Einfluss komplexitätsbezogener Faktoren auf Innovation. Eine ... - AFA
Einfluss komplexitätsbezogener Faktoren auf Innovation. Eine ... - AFA
Einfluss komplexitätsbezogener Faktoren auf Innovation. Eine ... - AFA
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Angaben zur wissenschaftlichen Arbeit<br />
Name (Copyrightinhaber): Christian Mayrhofer, MSc. BSc.<br />
Titel der Arbeit: <strong>Einfluss</strong> <strong>komplexitätsbezogener</strong> <strong>Faktoren</strong> <strong>auf</strong><br />
<strong>Innovation</strong>. <strong>Eine</strong> empirische Analyse<br />
Sprache: Deutsch<br />
Verfasst bei (Professor/in, LV-Leiter/in): Univ.-Prof. Dr. Franz Tödtling<br />
Titel des Seminars/Kurses: Räumliche Ökonomie/ Spatial Economics<br />
Semester: SS 2012<br />
Universität / Fachhochschule: Wirtschaftsuniversität Wien (WU)<br />
Institut: Institut für Regional- und Umweltwirtschaft<br />
Erlangte Note: Sehr gut<br />
Mailadresse für evtl. Rückfragen: chrisimay[at]hotmail.com<br />
Der Verfasser / Die Verfasserin stellt diese Arbeit dem Akademischen Forum für<br />
Außenpolitik (<strong>AFA</strong>) zur Verfügung, um diese <strong>auf</strong> der Plattform International-<br />
Relations.at zu veröffentlichen. Das Copyright bleibt dadurch unberührt. Alle<br />
Angaben zur Arbeit (wie etwa Note, Seminar und Universität) wurden vom<br />
<strong>AFA</strong> <strong>auf</strong> deren Richtigkeit durch dementsprechende Nachweise geprüft. Die<br />
Arbeit darf unter Hinweis <strong>auf</strong> den Verfasser / die Verfasserin zitiert werden,<br />
wobei der Link zur Arbeit in jedem Fall anzugeben ist. Das Akademische Forum<br />
für Außenpolitik (<strong>AFA</strong>) übernimmt keine Verantwortung für den Inhalt der<br />
Arbeit.
EINFLUSS<br />
KOMPLEXITÄTSBEZOGENER<br />
FAKTOREN AUF INNOVATION.<br />
EINE EMPIRISCHE ANALYSE<br />
M A S T E R - T H E S I S<br />
WIRTSCHAFTSUNIVERSITÄT WIEN<br />
INSTITUT FÜR REGIONAL- UND UMWELTWIRTSCHAFT<br />
BETREUER:<br />
A.O. UNIV.-PROF. DR. GUNTHER MAIER, INSTITUTSVORSTAND<br />
UNIV.-PROF. DR. FRANZ TÖDTLING<br />
KANDIDAT:<br />
CHRISTIAN MAYRHOFER<br />
MATR.-NR.: 0750901<br />
STUDIUM: MASTER VOLKSWIRTSCHAFT<br />
WIEN, 2013
Inhaltsverzeichnis<br />
Master-Thesis, Mayrhofer (2013)<br />
1 Danksagungen ................................................................................................... 5<br />
2 Abstract ............................................................................................................ 5<br />
3 Hintergrund ....................................................................................................... 5<br />
4 Abl<strong>auf</strong> und Methodik ........................................................................................ 6<br />
4.1 Kurzdarstellung .......................................................................... 6<br />
4.2 Detaillierter Abl<strong>auf</strong> .................................................................... 7<br />
5 Zielsetzung und Hypothese ............................................................................... 8<br />
6 <strong>Innovation</strong>smodelle und -systeme ..................................................................... 9<br />
6.1 <strong>Innovation</strong>smodelle ..................................................................... 9<br />
6.2 <strong>Innovation</strong>ssysteme .................................................................. 13<br />
6.3 CIS - Corporate <strong>Innovation</strong> System ......................................... 14<br />
6.4 Beschreibung der gewählten Wirkungsbereiche eines<br />
<strong>Innovation</strong>ssystems ................................................................. 16<br />
6.4.1 Akteure ........................................................................ 16<br />
6.4.2 Aktivitäten ................................................................... 16<br />
6.4.3 Ressourcen ................................................................... 17<br />
6.4.4 Institutionen ................................................................ 17<br />
6.5 <strong>Innovation</strong>sindikatoren ............................................................. 17<br />
7 Komplexität .................................................................................................... 19<br />
7.1 Gewählte Indikatoren der Komplexität .................................... 25<br />
8 Komplexe Systeme und <strong>Innovation</strong> ................................................................ 26<br />
9 Kombination CIS & Komplexität ................................................................... 30<br />
10 Empirische Analyse ....................................................................................... 33<br />
10.1 Datenverfügbarkeit ................................................................. 34<br />
10.2 Untersuchungsdesign .............................................................. 34<br />
10.2.1 Zum Wesen komplexer <strong>Innovation</strong>suntersuchungen.. 34<br />
10.2.2 Untersuchungsmethode .............................................. 35<br />
10.2.3 <strong>Faktoren</strong> für die Gruppenrecherche ........................... 36<br />
10.2.4 <strong>Faktoren</strong> für Datenbankrecherche und systematische<br />
Ableitungen ................................................................ 37<br />
10.2.5 <strong>Faktoren</strong> für die Befragung ........................................ 38<br />
10.2.6 Stichprobe, Größe und Zeitraum ............................... 39<br />
10.3 Modell ..................................................................................... 39<br />
10.3.1 Regressionsanalyse ..................................................... 42<br />
11 Ergebnisse ..................................................................................................... 44<br />
2
Master-Thesis, Mayrhofer (2013)<br />
11.1 Deskriptive Statistiken ........................................................... 44<br />
11.1.1 Verteilungen <strong>komplexitätsbezogener</strong> <strong>Faktoren</strong> .......... 52<br />
11.2 Regressionsoutputs ................................................................. 57<br />
12 Interpretation ................................................................................................ 59<br />
13 Rankings........................................................................................................ 62<br />
14 Schlussbemerkungen ...................................................................................... 62<br />
15 Quellen .......................................................................................................... 64<br />
15.1 Literaturverzeichnis ................................................................ 64<br />
15.2 Abbildungsverzeichnis: ........................................................... 71<br />
15.3 Tabellenverzeichnis ................................................................. 71<br />
Abb. 1 Schwarm als Beispiel eines komplexen Systems<br />
Quelle: Miller, 2007<br />
„Chaos is found in greatest abundance wherever order is being sought. It<br />
always defeats order because it is better organized“<br />
3<br />
Terry Prachett
Master-Thesis, Mayrhofer (2013)<br />
Ehrenwörtliche Erklärung<br />
Hiermit versichere ich, dass ich die eingereichte Master-Thesis selbstständig<br />
verfasst, andere als die angegebenen Quellen und Hilfsmittel nicht benutzt und<br />
mich auch sonst keiner unerlaubten Hilfsmittel bedient habe. Ich versichere<br />
ferner, dass ich diese Master-Thesis bisher weder im In-, noch im Ausland in<br />
irgendeiner Form als wissenschaftliche Arbeit vorgelegt habe.<br />
Wien, am 23. Jänner 2013<br />
Christian Mayrhofer<br />
4
1 Danksagungen<br />
Master-Thesis, Mayrhofer (2013)<br />
Univ.-Prof. Dr. Gunther Maier und Univ.-Prof. Dr. Franz Toedtling -<br />
Wirtschaftsuniversität Wien; Dr. Sonja Embst - Technische Universität Graz;<br />
Mag. Heidrun Schöfnagel - FFG; Michael Pfeifer - Akademisches Forum für<br />
Außenpolitik; Jakob Hager, Anna Mikulan, Bsc.; Viktor Ludwig, Clemens<br />
Oberhofer, BSc.<br />
2 Abstract<br />
Diese Thesis untersucht den <strong>Einfluss</strong> <strong>komplexitätsbezogener</strong> <strong>Faktoren</strong> <strong>auf</strong><br />
<strong>Innovation</strong>. Nach Begriffsbestimmungen in den Bereichen <strong>Innovation</strong> und<br />
Komplexität und der Festlegung entsprechender <strong>Faktoren</strong> wurde hierzu mit<br />
Partnern eine Erhebung durchgeführt, die Daten über die Ausprägungen der<br />
Komplexität in den <strong>Innovation</strong>ssystemen österreichischer (Groß)unternehmen<br />
liefert. Die Ergebnisse wurden zu Komplexitätsfaktoren aggregiert und diese im<br />
Rahmen einer logistischen binären Regression neben weiteren Parametern <strong>auf</strong><br />
die <strong>Innovation</strong>schancen der Unternehmen regressiert. Die Ergebnisse<br />
veranschaulichen, dass neben klassischen Erklärungsfaktoren der <strong>Innovation</strong> wie<br />
F&E-Aufwendungen oder der Patentanzahl, auch einzelne komplexitätsbezogene<br />
<strong>Faktoren</strong> einen signifikanten <strong>Einfluss</strong> <strong>auf</strong> die Chance, dass<br />
<strong>Innovation</strong>en entstehen, zeigen. Vor allem die Begriffe Freiheit und Dynamik<br />
spielen hier eine entscheidende Rolle. Unternehmerische <strong>Innovation</strong>ssysteme<br />
unter der Perspektive der Komplexitätstheorie zu untersuchen, bietet somit<br />
zusätzlichen Erklärungswert.<br />
3 Hintergrund<br />
„Aus der Betrachtung von Volkswirtschaften oder Organisationen als komplexe,<br />
sich entwickelnde Systeme resultiert eine neue Herangehensweise an das Thema<br />
<strong>Innovation</strong>. Sie ermöglicht Entscheidungsträgern eine bessere Einschätzung,<br />
welche Bedeutung Beziehungen und Interaktionen innerhalb eines<br />
Unternehmens für erfolgreiche <strong>Innovation</strong>sprozesse haben“ [1] , so Curt Lindberg,<br />
Chief Learning & Science Officer des Plexus Institutes in New Jersey, USA in<br />
einem im Jahr 2010 erschienenen Interview.<br />
[1] Performance, 2010: 39<br />
5
Master-Thesis, Mayrhofer (2013)<br />
Viele neuere Literaturbeiträge [2][3][4] erkennen wirtschaftliche Einheiten wie<br />
Unternehmen, die Volkswirtschaft in ihrer Gesamtheit oder Prozesse wie<br />
<strong>Innovation</strong>en als komplexe Systeme und betonen den Nutzengewinn, der aus<br />
dieser neuen Perspektive entsteht. Die Verbindung der Forschungsbereiche<br />
<strong>Innovation</strong> und Komplexität stellt ein noch junges und hochinteressantes<br />
Forschungsfeld mit viel Potential dar. Dass sich die Ansätze zur Evaluierung<br />
von <strong>Innovation</strong>, die in den existierenden Literaturbeiträgen wiederzufinden<br />
sind, bisher nur selten <strong>auf</strong> die Komponente Komplexität beziehen, bestätigt<br />
auch Embst (2010) von der Technischen Universität Graz [5] . In der Forschung<br />
wird die Analyse und Messung von <strong>Innovation</strong> heute in den unterschiedlichsten<br />
Disziplinen und unter verschiedensten Methoden durchgeführt. <strong>Eine</strong><br />
Forschungslücke bei der Kombination von Komplexität und <strong>Innovation</strong> besteht<br />
aus wirtschaftswissenschaftlicher Perspektive u.a. darin, die Theorie komplexer<br />
Systeme mit der Praxis von <strong>Innovation</strong>ssystemen zu verbinden und diese zu<br />
quantifizieren.<br />
Vor diesem Hintergrund ist es zweckmäßig eine Erhebung österreichischer<br />
Betriebe im Bereich unternehmerischer <strong>Innovation</strong>ssysteme, mit besonderer<br />
Berücksichtigung des <strong>Einfluss</strong>es des Faktors Komplexität durchzuführen. Somit<br />
soll ermöglicht werden, die Bedeutung, die die Komplexität hier hat, besser<br />
einschätzen zu können. Zunächst ist es dafür notwendig, sich ein detailliertes<br />
Bild über unternehmerischen <strong>Innovation</strong>ssysteme und Komplexität in der<br />
Literatur zu verschaffen, bevor die <strong>Faktoren</strong> gemessen werden können. Im<br />
Anschluss finden die Ergebnisse der Erhebung Eingang in eine logistische<br />
Regression, die Aufschluss darüber gibt, in welchem Ausmaß die Komplexität<br />
der <strong>Innovation</strong>ssysteme die Chancen <strong>auf</strong> <strong>Innovation</strong> dieser Unternehmen<br />
beeinflusst. Abschließend kann damit ein Ranking erstellt werden, das unter<br />
verschiedenen Gesichtspunkten und <strong>Faktoren</strong> darstellbar ist.<br />
4 Abl<strong>auf</strong> und Methodik<br />
4.1 Kurzdarstellung<br />
Der Abl<strong>auf</strong> der Thesis ist in mehrere theoretische und empirische Schritte<br />
unterteilt. In der ersten Hälfte erfolgen eine Literaturrecherche, die Analyse<br />
relevanter Begriffe in den Bereichen <strong>Innovation</strong> und Komplexität und die<br />
Entwicklung eines neuen Modells, welches im empirischen Teil der Arbeit<br />
[2] Vgl. Faggini/Lux, 2009<br />
[3] Vgl. Finch/Orillard, 2005<br />
[4] Vgl. Goergen et al., 2010<br />
[5] Vgl. Embst, 2010: 5<br />
6
Master-Thesis, Mayrhofer (2013)<br />
angewandt wird. In der zweiten Hälfte folgen die Darstellung der Ergebnisse der<br />
Unternehmenserhebung, die dazugehörigen deskriptiven Statistiken, die<br />
statistische Auswertung mithilfe einer logistischen Regressionsanalyse und<br />
dessen Interpretationen.<br />
4.2 Detaillierter Abl<strong>auf</strong><br />
Nach einer Einfürhung in den Kapiteln 1 bis 5, erfolgt in Kapitel 6<br />
<strong>Innovation</strong>ensmodelle und -systeme zunächst die Definition die Begriffe der<br />
<strong>Innovation</strong>, der <strong>Innovation</strong>smodelle (lineare und komplexe-interaktive), der<br />
<strong>Innovation</strong>ssysteme (NIS, CIS, RIS, TIS) und der <strong>Innovation</strong>sindikatoren. Es<br />
werden hier auch die Definitionsmerkmale von <strong>Innovation</strong>ssystemen und ihre<br />
Wirkungsbereiche, wie sie in der Thesis verwendet werden, festgelegt. In<br />
Kapitel 7 Komplexität erfolgen Definition und Diskussion der Begriffe der<br />
Komplexität, eines Systems und der komplexen Systeme. Nach einer<br />
wissenschaftlichen Orientierung wird der Komplexitätsbegriff, so wie er im<br />
Rahmen dieser Arbeit verwendet wird und seine Attribute und Indikatoren<br />
definiert und festgelegt. Bereits vorhandene, diesbezügliche wissenschaftliche<br />
Konzepte werden dazu verglichen und schließlich eine Auswahl der Indikatoren<br />
für die Thesis getroffen (CIS). Dies ist vor allem für die später erstellten<br />
Komplexitätsfaktoren notwendig, welche Eingang finden in die Regressions-<br />
analyse zur Bestimmung der <strong>Innovation</strong>schancen österreichischer (Groß)<br />
unternehmen. Im Anschluss daran erfolgt in Kapitel 9 Kombination CIS &<br />
Komplexität eine systematische Kombination der Indikatoren für Komplexität<br />
mit den Wirkungsbereichen eines unternehmerischen <strong>Innovation</strong>ssystems (CIS).<br />
Die Methode dieser systematischen Kombination wird aus einer Dissertation<br />
von Embst (2010) der Technischen Universität Graz übernommen [6] . Dieser<br />
entscheidende Schritt ermöglicht die Erstellung neuer Dimensionen der<br />
Komplexität in unternehmerischen <strong>Innovation</strong>ssystemen, welche nun skalierbar<br />
sind und anschließend operationalisiert und im Rahmen einer Unternehmens-<br />
befragung erhoben werden können. Die Struktur und das Design dieser<br />
empirischen Erhebung werden im Unterkapitel 10.2 Untersuchungsdesign<br />
erläutert.<br />
Den Kern der Arbeit bildet eine logistische binäre Regression zur Erklärung der<br />
<strong>Innovation</strong>schancen österreichischer (Groß)unternehmen mit einer binären,<br />
dualen abhängigen Variable und insgesamt 8 erklärenden, unabhängigen<br />
Variablen, die im betreffenden Teil der Arbeit eingehend diskutiert und<br />
[6] Vgl. Embst, 2010: 89<br />
7
Master-Thesis, Mayrhofer (2013)<br />
analysiert werden. Das Modell und die Variablen werden ab dem Kapitel 10<br />
Empirische Analyse und in den folgenden Unterkapitel beschreiben. <strong>Eine</strong> der 9<br />
erklärenden Variablen ist der eben beschriebene Komplexitätsfaktor, präziser<br />
ausgedrückt der „komplexitätsbezogene“ Faktor, dessen Werte aus der<br />
Unternehmenserhebung stammen. Diese Werte finden, wie oben erwähnt, als<br />
zusätzliche erklärende Variablen Eingang in die Logit-Regression. Die sich<br />
ergebenden Koeffizienten, die die Einflüsse der unabhängigen Variablen <strong>auf</strong> die<br />
binäre, abhängige Variable darstellen, können auch als Gewichtungsfaktoren<br />
interpretiert werden. Werden diese mit den Variablen selbst multiplikativ<br />
verknüpft und alle gewichteten <strong>Faktoren</strong> geeignet aggregiert, kann im<br />
Anschluss der Thesis ein Unternehmensranking erstellt werden, das unter vielen<br />
Perspektiven und unter unterschiedlichen <strong>Faktoren</strong> dargestellt werden kann.<br />
Zur grafischen Darstellung des Abl<strong>auf</strong>es der Arbeit sei <strong>auf</strong> Abb. 2 verwiesen:<br />
Indikatoren<br />
der<br />
Komplexität<br />
Quelle: eigene Darstellung<br />
Abb.2: Abl<strong>auf</strong> der Master-Thesis<br />
Wirkungsb.<br />
Operation-<br />
Befragung/<br />
<strong>Innovation</strong>salisierung<br />
&<br />
Komplexitäts<br />
+ Erhebung <br />
system<br />
Skalierung<br />
werte<br />
Systematische<br />
Kombination<br />
Logit-<br />
Regression<br />
Koeffizienten<br />
=<br />
Gewichte<br />
5 Zielsetzung und Hypothese<br />
…ergibt…<br />
Diese Thesis verfolgt zwei Zielsetzungen: Die erste stellt der neuartige<br />
wissenschaftliche Beitrag dar, in dessen Rahmen zunächst neue<br />
Komplexitätsfaktoren (durch die Kombination in Kaptiel 9) erstellt werden, um<br />
sie im Anschluss daran zusätzlich dazu verwenden zu können, den <strong>Einfluss</strong><br />
<strong>komplexitätsbezogener</strong> <strong>Faktoren</strong> <strong>auf</strong> die <strong>Innovation</strong>schancen zu untersuchen.<br />
Die zweite Zielsetzung ist der empirische Teil, der die Praxis der <strong>Innovation</strong>s-<br />
systeme von österreichischen (Groß)unternehmen unter der Perspektive der<br />
8<br />
…ermöglicht…<br />
Mögliche<br />
Ranking(s)
Master-Thesis, Mayrhofer (2013)<br />
Komplexitätstheorie darstellt. Da eine derartige Untersuchung in Österreich<br />
zuvor noch nicht stattgefunden hat, gilt sie ebenfalls als neuartig. Für die<br />
Forschungsfrage, deren Antwort stark von den empirischen Ergebnissen<br />
abhängt, ist bei der Hypothesenerstellung zu beachten, ob die empirische<br />
Befragung eher <strong>auf</strong> eine Ersterforschung (exploration), eine Beschreibung<br />
(description) oder vorwiegend <strong>auf</strong> Erklärung (explanation) von Sachverhalten<br />
abzielt [7] . „Analysis stimulated by descriptive questions is meant to ascertain<br />
facts, not to test theory“ [8] . In dieser Thesis hingegen wird die Theorie des<br />
<strong>Einfluss</strong>es <strong>komplexitätsbezogener</strong> <strong>Faktoren</strong> <strong>auf</strong> die <strong>Innovation</strong>schancen getestet<br />
und damit versucht, kausale Zusammenhänge nachzuweisen. „The purpose of<br />
survey research in explanation is to test theory and causal relations. Survey<br />
research aimed at explanation asks about the relationships between variables.<br />
It does so from theoretically grounded expectations about how and why the<br />
variables ought to be related“ [9] . <strong>Eine</strong> Analyse, wie sie in dieser Thesis verfolgt<br />
wird, bezieht sich also <strong>auf</strong> letzteres. Die hier zu überprüfende Hypothese ist eine<br />
Kausalhypothese, die einer Darstellung des Zusammenhangs zwischen Ursache<br />
und Wirkung folgt. Das bedeutet aber nicht, dass hier von direkten<br />
Abhängigkeiten, sondern lediglich von zu überprüfenden Einflüssen im Sinne<br />
eines multidimensionales Problems <strong>auf</strong> einen Sachverhalt zu sprechen ist [10] . Die<br />
hier zu überprüfende Hypothese lautet unter diesen Annahmen somit:<br />
Hypothese: Komplexitätsbezogene <strong>Faktoren</strong> haben einen signifikanten<br />
<strong>Einfluss</strong> <strong>auf</strong> die <strong>Innovation</strong>schancen österreichischer (Groß)unternehmen.<br />
6 <strong>Innovation</strong>smodelle und -systeme<br />
6.1 <strong>Innovation</strong>smodelle<br />
Der Begriff der <strong>Innovation</strong> hat seit Schumpeter (1935) eine lange Tradition. Er<br />
verstand darunter die diskontinuierliche Kombination von Produktionsmitteln<br />
(im Sinne der Produktinnovation, Verfahrens- und Prozessinnovation, sowie die<br />
Erschließung neuer Märkte und die Einführung neuer Organisationen) [11] . Nach<br />
dem Ausmaß der Neuerung und ihrer Auswirkung [12] kann außerdem u.a.<br />
unterschieden werden zwischen inkrementalen Neuerungen, die meist klein sind<br />
und kontinuierlich stattfinden und radikalen <strong>Innovation</strong>en, die seltener<br />
[7] Vgl. Pinsonneault/Kraemer, 1993: 10f<br />
[8] Pinsonneault/Kraemer, 1993: 10<br />
