: DK, Bank 11:

TE) sind auch hier homogene signifikante Schätzergebnisse mit dem erwarteten positiven Vorzeichen zu beobachten.

Ein gewisser Grad an Inhomogenität bei den Schätzergebnissen lässt sich hingegen bei den Variablen Einkommen (Y) und den Dummyvariablen für Ge-schlecht (D_sex) und Transfereinkommensbezieher (D_transfer) beobachten.

Betrachtet man die Ergebnisse für das Einkommen, so ergeben sich für die Sparkassen 3, 5 und 11 insignifikante Koeffizienten, für alle anderen Sparkassen liegen signifikant positive Koeffizienten vor. Aus theoretischer Sicht ist jedoch nicht eindeutig klar, dass das Einkommen einen positiven Einfluss auf den DB haben sollte. Ein höheres Einkommen per se dürfte keinen höheren Deckungs-beitrag generieren, sondern tendenziell mit höheren Sichteinlagen95 und höheren sonstigen Einlage- und Kreditvolumina einhergehen. Zum einen ist es plausibel anzunehmen, dass sich ein höheres Einkommen zumindest mittelfristig in

94 Bei einer Regressionsanalyse kommt es bisweilen vor, dass die erklärenden Variablen miteinander korreliert sind. Tritt dieses so genannte Multikollinearitätsproblem auf, sind die Schätzergebnisse verfälscht und nicht mehr interpretierbar. Eine Überprüfung der Korrelationskoeffizienten zwischen den Regressoren der vorliegenden Schätzung lässt darauf schließen, dass keine Multikollinearität vorliegt.

95 Der stärkste Zusammenhang zwischen dem Einkommen und den Produktportfoliovari-ablen besteht bei den Sichteinlagen. Hier ist durchgängig eine positive Korrelation im Bereich von 0,2 bis 0,3 festzustellen.

Die durchgeführten Schätzungen weisen für Querschnittsanalysen einen re-lativ hohen Erklärungsgehalt auf. Bei sieben der elf Sparkassen ist ein adjustier-tes R2 von über 0,6 zu beobachten, die restlichen vier Sparkassen liegen darun-ter im Bereich von 0,5. Die Bandbreite für das adjustierte R2 reicht dabei von 0,4801 (Bank 9) bis 0,7586 (Bank 7), d.h. zwischen gut 48% und knapp 76% der Variation des DB II können durch die Schätzungen erklärt werden.

Für die Variablen des Produktportfolios Darlehen (DL), Sichteinlagen (SE), DepotB (DPB) und Spareinlagen (SP) sind alle Koeffizienten der Einzelschät-zungen signifikant, d.h. sie besitzen mit einer Irrtumswahrscheinlichkeit von weniger als 10% einen systematischen Einfluss auf den DB II und weisen das erwartete positive Vorzeichen auf. 94 Darüber hinaus ist die Varianz der Koeffi-zienten vergleichsweise klein, d.h. die Schätzergebnisse sind sehr einheitlich.

Das gleiche gilt für die Dummyvariable Girokonto. Für die Variablen DEKA (DK), Dispositionskredite (DP) und Termineinlagen (TE) ist das Bild nur mini-mal schlechter, bis auf zwei Ergebnisse mit unplausiblen Vorzeichen (Bank 3:

DK, Bank 7: DP) und zwei insignifikanten Koeffizienten (Bank 4: DK, Bank 11:

TE) sind auch hier homogene signifikante Schätzergebnisse mit dem erwarteten positiven Vorzeichen zu beobachten.

Ein gewisser Grad an Inhomogenität bei den Schätzergebnissen lässt sich hingegen bei den Variablen Einkommen (Y) und den Dummyvariablen für Ge-schlecht (D_sex) und Transfereinkommensbezieher (D_transfer) beobachten.

