Nachhaltige Dienstleistungsinnovationen in der Logistik: Ein Ansatz zur Entwicklung von Entscheidungsmodellen [1. Aufl. 2019] 978-3-658-28037-6, 978-3-658-28038-3

Table of contents :
Front Matter ....Pages I-XXII
Einleitung (Cornelius Moll)....Pages 1-8
Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik (Cornelius Moll)....Pages 9-64
Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen (Cornelius Moll)....Pages 65-133
Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen (Cornelius Moll)....Pages 135-252
Schlussbetrachtung (Cornelius Moll)....Pages 253-265
Back Matter ....Pages 267-317

Citation preview

Cornelius Moll

Nachhaltige Dienstleistungsinnovationen in der Logistik Ein Ansatz zur Entwicklung von Entscheidungsmodellen

Nachhaltige Dienstleistungsinnovationen in der Logistik

Cornelius Moll

Nachhaltige Dienstleistungsinnovationen in der Logistik Ein Ansatz zur Entwicklung von Entscheidungsmodellen

Cornelius Moll Karlsruhe, Deutschland D100

ISBN 978-3-658-28037-6 ISBN 978-3-658-28038-3  (eBook) https://doi.org/10.1007/978-3-658-28038-3 Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über http://dnb.d-nb.de abrufbar. Springer Gabler © Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2019 Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Jede Verwertung, die nicht ausdrücklich vom Urheberrechtsgesetz zugelassen ist, bedarf der vorherigen Zustimmung des Verlags. Das gilt insbesondere für Vervielfältigungen, Bearbeitungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Verarbeitung in elektronischen Systemen. Die Wiedergabe von allgemein beschreibenden Bezeichnungen, Marken, Unternehmensnamen etc. in diesem Werk bedeutet nicht, dass diese frei durch jedermann benutzt werden dürfen. Die Berechtigung zur Benutzung unterliegt, auch ohne gesonderten Hinweis hierzu, den Regeln des Markenrechts. Die Rechte des jeweiligen Zeicheninhabers sind zu beachten. Der Verlag, die Autoren und die Herausgeber gehen davon aus, dass die Angaben und Informationen in diesem Werk zum Zeitpunkt der Veröffentlichung vollständig und korrekt sind. Weder der Verlag, noch die Autoren oder die Herausgeber übernehmen, ausdrücklich oder implizit, Gewähr für den Inhalt des Werkes, etwaige Fehler oder Äußerungen. Der Verlag bleibt im Hinblick auf geografische Zuordnungen und Gebietsbezeichnungen in veröffentlichten Karten und Institutionsadressen neutral. Springer Gabler ist ein Imprint der eingetragenen Gesellschaft Springer Fachmedien Wiesbaden GmbH und ist ein Teil von Springer Nature. Die Anschrift der Gesellschaft ist: Abraham-Lincoln-Str. 46, 65189 Wiesbaden, Germany

Vorwort

Das Verfassen einer Dissertation ist eine große Herausforderung. Der Weg zum Ziel ein oft langer und steiniger Weg – mit einigen Höhen und Tiefen. Zwar stellt das Erreichen des Ziels in erster Linie die Eigenleistung des Promovierenden dar, aber gute Rahmenbedingungen und Unterstützung von außen sind ebenso essenziell. Daher möchte ich mich an dieser Stelle ganz herzlich bei allen Personen bedanken, die zum Gelingen dieser Arbeit beigetragen haben. Mein ganz besonderer Dank gilt meinem Doktorvater Prof. Dr. Karsten Hadwich für die Betreuung meiner Arbeit. Er hat mich als externen Doktoranden angenommen und hervorragend in seinen Lehrstuhl integriert. Durch offene und konstruktive Diskussionen sowie durch zahlreiche wertvolle Anregungen hat er einen wesentlichen Beitrag zum Gelingen dieser Arbeit geleistet. Sowohl fachlich als auch menschlich hätte ich mir keine bessere Betreuung wünschen können. Hervorzuheben ist außerdem das hohe Maß an Serviceorientierung, das er entgegengebrachte. Trotz zahlreicher Verpflichtungen als Dekan war immer Zeit für meine Anliegen und Fragen. Großer Dank gilt Prof. Dr. Martin Wietschel für die Übernahme des Zweitgutachtens. Außerdem dafür, dass er mir in seiner Rolle als stellvertretender Competence Center Leiter und Geschäftsfeldleiter während meiner beruflichen Tätigkeit am Fraunhofer-Institut für System- und Innovationsforschung ISI in der entscheidenden Phase der Fertigstellung dieser Arbeit den notwendigen Freiraum gegeben hat. Weiterhin möchte ich Prof. Dr. Markus Voeth für den Vorsitz der Prüfungskommission danken sowie Prof. Dr. Dr. h. c. mult. Manfred Bruhn für seine wertvollen Anregungen während meiner Promotionszeit. Meinen Kolleginnen und Kollegen am Fraunhofer ISI, die sowohl fachlich als auch menschlich eine große Unterstützung waren, möchte ich ebenfalls herzlich danken. Allen voran gilt Dr. Patrick Plötz außerordentlicher Dank. Als Mentor während der entscheidenden Phase hat er in besonderem Maße zum Gelingen dieser Arbeit beigetragen und unterstützte in Höhen, aber vor allem auch Tiefen mit konstruktiven Anregungen und motivierenden Worten. Dr. Christian Lerch, welcher mir zu Beginn meiner Promotionszeit als Mentor zur Seite stand, danke ich für die anregenden Diskussionen zur Themenentwicklung und für die stete Motivation. Zur besonderen Arbeitsatmosphäre am Fraunhofer ISI haben vor allem mein treuer Bürokollege Dr.-Ing. Tim Hettesheimer, Dr. Katharina Mattes, Dr. Djerdj Horvat, Nadia Weidner, Prof. Dr. Christoph Zanker, Dr.-Ing Ali Aydemir, Dr.-Ing. Simon Hirzel, Dr.-Ing. Simon Funke, Dr. Till Gnann, Dr. Julia Michaelis, Dr. Uta Burghard sowie viele weitere beigetragen. Euch vielen Dank für eure moralische Unterstützung und die anregenden Kreativpausen. Meiner Kollegin Kerstin Kopf gilt besonderer Dank für das unermüdliche und geduldige Lektorat dieser Arbeit.

VI

Vorwort

Danken möchte ich überdies den aktuellen und ehemaligen Mitarbeiterinnen und Mitarbeitern des Lehrstuhls für Dienstleistungsmanagement Dr. Mareike Falter, Bettina Bürkin, Denise Joecks-Laß, Katharina Mayer, Lukas Ogrzewalla, Lutz Gaissmaier, Dr. Sabrina Weigel und Dr. Marion Popp sowie den externen Doktoranden Tim Senn, Felix Salzer, Dr. Philipp Becker und Dr. Michael Hepp für fachliche und nicht-fachliche Diskussionen auf den Doktorandenkolloquien und darüber hinaus für die organisatorische Unterstützung. Nicht unerwähnt lassen möchte ich die Experten und Unternehmensvertreter, die mir für zahlreiche Interviews und Diskussionen zur Verfügung standen und so die empirische Grundlage dieser Arbeit geschaffen haben. Mein ganz besonderer Dank gilt meinen Eltern Monika und Dr. med. Alfons Moll sowie meinem Bruder Clemens für die immerwährende und bedingungslose Unterstützung, nicht nur während meiner Promotionszeit, sondern auf meinem gesamten bisherigen Lebensweg. Mit Rückhalt, Motivation und Ablenkung haben sie mich stets unterstützt und meinen Weg erst ermöglicht. Einen unersetzbaren Anteil am Gelingen dieser Arbeit hat meine Partnerin Sandra Tragbar, die mich auf meinem Weg liebevoll, tapfer und geduldig unterstützt hat. Ihr Zuspruch und Rückhalt während dieses Projekts waren unersetzlich. Ich danke ihr von Herzen.

Karlsruhe, im August 2019

Cornelius Moll

Inhaltsverzeichnis

1

2

Einleitung ........................................................................................................................... 1 1.1

Relevanz nachhaltiger Dienstleistungsinnovationen in der Logistik ......................... 1

1.2

Zielsetzung und Forschungsfragen ............................................................................ 5

1.3

Gang der Untersuchung.............................................................................................. 6

Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik ............................................................................................................................... 9 2.1

Vorgehensweise ......................................................................................................... 9

2.2

Begriffe und thematische Abgrenzung....................................................................... 9 2.2.1

Dienstleistungsinnovationen .......................................................................... 9 2.2.1.1 2.2.1.2 2.2.1.3

2.2.2

Logistik ........................................................................................................ 14 2.2.2.1 2.2.2.2 2.2.2.3 2.2.2.4 2.2.2.5

2.2.3

2.3

Logistikbegriff ............................................................................. 14 Charakteristika und Herausforderungen von Logistik ................. 15 Dienstleistungscharakter der Logistik ......................................... 16 Einordnung der Logistik in eine Dienstleistungstypologie .......... 18 Innovationen in der Logistik ........................................................ 20

Nachhaltigkeit .............................................................................................. 25 2.2.3.1 2.2.3.2 2.2.3.3

2.2.4

Begriff der Dienstleistungsinnovationen ....................................... 9 Charakteristika und Herausforderungen von Dienstleistungsinnovationen ........................................................ 11 Dimensionen von Dienstleistungsinnovationen ........................... 13

Nachhaltigkeitsbegriff und dessen Dimensionen ........................ 25 Nachhaltige Innovationen ............................................................ 27 Nachhaltigkeit in der Logistik ..................................................... 31

Definition und Charakteristika von nachhaltigen Dienstleistungsinnovationen in der Logistik ............................................... 36

Wirkungen nachhaltiger Dienstleistungsinnovationen in der Logistik .................... 39

2.3.1

Wirkungen von Dienstleistungsinnovationen .............................................. 39 2.3.1.1 2.3.1.2

2.3.2

Literaturübersichten und Metastudien zu Wirkungen von Dienstleistungsinnovationen ........................................................ 39 Weitere empirische Befunde zu Wirkungen von Dienstleistungsinnovationen ........................................................ 42

Wirkungen von grünem und nachhaltigem Supply Chain Management ................................................................................................. 48 2.3.2.1

Literaturübersichten und Metastudien zu Wirkungen von grünem und nachhaltigem Supply Chain Management ............... 48

VIII

Inhaltsverzeichnis

2.3.2.2 2.4

3

Weitere empirische Befunde zu Wirkungen von grünem und nachhaltigem Supply Chain Management ............................ 50

Theoretische Bezugspunkte ..................................................................................... 59 2.4.1

Präskriptive Entscheidungstheorie ............................................................... 59

2.4.2

Systemtheorie ............................................................................................... 61

2.4.3

Adoptionstheorie .......................................................................................... 62

2.4.4

Service-Profit-Chain .................................................................................... 64

Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen ................ 65 3.1

Vorgehensweise ....................................................................................................... 65

3.2

Anforderungen an Entscheidungsmodelle und Methoden ....................................... 65

3.3

Charakteristika und Entwicklung von Entscheidungsmodellen ............................... 69 3.3.1

Begriff des Entscheidungsmodells ............................................................... 69

3.3.2

Unterscheidung von Modellen ..................................................................... 69

3.3.3

Struktur und Elemente von Entscheidungsmodellen ................................... 72

3.3.4

Vorgehen zur Entwicklung von Entscheidungsmodellen ............................ 75

3.4

Beschreibung von Entscheidungsproblemen ........................................................... 78

3.5

Ermittlung von Zielsystemen ................................................................................... 79 3.5.1

Charakteristika von Zielsystemen ................................................................ 79

3.5.2

Spezifische Ziele aus der Literatur .............................................................. 82

3.5.3

Erstellung eines beispielhaften Zielkategoriesystems ................................. 84

3.6

Bestimmung von Handlungsalternativen und Problemgrenzen ............................... 87

3.7

Ermittlung von Umweltzuständen............................................................................ 88

3.8

Erstellung von Prognosen ........................................................................................ 90 3.8.1

Vorgehensweise ........................................................................................... 90

3.8.2

Einordnung von Prognosemethoden ............................................................ 91

3.8.3

Diskussion qualitativer Methoden ............................................................... 93 3.8.3.1 3.8.3.2 3.8.3.3

3.9

Diskussion von Befragungen ....................................................... 93 Diskussion der Indikatormethode ................................................ 95 Diskussion von Methoden zur Zukunftsforschung ...................... 96

3.8.4

Diskussion univariater Methoden ................................................................ 98

3.8.5

Diskussion von Methoden zur kausalen Systemstrukturbeschreibung ...................................................................... 100

Erstellung von Bewertungen .................................................................................. 102 3.9.1

Vorgehensweise ......................................................................................... 102

3.9.2

Diskussion von Investitionsrechnungsverfahren ....................................... 103

3.9.3

Einordnung von multikriteriellen Bewertungsmethoden ........................... 104

3.9.4

Diskussion von MADM-Methoden ........................................................... 106

3.10 Auswahl von Methoden zur Entwicklung eines Entscheidungsmodells ................ 109

Inhaltsverzeichnis

IX

3.10.1 Vorgehensweise ......................................................................................... 109 3.10.2 Auswahl geeigneter Prognosemethoden .................................................... 110 3.10.3 Auswahl geeigneter Bewertungsmethoden ................................................ 111 3.10.4 Grundlagen zu den ausgewählten Prognosemethoden ............................... 112 3.10.4.1 3.10.4.2 3.10.4.3 3.10.4.4 3.10.4.5 3.10.4.6

Befragungen ............................................................................... 112 Indikatormethode ....................................................................... 113 Cross-Impact Analyse ................................................................ 113 Klassische Zeitreihenzerlegung ................................................. 113 Discrete Choice Model .............................................................. 114 System Dynamics ...................................................................... 115

3.10.5 Grundlagen zu den ausgewählten Bewertungsmethoden .......................... 120 3.10.5.1 Kapitalwert und Annuitätenmethode ......................................... 120 3.10.5.2 PROMETHEE ........................................................................... 122 3.11 Beschreibung der Gesamtmethodik ....................................................................... 126 4

Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen .............. 135 4.1

Vorgehensweise ..................................................................................................... 135

4.2

Anwendungsfall ..................................................................................................... 135 4.2.1

Fallauswahl und Beschreibung des Entscheidungsproblems ..................... 135

4.2.2

Ermittlung des Zielsystems für den Anwendungsfall ................................ 136

4.2.3

Bestimmung der Handlungsalternativen .................................................... 139

4.2.4

Bestimmung der Problemgrenzen .............................................................. 140

4.2.5

Ermittlung der Umweltszenarien ............................................................... 147 4.2.5.1 4.2.5.2 4.2.5.3 4.2.5.4 4.2.5.5 4.2.5.6 4.2.5.7 4.2.5.8 4.2.5.9 4.2.5.10 4.2.5.11 4.2.5.12

4.3

Vorgehensweise ......................................................................... 147 Fuhrparkbestand......................................................................... 147 Tourenangebot ........................................................................... 149 Kundennachfrage ....................................................................... 151 Dienstleistungserbringung ......................................................... 152 Personalkosten ........................................................................... 152 Ladeinfrastrukturkosten ............................................................. 153 Fuhrparkkosten .......................................................................... 154 Anbieterentscheidung ................................................................ 161 Kundenentscheidung .................................................................. 162 Zielgrößen .................................................................................. 163 Umweltszenarien ....................................................................... 164

Wirkungsprognosemodell ...................................................................................... 166 4.3.1

Vorgehensweise ......................................................................................... 166

4.3.2

Beschreibung der Systemstruktur .............................................................. 166

4.3.3

Beschreibung der Subsysteme ................................................................... 167 4.3.3.1 4.3.3.2

Legende der Subsysteme ........................................................... 167 Subsystem Fuhrparkbestand ...................................................... 168

X

Inhaltsverzeichnis

4.3.3.3 4.3.3.4 4.3.3.5 4.3.3.6 4.3.3.7 4.3.3.8 4.3.3.9 4.3.3.10 4.3.3.11 4.4

Bewertungsmodell.................................................................................................. 192

4.5

Validierung des Modells ........................................................................................ 194

4.6

Modellergebnisse ................................................................................................... 198 4.6.1

Ergebnisse verschiedener Umweltszenarien im Wirkungsprognosemodell .......................................................................... 198 4.6.1.1 4.6.1.2

5

Subsystem Tourenangebot ......................................................... 171 Subsystem Kundennachfrage ..................................................... 173 Subsystem Dienstleistungserbringung ....................................... 175 Subsystem Personalkosten ......................................................... 176 Subsystem Ladeinfrastrukturkosten ........................................... 177 Subsystem Fuhrparkkosten ........................................................ 179 Subsystem Anbieterentscheidung .............................................. 182 Subsystem Kundenentscheidung ............................................... 184 Subsystem Zielgrößen ................................................................ 188

Szenario Moderate Energiewende ............................................. 198 Szenario Teure Nachhaltigkeit ................................................... 213

4.6.2

Ergebnisse potenzieller Strategien im Wirkungsprognosemodell ............. 219

4.6.3

Ergebnisse der Sensitivitätsanalysen ......................................................... 229

4.6.4

Ergebnisse des Bewertungsmodells ........................................................... 237

4.7

Zusammenfassung der Erkenntnisse aus den Modellen ......................................... 243

4.8

Diskussion und Limitationen der Ergebnisse ......................................................... 248

Schlussbetrachtung ........................................................................................................ 253 5.1

Zusammenfassung der zentralen Ergebnisse.......................................................... 253

5.2

Implikationen für die Forschung ............................................................................ 259

5.3

Implikationen für die Praxis ................................................................................... 260

5.4

Kritische Würdigung und weiterer Forschungsbedarf ........................................... 261

6

Literaturverzeichnis ...................................................................................................... 267

7

Anhang ............................................................................................................................ 303 7.1

Betriebswirtschaftliche Unternehmensziele ........................................................... 303

7.2

Nachhaltigkeitsziele ............................................................................................... 305

7.3

Zielsystem und Präferenzen des LDL .................................................................... 306

7.4

Template und Ergebnis der Cross-Impact Analyse des LDL................................. 308

7.5

Weitere Parameter zur Ermittlung der Umweltszenarien ...................................... 309

7.6

Weitere Subsysteme des Wirkungsprognosemodells............................................. 310

7.7

Bestandteile des Bewertungsmodells ..................................................................... 313

7.8

Weitere Ergebnisse der Modellvalidierung ............................................................ 316

7.9

Weitere Modellergebnisse ...................................................................................... 317

Abbildungsverzeichnis

Abbildung 1-1: Gang der Untersuchung ................................................................................. 8 Abbildung 2-1: Dienstleistungstypologie nach Schmenner (1986, S. 25) ............................ 20 Abbildung 2-2: Potenzielle Zusammenhänge der Wirkungen von Dienstleistungsinnovationen ........................................................................ 41 Abbildung 2-3: Untersuchungsrahmen zu Wirkungen von grünem Supply Chain Management ................................................................................................. 49 Abbildung 2-4: Relevante Forschungsbereiche der Entscheidungstheorie ........................... 60 Abbildung 2-5: Adoptionsmodell der Unified Theory of Acceptance and Use of Technology .................................................................................................. 63 Abbildung 2-6: Allgemeine Darstellung der Service-Profit-Chain ....................................... 64 Abbildung 3-1: Basiselemente eines Entscheidungsmodells ................................................ 73 Abbildung 3-2: Vorgehen zur Strukturierung von Entscheidungsproblemen und Zuordnung von Methoden............................................................................ 76 Abbildung 3-3: Vorgehen zur Entwicklung eines Entscheidungsmodells ............................ 77 Abbildung 3-4: Einordnung von Prognosemethoden ............................................................ 92 Abbildung 3-5: Einordnung von MADM-Methoden .......................................................... 106 Abbildung 3-6: Vorgehensmodell zur Entwicklung von System Dynamics Simulationsmodellen nach Sterman (2000, S. 87) ..................................... 116 Abbildung 3-7: Beispielhaftes Kausaldiagramm................................................................. 118 Abbildung 3-8: Beispielhaftes Bestands- und Flussdiagramm ........................................... 119 Abbildung 3-9: Darstellung einer Entscheidungsmatrix ..................................................... 122 Abbildung 3-10: Verallgemeinerte Präferenzfunktionen ...................................................... 124 Abbildung 3-11: Gesamtmethodik zur Entwicklung von Entscheidungsmodellen mit adäquater Methodenunterstützung ............................................................. 127 Abbildung 4-1: Zielsystem für den Anwendungsfall .......................................................... 138 Abbildung 4-2: Kausaldiagramm als Ergebnis der CIA mit dem LDL............................... 142 Abbildung 4-3: Erstellung des Modells zur Wirkungsprognose ......................................... 166 Abbildung 4-4: Abstrahierte Systemstruktur des Modells zur Wirkungsprognose............. 167

XII

Abbildungsverzeichnis

Abbildung 4-5: Ausschnitt für D-Lkw aus dem Subsystems Fuhrparkbestand .................. 170 Abbildung 4-6: Ausschnitt für Tourendauer und -potenzial aus dem Subsystem Tourenangebot ........................................................................................... 172 Abbildung 4-7: Ausschnitt für Stoppangebot aus dem Subsystem Tourenangebot ............ 173 Abbildung 4-8: Subsystem Kundennachfrage ..................................................................... 174 Abbildung 4-9: Subsystem Dienstleistungserbringung ....................................................... 175 Abbildung 4-10: Subsystem Personalkosten ......................................................................... 177 Abbildung 4-11: Subsystem Ladeinfrastrukturkosten ........................................................... 178 Abbildung 4-12: Ausschnitt für TCO D-Lkw und E-Lkw aus dem Subsystem Fuhrparkkosten .......................................................................................... 180 Abbildung 4-13: Subsystem Anbieterentscheidung .............................................................. 183 Abbildung 4-14: Ausschnitt für Nutzen und Entscheidungswahrscheinlichkeit aus dem Subsystem Kundenentscheidung........................................................ 186 Abbildung 4-15: Ausschnitt der kostenbezogenen Zielgrößen aus dem Subsystem Zielgrößen .................................................................................................. 189 Abbildung 4-16: Ausschnitt der produktivitäts- und qualitätsbezogenen Zielgrößen aus dem Subsystem Zielgrößen ................................................................. 191 Abbildung 4-17: Vergleich der Modellberechnung für die prozentuale Aufteilung der TCO eines 26 t D-Lkw mit dem Anwendungsfall Nahverkehr des BGL............................................................................................................ 197 Abbildung 4-18: Entwicklung des Bestands von D- und E-Lkw im Fuhrpark sowie des Gesamtfuhrparks im Szenario Moderate Energiewende über die Zeit ............................................................................................................. 199 Abbildung 4-19: Potenzial an möglichen Tagestouren und Nachttouren der einzelnen Lkw-Größenklassen in 2018 im Szenario Moderate Energiewende.......... 200 Abbildung 4-20: Absolute und relative Aufteilung der TCO eines neuen 26 t D Lkw und E Lkw im Jahr 2018 in der Tagesbelieferung ..................................... 201 Abbildung 4-21: Tourendauer der einzelnen Lkw-Größenklassen am Tag und in der Nacht für das Jahr 2018 ............................................................................. 201 Abbildung 4-22: Absolute und relative Aufteilung der TCO eines neuen 26 t D-Lkw und E-Lkw im Jahr 2018 in der Nachtbelieferung..................................... 203 Abbildung 4-23: TCO neuer 26 t D-Lkw und E-Lkw der Jahre 2018 und 2025 in Abhängigkeit von der Jahresfahrleistung bei Tagesbelieferung ................ 204 Abbildung 4-24: TCO neuer D-Lkw und E-Lkw unterschiedlicher LkwGrößenklassen über die Zeit ...................................................................... 205

Abbildungsverzeichnis

XIII

Abbildung 4-25: Investitionsausgaben gemäß der Beschaffungsentscheidung im Prognosemodell gegenüber der ausschließlichen Beschaffung von D-Lkw in Mio. € über die Zeit ................................................................... 206 Abbildung 4-26: Umgerüstete Filialen der einzelnen Filialtypen (durchgezogene Linien), maximales Potenzial (gestrichelte Linien) und Gesamtanzahl an umgerüsteten Filialen über die Zeit ............................... 207 Abbildung 4-27: Potenzial (gestrichelte Linie) und Anzahl (durchgezogene Linie) durchgeführter Nachttouren sowie Gesamttouren pro Tag (linke Achse) und Auslastung der Nachttouren (rechte Achse) über die Zeit ..... 208 Abbildung 4-28: Entwicklung des Nutzens der einzelnen Filialtypen über die Zeit ............ 209 Abbildung 4-29: Anteil erfüllter Nachtbelieferungen über die Zeit ...................................... 209 Abbildung 4-30: Ersatzbedarf als Anteil von älteren D-Lkw in niedrigen Emissionsklassen am gesamten Fuhrparkbestand als Indikator für die Reaktionsfähigkeit ............................................................................... 210 Abbildung 4-31: Verhältnis des Anteils an Lkw mit alternativem Antrieb im Fuhrparkbestand gegenüber dem Markt. Es wurden jeweils die Jahresmittelwerte herangezogen ................................................................ 211 Abbildung 4-32: Jährliche CO2-Emissionen des gesamten Fuhrparks in Kilotonnen bei Nutzung von Strom gemäß dem deutschen Strommix und bei Nutzung erneuerbarer Energien ................................................................. 211 Abbildung 4-33: Entwicklung des Bestands von D- und E-Lkw im Fuhrpark sowie des Gesamtfuhrparks in den Szenarien Teure Nachhaltigkeit (durchgezogene Linien) und Moderate Energiewende (gestrichelte Linien) im Vergleich .................................................................................. 214 Abbildung 4-34: Investitionsausgaben gemäß der Beschaffungsentscheidung im Prognosemodell gegenüber der ausschließlichen Beschaffung von D-Lkw in Mio. € in den Szenarien Teure Nachhaltigkeit (gefüllte Balken) und Moderate Energiewende (gestrichelte Balken) im Vergleich .................................................................................................... 215 Abbildung 4-35: Gesamte Transportkosten in Euro je Transporteinheit in den Szenarien Teure Nachhaltigkeit (gefüllte Balken) und Moderate Energiewende (gestrichelte Balken) .......................................................... 215 Abbildung 4-36: Umgerüstete Filialen der einzelnen Filialtypen und Gesamtanzahl an umgerüsteten Filialen in den Szenarien Teure Nachhaltigkeit (durchgezogene Linien) und Moderate Energiewende (gestrichelte Linien) im Vergleich .................................................................................. 216 Abbildung 4-37: Jährliche CO2-Emissionen des gesamten Fuhrparks in Kilotonnen in den Szenarien Teure Nachhaltigkeit (durchgezogene Linie) und Moderate Energiewende (gestrichelte Linie) im Vergleich ....................... 217

XIV

Abbildungsverzeichnis

Abbildung 4-38: Transportkosten von D-Lkw und des Gesamtfuhrparks im Szenario Moderate Energiewende mit (durchgezogene Linien) und ohne CityMaut (gestrichelte Linie) in Euro je Transporteinheit ............................... 218 Abbildung 4-39: Entwicklung des Bestands von E-Lkw im Fuhrpark unter Anwendung verschiedener Strategien über die Zeit .................................. 220 Abbildung 4-40: Entwicklung des Bestands von D-Lkw im Fuhrpark unter Anwendung verschiedener Strategien über die Zeit .................................. 220 Abbildung 4-41: Investitionsausgaben gemäß der Beschaffungsentscheidung verschiedener Strategien gegenüber der ausschließlichen Beschaffung von D-Lkw in Mio. € über die Zeit....................................... 221 Abbildung 4-42: Kumulierte Mehr- und Minderinvestitionsausgaben gemäß der Beschaffungsentscheidung verschiedener Strategien gegenüber der ausschließlichen Beschaffung von D-Lkw in Mio. € über die Zeit ........... 222 Abbildung 4-43: Transportkosten des Gesamtfuhrparks unter Anwendung verschiedener Strategien über die Zeit in Euro je Transporteinheit .......... 223 Abbildung 4-44: Gesamtanzahl der umgerüsteten Filialen unter Anwendung verschiedener Strategien über die Zeit ....................................................... 224 Abbildung 4-45: Ersatzbedarf als Anteil von älteren D-Lkw in niedrigen Emissionsklassen am gesamten Fuhrparkbestand als Indikator für die Reaktionsfähigkeit unter Anwendung verschiedener Strategien ......... 225 Abbildung 4-46: Verhältnis des Anteils an Lkw mit alternativem Antrieb im Fuhrparkbestand gegenüber dem Markt unter Anwendung verschiedener Strategien. Es wurden jeweils Jahresmittelwerte herangezogen ............................................................................................. 226 Abbildung 4-47: Jährliche CO2-Emissionen des gesamten Fuhrparks unter Anwendung verschiedener Strategien in Kilotonnen ................................ 226 Abbildung 4-48: Auswirkungen der Veränderung einzelner Parameter auf den Bestand an D-Lkw und E-Lkw im Jahr 2030 ............................................ 230 Abbildung 4-49: Auswirkungen der Veränderung einzelner Parameter auf die TCO neuer 26 t D-Lkw und E-Lkw im Jahr 2030 .............................................. 231 Abbildung 4-50: Auswirkungen der Veränderung einzelner Parameter auf die Transportkosten des Gesamtfuhrparks im Jahr 2030 ................................. 232 Abbildung 4-51: Entwicklung des Bestands von D- und E-Lkw im Fuhrpark sowie des Gesamtfuhrparks im Szenario Moderate Energiewende (durchgezogene Linie) sowie bei 75 % (gestrichelte Linie) und bei 50 % (gepunktete Linie) der Vollladezyklen über die Zeit........................ 233 Abbildung 4-52: TCO neuer 26 t D-Lkw und E-Lkw im Szenario Moderate Energiewende (durchgezogene Linie) sowie bei 75 % (gestrichelte Linie) und 50 % (gepunktete Linie) der Vollladezyklen über die Zeit ...... 234

Abbildungsverzeichnis

XV

Abbildung 4-53: Gesamtanzahl der umgerüsteten Filialen im Szenario Moderate Energiewende sowie bei 75 % und 50 % der Vollladezyklen über die Zeit ............................................................................................................. 234 Abbildung 4-54: Umgerüstete Filialen der einzelnen Filialtypen und Gesamtanzahl an umgerüsteten Filialen bei einem Schwellenwert von 20 (durchgezogene Linien) im Vergleich mit dem Szenario Moderate Energiewende (gestrichelte Linien) ........................................................... 235 Abbildung 4-55: Nettoflüsse der verschiedenen Strategien über die Zeit. ............................ 238 Abbildung 4-56: Über die Zeit kumulierte Nettoflüsse der verschiedenen Strategien ......... 239 Abbildung 4-57: Nettoflüsse der verschiedenen Strategien im Szenario Teure Nachhaltigkeit (durchgezogene Linien) im Vergleich zum Szenario Moderate Energiewende (gestrichelte Linien) über die Zeit ..................... 240 Abbildung 4-58: Kumulierte Ergebnisflüsse der verschiedenen Strategien im Szenario Teure Nachhaltigkeit (gefüllte Balken) im Vergleich zum Szenario Moderate Energiewende (gestrichelte Balken) über die Zeit .................... 240 Abbildung 4-59: Kumulierte Nettoflüsse der verschiedenen Strategien bei unterschiedlichen Gewichtungen der Zielgrößen ...................................... 241 Abbildung 4-60: Überarbeitetes und mittels System Dynamics verifiziertes Kausaldiagramm ........................................................................................ 248

Tabellenverzeichnis

Tabelle 2-1:

Ausgewählte Definitionen von Dienstleistungsinnovationen ...................... 10

Tabelle 2-2:

Ausgewählte Definitionen von Logistik ...................................................... 15

Tabelle 2-3:

Übersicht über Ressourcen in der Logistik .................................................. 24

Tabelle 2-4:

Ausgewählte Definitionen nachhaltiger Innovationen................................. 29

Tabelle 2-5:

Charakteristika und daraus resultierende Herausforderungen von nachhaltigen Dienstleistungsinnovationen in der Logistik .......................... 37

Tabelle 2-6:

Kategorien der Effekte von Dienstleistungsinnovationen ........................... 40

Tabelle 2-7:

Ausgewählte Studien zu Wirkungen von Dienstleistungsinnovationen. ....................................................................... 44

Tabelle 2-8:

Kategorien der Wirkungen von Dienstleistungsinnovationen ..................... 47

Tabelle 2-9:

Ausgewählte Studien zu Wirkungen von grünem und nachhaltigem Supply Chain Management .......................................................................... 53

Tabelle 2-10:

Kategorien und Ausprägungen der Wirkungen von grünem und nachhaltigem Supply Chain Management ................................................... 56

Tabelle 2-11:

Übersicht über systemtheoretische Begriffe und Definitionen .................... 62

Tabelle 3-1:

Anforderungen an Entscheidungsmodelle und Methoden ........................... 66

Tabelle 3-2:

Darstellung möglicher Modellmerkmale und -arten sowie Ausgestaltung des zu entwickelnden Entscheidungsmodells (fett hervorgehoben) ............................................................................................ 70

Tabelle 3-3:

Darstellung der Schritte verschiedener generischer Entscheidungsprozesse ................................................................................ 75

Tabelle 3-4:

Beispielhaftes Zielkategoriesystem für den Einsatz nachhaltiger Dienstleistungsinnovationen in der Logistik. .............................................. 86

Tabelle 3-5:

Bewertung von Befragungen als qualitative Methode ................................. 94

Tabelle 3-6:

Bewertung der Indikatormethode als qualitative Methode .......................... 96

Tabelle 3-7:

Bewertung von qualitativen Methoden der Zukunftsforschung .................. 97

Tabelle 3-8:

Bewertung univariater Methoden. ............................................................. 100

Tabelle 3-9:

Bewertung von multivariaten Methoden zur kausalen Systemstrukturbeschreibung ...................................................................... 102

XVIII

Tabellenverzeichnis

Tabelle 3-10:

Bewertung von MADM-Methoden............................................................ 109

Tabelle 4-1:

Zielgewichtung für den Anwendungsfall heute und in 5 Jahren. .............. 139

Tabelle 4-2:

Modellgrenzen mit endogenen, exogenen und unberücksichtigten Variablen .................................................................................................... 147

Tabelle 4-3:

Verteilung der Lkw-Typen bzw. Größenklassen im Fuhrpark des LDL ............................................................................................................ 147

Tabelle 4-4:

Verteilung der Alters der Lkw im Fuhrpark des LDL ............................... 148

Tabelle 4-5:

Entwicklung des Kraftstoffverbrauchs von D-Lkw und E-Lkw in den verschiedenen Größenklassen ............................................................. 149

Tabelle 4-6:

Exogene Variablen zur Ermittlung des Tourenangebots ........................... 151

Tabelle 4-7:

Exogene Variablen der Kundennachfrage ................................................. 152

Tabelle 4-8:

Exogene Variablen zur Ermittlung der Personalkosten ............................. 153

Tabelle 4-9:

Exogene Variablen zur Bestimmung der Ladeinfrastrukturkosten. ........... 154

Tabelle 4-10:

Exogene Variablen zur Bestimmung der Fuhrparkkosten. ........................ 154

Tabelle 4-11:

Entwicklung der Anschaffungspreise von D-Lkw ..................................... 155

Tabelle 4-12:

Entwicklung der Minderkosten des Antriebsstrang von E-Lkw ................ 156

Tabelle 4-13:

Batteriesystempreisentwicklung für automobile Anwendungen ............... 156

Tabelle 4-14:

Entwicklung der Anschaffungspreise von E-Lkw ..................................... 157

Tabelle 4-15:

Parameter der Restwertfunktion ................................................................ 158

Tabelle 4-16:

Jährliche Fixkosten für Lkw ...................................................................... 159

Tabelle 4-17:

Variable tagesbezogene Mautkosten.......................................................... 159

Tabelle 4-18:

Variable kilometerbezogene Kosten .......................................................... 160

Tabelle 4-19:

Kraftstoffpreise inklusive Energiesteuern und ohne Mehrwertsteuer ....... 161

Tabelle 4-20:

Exogene Variablen zur Anbieterentscheidung........................................... 161

Tabelle 4-21:

Marktanteile von AFV an Neuzulassungen und Beständen ...................... 162

Tabelle 4-22:

Variablen zur Kundenentscheidung. .......................................................... 163

Tabelle 4-23:

Exogene Variablen zur Bestimmung der Zielgrößen................................. 164

Tabelle 4-24:

Entwicklung der spezifischen CO2-Emissionen von Strom im deutschen Strommix................................................................................... 164

Tabelle 4-25:

Entwicklung der Mehr- und Minderpreise des E-Lkw Antriebsstrangs im Szenario Teure Nachhaltigkeit. .................................. 166

Tabelle 4-26:

Legende für die unterschiedlichen Variablentypen ................................... 168

Tabellenverzeichnis

XIX

Tabelle 4-27:

Ausschnitt aus dem Tabellenblatt Algorithmus des Bewertungsmodells für das Jahr 2018 ....................................................... 193

Tabelle 4-28:

Ausschnitt für das Zielkriterium Investitionen im Jahr 2018 aus dem Tabellenblatt Algorithmus des Bewertungsmodells .................................. 193

Tabelle 4-29:

Ausschnitt der Ergebnisflüsse im Jahr 2018 aus dem Tabellenblatt Algorithmus des Bewertungsmodells ........................................................ 194

Tabelle 4-30:

Zusammenfassende Verifizierung der Hypothesen mit korrigierter Wirkungsrichtung und Stärke .................................................................... 247

Abkürzungsverzeichnis

AfA

Absetzung für Abnutzung

AFV

Alternative Fuel Vehicle, Fahrzeuge mit alternativem Antrieb

BGL

Bundesverband Güterkraftverkehr Logistik und Entsorgung

CAGR

Compound Annual Growth Rate

CSR

Corporate Social Responsibility

CIA

Cross-Impact Analyse

DoD

Depth of Discharge

D-Lkw

Diesel-Lkw

DCM

Discrete Choice Models

EA

Early Adopter

EM

Early Majority

E-Lkw

Elektro-Lkw, batterieelektrisch angetriebener Lkw

FV

Fahrverbote

FF

Forschungsfragen

GRI

Global Reporting Initiative

GSCM

Green Supply Chain Management, Grünes Supply Chain Management

IKT

Informations- und Kommunikationstechnologie

IEA

International Energy Agency

KWF

Kapitalwiedergewinnungsfaktor

KBA

Kraftfahrt-Bundesamt

KEP

Kurier-, Express- und Paketdienstleister

LM

Late Majority

LIB

Lithium-Ionen-Batterien

LDL

Logistikdienstleister

ME

Moderate Energiewende

MADM

Multiple Attribute Decision Making, Methoden zur multiattributiven Entscheidungsfindung

XXII

Abkürzungsverzeichnis

MODM

Multiple Objective Decision Making, Methoden zur multiobjektiven Entscheidungsfindung

OEM

Original Equipment Manufacturer

RBF

Rentenbarwertfaktor

SSCM

Sustainable Supply Chain Management, nachhaltiges Supply Chain Management

SCM

Supply Chain Management

SZM

Sattelzugmaschine

TTW

Tank-to-Wheel

TN

Teure Nachhaltigkeit

TCO

Total Cost of Ownership

TUL

Transport, Umschlag und Lagerung

TE

Transporteinheit

TBL

Triple-Bottom-Line

UTAUT

Unified Theory of Acceptance and Use of Technology

WTW

Well-to-Wheel

1 Einleitung

1.1

Relevanz nachhaltiger Dienstleistungsinnovationen in der Logistik

Nachhaltigkeit gewinnt sowohl für Forschung als auch Praxis in den letzten Jahren immer weiter an Bedeutung. Dieser Bedeutungszuwachs wird vor allem durch entsprechende Entwicklungen in Gesellschaft und Politik hervorgerufen. Zunächst ist steigendes Umweltbewusstsein in der Gesellschaft zu nennen, welches dazu führt, dass Unternehmen versuchen, die negativen ökologischen Wirkungen ihrer Geschäftstätigkeit im Sinne der Nachhaltigkeit zu reduzieren (Marchet et al. 2014, S. 775f.; Ehrler und Seidel 2014, S. 192; Wutke 2016, S. 1). Weiterhin steigen auch insgesamt die Anforderungen der Gesellschaft an Unternehmen sowie deren Prozesse, Produkte und Dienstleistungen in Bezug auf Nachhaltigkeit weiter an (Oberhofer und Dieplinger 2014, S. 236). Zusätzlich erreichen sowohl Bekanntheit als auch Wichtigkeit von Nachhaltigkeit in der Gesellschaft ein immer höheres Niveau. Beispielsweise ist die Bekanntheit des Begriffs Nachhaltigkeit bei Haushalten in Deutschland von 77 % in 2012 auf 88 % in 2016 gestiegen und der Anteil der Haushalte, denen es wichtig ist, dass Produkte und Dienstleistungen nachhaltig erstellt werden, liegt 2016 bereits bei 58 % (Gfk Verein 2016). Die Politik ergreift dabei sowohl auf europäischer als auch auf nationaler Ebene in Deutschland zahlreiche Maßnahmen zur Verbesserung der Nachhaltigkeit (Die Bundesregierung 2016; EC 2017). Dies umfasst Maßnahmen zur Verbesserung von Innovationsfähigkeit und Infrastruktur als ökonomische Aspekte und zum Umwelt- und Klimaschutz als ökologische Aspekte. Weiterhin werden Maßnahmen zur Armutsbekämpfung, zum Gesundheitsschutz und zur Einhaltung von Menschenrechten und menschenwürdigen Arbeitsbedingungen als soziale Aspekte ergriffen (Meixell und Luoma 2015, S. 83f.; Die Bundesregierung 2016, S. 22ff.). Klimaschutz und Gesundheitsschutz besitzen in der aktuellen gesellschaftlichen und politischen Diskussion in Deutschland einen hohen Stellenwert (Statista 2019). Deutschland hat sich wie zahlreiche weitere Länder dazu verpflichtet, seine Treibhausgasemissionen aus Gründen des Klimaschutzes deutlich zu verringern. Im Klimaschutzplan 2050 setzt sich Deutschland das Ziel, seine Treibhausgasemissionen bis 2030 im Vergleich zu 1990 um mindestens 55 % zu verringern sowie bis 2050 weitgehend treibhausgasneutral zu sein und gibt entsprechende sektorenspezifische Ziele zur Treibhausgasverminderung aus (BMUB 2016, S. 8). In der Energiewirtschaft, als größtem Verursacher von Treibhausgasemissionen in Deutschland, haben die Emissionen in den letzten Jahren unter anderem aufgrund des zunehmenden Ausbaus erneuerbarer Energien immer weiter abgenommen, wohingegen in der Industrie, als zweitgrößtem Verursacher, die Emissionen zuletzt stagnierten (BMU 2018, S. 29ff.). Demgegenüber verzeichnet der Verkehrssektor, als drittgrößter Emittent von Treibhausgasen, in den letzten Jahren eine stetige Zunahme der Treibhausgasemissionen. Dies ist vor allem auf die kontinuierlich steigende Verkehrsleistung sowohl im Personenverkehr als auch im Güterverkehr (UBA 2018a) zurückzuführen, weshalb das Ziel einer Verminderung der Emissionen bis 2030 um etwa 40 % gegenüber 1990 (BMUB 2016, S. 8) sehr ambitioniert ist. Auch bei Luftschadstoffen, welche

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2019 C. Moll, Nachhaltige Dienstleistungsinnovationen in der Logistik, https://doi.org/10.1007/978-3-658-28038-3_1

2

1 Einleitung

schädlich für die menschliche Gesundheit und die Umwelt sind,1 werden trotz einer regelmäßigen Verbesserung der Luftqualität die gesetzlichen Grenzwerte z. B. für gesundheitsgefährdendes Stickstoffdioxid und Feinstaub – insbesondere in urbanen Ballungsräumen – nach wie vor überschritten (Minkos et al. 2018, S. 12f.). Dabei ist der mit Abstand größte Verursacher von Stickstoffdioxid in Deutschland der Verkehrssektor (UBA 2018b). Den Herausforderungen zur Senkung der Treibhausgasemissionen und Luftschadstoffemissionen im Verkehrssektor begegnet die Politik mit immer schärferen Maßnahmen. Flottenemissionsgrenzwerte, welche die durchschnittlichen CO2-Emissionen der Neuwagenflotten begrenzen, werden beispielsweise immer weiter verschärft (Schweikl 2018). Ebenso wurden inzwischen 58 Umweltzonen in Deutschland eingerichtet, in die nur Fahrzeuge einfahren dürfen, die bestimmte Schadstoffnormen einhalten (UBA 2018c). Seit 2008 sind 10 Umweltzonen hinzugekommen, außerdem wurden zahlreiche Umweltzonen flächenmäßig ausgeweitet. Eine weitere Maßnahme, die aktuell für Schlagzeilen sorgt, ist die Einführung von Fahrverboten für Diesel-Fahrzeuge in Innenstädten, die in immer mehr von Stickstoffdioxid und Feinstaub belasteten Städten diskutiert wird (Behörde für Umwelt und Energie Hamburg 2018; Stadt Reutlingen 2018). Die steigenden gesellschaftlichen und politischen Anforderungen in Bezug auf Nachhaltigkeit und insbesondere die genannten regulatorischen Maßnahmen stellen die Logistikbranche und damit den zweitgrößten Dienstleistungsbereich, bezogen auf den Umsatz (315 Mrd. € in 2016) (Destatis 2018b), vor große Herausforderungen. Einerseits erfordern Logistikprozesse sehr viele Ressourcen (z. B. Lager, Fuhrpark, Mitarbeiter), sodass eine Vielzahl an Nachhaltigkeitsanforderungen zu erfüllen ist. Andererseits wird ein großer Teil der Transportprozesse der Logistik auf der Straße und fast ausschließlich mit Diesel-Fahrzeugen bzw. Diesel-Lkw (D-Lkw), durchgeführt, weshalb die Logistik von den genannten Maßnahmen zur Reduktion von Treibhausgasen, Stickstoffdioxid und Feinstaub umfassend betroffen wäre. Um den Herausforderungen begegnen zu können, sind nachhaltige Dienstleistungsinnovationen in der Logistik erforderlich. Nur so können die ressourcenintensiven Transport-, Umschlag- und Lagerprozesse(TUL-Prozesse) in der Logistik nachhaltiger gestaltet, für den Kunden attraktive Dienstleistungen erbracht und die regulatorischen Vorgaben erfüllt werden, womit sich die praktische Relevanz nachhaltiger Dienstleistungsinnovationen in der Logistik bestätigten lässt. Auch in der Forschung steigt die Relevanz nachhaltiger Dienstleistungsinnovationen in der Logistik stetig. Gerade in den letzten Jahren ist die Anzahl entsprechender Beiträge stark gewachsen (Gao et al. 2017; Varadarajan 2017), wobei hervorzuheben ist, dass in diesem Zusammenhang verschiedene Forschungsbereiche relevant sind. Zunächst ist die Forschung zu Dienstleistungsinnovationen zu nennen. Hier werden vor allem Erfolgsfaktoren und Wirkungen von Dienstleistungsinnovationen, unter anderem auch in der Logistikbranche, untersucht (Salunke et al. 2013; Thakur und Hale 2013; Storey et al. 2016). Weiterhin wird die Logistikforschung miteinbezogen, in der der Frage nach Entstehung, Charakteristika und Management von Logistikinnovationen nachgegangen wird (Grawe et al. 2015a; Göpfert und Wellbrock 2016; Pfohl 2016; Stölzle und Martin 2016). Darüber hinaus wird untersucht, welche logistischen Ressourcen als Gegenstand von Innovation in Frage kommen (Wong und Karia 2010; Schuh et al. 2013b; Ho und Chang 2015). Am deutlichsten zeigt sich die Relevanz nachhaltiger

1

Über 300.000 Menschen sterben in der EU jährlich an den Auswirkungen von Luftverschmutzung (EC 2005).

1.1 Relevanz nachhaltiger Dienstleistungsinnovationen in der Logistik

3

Dienstleistungsinnovationen in der Logistik in der Nachhaltigkeitsforschung. Einerseits wird im Zusammenhang mit nachhaltigen Innovationen stets auch die Logistik genannt bzw. untersucht (Boons et al. 2013; Ketata et al. 2015; Adams et al. 2016; Nelke 2017; Varadarajan 2017) und andererseits gibt es in der Forschung immer mehr verschiedene Konzepte bzw. Begriffe, die nachhaltigen Dienstleistungsinnovationen in der Logistik zuzuordnen sind, wie z. B. grüne oder nachhaltige Logistik bzw. Supply Chain Management (Lai und Wong 2012; Yu et al. 2014; Das 2017; Schmidt et al. 2017; Vanalle et al. 2017). Es kann eine konzeptionelle, methodische sowie praktische Forschungslücke identifiziert werden. Forschungslücke 1 (konzeptionell) Die konzeptionelle Forschungslücke ergibt sich dadurch, dass in der Forschung der Untersuchungsgegenstand nachhaltiger Dienstleistungsinnovationen in der Logistik bisher nicht integriert betrachtet wird, sondern lediglich aus Sichtweise einzelner Forschungsbereiche. Folglich fehlt ein ganzheitliches Verständnis (Pimenta und Ball 2015, S. 681; Ageron et al. 2012, S. 172). Zum Beispiel existiert keine Definition von nachhaltigen Dienstleistungsinnovationen in der Logistik und die relevante Literatur ist sehr stark fragmentiert (Bothe et al. 2016, S. 353f.; Stindt 2017, S. 147). So wird eine Vielzahl an Begriffen und Konzepten mit nachhaltigen Dienstleistungsinnovationen in der Logistik in Verbindung gebracht, wie nachhaltigkeitsorientierte Dienstleistungsinnovationen, nachhaltige Innovationen, grüne Logistik, nachhaltiges Supply Chain Management, Closed-Loop Supply Chain Management, nachhaltige Beschaffung, Corporate Social Responsibility, Triple Bottom Line etc. Diese sind darüber hinaus über verschiedenste Forschungsbereiche wie Dienstleistungsforschung, Logistikforschung und Nachhaltigkeitsforschung verteilt, sodass Charakteristika nachhaltiger Dienstleistungsinnovationen in der Logistik nicht eindeutig bestimmt werden können. Dadurch kann der Untersuchungsgegenstand nicht in Gänze durchdrungen werden, was dazu führt, dass möglicherweise wichtige Aspekte bei weitergehender Forschung unberücksichtigt bleiben. Überdies ist unklar, welche Wirkungen bzw. Wirkungskategorien nachhaltiger Dienstleistungsinnovationen in der Logistik unterschieden werden können (Rossi et al. 2013, S. 587), was eine Bestimmung deren Vorteilhaftigkeit erschwert. Forschungslücke 2 (methodisch) Die Implementierung nachhaltiger Dienstleistungsinnovationen in der Logistik ist besonders zu Anfang mit erheblichem finanziellen und organisatorischen Aufwand verbunden, da logistische Strukturen und Netzwerke sehr ressourcenintensiv sind (Schuh et al. 2013b, S. 120ff.). Weiterhin ist es sehr herausfordernd, die finanziellen und vor allem nichtfinanziellen Wirkungen (z. B. auf Image oder Kundenzufriedenheit) sowie den Markterfolg nachhaltiger Dienstleistungsinnovationen in der Logistik zu bestimmen und die nichtfinanziellen Aspekte zu quantifizieren (Fabbe-Costes et al. 2014, S. 681ff.; Schaltegger und Burritt 2014, S. 233ff.; Stindt 2017, S. 146f.). Dies wird verstärkt durch Unsicherheiten bezüglich der künftigen Rahmenbedingungen, die mit wachsender Langfristigkeit der Prognose zunehmen. Hinzu kommt ein hohes Maß an Dynamik und Komplexität, das einerseits durch Wechselwirkungen innerhalb des Logistikunternehmens und durch Wechselwirkungen zwischen Unternehmen und Kunde sowie andererseits durch die Vielzahl an beteiligten logistischen Ressourcen entsteht (van Wassenhove und Besiou 2013, S. 95ff.). Außerdem führt ein hoher Kostendruck in der Logistik dazu, dass

4

1 Einleitung

Entscheidungen primär aus finanzieller Perspektive getroffen werden und somit positive Effekte der nichtfinanziellen Wirkungen von nachhaltigen Dienstleistungsinnovationen oft unberücksichtigt bleiben. Als Folge der genannten Schwierigkeiten kann in Summe eine große Lücke zwischen dem Umfang der Diskussion um Nachhaltigkeit in der Logistik und der tatsächlichen Umsetzung identifiziert werden (Ashby et al. 2012, S. 509). Marchet et al. (2014, S. 802f.) und Schaltegger und Burritt (2014, S. 237) führen dies vor allem auf eine fehlende ganzheitliche und systematische Methodik zur Unterstützung von Entscheidungen zurück. In diesem Zusammenhang kritisieren Marchet et al. (2014, S. 803), dass die bisherigen Methodiken nicht in der Lage sind, alle relevanten Aspekte von nachhaltigen Dienstleistungsinnovationen in der Logistik zu erfassen. Weiterhin fehlt es gemäß Stindt (2017, S. 147) an adäquater Entscheidungsunterstützung, die die verschiedenen Konzepte sowie geeignete Methoden in einem strukturierten Planungsprozess integriert. Zwar beschreiben zahlreiche Autoren wie Schrettle et al. (2014), Das (2017) oder Gao et al. (2017) verschiedene Konzepte zur Integration von Nachhaltigkeit in der Logistik und Varsei et al. (2014) beschreiben einen Prozess zur Erlangung geeigneter Messgrößen für Nachhaltigkeit, allerdings existiert kein Konzept, das alle Aspekte integriert. Zudem fehlt es laut Brandenburg et al. (2014) und Stindt (2017) vor allem an quantitativen Modellen zur Entscheidungsunterstützung. Forschungslücke 3 (praktisch) Eine potenzielle nachhaltige Dienstleistungsinnovation stellt die Einführung von Nachtbelieferungen mit batterieelektrisch angetriebenen Lkw (E-Lkw) dar (Bernsmann et al. 2015; Kirsch et al. 2017b), welche aus Gründen des Lärmschutzes mit D-Lkw nicht möglich wäre. Aus ökonomischer Sicht sind je nach Rahmenbedingungen Kostenvorteile durch die Nachtbelieferung mit E-Lkw denkbar, zumindest bietet sie aber ein Differenzierungsmerkmal. E-Lkw sind lokal nahezu emissionsfrei, sodass sie zur Senkung von Stickstoffdioxidemissionen und Feinstaub in urbanen Ballungsräumen und somit zum Gesundheitsschutz als sozialem Aspekt beitragen. Wird der Strom zum Betrieb von E-Lkw aus erneuerbaren Energien gewonnen, ist die Nutzung von E-Lkw überdies treibhausgasneutral, wodurch der Klimaschutz und folglich die ökologische Komponente verbessert wird. Hinzu kommen zahlreiche weitere Vorteile (Moll et al. 2017): Beispielsweise können E-Lkw im Gegensatz zu D-Lkw theoretisch rund um die Uhr genutzt werden. Sie besitzen somit eine höhere tägliche Lieferleistung und es werden daher in Summe weniger Lkw zur Erbringung der Dienstleistung benötigt. Dies ist möglich, da E-Lkw einen geringeren Verschleiß sowie Wartungsbedarf aufweisen (Ruan et al. 2016, S. 129) und somit, trotz höherer Fahrleistung, eine zu D-Lkw vergleichbare Lebensdauer besitzen. Aus Gründen der Ressourcenschonung ist dies sehr positiv zu bewerten. Weiterhin kann Verkehr in die Nacht verlagert werden und somit der Verkehr tagsüber verringert werden, was allen Verkehrsteilnehmern zugutekommt. Überdies verursachen E-Lkw deutlich geringere Lärmemissionen, wodurch ein weiterer Beitrag zum Gesundheitsschutz geleistet wird. Zwar sind Lärmemissionen der E-Lkw geringer als die von D-Lkw, jedoch ist die Einhaltung der gesetzlichen Richtlinien vor allem in der Nacht trotzdem sehr herausfordernd, erfordert zum Teil bauliche Veränderungen an den Belieferungspunkten und kann nicht überall sichergestellt werden. Auch die Genehmigung von Nachtbelieferung wird von lokalen Behörden sehr unterschiedlich gehandhabt und der damit verbundene organisatorische Aufwand stellt ein großes Hemmnis dar. Zudem fehlt es an geeigneten E-Lkw. Bisher sind nur einzelne E-Lkw, meist Sonderanfertigungen, verfügbar, eine Serienproduktion gibt es nicht. Vor allem ist jedoch die Frage nach

1.2 Zielsetzung und Forschungsfragen

5

der Vorteilhaftigkeit der Implementierung von Nachtbelieferungen mit E-Lkw aus Unternehmenssicht nicht ohne Weiteres zu beantworten. Einerseits ist das zu betrachtende Dienstleistungssystem Logistik sehr komplex und es ist die Anbieter-Nachfrager-Beziehung bzw. Diffusion der Innovation zu analysieren. Andererseits besitzt ein Logistikunternehmen verschiedene Ziele bzw. Bewertungskriterien und unterschiedliche mögliche Umweltentwicklungen können die Bewertung stark beeinflussen. Außerdem bestehen in aller Regel unterschiedliche Implementierungsstrategien, die gegeneinander abgewogen werden müssen. Es ist somit eine ganzheitliche Betrachtung sowie Bewertung der beschriebenen nachhaltigen Dienstleistungsinnovation in der Logistik erforderlich, sodass eine fundierte Entscheidung hinsichtlich des Einsatzes nachhaltiger Dienstleistungsinnovationen in der Logistik aus Unternehmenssicht getroffen werden kann. 1.2

Zielsetzung und Forschungsfragen

Im Hinblick auf die dargestellten Forschungslücken besteht das Ziel dieser Arbeit darin, einerseits einen konzeptionellen Beitrag zur wissenschaftlichen Forschung in Bezug auf nachhaltige Dienstleistungsinnovationen in der Logistik zu leisten und eine geeignete Definition sowie Charakteristika zu bestimmen (1). Weiterhin soll ein methodischer Beitrag in Bezug auf die Entwicklung problemadäquater Entscheidungsmodelle erbracht werden, der sowohl für Forschung als auch Praxis relevant ist. Hierfür stellt insbesondere die Kenntnis der Charakteristika des Untersuchungsgegenstands eine wichtige Voraussetzung dar. Eine Methodik zur Entwicklung von geeigneten Entscheidungsmodellen, gestützt durch adäquate Methoden, kann als Ziel genannt werden (2). Diese Methodik soll im Rahmen eines Anwendungsfalls mit hoher Praxisrelevanz angewendet werden und konkrete Handlungsempfehlungen für die Unternehmenspraxis hinsichtlich der praktischen Problemstellung liefern und eine Entscheidung über die Implementierung einer Nachtbelieferung mit E-Lkw aus Unternehmenssicht ermöglichen (3). Aus dieser Zielstellung können folgenden Forschungsfragen (FF) für die vorliegende Arbeit abgeleitet werden: 1a. Welche Definition nachhaltiger Dienstleistungsinnovationen in der Logistik kann auf Basis der relevanten Forschungsbereiche Dienstleistungsinnovationen, Logistik und Nachhaltigkeit zugrunde gelegt werden? 1b. Welche Charakteristika nachhaltiger Dienstleistungsinnovationen in der Logistik lassen sich aus den relevanten Forschungsbereichen ableiten und welche Herausforderungen ergeben sich hieraus für die Entwicklung von Entscheidungsmodellen? 1c. Welche potenziellen Wirkungen und Wirkungskategorien nachhaltiger Dienstleistungsinnovationen in der Logistik lassen sich aus der Literatur ableiten?

6

1 Einleitung

2a. Wie gestaltet sich ein adäquates systematisches Vorgehen zur Entwicklung eines Entscheidungsmodells hinsichtlich der Implementierung nachhaltiger Dienstleistungsinnovationen in der Logistik? 2b. Welche Methoden eignen sich für die Entwicklung und Umsetzung des Entscheidungsmodells? 2c. Wie können die ausgewählten Methoden zu einer stimmigen Gesamtmethodik kombiniert werden? 3. Wie sind potenzielle Strategien zur Implementierung einer Nachtbelieferung mit E-Lkw aus Unternehmenssicht vor dem Hintergrund unterschiedlicher Umweltszenarien zu bewerten? 1.3

Gang der Untersuchung

Vor dem Hintergrund der Zielsetzung und zur Beantwortung der Forschungsfragen ist die vorliegende Arbeit in fünf Kapitel gegliedert (vgl. Abbildung 1-1). Dabei werden die Forschungsfragen 1a bis 1c in Kapitel 2 beantwortet und der Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik auf Basis der bestehenden Literatur in den benannten Forschungsbereichen aufgearbeitet. Kapitel 3 befasst sich mit der Entwicklung von Entscheidungsmodellen und geeigneten Methoden und ermöglicht die Beantwortung der Forschungsfragen 2a bis 2c. In Kapitel 4 wird die erstellte Methodik zur Entwicklung eines Entscheidungsmodells auf Basis eines praktischen Anwendungsfalls angewendet und so die Forschungsfrage 3 beantwortet. Im Anschluss an die Einleitung wird in Kapitel 2 der Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik aufgezeigt. Hierfür werden zunächst die zum Verständnis notwendigen Begriffe erläutert und eine thematische Abgrenzung durchgeführt. Es wird die Forschung zu Dienstleistungsinnovationen beleuchtet und deren Charakteristika sowie Dimensionen aufgezeigt und auf die Logistik, deren Dienstleistungscharakter und Innovationen in der Logistik eingegangen. Weiterhin werden Nachhaltigkeit, nachhaltige Innovationen sowie Nachhaltigkeit in der Logistik aufgearbeitet, bevor auf Basis der gewonnenen Erkenntnisse nachhaltige Dienstleistungsinnovationen in der Logistik definiert und deren Charakteristika sowie sich daraus ergebende Herausforderungen für die Entwicklung von Entscheidungsmodellen dargestellt werden. Dann werden Wirkungen und Wirkungskategorien nachhaltiger Dienstleistungsinnovationen in der Logistik herausgearbeitet. Dies geschieht erst auf Basis von Wirkungen von Dienstleistungsinnovationen, bevor Wirkungen von grünem und nachhaltigem Supply Chain Management betrachtet werden. Zunächst werden jeweils Literaturübersichten und Metastudien analysiert, bevor eine breite Literaturanalyse erfolgt. Abschließend werden die theoretischen Bezugspunkte der Arbeit erläutert. Neben der präskriptiven Entscheidungstheorie, der Systemtheorie und der Adoptionstheorie wird die Service-Profit-Chain herangezogen. In Kapitel 3 wird ein Vorgehen zur Entwicklung von Entscheidungsmodellen herausgearbeitet und adäquate unterstützende Methoden diskutiert und ausgewählt. Zu Beginn werden Anforderungen an das Entscheidungsmodell und die zu verwendenden Methoden definiert, bevor Ent-

1.3 Gang der Untersuchung

7

scheidungsmodelle und deren Charakteristika erläutert werden. Weiterhin wird die Entwicklung von Entscheidungsmodellen aufgearbeitet und ein problemadäquates Vorgehen zur Entwicklung von Entscheidungsmodellen ausgearbeitet. Im weiteren Verlauf des Kapitels werden die einzelnen Schritte sowie geeignete Methoden erläutert und diskutiert. Zu Anfang wird die Beschreibung von Entscheidungsproblemen dargelegt, bevor die Ermittlung von Zielsystemen beschrieben wird. Auf Basis von in verschiedenen Forschungsbereichen bestehenden Zielen und Zielsystemen wird ein beispielhaftes Zielkategoriesystem für nachhaltige Dienstleistungsinnovationen in der Logistik ausgearbeitet. Im Anschluss wird die Bestimmung von Handlungsalternativen und Problemgrenzen sowie die Ermittlung von Umweltzuständen ausgeführt. Dann erfolgt die Diskussion von Methoden zur Erstellung von Prognosen. Es werden qualitative sowie quantitative univariate und multivariate Methoden problemspezifisch entlang der definierten Anforderungen diskutiert. Danach werden Methoden zur Erstellung von Bewertungen diskutiert, wobei nur multiattributive Methoden herangezogen werden. Anschließend erfolgt die Auswahl geeigneter Methoden zur Entwicklung eines Entscheidungsmodells. Als zentrale Prognosemethode wird System Dynamics ausgewählt, wobei Befragungen, Indikatormethode, Cross-Impact Analyse, klassische Zeitreihenzerlegung sowie Discrete Choice Models als unterstützende Methoden ausgewählt werden. Zur Bewertung wird die multikriterielle Bewertungsmethode PROMETHEE ausgewählt, wobei auch punktuell Kapitalwert- und Annuitätenmethode als Verfahren der Investitionsrechnung angewendet werden. Es werden die Grundlagen der ausgewählten Methoden beschrieben, bevor die integrierte Gesamtmethodik entwickelt und beschrieben wird. Die Anwendung der erstellten Methodik zur Entwicklung eines Entscheidungsmodells für nachhaltige Dienstleistungsinnovationen in der Logistik folgt in Kapitel 4. Es erfolgt die detaillierte Beschreibung des Anwendungsfalls und die einzelnen Schritte wie Beschreibung des Entscheidungsproblems, Ermittlung des Zielsystems, Bestimmung von Handlungsalternativen und Problemgrenzen sowie Ermittlung von Umweltszenarien werden anwendungsfallspezifisch umgesetzt. Im Rahmen der Umweltszenarien werden die aus der Literatur und Praxis gewonnenen entscheidungsmodellrelevanten Daten beschrieben sowie teilweise Prognosen der Daten durchgeführt. Anschließend erfolgt die Umsetzung des Wirkungsprognosemodells, das mit einer Beschreibung der Systemstruktur beginnt, bevor die einzelnen Subsysteme detailliert beschrieben werden. Danach wird das Bewertungsmodell umgesetzt und beschrieben, bevor die Validierung des Entscheidungsmodells erfolgt. Danach werden die Modellergebnisse umfassend analysiert. Neben den Ergebnissen des Prognosemodells für verschiedene Umweltszenarien werden die Ergebnisse für die unterschiedlichen Strategien ausgewertet, bevor Sensitivitätsanalysen durchgeführt werden. Die Ergebnisse des Bewertungsmodells werden im Anschluss dargestellt und interpretiert, bevor abschließend die Zusammenfassung sowie die Diskussion der Ergebnisse und Erkenntnisse erfolgt und Limitationen aufgezeigt werden. Die Schlussbetrachtung in Kapitel 5 beginnt mit einer Zusammenfassung der zentralen Ergebnisse, bevor die Implikationen für Forschung und Praxis erläutert werden. Abschließend wird die Arbeit kritisch gewürdigt und der weitere Forschungsbedarf offengelegt.