[9] Pinsonneault/Kraemer, 1993: 10<br />
[10] Vgl. Paier, 2010: 13<br />
[11] Vgl. Maier/Tödtling/Trippl , 2012: 108<br />
[12] Vgl. Maier/Tödtling/Trippl , 2012: 108<br />
9
Master-Thesis, Mayrhofer (2013)<br />
<strong>auf</strong>treten, jedoch als herausragend gelten. Wenn diese radikalen <strong>Innovation</strong>en<br />
zur „Einführung einer größeren Zahl von weiteren neuen Produkten und<br />
Verfahren führen, die Entwicklung neuer Industrien zur Folge haben und <strong>auf</strong><br />
eine Vielzahl von anderen Branchen ausstrahlen, indem sie deren<br />
Produktionsverfahren und Kostenstrukturen verändern, spricht man von<br />
technologischen Revolutionen und Basisinnovationen“ [13] . In der <strong>Innovation</strong>sliteratur<br />
werden nicht nur Arten von <strong>Innovation</strong>en unterschieden, sondern auch<br />
Modelle, nach denen diese abl<strong>auf</strong>en.<br />
Da es das Ziel dieser Thesis ist, eine analytische Aussage über das gesamte<br />
<strong>Innovation</strong>ssystem eines Unternehmens zu generieren und welche Rolle<br />
komplexitätsbezogene <strong>Faktoren</strong> darin spielen, müssen wir uns zunächst mit dem<br />
Begriff des <strong>Innovation</strong>ssystems näher auseinandersetzen. Ein solches System [14]<br />
kann aber nur dann richtig verstanden werden, wenn klar ist, nach welchem<br />
Modell <strong>Innovation</strong>en prinzipiell abl<strong>auf</strong>en. Dafür werfen wir einen Blick dar<strong>auf</strong>,<br />
wie <strong>Innovation</strong>smodelle gestaltet und gedacht werden können.<br />
Abb. 3: Das simple lineare Modell der <strong>Innovation</strong><br />
Research<br />
&<br />
Creativity<br />
Quelle: Swann, 2009: 23<br />
Invention<br />
Die schemenhafte Darstellung eines <strong>Innovation</strong>sabl<strong>auf</strong>es innerhalb eines<br />
<strong>Innovation</strong>sprozesses nach Swann (2009), wie in Abb. 3, zeigt, wie fixiert und<br />
unabänderlich die Kanäle in einem Modell gestaltet sein können, um zu<br />
beschreiben wie eine <strong>Innovation</strong> verl<strong>auf</strong>en muss. <strong>Eine</strong> <strong>Innovation</strong> per se muss in<br />
diesem simplifizierten linearen Modell im Forschungs- oder Kreativitätsbereich<br />
eines Unternehmens (bei volkswirtschaftlicher Betrachtung mehrerer<br />
Unternehmen) seinen Ausgang finden, um dann zu einer Erfindung und über<br />
Design & Entwicklung schließlich zur <strong>Innovation</strong> entwickelt werden zu können.<br />
Andere Möglichkeiten lässt das Modell nicht zu. Wird nun das Produkt/der<br />
Prozess/die organisatorische <strong>Innovation</strong>, etc., dann noch für den Markt<br />
vorbereitet und schließlich eingeführt, hat ein <strong>Innovation</strong>sprozess stattgefunden.<br />
Dass dieses <strong>Innovation</strong>smodell und dessen Abl<strong>auf</strong> nicht immer der Realität<br />
entsprechen, meint auch Swann (2009). In diesem linearen Modell entstünden<br />
<strong>Innovation</strong>en nur „with luck and hard work“ [15] . Die Vorstellung, dass<br />
<strong>Innovation</strong> an einem bestimmten Ort, zu einem bestimmten Zeitpunkt, in<br />
[13] Maier/Tödtling/Trippl , 2012: 108<br />
[14] Diskussion des Systembegriffs erfolgt in Kapitel 8: Komplexe Syteme und <strong>Innovation</strong><br />
[15] Swann, 2009: 23<br />
10<br />
Design &<br />
Development<br />
<strong>Innovation</strong>
Master-Thesis, Mayrhofer (2013)<br />
optimierter Art und Weise entsteht, mag zwar möglich, aber eher unrealistisch<br />
sein [16] . Kann es also nicht sein, dass sich ein in einer wirtschaftlichen Einheit,<br />
wie einem Unternehmen, abspielender <strong>Innovation</strong>sprozess innerhalb eines<br />
-systems mannigfaltiger und komplexer darstellt?<br />
Um der Realität eines <strong>Innovation</strong>sabl<strong>auf</strong>s und -modells eher entgegenzukommen<br />
fügt Swann (2009) nun zwei weitere <strong>Faktoren</strong> hinzu, die die Perspektive<br />
zusätzlich erweitern (Abb. 4). Er modifiziert dazu vor allem den ersten Punkt,<br />
der zuvor rein <strong>auf</strong> den Forschungs- und Kreativitätsbereich bezogen war, hin zu<br />
einem Kreativitäts- und Erfindungspunkt. Jegliche Erfindung oder kreative Idee<br />
ist bereits eine <strong>Innovation</strong>. Es gibt <strong>Innovation</strong>en bevor Erfindungen einen<br />
Markteintritt erleben und dies wirkt sich zunächst <strong>auf</strong> das Unternehmen selbst<br />
(workplace) aus. Dann erst wird in den Produktmarkt (hier: bezogen <strong>auf</strong><br />
Produktinnovationen) integriert und anschließend konsumiert. Ziel des<br />
Prozesses in diesem erweiterten Modell ist die Erhöhung von Reichtum und<br />
Wohlstand (wealth & welfare), also der Wohlfahrt. Die <strong>Innovation</strong>en werden<br />
somit zum Kernargument gesellschaftlicher Wohlfahrtserhöhung und dem<br />
Erreichen von Wohlstand.<br />
Creativity &<br />
Invention<br />
Abb. 4: Erweitertes simples lineares Model<br />
Quelle: Swann, 2009: 236<br />
<strong>Innovation</strong><br />
Viele Ökonomen haben sich in ihrer Lehre <strong>auf</strong> diesen Aspekt so stark bezogen,<br />
dass sie meinen <strong>Innovation</strong>en hätten nur mehr die Aufgabe die Produktivität zu<br />
erhöhen. Für Swann (2009) ist dies jedoch ein Irrglaube - <strong>Innovation</strong> beinhalte<br />
weit mehr Funktionen als lediglich die Erhöhung der Produktivität [17] . Ein<br />
<strong>Innovation</strong>ssystem, wie es in Unternehmen Anwendung findet ist komplexer<br />
Natur. Prinzipiell ist alles mit allem verbunden [18] , also alle Bereiche, Akteure<br />
und Prozesse interagieren miteinander. Er unterstellt dem simplen linearen und<br />
dem erweiterten linearen Modell, dass sie <strong>Innovation</strong>en nur aus einer Richtung<br />
zulassen und die reine Fixiertheit <strong>auf</strong> Produktivitätssteigerung durch diese<br />
[16] Vgl. Hauschildt, Salomo, 2011: 366<br />
[17] Vgl. Swann, 2009: 236<br />
[18] Vgl. Swann, 2009: 236<br />
11<br />
Workplace<br />
Wealth &<br />
Welfare<br />
Product<br />
Market<br />
Consumption
Master-Thesis, Mayrhofer (2013)<br />
lineare Konstellation entsteht. Um diese Fehler zu vermeiden fürht Swann<br />
(2009) ein komplex interaktives Modell ein [19] . Auch Maier/Tödtling/Trippl<br />
(2012) diskutieren ein nicht-lineares <strong>Innovation</strong>smodell nach Kline/Rosenberg<br />
(1986). Sie betonen dabei, dass in der Literatur argumentiert wird, dass<br />
<strong>Innovation</strong> „nicht notwendigerweise ihren Ausgangspunkt in der Wissenschaf<br />
und Forschung haben müssen“ [20] und dass „<strong>Innovation</strong>sprozesse häufig durch<br />
vielfältige ‚feedback„-Schleifen charakterisiert sind“ [21] . Diese durchbrechen dann<br />
den linearen Abl<strong>auf</strong>, da u.a. starke Interdependezen im gesamten<br />
<strong>Innovation</strong>sprozess <strong>auf</strong>treten. Schließlich weisen Maier/Tödtling/Trippl (2012)<br />
auch <strong>auf</strong> die politischen Konsequenzen der Perspektiven hin. Während bei<br />
linearen Verläufen des <strong>Innovation</strong>smodells lediglich die „Investitionen in die<br />
Grundlagenforschung“ für die Entstehung von <strong>Innovation</strong>en relevant sind,<br />
spielen beim nicht-linearen, interaktiven Modell auch andere Einflüsse, wie etwa<br />
Kundenkonakt, Lieferantenbeziehungen oder Kooperationen eine entscheidende<br />
Rolle [22] . Ein Unternehmen und sein <strong>Innovation</strong>sprozess sind unter<br />
Berücksichtigung dieser Punkte somit komplex. Präziser ausgedrückt sind sie<br />
von Komplexität beeinflusste Einheiten. Genau hier beginnt der Ansatz dieser<br />
Thesis: Um den <strong>Einfluss</strong> der Komplexität <strong>auf</strong> die Einheit eines<br />
unternehmerischen <strong>Innovation</strong>ssystems zu untersuchen, werden die Subsysteme<br />
eines <strong>Innovation</strong>ssystems mit den Attributen von Komplexität systematisch<br />
verwoben, um die komplexe Natur von <strong>Innovation</strong>ssystemen zu untersuchen.<br />
Auch Swann (2009) hat sich der Herausforderung der Komplexität gestellt und<br />
die beiden oben erwähnten Modelle zu komplexen, interaktiven Modellen<br />
gemacht, indem er ein Modell schuf, bei dem der Austausch jeder Subeinheit<br />
mit jeder anderen Subeinheit ermöglicht wird. Konkret ergibt sich daraus ein<br />
völlig neues Bild, bei dem die Anzahl der Subeinheiten nur um einen Faktor,<br />
(Environment) erhöht, das Modell aber trotzdem zusätzlich um den Faktor<br />
Komplexität erweitert wurde. Bei der Erhöhung um nur einen Faktor gibt es<br />
im komplexen interaktiven Modell nun statt 5 (Abb. 4) insgesamt 21 (Abb. 5)<br />
Interaktionsbeziehungen (Pfeile). Dies erhöht die Qualität des beschriebenen<br />
Modells [23] .<br />
[19] Vgl. Swann, 2009: 236<br />
[20] Maier/Tödtling/Trippl, 2012: 110<br />
[21] Maier/Tödtling/Trippl, 2012: 110<br />
[22] Vgl. Maier/Tödtling/Trippl, 2012: 110f<br />
[23] Hinweis: Swann (2009) beschreibt die Gründe für die Erweiterung des Modell um den<br />
Faktor „Environment“ folgendermaßen: „First we shall note (…) that some innovations,<br />
unintentionally perhaps, can have adverse effects on the environment. Second (…), the<br />
environment itself is still an essential source of Ruskinian wealth for many people. And<br />
third, there is some evidence that a favourable environment can have a beneficial effect on<br />
some oft he other activities (…)“ (Swann, 2009: 237)<br />
12
<strong>Innovation</strong><br />
Master-Thesis, Mayrhofer (2013)<br />
Abb. 5: Komplexes interaktives Modell<br />
Creativity<br />
&<br />
Invention<br />
Workplace<br />
Quelle: Swann, 2009: 237<br />
In diesem neuen Modell werden komplexe Zusammenhänge nun begreifbar. <strong>Eine</strong><br />
<strong>Innovation</strong> kann von allen Seiten entstehen und/oder von jedem Subelement<br />
(weiter)entwickelt werden. Der <strong>Einfluss</strong> der Komplexität in diesem Modell ist<br />
evident. Worum es sich bei Komplexität genau handelt, folgt in Kapitel 7.<br />
6.2 <strong>Innovation</strong>ssysteme<br />
Da nun dargelegt wurde, wie Prozesse innerahalb von <strong>Innovation</strong>smodellen<br />
abl<strong>auf</strong>en können, kann nun der Fokus <strong>auf</strong> unterschiedliche <strong>Innovation</strong>ssysteme<br />
gerichtet werden. Der Systembegriff selbst wird im Kapitel 8: Komplexe<br />
Systeme und <strong>Innovation</strong> beschrieben und diskutiert. <strong>Innovation</strong>ssysteme<br />
können prinzipiell sein: „(…) <strong>Innovation</strong> system concepts in different variants:<br />
national (NIS: Lundvall 1992, Nelson 1993, Edquist 1997, 2005), sectoral and<br />
technological (SIS: Breschi and Melerba 1997, Malerba 2005) and regional<br />
innovation systems (RIS: Cooke et al. 2000, 2004, Doloreux 2002, Asheim and<br />
Gertler 2005), (…)“ [24] , fassen Tödtling/Lehner/K<strong>auf</strong>mann (2008) zusammen.<br />
Sie zeigen die Dimensionen für <strong>Innovation</strong>en und somit die unterschiedlichen<br />
<strong>Innovation</strong>ssysteme <strong>auf</strong>: Der Fokus der Untersuchungen in diesen<br />
unterschiedlichen <strong>Innovation</strong>ssystemen kann sein: ein spezifischer Sektor (SIS -<br />
Sectoral <strong>Innovation</strong> System), ein Land (NIS - National <strong>Innovation</strong> System)<br />
oder eine Region (RIS - Regional <strong>Innovation</strong> System). Vor allem die Institutionen,<br />
die in den einzelnen Dimensionen relevant sind für <strong>Innovation</strong>, sind hier<br />
von Bedeutung. In den unterschiedlichen <strong>Innovation</strong>ssystemen sind diese<br />
wiederum ebenfalls unterschiedlich, je nach Fokus: Im SIS sind dies die<br />
[24] Tödtling/Lehner/K<strong>auf</strong>mann, 2008: 4<br />
Environment<br />
13<br />
Product<br />
Market<br />
Wealth &<br />
Welfare<br />
Consump<br />
-tion
Master-Thesis, Mayrhofer (2013)<br />
Schlüsselakteure wie Firmen oder Organisationen, Regulierungen oder<br />
Institutionen in bestimmten Sektoren. Das Technological <strong>Innovation</strong> System<br />
(TIS) ist ein Netzwerk aus Akteuren und Institutionen, die in einem<br />
spezifischen Technologiefeld interagieren und zur Generierung, Diffusion und<br />
Verwendung von neuen Varianten von Technologie und/oder Produkten<br />
beitragen [25] . Im NIS und RIS sind dies die nationalen und regionalen<br />
Institutionen [26] . Im NIS wird vor allem dem Umstand Rechnung getragen, dass<br />
nationale Volkswirtschaften sich hinsichtlich der Struktur der<br />
Produktionssysteme und den allgemeinen Begebenheiten unterscheiden [27] . Ein<br />
NIS nach Lundvall (1992) meint demnach „all interrelated, institutional and<br />
structural factors in a nation, which generate, select, and diffuse innovation“ [28] .<br />
Das RIS nach Cooke et al. (2000) wurde zunächst verstanden als „a regional<br />
innovation system consists of interacting knowledge generation and explotation<br />
sub-systems linked to global, national and other regional systems for<br />
commercialising new knowledge“ [29] . Da in einer erweiterten Sicht neben der<br />
Kommerzialisierung des Wissens weitere <strong>Faktoren</strong> als relevant angesehen<br />
werden, werden im sogenannten IRIS - Institutional Regional <strong>Innovation</strong><br />
System auch öffentliche Wissensgenerierung und Institutionen wie öffentliche<br />
Bibliotheken, Universitäten, Technologie-transfer, Ämter, Investoren, Lehrer<br />
und andere Intermediäre in das System einbezogen [30] . In der vorliegenden<br />
Arbeit wird das <strong>Innovation</strong>system CIS - Corporate <strong>Innovation</strong> System<br />
verwendet.<br />
6.3 CIS - Corporate <strong>Innovation</strong> System<br />
Da wir uns in unserer Analyse u.a. damit beschäftigten, wie die „Blackbox“<br />
eines <strong>Innovation</strong>ssystems in Bezug <strong>auf</strong> den <strong>Einfluss</strong> der Komplexität aussieht,<br />
muss diese Blackbox Schritt für Schritt erhellt werden. Dafür benötigen wir den<br />
ersten Baustein unseres Komplexitätsfaktors: die Merkmale und<br />
Wirkungsbereiche eines <strong>Innovation</strong>ssystems. Da wir uns im unternehmerischen<br />
Feld damit auseinandersetzen und <strong>auf</strong> der Suche nach genauen Abgrenzungen<br />
sind, ist die Definition der sog. Corporate <strong>Innovation</strong> Systems (CIS) für diese<br />
Arbeit passend. CIS werden, wie auch die anderen Systembegriffe mannigfaltig<br />
definiert. Grandstrand (2000) untersucht im Vorfeld seiner empirischen Arbeit<br />
zur Analyse der CIS in Japan, Schweden und den USA unterschiedliche<br />
wissenschaftliche Auffassungen der CIS. Ausgehend vom schumpeterischen<br />
[25] Vgl. Markard/Truffer, 2008: 611<br />
[26] Vgl. Tödtling/Lehner/K<strong>auf</strong>mann, 2008: 4f<br />
[27] Vgl. Lundvall, 1992: 13<br />
[28] Lundvall, 1992: 39<br />
[29] Cooke/Heidenreich/Braczyk, 2004: 3<br />
[30] Vgl. Cooke/Heidenreich/Braczyk, 2004: 4<br />
14
Master-Thesis, Mayrhofer (2013)<br />
<strong>Innovation</strong>sbegriff [31] werden einige Sichtweisen herausgegriffen und verglichen,<br />
wie bspw. Edquist (1997), Freeman (1987), Lundvall (1992), Metcalfe (1992),<br />
Nelson & Rosenberg (1993), Breschi & Malerba (1995), Freeman, Clark &<br />
Soete (1982), Carlsson & Stankiewics (1991), Hughes (1994) und Gardner<br />
(1988) [32] . Viele dieser Definitionsbegriffe ähneln einander, unterscheiden sich<br />
aber vor allem in der Auffassung der „Neuigkeit“ einer <strong>Innovation</strong> und ergänzen<br />
sich wiederum in einem technischen Verständnis in Bezug <strong>auf</strong> innovative<br />
Prozesse. Andere der genannten Autoren verstehen darunter zusätzlich<br />
<strong>Innovation</strong>en im Organisations- und Managementbereich [33] . Im L<strong>auf</strong>e seiner<br />
Studie entwickelt Grandstrand (2000) ein CIS aus den bisher genannten<br />
Definitionen und verwendet diese Auffassung in seinen Berechnungen zum<br />
Vergleich der CIS in den genannten Ländern. Diese Definition des Begriffs<br />
<strong>Innovation</strong>ssystem, wie Grandstrand„s (2000) sie <strong>auf</strong>fasst, wird auch in dieser<br />
Thesis verwendet, da sie ein unternehmerisches <strong>Innovation</strong>ssystem treffend und<br />
vor allem fokussiert benennt. Grandstrand (2000) definiert: „A „corporate<br />
innovation system is the set of actors, activities, resources and institutions and<br />
the causal interrelations that are in some sense important for the innovative<br />
performance of a corporation“ [34] . Die 4 genannten Elemente Akteure,<br />
Aktivitäten, Ressourcen & Institutionen und kausale Wechselbeziehung sind<br />
also entscheidend, bei der Bezeichnung von Wirkungsbereichen eines<br />
<strong>Innovation</strong>ssystems (siehe Abb. 6). Damit wurde der erste Baustein des zu<br />
erstellenden Komplexitätsfaktors gefunden und benannt.<br />
Abb. 6: Das CIS nach Grandstrand<br />
CIS<br />
Akteure Aktivitäten Ressourcen<br />
Institutionen<br />
Quelle: Eigene Darstellung nach Grandstrand (2000)<br />
In Kapitel 9 werden die Indikatoren von Komplexität systematisch mit den<br />
Wirkungsbereichen eines unternehmerischen <strong>Innovation</strong>ssystems kombiniert.<br />
Da der Wirkungsbereich „kausale Wechselbeziehungen“ aus der Beschreibung<br />
eines unternehmerischen <strong>Innovation</strong>ssystems bereits in inhaltlich gleichwertiger<br />
[31] Vgl. Schumpeter, 1939: 101<br />
[32] Vgl. Edquist (1997), Freeman (1987), Lundvall (1992), Metcalfe (1992), Nelson &<br />
Rosenberg (1993), Breschi & Malerba (1995), Freeman, Clark & Soete (1982), Carlsson &<br />
Stankiewics (1991), Hughes (1994) und Gardner (1988), (In: Grandstrand, 2000: 10ff)<br />
[33] Vgl. Grandstrand, 2000: 14<br />
[34] Grandstrand, 2000: 14<br />
15
Master-Thesis, Mayrhofer (2013)<br />
Form im Komplexitätsindikator „Interaktion“ [35] vorkommt, wird der<br />
Wirkungsbereich „kausale Wechselbeziehungen“ an dieser Stelle für diese Thesis<br />
vernachlässigt, da er ansonsten an zwei Stellen in der Definition vorkäme. Dafür<br />
wird der Wirkungsbereich „Ressourcen & Institutionen“ <strong>auf</strong>geteilt in<br />
„Ressourcen“ und „Institutionen“, wie aus Abb. 6 ersichtlich wird. Dies<br />
ermöglicht eine noch genauere Differenzierung beim Einsatz dieser Begriffe in<br />
der Operationalisierung für die Unternehmenserhebung. Zur genauen<br />
Abgrenzung der nun ausgewählten Wirkungsbereiche eines <strong>Innovation</strong>ssystems<br />
werden diese in den folgenden Punkten detailliert beschrieben.<br />
6.4 Beschreibung der gewählten Wirkungsbereiche eines<br />
<strong>Innovation</strong>ssystems<br />
6.4.1 Akteure<br />
Alle Wirkungsbereiche sind gleichzeitig Subsysteme des gesamten<br />
<strong>Innovation</strong>ssystems eines Unternehmens. Der Wirkungsbereich „Akteure“ meint<br />
das System der Akteure innerhalb eines Unternehmens und es umgebend, wenn<br />
diese in die <strong>Innovation</strong> miteinbezogen sind, wie die F&E-Abteilung, F&E-<br />
Kooperationen, etc. [36] . Das Fraunhofer Institut für System- und <strong>Innovation</strong>sforschung<br />
(ISI) erkennt unter Akteure im <strong>Innovation</strong>ssystem Unternehmen,<br />
angewandte Forschung, Grundlagenforschung, Technologietransfer &<br />
Ausbildung und Interessensverbände & Kammern [37] . Forschungsfaktoren und<br />
Kooperationen mit Interessensverbänden sind im später gerechneten Modell der<br />
logistischen Regression als Variablen bereits berücksichtigt. Für unsere Zwecke<br />
werden wir uns hauptsächlich <strong>auf</strong> den Bereich des Unternehmens konzentrieren<br />
und die Akteure innerhalb des unternehmerischen <strong>Innovation</strong>ssystems. Dieser<br />
Wirkungsbereich bezieht sich in dieser Thesis somit vorwiegend <strong>auf</strong> die<br />
Menschen, die im <strong>Innovation</strong>ssystem eines Unternehmens tätig sind.<br />
6.4.2 Aktivitäten<br />
Der Wirkungsbereich „Aktivitäten“ beschreibt sämtliche Aktivitäten, die im<br />
Rahmen eines <strong>Innovation</strong>ssystems durchgeführt werden, wie etwa Paten-<br />
tierungsaktivitäten oder F&E-Aktivitäten, etc. Grandstrand (2000): „[…] the<br />
R&D, production, marketing and outsourcing systems, where R&D, production<br />
etc. are activities“ [38] . Wir verstehen darunter für diese Thesis alle Aktivitäten,<br />
[35] Im Sinne von Tab. 3 und Beschreibung <strong>auf</strong> S. 26<br />
[36] Vgl. Grandstrand, 2000: 14<br />
[37] Vgl. Fraunhofer ISI, 2008: 8<br />
[38] Grandstrand, 2000: 14<br />
16
Master-Thesis, Mayrhofer (2013)<br />
die innerhalb des <strong>Innovation</strong>ssystems dazu führen, dass <strong>Innovation</strong>en im<br />
Unternehmen geschehen.<br />
6.4.3 Ressourcen<br />
Ressourcen sind notwendige umgebende Elemente, ohne die <strong>Innovation</strong>en nicht<br />
entstehen könnten. “[…] the resource structure with the system of technologies<br />
(seen as intellectual resources) in particular“ [39] , kann als Ressourcen innerhalb<br />
eines <strong>Innovation</strong>ssystems verstanden werden. Ressourcen beziehen aber auch<br />
finanzielle Aspekte mit ein. Innerhalb dieser Arbeit fokussieren wir bei diesem<br />