Betrachtet man die Ergebnisse für das Einkommen, so ergeben sich für die Sparkassen 3, 5 und 11 insignifikante Koeffizienten, für alle anderen Sparkassen liegen signifikant positive Koeffizienten vor. Aus theoretischer Sicht ist jedoch nicht eindeutig klar, dass das Einkommen einen positiven Einfluss auf den DB haben sollte. Ein höheres Einkommen per se dürfte keinen höheren Deckungs-beitrag generieren, sondern tendenziell mit höheren Sichteinlagen95 und höheren sonstigen Einlage- und Kreditvolumina einhergehen. Zum einen ist es plausibel anzunehmen, dass sich ein höheres Einkommen zumindest mittelfristig in

94 Bei einer Regressionsanalyse kommt es bisweilen vor, dass die erklärenden Variablen miteinander korreliert sind. Tritt dieses so genannte Multikollinearitätsproblem auf, sind die Schätzergebnisse verfälscht und nicht mehr interpretierbar. Eine Überprüfung der Korrelationskoeffizienten zwischen den Regressoren der vorliegenden Schätzung lässt darauf schließen, dass keine Multikollinearität vorliegt.

95 Der stärkste Zusammenhang zwischen dem Einkommen und den Produktportfoliovari-ablen besteht bei den Sichteinlagen. Hier ist durchgängig eine positive Korrelation im Bereich von 0,2 bis 0,3 festzustellen.

ren Vermögensbeständen niederschlägt, zum anderen dürfte die Kreditwürdig-keit mit wachsendem Einkommen ebenfalls steigen.

Denkbar ist darüber hinaus, dass das Einkommen eine Proxyvariable für an-dere nicht beobachtbare Effekte ist, für die in der Untersuchung nicht kontrol-liert wurde. Warum hier jedoch kein durchgängig stabiler positiver Zusammen-hang festgestellt werden konnte, kann letztendlich nicht geklärt werden.

Die uneinheitlichen Ergebnisse bei den Variablen Geschlecht und Transfer-einkommen erscheinen weniger problematisch. Auch hier ist aus theoretischer Sicht nicht eindeutig, welches Vorzeichen der Effekt haben sollte. So ist ex ante unklar, ob eine Bank mit einem Kunden, der im Referenzjahr überwiegend Transfereinkommen bezieht96 im Vergleich zu einem sonst identischen erwerb-stätigen Kunden, einen höheren oder niedrigeren Deckungsbeitrag erwirtschaf-tet. Die Empirie ergibt zu dieser Frage ebenfalls kein einheitliches Bild. In fünf Fällen generieren Banken mit einem überwiegend arbeitslosen Kunden einen höheren Deckungsbeitrag als mit einem identischen berufstätigen Kunden, wo-bei die Spannweite von 15,50€ (Bank 2) bis 32,36€ (Bank 5) pro Jahr reicht.97 Bei zwei Instituten ist ein negativer Zusammenhang, d.h. ein systematisch niedrigerer DB in der Größenordnung von 9,00€ pro Jahr festzustellen (Bank 1: -9,18/ Bank 8: -9,40). Bei drei Instituten (Bank 3, 6 und 10) spielt die Variable keine Rolle als Einflussfaktor auf den DB II, hier sind die Koeffizienten insigni-fikant.

Geschlecht

Unklarheit besteht ebenso bei der Frage, ob das Geschlecht einen systemati-schen Effekt auf den Deckungsbeitrag besitzt. Die Frage ist hier, ob Männer und Frauen, die im gleichen Alter sind, am gleichen Ort leben und identische Vmögen und Verbindlichkeiten aufweisen, den gleichen Deckungsbeitrag II er-warten lassen.98 Da die Dummyvariable für das Geschlecht den Wert Eins für

96 Die exakte Definition wäre: einem Haushalt angehört, der im Referenzjahr überwiegend Transfereinkommen bezogen hat. Siehe hierzu Kapitel 5.1.2..

97 Da die abhängige Variable (db2) in € pro Jahr gemessen wird, können die Koeffizienten der Dummyvariablen als DBII pro Jahr in € interpretiert werden, wenn die Eigen-schaftsvariable den Wert eins annimmt.