8

1 Einleitung

Kapitel 1 Einleitung

1.1 Relevanz nachhaltiger Dienstleistungsinnovationen in der Logistik 1.2 Zielsetzung und Forschungsfragen 1.3 Gang der Untersuchung

Kapitel 2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik 2.1 Begriffe und thematische Abgrenzung

FF 1a & 1b

2.2 Wirkungen nachhaltiger Dienstleistungsinnovationen in der Logistik

FF 1c

2.3 Theoretische Bezugspunkte

Kapitel 3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen 3.1 Vorgehensweise

3.2 Anforderungen an Entscheidungsmodelle und Methoden 3.3 Charakteristika und Entwicklung von Entscheidungsmodellen

FF 2a

3.4 Beschreibung von Entscheidungsproblemen 3.5 Ermittlung von Zielsystemen 3.6 Bestimmung von Handlungsalternativen und Problemgrenzen

3.7 Ermittlung von Umweltzuständen

FF 2b

3.8 Erstellung von Prognosen 3.9 Erstellung von Bewertungen

3.10 Auswahl von Methoden zur Entwicklung eines Entscheidungsmodells 3.11 Beschreibung der Gesamtmethodik

FF 2c

Kapitel 4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

4.1 Vorgehensweise 4.2 Anwendungsfall 4.3 Wirkungsprognosemodell 4.4 Bewertungsmodell

4.5 Validierung des Modells 4.6 Modellergebnisse

FF 3

4.7 Zusammenfassung der Erkenntnisse aus den Simulationen 4.8 Diskussion und Limitationen der Ergebnisse

Kapitel 5 Schlussbetrachtung

5.1 Zusammenfassung der zentralen Ergebnisse 5.2 Implikationen für die Forschung 5.3 Implikationen für die Praxis 5.4 Kritische Würdigung und weiterer Forschungsbedarf

Abbildung 1-1:

Gang der Untersuchung

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik

2.1

Vorgehensweise

In diesem Kapitel werden die wichtigsten Begriffe im Zusammenhang mit dem Untersuchungsgegenstand nachhaltiger Dienstleistungsinnovationen in der Logistik erläutert und diskutiert, eine thematische Abgrenzung durchgeführt, der Forschungsstand zu Wirkungen und Wirkungszusammenhängen nachhaltiger Dienstleistungsinnovationen in der Logistik aufgearbeitet und theoretische Bezugspunkte der Arbeit dargestellt. Das Kapitel ist wie folgt aufgebaut: (1)

Da nachhaltige Dienstleistungsinnovationen in der Logistik in der Literatur bisher nur unzureichend und nicht als integriertes Konzept untersucht wurden, werden relevante Begriffe wie Dienstleistungsinnovationen (Kapitel 2.2.1), Logistik (Kapitel 2.2.2) und Nachhaltigkeit (Kapitel 2.2.3) jeweils einzeln untersucht und charakterisiert, bevor auf dieser Basis eine Definition und Charakteristika von nachhaltigen Dienstleistungsinnovationen in der Logistik abgeleitet werden (Kapitel 2.2.4).

(2)

Dann wird über eine breite Literaturstudie ein Überblick über den Forschungsstand zu Wirkungen und Wirkungszusammenhängen nachhaltiger Dienstleistungsinnovationen in der Logistik erstellt (Kapitel 2.3). So kann aufgezeigt werden, welche zentralen Wirkungsgrößen und Wirkungszusammenhänge in einem Entscheidungsmodell über den Einsatz nachhaltiger Dienstleistungsinnovationen in der Logistik potenziell abbildbar sein müssen. Da keine spezifische Literatur existiert, wird auf Literatur zu Dienstleistungsinnovationen (Kapitel 2.3.1) und Nachhaltigkeit in der Logistik (Kapitel 2.3.2) zurückgegriffen.

(3)

Abschließend werden geeignete theoretische Bezugspunkte für die Arbeit aufgezeigt (Kapitel 2.4).

2.2

Begriffe und thematische Abgrenzung

2.2.1 Dienstleistungsinnovationen 2.2.1.1 Begriff der Dienstleistungsinnovationen Für Dienstleistungsinnovationen gibt es, im Gegensatz zu physischen Produktinnovationen, noch keine allgemein anerkannte Definition (Dreher et al. 2011, S. 39; Carlborg et al. 2014, S. 385), obwohl die Forschung im vergangenen Jahrzehnt stark zugenommen hat (Lusch und Nambisan 2015, S. 157).

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2019 C. Moll, Nachhaltige Dienstleistungsinnovationen in der Logistik, https://doi.org/10.1007/978-3-658-28038-3_2

10

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik

In Tabelle 2-1 sind verschiedene bestehende Definitionen von Dienstleistungsinnovationen dargestellt. Quelle

Definition

Menor und Roth 2007, S. 826

„We define a new service as an offering not previously available to the firm’s customers that results from either an addition to the current mix of services or from changes made to the service delivery process.“

Hadwich 2008, S. 6ff.

„Unter einer technologiebasierten Serviceinnovation wird das neuartige Angebot eines technologiebasierten Services verstanden.“ „Technologiebasierte Services sind selbstständige, marktfähige Leistungen, die durch die Bereitstellung von technologischen Leistungsfähigkeiten des Anbieters (Potenzialdimension) und durch Integration eines externen Faktors mit Hilfe einer Technologie (Prozessdimension) auf eine nutzenstiftende Wirkung (Ergebnisdimension) abzielt.“

Verma et al. 2008, S. 7

„Service innovation is the introduction of new or novel ideas which focus on services that provide new ways of delivering a benefit, new service concepts, or new service business models through continuous operational improvement, technology, investment in employee performance, or management of the customer experience.“

den Hertog et al. 2010, S. 494

„A service innovation is a new service experience or service solution that consists of one or several of the following dimensions: new service concept, new customer interaction, new value system/business partners, new revenue model, new organizational or technological service delivery system.“

Ostrom et al. 2010, S. 5

„service innovation creates value for customers, employees, business owners, alliance partners, and communities through new and/or improved service offerings, service processes, and service business models“

Dotzel et al. 2013, S. 259

„we define service innovation as a new or enhanced intangible offering that involves the firm’s performance of a task/activity intended to benefit customers“

Furseth und Cuthbertson 2016, S. 3

„Service innovation is a novelty in a customer experience, in a business model, in the Service System delivering that experience, or in all of these. There can be a small change to an existing service, or there can be an entirely new service.“

Tabelle 2-1:

Ausgewählte Definitionen von Dienstleistungsinnovationen

Die meisten Definitionen von Dienstleistungsinnovationen stimmen darin überein, dass eine neuartige nutzenstiftende Wirkung von hoher Bedeutung ist sowie dass sowohl gänzlich neue als auch verbesserte Konfigurationen darunter zu fassen sind. Hinsichtlich des Gegenstands der Innovation werden überwiegend Dienstleistungsangebote bzw. -produkte und Dienstleistungserstellungs- oder Interaktionsprozesse genannt. Teilweise werden dienstleistungsbasierte Geschäftsmodelle miteinbezogen (Verma et al. 2008, S. 7; Ostrom et al. 2010, S. 5). Insgesamt sind in den meisten Definitionen die klassischen drei Dienstleistungsdimensionen Potenzialdimension, Prozessdimension und Ergebnisdimension (Engelhardt et al. 1993, S. 398)2 enthalten. Gemäß Meffert et al. (2015, S. 13) kann der Charakter einer Dienstleistung nur erfasst werden, wenn die drei Dienstleistungsdimensionen jeweils durch ein gesondertes Merkmal in die Definition eingehen. Auch Hadwich (2008, S. 6) empfiehlt bei der Definition technologiebasierter Dienstleistungsinnovationen die Dienstleistungsdimensionen heranzuziehen.

2

Einige Autoren, wie beispielsweise Hilke (1994, S. 212f.), sprechen auch von Phasen (Engelhardt et al. 1993, S. 398).

2.2 Begriffe und thematische Abgrenzung

11

Daher werden für die vorliegende Arbeit Dienstleistungsinnovationen wie folgt definiert: Eine Dienstleistungsinnovation bezeichnet eine neuartige Leistung, die durch die Bereitstellung von Leistungsfähigkeiten des Anbieters und durch die Integration eines externen Faktors auf eine nutzenstiftende Wirkung abzielt und Neuerungen oder Verbesserungen in einer oder mehreren Dienstleistungsdimensionen aufweist. Bei dieser Definition steht, wie bei Innovationen generell, die Neuartigkeit der Leistung im Vordergrund (Hauschildt et al. 2016, S. 5). Weiter sind Dienstleistungsinnovationen entsprechend der vorliegenden Definition sehr vielschichtig und können sich hinsichtlich ihres Betrachtungsgegenstands stark unterscheiden, was zu Herausforderungen bei der Auswahl geeigneter Methoden zur Entwicklung von Entscheidungsmodellen führen kann. 2.2.1.2 Charakteristika und Herausforderungen von Dienstleistungsinnovationen Um Dienstleistungsinnovationen besser umfassen zu können, werden in diesem Kapitel deren Charakteristika und damit verbundene Herausforderungen aufgezeigt. Diese sind auch für die Entwicklung adäquater Entscheidungsmodelle von Bedeutung. Als konstitutive Merkmale von Dienstleistungen, mithilfe derer sie gegenüber Sachleistungen abgegrenzt werden können, lassen sich die Leistungsfähigkeit des Dienstleistungsanbieters (Potenzialorientierung), die Integration des externen Faktors in den Leistungserstellungsprozess (Prozessorientierung) sowie die Immaterialität des Leistungsergebnisses (Ergebnisorientierung) festhalten (Engelhardt et al. 1993, S. 398ff.; Bruhn 2014, S. 317; Meffert et al. 2015, S. 30). Der Dienstleistungsanbieter kann zunächst nur seine Fähigkeit oder Bereitschaft zur Leistungserbringung vermarkten, nicht aber (materielle) Produkte (Engelhardt et al. 1993, S. 398f.). Im Rahmen des Dienstleistungserstellungsprozesses ist der Kunde, bzw. dessen externer Faktor, einzubinden. Ohne diesen kann die eigentliche Dienstleistung nicht erbracht werden. Engelhardt et al. (1993, S. 400) bezeichnen die Immaterialität des Leistungsergebnisses als „das mit Abstand am häufigsten herangezogene Merkmal zur Charakterisierung von Dienstleistungen“, wobei die Autoren einschränkend anführen, dass Immaterialität zwar ein charakteristisches aber nicht zwingend trennscharfes Merkmal von Dienstleistungen darstellt. Dienstleistungen sind häufig physisch nicht greifbar, was deren mentale Erfassung und Wahrnehmbarkeit sowie Qualitätsbewertung schwierig gestaltet (Rushton und Carson 1989, S. 26). Es sind jedoch auch Dienstleistungsergebnisse materieller Art möglich, weshalb die Diskussion über die konstitutiven Merkmale von Dienstleistungen kontrovers geführt wird (vgl. Meyer 2001). Durch die konstitutiven Merkmale von Dienstleistungen ergeben sich diverse Auswirkungen auf Dienstleistungsinnovationen und somit Herausforderungen für die Entwicklung geeigneter Entscheidungsmodelle. Die wesentlichen konstitutiven Merkmale, aufgrund derer sich Herausforderungen für Dienstleistungen ergeben, sind die Immaterialität und die Integration des externen Faktors (Stauss und Bruhn 2004, S. 9; Dreher et al. 2011, S. 39). Viele weitere in der Literatur diskutierte Merkmale wie Vergänglichkeit, Heterogenität oder Untrennbarkeit (Fisk et al. 1993, S. 68) lassen sich nach Engelhardt (1990, S. 278) von den genannten Merkmalen ableiten und werden daher nicht weiter betrachtet.

12

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik

In der Literatur häufig benannte Herausforderungen von Dienstleistungsinnovationen, die aus den genannten Charakteristika von Dienstleistungen resultieren, sind ein hoher Abstraktionsgrad, Schwierigkeiten bei der Kommunizierbarkeit des Leistungsversprechens, mangelnde Testbarkeit, fehlender Patentschutz, inkrementeller Innovationscharakter und hoher Bedeutung der Kundenorientierung (Stauss und Bruhn 2004, S. 9; Dreher et al. 2011, S. 40). Durch die Immaterialität weisen Dienstleistungen einen hohen Abstraktionsgrad auf (Stauss und Bruhn 2004, S. 9), wodurch bei der Analyse, Konzeption und Bewertung von Dienstleistungsinnovationen und beim Treffen von Entscheidungen ein hohes Abstraktionsvermögen erforderlich ist. Die Immaterialität der Leistungsfähigkeit führt außerdem dazu, dass Leistungsversprechen bei komplexen Dienstleistungsinnovationen sowohl intern als auch gegenüber Kunden nur schwer kommunizierbar sind (Stauss und Bruhn 2004, S. 9). Weiterhin sind Dienstleistungsinnovationen aufgrund ihrer Immaterialität sehr schwer im Rahmen eines Konzepts zu beschreiben und vor allem zu testen (Johne und Storey 1998, S. 187f.), weshalb auch Erfassung und Vermittlung möglicher Vorteile in der Konzeptphase erschwert werden (Dreher et al. 2011, S. 40). Zwar werden durchaus einzelne Tests im realen Markt durchgeführt, jedoch sind diese häufig nur begrenzt aussagefähig. Produktinnovationen hingegen können im Labor oder in streng kontrollierten Fokusgruppen ausgiebig getestet werden, wobei auch bei Dienstleistungsinnovationen immer häufiger diese Testverfahren angewandt werden (Verma et al. 2008, S. 7f.). Fehlende Möglichkeiten, Dienstleistungsinnovationen über Patente zu schützen, sind weitere Herausforderungen und führen unter Umständen dazu, dass Unternehmen auf die Entwicklung und Implementierung von Dienstleistungsinnovationen verzichten, da sie sich davon keine nachhaltigen Wettbewerbsvorteile versprechen (Dreher et al. 2011, S. 40f.). Allerdings gibt es durchaus Möglichkeiten, die Imitierbarkeit von Dienstleistungsinnovationen einzuschränken. Dies kann beispielsweise über starke Marken und ein gutes Image geschehen. Außerdem ist zu beachten, dass Dienstleistungsinnovationen bzw. hohe Dienstleistungsqualität häufig aus überlegenen Prozessen und qualifizierten Mitarbeitern resultieren und damit aus Merkmalen, die nur schwer zu kopieren sind (Amara et al. 2008). Zudem führt die Immaterialität von Dienstleistungen dazu, dass sie deutlich einfacher anpassbar sind, als dies bei physischen Prozessen und Produkten der Fall ist (Johne und Storey 1998, S. 188). Im Ergebnis können relativ einfach inkrementelle Veränderungen vorgenommen und somit Dienstleistungsinnovationen generiert werden. Auch Hipp und Grupp (2005, S. 526) bestätigen, dass Dienstleistungsinnovationen eher inkrementeller Natur sind. Da der Kunde bei Dienstleistungen aufgrund der Integration des externen Faktors direkt in den Leistungserstellungsprozess eingebunden ist, kommt Kundenorientierung bei der Entwicklung von Dienstleistungsinnovationen eine deutlich höhere Bedeutung zu, als dies bei materiellen Produktinnovationen der Fall ist (Dreher et al. 2011, S. 41). Es ist folglich darauf zu achten, dass dessen Anregungen, Wünsche und Ideen bei Dienstleistungsinnovationen berücksichtigt werden. Gleichzeitig bietet der enge Kundenkontakt aber auch die Chance, entsprechende Impulse direkt vom Kunden zu erhalten (Nägele und Vossen 2006, S. 533f.). Zusätzlich stellen Art und Umfang der Kundenbeteiligung am Leistungserstellungsprozess mögliche Ansatzpunkte für Dienstleistungsinnovationen dar (Stauss und Bruhn 2004, S. 9).

2.2 Begriffe und thematische Abgrenzung

13

2.2.1.3 Dimensionen von Dienstleistungsinnovationen Dieses Kapitel zeigt verschiedene Dimensionen von Dienstleistungsinnovationen auf. Ein adäquates Entscheidungsmodell sowie die verwendeten Methoden müssen in der Lage sein, diese Dimensionen zu berücksichtigen. Es lassen sich verschiedene Dimensionen von Dienstleistungsinnovationen differenzieren. So können Objektdimension, Subjektdimension und Intensitätsdimension unterschieden werden (Benkenstein und Steiner 2004, S. 30f.). Zusätzlich kann eine Unterscheidung anhand der Raumdimension und der Zeitdimension vorgenommen werden (Stauss und Bruhn 2004, S. 6f.; Meffert et al. 2015, S. 284). Die Objektdimension befasst sich mit dem Gegenstand der Innovation und der Frage „Was ist neu?“ (Benkenstein und Steiner 2004, S. 31ff.). Es können drei verschiedene Perspektiven unterschieden werden (Stauss und Bruhn 2004, S. 6). (1) Zunächst kann jede einzelne Dienstleistungsdimension Objekt der Neuerung sein, wodurch Potenzialinnovationen, Prozessinnovationen sowie Ergebnisinnovationen unterschieden werden können (Benkenstein und Steiner 2004, S. 33). Potenzialinnovationen betreffen die internen Faktoren der Dienstleistungserstellung und damit den Ressourceneinsatz sowie personelle und organisatorische Rahmenbedingungen des Dienstleistungsanbieters (Meffert 2006, S. 251). Prozessinnovationen setzen an der eigentlichen Leistungserstellung an, mit dem Ziel Effizienzsteigerungen durch Änderung der Prozessabläufe und Optimierung der Geschäftsprozesse zu erzielen (Meffert 2006, S. 251). Demgegenüber stellen Ergebnisinnovationen das neuartige Resultat des Dienstleistungserstellungsprozesses in Form einer neuen oder modifizierten Dienstleistung dar (Dreher et al. 2011, S. 43). (2) Weiterhin kann sowohl die komplette Dienstleistung als auch nur eine Teilleistung (z. B. produktbegleitende Dienstleistung) Objekt der Neuerung sein (Stauss und Bruhn 2004, S. 6). (3) Außerdem ist zwischen Leistungsinnovationen, welche Neuerungen in der Potenzial- und Prozessdimension sowie als Resultat Neuerungen in der Ergebnisdimension umfassen und Angebotsinnovationen zu unterscheiden, welche eine neuartige Vermarktung, Bündelung oder Gestaltung bestehender Angebote umfassen (Meyer und Blümelhuber 1998, S. 811; Meffert et al. 2015, S. 284). Trotz verschiedener Perspektiven besteht Einigkeit darüber, dass eine Dienstleistungsinnovation in der Regel Neuerungen in Bezug auf verschiedene Ausprägungen der Objektdimension beinhaltet (Dreher et al. 2011, S. 43). In der Subjektdimension steht die Betrachtungsperspektive im Vordergrund aus welcher die Innovation eine Neuerung darstellt. Damit wird die Frage „Für wen neu?“ beantwortet (Benkenstein und Steiner 2004, S. 31f.). Eine Unternehmensneuheit liegt vor, wenn die Innovation aus Sicht des anbietenden Unternehmens eine Neuerung darstellt („New to the Company“), auch wenn sie bereits in anderen Unternehmen genutzt wird. Ist eine Innovation aus Sicht des Kunden neu, so kann von einer Kundenneuheit gesprochen werden („New to the Customer“). Wird die Neuheit erstmals auf einem Markt angeboten, stellt dies eine Marktneuheit dar („New to the Market“), wohingegen sich eine Weltneuheit einen neuen Markt schafft („New to the World“) (Dreher et al. 2011, S. 43). Die Intensitätsdimension beschreibt den Grad der Neuartigkeit einer Innovation und damit die Frage „Wie sehr neu“ (Benkenstein und Steiner 2004, S. 32f.). Eine Unterteilung kann in inkrementelle und radikale Innovationen vorgenommen werden (Menor et al. 2002, S. 138). Diese können jedoch auch als Verbesserungsinnovationen und Basisinnovationen bezeichnet

14

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik

werden (Stauss und Bruhn 2004, S. 7). Inkrementelle Innovationen zeichnet aus, dass sich die Zweck-Mittel-Kombination verändert, die vorhandenen Mittel jedoch zur Erreichung bestehender, gleichbleibender Zwecke eingesetzt werden. Bei radikalen Innovationen hingegen werden neue Mittel entwickelt um neuartige Zwecke zu erfüllen und dementsprechend neue Märkte geschaffen und neue Kundenbedürfnisse erfüllt (Innerhofer 2012, S. 42f.). Die Zeitdimension bezieht sich auf die Frage, ab wann und wie lange eine Dienstleistungsinnovation unternehmensintern als solche gilt und wie lange die Innovation nach ihrer Markteinführung als neu bezeichnet wird (Stauss und Bruhn 2004, S. 7). Da Kunden die innovative Dienstleistung selbst erfahren müssen, ist ein entsprechend langer Adoptions- und Diffusionsprozess gegeben (Meffert 2006, S. 251). Die Raumdimension beschreibt den Umstand, dass eine Dienstleistungsinnovation in verschiedenen geographischen Gebieten unterschiedlichen Neuheitsgrad besitzen kann (Meffert et al. 2015, S. 284). Es ist jedoch zu beachten, dass die Dimensionen von Dienstleistungsinnovationen bzw. deren Ausprägungen nicht unabhängig voneinander zu betrachten sind (Benkenstein und Steiner 2004, S. 39). Beispielsweise sind Prozessinnovationen wie erwähnt häufig inkrementeller Natur, wohingegen Potenzialinnovationen, beispielsweise durch neue IKT, durchaus radikalen Charakter besitzen können. Besonders hervorzuheben sind jedoch die Zusammenhänge innerhalb der Objektdimension. Ergebnisinnovationen setzen Potenzial- und Prozessinnovationen voraus und Potenzial- und Prozessinnovationen treten meistens gemeinsam auf, wobei sie nicht zwangsläufig in ein neues Ergebnis münden (Benkenstein und Steiner 2004, S. 39).

2.2.2 Logistik 2.2.2.1 Logistikbegriff Für den Begriff Logistik gibt es zahlreiche unterschiedliche Definitionen sowie verschiedene Definitionsansätze (Pfohl 2010, S. 12; Hausladen 2014, S. 4f.). Am meisten verbreitet in Forschung und Praxis sind dabei flussorientierte Definitionsansätze (Pfohl 2010, S. 14; Koch 2012, S. 10), welche auch im Rahmen dieser Arbeit im Vordergrund stehen sollen. Sie stellen den Material- bzw. Güterfluss in den Vordergrund. In Tabelle 2-2 finden sich ausgewählte Definitionen von Logistik. Weitgehende Übereinstimmung in den Logistikdefinitionen herrscht bezüglich der darin enthaltenen Elemente. Im Wesentlichen werden Güter- und Informationsflüsse als Gegenstand der Logistik benannt. Weiter betonen fast alle Definitionen den unternehmensübergreifenden Aspekt der Logistik vom (Rohstoff-)Lieferanten bis zum Endkunden sowie die ganzheitliche und integrierte Betrachtungsweise. Als Aufgaben der Logistik können Gestaltung, Koordination und Realisierung bzw. Planung, Steuerung, Kontrolle der Güterflüsse und zugehöriger Informations- und Geldflüsse innerhalb von und zwischen Unternehmen festgehalten werden.

2.2 Begriffe und thematische Abgrenzung

15

Quelle

Definition

Chapman et al. 2003, S. 639

„Logistics are an extension of physical-distribution management and usually pertain to the management of the materials and information stream of a business, down through a distribution channel, to the end customers.“

Arnold et al. 2008, S. 3

„Logistik bedeutet die Gestaltung logistischer Systeme sowie die Steuerung der darin ablaufenden logistischen Prozesse.“

Pfohl 2010, S. 12

„Zur Logistik gehören alle Tätigkeiten, durch die die raumzeitliche Gütertransformation und die damit zusammenhängenden Transformationen hinsichtlich der Gütermengen und -sorten, der Güterhandhabungseigenschaften sowie der logistischen Determiniertheit der Güter geplant, gesteuert, realisiert oder kontrolliert werden. Durch das Zusammenwirken dieser Tätigkeiten soll ein Güterfluss in Gang gesetzt werden, der einen Lieferpunkt mit einem Empfangspunkt möglichst effizient verbindet.“

Göpfert 2016, S. 59

„Die Logistik ist eine moderne Führungskonzeption zur Entwicklung, Gestaltung, Lenkung und Realisation effektiver und effizienter Flüsse von Objekten (Güter-, Informations-, Geld- und Finanzflüsse) in unternehmensweiten und unternehmensübergreifenden Wertschöpfungssystemen.“

BVL 2017

„Logistik ist die ganzheitliche Planung, Steuerung, Koordination, Durchführung und Kontrolle aller unternehmensinternen und unternehmensübergreifenden Informationsund Güterflüsse.“

Tabelle 2-2:

Ausgewählte Definitionen von Logistik

Unter Berücksichtigung dieser Aspekte wird Logistik daher wie folgt definiert: Logistik bezeichnet die integrierte und unternehmensübergreifende Gestaltung, Koordination und Realisierung von Güterflüssen und dazugehörigen Informations- und Geldflüssen entlang der gesamten Wertschöpfungskette. 2.2.2.2 Charakteristika und Herausforderungen von Logistik Um Entscheidungsmodelle adäquat gestalten zu können, werden in diesem Kapitel die Charakteristika und Herausforderungen von Logistik dargelegt. Mit der hohen Bedeutung von Informationen, als Voraussetzung zur Steuerung oder als Auslöser der Prozesse und der daraus resultierenden Erfordernis eines IKT-Systems sowie mit der ganzheitlichen Sicht auf alle Prozesse im (unternehmensübergreifenden) Logistiksystem wurden in den Definitionen zwei der charakteristischen Merkmale der Logistik nach Arnold et al. (2008, S. 3) bereits benannt. Die dritte Besonderheit ist, dass die Logistik sich mit physischen Systemen und Prozessen befasst, wobei sowohl physisch-technische als auch ökonomisch-administrative Aufgaben zu erfüllen sind (Arnold et al. 2008, S. 3f.). Folglich ist die Logistik interdisziplinär ausgerichtet und gleichermaßen Gegenstand der Wirtschaftswissenschaften, Ingenieurwissenschaften und Informatik. Entsprechend vielfältig sind einerseits die zur Entwicklung von Entscheidungsmodellen heranziehbaren Methoden und andererseits die abzubildenden Elemente. Gemäß Schuh et al. (2013a, S. 9) sind als Kernprozesse der Logistik alle TULProzesse sowie Kommissionieren, Disponieren und Verpacken zu nennen. Die größten Herausforderungen mit denen die Logistikbranche konfrontiert ist, sind zunehmendes Outsourcing, steigender Wettbewerbs- und Kostendruck insbesondere bei Standarddienstleistungen sowie immer vielfältigere und differenziertere Kundenanforderungen (Stölzle und

16

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik

Martin 2016, S. 499). Dabei betrifft das Outsourcing von Logistikdienstleistungen in immer stärkerem Maße sowohl Logistikunternehmen, die Teilleistungen an spezialisierte Logistikunternehmen outsourcen, als auch produzierende Unternehmen oder Handelsunternehmen, die Logistikdienstleistungen nicht mehr selbst erbringen (Langley et al. 2017, S. 10ff.). Dies führt einerseits zu immer höherer Spezialisierung und andererseits zu einem wachsenden Markt für Logistikdienstleistungen, in den immer mehr Wettbewerber eintreten, wodurch der Wettbewerbsdruck und daraus resultierend der Kostendruck steigen. Insgesamt steigt auch durch die Globalisierung und damit verbundenem globalen Wettbewerb der Wettbewerbs- und Kostendruck. Vor allem bei einfachen, standardisierten Leistungen ist dies der Fall. Die wachsenden und immer unterschiedlicheren Kundenanforderungen machen leistungsfähigere Logistiksysteme notwendig, die ein hohes Maß an Investitionen, stetigen Wandel und somit Innovation erfordern. Folglich stellen mit Kostenführerschaft, Fokussierung und Differenzierung alle Strategien nach Porter (2013) eine Option für Logistikunternehmen dar. Beispielsweise können die Kosten durch effizientere, innovative Transport- oder Informations- und KommunikationsTechnologien (IKT) gesenkt werden, eine Differenzierung durch eine Steigerung des Servicegrads (hohe Lieferzuverlässigkeit oder Lieferflexibilität) erzielt werden oder durch Spezialisierung auf einzelne Logistikprozesse (z. B. Lagerhaltung) eine Fokussierung erreicht werden. Jedoch konstatieren Wagenstetter (2015, S. 27f.) und Wutke (2016, S. 28ff.), dass in der Logistik primär Differenzierung oder Kostenführerschaft angestrebt werden. Die Verwendung von E-Lkw im Rahmen der praktischen Problemstellung dieser Arbeit stellt eine innovative Transporttechnologie dar, die möglicherweise mit Kostensenkungen verbunden ist, wohingegen die Nachtbelieferung Potenzial zur Verbesserung des Servicegrads und damit zur Differenzierung besitzt. 2.2.2.3 Dienstleistungscharakter der Logistik Um eine Verknüpfung zwischen Dienstleistungen bzw. Dienstleistungsinnovationen und Logistik herzustellen, wird nun der Dienstleistungscharakter der Logistik aufgezeigt. Grundsätzlich sind logistische Leistungen gemäß (Statistisches Bundesamt 2008, S. 404ff.) dem Dienstleistungssektor zuordnen. Dies wird auch in der betriebswirtschaftlichen Literatur betont (Pfohl 2010, S. 24f.; Wagenstetter 2015, S. 28f.). Im Folgenden soll in Anlehnung an Zöllner (1990, S. 7ff.) und Engelke (1997, S. 41ff.) die Anwendbarkeit der konstitutiven Merkmale von Dienstleistungen auf die Logistik überprüft werden und damit deren Dienstleistungscharakter festgestellt werden. In der Potenzialdimension werden vom Dienstleistungsanbieter interne Faktoren eingebracht, die Lebewesen, Objekte bzw. materielle Güter, Rechte, Nominalgüter sowie Informationen umfassen können (Hilke 1994, S. 219; Kleinaltenkamp 1997, S. 351). Diese internen Faktoren lassen sich in Potenzial- und Verbrauchsfaktoren unterteilen (Kleinaltenkamp 1997, S. 351) und werden nach dem Verständnis der Dienstleistungsproduktion als Produktionsfaktoren bezeichnet (Corsten und Gössinger 2007, S. 130). Zur Erstellung logistischer Leistungen sind ebenso Produktionsfaktoren einzubringen, beispielsweise in Form von Gebäuden, technischen Anlagen oder Transportmitteln (z. B. E-Lkw). Über Faktorkombinationen (Vorkombination) der Produktionsfaktoren wird die Herausbildung von Leistungspotenzialen ermöglicht (Corsten 2017, S. 176). Leistungspotenziale bilden die grundsätzlich verfügbare Kapazität zur Erbrin-

2.2 Begriffe und thematische Abgrenzung

17

gung einer Dienstleistung ab (Corsten und Gössinger 2007, S. 128f.), also die Dienstleistungskapazität. Demgegenüber bezeichnet die Leistungsbereitschaft das sofort bzw. situativ verfügbare Leistungspotenzial unter Berücksichtigung der Auslastung (Corsten 2017, S. 176). Am Beispiel des Transports stellen folglich Fahrer und Fahrzeuge im Fuhrpark das Leistungspotenzial dar, ein Fahrer mit Fahrzeug, der zum geforderten Zeitpunkt bereitsteht, um ein logistisches Objekt aufzunehmen, die Leistungsbereitschaft (Corsten und Gössinger 2007, S. 205). Da die Fähigkeit und Bereitschaft zur Erstellung der logistischen Leistung und damit das Leistungsversprechen nicht greifbar sind, ist die Immaterialität in der Potenzialdimension gegeben. Durch die Integration des Kunden bzw. durch die Kombination dessen Objekts (externer Faktor) mit der Leistungsbereitschaft wird die Endkombination und damit der eigentliche Dienstleistungserstellungsprozess ausgelöst (Benkenstein 2017, S. 17). Dieser stellt in der Logistik die eigentliche logistische Leistung im Sinne einer TUL-Leistung dar. Beispiele für externe Faktoren einer logistischen Leistung sind der eingehende Kundenauftrag oder die Bereitstellung der zu transportierenden oder zu lagernden Güter durch den Kunden. Da die Erstellung der eigentlichen logistischen Leistung erst mit der Integration des externen Faktors beginnt, kann der Kunde vor allem vor dem Erstkauf die Prozess- und Ergebnisqualität nur schwer beurteilen. Er kann lediglich auf die Qualität der internen Produktionsfaktoren des Logistikunternehmens, die Qualitätsinformationen anderer Kunden, das Image des Logistikunternehmens oder den Preis der Leistung als Informationsquelle zurückgreifen (Engelke 1997, S. 42f.). Der Kunde ist nicht zwingend während des gesamten Leistungserstellungsprozesses einzubinden, sondern lediglich zu bestimmten Zeitpunkten, wie beispielsweise der Auftragsübermittlung oder der Übergabe und Entgegennahme der materiellen Güter. Demgegenüber sind Objekte des Kunden in der Regel während der gesamten Leistungserstellung beteiligt (Wagenstetter 2015, S. 28f.). Eine Besonderheit logistischer Leistungen ist allerdings die mögliche Integration mehrerer Personengruppen als externe Faktoren. Der Auftraggeber muss nicht zwangsläufig derjenige sein, der materielle Güter einbringt und der Empfänger der Güter bzw. der Leistung kann ebenfalls jemand anderes sein (Engelke 1997, S. 45). In Summe kann festgehalten werden, dass die Integration des externen Faktors auch für logistische Leistungen ein wichtiges Merkmal ist. Der Dienstleistungserstellungsprozess führt letztendlich zu einem immateriellen Leistungsergebnis, das in der Logistik die raum-zeitliche und mengen-sortenmäßige Transformation der logistischen Güter darstellt (Pfohl 2010, S. 24). Die physischen Veränderungen der mengensortenmäßigen Transformation an den Gütern sind zwar greifbar, jedoch nicht die daraus entstehenden Wirkungen, womit festgehalten werden kann, dass die Immaterialität des Leistungsergebnisses für logistische Leistungen gegeben ist (Engelke 1997, S. 46). Folglich können logistische Leistungen als logistische Dienstleistungen oder auch Logistikdienstleistungen und Logistikunternehmen als Dienstleistungsunternehmen bezeichnet werden. Weiter stellt Wagner (2008a, S. 222) fest, dass die Charakteristika und Herausforderungen von Dienstleistungsinnovationen auch für die Logistik gelten. Es ist darauf hinzuweisen, dass sich Logistikdienstleistungen aufgrund ihrer hohen Potenzialorientierung von anderen Dienstleistungen unterscheiden (Thomas 1978, S. 159ff.; Lovelock 1983, S. 12; Busse 2010, S. 46).3 So kann gefolgert werden, dass Effizienz und Effektivität in 3

Siehe hierzu auch Kapitel 2.2.2.4.

18

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik

der Nutzung der Potenzialfaktoren eine sehr wichtige Rolle spielen. Die hohe Potenzialorientierung lässt sich durch die Charakteristika der Logistik, vor allem durch die Zentralität physischer Systeme und Prozesse (Arnold et al. 2008, S. 3f.), bestätigen. Das Logistiknetzwerk eines Logistikunternehmens beispielsweise stellt seine Leistungsbereitschaft sicher und ist gekennzeichnet durch eine Vielzahl an physischen Lagerstandorten und Transportmitteln (Pfohl 2016, S. 97ff.). Unternehmen, die Logistikdienstleistungen für Dritte erbringen, werden in der Literatur als Logistikdienstleister (LDL, engl. Logistics Service Provider, LSP) bezeichnet (Delfmann et al. 2002, S. 203f.), wobei betont wird, dass für diese Unternehmen die Logistikdienstleistung die Primärleistung darstellen muss (Busse und Wallenburg 2011, S. 190). Im Rahmen dieser Arbeit soll der Fokus jedoch nicht ausschließlich auf Logistikdienstleistern gemäß der Begriffsdefinition liegen, sondern generell auf dem betrieblichen Funktionsbereich Logistik. Grund hierfür ist, dass Logistik und damit ebenso die Entstehung und Umsetzung von Logistikinnovationen auch für Unternehmen eine wichtige Rolle spielen, deren Primärleistung nicht die Logistik selbst darstellt (Busse und Wallenburg 2011, S. 190). Eine Einschränkung des Untersuchungsgegenstands auf LDL würde daher zu kurz greifen. Somit liegen nicht nur LDL als wirtschaftlich und rechtlich selbstständige, nach erwerbswirtschaftlichen Prinzipien geführte Einheiten (Brauer 1991, S. 11f.; Hungenberg und Wulf 2015, S. 12ff.) innerhalb des Betrachtungsradius, sondern auch rechtlich unselbstständige Unternehmensteile, -bereiche oder -abteilungen von Industrieunternehmen, Handelsunternehmen oder anderen Unternehmen, die als Primärleistung Logistikdienstleistungen erbringen. Diese werden häufig auch als interne (Logistik-)Dienstleister bezeichnet. Darüber hinaus sind ohnehin gemischte Systeme intern durchgeführter Logistikfunktionen und Beauftragung externer LDL verbreitet (Wilding und Juriado 2004, S. 643). Im weiteren Verlauf dieser Arbeit wird daher der Begriff Logistikdienstleister sowohl für Logistikdienstleister im ursprünglichen Sinne als auch für auch Logistikabteilungen von Unternehmen verwendet. 2.2.2.4 Einordnung der Logistik in eine Dienstleistungstypologie Um die Logistik einerseits gegenüber anderen Dienstleistungen abzugrenzen und andererseits ähnliche Dienstleistungen zu identifizieren, soll die Logistik in eine Dienstleistungstypologie eingeordnet werden. Dienstleistungen sind äußerst heterogen. Daher ist es wichtig, sie im Rahmen der Dienstleistungsforschung zu systematisieren, um Implikationen für Gruppen von Dienstleistungen erarbeiten zu können, die sich nach innen durch hohe Homogenität auszeichnen und die nach außen eine hohe Differenzierbarkeit gegenüber anderen Gruppen aufweisen (Bruhn und Hadwich 2017, S. 26). Um dies zu erreichen, sind die spezifischen Charakteristika des Analyseobjekts möglichst genau zu beschreiben und zu systematisieren (Evanschitzky 2003, S. 9). Eine Systematisierung von Dienstleistungen kann mithilfe von Typologien durchgeführt werden. Diese bieten gegenüber klassifizierenden oder definitorischen Ansätzen den Vorteil, dass zum einen mehrere Merkmale herangezogen werden können, und zum anderen, dass die Merkmale nicht eindeutig bestimmt werden müssen, sondern als Kontinuum zwischen den Extremausprägungen dargestellt werden können (Meffert et al. 2015, S. 15). Eine Typologisierung bildet Begriffe, die als Bezeichnung für die jeweiligen Typen zu verstehen sind.

2.2 Begriffe und thematische Abgrenzung

19

Sowohl die Begriffsbildung, als auch die Bestimmung der heranzuziehenden Merkmale muss dabei zweckgeleitet erfolgen, mit dem Ziel, ein Untersuchungsobjekt wissenschaftlich besser zugänglich zu machen (Algermissen 1976, S. 28f.). Eine der am weitesten verbreiteten Dienstleistungstypologien ist die nach Schmenner (1986).4 Sie unterscheidet Dienstleistungen hinsichtlich des Grads der Arbeitsintensität und des Grads der Interaktion und Individualisierung. Dabei ist die Arbeitsintensität definiert als Verhältnis zwischen Lohnkosten und dienstleistungsspezifischem Anlagevermögen. Der Interaktionsgrad beschreibt, inwieweit der Kunde aktiv in den Dienstleistungserstellungsprozess eingreifen und diesen beeinflussen kann, wohingegen der Individualisierungsgrad bestimmt, inwieweit die Dienstleistung kundenspezifisch angepasst werden kann. Es ist zu betonen, dass Interaktion und Individualisierung stark ineinandergreifen. Schmenner (1986, S. 24f.) unterscheidet die Dienstleistungstypen „Mass Service“, „Professional Service“, „Service Shop“ und „Service Factory“ wie in Abbildung 2-1 dargestellt ist. Mass Services zeichnen sich durch eine hohe Arbeitsintensität und geringe Interaktion und Individualisierung aus. Typische Beispiele sind im Einzelhandel, Großhandel, in Schulen oder auch Banken zu finden. Steigt der Interaktions- und Individualisierungsgrad an und es werden sehr spezifische Dienstleistungen erstellt, kann von Professional Services gesprochen werden, wofür Unternehmensberatungen, Ärzte und Rechtsanwälte Beispiele sind. Eine hohe Interaktion und Individualisierung bei geringer Arbeitsintensität ist in Service Shops zu finden. Hier sind Krankenhäuser, Autowerkstätten oder auch die meisten Restaurants als Beispiel zu nennen (vgl. Schmenner 1986, S. 24f.). Die Service Factory zeichnet eine geringe Arbeitsintensität und damit ein hoher Bedarf an Anlagen und Ausstattung aus sowie geringe Kundeninteraktion und -individualisierung. Die Prozesse sind größtenteils standardisiert und die Bereitstellung der Leistungspotenziale kapitalintensiv (Bruhn und Hadwich 2017, S. 36). Hierunter fallen beispielsweise Airlines, Hotels, Verkehr, Transport und auch die Logistik (Fähnrich 1999, S. 33). Die dargestellte Typologisierung bietet jedoch nur eine grobe Orientierung. Es ist zu beachten, dass sich für alle genannten Beispiele auch konkrete Dienstleistungen finden, die anderen Typen zuzuordnen sind. Beispielsweise geht bei Logistikdienstleistungen der Trend immer stärker zu höherer Interaktion und Individualisierung, wobei zum einen das Niveau von Interaktion und Individualisierung für Dienstleistungen generell steigt, wodurch sich die Veränderungen in der Logistik wieder nivellieren. Zum anderen ist trotz allem in der Logistik ein hoher Standardisierungsgrad erforderlich, um Leistungen effizient und effektiv erbringen zu können. Weiterhin ist je nach Logistikdienstleistung auch der Grad der Arbeitsintensität stark unterschiedlich. Einerseits existieren vollautomatisierte Hochregallager, andererseits ist in der Kommissionierung von Gütern wie auch im Verteilerverkehr der Personalkostenanteil nicht zu unterschätzen.

4

Diese Dienstleistungstypologie wird auch von Bruhn und Hadwich (2017, S. 33ff.) als klassisches Beispiel für eine zweidimensionale Dienstleistungstypologie aufgeführt. Für eine Diskussion verschiedener Dienstleistungstypologien sei auf Jaakkola et al. (2017, S. 330f.) verwiesen.

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik

Grad der Arbeitsintensität

20

Mass Service

Professional Service

Service Factory

Service Shop

Grad der Interaktion und Individualisierung

Abbildung 2-1:

Dienstleistungstypologie nach Schmenner (1986, S. 25)

2.2.2.5 Innovationen in der Logistik Nach einer Erläuterung des Begriffs sowie der Dimensionen von Innovationen in der Logistik soll der konkrete Gegenstand von Innovationen in der Logistik herausgearbeitet werden. Bei der Betrachtung von Innovationen in der Logistik können verschiedene Betrachtungsperspektiven identifiziert werden. Sie werden einerseits aus der Perspektive der Logistikforschung diskutiert, wo technologische Aspekte sowie die klassische Innovationsforschung im Vordergrund stehen (vgl. Chapman et al. 2003; Flint et al. 2005; Busse und Wallenburg 2011; Grawe et al. 2015a). Andererseits werden sie aus der Perspektive der Dienstleistungsforschung analysiert (vgl. Lampe und Stölzle 2012; Göpfert 2016; Pfohl 2016; Stölzle und Martin 2016), wo die Dienstleistungsdimensionen und Charakteristika von Dienstleistungsinnovationen betont werden. Im Folgenden wird die Logistikforschung aufgearbeitet und jeweils um die Perspektive der Dienstleistungsforschung ergänzt. Begriff von Innovationen in der Logistik Die in der Literatur am häufigsten referenzierte Definition von Innovationen in der Logistik5 beschreibt diese als (Flint et al. 2005, S. 114): „any logistics related service from the basic to the complex that is seen as new and helpful to a particular focal audience. This audience could be internal where innovations improve operational efficiency or external where innovations better serve customers“ Wenngleich diese Definition zunächst keine eindeutige Beschreibung von Innovationen in der Logistik ermöglicht, so zeigt sie dennoch Dimensionen auf, die hilfreich für eine Differenzierung und Strukturierung sind. Es lassen sich einerseits Innovationen unterscheiden, welche sich auf die Verbesserung operativer Logistikprozesse beziehen, sowie andererseits Innovationen, 5

Sie wird beispielsweise von Zailani et al. (2011, S. 108), Rossi et al. (2013, S. 587) und Grawe et al. (2015b, S. 90) verwendet.

2.2 Begriffe und thematische Abgrenzung

21

die einen zusätzlichen oder erweiterten, für externe Kunden wahrnehmbaren Nutzen generieren. Eine ähnliche Differenzierung führen auch Rossi et al. (2013, S. 587) durch, die einerseits das Konzept „neu“ herausgreifen, welches sich auf Prozesse und Produkte bzw. Dienstleistungen gleichermaßen beziehen kann, und andererseits das Konzept „Nutzen“, welches Funktionalität und Bedürfniserfüllung in Relation zum ökonomischen Wert aus der Kundenperspektive betrachtet. Dimensionen von Innovationen in der Logistik Diese aufgezeigten Betrachtungen spiegeln sich auch in der Literatur zu Innovationen in der Logistik wider. Dort werden überwiegend Prozess- und Produkt- bzw. Dienstleistungsinnovationen unterschieden und somit die Objektdimension zur Differenzierung herangezogen (Chapman et al. 2003, S. 632f.; Wagner 2008a, S. 221; Rossi et al. 2013, S. 587).6 Weiterhin werden jedoch auch die Subjektdimension (Flint et al. 2005, S. 114; Wagner 2008a, S. 221f.; Göpfert und Hornbostel 2012, S. 261; Lampe und Stölzle 2012, S. 7f.) sowie die Intensitätsdimension (Chapman et al. 2003, S. 632f.; Flint et al. 2005, S. 114f.; Göpfert und Hornbostel 2012, S. 261; Lampe und Stölzle 2012, S. 10f.) zur Differenzierung verwendet. Darüber hinaus werden vereinzelt weitere Dimensionen wie beispielsweise die Zeit- und Raumdimension, die normative Dimension oder Akteursdimension unterschieden (Hauschildt et al. 2016, S. 5f.). Diese sollen allerdings im Rahmen dieser Arbeit nicht näher betrachtet werden, da die vorgenannten Dimensionen zur Klassifizierung von Innovationen in der Logistik ausreichend sind (Lampe und Stölzle 2012, 14). In der Objektdimension werden neben Prozess- und Produkt- bzw. Dienstleistungsinnovationen vor allem Potenzialinnovationen unterschieden (Frunzke 2010, S. 286ff.; Elbert und Özsucu 2012, S. 58; Göpfert und Hornbostel 2012, S. 261f.). Somit kann der Dreidimensionalität von Dienstleistungen (Meffert et al. 2015, S. 12f.; Benkenstein 2017, S. 16f.) entsprochen werden. Prozessinnovationen beziehen sich in der Logistik auf veränderte oder gänzlich neugestaltete Prozesse, die sowohl materieller als auch immaterieller Natur sein können7 und innerhalb eines Unternehmens, aber auch zwischen Unternehmen auftreten können (Pfohl 2016, S. 166). Sie dienen dem Ziel der Qualitätsverbesserung oder der Kostenreduktion (Rossi et al. 2013, S. 587). Grundsätzlich sind Prozessinnovationen tendenziell inkrementeller Natur, z. B. bessere Auslastung der Transportmittel oder geringere Beschädigungsrate bei den transportierten Gütern, jedoch sind auch umfassendere Veränderungen denkbar, wie beispielsweise die Einführung neuer Organisationsstrukturen oder neuer IKT-Systeme (Wagner 2008a, S. 222). Produktinnovationen hingegen erfüllen in der Logistik veränderte oder neue Marktanforderungen oder -bedürfnisse über ein innovatives Produkt (Rossi et al. 2013, S. 587), welches in der Logistik eine Logistikdienstleistung darstellt. Eine Produktinnovation muss per Definition durch den Kunden wahrnehmbar sein (Chapman et al. 2003, S. 646). Es wird im Weiteren zur Berücksichtigung der Dienstleistungsdimensionen und des Dienstleistungscharakters logistischer Produkte bzw. von Logistikdienstleistungen von Ergebnisinnovationen anstelle von Pro-

6

7

Auch in der Literatur zur Innovationsforschung, welche die Unterscheidung von Produkt- und Prozessinnovationen geprägt hat (vgl. Utterback 1974; Utterback und Abernathy 1975; Tidd und Bessant 2013) ist diese Unterscheidung immer noch vorherrschend (Hauschildt et al. 2016, S. 6). Beispielsweise Geld-, Informations- und Güterflüsse.

22

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik

duktinnovationen gesprochen. Beispiele für Ergebnisinnovationen sind eine 24-Stunden-Anlieferung im Einzelhandel, garantierte und deutlich verkürzte Lieferzeiten8 oder im Sinne von Zusatzdienstleistungen Finanz- oder Beratungsdienstleistungen. Potenzialinnovationen stellen Neuerungen der Leistungsfähigkeit und -bereitschaft auf Seiten des LDLs dar, die auf materiellen oder immateriellen Ressourcen basieren (Pfohl et al. 2007, S. 23; Lampe und Stölzle 2012, S. 8). Beispiele sind neue und effizientere Transportmittel oder neue Auftragsverwaltungssysteme, wobei ersichtlich ist, dass sich diese Innovationen auch in veränderten Prozessen widerspiegeln können. Benkenstein und Steiner (2004, S. 35) betonen ebenfalls, dass Potenzialinnovationen eng mit Prozessinnovationen verknüpft sind, da die in der Potenzialdimension verknüpften Potenzialfaktoren, im Sinne einer Vorkombination, die Basis für die Leistungsbereitschaft und die Endkombination im Sinne der Leistungserbringung bilden (vgl. Benkenstein 2017, S. 176). Folglich sind die Potenzialinnovationen in den Prozessund Ergebnisinnovationen enthalten (Lampe und Stölzle 2012, S. 8). In der Potenzialdimension ist auch primär die Diskussion um innovative Technologien und deren Einsatz in der Logistik zu verorten, wie er im Fokus dieser Arbeit steht. Technologien können für LDL eine wichtige Quelle für Innovation darstellen (Busse und Wallenburg 2011, S. 197) und eine Verbesserung des Servicelevels ermöglichen (Lin 2008, S. 20). In der Subjektdimension wird hinsichtlich der Frage, für wen die Innovation eine Neuheit darstellt, unterschieden (Hauschildt et al. 2016, S. 6). Dabei lassen sich individuelle Innovationen unterscheiden, die neu für einzelne Individuen sind, Unternehmensinnovationen, die auf Organisationsebene eine Neuheit darstellen, Brancheninnovationen, die in der gesamten Branche bisher unbekannt waren und Innovationen auf nationaler oder globaler Ebene, die eine Neuerung aus nationalökonomischer oder internationaler Sicht darstellen (Pfohl et al. 2007, S. 21f.). Die Intensitätsdimension unterscheidet als Extremausprägungen radikale bzw. transformatorische Innovationen (Chapman et al. 2003, S. 632), die grundlegend neu ausgestaltete Potenziale, Prozesse oder Ergebnisse bezeichnen sowie inkrementelle Innovationen, die sich lediglich auf Verbesserungen der genannten Innovationsobjekte beziehen (Pfohl 2016, S. 166). Häufig sind Prozessinnovationen in der Logistik inkrementeller Natur (Wagner 2008a, S. 222), da aufgrund der hohen Potenzialintensität in der Logistik radikale Innovationen mit extrem hohen Investitionen verbunden wären, welche wiederum ein hohes Risiko für das Unternehmen darstellen. Innovationen bieten Logistikunternehmen die Chance, den wachsenden Herausforderungen wie zunehmendem Wettbewerbs- und Kostendruck und steigenden Kundenanforderungen zu begegnen (Daugherty et al. 2011, S. 27; Busse und Wallenburg 2014, S. 396). Sie ermöglichen Kostensenkungen und Differenzierung (Grawe 2009, S. 361ff.) und bilden so eine Basis für Wettbewerbsvorteile (Chapman et al. 2003, S. 641). Trotzdem weist die Logistik im Vergleich zu anderen Branchen ein deutlich geringeres Maß an Innovation auf (Wagner 2008b, S. 226; Busse und Wallenburg 2014, S. 396f.; Stölzle und Martin 2016, S. 499f.). Zwar vollzieht sich in den Unternehmen zunehmend ein Wandel und die Innovationsaktivitäten haben stark zugenommen (Langley et al. 2017, S. 11), trotzdem bleiben die Unternehmen hinter den Erwartungen ihrer Kunden zurück und sind in der Breite nur wenig innovativ (Busse und Wallenburg 8

Als Beispiel ist die Same-Day-Lieferung von Amazon zu nennen, die in zahlreichen deutschen Metropolen verfügbar ist und die für Kunden mit einer kostenpflichtigen Premiummitgliedschaft die Lieferung eines ausgewählten Sortiments am Bestelltag garantiert (Amazon Europe 2017).

2.2 Begriffe und thematische Abgrenzung

23

2011, S. 187f.; Stölzle und Martin 2016, S. 499f.). Auch in der Forschung besteht, trotz im letzten Jahrzehnt stark gestiegenem Interesse (Tanskanen et al. 2015, S. 140), noch kein allgemeingültiges Verständnis von Innovationen in der Logistik (Grawe 2009, S. 361; Lampe und Stölzle 2012, S. 5; Busse und Wallenburg 2014, S. 396; Göpfert und Wellbrock 2016, S. 229). Konkreter Gegenstand von Innovation in der Logistik Wie im vorigen Abschnitt dargelegt wurde, lassen sich Innovationen in der Logistik hinsichtlich ihrer Objektdimension in Potenzial-, Prozess- und Ergebnisinnovation unterscheiden. Es soll aufgezeigt werden, was in den einzelnen Dimensionen konkreter Gegenstand der Innovation in der Logistik sein kann, um einen Überblick über potenzielle Betrachtungsgegenstände für ein Entscheidungsmodell zu erhalten. In der Potenzialdimension können Leistungspotenziale als Gegenstand der Innovation festgehalten werden. Diese innovativen Leistungspotenziale können durch neue oder veränderte interne Produktionsfaktoren oder durch eine neuartige Kombination derselben hervorgerufen werden. Diese Produktionsfaktoren können auch als Ressourcen bezeichnet werden und sollen im Folgenden für die Logistik näher beschrieben werden. Als klassische Ressourcen in der Logistik benennen Arnold et al. (2008, S. 443) und Schuh und Stich (2013, S. 118) Arbeitsmittel, Arbeitshilfsmittel, Fläche und Raum, Bestände, Organisationsmittel sowie Personal. Im Hinblick auf Wettbewerbsvorteile bzw. Innovationen in der Logistik unterscheiden Wong und Karia (2010, S. 57f.) physische, informatorische und humane Ressourcen sowie Wissensressourcen und Beziehungsressourcen. Für Dienstleistungsunternehmen allgemein lassen sich physische, technologische, personelle, organisatorische und finanzielle Ressourcen differenzieren (Schneider 2008, S. 22ff.; Bruhn und Hadwich 2011, S. 10f.). In Tabelle 2-3 sind die Ressourcen und Kategorien in einer Übersicht zusammengeführt und mit Beispielen erläutert, wobei aufgrund des Dienstleistungscharakters der Logistik zur Strukturierung die Ressourcenkategorien von Dienstleistungsunternehmen mit leichter Anpassung der Begriffe herangezogen wurden, ergänzt um Beziehungsressourcen. So können grundsätzlich physische, technologische und humane Ressourcen, Beziehungsressourcen sowie organisationale Ressourcen und finanzielle Ressourcen unterschieden werden. Einschränkend ist anzumerken, dass die Kategorien bzw. Ausprägungen untereinander nicht gänzlich überschneidungsfrei sind. Hinzu kommt, dass einzelne Ressourcenkategorien und -ausprägungen als Elemente der Potenzialdimension mit der Prozessdimension verknüpft sind, wie auch im vorigen Kapitel erläutert wurde. Im Bereich der physischen Ressourcen, bei den Arbeits- und Arbeitshilfsmitteln können Innovationen dadurch gekennzeichnet sein, dass sich durch neue oder verbesserte Ressourcen deren Kapazität, Leistung, Energie- und Ressourceneffizienz, Wartung oder Verfügbarkeit verbessern.9 Beispielsweise kann die Kapazität eines Lagers durch die Installation eines Hochregallagers erhöht werden, neue Fördertechnik verbessert die Leistungsfähigkeit und aufgrund neuer Antriebe kann eine bessere Energieeffizienz erzielt werden. Innovative Transportmittel wie beispielsweise E-Lkw besitzen gegenüber Diesel-Lkw einen deutlich geringeren Kraftstoff- bzw. Energieverbrauch, längere Wartungsintervalle und dadurch eine höhere Verfügbarkeit. Ebenso kann durch ein Hochregallager der Raum- und Flächenbedarf verringert werden. Das Vorhalten 9

Diese und die folgenden Ausführungen sind hauptsächlich an Arnold et al. (2008, S. 443) angelehnt.

24

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik

von Warenbeständen, die bisher nicht zum Portfolio eines LDL gehörten, stellen neue Formen von Beständen dar. Ressourcenkategorie

Physische Ressourcen

Technologische Ressourcen

Ressourcenausprägung

Ressourcenbeispiel

Arbeitsmittel

Transportmittel, Lagereinrichtung, Umschlageinrichtung

Arbeitshilfsmittel

Transporthilfsmittel, Lagerhilfsmittel, Verpackungsmaterial, Energie, Treibstoff

Fläche, Raum

Lagerfläche, Ladefläche, Rampe, Weg

Bestand

Warenbestand

IKT

Informations-, Kommunikations-, Datenerfassungs-, Datenverwaltungssystem

Prozess

Auftragsverwaltung, Lagerverwaltung

Humane Ressourcen

Mitarbeiter

Erfahrung, Wissen, Kompetenz

Beziehungsressourcen

Kundenbeziehung

Informationsaustausch, Kundenintegration, Vertrauen, langfristige Partnerschaft

Struktur

Entscheidungsstruktur, Prozessorientierung, Kundenorientierung

System

Planungs- und Steuerungssystem

Kultur

Innovationskultur, Fehlerkultur

Monetäre Mittel

Eigenkapital, Fremdkapital

Organisationale Ressourcen

Finanzielle Ressourcen Tabelle 2-3:

Übersicht über Ressourcen in der Logistik (Quelle: in Anlehnung an Arnold et al. (2008, S. 443), Schneider (2008, S. 22f.), Wong und Karia (2010, S. 57f.), Bruhn und Hadwich (2011, S. 10), Schuh und Stich (2013, S. 118) und Ho und Chang (2015, S. 26))

Technologische Ressourcen sind, auch in der Logistik, eine sehr wertvolle und die sich am schnellsten wandelnde Ressource (Hausladen 2014, S. 1f.). Bei IKT-Systemen können einerseits gänzlich neue Funktionen bereitgestellt werden, wie Track- und Trace-Systeme, die die lückenlose Verfolgung der Waren für den Kunden ermöglichen, oder es können bestehende Systeme in ihrer Leistung, Geschwindigkeit und Handhabbarkeit verbessert werden. Im Bereich der Prozesse ist als Beispiel die Einbindung des Kunden in das Auftragsverwaltungssystem zu nennen, sodass dieser selbstständig Bestellungen aufgeben und verwalten kann. Bei den humanen Ressourcen kann einerseits durch höhere Arbeitsergonomie, höhere Gehälter und bessere Motivation die Produktivität bestehender Mitarbeiter gesteigert werden oder durch Weiterbildungs- und Qualifizierungsmaßnahmen die Kompetenz gesteigert werden. Über Neueinstellungen können neue oder erweiterte Kompetenzen erlangt werden. Bei Beziehungsressourcen können sich Neuerungen im Wesentlichen auf Dauer und Intensität der Kundenbeziehung beziehen. Die stärkere Kundenintegration bis hin zur Kollaboration findet gerade bei LDL immer stärkere Anwendung. Erhöhte Kapazität, Leistung oder Innovation sind denkbare Auswirkungen von Neuerungen im Bereich der organisationalen Ressourcen.

2.2 Begriffe und thematische Abgrenzung

25

Bei den finanziellen Ressourcen sind Neuerungen in der Logistik nur beschränkt möglich. Lediglich im Hinblick auf die Zahlungsmodalitäten sind hier Innovationen denkbar, wie z. B. die Rückerstattung des Kaufbetrags, sobald der Kunden einen reklamierten Artikel dem Paketdienstleister übergibt. In den bisherigen Ausführungen haben sich erneut die Interdependenzen zwischen Potenzialund Prozessinnovationen (vgl. Benkenstein und Steiner 2004, S. 39) gezeigt. So beinhalten vor allem die technologischen und organisationalen Ressourcen ebenso wie die Beziehungsressourcen neben klassischen Potenzialfaktoren (Produktionsfaktoren) auch Prozesselemente und können daher Träger von Prozessinnovationen sein. Leistung, Kapazität, Geschwindigkeit, Kosten, Energie- und Ressourceneffizienz sowie Zuverlässigkeit sind wesentliche Eigenschaften, die sich durch Prozessinnovationen in den TUL-, Umschlag-, Lager-, Verpackungs-, Bestandsmanagement-, Auftragsmanagement- und Informationsmanagementprozessen (Arnold et al. 2008, S. 443; Wagner 2008a, S. 222), also sowohl in materiellen als auch in immateriellen Prozessen, verbessern können. Eine Ergebnisinnovation muss in der Logistik entscheidende Vorteile bzw. Verbesserungen hinsichtlich der Ziel- bzw. Ergebnisdimensionen (8Rs) vorweisen und bezieht sich folglich auf die raum-zeitliche Transformation oder die Mengen- und Sortenänderung (Engelke 1997, S. 52). Die aufgezeigten Potenzial- und Prozessinnovationen führen in aller Regel zu einer Ergebnisinnovation. 2.2.3 Nachhaltigkeit 2.2.3.1 Nachhaltigkeitsbegriff und dessen Dimensionen Der Begriff Nachhaltigkeit bzw. nachhaltige Entwicklung wurde vor allem durch den Brundtland-Bericht der World Commission on Environment and Development geprägt (Ketata et al. 2015, S. 61; Adams et al. 2016, S. 181). Dort wird nachhaltige Entwicklung definiert als „Erfüllung aktueller Bedürfnisse ohne Beeinträchtigung der Möglichkeit künftiger Generationen ihre Bedürfnisse zu erfüllen“ (Brundtland 1987, S. 41). Neben einer ökonomischen und ökologischen Dimension besitzt Nachhaltigkeit eine soziale Dimension (Brundtland 1987, S. 41f.). Der Brundlandt-Bericht befasst sich mit Nachhaltigkeit auf einer übergeordneten gesellschaftlichen und politischen Ebene, in Abgrenzung zu einer individuellen oder unternehmensbezogenen Ebene. Als konkrete Adressaten werden Regierungen und deren untergeordnete Institutionen benannt (Brundtland 1987, S. 8). Es hat sich jedoch die Ansicht durchgesetzt, dass auch Unternehmen einen wesentlichen Beitrag zu mehr Nachhaltigkeit leisten können und müssen (Deutscher Bundestag 1998, S. 38). Da im Fokus dieser Arbeit Unternehmen stehen, werden die Dimensionen von Nachhaltigkeit im Folgenden in Bezug auf Unternehmen betrachtet. Dabei sind die Dimensionen für produzierende Unternehmen und Dienstleistungsunternehmen gleichermaßen relevant und so müssen nachhaltige Dienstleistungen gemäß Bruhn (2014, S. 316) „eine integrierte ökologische, soziale und ökonomische Nachhaltigkeit aufweisen“. Bei der ökonomischen Dimension von Nachhaltigkeit steht die wirtschaftliche Leistung eines Unternehmens sowie dessen Fortbestand im Vordergrund (Bruhn 2014, S. 315f.; Griese und Leicht-Eckardt 2015, S. 115). Diese Dimension bezieht sich auf Leistungsprozesse, Markt und

26

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik

Markttransaktionen wie Absatz und Kauf und spiegelt Ergebnisse des Kaufentscheidungsprozesses wider (Meffert et al. 2012, S. 256). Die konkreten ökonomischen Ziele von Unternehmen reichen von globalen Zielen wie langfristiger Unternehmenssicherung und Schaffung von Arbeitsplätzen (Bruhn 2014, S. 316) über Erhalt und Steigerung der Wettbewerbsfähigkeit durch nachhaltige Produkte und Dienstleistungen (Balderjahn 2014, S. 143) hin zu spezifischeren Zielen wie Rentabilitäts- und Markstellungszielen im Sinne von Umsatz, Kosten, Gewinn und Marktanteilen (Griese und Leicht-Eckardt 2015, S. 115). Die ökologische Dimension von Nachhaltigkeit bezieht sich auf die Reduktion aller ökologischen Belastungen, die während der Erstellung und Nutzung eines Produkts oder einer Leistung entstehen (Bocken et al. 2014, S. 49). Konkret betrifft dies den Energie- und Ressourceneinsatz, Umweltbelastungen durch Schadstoffe sowie generelle ökologische Gefahrenpotenziale (Bruhn 2014, S. 316). Dyllick und Hockerts (2002, S. 133) unterscheiden in der ökologischen Dimension einerseits den Verbrauch bzw. Konsum erneuerbarer und nicht-erneuerbarer Ressourcen sowie andererseits den Einfluss der Unternehmensaktivitäten und -prozesse auf das Ökosystem bzw. die Umwelt. Demgegenüber besteht das Ziel der sozialen Dimension von Nachhaltigkeit darin, auf Sozialverträglichkeit und Fairness (Balderjahn 2014, S. 143) sowie auf soziale Rücksichtnahme (Bruhn 2014, S. 316) hinzuwirken. Dies kann sich in gesteigerter Lebensqualität, verbesserter Gesundheit und erhöhtem individuellem Wohlstand, aber auch Wohlbefinden äußern (Rosca et al. 2017, S. 2). Dabei soll primär ein Nutzen für die Gesellschaft als Ganzes und nicht nur für einzelne Individuen geschaffen werden (Phills et al. 2008, S. 36). Es lassen sich hierbei mitarbeiter- und gesellschaftsbezogene Aspekte unterscheiden (Dyllick und Hockerts 2002, S. 133f.; Hansen et al. 2009, S. 689f.). Die dritte, soziale Dimension wurde zunächst sowohl von Politik und Gesellschaft als auch von Wirtschaft und Wissenschaft vernachlässigt und fand erst in den letzten 15 Jahren Verbreitung (Blind und Quitzow 2017, S. 14). Grundsätzlich sind alle Dimensionen gleichgestellt (Blind und Quitzow 2017, S. 17), wobei zu beobachten ist, dass die soziale Dimension immer stärker in den Vordergrund rückt (vgl. GRI 2018). Es kann weiterhin zwischen starker und schwacher Nachhaltigkeit unterschieden werden (Döring 2004, S. 4ff.). Demnach ist bei starker Nachhaltigkeit die ökonomische Dimension der ökologischen untergeordnet, wohingegen bei schwacher Nachhaltigkeit Ressourceneffizienz und Ökoeffizienz, welche stark ökonomisch motiviert sind, im Vordergrund stehen (Deckert 2016a, S. 7). Nachhaltigkeit besitzt auch in Unternehmen einen immer höheren Stellenwert (Ahi und Searcy 2013, S. 330). Es hat sich jedoch gezeigt, dass bisher primär Ansätze schwacher Nachhaltigkeit verfolgt werden, was in einem marktwirtschaftlichen, kapitalistischen System zunächst auch nachvollziehbar ist (Deckert 2016b, S. 7). So ist auch in der Logistik, die starkem Kostendruck ausgesetzt ist, zu erwarten, dass ökonomischen Aspekten eine hohe Bedeutung beigemessen wird. Konkrete unternehmensbezogene Konzepte, die auf Nachhaltigkeitsaspekten basieren, sind der Triple-Bottom-Line (TBL)-Ansatz sowie Corporate Social Responsibility (CSR) bzw. Corporate Sustainability.