Begriff <strong>auf</strong> alle Mittel (vor allem Know-How und Finanzen), die dafür<br />
eingesetzt werden, <strong>Innovation</strong>en zu generieren.<br />
6.4.4 Institutionen<br />
Bei dem Begriff Institutionen sind ebenfalls mehrere Begriffsdeutungen möglich,<br />
wie etwa Organisationen, Firmen, Universitäten oder staatliche Institutionen.<br />
Daneben kann darunter auch das Konzept der Institutionen als Regelsystem,<br />
also Routinen, Regeln, Gewohnheiten, Tabus, Normen, Praktiken oder formales<br />
Recht, etc. verstanden werden. Es können aber auch F&E-Labore, Schulen,<br />
Patentsysteme, Bankensysteme, etc. gemeint sein, Begriffsauslegungen, die in<br />
der Literatur allerdings oft schwächer vertreten sind [40] . Grandstrand (2000)<br />
meint damit „the institutional structure (or system or infrastructure)“ [41] das<br />
hinter einem <strong>Innovation</strong>ssystem liegt. Das Fraunhofer ISI erkennt darunter<br />
Spielregeln, Anreize und Sanktionen für Wettbewerb, neues Wissen,<br />
Finanzierung von <strong>Innovation</strong>en, Ausbildung am Arbeitsmarkt und<br />
Umweltschutz und Ressourceneffizienz [42] . In dieser Thesis orientieren wir uns<br />
am konzeptionellen Begriff von de la Mothe (1997) der Regeln, Gewohnheiten,<br />
Tabus, Normen, Praktiken oder formales Recht einbezieht [43] . Die Entscheidung<br />
für die hier verfolgte Definition liegt, wie auch bei den anderen Punkten, an der<br />
Abgrenzung der Begriffe gegenüber anderen Wirkungsbereichen.<br />
6.5 <strong>Innovation</strong>sindikatoren<br />
Die Messung von <strong>Innovation</strong> ist eines der meistdiskutiertesten Themen in der<br />
<strong>Innovation</strong>sliteratur. Interdisziplinäre Beiträge fanden stets neue Zugänge für<br />
die Analyse von <strong>Innovation</strong>sprozessen oder -systemen. Mit der Analyse stellen<br />
[39] Grandstrand, 2000: 14<br />
[40] Vgl. de la Mothe, 1997: 42f<br />
[41] Grandstrand, 2000: 14<br />
[42] Vgl. Fraunhofer ISI, 2008: 9<br />
[43] Vgl. de la Mothe, 1997: 41f<br />
17
Master-Thesis, Mayrhofer (2013)<br />
sich auch die Fragen der geeigneten Messung und somit der <strong>Faktoren</strong>auswahl<br />
und deren Aggregationsformen, um etwa einen <strong>Innovation</strong>sindikator zu<br />
entwickeln. „Für die Ermittlung des <strong>Innovation</strong>serfolgs ist die Aggregation<br />
dieser einzelnen Bewertungen zu einem Gesamtindikator vorzunehmen. <strong>Eine</strong><br />
eindeutige Aggregationsvorschrift existiert hierfür jedoch nicht“ [44] . Es ist hier<br />
Kreativität vom/von der Forscher/in gefragt, bei gleichzeitiger<br />
Aufrechterhaltung der wissenschaftlichen Verantwortung. Jedenfalls ist es<br />
diskussionswürdig, in welcher Art ein <strong>Innovation</strong>serfolg am besten zu messen<br />
ist, da er sich in vielerlei Situationen sehr unterschiedlich ausprägt. Die<br />
Befragung als geeignetes Mittel, um direkt an die Stakeholder von<br />
<strong>Innovation</strong>sprozessen zu gelangen, ist in den Studien prominent vertreten.<br />
<strong>Eine</strong>r der wichtigsten <strong>Innovation</strong>sindikatoren Deutschlands etwa, der INSM-<br />
<strong>Innovation</strong>smonitor [45] wird durch eine breit angelegte Befragung entwickelt.<br />
„<strong>Eine</strong> Möglichkeit den technischen <strong>Innovation</strong>serfolg bzw. allgemeiner die<br />
technische Wirkung der Gesamtheit der <strong>Innovation</strong>stätigkeiten zu erfassen, die<br />
dem technometrischen Verfahren nahe kommt, besteht darin, im Rahmen von<br />
<strong>Innovation</strong>serhebungen direkt nach den technischen Wirkungen zu fragen” [46] ,<br />
bestätigt Janz (2003). Entscheidend ist aber, dass alle relevanten Alternativen<br />
in den Dimensionen der Befragung enthalten sind [47] . Dies ist die Kunst des<br />
richtigen Befragens.<br />
Um dem Ergebnis einer Befragung auch interpretativen Ausdruck zu verleihen,<br />
muss dieses bewertbar werden. Dazu müssen die förmlich festgestellten<br />
Ergebnisse mit einem Referenzzustand verglichen werden, um ein Urteil über<br />
die erbrachte Leistung abgeben zu können [48] . Insgesamt müssen die Ergebnisse<br />
mit einem zuvor definierten Ziel verglichen werden, da eine Referenz die einzige<br />
rationale Messform ist, die ein Ergebnis in befriedigender Art abbilden kann [49] .<br />
Hauschildt/Salomo (2011) gehen <strong>auf</strong> die unterschiedlich verwendeten Konzepte<br />
ein und dar<strong>auf</strong>, wie diese bei der Messung des <strong>Innovation</strong>serfolges in<br />
wissenschaftlichen Untersuchungen angewandt werden. Sie unterscheiden 3<br />
Formen: den qualitativen Ansatz, quantitative Techniken und semiquantitative<br />
Techniken, wobei letztere die Vielfalt der Befragung mit einer<br />
Konzentration <strong>auf</strong> wenig inhaltliche Aussagen verbindet [50] .<br />
Hauschildt/Salomo (2011) erwähnen auch eine bedeutende Eigenschaft, die den<br />
Unternehmen in <strong>Innovation</strong>sprozessen zugrunde liegt: Ein <strong>Innovation</strong>sprozess<br />
hat zwar fest vorgegebene Zyklen und ein Produkt gilt mit der<br />
[44] Grupp, 1997: 140f<br />
[45] Vgl. INSM-<strong>Innovation</strong>smonitor, Die <strong>Innovation</strong>skraft Deutschlands im internationalen<br />
Vergleich, Jüngste Auflage: 2012<br />
[46] Janz: 2003: 81<br />
[47] Vgl. Janz, 2003: 81<br />
[48] Vgl. Hauschildt/Salomo, 2011: 338<br />
[49] Vgl. Hauschildt/Salomo, 2011: 346<br />
[50] Vgl. Hauschildt/Salomo, 2011: 343f<br />
18
Master-Thesis, Mayrhofer (2013)<br />
Markteinführung als sich nicht mehr im <strong>Innovation</strong>sprozess befindlich [51] ,<br />
dennoch ist bei einer geeigneten Messung über <strong>Innovation</strong>serfolg oder<br />
-chancen auch die Black Box zu beachten, die zwischen der Anfangsidee und<br />
der schließlichen Markteinführung steht. Der Erfolg entsteht nicht erst am<br />
Schluss dieses Prozesses. <strong>Innovation</strong>sprozesse sind komplexe Systeme [52] , die sich<br />
in ihrer Entstehung mehrmals erneuern müssen, um zu bestehen. Daher ist<br />
ebenfalls die Messung und Evaluierung von Teilprozessen von hoher<br />
Wichtigkeit [53] .<br />
„Das Entscheidungsverfahren im <strong>Innovation</strong>sprozess ähnelt […] dem<br />
vorsichtigen Vorantasten in dichtem Nebel: Das <strong>Innovation</strong>smanagement wird<br />
den nächsten Schritt nicht tun, wenn es nicht eine subjektive Gewissheit<br />
erlangt, noch <strong>auf</strong> dem richtigen Weg zu sein“ [54] . Ein <strong>Innovation</strong>smodell mit fix<br />
vorgegebenen Strukturen, kennt jedoch keine spontan aus der Struktur fallende<br />
Überprüfungen von Teilprozessen oder spontan notwendige gewordene<br />
subjektive Gewissheiten. Diese Möglichkeiten innerhalb eines <strong>Innovation</strong>ssystems<br />
ergeben sich nur bei der Perspektive dieses Systems als komplexes<br />
System, welches die Komplexitätstheorie bei der Messung als zusätzlichen<br />
erklärenden Faktor einbezieht. Die Natur von <strong>Innovation</strong> selbst hat sich mit<br />
der Zeit gewandelt. Es ist daher entscheidend, dass Messindikatoren dieser<br />
Entwicklung auch gerecht werden, da sie ansonsten <strong>Innovation</strong>ssysteme oder -<br />
prozesse im heutigen Sinne nicht mehr begreifen können. <strong>Innovation</strong>en sind<br />
kollektive Anstrengungen in einem globalen Markt. Sie müssen nicht mehr nur<br />
technisch, sondern können auch im nicht-technischen Bereich <strong>auf</strong>treten. Es gilt<br />
auch zu erwähnen, dass bei der Messung die existierenden statistischen<br />
Methoden in diesem Sinne auch oft falsch eingesetzt werden und die Ergebnisse<br />
verzerren können. [55]<br />
7 Komplexität<br />
Im L<strong>auf</strong>e eines Studium der Ökonomie muss sich ein/e Studierende/r für eine<br />
Vertiefung im mathematischen oder im angewandten, wirtschaftspolitischen<br />
Bereich entscheiden. Es stellt sich hier seit jeher die Frage, ob beides als<br />
Ökonomie verstanden werden kann und ob nicht jeweils bei einer Definition<br />
Teile der anderen fehlen oder ob der/die besagte Studierende durch die<br />
Entscheidung für die eine oder die andere Vertiefung nicht u.U. einen Teil der<br />
Wissenschaft auslässt. „Die Wirtschaftswissenschaft […] bietet sich der<br />
[51] Vgl. Koen et al., 2002: 6<br />
[52] Vgl. Embst, 2010: 1<br />
[53] Vgl. Hauschildt/Salomo, 2011: 338<br />
[54] Hauschildt, Salomo, 2011: 366<br />
[55] Vgl. Earl/Gault, 2006: 168<br />
19
Master-Thesis, Mayrhofer (2013)<br />
Mathematisierung […] an und feiert in der Vermeidung der großen zyklischen<br />
Krisen und in ‚maßgeschneiderter„ Konjunkturpolitik Triumphe, die an die<br />
Triumphe der Naturwissenschaft erinnern. Doch bleibt ihr Gegenstand, mit<br />
dem Auge des Naturwissenschaftlers betrachtet, fast hoffnungslos komplex“ [56] .<br />
Ist also nicht mathematisch formalisierte Wirtschaftswissenschaft begriffsimmanent<br />
komplex? Seit dem Ausbruch der Finanzkrise im Jahr 2008, die vor<br />
allem die Industrieländer stark in Mitleidenschaft zog, erleben wir weltweit<br />
verstärkte Diskussionen zum Thema ökonomische Theorie. Große<br />
Kreditinstitute und/oder Unternehmen sind systemrelevant geworden, also so<br />
stark im Marktsystem integriert, dass die volkswirtschaftlichen Kosten eines<br />
Verschwindens vom Markt die Rettung der betreffenden Institutionen<br />
übersteigen würden. Unser System scheint so komplex geworden zu sein, dass es<br />
sich als schwer kontrollierbar herausstellt. „Systemrelevante Finanzinstitute,<br />
kurz SIFIs, sind so groß, komplex, vernetzt, global tätig oder in der Art ihrer<br />
Geschäftstätigkeit so schwer ersetzbar, dass ihr Zusammenbruch das ganze<br />
Finanzsystem in Mitleidenschaft ziehen kann“ [57] , schreibt etwa die Deutsche<br />
Bank. Spätestens nach den Geschehnissen im Jahre 2008 sollte uns bewusst<br />
sein, wie komplex gesamtwirtschaftliche Zusammenhänge sind und wie sehr sich<br />
hier daher eine analytische Perspektive aus der Sicht der Komplexitätstheorie<br />
lohnt. Dies bezieht sich nicht nur <strong>auf</strong> volkswirtschaftliche Größen, sondern vor<br />
allem auch <strong>auf</strong> private Unternehmen oder <strong>Innovation</strong>sprozesse, da diese im<br />
<strong>Einfluss</strong>bereich vieler und komplexer Stakeholder-Netzwerke stehen und<br />
darüber hinaus in ihrer Summe für das Funktionieren einer Volkswirtschaft als<br />
Gesamtheit ausschlaggebend sind. Das Untersuchungsfeld ist also ein sehr<br />
breites, während die noch immer vorherrschende ökonomische Theorie der<br />
Neoklassik bei der Erklärung eigentlich komplexer Zusammenhänge <strong>auf</strong><br />
scheinbar zu einfache Mittel setzt. „Die Reversibilität, das damit beschworene<br />
zeitlose Phänomen, die Linearität, die mit einfachen Erklärungsmustern<br />
<strong>auf</strong>wartet und Störungen nur exogen erklären kann, stoßen an ihre Grenzen,<br />
wenn Ökonomie in Turbulenzen gerät […]“ [58] . Die prominenten wissenschaftlichen<br />
Methoden der vergangenen Jahrzehnte ging stets davon aus, dass<br />
lediglich die Reduktion von Dingen <strong>auf</strong> seine kleinsten Bestandteile einen<br />
Erkenntnisgewinn bringt [59] . Von einem Reduktionismus dieser Art ist man stets<br />
ausgegangen, da man sich der Vorstellung hingab und teils auch heute noch<br />
hingibt, dass sich „Komplexität aus einer unübersehbaren Vielfalt simpler<br />
Formen <strong>auf</strong>baut“ [60] . Komplexe Systeme jedoch setzen sich zwar sehr wohl aus<br />
Subsystemen und einzelnen simplen Bestandteilen zusammen, doch scheint es<br />
[56] Von Weizsäcker, 1974: 31<br />
[57] Weidmann, 2011: 3<br />
[58] Liening, 1999: 210<br />
[59] Vgl. Liening, 1999: 58<br />
[60] Liening, 1999: 58<br />
20
Master-Thesis, Mayrhofer (2013)<br />
bei weitem wichtiger zu sein, nicht nur <strong>auf</strong> die Summe der Bestandteile zu<br />
achten, sondern <strong>auf</strong> Knoten und Verknüpfungen, die sich durch Dynamisierung<br />
im System ergeben [61] . Kausalitäten zwischen Subsystemen sind unter dieser<br />
Perspektive nicht mehr länger linear erklärbar: „Linear systems respond to big<br />
changes in a big and proportionate manner and linear systems respond to small<br />
changes in an equally small and proportionate way. Most real life situations, on<br />
the other hand, are complex. Small changes in initial conditions, and later<br />
interventions of whatever size, can result in disproportionately large effects“ [62] .<br />
Unterschiedliche Anfangsbedingungen zweier Elemente können also genauso zu<br />
unterschiedlichen Ergebnissen führen, wie gleiche Anfangsbedingungen, wenn<br />
der Verl<strong>auf</strong> in anderer Form beeinflusst wird. Schließlich sollte die Kenntnis<br />
komplexer Zusammenhänge für Unternehmen auch einen Vorteil <strong>auf</strong> diversen<br />
Märkten bedeuten, da sie im Hintergrund l<strong>auf</strong>ende Prozesse tiefer verstehen<br />
können als mögliche Konkurrenten und sich mannigfaltiger <strong>auf</strong> Änderungen der<br />
Umgebung vorbereiten und einstellen können. Wie lässt sich der <strong>Einfluss</strong> von<br />
Komplexität bei der Beschreibung von Systemen wie dem <strong>Innovation</strong>ssystem<br />
nun beschreiben? Bedienen wir uns dazu des klassischen „Standing Ovation<br />
Problems“ von Miller/Page (2004). In einem Auditorium wird nach einer<br />
Vorstellung applaudiert und die Zuhörer/innen müssen sich die nicht einfache<br />
Frage stellen, ob sie <strong>auf</strong>stehen (Standing Ovations), wenn andere auch<br />
<strong>auf</strong>stehen. Lassen wir die Schwelle sein, ab der <strong>auf</strong>gestanden wird, weil die<br />
individuell wahrgenommene Qualität der Vorführung so hoch ist. In diesem<br />
kleinen Modell steht nun für ein Signal der Qualität der Vorführung; ist<br />
eine normalverteilte random-variable mit Mittelwert Null und einer<br />
Standardabweichung ; ist die Anzahl der Zuhörer/innen und ( ) ist das<br />
individuelle Signal, dass eine/r Zuhörer/in empfängt. <strong>Eine</strong> Person steht hier<br />
nur <strong>auf</strong>, wenn ( ) . Betrachten wir nun das Modell als Signalprozess<br />
( ) und fragen uns dann, was und über ( ) aussagen können,<br />
dann stellen wir fest, dass gewichtige <strong>Faktoren</strong>, wie etwa eine mögliche die<br />
„Welle“ der Aufsteher/innen nicht in das Modell einbezogen werden. Es könnte<br />
nun ein Parameter einbezogen werden, der für jenen Prozentsatz der Leute<br />
steht, die stehen müssen, damit ein Individuum unabhängig von seiner eigenen<br />
Wahrnehmung ebenfalls <strong>auf</strong>steht. Dieser Parameter beschreibt die Situation<br />
zwar nun etwas genauer, allerdings nicht vollständig. Wir wissen, dass Standing<br />
Ovations in der Praxis sich nicht immer an Schätzergebnisse eines solchen<br />
Modells halten. Es gibt bspw. sukzessive Aufstehwellen, die regionale<br />
Schwerpunkte im Publikumsraum bilden. Was in dieser Modellierung<br />
entscheidend wäre, ist also der <strong>Einfluss</strong> oder Eigenschaften komplexer Systeme<br />
[61] Vgl. Liening, 1999: 62<br />
[62] Rogers et al., 2005: 3<br />
21
Master-Thesis, Mayrhofer (2013)<br />
oder <strong>komplexitätsbezogener</strong> <strong>Faktoren</strong> [63] . Auch ein <strong>Innovation</strong>ssystem kann mit<br />
dem Standing Ovation Problem verglichen werden. Es finden hier ebenfalls<br />
subliminale Prozesse statt, die über Erfolg/Misserfolg oder die Performance des<br />
Systems und dessen Output entscheiden. Erkenntnisse der Komplexität nicht in<br />
die <strong>Innovation</strong>sanalyse miteinzubeziehen, hätte weitreichende Konsequenzen bei<br />
der Beschreibung der vor sich gehenden Prozesse. Wie kann die Komplexität<br />
eines Systems nun gemessen werden um Systeme untereinander vergleichen?<br />
Um unterschiedliche Auffassungen der Messung von Komplexität in der<br />
Literatur gegenüberzustellen, ziehen wir den Ansatz von Delorme (2010) heran.<br />
Er hat in seinem Buch „Deep Complexity and the Social Sciences” einen<br />
interessanten Vergleich für Messkonzepte von Komplexität unterschiedlicher<br />
Autoren dargestellt, in dem er einen gemeinsamen Nenner, einen Maßstab<br />
einführt, anhand dessen es möglich wird, unterschiedliche Messformen für<br />
Komplexität einander gegenüberzustellen. Er untersucht die folgenden<br />
Konzepte:<br />
Tab. 1: Autoren und Maße von Komplexität<br />
Autor(en)/Jahr Maß für Komplexität<br />
Ashby (1972) Quantity of information<br />
required to describe a system<br />
and compare it to two different<br />
operators<br />
Rosen/Casti (1977/94) Number of ways available to<br />
interact with a system<br />
Gell-Mann (1994) Length of the shortest program<br />
describing the regularities of a<br />
system<br />
Albin/Foley (1998) Richness of the language to<br />
describe a system<br />
Quelle: Delorme, 2010: 114ff<br />
Diese unterschiedlichen Messformen zeigen interessante Dimensionen komplexer<br />
Systeme. Die Frage, die sich bei seiner Gegenüberstellung stellt ist, ob sich der<br />
Grad an Komplexität eines Systems am besten messen lässt durch die Quantität<br />
an Information, die man zu dessen Beschreibung braucht; durch die Anzahl der<br />
Wege, durch die es möglich ist mit einem System zu interagieren; durch die<br />
Länge des kürzesten Programms (z.B. Computerprogramms), um die<br />
Gesetzmäßigkeiten eines Systems zu beschreiben oder durch die Reichhaltigkeit<br />
der Sprache, die notwendig ist, um ein System zu beschreiben? Um diese<br />
Messformen miteinander zu vergleichen und eine referenzielle Aussage machen<br />
[63] Vgl. Miller/Page, 2007: 10ff<br />
22
Master-Thesis, Mayrhofer (2013)<br />
zu können, führt Delorme (2010) einen quantitativen Maßstab (Threshold) ein,<br />
der sich <strong>auf</strong> die Reduzierbarkeit von Systemen bezieht. In Abb. 7 sind<br />
Schwankungen der Komplexität im Sinne der jeweiligen Messkonzepte der<br />
Autoren <strong>auf</strong> der Vertikalen abgetragen. Diese erhalten die folgende Notation:<br />
Ashby ( ), Gell-Mann ( ), Albin und Foley ( ), sowie ( ) als „inequivalent<br />
descriptions“ [64] von Rosen/Casti (1977/94). Das Ergebnis ist ein heuristisches<br />
und vergleicht die Konzepte anhand eines Maßstabs , der in<br />
Informationseinheiten misst. 1 bedeutet volle Reduzierbarkeit und ab 2 beginnt<br />
die Unreduzierbarkeit bis unendlich. hat drei Ausprägungen: und<br />
misst die Reduzierbarkeit: : total komplex, : mittel komplex und : nicht<br />
komplex. Die Eigenschaften für das Vergleichsmodell sind [65] :<br />
Durch diese Spezifikation der Reduzierbarkeit und der Einführung eines<br />
Maßstabs wird nach Delorme (2010) der Vergleich ermöglicht. „This treshold<br />
cannot but be based on an explicit recogniction of the actor‟s role. It is<br />
rendered possible through referring to a level of aspiration and to satisficing“ [66] .<br />
Für unser Vorhaben, den <strong>Einfluss</strong> <strong>komplexitätsbezogener</strong> <strong>Faktoren</strong> <strong>auf</strong> die<br />
Wahrscheinlichkeit von <strong>Innovation</strong> zu untersuchen, müssen wir die Komplexität<br />
zunächst an handfesten Merkmalen beschreiben, auch wenn eine solche<br />
begriffliche Abgrenzung der Komplexität per Definition zu widerstreben scheint.<br />
[64] „Two descriptions are inequivalent if they cannot be transformed one to the other by a<br />
simple relabelling of the variables used to formulate them“ (Delorme, 2010: 116)<br />
[65] Vgl. Delorme, 2010: 120ff<br />
[66] Delorme, 2010: 125<br />
23
Master-Thesis, Mayrhofer (2013)<br />
Tab. 2: Attribute von Komplexität lt. Embst und Simplifizierung<br />
Attribute lt. Embst Simplifizierung<br />
Die Zahl der Elemente eines Systems Vielzahl<br />
Divergenz zwischen Homogenität und<br />
Heterogenität<br />
Änderbarkeit der Eigenschaften von<br />
<strong>Einfluss</strong>nahme von Entwicklungen<br />
25<br />
Vielfalt<br />
Veränderlichkeit<br />
Die nicht-lineare Dynamik eines Systems Interaktion<br />
Vernetzung, Zirkularität i.<br />
Wechselwirkungen<br />
Quelle: Liening, 1999: 57f und eigene Darstellung<br />
Vieldeutigkeit<br />
Embst (2010) benennt aus den Konzepten der genannten Autoren eine<br />
Zusammenfassung der Indikatoren für Komplexität. Diese Indikatoren werden<br />
auch zum Aufbau eines komplexitätsbezogenen Faktors in dieser Thesis<br />
verwendet. Es werden zusätzlich die Ausprägungen definiert, die die<br />
Dimensionen von nicht-komplex bis komplex in den jeweiligen Indikatoren<br />
festlegen. Dies ist ein unabdingbarer Schritt, um die Indikatoren in weiterer<br />
Folge im Rahmen der Erhebung skalieren zu können. Schließlich ergeben sich<br />
damit die im folgenden Punkt dargestellten relevanten Indikatoren und<br />
Ausprägungen.<br />
7.1 Gewählte Indikatoren der Komplexität<br />
Tab. 3: Indikatoren und Ausprägungen der Komplexität lt. Embst<br />
Indikatoren von<br />
Komplexität<br />
Ausprägung<br />
Vielzahl Einzahl Mehrzahl<br />
Vielfalt Gleichartigkeit Verschiedenartigkeit<br />
Veränderlichkeit<br />
Statik Dynamik<br />
Interaktion Independenz Interdependenz<br />