98 Dies bedeutet nicht, dass die Sparkasse mit männlichen und weiblichen Kunden tatsäch-lich die gleichen Deckungsbeiträge erwirtschaften. Allerdings beruhen diese Unter-schiede nicht auf dem Geschlecht der Kunden an sich, sondern z.B. aus unterschiedli-chem Vermögen oder Anlageverhalten.

weibliche Kunden annimmt, bedeutet ein signifikant positiver Koeffizient, dass Banken mit Frauen einen systematisch höheren Deckungsbeitrag erwirtschaften können als mit Männern. Umgekehrt würde ein negativer Koeffizient anzeigen, dass mit Frauen ein niedriger Deckungsbeitrag generiert werden könnte. Die Re-sultate zum isolierten Einfluss des Geschlechts auf den DB präsentieren sich un-einheitlich und lassen keine abschließende Antwort zu. In fünf Fällen erweisen sich die Koeffizienten als insignifikant (Bank 2, 4, 6, 10 und 11). Bei vier Ban-ken sind die Frauen profitableren Kunden. Diese BanBan-ken generieren mit einer Frau einen Deckungsbeitrag pro Jahr, der zwischen 2,74€ (Bank 1) und 7,22€

(Bank 8) höher ist als mit einem (ansonsten vergleichbaren) Mann. Bei zwei Sparkassen ist ein inverser Effekt festzustellen. Bei Frauen muss bei diesen In-stituten ein Abschlag auf den DB von 2,32€ (Bank 5) bzw. 5,22€ (Bank 9) pro Jahr im Vergleich zu einem sonst identischen männlichen Kunden hingenom-men werden. Diese Varianz in den Schätzergebnissen kann aus sparkassenspezi-fischen oder regionalen Besonderheiten resultieren, die sich in systematisch un-terschiedlichen Produkten innerhalb der untersuchten Aggregate oder unter-schiedlichen Konditionen für ein Geschlecht niederschlagen. Denkbar sind z.B.

unterschiedliche Zinssätze bei der Kreditvergabe, wenn sich beispielsweise für ein Institut ergeben sollte, dass ein Geschlecht ein systematisch niedrigeres Aus-fallrisiko besitzen sollte.

Alter

Neben den in Tabelle 13 aufgeführten Variablen wurde mit Hilfe der Dummyva-riablen für das Alter untersucht, ob das Alter eines Kunden einen über die übri-gen Variablen hinausgehenden Erklärungsgehalt für den Deckungsbeitrag II lie-fert. Anders ausgedrückt zeigen die Altersdummies an, ob zwei Kunden, die sich lediglich durch ihr Alter unterscheiden, signifikant unterschiedliche Deckungs-beiträge generieren. Als Vergleichsgruppe wurde dabei in allen elf Schätzungen die Altersgruppe der 0-Jährigen gewählt.

Wie groß der isolierte Einfluss des Alters auf den DB II ist, lässt sich aus Abbildung 17 ablesen, die eine graphische Illustration der Regressionsergebnis-se der elf SparkasRegressionsergebnis-sen liefert. Für jede der elf SparkasRegressionsergebnis-sen sind die Koeffizienten der Altersdummies abgetragen. Zu Grunde gelegt wurde dabei ein Signifikanz-niveau von mindestens 10%, d.h. wenn ein Koeffizient einen absolut kleineren zugehörigen T-Wert als 1,645 aufweist, wird angenommen, dass er nicht von 0 verschieden ist und damit auf 0 gesetzt. Die Ergebnisse ostdeutscher Sparkassen sind hellgrau eingefärbt, die Koeffizienten der drei westdeutschen Sparkassen werden gestrichelt präsentiert.

weibliche Kunden annimmt, bedeutet ein signifikant positiver Koeffizient, dass Banken mit Frauen einen systematisch höheren Deckungsbeitrag erwirtschaften können als mit Männern. Umgekehrt würde ein negativer Koeffizient anzeigen, dass mit Frauen ein niedriger Deckungsbeitrag generiert werden könnte. Die Re-sultate zum isolierten Einfluss des Geschlechts auf den DB präsentieren sich un-einheitlich und lassen keine abschließende Antwort zu. In fünf Fällen erweisen

weibliche Kunden annimmt, bedeutet ein signifikant positiver Koeffizient, dass Banken mit Frauen einen systematisch höheren Deckungsbeitrag erwirtschaften können als mit Männern. Umgekehrt würde ein negativer Koeffizient anzeigen, dass mit Frauen ein niedriger Deckungsbeitrag generiert werden könnte. Die Re-sultate zum isolierten Einfluss des Geschlechts auf den DB präsentieren sich un-einheitlich und lassen keine abschließende Antwort zu. In fünf Fällen erweisen