2.2 Begriffe und thematische Abgrenzung

27

Der Triple-Bottom-Line-Ansatz wurde durch Elkington (1997, 1998) entwickelt. Er bildet einen Rahmen für die Unternehmensführung, um Nachhaltigkeit im Unternehmen zu verankern (Norman und MacDonald 2004, S. 243). Neben profitmaximierenden, ökonomischen Zielen sollen Unternehmen soziale und ökologische Ziele gleichermaßen bei ihrer Entscheidungsfindung berücksichtigen (Ketata et al. 2015, S. 63). In der Literatur wird auch von den „3Ps“, People, Planet, Profits gesprochen (Slaper und Hall 2011, S. 4). Als weiteres Konzept mit Bezug zu Nachhaltigkeit kann Corporate Social Responsibility genannt werden. Sie bezeichnet systematisch geplante soziale Aktivitäten im Sinne eines bewusst gesteuerten Konzepts, das über die Einhaltung von gesetzlichen Regularien hinausgeht (Schneider 2015, S. 31). Zentraler Aspekt von CSR ist die Freiwilligkeit der Aktivitäten, wohingegen nachhaltigkeitsorientierte Unternehmensführung auch solche Aktivitäten umfasst, die aufgrund gesetzlicher Regularien oder gesellschaftlichen Drucks durchgeführt werden (Deckert 2016a, S. 6). 2.2.3.2 Nachhaltige Innovationen Da nachhaltige Dienstleistungen in der Forschung nur unzureichend untersucht sind (Bothe et al. 2016, S. 353) und zu nachhaltigen Dienstleistungsinnovationen keine geeigneten Beiträge existieren,10 wird im Folgenden eine Abgrenzung von nachhaltigen Innovationen vorgenommen, ausgewählte Definitionen diskutiert sowie der Stand der Forschung zu nachhaltigen Innovationen aufgearbeitet. Abgrenzung nachhaltiger Innovationen Zwar sind auch nachhaltige Innovationen nicht umfassend erforscht (Doherty et al. 2014, S. 423; Adams et al. 2016, S. 181) und geeignete Definitionen in der wissenschaftlichen Literatur nur in begrenztem Umfang zu finden (Boons et al. 2013, S. 2; Ketata et al. 2015, S. 62; Blind und Quitzow 2017, S. 19), trotzdem existieren einige geeignete Beiträge, die tiefer analysiert wurden. Es ist festzustellen, dass nachhaltige Innovationen bisher mit einem Fokus auf die natürliche Umwelt untersucht wurden (Carrillo-Hermosilla et al. 2010, S. 1073f.; Boons et al. 2013, S. 2), was dem dreidimensionalen Nachhaltigkeitsbegriff gemäß Kapitel 2.2.3.1 widerspricht. So betrachtet Varadarajan (2017, S. 20) eine Verringerung der negativen Umweltauswirkungen als eine der zentralen Eigenschaften nachhaltiger Innovationen. Blind und Quitzow (2017, S. 13) bestätigen ebenfalls, dass sich vor allem die Umwelt als Nachhaltigkeitsdimension in Politik, Gesellschaft und Wissenschaft etabliert hat. Die Gründe für diese Beschränkung liegen möglicherweise in der immer intensiver geführten öffentlichen Debatte über den Klimawandel (Corner et al. 2014, S. 417f.), welche dazu geführt hat, dass ökologische Themen einen höheren Stellenwert auf der politischen Agenda bekommen. Hinzu 10

Über eine stichwortbasierte Suche nach peer-reviewten Artikeln in der Datenbank Scopus konnten keine Beiträge zu nachhaltigen Dienstleistungsinnovationen identifiziert werden, die im Hinblick auf ihre inhaltliche Fokussierung und ihre Qualität für eine tiefere Analyse geeignet waren. Grundsätzlich wurde für diese und alle weiteren Literaturrecherchen primär die Datenbank Scopus verwendet, da sie eine sehr hohe Breite peerreviewter, wissenschaftlicher Literatur in den verschiedensten Forschungsdisziplinen abdeckt. Über 5.000 Herausgeber, 22.800 Zeitschriften und 150.000 Bücher sind verzeichnet, wodurch ingesamt 1,4 Mrd. Referenzen bereitgestellt werden (Elsevier 2017).

28

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik

kommt, dass z. B. Energie- und Ressourceneffizienzmaßnahmen als „low-hanging fruit“ (Bergmann et al. 2017, S. 66) für Unternehmen relativ einfach und kosteneffizient umzusetzende Nachhaltigkeitsmaßnahmen darstellen. In Bezug auf nachhaltige Innovationen werden in der Literatur verschiedene Begriffe wie „grün“, „öko“, „ökologisch“ und „umweltbezogen“11 überwiegend synonym verwendet (Schiederig et al. 2012, S. 180; Franceschini et al. 2016, S. 79) und im Zusammenhang mit Innovationen untersucht. Das Konzept Öko-Innovation ist dabei bisher am präzisesten ausgearbeitet (Schiederig et al. 2012, S. 189) und wurde bisher häufig gleichbedeutend mit nachhaltigen Innovationen genutzt (Charter und Clark 2007, S. 9f.). Jedoch kommt nachhaltigen Innovationen in Abgrenzung bzw. als Erweiterung von Öko-Innovationen, insbesondere in den letzten Jahren, vermehrte Aufmerksamkeit zu (Boons et al. 2013, S. 1; Adams et al. 2016, S. 182; Franceschini et al. 2016, S. 74f.). In Abgrenzung zu Öko-Innovationen umfassen nachhaltige Innovationen neben ökonomischen und ökologischen Aspekten zusätzlich soziale Aspekte, wodurch das Konzept breiter gefasst ist (Schiederig et al. 2012, S. 182). Dies wird auch in der Literaturstudie von Franceschini et al. (2016, S. 79) bestätigt. Insgesamt gibt es jedoch sehr viele synonym verwendete Begriffe um Nachhaltigkeit oder Nachhaltigkeitsaspekte zu beschreiben, was die Aufarbeitung des Forschungsstandes erschwert. Adams et al. (2012, S. 70) verwenden beispielsweise bei ihrer Literaturstudie 29 Suchbegriffe12. Begriff nachhaltiger Innovationen Schiederig et al. (2012) identifizieren im Rahmen einer Literaturübersicht insgesamt sechs Kriterien, die bei Definitionen nachhaltiger Innovationen typischerweise herangezogen werden. Demnach kann das (1) Innovationsobjekt differenziert werden in Produkte, Prozesse, Dienstleistungen und Methoden. Im Sinne der (2) Marktorientierung erfüllen nachhaltige Innovationen Bedürfnisse und sind wettbewerbsfähig. Weiterhin zeichnen sie sich durch eine (3) Reduktion negativer Umweltauswirkungen sowie gegebenenfalls durch eine (4) Betrachtung des gesamten Lebenszyklus aus. Der (5) Auslöser nachhaltiger Innovationen kann ökonomischer oder ökologischer Natur sein und umfasst folglich sowohl starke als auch schwache Nachhaltigkeit (vgl. Kapitel 2.2.3.1) und der (6) Grad der Neuheit wird aus Unternehmenssicht bewertet (Schiederig et al. 2012, S. 182), womit die Subjektdimension referenziert wird. Es sind deutliche Parallelen zu Dienstleistungsinnovationen und Innovationen in der Logistik hinsichtlich der Objekt- und Subjektdimensionen und der nutzenstiftenden Wirkung zu erkennen. Zusätzliche Aspekte sind die Berücksichtigung von Umweltwirkungen und Lebenszyklen. Die genannten Kriterien erlauben eine sehr breite Definition von nachhaltigen Innovationen, wie auch Schiederig et al. (2012, S. 182) anführen. Aufgrund ihrer Mehrdimensionalität sind nachhaltige Innovationen und die damit verbundenen Innovationsprozesse deutlich komplexer

11 12

Im Englischen werden die Begriffe „green“, „eco“, „ecological“ und „environmental“ verwendet. Folgende Suchbegriffe wurden von Adams et al. (2012, S. 70) für „Nachhaltigkeit“ verwendet: environmental, green, corporate social responsibility, csr, corporate sustainability, eco-innovation, green technology, renewable, social responsibility, environmental social responsibility, social environmental management, sustainable develop, triple bottom line, eco-efficient, eco-effectiv, sustainable development indicator, sdi, sustainability-oriented innovation, soi, biomimicry, beyond-greening, frugal innovation, reverse innovation, trickle up innovation, cradle to cradle, social innovation, iso 14001, bottom of the pyramid, bop.

2.2 Begriffe und thematische Abgrenzung

29

als bei konventionellen Innovationen (Ketata et al. 2015, S. 60). In Tabelle 2-4 sind ausgewählte Definitionen nachhaltiger Innovationen dargestellt. Quelle

Definition

Steger et al. 2002, S. XIX

„Nachhaltige Innovation bezeichnet Faktorkombinationen und neue Problemlösungen, die zu einer Senkung von Umweltbelastung und Ressourcenverbrauch führen, ohne dass dadurch Einschränkungen bei anderen gesellschaftlichen Zielen erforderlich werden. Dazu gehören nicht nur neue technologische Lösungen (Prozesse, Produkte), sondern auch neue Dienstleistungen und neue Organisationsformen.“

Horbach 2005, S. 3

„Sustainable innovations not only comprise the environmental dimension but also economic, social and institutional aspects. They improve the realization of the aims of a sustainable development and represent a subset of all innovations.“

Charter und Clark 2007, S. 9

„Sustainable innovation is a process where sustainability considerations (environmental, social, financial) are integrated into company systems from idea generation through to research and development (R&D) and commercialization. This applies to products, services and technologies, as well as new business and organization models.“

Schiederig et al. 2012, S. 180

„[T]hree different notions of green, eco/ecological and environmental innovation are used largely synonymously, while the notion of sustainable innovation broadens the concept and includes a social dimension.“

Boons et al. 2013, S. 2

„[S]ustainable innovation could be defined as ‚innovation that improves sustainability performance‘, where such performance includes ecological, economic, and social criteria. As such criteria differ as a result of spatial, temporal and cultural embeddedness, sustainable innovation will have different meanings and characteristics in different contexts.“

Ketata et al. 2015, S. 60

„Sustainable innovation can be broadly defined as an innovation that has to consider environmental and social issues as well as the needs of future generations.“

Adams et al. 2016, S. 181

„Sustainability-oriented innovation (SOI) involves making intentional changes to an organization’s philosophy and values, as well as to its products, processes or practices, to serve the specific purpose of creating and realizing social and environmental value in addition to economic returns.“

Varadarajan 2017, S. 17

„Sustainable innovation [Hervorhebung im Original] is a firm’s implementation of a new product, process, or practice, or modification of an existing product, process, or practice that significantly reduces the impact of the firm’s activities on the natural environment.“

Nelke 2017, S. 28

„[N]achhaltige Innovationen [sind] die erstmalige wirtschaftliche Umsetzung einer nachhaltigen Idee mit Ziel der Wertschöpfung [...]. Zu unterscheiden sind dabei ökologische Innovationen (hinsichtlich der Umweltverträglichkeit), ökonomische Innovationen (hinsichtlich der Wirtschaftlichkeit) sowie soziale Innovationen (hinsichtlich der Beschäftigten)“

Tabelle 2-4:

Ausgewählte Definitionen nachhaltiger Innovationen

Alle Definitionen beziehen sich auf die drei Nachhaltigkeitsdimensionen. Teilweise wird überdies hervorgehoben, dass sich nachhaltige Innovationen nicht auf die ökologische Dimension beschränken (Horbach 2005, S. 3; Schiederig et al. 2012, S. 180). Die meisten Definitionen beziehen sich auf Produkt- und Prozessinnovationen, allerdings ergänzen einige Autoren eine organisationale Komponente (Steger et al. 2002, S. XIX; Charter und Clark 2007, S. 9; Adams et al. 2016, S. 181) und einige eine methodische Komponente (Adams et al. 2016, S. 181; Varadarajan 2017, S. 17). Jedoch schließen nur wenige Definitionen explizit Dienstleistungsinnovation mit ein (Steger et al. 2002, S. XIX; Charter und Clark 2007, S. 9).

30

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik

In Anlehnung an Varadarajan (2017, S. 17), der sowohl verschiedene Dimensionen von Innovationen als auch alle Nachhaltigkeitsdimensionen miteinbezieht, werden nachhaltige Innovationen wie folgt definiert: Nachhaltige Innovationen bezeichnen die Implementierung neuer oder verbesserter Produkte, Prozesse oder Praktiken, die positive Wirkungen in allen Nachhaltigkeitsdimensionen besitzen. Inigo und Albareda (2016) entwickeln einen konzeptionellen Bezugsrahmen zu nachhaltigen Innovationen aus Unternehmenssicht. Sie identifizieren auf Basis einer umfassenden Literaturübersicht fünf Dimensionen bzw. Komponenten nachhaltiger Innovationen, die auf der Unternehmensebene eine wesentliche Rolle spielen: (1) die operative Komponente, welche sich auf materiellen Input in Form von Ressourcen, Technologien und Werkzeugen bezieht, (2) die kollaborative Komponente, welche das Ausmaß der Einbeziehung von Akteuren und Netzwerken umfasst, (3) die organisationsbezogene Komponente, welche die zur Entwicklung nachhaltiger Innovationen erforderliche Transformation des Unternehmens beschreibt, (4) die instrumentelle Komponente, welche nachhaltige Innovation als Mittel zur Erreichung von PerformanceZielen betrachtet sowie (5) die ganzheitliche Komponente, die nachhaltige Innovation im Unternehmen in eine höhere gesellschaftliche, systemische Ebene einbettet (Inigo und Albareda 2016, S. 4ff.). Darüber hinaus beschreiben die Autoren das Zusammenspiel und die gegenseitige Beeinflussung der Komponenten als ein komplexes adaptives System. Dieses System ist charakterisiert durch Nichtlinearität, Selbstorganisation (Interaktion der einzelnen Komponenten ohne zentrale Steuerung) sowie durch Emergenz (Entstehung neuer radikaler Prozesse bei der Interaktion der Komponenten (Inigo und Albareda 2016, S. 9f.). Dadurch ergeben sich besondere Anforderungen an unterstützende Methoden für die Entwicklung von Entscheidungsmodellen. Adams et al. (2016, S. 182) entwickeln ebenfalls basierend auf einer breiten Literaturübersicht einen konzeptionellen Bezugsrahmen für nachhaltige Innovationen. Die Autoren unterscheiden drei Phasen auf dem Weg zu nachhaltiger Unternehmenstätigkeit, die sich jeweils durch Innovationsansatz, -objekt, und -ergebnis sowie den Bezug der Innovation zum Unternehmen unterscheiden: (1) operative Optimierung, (2) organisationsbezogene Transformation und (3) Systembildung (Adams et al. 2016, S. 185). Zunächst stehen Effizienz, inkrementelle Verbesserungen und interne Aktivitäten im Vordergrund (operative Optimierung), wobei ein Wandel hin zu radikalen, systemischen Aktivitäten, die sich über neue, intensive Partnerschaften über den Einflussbereich des Unternehmens hinaus erstrecken, stattfindet (Adams et al. 2016, S. 194). Im Ergebnis können neue Geschäftsmodelle oder neuartige Formen der Wertschöpfung entstehen (Systembildung) (Adams et al. 2016, S. 194). Varadarajan (2017) erarbeitet einen Bezugsrahmen nachhaltiger Innovationen aus Sicht der Marketingforschung. Dabei versteht der Autor unter nachhaltiger Innovation primär die Verringerung negativer Umweltauswirkungen (Varadarajan 2017, S. 17f.). Der entwickelte konzeptionelle Bezugsrahmen zeigt Möglichkeiten für nachhaltige Innovationen auf und umfasst die beiden Dimensionen Typ der nachhaltigen Innovation und Abschnitt im Lebenszyklus (Varadarajan 2017, S. 20). Als Typen nachhaltiger Innovationen werden als Oberkategorien Verringerung, Vermeidung sowie Substitution des Ressourceneinsatzes abgegrenzt. Vorgelagerte

2.2 Begriffe und thematische Abgrenzung

31

Lieferkette, Produktion, nachgelagerte Lieferkette, Nutzung und Post-Nutzung werden als Abschnitte des Lebenszyklus benannt (Varadarajan 2017, S. 20). Der Autor zeigt über verschiedene Unterkategorien hinweg auf, wie die einzelnen Innovationstypen umgesetzt werden können. Der Bezugsrahmen weist jedoch insgesamt eine starke Produktorientierung auf und Dienstleistungen werden nicht explizit berücksichtigt. Auch die stark auf Ressourcen bezogenen Innovationstypen sowie die Lebenszyklusphasen als Dimensionen des Bezugsrahmens orientieren sich sehr stark an materiellen Produkten. Darüber hinaus entwickelt der Autor ein konzeptionelles Modell zu Einflussfaktoren und Ergebnissen nachhaltiger Innovationsorientierung (Varadarajan 2017, S. 26). Im Hinblick auf die Wirkungen und Ergebnisse wird der ressourcenorientierte Ansatz zugrunde gelegt und es wird ein direkter positiver Einfluss von nachhaltiger Innovationsorientierung auf nachhaltige Prozess- und Produktinnovationen sowie auf Mitarbeiterperformanz unterstellt (Varadarajan 2017, S. 26ff.). Weiter mediieren nachhaltige Prozess- und Produktinnovationen den Einfluss nachhaltiger Innovationsorientierung auf die Umwelt und Umweltwirkungen wiederum den Zusammenhang von Prozess- und Produktinnovationen auf finanzielle Wirkungen. Der Zusammenhang zwischen nachhaltiger Innovationsorientierung und Marketingperformanz wird nur durch nachhaltige Produktinnovationen mediiert und hat selbst mediierenden Einfluss auf das finanzielle Ergebnis (Varadarajan 2017, S. 26f.). 2.2.3.3 Nachhaltigkeit in der Logistik Nachhaltigkeit spielt in der Logistik eine immer wichtigere Rolle und Logistikunternehmen sehen sich zunehmend dem Druck ausgesetzt, geeignete Maßnahmen zur Verbesserung der Nachhaltigkeit umsetzen zu müssen (Isaksson und Huge‐Brodin 2013, S. 217). Trotz zahlreicher Vorteile wie Kosteneinsparungen durch verringerte Ressourcennutzung, Risikoverminderung durch Kontrolle ökologischer, sozialer und regulatorischer Risiken, Umsatzsteigerungen über Differenzierung, verbesserte Kundenloyalität oder Erschließung neuer Märkte mit nachhaltigen Innovationen sowie der Steigerung immaterieller Werte durch ein verbessertes Unternehmens- oder Markenimage13 (Esty und Winston 2006, S. 104; Deckert 2016b, S. 23) zögern Unternehmen bei der Umsetzung. Viele Logistikunternehmen befürchten hohe Kosten, die wenige Vorteile bringen (Rossi et al. 2013, S. 592). So werden Kosten als größtes Hindernis bei der Implementierung von nachhaltiger Logistik betrachtet, aber auch mangelnde Information und Transparenz sind kritische Faktoren (Ansari und Kant 2017, S. 2534). Abgrenzung nachhaltiger Logistik In Bezug auf Nachhaltigkeit in der Logistik werden verschiedene Begriffe verwendet bzw. verschiedene Konzepte untersucht. Neben grüner Logistik und grünem Supply Chain Management ist nachhaltiges Supply Chain Management in der Literatur verbreitet.14 Eine klare Abgrenzung

13 14

Eine detaillierte Untersuchung der Wirkungen nachhaltiger Logistik bzw. von grünem und nachhaltigem Supply Chain Management erfolgt in Kapitel 2.3. Die englischsprachigen Begriffe lauten „green logistics“, „green supply chain management“ und „sustainable supply chain management“. In der deutschsprachigen Literatur werden sowohl die englischen Begriffe (Deckert 2016b) als auch die deutschen Übersetzungen (Lochmahr und Boppert 2014; Fröhlich et al. 2015; Lohre und Gotthardt 2016) verwendet. Im weiteren Verlauf dieser Arbeit sollen die deutschen Übersetzungen verwendet werden.

32

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik

zwischen den Begriffen, insbesondere zwischen grüner Logistik und grünem bzw. nachhaltigem Supply Chain Management, lässt sich aber nach wie vor vermissen, trotz der Vielzahl an Literaturübersichten in diesem Bereich (vgl. Ansari und Kant 2017; Gao et al. 2017; Rajeev et al. 2017). Dies ist primär darauf zurückzuführen, dass in der Literatur keine allgemein anerkannte Unterscheidung zwischen den Begriffen Logistik und Supply Chain Management besteht, trotz zahlreicher Abgrenzungsversuche (Bretzke und Barkawi 2012, S. 9). Gewisse Einigkeit besteht lediglich dahingehend, dass Supply Chain Management eine Erweiterung der Logistik darstellt. So konstatiert beispielsweise Göpfert (2016, S. 71) nach eingehender Diskussion zahlreicher Studien und Definitionen, dass „Supply Chain Management [...] eine qualitativ neue Entwicklungsstufe im Lebenszyklus der Logistik [repräsentiert]“. Weiter weist McKinnon et al. (2015, S. 6f.) darauf hin, dass ebenso wie sich der Begriff und das Forschungsfeld der Logistik vom reinen Gütertransport über kombinierte TUL-Leistungen hin zum integrierten Supply Chain Management weiterentwickelt hat, auch die Begriffe bezüglich Nachhaltigkeit in der Logistik einem Wandel unterworfen waren. Grüne Logistik kann in diesem Sinne als ursprüngliches Konzept betrachtet werden, dessen Begriffsumfang und Relevanz in den letzten Jahrzehnten stark zugenommen hat und das in der aktuellen Diskussion häufig als grünes oder nachhaltiges Supply Chain Management bezeichnet wird (McKinnon et al. 2015, S. 6f.; Deckert 2016b, S. 5). Da der im Rahmen dieser Arbeit definierte Logistikbegriff starke Überschneidungen mit dem Supply Chain Management (vgl. Göpfert 2016, S. 70f.) aufweist, werden im Folgenden alle drei genannten Konzepte grüne Logistik, grünes sowie nachhaltiges Supply Chain Management aufgearbeitet. Grüne Logistik Bei grüner Logistik wird in der Literatur der Fokus meist auf die Transportprozesse gelegt, mit der Begründung, dass diese die größten Umweltauswirkungen besitzen (Wu und Dunn 1995, S. 32). So können zunächst Maßnahmen zur Minimierung der Umweltauswirkungen von Planung, Steuerung und Kontrolle sowie Durchführung der eingehenden und ausgehenden Material-, Waren- und Informationsflüsse als grüne Logistik bezeichnet werden (Pazirandeh und Jafari 2013, S. 890f.). Dabei steht Ressourcenschonung und Umweltverträglichkeit der Logistikaktivitäten im Vordergrund (Zaman und Shamsuddin 2017, S. 52ff.). Wichtige Maßnahmen zur Umsetzung von grüner Logistik sind (1) die Verringerung der negativen Umweltauswirkungen von Transporten durch neue Fahrzeugtechnologien und Transportmittelwahl unter ökologischen Gesichtspunkten, (2) die Verringerung des Transportbedarfs über eine Verminderung der Transportanzahl oder der Transportstrecke, was bessere Transportmittelauslastung beispielsweise über City-Logistik mit einer Konsolidierung der Warenströme in Hubs oder neue, regionalere Lieferantennetzwerke erforderlich macht sowie (3) die Vermeidung von Transporten mithilfe der Digitalisierung und Fernübertagung von Produkten (beispielsweise Software, Musik, Bücher) oder über Gütersharing (McKinnon et al. 2015, S. 8ff.; Deckert 2016b, S. 24ff.). Häufig werden zu grüner Logistik aber auch Maßnahmen zur Verminderung der ökologischen Auswirkungen von Lager- und Verpackungsprozessen hinzugezählt (Pazirandeh und Jafari 2013, S. 890f.; Schmidt et al. 2017, S. 12), wodurch das klassische Verständnis von Logistik mit TUL-Leistung aufgegriffen wird. Maßnahmen im Bereich Lager betreffen (1) umweltfreundliche Lagerung, im Sinne von energieeffizienter Heizung, Kühlung und Beleuchtung, (2) umweltfreundliche Fördermittel wie beispielsweise elektrisch angetrie-

2.2 Begriffe und thematische Abgrenzung

33

bene Gabelstapler und (3) die Reduzierung der genutzten Lagerfläche mithilfe von z. B. Hochregallagern (Baker und Marchant 2015, S. 194ff.; Deckert 2016b, S. 28f.). Das Verpackungsmanagement kann mithilfe von (1) Verpackungsvermeidung, (2) Verminderung von Menge und Schädlichkeit der Verpackung, (3) der Wiederverwendung mit Mehrwegverpackungssystemen oder (4) der Wiederverwertung mittels Recycling des Verpackungsmaterials angepasst werden (Cherrett et al. 2015, S. 338ff.). Grüne Logistik ist ein sehr stark unternehmensbezogenes Konzept, wohingegen grünes Supply Chain Management (Green Supply Chain Management (GSCM)) eine weitere und unternehmensübergreifende Perspektive einnimmt. Es ist anzumerken, dass einige Autoren zwar den Begriff grüne Logistik oder grünes Logistikmanagement verwenden, jedoch geht der Untersuchungsgegenstand dieser Studien über die klassische Logistik hinaus und ist im Bereich des grünen oder auch nachhaltigen Supply Chain Managements einzuordnen (vgl. Lai und Wong 2012, S. 267; Chhabra et al. 2017, S. 962f.). Grundsätzlich betrachten viele Autoren grüne Logistik auch als einen wichtigen Bestandteil von grünem Supply Chain Management (Dubey et al. 2017, S. 196; Schmidt et al. 2017, S. 12; Zaman und Shamsuddin 2017, S. 52). Grünes Supply Chain Management Im Gegensatz zu grüner Logistik umfassen die Maßnahmen zur Verminderung der Umweltauswirkungen bei grünem Supply Chain Management die gesamte Lieferkette und folglich Beschaffung, Eingangslogistik, Produktion, Ausgangslogistik bzw. Distribution, Verbrauch, Konsum, Rückführungs- und Entsorgungslogistik bis hin zum Recycling (Sarkis 2003, S. 398f.; Rao und Holt 2005, S. 898; Schmidt et al. 2017, S. 12; Zaman und Shamsuddin 2017, S. 52). Somit bezieht sich grünes Supply Chain Management auf die Integration von ökologischen Prinzipien über die komplette Wertschöpfungskette hinweg (Zhu et al. 2013, S. 106) und betrifft damit nicht mehr nur LDL, sondern grundsätzlich jedes Unternehmen und alle Unternehmensbereiche. Die wichtigsten betrachteten Maßnahmen im grünen Supply Chain Management, neben oder in Ergänzung zur grünen Logistik, sind internes Umweltmanagement, grünes Design, grüne Produktion, grüne Beschaffung, grüne Kundenintegration sowie grüne Entsorgungslogistik (Geng et al. 2017, S. 249ff.; Schmidt et al. 2017, S. 6f.; Vanalle et al. 2017, S. 252f.). Internes Umweltmanagement umfasst unternehmensinterne Programme zur Verbesserung der Energie- und Ressourceneffizienz, die mithilfe der Unterstützung des oberen Managements, unternehmensweiten Compliance-Programmen oder abteilungsübergreifender Zusammenarbeit umgesetzt werden (Zhu et al. 2005, S. 453; Cheng et al. 2014, S. 82ff.; Geng et al. 2017, S. 249). Grüne Design-Ansätze integrieren ökologische Aspekte bei der Entwicklung von Produkten und Prozessen (Zhu et al. 2005, S. 453; Geng et al. 2017, S. 249; Schmidt et al. 2017, S. 7) und sind eng verbunden mit einer grünen Produktion, die die Verringerung des Ressourceneinsatzes in der Produktion und die Verringerung von Ausschuss und Abfall zum Ziel hat (Dubey et al. 2017, S. 196f.; Schmidt et al. 2017, S. 7). Grüne Beschaffung oder Lieferantenintegration bezieht sich sowohl auf die Sicherstellung eines ökologischen Transports als auch auf umweltverträgliche Produktion von Gütern beim Lieferanten, aber auch auf die Zusammenarbeit bei ökologischen Themen über die Lieferkette hinweg (Sarkis 2003, S. 398f.; Yu et al. 2014, S. 685; Geng et al. 2017, S. 249). Dem steht die grüne Kundenintegration gegenüber, die eine enge Zusammenarbeit mit dem Kunden im Hinblick auf Umweltaspekte beinhaltet (Yu et al. 2014,

34

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik

S. 685; Geng et al. 2017, S. 249). Grüne Entsorgungslogistik befasst sich mit der Reduktion des Ressourceneinsatzes, der Wiederverwendung von Ressourcen sowie dem Recycling von Ressourcen in Produktion und Logistik (Lai et al. 2013, S. 107f.; Geng et al. 2017, S. 249). Ein Fokus beim grünen Supply Chain Management wird allerdings häufig auf grüne Beschaffung, grüne Produktion sowie auf Entsorgungslogistik gelegt (Sarkis 2003, S. 400f.; Srivastava 2007, S. 57ff.; Geng et al. 2017, S. 250f.). Nachhaltiges Supply Chain Management In der Forschung verschiebt sich der Fokus zunehmend weg vom grünen Supply Chain Management hin zum nachhaltigen Supply Chain Management (Sustainable Supply Chain Management (SSCM)) (Dubey et al. 2017, S. 190) und insbesondere im letzten Jahrzehnt hat die Forschung zum nachhaltigen Supply Chain Management stetig zugenommen (Ansari und Kant 2017, S. 2530). Wachsendes Bewusstsein für soziale Nachhaltigkeit sowohl in Forschung als auch Praxis hat diese Entwicklung getrieben und dazu geführt, dass neben ökonomischen und ökologischen Aspekten auch soziale Aspekte in Bezug auf Lieferketten betrachtet werden (Rajeev et al. 2017, S. 300). Nachhaltiges Supply Chain Management stellt damit eine Erweiterung des auf ökologische Aspekte fokussierten grünen Supply Chain Managements um soziale Aspekte dar (Ansari und Kant 2017, S. 2524; Dubey et al. 2017, S. 192f.). Auch Ahi und Searcy (2013, S. 334) halten basierend auf einer umfassenden Literaturanalyse fest, dass nachhaltiges Supply Chain Management eine Erweiterung des grünen Supply Chain Managements darstellt, die einen dreidimensionalen Nachhaltigkeitsansatz verfolgt. Beiden Konzepten gemein ist, dass die Langfristigkeit der Maßnahmen und des Betrachtungshorizonts eine wichtige Rolle spielt. Zusammenfassend lässt sich nachhaltiges Supply Chain Management wie folgt definieren (Seuring und Müller 2008a, S. 1700): [W]e define sustainable supply chain management as the management of material, information and capital flows as well as cooperation among companies along the supply chain while taking goals from all three dimensions of sustainable development, i.e., economic, environmental and social, into account which are derived from customer and stakeholder requirements.“ Über die im Rahmen des grünen Supply Chain Managements diskutierten Maßnahmen hinaus werden durch soziale Aspekte motivierte Maßnahmen für das nachhaltige Supply Chain Management diskutiert. Diese lassen sich unterscheiden in mitarbeiterbezogene soziale Maßnahmen bezüglich angemessener Löhne, Arbeitssicherheit, Gesundheitsschutz, angenehmem Arbeitsumfeld, Entwicklungsmöglichkeiten, Menschenrechte und Kinderarbeit sowie in gesellschaftliche Maßnahmen, wie die Sicherstellung von Arbeitsplätzen, (Aus-)Bildung, Qualifizierung und Bereitstellung von Gesundheitseinrichtungen (Zhu et al. 2016, S. 418ff.; Das 2017, S. 1348). Trotz der hervorgehobenen Rolle von sozialer Nachhaltigkeit bei nachhaltigem Supply Chain Management bestätigen Eskandarpour et al. (2015, S. 27f.) und Dubey et al. (2017, S. 193) in ihren Untersuchungen, dass in der Literatur trotzdem häufig ein großer Fokus auf ökonomische und ökologische Aspekte gelegt wird und soziale Aspekte nicht gleichwertig untersucht werden. Zudem liegen, obwohl der Forschungsgegenstand des grünen Supply Chain Managements hin zum nachhaltigen Supply Chain Management immer breiter wurde, die in der Praxis am häufigsten umgesetzten Maßnahmen im Transportbereich (McKinnon et al. 2015, S. 16f.).

2.2 Begriffe und thematische Abgrenzung

35

Mögliche soziale Aspekte und deren Auswirkungen im Transportbereich, wie sie auch im Rahmen der praktischen Problemstellung dieser Arbeit relevant sind, sind Verkehrsbelastungen, Verkehrsunfälle, Lärmbelastungen sowie Arbeitsbedingungen (Deckert 2016b, S. 21). Gao et al. (2017, S. 1530ff.) arbeiten auf Basis einer breiten Literaturübersicht Charakteristika von Innovationen im Bereich nachhaltigen Supply Chain Managements heraus und benennen diese als (1) systematisch, da sie Aktivitäten unterschiedlicher Akteure umfassen, die einem gemeinsamen Ziel dienen und miteinander interagieren, (2) komplex, aufgrund der Vielzahl an Produkten, Prozessen, Technologien und Netzwerken, (3) intern und extern, da sowohl interne als auch externe Aktivitäten und Fähigkeiten erforderlich sind, (4) dynamisch, wegen des stetigen Wandels von Umfeldbedingungen und Kundenanforderungen, (5) kollaborativ, da das Erzielen eines bedeutenden Wandels sowie die Lösung großer Herausforderungen nur mit Partnern entlang der Lieferkette gelingen kann, (6) komplementär, indem Nachteile für einzelne Unternehmen über die Lieferkette hinweg ausgeglichen werden können, (7) nachhaltig, weil in allen Nachhaltigkeitsdimensionen Vorteile für die beteiligten Akteure entlang der Lieferkette generiert werden können sowie (8) zwischen inkrementell und radikal einzuordnen, da sich unternehmensinterne inkrementelle Innovationen zu unternehmensübergreifenden radikalen Innovationen entwickeln können. Diskussion der Konzepte Kritisch ist hinsichtlich der untersuchten Konzepte vor allem die nicht trennscharfe Verwendung der unterschiedlichen Begriffe zu sehen. So sollte sich grüne Logistik nach dem Begriffsverständnis der angloamerikanischen Literatur mit ökologischen Aspekten der TUL-Prozesse auseinandersetzen (Göpfert 2016, S. 52ff.), oft wird aber in diesem Zusammenhang bereits unternehmensübergreifend die ganze Lieferkette betrachtet, was eigentlich unter grünes Supply Chain Management zu fassen wäre. Auch das grüne Supply Chain Management befasst sich teilweise bereits mit sozialen Aspekten, obwohl primär ökologische und ökonomische im Vordergrund stehen sollten. Andererseits wird die Analyse sozialer Aspekte im nachhaltigen Supply Chain Management häufig gegenüber den anderen Aspekten nachrangig untersucht. Diese Unschärfe erschwert die Analyse der Konzepte sowie die Übertragbarkeit der Erkenntnisse in die Praxis. Zudem ist die Verwendung des Begriffs „Supply Chain“ kritisch zu bewerten, da sie eine starke Nähe zu logistischen Prozessen impliziert. Tatsächlich werden aber in der Literatur alle Unternehmensprozesse, inklusive der Beschaffung, Entwicklung, Produktion etc. inkludiert. Die Verwendung des Begriffs „(Management) Practices“ wäre an dieser Stelle passender. Außerdem führt die stetige Erweiterung des Untersuchungsgegenstands zu einer wachsenden Unspezifität in Bezug auf die Ergebnisse. Problematisch ist überdies zu sehen, dass nachhaltige Logistik nicht als Forschungsbereich existiert, sondern dass dabei auf die Forschung zum nachhaltigen Supply Chain Management zurückgegriffen werden muss. Da der Fokus dieser Arbeit auf Logistikunternehmen liegt, sind grüne Produktion und Entsorgungslogistik von untergeordneter Relevanz, da die entsprechenden Maßnahmen eher auf produzierende Unternehmen anwendbar sind. Von größerer Bedeutung sind daher grüne Logistik, internes Umweltmanagement, grüne Design-Ansätze in Bezug auf Prozesse, grüne Beschaffung im Hinblick auf die nachhaltige Gestaltung vorgelagerter Logistikprozesse und grüne Kundenintegration.

36

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik

2.2.4 Definition und Charakteristika von nachhaltigen Dienstleistungsinnovationen in der Logistik Eine umfassende Literaturrecherche hat gezeigt, dass keine Definition von nachhaltigen Dienstleistungsinnovationen in der Logistik existiert. Daher soll die Definition aus einer Zusammenführung der Definitionen von Dienstleistungsinnovationen, Logistik und nachhaltigen Innovationen erfolgen. Wie in den vorangegangenen Kapiteln dargelegt wurde, können aufgrund des Dienstleistungscharakters der Logistik logistische Leistungen als Dienstleistungen bzw. spezifischer als Logistikdienstleistungen bezeichnet werden. Damit können auch Innovationen in der Logistik als Dienstleistungsinnovationen charakterisiert werden. Weiterhin lassen sich Innovationen mit positiven Wirkungen in allen Nachhaltigkeitsdimensionen als nachhaltige Innovationen bezeichnen (Gao et al. 2017, S. 1530), womit sich in Summe folgende Definition von nachhaltigen Dienstleistungsinnovationen in der Logistik ergibt: Nachhaltige Dienstleistungsinnovationen in der Logistik bezeichnen sämtliche Leistungen,  die durch die Bereitstellung von Leistungsfähigkeiten des Anbieters und durch die Integration eines externen Faktors auf eine nutzenstiftende Wirkung abzielen und Neuerungen oder Verbesserungen in der Potenzial-, Prozess- oder Ergebnisdimension aufweisen,  die positive Wirkungen in allen Nachhaltigkeitsdimensionen besitzen, und  die zur integrierten und unternehmensübergreifenden Gestaltung, Koordination und Realisierung von Güterflüssen und dazugehörigen Informations- und Geldflüssen entlang der gesamten Wertschöpfungskette beitragen. Die Charakteristika von Dienstleistungsinnovationen, nachhaltigen Innovationen und Logistikdienstleistungen, die in den vorhergehenden Kapiteln aufgezeigt wurden, gelten folglich auch für nachhaltige Dienstleistungsinnovationen in der Logistik. Nachhaltige Dienstleistungsinnovationen in der Logistik lassen sich somit durch Integration des externen Faktors, Immaterialität, mehrdimensionale Wirkungen, Systemcharakter, Komplexität, Dynamik und Potenzialintensität charakterisieren (vgl. Tabelle 2-5).

2.2 Begriffe und thematische Abgrenzung Basis/Ursache

37

Charakteristika

Herausforderungen

Integration des externen Faktors

Kundenorientierung Abstraktionsgrad sehr hoch Leistungsversprechen schwer kommunizierbar

Dienstleistungsinnovationen

Immaterialität

Mangelnde Testbarkeit Patentschutz nur unter Einschränkungen gegeben Primär inkrementelle Innovationen

Nachhaltige Innovationen

Mehrdimensionalität der Wirkungen

Messbarkeit und Operationalisierbarkeit Vergleichbarkeit der Ergebnisse Vielzahl an Ressourcen und Akteuren

Systemcharakter

Mehrstufigkeit der Wirkungen Interaktion

Komplexität Logistikdienstleistungen

Schlechte Überschaubarkeit Mangelnde Vorhersehbarkeit der Wirkungen Stetig veränderndes Umfeld

Dynamik

Langfristige Betrachtung erforderlich Zeitverzögerte Wirkung Hohe Investitionssummen

Potenzialintensität

Kostendruck und finanzielle Betrachtung Technologieabhängigkeit

Tabelle 2-5:

Charakteristika und daraus resultierende Herausforderungen von nachhaltigen Dienstleistungsinnovationen in der Logistik

Die Integration des externen Faktors und Immaterialität resultieren aus dem Charakter von Dienstleistungsinnovationen. Nachhaltige Innovationen sind durch mehrdimensionale Wirkungen in den drei Nachhaltigkeitsdimensionen gekennzeichnet. Weiter lassen sich Systemcharakter, Komplexität und Dynamik von (nachhaltigen) Logistikdienstleistungen ableiten,15 ebenso wie die Potenzialintensität. Aufgrund der genannten Charakteristika nachhaltiger Dienstleistungsinnovationen in der Logistik ergeben sich verschiedene Herausforderungen. Die Integration des externen Faktors kann auf nachhaltige Dienstleistungsinnovationen in der Logistik angewendet werden und führt zu einem hohen erforderlichen Maß an Kundenorientierung bei der Entwicklung von Dienstleistungsinnovationen. Da nachhaltige Dienstleistungsinnovationen in der Logistik auch durch Immaterialität gekennzeichnet sind, lassen sich die aus der Immaterialität resultierenden Herausforderungen von Dienstleistungsinnovationen entsprechend übertragen. So sind die Anforderungen an das Abstraktionsvermögen sehr hoch, Leistungsversprechen schwer kommunizierbar, Testbarkeit und Patentschutz nur unter Einschränkungen gegeben und 15

Beispielsweise bestimmen Gao et al. (2017, S. 1530f.) unter anderem Systemcharakter, Komplexität und Dynamik als Charakteristika von nachhaltigem Supply Chain Management.

38

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik

inkrementelle Innovationen vorherrschend. Charakteristisch für nachhaltige Dienstleistungsinnovationen in der Logistik ist außerdem die Mehrdimensionalität, die sich primär auf Wirkungen und Ergebnisse bezieht. Diese sind einerseits in ökonomischer Hinsicht und daher finanziell zu bewerten, andererseits aber auch in ökologischer und sozialer Hinsicht, wo primär nicht-finanzielle Größen relevant sind. Hieraus ergeben sich große Herausforderungen bezüglich der Messbarkeit bzw. Operationalisierbarkeit der Größen sowie bezüglich der Vergleichbarkeit über die Dimensionen hinweg. Der Systemcharakter ist ein weiteres charakteristisches Merkmal nachhaltiger Dienstleistungsinnovationen in der Logistik. Sowohl unternehmensintern als auch unternehmensextern sind eine Vielzahl an materiellen und nicht-materiellen Ressourcen (Arbeitsmittel, Prozesse, Mitarbeiter) sowie an Akteuren beteiligt, die das gemeinsame Ziel verfolgen, den Nutzen zu verbessern.16 Im einfachsten Fall sind durch die Integration des externen Faktors Anbieter und Kunde als Akteure sowie deren Ressourcen beteiligt. Im Fall von unternehmensübergreifenden Innovationen entlang von Wertschöpfungsketten, wie in der Logistik potenziell möglich, sind entsprechend mehrere Akteure und deren Ressourcen über Anbieter-Kundenbeziehungen aber auch Kollaborationen aktiv. Dadurch ergibt sich eine Mehrstufigkeit der Wirkungen. Die verschiedenen Akteure und Ressourcen zeichnen sich durch ein hohes Maß an Interaktion aus. Diese Interaktion, also das wechselseitige Einwirken von Elementen aufeinander, betrifft sowohl die Entwicklung der Innovation als auch die Ausführung von Prozessen bzw. Transaktionen im Sinne der Dienstleistungserbringung. Die vorgenannten Charakteristika und Herausforderungen, vor allem der Systemcharakter mit der Interaktion zahlreicher Ressourcen und Akteure, aber auch die Immaterialität und Multidimensionalität führen in Summe zu einem hohen Maß an Komplexität bei nachhaltigen Dienstleistungsinnovationen in der Logistik.17 Die Innovation und deren Elemente sind dadurch kaum mehr überschaubar und die Vorhersehbarkeit der Ergebnisse und Wirkungen ist ebenfalls schwerlich gegeben. Weiterhin führt das sich stetig verändernde, globale Umfeld nachhaltiger Dienstleistungsinnovationen in der Logistik zu einer großen Dynamik.18 Dadurch wird vor allem die langfristige Betrachtung bzw. Bewertung einer Innovation sehr schwierig und sie ist stark abhängig vom gewählten Betrachtungszeitpunkt, da zahlreiche Wirkungen zeitverzögert auftreten können. Außerdem sind Logistikdienstleistungen von einer relativ hohen Potenzialintensität geprägt. Die Leistungsbereitschaft wird durch zahlreiche materielle Ressourcen wie Gebäude, technische Anlagen, IKT-Infrastruktur oder Transportmittel hergestellt. Diese tangiblen Elemente erfordern hohe Investitionssummen. Gleichzeitig verstärkt die hohe Materialität den inkrementellen Charakter, da radikale Innovationen ein überproportional hohes Maß an Investitionen in

16 17

18

Ein System zeichnet sich grundsätzlich durch seine Elemente und durch Beziehungen zwischen den Elementen aus (Baetge 1974, S. 11). Komplexität kann charakterisiert werden durch eine hohe Anzahl und Vielfalt an Elementen und deren verschiedene Beziehungen, die Interdependenzen und eine starke Eigendynamik hervorrufen, die zu einem nicht vollständig deterministischem Systemverhalten und als Folge daraus zu hoher Ungewissheit führt (Schoeneberg 2014, S. 15f.). Zu einer Definition von Dynamik siehe Meiss (2007).

2.3 Wirkungen nachhaltiger Dienstleistungsinnovationen in der Logistik

39

neue Produktionsfaktoren erfordern würden, was auch aufgrund des Kostendrucks in der Logistik eine Herausforderung darstellen würde. Daher liegt der Fokus vor allem auf Innovation zur Verbesserung der Energie-, Ressourcen- und Prozesseffizienz. Die für die materiellen Ressourcen erforderlichen hohen Investitionssummen verstärken den Kostendruck, welcher wiederum in einer streng finanziellen Betrachtung der Investitionen in Innovationen resultiert, was ein starkes Innovationshemmnis darstellt. Weiterhin führt die hohe Potenzialintensität zu einer starken Technologieabhängigkeit nachhaltiger Dienstleistungsinnovationen in der Logistik, womit technologischer Fortschritt und günstiger werdende Technologien im Gegenzug Innovationen ermöglichen, wie es auch in der praktischen Problemstellung der Fall ist.

2.3

Wirkungen nachhaltiger Dienstleistungsinnovationen in der Logistik

2.3.1 Wirkungen von Dienstleistungsinnovationen 2.3.1.1 Literaturübersichten und Metastudien zu Wirkungen von Dienstleistungsinnovationen Literaturübersichten und Metastudien ermöglichen es, sich einen guten Überblick über ein Thema sowie über verwendete Begriffe zu verschaffen. Deshalb werden in diesem Kapitel die Wirkungen von Dienstleistungsinnovationen zunächst auf Basis von Literaturübersichten und Metastudien analysiert, bevor die Wirkungen im folgenden Kapitel auf Basis weiterer ausgewählter empirischer Beiträge betrachtet werden. Trotz einer umfassenden Recherche englischsprachiger Literatur konnte lediglich eine geeignete Studie identifiziert werden, die eine breite Literaturübersicht zu Wirkungen von Dienstleistungsinnovationen erstellt hat (vgl. Aas und Pedersen 2010).19 Demgegenüber standen zahlreiche Studien die Abgrenzungen, Definitionen oder Erfolgsfaktoren von Dienstleistungsinnovationen erarbeiten (vgl. Randhawa und Scerri 2015; Storey et al. 2016; Witell et al. 2015; Snyder et al. 2016), welche jedoch, mit Ausnahme von Storey et al. (2016), nicht weiter untersucht wurden, da Wirkungen und Wirkungsbeziehungen von Dienstleistungsinnovationen im Fokus der Untersuchung stehen. Aas und Pedersen (2010) erstellen eine systematische und strukturierte Literaturübersicht zu den Wirkungen von Dienstleistungsinnovationen auf Unternehmensebene. Über ihre sehr breite Suche in verschiedenen wissenschaftlichen Datenbanken konnten sie insgesamt 73 Studien identifizieren, die sich direkt oder indirekt mit Wirkungen von Dienstleistungsinnovationen befassen und bis 2008 in englischsprachigen Journals erschienen sind (Aas und Pedersen 2010, S. 765). Die meisten Studien basierten auf einer empirischen Untersuchung (53), wovon die meisten quantitativer Natur waren (30). Ein Branchenfokus der identifizierten Studien war nicht festzustellen (Aas und Pedersen 2010, S. 766).

19

Es ist hervorzuheben, dass im Rahmen empirischer Studien lediglich Korrelationen, keine Kausalitäten (Ursache-Wirkungs-Beziehungen) aufgezeigt werden können. Trotzdem wird auch im weiteren Verlauf dieser Arbeit von „Wirkungen“ gesprochen, da in der englischsprachigen Literatur Ausdrücke wie „has impact on“ „is related to“ oder „has an effect on“ verwendet werden, die sich gut als „Wirkungen“ umschreiben bzw. zusammenfassen lassen.

40

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik

Ebene 3 - Wirkungen in Bezug auf

Ebene 2 - Wirkungen in Bezug auf Interne Geschäftsprozesse Dienstleistungskapazität Interne Kosten

Geschäftsprozesse

Produktivität Flexibilität Risikoreduktion Lernen

Fähigkeiten und Potenziale

Kultur Mitarbeiteranzahl Mitarbeiterzufriedenheit Kundenwert Kundenzufriedenheit Kundenloyalität

Beziehungen

Lock-in Image Geschäftsbeziehungen Servicequalität Allgemeine Finanzkennzahlen Marktanteil

Finanzielle Lage

Umsatz (mit neuen Services) Umsatz (mit bestehenden Services) Marktwert Wettbewerbsposition

Wettbewerbsfähigkeit

Überlebensfähigkeit Generierung neuer Märkte Erreichung strategischer Ziele

Tabelle 2-6:

Kategorien der Effekte von Dienstleistungsinnovationen (Quelle: in Anlehnung an Aas und Pedersen (2010, S. 768f.))

Die Autoren gruppieren die Wirkungen von Dienstleistungsinnovationen auf oberster Ebene (Ebene 3) in fünf Kategorien, die auf Ebene 2 in 26 Unterkategorien (vgl. Tabelle 2-6). So können Wirkungen in Bezug auf (1) Geschäftsprozesse, (2) unternehmensinterne Fähigkeiten und Potenziale, (3) Beziehungen, (4) die finanzielle Lage und (5) Wettbewerbsfähigkeit unterschieden werden. Wirkungen der ersten Kategorie zeichnen sich dadurch aus, dass sie Veränderungen in den Geschäftsprozessen des Unternehmens hervorrufen. Dabei können Wirkungen in Bezug auf interne Geschäftsprozesse, eine Erhöhung der Dienstleistungskapazität, eine Verringerung der internen Kosten, eine Verbesserung der Produktivität, eine Erhöhung der Flexibilität und eine

2.3 Wirkungen nachhaltiger Dienstleistungsinnovationen in der Logistik

41

Verringerung des Unternehmensrisikos genannt werden. Lerneffekte, eine innovationsorientiertere Unternehmenskultur, steigende Mitarbeiterzahlen und verbesserte Mitarbeiterzufriedenheit können als Wirkungen auf interne Fähigkeiten und Potenziale unterschieden werden. Beziehungswirkungen betreffen die Beziehungen eines Unternehmens mit anderen Stakeholdern, vor allem Kunden. Hier können Wirkungen auf Kundenwert, Kundenzufriedenheit und Kundenloyalität differenziert werden, wobei darüber hinaus Lock-in- und Imageeffekte sowie verbesserte Geschäftsbeziehungen oder eine erhöhte Servicequalität denkbar sind. Finanzielle Wirkungen werden in vielen der untersuchten Studien stark hervorgehoben (Aas und Pedersen 2010, S. 774). Als Subkategorien werden Wirkungen auf allgemeine Finanzkennzahlen, Marktanteil, Umsätze mit neuen Dienstleistungen oder mit bestehenden Produkten und Dienstleistungen sowie auf den Marktwert des Unternehmens unterschieden. Als letzte Kategorie führen Aas und Pedersen (2010) Effekte auf, die die Wettbewerbsfähigkeit eines Unternehmens betreffen. Neben Wirkungen auf die Wettbewerbsposition, wie Sicherung des Unternehmensbestands und die Generierung neuer Märkte, können Dienstleistungsinnovationen die Erreichung strategischer Ziele unterstützten.

Geschäftsprozesse Finanzielle Lage Dienstleistungsinnovation

Beziehungen Wettbewerbsfähigkeit Fähigkeiten und Potenziale

Abbildung 2-2:

Potenzielle Zusammenhänge der Wirkungen von Dienstleistungsinnovationen (Quelle: Aas und Pedersen (2010, S. 777))

Neben der vorgestellten Kategorisierung möglicher Wirkungen von Dienstleistungsinnovationen diskutieren Aas und Pedersen (2010, S. 777) auf Basis ihrer Ergebnisse die Zusammenhänge zwischen den einzelnen Kategorien. Diese sind in Abbildung 2-2 dargestellt. So schließen die Autoren, dass Dienstleistungsinnovationen direkte Wirkungen auf Geschäftsprozesse, Beziehungen sowie interne Fähigkeiten und Potenziale besitzen. Kostenreduktionen oder erhöhte Umsätze können als Ergebnis verbesserter Geschäftsprozesse Einfluss auf die finanzielle Lage haben, verbesserte Beziehungen können Wirkungen auf die finanzielle Lage (über erhöhte Umsätze) oder den Wettbewerb nach sich ziehen. Weiterhin können interne Fähigkeiten und Potenziale Wettbewerbsvorteile ermöglichen (Aas und Pedersen 2010, S. 778). Die Autoren untersuchen jedoch weder moderierende Wirkungen, noch unterstellen sie an dieser Stelle kausale Zusammenhänge, wenngleich sie zu entsprechenden Studien auffordern (Aas und Pedersen 2010, S. 778). Aus methodischer Sicht, gehen die Autoren sehr systematisch vor und verwenden breite Such-

42

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik

begriffe, wodurch sichergestellt wird, dass alle relevanten Studien in die Übersicht eingeschlossen sind. Kritisch ist lediglich die Wahl der verwendeten Datenbanken zu sehen, die zwar wichtige und anerkannte Zeitschriften umfassen, jedoch den Suchradius stark einschränken. Weiterhin gehen die Autoren bei der Analyse der Studien nachvollziehbar und systematisch vor und die identifizierten Kategorien stützen sich auf eine breite Literaturbasis. 2.3.1.2 Weitere empirische Befunde zu Wirkungen von Dienstleistungsinnovationen Im Weiteren werden ausgewählte Studien zu Wirkungen von Dienstleistungsinnovationen analysiert, welche nach 2009 veröffentlicht wurden und somit außerhalb des Betrachtungszeitraums der Literaturübersicht von Aas und Pedersen (2010) liegen.20 Es werden jeweils nur diejenigen Wirkungen betrachtet, die in den Studien im Zusammenhang mit Dienstleistungsinnovationen stehen. Zunächst ist festzuhalten, dass der Untersuchungsgegenstand bei den einzelnen Studien variiert. So werden in den Studien im Hinblick auf Dienstleistungsinnovationen beispielsweise Prozessinnovationen und Ergebnisinnovationen (Lin 2013), technologiebasierte und personenbasierte Dienstleistungsinnovationen (Dotzel et al. 2013), Dienstleistungsinnovationen durch Unternehmensnetzwerke (Agarwal und Selen 2011) oder Marktinnovationen im Gegensatz zu Unternehmensinnovationen (Thakur und Hale 2013) untersucht. Ebenso werden sowohl branchenspezifische Untersuchungen, unter anderen mit einem Fokus auf der Tourismus- und Finanzbranche (Chen et al. 2009; Ordanini und Parasuraman 2010; Lin 2013), als auch branchenübergreifende Untersuchungen (Dotzel et al. 2013; Thakur und Hale 2013) durchgeführt. Die Diversität hinsichtlich Untersuchungsgegenstand und Branche ist an dieser Stelle als Stärke zu betrachten, da Ziel dieses Kapitels die Erlangung möglichst breiter Erkenntnisse zu Wirkungen von Dienstleistungsinnovationen ist. Weiterhin sind Unternehmenserfolg und Erfolg von Innovationen multidimensionale und mehrschichtige Konstrukte (Peng und Luo 2000, S. 492; Thakur und Hale 2013, S. 1114; Dewangan und Godse 2014, S. 539), was den gewählten Ansatz unterstützt. Auf oberster Ebene lassen sich Wirkungen auf finanzielle sowie auf nicht-finanzielle Ergebnisse unterscheiden. Diese Differenzierung wird von zahlreichen Autoren verwendet (Chen et al. 2009; Thakur und Hale 2013) und hat sich auch in der Betriebswirtschaftslehre zur Unterteilung möglicher Zielgrößen durchgesetzt (Bamberg et al. 2012, S. 27).

20

Die analysierte Literatur gibt einen umfassenden Überblick über den Stand der Forschung. Es steht jedoch nicht die vollständige Erfassung des Forschungsstands im Vordergrund. Vielmehr wurde bei der Auswahl der Studien darauf geachtet, möglichst vielfältige Aspekte abzudecken. Im Fokus der Literaturrecherchen standen Beiträge, die Wirkungen auf Basis einer umfassenden Datengrundlage bevorzugt quantitativ untersuchen und überwiegend in vom VHB mit A oder B bewerteten Zeitschriften erschienen sind (VHB 2018).

2.3 Wirkungen nachhaltiger Dienstleistungsinnovationen in der Logistik

43

Quelle

Datenbasis

Untersuchungsgegenstand

Wirkungen

Abreu et al. 2009

Qualitative Fallstudie (n=20), ITBranche, Finanzbranche und Handel

Dienstleistungsinnovationen

Umsatz, Gewinn, Rentabilität, Kundenanzahl, Kundenzufriedenheit, Kundenbindung, Weiterempfehlungen, Marktanteil, Produktivität

Chen et al. 2009

Quantitative Unternehmensbefragung (n=298), Finanzbranche

Dienstleistungserbringungsinnovationen

Finanzielles Ergebnis: Umsatz, Gewinn, Marktanteil Nicht-finanzielles Ergebnis: Kundenloyalität, Wettbewerbsvorteil, Kundengewinnung, Image, Reputation

Eisingerich et al. 2009

Quantitative Unternehmensbefragung (n=114), professionelle Dienstleistungen

Unternehmen, die sich auf Dienstleistungsinnovationen fokussieren

Gewinn

Ordanini und Parasuraman 2010

Quantitative Unternehmensbefragung (n=193), Hotelgewerbe

Dienstleistungsinnovationen (Umfang, Radikalität)

Umsatz, Profitabilität

Aas und Pedersen 2011

Quantitative Unternehmensbefragung, Dienstleistungsbranche (n=1.132) und Industrie (n=3.575)

Unternehmen, die sich auf Dienstleistungsinnovationen fokussieren

Gewinn, Vermögensprofitabilität, Mitarbeiterproduktivität

Agarwal und Selen 2011

Quantitative Unternehmensbefragung (n=380), Telekommunikationsbranche

Dienstleistungsinnovationen im Unternehmensnetzwerk

Strategische Dimension: Dienstleistungsangebot, Kundeninteraktionsschnittstelle, Betriebsstruktur, Dienstleistungserstellungsprozess, Dienstleistungseigenschaften, Markteinführungsrate Dienstleistungsangebote, Marktsegmente Operative Dimension: Leistung: Kundenanpassung, Kapazitätsauslastung, Dienstleistungszuverlässigkeit, Nachfragereaktivität, Kundenzufriedenheit, Kundenbindung, Markenimage, Service Experience Produktivität: Erbringungsdauer, pünktliche Erbringung, Markteinführungsdauer, Transaktionskosten, Wartezeit

den Hertog et al. 2011

Quantitative Unternehmensbefragung (n=613), Gastgewerbe

Verschiedene Typen eingeführter Dienstleistungsinnovationen

Umsatz, Kosten, Qualität, Regularien, Kundensegmente, Dienstleistungserbringungskapazität

Dotzel et al. 2013

Auswertung verschiedener Datenbanken, 282 menschenbasierte Dienstleistungsinnovationen,

Dienstleistungsinnovativität durch Menschen und Internet

Unternehmenswert, Kundenzufriedenheit, Risiko, Systematisches Risiko, spezifisches Risiko

44 Quelle

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik Datenbasis

Untersuchungsgegenstand

Wirkungen

767 internetbasierte Dienstleistungsinnovationen Lin 2013

Quantitative Unternehmensbefragung (n=277), Reisebüros

Verschiedene Typen eingeführter Dienstleistungsinnovationen (neue Dienstleistung, Technologie, Kundeninteraktionsschnittstelle, Dienstleistungserbringungssystem)

Dienstleistungsqualität: Versprechen: pünktliche Erbringung, Problemlösungsorientierung, Vertrauen, Kundeninteraktion, Rücksichtnahme Zuverlässigkeit: Modernität Serviceeinrichtungen, Erfüllung Leistungsversprechen, Problemlösungsfähigkeit, Kundenvertrauen in Fähigkeiten Gesamtbewertung: Erfüllung Kundenanforderungen, Dienstleistungsqualität Unternehmensergebnis: Finanzielle Leistung: Gewinn, Umsatzrentabilität, Gesamtkapitalrentabilität, Umsatzwachstum Marktleistung: Marktanteil, Marktanteilswachstum

Salunke et al. 2013

Quantitative Unternehmensbefragung (n=216), projektorientierte Unternehmen in der Dienstleistungsbranche

interaktive und unterstützende Dienstleistungsinnovationen

Marktposition, Wettbewerbsvorteil, Imitierbarkeit, Grundstein für weitere Fortschritte

Thakur und Hale 2013

Quantitative Unternehmensbefragung (n=169, n=146), mehrere Branchen

Verschiedene Typen eingeführter Dienstleistungsinnovationen (Marktinnovation, Unternehmensinnovation etc.)

Finanzielles Ergebnis: Umsatz, Gewinn, Marktanteil Nicht-finanzielles Ergebnis: neue Kunden, Kundenloyalität, Cross-Selling, Image

Storey et al. 2016

Meta-Analyse (n=114)

Erfolgsfaktoren expliziter und impliziter Dienstleistungen

Wirtschaftlicher Erfolg: Umsatz, finanzieller Erfolg, finanzielle Zielerreichung Wettbewerbsvorteil: Neue Märkte, neue Kunden, Kundenbindung, Kundenloyalität, Lernen

Tabelle 2-7:

Ausgewählte Studien zu Wirkungen von Dienstleistungsinnovationen.

Die finanziellen Ergebnisse werden in den einzelnen Studien hauptsächlich über Umsatz und Gewinn gemessen (Chen et al. 2009; Eisingerich et al. 2009), teilweise auch über Profitabilitätskennzahlen wie Umsatz- und Gesamtkapitalrentabilität (Abreu et al. 2009; Ordanini und Parasuraman 2010; Lin 2013) oder Unternehmenswert (Dotzel et al. 2013). Fast alle Studien konnten einen direkten positiven Zusammenhang zwischen Dienstleistungsinnovationen und den verschiedenen finanziellen Ergebnissen aufzeigen. Lediglich für einzelne Dienstleistungstypen oder Messindikatoren konnte kein eindeutiger positiver Zusammenhang belegt werden.