Vieldeutigkeit Transparenz Intransparenz<br />
Quelle: vgl. Embst, 2010: 87<br />
Nicht komplex<br />
<strong>Eine</strong> zusätzliche Beschreibung der Ausprägungen von Tab. 3 ergibt lt. Embst<br />
(2010): Unter Vielzahl wird die Anzahl beteiligter Elemente, sowie deren<br />
Wechselwirkungen verstanden. Vielfalt meint Charaktermöglichkeiten unter<br />
den Elementen. Veränderlichkeit bezieht sich <strong>auf</strong> Statik oder Dynamik als<br />
komplex
Master-Thesis, Mayrhofer (2013)<br />
Extrempunkte im Sinne von Bezugnahmen der Elemente untereinander und<br />
deren kontinuierliche Veränderung. Interaktion meint eine maximale<br />
Bewegungsfreiheit eines Elements oder gegenseitige Abhängigkeit aller<br />
Elemente voneinander als Extrempunkte und Wechselbeziehungen.<br />
Vieldeutigkeit schließlich lässt sich mit dem Grad von Transparenz erklären [68] .<br />
Mit der Festlegung dieser Indikatoren für Komplexität ist der zweite Teil des zu<br />
erstellenden Komplexitätsfaktors für die Logit-Regression gefunden. Bevor die<br />
beiden Teile in Kapitel 9 systematisch miteinander kombiniert werden, werden<br />
im folgenden Kapitel 8 Gemeinsamkeiten von komplexen Systeme und<br />
<strong>Innovation</strong>sprozessen diskutiert und Regeln für eine Beurteilbarkeit festgelegt.<br />
8 Komplexe Systeme und <strong>Innovation</strong><br />
Ein komplexes System ist ein System, das von Komplexität beeinflusst wird.<br />
Komplexe Systeme können <strong>auf</strong>gefasst werden als dynamische Darstellungen, die<br />
eine gewisse Anzahl an dynamischen Verhaltensweisen zeigen, welche u.a. auch<br />
Unregelmäßigkeiten beinhalten [69] . Wir sehen also bereits in dieser Auffassung<br />
den nicht-linearen Charakter. Komplexe Systeme bestehen darüber hinaus aus<br />
mehr als der einfachen Summe seiner Teile, was die physikalischen<br />
Grundpfosten der letzten Jahrzehnte <strong>auf</strong> den Kopf zu stellen scheint. Diese<br />
neuere wissenschaftliche Welt ist nur mit neuen Modellen zu erklären,<br />
ansonsten bleibt sie dem/der Forscher/in verschlossen [70] . Für eine Annäherung<br />
an eine geeignete Definition eines komplexen Systems ist zunächst die Klärung<br />
des aus der Systemtheorie stammenden Systembegriffs selbst notwendig. Die<br />
Systemtheorie kann als eine allgemeine Theorie des Zusammenhangs zwischen<br />
Strukturen und Verhalten von Systemen verstanden werden [71] . „Ein System ist<br />
eine Menge von Elementen mit Attributen, die miteinander in Beziehung<br />
stehen, wobei unter Beibehaltung der Kohärenz ein System Bestandteil eines<br />
umfassenderen Systems sein kann“ [72] . Zu dieser Definition müssen zu einem<br />
System nun bestimmte weitere Attribute hinzugefügt werden, um als komplex<br />
zu gelten. Sie werden in Tab. 3 <strong>auf</strong>gezählt.<br />
Wie wir bereits festgestellt haben, gibt es viele unterschiedliche Arten, wie die<br />
Komplexität, die ein System in seiner Entwicklung beeinflusst, definiert werden<br />
kann. Jedenfalls ist zu klären, dass Komplexität nichts mit Kompliziertheit zu<br />
tun hat. Komplexität ist eine tiefgreifende Eigenschaft eines Systems,<br />
[68] Vgl. Embst, 2010: 88<br />
[69] Vgl. Nijkamp/Reggiani, 1998: 12<br />
[70] Vgl. Miller/Page, 2007: 41f<br />
[71] Vgl. Liening, 1999: 24<br />
[72] Liening, 1999: 54<br />
26
Komplexitätsgrad<br />
Master-Thesis, Mayrhofer (2013)<br />
wohingegen Kompliziertheit im Sinne von Komplikation keine Eigenschaft eines<br />
Systems darstellt [73] . <strong>Eine</strong> der fundamentalen Mechanismen, die ein komplexes<br />
System besitzt, ist die Instabilität, die sich manifestiert in Verzweigungen<br />
mannigfaltiger Zustände bis hin zum Chaos [74] . Auch Fisher (2009) spricht von<br />
der Grenze zum Chaos. Soziale Strukturen werden bei ihm nicht nur durch<br />
Individuen selbst (als die Elemente des Systems) verursacht, sondern auch<br />
durch alles was zwischen ihnen geschieht, wie etwa gegenseitige Abstoßung und<br />
Anziehung. Da wir in der Wirtschafts- und Sozialwissenschaft von der Analyse<br />
von vom Menschen beeinflussten komplexen Systemen ausgehen, müssen wir<br />
anerkennen, dass diese nicht so regulär erfassbar und beschreibbar sind, wie<br />
etwa Atome in Kristallen. Soziale Strukturen befinden sich an der Grenze zum<br />
Chaos (edge of chaos [75] ). Diese in der Literatur verwendete Beschreibung mag<br />
anfangs irreführend erscheinen und fälschlicherweise anzeigen, dass Strukturen<br />
komplexer Systeme stets an der Kippe zum Chaos stünden. Eigentlich jedoch<br />
stehen sie genau zwischen Ordnung und Chaos. Somit geht es bei der<br />
Beschreibung komplexer Systeme stark darum, die zu beschreibenden<br />
Strukturen in einem Grad zwischen Ordnung und Chaos zu sehen [76] . Der<br />
Komplexitätsgrad und das Maß, das sich daraus für die Beschreibung von<br />
Komplexität ergibt, macht das Phänomen der Komplexität schließlich<br />
interpretierbar. Abb.8 beschreibt ein Optimum dieses Maßes.<br />
Abb. 8: Komplexe (adaptive) Systeme zwischen Ordnung und Chaos<br />
1 A<br />
Ordnung Ordnungsgrad Chaos<br />
Quelle: Rogers et al., 2005: 12<br />
<strong>Eine</strong> Beschreibung, wie sie in Abb. 8 dargestellt ist, ist charakteristisch für<br />
komplexe Systeme und korrespondiert lt. Rogers et al. (2005) mit der Diffusion<br />
eines <strong>Innovation</strong>smodells aus Abb. 9. Die Verbindung dieser Charakteristika ist<br />
entscheidend für die Beurteilung einer komplexen Situation, also wie der<br />
[73] Vgl. Miller/Page, 2007: 9<br />
[74] Vgl. Nijkamp/Reggiani, 1998: 12<br />
[75] Vgl. Fisher, 2009: 3<br />
[76] Vgl. Fisher, 2009: 3<br />
2 A<br />
27<br />
3 A
Anzahl neuer Anwender<br />
Master-Thesis, Mayrhofer (2013)<br />
Komplexitätsgrad für das zu untersuchende System, in unserem Fall des<br />
<strong>Innovation</strong>ssystems, zu interpretieren und zu „beurteilen“ ist.<br />
1 B<br />
Abb. 9: Diffusion eines <strong>Innovation</strong>smodells<br />
Früh Art der Anwender Spät<br />
Quelle: Rogers et al., 2005: 12<br />
Rogers et al. (2005) verbindet die Phasen der Diffussion eines<br />
<strong>Innovation</strong>smodells, die durch die Anzahl und die Art der Anwender (der<br />
<strong>Innovation</strong>) beschrieben wird (Abb.8 ), mit der Beschreibung eines komplexen<br />
(adaptiven) Systems (Abb. 9), das durch seinen Komplexitäts- und<br />
Ordnungsgrad beschrieben wird. Rogers et al. (2005) kombiniert die beiden<br />
Modelle, da in beiden Fällen: „local interactions in networks lead to the<br />
emergence of global structures and behaviors at the next-higher level of<br />
organization [77] “. Er weist weiter dar<strong>auf</strong> hin, dass bei beiden Modellen die<br />
jeweiligen Netzwerke [78] ihr globales Verhalten trotz „individual turnover“ stets<br />
beibehalten [79] . Wie aus den beiden oben dargestellten Abbildungen 8 und 9<br />
ersichtlich wird, korrespondieren die beiden Kurven, d.h. die Punkte<br />
2 B<br />
. Die Form der Glockenkurven lassen dar<strong>auf</strong> schließen,<br />
dass es in diesen Prozessen nur einen einzigen Extremwert gibt, der ein<br />
Maximum darstellt. Wie sind die Punkte <strong>auf</strong> den Kurven des komplexen<br />
(adaptiven) Systems und des Diffusionsmodells nun gemeinsam zu<br />
interpretieren? In den ersten Punkten herrscht vollkommene Ordnung<br />
( ) und noch kein Anwender findet Zugang zu einer <strong>Innovation</strong> ( ). Mit der<br />
Lockerung der Ordnung in Richtung Chaos ( in Richtung ), nimmt auch<br />
die Anzahl der neuen Anwender und der risikoreichen Anwender einer<br />
<strong>Innovation</strong> zu, wobei aber zunächst die risikolosen Anwender in der Überzahl<br />
bleiben ( in Richtung ). Der Anstieg folgt bis zum zweiten Punkt, der als<br />
[77] Rogers et al., 2005: 11<br />
[78] Hinweis: „Netzwerk“ im Modell der komplexen (adaptiven) Systeme meint das Netzwerk<br />
an Individuen, ohne das es nicht bestehen könnte. „Netzwerk“ im <strong>Innovation</strong>sdiffussionsmodell<br />
meint das Netzwerk der Anwender einer <strong>Innovation</strong> (z.B. Kunden). (Vgl. Rogers et<br />
al., 2005: 10)<br />
[79] Vgl. Rogers et al., 2005: 10<br />
28<br />
3 B
Master-Thesis, Mayrhofer (2013)<br />
einziger Extremwert das Maximum in beiden Kurven darstellt, der dritte<br />
Punkt steht für Chaos ( ) und für keine weiteren Anwender ( ). In den<br />
Punkten liegt der schmale Grat zwischen Chaos und Ordnung ( ), an<br />
dem die meisten Anwender die <strong>Innovation</strong> annehmen und auch risikoreiche<br />
Anwender stabilisiert sind ( ). „This is the location of complexity where<br />
heterogeneity exists at the border of chaos - that area between simple systems<br />
and chaotic systems“ [80] . Die Verbindung der Abbildungen 8 und 9 hat<br />
interpretatives Potential: So ist es für Unternehmen unter dieser Perspektive<br />
das Ziel, den Gewinn zu maximieren und ein Maximum an Anwender zu<br />
gewinnen. Dazu ist für sie das Gleichgewicht zwischen Ordnung und Chaos, in<br />
Abb. 8 der Punkt und in Abb. 9 der Punkt , wo risikoreiche Anwender<br />
stabilisiert sind und ein Maximum an Anwendern herrscht, anzustreben. Jedes<br />
Abfallen links oder rechts vom Maximum, bedeutet eine Einbuße des<br />
Optimums (d.h. weniger Anwender der <strong>Innovation</strong> und entweder ein Abfallen<br />
in Richtung Ordnung oder Chaos). Mithilfe dieser Eigenschaften lassen sich im<br />
späteren Verl<strong>auf</strong> der Thesis komplexe Zustände in den <strong>Innovation</strong>ssystemen von<br />
Unternehmen und die Ergebnisse der Erhebung in geeigneter Art beurteilen.<br />
Nicht nur Rogers et al. (2005) erkennt die Mitte zwischen Ordnung und Chaos<br />
als stabilsten Punkt an. Auch Ebeling/Schweitzer (2007) erkennen diesen<br />
entscheidenden Punkt, in ihrer Analyse jedoch aus einer ästhetisch<br />
physikalischen Sich heraus. Sie verweisen zunächst <strong>auf</strong> Birkhoff (1932), der das<br />
„ästhetische Empfinden bei der Wahrnehmung von Objekten“ [81] in drei Größen<br />
unterteilt: Die Ordnung O, die Komplexität C und das ästhetische Maß M. Er<br />
bringt die Größen in den Zusammenhang . Die Ordnung, als „Gefühl<br />
des Gefallens am ästhetischen Objekt“ [82] , erhöht das Maß, wohingegen die<br />
Komplexität, als die „Zeichenmenge, aus der ein Objekt besteht“ [83] das Maß<br />
verringert. In weiterer Folge beschreibt Birkhoff (1932) mit Hilfe des<br />
physikalischen Begriffs der Entropie ein Maß für Komplexität. Die Entropie ist<br />
danach eine „Zustandsgröße, die in einem abgeschlossenen System solange<br />
ansteigt, bis der Maximalwert erreicht ist. Dieser Gleichgewichtswert entspricht<br />
einem Systemzustand mit der größten molekularen Unordnung. Der Abstand<br />
von diesem Gleichgewichtswert kann somit (für abgeschlossene Systeme) als ein<br />
Maß der im System vorhandenen Ordnung gesehen werden“ [84] . Mit Hilfe des<br />
Begriffs der Informationsentropie, als „ein Maß für die Unbestimmtheit in einem<br />
System“ [85] oder „ein Maß für die Information, die man benötigen würde, um den<br />
[80] Rogers et al., 2005: 17<br />
[81] Birkhoff (1932), In: Ebeling/Schweitzer, 2002: 47<br />
[82] Birkhoff (1932), In: Ebeling/Schweitzer, 2002: 47<br />
[83] Birkhoff (1932), In: Ebeling/Schweitzer, 2002: 47<br />
[84] Birkhoff (1932), In: Ebeling/Schweitzer, 2002: 47<br />
[85] Birkhoff (1932), In: Ebeling/Schweitzer, 2002: 48<br />
29
Master-Thesis, Mayrhofer (2013)<br />
Zustand des Systems vollständig zu beschreiben“ [86] , stellt er ein Maß für<br />
Komplexität her. Birkhoff (1932) nimmt also schließlich die Entropiedifferenz<br />
als Maß für Ordnung und die Informationsentropie als Maß für Komplexität. In<br />
Abb. 10 ergibt dies zwei Extrempunkte: Beim ersten, also bei Ordnung wird<br />
das Ordnungsmaß (Entropiedifferenz) maximal und das Komplexitätsmaß<br />
(Informationsentropie) minimal. Im Chaos ist der Zusammenhang genau<br />
umgekehrt [87] . A.A. Moles (1966) vergleicht die Ordnung als Banalität mit dem<br />
Chaos als Originalität und erkennt, dass dabei nur ein Maximum entstehen<br />
kann, welches genau in der Mitte der beiden Begriffe liegt, da in den beiden<br />
Extrempunkten der Informationsgehalt bei null liegt und es zwischen den Polen<br />
aber ein Mindestmaß an Strukturierung der Information gibt [88] (ebenfalls in<br />
Abb. 10 dargestellt). „Das Ästhetische, das Schöne findet sich <strong>auf</strong> der Grenze<br />
zwischen Ordnung und Chaos“ [89] .<br />
Abb. 10: Chaos und Ordnung nach Moles<br />
Informationsgehalt<br />
Ordnung<br />
„Banalität“<br />
Quelle: Moles, 1966, In: Ebeling/Schweitzer, 2002: 49<br />
9 Kombination CIS & Komplexität<br />
Da nun beide Bausteine für den gewünschten Regressionskoeffizienten<br />
Komplexität (Komplexitätsfaktor) bestehen, können diese verwoben werden.<br />
Dazu werden nun die gewählten Wirkungsbereiche eines <strong>Innovation</strong>ssystems<br />
mit den Indikatoren von Komplexität systematisch miteinander kombiniert. Für<br />
die systematische Kombination wird die wissenschaftliche Kreativitätsmethode<br />
der semantischen Intuition angewandt. Bei der semantischen Intuition werden<br />
zwei bisher nicht kombinierte Wörter zu einem Wort verbunden. Dadurch<br />
[86] Birkhoff (1932), In: Ebeling/Schweitzer, 2002: 48<br />
[87] Vgl. Birkhoff (1932), In: Ebeling/Schweitzer, 2002: 48<br />
[88] Vgl. Birkhoff (1932), In: Ebeling/Schweitzer, 2002: 49<br />
[89] Vgl. Birkhoff (1932), In: Ebeling/Schweitzer, 2002: 49<br />
30<br />
Chaos<br />
„Originalität“
Master-Thesis, Mayrhofer (2013)<br />
entstehen neue Vorstellungsbereiche, die zu neuen Ideen verschmelzen [90] und<br />
neuartige Dimensionen entstehen lassen. In unserem Fall werden die beiden<br />
oben erwähnten Bestandteile des Komplexitätsfaktors miteinander kombiniert,<br />
wie dies in Abb. 11 ersichtlich wird. Durch die 4 gewählten Wirkungsbereiche<br />
des unternehmerischen <strong>Innovation</strong>ssystems und die 5 Indikatoren für<br />
Komplexität ergeben sich bei multiplikativer Kombination insgesamt 20 (5x4)<br />
neue Dimensionen. Diese Dimension (z.B. Interaktion/Akteure oder<br />
Aktivitäten/ Vielfalt, etc.) können nun operationalisiert werden, indem sie<br />
ausformuliert werden. Es werden also die systematischen Kombinationen der<br />
semantischen Intuition operationalisiert und im Sinne der Erhebung<br />
ausformuliert. Embst (2010) nennt denselben Vorgang die Zusammenstellung<br />
von Statements, wobei sie Statements als Aussagen zu Situationsbeschreibungen<br />
definiert [91] . In der Form als Statements sind sie dann für den<br />
Einsatz im Fragebogen verwendbar. <strong>Eine</strong> Skalierung folgt im letzten Schritt.<br />
Diese Skalierung orientiert sich an den Ausprägungen der Indikatoren von<br />
Komplexität (vgl. Tab. 3), die durch die systematische Kombination ebenfalls<br />
<strong>auf</strong> die gewählten Wirkungsbereiche eines unternehmerischen <strong>Innovation</strong>ssystems,<br />
also <strong>auf</strong> die Kombination aus beiden Bestandteilen, angewandt<br />
werden. Durch die Verwendung der schon von Embst (2010) formulierten<br />
Ausprägungen werden so messbare Dimensionen erhebbar.<br />
Abb. 11: Kombination CIS & Komplexität<br />
Wirkungsbereiche<br />
<strong>Innovation</strong>ssystem<br />
Akteure<br />
Aktivitäten<br />
Ressourcen<br />
Institutionen<br />
Quelle: Eigene Darstellung aus Abb. 6 und Tab. 3<br />
[90] Vgl. Kannenberg, 2003: 15<br />
[91] Vgl. Embst, 2010: 80<br />
31<br />
Indikatoren<br />
Komplexität<br />
Vielzahl<br />
Vielfalt<br />
Veränder-<br />
lichkeit<br />
Interaktion<br />
Vieldeutig-<br />
keit
Master-Thesis, Mayrhofer (2013)<br />
Für jede Kombination wird nun eine geeignete Operationalisierung gesucht, um<br />
die Dimension in Unternehmen erhebbar zu machen (siehe Tab. 4). Die<br />
genauen Formulierungen wurden mit Hilfe eines Pre-Tests feingeschliffen. Es<br />
wird dar<strong>auf</strong> hingewiesen, dass die Dimensionen möglichst befragungsfreundlich<br />
und unternehmensbezogen formuliert wurden, daher klingt der Wortlaut für die<br />
Fragen, die sich aus den kombinierten Dimensionen ergeben, nicht immer<br />
wissenschaftlich. Für die Erstellung solcher neuen Dimensionen werden in der<br />
Literatur unterschiedliche Möglichkeiten und/oder Regeln genannt: Durch die<br />
Spezifikation von Konzepten und deren Operationalisierungen werden Begriffe,<br />
die zunächst abstrakt scheinen mögen, möglichst in eindeutig erfassbare und<br />
messbare Dimensionen konvertiert. [92] „In sozial- und wirtschaftswissenschaftlichen<br />
Theorien sind [...] viele verwendete Begriffe komplex, sie<br />
können mehrere unterschiedliche Bedeutungsdimensionen besitzen und, noch<br />
komplizierter, in der Regel nicht direkt erfassbar bzw. beobachtbar sein“ [93] .<br />
Schließlich verweist Paier (2010) <strong>auf</strong> einen essentiellen Punkt: „Entscheidend<br />
ist, dass im Zuge der Konzeptspezifikation die Mehrdimensionalität von<br />
abstrakten Begriffen durch Konkretisierung ihrer empirischen Bezüge <strong>auf</strong><br />
möglichst konkret beobachtbare Sachverhalte überwunden wird“ [94] .<br />
Tab. 4: Kombinationen und operationalisierte Fragen [95]<br />
Akteure/Vielzahl Wir haben ausreichend Mitarbeiter/innen im<br />
<strong>Innovation</strong>sbereich.<br />
Akteure/Vielfalt Unsere Mitarbeiter/innen wenden unterschiedliche<br />
Methoden an.<br />
Akteure/Veränderlichkeit Unsere Mitarbeiter/innen können sich rasch <strong>auf</strong><br />
neue Gegebenheiten einstellen.<br />
Akteure/Interaktion Unsere Mitarbeiter/innen haben große Gestaltungsfreiheit.<br />
Akteure/Vieldeutigkeit Jede/r Mitarbeiter /in bei uns kennt das<br />
größere Bild hinter seinen/ihren Aufgaben.<br />
Aktivitäten/Vielzahl Wir setzen ausreichend Aktivitäten, um <strong>Innovation</strong>en<br />
zu realisieren.<br />
Aktivitäten/Vielfalt Die Aktivitäten, die wir setzen um Inno-<br />
vationen zu starten, sind vielfältig.<br />
Aktivitäten/Veränder- Unsere <strong>Innovation</strong>saktivitäten passen sich rasch<br />
[92] Vgl. Paier, 2010: 51<br />
[93] Paier, 2010: 51<br />
[94] Paier, 2010: 53<br />
[95] Kombinationen nach Abb. 6 und Tab. 3 (wie in Abb. 11)<br />
32
Master-Thesis, Mayrhofer (2013)<br />
lichkeit an sich ändernde Gegebenheiten an.<br />
Aktivitäten/Interaktion Unsere <strong>Innovation</strong>saktivitäten richten sich<br />
insgesamt stark an Rahmenbedingungen aus.<br />
Aktivitäten/Vieldeutigkeit Die Ziele unserer <strong>Innovation</strong>saktivitäten sind<br />
stets allen Mitarbeiter/innen klar.<br />
Ressourcen/Vielzahl Wir haben ausreichend Know-How und Budget,<br />
um <strong>Innovation</strong>en zu starten.<br />
Ressourcen/Vielfalt Wir wenden im <strong>Innovation</strong>sbereich vielfältige<br />
Ressourcen/Veränder-<br />
lichkeit<br />
Finanzierungsformen und Kreativität an.<br />
Wir passen Know-How und Budget an geänderte<br />
Rahmenbedingungen rasch an.<br />
Ressourcen/Interaktion Rahmenbedingungen haben bei uns einen<br />
starken <strong>Einfluss</strong> <strong>auf</strong> die Strategie. [96]<br />
Ressourcen/Vieldeutigkeit Der Einsatz von Ressourcen (Budget, Wissen,<br />
etc.) ist für alle Mitarbeiter/innen nachvollziehbar.<br />
Institutionen/Vielzahl Bei uns gibt es viele Normen und Regeln, die<br />
den <strong>Innovation</strong>sprozess begleiten.<br />
Institutionen/Vielfalt Bei uns gibt es viele Ausnahmen der<br />
bestehenden Regeln und Normen.<br />
Institutionen/Veränderlichkeit<br />
Normen und Regeln können bei uns unbüro-<br />
kratisch geändert werden.<br />
Institutionen/Interaktion Im <strong>Innovation</strong>sbereich gelten bei uns dieselben<br />
Regeln und Normen, wie im Rest des<br />
Unternehmens.<br />
Institutionen/Vieldeutigkeit<br />
Quelle: Eigene Erstellung<br />
10 Empirische Analyse<br />
Alle Regeln und Normen sind für das ganze<br />
<strong>Innovation</strong>steam nachvollziehbar.<br />
In den vorangegangenen Kapiteln wurden Zielsetzung und Hypothese<br />
formuliert, sowie die entscheidenden <strong>Faktoren</strong> des unternehmerischen<br />
<strong>Innovation</strong>ssystems und der Komplexität beschrieben, diskutiert und<br />
kombiniert. Die nun folgende empirische Analyse untersucht in mehreren<br />
Schritten den <strong>Einfluss</strong> <strong>komplexitätsbezogener</strong> <strong>Faktoren</strong> <strong>auf</strong> die <strong>Innovation</strong>s-<br />
chancen österreichischer (Groß)unternehmen.<br />
[96] Hinweis: Da Know-How und Budget als Ressourcen für eine Strategie ursächlich sind.<br />
33
10.1 Datenverfügbarkeit<br />
Master-Thesis, Mayrhofer (2013)<br />
Wird nicht das Ziel verfolgt international vergleichbare <strong>Innovation</strong>sindikatoren<br />
anzufertigen, die dar<strong>auf</strong> abzielen in erster Linie volkswirtschaftlich relevante<br />
Größen untereinander zu vergleichen, für die die Datenverfügbarkeit zumeist<br />
eine gute ist [97] , sondern unternehmerische <strong>Innovation</strong>ssysteme für die<br />
Vergleichbarkeit konkreter Unternehmen zu analysieren, steht man vor dem<br />
Problem der primären Datengenerierung [98] . Man ist dar<strong>auf</strong> angewiesen, durch<br />