2.3 Wirkungen nachhaltiger Dienstleistungsinnovationen in der Logistik

45

Es konnte beispielsweise nicht belegt werden, dass personenbasierte Dienstleistungsinnovationen positiv mit dem Unternehmenswert zusammenhängen (Dotzel et al. 2013, S. 271) oder dass der Umfang von Dienstleistungsinnovationen Einfluss auf den EBIT hat (Ordanini und Parasuraman 2010, S. 14). Aas und Pedersen (2011, S. 2079ff.) konnten generell keine positiven Auswirkungen von Dienstleistungsinnovationen auf Gewinn oder Vermögensprofitabilität feststellen, lediglich auf Mitarbeiterproduktivität. Eine tiefergehende Datenanalyse zeigte, dass die positiven Wirkungen von Dienstleistungsinnovationen auf den Umsatz durch höhere Kosten neutralisiert werden könnten (Aas und Pedersen 2011, S. 2082). Den finanziellen Ergebnissen stehen nicht-finanzielle Ergebnisse von Dienstleistungsinnovationen gegenüber. Einige Studien belegen auf dieser Ebene empirisch einen positiven Zusammenhang zwischen Dienstleistungsinnovationen und nicht-finanziellen Ergebnissen (Chen et al. 2009; Thakur und Hale 2013), wohingegen andere Studien positive Zusammenhänge auf tieferen Ebenen belegen. Basierend auf den analysierten Studien lassen sich die nicht-finanziellen Ergebnisse in kundenbezogene, marktbezogene, prozessbezogene sowie strategische Ergebnisse unterteilen, wobei im überwiegenden Teil der Studien schwerpunktmäßig kundenbezogene Ergebnisse betrachtet werden. Letzteres ist vor dem Hintergrund, dass der Kunde aufgrund der Integration des externen Faktors bei Dienstleistungsinnovationen eine wichtige Rolle spielt durchaus nachvollziehbar. Zu den kundenbezogenen Ergebnissen zählen diejenigen, die in direktem Zusammenhang mit dem Kunden oder der Kundenbeziehung stehen. In Übereinstimmung mit den Konstrukten des Relationship Marketing (Bruhn 2016b, S. 72f.) werden in den analysierten Studien Dienstleistungsqualität, Kundenzufriedenheit, Kundenbindung, Kundenloyalität, Weiterempfehlung, Cross-Selling, Kundengewinnung bzw. steigende Kundenanzahl, Image und Reputation untersucht. In zwei Studien, die kundenbezogene Ergebnisse allgemein betrachten, wurde ein Zusammenhang von Dienstleistungsinnovationen und kundenbezogenen Ergebnissen empirisch belegt (Chen et al. 2009; Thakur und Hale 2013). Weiter untersuchen Dotzel et al. (2013, S. 271) explizit den Zusammenhang zwischen Dienstleistungsinnovationen und Kundenzufriedenheit und belegen, dass dieser bei personenbasierten Dienstleistungsinnovationen positiv ist, bei technologiebasierten Dienstleistungsinnovationen hingegen nicht belegt werden kann. Als Erklärung führen die Autoren an, dass die inkrementelle Natur einer technologiebasierten Dienstleistungsinnovation möglicherweise keine nennenswerten Auswirkungen auf die gesamtunternehmensbezogene Kundenzufriedenheit hat (Dotzel et al. 2013, S. 271). Andere Studien zeigen einen direkten Zusammenhang von Dienstleistungsinnovationen und Dienstleistungsqualität. den Hertog et al. (2011, S. 1441f.) bestätigen diesen deskriptiv, wohingegen Lin (2013, S. 1618) ein Strukturgleichungsmodell heranzieht. Letzterer identifiziert mit Dienstleistungsversprechen (Zusicherung der Leistungsfähigkeit), Dienstleistungszuverlässigkeit und Gesamtbewertung der Dienstleistung drei wesentliche Dimensionen von Dienstleistungsqualität, die durch Dienstleistungsinnovationen positiv beeinflusst werden (Lin 2013, S. 1615ff.). Wirkungen die sich auf aktuelle und künftige Märkte beziehen werden als marktbezogene Ergebnisse bezeichnet. In den analysierten Studien werden Wirkungen von Dienstleistungsinnovationen auf Marktanteil oder Marktanteilswachstum untersucht (Chen et al. 2009; Thakur und Hale 2013; Lin 2013) sowie auf die potenzielle Erschließung neuer Märkte oder Marktsegmente (Storey et al. 2016). Ein positiver Zusammenhang zwischen Dienstleistungsinnovationen und

46

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik

marktbezogenen Ergebnissen kann von Lin (2013) empirisch belegt werden. Die übrigen Studien lassen diesbezüglich keine eindeutigen Aussagen zu, da die Ergebnisse zu den entsprechenden Messindikatoren nicht dezidiert ausgewiesen wurden. Prozessbezogene Ergebnisse können sehr unterschiedliche Ausprägungen annehmen, ihnen ist jedoch gemein, dass sie in Zusammenhang mit den Dienstleistungserstellungsprozessen bzw. Geschäftsprozessen stehen. In den Studien werden Wirkungen von Dienstleistungsinnovationen auf Produktivität (in Bezug auf Mitarbeiter oder Betriebsmittel) (Aas und Pedersen 2011) sowie auf die Dienstleistungskapazität und deren Auslastung untersucht (den Hertog et al. 2011). Produktivität kann als Verhältnis des erzielten Outputs zum eingesetzten Input definiert werden (Johnston und Jones 2004, S. 202) und ist damit eng mit dem finanziellen Ergebnis verknüpft, da Input in der Regel mit Kosten verbunden ist und Output in Unternehmen nach wie vor primär in finanziellen Größen gemessen wird (Macharzina und Wolf 2015, S. 230ff.). Der positive Zusammenhang von Dienstleistungsinnovationen und prozessbezogenen Ergebnissen wird von Aas und Pedersen (2011) und den Hertog et al. (2011) aufgezeigt. Zusätzlich zu den bisher beschriebenen Aspekten gibt es einige Wirkungen von Dienstleistungsinnovationen, die sich tendenziell langfristig, aber sehr wesentlich auf den Unternehmenserfolg auswirken und die damit als strategische Ergebnisse bezeichnet werden können. Konformität mit Regularien, Risiko und Lernfähigkeit werden hierzu in den analysierten Studien betrachtet. Ein positiver Zusammenhang von Dienstleistungsinnovationen und strategischen Ergebnissen kann empirisch belegt werden (den Hertog et al. 2011; Dotzel et al. 2013; Salunke et al. 2013). Die Analyse der Studien hat gezeigt, dass die Wirkungen von Dienstleistungsinnovationen sehr vielfältig sind und sich in verschiedenen Ergebnisdimensionen niederschlagen. Grundsätzlich konnten, mit den aufgezeigten Einschränkungen, die Wirkungen gemäß Tabelle 2-8 zumindest in den betrachteten Studien empirisch belegt werden. Darüber hinaus werden in einigen Studien Unterschiede hinsichtlich der zeitlichen Dimension der Wirkungen angedeutet. So gehen beispielsweise Storey et al. (2016, S. 17) davon aus, dass die Wirkungen von Dienstleistungsinnovationen auf das finanzielle Ergebnis kurzfristig realisiert werden, wohingegen nicht-finanzielle Ergebnisse wie beispielsweise Dienstleistungsqualität langfristig wirksam werden. Auch andere Studien weisen nicht-finanziellen Ergebnissen tendenziell langfristige Wirkungen zu (Chen et al. 2009, S. 42; Aas und Pedersen 2011, S. 2071ff.), eindeutig empirisch belegt wird dies aber in keiner der analysierten Studien. Es sei jedoch an dieser Stelle darauf verwiesen, dass Studien existieren, die sich explizit mit zeitverzögerten Wirkungen im Dienstleistungsmarketing auseinandersetzen. In einer Studie zur Service-Profit-Chain wird beispielsweise ein Zeitverzug zwischen Betriebsinvestitionen und Kundenzufriedenheit sowie zwischen Kundenzufriedenheit und finanziellem Ergebnis empirisch belegt (Evanschitzky et al. 2012a, S. 361). Trotz oder gerade wegen der langfristigen und meist nur schwer zu quantifizierenden Wirkungen nicht-finanzieller Ergebnisse dürfen diese bei unternehmerischen Entscheidungen nicht unberücksichtigt bleiben. Insbesondere für Dienstleistungsinnovationen im Vergleich zu Produktinnovationen sind sie von erhöhter Relevanz. Der Grund hierfür liegt unter anderem darin, dass Kunden Dienstleistungen aufgrund der Immaterialität sowie aufgrund der Untrennbarkeit von Erstellung und Konsum vor dem Kauf nicht testen können, wodurch eine Beurteilungsproblematik besteht (Gebauer 2004, S. 42ff.; Storey

2.3 Wirkungen nachhaltiger Dienstleistungsinnovationen in der Logistik

47

et al. 2016, S. 17). Diese hemmt den Erst- und Wiederkauf von Dienstleistungen (Woratschek 2001, S. 266) und hat damit wesentlichen Einfluss auf das finanzielle Ergebnis. Anbieterseitig kann die Beurteilungsproblematik durch Signaling vermindert werden, wofür bei Dienstleistungen Dienstleistungsqualität, Image und Reputation als kundenbezogene und damit nichtfinanzielle Ergebnisse als am besten geeignete Mittel betrachtet werden können (Gebauer 2004, S. 42ff.). 1. Ebene

2. Ebene

Finanzielle Ergebnisse

Kundenbezogene Ergebnisse

Nicht-finanzielle Ergebnisse Marktbezogene Ergebnisse

Prozessbezogene Ergebnisse

Strategische Ergebnisse

Tabelle 2-8:

3. Ebene

Verwendung (# Studien)

Umsatz

7

Gewinn

6

Rentabilität

4

Dienstleistungsqualität

2

Kundenzufriedenheit

3

Kundenbindung

3

Kundenloyalität

3

Weiterempfehlung

1

Cross-Selling

1

Kundengewinnung

5

Image

3

Reputation

1

Marktanteil

4

Neue Märkte

2

Produktivität

3

Dienstleistungskapazität

2

Regularien

1

Risiko

1

Lernfähigkeit

1

Kategorien der Wirkungen von Dienstleistungsinnovationen

Überdies belegen einige der analysierten Studien einen positiven Zusammenhang zwischen nicht-finanziellen und finanziellen Ergebnissen (Chen et al. 2009; Dotzel et al. 2013; Lin 2013). Lin (2013, S. 1615f.) belegen einen positiven Zusammenhang zwischen Dienstleistungsqualität und finanziellem Ergebnis, wohingegen Dotzel et al. (2013, S. 271) einen starken positiven Zusammenhang zwischen Kundenzufriedenheit und Firmenwert belegt. Chen et al. (2009, S. 46f.) belegen empirisch, dass nicht-finanzielle Ergebnisse positive Auswirkungen auf finanzielle Ergebnisse haben. Uneinigkeit herrscht hingegen in den betrachteten Studien darüber, ob Dienstleistungsinnovationen stärkeren Einfluss auf finanzielle oder nicht-finanzielle Größen haben. Die Untersuchungen von Chen et al. (2009, S. 47f.) weisen Dienstleistungserbringungsinnovationen eine höhere Vorhersagekraft für nicht-finanzielle Ergebnisse zu und Storey et al. (2016, 10) belegen, dass

48

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik

Charakteristika des Dienstleistungsangebots, wie Qualität und Innovativität, eine stärkere Wirkung auf nicht-finanzielle Ergebnisse haben als auf finanzielle Ergebnisse. Auf der anderen Seite ist bei Thakur und Hale (2013) der Erklärungsbeitrag von Dienstleistungsinnovationen auf das finanzielle Ergebnis höher. Die Analysen bieten eine erste Orientierung, welche Ergebnisgrößen und Wirkungen in einem Entscheidungsmodell für nachhaltige Dienstleistungsinnovationen in der Logistik zu berücksichtigen sind. 2.3.2 Wirkungen von grünem und nachhaltigem Supply Chain Management 2.3.2.1 Literaturübersichten und Metastudien zu Wirkungen von grünem und nachhaltigem Supply Chain Management In diesem Kapitel erfolgt erst eine Betrachtung von Literaturübersichten und Metastudien zu Wirkungen von grünem und nachhaltigem Supply Chain Management, bevor ausgewählte Studien im nächsten Kapitel detailliert analysiert werden. Die Recherche resultierte in einigen Literaturübersichten, die jedoch auf spezifische Branchen ausgerichtet waren (Sharma et al. 2017; Wan Ahmad et al. 2016) oder Definitionen, Treiber und Hemmnisse betrachteten (Seuring und Müller 2008b; Ansari und Kant 2017), und in einer regional eingegrenzten Metastudie (Geng et al. 2017) sowie in einer breiten Metastudie (Golicic und Smith 2013), wobei letztere für eine Detailanalyse herangezogen wurde. Golicic und Smith (2013) führen eine Metastudie zu den Wirkungen von grünem Supply Chain Management auf den Firmenerfolg durch. Über eine systematische Literaturrecherche identifizieren die Autoren 31 Studien die 77 Effektstärken umfassen und eine summierte Fallzahl von 15.160 erreichen. Die analysierten Maßnahmen umfassen grüne Beschaffung, grünes Design, grüne Produktion und grüne Kunden (Golicic und Smith 2013, S. 81) und damit wesentliche, aber nicht alle Elemente, die in der Literatur zu grünem Supply Chain Management diskutiert und untersucht werden. Dies ist als Schwäche der Metastudie zu betrachten. Bei der Operationalisierung von Unternehmenserfolg beziehen sich die Autoren auf in der Literatur etablierte Messgrößen, die sich in die Kategorien marktbezogene, operative und finanzielle Ergebnisse unterteilen lassen (Golicic und Smith 2013, S. 80). Die marktbezogenen Ergebnisse beschreiben Marktziele in Bezug auf Kundenbedürfnisse, wie beispielsweise Marktanteil, Wettbewerbsvorteil, Kundenloyalität und Markenwert, wohingegen operative Ergebnisse sich auf operative Effizienz beziehen, wie z. B. Kosten, Qualität, Flexibilität und Zeit (Golicic und Smith 2013, S. 80). Finanzielle Ergebnisse betreffen die Profitabilität des Unternehmens, was sich in Rendite, Umsatz und Gewinn äußert (Golicic und Smith 2013, S. 80). Die Autoren weisen weiterhin darauf hin, dass durch diese drei Dimensionen die wichtigsten Stakeholder der Lieferkette wie Shareholder (finanzielle Ergebnisse), Lieferanten und Mitarbeiter (operative Ergebnisse) sowie Wettbewerber und Kunden (marktbezogene Ergebnisse) berücksichtigt sind. Es ist jedoch kritisch zu bewerten, dass keinerlei ökologische Ergebnisse zur Operationalisierung des Unternehmenserfolgs herangezogen werden, obwohl diese einen wesentlichen Aspekt von grünem Supply Chain Management repräsentierten.

2.3 Wirkungen nachhaltiger Dienstleistungsinnovationen in der Logistik

49

Marktbezogene Ergebnisse M arktanteil Wettbewerbsvorteil Kundenloyalität M arkenwert

Grünes S upply Chain Management Grüne Beschaffung Grünes Design Grüne Produktion Grüne Kundenintegration

Operative Ergebnisse Kosten Qualität Flexibilität Zeit

Finanzielle Ergebnisse Rendite Umsatz Gewinn

Abbildung 2-3:

Untersuchungsrahmen zu Wirkungen von grünem Supply Chain Management (Quelle: in Anlehnung an Golicic und Smith (2013, S. 81))

Da über die Studien bzw. Daten hinweg ein gemeinsamer Effekt untersucht werden soll, prüfen Golicic und Smith (2013, S. 83) ein Fixed-Effects-Model. Bei den Analysen konnte für 46 der 77 betrachteten Effekte ein signifikant positiver Zusammenhang aufgezeigt werden und sowohl der positive Zusammenhang von grünem Supply Chain Management auf Unternehmenserfolg generell als auch auf die einzelnen Kategorien belegt werden (Golicic und Smith 2013, S. 88). Der Effekt auf marktbezogene und operative Ergebnisse ist dabei stärker ausgeprägt als der Effekt auf finanzielle Ergebnisse. Die Autoren vermuten, dass der geringere Effekt auf finanzielle Ergebnisse von Moderatoren beeinflusst wird, wohingegen die anderen beiden Kategorien direkt von grünem Supply Chain Management beeinflusst werden. Auch die Effekte der einzelnen Maßnahmen konnten belegt werden, mit Ausnahme des Zusammenhangs von Kundenintegration und finanziellen Ergebnissen, wobei die Autoren Letzteres auf die geringe Anzahl an Studien zurückführen, die diesen Zusammenhang untersucht haben (Golicic und Smith 2013, S. 88). Grünes Design zeigt dabei den größten Effekt auf die drei Kategorien von Unternehmenserfolg, was jedoch von Moderatoren beeinflusst wird, wohingegen Kundenintegration einen starken, weitgehend unbeeinflussten Effekt auf finanzielle Ergebnisse hat. Es kann daher gefolgert werden, dass kundenbezogene Maßnahmen relativ schnelle Auswirkungen auf das finanzielle Ergebnis haben, wohingegen die anderen Maßnahmen mehr Zeit benötigen, um ihre Wirkungen zu entfalten (Golicic und Smith 2013, S. 88). Weiterhin weisen alle Maßnahmen stark positive Effekte auf operative Ergebnisse auf. Eine der wesentlichen Schwächen dieser Metastudie, wie auch Golicic und Smith (2013, S. 92) anführen, ist die teils sehr unterschiedliche Definition und Operationalisierung von grünem Supply Chain Management in der bestehenden Literatur, was bei der Erstellung dieser Metastudie zu großen Herausforderungen führt. Überdies werden internes Umweltmanagement und Entsorgungslogistik als wichtige Maßnahmen von grünem Supply Chain Management in der Metastudie nicht betrachtet. Dennoch kann ein gutes erstes Bild der Wirkungen von nachhaltiger Logistik gezeichnet werden.

50

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik

2.3.2.2 Weitere empirische Befunde zu Wirkungen von grünem und nachhaltigem Supply Chain Management Die Metastudie von Golicic und Smith (2013) gibt zunächst einen Überblick über Wirkungen von grünem und nachhaltigem Supply Chain Management. Um jedoch einen breiteren Überblick zu erhalten, werden ausgewählte Studien, die von Golicic und Smith (2013) nicht erfasst wurden sowie aktuellere Studien detailliert in Bezug auf die relevanten Wirkungen analysiert. Die Studien sind in Tabelle 2-9 dargestellt. Wie in Kapitel 2.2.3.3 erläutert sind für LDL vor allem grüne Logistik, internes Umweltmanagement, grüne Design-Ansätze, grüne Beschaffung und grüne Kundenintegration von Relevanz. Generell sind diese Maßnahmen auch die in der Literatur am häufigsten untersuchten Maßnahmen, mit Ausnahme der grünen Logistik, welche nur von Schmidt et al. (2017) explizit untersucht wird. Darüber hinaus werden einzelne Aspekte grüner Logistik wie die Reduktion von Transportkosten durch IT-Systeme (Green et al. 2012, S. 303) oder die Reduktion des Energiebedarfs beim Transport durch Kundenkooperation (Green et al. 2012, S. 304; Yu et al. 2014, S. 689; Vanalle et al. 2017, S. 253) untersucht. Weiterhin wird grüne bzw. nachhaltige Verpackung als Logistikprozess bei Zailani et al. (2012) untersucht. Grundsätzlich ist anzumerken, dass die genannten Maßnahmen in den analysierten Studien teilweise sehr unterschiedlich definiert werden oder dass mehrere Maßnahmen zusammengefasst werden, was zu großen Herausforderungen bei der Analyse führte. Die meisten der Studien basieren auf Befragungen des verarbeitenden Gewerbes, meist asiatischer Länder wie Taiwan, Malaysia und China. Dies ist durchaus kritisch zu bewerten, da einerseits Charakteristika von Dienstleistungsunternehmen und konkret von LDL daher kaum berücksichtigt sind und andererseits die Besonderheiten der im Fokus stehenden Länder überbetont werden und die Ergebnisse verzerren. Zum Beispiel sind die genannten Länder aus wirtschaftlicher Sicht weniger stark entwickelt als beispielsweise die USA oder zahlreiche Länder Europas, sodass möglicherweise im Unternehmensfokus vielmehr eine stark positive wirtschaftliche Entwicklung und weniger ökologische oder soziale Aspekte im Vordergrund stehen. Jedoch spielen diese Aspekte, wie Geng et al. (2017, S. 245ff.) bestätigen, auch in asiatischen Ländern eine immer bedeutendere Rolle. Zusätzlich kann davon ausgegangen werden, dass die meisten Unternehmen des verarbeitenden Gewerbes Logistikaktivitäten, zumindest in Teilen, selbst durchführen und verstärkt dort nach Ansätzen zur ökologischeren und nachhaltigeren Ausgestaltung der Unternehmensaktivitäten suchen. Somit können durch eine Analyse dieser Studien implizit auch relevante Erkenntnisse bezüglich der Wirkungen von nachhaltigen Dienstleistungsinnovationen in der Logistik erlangt werden.

2.3 Wirkungen nachhaltiger Dienstleistungsinnovationen in der Logistik Quelle

Datenbasis

Rao 2002

Quantitative Studie (n=52), ISO 14001 zertifizierte Unternehmen aus SüdostAsien

Untersuchungsgegenstand

51

Wirkungen

Umweltbezogene Initiativen Umweltbezogenes Lieferantenmanagement

Ökologisches Ergebnis Abfall, Emissionen, Compliance Ökonomisches Ergebnis neue Märkte, Preissteigerung, Gewinn, Marktanteil, Umsatz Wettbewerbsfähigkeit Produktqualität, Effizienz, Produktivität, Kosten

Zhu et al. 2005

Quantitative Studie (n=314), verarbeitendes Gewerbe in China

GSCM Internes Umweltmanagement Externes GSCM Eco-Design Investitionsamortisation

Ökologisches Ergebnis Luftemissionen, Abwasser, Abfall, gefährliche Materialien, ökologische Unfälle, ökologische Situation des Unternehmens Operatives Ergebnis Lieferpünktlichkeit, Bestände, Ausschussrate, Produktqualität, Produktlinien, Kapazitätsauslastung Positives ökonomisches Ergebnis Materialkosten, Energiekosten, Abfallbehandlungskosten, Abfallkosten Negatives ökonomisches Ergebnis Investitionen, Betriebskosten, Qualifizierungskosten, Beschaffungskosten

Chien und Shih 2007

Quantitative Studie (n=151), Elektro- und Elektronikindustrie in Taiwan

GSCM Grüne Beschaffung Grüne Produktion

Finanzielles Ergebnis Kostensenkung, Marktanteil, Gewinn Ökologisches Ergebnis Management Ergebnis, operative Ergebnis

Eltayeb et al. 2011

Quantitative Studie (n=132), ISO 14001 zertifizierte Unternehmen aus dem verarbeitenden Gewerbe in Malaysia

GSCM Eco-Design Grüne Beschaffung Grüne Entsorgungslogistik

Ökonomisches Ergebnis Profitabilität, Umsatz, Marktanteil, Produktivität Operatives Ergebnis Kosten, Qualität, Zeit, Flexibilität Ökologisches Ergebnis Abfall, Emissionen, Ressourceneinsatz, gefährliche Materialien, ökologische Unfälle, Mitarbeitergesundheit Immaterielles Ergebnis Produktimage, Unternehmensimage

Quantitative Studie (n=159), verarbeitendes Gewerbe in den USA

GSCM Internes Umweltmanagement Grüne Informationssysteme Grüne Beschaffung Kundenkooperation Eco-Design Investitionsamortisation

Ökologisches Ergebnis Luftemissionen, Abwasser, Abfall, gefährliche Materialien, ökologische Unfälle, ökologische Situation des Unternehmens Ökonomisches Ergebnis Materialkosten, Energiekosten, Abfallkosten, Strafen für ökologische Unfälle Operatives Ergebnis Lieferpünktlichkeit, Bestände, Ausschuss, Qualität, Produktlinien, Kapazitätsauslastung Unternehmensergebnis ROI, ROS, Gewinn, Marktanteil, Umsatz

Green et al. 2012

52

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik

Quelle

Datenbasis

Hollos et al. 2012

Quantitative Studie (n=70), westeuropäische Unternehmen, branchenübergreifend

Nachhaltige Lieferantenkooperation Grüne Maßnahmen Soziale Maßnahmen

Kostenreduktion Materialkosten, Servicekosten, Gesamtkosten, Arbeitskosten, Produktionskosten Operatives Ergebnis Produktqualität, Servicequalität, Versorgungssicherheit, Lieferzeit, Innovativität

Quantitative Studie (n=128), exportierende Unternehmen des verarbeitenden Gewerbes in China

Grünes Logistikmanagement Prozessbasierte Maßnahmen Evaluationsbasierte Maßnahmen Partnerbasierte Maßnahmen Allgemeine Umweltmanagementmaßnahmen

Ökologisches Ergebnis CO2, Abwasser, Abfall, gefährliche Materialien, ökologische Unfälle Operatives Ergebnis Produktqualität, Lieferzeit, Marktposition, Produktentwicklung, Abfall in der Produktion, Erfolg auf ausländischen Märkten

GSCM Internes Umweltmanagement Grüne Beschaffung Kundenkooperation Eco-Design

Arbeitszufriedenheit der Mitarbeiter Arbeitszufriedenheit, Beziehung zum Vorgesetzten, Mitarbeiterbindung Operative Effizienz Durchlaufzeit, Kosten, Produktqualität, Service, Projektdauer, Kundennutzen Beziehungseffizienz Respekt gegenüber Kunden, Ehrlichkeit, Informationsaustausch, effektivere Zusammenarbeit, engere Zusammenarbeit mit Kunden Geschäftsergebnis Anlagennutzung, Wettbewerbsposition, Profitabilität, gesamte Unternehmensleistung

SSCM nachhaltige Verpackung ökologische Beschaffung

Operatives Ergebnis Herstellkosten, Nachfrageflexibilität, Reaktionsfähigkeit auf Wettbewerbsprodukte, Lagerumschlagsrate, korrekte Auftragserfüllung Ökonomisches Ergebnis Umsatz, Marktanteil, Entsorgungskosten, Ressourceneffizienz Soziales Ergebnis Image beim Kunden, Verhältnis zu Stakeholdern der Allgemeinheit, Produktimage Ökologisches Ergebnis Umweltstandards, gefährliche Materialien, Energieverbrauch

Lai und Wong 2012

Lee et al. 2012

Zailani et al. 2012

Quantitative Studie (n=223), kleine und mittlere Unternehmen der Elektronikbranche in Korea

Quantitative Studie (n=105), verarbeitendes Gewerbe in Malaysia

Untersuchungsgegenstand

Wirkungen

2.3 Wirkungen nachhaltiger Dienstleistungsinnovationen in der Logistik Quelle

Datenbasis

Untersuchungsgegenstand

53

Wirkungen

Quantitative Studie (n=126), Automobilindustrie in China

Integriertes GSCM Internes GSCM GSCM mit Kunden GSCM mit Lieferanten

Operatives Ergebnis Anpassungsfähigkeit der Produkte und Dienstleistungen, Einführung neuer Produkte und Dienstleistungen, Nachfrageflexibilität Lieferung Lieferpünktlichkeit, Lieferzuverlässigkeit, Lieferzeit Qualität hochwertige Produkte, zuverlässige Produkte, Erfüllung der Kundenbedürfnisse, konstante Qualität, keine Fehler Kosten Produktionskosten, Gemeinkosten, geringer Preis

Das 2017

Quantitative Studie (n=255), verarbeitendes Gewerbe und Prozessindustrie in Indien

SSCM Umweltmanagementmaßnahmen Operative Maßnahmen Integration entlang der Lieferkette Soziale mitarbeiterbezogene Maßnahmen Soziale gesellschaftsbezogene Maßnahmen

Wettbewerbsfähigkeit Servicelevel, Qualität, Produktivität, Differenzierung, Kundenbindung, Kundengewinnung, Image Operatives Ergebnis Produktionskosten, Energiekosten, Effizienz Eingangslogistik, Effizienz Ausgangslogistik Ökologisches Ergebnis Abwasserkosten, Entsorgungskosten, ökologische Unfälle, Arbeitsunfälle, Biodiversität Mitarbeiterbezogenes soziales Ergebnis Gehaltsangleichung auf gleicher Stufe, Gehaltsangleichung zu höheren Stufen, Arbeitsumfeld Gesellschaftsbezogenes soziales Ergebnis Image, Beschäftigung, Bildung, Gesundheit

Schmidt et al. 2017

Quantitative Studie (n=284), branchenübergreifende Unternehmen aus dem deutschsprachigen Raum

GSCM Grünes Design Grünes internes Management Grüne Logistik Grüne Beschaffung Grüne Produktion

Marktbezogenes Ergebnis Umsatzsteigerung, Reputation, Image, Kundenzufriedenheit, Marktanteil, Erfolg neuer Produkte Finanzielles Ergebnis ROI, Umsatzrendite, Arbeitsproduktivität

Quantitative Studie (n=41), Automobilzulieferer in Brasilien

GSCM Internes Umweltmanagement Grüne Beschaffung Kundenkooperation Eco-Design Investitionsamortisation

Ökologisches Ergebnis Abwasser, Abfall, ökologische Situation des Unternehmens Operatives Ergebnis Lieferpünktlichkeit, Bestände, Ausschussrate Ökonomisches Ergebnis Kosten Abfallbehandlung, Kosten Abfallentsorgung, Kosten ökologische Unfälle

Yu et al. 2014

Vanalle et al. 2017

Tabelle 2-9:

Ausgewählte Studien zu Wirkungen von grünem und nachhaltigem Supply Chain Management

Die in den Studien untersuchten Wirkungen lassen sich in Anlehnung an Zailani et al. (2012) in ökonomische, operative, ökologische und soziale Ergebnisse unterteilen (vgl. Tabelle 2-10),

54

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik

wobei soziale Ergebnisse nur in sehr wenigen Studien betrachtet werden. Ökonomische Ergebnisse beziehen sich auf wirtschaftliche Vorteile, die aus den grünen und nachhaltigen Maßnahmen resultieren (Eltayeb et al. 2011, S. 498). Teilweise werden ökonomische Ergebnisse auch als Unternehmensergebnisse (Green et al. 2012) oder finanzielle Ergebnisse (Chien und Shih 2007; Schmidt et al. 2017) bezeichnet. Einige Autoren beziehen Kosteneinsparungen durch effizientere und effektivere Prozesse oder Produktion mit ein (Zhu et al. 2005; Vanalle et al. 2017), jedoch sollen diese den operativen Ergebnissen zugeordnet werden, wie dies beispielsweise bei Eltayeb et al. (2011), Lee et al. (2012) und Das (2017) der Fall ist. Diese Zuordnung lässt sich damit begründen, dass Kostenreduktion durch einen geringeren Energieverbrauch oder durch effizientere Produktion ein direktes Resultat operativer Prozesse darstellt, wohingegen ökonomische Ergebnisse tendenziell eher als übergeordnete und indirekte Ergebnisse zu betrachten sind. Beispielsweise fallen darunter Umsatzsteigerungen, Gewinn sowie die Gewinnung von Marktanteilen. Der direkte positive Zusammenhang zwischen grünen sowie nachhaltigen Maßnahmen und ökonomischen Ergebnissen kann grundsätzlich empirisch belegt werden (Chien und Shih 2007, S. 392; Zailani et al. 2012, S. 336f.; Schmidt et al. 2017, S. 15). Eltayeb et al. (2011, S. 503f.) können einen positiven Zusammenhang allerdings nur für Eco-Design, nicht aber für grüne Beschaffung und grüne Entsorgungslogistik aufzeigen und schließen daraus, dass vor allem Maßnahmen, die sich auf das eigene Unternehmen beziehen, den Erfolg steigern. Zu ähnlichen Erkenntnissen gelangt Rao (2002, S. 650), der keinen direkten Zusammenhang zwischen umweltbezogenem Lieferantenmanagement und ökonomischen Ergebnissen aufzeigen kann. Die operativen Ergebnisse werden in den analysierten Studien am umfassendsten untersucht. Sie betreffen die Aspekte Qualität, Flexibilität, Zeit und Kosten, wobei vor allem letztere in den einzelnen Studien stark ausdifferenziert werden. Produktionskosten, Kosten für die Entsorgung von Abfällen, Materialkosten oder Energiekosten sind einige Beispiele für kostenbezogene operative Ergebnisse. Aber auch der Zeitaspekt wird weiter detailliert z. B. in Lieferzeit, Durchlaufzeit, Pünktlichkeit der Lieferung etc. Flexibilität betrifft einerseits die kurzfristige Anpassung der Ausbringungsmenge, andererseits die Fähigkeit auf neue Produkte der Wettbewerber reagieren zu können. Operative Ergebnisse werden teilweise auch als Wettbewerbsfähigkeit (Rao 2002; Das 2017) oder wie eingangs erwähnt als ökonomische Ergebnisse bezeichnet, wenn sie Kosten betreffen. Mehrere Autoren können einen positiven Zusammenhang zwischen diversen grünen und nachhaltigen Maßnahmen und operativen Ergebnissen empirisch belegen (Lai und Wong 2012, S. 278; Lee et al. 2012, S. 1169; Yu et al. 2014, S. 691). Demgegenüber kann Rao (2002, S. 650) keinen positiven Zusammenhang zwischen umweltbezogenem Lieferantenmanagement und operativen Ergebnissen nachweisen und auch Vanalle et al. (2017, S. 254ff.) können keinen Zusammenhang belegen, da operative Ergebnisse aus deren Modell eliminiert werden. Das (2017, S. 1354f.) belegt für alle Maßnahmen, mit Ausnahme der meisten sozialen Maßnahmen, einen positiven Zusammenhang zu operativen Ergebnissen. Diese umfassen bei Das (2017) neben Qualität, Servicelevel und diversen Kostenaspekten auch kundenbezogene Größen wie Kundenbindung und Kundenzufriedenheit sowie den sozialen Aspekt Image. Weiterhin fällt auch die Effizienz der Eingangslogistik und Ausgangslogistik darunter. Nach Hollos et al. (2012, S. 2979f.) kann ein positiver Zusammenhang zwischen grünen Maßnahmen und opera-

2.3 Wirkungen nachhaltiger Dienstleistungsinnovationen in der Logistik

55

tiven Ergebnissen belegt werden, wohingegen dies weder bei nachhaltiger Lieferantenkooperation noch bei sozialen Maßnahmen bestätigt werden kann. Damit kann aber auch festgehalten werden, dass die beiden zuletzt genannten Maßnahmen zu keiner Kostenerhöhung führen (Hollos et al. 2012, S. 2982). Hervorzuheben ist weiterhin, dass Zhu et al. (2005, S. 462) einen positiven Zusammenhang zwischen grünen Maßnahmen und zeit- und qualitätsbezogenen operativen Ergebnissen belegen können, gleichzeitig aber die Steigerungen der Investitions-, Betriebs- und Trainingskosten als höher wahrgenommen werden als die finanziellen Einsparungen bei Material-, Energie- und Entsorgungskosten. Eco-Design und grüne Entsorgungslogistik stehen gemäß Eltayeb et al. (2011, S. 504) in einem positiven Zusammenhang mit operativen Ergebnissen, wohingegen dies bei grüner Beschaffung nicht zutrifft. Diese Ergebnisse stehen im Gegensatz zu Green et al. (2012, S. 297), welche für Eco-Design einen negativen Zusammenhang nachweisen. Möglicherweise sind die unterschiedlichen Ergebnisse darauf zurückzuführen, dass Green et al. (2012) auf Kosten fokussieren, wohingegen Eltayeb et al. (2011) weitere Aspekte wie Zeit und Qualität einbeziehen. Es ist denkbar, dass die Kosten zwar aufgrund der Eco-Design Maßnahmen steigen, andere operative Indikatoren diese Nachteile aber ausgleichen. Für grüne Beschaffung können Green et al. (2012) einen positiven Zusammenhang aufzeigen, was auch Zailani et al. (2012, S. 337) belegen, wohingegen gemäß Green et al. (2012) weder Kundenkooperation noch Investitionsamortisation in einem positiven Zusammenhang zu operativen Ergebnissen stehen. Ebenso konnte kein Zusammenhang zwischen nachhaltiger Verpackung und operativen Ergebnissen aufgezeigt werden (Zailani et al. 2012, S. 337). Die Verringerung von Abfällen, Reduktion der Nutzung gefährlicher und giftiger Stoffe, Vermeidung von ökologischen Unfällen sowie die Verringerung von Luftschadstoffen und Abwasser sind Beispiele für ökologische Ergebnisse. Teilweise werden auch explizit Kosten darunter gefasst, die mit der Nachbehandlung oder Entsorgung von Abfällen und Abwasser verbunden sind (vgl. Das 2017). Ein positiver Zusammenhang zwischen grünen sowie nachhaltigen Maßnahmen und ökologischen Ergebnissen kann in fast allen Studien empirisch belegt werden (Rao 2002, S. 647ff.; Zhu et al. 2005, S. 460f.; Chien und Shih 2007, S. 392; Lai und Wong 2012, S. 275; Vanalle et al. 2017, S. 256). Eltayeb et al. (2011) können allerdings zwischen grüner Beschaffung sowie grüner Entsorgungslogistik und ökologischen Ergebnissen keinen Zusammenhang herstellen, sondern lediglich zwischen Eco-Design und ökologischen Ergebnissen (Eltayeb et al. 2011, S. 504). Interne im Gegensatz zu externen Maßnahmen scheinen folglich erfolgsversprechender zu sein. Green et al. (2012, S. 298) und Zailani et al. (2012, S. 336) kommen bezüglich grüner Beschaffung zum gleichen Ergebnis. Ebenso belegen Green et al. (2012, S. 297) das Ergebnis für Eco-Design. In Verbindung mit dem negativen Zusammenhang von Eco-Design und Kosten (Green et al. 2012, S. 299) kann gefolgert werden, dass das angestrebte Ziel von Verbesserungen durch Eco-Design ohne finanzielle Einbußen nicht erfüllt werden kann. Zailani et al. (2012, S. 337) zeigen, dass ein positiver Zusammenhang zwischen nachhaltigem Verpacken und ökologischen Ergebnissen besteht. Das (2017, S. 1354f.) belegen einen positiven Zusammenhang zwischen Umweltmanagementmaßnahmen und ökologischen Ergebnissen, nicht aber zwischen operativen Maßnahmen, sozialen Maßnahmen oder Integration entlang der Lieferkette und ökologischen Ergebnissen. Soziale Ergebnisse beziehen sich in den untersuchten Studien primär auf Image, teilweise aber auch auf Beschäftigungsbedingungen oder Gesundheitsaspekte. Teilweise sind Unternehmensmitarbeiter Adressaten der sozialen Ergebnisse, teilweise aber auch die Gesellschaft oder das

56

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik

Unternehmensumfeld (Zailani et al. 2012; Das 2017). In Einzelfällen werden auch kundenbezogene Größen untersucht wie Kundenzufriedenheit und Kundenbindung (Das 2017; Schmidt et al. 2017). So kann Das (2017, S. 1354) zeigen, dass ein positiver Zusammenhang zwischen mitarbeiterbezogenen Maßnahmen und sozialen mitarbeiterbezogenen Ergebnissen besteht, ebenso wie dies für gesellschaftsbezogene Maßnahmen und soziale gesellschaftsbezogene Ergebnisse der Fall ist. Eco-Design steht gemäß Eltayeb et al. (2011, S. 504) in einem stark positiven Zusammenhang mit sozialen Ergebnissen, konkret Image, Kundenzufriedenheit und Kundenbindung, wohingegen dies für grüne Beschaffung und grüne Entsorgungslogistik nicht belegt werden kann. Zailani et al. (2012, S. 337) hingegen belegen einen positiven Zusammenhang sowohl zwischen grüner Beschaffung als auch nachhaltiger Verpackung und sozialen Ergebnissen. Weiterhin zeigen Lee et al. (2012, S. 1169), dass ein positiver Zusammenhang zwischen grünem Supply Chain Management und sozialen mitarbeiterbezogenen Maßnahmen besteht. 1. Ebene

Ökonomische Ergebnisse

Operative Ergebnisse

Ökologische Ergebnisse

Soziale Ergebnisse

Tabelle 2-10:

2. Ebene

Verwendung (# Studien)

Marktanteil

6

Umsatz

5

Gewinn

3

Qualität

9

Kosten

6

Produktionskosten

5

Abfallkosten

5

Zeit

5

Lieferpünktlichkeit

4

Produktivität

4

Bestände

3

Flexibilität

3

Materialkosten

3

Energiekosten

3

Ausschussrate

3

Abfall

6

Gefährliche Materialien

5

Ökologische Unfälle

5

Luftemissionen

5

Abwasser

4

Ökologische Situation des Unternehmens

3

Image

4

Gesundheit

2

Beschäftigungsbedingungen

2

Kategorien und Ausprägungen der Wirkungen von grünem und nachhaltigem Supply Chain Management

2.3 Wirkungen nachhaltiger Dienstleistungsinnovationen in der Logistik

57

Über die direkten Zusammenhänge von grünen und nachhaltigen Maßnahmen mit den Ergebniskategorien hinaus untersuchen einige Studien weitere indirekte Zusammenhänge. Einerseits werden Wirkungen von diversen Maßnahmen aufeinander untersucht, andererseits Wirkungen innerhalb der Ergebniskategorien. Gemäß Rao (2002, S. 650) stehen umweltbezogene (interne) Initiativen in einem positiven Zusammenhang sowohl mit umweltbezogenem Lieferantenmanagement als auch mit ökologischen Ergebnissen, womit umweltbezogene Initiativen als Vorstufe zu weiteren Maßnahmen gesehen werden können. Umweltbezogenes Lieferantenmanagement steht in keinem direkten positiven Zusammenhang mit ökonomischen Ergebnissen, sondern lediglich mit ökologischen Ergebnissen. Diese wiederum stehen in einem positiven Zusammenhang mit Wettbewerbsfähigkeit bzw. nach der aufgezeigten Kategorisierung mit operativen Ergebnissen, welche schlussendlich in einem positiven Zusammenhang mit ökonomischen Ergebnissen stehen (Rao 2002, S. 650). Hollos et al. (2012, S. 2979f.) können keinen direkten positiven Zusammenhang zwischen nachhaltiger Lieferantenkooperation und operativen Ergebnissen herstellen, sondern lediglich mit sozialen und grünen Maßnahmen. Letztere stehen laut Hollos et al. (2012, S. 2979f.) jedoch in einem positiven Zusammenhang mit operativen Ergebnissen, womit insgesamt ein indirekter Zusammenhang von nachhaltiger Lieferantenkooperation und operativen Ergebnissen belegt werden kann. Die Mehrstufigkeit der grünen und nachhaltigen Maßnahmen analysieren auch Green et al. (2012). Internes Umweltmanagement und grüne Informationssysteme werden hierbei als Vorstufe bzw. Voraussetzung für Maßnahmen wie grüne Beschaffung, Kundenkooperation, EcoDesign oder Investitionsamortisation betrachtet, für welche jeweils ein positiver Zusammenhang belegt werden kann (Green et al. 2012, S. 297). Zusätzlich zeigen Green et al. (2012, S. 297) einen stark positiven Zusammenhang zwischen internem Umweltmanagement und grünen Informationssystemen auf. Green et al. (2012) belegen weiter einen positiven Zusammenhang der betrachteten Maßnahmen der zweiten Stufe (grüne Beschaffung, Kundenkooperation, Eco-Design, Investitionsamortisation) mit ökologischen und operativen Ergebnissen (letztere im Sinne von Kosten). Ebenfalls positive Zusammenhänge können zwischen ökologischen Ergebnissen und operativen Ergebnissen, sowohl kostenbezogener als auch zeit- und qualitätsbezogener Natur, aufgezeigt werden und darüber hinaus zwischen kostenbezogenen Ergebnissen und zeit- und qualitätsbezogenen operativen Ergebnissen (Green et al. 2012, S. 297f.). Auffällig bei Green et al. (2012) ist, dass sich ausschließlich zeit- und qualitätsbezogene operative Ergebnisse und nicht kostenbezogene operative oder ökologische Ergebnisse positiv und wesentlich in ökonomischen Ergebnissen niederschlagen. Die Wirkungen ökologischer Ergebnisse auf den Unternehmenserfolg sind folglich zwar indirekter Natur, aber dennoch sehr bedeutend. Zu ähnlichen Erkenntnissen gelangen auch Lee et al. (2012). So zeigen diese einen positiven Zusammenhang zwischen operativen Ergebnissen und Geschäftsergebnissen auf, wobei letztere überdies in einem positiven Zusammenhang mit Beziehungseffizienz stehen (Lee et al. 2012, S. 1169). Außerdem kann demnach ein positiver Zusammenhang zwischen nachhaltigen Maßnahmen und Arbeitszufriedenheit sowie Beziehungseffizienz aufgezeigt werden. Weiterhin stehen operative Ergebnisse in Form von Reduzierung von Durchlaufzeit und Kosten und

58

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik

Verbesserung von Qualität und Service in einem positiven Zusammenhang mit Beziehungseffizienz, welche positiv auf das Geschäftsergebnis wirkt (Lee et al. 2012, S. 1169). Die Wichtigkeit operativer Ergebnisse und guter Kundenbeziehungen kann an dieser Stelle nochmals besonders hervorgehoben werden. Schmidt et al. (2017) untersuchen neben den Wirkungen grüner Maßnahmen auf den Unternehmenserfolg auch die Rolle der Position in der Lieferkette. Sie kommen zu dem Ergebnis, dass die positiven Wirkungen stärker sind, je weiter ein Unternehmen vom Endkunden entfernt ist (Schmidt et al. 2017, S. 20). Trotzdem sind es vor allem Unternehmen mit großer Nähe zum Endkunden, die grüne Maßnahmen eingeführt haben, da sie gegenüber dem Kunden eine Verantwortung zur Umsetzung entsprechender Maßnahmen empfinden (Schmidt et al. 2017, S. 20). Es kann also gefolgert werden, dass vor allem Unternehmen, die sehr weit am Anfang der Lieferkette stehen, grüne Maßnahmen durchführen sollten, da dort die Erfolgswirkungen am größten sind. Zailani et al. (2012, S. 337) konnten den Zusammenhang zwischen grüner Beschaffung und ökologischem Ergebnis sowie zwischen nachhaltiger Verpackung und operativen Ergebnissen nicht belegen, was sie darauf zurückführen, dass vermutlich keine geeigneten Indikatoren zur Erfassung der entsprechenden Ergebnisse in den Unternehmen bestehen. Dies unterstreicht die Wichtigkeit eindeutig zu ermittelnder Indikatoren, um eine Verbesserung des Unternehmenserfolgs aufzeigen zu können. Weiterhin ist auffällig, dass Green et al. (2012) mit einem US-amerikanischen Sample und Rao (2002) mit einem südost-asiatischen Sample beide zu dem Ergebnis kommen, dass grüne und nachhaltige Maßnahmen nicht direkt in einem Zusammenhang mit operativen oder ökonomischen Ergebnissen stehen, sondern zunächst mit ökologischen Ergebnissen, welche wiederum den operativen Unternehmenserfolg und dieser den ökonomischen Erfolg positiv beeinflussen. Die Verbesserung der ökologischen Unternehmensperformance ist folglich eng, wenn auch indirekt, mit dem ökonomischen Unternehmenserfolg verknüpft und darf daher keinesfalls vernachlässigt werden. Ebenso sind Maßnahmen, die zunächst nur positive ökologische Wirkungen versprechen schlussendlich von großer Wichtigkeit für den Unternehmenserfolg, was bei der Betrachtung und Bewertung grüner und nachhaltiger Maßnahmen berücksichtigt werden muss. Chien und Shih (2007, S. 392) weisen ökonomischen Ergebnissen eher kurzfristige Wirksamkeit zu und sehen ökologische Ergebnisse als strategische Investition, die sich eher langfristig auszahlt, betonen aber gleichzeitig, dass beide Dimensionen von großer Wichtigkeit sind. Hinsichtlich der betrachteten Studien ist in Summe kritisch zu bewerten, dass in den empirischen Erhebungen Einschätzungen der Befragten hinsichtlich der erzielten Ergebnisse durch grüne und nachhaltige Maßnahmen abgefragt wurden. Es ist daher nicht ersichtlich, ob den Untersuchungsergebnissen ausschließlich subjektive Einschätzungen oder in den Unternehmen erfasste Indikatoren und fest definierte Messgrößen zugrunde liegen. Zusammengefasst lässt sich festhalten, dass ein positiver Zusammenhang zwischen grünem oder nachhaltigem Supply Chain Management und ökonomischen, operativen und ökologischen Ergebnissen mit wenigen Ausnahmen empirisch belegt werden kann. Grüne Beschaffung, externes Lieferantenmanagement und Kundenkooperation sind Maßnahmen, für die einzelne Studien positive Wirkungen nicht belegen können. Daraus schließen die Autoren, dass extern orientierte Maßnahmen weniger erfolgversprechend sind. Keine eindeutigen Aussagen

2.4 Theoretische Bezugspunkte

59

können für soziale Ergebnisse getroffen werden, da hier nur einzelne Zusammenhänge belegt werden können. Es kann die hohe Bedeutung guter Kundenbeziehungen festgehalten werden und dass die Erfolgswirksamkeit entsprechender Maßnahmen höher ist, je weiter am Anfang der Lieferkette ein Unternehmen positioniert ist. Weiterhin kann ein Mangel an geeigneten Indikatoren zur Erfolgsmessung konstatiert werden. Besonders hervorzuheben ist, dass viele der grünen und nachhaltigen Maßnahmen nicht in einem direkten positiven Zusammenhang mit ökonomischen Ergebnissen stehen, sondern dass diese über ökologische und operative Ergebnisse in Zusammenhang mit ökonomischem Unternehmenserfolg stehen. Somit sind Wirkungen auf ökologische und operative Ergebnisse von großer Wichtigkeit bei der Betrachtung von Unternehmenserfolg. 2.4

Theoretische Bezugspunkte

2.4.1 Präskriptive Entscheidungstheorie Ziel dieser Arbeit ist es, eine Methodik zur Entwicklung problemadäquater Entscheidungsmodelle auszuarbeiten. Einen wichtigen theoretischen Bezugspunkt stellt daher die präskriptive Entscheidungstheorie dar, die Hinweise auf die Ausgestaltung von Entscheidungsmodellen gibt. Entscheidungstheorie bezeichnet „die logische und empirische Analyse rationalen bzw. intendiert rationalen Entscheidungsverhaltens“ (Bamberg et al. 2012, S. 11). Grundsätzlich lassen sich die deskriptive und präskriptive bzw. normative Entscheidungstheorie unterscheiden. Die deskriptive Entscheidungstheorie beschäftigt sich damit, die in der Praxis angewandten Entscheidungsmechanismen zu beschreiben und zu erklären (Grünig und Kühn 2017, S. 13). Demgegenüber ist es Ziel der präskriptiven oder normativen Entscheidungstheorie, Regeln und Handlungsanleitungen im Sinne einer Entscheidungslogik zu definieren, die systematisch-rationale Entscheidungen ermöglicht und dadurch praktische Entscheidungen verbessern kann (Gäfgen 1974, 52; Bamberg et al. 2012, S. 3; Grünig und Kühn 2017, S. 14). Im Rahmen dieser Arbeit steht die präskriptive Entscheidungstheorie im Vordergrund, da eine rationale Entscheidung über den Einsatz nachhaltiger Dienstleistungsinnovationen in der Logistik ermöglicht werden soll. Eine der wesentlichsten Entscheidungshilfen, die als Resultat deduktiver Forschung der Entscheidungstheorie und der Betriebswirtschaftslehre entwickelt wurde, stellen Entscheidungsmodelle dar (Laux et al. 2014, S. 19). Bretzke (1980, S. 8) definiert Entscheidungsmodelle als „das Ergebnis eines Versuchs, die für wesentlich gehaltenen Elemente und Beziehungen einer als ‚Problem‘ empfundenen Handlungssituation in einer formalisierten Sprache so zu definieren, daß [sic] aus dem resultierenden Strukturkomplex die Problemlösung als logische Implikation abgeleitet werden kann“

60

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik

Im Rahmen der deduktiven Forschung werden allgemeine, mitunter generische Entscheidungsmodelle erarbeitet, die keine spezifischen Entscheidungsprobleme abbilden, sondern vielmehr Typen von Entscheidungsproblemen bzw. Entscheidungssituationen sowie geeignete Lösungsverfahren aufzeigen (Laux et al. 2014, S. 19). Die Modellstruktur wird allgemein dargestellt und bietet dadurch Hilfestellung bei der Beschreibung und Strukturierung realer Entscheidungsprobleme sowie durch Logiken und Rechentechniken Unterstützung bei deren Lösung (Eisenführ und Weber 2003, S. 3; Laux et al. 2014, 19f.).21 Hierzu existiert ein in der Literatur verbreitetes Grundmodell der Entscheidungstheorie (Schneeweiß 1991, S. 87ff.; Eisenführ und Weber 2003, S. 16ff.; Klein und Scholl 2012, S. 41f.; Laux et al. 2014, S. 30ff.), welches in Kapitel 3.3.3 detailliert vorgestellt wird. Um ein Entscheidungsproblem zu lösen und damit eine reale Entscheidungssituation abzubilden, ist ein geeignetes allgemeines Entscheidungsmodell auszuwählen und zu einem konkreten Entscheidungsmodell zu spezifizieren (Bamberg et al. 2012, S. 11; Laux et al. 2014, S. 20). Es ist jedoch zu betonen, dass auch die Überführung des allgemeinen Entscheidungsmodells in ein konkretes Modell eine große Herausforderung darstellt und vom Grundsatz her selbst ein Entscheidungsproblem darstellt. Die Entscheidungstheorie gibt dabei Hilfen für die Modellkonstruktion, also Orientierungshilfen und geeignete Regeln und Kriterien, wie die Modellentwicklung in der konkreten Entscheidungssituation erfolgen kann (Laux et al. 2014, S. 20). Da rationale Entscheidungen klare Vorstellungen über die zu erreichenden Ziele erforderlich machen, bietet die Entscheidungstheorie darüber hinaus Hilfen für die Entwicklung individueller Zielsysteme (Eisenführ und Weber 2003, S. 16; Laux et al. 2014, S. 18). Aufgabe der Entscheidungstheorie ist es somit, eine Vielzahl an unterschiedlichen allgemeinen Entscheidungsmodellen zu entwickeln sowie deren zugrundeliegende Annahmen und geeignete Lösungsmethoden darzulegen, ebenso wie Vorgehensweisen zur strukturierten Konkretisierung des Entscheidungsmodells und des zugrundeliegenden Zielsystems aufzuzeigen, um daraus systematisch-rationale Problemlösungen für praktische Entscheidungssituationen ableiten zu können (Bamberg et al. 2012, S. 11). Die Forschungsbereiche der Entscheidungstheorie sind in Abbildung 2-4 dargestellt. Entscheidungstheorie

Deskriptive Entscheidungstheorie

Hilfen für die Entwicklung individueller Zielsysteme

Abbildung 2-4:

Präskriptive Entscheidungstheorie

Entscheidungsmodelle

Hilfen für die Modellkonstruktion

Relevante Forschungsbereiche der Entscheidungstheorie (Quelle: in Anlehnung an (Laux et al. 2014, S. 16))

21

Unter Lösung ist hier die Bewertung und die darauffolgende Auswahl einer geeigneten Handlungsalternative zu verstehen.

2.4 Theoretische Bezugspunkte

61

Aufgabe der vorliegenden Arbeit ist es daher, ein möglichst allgemeines Entscheidungsmodell für Entscheidungen über den Einsatz nachhaltiger Dienstleistungsinnovationen in der Logistik zu formulieren und geeignete Instrumente und Methoden aufzuzeigen, wie das Entscheidungsproblem konkretisiert und schlussendlich gelöst werden kann. Dabei kann auf das Grundmodell der Entscheidungstheorie zurückgegriffen werden. 2.4.2 Systemtheorie Es konnte dargestellt werden, dass nachhaltige Dienstleistungsinnovationen in der Logistik komplexe und dynamische Systeme betreffen, weshalb die Systemtheorie als weiterer theoretischer Bezugspunkt herangezogen wird. Die allgemeine Systemtheorie ist auf Bertalanffy (1968) zurückzuführen und stellt allgemeingültige Ansätze und praktische Methoden zur Analyse von Wechselwirkungen in Systemen zur Verfügung (Vollmer 2010, S. 10). Systeme können dabei definiert werden als „sets of elements standing in interaction“ (Bertalanffy 1968, S. 38). Grundsätzlich basiert die Systemtheorie auf der ganzheitlichen, holistischen Perspektive, dass die Analyse einzelner Systemelemente und deren Wechselwirkungen keine Erklärung bzw. keinen Aufschluss über das gesamte Systemverhalten liefert (Ropohl 2009, S. 329). Einzelne Elemente sind deshalb nicht gemäß des mechanistisch analytischen Ansatzes für sich zu betrachten, sondern immer als Bestandteil des Gesamtsystems (Schade 2005, S. 21). Denn die Vernetzung der einzelnen Systemelemente, also deren Beziehung untereinander, führt dazu, dass Veränderungen eines Elements Veränderungen in anderen Elementen hervorrufen, welche wiederum zu neuen, nicht prognostizierbaren Veränderungen führen können, vor allem auf der übergeordneten Gesamtsystemebene (Bertalanffy 1968, S. 54ff.). Sowohl das Systemverhalten als auch die Systemeigenschaften resultieren aus dem gegenseitigen Zusammenwirkungen sowie aufeinander Einwirken aller Systemelemente (Willke 1993, S. 154f.). Dadurch können zusätzliche Leistungpotenziale bzw. Synergien erzielt werden, die ausschließlich aus dem Gesamtsystem heraus entstehen können (Vollmer 2010, S. 11). Systemtheoretische Ansätze eignen sich vor allem für komplexe Problemstellungen (Schade 2005, S. 22). Die Systemtheorie verfolgt dabei das Ziel, die Analyse und Interpretation komplexer Systeme zu verbessern und Fehler zu vermeiden, die dabei typischerweise entstehen. So weist Forrester (1969b, S. 70) darauf hin, dass die Entwicklung komplexer Systeme häufig entgegen unserer Intuition verläuft, wodurch Fehler auftreten. Die Systemtheorie stellt einerseits Begriffe und Definitionen zur Verfügung, die das Beschreiben und Verstehen von Systemen ermöglichen, und hält andererseits Methoden bereit, die auf verschiedene Systeme angewendet werden können (Schade 2005, S. 23). In Tabelle 2-11 sind die wichtigsten Begriffe und Definitionen der Systemtheorie aufgeführt. Auf Basis von Elementen und verschiedenen Arten von Beziehungen können Modelle entwickelt werden, die ein vereinfachtes Abbild eines real existierenden Systems darstellen und die die Generierung von neuen Erkenntnissen über das betrachtete System ermöglichen, was erklärtes Ziel dieser Arbeit ist.

62

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik

Systembegriff

Definition

System

Menge von Komponenten, die durch Interaktionsbeziehungen und Kombinationsbeziehungen untereinander verbunden sind

Komponenten

Teilsysteme oder Elemente des definierten Systems

Teilsysteme

Bestehen wiederum aus Elementen oder Komponenten

Elemente

Unteilbare Bestandteile eines Systems

Wirkpotenziale

Wirkungen, die von Komponenten und Elementen ausgehen

Aktivitäten

Veränderungen der Wirkpotenziale

Interaktionsbeziehungen

Einfluss von Komponenten auf Wirkpotenziale und auf Interaktionsbeziehungen anderer Komponenten

Kombinationsbeziehungen

Zusammensetzung eines Wirkpotenzials aus Wirkpotenzialen anderer Komponenten

Zustand eines Systems

Menge aller Wirkpotenziale zu einem bestimmten Zeitpunkt

Struktur

Menge aller Interaktions- und Kombinationsbeziehungen zu einem Zeitpunkt

Dynamik

Zustand und Struktur innerhalb eines Zeitraums

Kopplung

Interaktionsbeziehung zweier oder mehrerer Komponenten

Rückkopplung

Hier wirkt der Einfluss einer Komponente über Interaktionsbeziehungen mit anderen Komponenten wieder zurück auf die ursprünglich einflussgebende Komponente

Regelung

Erfassung eines Zustandes und Erreichung bzw. Stabilisierung eines gewünschten Zustandes

Modell

Systeme, die andere Systeme so darstellen, dass eine experimentelle Manipulation der abgebildeten Strukturen und Zustände möglich ist

Tabelle 2-11:

Übersicht über systemtheoretische Begriffe und Definitionen (Quelle: Niemeyer (1977, S. 2ff.), Schade (2005, S. 24))

2.4.3 Adoptionstheorie Weiterhin wird die Einführung einer Innovation sowohl bei Anbieter als auch Kunde im Rahmen dieser Arbeit betrachtet. Daher ist die Adoptionstheorie von Relevanz. Die Adoptionstheorie gibt Aufschluss über die Frage, wie neue Leistungen, also Innovationen, von Kunden angenommen werden (Hadwich 2008, S. 24). Adoption ist hierbei von Diffusion abzugrenzen. So bezeichnet die Adoption den Entscheidungsprozess bezüglich der Übernahme oder Ablehnung einer Innovation aus Sicht von Individuen, wohingegen die Diffusion die „Verbreitung der Innovation aus aggregierter Sicht“ bezeichnet (Meffert 2006, S. 257). Es werden in der Regel fünf Stufen der Adoption unterschieden: Wissen, Überzeugung, Entscheidung, Implementierung und Bestätigung (Rogers 1983, S. 175). Zentrales Konstrukt der Adoptionstheorie ist die Akzeptanz, welche Aspekte wie Einstellung gegenüber der Innovation, Verhaltensabsichten und tatsächliches Verhalten umfasst (Davis et al. 1989a, S. 984f.; Hadwich 2008, S. 24). Damit eignet sie sich auch zur Abbildung des Adoptions- bzw. Entscheidungsverhaltens von Anbieter und Kunde bei der Implementierung nachhaltiger Dienstleistungsinnovationen in der Logistik. Gleichzeitig werden im Entscheidungsmodell auch die aggregierten Einzelentscheidungen, also die Diffusion betrachtet.

2.4 Theoretische Bezugspunkte

63

In der Literatur wurden zahlreiche Modellansätze zur Adoption von Innovationen und Technologien entwickelt (vgl. Fishbein und Ajzen 1975; Rogers 1983; Davis et al. 1989b; Ajzen 1991; Frambach und Schillewaert 2002; Venkatesh et al. 2003b). Häufig wird die Adoption grüner oder nachhaltiger Praktiken mit der Adoption technologischer Innovationen gleichgesetzt, da meist Technologien Auslöser oder Bestandteil der Innovation sind (Piaralal et al. 2015), weswegen auch im Rahmen dieser Arbeit ein Modell zur Adoption bzw. Akzeptanz von Technologien herangezogen werden soll. Besonders vor dem Hintergrund des praktischen Anwendungsfalls der Nachtbelieferung mit E-Lkw erscheint dies sinnvoll. Erwarteter Nutzen

Erwarteter Aufwand

Nutzungsabsicht

Nutzung

Sozialer Einfluss

Erleichternde Bedingungen

Abbildung 2-5:

Adoptionsmodell der Unified Theory of Acceptance and Use of Technology (Quelle: in Anlehnung an Venkatesh et al. (2003a, S. 447), Hadwich (2008, S. 29))

Ein geeignetes und in der Literatur häufig verwendetes Modell ist die Unified Theory of Acceptance and Use of Technology (UTAUT) nach Venkatesh et al. (2003a).22 Es ist eine Weiterentwicklung des Technology Acceptance Modells von Davis et al. (1989a) und umfasst neben erwartetem Aufwand und Nutzen sozialen Einfluss und erleichternde Bedingungen als Konstrukte, die Nutzungsabsicht und eigentliche Nutzung beeinflussen (vgl. Abbildung 2-5). Der erwartete Nutzen ist definiert als Grad, zu dem die Leistungsfähigkeit verbessert werden kann, und der erwartete Aufwand repräsentiert die Benutzerfreundlichkeit, die mit der Technologie verbunden wird (Venkatesh et al. 2003a, S. 447). Weiter bezeichnet der soziale Einfluss die Erwartung des Umfelds hinsichtlich der Nutzung einer Technologie. Auch dieser Aspekt unterstreicht die Eignung der UTAUT für die Problemstellung dieser Arbeit, da Nachhaltigkeitsanforderungen von Gesellschaft und Politik hierunter zu fassen sind und diese für die Problemstellung dieser Arbeit eine wichtige Rolle spielen. Darüber hinaus geben die erleichternden Bedingungen an, inwieweit das Umfeld die Nutzung der Technologie unterstützt (Venkatesh et al. 2003a, S. 453).

22

Die UTAUT stellt zwar ein Modell für die Adoption von Technologien auf indiviudeller Ebene, im Gegensatz zur organisationalen Ebene, dar. Vor dem Hintergrund, dass Modelle zur Adoption in Organisationen, wie beispielsweise von Frambach und Schillewaert (2002), sich jedoch stark an Rogers (1983) orientieren, sehr weit vom praktischen Entscheidungsprozess in Unternehmen entfernt sind und mitunter Technologien nicht ausreichend berücksichtigen, ist die gewählte Herangehensweise als angemessen zu bewerten.

64

2 Stand der Forschung zu nachhaltigen Dienstleistungsinnovationen in der Logistik

Insgesamt kann die Adoptionstheorie einen wichtigen Erklärungsbeitrag zur Akzeptanz und Nutzung nachhaltiger Dienstleistungsinnovationen in der Logistik, sowohl auf Anbieter- als auch auf Nachfragerseite leisten. 2.4.4 Service-Profit-Chain Abschließend ist zur Verknüpfung von Unternehmens- und Kundenperspektive die Erfolgskette als geeigneter theoretischer Bezugspunkt zu nennen. Die Service-Profit-Chain oder Erfolgskette ist ein Konzept, das Unternehmensaktivitäten über Wirkungen der Unternehmensaktivitäten beim Kunden mit ökonomischem Erfolg des Unternehmens verknüpft (Hadwich 2008, S. 31f.). Die Service-Profit-Chain ist auf Heskett et al. (1994) zurückzuführen, welche feststellten, dass Umsätze durch die wahrgenommene Dienstleistungsqualität und dahinterliegende Mitarbeiteraufwände getrieben werden. Das Konzept ermöglicht zu verstehen, wie betriebliche Aktivitäten und Investitionen, wie beispielsweise die Implementierung nachhaltiger Dienstleistungsinnovationen, sich in verbesserte Dienstleistungsprozesse, verbesserte Kundenwahrnehmung und gewünschtes Kundenverhalten sowie ökonomischen Unternehmenserfolg umsetzen lassen (Kamakura et al. 2002a, S. 294).