Unternehmensbefragungen <strong>auf</strong> freiwilliger Basis detaillierte Zahlenangaben zu<br />
generieren. <strong>Innovation</strong>en sind aber zumeist „strategisch wichtige Unternehmens-<br />
aktivitäten, die einem besonderen Geheimhaltungsbedürfnis unterliegen“ [99] . Für<br />
die Erhebung durch Befragung ist also ein geeigneter, geschützter und<br />
attraktiver Rahmen zu schaffen. Von der Generierung der Daten hängt<br />
schließlich der Gesamterfolg des Projektes ab. Für die geplanten statistischen<br />
Auswertungsmethoden ist eine Mindestzahl an Beobachtungen/Daten<br />
notwendig. In unserem Fall ist durch den Einsatz einer binären logistischen<br />
Regression (Logit) eine absolute Untergrenze von 50 Beobachtungen/<br />
Datenpunkte zur Durchführbarkeit notwendig [100] . Die Erhebung wird vom<br />
Akademischen Forum für Außenpolitik - Hochschulliga für die Vereinten<br />
Nationen (<strong>AFA</strong>) durchgeführt [101] .<br />
10.2 Untersuchungsdesign<br />
10.2.1 Zum Wesen komplexer <strong>Innovation</strong>suntersuchungen<br />
Ein Untersuchungs- oder Forschungsdesign ist wie das methodische<br />
Arrangement einer Studie oder Arbeit, es hat erhebliche Bedeutung für das<br />
Gelingen eines Forschungsprojektes. [102] Für ein Untersuchungsdesign in den<br />
Bereichen <strong>Innovation</strong> und Komplexität stellt sich zu allererst die Frage, welche<br />
Aussagen über Komplexität überhaupt möglich sind, wenn die angewandten<br />
statistischen Methoden die Komplexität bis zu einem gewissen Grade<br />
reduzieren, um sie kalkulierbar und berechenbar zu machen und damit<br />
eigentlich das Gegenteil von dem tun, was die Komplexität verlangt, nämlich<br />
keinen Reduktionismus anzuwenden [103] . Ebenso muss sich die <strong>Innovation</strong>s-<br />
ökonomik „die Frage gefallen lassen, was sie sich über die Feststellung<br />
[97] Vgl. bspw. diverse Datenbanken der OECD oder nationale <strong>Innovation</strong>sstatistiken<br />
[98] Vgl. Schwitalla, 1993: 99<br />
[99] Schwitalla, 1993: 99<br />
[100] Vgl. Fromm, 2005: 6<br />
[101] Zusätzlich veranstaltet das <strong>AFA</strong> weitere Veranstaltungen und Berichte zum Thema.<br />
[102] Vgl. Paier, 2010: 32<br />
[103] Vgl. Liening, 1999: 62<br />
34
Master-Thesis, Mayrhofer (2013)<br />
ökonometrischer Sachverhalte hinaus zutraut, wenn sie relevante, über die<br />
Daten hinausgehende Antworten geben will“ [104] . Zu dieser Frage stellt Grupp<br />
(1997) zunächst fest, dass es keine genauen und allgemeingültigen Argumente<br />
für die Messung von <strong>Innovation</strong> und Fortschritt gibt, egal aus welcher<br />
wissenschaftlichen Lehrmeinung [105] . „Dies stellt für die angewandte <strong>Innovation</strong>s-<br />
forschung das Problem dar, zu ungenügend ,zugerichteten‟ theoretischen<br />
Konstrukten passende Indikatoren konstruieren zu müssen” [106] . Grupp (1997)<br />
legt jedoch diese Verantwortung in die Hände des/der untersuchenden<br />
Wissenschaftler/in und beantwortet damit auch einen Teil der im Prinzip<br />
unbeantwortbaren Frage der statistischen Aussagefähigkeit bei der Analyse<br />
komplexer <strong>Innovation</strong>ssysteme. Er meint, dass ein wissenschaftliches<br />
Untersuchungsobjekt nicht von vornherein vorgegeben ist, sondern dass es die<br />
Aufgabe des/der Forscher/in ist, eine geeignete Konzeption zu finden, wie<br />
dieses Untersuchungsobjekt am besten zu messen ist. Es gibt dafür a priori<br />
keine vorgefertigten Konstrukte oder Konstruktionen [107] . Dieses Aufstellen einer<br />
geeigneten Konstruktion oder Messform hat daher für ihn “viele Qualitäten<br />
einer Erfindung” [108] . Diese wissenschaftliche Verantwortung in erfinderischer<br />
Art nach bestem Wissen und Gewissen alle notwendigen <strong>Faktoren</strong> für die<br />
Erklärung der <strong>Innovation</strong>schancen <strong>auf</strong>zunehmen, soll in weiterer Folge der<br />
wissenschaftliche Geist dieser Thesis sein. Auf die Erstellung und Konstruktion<br />
eines Komplexitätsfaktors, wie er hier als zusätzlicher erklärender Parameter<br />
eingesetzt wird, wurde bereits in den vorangegangenen Kapiteln eingegangen.<br />
10.2.2 Untersuchungsmethode<br />
Die Daten unterschiedlichen Ursprungs und Zwecks, die für die binäre<br />
logistische Regression benötigt werden, werden grundsätzlich über drei<br />
Methoden generiert: Gruppenrecherche („Kleingruppenprojekt“ [109] ), Datenbankrecherche<br />
& systematische Ableitungen und eine schriftliche Online-Befragung<br />
inklusive einer Non-Response Analyse. Zunächst zur ersten Methode: In einer<br />
Gruppenrecherche werden Inhalte im Beisein aller Gruppenmitglieder<br />
recherchiert, um <strong>auf</strong> diese Art Vorteile des Arbeitens in Gruppen nutzen zu<br />
können. Die Daten, die als Vektoren der folgenden Regressionsparameter<br />
eingesetzt werden, wurden im Rahmen solch einer Gruppenrecherche<br />
gemeinsam von 4 Personen innerhalb von 4 Werktagen recherchiert. Die<br />
Quellen für diese Informationen sind u.a. Geschäfts-/Jahres- und Nachhaltig-<br />
[104] Grupp, 1997: 37<br />
[105] Vgl. Grupp, 1997: 93<br />
[106] Grupp, 1997: 93<br />
[107] Vgl. Grupp, 1997: 38<br />
[108] Grupp, 1997: 38<br />
[109] Vgl. Konrad, 2004: 102ff<br />
35
Master-Thesis, Mayrhofer (2013)<br />
keitsberichte von Unternehmen, Firmenwebsites, sowie telefonische Auskünfte<br />
[110] . Die Regressionsparameter, für die die Daten im Rahmen der<br />
Gruppenrecherche generiert werden, sind:<br />
Forschungs- und Entwicklungs-Aufwendungen (F&E-Aufwendungen)<br />
Forschungs- und Entwicklungs-Personal (F&E-Personal)<br />
Unternehmensgröße (Gesamtbeschäftigtenanzahl)<br />
Exportleistung<br />
Zusätzlich wurden Ansprechpersonen für den <strong>Innovation</strong>sbereich in den zu<br />
untersuchenden Unternehmen und der volkswirtschaftliche Sektor, in den das<br />
zu untersuchende Unternehmen fällt (für die Ableitungen der F&E-<br />
Förderungen), recherchiert. Im Folgenden werden die einzelnen Variablen<br />
beschrieben, unterteilt in die drei Erhebungsmethoden: Gruppenrecherche,<br />
Datenbankenrecherche & systematische Ableitungen und schriftliche online<br />
Befragung.<br />
10.2.3 <strong>Faktoren</strong> für die Gruppenrecherche<br />
F&E-Aufwendungen<br />
Aufwendungen für Forschung und Entwicklung wurden primär über die<br />
Jahresabschlüsse, Geschäfts- und Nachhaltigkeitsberichte, Websites und<br />
telefonischen Auskünfte der Unternehmen generiert. F&E-Aufwendungen sind<br />
Prozentualwerte, gemessen am Gesamtumsatz eines Unternehmens. Hier<br />
wurde mit den letzten verfügbaren Daten und keinen Differenzen (etwa Zu-<br />
und Abnahmen im Vergleich zu Vorjahren) gerechnet. Da die<br />
Gruppenrecherche hier aber unzufriedene Ergebnisse lieferte, wurde die Höhe<br />
der F&E-Aufwendungen zusätzlich in die Erhebung <strong>auf</strong>genommen.<br />
F&E-Personal<br />
Das Personal des Forschungs- und Entwicklungsbereichs bezieht sich <strong>auf</strong> die<br />
absolute Zahl der Angestellten im F&E-Bereich eines Unternehmens. Auch<br />
hier wurde mit den letzten verfügbaren absoluten Werten und keinen<br />
Differenzen gerechnet. Dieser Faktor wurde ebenfalls zusätzlich in den<br />
Fragebogen übernommen.<br />
[110] Mitarbeiter/innen dieser Gruppenrecherche waren im April 2012: Jakob Hager, Anna<br />
Mikulan, Bsc.; Clemens Oberhofer, BSc. und Viktor Ludwig vom <strong>AFA</strong>.<br />
36
Unternehmensgröße<br />
Master-Thesis, Mayrhofer (2013)<br />
Die Unternehmensgröße bezieht sich <strong>auf</strong> den absoluten Wert der Gesamt-<br />
beschäftigten (Arbeiter/innen und Angestellten) eines zu untersuchenden<br />
österreichischen (Groß)unternehmens zum letzten verfügbaren Zeitpunkt.<br />
Exportleistung<br />
Die Exportleistung meint hier die Exportquote, gemessen am Gesamtumsatz<br />
eines Unternehmens, zum letzten verfügbaren Zeitpunkt. Gemeint sind<br />
Exporte in die gesamte Welt. Dieser Wert war schwer verfügbar und wurde<br />
daher ebenfalls in die Erhebung mit <strong>auf</strong>genommen.<br />
10.2.4 <strong>Faktoren</strong> für Datenbankrecherche und systematische<br />
Ableitungen<br />
Patente<br />
Patente meint hier die absolute Anzahl an Patentanmeldungen eines betreffenden<br />
Unternehmens (letzte verfügbare Information). Als Quellen wurden<br />
Patentdatenbanken genutzt, die über Suchalgorithmen die Häufigkeit der<br />
Patentanmeldungen in einem bestimmten Zeitraum ausweisen. Hier wurden<br />
Online-Daten der Europäischen Patentdatenbank (2012) [111] verwendet.<br />
Öffentliche F&E-Förderungen<br />
Öffentliche F&E-Förderungen werden vom Bundesministerium für Verkehr,<br />
<strong>Innovation</strong> und Technologie (BMVIT) vergeben und von der Österreichischen<br />
Forschungsförderungsgesellschaft (FFG) verwaltet. Da die Daten für<br />
Förderungen im F&E-Bereich für Unternehmen aus Datenschutzgründen <strong>auf</strong><br />
Unternehmensebene nicht verfügbar sind, war es notwendig die Daten<br />
selbstständig herzuleiten. Hierzu wurde jedes der untersuchten Unternehmen<br />
in einen volkswirtschaftlichen Sektor eingeteilt. Die Daten öffentlicher F&E-<br />
Förderungen für den privaten Sektor in Österreich sind nur sektorenspezifisch<br />
abrufbar. Die Gesamtfördersumme eines Sektors wurde durch die<br />
Gesamtbeschäftigung in diesem Sektor geteilt, was die Fördersumme pro<br />
sektoral Beschäftigten ergibt. Dieser Wert wurde mit der Beschäftigtenzahl<br />
eines zu untersuchenden Unternehmens (als Interpretation der Unternehmens-<br />
[111] Vgl. Europäische Patentdatenbank, 2012<br />
37
Master-Thesis, Mayrhofer (2013)<br />
größe) multipliziert und ergab so einen Näherungswert für die Förderung dieses<br />
Unternehmens. Bei der Konstruktion dieses Faktors muss allerdings angenommen<br />
werden, dass alle einbezogenen Unternehmen öffentliche Förderungen<br />
in Anspruch genommen haben, was nicht der Realität entsprechen muss. Es<br />
werden durch diesen Faktor in erster Linie sektorale Unterschiede in der<br />
Förderung von Unternehmen abgebildet. Hier wurde mit dem letzten<br />
verfügbaren Wert (2009) der Statistik Austria [112] gerechnet.<br />
10.2.5 <strong>Faktoren</strong> für die Befragung<br />
<strong>Innovation</strong>saktivität(en)<br />
Als abhängige Variable werden die <strong>Innovation</strong>schancen [113] gewählt. Um diese<br />
zu bestimmen, müssen die Unternehmen zunächst befragt werden, ob sie<br />
innovieren, d.h. ob sie im vergangenen Jahr <strong>Innovation</strong>saktivität(en)<br />
durchgeführt haben. Dabei gehen wir von der <strong>Innovation</strong>sdefinition der<br />
Statistik Austria aus dem Jahr 2012 aus: „Die Unternehmen haben entweder<br />
neue oder merklich verbesserte Produkte <strong>auf</strong> den Markt gebracht, neue oder<br />
merklich verbesserte Prozesse in ihrem Unternehmen eingeführt,<br />
organisatorische <strong>Innovation</strong>en oder Marketinginnovationen eingeführt oder<br />
zumindest <strong>Innovation</strong>saktivitäten durchgeführt, die <strong>auf</strong> die Einführung von<br />
Produkt- oder Prozessinnovationen abzielten“ [114] . Um die Definition von<br />
<strong>Innovation</strong>saktivität eng zu halten, damit nicht alle Unternehmen der<br />
Befragung <strong>auf</strong> die innovationsaktive (oder -passive) Seite fallen, wurden nur<br />
jene Unternehmen als innovationsaktiv definiert, die im Jahr 2011 von den<br />
drei <strong>Innovation</strong>sarten: Produkt-, Prozess- und organisatorische <strong>Innovation</strong>en/<br />
Marketinginnovationen zumindest zwei eingeführt/durchgeführt haben.<br />
F&E-Kooperationen<br />
Forschungs- und Entwicklungskooperationen beziehen sich <strong>auf</strong> Kooperationen,<br />
die ein gegebenes Unternehmen im <strong>Innovation</strong>sbereich in/seit dem Jahr 2011<br />
mit anderen Unternehmen hatte/hat. Da diese Angabe bei Unternehmen als<br />
sehr heikel gilt (Ergebnis des Pre-Tests), wurde hier nicht nach der absoluten<br />
Anzahl der Unternehmen, mit denen kooperiert wird, gefragt, sondern eine<br />
stufenweise Befragung durchgeführt. Die 4 Stufen sind: Das Unternehmen<br />
kooperiert: 1) mit sehr vielen Unternehmen, 2) mit vielen Unternehmen, 3) mit<br />
wenigen Unternehmen, 4) mit gar keinen Unternehmen.<br />
[112] Vgl. Statistik Austria, 2009<br />
[113] Hinweis: Gerechnet wird jedoch mit logarithmierten Odds als abhängige Variable. (siehe<br />
Gleichung 1.3 im Kaptiel 10.3 Modell)<br />
[114] Statistik Austria, 2012<br />
38
Master-Thesis, Mayrhofer (2013)<br />
10.2.6 Stichprobe, Größe und Zeitraum<br />
Die Erhebung wurde unter österreichischen (Groß)unternehmen durchgeführt.<br />
Dazu wurden sämtliche Firmen aus der zweijährlich durchgeführten<br />
Leitbetriebe-Studie des Industriewissenschaftlichen Instituts (IWI) in Wien,<br />
plus alle ATX-notierten Unternehmen in die Befragungsliste <strong>auf</strong>genommen. Die<br />
erwähnte Leitbetriebe-Studie beinhaltet eine gut gemischte Unternehmensliste<br />
und hat bei der letzten Durchführung insgesamt 106 Unternehmen befragt.<br />
Inklusive zusätzlicher ATX-Unternehmen wurde eine Liste von insgesamt 118<br />
Unternehmen [optional +2 weitere (Groß)unternehmen für Ausfälle], also 120<br />
Unternehmen erstellt. Für den Erhebungszeitraum wurde Mai und Juni 2012<br />
gewählt, noch vor Beginn der eigentlichen Sommerzeit, um die Response-<br />
Wahrscheinlichkeit nicht zu sehr zu gefährden. Dieser Zeitraum beinhaltet auch<br />
bereits die Durchführung der Non-Response-Analyse, die ab einem Monat nach<br />
dem Start der Erhebung durchgeführt wurde.<br />
Als Befragungsmethode wurde der Online-Fragebogen gewählt. „Online-<br />
Befragungen zählen zweifellos zu den günstigsten, effizientesten und auch - für<br />
die Befragungsteilnehmer/innen - attraktivsten Erhebungsformen. Zudem<br />
können innerhalb kurzer Zeit relativ große Fallzahlen erzielt werden“ [115] . Dazu<br />
wurde ein geeigneter Anbieter verwendet und die Fragen dort formuliert und<br />
hochgeladen. Im Ergebnis ergab sich eine Response-Rate von 45% (54<br />
Beantwortungen).<br />
10.3 Modell<br />
Zur Erklärung der <strong>Innovation</strong>schancen österreichischer (Groß)unternehmen<br />
wurde ein Logit-Modell gerechnet. De facto handelt es sich bei der logistischen<br />
Regression um die Erklärung einer binären Abhängigen durch erklärende<br />
Variablen. Ein Logit-Modell, wie es in Gleichung 1.3 dargestellt ist, basiert <strong>auf</strong><br />
der Idee der Odds (1.1). Dabei handelt es sich <strong>auf</strong> der ganz rechten Seite der<br />
Gleichung 1.2 um den Logarithmus der Ratio der Wahrscheinlichkeiten des<br />
Ereignisses und dessen Gegenwahrscheinlichkeit. Dieses Verhältnis<br />
wird als Odds tituliert, was einem Chancenverhältnis gleichkommt (Odds-<br />
Ratio). Wenn ( ) dann ( )<br />
39<br />
⁄ . Werden diese Odds<br />
durch Logarithmieren in Logits transformiert, können diese nun unendliche<br />
positive und negative Werte annehmen.<br />
[115] Paier, 2010: 99
Master-Thesis, Mayrhofer (2013)<br />
Wenn also die Wahrscheinlichkeit des Eintretens eines Ereignisses ,<br />
( ) ist und Gegenwahrscheinlichkeit, also das Nicht-Eintreten des<br />
Ereignisses , ( ) ist, erhalten wir formal bei der Division<br />
der Wahrscheinlichkeiten die Odds (1.1):<br />
( )<br />
( )<br />
( ( )) ( )<br />
( )<br />
Werden die Odds logarithmiert, erhalten wir das Logit (1.2):<br />
( ) ( ( )) ( )<br />
( )<br />
40<br />
(1.1)<br />
( )<br />
Dieses Logit kann nun in eine multivariate Regressionsgleichung eingesetzt<br />
werden und wir erhalten (1.3):<br />
( ( )<br />
( ) )<br />
Auflösen nach ( ) ergibt (1.4):<br />
mit<br />
und der Umformung:<br />
( )<br />
( ) ( )<br />
wobei in der Literatur als Effekt-Koeffizient bezeichnet wird [116] . Dieser spielt<br />
bei der Interpretation der Ergebnisse der Logit-Regression eine erhebliche Rolle.<br />
[116] Vgl. z.B. Diaz-Bone/Künemund, 2003: 8<br />
(1.2)<br />
(1.3)<br />
(1.4)<br />
(1.5)
Master-Thesis, Mayrhofer (2013)<br />
Für eine standardisierte logistische Funktion<br />
Kurve, wie in Abb. 12:<br />
Abb. 12: Standardisierte logistische Funktion<br />
1.0<br />
0.0<br />
Quelle: Fromm, 2005: 7<br />
41<br />
ergibt sich eine S-förmige<br />
Besonders zu berücksichtigen ist in einer binären Logit-Regression, dass der<br />
Störterm nicht wie bei einer linearen Regression oder wie bei einer Probit-<br />
Regression normalverteilt ist, sondern Gumbel-verteilt. <strong>Eine</strong> Gumbel-Verteilung<br />
hat die Dichtefunktion (bei Skalierungsparameter und Lageparameter )<br />
(1.6):<br />
Der Erwartungswert ist<br />
( )<br />
( )<br />
( )<br />
(1.6)<br />
wobei γ die Euler-Mascheroni Konstante<br />
darstellt, mit einem Wert von ≈ 0,577 [117] . Die Varianz des Fehlerterms ist<br />
Werden die Variablen im Logit-Modell als alternativenspezifische Variablen<br />
bezeichnet dann kann jeder unabhängigen Variable ein eigenes (spezifisches)<br />
Regressionsgewicht zugeordnet werden. Damit können die Regressionskonstanten<br />
als Koeffizienten von alternativenspezifischen Variablen mit dem<br />
konstanten Wert Eins interpretiert werden. Dies sind die alternativenspezifischen<br />
Konstanten. Sie geben die Wahrscheinlichkeitsverteilungen der<br />
abhängigen Variablen wieder, wenn alle übrigen und alternativenspezifischen<br />
Variablen den Wert Null <strong>auf</strong>weisen. [118]<br />
In der hier durchgeführten Logit-Schätzung wird eine iterative Methode<br />
angewandt um durch die Maximierung der Maximum-Likelihood (ML)-<br />
Funktion die optimierenden Parameterwerte zu erhalten.<br />
[117] Vgl. Maier/Weiss, 1990: 135<br />
[118] Vgl. Andreß/Hagenaars/Kühnel, 1997: 310<br />
0.0
10.3.1 Regressionsanalyse<br />
Master-Thesis, Mayrhofer (2013)<br />
Anhand unserer Vorarbeiten und der Definitionen der geeigneten <strong>Faktoren</strong>,<br />
kann nun ein Modell zur statistischen Auswertung des <strong>Einfluss</strong>es aller<br />
unabhängigen Variablen <strong>auf</strong> die binäre abhängige Variable erstellt werden. Die<br />
Auswahl der sich im Modell befindlichen <strong>Faktoren</strong>, Parameter und Indikatoren,<br />
die zur Erklärung der <strong>Innovation</strong>schancen beitragen, sind jene, die am<br />
häufigsten in der <strong>Innovation</strong>sliteratur verwendet werden, dennoch „muss<br />
festgestellt werden, dass Messungen nur selten vollständig theoretisch begründet<br />
sind, und zwar meistens deshalb, weil für das Indikatorenuniversum eine<br />
erschöpfende inhaltliche Begründung nicht gegeben ist (bzw. gegeben werden<br />
kann)“ [119] . Dies gilt insbesondere für die Bereiche Komplexität und <strong>Innovation</strong>.<br />
Dem Logit-Konzept folgend, als das „wohl am häufigsten angewandte<br />
multinominale Entscheidungsmodell“ [120] , wird in dieser Thesis das folgende<br />
binäre Modell gerechnet (2.1):<br />
wobei: ( ( )<br />
( ) )<br />
beschreibt eine <strong>Innovation</strong> und beschreibt keine <strong>Innovation</strong> der<br />
untersuchten Unternehmen. Definition siehe oben.<br />
K i ist eine Matrix, mit 5 Vektoren aus den Kombinationen der<br />
Wirkungsbereiche eines <strong>Innovation</strong>ssystems mit den Indikatoren von<br />
Komplexität (=Komplexitätsfaktoren). Die 5 Vektoren sind die aggregierten<br />
Werte für Vielzahl, Vielfalt, Veränderlichkeit, Interaktion und Vieldeutigkeit<br />
( ). sind die dazugehörigen Koeffizienten ( ). Zur besseren<br />
Darstellung hier das Modell in Matrix-Schreibweise (2.2):<br />
( )<br />
Bei Ausschreibung der Matrizen folgt (2.3):<br />
[119] Paier, 2010: 55<br />
[120] Maier/Weiss, 1990: 135<br />
42<br />
(<br />
)<br />
(2.1)<br />
(2.2)
(<br />
) (<br />
Master-Thesis, Mayrhofer (2013)<br />
(<br />
Die Beschreibung aller Parameter und Koeffizienten folgt in Tab. 5:<br />
43<br />
) (<br />
Tab. 5: Legende für die logistische Regression<br />
<strong>Innovation</strong>sodds<br />
Alternativen spezifische Konstante<br />
Koeffizient für FEA<br />
F&E-Aufwendungen<br />
Koeffizient für Pa<br />
Patente<br />
Quelle: Eigene Erstellung<br />
Koeffizient für FEK<br />
F&E-Kooperationen<br />
Koeffizient für FEP<br />
F&E-Personal<br />
Koeffizient für UG<br />
Unternehmensgröße<br />
Koeffizient für FOR<br />
Öffentliche Förderungen<br />
Koeffizienten für<br />
Komplexitätsfaktoren (Vektoren)<br />
Störterm (i.i.d. ~ Gumbel)<br />
)<br />
) (<br />
)<br />
(2.3)
11 Ergebnisse<br />
11.1 Deskriptive Statistiken<br />
Master-Thesis, Mayrhofer (2013)<br />
Das folgende Kapitel beschreibt die Ergebnisse der Erhebung, die im Mai und<br />
Juni 2012 vom <strong>AFA</strong> [121] durchgeführt wurde und die Daten für die spätere<br />
Regression lieferte. Vor allem die deskriptiven Beschreibungen der<br />
komplexitätsbezogenen <strong>Faktoren</strong> im hinteren Teil dieses Abschnitts sind in<br />
dieser Arbeit entscheidend für einen neuartigen Forschungsbeitrag.<br />
9000000<br />
8000000<br />
7000000<br />
6000000<br />
5000000<br />
4000000<br />
3000000<br />
2000000<br />
1000000<br />
0<br />
Quelle: eigene Erhebung<br />
Abb. 13: Deskr. Statistik: Förderungen<br />
0 10 20 30 40 50 60<br />