Unternehmensaktivität

Abbildung 2-6:

Wahrnehmung

Verhalten

Unternehmenserfolg

Allgemeine Darstellung der Service-Profit-Chain (Quelle: Kamakura et al. (2002a, S. 295))

Die Wirkungszusammenhänge der Service-Profit-Chain sind nicht eindeutig, was auf moderierende Faktoren zwischen den einzelnen Kettengliedern zurückzuführen ist (Hadwich 2008, S. 33). Das Konzept wurde aber mehrfach erweitert und empirisch belegt (vgl. Kamakura et al. 2002b; Yee et al. 2009; Evanschitzky et al. 2012b; Hogreve et al. 2017). Die Service-Profit-Chain liefert folglich einen Erklärungsbeitrag zur Verknüpfung der Unternehmens- und Kundenperspektive bei der Implementierung nachhaltiger Dienstleistungsinnovationen in der Logistik.

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

3.1

Vorgehensweise

Im vorigen Kapitel wurde der Forschungsstand zu nachhaltigen Dienstleistungsinnovationen in der Logistik dargelegt und ihre Charakteristika, Herausforderungen und Wirkungen herausgearbeitet. In diesem Kapitel steht die Erstellung einer adäquaten Methodik zur Entwicklung von Entscheidungsmodellen im Fokus. Dazu wird wie folgt vorgegangen: (1)

Zunächst werden die Anforderungen an Entscheidungsmodelle und Methoden in Kapitel 3.2 definiert.

(2)

Anschließend wird auf die Charakteristika und die Entwicklung von Entscheidungsmodellen eingegangen und ein geeignetes Vorgehen zur Entwicklung von Entscheidungsmodellen ausgewählt (Kapitel 3.3).

(3)

In den Kapiteln 3.4 bis 3.9 werden die einzelnen Vorgehensschritte zur Entwicklung von Entscheidungsmodellen erläutert und geeignete Methoden diskutiert bzw. identifiziert. Ein Schwerpunkt wird dabei auf die Ermittlung von Zielsystemen gelegt (Kapitel 3.5) und es wird ein beispielhaftes Zielkategoriesystem für nachhaltige Dienstleistungsinnovationen in der Logistik entwickelt, um einen Rahmen zur Systematisierung verschiedenster Unternehmensziele bereitzustellen. Weitere Schwerpunkte liegen auf der Diskussion von Methoden zur Erstellung von Prognosen (Kapitel 3.8) und zur Erstellung von Bewertungen (Kapitel 3.9).

(4)

Dann werden geeignete Prognosemethoden und Bewertungsmethoden ausgewählt und deren Grundlagen erläutert (Kapitel 3.10).

(5)

Abschließend wird die erstellte Gesamtmethodik beschrieben (Kapitel 3.11).

3.2

Anforderungen an Entscheidungsmodelle und Methoden

Es sollen nun die Anforderungen ermittelt werden, die an ein Entscheidungsmodell zum Einsatz nachhaltiger Dienstleistungsinnovationen in der Logistik sowie an Methoden zur Unterstützung der systematischen Entwicklung eines Entscheidungsmodells zu stellen sind. Die im Folgenden beschriebenen Anforderungen an Modelle und Methoden entstammen der Literatur zur Entscheidungstheorie (Klein und Scholl 2012, S. 63f.; Grünig und Kühn 2017, S. 32ff.), zur strategischen Marketingplanung (Liebert 2001, S. 38) sowie zum Dienstleistungsmarketing (Meffert et al. 2015, S. 214ff.).

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2019 C. Moll, Nachhaltige Dienstleistungsinnovationen in der Logistik, https://doi.org/10.1007/978-3-658-28038-3_3

66

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

Dabei wurden jeweils die für den Untersuchungsgegenstand nachhaltiger Dienstleistungsinnovationen in der Logistik relevanten Anforderungen herausgegriffen. Anforderungen

Anforderungskategorien

Zielorientierung Operationalisierbarkeit Entscheidungsorientierung Vollständigkeit

Inhaltliche Anforderungen

Simulation Prognosemöglichkeit Zeitperspektive Wirtschaftlichkeit Informationsverarbeitung

Praktische Anforderungen

Transparenz Validität Reliabilität Tabelle 3-1:

Formale Anforderungen

Anforderungen an Entscheidungsmodelle und Methoden

Es können Zielorientierung, Operationalisierbarkeit, Entscheidungsorientierung, Vollständigkeit, Simulation, Prognosemöglichkeit, Zeitperspektive, Wirtschaftlichkeit, Informationsverarbeitung, Transparenz sowie Validität und Reliabilität unterschieden werden. Validität und Reliabilität können als formale Anforderungen bezeichnet werden, die die Güte des Entscheidungsmodells und der daraus gezogenen Schlussfolgerungen sicherstellen. Demgegenüber sind Wirtschaftlichkeit, Informationsverarbeitung und Transparenz praktische Anforderungen, die die Entwicklung und Anwendung des Entscheidungsmodells im Unternehmenskontext betreffen. Die übrigen Anforderungen beziehen sich auf die inhaltlichen Aspekte von nachhaltigen Dienstleistungsinnovationen in der Logistik, die bei einem Entscheidungsmodell zu berücksichtigen sind, und lassen sich daher als inhaltliche Anforderungen bezeichnen. In Tabelle 3-1 sind die Anforderungen im Überblick dargestellt. Zielorientierung: Die Entwicklung und Anwendung des Entscheidungsmodells sowie die dabei zu treffenden Abgrenzungsentscheidungen haben stets unter Berücksichtigung der (sinnvollerweise im Rahmen eines Zielsystems) definierten Ziele zu erfolgen. Weiterhin sind im Modell die Wirkungen auf die Zielgrößen von zentraler Bedeutung und daher systematisch zu erfassen und zu integrieren. Von besonderer Bedeutung sind aufgrund der Charakteristika der Logistik finanzielle bzw. kostenorientierte Ziele und deren Einflussgrößen. Operationalisierbarkeit: Im Entscheidungsmodell müssen aufgrund des Dienstleistungscharakters und der Nachhaltigkeit verschiedene finanzielle und nicht-finanzielle Größen abgebildet werden können. Vor allem die Messbarkeit und Operationalisierbarkeit der nicht-finanziellen operativen, ökologischen und sozialen Größen ist mit großen Herausforderungen verbunden. Zusätzlich ist die Vergleichbarkeit bzw. Bewertbarkeit unterschiedlicher Zielerreichungsgrade vor allem bei nicht-finanziellen Größen sicherzustellen.

3.2 Anforderungen an Entscheidungsmodelle und Methoden

67

Entscheidungsorientierung: Das Entscheidungsmodell muss in der Lage sein, Ansatzpunkte für möglichst konkrete Maßnahmen hinsichtlich des Einsatzes nachhaltiger Dienstleistungsinnovationen in der Logistik geben zu können. Dazu ist es erforderlich, dass verschiedene Strategien und Szenarien mit geringem Aufwand im Modell abgebildet und bezüglich ihrer Zielerreichung untersucht werden können. Insbesondere müssen Aussagen zur Vorteilhaftigkeit unterschiedlicher Alternativen getroffen werden können, damit die Ableitung von Handlungsempfehlungen möglich ist. Überdies werden robuste Strategien benötigt, die sich dadurch auszeichnen, dass sie auch bei Eintritt der ungünstigsten Umweltentwicklung noch zu einem akzeptablen Ergebnis führen. Vollständigkeit: Das Entscheidungsmodell muss sowohl das operative Dienstleistungssystem als auch das Zielsystem abbilden können. Dabei sind materielle und nicht-materielle Produktionsfaktoren (logistische Ressourcen), Prozesse (Informationsverarbeitung, TUL-Prozesse) und Ergebnisse von Relevanz. Weiterhin sind verschiedene Akteure und deren Perspektiven zu integrieren, was zunächst Anbieter und Kunde sowie deren Beziehung betrifft. Vor allem aufgrund des Dienstleistungscharakters kommt der Kundenbeziehung eine wichtige Rolle zu. Somit ist auch die eigentliche Dienstleistungserstellung bzw. Transaktion sowie die Diffusion der Innovation am Markt zu berücksichtigen. Zusätzlich sind verschiedene Innovationstypen zu erfassen. Simulation: Es sind überdies Interdependenzen und Interaktionen zwischen den Ressourcen und Akteuren im Dienstleistungssystem sowie mit und innerhalb des Zielsystems zu berücksichtigen, deren genaue Wirkungen unklar sind. Vor allem mehrstufige und dynamische Wirkungen stellen große Herausforderungen dar und dürfen nicht vernachlässigt werden. Zusätzlich sind Rückkopplungen und Verstärkungseffekte über die verschiedenen Nachhaltigkeitsdimensionen hinweg denkbar. Da analytische Lösungsverfahren hier an ihre Grenzen stoßen könnten, macht dies eine Simulationsmöglichkeit erforderlich. Prognosemöglichkeit: Da nachhaltige Dienstleistungsinnovationen in der Logistik einen hohen Neuheitsgrad besitzen, kann bei der Entscheidungsfindung nur in begrenztem Umfang auf historische Informationen zurückgegriffen werden. Zudem ist bei der Entscheidung über deren Einsatz der Blick zukunftsgerichtet. Aus diesem Grund ist es von hoher Bedeutung, dass potenzielle zukünftige Umweltentwicklungen, beispielsweise in aggregierter Form als Szenarien, in das Entscheidungsmodell integrierbar und dass zukunftsgerichtete Analysen möglich sind. Da sich der Untersuchungsgegenstand dieser Arbeit durch hohe Komplexität und Dynamik auszeichnet, ist Simulation ein wichtiges Werkzeug zur Sicherstellung der Prognosemöglichkeit (Meyer 2009, S. 108ff.). Zeitperspektive: Entscheidungen bezüglich nachhaltiger Dienstleistungsinnovationen in der Logistik besitzen eine lange Gültigkeit, weshalb auch beim Entscheidungsmodell ein langfristiger Planungshorizont erforderlich ist. Des Weiteren besitzen einige Wirkungen nachhaltiger Dienstleistungsinnovationen in der Logistik tendenziell zeitverzögerte, langfristige Wirkungen, weswegen eine kontinuierliche Betrachtung der Ergebnisse und Wirkungen sinnvoll ist. Wirtschaftlichkeit: Der finanzielle und organisatorische Aufwand zur Entwicklung und Anwendung des Entscheidungsmodells sollte in einem angemessenen Verhältnis zur Bedeutung der Entscheidung stehen. Dies gilt auch für erforderliche Anpassungen und die Berücksichtigung unterschiedlicher Szenarien und Strategien, die mit geringem Zusatzaufwand implementierbar

68

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

und überprüfbar sein sollten.23 Auch für die Informationsbeschaffung und -verarbeitung spielt Wirtschaftlichkeit eine große Rolle (Klein und Scholl 2012, S. 64; Grünig und Kühn 2017, S. 34), wie im folgenden Punkt erläutert wird. Informationsverarbeitung: Die Möglichkeit, alle verfügbaren Informationen in die Entscheidungsfindung miteinzubeziehen, muss gegeben sein. Es ist zwar generell darauf zu achten, dass primär objektive und quantitative Informationen miteinbezogen werden, häufig sind diese aber nur mit erheblichem finanziellem und organisatorischem Aufwand zu erlangen. Der Grund hierfür ist, dass entweder geeignete Informationen im Unternehmen nicht vorhanden sind und folglich aufwandsintensiv akquiriert werden müssen, oder aber, dass diese aufgrund schlecht gepflegter Systeme von unzureichender Qualität sind. Es müssen folglich Abwägungen zwischen Qualität und wirtschaftlichem Aufwand getroffen werden. Daher kann es unter wirtschaftlichen Gesichtspunkten bei der Informationsverarbeitung sinnvoll sein, auch expertenbasierte subjektive und qualitative Informationen zu berücksichtigen, wenn diese mit geringerem Aufwand beschafft werden können. Das Entscheidungsmodell muss daher in der Lage sein, objektive und subjektive Informationen ebenso wie quantitative und qualitative Informationen und Daten verarbeiten zu können. Transparenz: Ein systematisches Vorgehen bei der Entwicklung des Entscheidungsmodells, das methodischen Regeln folgt, ist unabdingbar, damit das Modell und die Ergebnisgenerierung für Außenstehende nachvollziehbar ist oder zumindest akzeptiert wird. Dies erfordert auch ein gewisses Maß an Einfachheit und Übersichtlichkeit bezüglich des Entwicklungsprozesses und des generierten Entscheidungsmodells. Folglich sind Visualisierungsmöglichkeiten von großer Wichtigkeit, ebenso wie die Dokumentation. Validität: Die Validität des Entscheidungsmodells ist ebenfalls sicherzustellen. Es kann dann als valide betrachtet werden, wenn es die Realität oder den betrachteten Ausschnitt der Realität, also die Entscheidungssituation mit den zugehörigen Größen und Wirkungen, ohne oder mit nur sehr geringen systematischen Abweichungen abbildet (Kuß et al. 2014, S. 27). Reliabilität: Das Entscheidungsmodell muss außerdem reliabel sein, was dann gegeben ist, wenn sich dessen Ergebnisse bzw. Aussagen bei wiederholter Anwendung des Modells oder der Methoden nicht oder nur unwesentlich verändern (Kuß et al. 2014, S. 27). Von großer Bedeutung ist überdies, dass die Reliabilität unabhängig vom konkreten Anwender sichergestellt werden kann, vergleichbar mit der Intercoderreliabilität bei der qualitativen Inhaltsanalyse (Mayring 2010, S. 235ff.). LDL stehen bei der Implementierung von nachhaltigen Dienstleistungsinnovationen vor einem komplexen und dynamischen Entscheidungsproblem. Eine Entscheidung ist dabei nicht ohne methodische und instrumentelle Unterstützung möglich, da der Entscheider nicht alle relevanten Aspekte erfassen kann. Die methodische Entwicklung und Anwendung eines Entscheidungsmodells ist folglich unabdingbar. Weiterhin wird durch die aufgezeigte Vielfalt an Anforderungen deutlich, dass nicht eine Methode allein alle genannten Anforderungen erfüllen kann. Es sind somit mehrere Methoden miteinander zu kombinieren, die jeweils einzelne der genannten Anforderungen erfüllen.

23

Siehe auch „Entscheidungsorientierung“.

3.3 Charakteristika und Entwicklung von Entscheidungsmodellen

3.3

69

Charakteristika und Entwicklung von Entscheidungsmodellen

3.3.1 Begriff des Entscheidungsmodells Ein Modell stellt grundsätzlich ein vereinfachtes Abbild eines realen Systems dar (Stachowiak 1973, S. 131) und so bezeichnet ein Entscheidungsmodell eine vereinfachte Abbildung eines Entscheidungsproblems. Von einem Entscheidungsproblem wiederum kann gesprochen werden, wenn eine Soll-Ist-Abweichung der Realität von einem gewünschten Zustand besteht, die durch Auswahl einer geeigneten Handlungsalternative reduziert werden soll (Grünig und Kühn 2017, S. 7). Entscheidungsprobleme beziehen sich in der Regel „auf die Gestaltung komplexer realer Systeme [Hervorhebung im Original]“, wobei es aufgrund der Komplexität kaum möglich ist, das gesamte reale System bei der Entscheidung zu berücksichtigen und in einem Modell abzubilden (Klein und Scholl 2012, S. 31). Es wird deshalb ein vereinfachtes und reduziertes Abbild des realen Systems bzw. des Entscheidungsproblems, ein Entscheidungsmodell, zur Entscheidungsfindung herangezogen (Bamberg et al. 2012, S. 13). Entscheidungsmodelle dienen dabei sowohl zur Abbildung von Entscheidungsproblemen als auch zu deren Lösung (Kleine 2013, S. 61). Die Abbildung aller Elemente und Beziehungen eines realen Systems im Modell wird als isomorph oder strukturgleich bezeichnet, ist aber meist aufgrund hoher Komplexität der realen Systeme kaum möglich bzw. mit enormem Aufwand verbunden und daher in der Praxis auch kaum verbreitet (Bamberg et al. 2012, S. 14). Demgegenüber steht die homomorphe oder strukturähnliche Modellbildung. Die Grundstruktur des realen Systems wird beibehalten und mittels Abstraktion werden für die Entscheidung weniger wichtige Elemente und Beziehungen ausgeblendet und verschiedene Bestandteile des realen Systems zusammengefasst (Klein und Scholl 2012, S. 32). Aufgrund der Komplexität der realen Systeme können Entscheidungsprobleme häufig erst nach einer Vereinfachung und Abstraktion gedanklich durchdrungen werden (Bamberg et al. 2012, S. 13ff.). Der gewählte Abstraktionsgrad bei der Modellbildung bestimmt dabei maßgeblich sowohl die Komplexität und Handhabbarkeit des Modells als auch die Güte der Lösung (Klein und Scholl 2012, S. 32). Die Herausforderung liegt folglich darin, das reale System in einem dem Entscheidungsproblem angemessenen Detaillierungs- und Abstraktionsgrad abzubilden, die Modellkomplexität in einem handhabbaren Rahmen zu halten und gleichzeitig keine relevanten Elemente und Beziehungen zu vernachlässigen (Hettesheimer 2017, S. 95). 3.3.2 Unterscheidung von Modellen Es kann je nach vorliegendem Entscheidungsproblem, Informationsstand oder Zweck der Modellierung eine Vielzahl an Modellarten unterschieden werden (Klein und Scholl 2012, S. 32f.). In der Literatur verbreitete Unterscheidungsmerkmale sind Modellzweck, Anzahl der Zielgrößen, Messniveau, Darstellungsform, Informationssicherheit, Zeitbezug sowie Umfang der Abbildung (vgl. Tabelle 3-2). Die für das zu entwickelnde Entscheidungsmodell relevanten Modellarten sind in Tabelle 3-2 hervorgehobenen.

70

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

Modellmerkmal

Modellart

Zweck

Beschreibung

Zielgröße

Prognose

Simulation

eine

Messniveau physisch

Informationssicherheit Zeitbezug Umfang der Abbildung

quantitativ formal

total

verbal

grafisch

deterministisch statisch

Entscheidung

mehrere

qualitativ

Darstellungsform

Tabelle 3-2:

Erklärung

stochastisch dynamisch diskret

kontinuierlich partial

Darstellung möglicher Modellmerkmale und -arten sowie Ausgestaltung des zu entwickelnden Entscheidungsmodells (fett hervorgehoben) (Quelle: in Anlehnung an Bossel (2004, S. 20ff.), Klein und Scholl (2012, S. 32f.), Homburg (2012, S. 33f.), Laux et al. (2014, S. 51f.) und Hettesheimer (2017, S. 97))

Beschreibungsmodelle dienen dazu, die Elemente und Beziehungen eines realen Systems darzustellen und erfüllen einen rein deskriptiven Zweck (Homburg 2012, S. 34). Erklärungsmodelle hingegen ermöglichen die Analyse von Ursache-Wirkungs-Zusammenhängen, mit dem Zweck, das Systemverhalten zu erklären oder Hypothesen über das Verhalten aufzustellen (Klein und Scholl 2012, S. 33). Prognosemodelle können zweierlei Funktionen erfüllen. Einerseits können sie zur Abschätzung der Auswirkungen unterschiedlicher Handlungsalternativen herangezogen werden (Wirkungsprognose) (Klein und Scholl 2012, S. 33), andererseits können sie zur Vorhersage zukünftiger Umweltentwicklungen verwendet werden (Umweltprognose) (Homburg 2012, S. 35). Eine besondere Form von Prognosemodellen sind Simulationsmodelle. Sie eignen sich vor allem für Systeme, deren Ursache-Wirkungs-Beziehungen nicht auf einfachem analytischem Weg erfasst werden können und in denen meist stochastische Einflüsse zu berücksichtigen sind (Klein und Scholl 2012, S. 34). Das Systemverhalten kann „durchgespielt“ werden und dadurch können Konsequenzen von Entscheidungen abgeschätzt werden, ohne dass hohe Kosten oder negative Auswirkungen auf das reale System entstehen. Simulationsmodelle kommen häufig zum Einsatz, wenn die exakte Lösung eines Entscheidungsproblems zu aufwendig wäre. Ein Entscheidungsmodell unterstützt bei der Bewertung und Auswahl einer geeigneten Handlungsalternative und umfasst deswegen in der Regel ein Zielsystem bzw. eine Zielfunktion (Homburg 2012, S. 35f.; Bamberg et al. 2012, S. 15). Im Rahmen der praktischnormativen Betriebswirtschaftslehre steht die Entwicklung von Entscheidungsmodellen im Zentrum, wobei Beschreibungsmodelle und Erklärungsmodelle als Voraussetzung für die Anwendung von Entscheidungsmodellen erforderlich sind (Bamberg et al. 2012, S. 14). Weiterhin sind Modelle mit einer oder mit mehreren Zielgrößen zu differenzieren, wobei in den praktisch angewendeten Modellen häufig nur eine Zielgröße, Gewinn oder Kosten, betrachtet wird (Laux et al. 2014, S. 52). Dies widerspricht jedoch der Realität, in der normalerweise mehrere Zielgrößen von Relevanz sind. Letzteres trifft auch für nachhaltige Dienstleistungsinnovationen in der Logistik zu.

3.3 Charakteristika und Entwicklung von Entscheidungsmodellen

71

Darüber hinaus ist eine Unterscheidung anhand des Messniveaus in qualitative und quantitative Modelle möglich. Die Attribute einzelner Systemelemente bzw. deren Ausprägungen können unterschiedliche Messniveaus aufweisen, die in verschiedenen Skalenformen resultieren (Klein und Scholl 2012, S. 34). Je nach Attribut ist eine Nominal-, Ordinal-, Intervall-, Differenz-, Verhältnis- oder Absolutskala heranzuziehen.24. Quantitative (mathematische) Modelle bilden Elemente des realen Systems durch Daten(parameter) und Variablen ab sowie deren Beziehungen über Gleichungen und Ungleichungen, wobei Intervall-, Verhältnis- und Absolutskalen zur Messung der quantitativen Größen herangezogen werden. Dies bietet den Vorteil, dass sie mithilfe mathematischer Methoden analysiert und gegebenenfalls gelöst werden können (Klein und Scholl 2012, S. 37). Qualitative Modelle umfassen zusätzlich zu quantitativen Relationen auch qualitative Informationen, die über Nominal- und Ordinalskalen erfasst werden. Da sich Kenngrößen und Zusammenhänge qualitativer Modelle wegen ihrer „partiellen Unbestimmtheit“ nicht direkt analysieren lassen, sind die qualitativen Informationen zu quantifizieren (Klein und Scholl 2012, S. 37). Folglich müssen nominal- und ordinalskalierte Ausprägungen durch intervall- oder ratioskalierte Ausprägungen ersetzt werden oder für die Attribute adäquate „Ersatzattribute“ definiert werden (Klein und Scholl 2012, S. 37). Dies ist auch für den Anwendungsfall erforderlich. Diese Transformation ist häufig mit großen Herausforderungen verbunden (Hettesheimer 2017, S. 96). Aufgrund einer höheren Problemdurchdringung, -strukturierung und -formalisierung ist die Akzeptanz mathematisch-quantitativer Modelle gegenüber qualitativen Modellen meist deutlich größer (Homburg 2012, S. 46ff.). Physische, formale, grafische und verbale Modelle sind Beispiele für verschiedene Darstellungsformen. Physische Modelle bilden über eine Verkleinerung und Vereinfachung eines realen Systems und seiner Komponenten ein körperliches Abbild des Systems, wohingegen formale Modelle mathematische Variablen und Funktionen zur Darstellung quantitativer Zusammenhänge verwenden und daher auch als mathematische Modelle bezeichnet werden können (Klein und Scholl 2012, S. 38). Grafische Modelle ermöglichen die Visualisierung von Modellbeschreibungen, können jedoch meist nur eine begrenzte Anzahl an Dimensionen eines Entscheidungsproblems darstellen (Klein und Scholl 2012, S. 38). Weiterhin stellen verbale Modelle strukturierte textuelle Beschreibungen von Modellen dar, die in der Regel auf qualitativen Informationen basieren (Klein und Scholl 2012, S. 38). Bezüglich der Informationssicherheit sind deterministische und stochastische Modelle zu unterscheiden. Erstere berücksichtigen zu jedem Betrachtungszeitpunkt lediglich eine Ausprägung, was darauf zurückzuführen sein kann, dass Daten mit Sicherheit bekannt sind oder dass aus Gründen der Vereinfachung nur ein Wert berücksichtigt wird (Laux et al. 2014, S. 52). Demgegenüber werden bei stochastischen Modellen verschiedene Ausprägungen miteinbezogen, denen Eintrittswahrscheinlichkeiten zugeordnet werden, wodurch Risikosituationen und Unsicherheiten abgebildet werden können (Domschke et al. 2015, S. 7). Ein weiteres wichtiges Unterscheidungsmerkmal ist der Zeitbezug von Modellen, wobei statische und dynamische Modelle differenziert werden können. Dynamische Modelle weisen eine dynamische Veränderung ihrer Modellgrößen über die Zeit auf, wohingegen diese dynamischen Entwicklungen bei statischen Modellen nicht berücksichtigt werden und die Größen als konstant angenommen werden (Bossel 2004, S. 21). Statische Modelle sind sinnvoll, wenn der 24

Siehe hierzu im Detail Schneeweiß (1991, S. 31ff.) und Klein und Scholl (2012, S. 34ff.).

72

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

Betrachtungszeitraum kurz ist, keine Auswirkungen von Entscheidungen auf Folgeentscheidungen zu erwarten sind, nach kurzer Zeit ein stabiler Gleichgewichtszustand erreicht wird oder eine starke Aggregation durchgeführt wurde (Klein und Scholl 2012, S. 39). Weiterhin können dynamische Modelle hinsichtlich des Zeitbezugs in diskrete und kontinuierliche Modelle unterteilt werden. So sind im Grunde fast alle realen Systeme grundsätzlich kontinuierlicher Natur und damit zu jedem Zeitpunkt definiert und messbar, wohingegen diskrete Modelle nur zu bestimmten festen Zeitpunkten definiert und feststellbar sind (Bossel 2004, S. 22). Total- und Partialmodelle können hinsichtlich des Umfangs der Abbildung unterschieden werden. Ein Totalmodell stellt eine gesamtheitliche Abbildung eines realen Systems dar. Partialmodelle hingegen umfassen lediglich einen bestimmten Ausschnitt des gesamten realen Systems (Ossadnik 2008, S. 5). Aufgrund von hoher Komplexität und hohem Aufwand sind Totalmodelle in der Regel nicht abbildbar bzw. lösbar (Bamberg et al. 2012, S. 13f.). Trotzdem sind Totalmodelle wichtig, um die Zerlegung eines komplexen Entscheidungsproblems in Partialmodelle sowie deren sinnvolle Kopplung überprüfen zu können, jedoch ist für diesen Zweck ein stark aggregiertes Totalmodell meist ausreichend (Klein und Scholl 2012, S. 40). Unter Berücksichtigung der definierten Anforderungen an ein Entscheidungsmodell für den Einsatz nachhaltiger Dienstleistungsinnovationen in der Logistik kann bestimmt werden, welche Art von Modell erforderlich ist. Das zu entwickelnde Modell muss Prognosen, Simulationen und Entscheidungen ermöglichen und in der Lage sein, mehrere Zielgrößen zu erfassen. Weiterhin sind sowohl qualitative als auch quantitative Informationen zu verarbeiten und es ist sowohl eine formale als auch grafische Darstellungsform anzustreben. Zudem wird von einem deterministischen Modell ausgegangen, das jedoch verschiedene Umweltzustände abbilden muss. Es müssen dynamische Veränderungen und eine kontinuierliche Betrachtung abbildbar sein sowie der relevante Ausschnitt des Dienstleistungssystems im Rahmen eines Partialmodells erfasst werden. 3.3.3 Struktur und Elemente von Entscheidungsmodellen Wie in Kapitel 2.4.1 erläutert, existiert ein allgemein anerkanntes Grundmodell der Entscheidungstheorie (Schneeweiß 1991, S. 87ff.; Eisenführ und Weber 2003, S. 16ff.; Bamberg et al. 2012, S. 13ff.; Klein und Scholl 2012, S. 41f.; Laux et al. 2014, S. 30ff.). Grundsätzlich geht die präskriptive Entscheidungstheorie davon aus, dass sich Entscheidungsprobleme durch Zerlegung in einzelne Teilprobleme bzw. -komponenten einfacher lösen lassen (Eisenführ und Weber 2003, S. 16). Dadurch können die einzelnen Teilkomponenten besser analysiert und in Modelle überführt werden und bilden als Ganzes das Entscheidungsmodell adäquat ab (Laux et al. 2014, S. 29).

3.3 Charakteristika und Entwicklung von Entscheidungsmodellen

73

Als Basiselemente eines Entscheidungsmodells sind zunächst Entscheidungsfeld und Zielsystem festzuhalten (Bamberg et al. 2012, S. 15ff.), wobei Laux et al. (2014, S. 29) von „Entscheidungsregel“ statt von „Zielsystem“ sprechen. Informationen über das Entscheidungsproblem Zielsystem

Entscheidungsfeld Handlungsalternativen

Umweltzustände

Zielgrößen

Präferenzen

Präferenzrelationen

Wirkungszusammenhänge

Aa

x a,1

x a,2

...

...

Umweltzustände Z1 Z2 ... Zz x 1,1 x 1,2 ... x 1,z x 2,1 x 2,2 ... x 2,z

...

A1 A2

...

Handlungsalternativen

Ergebnismatrix

...

x a,z

Nutzenbestimmung Entscheidungsmatrix

Entscheidung

Abbildung 3-1:

Basiselemente eines Entscheidungsmodells (Quelle: in Anlehnung an Klein und Scholl (2012, S. 43), Bamberg et al. (2012, S. 23))

Entscheidungsfeld Der Entscheider hat zu einem definierten Zeitpunkt verschiedene Handlungsalternativen, mindestens jedoch zwei, zur Auswahl, von denen er im Rahmen einer Entscheidung eine Handlungsalternative auszuwählen hat (Bamberg et al. 2012, S. 15). Begriffe wie Optionen, Handlungsweisen, Strategien und Alternativen werden dabei synonym zu Handlungsalternativen verwendet (Eisenführ und Weber 2003, S. 16; Bamberg et al. 2012, S. 15). Handlungsalternativen werden durch Entscheidungsvariablen beschrieben werden, die sich dadurch auszeichnen, dass sie vom Entscheider in einem bestimmten Umfang verändert werden können (Laux et al. 2014, S. 31). Eine Handlungsalternative kombiniert dabei in der Regel mehrere Einzelentscheidungen und somit mehrere Entscheidungsvariablen, die schlussendlich in einem Maßnahmen- oder Aktionenbündel resultieren (Bamberg et al. 2012, S. 15f.). Neben den vom Entscheider beeinflussbaren Entscheidungsvariablen existieren verschiedenen Größen, die durch den Entscheider nicht beeinflusst werden können, welche aber das Ergebnis der Entscheidung beeinflussen (Eisenführ und Weber 2003, S. 16). Diese Größen können allgemein als entscheidungsrelevante oder problemrelevante Daten bezeichnet werden (Laux et al. 2014, S. 32). Deren mögliche zukünftige Entwicklung lässt sich durch Umweltszenarien, Zustände bzw. Umweltzustände beschreiben (Klein und Scholl 2012, S. 41), die einander ausschließende Konstellationen von Ausprägungen der entscheidungsrelevanten Daten darstellen

74

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

(Bamberg et al. 2012, S. 18). Die für die Zukunft zu erwartenden Ausprägungen entscheidungsrelevanter Daten, also Umweltzustände, sind für den Entscheider in der Regel nicht bekannt, weswegen in einem Entscheidungsmodell verschiedene Umweltzustände zu berücksichtigen sind (Laux et al. 2014, S. 32f.). Es kann von einer Entscheidung unter Unsicherheit oder Ungewissheit gesprochen werden, wenn für einen Entscheider mindestens zwei Umweltzustände möglich erscheinen, von denen allerdings nur einer eintreten kann (Bamberg et al. 2012, S. 19; Laux et al. 2014, S. 33).25 Weiß der Entscheider jedoch, welcher Umweltzustand eintreten wird, entspricht dies einer Entscheidung unter Sicherheit und man spricht von einem deterministischen Entscheidungsmodell (Klein und Scholl 2012, S. 43). Die Ergebnismatrix bildet die Konsequenzen der Wahl einer Handlungsalternative bei Eintreten eines Umweltzustands ab und resultiert aus den Wirkungszusammenhängen (Eisenführ und Weber 2003, S. 16). Hierbei sind nur die Konsequenzen auf Größen relevant, die für die Entscheidung bzw. den Entscheider von Bedeutung sind, sogenannte entscheidungsrelevante Zielgrößen oder Zielvariablen (Laux et al. 2014, S. 31). Zielsystem Entscheidungen sind dann rational, wenn die Handlungsalternative ausgewählt wird, die den höchstmöglichen Nutzen für den Entscheider verspricht (Laux et al. 2014, S. 34). Deshalb wird im Rahmen eines Zielsystems bzw. einer Entscheidungsregel definiert, wie die Bestimmung der besten Alternative zu erfolgen hat (Klein und Scholl 2012, S. 44). Zunächst sind Zielgrößen zu formulieren. Diese geben an, welche Ergebnisse zum Vergleich der Handlungsalternativen heranzuziehen sind (Bamberg et al. 2012, S. 27). Der Entscheider kann hinsichtlich der einzelnen Zielgrößen unterschiedliche Präferenzen besitzen. Dabei sind verschiedene Präferenztypen zu unterscheiden wie Höhen-, Arten-, Zeit- und Risikopräferenzen (Bamberg et al. 2012, S. 27f.). Mit der Höhenpräferenz gibt der Entscheider an, welche Ergebnishöhe als zufriedenstellend betrachtet wird (Klein und Scholl 2012, S. 45). Typischerweise wird die Minimierung oder Maximierung der Zielgrößen verfolgt. Artenpräferenzen sind erforderlich, wenn mehrere und teilweise konfliktäre Zielgrößen von Bedeutung sind (Bamberg et al. 2012, S. 28). Dann ist, beispielsweise mit einer Zielgewichtung, festzulegen, inwieweit die einzelnen Zielgrößen den Gesamtnutzen beeinflussen (Klein und Scholl 2012, S. 105). Zeitpräferenzen sind von Relevanz, wenn die Ergebnisse einer Entscheidung über mehrere Zeitpunkte hinweg verteilt sind (Bamberg et al. 2012, S. 28). Ergebnisse, die zu einem späteren Zeitpunkt realisiert werden, sind dabei häufig von geringerem Nutzen als Ergebnisse, die sofort erzielt werden können (Klein und Scholl 2012, S. 120). Die Risikopräferenz wird durch die Risikoeinstellung des Entscheiders (Risikoaffinität oder Risikoaversität) bestimmt und ist erforderlich, wenn eine Entscheidung unter Risiko oder Unsicherheit getroffen werden muss (Bamberg et al. 2012, S. 28). Die Präferenzrelationen sind zur Festlegung der Präferenzwerte bzw. des Nutzens der Handlungsalternativen erforderlich (Laux et al. 2014, S. 40). Dabei wird die Präferenzrelation zur 25

Unsicherheit kann gemäß Laux et al. (2014, S. 33) weiter ausdifferenziert werden. Unsicherheit im engeren Sinne ist gegeben, wenn ein Entscheider zwar verschiedene Zustände für möglich hält, aber nicht in der Lage ist, diesen Eintrittswahrscheinlichkeiten zuzuordnen. Kann der Entscheider jedoch den möglichen Zuständen Eintrittswahrscheinlichkeiten zuordnen, so kann dies als Entscheidung unter Risiko bezeichnet werden.

3.3 Charakteristika und Entwicklung von Entscheidungsmodellen

75

Transformation der Ergebnis- in die Entscheidungsmatrix verwendet, indem den Ergebnissen Nutzenwerte zugeordnet werden (Bamberg et al. 2012, S. 33f.). Um abschließend eine Entscheidung für eine Alternative treffen zu können, wird die Präferenzrelation zur Bestimmung des für den Entscheider resultierenden Gesamtnutzens einer Alternative herangezogen (Klein und Scholl 2012, S. 44f.). 3.3.4 Vorgehen zur Entwicklung von Entscheidungsmodellen Eine Entscheidung ist insgesamt als ein Prozess zu betrachten, welcher neben der Auswahl und Umsetzung einer ausgewählten Handlungsalternative vor allem auch sämtliche Aktivitäten zur Vorbereitung der Entscheidung umfassen muss (Kleine 2013, S. 61; Laux et al. 2014, S. 12). In Tabelle 3-3 sind verschiedene generische Entscheidungsprozesse dargestellt. Dabei ist sowohl die Entwicklung von Entscheidungsmodellen berücksichtigt als auch die eigentliche Lösung des Entscheidungsproblems. Grünig und Kühn 2017, S. 57

Laux et al. 2014, S. 12

Klein und Scholl 2012, S. 56ff.

Verifizierung des Entscheidungsproblems Problemanalyse Erarbeitung von Lösungsvarianten Festlegung der Entscheidungskriterien Festlegung von Umfeldszenarien Ermittlung der Konsequenzen der Varianten Gesamtbeurteilung der Varianten und Entscheidung

Problemformulierung Präzisierung des Zielsystems Erforschung der Handlungsalternativen Auswahl einer Alternative Entscheidungen in der Realisationsphase.

Erlangung von Anregungsinformationen Definition von Zielen Ermittlung grundsätzlicher Handlungsalternativen Festlegung der Problemgrenzen Durchführung von Datenprognosen Ermittlung der Wirkungszusammenhänge Bewertung durch Nutzenoperationalisierung und Nutzenermittlung Auflösen von Zielkonflikten Optimierung und/oder Alternativenwahl

Tabelle 3-3:

Darstellung der Schritte verschiedener generischer Entscheidungsprozesse

Es zeigt sich, dass abgesehen von den Detaillierungsgraden der einzelnen Schritte kaum Unterschiede zwischen den dargestellten generischen Entscheidungsprozessen bestehen. Zunächst wird das grundlegende Entscheidungsproblem spezifiziert, um dann Ziele zu definieren. Weiterhin werden verschiedene Lösungsvarianten oder Handlungsalternativen erarbeitet, um dann mögliche Umfeldentwicklungen und deren Auswirkungen auf die herausgearbeiteten Handlungsalternativen abschätzen zu können. Basierend auf festgelegten Entscheidungskriterien werden die Handlungsalternativen bewertet und schlussendlich die aus Entscheidersicht vorteilhafteste Alternative ausgewählt. Alle Autoren merken an, dass die dargestellten Schritte nicht als klar abgegrenzte Phasen zu betrachten sind und weisen darauf hin, dass sowohl Überschneidungen als auch Iterationen möglich bzw. erforderlich sein können (Klein und Scholl 2012, S. 56; Laux et al. 2014, S. 12; Grünig und Kühn 2017, S. 57ff.). Im Rahmen dieser Arbeit wird der Prozess von Klein und Scholl (2012) herangezogen, weil dieser am detailliertesten ausgeführt ist und weil die einzelnen Schritte die Grundstruktur von

76

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

Entscheidungsmodellen (vgl. Kapitel 3.3.3) am besten widerspiegeln. Klein und Scholl (2012, S. 56) betrachten den Prozess zur Entwicklung von Entscheidungsmodellen auch als Strukturierungsprozess. Dieser hat die Aufgabe, das unstrukturierte Entscheidungsproblem, welches verschiedene Problemklassen umfasst, mittels mehrerer aufeinander aufbauender Modelle unterschiedlicher Art zu strukturieren und eine Lösung zu ermöglichen (vgl. Abbildung 3-2). Um das Entscheidungsproblem über seine unterschiedlichen Problemklassen hinweg immer stärker strukturieren und lösen zu können, sind einzelne Arbeitsschritte erforderlich, für die unterschiedliche Methoden zur Verfügung stehen. Durch die Verwendung ausgewählter Methoden werden verschiedene Modelltypen erarbeitet und dadurch das Entscheidungsproblem schrittweise strukturiert. Zwischen den Modellen bestehen meist starke Interdependenzen, sodass diese iterativ entwickelt werden (Voigt 1992, S. 89ff.). Die Methoden, Arbeitsschritte und Modellarten, die aufgrund der Problemstellung dieser Arbeit im Fokus stehen, sind dunkelgrau hinterlegt. Methoden

Arbeitsschritte

Problemklassen

Modellarten

Analysetechniken

Anregungsinformationen

reales Problem

verbales Modell

Zielgenerierung Zielstrukturierung

Ziele und Zielstruktur

Kreativitätstechniken

Handlungsalternativen

Dekompositions- und Koordinationstechniken

Problemgrenzen

Zielsystem

abgrenzungsdefiniertes Problem Variablen des Problems

Daten

Prognosemethoden

wirkungsdefiniertes Problem

Erklärungs-, PrognoseSimulationsmodell

bewertungsdefiniertes Problems

multikriterielles Bewertungsmodell

zielsetzungsdefiniertes Problem

einkriterielles Entscheidungsmodell

Wirkungszusammenhänge

Operationalisierung Bewertungstechniken

Nutzenermittlung Zielkonfliktauflösung

heuristische Lösung

lösungsdefektes Problem

exakte Lösung

lösungsdefiniertes Problem

Optimierungsmethoden x

Abbildung 3-2:

Vorgehen zur Strukturierung von Entscheidungsproblemen und Zuordnung von Methoden (Quelle: in Anlehnung an Klein und Scholl (2012, S. 57, S. 66))

Die Elemente von Entscheidungsmodellen bilden, ergänzt um Schritte und Aspekte gemäß Klein und Scholl (2012), den Rahmen für das Vorgehen zur Entwicklung eines Entscheidungsmodells (vgl. Abbildung 3-3).

3.3 Charakteristika und Entwicklung von Entscheidungsmodellen

77

Zu Beginn erfolgt die Beschreibung des Entscheidungsproblems. Mittels geeigneter Analysetechniken werden Anregungsinformationen ausgewertet, um ein verbales Modell zur Beschreibung des realen Problems zu erstellen. Dann folgt die Ermittlung des Zielsystems. Über Methoden zur Zielgenerierung und Zielstrukturierung werden Ziele und Zielstruktur in einem Zielsystem herausgearbeitet. Anschließend wird die Bestimmung von Handlungsalternativen und die Bestimmung von Problemgrenzen durchgeführt. Verschiedene Handlungsalternativen können über Kreativitätstechniken ermittelt werden und Dekompositions- und Koordinationstechniken helfen bei der Bestimmung der Problemgrenzen, welche es in Verbindung mit den Handlungsalternativen ermöglichen, die relevanten Variablen des Problems zu erfassen, um ein abgrenzungsdefiniertes Problem zu erhalten. Weiter erfolgt die Ermittlung von Umweltzuständen, wofür die künftige Entwicklung relevanter Daten mittels Prognosemethoden abgeschätzt wird. Wirkungszusammenhänge der relevanten Daten sowie zwischen Handlungsalternativen und Umweltzuständen können mittels geeigneter Prognosemethoden bestimmt werden zur Wirkungsprognose. Im Ergebnis führt dies zu Prognose- bzw. Simulationsmodellen, welche es ermöglichen, die Wirkungen der Handlungsalternativen zu analysieren. Durch den Einsatz von Bewertungstechniken werden die bestimmten Ziele in Form von Zielgrößen operationalisiert und subjektive Nutzengrößen ermittelt, wodurch ein bewertungsdefiniertes Problem entsteht, das durch ein multikriterielles Bewertungsmodell repräsentiert wird. Damit kann die Bewertung erfolgen. Durch Auflösung von Zielkonflikten bzw. Verdichtung von Nutzengrößen wird über ein einkriterielles Entscheidungsmodell ein zielsetzungsdefiniertes Problem erlangt, das eine Entscheidung ermöglicht. Dieses kann abschließend mit Optimierungsmethoden entweder heuristisch oder exakt gelöst werden, wobei dieser Schritt im Rahmen dieser Arbeit nicht betrachtet wird.

Beschreibung des Entscheidungsproblems

Kapitel 3.4

Ermittlung des Zielsystems

Kapitel 3.5

Bestimmung von Handlungsalternati ven Kapitel 3.6 Bestimmung von Problemgrenzen

Abbildung 3-3:

Ermittlung von Umweltzuständen

Kapitel 3.7

Wirkungsprognose

Kapitel 3.8

Bewertung

Kapitel 3.9

Vorgehen zur Entwicklung eines Entscheidungsmodells

Gemäß der Zielstellung dieser Arbeit soll herausgearbeitet werden, welche Methoden sich am besten eignen, um den Charakteristika nachhaltiger Dienstleistungsinnovationen in der Logistik und den definierten Anforderungen an die Entwicklung von Entscheidungsmodellen und an die zu verwendenden Methoden Rechnung zu tragen. Eine ausführliche Diskussion, Auswahl und Anwendung potenzieller Methoden aller dargestellten Arbeitsschritte würde den Rahmen der

78

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

vorliegenden Arbeit überschreiten und ebenso der Anforderung der Wirtschaftlichkeit (vgl. Tabelle 3-1) widersprechen. Aus diesem Grund erfolgt eine Fokussierung auf die Methoden, Arbeitsschritte und Modellarten, die vor dem Hintergrund der herausgearbeiteten Anforderungen die größte Bedeutung besitzen. So ist sichergestellt, dass sowohl aus Sicht der Praxis als auch der Forschung größtmöglicher Mehrwert generiert wird. Aus der geforderten Zielorientierung und der nötigen Berücksichtigung finanzieller und nicht-finanzieller Ziele resultiert die Fokussierung auf das Zielsystem und das systematische Erarbeiten von Zielen und Zielstrukturen mittels Methoden zur Zielgenerierung und Zielstrukturierung. Eine Möglichkeit zur Simulation und Prognose wird als direkte Anforderung genannt, weshalb die Erstellung eines Prognose- und Simulationsmodells ebenso im Fokus steht. Im Rahmen der Prognose liegt der Fokus auf Wirkungsprognosen in Abgrenzung zu Umweltprognosen. Trotzdem ist das systematische Zusammentragen und eine methodische Prognose relevanter Unternehmens- und Umweltdaten erforderlich, um die Anforderung eines hohen Maßes an Transparenz und Validität sicherstellen zu können. Die Anforderung der Prognosemöglichkeit und der Zeitperspektive macht es überdies erforderlich, dass sowohl die aktuellen als auch künftig zu erwartenden Umweltdaten und Wirkungszusammenhänge methodisch erarbeitet werden. Operationalisierbarkeit wird als Anforderung direkt benannt und weiterhin wird durch die Anforderung der Entscheidungsorientierung eine systematische Nutzenermittlung sowie Zielkonfliktauflösung erforderlich. Die Entwicklung eines multikriteriellen Bewertungsmodells und dessen Überführung in ein einkriterielles Entscheidungsmodell stehen daher ebenso im Fokus. Zusammengefasst steht die Diskussion und Auswahl von Methoden zur Entwicklung von Zielsystemen, Prognosen sowie Bewertungen im Fokus der folgenden Ausführungen. Trotzdem werden auch die anderen Vorgehensschritte und geeignete Methoden knapp vorgestellt. 3.4

Beschreibung von Entscheidungsproblemen

Analysetechniken dienen dazu, Anregungsinformationen zu generieren um so ein real existierendes Problem identifizieren und spezifizieren und in Form eines verbalen Modells beschreiben zu können. Dabei kommen verschiedene Methoden zur System- und Problemanalyse zum Einsatz. Grundlage für die Entwicklung eines Entscheidungsmodells bildet das Vorliegen eines Entscheidungsproblems. Entscheidungsprobleme können sich einerseits aus der operativen Unternehmenstätigkeit heraus ergeben, wenn gewisse Probleme immer wiederkehren, andererseits können sie einmalige und neuartige Probleme mit innovativem und strategischem Charakter darstellen (Klein und Scholl 2012, S. 69). So unterscheiden Klein und Scholl (2012, S. 70) bei der Problemerkenntnis und -analyse reaktive Methoden, die in der Regel vergangenheitsorientierte Anregungsinformationen betrachten sowie proaktive Methoden mit zukunftsorientierter Perspektive. Zusätzlich können gemäß der zeitlichen und sachlichen Reichweite des Problems strategische und taktisch-operative Methoden differenziert werden, wobei strategische Methoden tendenziell proaktiven und taktisch-operative Methoden reaktiven, gegebenenfalls aber auch proaktiven Charakter besitzen können. Da im Rahmen dieser Arbeit nachhaltige Dienstleistungsinnovationen in der Logistik betrachtet werden, welche gemäß der Definition aus Kapitel 2.2.4 sowohl (inkrementelle)

3.5 Ermittlung von Zielsystemen

79

Verbesserungen als auch (radikale) Neuerungen umfassen können, sind proaktive und reaktive ebenso wie strategische und taktisch-operative Methoden gleichermaßen relevant. Strategische Methoden mit ihrem proaktiven Charakter und ihrer langfristigen Orientierung zielen auf die Erlangung dauerhafter Wettbewerbsvorteile ab und umfassen Instrumente des strategischen Managements und des Marketings (Klein und Scholl 2012, S. 70). Nach Meffert et al. (2015, S. 130ff.) können hier Instrumente wie die Stärken-, Schwächen-, Chancen- und Risiko-Analyse (SWOT-Analyse), Positionierungsanalyse, Lebenszyklusanalyse, Portfolioanalyse oder Wertkettenanalyse herangezogen werden. Besonders vielversprechend erscheint in Anbetracht des Untersuchungsgegenstands eine Analyse von Chancen und Risiken der Umwelt im Sinne einer breiten Umweltanalyse. Dabei werden politisch-rechtliche, ökonomische, technologische, soziale, ökologische und Aspekte der Makroumwelt im Hinblick auf Chancen und Risiken für das Unternehmen untersucht (Hungenberg 2014, S. 90ff.). Vor allem die nachhaltigkeitsbezogenen Aspekte, aber auch technologische Entwicklungen versprechen für den LDL interessante Impulse. Dabei spielen Fragen wie „Welche politisch-rechtlichen Rahmenbedingungen können den LDL künftig beeinflussen“, „Wie verändern sich die ökologische und gesellschaftliche Umwelt?“ und „Welche technologischen Entwicklungen können gewinnbringend genutzt werden, um nachhaltige Dienstleistungsinnovationen implementieren zu können?“ eine wichtige Rolle. Auch eine Positionierungsanalyse zur Bestimmung der im Außenraum (vor allem durch Kunden) wahrgenommenen Ausprägungen von Eigenschaften (Meffert et al. 2015, S. 136ff.) vor allem im Hinblick auf Nachhaltigkeit könnte ein sinnvolles Instrument sein. Basierend darauf könnte der LDL entscheiden, inwiefern er seine Wahrnehmung in Bezug auf Nachhaltigkeit ändern kann und möchte.26 Als reaktive Methode auf taktisch-operativer Ebene eignen sich Abweichungsanalysen (Klein und Scholl 2012, S. 71). So können Ist- und Soll-Größen in Bezug auf logistische Ziele oder Nachhaltigkeitsziele einander gegenübergestellt werden und Abweichungen so lange in Teilabweichungen dekomponiert werden, bis die Ursache festgestellt werden kann. An dieser Ursache können dann Entscheidungsprobleme identifiziert werden. Proaktive Methoden mit taktisch-operativer Reichweite nehmen Entscheidungsprobleme insofern vorweg, dass sie diese auf stark aggregierter Ebene oder in vereinfachter Form analysieren (Klein und Scholl 2012, S. 71). Die ABC-Analyse ist ein geeignetes Instrument hierfür, denn sie basiert auf der Logik, dass kleine Teile eines Gesamtproblems das Gesamtergebnis wesentlich beeinflussen (Hungenberg 2012, S. 129). In Bezug auf nachhaltigkeits- oder logistikbezogene Größen können damit die entscheidenden Ansatzpunkte identifiziert werden.

3.5

Ermittlung von Zielsystemen

3.5.1 Charakteristika von Zielsystemen Ein Zielsystem bezeichnet die vor dem Hintergrund eines spezifischen Zwecks ermittelte Gesamtheit von Zielen sowie die dazugehörigen Präferenzrelationen (Bamberg et al. 2012, S. 29).

26

Für weitere Methoden sei auf Bea und Haas (2013, S. 91ff.), Hungenberg (2014, S. 85ff.) Meffert et al.(2015, S. 130ff.) sowie Welge und Al-Laham (2012, S. 289ff.) verwiesen.

80

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

Es gibt unterschiedliche Arten von Zielsystemen in der Zielforschung (Fritz 1986, S. 99f.; Eisenbeis 2007, S. 22; Welge und Al-Laham 2012, S. 203), wobei Unterscheidungskriterien beispielsweise Fristigkeit (z. B. Langfristziele und operative Ziele), Zielinhalt (z. B. Leistungs- und Finanzziele) oder die betroffene Entscheidungsebene (z. B. Bereichs- und Abteilungsziele) sein können (Klein und Scholl 2012, S. 91).27 Für die einzelnen Ziele eines Zielsystems sind Zielkriterien bzw. Zielgrößen zu bestimmen, welche einzelne entscheidungsrelevante, messbare Aspekte des gewünschten Zustands beschreiben (Klein und Scholl 2012, S. 93). Dabei ist nur die unterste Zielebene zu berücksichtigen. Messbarkeit kann über natürliche Zielgrößen, Proxy-Zielgrößen oder über künstliche Zielgrößen sichergestellt werden (Rohr 2004, S. 23; Eisenführ und Weber 2003, S. 67ff.). Natürliche Zielgrößen können direkt mittels einer Skala gemessen werden, was insbesondere bei quantitativen Zielgrößen gegeben ist. Demgegenüber werden Proxy-Zielgrößen meistens bei qualitativen Zielgrößen wie z. B. Image oder Kundenzufriedenheit verwendet. Sie stellen eine Approximation an die eigentliche Zielgröße dar und können entweder eine Indikator- oder Instrumental-Funktion besitzen (Klein und Scholl 2012, S. 96). Künstliche Zielgrößen werden an künstlich erstellten Skalen gemessen, die durch die Aggregation von Ausprägungen zu Klassen entstehen (Eisenführ und Weber 2003, S. 67). Zusätzlich ist für die Zielgrößen jeweils eine Präferenzrelation zu bestimmen, die sich unter anderem auf Höhenpräferenz (Maximierung oder Minimierung, Erreichen eines bestimmten Niveaus), Risikopräferenz (Bevorzugung geringer, aber sicherer Ergebnisse oder höherer, aber unsicherer Ergebnisse), Zeitpräferenz (Bevorzugung geringer kurzfristiger oder höherer langfristiger Ergebnisse) und Artenpräferenz (Bevorzugung einzelner Ziele gegenüber anderen) beziehen kann (Bamberg et al. 2012, S. 27f.). Bei der Ermittlung von Zielsystemen sind zwei Aspekte besonders zu berücksichtigen. Zum einen sind entscheidungsbezogene Zielsysteme subjektiv, da sie in Abhängigkeit der subjektiven Wertvorstellungen eines oder mehrerer Entscheider erstellt werden (Klein und Scholl 2012, S. 94) und zum anderen verändern sie sich mit der Zeit. Dies bedeutet, dass bei der Ermittlung von Zielsystemen ein hohes Maß an Flexibilität gefordert ist, da verschiedenste subjektive Wertvorstellungen zu berücksichtigen sind. Außerdem müssen Zielsystem oder zumindest Präferenzrelation mit der Zeit angepasst werden können. Dieser Aspekt wird in Kapitel 3.9 berücksichtigt. Gemäß Schneeweiß (1991, S. 65f.) muss ein Zielsystem drei wesentliche Kriterien erfüllen. Zunächst muss die Operationalisierbarkeit der Ziele gegeben sein, also sichergestellt sein, dass ihnen Zielgrößen zugeordnet werden können, die mindestens ein ordinales Messniveau aufweisen. Weiterhin muss Vollständigkeit gewährleistet sein. Es müssen sich alle Aspekte eines Oberziels in den Unterzielen wiederfinden. Die Redundanzfreiheit macht es erforderlich, dass Ziele derselben Zielebene jeweils überschneidungsfrei unterschiedliche Aspekte beleuchten. Eisenführ und Weber (2003, S. 60f.) ergänzen als weitere Kriterien Präferenzunabhängigkeit und Einfachheit. Demnach soll der Entscheider in der Lage sein, seine Präferenz bezüglich der Ausprägung eines Zielkriteriums unabhängig von den Ausprägungen der anderen Zielkriterien

27

Zu den Funktionen von Zielsystemen sei auf Bea und Haas (2013, S. 71f.) verwiesen.

3.5 Ermittlung von Zielsystemen

81

zu äußern. Steigt die Wichtigkeit einer hohen Ausprägung eines Zielkriteriums mit zunehmender Ausprägung eines anderen Zielkriteriums, so sind diese nicht präferenzunabhängig, sondern komplementär. Einfachheit ist dann gegebenen, wenn das Zielsystem möglichst wenige Ziele umfasst. Sie kann beispielsweise durch Aggregation von Zielen erreicht werden (Eisenführ und Weber 2003, S. 61f.).28 In der Forschungs- und Unternehmenspraxis ist eine Einhaltung aller benannten Anforderungskriterien jedoch nur sehr selten gegeben (Schneeweiß 1991, S. 66ff.; Geldermann und Lerche 2014, S. 25ff.). Denn häufig bestehen beispielsweise Abhängigkeiten zwischen mehreren Zielgrößen, die Zielkonflikte auslösen können und so die Bewertung erschweren (Laux et al. 2014, S. 7). Zur Ermittlung eines Zielsystems sind zwei grundlegende Schritte durchzuführen. Zunächst erfolgt die Zielgenerierung und anschließend die Zielstrukturierung (Eisenführ und Weber 2003, S. 53ff.). Präferenzen und Präferenzrelationen stellen ebenfalls einen wichtigen Bestandteil des Zielsystems dar (vgl. Kapitel 3.3.3). Diese werden aber in der Regel im Zusammenhang mit der Anwendung von spezifischen Bewertungsmethoden bestimmt und daher in Kapitel 3.9 diskutiert. Da die Ermittlung von Zielsystemen einerseits sehr subjektiv und andererseits stark problemabhängig ist, existieren keine in sich geschlossenen Methoden, sondern vielmehr Vorgehensempfehlungen (Klein und Scholl 2012, S. 65). Aus diesem Grund erfolgt an dieser Stelle keine ausführliche Diskussion potenzieller Ansätze, stattdessen werden mögliche Herangehensweisen kurz vorgestellt. Die Zielgenerierung ist ein kreativer Prozess, der nicht zwingend durch den Entscheider selbst erfolgen muss und bei dem diverse Kreativitätstechniken zum Einsatz kommen können (Klein und Scholl 2012, S. 130). Folglich können Methoden wie Brainstorming, Brainwriting oder synektische Methoden zum Einsatz kommen (Grünig und Kühn 2017, S. 83). Da jedoch Brainstorming eine sehr einfache und in der Unternehmenspraxis verbreitete sowie akzeptierte Methode ist (Förtsch und Meinholz 2018, S. 569ff.), soll sie im Rahmen dieser Arbeit herangezogen werden. Beim Brainstorming sind in einer möglichst heterogenen Gruppe in der ersten Phase alle spontan aufkommenden Ziele zu sammeln, ohne diese zu diskutieren. Es ist dabei erwünscht, dass Ziele aufgegriffen und weiterentwickelt bzw. naheliegende Ziele ergänzt werden. In der zweiten Phase sind die gesammelten Ziele zu sichten und zu bewerten. Dazu werden sie zunächst grob systematisiert und anschließend im Hinblick auf deren Realisierbarkeit diskutiert, bevor sie bewertet werden (Klein und Scholl 2012, S. 149f.). Eine Möglichkeit zur Strukturierung von Zielen ist die Bildung einer Zielhierarchie (Eisenführ und Weber 2003, S. 62ff.). Dabei werden die Ziele auf mehreren Ebenen in Ober- und Unterziele strukturiert. Zwischen dem Oberziel und den zugeordneten Unterzielen besteht dabei jeweils eine Zweck-Mittel-Relation, was bedeutet, dass zur Erreichung des Oberziels (Zweck) die Unterziele (Mittel) erfüllt werden müssen (Welge und Al-Laham 2012, S. 206f.). Bei der Bildung einer Zielhierarchie können zwei Ansätze unterschieden werden: der Top-down-Ansatz und der Bottom-up-Ansatz (Rohr 2004, S. 24; Geldermann und Lerche 2014, S. 24ff.). Beim Top-down-Ansatz wird ein einziges Oberziel schrittweise in Unterziele aufgegliedert, wo-

28

Zusätzliche Anforderungen werden von Klein und Scholl (2012, S. 135f.) beschrieben.

82

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

hingegen beim Bottom-up-Ansatz gesammelte Unterziele zu Oberzielen aggregiert werden (Eisenführ und Weber 2003, S. 62). Wenn wichtige Aspekte bzw. eine grobe Struktur des Zielsystems bekannt sind, bietet sich der Top-down-Ansatz an, wohingegen bei vergleichsweise unbekannten Problemen ein Bottom-up-Ansatz sinnvoller ist (Rohr 2004, S. 24). In der Praxis wird in der Regel ein Mischansatz verfolgt (Klein und Scholl 2012, S. 133), weshalb auch im Rahmen dieser Arbeit ein Mischansatz verfolgt werden soll. Um zu ermöglichen, dass Entscheider bei der Ermittlung ihres Zielsystems eine einheitliche Basisstruktur zugrunde legen können, soll in Kapitel 3.5.3 ein spezifisches Zielkategoriesystem für den Einsatz nachhaltiger Dienstleistungsinnovationen in der Logistik entwickelt werden. So besteht einerseits eine grob vorgegebene Struktur und Richtung für das Zielsystem (auch als Impulsgeber), andererseits können für den vor allem auf operativer Ebene in der Logistik noch relativ unbekannten Untersuchungsgegenstand mit großem Freiheitsgrad Ziele bestimmt werden. Die Strukturierung von Zielen mithilfe einer Zielhierarchie besitzt zahlreiche Vorteile. Es lassen sich die definierten Anforderungen an Zielsysteme leichter überprüfen, ebenso wie die Zweck-Mittel-Relation klarer erkennbar ist. Weiterhin ist eine Zielhierarchie Voraussetzung für einige Methoden zur Bestimmung von Artenpräferenzen und zudem ist der Entscheider bei Vorliegen einer Zielhierarchie besser in der Lage, Informationen zu verarbeiten bzw. zu kommunizieren sowie Wirkungszusammenhänge zu erkennen (Klein und Scholl 2012, S. 134). Eine der wesentlichen Herausforderung bei der Ermittlung der Zielhierarchie ist es, die Redundanzfreiheit sicherzustellen. Die Verwendung eines Top-down- oder Bottom-up-Ansatzes bietet hierbei zwar Unterstützung, aber keine Garantie. Es ist gemäß Grünig und Kühn (2017, S. 86) „zur Eliminierung von Überschneidungen bei Zielen [...] gesunder Menschenverstand gefragt. Einfach anzuwendende Methoden gibt es nicht“. Abschließend wird empfohlen zwischen 6 und 20 Ziele und dazugehörige Zielgrößen zu definieren (Geldermann und Lerche 2014, S. 26). Eine höhere Anzahl wäre mit zu großem Aufwand sowohl bei der Erhebung als auch Auswertung verbunden und eine geringere Anzahl würde der Mehrdimensionalität von Entscheidungsproblemen nicht Rechnung tragen. 3.5.2 Spezifische Ziele aus der Literatur Um ein geeignetes Zielkategoriesystem für Entscheidungen über den Einsatz nachhaltiger Dienstleistungsinnovationen in der Logistik entwickeln zu können, wurden im Rahmen dieser Arbeit zunächst allgemeine betriebswirtschaftliche Unternehmensziele, Ziele von Dienstleistungsunternehmen, nachhaltigkeitsbezogene Ziele sowie Ziele der Logistik analysiert und dann, unter Berücksichtigung der Erkenntnisse aus Kapitel 2, in einem Zielkategoriesystem zusammengeführt. Betriebswirtschaftliche Unternehmensziele Zahlreiche Beiträge zu betriebswirtschaftlichen Unternehmenszielen (beispielsweise Eisenbeis 2007; Welge und Al-Laham 2012; Poeschl 2013) beziehen sich auf den Zielkatalog von Ulrich und Fluri (1995), der mögliche Basiskategorien und darunter zu fassende Unternehmensziele aufzeigt. Weiterhin werden in der betriebswirtschaftlichen Literatur die Beiträge von Fritz et al. (1984), Töpfer (1985), Raffée et al. (1988), Raffée und Fritz (1992), Al-Laham (1997) und

3.5 Ermittlung von Zielsystemen

83

Meffert und Kirchgeorg (1998) zu potenziellen Unternehmenszielen häufig zitiert (Eisenbeis 2007, S. 65f.). Aus diesem Grund wurden alle in den Beiträgen genannten Ziele zusammengetragen, Begriffe vereinheitlicht sowie Überschneidungen eliminiert und schlussendlich den Basiskategorien nach Ulrich und Fluri (1995, S. 97f.) zugeordnet (vgl. Tabelle Anhang 7-1). Einige Ziele konnten keiner Basiskategorie zugeordnet werden. Da sie übergeordnete und langfristige Unternehmensziele darstellen, wurden sie unter der neu geschaffenen Basiskategorie „Strategische Ziele“ zusammengefasst (vgl. Moll et al. 2017, S. 219f.). Weiterhin ist hervorzuheben, dass einige Ziele nicht eineindeutig einer Basiskategorie zuzuordnen waren. Die vorliegende Einteilung stellt daher eine mögliche Variante zur Kategorisierung betriebswirtschaftlicher Unternehmensziele dar. Neben den bereits benannten strategischen Zielen können Rentabilitätsziele, Marktleistungsziele, Markstellungsziele, finanzwirtschaftliche Ziele, Machtund Prestigeziele, soziale Ziele in Bezug auf Mitarbeiter und gesellschaftsbezogene Ziele unterschieden werden. Ziele von Dienstleistungsunternehmen Ein Zielsystem für Dienstleistungsunternehmen kann Meffert et al. (2015, S. 152) entnommen werden. Dort werden unternehmensgerichtete, kundengerichtete sowie mitarbeitergerichtete Ziele unterschieden. Hervorzuheben ist die hohe Anzahl an qualitativen bzw. psychologischen Zielen29 wie z. B. Image, Kundenzufriedenheit oder Mitarbeiterzufriedenheit bei den kundengerichteten und mitarbeitergerichteten Zielen sowie deren enge Verknüpfung. Diese wiederum beeinflussen den Unternehmenserfolg. Der Unternehmenserfolg ist mit Umsatz, Menge, Preis, Kosten und Gewinn sehr rentabilitätsbezogen ausgestaltet. Ziele der Logistik Neben allgemeinen Unternehmenszielen, die auch in der Logistik nicht mehr nur ökonomischer, sondern vermehrt auch ökologischer und sozialer Natur sind (siehe Kapitel 2.2.3.3), lassen sich in der Logistik operative Ziele festhalten (vgl. Kapitel 2.3.2.2). Operative Logistikziele beziehen sich dabei auf die Erbringung der eigentlichen Logistikleistung (Koch 2012, S. 19). Grundsätzlich können der operativen Dimension die Aspekte Leistung, Qualität und Kosten zugeordnet werden (vgl. Eltayeb et al. 2011; Lee et al. 2012; Das 2017) (vgl. Kapitel 2.3.2.2 und Tabelle 2-10), wobei Kosten häufig auch den ökonomischen Zielen zugerechnet werden (vgl. Zhu et al. 2005; Zailani et al. 2012; Vanalle et al. 2017). Leistungsziele umfassen die Erfüllung der Aufträge, die Einhaltung von Terminanforderungen oder die Erfüllung zusätzlicher Serviceleistungen, wohingegen Qualitätsziele Leistungsbereitschaft, Sendungsqualität, Lieferqualität etc. – also den Lieferservice – umfassen (Gudehus 2012, S. 71). Kosten können durch Personal, Betriebsmittel, Transportmittel, Bestände, Lagerung, Transport, Handling sowie Planung und Steuerung verursacht werden (Koch 2012, S. 17f.).

29

Psychologische Ziele werden häufig auch als vorökonomische Ziele bezeichnet und beziehen sich auf geistige Verarbeitungsprozesse von Kunden und Mitarbeitern (Becker 2013, S. 63). Sie zielen, unter Berücksichtigung der engen Beziehungen zwischen kognitiven Prozessen und tatsächlichem Verhalten, auf zielgerichtete Verhaltensänderungen bei Kunden und Mitarbeitern ab (Becker 2013, S. 63). Häufig stellen psychologische Ziele theoretische Konstrukte dar und lassen sich deshalb in der Regel nur schwer erfassen (Bruhn 2016a, S. 26). Als Beispiele seien Image, Reputation, Kundenzufriedenheit oder Kundenbindung genannt (Becker 2013, 64).

84

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

Nachhaltigkeitsziele Die Nachhaltigkeitsdimensionen und Wirkungen von grünem und nachhaltigem Supply Chain Management wurden in den Kapiteln 2.2.3.1 und 2.3.2.2 dargestellt. Demgegenüber sollen in diesem Kapitel konkrete nachhaltigkeitsbezogene Unternehmensziele aufgezeigt werden. Hierfür eignet sich der von der Nichtregierungsorganisation Global Reporting Initiative (GRI) ausgearbeitete Leitfaden, der Standards zur Erstellung von Nachhaltigkeitsberichten aufstellt (GRI 2018). Dieser beinhaltet ein umfassendes Kriterien- und Kennzahlensystem, das zu Berichterstattungszwecken eingesetzt werden kann und ebenso zur Aufstellung von nachhaltigen Unternehmenszielen dienen kann (vgl. Tabelle Anhang 7-2). Kritisch ist anzumerken, dass es unterhalb der drei Nachhaltigkeitsdimensionen keine Subkategorien gibt, trotz beispielsweise 19 sozialer Einzelaspekte (GRI 2018, S. 3). Zusätzlich werden die ökologischen (8) und sozialen Aspekte (19) gegenüber den ökonomischen (6) überbetont, eine ausgeglichene Darstellung lässt sich vermissen. Insgesamt repräsentieren die einzelnen Aspekte eher Ziele als Zielkategorien. Zuletzt ist die Zuordnung der Aspekte zu den Nachhaltigkeitsdimensionen nicht immer nachvollziehbar. So wird Korruptionsbekämpfung als ökonomischer Aspekt betrachtet, wohingegen andere politische und regulatorische Aspekte als soziale Aspekte gesehen werden. Trotzdem zeigt der GRI-Standard eine hohe Bandbreite möglicher Ziele und stellt den am häufigsten verwendeten Standard für das Nachhaltigkeitsberichtswesen dar (Roca und Searcy 2012, S. 115; Alonso-Almeida et al. 2015, S. 144; Bonsón und Bednárová 2015, S. 183; Mäkelä 2017, S. 1335). 3.5.3 Erstellung eines beispielhaften Zielkategoriesystems Die aufgezeigten Zielsysteme, Ziele und Zielkategorien werden in diesem Kapitel zusammengeführt. Als Oberkategorien werden die drei Nachhaltigkeitsdimensionen Ökonomie, Ökologie und Soziales herangezogen. Ökonomische Ziele sollen dabei unterteilt werden in einerseits ökonomisch-strategische Ziele und zur Berücksichtigung der operativen Ziele der Logistik in andererseits ökonomisch-operative Ziele. In Anlehnung an Meffert et al. (2015, S. 150ff.) werden ökonomische-strategische Ziele untergliedert in unternehmensgerichtete und kundengerichtete Ziele.30 Unter die unternehmensgerichteten Ziele werden in Anlehnung an Moll et al. (2017, S. 219f.) und Eisenbeis (2007, S. 25) strategische Ziele sowie Rentabilitätsziele, finanzwirtschaftliche Ziele und Marktstellungsziele gefasst. Strategische Ziele umfassen übergeordnete, langfristige Unternehmensziele wie Sicherung des Unternehmensbestands, Unternehmenswachstum, Risikominderung und Flexibilität sowie die Erlangung von Erfahrungsvorsprung gegenüber dem Wettbewerb. Rentabilitätsziele können sich auf Gewinn, Deckungsbeitrag oder Rentabilität von Eigen- oder Fremdkapital beziehen, wohingegen finanzwirtschaftliche Ziele Kreditwürdigkeit, Liquidität, finanzielle Unabhängigkeit oder eine bestimmte Kapitalstruktur betreffen (Meffert et al. 2015, S. 151).

30

Die Kategorie „mitarbeitergerichtete Ziele“ nach Meffert et al. (2015, S. 151f.) wird den sozialen Zielen zugeordnet.

3.5 Ermittlung von Zielsystemen

85

Die Generierung von Umsatz, Marktanteilen, Macht und Einfluss auf dem Markt sowie von Wettbewerbsfähigkeit stellen Ziele dar, die die Marktposition bzw. Marktstellung betreffen und daher unter Marktstellungszielen zusammengefasst werden können (Ulrich und Fluri 1995, S. 97f.). Kundengerichtete Ziele können in Anlehnung an die Erfolgskette des Dienstleistungsmarketings gegliedert werden in psychologische Ziele (wahrgenommene Dienstleistungsqualität, Kundenzufriedenheit) und Verhaltensziele (Erstkauf, Wiederkauf) (Meffert et al. 2015, S. 47f.). Gemäß Gudehus (2012, S. 69f.) sind als ökonomisch-operative Ziele der Logistik leistungsgerichtete, qualitätsgerichtete und kostengerichtete Ziele zu unterscheiden. Bei leistungsgerichteten Zielen steht die Erfüllung der Leistung im Vordergrund (Ausführung der Aufträge, Erbringung des Leistungsdurchsatzes, Erfüllung zusätzlicher Serviceleistungen). Qualitätsgerichtete Ziele bestimmen die logistische Qualität bzw. den Servicelevel des LDL und können unterteilt werden in Leistungsbereitschaftsziele (Lieferfähigkeit bezüglich bestellter Ware), Lieferqualitätsziele (Einhaltung von Art, Menge und Zustand der Lieferung) sowie Terminziele (Lieferzeit als Zeit zwischen Bestelleingang und Eingang der Ware beim Kunden, Termintreue als Wahrscheinlichkeit, dass die vereinbarte Lieferzeit eingehalten wird) (Gudehus 2012, S. 72). Kostengerichtete Ziele lassen sich unterteilen in Kostenreduktionen in Bezug auf Unternehmensressourcen (Bestandskosten, Systemkosten) oder Unternehmensleistungen (Transport-, Umschlag-, Lagerkosten) (Koch 2012, S. 17f.). Die ökologischen Ziele lassen sich in ressourcengerichtete und umweltgerichtete Aspekte unterteilen. Auf der einen Seite verbrauchen Unternehmen natürliche Ressourcen zur Aufrechterhaltung ihrer Unternehmensaktivitäten, auf der anderen Seite resultieren aus diesen Aktivitäten verschiedenste Umwelteinflüsse, welche als „undesired output“ bezeichnet werden können (Dyllick und Hockerts 2002, S. 133). Ressourcengerichtete Ziele beinhalten Ziele zur Reduktion oder Substitution natürlicher und gegebenenfalls gefährlicher Ressourcen, wohingegen umweltgerichtete Ziele auf der einen Seite die Vermeidung von Emissionen, Abfällen oder Schadstoffeintrag in die Umwelt und die Einhaltung verschiedener Umweltstandards auf der anderen Seite zum Ziel haben. Bezüglich sozialer Ziele können als grundsätzliche Adressaten Menschen innerhalb des Unternehmens als Mitarbeiter und Menschen außerhalb des Unternehmens als Kunden (GRI 2018, S. 289ff.) sowie die Gesellschaft als Ganzes unterschieden werden (Dyllick und Hockerts 2002, S. 133f.). Mitarbeiter sollen dabei sowohl in Bezug auf Entlohnung und Gesundheitsschutz als auch in Bezug auf eine positive Arbeitsatmosphäre gute Beschäftigungsbedingungen vorfinden können. Darüber hinaus sind gute Entwicklungsmöglichkeiten unabhängig von Geschlecht, Rasse und Religion zu schaffen (GRI 2018, S. 345ff.). Leistungsverantwortungsziele sind als kundengerichtete Ziele zu nennen. Dabei muss die Kundengesundheit und -sicherheit im Zusammenhang mit der Leistungsinanspruchnahme sichergestellt sein, ebenso wie gesetzliche Kennzeichnungspflichten und Kundendatenschutz einzuhalten sind (GRI 2018, S. 477ff.). Die Einhaltung sämtlicher Menschenrechte und die Erreichung von Gemeinschafts- und Öffentlichkeitszielen (Image, politischer und gesellschaftlicher Einfluss, Sponsoring, nicht-kommerzielle Leistungen für externe Anspruchsgruppen, Beiträge zur volkswirtschaftlichen Infrastruktur) sind als gesellschaftsgerichtete Ziele zu nennen.

86

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

Oberkategorie

Unterkategorie 1

Unterkategorie 2

ökonomisch-strategische Ziele

unternehmensgerichtete Ziele

strategische Ziele Rentabilitätsziele finanzwirtschaftliche Ziele Marktstellungsziele

kundengerichtete Ziele

psychologische Ziele Verhaltensziele

ökonomisch-operative Ziele

leistungsgerichtete Ziele

Leistungserfüllungsziele

qualitätsgerichtete Ziele

Leistungsbereitschaftsziele Lieferqualitätsziele Terminziele

kostengerichtete Ziele

Ressourcenkostenziele Leistungskostenziele

ökologische Ziele

ressourcengerichtete Ziele

Reduktions- und Substitutionsziele

umweltgerichtete Ziele

Vermeidungsziele Umweltstandardziele

soziale Ziele

mitarbeitergerichtete Ziele

Beschäftigungsbedingungsziele Entwicklungsmöglichkeitsziele

kundengerichtete Ziele

Leistungsverantwortungsziele

gesellschaftsgerichtete Ziele

Menschenrechtsziele Gemeinschafts- und Öffentlichkeitsziele regulatorische Ziele

Tabelle 3-4:

Beispielhaftes Zielkategoriesystem für den Einsatz nachhaltiger Dienstleistungsinnovationen in der Logistik.

Das erarbeitete Zielkategoriesystem bietet einen Rahmen zur Systematisierung verschiedenster Unternehmensziele im Zusammenhang mit dem Einsatz nachhaltiger Dienstleistungsinnovationen in der Logistik. Gleichzeitig kann es aufgrund seines hohen Detaillierungsgrads auch als Impulsgeber bei der Zielsuche herangezogen werden. Es zeigt Entscheidern auf, welche möglichen Ziele bei einem Einsatz nachhaltiger Dienstleistungsinnovationen erreicht werden könnten und erweitert so den Betrachtungshorizont.

3.6 Bestimmung von Handlungsalternativen und Problemgrenzen

3.6

87

Bestimmung von Handlungsalternativen und Problemgrenzen

Um ein abgrenzungsdefiniertes Problem zu erhalten, sind neben Zielen und Zielstruktur, zusammengefasst im Zielsystem, Handlungsalternativen und Problemgrenzen zu bestimmen. Ein wesentlicher Bestandteil des Entscheidungsfelds von Entscheidungsmodellen sind Handlungsalternativen (vgl. Kapitel 3.3.3). Sie stellen Bündel von Maßnahmen dar, die vom Entscheider beeinflusst werden können und deren Ziel es ist, das Entscheidungsproblem zu lösen (Klein und Scholl 2012, S. 138). Damit sind sie ähnlich definiert wie Strategien, die als zielgerichtete kohärente Maßnahmenbündel zur Erreichung der Unternehmensziele und der Sicherung des Unternehmensbestands als übergeordnetes Ziel beschrieben werden können (Steinmann et al. 2005, S. 167f.; Bea und Haas 2013, S. 55). Handlungsalternativen und Strategien sind vor dem Hintergrund eines Entscheidungsproblems daher synonym zu verwenden. Die vom Entscheider beeinflussbaren Größen im Zusammenhang mit Maßnahmen werden als Entscheidungsvariablen bezeichnet. Dabei wird eine Handlungsalternative durch konkrete Ausprägungen der bestehenden Entscheidungsvariablen bestimmt, wobei sich einzelne Handlungsalternativen gegenseitig ausschließen (Klein und Scholl 2012, S. 139). Zur Ermittlung von Handlungsalternativen existieren verschiedene Ansätze, die von der Art des Entscheidungsproblems und dabei vor allem vom Grad der Unbekanntheit des Entscheidungsproblems abhängen (Eisenführ und Weber 2003, S. 74ff.). Je unbekannter das Entscheidungsproblem, desto höher ist der Grad der erforderlichen Kreativität, womit entsprechende Kreativitätstechniken (vgl. Kapitel 3.5) zum Einsatz kommen können. Im Rahmen der Problemstellung dieser Arbeit ist der Untersuchungsgegenstand, Nachtbelieferung mit E-Lkw, grundsätzlich bekannt und es wird davon ausgegangen, dass ebenso Klarheit darüber besteht, wie die nachhaltige Dienstleistungsinnovation grundsätzlich auszugestalten ist.31 Da im Fokus der Untersuchung Innovationen stehen, sollen die möglichen Handlungsalternativen in Anlehnung an Rogers (1983, S. 44) in Abhängigkeit von der Innovativität des Unternehmens bestimmt werden, womit sich die Handlungsalternativen in der Geschwindigkeit der Adoption unterscheiden. Die fünf Kategorien nach Rogers (1983, S. 44) sind „Innovators“, „Early Adopter“ (EA), „Early Majority“ (EM), „Late Majority“ (LM) und „Laggards“. Innovatoren gehören zu den ersten, die sich mit einer Innovation auseinandersetzen und diese implementieren. Auch Early Adopter zeichnen sich durch eine hohe Affinität gegenüber Innovationen aus und implementieren diese sehr schnell. Demgegenüber gehört die Early Majority nicht zu den ersten Gruppen, die eine Innovation implementieren, trotzdem ist die Early Majority aber einem Großteil der potenziellen Adoptoren voraus. Die Late Majority implementiert eine Innovation nach der Early Majority, womit die Mehrheit die Innovation bereits implementiert hat. Die Laggards sind Nachzügler, die eine Innovation erst dann implementieren, wenn es unausweichlich ist. Weiterhin ist eine angemessene Problemabgrenzung und -verknüpfung sicherzustellen. Wie in Kapitel 3.3.3 erläutert wurde, besteht ein Entscheidungsmodell aus Zielsystem und Entscheidungsfeld. Mit der Ermittlung von Zielsystemen befasst sich Kapitel 3.5, weshalb in diesem

31

Bezüglich einer umfassenden Beschreibung von Methoden zur Alternativenermittlung sei auf Eisenführ und Weber (2003, S. 72ff.) und Klein und Scholl (2012, S. 147f.) verwiesen.

88

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

Kapitel kurz die Abgrenzung des Entscheidungsfelds beleuchtet wird. Systeme die im Zeitverlauf bestehen unterliegen dynamischen Veränderungen (Bertalanffy 1968, S. 30ff.). Die zeitliche Dimension stellt deshalb eine große Herausforderung für die Problemabgrenzung dar, weil einzelne Entscheidungen oder Aktionen durch Wechselwirkungen über die Zeit an vorgelagerte oder nachgelagerte Entscheidungen oder Aktionen gekoppelt sind (Eisenführ und Weber 2003, S. 19). Demgegenüber ist Kern der sachlichen Dimension die Zerlegung (Dekomposition) eines komplexen Gesamtproblems in Teilprobleme, die Zuordnung (Delegation) der Teilprobleme zu Organisationseinheiten sowie die geeignete Kombination (Koordination) der Teillösungen zu einer Gesamtlösung (Klein und Scholl 2012, S. 226). Da nachhaltige Dienstleistungsinnovationen in dieser Hinsicht sowohl bezüglich der zeitlichen Dimension (strategisch wichtige, langfristig umzusetzende gegenüber kurzfristig umsetzbaren operativen nachhaltigen Dienstleistungsinnovationen) als auch der sachlichen Dimension (umfassende nachhaltige Dienstleistungsinnovation, die alle Unternehmensbereiche betrifft, gegenüber Innovationen in einzelnen Bereichen) sehr vielfältig sind, ebenso wie die verfügbaren Methoden, wird an dieser Stelle auf die entsprechende Literatur verwiesen (vgl. Klein und Scholl 2012, S. 197ff.) und die Problemabgrenzung nicht weiter ausgeführt. 3.7

Ermittlung von Umweltzuständen

Umweltzustände, welche im weiteren Verlauf dieser Arbeit als Umweltszenarien bezeichnet werden, sind künftig mögliche Ausprägungen entscheidungsrelevanter Aspekte der Unternehmensumwelt, auf die der Entscheider keinen Einfluss hat (Klein und Scholl 2012, S. 10). Sie werden durch konkrete Konstellationen entscheidungsrelevanter Daten, im Folgenden als Parameter bezeichnet, beschrieben (Eisenführ und Weber 2003, S. 21f.). Dabei werden künftig mögliche Ausprägungen der verschiedenen entscheidungsrelevanten Umweltparameter so miteinander kombiniert, dass konsistente Umweltszenarien entstehen. Gelegentlich werden die Umweltszenarien dabei auch durch qualitative Beschreibungen („Storylines“, „Narrationen“) flankiert (Dieckhoff et al. 2014, S. 9). In einem spezifischen Umweltszenario nimmt jeder entscheidungsrelevante Parameter genau eine mögliche Ausprägung an, sodass sich die Umweltszenarien gegenseitig ausschließen (Grünig und Kühn 2017, S. 88). In aller Regel sind die künftigen Ausprägungen einzelner Parameter unbekannt, sodass diese als Zufallsvariablen in das Entscheidungsproblem eingehen und im Rahmen der Prognose erwartete Ausprägungen bzw. erwartete Verteilungen der Ausprägungen (Verteilungsfunktionen) gesucht werden (Klein und Scholl 2012, S. 289). Es kann von Entscheidungen unter Unsicherheit gesprochen werden. So stellen auch Dieckhoff et al. (2014, S. 9) heraus, dass sich Umweltszenarien dadurch auszeichnen, „dass mit ihnen die Zukunft gleichzeitig als analysierbar, unsicher und zumindest in Teilen gestaltbar begriffen wird“. Umweltprognosen geben dabei Prognosen über die zu erwartende zukünftige Entwicklung der problemrelevanten Parameter ab, wobei sowohl Ausprägungen einzelner Parameter als auch Umweltszenarien (Kombinationen von Parameterausprägungen) Gegenstand der Prognose sein können (Eisenführ und Weber 2003, S. 19ff.). Sind Prognosen einzelner Parameter zu erstellen können bezüglich der Unsicherheit gemäß Klein und Scholl (2012, S. 290f.) drei Varianten unterschieden werden. Erstens kann mittels

3.7 Ermittlung von Umweltzuständen

89

empirischer Untersuchung oder theoretischer Approximation eine Verteilungsfunktion bestimmt werden (Verteilungsprognose). Zweitens können jeweils Wahrscheinlichkeiten für einzelne Intervalle von Ausprägungen ermittelt werden (mehrwertige Prognose) und drittens ist die Bestimmung einer konkreten Ausprägung eines Parameters, die als besonders wahrscheinlich oder charakteristisch gesehen wird (einwertige Prognose), denkbar. Der Wert der einwertigen Prognose kann beispielsweise den Erwartungswert der Verteilungsfunktion oder den Mittelwert von Beobachtungen darstellen (Klein und Scholl 2012, S. 290). Die Datengrundlage zur Ermittlung von Prognosen kann nach Klein und Scholl (2012, S. 290f.) ebenso unterschiedlich ausgestaltet sein. Wenn für mögliche Ausprägungen eines Parameters mehrere Beobachtungen zu unterschiedlichen Zeitpunkten vorliegen und der Beobachtungszeitpunkt das Ergebnis nicht beeinflusst, kann dies als Stichprobe einer Grundgesamtheit betrachtet werden. Mittels statistischer Methoden kann dann eine theoretische Verteilung näherungsweise bestimmt werden. Liegen für Ausprägungen eines Parameters mehrere Beobachtungen vor, die jedoch vom Beobachtungszeitpunkt abhängen, so liegt eine Zeitreihe vor und es können mittels Methoden der zeitreihenbasierten Prognose oder mit ökonometrischen Methoden einwertige Prognosen erstellt werden. Können keine Beobachtungen hinsichtlich der Parameterausprägungen angestellt werden, so können Verteilungsfunktionen (wobei dies mit sehr hohen Herausforderungen verbunden ist) oder einzelne Parameterausprägungen mithilfe von Experten geschätzt werden. Methoden zur Erstellung von Prognosen werden im folgenden Kapitel vorgestellt. In Abhängigkeit von der Prognoseart einzelner Parameter können Umweltszenarien gebildet werden. Dabei lassen sich gemäß Klein und Scholl (2012, S. 292ff.) vier Varianten unterscheiden. Für den Fall, dass lediglich einwertige Prognosen vorliegen, wird lediglich ein Umweltszenario betrachtet, sodass ein deterministisches Entscheidungsproblem vorliegt. Sind für alle Parameter endlich viele Ausprägungen mit entsprechenden Wahrscheinlichkeiten vorhanden, so können daraus die Eintrittswahrscheinlichkeiten der Umweltszenarien berechnet werden. Bei einer unendlichen Anzahl an möglichen Ausprägungen eines Parameters kann lediglich eine Stichprobe möglicher Szenarien ermittelt werden, indem für jeden Parameter gemäß seiner Verteilungsfunktion eine Ausprägung zufällig bestimmt wird und die ermittelten Ausprägungen zu einem Umweltszenario aggregiert werden. Sollten Abhängigkeiten zwischen den Parametern existieren, die in der Prognose nicht berücksichtigt wurden, können diese beispielsweise im Rahmen der Szenariotechnik mithilfe der Berechnung bedingter Wahrscheinlichkeiten berücksichtigt werden. Eine Risikoanalyse kann anschließend herangezogen werden, um Korrelationen zwischen Parameterausprägungen zu ermitteln, die dann für die Generierung von Szenarien genutzt wird. Unabhängig von der verfügbaren Datengrundlage und den gewählten Prognosemethoden und -varianten kann ein einheitliches Vorgehen für die Prognose von Umweltszenarien festgehalten werden (Bamberg et al. 2012, S. 18ff.; Klein und Scholl 2012, S. 289; Grünig und Kühn 2017, S. 87f.). Es sind zunächst alle für das Entscheidungsproblem relevanten Umweltparameter zu identifizieren und deren mögliche künftige Ausprägungen sowie gegebenenfalls Verteilungsfunktionen zu bestimmen. Dann sind die möglichen Ausprägungen der Umweltparameter systematisch zu Umweltszenarien zu aggregieren und gegebenenfalls die Eintrittswahrscheinlichkeiten der Umweltszenarien mittels der Verteilungsfunktionen der einzelnen Parameter zu bestimmen.

90

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

Bei Entscheidungsproblemen in der Praxis existiert in der Regel eine limitierte Anzahl an Umweltparametern, die nennenswerten Einfluss auf das Ergebnis besitzt. Für diese sind nach Grünig und Kühn (2017, S. 88) wenige (zwei bis drei) mögliche künftige Ausprägungen zu prognostizieren und entsprechende konsistente Umweltszenarien zu entwickeln. Grundsätzlich ist es aber sinnvoll, mehr als ein Umweltszenario zu betrachten, da vollständige Sicherheit über die künftige Entwicklung der Umwelt in der Praxis nur selten gegeben ist (Bamberg et al. 2012, S. 19). Da die Bestimmung von Eintrittswahrscheinlichkeiten in der Praxis ohnehin häufig subjektiver Natur ist (Klein und Scholl 2012, S. 12), wird im Rahmen dieser Arbeit darauf verzichtet, auch vor dem Hintergrund der geforderten Wirtschaftlichkeit. Daher werden im Rahmen dieser Arbeit, unter Vernachlässigung von Eintrittswahrscheinlichkeiten, zwei Umweltszenarien entwickelt, die auf qualitativer Basis miteinander verglichen werden. Dies entspricht damit der Entwicklung von mehreren für sich betrachtet, deterministischen Entscheidungsproblemen. 3.8

Erstellung von Prognosen

3.8.1 Vorgehensweise Wie im vorigen Kapitel dargestellt wurde, erfordert sowohl die Prognose einzelner Parameter als auch von Umweltszenarien geeignete Prognosemethoden. Hierbei können in Abhängigkeit von der Bedeutung der Prognose für das Gesamtergebnis unterschiedlich komplexe und aufwendige Methoden zum Einsatz kommen. Weiterhin sind die Wirkungen der einzelnen Handlungsalternativen auf das Ergebnis unter den verschiedenen Umweltszenarien nicht immer offensichtlich, sondern bedürfen unter Umständen umfassender Wirkungsmodelle, die die Auswirkungen der getroffenen Entscheidung eindeutig bestimmen (Eisenführ und Weber 2003, S. 30). Wirkungsmodelle können dabei aus einfachen Gleichungen, aber auch aus komplexen Gleichungssystemen bestehen und oft sind die Wirkungen selbst vergleichsweise unsicher, weswegen Wirkungsprognosen zu erstellen sind (Klein und Scholl 2012, S. 12). Die ermittelten Wirkungsprognosen ermöglichen es, den Handlungsalternativen unter Berücksichtigung der prognostizierten Umweltszenarien eindeutige Konsequenzen auf das Ergebnis zuzuordnen und eine Ergebnismatrix (vgl. Kapitel 3.3.3) zu erstellen (Eisenführ und Weber 2003, S. 30). Um eine geeignete Methode zur Erstellung von Wirkungsprognosen zu identifizieren wird folgendes Vorgehen herangezogen: (1)

Zu Anfang werden die verschiedenen Prognosemethoden eingeordnet (Kapitel 3.8.2).

(2)

Dann wird die Eignung qualitativer Methoden (Kapitel 3.8.3), univariater Methoden (Kapitel 3.8.4) und multivariater Methoden zur kausalen Systemstrukturbeschreibung (Kapitel 3.8.5) im Rahmen der Problemstellung dieser Arbeit diskutiert. Die Methoden werden jeweils vor dem Hintergrund der Umwelt- bzw. Datenprognose und der Wirkungsprognose diskutiert (vgl. Abbildung 3-2 und Abbildung 3-3). Dazu werden die Anforderungen aus Kapitel 3.2 herangezogen.

3.8 Erstellung von Prognosen

91

3.8.2 Einordnung von Prognosemethoden Prognosemethoden können zunächst nach ihrem Einsatzweck in Methoden für Umwelt-, Wirkungs- und Ergebnisprognosen unterteilt werden, 32 jedoch ist anzumerken, dass diese Differenzierung nicht sehr trennscharf ist und viele Prognosemethoden für unterschiedliche Zwecke eingesetzt werden können (Klein und Scholl 2012, S. 283). Daher sollen Prognosemethoden im Folgenden nach Art der Datengewinnung und Datenverarbeitung differenziert werden in quantitative und qualitative Methoden (Hüttner 1986, S. 4f.; Kepper 1996, S. 145; Bruhn 2016a, S. 118) (vgl. Abbildung 3-4).33 Quantitative Methoden ziehen quantitative Einflussgrößen und mathematische Ansätze zur Ergebnisbestimmung heran und basieren auf formalen Modellen, deren Daten, Annahmen und Struktur intersubjektiv nachvollziehbar sind (Kepper 1996, S. 145). Demgegenüber beruhen qualitative Methoden nicht auf mathematischen (Berechnungs-)Ansätzen, sondern auf subjektiven Einschätzungen und dabei meist auf Wissen und Erfahrung von Experten, Entscheidern und Prognoseerstellern (Backhaus et al. 2016, S. 138). Oft weisen qualitative Methoden eine geringere Strukturierung und Standardisierung auf (Magerhans 2016, S. 70) und werden weiterhin auch als subjektive oder intuitive Methoden bezeichnet (Kepper 1996, S. 145). Der Begriff „qualitativ“ bedeutet nicht, dass Ergebnisse bei der Anwendung qualitativer Verfahren nicht quantitativer Natur sein dürfen, sondern lediglich, dass deren Zustandekommen nicht auf der eigenen „zahlenmäßigen Vergangenheit“ oder auf anderen Zeitreihen basiert, sondern auf qualitativen (subjektiven) Überlegungen beruht (Hüttner 1986, S. 217). Mitunter werden einige qualitative Methoden um quantitative Elemente ergänzt und dadurch quantifiziert (Meyer 2009, S. 112). Befragungen, Indikatormethoden und verschiedene Methoden der Zukunftsforschung sind als verbreitete qualitative Methoden zu nennen. Eine Untergliederung von quantitativen Methoden kann in univariate und multivariate Methoden durchgeführt werden (Hüttner 1986, S. 1ff.; Meyer 2009, S. 113; Magerhans 2016, S. 225). Univariate bzw. deskriptive Methoden zeichnen sich dadurch aus, dass nur eine Zeitreihe analysiert wird und dass die Prognose anhand einer Zeitreihe von Vergangenheitswerten der entsprechenden Variable ermittelt wird (Hüttner 1986, S. 5; Magerhans 2016, S. 225). Hier sind Zeitreihenprojektionen als Methoden zu benennen. Bei multivariaten Methoden werden mehrere Zeitreihen von Variablen analysiert (Hüttner 1986, S. 5; Magerhans 2016, S. 229). Dabei können einerseits multivariate Zeitreihenprojektionen unterschieden werden, andererseits sind kausale Methoden zu differenzieren (Hüttner 1986, S. 77; Backhaus et al. 2016, S. 14), die entweder zur Verhaltensbeschreibung oder aber zur Systemerklärung eingesetzt werden können (Meyer 2009, S. 114).

32 33

Weiterführende Informationen zu den verschiedenen Arten von Prognosemethoden finden sich bei Klein und Scholl (2012, S. 281ff.). Es ist anzumerken, dass beispielsweise Klein und Scholl (2012, S. 283) diese Unterteilung kritisieren, da auch qualitative Methoden häufig quantitative Komponenten enthalten.

92

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

Befragungen

Qualitative Methoden

Indikatormethode

Zukunftsforschung

• • • •

Analogieschluss Szenariotechnik Cross-Impact-Analyse System Dynamics

•

Klassische Zeitreihenzerlegung Exponentielle Glättung

Methoden zur Erstellung von Prognosen Univariate Methoden

Zeitreihenprojektionen • •

Multivariate Methoden

Abbildung 3-4:

• •

Moderne Zeitreihenanalyse Box-Jenkins-Verfahren Adaptive Verfahren

Kausale Verhaltensbeschreibung

• • • •

Regressionsanalyse Ökonometrische Modelle Marketing Modelle neuronale Netze

Kausale Systemstrukturbeschreibung

•

System Dynamics

Zeitreihenprojektionen

Quantitative Methoden

Einordnung von Prognosemethoden (Quelle: in Anlehnung an Hüttner (1986), Makridakis et al. (1978), Meyer (2009))

Die univariaten Zeitreihenprojektionen weisen gemäß Backhaus et al. (2016, S. 138) gegenüber multivarianten Zeitreihenprojektionen34 zahlreiche Vorteile wie bessere Wirtschaftlichkeit, höhere Transparenz und geringe Anforderungen an die erforderlichen Daten (Informationsverarbeitung) auf. Zwar stehen diesen Vorteilen teilweise Nachteile bei der Genauigkeit der Prognose gegenüber (Hüttner 1986, S. 281ff.), vor dem Hintergrund, dass der Fokus gemäß der Problemstellung dieser Arbeit auf der Erstellung von Wirkungsprognosen und nicht von Umweltprognosen liegt, werden univariate Zeitreihenprojektionen für angemessen gehalten und multivariate Zeitreihenprojektionen hier nicht weiter betrachtet. Methoden zur kausalen Verhaltensbeschreibung besitzen sehr hohe Anforderungen an Umfang und Qualität der Daten (Klein und Scholl 2012, S. 317ff.), was jedoch bei nachhaltigen Dienstleistungsinnovationen in der Logistik, als bisher kaum erforschtem Untersuchungsgegenstand, nicht gegeben ist bzw. mit hohem wirtschaftlichem Aufwand verbunden wäre. Hinzu kommen geringe Transparenz, die Abdeckung tendenziell kurz- bis mittelfristiger Prognosezeiträume sowie eine mangelnde Abbildbarkeit komplexer realer Systeme (Meyer 2009, S. 118f.; Hettesheimer 2017, S. 112). Aus diesem Grund werden diese Methoden nicht in Betracht gezogen. Eine Ausnahme bilden lediglich Discrete Choice Models (DCM) als ökonometrische Methoden, welche sich sehr gut eignen, um Verhalten bzw. Entscheidungen von Individuen oder Unternehmen in Abhängigkeit von anderen Größen abzubilden und bezüglich ihrer Wirtschaftlichkeit positiv zu bewerten sind (Ronning 1990, S. 56f.).

34

Diese umfassen Methoden zur modernen Zeitreihenanalyse (Autokorrelations- und Spektralanalyse), das Box-Jenkins-Verfahren sowie adaptive Verfahren (Hüttner 1986, S. 5f.).

3.8 Erstellung von Prognosen

93

3.8.3 Diskussion qualitativer Methoden 3.8.3.1 Diskussion von Befragungen Befragungen dienen dazu, subjektive Einschätzungen, Erfahrungen oder Einsichten von Individuen zu erfassen (Kromrey 2006, S. 325ff.; Magerhans 2016, S. 217). Sie eignen sich vor allem für Prognosen im Zusammenhang mit neuartigen und unstrukturierten Entscheidungssituationen, die menschliches Verhalten, technologische Entwicklungen und langfristige Prognosehorizonte betreffen (Klein und Scholl 2012, S. 284). Befragungen stellen eine Methode zur Erhebung von Daten, weniger zur Auswertung von Daten, dar, wenngleich mittels Befragungen auch konkrete Prognosen ermittelt werden können.35 Weiterhin stellen Befragungen häufig die Grundlage für die in den folgenden Kapiteln diskutierten Methoden dar. Als wichtigste qualitative Befragungstechnik sind Interviews zu nennen (Bortz und Döring 2006, S. 308). Diese können anhand ihres Strukturierungsgrads unterschieden werden in offene, teilstandardisierte und standardisierte Interviews oder anhand der Anzahl der Befragungsteilnehmer in Einzelinterviews und Fokusgruppeninterviews (Bortz und Döring 2006, S. 308; Kuß et al. 2014, S. 51ff.). Hüttner (1986, S. 217) differenziert Befragungen hingegen anhand des befragten Personenkreises in Vertreterbefragungen, Expertenbefragungen und Verbraucherbefragungen. Auch darüber hinaus gibt es noch zahlreiche weitere Möglichkeiten zur Kategorisierung von Interviews (Kepper 1996, S. 34ff.). Da die grundsätzlichen Charakteristika von qualitativen Befragungen mittels Interviews weitgehend unabhängig von deren konkreter Ausgestaltung sind, werden diese im Folgenden allgemein diskutiert. Hinsichtlich der Zielorientierung sind Befragungen positiv zu bewerten. Trotz ihrer grundsätzlich qualitativen Natur können sowohl Aussagen zu finanziellen als auch zu nicht-finanziellen Zielgrößen erlangt werden, ebenso wie komplette Zielsysteme. In diesem Zusammenhang ist auch die Operationalisierbarkeit positiv zu bewerten, da neben qualitativen Zielgrößen auch quantitative Zielgrößen erfragt werden können. Die Entscheidungsorientierung ist mittelmäßig ausgeprägt. Zwar können in Befragungen grundsätzlich verschiedene Maßnahmen und Strategien sowie deren potenzielle Auswirkungen diskutiert werden, jedoch erfordert dies ein sehr hohes Maß an Vorstellungskraft und die kognitive Fähigkeit verschiedenste Wirkungszusammenhänge abschätzen zu können. Aufgrund der hohen Dynamik und Komplexität der Systeme ist davon auszugehen, dass Entscheider nicht in der Lage sind, diese Zusammenhänge vollumfänglich zu erfassen (Hettesheimer 2017, S. 88). Die Vollständigkeit ist ebenfalls mittelmäßig ausgeprägt. In Befragungen können zwar sowohl das operative Dienstleistungssystem als auch das Zielsystem sowie unterschiedliche Akteure und Ressourcen diskutiert werden. Jedoch ist in der Regel eine einzelne Person nicht in der Lage, Auskunft zu allen Themen zu geben und das Dienstleistungssystem als Ganzes zu betrachten. Eine Simulation ist im Rahmen der Befragung nicht möglich, wohingegen die Prognosemöglichkeit mittelmäßig ausgeprägt ist. Häufig ist die Güte von Prognosen, die aus Befragungen resultieren, nicht schlechter als die Güte der aus quantitativen Methoden resultierenden Prognosen. Trotzdem können die komplexen Wechselwirkungen in der Regel nicht vollständig von den Befragten erfasst werden. Dabei ist die 35

Beispielsweise kann in Befragungen danach gefragt werden, ob sich eine Technologie durchsetzt oder nicht, ob die Entwicklung der Umweltbedingungen für das Unternehmen gut, mittelmäßig oder schlecht sein wird oder welche konkreten Umsatzzahlen in Zukunft erwartet werden. Der Übergang zwischen Erhebung von Daten und Erstellung von Prognosen ist folglich fließend.

94

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

Zeitperspektive als gut zu bewerten. So können in Befragungen neue Entwicklungen bzw. Systemveränderungen besser erfasst werden und daher auch langfristige Entwicklungen, zumindest grob, abgeschätzt werden. Die Wirtschaftlichkeit ist als gut zu bewerten. Zwar sind qualitative Befragungen mit einem nicht unerheblichen Durchführungsaufwand verbunden, setzt man diesen allerdings in Relation zur Menge an erlangten Informationen und Daten oder vergleicht man den Aufwand mit anderen Methoden, schneidet die Befragung gut ab. Zudem ist der meiste Aufwand mit der Datenauswertung verbunden,36 bei der Erstellung konkreter (einfacher) Prognosen mittels Befragung ist der Aufwand gering. Es können sowohl qualitative als auch quantitative Informationen in der Befragung erlangt werden. Der Fokus liegt jedoch auf qualitativen Informationen und quantitative Informationen können nicht ausreichend systematisch mittels qualitativer Befragung erhoben werden, weshalb die Informationsverarbeitung insgesamt mittelmäßig bewertet wird. Auch die Transparenz ist mittelmäßig zu bewerten. Zwar können beispielsweise standardisierte Fragenbögen für qualitative Befragungen verwendet werden und die Befragungen protokolliert werden, trotzdem unterliegt die Befragungsdurchführung immer einer Variabilität, ebenso wie insbesondere die Auswertung nicht gänzlich objektiv erfolgen kann. Mittelmäßig ist zudem die Validität von Befragungen zu bewerten. So sind die Ergebnisse von Befragungen einerseits subjektiv, da sie die Ansichten und Aussagen von Individuen darstellen, andererseits beruhen diese auf tatsächlichen Erfahrungen, erlebten Situationen und gegebenenfalls realen Unternehmenskennzahlen. Die Reliabilität stellt eine große Schwäche von Befragungen dar. Anforderungen

Befragungen

Zielorientierung Operationalisierbarkeit Entscheidungsorientierung Vollständigkeit Simulation Prognosemöglichkeit Zeitperspektive Wirtschaftlichkeit Informationsverarbeitung Transparenz Validität Reliabilität Tabelle 3-5:

36

Bewertung von Befragungen als qualitative Methode

Beispielsweise ist die qualitative Inhaltsanalyse nach Mayring (2015) ein sehr aufwendiges Verfahren zur Auswertung qualitativer Daten.

3.8 Erstellung von Prognosen

95

Befragungen weisen zahlreiche Vorteile auf, vor allem hinsichtlich der Zielorientierung, Operationalisierbarkeit, Zeitperspektive und Wirtschaftlichkeit. Diesen Vorteilen stehen Nachteile im Bereich der Simulation und der Reliabilität entgegen. Befragungen können damit nicht als Kernmethode zur Erstellung von Prognosen oder Entscheidungsmodellen eingesetzt werden, wohl aber als unterstützende Methoden sowohl zur Ermittlung grober, langfristiger Prognosen als auch zur Erhebung qualitativer und quantitativer Daten. 3.8.3.2 Diskussion der Indikatormethode Bei der Indikatormethode werden Prognosen für relevante Variablen auf Basis der zeitlichen Entwicklung von ein oder mehreren Indikatoren erstellt (Baier 2008, S. 213f.). Dabei können unterschiedliche Beziehungen zwischen dem Indikator und der analysierten Variable bestehen. Die zeitliche Entwicklung des Indikators kann im Gleichlauf, Vorlauf oder Nachlauf zur Variable erfolgen (Hüttner 1986, S. 236). Die Indikatormethode kann grundsätzlich für finanzielle und nicht-finanzielle Zielgrößen herangezogen werden, jedoch nur für einzelne Zielgrößen und nicht für komplette Zielsysteme, weshalb die Zielorientierung mittelmäßig bewertet wird. Die Operationalisierbarkeit ist als gut zu bewerten. Indikatoren können sowohl auf quantitative als auch qualitative Variablen angewendet werden, ebenso wie die Indikatoren selbst quantitativer und qualitativer Natur sein können. Entscheidungsorientierung ist nur in mittlerem Umfang gegeben. So können Indikatoren grundsätzlich Ansatzpunkte für verschiedene Maßnahmen und Strategien geben, jedoch können die Wirkungen verschiedener Strategien auf die Zielgrößen nicht analysiert werden. Mittels Indikatoren können verschiedene Aspekte des operativen Dienstleistungssystems betrachtet werden, jedoch bezieht sich dies jeweils nur auf Einzelaspekte und nicht auf das gesamte System inklusive inhärenter Wirkungszusammenhänge, weshalb die Vollständigkeit mittelmäßig ausgeprägt ist. Eine Simulation ist bei der Indikatormethode nicht vorgesehen. Weiter ist die Prognosemöglichkeit als mittelmäßig zu bewerten. Zwar können mit der Indikatormethode in aller Regel gute Prognosen abgeleitet werden und Systemveränderungen werden möglicherweise durch verschiedene Indikatoren angekündigt, jedoch ist die konkrete Beziehung zwischen Indikator und Variable meist Schwankungen unterworfen (Hüttner 1986, S. 236). Die Zeitperspektive hingegen wird als gut bewertet, da Systemveränderungen durch Indikatoren berücksichtigt werden können und damit zumindest grobe langfristige Prognosen möglich sind. Wenn geeignete Indikatoren existieren ist die Methode mit geringem wirtschaftlichem Aufwand umsetzbar. Da unterschiedliche Arten von Indikatoren (quantitativ, qualitativ) herangezogen werden können und die Anforderungen an deren Qualität angemessen sind, ist die Informationsverarbeitung als gut zu bewerten. Demgegenüber ist die Transparenz der Methode als mittelmäßig einzustufen. Zwar ist im Normalfall ersichtlich, wie entsprechende Indikatoren zusammengesetzt sind und erstellt werden und Indikatoren sowie daraus abgeleitete Prognosen lassen sich grafisch darstellen, jedoch besteht kein einheitliches Vorgehen, um die Beziehung zwischen Indikator und Variable festzustellen. Ebenso ist die Validität der Methode mittelmäßig. Zunächst bilden Indikatoren in der Regel die Realität und potenzielle Systemveränderungen gut ab, jedoch beruht die Bestimmung der Beziehung meist auf Annahmen. Aufgrund fehlender Vorgaben zur Anwendung der Indikatormethode ist die Reliabilität als mittelmäßig zu bewerten.

96

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

Die Stärken der Indikatormethode liegen in ihrer Vielseitigkeit (Operationalisierbarkeit, Informationsverarbeitung) sowie in ihrer Wirtschaftlichkeit und langen Zeitperspektive. Zwar ist auch sie nicht als Kernmethode des Entscheidungsmodells heranziehbar, da es Einschränkungen bei Simulation und Vollständigkeit gibt. Wenn geeignete Indikatoren vorliegen, stellt sie jedoch eine wirtschaftliche Methode zur Erstellung langfristiger Prognosen einzelner Variablen dar. Anforderungen

Indikatormethode

Zielorientierung Operationalisierbarkeit Entscheidungsorientierung Vollständigkeit Simulation Prognosemöglichkeit Zeitperspektive Wirtschaftlichkeit Informationsverarbeitung Transparenz Validität Reliabilität Tabelle 3-6:

Bewertung der Indikatormethode als qualitative Methode

3.8.3.3 Diskussion von Methoden zur Zukunftsforschung Die Methoden der Zukunftsforschung sind sehr vielfältig und eignen sich vor allem für langfristige Prognosen, die sich auf wirtschaftliche, technologische und soziale Aspekte beziehen (Makridakis et al. 1978, S. 492ff.). Bekannte Vertreter sind der Analogieschluss, die Szenariotechnik, die Cross-Impact-Analyse (CIA) sowie qualitatives System Dynamics (Hüttner 1986, S. 251ff.; Meyer 2009, S. 112). Der Analogieschluss basiert darauf, dass in der Entwicklung bereits weiter fortgeschrittene Systeme, die Ähnlichkeiten zum untersuchten System aufweisen, für die Prognose herangezogen werden (Hüttner 1986, S. 251f.; Liehr 2002, S. 100ff.). Dafür sind zunächst geeignete Systeme sowie Ähnlichkeiten zu identifizieren, bevor Erkenntnisse und Entwicklungen des bestehenden Systems auf das zu analysierende System übertragen werden können (Kalogerakis et al. 2014, S. 8f.). Im Rahmen der Szenariotechnik sind für Entscheidungssituationen, die mit hohen Unsicherheiten verbunden sind, systematisch mehrere potenzielle Zukunftsbilder zu entwickeln und zu durchdenken sowie mögliche Wege aufzuzeigen, wie die potenziellen Zukünfte erfolgreich adressiert werden könnten (Müller-Stewens und Lechner 2016, S. 192). Die CIA bildet Wechselwirkungen zwischen möglichen Ereignissen ab (Meyer 2009, S. 112).

3.8 Erstellung von Prognosen

97

Dazu werden aufbauend auf einer Menge an Ereignissen Szenarien entwickelt, die alle möglichen Kombinationen vom Eintreten und nicht Eintreten der Ereignisse sowie dazugehörige Wahrscheinlichkeiten umfassen. Daraus können bedingte Wahrscheinlichkeiten des Eintritts eines Ereignisses in Abhängigkeit vom Eintreten eines anderen Ereignisses ermittelt werden (Klein und Scholl 2012, S. 329f.). Da dies in der Umsetzung sehr aufwendig ist, werden in der Literatur zahlreiche stark vereinfachte Varianten der CIA angewendet (vgl. Duin 2007; Walters und Javernick-Will 2015; Osorio et al. 2017). Daher wird auch im Folgenden eine vereinfachte Variante diskutiert, bei der die Stärke der Wechselwirkungen bzw. Beeinflussungen zwischen den einzelnen Ereignissen qualitativ ermittelt werden. Wie bereits erläutert kann auch System Dynamics zu den qualitativen Methoden der Zukunftsforschung gezählt werden, da die Systemstruktur meist mithilfe qualitativer Befragungstechniken erstellt wird. System Dynamics soll jedoch im Zusammenhang mit Methoden zur kausalen Systemstrukturbeschreibung in Kapitel 3.8.5 diskutiert werden. Anforderungen

Analogieschluss

Szenariotechnik

Cross-Impact-Analyse

Zielorientierung Operationalisierbarkeit Entscheidungsorientierung Vollständigkeit Simulation Prognosemöglichkeit Zeitperspektive Wirtschaftlichkeit Informationsverarbeitung Transparenz Validität Reliabilität Tabelle 3-7:

Bewertung von qualitativen Methoden der Zukunftsforschung

Alle Methoden der Zukunftsforschung sind bezüglich der Zielorientierung als gut zu bewerten. Sie sind allesamt in der Lage, sowohl finanzielle als auch nicht-finanzielle Aspekte sowie Zielsysteme abzubilden bzw. zu berücksichtigen. Beispielsweise können die verschiedenen finanziellen und nicht-finanziellen Aspekte eines bekannten Systems untersucht und auf das zu prognostizierende System übertragen werden (z. B. Technologiekurvenkonzept, Skalen- und Lerneffekte). Ebenso kann die Szenariotechnik auf alle Arten von Zielgrößen angewendet werden und auch bei der CIA können Wirkungszusammenhänge zwischen finanziellen und nichtfinanziellen Größen analysiert werden. Mit der Möglichkeit zur Integration von quantitativen und qualitativen Größen ist die Operationalisierbarkeit ebenfalls bei allen Methoden gut zu bewerten. Die Entscheidungsorientierung ist bei allen Methoden mittelmäßig zu bewerten. Zwar können bei Analogieschluss und Szenariotechnik erfolgsversprechende Strategien aus bestehenden Systemen abgeleitet bzw. konkrete „Erfolgs“-Pfade ausgearbeitet werden und die

98

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

CIA ermöglicht „wenn-dann“-Analysen im Rahmen der betrachteten Größen. Trotzdem ist es nicht möglich verschiedenste Strategien und Szenarien sowie deren Auswirkungen zu untersuchen. Die Vollständigkeit ist ebenfalls mittelmäßig stark ausgeprägt. Es können zwar zahlreiche Aspekte des Dienstleistungssystems wie auch des Zielsystems integriert werden, jedoch sind Prozesse und Akteure nur sehr schwer abzubilden. Simulation ist bei den Methoden nicht vorgesehen. Weiterhin wird die Prognosemöglichkeit bei Analogieschluss und Szenariotechnik als stark, bei CIA mittelmäßig bewertet. Die ersten beiden Methoden ermöglichen es, Nichtlinearitäten und Systemveränderungen zu berücksichtigen, wohingegen die CIA hierbei lediglich Prognosen auf Basis der momentanen Wirkungszusammenhänge ermöglicht. Es können sowohl qualitative Daten und Experteneinschätzungen als auch quantitative Daten in allen Methoden integriert werden, weswegen eine langfristige Zeitperspektive gut abgebildet werden kann. Analogieschluss sowie Szenariotechnik sind mit mittlerem Aufwand verbunden, wohingegen die CIA mit relativ geringem Aufwand durchgeführt werden kann, weshalb die Wirtschaftlichkeit entsprechend gut bewertet wird. Die starke Informationsverarbeitung der Methoden ist auf die Möglichkeit der Verwendung verschiedenster quantitativer und qualitativer Daten zurückzuführen. Es werden auch keine besonderen Anforderungen an die Daten gestellt. Die Transparenz von Analogieschluss und Szenariotechnik ist mittelmäßig zu bewerten. Zwar existieren feste Vorgehensschritte, diese stellen aber eher grobe Hinweise dar. Zudem sind grafische Darstellungsmöglichkeiten begrenzt, was bei der CIA gut ausgeprägt ist. Die vereinfachte CIA ist zudem relativ aufwandsarm durchzuführen, weswegen sie stark beurteilt wird. Hinsichtlich der Validität werden die Methoden stark bewertet, da sie auf quantitativen und qualitativen Daten aufbauen und ein gutes Abbild der Wirklichkeit darstellen können. Die Reliabilität hingegen ist aufgrund der nicht im Detail festgelegten Vorgehensschritte und Berücksichtigung zahlreicher subjektiver Einschätzungen mittelmäßig ausgeprägt. Analogieschluss und Szenariotechnik stellen vielseitige Methoden zur langfristigen und umfassenden Umweltprognose dar, die eine gute Informationsverarbeitung ermöglichen, jedoch hohen Aufwand erfordern und nur eine mittelmäßige Transparenz und Reliabilität aufweisen. Die vereinfachte CIA eignet sich vor allem zur Ermittlung von Wirkungsprognosen, da die Wirkungszusammenhänge systematisch, mit geringem wirtschaftlichen Aufwand transparent ermittelt werden können. Leichte Einschränkungen sind lediglich hinsichtlich der Reliabilität, Prognosemöglichkeit, Simulation und Entscheidungsorientierung vorhanden. 3.8.4 Diskussion univariater Methoden Univariate Methoden zeichnen sich, wie bereits erläutert, dadurch aus, dass die Zeitreihe einer Variable zu deren Prognose herangezogen wird, weswegen von Zeitreihenprojektionen gesprochen wird. Bekannte Vertreter dieser Methodenkategorie sind einerseits die klassische Zeitreihenzerlegung sowie andererseits die exponentielle Glättung (Hüttner 1986, S. 5; Magerhans 2016, S. 226ff.). Eine klassische Zeitreihe besteht in der Regel aus mehreren Komponenten, wobei der Trend, der die langfristige Wachstumsrate und Entwicklungsrichtung einer Zeitreihe angibt, die wichtigste Komponente darstellt (Klein und Scholl 2012, S. 308f.). Zur Ermittlung von Trends eignet sich das arithmetische Mittel, die Methode gleitender Durchschnitte oder die Methode kleinster Quadrate. Bei der Methode gleitender Durchschnitte berechnet sich ein Prognosewert jeweils als Mittelwert einer festgelegten Anzahl zurückliegender Beobachtungswerte (Klein und Scholl 2012, S. 312). Die Methode der kleinsten Quadrate hingegen bestimmt eine

3.8 Erstellung von Prognosen

99

mathematische Funktion zur Abbildung eines Trends in der Weise, dass die Summe der quadrierten Abweichungen zwischen beobachteten und durch die Funktion in Abhängigkeit von der Zeit prognostizierten Werten minimal ist (Magerhans 2016, S. 228). Bei der exponentiellen Glättung wird die Prognose rekursiv berechnet, indem zum Prognosewert der Vorperiode der geglättete Prognosefehler der Vorperiode als Differenz zwischen dem tatsächlichen Wert und dem ursprünglichen Prognosewert addiert wird (Magerhans 2016, S. 227). Die dargestellten Methoden eignen sich primär zur Umweltprognose und speziell zur Prognose einzelner Parameter. Daher sind sie im Rahmen der kritischen Würdigung bezüglich der Anforderung Zielorientierung als mittelmäßig geeignet zu bewerten (vgl. Tabelle 3-8). Zwar können quantitative und damit auch finanzielle Zielgrößen verarbeitet werden, allerdings ist jeweils, entsprechend des univariaten Charakters der Methoden, nur eine Größe und kein komplettes Zielsystem Gegenstand der Prognose. Die Operationalisierbarkeit ist bei den Methoden schwach ausgeprägt: Es können keine qualitativen Größen oder beispielsweise Ordinalskalen verarbeitet werden. Die Entscheidungsorientierung ist als mittelmäßig zu bewerten. So können keine konkreten Maßnahmen oder Strategien abgebildet oder bewertet werden, jedoch geben die Umweltprognosen gewisse Anhaltspunkte für geeignete Maßnahmen. Strategien können beispielsweise vor dem Hintergrund von Prognosen mehrerer Parameter analysiert und bewertet werden. Schwach ausgeprägt ist die Vollständigkeit der Methoden. Sie sind nicht in der Lage, ein operatives Dienstleistungssystem in Gänze abzubilden, sondern lediglich einzelne Parameter davon. Aufgrund des univariaten Charakters der Methoden sind keine Interdependenzen oder Wirkungen zwischen mehreren Variablen abbildbar, wodurch keine Simulationsmöglichkeit gegeben ist. Die Prognosemöglichkeit kann als mittelmäßig bewertet werden. Zwar stellt die Prognose den Kern der dargestellten Methoden dar und sie können genutzt werden, um Prognosen einzelner Parameter zu ermitteln. Einschränkend ist jedoch anzuführen, dass der Untersuchungsgegenstand nachhaltiger Dienstleistungsinnovationen in der Logistik relativ unbekannt ist, wodurch gegebenenfalls nur in sehr geringem Umfang historische Daten vorliegen, die für die Methoden zur Verfügung stehen. Ebenfalls mittelmäßig ausgeprägt ist die Zeitperspektive, da die Methoden nur kurz- bis mittelfristige Prognosen erlauben (Klein und Scholl 2012, S. 307ff.), wohingegen für den Untersuchungsgegenstand ein langfristiger Betrachtungshorizont relevant ist. Demgegenüber ist eine gute Wirtschaftlichkeit der Methoden gegeben, da die Berechnungsverfahren einfach umzusetzen sind und auch der Aufwand für die Datenbeschaffung überschaubar ist. Die hohe Wirtschaftlichkeit ist vor allem gegenüber den anderen noch zu diskutierenden Methoden hervorzuheben. Mittelmäßig ausgeprägt ist die Informationsverarbeitung. Zwar sind die Anforderungen an die Datenqualität relativ gering, trotzdem können die Methoden keine qualitativen Informationen verarbeiten. Da die klassische Zeitreihenzerlegung relativ einfach durchzuführen ist und die Prognosen grafisch abgebildet werden können, ist die Transparenz positiv zu bewerten. Aufgrund der durchzuführenden Rekursion wird die exponentielle Glättung hier nur mittelmäßig bewertet. Die Validität ist bei allen Methoden mittelmäßig ausgeprägt, da wie bereits erwähnt die Dynamik und Komplexität des realen Systems nur in eingeschränktem Umfang abgebildet werden kann. Eine Bewertung der Reliabilität ist schwierig, denn einerseits führen die Methoden bei gleicher Wahl der Parameter (Anzahl zu verwendender historischer Werte für den gleitenden Durchschnitt, Typ der Funktion (linear, exponentiell, logarithmisch) für die Methode der kleinsten Quadrate, Glättungsparameter für die exponentielle Glättung etc.) bei wiederholter Anwendung zum selben

100

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

Ergebnis, andererseits können die Parameter von unterschiedlichen Entscheidern unterschiedlich gewählt werden. Die Bewertung wird daher als mittelmäßig festgesetzt. Anforderungen

klassische Zeitreihenzerlegung

exponentielle Glättung

Zielorientierung Operationalisierbarkeit Entscheidungsorientierung Vollständigkeit Simulation Prognosemöglichkeit Zeitperspektive Wirtschaftlichkeit Informationsverarbeitung Transparenz Validität Reliabilität Tabelle 3-8:

Bewertung univariater Methoden.

In Summe kann festgehalten werden, dass die dargestellten univariaten Methoden einige Schwächen offenbaren, insbesondere dadurch, dass sie nicht in der Lage sind, qualitative Informationen und das gesamte Dienstleistungssystem sowie dessen Dynamik und Komplexität zu operationalisieren. Zur Erstellung von Wirkungsprognosen können sie daher nicht eingesetzt werden, wobei dies ohnehin nicht ihrem Zweck entspricht. Die Stärken, vor allem die der klassischen Zeitreihenzerlegung, liegen in ihrer wirtschaftlichen und transparenten Umsetzbarkeit, sodass sie zur Erstellung mittelfristiger Umweltprognosen einzelner Parameter gut eingesetzt werden können. 3.8.5 Diskussion von Methoden zur kausalen Systemstrukturbeschreibung Verfahren zur kausalen Systemstrukturbeschreibung werden dazu genutzt, ein besseres Verständnis von Systemen zu erlangen, um auf dieser Basis deren Verhalten erklären zu können (Baetge 1974, S. 242). Prognosen werden gemäß systemkybernetischer Grundsätze auf Basis der Systemstruktur erstellt und nicht auf Grundlage historischer Daten bzw. Zeitreihen (Bossel 2004, S. 20f.). Das System bzw. seine Struktur und nicht dessen Verhalten ist daher bestmöglich nachzubilden (Bossel 1989, S. 15ff.). Eine der am weitesten verbreiteten Methoden zur kausalen Systemstrukturbeschreibung ist System Dynamics (Meyer 2009, S. 117). System Dynamics ist eine Methode zur Analyse, Modellierung und Simulation dynamischer sozio-ökonomischer und techno-ökonomischer Systeme (Stumpfe 2003, S. 90; Schröter 2006, S. 127). Primäres Ziel von System Dynamics ist es zu erklären, wie das Zusammenspiel von Rückkopplungen aus Entscheidungen und Handlungen bei zeitlichen Verzögerungen innerhalb von Organisationsstrukturen den Erfolg von Unternehmen beeinflusst (Forrester 1961, S. 13).

3.8 Erstellung von Prognosen

101

Zu diesem Zweck lassen sich Informations-, Material- und Finanzströme in Modellen abbilden (Forrester 1958, S. 37). In Simulationen können verschiedene Szenarien und Entscheidungen erprobt und Hinweise auf verbesserte Handlungsstrategien und Entscheidungsregeln gesammelt werden (Milling 2002, S. 14ff.). Ebenso lassen sich Schlüsse für eine verbesserte Ausgestaltung der Systemstruktur ziehen (Sterman 2000, S. 84). Grundsätzlich stellt System Dynamics eine quantitative Methode dar. Da die Systemstruktur aber häufig auf Basis qualitativer Methoden wie Experteninterviews entwickelt wird (Ford und Sterman 1998), kann System Dynamics auch als qualitative Methode im Rahmen der Zukunftsforschung eingeordnet werden (Meyer 2009, S. 118). Die Zielorientierung von System Dynamics ist im Zuge der kritischen Würdigung als gut zu bewerten. System Dynamics ist in der Lage, sowohl finanzielle wie auch nicht-finanzielle Zielgrößen zu umfassen, ebenso wie komplette Zielsysteme abgebildet werden können. Da neben quantitativen Größen auch qualitative Größen verwendet werden können, ist die Operationalisierbarkeit als gut zu bewerten. Dies gilt auch für die Entscheidungsorientierung, da es eine der wichtigsten Aufgaben von System Dynamics ist, Ansatzpunkte für konkrete Maßnahmen und Strategien sowie deren potenzielle Auswirkungen aufzuzeigen. Verschiedene Strategien und Szenarien lassen sich mit relativ geringem Aufwand simulieren und die Erfolgswirksamkeit auf die definierten Zielgrößen kann ebenso aufwandsarm festgestellt werden. In System Dynamics können Informations-, Material- und Finanzströme und damit konkrete materielle Prozesse ebenso wie immaterielle Prozesse sowie verschiedene Akteure dargestellt werden, weshalb die Vollständigkeit positiv zu bewerten ist. Zusätzlich stellt auch die Simulationsmöglichkeit eines der wesentlichen Elemente von System Dynamics dar. Es können weiterhin unterschiedliche potenzielle Umweltentwicklungen integriert, aber auch prognostiziert werden. Als systemstrukturbeschreibendes Verfahren können überdies Veränderungen der Systemstruktur in System Dynamics berücksichtigt werden, womit es in der Lage ist, die hohe Komplexität und Dynamik von realen Systemen abzubilden und damit eine gute Prognosemöglichkeit zur Verfügung zu stellen. Wegen der genannten Gründe in Verbindung mit der Möglichkeit, Rückkopplungen und Zeitverzögerungen in das Modell zu integrieren, kann auch eine langfristige Zeitperspektive abgebildet werden. Kritisch ist jedoch anzumerken, dass die Anwendung von System Dynamics mit einem nicht unerheblichen Aufwand verbunden ist. Dem steht jedoch gegenüber, dass der Aufwand in Abhängigkeit vom Einsatzzweck beliebig umfangreich gestaltet werden kann. Bereits ein Experteninterview ist ausreichend, um ein System Dynamics Modell zu erstellen und zu parametrisieren, weshalb die Wirtschaftlichkeit in Summe mittelmäßig bewertet wird. Als positiver Aspekt kommt hinzu, dass wie angedeutet sowohl qualitative als auch quantitative Daten verarbeitet werden können und dass die Anforderungen an die Datenqualität überschaubar sind. Daher wird die Informationsverarbeitung als gut bewertet. Die Transparenz hingegen ist mittelmäßig zu bewerten. Einerseits existieren zwar definierte Vorgehensschritte zur Erstellung von System Dynamics Modellen und sowohl das Modell als auch dessen Ergebnisse können grafisch dargestellt werden, andererseits sind die Vorgehensschritte iterativ und auch gut dokumentierte Modellierungsprozesse sind oft nicht vollständig transparent. Dies wird verstärkt durch die Tatsache, dass Differenzialgleichungen die mathematische Grundlage von System Dynamics darstellen. Die Validität von System Dynamics ist ebenfalls mittelmäßig zu bewerten. Verwendete qualitative und quantitative Daten können zwar gut kombiniert werden und durch einen Vergleich mit Realdaten und adäquater Kalibrierung kann das Modell schrittweise

102

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

verbessert werden. Die Validität ist jedoch stark abhängig von der Verfügbarkeit und Qualität der Daten bzw. von der gewählten Erhebungs- und Auswertungsmethode. In aller Regel wird ein großer Teil der Daten durch qualitative Befragungen erhoben, was gleichzeitig auch als Schwachpunkt gilt (Luna-Reyes und Lines Andersen 2003, S. 271; Kim und Andersen 2012, S. 311). Die Reliabilität von System Dynamics ist wie auch bei den bisher diskutierten Methoden mittelmäßig zu bewerten. Zwar gibt es vorgegebene Modellierungsschritte zur Erstellung des Modells und mathematische Berechnungsmethoden bilden die Basis, jedoch hängt auch hier die Reliabilität stark vom Anwender ab und es bestehen viele Freiheiten bei der Modellierung. Anforderungen

System Dynamics

Zielorientierung Operationalisierbarkeit Entscheidungsorientierung Vollständigkeit Simulation Prognosemöglichkeit Zeitperspektive Wirtschaftlichkeit Informationsverarbeitung Transparenz Validität Reliabilität Tabelle 3-9:

Bewertung von multivariaten Methoden zur kausalen Systemstrukturbeschreibung

System Dynamics weist gegenüber den bisher diskutierten Methoden zahlreiche Vorteile vor allem bei Vollständigkeit, Simulation, Prognosemöglichkeit, Zeitperspektive und Informationsverarbeitung auf. Die Methode eignet sich daher gut zur Erstellung von Wirkungsprognosen und damit als Kernmethode dieser Arbeit, sofern Nachteile durch Kombination mit anderen Methoden ausgeglichen werden können. 3.9

Erstellung von Bewertungen

3.9.1 Vorgehensweise Die mithilfe von Prognosemethoden ermittelten Auswirkungen der Handlungsalternativen auf das Ergebnis sind in Abhängigkeit von den Präferenzen des Entscheiders zu bewerten. Die Bewertung bzw. das Bewertungsmodell stellt neben Zielsystem sowie Prognose- und Simulationsmodell einen entscheidenden Vorgehensschritt bei der Entwicklung von Entscheidungsmodellen dar und es können hierfür verschiedene Bewertungsmethoden eingesetzt werden.