Die deskriptive Auswertung der Förderungshöhen lässt den Schluss zu, dass<br />
bestimmte Branchen stärker gefördert werden als andere. Nicht nur die größten<br />
Unternehmen erhalten, in Relation gesetzt, die höchsten Förderbeträge. Auch<br />
bei kleineren Unternehmen gibt es Unterschiede, die erwartungsgemäß <strong>auf</strong> die<br />
unterschiedlichen Förderhöhen in unterschiedlichen Sektoren zurück zu führen<br />
sind. In der Berechnung dieses Faktors wurden die Förderquoten nach<br />
Wirtschaftszweigen/-sektoren zunächst heruntergebrochen <strong>auf</strong> eine Einheit, also<br />
einen Beschäftigten im betreffenden Wirtschaftszweig [122] . Dieser Wert, also die<br />
Förderquote pro sektoral Beschäftigten, wurde schließlich um die<br />
Unternehmensgröße gewichtet. Dies implizierte bei der Berechnung, dass alle<br />
der einbezogenen Unternehmen öffentliche Förderungen beziehen. Der Faktor<br />
zeigt uns nicht mehr als einen Näherungswert, der die öffentliche Förder-<br />
struktur in Österreich mit den Unternehmensgrößen verbindet. Der Plot (Abb.<br />
[121] Akademisches Forum für Außenpolitik – Hochschulliga für die Vereinten Nationen (<strong>AFA</strong>)<br />
[122] Hinweis: Als Klassifizierung der Wirtschaftszweige wurde der ÖNACE 2008 Code<br />
verwendet. Sowohl für Daten der Beschäftigen pro Wirtschaftszweig nach ÖNACE 2008, als<br />
auch der Förderquoten nach ÖNACE 2008 wurden die aktuellsten Daten der Statistik<br />
Austria herangezogen.<br />
44<br />
Förderungen:<br />
Deskr. Statistik<br />
Min. : 0<br />
1st Qu. : 41.404<br />
Median : 228.390<br />
Mean : 1.047.177<br />
3rd Qu. : 1.613.481<br />
Max. : 7.913.362
Master-Thesis, Mayrhofer (2013)<br />
13) zeigt uns, dass der Großteil der Förderungen im unteren Bereich liegt und<br />
nur einige wenige Unternehmen in den Genuss von hohen Förderungen<br />
kommen. Dies mag u.a. durch die KMU-Struktur der österreichischen<br />
Wirtschaft erklärt werden. Auch bei dieser Studie, die sich zwar <strong>auf</strong><br />
Großunternehmen fokussiert, wurden mittlere Unternehmen mit in das Sample<br />
einbezogen, solange sie in die Definition der Leitbetriebe fallen. Dies ist<br />
dadurch zustande gekommen, da viele internationale und große Unternehmen<br />
in Österreich nur mittlere Tochterunternehmen betreiben. Im österreichischen<br />
Unternehmenssektor wurden für die „Finanzierung der Ausgaben für Forschung<br />
und experimentelle Entwicklung (F&E) 2009“ vom öffentlichen Sektor<br />
insgesamt 560.282.000 € ausgegeben, die als Förderungen interpretiert werden<br />
können [123] .<br />
Abb. 14: Deskr. Statistik: Patente<br />
1000<br />
900<br />
800<br />
700<br />
600<br />
500<br />
Unternehmensgröße<br />
400<br />
300<br />
200<br />
100<br />
0<br />
0 10 20 30 40 50 60<br />
Quelle: eigene Erhebung<br />
Ähnlich dem Plot der Förderungen, sind die Ergebnisse der Patente zu<br />
interpretieren. Sowohl bei Abb. 13 der Förderungen, als auch in diesem Fall<br />
(Abb. 14), liegt der Median erheblich unter dem Mittelwert, was <strong>auf</strong> eine<br />
Verteilung schließen lässt, die sich stark am unteren Feld orientiert. Der Plot<br />
(Abb. 14) zeigt, dass ein großer Teil der Unternehmen eher wenig bis keine<br />
Patente angemeldet hat. Die Quelle ist hier die Europäische Patentdatenbank.<br />
Es muss allerdings erwähnt werden, dass bei firmenbezogenen Recherchen<br />
manche Patente doppelt ausgegeben werden, wenn sie in verschiedenen Ländern<br />
angemeldet wurden. Es kann nicht gänzlich sichergestellt werden, dass hier die<br />
Anzahl der entsprechenden firmenbezogenen Patentanmeldungen mit der<br />
Realität übereinstimmt, sondern tendenziell darüber liegen könnte. Um dies<br />
auszugleichen wurden bei der Recherche soweit es möglich war länderbezogene<br />
[123] Vgl. Statistik Austria, 2009: 1<br />
45<br />
Patente:<br />
Deskr. Statistik<br />
Min. : 0,0<br />
1st Qu. : 4,0<br />
Median : 33,0<br />
Mean : 145,9<br />
3rd Qu. : 228,0<br />
Max. : 936,0
Master-Thesis, Mayrhofer (2013)<br />
Recherchen verwendet, was durch den Umstand erschwert wurde, dass<br />
innerhalb der EU die Patente häufig kontinentweit angemeldet werden. In<br />
diesem Fall lassen sich die Anmeldungen nur sehr schwer <strong>auf</strong> einzelne Länder<br />
beziehen.<br />
90.000<br />
80.000<br />
70.000<br />
60.000<br />
50.000<br />
40.000<br />
30.000<br />
20.000<br />
10.000<br />
0<br />
Quelle: eigene Erhebung<br />
Abb. 15: Deskr. Statistik: Unternehmensgröße<br />
0 10 20 30 40 50 60<br />
Die deskriptive Statistik der Unternehmensgröße der untersuchten<br />
Unternehmen zeigt die größte Differenz zwischen Maximum und Median. Das<br />
unterstreicht u.U. wieder die Struktur der österreichischen Wirtschaft, die stark<br />
<strong>auf</strong> mittleren und kleineren Unternehmen <strong>auf</strong>gebaut ist. Es ist weiter zu<br />
erwähnen, dass viele dieser Unternehmen Töchter oder Landesvertretungen<br />
internationaler Konzerne sind. Die größten Unternehmen in diesem Plot sind<br />
international agierende, österreichische Unternehmen, da in diesem Fall die<br />
Gesamtgröße dieser Betriebe in die Berechnung mit <strong>auf</strong>genommen wurde. Dies<br />
ist deshalb möglich, da es sich bei dem Parameter Unternehmensgröße um<br />
tatsächlich österreichische Unternehmen handelt. Das Maß der Unternehmens-<br />
größe ist hier die Gesamtbeschäftigtenanzahl. Wichtig ist dabei die Gesamt-<br />
beschäftigten eines Unternehmens innerhalb Österreichs von den Gesamt-<br />
beschäftigten österreichischer Unternehmen zu unterschieden. In dieser<br />
Untersuchung wird das zweite Konzept angewandt. Dies bringt es auch mit<br />
sich, dass international agierende Betriebe, die in Österreich eine im Vergleich<br />
zur Gesamtgröße des betreffenden Unternehmens kleine Ländervertretung oder<br />
ein Tochterunternehmen unter selben Namen betreiben, auch im Datensatz der<br />
Unternehmensgröße als klein gewertet werden, obwohl das Mutterunternehmen<br />
u.U. hochgradig innovativ ist. Betreibt z.B. ein internationaler Großkonzern in<br />
Österreich nur seinen Vertrieb im Rahmen einer eigenen Rechtsform, so zählt<br />
nur dieses Team des Vertriebs als österreichisches Unternehmen. Wird dieser<br />
Vertriebsprozess u.U. innovativ gestaltet, ergibt sich das Gegenteil des<br />
46<br />
Unternehmensgröße:<br />
Deskr. Statistik<br />
Min. : 230,0<br />
1st Qu. : 562,5<br />
Median : 1.459,5<br />
Mean : 6.332,7<br />
3rd Qu. : 3.949,5<br />
Max. : 76.900,0
Master-Thesis, Mayrhofer (2013)<br />
erwarteten Zusammenhangs: Kleine Unternehmen scheinen plötzlich hochgradig<br />
innovativ.<br />
12,00<br />
10,00<br />
8,00<br />
6,00<br />
4,00<br />
2,00<br />
0,00<br />
Quelle: eigene Erhebung<br />
Abb. 16: Deskr. Statistik: F&E-Aufwendungen<br />
0 10 20 30 40 50 60<br />
F&E-Aufwendungen zählen in der Literatur zu den wichtigsten<br />
Erklärungsfaktoren für <strong>Innovation</strong>. Die F&E-Aufwendungen im Plot (Abb. 16)<br />
sind prozentuelle Werte, gemessen am Gesamtumsatz der Unternehmen. Die<br />
Verteilung der Datenpunkte gestaltet sich im Vergleich zu den beiden<br />
vorhergehenden Statistiken gleichmäßiger. Zwar wenden einige Unternehmen<br />
keine Mittel für F&E <strong>auf</strong>, die Anzahl jener jedoch, die in Forschung und<br />
Entwicklung investieren, überwiegt. Wenn die Verteilung der Datenpunkte<br />
gleichverteilter ist, als jene der Unternehmensgröße oder jene der Förderungen,<br />
würde dies dafür sprechen, dass nicht nur die größten und förderungsstärksten<br />
Unternehmen in das eigene F&E investieren, sondern weitere Einflüsse dafür<br />
entscheidend sind, die im Rahmen dieser Arbeit aber nicht identifiziert werden<br />
können. In Österreich wurden im Unternehmenssektor von den Unternehmen<br />
selbst insgesamt im Rahmen der „Ausgaben für F&E 2009“ 5.092.902.000 € für<br />
interne F&E Ausgaben ausgegeben [124] .<br />
[124] Vgl. Statistik Austria, 2009: 1<br />
47<br />
F&E-Aufwendungen:<br />
Deskr. Statistik<br />
Min. : 0,00<br />
1st Qu. : 0,10<br />
Median : 1,00<br />
Mean : 2,24<br />
3rd Qu. : 3.45<br />
Max. : 10,00
800<br />
700<br />
600<br />
500<br />
400<br />
300<br />
200<br />
100<br />
0<br />
Quelle: eigene Erhebung<br />
Master-Thesis, Mayrhofer (2013)<br />
Abb. 17: Deskr. Statistik: F&E-Beschäftigte<br />
0 10 20 30 40 50 60<br />
Bei den F&E-Beschäftigten tritt ein ähnliches Phänomen wie bei der<br />
Unternehmensgröße <strong>auf</strong>. Bei der Erhebung stellte sich für die Befragten die<br />
Zurechnung der F&E-Beschäftigten als oft schwierig heraus. Welche F&E-<br />
Beschäftigen für eine österreichische Ländervertretung zugerechnet werden<br />
sollen und ob eine ausländisches F&E-Abteilung auch für die Arbeit in<br />
Österreich relevant ist, stellten hier Problemfelder dar. Auch sieht ein<br />
<strong>Innovation</strong>ssystem in jedem Unternehmen anders aus. Diese Probleme kommen<br />
somit aus den internen Strukturen der untersuchten Unternehmen und konnten<br />
beinahe nicht verhindert werden, was u.U. eine mögliche Erklärung für die<br />
Insignifikanz des Parameters in der später folgenden Logit-Regression sein<br />
könnte. Die Anzahl der F&E-Beschäftigten im österreichischen Unternehmens-<br />
sektor beträgt im Rahmen der „Beschäftigten in Forschung und experimenteller<br />
Entwicklung (F&E) 2002-2009“ im Jahr 2009 insgesamt 38.302,9 € und stieg<br />
seit 2002 von 26.727,5 € um 43,31% [125] . Der größte Teil der F&E-Beschäftigten<br />
findet sich dabei traditionell im Wirtschaftszweig Herstellung von Waren [126]<br />
und hier in den Bereichen Elektrische Ausrüstungen und Maschinenbau. Auch<br />
im Bereich der Dienstleistungen [127] sind viele F&E-Beschäftigte tätig, hier vor<br />
allem in den Bereichen „Sonstige Forschung und Entwicklung im Bereich<br />
Natur-, Ingenieur-, Agrarwissenschaften und Medizin“ und „Architektur- und<br />
Ingenieurbüros; technische, physikalische und chemische Untersuchung“ [128] .<br />
[125] Vgl. Statistik Austria, 2009: 1<br />
[126] ÖNACE Code 10-33<br />
[127] ÖNACE Code 45-96<br />
[128] Vgl. Statistik Austria, 2009: 1<br />
48<br />
F&E-Beschäftigte:<br />
Deskr. Statistik<br />
Min. : 0.00<br />
1st Qu. : 4.25<br />
Median : 25.50<br />
Mean : 77.30<br />
3rd Qu. : 68.75<br />
Max. : 687.00
Master-Thesis, Mayrhofer (2013)<br />
Abb. 18: Diagramm: F&E-Kooperationen<br />
Quelle: eigene Erhebung<br />
Bei der Erhebung wurden auch die Tendenzen in Bezug <strong>auf</strong> die Kooperationen<br />
erhoben, die ein Unternehmen im F&E-Bereich mit anderen Unternehmen<br />
unterhält. Da die absolute Anzahl zu erheben, von den befragten Unternehmen<br />
die Preisgabe von zu sensiblen Daten bedeutet hätte (Ergebnis des Pre-Tests)<br />
wurden Kooperationsstufen erhoben. Diese gingen von der Kooperation „mit<br />
gar keinen Unternehmen“ bis hin zur Kooperation „mit sehr vielen<br />
Unternehmen“ (siehe oben). Abb. 18 zeigt ein eindeutiges Ergebnis. Deutlich<br />
über die Hälfte der Befragten Unternehmen, 57,4% gaben an, mit wenigen<br />
Unternehmen zu kooperieren. Mit vielen Unternehmen kooperiert knapp ein<br />
Viertel. Mit sehr vielen kooperiert etwas mehr als ein Zehntel (11.1%). Nur<br />
5,5% geben an mit gar keinen Unternehmen im F&E-Bereich zu kooperieren.<br />
Jedenfalls lässt dieses Ergebnis dar<strong>auf</strong> schließen, dass F&E-Kooperationen in<br />
Österreich eine nicht zu unterschätzende Rolle spielen. Daten für die Industrie<br />
Deutschlands zumindest sprechen davon, dass 31,5% bzw. 29,4% der<br />
Industrieunternehmen F&E-Kooperationen unterhalten. Je größer darüber<br />
hinaus ein Industrieunternehmen in Deutschland ist, desto eher tendiert es<br />
dazu im F&E-Bereich mit anderen Unternehmen zu kooperieren [129] .<br />
[129] Vgl. BDI, 2005: 29ff<br />
49<br />
Mit gar keinen<br />
Unternehmen<br />
(5,5%)<br />
Mit sehr vielen<br />
Unternehmen<br />
(11,1%)<br />
Mit vielen Unternehmen<br />
(25,9%)<br />
Mit wenigen Unternehmen<br />
(57,4%)
18<br />
16<br />
14<br />
12<br />
10<br />
8<br />
6<br />
4<br />
2<br />
0<br />
Quelle: eigene Erhebung<br />
Master-Thesis, Mayrhofer (2013)<br />
Abb. 19: Deskr. Statistik: Standort<br />
W OOE NOE BGL SBG V ST K T<br />
Die Auswahl der Unternehmen orientierte sich von Beginn der Konzeption an<br />
<strong>auf</strong> ganz Österreich. Leitbetriebe finden sich im gesamten Bundesgebiet in<br />
unterschiedlichen Ausprägungen bezüglich Gesamtwertschöpfung, Größe, etc..<br />
So ist das Bruttoregionalprodukt 2009 je Einwohner in Wien mit 42.600 € am<br />
höchsten und im Burgenland mit 22.200 € (52,11% vom Wert Wiens) am<br />
niedrigsten [130] . Die Forschungsquote 2009 ist jedoch in der Steiermark mit<br />
4,32% die höchste in Österreich, Schlusslicht ist auch hier das Burgenland mit<br />
0,71% [131] . Die Verteilung, die sich aus den Ergebnissen der hier durchgeführten<br />
Erhebung ergeben hat, ist stark Wien-lastig, was zu einem dementsprechenden<br />
geografischen Bias führt. Das Diagramm in Abb. 19 und die dazugehörende<br />
Tab. 6 zeigen, dass Wien bei den Unternehmen, welche die Erhebung<br />
beantworteten mit 31,48% den höchsten Wert <strong>auf</strong>weist. Es folgen<br />
Oberösterreich und Niederösterreich mit 9 und 7 Unternehmen. Salzburg,<br />
Steiermark und Kärnten konnten nur mit 5 bzw. 6 Unternehmen in die<br />
Erhebung <strong>auf</strong>genommen werden, Tirol, Vorarlberg und das Burgenland gar nur<br />
mit 1 bzw. 2 Unternehmen (Tab. 6). Diese Werte ergaben sich zufällig aus allen<br />
angefragten Unternehmen. Es ist interessant, dass Wien einen so deutlichen<br />
Vorsprung zeigt, da selbst die Non-Response Analyse mit allen relevanten<br />
Unternehmen in ganz Österreich durchgeführt wurde. Dennoch muss dabei auch<br />
fairerweise erwähnt werden, dass in der Liste der Leitbetriebe und ATX-<br />
Unternehmen die Bundeshauptstadt etwas stärker repräsentiert ist, als andere<br />
Bundesländer. Da der Parameter Standort den Erklärungswert für das<br />
gerechnete Regressionsmodell nicht erhöhte, wurde er nicht <strong>auf</strong>genommen.<br />
[130] Hinweis: Beim Wert für das Burgenland sind Pendler-Effekte nicht berücksichtigt.<br />
[131] Vgl. Statistik Austria, 2009: 1<br />
50
Master-Thesis, Mayrhofer (2013)<br />
Tab. 6: Häufigkeitstabelle: Standort<br />
Bundesland abs. Häufigkeit (54) %<br />
Wien 17 31,48<br />
Oberösterreich 9 16,67<br />
Niederösterreich 7 12,96<br />
Burgenland 1 1,85<br />
Salzburg 6 11,11<br />
Vorarlberg 1 1,85<br />
Steiermark 6 11,11<br />
Kärnten 5 9,26<br />
Tirol 2 3,70<br />
Quelle: eigene Erhebung<br />
Die Exportleistung oder -quote <strong>auf</strong> Unternehmensebene scheint, wenn die<br />
Unternehmen sie nicht im Rahmen der Erhebung selbst angeben, sehr schwer<br />
recherchierbar zu sein. Diese Quoten sind, wie sich gezeigt hat, auch kein<br />
essentieller Wert in Geschäfts- oder Nachhaltigkeitsberichten. Zumindest<br />
kommen sie nur in den wenigsten Berichten vor. In dieser Thesis wurde als<br />
Maß die Exportquote, gemessen am Gesamtumsatz eines Unternehmens,<br />
gewählt. Insgesamt konnte der Faktor leider nicht planmäßig in die spätere<br />
Regression <strong>auf</strong>genommen werden, da über die Erhebung zu wenige Datenpunkte<br />
generiert werden konnten. In Abb. 20 wird das vorhandene Ergebnis dennoch<br />
dargestellt. Es zeigt, wie international die befragten Unternehmen agieren.<br />
Einige Unternehmen liegen bei 100% Exportquote, was u.U. mit der bereits<br />
oben diskutierten Ländervertretung größerer Unternehmen in Österreich zu tun<br />
haben kann. Werden nur einzelne Teile im Inland gefertigt oder nur einzelne<br />
Prozesse im Inland ausgeführt, mit der Grundidee sie sofort wieder zu<br />
exportieren, dann zeigen diese Unternehmen natürlich eine erhöhte Exportquote<br />
von bis zu 100%. Nur drei der befragten Unternehmen geben an, eine<br />
Exportquote von null <strong>auf</strong>zuweisen. Dies stimmt mit der ersten Frage der<br />
Erhebung überein, bei der gefragt wurde, ob das betreffende Unternehmen auch<br />
international tätig sei (statistische Frage), was genau von drei verneint wurde.<br />
Der Großteil, wie aus Abb. 20 ersichtlich wird, bewegt sich bei Exportquoten<br />
von über 50%, nur wenige haben ein schwach ausgeprägtes Auslandsgeschäft.<br />
Österreich gilt traditionell als kleine, offene Volkswirtschaft. Im Land ist die<br />
Exportquote insgesamt (Waren- und Dienstleistungsexporte gemessen am BIP)<br />
seit 1995 (34,8%) bis 2011 (56,6%) um 62,64% gestiegen. Österreich liegt damit<br />
deutlich über dem EU-Durchschnitt von 43,5% [132] .<br />
[132] Vgl. Statistik Austria, 2011<br />
51
120<br />
100<br />
80<br />
60<br />
40<br />
20<br />
Master-Thesis, Mayrhofer (2013)<br />
Abb. 20: Deskr. Statistik: Exporte<br />
Quelle: eigene Erhebung<br />
11.1.1 Verteilungen <strong>komplexitätsbezogener</strong> <strong>Faktoren</strong><br />
In diesem Abschnitt werden die Ergebnisse der komplexitätsbezogenen<br />
<strong>Faktoren</strong> aus der Erhebung beschrieben. Dabei gibt es zwei Arten, wie die<br />
Bestandteile dieser <strong>Faktoren</strong> aggregiert wurden. Die erste Art aggregierte die<br />
Werte über die Achse der Indikatoren von Komplexität (Vielzahl, Vielfalt,<br />
Veränderlichkeit, Interaktion und Vieldeutigkeit), die zweite Art aggregierte die<br />
Werte über die Achse der gewählten Wirkungsbereiche eines <strong>Innovation</strong>s-<br />
systems (Akteure, Aktivitäten, Ressourcen und Institutionen) [133] . In beiden<br />
Arten wurden zunächst die Antworten aus der Erhebung quantifiziert und über<br />
arithmetische Mittelwerte zu je einem Indikator aggregiert, die später in zwei<br />
getrennten Regressionen als unabhängige Parameter in die Logit-Regressionen<br />
eingesetzt wurden. Die beiden Indikatoren werden von nun an Indikator (A)<br />
und (B) genannt. Zur Aggregation ist es entscheidend die Fragen aus der<br />
Erhebung genau in Richtung komplex oder in Richtung nicht komplex<br />
einzuordnen. Dies war hier allerdings kein Problem, da die Ausprägungen der<br />
Fragen sich durch die systematische Kombination stets zwischen komplex und<br />
nicht komplex im Sinne von Tab. 3 befinden. Um die Ergebnisse für den/die<br />
Leser/in so einfach verständlich wie möglich darzustellen, wurde ein<br />
Tachometer-Diagrammtyp gewählt, der den Grad zwischen komplex und nicht<br />
komplex anzeigt. Die Mitte ist als Optimum definiert [134] . Die Werte zwischen 1<br />
und 6 stammen aus der Erhebung. Als Optimum gilt somit der Wert:<br />
3,5 {=[(6-1)/2]+1}.<br />
0<br />
0 10 20 30 40 50 60<br />
[133] Vgl. beide Arten mit Abb. 11<br />
[134] Vgl. Abb. 8 und Seite 27/28<br />
52
Komplex<br />
(1)<br />
Komplex<br />
(1)<br />
Komplex<br />
(1)<br />
Quelle: eigene Erhebung<br />
Master-Thesis, Mayrhofer (2013)<br />
Abb. 21: Komplexitätsgrade des Indikators (A)<br />
In Abb. 21 sind die Tachometer-Diagramme des ersten Indikators (A)<br />
dargestellt. Die Grafik unten rechts in Abb. 21 mit der Beschriftung „Indikator<br />
(A): 2,06“, stellt den Wert des arithmetischen Mittelwerts der 5 Bestandteile<br />
des Indikators (A), also Vielzahl, Vielfalt, Veränderlichkeit, Interaktion und<br />
Vieldeutigkeit dar. Man sieht bei diesem Wert, dass die untersuchten<br />
Unternehmen nach dieser Aggregationsform dazu tendieren, in ihren<br />
<strong>Innovation</strong>ssystemen komplex zu sein (Wert: 2,06). Ein genauerer Blick <strong>auf</strong> die<br />
<strong>Faktoren</strong> lohnt sich: So kann man feststellen, dass die <strong>Faktoren</strong> Vielzahl,<br />
Vielfalt und Veränderlichkeit im stark komplexen Bereich liegen, mit Werten<br />
von 1,35; 1,49 und 1,41. Zur Erinnerung: Diese <strong>Faktoren</strong> bewegen sich zwischen<br />
bestimmten Ausprägungen, die sie zwischen komplex und nicht komplex<br />
unterscheiden [135] : Vielzahl bewegt sich zwischen den Ausprägungen Einzahl und<br />
[135] Siehe Tab. 3<br />
Optimum<br />
(3,5)<br />
Vielzahl: 1,35<br />
Optimum<br />
(3,5)<br />
Nicht<br />
komplex<br />
(6)<br />
53<br />
Komplex<br />
(1)<br />
Optimum<br />
(3,5)<br />
Vielfalt: 1,49<br />
Veränderlichkeit: 1,41 Interaktion: 3,00<br />
Optimum<br />
(3,5)<br />
Nicht<br />
komplex<br />
(6)<br />
Nicht<br />
komplex<br />
(6)<br />
Komplex<br />
(1)<br />
Komplex<br />
(1)<br />
Optimum<br />
(3,5)<br />
Optimum<br />
(3,5)<br />
Vieldeutigkeit: 3,71 Indikator (A): 2,06<br />
Nicht<br />
komplex<br />
(6)<br />
Nicht<br />
komplex<br />
(6)<br />
Nicht<br />
komplex<br />
(6)
Master-Thesis, Mayrhofer (2013)<br />
Mehrzahl, wobei Mehrzahl als komplex gilt. Das Ergebnis zeigt hier eindeutig<br />
<strong>auf</strong> Mehrzahl (1,35). Das bedeutet, dass die Unternehmen mehrzahlige<br />
Komponenten in der Struktur ihrer <strong>Innovation</strong>ssysteme zeigen. Der Faktor<br />
Vielfalt bewegt sich zwischen den Ausprägungen Gleichartigkeit und<br />
Verschiedenartigkeit, wobei Verschiedenartigkeit die komplexe Ausprägung<br />
darstellt. Das Ergebnis zeigt, dass die untersuchten österreichischen Betriebe<br />
hier stark zur Verschiedenartigkeit tendieren, wenn es um ihre<br />
unternehmerischen <strong>Innovation</strong>ssysteme geht (1,49). Bezüglich des Faktors<br />
Veränderlichkeit lässt sich ebenfalls eine komplexitäts-orientierte Neigung<br />
feststellen. Wenn wir betrachten, dass dieser Faktor sich zwischen den<br />
Ausprägungen Statik und Dynamik bewegt, wobei Dynamik die komplexe<br />
Ausprägung darstellt, dann sehen wir, dass die untersuchten Unternehmen zur<br />
Dynamik in <strong>Innovation</strong>ssystemen neigen. Beim Faktor Interaktion ist ein<br />
Ergebnis beim Wert von 3,00 zu beobachten. Interaktion bewegt sich zwischen<br />
den Ausprägungen Independenz und Interdependenz, wobei Interdependenz als<br />
komplex gilt. Die Interpretation des Ergebnisses sagt uns, dass die<br />
Unternehmen eine Mischung aus Freiheit und Abhängigkeit zu praktizieren<br />
scheinen, die in Richtung Abhängigkeit tendiert. Schließlich finden wir einen<br />
knapp in Richtung nicht komplex tendierenden Wert beim Faktor<br />
Vieldeutigkeit, der sich zwischen den Ausprägungen Transparenz und<br />
Intransparenz bewegt, wobei Intransparenz als komplex gilt. Der Wert von 3,71<br />
zeigt, dass die Unternehmen in ihren unternehmerischen <strong>Innovation</strong>ssystemen<br />
zur Transparenz neigen.<br />
Die zweite Aggregationsform nach den Wirkungsbereichen eines <strong>Innovation</strong>ssystems,<br />
also nach: Akteure, Aktivitäten, Ressourcen und Institutionen, ergibt<br />
den Indikator (B). Bei den Ergebnissen des Indikators (B), dargestellt in Abb.<br />
22, können durchwegs komplexe Tendenzen beobachtet werden. Die Grafik<br />
ganz unten zeigt wieder den arithmetischen Mittelwert der <strong>Faktoren</strong> Akteure,<br />
Aktivitäten, Ressourcen und Institutionen, der aggregiert den selben Wert wie<br />
Indikator (A) ergeben muss, also 2,06. Wenn wir nun die einzelnen <strong>Faktoren</strong><br />
beobachten und interpretieren möchten, ist hier dar<strong>auf</strong> hinzuweisen, dass die<br />
Interpretation nicht <strong>auf</strong> dieselbe Art zulässig ist, wie das bei Indikator (A) der<br />
Fall war, da die Wirkungsbereiche eines <strong>Innovation</strong>ssystems selbst (also<br />
Akteure, etc.) keine eigenen Ausprägungen zwischen komplex und nicht<br />
komplex besitzen, sondern diese erst im Zuge der systematischen Kombination<br />
mit den Indikatoren von Komplexität erhielten [136] und den Wirkungsbereichen<br />
eines <strong>Innovation</strong>ssystems (Akteure, etc.) erst <strong>auf</strong> diese Weise Dimensionen der<br />
Komplexität zugewiesen wurden. Jede der 4 Wirkungsbereiche enthält somit<br />
Ausprägungen der Komplexität aus den 5 Indikatoren von Komplexität<br />
[136] Siehe Abb. 11 und Kapitel 10<br />
54
Master-Thesis, Mayrhofer (2013)<br />
(Vielzahl, etc.). Auf diese Weise sind diese Werte auch zu interpretieren: Sie<br />
zeigen die Komplexitätsausprägungen der einzelnen Wirkungsbereiche. Beim<br />
Indikator (A) hingegen wurden die Wirkungsbereiche <strong>auf</strong> die einzelnen<br />
Komplexitätsindikatoren aggregiert.<br />
Komplex<br />
(1)<br />
Komplex<br />
(1)<br />
Quelle: eigene Erhebung<br />
Abb. 22: Komplexitätsgrade des Indikators (B)<br />
Optimum<br />
(3,5)<br />
Alle <strong>Faktoren</strong>, also Akteure, Aktivitäten, Ressourcen und Institutionen zeigen<br />
eine Neigung in Richtung komplex. In Abb. 23 ist der arithmetische Mittelwert<br />
der beiden Indikatoren (A) und (B), der wichtigste komplexitätsbezogene<br />
Ergebniswert dieser Arbeit, dargestellt. Insgesamt tendieren die untersuchten<br />
österreichischen Unternehmen also dazu stark in ihren <strong>Innovation</strong>ssystemen<br />
komplex zu sein. Es fehlen ihnen zum theoretischen Optimum [137] nach unserem<br />
Maß im Mittel 1,44 Einheiten. Um diese Differenzen zu den Optima genauer zu<br />
[137] Siehe Abb. 8 und Seite 27/28<br />
Nicht<br />
komplex<br />
(6)<br />
Akteure: 2,28 Aktivitäten: 1,68<br />
Optimum<br />
(3,5)<br />
Ressourcen: 1,89<br />
Komplex<br />
(1)<br />
Nicht<br />
komplex<br />
(6)<br />
Optimum<br />
(3,5)<br />
Indikator (B): 2,06<br />
55<br />
Komplex<br />
(1)<br />
Komplex<br />
(1)<br />
Optimum<br />
(3,5)<br />
Optimum<br />
(3,5)<br />
Institutionen: 2,41<br />
Nicht<br />
komplex<br />
(6)<br />
Nicht<br />
komplex<br />
(6)<br />
Nicht<br />
komplex<br />
(6)
Master-Thesis, Mayrhofer (2013)<br />
beurteilen, sind in Abb. 24 die Optimumsdifferenzen aller Fragen der Erhebung<br />
zusammengefasst.<br />
Abb. 23: Komplexitätsgrad Indikatoren (A) und (B)<br />
Quelle: eigene Erhebung<br />
Die Optimumsdifferenzen zeigen die nach arithmetischen Mittelwerten<br />
aggregierten Werte der untersuchten Unternehmen. Egal ob nach der ersten<br />
Art zu Indikator (A) oder nach der zweiten Art zu Indikator (B) aggregiert<br />
wird, es zeigen beide Indikatoren die gleichen Optimumsdifferenzen, da beide ja<br />
aggregiert die gleichen Ergebnisse zeigen müssen [138] . In Abb. 24 wird das<br />
ursprüngliche Optimum, also 3,5 als 0 interpretiert um die absoluten<br />
Abweichungen von diesem Optimum darzustellen. Die Grafik zeigt uns, dass<br />
die Abweichungen sich bei ca. 1,5 bewegen. Unser gerade eben festgestellter<br />
Wert von 1,44 [=(3,5-2,06)] ist hier präzise.<br />
Abb. 24: Optimumsdifferenzen der Indikatoren (A) und (B)<br />
-0,5<br />
-1<br />
-1,5<br />
-2<br />
-2,5<br />
Komplex<br />
(1)<br />
Quelle: eigene Erhebung<br />
Optimum<br />
(3,5)<br />
[138] Siehe Werte der Ergebnisse der Indikatoren (A) und (B)<br />
56<br />
Nicht<br />
komplex<br />
(6)<br />
Indikatoren (A) & (B): 2,06<br />
0<br />
0 10 20 30 40 50 60
11.2 Regressionsoutputs<br />
Master-Thesis, Mayrhofer (2013)<br />
Die in R gerechnete Logit-Regression weicht vom geplanten Modell in zwei<br />
Punkten ab, da sie schließlich ohne die Parameter Exportquote und Standort<br />
gerechnet wurde. Für die Exportquoten konnten nicht genügend Daten<br />
generiert werden, weder in der Gruppenrecherche, noch in der Erhebung. Viele<br />
Unternehmen wollten vermutlich <strong>auf</strong> die Angabe dieser Daten verzichten.<br />
Unternehmensbezogene Exportquoten werden von manchen (Groß)unternehmen<br />
in ihren Berichten standardmäßig angegeben. Bei anderen Unternehmen ist dies<br />
nicht der Fall, die Daten sind dann auch kaum <strong>auf</strong>findbar. Jedenfalls musste<br />
der Parameter Exportquote daher als unabhängige Variable aus dem Modell<br />
ausscheiden. Bei der Regression inklusive dem Parameter Standort als<br />
Unabhängige, die sich in Form von 8 Dummy-Variablen äußert, treten<br />
durchgehend ökonomisch irrelevante und statistisch insignifikante Koeffizienten<br />
<strong>auf</strong>, die dem Modell in hohem Maße Erklärungswert rauben. Auch wenn der<br />
Standort in der Literatur häufig eine wichtige Rolle spielt, ist dies bei dieser<br />
Erhebung und dem dadurch generierten Datensatz nicht der Fall. Der<br />
Parameter Standort wurde daher ebenfalls nicht in die Logit-Regression<br />
<strong>auf</strong>genommen. Im Modell gerechnet wurde nun mit den abhängigen Variablen<br />
F&E-Aufwendungen, F&E-Kooperationen, F&E-Personal, Förderungen,<br />
Patente, Unternehmensgröße und den <strong>Faktoren</strong> des Indikators (A), also<br />
Interaktion, Veränderlichkeit, Vieldeutigkeit, Vielfalt und Vielzahl in Form<br />
ihrer arithmetischen Mittelwerte.<br />
Wie aus Tab. 7 ersichtlich ist, ergeben sich bei einigen Parametern signifikante<br />
Koeffizienten. Aus den klassischen Erklärungsvariablen für <strong>Innovation</strong>, sind hier<br />
vor allem die F&E-Aufwendungen mit dem Koeffizienten von -1,013 (=<br />
-1.013e+00) und einer Signifikanz unter dem 5%-Level als p-Wert zu nennen.<br />
Ebenfalls zeigt der für <strong>Innovation</strong>en heute klassische Erklärungsfaktor Patente<br />
mit dem Koeffizienten 0,0164 [=(1.164e-02)] einen signifikanten <strong>Einfluss</strong><br />
zwischen dem 5%- und 10%-Level als p-Wert. Dass die weiteren klassischen<br />
Variablen keine Signifikanz zeigen, kann einerseits an der Response der<br />
Erhebung (n=54) liegen, andererseits, wie häufig bei dementsprechenden<br />
Erhebungen, kann ein Bias und Verzerrungen in den Antworten der Befragten<br />
entstehen, wenn sich diese im „selfassessment“ selbst beurteilen müssen.<br />
Besonders signifikant aus den komplexitätsbezogenen Variablen ist der<br />
Koeffizient des Parameters Interaktion mit dem Koeffizienten 3,085<br />
[=(3.085e+00)]. Er zeigt mit 0,027 eine starke statistische Bedeutung unter<br />
dem 5%-Level als p-Wert. Schließlich finden wir neben einer signifikanten<br />
Konstante (-14,88=-1.488e+01) auch die Signifikanz des Parameters<br />
57
Master-Thesis, Mayrhofer (2013)<br />
Veränderlichkeit unter dem 10%-Level als p-Wert mit dem Koeffizienten 2,265<br />
[=(2.265e+00)].<br />
Tab. 7: Logit mit Indikator (A)<br />
glm(formula = <strong>Innovation</strong> ~ F.E.Aufwendungen + F.E.Kooperationen + F.E.Personal +<br />
Förderungen + Patente + Unternehmensgröße + Interaktion + Veränderlichkeit + Vieldeutigkeit<br />
+ Vielfalt + Vielzahl, family = binomial(logit), data = Logit)<br />
Deviance Residuals:<br />
Min 1Q Median 3Q Max<br />
-1.84536 -0.66177 -0.00618 0.50989 2.35609<br />
Coefficients:<br />
Quelle: eigene Berechnung<br />
Estimate Std. Error z value Pr(>|z|)<br />
(Intercept) -1.488e+01 8.051e+00 -1.849 0.0645 *<br />
F.E.Aufwendungen -1.013e+00 4.118e-01 -2.461 0.0139 **<br />
F.E.Kooperationen 8.382e-01 8.733e-01 0.960 0.3371<br />
F.E.Personal -8.447e-03 8.640e-03 -0.978 0.3283<br />
Förderungen 2.242e-07 3.653e-07 0.614 0.5395<br />
Patente 1.164e-02 6.321e-03 1.842 0.0655 *<br />
Unternehmensgröße -1.085e-04 7.113e-05 -1.526 0.1270<br />
Interaktion 3.085e+00 1.395e+00 2.212 0.0270 **<br />
Veränderlichkeit 2.265e+00 1.249e+00 1.813 0.0698 *<br />
Vieldeutigkeit 1.537e+00 1.028e+00 1.495 0.1348<br />
Vielfalt 4.250e-01 8.112e-01 0.524 0.6003<br />
Vielzahl -4.012e-01 7.736e-01 -0.519 0.6041<br />
AIC: 57.409 * 0.1; ** 0.05<br />
Die Logit-Regression inklusive des Indikators (B) ist in Tab. 8 dargestellt. Als<br />
unabhängige Variablen sind nun wieder die klassischen Parameter F&E-<br />
Aufwendungen, F&E-Kooperationen, F&E-Personal, Förderungen, Patente und<br />
die Unternehmensgröße inkludiert. Durch die andere Art der Aggregation des<br />
Indikators (B) werden nun als komplexitätsbezogene Parameter Akteure,<br />
Aktivitäten, Institutionen und Ressourcen <strong>auf</strong>genommen. Auffällig in diesem<br />
Output ist, dass wir es mit weniger signifikanten Koeffizienten zu tun haben,<br />
als zuvor. Die F&E-Aufwendungen zeigen dafür einen noch signifikanteren<br />
<strong>Einfluss</strong> <strong>auf</strong> die abhängige Variable mit einem Koeffizienten von 0,8587<br />
(=8.587e-01) und einem p-Wert unter 1%. Allerdings kommt dazu nur mehr<br />
der signifikante <strong>Einfluss</strong> der Ressourcen mit einem Koeffizient von -2,553<br />
[=(-2.553e+00)] und einem p-Wert unter dem 10%-Level. Da sich bei der<br />
ersten Regression bessere Erklärungswerte [bei fast gleichem AIC (Maß für<br />
Modellgüte), wegen F&E-Aufwendungen] zeigen, wird bei der Interpretation<br />
auch das erste Logit-Modell mit dem Indikator (A) als zusätzliche erklärende<br />
Variablen vorgezogen.<br />
58
Master-Thesis, Mayrhofer (2013)<br />
Tab. 8: Logit mit Indikator (B)<br />
glm(formula = <strong>Innovation</strong> ~ F.E.Aufwendungen + F.E.Kooperationen + F.E.Personal +<br />
Förderungen + Patente + Unternehmensgröße + Akteure + Aktivitäten + Institutionen +<br />
Ressourcen, family = binomial(logit), data = Logit)<br />
Deviance Residuals:<br />
Min 1Q Median 3Q Max<br />
-1.9044 -0.4889 0.0434 0.7492 2.2633<br />
Coefficients:<br />
Quelle: eigene Berechnungen<br />
12 Interpretation<br />
Estimate Std. Error z value Pr(>|z|)<br />
(Intercept) 6.286e+00 6.318e+00 -0.995 0.31979<br />
F.E.Aufwendungen 8.587e-01 3.327e-01 -2.581 0.00986 ***<br />
F.E.Kooperationen 5.620e-01 8.581e-01 -0.655 0.51250<br />
F.E.Personal 1.323e-02 1.447e-02 -0.914 0.36055<br />
Förderungen 1.460e-07 3.700e-07 -0.395 0.69307<br />
Patente -5.593e-03 4.779e-03 1.170 0.24188<br />
Unternehmensgröße 3.553e-05 5.256e-05 -0.676 0.49903<br />
Akteure 1.496e+00 1.349e+00 -1.109 0.26736<br />
Aktivitäten 4.525e-01 1.528e+00 -0.296 0.76709<br />
Institutionen -2.543e+00 1.640e+00 1.551 0.12087<br />
Ressourcen -2.553e+00 1.369e+00 1.865 0.06216 *<br />
AIC: 56.595 * 0.1; ** 0.05; ***0,01<br />
Für eine geeignete Interpretation der Koeffizienten müssen diese zunächst<br />
transformiert werden. Im Rahmen dieser Transformation wollen wir die sog.<br />
Effektkoeffizienten erhalten, die bereits in der Modell-Herleitung erläutert<br />
wurden. Dies ist bei der Interpretation von Logit-Regressionen üblich. Dazu ist<br />
es zunächst notwendig, die Koeffizienten der Regressoren zu exponenzieren, d.h.<br />
in unserem Fall ( ) für die Konstante, ( ) für die Koeffizienten der<br />
klassischen Erklärungsvariablen für <strong>Innovation</strong> (F&E-Aufwendungen, F&E-<br />
Kooperationen, F&E-Personal, Förderungen, Patente und Unternehmensgröße)<br />
und ( ) für die komplexitätsbezogenen Regressoren.<br />
Die Ergebnisse der Transformation der Koeffizienten der Logit-Regression mit<br />
Indikator (A) sind in Tab. 9 <strong>auf</strong>gelistet. Werte unter eins ( ) der<br />
Effektkoeffizienten wirken sich mit einem negativen <strong>Einfluss</strong> <strong>auf</strong> die Odds, <strong>auf</strong><br />
die regressiert wurde, aus. Sind sie größer als eins ( ), gilt das Gegenteil, ein<br />
positiver <strong>Einfluss</strong> tritt <strong>auf</strong>.<br />
59
Master-Thesis, Mayrhofer (2013)<br />
Tab. 9: Effektkoeffizienten<br />
Regressor Koeffizient ( ) Signifik.<br />
Konstante -2.488e+01 63862616766<br />
F&E-Aufwendungen -1.013e+00 2,7539<br />
F&E-Kooperationen 8.382e-01 0,4325<br />
F&E-Personal -8.447e-03 1,0085<br />
Förderungen 2.242e-07 0,9999<br />
Patente 1.164e-02 0,9884<br />
Unternehmensgröße -1.085e-04 1,0001<br />
Interaktion 3.085e+00 0,04573<br />
Veränderlichkeit 2.265e+00 0,1038<br />
Vieldeutigkeit 1.537e+00 0,2150<br />
Vielfalt 4.250e-01 0,6538<br />
Vielzahl 4.012e-01 1,4936<br />
Quelle: eigene Berechnungen, * = 0,1; ** = 0,05<br />
Zur Interpretation: Die Koeffizienten der unabhängigen Variablen sind die<br />
Differenzen der logarithmierten Odds. Wenn z.B. die F&E-Aufwendungen um<br />
eine Einheit steigen, ändern sich die logarithmierten Odds um -1,013. Es muss<br />
eine Rücktransformation von den Änderungen der logarithmierten Odds zu den<br />
Änderungen der Odds erfolgen. Dies geschieht mit Hilfe der Effektkoeffizienten,<br />
die die exponenzierten Koeffizienten wiedergeben. Nach dieser Transformation<br />
kann interpretiert werden, dass bei einem Anstieg der F&E-Aufwendungen um<br />
eine Einheit die Chancen <strong>auf</strong> <strong>Innovation</strong> um 175,40% (2,7539-1) sinken, was <strong>auf</strong><br />
einen deutlichen Bias hinsichtlich der Angaben der F&E-Aufwendungen (oder<br />
der <strong>Innovation</strong>saktivität) durch die Befragten hindeuten lässt (mehr dazu in<br />
den Schlussbemerkungen). Tab. 10 zeigt die Chancenveränderungen genau. Das<br />
Patentergebnis zeigt einen geringen positiven <strong>Einfluss</strong> <strong>auf</strong> die <strong>Innovation</strong>schancen<br />
bei einer Erhöhung der Patentanzahl eines Unternehmens.<br />
Tab. 10: Änderungen der Odds<br />
F&E-Aufwendungen Patente Interaktion Veränderlichkeit<br />
-175,40% 1,15% 95,40% 89,60%<br />
Quelle: eigene Berechnungen<br />
60<br />
*<br />
**<br />
*<br />
**<br />
*
Master-Thesis, Mayrhofer (2013)<br />
Die Ergebnisse der beiden signifikanten komplexitätsbezogenen <strong>Faktoren</strong> sind<br />
im Gegenzug hochinteressant. Bei der Erhöhung der Interaktion [139] um eine<br />
Einheit steigen die <strong>Innovation</strong>schancen um 95,40%. <strong>Eine</strong> Einheit der<br />
Interaktion meint in diesem Fall eine Einheit in Richtung nicht komplex (da<br />
nicht komplex mit 6 codiert ist), was bei den Ausprägungen der Interaktion<br />
eine Einheit in Richtung Independenz (Abhängigkeit) [140] bedeutet. Also lässt<br />
sich zusammengefasst interpretieren: Bei der Erhöhung der Abhängigkeit im<br />
<strong>Innovation</strong>ssystem eines Unternehmens steigen die Chancen <strong>auf</strong> <strong>Innovation</strong> um<br />
95,40%, was einen interessanten Teil der Ergebnisse darstellt, insbesondere weil<br />
dies zum richtigen Verständnis einer weiteren Erklärung bedarf: Die<br />
deskriptiven Ergebnisse der komplexitätsbezogenen <strong>Faktoren</strong> in der Erhebung<br />
zeigen den Faktor Interaktion deutlich im komplexen Bereich bei dem Wert<br />
3,00. Da Unternehmen nun im Optimalfall danach streben sollten, zum<br />
Optimum (Wert: 3,50) zu gelangen, bewegen sie sich in Richtung nicht<br />
komplex (also hier in Richtung Abhängigkeit).<br />
Beim Faktor Veränderlichkeit tritt der selbe Fall noch stärker <strong>auf</strong>: Bei der<br />
Erhöhung einer Einheit von Veränderlichkeit steigen die <strong>Innovation</strong>schancen<br />
um 89,60%. <strong>Eine</strong> Einheit mehr in Richtung nicht komplex heißt bei der<br />
Veränderlichkeit eine Einheit mehr in Richtung Statik. Da die deskriptive<br />
Statistik der komplexitätsbezogenen <strong>Faktoren</strong> aus der Erhebung zeigt, dass die<br />
Veränderlichkeit der Unternehmen stark im komplexen Bereich (Dynamik) bei<br />
dem Wert 1,41 liegt und die Unternehmen zum Optimum (3,50) tendieren,<br />
bringt eine Erhöhung um eine Einheit in Richtung des Optimums (= in<br />
Richtung nicht komplex = in Richtung Statik) die gemessene Erhöhung der<br />
Chance <strong>auf</strong> <strong>Innovation</strong>. Es lässt sich hier also interpretieren, dass bei der<br />
Erhöhung der Statik die Chancen <strong>auf</strong> <strong>Innovation</strong> um 89,60% steigen.<br />
Diese beiden Aussagen markieren die Hauptaussagen der vorliegenden Arbeit.<br />
Sie sind in Tab. 11 noch einmal zusammengefasst.<br />
Tab. 11: Hauptaussagen der Thesis<br />
1) Die Erhöhung von Abhängigkeit (Interdependenz, als Gegenteil von<br />
Independenz, also Freiheit) im <strong>Innovation</strong>ssystem eines untersuchten öster-<br />
reichischen Unternehmens um eine Einheit, lässt die Chance dar<strong>auf</strong>, dass<br />
dieses Unternehmen innoviert, um 95,40% steigen.<br />
2) Die Erhöhung der Statik (als Gegenteil von Dynamik) im <strong>Innovation</strong>s-<br />
system eines untersuchten österreichischen Unternehmens um eine Einheit,<br />
[139] Im Sinne von Tab. 3 und Beschreibung <strong>auf</strong> S. 26<br />
[140] Im Sinne von Tab. 3. und Beschreibung <strong>auf</strong> S. 26. Abhängigkeit meint hier nach Embst<br />
(2010) eine Ausprägung von Komplexität als Gegenteil von Independenz.<br />
61
Master-Thesis, Mayrhofer (2013)<br />
lässt die Chance dar<strong>auf</strong>, dass dieses Unternehmen innoviert, um 89,60%<br />
steigen.<br />
Dynamik und Freiheit sind somit aus der Sicht der Komplexitätstheorie für die<br />
Performance des <strong>Innovation</strong>ssystems eines der untersuchten österreichischen<br />
Unternehmens entscheidende <strong>Faktoren</strong>.<br />
13 Rankings<br />
Für die Erstellung eines Rankings ist zunächst ein Index zu bilden. Ein Index<br />
wird aus den gemessenen Werten mehrerer Indikatoren zusammengefügt. Nach<br />
der Zusammenfügung dieser Indikatoren ist ein neuer Faktor oder eine neue<br />
Variable entstanden, die für weitere Zwecke eingesetzt werden kann [141] . „Genau<br />
das ist das Ziel der Bildung eines Index: komplexe Merkmale bzw. Konstrukte<br />
<strong>auf</strong> Basis der Zusammenfassung von Indikatorwerten zu einer neuen,<br />
anschaulichen und aussagekräftigen Variable zusammenzufassen“ [142] . Um nun<br />
einen Indikator zu entwerfen, der <strong>auf</strong> unterschiedliche Arten darstellbar ist und<br />
ein Ranking zwischen österreichischen Großunternehmen ermöglicht, werden<br />
die Koeffizienten aus der Logit Regression mit den dazugehörigen Werten der<br />
Unternehmen in den einzelnen Bereichen multipliziert. Es erfolgt also eine<br />
Multiplikation der ökonomischen Realität eines Faktors innerhalb des<br />
<strong>Innovation</strong>ssystems eines Unternehmens mit der statistischen Bedeutung dieses<br />
Faktors in unserer Schätzung. Dies ermöglicht die Gewichtung der einzelnen<br />
<strong>Faktoren</strong>, nach dem sich ein Indikator/Ranking bilden lässt. Die Ergebnisse<br />
werden den Unternehmen schließlich übermittelt, jedoch im Rahmen dieser<br />
Thesis aus Datenschutzgründen nicht dargestellt.<br />
14 Schlussbemerkungen<br />
Die Ergebnisse der Arbeit weisen, wenn auch bei einer überschaubaren Anzahl<br />
an Datenpunktenn und dem „selfassessment“ der Befragten (welches sich als<br />
Bias äußert), einen signifikanten <strong>Einfluss</strong> einzelner komplexer <strong>Faktoren</strong> <strong>auf</strong> die<br />
<strong>Innovation</strong>schancen der untersuchten Unternehmen <strong>auf</strong>. Das <strong>Innovation</strong>ssystem<br />
eines der untersuchten österreichischen (Groß)unternehmens hat also neben<br />
klassischen <strong>Innovation</strong>saktivitäten, wie der Aufrechterhaltung von F&E-<br />
Aufwendungen und der angemeldeten Patentanzahl auch <strong>auf</strong> <strong>Faktoren</strong> aus der<br />