3.9 Erstellung von Bewertungen

103

Das Kapitel gliedert sich wie folgt: (1)

Da entsprechend der Zielorientierung als Anforderung des Untersuchungsgegenstands ein Fokus auf der Berücksichtigung finanzieller Aspekte liegt, werden zunächst Methoden zur Bewertung von Alternativen aus finanzieller Sicht, Investitionsrechnungsverfahren, diskutiert (Kapitel 3.9.2).

(2)

Häufig werden in der Realität bei Entscheidungen mehrere, teilweise konfliktäre Ziele verfolgt und auch für die vorliegende Problemstellung sind mehrere Ziele von Relevanz, weswegen sich zur weiteren Bewertung Methoden zur multikriteriellen Entscheidungsfindung (Multiple Criteria Decision Making) bzw. zur multikriteriellen Entscheidungsunterstützung (Multiple Criteria Decision Aid) eignen (Hwang und Yoon 1981, S. 1). Diese werden im Weiteren zunächst eingeordnet (Kapitel 3.9.3).

(3)

In Kapitel 3.9.4 erfolgt dann die Diskussion von Methoden zur multiattributiven Entscheidungsfindung (Multiple Attribute Decision Making (MADM)).

3.9.2 Diskussion von Investitionsrechnungsverfahren Der Begriff Investition ist sehr breit gefächert und kann Ausgaben für Sach- und Finanzanlagen, für Forschung und Entwicklung, für Einarbeitung, Aus- und Weiterbildung von Personal oder für Marketing etc. umfassen (Blohm et al. 2012, S. 1; Busse von Colbe et al. 2015, S. 1f.; Burger und Keipinger 2016, S. 1ff.). Diesen Ausgaben stehen in der Zukunft erwartete Einnahmen gegenüber, wobei Investitionen finanzielle Mittel für längere Zeit binden und somit längerfristige Folgewirkungen besitzen (Götze 2014, S. 6). Investitionsrechnungsverfahren dienen dazu, die Investitionsalternativen hinsichtlich finanzieller Ziele zu bewerten und in eine kardinale Reihenfolge zu bringen (Bieg et al. 2016, S. 31). Die Verfahren der einzelwirtschaftlichen finanziellen Investitionsrechnung37 können differenziert werden in statische und dynamische Investitionsrechnungsverfahren (Blohm et al. 2012, S. 37f.). Bei statischen Verfahren bleibt die Zeit unberücksichtigt und somit spielt sie auch bei der Bewertung der Geldströme keine Rolle (Bieg et al. 2016, S. 73). Daher ist ihre Betrachtung meist beschränkt auf die Betrachtung einer Periode der Nutzungsdauer einer Investition (Götze 2014, S. 56f.). Aus diesem Grund werden statische Methoden nicht weiter berücksichtigt, da entsprechend der an die Methoden definierten Anforderungen eine langfristige Zeitperspektive gefordert ist (vgl. Kapitel 3.2). Dynamische Investitionsrechnungsverfahren lassen sich von statischen Verfahren dahingehend abgrenzen, dass bei ersteren der Zeitpunkt der Einzahlung oder Auszahlung eine wichtige Rolle spielt (Bieg et al. 2016, S. 74). Es wird davon ausgegangen, dass Einzahlungen oder Auszahlungen mit demselben Betrag, die zu unterschiedlichen Zeitpunkten anfallen, einen unterschiedlichen Wert besitzen (Götze 2014, S. 73f.). Die Kapitalwertmethode, die Annuitätenmethode, die Interne-Zinssatz-Methode und die dynamische Amortisationsrechnung stellen die bekanntesten Verfahren dar (Blohm et al. 2012, S. 43; Götze 2014, S. 77f.; Bieg et al. 2016, S. 100ff.). Der Kapitalwert ist definiert als „Summe aller Barwerte der durch ein Investitionsvorhaben verursachten Zahlungen“ (Bieg et al. 2016, S. 100) (Net Present Value), wobei Barwerte auf den Zeitpunkt t=0 abgezinste Zahlungen darstellen. Im Rahmen der Annuitätenmethode wird 37

Zur Unterscheidung einzel- und gesamtwirtschaftlicher Investitionsrechnungsverfahren sowie finanzieller und nichtfinanzieller Verfahren sei auf Blohm et al. (2012, S. 37ff.) verwiesen.

104

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

eine Einmalzahlung mittels des Kapitalwiedergewinnungs- oder Annuitätenfaktors in einen gleich bleibenden (zukünftigen) Zahlungsstrom transformiert (Blohm et al. 2012, S. 66). Bei der Methode des internen Zinssatzes wird der Zinssatz einer Investition gesucht, bei dessen Anwendung der Barwert der Auszahlungen dem Barwert der Einzahlungen entspricht (Busse von Colbe et al. 2015, S. 123). Die Berechnung erfolgt meist mit der Methode der linearen Interpolation (Bieg et al. 2016, S. 109). Im Rahmen der dynamischen Amortisationsrechnung ist der Zeitraum zu berechnen, innerhalb dessen die Summe der diskontierten Einzahlungsüberschüsse den anfänglichen Investitionsausgaben entspricht bzw. diese übersteigt (Busse von Colbe et al. 2015, S. 78). Auf eine umfassende Diskussion der verschiedenen Verfahren zur dynamischen Investitionsrechnung anhand der in Kapitel 3.2 definierten Anforderungen wird an dieser Stelle verzichtet. Es soll auf die Kapitalwertmethode und die Annuitätenmethode zurückgegriffen werden, da diese wirtschaftlich und transparent durchführbar sind, was beispielsweise bei der Methode des internen Zinssatzes nur bedingt gegeben ist. Von Vorteil bei der Kapitalwertmethode und der Annuitätenmethode ist überdies, dass mehrere unterschiedliche Investitionen unabhängig voneinander bewertet und anschließend aggregiert (bewertet) werden können, indem die Kapitalwerte oder Annuitäten addiert werden. Vor allem vor dem Hintergrund, dass der Betrachtungsgegenstand ein umfangreiches und komplexes System darstellt, ist dies ein wichtiger Aspekt. Bei der dynamischen Amortisationsrechnung ist dies beispielsweise nicht möglich. Zudem erhält man bei der Kapitalwert- und Annuitätenmethode Werte mit Währungseinheiten, was für eine finanzielle Bewertung intuitiver ist als die Angabe von Jahren oder eines Zinssatzes. 3.9.3 Einordnung von multikriteriellen Bewertungsmethoden Multikriterielle Bewertungsmethoden ermöglichen es, verschiedene Handlungsalternativen unter Berücksichtigung mehrerer Kriterien zu bewerten. Sie können in Abhängigkeit von der Art des zu lösenden Entscheidungsproblems differenziert werden in Methoden zur multiattributiven Entscheidungsfindung (MADM) sowie in Methoden zur multiobjektiven Entscheidungsfindung (Multiple Objective Decision Making (MODM)) (Chen und Hwang 1992, S. 1). Bei Letzteren sind die Handlungsalternativen nicht explizit festgelegt, sondern liegen in einem stetigen Lösungsraum. Ziel der MODM-Methoden ist es, unter Berücksichtigung einer festgelegten Zielfunktion und von Nebenbedingungen eine optimale Alternative zu bestimmen, wofür Vektoroptimierungsmodelle verwendet werden (Zimmermann und Gutsche 1991, S. 25). MADM-Methoden dienen dazu, unter einer festgelegten Anzahl an definierten Handlungsalternativen die optimale auszuwählen (Hwang und Yoon 1981, S. 3). Wie in Kapitel 3.6 festgelegt wurde, sollen im Rahmen dieser Arbeit mehrere festgelegte Handlungsalternativen unter verschiedenen Umweltszenarien bewertet werden, weshalb lediglich MADM-Methoden in Abgrenzung zu MODM-Methoden in Frage kommen. MADM-Methoden können nach Art und Qualität der vorliegenden und verwendeten Informationen bezüglich der Präferenzen des Entscheidungsträgers differenziert werden (vgl. Abbildung 3-5) (Hwang und Yoon 1981, S. 8). Sind keine Informationen über die Präferenzen des Entscheidungsträgers verfügbar, können einfache Entscheidungsregeln wie die Dominanz-Strategie, die Maximin- oder Maximax-Strategie verwendet werden (Götze 2014, S. 190).

3.9 Erstellung von Bewertungen

105

Wenn Informationen über einzelne Attribute vorhanden sind, was bei Entscheidungsproblemen am häufigsten der Fall ist, ist die Qualität der Information von besonderer Relevanz (Hwang und Yoon 1981, S. 67). Dabei können Informationen über Attribute bezüglich des Anspruchsniveaus, ordinaler und kardinaler Informationen sowie Informationen über Substitutionsraten unterschieden werden (Götze 2014, S. 190). Bei verfügbaren Informationen über das Anspruchsniveau können disjunktive oder konjunktive Verfahren herangezogen werden (Zimmermann und Gutsche 1991, S. 47f.). Stehen ordinale Informationen zur Verfügung, können lexikographische Methoden, aspektweise Elimination, die Permutationsmethode oder ORESTE verwendet werden (Götze 2014, S. 191f.; Hettesheimer 2017, S. 116f.). Die lineare Zuordnungsmethode, die einfache additive Gewichtung, der analytische Hierarchie Prozess (AHP) die Nutzwertanalyse, die Kostenwirksamkeitsanalyse, ELECTRE, TOPSIS und PROMETHEE sind Methoden, die kardinale Informationen über Attribute verarbeiten können und bei denen die Wichtigkeit der Kriterien über Gewichtungen ausgedrückt wird (Hwang und Yoon 1981, S. 92). Zudem bestehen Kompensationsmöglichkeiten zwischen den Zielerreichungsgraden (Zimmermann und Gutsche 1991, S. 54). Neben Kardinalität und Kompensierbarkeit liegen bei MAUT und hierarchischen Methoden Informationen über Substitutionsraten vor, die ausdrücken, auf wie viele Einheiten eines Attributs ein Entscheider zugunsten einer Einheit eines anderen Attributs verzichten würde (Hwang und Yoon 1981, S. 141; Götze 2014, S. 192). Liegen Informationen über Präferenzen bezüglich der Alternativen und nicht einzelner Attribute vor,38 können einerseits mit LINMAP und interaktiver einfacher additiver Gewichtung Präferenzurteile über Paarvergleiche der Alternativen abgegeben werden. Andererseits können mittels multidimensionaler Skalierung mit Idealpunkt Präferenzrelationen bestimmt werden, wenn Informationen über Entfernungen vorliegen (Götze 2014, S. 192). Vor dem Hintergrund des Untersuchungsgegenstands scheiden Methoden, die Informationen über Alternativen oder zu Substitutionsraten erfordern, aufgrund des hohen Datenermittlungsaufwands und meist strenger Anwendungsvoraussetzungen aus. Demgegenüber sind Methoden, die keine Informationen über die Präferenzen erfordern oder mittels Informationen über Anspruchsniveau oder ordinale Rangfolgen durchgeführt werden, nicht in der Lage, kardinale Informationen zu verarbeiten. Dies widerspricht allerding der hohen Bedeutung der finanziellen Dimension des Untersuchungsgegenstands. Aus diesem Grund werden im Folgenden ausschließlich Methoden zur Verwendung kardinaler Informationen diskutiert. Diese Gruppe ist sehr umfassend, weswegen lediglich die wichtigsten Methoden zur Entscheidungsfindung bei Mehrzielproblemen Nutzwertanalyse, Analytischer Hierarchie Prozess und PROMETHEE diskutiert werden (Klein und Scholl 2012, S. 67; Götze 2014, S. 192f.).

38

Nach Hwang und Yoon (1981, S. 67) ist es anspruchsvoller, Informationen auf Ebene der Alternativen zu erlangen.

106

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

Art der Information

Qualität der Informati on

Dominanz-Strategie Maximin-Strategie Maximax-Strategie

Anspruchsniveau

• •

Disjunktives Vorgehen Konjunktives Vorgehen

Ordinale Informationen

• • • • •

Lexikographische Methode Lexikographische Methode mit Halbordnung Aspektweise Elimination Permutationsmethode ORESTE

Kardinale Informationen

• • • • • • • •

Lineare Zuordnungsmethode Einfache additive Gewichtung Analytischer Hierarchie Prozess Nutzwertanalyse Kostenwirksamkeitsanalyse ELECTRE TOPSIS PROMETHEE

Substitutionsraten

• •

MAUT Hierarchische Methode

Informationen über Präferenzen

• •

LINMAP Interaktive einfache additive Gewichtung

Informationen über Entfernungen

•

Multidimensionale Skalierung mit Idealpunkt

keine Informationen

Methoden zur Erstellung von Bewertungen

Informationen über Attribute

Informationen über Alternativen

Abbildung 3-5:

Gruppen von Verfahren

• • •

Einordnung von MADM-Methoden (Quelle: Hwang und Yoon (1981, S. 9), Götze (2014, S. 191))

3.9.4 Diskussion von MADM-Methoden Die Nutzwertanalyse ist ein in der Praxis sehr häufig angewendetes Verfahren, bei dem die Ordnung von Alternativen entsprechend berechneter Nutzwerte erfolgt (Schneeweiß 1991, S. 120). Zunächst sind die Zielkriterien sinnvollerweise auf Basis einer Zielhierarchie abzuleiten und die Gewichte der einzelnen Zielkriterien in Abhängigkeit von den Präferenzen des Entscheiders zu bestimmen (Götze 2014, S. 193). Daraufhin werden für alle Zielkriterien Einzelnutzenfunktionen ermittelt und den Alternativen für alle Zielkriterien entsprechend des Zielerreichungsgrads Teilnutzwerte im Intervall zwischen null und eins zugeordnet (Reichel 2013, S. 29f.). Die Teilnutzwerte sind abschließend unter Berücksichtigung der bestimmten Gewichte zum Nutzwert der einzelnen Alternativen zu aggregieren (Schneeweiß 1991, S. 122). Der Analytische Hierarchie Prozess stellt ein Verfahren zur Strukturierung und Analyse komplexer Entscheidungsprobleme dar, das der Nutzwertanalyse sehr ähnlich ist (Götze 2014, S. 200; Schneeweiß 1991, S. 157f.). Der AHP zeichnet sich dadurch aus, dass ein häufig abstraktes Oberziel über mehrere Stufen in Unterziele zerlegt wird, denen Zielkriterien zugeordnet werden (Geldermann 2005, S. 125). Dadurch entsteht eine Kriterienhierarchie, mit deren un-

3.9 Erstellung von Bewertungen

107

terster Ebene die Alternativen verknüpft sind (Götze 2014, S. 201). Zunächst werden Zielgewichtungen innerhalb einer Hierarchieebene ermittelt, indem über Paarvergleiche jeweils zwei Ziele hinsichtlich ihrer Wichtigkeit auf einer 9-Punkte-Skala miteinander verglichen werden (Geldermann 2005, S. 125). Die Ergebnisse des Paarvergleichs sind in einer Paarvergleichsmatrix darzustellen und über deren Eigenvektor kann der Gewichtungsvektor berechnet werden (Götze 2014, S. 202). Die abschließende Bewertung erfolgt unter Berücksichtigung der ermittelten Gewichte mittels additiver Aggregation der Zielerreichungsgrade der Alternativen (Reichel 2013, S. 32). PROMETHEE gehört zur Gruppe der Outranking- bzw. Prävalenzverfahren. Deren Grundgedanke ist, dass meist keine vollständigen und widerspruchsfreien Informationen über die Entscheidungssituationen vorliegen (Götze 2014, S. 229f.). Daher werden bei PROMETHEE jeweils nur zwei Alternativen gleichzeitig zur Bewertung herangezogen und neben strikten Präferenzen und Indifferenzen abgestufte Präferenzeinschätzungen zugelassen, bei denen durch Präferenzschwellen auch Unsicherheiten berücksichtigt werden können (Geldermann 2005, S. 126f.). So können Unvergleichbarkeiten und schwache Präferenzen in die Bewertung einfließen (Reichel 2013, S. 31). Aufgrund dieser Unvergleichbarkeiten kann, je nach Entscheidungssituation, gegebenenfalls keine starke oder schwache Ordnung und damit keine vollständige Rangfolge der Alternativen gebildet werden (Oberschmidt 2010, S. 60). Jedoch ist es auch nicht primäres Ziel der Outrankingverfahren, eine optimale Alternative auszuwählen, sondern problemadäquate Entscheidungshilfen zur Verfügung zu stellen und gute Alternativen zu identifizieren (Götze 2014, S. 230). Es sind zunächst die Präferenzen offenzulegen, also Zielkriterien zu definieren und dazugehörige Präferenzfunktionen festzulegen, bevor in einem nächsten Schritt die Gewichtungen der einzelnen Zielkriterien ermittelt werden (Geldermann und Lerche 2014, S. 54). Dann ist die Outrankingrelation zu bestimmen sowie die Aus- und Eingangsflüsse zu berechnen und auszuwerten (Götze 2014, S. 234). Die Zielorientierung ist bei der Nutzwertanalyse und dem AHP mittelmäßig, bei PROMETHEE stark ausgeprägt. Bei allen drei Methoden können komplette Zielsysteme abgebildet und für die Bewertung herangezogen werden. Jedoch führt die Bedingung der Unabhängigkeit von Zielkriterien bei Nutzwertanalyse und AHP dazu, dass eine Integration von finanziellen Zielen mit Herausforderungen verbunden ist, da finanzielle Größen in der Regel sehr viele verschiedene Eigenschaften von Investitionsobjekten beeinflussen und diese folglich nicht unabhängig sein können (Götze 2014, S. 194). Demgegenüber ist bei den zuletzt genannten Methoden die Operationalisierbarkeit stark ausgeprägt, bei PROMETHEE hingegen mittelmäßig. Bei Nutzwertanalyse und AHP können sowohl qualitative als auch quantitative Informationen herangezogen werden, was zwar grundsätzlich auch bei PROMETHEE möglich ist, allerdings ist hierbei eine Transformation der qualitativen Größen in quantitative erforderlich. Die Entscheidungsorientierung ist bei allen Methoden stark zu bewerten. Unterschiedliche Strategien können bewertet, die Wichtigkeit einzelner Ziele bestimmt und damit Ansatzpunkte für geeignete Maßnahmen identifiziert werden. Leichte Schwächen bei der Erstellung einer Rangordnung gegenüber den anderen Methoden gleicht PROMETHEE durch den stark entscheidungsunterstützenden Durchführungsprozess aus, zumal durch die Kombination aus PROMETHEE I und II eine vollständige Präordnung möglich ist. Weiterhin ist die Vollständigkeit der Methoden schwach zu bewerten. Sie sind lediglich in der Lage, das Zielsystem und Zielkriterien abzubilden, nicht aber das operative Dienstleistungssystem. Ebenso ist keine Simulationsmöglichkeit

108

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

vorgesehen. Die Prognosemöglichkeit wird als mittelmäßig bewertet. Es können bei allen Methoden Unsicherheiten abgebildet und Bewertungen zukünftiger Entscheidungssituationen durchgeführt werden, wobei sie entsprechend ihres Zwecks keine klassischen Parameterprognosen durchführen können. Hinsichtlich der Zeitperspektive werden ebenfalls alle Methoden als mittelmäßig eingestuft. Entscheider sind durchaus in der Lage, ihre mittelfristigen Präferenzen zu äußern, wohingegen diese auf langfristige Sicht als zu unsicher zu bewerten sind. Die Wirtschaftlichkeit von Nutzwertanalyse und PROMETHEE wird als mittelmäßig bewertet. Es sind Zielsystem und Gewichtungen mit den Entscheidern zu ermitteln sowie Einzelnutzenfunktionen zu bestimmen. Der Aufwand zur Durchführung des AHP ist indes aufgrund der durchzuführenden Paarvergleiche nochmals höher, da die Paarvergleiche vom Entscheider durchgeführt werden müssen, wohingegen sie bei PROMETHEE rechnerisch durchgeführt werden. Die Informationsverarbeitung bei allen Methoden ist mittelmäßig zu bewerten. Zunächst können bei Nutzwertanalyse und AHP sowohl quantitative als auch qualitative Zielgrößen herangezogen werden, was bei PROMETHEE mit zusätzlichem Aufwand verbunden ist. Andererseits sind die formalen Anforderungen an die Daten (vollständig, widerspruchsfrei) bei Nutzwertanalyse und AHP deutlich höher. Insgesamt ist ein großer Teil der Informationen von subjektiven Einschätzungen der Entscheider abhängig. Auch die Transparenz ist bei allen Methoden mittelmäßig zu bewerten. Sie umfassen alle Rechenverfahren, die nicht trivial sind, sowie mehrere Vorgehensschritte. Andererseits werden viele Schritte gemeinsam mit den Entscheidungsträgern durchgeführt und es bestehen verschiedene Visualisierungsmöglichkeiten beispielsweise hinsichtlich der Zielhierarchie oder der Ergebnisse. Nutzwertanalyse und AHP werden bei der Validität mittelmäßig bewertet. Dies ist darauf zurückzuführen, dass das Vorliegen vollständiger und widerspruchsfreier Informationen, z. B. Unabhängigkeit der Zielkriterien und Kriterienausprägungen, in der Realität nur sehr selten gegeben ist. Überdies können bei den genannten Methoden schlechte Zielerreichungsgrade in einem Kriterium durch gute Zielerreichungsgrade in anderen Kriterien ausgeglichen werden (Kompensationsmöglichkeit), was ebenfalls nicht der Realität entspricht. Hier kommen die Stärken von PROMETHEE zum Tragen, weswegen die Methode als gut zu bewerten ist. Die Reliabilität ist bei allen Methoden mittelmäßig zu bewerten. Zwar existieren klare Vorgehensschritte und Berechnungsmethoden, jedoch wird ein Großteil der Informationen zur Entscheidungssituation über qualitative Methoden erhoben.

3.10 Auswahl von Methoden zur Entwicklung eines Entscheidungsmodells Nutzwertanalyse

Anforderungen

Analytischer Hierarchie Prozess

109 PROMETHEE

Zielorientierung Operationalisierbarkeit Entscheidungsorientierung Vollständigkeit Simulation Prognosemöglichkeit Zeitperspektive Wirtschaftlichkeit Informationsverarbeitung Transparenz Validität Reliabilität Tabelle 3-10:

Bewertung von MADM-Methoden

Die Unterschiede in der Bewertung der MADM-Methoden sind relativ gering. So weist PROMETHEE einen Vorteil in der Zielorientierung und Validität auf, wohingegen Nutzwertanalyse und AHP bei der Operationalisierbarkeit leicht im Vorteil sind. Bei der Wirtschaftlichkeit sind Nutzwertanalyse und PROMETHEE gegenüber dem AHP im Vorteil. 3.10 Auswahl von Methoden zur Entwicklung eines Entscheidungsmodells 3.10.1 Vorgehensweise Wie sich bei der Diskussion der Prognose- und Bewertungsmethoden gezeigt hat, ist keine Methode in der Lage, alle Anforderungen zu erfüllen. Da die Methoden unterschiedliche Einsatzzwecke sowie Stärken und Schwächen besitzen, ist dies auch nachvollziehbar. Folglich sind für die Entwicklung eines adäquaten Entscheidungsmodells und dessen Lösung mehrere Methoden miteinander zu kombinieren. Dies kann im weitesten Sinne als Methodentriangulation bezeichnet werden, durch die die Validität verbessert und die Stärken und Schwächen einzelner Methoden bestmöglich ausgeglichen werden können.39

39

Triangulation dient dazu, durch Betrachtung eines Phänomens, in diesem Fall des Entscheidungsproblems, aus verschiedenen Perspektiven und mittels verschiedener Methoden die Validität zu verbessern, und dazu, die Vor- und Nachteile unterschiedlicher Methoden ausgleichen zu können (Borchardt und Göthlich 2009, S. 44f.; Bortz und Döring 2006, S. 365).

110

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

Es wird folgendes Vorgehen gewählt: (1)

Zunächst werden geeignete Prognosemethoden (Kapitel 3.10.2) sowie Bewertungsmethoden (Kapitel 3.10.3) ausgewählt.

(2)

Dann werden die Grundlagen zu den ausgewählten Prognosemethoden (Kapitel 3.10.4) sowie zu den ausgewählten Bewertungsmethoden (Kapitel 3.10.5) erläutert.

3.10.2 Auswahl geeigneter Prognosemethoden In der Diskussion der Prognosemethoden hat sich gezeigt, dass keine Methode alle Anforderungskriterien vollständig erfüllt. Den höchsten Erfüllungsgrad weist jedoch eindeutig die Methode System Dynamics auf. Vor allem die Anforderungskriterien Vollständigkeit in Kombination mit Simulation und Prognosemöglichkeit erfüllt keine der diskutierten Prognosemethoden so gut wie System Dynamics. Es ist in der Lage, das komplette Dienstleistungssystem inklusive seiner Prozesse, Akteure und Zielsysteme abzubilden, das Dienstleistungssystem und verschiedene Konfigurationen, Entscheidungsregeln, Strategien oder Umweltszenarien zu simulieren sowie langfristige Prognosen zu erstellen. Daher soll System Dynamics als Kernmethode des Entscheidungsmodells herangezogen werden. Generell sind zur Anwendung von System Dynamics unterstützende Methoden sowie Erhebungs- und Auswertungsverfahren erforderlich (Ford und Sterman 1998; Luna-Reyes und Lines Andersen 2003; Andersen et al. 2012). Diese werden benötigt, um einerseits die grundlegenden Modellzusammenhänge bzw. die Modellstruktur und andererseits die erforderlichen Parameter zu bestimmen. Bei der Anwendung von System Dynamics kommen primär qualitative Erhebungs- und Auswertungsfahren zum Einsatz, für die häufig keine klar strukturierten Vorgehensweisen existieren. Dies wird als Schwachpunkt von System Dynamics betrachtet (Luna-Reyes und Lines Andersen 2003, S. 271; Kim und Andersen 2012, S. 311) und ist Grund für die mittelmäßige Transparenz, Validität und Reliabilität. An dieser Stelle setzt die vorliegende Arbeit an, indem adäquate unterstützende Methoden bestimmt werden. Da außerdem die Wirtschaftlichkeit von System Dynamics als mittelmäßig bewertet wurde, ist bei der Bestimmung der Methoden auf hohe Wirtschaftlichkeit zu achten. Auf die Durchführung qualitativer Befragungen kann bei der Anwendung von System Dynamics nicht verzichtet werden. Qualitative Befragungen stellen außerdem die Grundlage für viele weitere der diskutierten Methoden dar. Sie besitzen viele Stärken wie Operationalisierbarkeit, Zeitperspektive und vor allem Wirtschaftlichkeit und werden daher als geeignete Methode ausgewählt. Die umfassende Berücksichtigung quantitativer Daten bei der Umweltprognose verbessert die Validität und Reliabilität des Entscheidungsmodells wesentlich. Geeignete Methoden zur wirtschaftlichen Erstellung von Umweltprognosen sind die Indikatormethode und die klassische Zeitreihenzerlegung. Letztere weist gegenüber der exponentiellen Glättung als quantitative univariate Methode zur Zeitreihenprojektion ein höheres Maß an Transparenz auf. Beide Methoden können zur Prognose einzelner Parameter herangezogen werden, wobei in Abhängigkeit von der Datenverfügbarkeit je eine der Methoden auszuwählen ist.

3.10 Auswahl von Methoden zur Entwicklung eines Entscheidungsmodells

111

Als Methode zur strukturierten Ermittlung von Wirkungszusammenhängen eignet sich die vereinfachte CIA am besten. Sie zeichnet sich gegenüber der Analogieschluss- und Szenariotechnik-Methode durch eine höhere Wirtschaftlichkeit und Transparenz aus, weshalb sie insgesamt eine adäquate Methode zur Unterstützung von System Dynamics darstellt, die in der Lage ist, Schwächen von System Dynamics teilweise auszugleichen. Zudem liegt der Fokus von Analogieschluss und Szenariotechnik auf der Umweltprognose, jedoch existieren hier wirtschaftlichere und transparentere Methoden. Mangelnde Vollständigkeit und vor allem die mittelmäßige Wirtschaftlichkeit der Methoden zur kausalen Verhaltensbeschreibung bei der Erstellung von Umwelt- und Wirkungsprognosen führen dazu, dass diese im Rahmen der vorliegenden Arbeit unberücksichtigt bleiben. Lediglich DCM als ökonometrische Methode soll zur Erstellung von Wirkungsprognosen herangezogen werden, da es mit angemessenem Aufwand in der Lage ist, Entscheidungen von Anbietern und Kunden weitestgehend transparent abzubilden. 3.10.3 Auswahl geeigneter Bewertungsmethoden Neben adäquaten Methoden zur Erstellung von Umwelt- und Wirkungsprognosen sind geeignete Bewertungsmethoden auszuwählen. In Kapitel 3.9.2 wurden dynamische Investitionsrechnungsverfahren bereits als geeignete Methoden zur finanziellen Bewertung identifiziert und dabei die Kapitalwert- und Annuitätenmethode als im Rahmen dieser Arbeit heranzuziehende Methoden ausgewählt. Da neben finanziellen Kriterien auch nicht-finanzielle Kriterien eine Rolle spielen und überdies verschiedene Kriterien parallel zur Bewertung herangezogen werden sollen, sind multikriterielle Entscheidungsverfahren erforderlich, wobei eine Einschränkung auf multiattributive Methoden getroffen werden konnte. Die Bewertungen der diskutierten Methoden sind relativ ähnlich. Die schlechte Wirtschaftlichkeit des AHP stellt jedoch ein Ausschlusskriterium dar, vor allem da bereits die Prognosemethode System Dynamics einen gewissen Aufwand erfordert. PROMETHEE weist Vorteile bei Zielorientierung und Validität auf, wohingegen die Nutzwertanalyse bei der Operationalisierbarkeit leicht im Vorteil ist. Allerdings ist beispielsweise nach Macharis et al. (1998, S. 289) und Hirzel (2015, S. 154ff.) die Transformation von qualitativen Ziel- bzw. Bewertungsgrößen für die Anwendung von PROMETHEE möglich. Die für die Nutzwertanalyse geforderte Unabhängigkeit der Ziele im Zielsystem, die Kompensationsmöglichkeit der Kriterien sowie die Anforderung vollständiger und widerspruchsfreier Informationen über die Präferenzen des Entscheiders sind hingegen nicht mit der Realität vereinbar. Da Zielorientierung und Validität wichtige Anforderungskriterien darstellen, ist PROMETHEE der Nutzwertanalyse vorzuziehen, denn es ist in der Lage, Unvergleichbarkeiten sowie schwache Präferenzen zu integrieren. Damit kann berücksichtigt werden, dass der Entscheider seine Präferenzen nicht eindeutig kennt und daher nicht eindeutig abbilden kann. So können widersprüchliche oder unvollständige Informationen miteinbezogen werden (Geldermann und Lerche 2014, S. 12).

112

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

3.10.4 Grundlagen zu den ausgewählten Prognosemethoden 3.10.4.1 Befragungen Befragungen sind eine sehr vielseitige Methode zur Datenerhebung (Kuß et al. 2014, S. 51f.). In Abhängigkeit vom Erhebungsziel werden unterschiedliche Befragungstechniken bzw. Varianten qualitativer Befragungen angewendet. Allein 19 unterschiedliche Varianten haben Bortz und Döring (2006, S. 315) beispielhaft zusammengetragen. Interviews auf Basis von Leitfäden stellen die am weitesten verbreitete Form qualitativer Befragungen dar (Bortz und Döring 2006, S. 314). Der Interviewleitfaden dient als grober Rahmen sowohl für die Datenerhebung als auch für die Datenauswertung, gleichzeitig bieten Leitfadeninterviews aber genügend Flexibilität, tiefer auf im Gespräch neu aufgekommene Aspekte einzugehen (Berekoven et al. 2009, S. 90). Die folgenden Schritte zur Durchführung qualitativer Interviews sind an Bortz und Döring (2006, S. 310) angelehnt. Zunächst sind inhaltliche Vorbereitungen zu treffen und Befragungsthema, Befragungspersonen, konkrete Fragen und Befragungstechniken festzulegen. Darauf folgen organisatorische Aspekte wie Kontaktaufnahme, Terminabsprache und Zusammenstellen der erforderlichen Interviewmaterialien. Bei der Durchführung des Interviews ist Hauptaufgabe des Interviewers den Gesprächsablauf zu überwachen und zu steuern. Weiterhin sind Interviews aufzuzeichnen und zu transkribieren oder mittels zusammenfassender Notizen zu dokumentieren. Abschließend sind zusätzlich Notizen zur Gesprächssituation anzufertigen und gegebenenfalls im Nachgang die Interviewdokumentation vom Gesprächspartner überprüfen zu lassen, um ein einheitliches Verständnis sicherzustellen. In der Regel wird im Rahmen eines Interviews nur eine Person befragt, was insbesondere bei der Exploration zur Gewinnung tiefer Einblicke in Meinungen, Einstellungen und Erfahrungen sinnvoll ist (Berekoven et al. 2009, S. 88). Es kann aber auch erforderlich sein, ein breites Spektrum an Einsichten zu erlangen, wofür Fokusgruppeninterviews40 besser geeignet sind (Kuß et al. 2014, S. 54). Dabei werden mehrere Personen gleichzeitig befragt, jedoch meist auf einer weniger tiefen Diskussionsebene (Bortz und Döring 2006, S. 319). Qualitative Befragungen in Form von Interviews können unter anderem für folgende Punkte eingesetzt werden:  Ermittlung von Zielsystem und Präferenzen bei der Anwendung von PROMETHEE (Geldermann und Lerche 2014, S. 15ff.)  Durchführung einer Cross-Impact-Analyse (Moutinho und Witt 1994; Osorio et al. 2017)  Prognose einzelner Parameter oder Bestimmung von Wahrscheinlichkeiten (Klein und Scholl 2012)  Entwicklung sowie Parametrisierung von System Dynamics Modellen (Ford und Sterman 1998; Luna-Reyes und Lines Andersen 2003; Andersen et al. 2012)

40

Der Begriff Gruppendiskussion kann synonym zu Fokusgruppeninterviews verwendet werden (Kuß et al. 2014, S. 54).

3.10 Auswahl von Methoden zur Entwicklung eines Entscheidungsmodells

113

3.10.4.2 Indikatormethode Bei der Indikatormethode werden zur Prognose relevanter Größen Indikatoren herangezogen, deren Entwicklung mit der zu prognostizierenden Größe in Zusammenhang steht (Hüttner 1986, S. 235f.). Dabei kommen volkswirtschaftliche, branchen-, markt- oder produktbezogene Größen als Indikatoren in Frage (Baier 2008, S. 213). Neben einer Bestimmung der zeitlichen Beziehung zwischen Indikator und zu prognostizierender Größe (Gleichlauf, Vorlauf oder Nachlauf) ist die Stärke des Zusammenhangs von Relevanz (Hüttner 1986, S. 236; Baier 2008, S. 214). Die Zusammenhänge können auf Basis von Fach- und Expertenwissen oder mittels Verfahren der modernen Zeitreihenanalyse abgeleitet werden (Hüttner 1986, S. 236). Im einfachsten Fall wird bei der Prognose einer Größe auf die Zukunftsprognose eines bestehenden Indikators zurückgegriffen, der sich im Gleichlauf und mit identischen relativen Änderungen zur relevanten Größe entwickelt. 3.10.4.3 Cross-Impact Analyse Die CIA ist eine Methode zur Analyse von Wechselwirkungen zwischen potenziell künftig eintretenden Ereignissen (Klein und Scholl 2012, S. 329). Damit können gerichtete kausale Zusammenhänge sowie deren Stärke systematisch identifiziert werden (Osorio et al. 2017, S. 599). Vorteile der CIA sind außerdem ihre hohe Flexibilität sowie die Möglichkeit, Rückkopplungen bzw. Feedbackschleifen aufzudecken (Duin 2007, S. 5f.). Im Rahmen der vorliegenden Arbeit wird eine vereinfachte Form der CIA herangezogen. Grundsätzlich werden alle relevanten Ereignisse bzw. Aspekte paarweise untersucht und überprüft, ob ein Aspekt einen anderen Aspekt beeinflusst, ob ein positiver oder negativer kausaler Zusammenhang besteht und wie stark dieser ist (Osorio et al. 2017, S. 599ff.). Hierzu wird eine n×n-Matrix erstellt, wobei jeder Aspekt einer Zeile und einer Spalte zugeordnet ist. In die Zellen der Matrix wird jeweils die Polarität des Zusammenhangs (+ oder -) zwischen zwei Aspekten sowie die Stärke des Zusammenhangs auf einer numerischen Skala angegeben. In der Regel wird eine ganzzahlige Skala von null (kein Zusammenhang) bis zwei oder drei (sehr starker Zusammenhang) verwendet (Walters und Javernick-Will 2015, S. 5038; Osorio et al. 2017, S. 599ff.). Die Matrix kann mithilfe von Literatur ausgefüllt werden, sofern Erkenntnisse zu den Zusammenhängen bestehen oder mittels Expertenbefragung (Osorio et al. 2017, S. 602). Durch die systematische und schrittweise Vorgehensweise sowie durch die Möglichkeit zur Visualisierung der Ergebnismatrix mittels Kausaldiagrammen (vgl. Duin 2007, S. 5f.) kann ein hohes Maß an Transparenz und Validität sichergestellt werden. Die CIA kann damit zur systematischen Erstellung des für das System Dynamics Modell zugrunde gelegten Kausaldiagramms herangezogen werden. 3.10.4.4 Klassische Zeitreihenzerlegung Zeitreihen bestehen, wie bereits erläutert, aus mehreren Komponenten (Hüttner 1986, S. 12). Um dem Aspekt der Wirtschaftlichkeit und Transparenz voll Rechnung zu tragen, soll im Rahmen dieser Arbeit lediglich der Trend als wichtigste Komponente betrachtet werden. Neben arithmetischem Mittel, der Methode gleitender Durchschnitte oder der Methode kleinster Quadrate kann, vor allem bei Wachstumstrends, die durchschnittliche jährliche Wachstumsrate (Englisch: Compound Annual Growth Rate (CAGR)) einer historischen Zeitreihe als einfaches Instrument zur Berücksichtigung von Trends Anwendung finden.

114

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

Die CAGR berechnet sich wie folgt: 𝑊(𝑡 + 𝑛) −𝑛 𝐶𝐴𝐺𝑅 = ( ) −1 𝑊(𝑡)

(3-1)

Dabei bezeichnet W(t) den Wert zum Betrachtungszeitpunkt t und n die heranzuziehende Betrachtungsdauer in Jahren. Bei der Prognose wird angenommen, dass der zurückliegende Trend, ausgedrückt in der jährlichen Wachstumsrate, sich auch in Zukunft fortsetzt. Darüber hinaus kann eine einfache lineare Interpolation einer Zeitreihe erfolgen. Künftige Werte berechnen sich dann mit Anfangswert ya und Endwert ye der Zeitreihe sowie Anfangszeitpunkt xa und Endzeitpunkt xe wie folgt: 𝑦 = 𝑦𝑎 +

𝑦𝑒 − 𝑦𝑎 (𝑥 − 𝑥𝑎 ) 𝑥𝑒 − 𝑥𝑎

(3-2)

3.10.4.5 Discrete Choice Model DCM ist eine Methode zur Modellierung von (Kunden-)Entscheidungen, die Kundenpräferenzen sowie Kunden- und Produkteigenschaften miteinbezieht. Dabei werden Kaufwahrscheinlichkeiten in Abhängigkeit von den bekannten Attributen aller verfügbaren Alternativen sowie von Kundencharakteristika berechnet (Thies et al. 2016, S. 5). Grundsätzlich trifft ein Kunde eine diskrete Entscheidung und wählt folglich genau eine Alternative. Dabei geht DCM davon aus, dass Kunden die Alternative wählen, die den höchsten Kundennutzen verspricht (BenAkiva und Boccara 1995, S. 16f.). Im Folgenden wird eine vereinfachte Form des DCM mit lediglich einem Kunden und zwei Alternativen vorgestellt.41 Der Kundennutzen Ui einer Alternative i besteht aus einer deterministischen Komponente Vi und einer stochastischen Komponente εi (Ben-Akiva und Bierlaire 2003, S. 9): 𝑈𝑖 = 𝑉𝑖 + 𝜀𝑖

(3-3)

Die stochastische Komponente resultiert jedoch nicht aus Unsicherheiten des Kunden bei der Entscheidung, sondern daraus, dass DCM nicht den Anspruch erhebt alle Einflüsse auf die Entscheidung erfassen zu können (Train 2009, S. 14f.). Vi hängt ab von den mit einem spezifischen Nutzenparameter α multiplizierten Ausprägungen xi der Attribute einer Alternative i. In Vektorschreibweise ergibt sich folgende Gleichung (Ben-Akiva und Bierlaire 2003, S. 11): 𝑉𝑖 = 𝛼 ∙ 𝑋𝑖

(3-4)

Sind alle durch die Attribute bestimmten deterministischen Einzelnutzen auf dasselbe Intervall normiert (z. B. [0,1]) und dimensionslos bzw. besitzen dieselbe Einheit, entspricht der Vektor α einem Gewichtungsvektor W, wobei die Summe der Einzelgewichte wl über alle Attribute l eins ergeben muss.

41

Meist wird DCM herangezogen um (Kauf-)Entscheidungen verschiedener Kunden hinsichtlich einer Vielzahl an Alternativen abzubilden. Im Rahmen dieser Arbeit ist jedoch die Frage zu klären, ob sich ein LDL sowie dessen Kunden für oder gegen die Implementierung einer nachhaltigen Dienstleistungsinnovation entscheiden.

3.10 Auswahl von Methoden zur Entwicklung eines Entscheidungsmodells

115

Ai entspricht dem Nutzen, der von den nicht gemessenen oder nicht messbaren Attributen ausgeht (Al-Alawi und Bradley 2013, S. 193):42 𝐿

𝑉𝑖 = 𝐴𝑖 + ∑

𝑙=1

(3-5)

𝑤𝑙 ∙ 𝑥𝑖,𝑙

Für ein binomiales Logit-Modell mit entsprechend zwei Alternativen i und j ergibt sich unter der Annahme, dass die Zufallskomponenten εi und εj unabhängig voneinander, identisch und Gumbel-verteilt sind, mit Skalierungsparameter β und Lageparameter μ (ε~G(β, μ))43 folgende Gleichung für die Wahrscheinlichkeit P der Wahl der Alternative i:44 𝑃(𝑖) = 𝑃(𝑈𝑖 ≥ 𝑈𝑗 ) =

1 1 + e−(𝛽∙(𝑉𝑖−𝑉𝑗)+𝜇)

=

1 𝐿

1 + e−(𝛽∙(𝐴𝑖 −𝐴𝑗 +∑𝑙=1 𝑤𝑙∙(𝑥𝑖,𝑙 −𝑥𝑗,𝑙 ))+𝜇)

(3-6)

DCM wird herangezogen, um die Entscheidung für oder gegen die Implementierung der nachhaltigen Dienstleistungsinnovation auf Anbieter- und Kundenseite abzubilden. 3.10.4.6 System Dynamics System Dynamics stellt eine Methode dar, die in der Lage ist, komplexe und dynamische sozioökonomische und techno-ökonomische Systeme zu analysieren, zu modellieren und zu simulieren (Stumpfe 2003, S. 90; Schröter 2006, S. 127). Es basiert auf Elementen der Regelungstheorie als Teilgebiet der Kybernetik45 (Baetge 1974, S. 70), der deskriptiven Entscheidungstheorie sowie der Simulationstechnik (Schröter 2006, S. 127f.; Lerch 2015, S. 144). Von besonderer Bedeutung ist hierbei die Regelungstheorie, da System Dynamics von der zentralen Annahme ausgeht, dass jegliche Entscheidung oder Handlung Rückkopplungen verursacht und somit den gegebenen Zustand eines Systems verändert (Forrester 1961, S. 13f.). Die deskriptive Entscheidungstheorie als zweiter Grundpfeiler von System Dynamics unterstellt Menschen im Gegensatz zur normativen Entscheidungstheorie kein rationales Entscheidungsverhalten, sondern bezieht sich auf das tatsächlich beobachtbare Entscheidungsverhalten von Individuen. Daher muss ein System Dynamics Modell in der Lage sein, das Verhalten des Realsystems wiederzugeben (Schröter 2006, S. 128). Da Menschen nur schwerlich in der Lage sind, das Verhalten von komplexen und dynamischen Systemen auf Basis ihrer kognitiven Fähigkeiten korrekt vorherzusagen (Sterman 1989, S. 335f.; Dörner 2000, S. 58ff.), spielt als dritter Grundpfeiler die Simulationstechnik eine wichtige Rolle für System Dynamics (Schröter 2006, S. 129; Lerch 2015, S. 145). Mithilfe computergestützter kontinuierlicher Simulation kann das dynamische Verhalten von Systemen analysiert werden (Forrester 1969a, S. 3ff.).

42 43

44 45

Ai und die Zufallskomponente 𝜀𝑖 stellen unterschiedliche Aspekte dar.

Die Gumbel-Verteilung stellt eine Extremwertverteilung vom Typ I dar (Richter 2013, S. 42) und ist erforderlich, da die individuelle Kundenentscheidung diskreter Natur ist und daher lediglich „kaufen“ oder „nicht kaufen“ (0 oder 1) lauten kann. Es ist folglich eine Verteilung heranzuziehen, die diese Extremwerte adäquat abbildet. Für die detaillierte Herleitung der Formel sei auf Richter (2013, S. 41f.) verwiesen. Die Kybernetik, in der Literatur häufig als Theorie dynamischer Systeme bezeichnet (Flechtner 1970, S. 10), ist der allgemeinen Systemtheorie zuzuordnen (Baetge 1974, S. 11). Somit ist System Dynamics der Theorie dynamischer Systeme (Baldeweg 2006, S. 128) und folglich auch der allgemeinen Systemtheorie untergeordnet.

116

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

Es lässt sich sowohl das Zusammenspiel der Elemente als auch das dynamische Verhalten einzelner Elemente im Zeitverlauf grafisch abbilden (Forrester 1961, S. 117). So können die dem Modell zugrunde liegenden Hypothesen einzeln oder simultan untersucht werden und ein tieferes Verständnis von Systemverhalten und Systemstruktur erlangt werden (Stumpfe 2003, S. 92; Lerch 2015, S. 145). Vorgehensmodell zur Entwicklung von System Dynamics Simulationsmodellen Zur Entwicklung von System Dynamics Simulationsmodellen wurde von Sterman (2000, S. 85ff.) ein Vorgehensmodell entwickelt, welches sich etabliert hat (Martinez-Moyano und Richardson 2013). Die einzelnen Phasen sind dabei iterativ zu durchlaufen, da an einer beliebigen Stelle im Modellierungsprozess Erkenntnisse gewonnen werden können, die Anpassungen in vorherigen Schritten erforderlich machen können (Sterman 2000, S. 87). Zunächst ist das Problem zu definieren, bevor ein dynamisches Hypothesenmodell aufgestellt wird. Anschließend wird ein formales Simulationsmodell erstellt, welches umfassend zu testen ist, bevor Strategien entwickelt und überprüft werden können (vgl. Abbildung 3-6). Die folgende Beschreibung der einzelnen Schritte ist überwiegend an Sterman (2000, S. 87ff.) angelehnt.

Problemdefinition

Strategieentwicklung und -bewertung

Modelltest und -validierung

Abbildung 3-6:

Dynamisches Hypothesenmodell

Simulationsmodell

Vorgehensmodell zur Entwicklung von System Dynamics Simulationsmodellen nach Sterman (2000, S. 87)

 Problemdefinition: Im ersten Schritt ist die zu untersuchende Problem- oder Fragestellung zu beschreiben und der genaue Zweck der Modellierung festzulegen. Dadurch können erste Schlüsselvariablen identifiziert und der Zeithorizont der Untersuchung bestimmt werden. Durch die Definition des Problems werden auch die Systemgrenzen festgelegt. Es ist darauf zu achten, dass sich das dynamische Verhalten des Systems durch systeminterne Einflüsse erklären lässt und dass externe Einflüsse in möglichst geringem Umfang berücksichtigt werden. Es ist nicht ausgeschlossen, dass Zu- und Abflüsse in Relation zur Umwelt existieren, allerdings bleiben exogene Variablen vom dynamischen Verhalten des Systems unbeeinflusst (Milling 1984, S. 510).

3.10 Auswahl von Methoden zur Entwicklung eines Entscheidungsmodells

117

 Dynamisches Hypothesenmodell: Hypothesen über das Systemverhalten werden in der zweiten Phase aufgestellt. Es werden Aussagen und Thesen abgeleitet, welche einen Erklärungsbeitrag zur Ursache des Systemverhaltens leisten. Die aufgestellten Hypothesen müssen dabei in der Lage sein, das dynamische Verhalten des Systems auf Basis der endogenen Wirkungsbeziehungen und Rückkopplungsstrukturen zu erklären. Weiter werden auf Grundlage der Hypothesen und der bereits identifizierten Schlüsselvariablen Kausalzusammenhänge herausgearbeitet und so eine Grundstruktur des Systems entwickelt. Mithilfe von Kausaldiagrammen wird die Systemstruktur qualitativ abgebildet (Lerch 2015, S. 148). In dieser Phase können überdies erste Ideen für Strategien zur Verbesserung des Systemverhaltens entsprechend der formulierten Ziele gesammelt werden. Außerdem sind spätestens hier die Systemgrenzen festzulegen und die Subsysteme zu definieren.  Simulationsmodell: Die in der vorherigen Phase erarbeiteten und mittels Kausaldiagrammen dargestellten qualitativen Wirkungszusammenhänge und Systemgrößen werden im dritten Schritt in Bestands- und Flussdiagramme umgesetzt und durch diese detaillierter beschrieben. Sie bilden die Grundlage für die mathematische Formulierung der funktionalen Zusammenhänge (Schröter 2006, S. 141). Das qualitative Modell wird dadurch in ein quantitatives Modell überführt. Im Rahmen der Modellerstellung können Ungenauigkeiten und Widersprüche aufgedeckt werden. Um ein lauffähiges Simulationsmodell zu erhalten, sind abschließend die Konstanten zu parametrisieren und die Variablen zu initialisieren.  Modelltest und -validierung: In der vierten Phase wird überprüft, ob das entwickelte Modell die Struktur und das Verhalten des Realsystems unter Berücksichtigung der betrachteten Fragestellung adäquat abbildet. Zu diesem Zweck wird überprüft, ob das simulierte Verhalten mit dem tatsächlichen (historischen) Verhalten übereinstimmt. Weiter ist zu testen, ob auch unter extremen Einstellungen realistische Ergebnisse erzielt werden. Mithilfe von Sensitivitätstests wird überprüft, welchen Einfluss einzelne veränderte Annahmen, die teilweise unter Unsicherheit getroffen werden, auf das System haben. Diese Phase dient außerdem dazu, ein vertieftes Verständnis für Systemverhalten und -struktur zu entwickeln.  Strategieentwicklung und -bewertung: Die letzte Phase dient dazu, Strategien zu entwickeln und zu bewerten, welche das Systemverhalten in Richtung der anfangs definierten Ziele lenkt. Dazu können neue Maßnahmen, Strukturen oder Entscheidungsregeln erforderlich sein, welche in Simulationen erprobt werden (Schröter 2006, S. 142). Um System Dynamics zur Entscheidungsunterstützung einsetzen zu können, ist jedoch darauf zu achten, dass sich die Veränderungen auch im realen System umsetzen lassen. Außerdem ist die Robustheit einzelner Strategien zu überprüfen. Dazu werden Strategien in verschiedenen Umweltszenarien simuliert. Zur abschließenden Bewertung der Strategien sind geeignete Bewertungskriterien zu definieren (Gardiner und Ford 1980, S. 243ff.). Wie erläutert, wird im Rahmen von System Dynamics ein reales System zunächst qualitativ und anschließend quantitativ beschrieben. Grundsätzlich stehen dafür zwei Instrumente zur Verfügung. So erfolgt die qualitative Beschreibung des Systems und seiner Struktur mithilfe von Kausaldiagrammen, die erweiterte und quantitative Beschreibung auf Basis von Bestandsund Flussdiagrammen.

118

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

Kausaldiagramme Kausaldiagramme46 sind ein wichtiges Instrument zur Visualisierung von Rückkopplungsstrukturen komplexer Systeme (Sterman 2000, S. 137) und ermöglichen es, die Grundstruktur eines Systems sowie seine Ursache-Wirkungs-Beziehungen zu identifizieren. Somit können qualitative Aussagen über das Systemverhalten abgeleitet werden, ohne die Modellkomponenten spezifizieren oder quantifizieren zu müssen (Schröter 2006, S. 129). Durch die grafische Darstellung der Zusammenhänge und Abhängigkeiten sind Kausaldiagramme einfach zu erstellen und zu verstehen (Strohhecker und Fischer 2008b, S. 72) (vgl. Abbildung 3-7). Es ist jedoch darauf zu achten, dass alle abgebildeten Beziehungen entweder empirisch-kausal oder formal-kausal begründbar sind (Strohhecker und Fischer 2008b, S. 74f.). Außerdem ist zu betonen, dass die in einem System Dynamics Modell dargestellten Beziehungen grundsätzlich keine Abfolge diskreter Ereignisse repräsentieren. Vielmehr sind sie als kontinuierlich wirkende Zusammenhänge zu verstehen (Strohhecker 2008a, S. 147ff.; Kleine 2013, S. 108f.). Zinssatz

+ +

Zinsen

R

Kontostand

+ Abbildung 3-7:

Beispielhaftes Kausaldiagramm (Quelle: in Anlehnung an Strohhecker und Fischer (2008b, S. 95))

Ein Kausaldiagramm besteht im Wesentlichen aus Variablen, welche durch gerichtete Pfeile verbunden sind, die kausale Beziehungen, also Ursache-Wirkungs-Beziehungen darstellen. Dabei steht die Quelle des Pfeils für die unabhängige Variable und die Senke des Pfeils für die abhängige Variable (Schröter 2006, S. 129). Jeder Beziehung ist eine Polarität zugeordnet, die angibt, wie sich die abhängige Variable ändert, wenn sich die unabhängige Variable ändert. Ein Pluszeichen zeigt an, dass der Wert der abhängigen Variable steigt, wenn der Wert der unabhängigen Variable ansteigt, ein Minuszeichen zeigt ein Sinken des Werts der abhängigen Variable an, wenn der Wert der unabhängigen steigt (Sterman 2000, S. 138). Wirkt sich eine Änderung der unabhängigen Variable erst mit einer zeitlichen Verzögerung auf die abhängige Variable aus, so wird dies durch einen Doppelstrich im Verbindungspfeil angedeutet (Strohhecker und Fischer 2008b, S. 79ff.). Einfache Ursache-Wirkungs-Ketten reichen in der Regel nicht aus, um komplexe Zusammenhänge sinnvoll abzubilden. Schließt sich eine Kette aufgrund kausaler Zusammenhänge, so ergibt sich eine Rückkopplung, welche kreisrund dargestellt und als Regelkreis47 bezeichnet wird (Sterman 2000, S. 12f.). Regelkreise besitzen ebenfalls Polaritäten. Eine positive Polarität liegt vor, wenn es durch die Rückkopplung zu einer Verstärkung des ursprünglichen Verhaltens kommt, man spricht von einem „selbstverstärkenden Regelkreis“ oder „Reinforcing Loop“, weshalb dieser im Kausaldiagramm mit einen „R“ 46 47

Kausaldiagramme werden auch als „Feedback-Diagramme“ bezeichnet (Strohhecker 2008b, S. 28) bzw. im Englischen als „Causal Loop Diagrams“ (Sterman 2000, S. 137). Regelkreise werden auch als „Feedback-Schleifen“ (Strohhecker und Fischer 2008b, S. 81) bzw. im Englischen als „(Feedback) Loops“ bezeichnet (Sterman 2000, S. 138).

3.10 Auswahl von Methoden zur Entwicklung eines Entscheidungsmodells

119

gekennzeichnet wird. Eine negative Polarität liegt vor, wenn das ursprüngliche Verhalten durch die Rückkopplung abgeschwächt wird und sich so ein „zielsuchender konvergierender Regelkreis“ bzw. „Balancing Loop“, gekennzeichnet durch ein „B“, ergibt (Strohhecker und Fischer 2008b, S. 81ff.).48 Regelkreise bilden besondere Aspekte des Systemverhaltens wie Rückkopplungen ab und bedürfen daher besonderer Aufmerksamkeit sowohl bei der Erstellung als auch Analyse des Systems (Forrester 1968, S. 403f.). Bestands- und Flussdiagramme Da auf Basis von Kausaldiagrammen eine quantitative Modellierung nicht möglich ist, werden Bestands- und Flussdiagramme erstellt, um ein simulationsfähiges quantitatives Modell zu erhalten (Sterman 2000, S. 191f.). Als wesentliche Elemente werden Bestandsgrößen, Flussgrößen, Hilfsvariablen sowie Informationsflüsse verwendet (Forrester 1961, S. 81ff.)). Kausaldiagramme können meist nicht direkt in Bestands- und Flussdiagramme überführt werden, da letztere deutlich detaillierter und somit umfangreicher sind (Schröter 2006, S. 130) (Abbildung 3-8).49 Zinssatz

Kontostand Zinszufluss -rate

Abbildung 3-8:

Ausgaben -rate

Beispielhaftes Bestands- und Flussdiagramm

Bestände sind das Ergebnis von Akkumulationsprozessen und charakterisieren den Zustand eines Systems. Sie können sowohl materielle als auch immaterielle Bestände erfassen und werden in der System Dynamics Notation als Rechtecke dargestellt (Sterman 2000, S. 192). Jede Bestandsgröße besitzt in der Regel einen eingehenden sowie ausgehenden Fluss. Diese Flüsse bzw. Flussgrößen,50 welche den Bestand erhöhen bzw. verringern, werden durch doppelte gerichtete Pfeile mit einem Ventil dargestellt. Zuflussraten gehen von einer undefinierten Quelle aus, die als Wolke dargestellt wird und außerhalb des Systems liegt. Sie enden in einer Bestandsgröße. Abflussraten hingegen gehen von einer Bestandsgröße aus und enden in einer Senke, ebenfalls als Wolke dargestellt und außerhalb der Systemgrenzen liegend (Sterman 2000, S. 192). Um ein besseres Verständnis für das Modell zu erzielen, können Hilfsvariablen eingesetzt werden, die Zusammenhänge verdeutlichen. Über Informationsflüsse, welche als gebogene Pfeile dargestellt werden, sind die Hilfsvariablen mit Bestands- oder Flussgrößen verbunden (Forrester 1961, S. 82f.). In Summe wird so eine mathematische Darstellung des Systems ermöglicht.

48 49

50

Die Polarität wird jeweils in einem in Drehrichtung des Regelkreises gerichteten Dreiviertelkreis dargestellt (Strohhecker und Fischer 2008b, S. 81ff.). Bei der Überführung von Abbildung 3-7 in ein Bestands- und Flussdiagramm (vgl. Abbildung 3-8) wurde beispielsweise eine „Ausgabenrate“ ergänzt. Ebenso könnte man eine „Gehaltseingangsrate“ ergänzen. Diese Ergänzungen haben den Zweck, das Modell realitätsnäher zu gestalten. Flussgrößen werden im Englischen als “Flows” oder “Rates” bezeichnet.

120

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

Bestandsgrößen akkumulieren Zuflüsse und Abflüsse über die Zeit (Strohhecker und Fischer 2008a, S. 117ff.). Aus mathematischer Sicht werden die Bestandsgrößen von System Dynamics Modellen daher mittels Integralen bzw. Differenzialgleichungen erster Ordnung beschrieben (Sterman 2000, S. 193f.). Mit Bestand B(t) ergibt sich folgende Gleichung (Sterman 2000, S. 194; Strohhecker und Fischer 2008a, S. 118): 𝑡

𝐵 (𝑡) = ∫ [𝑍𝑢𝑓𝑙𝑢𝑠𝑠(𝑠) − 𝐴𝑏𝑓𝑙𝑢𝑠𝑠(𝑠)]𝑑𝑠 + 𝐵(𝑡0 )

(3-7)

𝑡0

𝑑𝐵(𝑡) = 𝑍𝑢𝑓𝑙𝑢𝑠𝑠(𝑡) − 𝐴𝑏𝑓𝑙𝑢𝑠𝑠(𝑡) 𝑑𝑡

(3-8)

Da die Lösung eines entsprechenden Gleichungssystems auf analytischem Weg kaum möglich ist, wird auf eine numerische Approximation zurückgegriffen (Bossel 1994, S. 147, S. 225ff.). System Dynamics wird aufgrund seiner Vielseitigkeit als Kernmethode des Entscheidungsmodells verwendet. 3.10.5 Grundlagen zu den ausgewählten Bewertungsmethoden 3.10.5.1 Kapitalwert und Annuitätenmethode Die Kapitalwertmethode und die Annuitätenmethode stellen Vertreter der dynamischen Investitionsrechnungsverfahren dar. Dabei bezeichnet der Kapitalwert die Summe aller Barwerte der mit einer Investition verbundenen Ein- und Auszahlungen (Bieg et al. 2016, S. 100). Barwerte wiederum beschreiben den Gegenwartswert von künftig zu erwartenden Zahlungen, sodass mit der Kapitalwertmethode die Attraktivität einer Investition zum aktuellen Zeitpunkt bewertet werden kann (Poggensee 2015, S. 105). Werden mehrere Investitionen miteinander verglichen, ist die Investition relativ vorteilhaft, deren Kapitalwert am höchsten ist (Blohm et al. 2012, S. 51). Absolute Vorteilhaftigkeit einer Investition ist gegeben, sofern der Kapitalwert größer null ist, wenn also die durch die Investition zu erzielende Verzinsung über dem Kapitalmarktzinssatz liegt (Bieg et al. 2016, S. 101). Relative Vorteilhaftigkeit bestimmt sich durch einen höheren Kapitalwert. Zahlungen identischer Höhe, die bei verschiedenen Investitionsalternativen zum selben Zeitpunkt anfallen, können vernachlässigt werden, sofern im Sinne einer Differenzinvestition lediglich die relative Vorteilhaftigkeit von Investitionsalternativen gefragt ist (Götze 2014, S. 80ff.). Sind die Einzahlungsströme verschiedener Investitionen identisch, ist es demzufolge zur Bewertung der relativen Vorteilhaftigkeit ausreichend, lediglich die Auszahlungen bzw. Investitionsausgaben It vom Zeitpunkt heute (t=0) bis zum Ende der Nutzungsdauer n bei Kalkulationszinssatz i miteinander zu vergleichen. Für den Kapitalwert C0 ergibt sich: 𝑛

𝐶0 = ∑

−𝐼𝑡 + 𝑖)𝑡

𝑡=0 (1

(3-9)

3.10 Auswahl von Methoden zur Entwicklung eines Entscheidungsmodells

121

Unter Berücksichtigung von Investitionsausgaben I0 zum Zeitpunkt t=0 (bzw. einer Anschaffungsinvestition) eines mit der Investition verbundenen Liquidationserlöses Ln am Ende der Nutzungsdauer sowie über die Nutzungsdauer hinweg periodischer konstanter (Folge-)Investitionsausgaben (I zu den Zeitpunkten t=1,..., n) ergibt sich folgende Formel für den Kapitalwert in Anlehnung an Blohm et al. (2012, S. 48) und Bieg et al. (2016, S. 103): 𝐶0 =

−𝐼 ⏟0 𝐼𝑛𝑣𝑒𝑠𝑡𝑖𝑡𝑖𝑜𝑛𝑠𝑎𝑢𝑠𝑔𝑎𝑏𝑒𝑛

Der Ausdruck

(1+𝑖)𝑛 −1 (1+𝑖)𝑛 ∙𝑖

+

𝐿𝑛 (1 + 𝑖)𝑛 ⏟ 𝐵𝑎𝑟𝑤𝑒𝑟𝑡 𝑑𝑒𝑠 𝐿𝑖𝑞𝑢𝑖𝑑𝑎𝑡𝑖𝑜𝑛𝑠𝑒𝑟𝑙ö𝑠𝑒𝑠

(1 + 𝑖)𝑛 − 1 − 𝐼∙ ⏟ (1 + 𝑖)𝑛 ∙ 𝑖

(3-10)

𝐵𝑎𝑟𝑤𝑒𝑟𝑡 𝑝𝑒𝑟𝑖𝑜𝑑𝑖𝑠𝑐ℎ𝑒𝑟 𝐼𝑛𝑣𝑒𝑠𝑡𝑖𝑡𝑖𝑜𝑛𝑠𝑎𝑢𝑠𝑔𝑎𝑏𝑒𝑛

wird als Rentenbarwertfaktor (RBF) oder Barwertfaktor bezeichnet und

wird zur Berechnung des Barwerts einer Reihe jährlich gleich bleibender Zahlungen (Annuitäten) herangezogen (Blohm et al. 2012, S. 46).51 Unter Annahme eines vollkommenen Kapitalmarkts können Kapitalbindungs- und Nutzungsdauerunterschiede bei der Berechnung des Kapitalwerts vernachlässigt werden.52 Da im Rahmen dieser Arbeit die Investition aus Unternehmenssicht bewertet werden soll und Ertragssteuerwirkungen auf Investitionsprojekte nicht unterschätzt werden dürfen (Blohm et al. 2012, S. 101f.), sind zusätzlich Ertragssteuern sowie steuermindernde Abschreibungen zu berücksichtigen. Dabei werden folgende Annahmen zugrunde gelegt (Blohm et al. 2012, S. 103f.; Bieg et al. 2016, S. 163ff.):  lineare Abschreibung der Anschaffungsinvestitionen (Absetzung für Abnutzung (AfA)) über die Abschreibungsdauer a  Abschreibung der periodischen konstanten Investitionsausgaben in voller Höhe als laufende Betriebsausgaben in der Periode, in der sie anfallen  zur Gewinnhöhe proportionaler Einheitsertragssteuersatz s  Bemessungsgrundlage für Ertragssteuern ist der um in der jeweiligen Periode anfallende Abschreibungen reduzierte Zahlungsüberschuss, wobei die Steuerzahlungen der Periode der Erfolgsentstehung zuzurechnen sind  Einzahlungen bleiben weiterhin unberücksichtigt; es wird jedoch davon ausgegangen dass in jeder Periode ein Einzahlungsüberschuss erzielt wird, sodass der ertragssteuerpflichtige Betrag durch Afa und Abschreibung der laufenden Betriebsausgaben reduziert werden kann (vgl. Busse von Colbe et al. 2015, S. 86)  Restbuchwert des Investitionsobjekts beträgt am Ende der Nutzungsdauer null Euro  Sollzinssatz vor Steuern ist identisch mit dem Habenzinssatz vor Steuern; außerdem ist der Zinssatz vor Steuern identisch mit dem Zinssatz nach Steuern53

51 52 53

Annuität ∙ Rentenbarwertfaktor = Barwert. Der Kapitalwert einer fiktiven Finanzierungsmaßnahme zur Finanzierung der Investitionsausgaben zum Kalkulationszinssatz ist unter Annahme eines vollkommenen Kapitalmarkts gleich null (Götze 2014, S. 85f.). In der Literatur wird häufig der Zinssatz vor Steuern und nach Steuern unterschieden (vgl. Götze 2014, S. 140f.; Bieg et al. 2016, S. 161f.). Da Rechnungen gezeigt haben, dass diese Unterscheidung das Ergebnis nicht wesentlich beeinflusst, wurde die Unterscheidung vernachlässigt.