Komplexitätstheorie zu achten. Hinsichtlich des negativen <strong>Einfluss</strong>es der F&E-<br />
Aufwendungen <strong>auf</strong> die <strong>Innovation</strong>schancen, muss man hier von einem<br />
[141] Vgl. Paier, 2010: 59<br />
[142] Paier, 2010: 59<br />
62
Master-Thesis, Mayrhofer (2013)<br />
zusätzlichen Bias in den Angaben der Unternehmen ausgehen. Am ehesten ist<br />
dies zu erklären mit Falschangaben nicht so sehr im Bereich der F&E-<br />
Aufwendungen, sondern bei der Frage nach der <strong>Innovation</strong>saktivität. Fällt ein<br />
Unternehmen nicht <strong>auf</strong> die innovationsaktive Seite (mind. 2 Arten von<br />
<strong>Innovation</strong>en) und gibt aber ein hohen Wert bei seinen F&E-Aufwendungen an,<br />
dann kommt dieser Effekt zustande und ein Unternehmen mit hohen F&E-<br />
Aufwendungen innoviert nicht. Es kann also sein, dass die Durchlässigkeit, ab<br />
wann ein Unternehmen als innovativ gilt, zu restriktiv ausgestaltet war. Anders<br />
bei den komplexitätsbezogenen <strong>Faktoren</strong>: Wie in den Hauptaussagen formuliert,<br />
ist es für die untersuchten Unternehmen signifikant von Interesse, wie sie ihr<br />
<strong>Innovation</strong>ssystem hinsichtlich der <strong>Faktoren</strong> Veränderlichkeit und<br />
Interaktion [143] gestalten. Was hier nachgewiesen werden konnte, ist, dass<br />
Freiheit und Dynamik, analysiert, durch die Brille der Komplexitätstheorie, die<br />
wichtigsten <strong>Einfluss</strong>faktoren <strong>auf</strong> die <strong>Innovation</strong>schancen eines der untersuchten<br />
Unternehmens sind. Hier liegen diese Unternehmen, der deskriptiven<br />
Auswertung der Ergebnisse zufolge, im komplexen Bereich. Die beiden<br />
<strong>Faktoren</strong> Interaktion und Veränderlichkeit gilt es in der deskriptiven Analyse<br />
jedoch zu unterscheiden. Die Unternehmen sind im Bereich Veränderlichkeit<br />
sehr komplex <strong>auf</strong>gestellt, wobei komplex hier die Ausprägung „Dynamik“ meint.<br />
Sie sind also durchwegs dynamisch, was aber u.U. auch <strong>auf</strong> zu dynamische<br />
<strong>Innovation</strong>ssysteme deuten könnte, nachdem das Ergebnis nicht im Optimum,<br />
also in der Mitte zwischen komplex und nicht-komplex, liegt. Nach diesem<br />
Kriterium des Optimums, stehen die Unternehmen beim Faktor<br />
„Interaktion“ [144] etwas besser da und bewegen sich hier fast im Optimum<br />
zwischen Independenz und Interdependenz [145] mit einem Hang zur<br />
Interdependenz, also zur Abhängigkeit. Vor allem die Ergebnisse der<br />
deskriptiven Statistiken der komplexitäts-bezogenen <strong>Faktoren</strong> dieser Thesis sind<br />
neuartig und zeigen einen guten Überblick über die österreichische Wirtschaft<br />
aus der Perspektive der Komplexitätstheorie. Es bleibt zu hoffen, dass in<br />
diesem hoch interessanten Bereich weiterhin und vor allem <strong>auf</strong><br />
gesamteuropäischer Ebene mehr geforscht wird.<br />
[143] „Interaktion“ und „Veränderlichkeit“ im Sinne von Tab. 3 und Beschreibung <strong>auf</strong> S. 26<br />
[144] Im Sinne von Tab. 3 und Beschreibung <strong>auf</strong> S. 26<br />
[145] Im Sinne von Tab. 3<br />
63
15 Quellen<br />
15.1 Literaturverzeichnis<br />
Master-Thesis, Mayrhofer (2013)<br />
Andreß, Hans-Jürgen; Hagenaars, Jacques A.; Kühnel, Steffen; Analyse von<br />
Tabellen und kategorialen Daten, Log-lineare Modelle, latente Klassenanalyse,<br />
logistische Regression und GSK-Ansatz, Springer-Verlag Berlin Heidelberg,<br />
1997<br />
Arentzen, U.; Winter, E.: Gabler Wirtschaftslexikon, Band SP-Z,<br />
Wiesbaden, 1997, In: Embst Sonja, Komplexitätsmanagement im Fron End of<br />
<strong>Innovation</strong>, Monographic Series TU Graz, Verlag der Technischen Universität<br />
Graz, Graz, 2010<br />
Börner, S., Führungsverhalten und Führungserfolg – ein Beitrag zu einer<br />
Theorie der Führung am Beispiel des Musiktheaters, Habilitation, Technische<br />
Universität Berlin, Berlin 2001, In: Embst Sonja, Komplexitätsmanagement im<br />
Fron End of <strong>Innovation</strong>, Monographic Series TU Graz, Verlag der Technischen<br />
Universität Graz, Graz, 2010<br />
Breschi, S.; Malerba, F.; Sectoral <strong>Innovation</strong> Systems. Technological<br />
Regimes, Schumpeterian Dynamics and Spatial Boundaries. Konferenzpapier<br />
für: Systems of <strong>Innovation</strong> Research Network, Söderköping, Schweden, 1995, In:<br />
Grandstrand, Ove, Corporate <strong>Innovation</strong> Systems, A Comparative Study of<br />
Multi-Technology Corporations in Japan, Sweden and the USA, Chalmers<br />
University of Technology, Göteborg, Schweden, 2000<br />
Carlsson, B.; Stankiewicz, R.; On the nature, function and composition o<br />
technological Systems, Journal of Evolutionary Economics, 1991, In:<br />
Grandstrand, Ove, Corporate <strong>Innovation</strong> Systems, A Comparative Study of<br />
Multi-Technology Corporations in Japan, Sweden and the USA, Chalmers<br />
University of Technology, Göteborg, Schweden, 2000<br />
Cooke, Philip; Heidenreich, Martin; Braczyk, Hans-Joachim, Regional<br />
<strong>Innovation</strong> Systems, The role of governance in a globalized world, Second<br />
Edition, Routledge, London, 2004<br />
CSSPL, KAIST - Complex systems and Statistical Physics Lab. Hawoong<br />
Jeong, http://stat.kaist.ac.kr/OurWork.php, 2012<br />
64
Master-Thesis, Mayrhofer (2013)<br />
De la Mothe, John, Systems of <strong>Innovation</strong>, Technologies, Institutions and<br />
Organizations, Science, Technology and the International Political Economy,<br />
Charles Edquist and contributors, 1997<br />
Delorme, Robert, Deep Complexity and the Social Sciences, Experience,<br />
Modelling and Operationality, Edward Elgar Publishing Limited, UK, 2010<br />
Diaz-Bone, Rainer; Künemund, Harald; Einführung in die binäre<br />
logistische Regression, Mitteilungen aus dem Schwerpunktbereich<br />
Methodenlehre, Heft Nr. 56, Freie Universität Berlin, Berlin, 2003<br />
Dörner, D., Die Kunst des Misslingens. Strategisches Denken in komplexen<br />
Situationen, 5. Auflage, Reinbek bei Hamburg 2006, In: Embst Sonja,<br />
Komplexitätsmanagement im Fron End of <strong>Innovation</strong>, Monographic Series TU<br />
Graz, Verlag der Technischen Universität Graz, Graz, 2010<br />
Earl, Louise; Gault, Fred; National <strong>Innovation</strong>, Indicators and Policy,<br />
Statistics Canada, Edward Elgar Publishing Limited, 2006<br />
Ebeling, Werner; Schweitzer, Frank; Zwischen Ordnung und Chaos.<br />
Komplexität und Ästhetik aus physikalischer Sicht, In: Gegenworte, Zeitschrift<br />
für den Disput über Wisse. Berlin-Brandenburgische Akademie der<br />
Wissenschaften Heft Wissenschaft und Kunst, Berlin, 2002<br />
Edquist, C.; Johnson, B.; Institutions and organizations in systems of<br />
innovation, In: Edquist, 1997, In: Grandstrand, Ove, Corporate <strong>Innovation</strong><br />
Systems, A Comparative Study of Multi-Technology Corporations in Japan,<br />
Sweden and the USA, Chalmers University of Technology, Göteborg,<br />
Schweden, 2000<br />
Embst, Sonja, Komplexitätsmanagement im Fron End of <strong>Innovation</strong>,<br />
Monographic Series TU Graz, Verlag der Technischen Universität Graz, Graz,<br />
2010<br />
Europäische Patentdatenbank, http://www.epo.org/searching/free/<br />
espacenet.html, 2012<br />
Faggini, Marisa; Lux, Thomas; Coping with the Complexity of Economics,<br />
New Economic Windows, Springer Verlag Italia, Milano, 2009<br />
Finch, John; Orillard, Magali; Complexity and the Economy, Implications<br />
for Economic Policy, European Association for Evolutionary Political Economy,<br />
Edward Elgar Publishing Inc., 2005<br />
65
Master-Thesis, Mayrhofer (2013)<br />
Fisher, Len, The Perfect Swarm, The Science of Complexity in Everyday Life,<br />
Basic Books, A member of the Perseus Books Group, USA, 2009<br />
Fraunhofer Institut System- und <strong>Innovation</strong>sforschung (ISI), <strong>Innovation</strong>ssysteme<br />
und Roadmapping: Prozesse und Handlungsempfehlungen, Marion,<br />
Weissenberger-Eibl, Präsentationsunterlagen, Berlin, 2008,<br />
http://www.preagro.de/docs/Grundsatzreferat_Weissenberger-Eibl.pdf<br />
Freeman, C., Technology Policy and Economic Performance. Lessons from<br />
Japan, London: Pinter, 1987, In: Grandstrand, Ove, Corporate <strong>Innovation</strong><br />
Systems, A Comparative Study of Multi-Technology Corporations in Japan,<br />
Sweden and the USA, Chalmers University of Technology, Göteborg,<br />
Schweden, 2000<br />
Freeman, C.; Clark, J.; Soete, L.; Unemployment and Technical<br />
<strong>Innovation</strong>, London: Pinter, 1982, In: Grandstrand, Ove, Corporate <strong>Innovation</strong><br />
Systems, A Comparative Study of Multi-Technology Corporations in Japan,<br />
Sweden and the USA, Chalmers University of Technology, Göteborg,<br />
Schweden, 2000<br />
Fromm, Sabine, Binäre logistische Regressionsanalyse, <strong>Eine</strong> Einführung für<br />
Sozialwissenschaftler mit SPSS für Windows, Bamberger Beiträge zur<br />
empirischen Sozialforschung, Hrsg: Schulze, Gerhard; Akremi, Leila, Nr. 11,<br />
2005<br />
Gardner, H.S., Comparative Economic Systems, Chicago, IL: Dryden, 1988,<br />
In: Grandstrand, Ove, Corporate <strong>Innovation</strong> Systems, A Comparative Study of<br />
Multi-Technology Corporations in Japan, Sweden and the USA, Chalmers<br />
University of Technology, Göteborg, Schweden, 2000<br />
Georgen, Marc; Mallin, Christine; Mitleton-Kelly, Eve; Al-Hawamdeh,<br />
Ahmed; Hse-Yu Chiu, Iris; Corporate Governance and Complexity Theory,<br />
Edward Elgar Publishing Inc., Northhampton, 2010<br />
Grandstrand, Ove, Corporate <strong>Innovation</strong> Systems, A Comparative Study of<br />
Multi-Technology Corporations in Japan, Sweden and the USA, Chalmers<br />
University of Technology, Göteborg, Schweden, 2000<br />
Grupp, Hariolf, Messung und Erklärung des technischen Wandels, Grundzüge<br />
einer empirischen <strong>Innovation</strong>sökonomik, Springer-Verlag, Berlin, Heidelberg,<br />
New York, Barcelona, Budapest, Hongkong, London, Mailand, Paris, Santa<br />
Clara, Singapur, Tokio, 1997<br />
66
Master-Thesis, Mayrhofer (2013)<br />
Hauschildt, Jürgen; Salomo, Sören; <strong>Innovation</strong>smanagement, 5. Auflage,<br />
Verlag Franz Vahlen GmbH, 2011<br />
Hughes, T., Beyond the economics of technology, In: Grandstrand, 1994, In:<br />
Grandstrand, Ove, Corporate <strong>Innovation</strong> Systems, A Comparative Study of<br />
Multi-Technology Corporations in Japan, Sweden and the USA, Chalmers<br />
University of Technology, Göteborg, Schweden, 2000<br />
IFM Bonn, Institut für Mittelstandsforschung Bonn, BDI-Mittelstandspanel,<br />
Ergebnisse der Online-Mittelstandsbefragung, Bonn, 2005<br />
Janz, Norbert, <strong>Innovation</strong>serfolge und die Aneignung von <strong>Innovation</strong>serträgen,<br />
In: Janz Norbert, Licht Georg, ZEW Wirtschaftsanalysen, <strong>Innovation</strong>sforschung<br />
heute, Band 63, Nomos Verlagsgesellschaft, Baden-Baden,<br />
2003<br />
Kannenberg, Axel, Kreativitätstechniken und theoretische Fundierung,<br />
GRIN Verlag, 2003<br />
Katz, Sylvan J., Indicators for complex innovation systems, University of<br />
Sussex, East Sussex, University of Saskatchewan, Department of Mathematics<br />
and Statistics, 2006, http://www.sussex.ac.uk/Users/sylvank/pubs/ICIS-<br />
RP.pdf<br />
Kline, S.J.; Rosenberg, N., An Overview of <strong>Innovation</strong>. In: Landau, R.;<br />
Rosenberg, N. ‚(Hrsg.), The Positive Sum Strategy, National Academy Press,<br />
Washington, 1986<br />
Koen P. et al., New concept development model: providing clarity and a<br />
common language to the ‚fuzzy front end„ of innovation, In: Research<br />
Technology Management, Vol. 44, No. 2, 2001<br />
Konrad, Klaus, Kleingruppenprojekte, In: Huber, Anne A. (Hrsg.),<br />
Kooperatives Lernen - kein Problem, Effektive Methoden der Partner- und<br />
Gruppenarbeit (für Schule und Erwachsenenbildung), Ernst Klett<br />
Schulbuchverlag, Leipzig, 2004<br />
Liening, Andreas, Komplexe Systeme zwischen Ordnung und Chaos: Neuere<br />
Entwicklungen in der Theorie nicht-linearer dynamischer Systeme und die<br />
Bedeutung für die Wirtschaftswissenschaft und ihre Didaktik, LIT Verlag,<br />
Münster, 1999<br />
67
Master-Thesis, Mayrhofer (2013)<br />
Luhmann, N., Komplexität, in: von Grochla, E. (Hrsg.): Handwörterbuch der<br />
Organisation, 2. Auflage, Stuttgart 1980, Sp. 1064-1070, zitiert in: Schreyögg,<br />
G.; von Werder, A.: Handwörterbuch Unternehmensführung und Organisation,<br />
4. Auflage, Stuttgart 2004, In: Embst Sonja, Komplexitätsmanagement im Fron<br />
End of <strong>Innovation</strong>, Monographic Series TU Graz, Verlag der Technischen<br />
Universität Graz, Graz, 2010<br />
Lundvall, Bengt-Ake, National Systems of <strong>Innovation</strong>. Towards a Theory of<br />
<strong>Innovation</strong> and Interactive Learning, London: Pinter, 1992, In: Grandstrand,<br />
Ove, Corporate <strong>Innovation</strong> Systems, A Comparative Study of Multi-<br />
Technology Corporations in Japan, Sweden and the USA, Chalmers University<br />
of Technology, Göteborg, Schweden, 2000<br />
Lundvall, Bengt-Ake, National Systems of <strong>Innovation</strong>, Towards a Theory of<br />
<strong>Innovation</strong> and Interactive Learning, Pinter Publishers, London, 1992<br />
Maier, Gunther; Tödtling, Franz; Trippl, Michaela, Regional- und<br />
Stadtökonomik 2, Regionalentwicklung und Regionalpolitik, Vierte Auflage,<br />
Springer-Verlag/Wien, Wien, 2012<br />
Maier, Gunther; Weiss, Peter; Modelle diskreter Entscheidungen, Theorie<br />
und Anwendung in den Sozial- und Wirtschaftswissenschaften, Springer-Verlag<br />
Wien, Wien, 1990<br />
Markard, J; Truffer, B., Technological innovation systems and the multilevel<br />
perspective: towards an integrated framework, Research Policy 37 (4),<br />
2008<br />
Metcalfe, J.S., The Economic Foundations of Technology Policy: Equilibrium<br />
and Evolutionary Perspectives, Mimeo, University of Manchester, UK, 1992,<br />
In: Grandstrand, Ove, Corporate <strong>Innovation</strong> Systems, A Comparative Study of<br />
Multi-Technology Corporations in Japan, Sweden and the USA, Chalmers<br />
University of Technology, Göteborg, Schweden, 2000<br />
Miller, John H.; Page, Scott, E.; Complex Adaptive Systems: An<br />
Introduction to Computational Models of Social Life, Princeton University<br />
Press, Princeton, New Jersey, USA, 2007<br />
Miller, Peter, Swarm Theory, National Geographic, Vol. 212, Iss.1,<br />
Washington, 2007<br />
Nelson, R.R.; Rosenberg, N.; Technical <strong>Innovation</strong> and National Systems,<br />
In: Nelson, 1993, In: Grandstrand, Ove, Corporate <strong>Innovation</strong> Systems, A<br />
68
Master-Thesis, Mayrhofer (2013)<br />
Comparative Study of Multi-Technology Corporations in Japan, Sweden and<br />
the USA, Chalmers University of Technology, Göteborg, Schweden, 2000<br />
Nijkamp, Peter; Reggiani, Aura; The Economics of Complex Spatial<br />
Systems, Elsevier Science B.V., Niederlande, 1998<br />
Paier, Dietmar, Quantitative Sozialforschung, <strong>Eine</strong> Einführung, 1. Auflage,<br />
Facultas Verlags- und Buchhandels AG, Wien, 2010<br />
Performance, Schwerpunkt Komplexitätsmanagement, Ausgabe 2.2010, New<br />
Jersey, 2010<br />
Pinsonneault, A.; Kraemer, K. L.; Survey research methodology in<br />
management information systems, An assessment, In: Journal of Management<br />
& Information Systems, Vol. 10, I.T. in Governement, Center for Research on<br />
Information Technology and Organisations, UC Irvine, 1993<br />
Reiß, M., Komplexitätsmanagement I, in: WISU, Nr. 1, 1993, In: Embst<br />
Sonja, Komplexitätsmanagement im Fron End of <strong>Innovation</strong>, Monographic<br />
Series TU Graz, Verlag der Technischen, 1993<br />
Rogers, Everett M.; Medina, Una E.; Rivera, Mario A.; Wiley, Cody J.,<br />
Complex Adaptive Systems and the Diffusion of <strong>Innovation</strong>s, The University of<br />
New Mexico, Albuquerque, New Mexico, 2005<br />
Schuh, G., Produktkomplexität managen – Strategien-Methoden-Tools, 2.<br />
Auflage, München/Wien 2005, In: Embst Sonja, Komplexitätsmanagement im<br />
Fron End of <strong>Innovation</strong>, Monographic Series TU Graz, Verlag der Technischen,<br />
2005<br />
Schumpeter, Joseph A., Konjunkturzyklen: <strong>Eine</strong> Theoretische, Historische<br />
und Statistische Analyse, Originalausgabe erschienen unter Business Cycles. A<br />
Theoretical, Historical and Statistical Analysis of the Capitalist Process,<br />
McGraw-Hill Book Company Inc. New York und London, 1939, diese Ausgabe:<br />
Vandenhoeck & Ruprecht GmbH & Co KG, Göttingen, 2008<br />
Schumpeter, Joseph A., Theorie der wirtschaftlichen Entwicklung: eine<br />
Untersuchung über Unternehmergewinn, Kapital, Kredit, Zins und den<br />
Konjunkturzyklus, Duncker & Humblot, München, 1935<br />
Schwitalla, Beatrix, Messung und Erklärung industrieller <strong>Innovation</strong>s-<br />
aktivitäten, Physica-Verlag Heidelberg, 1993<br />
69
Master-Thesis, Mayrhofer (2013)<br />
Statistik Austria, <strong>Innovation</strong>sstatistiken, 2012,<br />
http://www.statistik.at/web_de/statistiken/forschung_und_innovation/innovatio<br />
n_im_unternehmenssektor/index.html<br />
Statistik Austria, Unternehmenssektor: Ausgaben für Forschung und<br />
experimentelle Entwicklung (F&E) 2009 nach Wirtschaftszweigen und<br />
Forschungsarten, Wien, 2009<br />
Statistik Austria, Unternehmenssektor: Finanzierung der Ausgaben für<br />
Forschung und experimentelle Entwicklung (F&E) 2009 nach<br />
Wirtschaftszweigen und Finanzierungssektoren, Wien, 2009<br />
Statistik Austria, Wichtige wirtschaftliche Eckdaten im Bundesländervergleich,<br />
Wien, 2009<br />
Statistik Austria, Unternehmenssektor: Beschäftigte in Forschung und<br />
experimenteller Entwicklung (F&E) 2002-2009 nach Wirtschaftszweigen, Wien,<br />
2009<br />
Swann, G. M. P., The Economics of <strong>Innovation</strong>: An Introduction, Edward<br />
Elgar Publishing Limited, UK, 2009<br />
Tödtling, Franz; Lehner, Patrick; K<strong>auf</strong>mann, Alexander, Do Different<br />
Types of <strong>Innovation</strong> Rely on Specific Kinds of Knowledge Interaction?,<br />
Wirtschaftsuniversität Wien (WU), Austrian Research Centers GmbH – ARC,<br />
Wien, 2008<br />
Ulrich, H.; Probst, G.; Anleitung zum ganzheitlichen Denken und Handel,<br />
Bern/Stuttgart 1988, In: Embst Sonja, Komplexitätsmanagement im Fron End<br />
of <strong>Innovation</strong>, Monographic Series TU Graz, Verlag der Technischen, 1998<br />
Universität Hamburg, Diagnostik von Regressionsmodellen, Folien,<br />
http://www2.jura.unihamburg.de/instkrim/kriminologie/Mitarbeiter/Enzmann<br />
/Lehre/StatIKrim/Regressionsdiagnostik.pdf<br />
Weidmann, Jens, Systemrelevante Finanzinstitute und Schattenbanken: Wie<br />
werden systemische Risiken begrenzt. Eingangsstatement <strong>auf</strong> dem CDU/CSU-<br />
Kongress zur Finanzmarktregulierung in Berlin, Berlin, 2011,<br />
http://www.bundesbank.de/download/presse/reden/2011/20110629.weidmann.<br />
pdf<br />
Weizsäcker, Carl Friedrich von, Die Einheit der Natur, München, 1974<br />
70
15.2 Abbildungsverzeichnis:<br />
Master-Thesis, Mayrhofer (2013)<br />
Abb. 1: Schwarm als Beispiel eines komplexen Systems<br />
Abb. 2: Abl<strong>auf</strong> der Master-Thesis<br />
Abb. 3: Das simple lineare Modell der <strong>Innovation</strong><br />
Abb. 4: Erweitertes simples lineares Model<br />
Abb. 5: Komplexes interaktives Modell<br />
Abb. 6: Das CIS nach Grandstrand<br />
Abb. 7: Messformen für Komplexität im Vergleich<br />
Abb. 8: Komplexe (adaptive) Systeme zwischen Ordnung und Chaos<br />
Abb. 9: Diffusion eines <strong>Innovation</strong>smodells<br />
Abb. 10: Chaos und Ordnung nach Moles<br />
Abb. 11: Kombination CIS & Komplexität<br />
Abb. 12: Standardisierte logistische Funktion<br />
Abb. 13: Deskriptive Statistik: Förderungen<br />
Abb. 14: Deskriptive Statistik: Patente<br />
Abb. 15: Deskriptive Statistik: Unternehmensgröße<br />
Abb. 16: Deskriptive Statistik: F&E-Aufwendungen<br />
Abb. 17: Deskriptive Statistik: F&E-Beschäftigte<br />
Abb. 18: Diagramm: F&E-Kooperationen<br />
Abb. 19: Deskriptive Statistik: Standort<br />
Abb. 20: Deskriptive Statistik: Exporte<br />
Abb. 21: Komplexitätsgrade des Indikators (A)<br />
Abb. 22: Komplexitätsgrade des Indikators (B)<br />
Abb. 23: Komplexitätsgrad Indikatoren (A) und (B)<br />
Abb. 24: Optimumsdifferenzen der Indikatoren (A) und (B)<br />
15.3 Tabellenverzeichnis<br />
Tab. 1: Autoren und Maße von Komplexität<br />
Tab. 2: Attribute von Komplexität lt. Embst und Simplifizierung<br />
Tab. 3: Indikatoren und Ausprägungen der Komplexität lt. Embst<br />
Tab. 4: Kombinationen und operationalisierte Fragen<br />
Tab. 5: Legende für die logistische Regression<br />
Tab. 6: Häufigkeitstabelle: Standort<br />
Tab. 7: Logit mit Indikator (A)<br />
Tab. 8: Logit mit Indikator (B)<br />
Tab. 9: Effektkoeffizienten<br />
Tab. 10: Änderungen der Odds<br />
Tab. 11: Hauptaussagen der Thesis<br />
© Christian Mayrhofer, 2013<br />
71