122

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

Damit ergibt sich in Anlehnung an Blohm et al. (2012, S. 104), Bieg et al. (2016, S. 164) und Götze (2014, S. 138ff.) für das Standardmodell zur Berücksichtigung von Ertragssteuern (Nettomethode II): 𝐼0 ∙ 𝑠 ∙ 𝑅𝐵𝐹𝑎 ⏟ 𝑎

𝐶0 = −𝐼0 +

+

𝐵𝑎𝑟𝑤𝑒𝑟𝑡 𝑑𝑒𝑟 𝑝𝑒𝑟𝑖𝑜𝑑𝑖𝑠𝑐ℎ𝑒𝑛 𝑉𝑒𝑟𝑟𝑖𝑛𝑔𝑒𝑟𝑢𝑛𝑔 𝑑𝑒𝑟 𝑆𝑡𝑒𝑢𝑒𝑟𝑙𝑎𝑠𝑡 𝑑𝑢𝑟𝑐ℎ 𝐴𝑓𝑎

𝐿𝑛 ∙ (1 − 𝑠) ⏟(1 + 𝑖)𝑛

− ⏟ 𝐼 ∙ 𝑅𝐵𝐹𝑛 ∙ (1 − 𝑠)

𝐵𝑎𝑟𝑤𝑒𝑟𝑡 𝑑𝑒𝑠 𝑣𝑒𝑟𝑠𝑡𝑒𝑢𝑒𝑟𝑡𝑒𝑛 𝐿𝑖𝑞𝑢𝑖𝑑𝑎𝑡𝑖𝑜𝑛𝑠𝑒𝑟𝑙ö𝑠𝑒𝑠

(3-1 1 )

𝐵𝑎𝑟𝑤𝑒𝑟𝑡 𝑝𝑒𝑟𝑖𝑜𝑑𝑖𝑠𝑐ℎ𝑒𝑟 𝐼𝑛𝑣𝑒𝑠𝑡𝑖𝑡𝑖𝑜𝑛𝑠𝑎𝑢𝑠𝑔𝑎𝑏𝑒𝑛 𝑛𝑎𝑐ℎ 𝐴𝑏𝑠𝑐ℎ𝑟𝑒𝑖𝑏𝑢𝑛𝑔𝑒𝑛

Der Kapitalwert umfasst alle mit einer Investition verbundenen Zahlungen über die gesamte Betrachtungsdauer diskontiert auf den Betrachtungszeitpunkt t=0. Sollen jedoch der Kapitalwert oder generell einmalige Zahlungen periodisiert werden, also in einen äquivalenten Strom gleichbleibender Zahlungen transformiert werden, kann die Annuitätenrechnung herangezogen werden (Bieg et al. 2016, S. 89). Hierfür wird der Kapitalwiedergewinnungsfaktor (KWF) oder Annuitätenfaktor (Kehrwert des RBF) herangezogen: 𝐴 = 𝐶0 ∙

(1 + 𝑖)𝑛 ∙ 𝑖 (1 + 𝑖)𝑛 − 1

(3-12)

Angewendet auf die Gleichung für den Kapitalwert ergibt sich: 𝐴=

−𝐼0 ∙ 𝐾𝑊𝐹 ⏟ 𝐴𝑛𝑛𝑢𝑖𝑡ä𝑡 𝑑𝑒𝑟 𝐼𝑛𝑣𝑒𝑠𝑡𝑖𝑡𝑖𝑜𝑛𝑠𝑎𝑢𝑠𝑔𝑎𝑏𝑒𝑛

+

𝐼0 ∙𝑠+ ⏟ 𝑎 𝐴𝑓𝑎

𝐿𝑛 ∙ (1 − 𝑠) ∙ 𝑖 (1 + 𝑖)𝑛 − 1 ⏟

−

𝐴𝑛𝑡𝑒𝑖𝑙𝑖𝑔𝑒𝑟 𝑉𝑒𝑟ä𝑢ß𝑒𝑟𝑢𝑛𝑔𝑠𝑔𝑒𝑤𝑖𝑛𝑛

𝐼 ∙ (1 − 𝑠) ⏟ 𝑝𝑒𝑟𝑖𝑜𝑑𝑖𝑠𝑐ℎ𝑒 𝐼𝑛𝑣𝑒𝑠𝑡𝑖𝑡𝑖𝑜𝑛𝑠𝑎𝑢𝑠𝑔𝑎𝑏𝑒𝑛 𝑛𝑎𝑐ℎ 𝐴𝑏𝑠𝑐ℎ𝑟𝑒𝑖𝑏𝑢𝑛𝑔

(3-13)

3.10.5.2 PROMETHEE PROMETHEE stellt eine Methode zur multiattributiven Entscheidungsfindung dar und zählt zu den Outranking-Verfahren. Diese Verfahren zeichnen sich dadurch aus, dass jeweils die einzelnen Kriterien zweier Alternativen miteinander verglichen werden und dass sie in der Lage sind, Unvergleichbarkeiten und schwache Präferenzen zu berücksichtigen (Brans et al. 1986, S. 228; Zimmermann und Gutsche 1991, S. 220; Geldermann 2005, S. 126f.). Letzteres wird durch einen erweiterten Kriterienbegriff ermöglicht, mit dem der Entscheider jegliche Abstufungen der Stärke seiner Präferenzen äußern kann (Walther und Schmidt 2009, S. 21).

Abbildung 3-9:

...

x 1,c

A2

x 2,1

x 2,2

...

x 2,c

...

x a,c

Aa

x a,1

x a,2

...

Cc

x 1,2

...

...

x 1,1

...

C2

A1

...

Alternativen

Kriterien C1

Darstellung einer Entscheidungsmatrix (Quelle: Klein und Scholl (2012, S. 42), Hettesheimer (2017, S. 134))

Voraussetzung für die Durchführung von PROMETHEE ist das Vorliegen einer Entscheidungsmatrix (vgl. Abbildung 3-9) (Geldermann und Lerche 2014, S. 15). Das Entscheidungsproblem ist folglich definiert, ein Zielsystem sowie die dazugehörige Kriterienhierarchie Cj= {C1, ..., Cc} ermittelt, Alternativen Ai= {A1, ..., Aa} identifiziert und für jede Alternative die Kriterienausprägungen xi,j = {x1,1, ..., xa,c} bestimmt.

3.10 Auswahl von Methoden zur Entwicklung eines Entscheidungsmodells

123

Dabei gilt: 𝑥𝑖,𝑗 = 𝑓𝑗 (𝐴𝑖 )

(3-14)

Reellwertige Kriterienausprägungen können dabei in ihrer ursprünglichen Einheit herangezogen werden, wohingegen qualitative Angaben erst entsprechend transformiert werden müssen (Macharis et al. 1998, S. 289). Insgesamt zeigt sich, dass zahlreiche Schritte zur Entwicklung eines Entscheidungsmodells (vgl. Abbildung 3-3) als Grundlage für PROMETHEE erforderlich sind. Die Durchführung von PROMETHEE kann nach Geldermann und Lerche (2014, S. 54) in sechs Schritte unterteilt werden:  Festlegung und Definition der Präferenzfunktionen Der Entscheider legt für jedes Kriterium Cj fest, welche Präferenzfunktion Pj seine Präferenzen am besten widerspiegelt (Geldermann und Lerche 2014, S. 55). Über Paarvergleiche werden jeweils zwei Alternativen Ak und Al hinsichtlich ihrer Kriterienausprägungen verglichen. Dabei wird die Differenz dj der Kriterienausprägungen je Kriterium ermittelt und mittels der Präferenzfunktion bestimmt, inwiefern diese Differenz zu einer Präferenz auf einem Intervall zwischen 0 und 1 führt (Zimmermann und Gutsche 1991, S. 221): 𝑑𝑗 (𝐴𝑘 , 𝐴𝑙 ) = 𝑓𝑗 (𝐴𝑘 ) − 𝑓𝑗 (𝐴𝑙 ) = 𝑥𝑘,𝑗 − 𝑥𝑙,𝑗

(3-15)

𝑃𝑗 (𝐴𝑘 , 𝐴𝑙 ) = 𝑃𝑗 (𝑓𝑗 (𝐴𝑘 ) − 𝑓𝑗 (𝐴𝑙 )) = 𝑃𝑗 (𝑥𝑘,𝑗 − 𝑥𝑙,𝑗 ) = 𝑃𝑗 (𝑑𝑗 ) ∈ [0,1]

(3-16)

Wie bereits erläutert können bei PROMETHEE auch starke und schwache Präferenzen berücksichtigt werden. Folgende Präferenzabstufungen sind gemäß der Präferenzfunktionen möglich (Brans et al. 1986, S. 229): 𝑃𝑗 (𝐴𝑘 , 𝐴𝑙 ) = 0

𝐼𝑛𝑑𝑖𝑓𝑓𝑒𝑟𝑒𝑛𝑧 𝑧𝑤𝑖𝑠𝑐ℎ𝑒𝑛 𝐴𝑘 𝑢𝑛𝑑 𝐴𝑙

(3-17)

𝑠𝑐ℎ𝑤𝑎𝑐ℎ𝑒 𝑃𝑟ä𝑓𝑒𝑟𝑒𝑛𝑧 𝑣𝑜𝑛 𝐴𝑘 𝑔𝑒𝑔𝑒𝑛ü𝑏𝑒𝑟 𝐴𝑙

(3-18)

𝑃𝑗 (𝐴𝑘 , 𝐴𝑙 ) ~ 1

𝑠𝑡𝑎𝑟𝑘𝑒 𝑃𝑟ä𝑓𝑒𝑟𝑒𝑛𝑧 𝑣𝑜𝑛 𝐴𝑘 𝑔𝑒𝑔𝑒𝑛ü𝑏𝑒𝑟 𝐴𝑙

(3-19)

𝑃𝑗 (𝐴𝑘 , 𝐴𝑙 ) = 1

𝑠𝑡𝑟𝑖𝑘𝑡𝑒 𝑃𝑟ä𝑓𝑒𝑟𝑒𝑛𝑧 𝑣𝑜𝑛 𝐴𝑘 𝑔𝑒𝑔𝑒𝑛ü𝑏𝑒𝑟 𝐴𝑙

(3-20)

𝑃𝑗 (𝐴𝑘 , 𝐴𝑙 ) ~ 0

Die Abstufungen der Präferenzstärke sind grundsätzlich frei wählbar, jedoch wird bei der Anwendung von PROMETHEE in der Regel aus sechs Typen von Präferenzfunktionen ausgewählt (vgl. Abbildung 3-10) (Walther und Schmidt 2009, S. 41; Geldermann 2005, S. 128). Beim gewöhnlichen Kriterium liegt Indifferenz nur dann vor, wenn die Kriterienausprägungen identisch sind, ansonsten liegt strikte Präferenz vor. Überschreitet die Differenz der Kriterienausprägungen bei einem Quasikriterium einen Schwellenwert q (Indifferenzwert), liegt strikte Präferenz vor, darunter Indifferenz (Walther und Schmidt 2009, S. 41). Beim Kriterium mit linearer Präferenz steigt die Präferenz bis zu einem Präferenzwert p linear an. Ab Erreichen des Präferenzwerts liegt strikte Präferenz vor. Liegt die Differenz der Kriterienausprägungen bei einem Stufenkriterium unter dem Indifferenzwert, liegt Indifferenz vor. Wird der Indifferenzwert überschritten, liegt schwache Präferenz vor, und ab Überschreiten des Präferenzwerts

124

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

besteht strikte Präferenz. Es sind auch mehrere Stufen denkbar (Zimmermann und Gutsche 1991, S. 224). Kriterien mit linearer Präferenz und Indifferenzbereich zeichnen sich dadurch aus, dass die Präferenz erst mit Überschreiten einer Indifferenzschwelle linear ansteigt und ab Überschreiten des Präferenzwerts strikte Präferenz vorliegt. Beim Gaußschen Kriterium steigt die Präferenz streng monoton mit der Differenz der Kriterienausprägungen an. Jedoch wird selbst für große Differenzen keine strikte Präferenz angenommen, sondern diese nur angenähert. Typ I: gewöhnliches Kriterium

Typ IV: Stufenkriterium

Pj(d)j

Pj(d)j

1 0 𝑃𝑗 𝑑𝑗 = 1

𝑑𝑗 𝑑𝑗

1

0 0

𝑃𝑗 𝑑𝑗

0 = 0, 1

𝑑𝑗 𝑑𝑗

0,5

𝑑𝑗

dj

0

Typ II: Quasikriterium

0

0 𝑑𝑗 𝑃𝑗 𝑑𝑗 = 1 𝑑𝑗

𝑃𝑗 𝑑𝑗 = 0

q

dj

Typ III: Kriterium mit linearer Präferenz

0 𝑑𝑗 −

1

𝑑𝑗 𝑑𝑗

− 1

𝑑𝑗 0

𝑃𝑗 𝑑𝑗 =

0

1

dj

1 0 𝑃𝑗 𝑑𝑗 =

𝑑𝑗 𝑑𝑗

Abbildung 3-10:

p

Pj(d)j

1

0

q

Typ VI: Gaußsches Kriterium

Pj(d)j 0

dj

Pj(d)j

1

𝑑𝑗

p

Typ V: Kriterium mit linearer Präferenz und Indifferenzbereich Pj(d)j

0 𝑑𝑗

q

p

1 −𝑒

−

𝑑𝑗

0

𝑑𝑗

𝑑𝑗 ≥ 0

dj

0

σ

dj

Verallgemeinerte Präferenzfunktionen (Quelle: Zimmermann und Gutsche (1991, S. 222ff.), Geldermann (2005, S. 128))

In Abhängigkeit vom Anwendungsfall werden geeignete verallgemeinerte Präferenzfunktionen ausgewählt und entsprechend parametrisiert, um die Präferenz des Entscheiders möglichst genau wiederzugeben. Es ist jedoch zusätzlich festzulegen, ob die Präferenzen Pj des Entscheiders mit zunehmender Differenz der Kriterienausprägungen dj zunehmen oder abnehmen, ob die Differenz also maximiert oder minimiert werden soll. Dazu wird die Differenz dj vor Anwendung der Präferenzfunktion Pj mit v multipliziert: 𝑣 ∙ 𝑑𝑗 (𝐴𝑘 , 𝐴𝑙 )

1 𝑤𝑒𝑛𝑛 𝑀𝑎𝑥𝑖𝑚𝑖𝑒𝑟𝑢𝑛𝑔 𝑚𝑖𝑡 𝑣 = { −1 𝑤𝑒𝑛𝑛 𝑀𝑖𝑛𝑖𝑚𝑖𝑒𝑟𝑢𝑛𝑔

(3-21)

3.10 Auswahl von Methoden zur Entwicklung eines Entscheidungsmodells

125

 Ermittlung der subjektiven Kriteriengewichtung Im nächsten Schritt sind die Kriterien entsprechend der Präferenzen des Entscheiders zu gewichten. Die Gewichtung eines Kriteriums wj zeigt dabei seine relative Bedeutung gegenüber allen anderen Kriterien auf, Bandbreiten von Ausprägungen sind dabei nicht zu berücksichtigen (Walther und Schmidt 2009, S. 40). Dabei gilt, dass die Summe aller Einzelgewichte eins ergeben muss. Zur Ermittlung der subjektiven Kriteriengewichte existieren zahlreiche unterschiedliche Methoden (Zardari et al. 2015, S. 23ff.). Im Rahmen dieser Arbeit wird die SIMOSMethode herangezogen. Ihre Vorteile gegenüber anderen Methoden liegen darin, dass sie einfach zu verstehen, ansprechend zu visualisieren und in der Praxis gut umzusetzen ist. Die Kriterien werden auf Karten geschrieben und entsprechend ihrer Wichtigkeit in eine (vertikale) Reihen-/Rangfolge gebracht. Karten können dabei parallel angeordnet werden, wenn die Kriterien gleich wichtig sind oder leere Karten eingefügt werden, wenn die Wichtigkeit der Kriterien weit auseinanderliegt (Geldermann und Lerche 2014, S. 36). Anschließend ist das Verhältnis f festzulegen, welches das Verhältnis der Wichtigkeit zwischen dem ersten und letzten Kriterium repräsentiert (Wilkens 2012, S. 26). Entsprechend des Rangs rj eines Kriteriums können die Punktwerte sj für einzelne Kriterien wie folgt berechnet werden: 𝑠𝑗 = 𝑟𝑚𝑖𝑛 + (𝑓 − 1) ∙

𝑟𝑗 − 𝑟𝑚𝑖𝑛 𝑟𝑚𝑎𝑥 − 𝑟𝑚𝑖𝑛

(3-22)

Der Anteil der Punkte eines Kriteriums an der Summe aller Punkte ergibt die (normierte) Gewichtung: 𝑤𝑗 =

𝑠𝑗 ∑𝑐𝑛=1 𝑠𝑛

(3-23)

 Bestimmung der Outrankingrelationen Im nächsten Schritt ist für die Menge der Alternativen eine Outrankingrelation π: A×A→[0,1] zu bestimmen mit: 𝑐

𝜋(𝐴𝑘 , 𝐴𝑙 ) = ∑

𝑗=1

𝑃𝑗 (𝐴𝑘 , 𝐴𝑙 ) ∙ 𝑤𝑗

(3-24)

Dabei wird π(Ak, Al) als Präferenzindex bezeichnet, der für alle Alternativenpaare gebildet wird und der die Stärke der Präferenz einer Alternative Ak gegenüber einer Alternative Al abbildet, wenn alle Kriterien gleichzeitig betrachtet werden (Zimmermann und Gutsche 1991, S. 227).  Berechnung der Aus- und Eingangsflüsse Zur Berechnung der Aus- und Eingangsflüsse werden die normierten Summen der Präferenzindizes einer Alternative gebildet (Geldermann 2005, S. 129): 𝛷 + (𝐴𝑘 ) =

𝑎 1 ∑ 𝜋 (𝐴𝑘 , 𝐴𝑙 ) 𝑎 − 1 𝑙=1

(3-25)

𝛷 − (𝐴𝑘 ) =

𝑎 1 ∑ 𝜋 (𝐴𝑙 , 𝐴𝑘 ) 𝑎 − 1 𝑙=1

(3-26)

Der Ausgangsfluss (Φ+) gibt an, wie stark eine Alternative alle anderen Alternativen dominiert, der Eingangsfluss (Φ-) hingegen sagt aus, wie stark eine Alternative von anderen dominiert wird (Brans et al. 1986, S. 232; Walther und Schmidt 2009, S. 45).

126

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

 Aggregation und Auswertung nach PROMETHEE I Auf Basis der ermittelten Aus- und Eingangsflüsse ist eine Rangfolge der Alternativen zu bestimmen. Mittels PROMETHEE I kann eine partielle Präordnung gebildet werden, die sowohl Präferenzen, Indifferenzen als auch Unvergleichbarkeiten berücksichtigt (Geldermann 2005, S. 129f.). Präferenz besteht, wenn eine Alternative Ak einen höheren Ausgangsfluss sowie einen kleineren Eingangsfluss aufweist als Alternative Al oder wenn nur eine der beiden Bedingungen erfüllt ist und beim anderen Fluss Gleichheit herrscht (Zimmermann und Gutsche 1991, S. 229f.; Geldermann und Lerche 2014, S. 63): 𝛷 + (𝐴𝑘 )

𝛷 + (𝐴𝑙 )

𝑢𝑛𝑑 𝛷 − (𝐴𝑘 )

𝛷 − (𝐴𝑙 )

(3-27)

𝛷 + (𝐴𝑘 )

𝛷 + (𝐴𝑙 )

𝑢𝑛𝑑 𝛷 − (𝐴𝑘 ) = 𝛷 − (𝐴𝑙 )

(3-28)

𝑢𝑛𝑑 𝛷 − (𝐴𝑘 )

(3-29)

𝛷 + (𝐴𝑘 ) = 𝛷 + (𝐴𝑙 )

𝛷 − (𝐴𝑙 )

Sind die Ausgangs- und Eingangsflüsse zweier Alternativen identisch, so ergibt sich Indifferenz: 𝛷 + (𝐴𝑘 ) = 𝛷 + (𝐴𝑙 )

𝑢𝑛𝑑 𝛷 − (𝐴𝑘 ) = 𝛷 − (𝐴𝑙 )

(3-30)

Unvergleichbarkeiten ergeben sich, wenn der Ausgangsfluss einer Alternative Ak größer ist als der einer anderen Alternative Al, der Eingangsfluss aber ebenfalls größer ist oder umgekehrt: 𝛷 + (𝐴𝑘 )

𝛷 + (𝐴𝑙 )

𝑢𝑛𝑑 𝛷 − (𝐴𝑘 )

𝛷 − (𝐴𝑙 )

(3-31)

𝛷 + (𝐴𝑘 )

𝛷 + (𝐴𝑙 )

𝑢𝑛𝑑 𝛷 − (𝐴𝑘 )

𝛷 − (𝐴𝑙 )

(3-32)

 Aggregation und Auswertung nach PROMETHEE II Um Unvergleichbarkeiten aufzulösen und eine vollständige Präordnung zu erlangen, kann der Nettofluss (Φ0) einer Alternative berechnet werden. Er ergibt sich als Differenz aus Ausgangsund Eingangsfluss und wird im Rahmen des PROMETHEE II-Verfahrens ausgewertet (Geldermann 2005, S. 130): 𝛷 0 (𝐴𝑘 ) = 𝛷 + (𝐴𝑘 ) − 𝛷 − (𝐴𝑘 )

(3-33)

Die Rangfolge wird gemäß abnehmender Höhe der Nettoflüsse ermittelt. Grundsätzlich ist in der Praxis meist eine vollständige Präordnung der Alternativen gefragt, was für die Anwendung von PROMETHEE II spricht. Trotzdem ist in der Regel auch eine Auswertung nach PROMETHEE I sinnvoll, da die die Berechnung des Nettoflusses mit einem Informationsverlust einher geht: Die Unvergleichbarkeiten werden aufgelöst (Brans et al. 1986, S. 233; Zimmermann und Gutsche 1991, S. 230). Diese können jedoch relevante Informationen für den Entscheider darstellen. 3.11 Beschreibung der Gesamtmethodik In diesem Kapitel wird aufgezeigt, wie die ausgearbeiteten Vorgehensschritte und ausgewählten Methoden zu einer stimmigen Gesamtmethodik zur Entwicklung von Entscheidungsmodellen zum Einsatz nachhaltiger Dienstleistungsinvestitionen in der Logistik kombiniert werden

3.11 Beschreibung der Gesamtmethodik

127

können. Die Gesamtmethodik ist in Abbildung 3-11 dargestellt. Grundsätzlich bauen die Schritte aufeinander auf, wobei durch die dünnen Verbindungspfeile angezeigt wird, wenn Ergebnisse in einem nachfolgenden Schritt direkt herangezogen werden. Darüber hinaus ist das gesamte Vorgehen iterativ, sodass Informationen, die in einem Schritt erlangt werden, Änderung in vorhergehenden Schritten erforderlich machen können.

Beschreibung des Entscheidungsproblems Ermittlung des Zielsystems

Zielgenerierung Zielstrukturierung

Brainstorming mittels Fokusgruppeninterview, Ergänzung anhand Zielkategoriesystem Aggregation und Strukturierung anhand Zielkategoriesystem

Zieloperationalisierung

Proxy-Zielgrößen, künstliche Zielgrößen

Anpassung Zielsystem

Fokusgruppeninterview, unternehmensspezifische Reduktion und Anpassung

Zielgewichtung Präferenzfunktionen

heute/zukünftig, SIMOS-Methode mittels Fokusgruppeninterview Fokusgruppeninterview, individuelle Bestimmung

Bestimmung von Handlungsalternati ven Handlungsalternativen Entscheidungsregeln

anhand Adopterkategorien/Adoptionsgeschwindigkeit auf Basis externer Einflüsse oder DCM

Bestimmung von Problemgrenzen Zielzusammenhänge

CIA mit Zielgrößen, Angebot und Nachfrage, individuelle Durchführung und gemeinsame Diskussion

Modellerweiterung

systematische Erweiterung auf formal-logischer oder empirisch-kausaler Basis

Ermittlung von Umweltszenarien Umweltprognose Szenarienermittlung

Prognose exogener Variablen, Prognosen aus Literatur, klassische Zeitreihenzerlegung, Indikatormethode Basisszenario, Extremszenario

Wirkungsprognose Dynamisches Hypothesenmodell

Anpassung mittels Fokusgruppeninterview, System Dynamics

Bestands-und FlussDiagramm

Experten- und Fokusgruppeninterviews zur Detaillierung und Quantifizierung, primär formal-logische Quantifizierung, Entscheidungsregeln für Anbieter und Kunden, Kapitalwert, Annuität, System Dynamics

Test und Validierung

u.a. Sensitivitätsanalysen, System Dynamics

Simulation

Simulation der Handlungsalternativen unter verschiedenen Umweltszenarien, System Dynamics sequenzielle Verknüpfung

Bewertung

qualitative Bewertung

Entwicklung jährlicher Nettoflüsse der Handlungsalternativen, PROMETHEE

quantitative Bewertung

Summe jährlicher Nettoflüsse, PROMETHEE

Abbildung 3-11:

Gesamtmethodik zur Entwicklung von Entscheidungsmodellen mit adäquater Methodenunterstützung

128

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

Zunächst wird davon ausgegangen, dass das grundsätzliche Entscheidungsproblem mittels strategischer oder taktisch-operativer Methoden identifiziert und abgegrenzt wurde. Ermittlung des Zielsystems Bei der Ermittlung des Zielsystems für das Entscheidungsproblem soll wie bereits erläutert auf die Methode Brainstorming zurückgegriffen werden, weil diese einfach umzusetzen und in der Unternehmenspraxis akzeptiert und verbreitet ist. Da Brainstorming mit dem Ziel der Erhebung von Ideen oder Informationen durchgeführt wird und meist mit mehreren Personen erfolgt, kann es auch als Fokusgruppeninterview und damit als qualitative Befragung bezeichnet werden (Töllner 2010, S. 97). Zunächst ist eine möglichst heterogene Gruppe von etwa 5 bis 15 Personen auszuwählen, die inhaltlich mit dem Entscheidungsproblem als Ganzes oder mit Einzelaspekten vertraut sind. Nach Möglichkeit sollten hierbei Mitarbeiter des betroffenen LDL mit Mitarbeitern anderer LDL, die sich mit einem ähnlichen Entscheidungsproblem beschäftigen, und branchenfremden Personen vermischt werden, um möglichst breit diskutieren zu können. Mit dieser Gruppe sind in einem ersten Schritt alle problemrelevanten Ziele bzw. Zielkriterien zu sammeln (Zielgenerierung). In einem zweiten Schritt sind die gesammelten Ziele auf Basis des entwickelten Zielkategoriesystems zu ergänzen, welches somit Anregungen für weitere relevante Ziele und Zielkriterien geben kann. Anschließend werden die Ziele diskutiert und dabei weniger relevante Ziele herausgefiltert und ähnliche Ziele zusammengefasst, um Überschneidungen zu vermeiden. Dann erfolgt die Bottom-up-Zielstrukturierung anhand des Zielkategoriesystems, wobei auch Top-down neue Ziele und Zielkriterien abgeleitet werden können. Hiermit ist auch meist eine weitere Aggregation verbunden. Eventuell sind hierbei auch Ziele und Zielkriterien neu zu formulieren bzw. anzupassen. Darüber hinaus ist für einzelne Zielkriterien zu diskutieren, inwieweit diesen eine Maßeinheit zugeordnet werden kann, also wie diese operationalisiert werden können. Gerade bei den ökologischen und sozialen Zielen kann es erforderlich sein, Proxy-Zielgrößen oder künstliche Zielgrößen zu definieren. Danach ist das für das Entscheidungsproblem ermittelte allgemeine Zielsystem ausschließlich mit dem LDL zu diskutieren. Es ist im Rahmen eines Fokusgruppeninterviews soweit zu reduzieren, dass etwa 10 Zielkriterien für das Entscheidungsproblem definiert sind.54 Gegebenenfalls kann die Operationalisierung der Zielkriterien überarbeitet werden, sofern die Messbarkeit eines Zielkriteriums beim LDL nicht gegeben ist. Das zweistufige Verfahren (Ermittlung eines allgemeinen Zielsystems im großen Rahmen, Bestimmung des konkreten Zielsystems mit dem LDL) hat den Vorteil, dass in der ersten Stufe verschiedene Blickwinkel auf das Entscheidungsproblem in das allgemeine Zielsystem einfließen. In der zweiten Stufe können dann zusätzlich unternehmensspezifische Ziele bzw. Fokussierungen berücksichtigt werden. Es bietet sich an, bei der Ermittlung des Zielsystems direkt die Präferenzen des Entscheiders zu erfassen. Einerseits besteht dann kein zeitlicher Bruch zwischen Ermittlung des Zielsystems und Erhebung der erforderlichen Daten für die Durchführung der Bewertung, welche gemäß dem Vorgehen den letzten Schritt darstellt. Andererseits kann das Zielsystem in diesem Stadium noch angepasst werden, wenn sich bei der Ermittlung der Präferenzen herausstellt, dass einige Ziele ungeeignet sind. Im Rahmen des Fokusgruppeninterviews mit dem LDL soll des-

54

Dies folgt der Empfehlung von Geldermann und Lerche (2014, S. 26) etwa 6 bis 20 Ziele für die Bewertung im Rahmen der multikriteriellen Entscheidungsunterstützung zu berücksichtigen.

3.11 Beschreibung der Gesamtmethodik

129

halb auch die Gewichtung der Ziele mithilfe der SIMOS-Methode (vgl. Kapitel 3.10.5.2) erfolgen. Aufgrund sich über die Zeit verändernder Präferenzen (vgl. Kapitel 3.5) sind nach Möglichkeit Zielgewichtungen sowohl für den aktuellen als auch für künftige Zeitpunkte festzulegen (beispielsweise heute und in fünf Jahren). Die Bestimmung geeigneter Präferenzfunktionen mit dem LDL ist nicht einfach, da ein Verständnis des Konzepts von Präferenz- oder Nutzenfunktionen nicht vorausgesetzt werden kann. Das Fokusgruppeninterview sollte daher genutzt werden, um das Konzept möglichst leicht verständlich zu erläutern. Für die eigentliche Bestimmung der passenden Funktionen und Parameter sollte entweder im Rahmen des Fokusgruppeninterviews „Stillarbeitszeit“ eingeplant werden, in der die beteiligten Entscheider für sich das Konzept verinnerlichen und anwenden können oder eine Bearbeitung im Nachgang des Fokusgruppeninterviews vorgesehen werden. In beiden Fällen sind die Ergebnisse mit den Entscheidern zu diskutieren. Bestimmung von Handlungsalternativen Bezüglich der Handlungsalternativen wurde bereits in Kapitel 3.6 festgelegt, dass sich die Handlungsalternativen gemäß Rogers (1983, S. 44) in der Geschwindigkeit der Adoption der nachhaltigen Dienstleistungsinnovation unterscheiden sollen. Daher sind bis zu fünf Handlungsalternativen (Innovators, Early Adopter, Early Majority, Late Majority und Laggards) möglich, wobei anzumerken ist, dass auch weniger Handlungsalternativen denkbar sind. Die unterschiedlichen Handlungsalternativen sind im Entscheidungsmodell über Entscheidungsregeln des LDL zu implementieren, womit ein konsistentes Entscheidungsverhalten abgebildet werden kann. Die Entscheidungsregeln können dabei an externe Einflüsse und Ereignisse oder an die Charakteristika der nachhaltigen Dienstleistungsinnovation geknüpft sein. In letzterem Fall ist DCM anzuwenden. Bestimmung von Problemgrenzen Die Bestimmung der Problemgrenzen ist mit großen Herausforderungen verbunden, trotz verfügbarer Methoden. Im Vorgriff auf die Erstellung von Wirkungsprognosen soll in diesem Schritt die CIA herangezogen werden. Die vereinfachte CIA ist anzuwenden auf die bestimmten Zielgrößen, um Wechselwirkungen und Rückkopplungen zwischen den einzelnen Zielgrößen zu erfassen. Darüber hinaus ist gemäß der Service-Profit-Chain (vgl. Kapitel 2.4.4) die Anbieter-Kunden-Beziehung bzw. -Interaktion über Angebot und Nachfrage in die CIA zu integrieren, um den wichtigsten Aspekt des Dienstleistungssystems abzubilden. Vor der Durchführung der CIA sollten das Konzept und die Vorgehensschritte den Entscheidern ausführlich erläutert werden. Die Anwendung sollte einerseits durch den Analysten und andererseits durch die beteiligten Entscheider bzw. Unternehmensvertreter des LDL erfolgen. Es ist von Vorteil, wenn die CIA aufgrund ihres Anspruchs zunächst individuell durch die Personen durchgeführt wird und dann die Ergebnisse erst im Unternehmen und dann mit dem Analysten diskutiert werden. Durch Vergleich und Diskussion der Ergebnisse kann ein tieferes Verständnis der Wirkungen entwickelt werden sowie Transparenz und Validität können verbessert werden. Die anschließende Darstellung der Ergebnisse mittels Kausaldiagramm hilft einerseits dabei, die Zusammenhänge besser erfassen zu können, und andererseits können dadurch Anknüpfungspunkte für weitere relevante Variablen identifiziert werden. Alle für die Berechnung bzw. das Zustandekommen der Zielgrößen erforderlichen Variablen sowie weitere relevante (Informations-)Zusammenhänge und Variablen, die für ein besseres Systemverständnis erforderlich sind, können

130

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

so systematisch abgeleitet und erfasst werden. Sterman (2000, S. 97) empfiehlt die identifizierten Variablen zur Festlegung der Modellgrenzen in endogene, exogene und ausgeschlossene Variablen zu differenzieren. Ermittlung von Umweltszenarien Die im vorigen Schritt identifizierten exogenen Variablen können in der Zukunft potenziell unterschiedliche Ausprägungen annehmen. Diese möglichen Ausprägungen sind mithilfe von Prognosemethoden zu bestimmen. Im einfachsten Fall wird eine einwertige Prognose erstellt, was bedeutet, dass in der Zukunft lediglich eine Variablenausprägung für realistisch angesehen wird. Im Rahmen dieser Arbeit wird grundsätzlich angenommen, dass sich eine Variable konstant, linear oder exponentiell steigend oder sinkend sowie im Gleichlauf mit der Prognose eines geeigneten Indikators entwickeln kann. Wird eine lineare Entwicklung für realistisch erachtet, bestimmt sich die Entwicklung eines Trends bei einer klassischen Zeitreihenzerlegung mittels linearer Interpolation der historischen Entwicklung. Bei einer exponentiellen Entwicklung bestimmt sich die Wachstumsrate über die CAGR. Existieren, beispielsweise in der Literatur, Prognosen von Größen, bei denen davon ausgegangen werden kann, dass sich entscheidungsrelevante exogene Variablen in der Zukunft ähnlich entwickeln werden, kann die Indikatormethode angewendet werden. Der Wachstums- oder Abnahmetrend wird dann auf die exogene Variable übertragen. Gerade bei Variablen, deren künftige Entwicklung mit großen Unsicherheiten behaftet ist und bei denen ein großer Einfluss auf die Modellergebnisse vermutet wird, ist es sinnvoll, auf bereits in der Literatur bestehende, im Idealfall modellbasierte Prognosen der Variable oder eines geeigneten Indikators zurückzugreifen. Zusätzlich ist es bei diesen Variablen essenziell, nicht nur einwertige Prognosen durchzuführen, sondern mehrere mögliche Entwicklungen zu untersuchen und zu berücksichtigen. Dies wird über Umweltszenarien realisiert. Dabei sind in zwei Umweltszenarien einerseits moderate bzw. durchschnittlich zu erwartende Entwicklungen der Ausprägungen der einzelnen Variablen und andererseits extreme Entwicklungen (für die Implementierung nachhaltiger Dienstleistungsinnovationen besonders vorteilhafte oder unvorteilhafte Entwicklungen) zu aggregieren. Es ist bei der Erstellung der Umweltszenarien darauf zu achten, dass das gemeinsame Auftreten der Variablenausprägungen der Umweltszenarien plausibel ist. Aus dem beschriebenen Vorgehen folgt, dass sich nicht alle Ausprägungen der exogenen Variablen zwischen den Umweltszenarien zwingend unterscheiden müssen. Wirkungsprognose Die Wirkungsprognose basiert wesentlich auf Systems Dynamics. Den fünf Schritten zur Erstellung eines System Dynamics Modells folgend ist zunächst das Entscheidungsproblem zu definieren und abzugrenzen, was jedoch bereits umgesetzt wurde über die Ermittlung eines Zielsystems sowie die Bestimmung von Handlungsalternativen und Problemgrenzen. Das dynamische Hypothesenmodell wurde bereits systematisch mittels der CIA entwickelt, womit der häufig angeführten Kritik an System Dynamics einer gewissen „Beliebigkeit“ bei der Entwicklung des Kausaldiagramms entgegengewirkt werden kann. Gegebenenfalls können über Fokusgruppeninterviews Unklarheiten beim Kausaldiagramm beseitigt und dieses angepasst werden. Anschließend ist das Simulationsmodell, also das Bestands- und Flussdiagramm zu erstellen. Sowohl für die Erstellung des Modells als auch für die Quantifizierung der Zusammenhänge

3.11 Beschreibung der Gesamtmethodik

131

können weitere Experten bzw. Fokusgruppeninterviews erforderlich sein. Jedoch ist davon auszugehen, dass ein Großteil der Zusammenhänge formal-logisch quantifiziert werden kann. Für die Darstellung der Grundstruktur des Modells sind die einzelnen Teilmodelle, auch als Subsysteme bezeichnet, grafisch darzustellen, um Transparenz sicherzustellen. Sowohl auf Anbieter- als auch auf Kundenseite sind kontinuierlich Entscheidungen hinsichtlich der Implementierung nachhaltiger Dienstleistungsinnovationen zu treffen, welche auf DCM basieren. Damit ist je ein Anbieter- und ein Kundenentscheidungssubsystem Bestandteil des Entscheidungsmodells. Bei der kontinuierlichen Entscheidung des Anbieters im Modell wird davon ausgegangen, dass diese gemäß der finanziellen Orientierung der Logistik auf Basis der mit der Investition verbundenen Ausgaben und Einnahmen getroffen wird. Um die finanziellen Zielgrößen auf einen einheitlichen Zeitpunkt beziehen zu können, sollen bei Betrachtung der Investitionen über deren gesamte Nutzungsdauer der Kapitalwert, bei Betrachtung jährlicher Zahlungsströme Annuitäten berechnet werden. Hinsichtlich der Kundenentscheidung sind die Entscheidungsgrößen aus der CIA abzuleiten. In diesem Zusammenhang wird davon ausgegangen, dass die Entscheidungsgrößen für den Kunden eine Teilmenge des durch den LDL spezifizierten Zielsystems darstellen und somit aus der CIA entnommen werden kann, von welchen Zielgrößen die (Kunden-)Nachfrage beeinflusst wird. Gegebenenfalls können die Kundenziele auch über Experten- oder Fokusgruppeninterviews erhoben werden. Die Gewichtung der Ziele durch den LDL kann auf die reduzierte Anzahl an Kundenzielen normiert und für den Kunden herangezogen werden. Darüber hinaus sind die herausgearbeiteten Einzelaspekte und theoretischen Bezugspunkte nachhaltiger Dienstleistungsinnovationen in der Logistik (vgl. Kapitel 2) zu berücksichtigen. Für Modelltest und Modellvalidierung bestehen zahlreiche Ansätze. Hierfür sei auf Sterman (2000, S. 859ff.) verwiesen. Als abschließender Schritt ist die Strategieentwicklung und -bewertung zu nennen. Die Strategien sind als Handlungsalternativen jedoch bereits vordefiniert und die Bewertung der Strategien soll erst im nächsten Schritt mittels PROMETHEE erfolgen, weshalb an dieser Stelle Simulationen durchgeführt werden sollen. Bewertung Für die Bewertung der Handlungsalternativen unter verschiedenen Umweltszenarien ist die Methode PROMETHEE heranzuziehen. Die Simulationsergebnisse des System Dynamics Modells der einzelnen Handlungsalternativen unter den beiden festgelegten Umweltszenarien bilden die Grundlage für die Bewertung. Konkret werden je Handlungsalternative und Umweltszenario die Simulationsergebnisse der im Zielsystem definierten Zielgrößen, welche sich auch im System Dynamics Modell wiederfinden, zur Bewertung verwendet, ebenso wie die durch den LDL festgelegten Gewichte und Präferenzfunktionen. Um die Handlungsalternativen hinsichtlich ihrer Vorteilhaftigkeit bewerten zu können, sollen die Nettoflüsse betrachtet werden. Verknüpfung von System Dynamics und PROMETHEE System Dynamics ist wie bereits erläutert eine Methode zur kontinuierlichen Simulation, wohingegen PROMETHEE lediglich zu diskreten Zeitpunkten angewendet werden kann. Daher ist die Verknüpfung von System Dynamics und PROMETHEE im Folgenden zu diskutieren. In der Literatur finden sich wenige Beiträge, die Ansätze zur Kombination von System Dynamics und multikriterieller Bewertung auf Basis von MADM-Methoden entwickelt oder angewendet haben (Macharis 2000, S. 2; Hettesheimer 2017, S. 142). Santos et al. (2008) verknüpfen beispielsweise System Dynamics und MAUT zur Bewertung von Prozessen im

132

3 Erstellung einer Methodik zur Entwicklung von Entscheidungsmodellen

Gesundheitswesen oder zur Bewertung von Prozessen in einer Abteilung zur Unternehmensbesteuerung (Santos et al. 2018), wohingegen Brans et al. (1998) ein Vorgehen zur Kombination von System Dynamics und PROMETHEE entwickeln, um komplexe sozio-ökonomische Systeme überwachen zu können. Weiter zieht Macharis (2000) eine Kombination aus System Dynamics und PROMETHEE zur Bewertung von intermodalem Verkehr heran, Springael et al. (2002) untersuchen damit durch Pendler verursachten Stau in Ballungsräumen und Pruyt (2006) verwendet diese Methodenkombination zur Entwicklung und Bewertung eines nachhaltigen europäischen Energiesystems. Gemäß Macharis (2000, S. 1f.) können zwei Herangehensweisen zur Verknüpfung von System Dynamics und PROMETHEE unterschieden werden. Einerseits kann PROMETHEE direkt in das System Dynamics Modell integriert werden, indem die Entscheidungsregeln auf einer multikriteriellen Bewertung basieren. Dabei werden die Ergebnisse der laufenden Simulation einer kontinuierlichen Bewertung durch PROMETHEE unterzogen und das Bewertungsergebnis wiederum im Modell berücksichtigt.55 Andererseits können verschiedene Strategien mit System Dynamics simuliert und deren Simulationsergebnisse anschließend auf Basis von PROMETHEE bewertet werden (Macharis 2000, S. 1f.). Für diese Arbeit wird die zweite, sequenzielle Herangehensweise verwendet. Dafür sprechen der hohe Aufwand und die hohe Komplexität der Umsetzung des ersten Ansatzes, wodurch die Anforderung der Transparenz und Wirtschaftlichkeit nicht erfüllt wäre. Da PROMETHEE auf dem Vergleich von Alternativen beruht, müssten alle Alternativen parallel simuliert werden, was nur mit sehr hohem Aufwand in System Dynamics umsetzbar wäre. Hinzu kommt bei Verwendung des Integrationsansatzes, dass weniger strategische, sondern vielmehr Ad-hoc-Entscheidungen getroffen werden, die schlussendlich einen inkonsistenten Pfad ergeben, der nicht im Sinne einer klassischen, langfristigen Strategie beschrieben werden kann. Beim sequenziellen Ansatz ergibt sich jedoch die Herausforderung nach der geeigneten Wahl des Bewertungszeitpunkts, da sich die Zielgrößen der Strategien dynamisch über die Zeit verändern. Dadurch kann eine Strategie, die zu einem in der Zukunft liegenden Zeitpunkt die beste Alternative darstellt, in der Realität aufgrund von schlechter vorhergehender Performance längst durch eine andere Strategie ersetzt worden sein oder das Unternehmen besteht aufgrund von mangelndem Unternehmenserfolg gar nicht mehr. Pruyt (2006, S. 7ff.) diskutiert verschiedene Herangehensweisen für den Umgang mit Zeitproblemen bei der Bewertung von Strategien und Alternativen. Zunächst ist die (1) Bewertung zu einem festen Zeitpunkt möglich, wobei diese Herangehensweise unberücksichtigt lässt, dass kurzfristige und langfristige Entwicklungen sehr unterschiedlich ausfallen können. Weiterhin können (2) Bewertungen zu wenigen ausgewählten diskreten Zeitpunkten durchgeführt und betrachtet werden. Jedoch bleibt die Wahl geeigneter Zeitpunkte als Herausforderung bestehen. Überdies können die (3) Bewertungen zu den einzelnen Zeitpunkten summiert (bzw. integriert) oder (4) auf den heutigen Zeitpunkt diskontiert werden. Dies hat jedoch den Nachteil der Kompensierbarkeit, womit gute künftige Bewertungen schlechte aktuelle Bewertungen ausgleichen können.

55

In System Dynamics wird keine tatsächlich kontinuierliche Simulation bzw. Berechnung durchgeführt, sondern eine Lösung der Differenzialgleichungen mittels heuristischer Verfahren zu diskreten Zeitpunkten mit beliebig klein gewählten Zeitschritten ermittelt. Zu diesen Zeitpunkten kann jeweils eine Bewertung in PROMETHEE erfolgen.

3.11 Beschreibung der Gesamtmethodik

133

Die (5) qualitative Betrachtung des Verlaufs der Bewertungen über die Zeit stellt eine weitere Möglichkeit dar, allerdings ist dies wenig exakt. Grundsätzlich geht mit den Alternativen 1 bis 4 durch die Aggregation ein Informationsverlust einher (Pruyt 2006, S. 8f.; Hettesheimer 2017, S. 146). Andererseits ist bei einer rein qualitativen Betrachtung keine exakte Aussage über die absolute Vorteilhaftigkeit einer Handlungsalternative möglich. Deshalb sollen beide Typen kombiniert werden. Eine quasi-kontinuierliche Bewertung ist aus Gründen der Wirtschaftlichkeit abzulehnen, wohingegen eine Bewertung zu wenigen definierten Zeitpunkten aus Gründen der Ungenauigkeit abgelehnt wird. Berücksichtigt man die Anforderung einer langfristigen Zeitperspektive, so wird eine jährliche Bewertung als sinnvoll erachtet. Dies wird dadurch gestützt, dass davon auszugehen ist, dass wichtige Entscheidungen ebenfalls mindestens auf jährlicher Basis getroffen werden und so wesentliche Veränderungen eine ähnliche Zeitperiode erfordern. Um unterschiedliche Zeitpräferenzen berücksichtigen zu können soll mit den Entscheidern eine Gewichtung der Zielgrößen für den heutigen Stand sowie für einen zukünftigen Stand ermittelt werden, dazwischen wird eine lineare Veränderung von der Anfangsgewichtung zur Endgewichtung angenommen. Da über einen gewissen Zeitpunkt in der Zukunft hinaus eine Äußerung der Präferenzen durch den Entscheider nicht möglich bzw. sinnvoll ist, werden die Gewichtungen im weiteren Verlauf als konstant angenommen. Auf dieser Basis sollen die jährlichen Nettoflüsse der einzelnen Handlungsalternativen berechnet, summiert und für die Bewertung herangezogen werden. Darüber hinaus ist eine qualitative Bewertung durch Betrachtung der Entwicklung der jährlichen Nettoflüsse der einzelnen Alternativen über die Zeit sinnvoll, um offensichtlich schlechte Handlungsalternativen in Anlehnung an Brans et al. (1998, S. 433f.) ausschließen zu können. Durch die beschriebene Vorgehensweise (Wahl unterschiedlicher Gewichtungen, Summierung der jährlichen Nettoflüsse, qualitative Betrachtung der Entwicklung der jährlichen Bewertungen) können die genannten Herausforderungen und Nachteile ausgeglichen werden.

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

4.1

Vorgehensweise

Die erstellte Methodik zur Entwicklung von Entscheidungsmodellen soll in diesem Kapitel angewendet werden. Dazu ist das Kapitel wie folgt gegliedert: (1)

Zunächst wird der Anwendungsfall ausgewählt und es werden die ersten Vorgehensschritte der Methodik Beschreibung des Entscheidungsproblems, Ermittlung des Zielsystems sowie Bestimmung der Handlungsalternativen und der Problemgrenzen durchgeführt (Kapitel 4.2.1 bis 4.2.4). In Kapitel 4.2.5 werden die Umweltszenarien ermittelt und die Datengrundlage für das Modell dargestellt. Dabei wird der Struktur des Wirkungsprognosemodells gefolgt.

(2)

Daraufhin wird das Wirkungsprognosemodell erstellt und seine Struktur sowie Subsysteme beschrieben (Kapitel 4.3), bevor das Bewertungsmodell erstellt und erläutert wird (Kapitel 4.4).

(3)

Anschließend werden sowohl Wirkungsprognose- als auch Bewertungsmodell validiert (Kapitel 4.5).

(4)

In Kapitel 4.6 werden die Modellergebnisse dargestellt, wobei unterschiedliche Szenarien und Strategien im Wirkungsprognosemodell simuliert werden. Weiterhin werden Sensitivitätsanalysen durchgeführt und die Ergebnisse des Bewertungsmodells vorgestellt.

(5)

Abschließend werden die Erkenntnisse aus den Modellen zusammengefasst (Kapitel 4.7), diskutiert und Limitationen aufgezeigt (Kapitel 4.8).

4.2

Anwendungsfall

4.2.1 Fallauswahl und Beschreibung des Entscheidungsproblems Insbesondere für die Konsumgüterdistribution, nach der industriellen Kontraktlogistik zweitgrößtes Marktsegment der Logistik (Zanker 2018, S. 51), spielt Nachhaltigkeit eine immer wichtigere Rolle. Denn der Einzelhandel als Empfänger der Güter und hierbei vor allem der Lebensmitteleinzelhandel, welcher die mit Abstand größte Branche im Einzelhandel darstellt (Statista 2018c), versucht zunehmend nachhaltige Lieferketten als Wettbewerbs- oder Kostenvorteil zu etablieren (Knoppe 2015, S. 9ff.). Aus diesem Grund soll ein LDL im Lebensmitteleinzelhandel als Anwendungsfall betrachtet werden. Weiterhin stellt die Transportlogistik die unter Nachhaltigkeitsaspekten am häufigsten betrachtete Teilaufgabe der Logistik dar (Bretzke

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2019 C. Moll, Nachhaltige Dienstleistungsinnovationen in der Logistik, https://doi.org/10.1007/978-3-658-28038-3_4

136

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

und Barkawi 2012; McKinnon et al. 2015), da sie sowohl die höchsten Kosten (Schwemmer 2016, S. 5) als auch Schadstoffemissionen und soziale Wirkungen verursacht (Deckert 2016b, S. 8ff.). Hinzu kommt, dass aktuell in Deutschland sehr intensiv Fahrverbote für DieselFahrzeuge in Innenstädten diskutiert und teilweise bereits eingeführt werden (Wacket und Wissenbach 2018), wovon LDL aufgrund ihrer fast reinen Diesel-Lkw-Flotten direkt betroffen wären. Vor allem für LDL im Lebensmitteleinzelhandel stellt dies ein großes Risiko dar, da ein Großteil der zu beliefernden Kunden (Lebensmitteleinzelhandelsfilialen) in urbanen Räumen liegt. Als mögliche Lösung für dieses Problem wird die Nutzung von alternativ angetriebenen Lkw, vor allem von batterieelektrischen Lkw (E-Lkw), in der Transportlogistik diskutiert (Feng und Figliozzi 2013; Weken et al. 2017; Giordano et al. 2018). Den Anwendungsfall bildet daher ein LDL im deutschen Lebensmitteleinzelhandel, der den Einsatz von E-Lkw in der Transportlogistik prüft, womit der regionale Verteilerverkehr abgebildet wird. Zusätzlich wird die Durchführung von Nachtbelieferungen mittels E-Lkw in Erwägung gezogen, um deren Vorteile wie geringere Lärmemissionen, geringere Schadstoffemissionen und geringere variable Kosten bestmöglich ausnutzen und so eine nachhaltige Dienstleistungsinnovation implementieren zu können. Von der Anzahl an E-Lkw im Fuhrpark des LDL hängt ab wie groß das potenzielle Angebot zur Durchführung der Nachtbelieferung und damit zur Erbringung der nachhaltigen Dienstleistungsinnovation ist, da davon ausgegangen wird, dass nur E-Lkw Nachtbelieferungen durchführen können. Die Anzahl der E-Lkw im Fuhrpark des LDL und das Angebot zur Durchführung der Nachtbelieferung bzw. der nachhaltigen Dienstleistungsinnovation können damit grundsätzlich synonym verwendet werden. Konkret wird untersucht, inwieweit E-Lkw unter festgelegten Annahmen in die von einem Lagerstandort aus operierende Flotte diffundieren und inwieweit die nachhaltige Dienstleistungsinnovation Nachtbelieferung mit E-Lkw bei den vom Lagerstandort aus zu beliefernden Filialen diffundiert. Dabei sind unterschiedliche Implementierungsstrategien des LDL unter den möglichen Umweltszenarien hinsichtlich Nachhaltigkeitsaspekten aus Sicht des LDL zu bewerten. Aus Gründen der Anonymität werden keine weiteren Informationen zum LDL genannt. 4.2.2 Ermittlung des Zielsystems für den Anwendungsfall Das Zielsystem wurde im Rahmen mehrerer Fokusgruppeninterviews erstellt und weiterentwickelt. Zunächst wurde die Zielgenerierung mittels Brainstorming in einem eineinhalbstündigen Fokusgruppeninterview im März 2016 durchgeführt. Unter den 11 Teilnehmern waren 7 Vertreter von LDL, 3 Vertreter von Forschungseinrichtungen und ein Vertreter einer städtischen Verwaltung. Alle Interviewteilnehmer waren mit dem Entscheidungsproblem, dem Einsatz von E-Lkw zur Nachtbelieferung, vertraut, sodass zielgerichtet potenzielle Ziele gesammelt werden konnten. Nach einem allgemeinen Brainstorming wurden die im Rahmen dieser Arbeit ausgearbeiteten betriebswirtschaftlichen Unternehmensziele (vgl. Tabelle Anhang 7-1) vorgestellt, um daraufhin weitere potenzielle Ziele zu ergänzen.56 Dann wurden die Ziele diskutiert und 56

Das in Kapitel 3.5.3 ausgearbeitete beispielhafte Zielkategoriesystem nachhaltiger Dienstleistungsinnovationen in der Logistik (Tabelle 3-4) entstand als Weiterentwicklung aus den betriebswirtschaftlichen Unternehmenszielen (Tabelle Anhang 7-1), Erkenntnissen aus Kapitel 3.5.2 sowie den Erkenntnissen der Fokusgruppeninterviews.

4.2 Anwendungsfall

137

mögliche Operationalisierungen bestimmt. Anschließend erfolgte die Aggregation und Strukturierung der Ziele durch den Verfasser dieser Arbeit, wobei das Ergebnis zunächst im Juli 2016 mit den Interviewteilnehmern diskutiert und nach einer Überarbeitung im Oktober 2016 final abgestimmt wurde (vgl. Tabelle Anhang 7-3; Kirsch et al. 2017b, S. 36; Moll et al. 2017, S. 220). In einem zweistündigen Fokusgruppeninterview im März 2018 wurde, basierend auf den Vorarbeiten und dem in Kapitel 3.5.3 ausgearbeiteten Zielkategoriesystem, das Zielsystem für den Anwendungsfall mit zwei Vertretern des LDL spezifiziert. Es wurden die Zielstruktur leicht verändert, für den LDL relevante Ziele ausgewählt sowie Ziele ergänzt (vgl. Abbildung 4-1) und die Operationalisierung (vgl. Tabelle Anhang 7-4) angepasst. Dabei wurde bestmöglich auf Vollständigkeit, Redundanzfreiheit, Einfachheit und Präferenzunabhängigkeit geachtet, jedoch ist gerade letzteres kaum möglich, da bei mehreren Zielen (z. B. Investitionen, Stückkosten, Tourendauer) finanzielle Aspekte eine Rolle spielen. Zunächst wurde die Reduktion von Risiko als Ziel benannt, welche sich in einer verbesserten Reaktionsfähigkeit hinsichtlich potenzieller Regularien äußert. Je mehr E-Lkw der LDL in seinem Fuhrpark besitzt, umso flexibler kann er reagieren, wenn einzelne Filialen aufgrund von Dieselfahrverboten nicht mehr mit D-Lkw angefahren werden dürfen. Daher wurde als Operationalisierung von Risiko der Ersatzbedarf an Fahrzeugen für den Fall, dass Dieselfahrverbote flächendeckend eingeführt werden sollten, festgelegt. Dabei kann davon ausgegangen werden, dass zunächst vor allem ältere D-Lkw mit schlechten Abgaswerten von Fahrverboten betroffen sein werden, weshalb die Lkw im Fuhrpark des LDL entsprechend ihrer Schadstoffklasse (EURO-Norm)57 in unterschiedliche Risikoklassen eingeteilt werden können. E-Lkw sind in diesem Zusammenhang risikofrei zu bewerten. Erfahrung wurde als zweites Ziel benannt und bezieht sich auf das Sammeln von Erfahrungen mit innovativen Technologien und die Möglichkeit in diesem Bereich eine technologische Vorreiterrolle einzunehmen und als Innovator wahrgenommen zu werden. Der Anteil von E-Lkw im Fuhrpark gegenüber dem Wettbewerb bzw. den generellen Zulassungszahlen im Nutzfahrzeugbereich stellt eine Operationalisierung hierfür dar. Kritisch ist anzumerken, dass damit beide strategisch-ökonomischen Ziele indirekt von der Anzahl an E-Lkw im Fuhrpark abhängen. Bei den Kosten wurden einerseits die gesamten erforderlichen Investitionen und andererseits die Transportkosten als Ziel definiert. Die Investitionen können auf jährlicher Basis oder über den gesamten Betrachtungshorizont verglichen werden, wohingegen die Transportkosten sich auf einzelne Transporteinheiten (TE) wie beispielsweise Euro-Paletten oder Rollbehälter beziehen. Produktivität wurde über die Dauer der Liefertouren definiert. Dabei wird erwartet, dass durch die geringere Verkehrsbelastung in der Nacht höhere Durchschnittsgeschwindigkeiten und damit geringere Tourendauern erzielt werden können. Ebenso wird erwartet, dass sich durch die geringere nächtliche Verkehrsbelastung und die damit verbundene bessere Prognostizierbarkeit der Tourendauer die Lieferpünktlichkeit und damit die Qualität der Dienstleistung im Durchschnitt verbessert. Lieferpünktlichkeit wird definiert als Anteil der Belieferungen, die innerhalb des vorgegebenen Zeitfensters erfolgt sind. Weiterhin sollen als ökologische Ziele die Schadstoffemissionen verringert werden, wobei CO2- und NOX-Emissionen im Fokus stehen. Die Einsparungen können entweder

57

Für weitere Informationen zu den Abgasgrenzwerten für schwere Nutzfahrzeuge und entsprechende Verordnungen sei auf das UBA (2015) verwiesen.

138

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

absolut in Tonnen oder relativ in Prozent angegeben werden. Als weiteres ökologisches Ziel wurde die Verringerung der Lärmemissionen durch den Belieferungsverkehr angegeben, was durch die Anzahl der zurückgelegten „leisen“ Kilometer pro Jahr oder über den Betrachtungszeitraum gemessen werden kann. Es ist anzumerken, dass die Verringerung von Geräuschemissionen auch als sozialer Aspekt eingeordnet werden kann, wenn man die Gesundheitswirkungen von Lärm (vgl. van Schalkwyk und Mindell 2018) beachtet. Die Verlagerung von Transportverkehr in die Nacht kommt der Infrastruktur und damit der Gesellschaft insofern zugute, dass sich die Auslastung am Tag dadurch verringert und weniger Staus entstehen. Auch das Parken in zweiter Reihe von Lkw bei der Belieferung kann damit in die verkehrsärmere Nacht verlagert werden, wodurch sich das Unfallrisiko verringert. Insgesamt können mit dem ausgearbeiteten Zielsystem alle Nachhaltigkeitsdimensionen adressiert werden, wobei die hohe Anzahl an ökonomischen und operativen Zielen auffällt. Oberziel

Zielebene 1

Zielebene 2

Zielkriterien

Risiko

Regularien

Erfahrung

Technologischer Vorreiter

Ökonomische Ziele

Investitionen

Kosten Stückkosten

Entscheidung über Einsatz E-Lkw zur Nachtbelieferung

Operative Ziele

Produktivität

Tourendauer

Qualität

Lieferpünktlichkeit CO2-Emissionen

Schadstoffemissionen NOx-Emissionen Ökologische Ziele

Soziale Ziele

Abbildung 4-1:

Geräuschemissionen

Lärmemissionen Transport

Infrastruktur

Verkehrsverlagerung

Zielsystem für den Anwendungsfall

Weiterhin wurde im Fokusgruppeninterview die Gewichtung der Ziele mittels der SIMOS-Methode für das aktuelle Jahr 2018 und für 2023 (in fünf Jahren) durchgeführt (vgl. Tabelle 4-1)58 sowie das Konzept der Präferenzfunktionen erläutert. Die Vertreter des LDL führten die Bestimmung der Präferenzfunktionen im Anschluss an das Fokusgruppeninterview eigenständig durch, wobei danach eine Diskussion der Ergebnisse stattfand. Das Ergebnis findet sich im Anhang (Tabelle Anhang 7-5). Bei den bestimmten Gewichten ist wiederum auffällig, dass Kosten und Produktivität einen hohen Stellenwert besitzen, aber vor allem, dass das Risiko aktuell als wichtigstes Ziel gesehen wird. Dies unterstreicht den Druck, dem sich LDL durch die aktuelle Diskussion um Dieselfahrverbote ausgesetzt sehen. In Zukunft nimmt die Bedeu-

58

Es wird angenommen, dass Entscheider ihre Präferenzen nicht mehr als fünf Jahre im Voraus valide äußern können.

4.2 Anwendungsfall

139

tung der benannten Ziele ab. Andererseits nimmt die Bedeutung von Erfahrung bzw. technologischer Vorreiterschaft zu, ebenso wie ökologische Aspekte deutlich wichtiger werden. Soziale Aspekte bleiben etwa gleich wichtig. Allerdings ist anzunehmen, dass in Zukunft möglicherweise neue soziale Ziele hinzukommen, die in dem hier ermittelten Zielsystem nicht berücksichtigt sind. Zielebene 2

Zielkriterium

Gewichtung heute

Gewichtung in 5 Jahren

Risiko

Reaktionsfähigkeit bezüglich Regularien

13,8 %

6,4 %

Erfahrung

Technologischer Vorreiter/Innovator

3,4 %

9,0 %

Gesamtinvestitionen

12,1 %

10,3 %

Transportkosten

12,1 %

10,3 %

Produktivität

Durchschnittliche Tourendauer

12,1 %

10,3 %

Qualität

Durchschnittliche Lieferpünktlichkeit

10,3 %

10,3 %

CO2-Einsparungen

8,6 %

11,5 %

NOx-Einsparungen

8,6 %

11,5 %

Geräuschemissionen

Verringerung Lärmemissionen beim Transport

5,2 %

7,7 %

Infrastruktur

Verkehrsverlagerung in die Nacht

13,8 %

12,8 %

Kosten

Schadstoffemissionen

Tabelle 4-1:

Zielgewichtung für den Anwendungsfall heute und in 5 Jahren.

Die ermittelten Ziele und Zielgewichtungen stimmt insofern mit der Befragung von RinconGarcia et al. (2017, S. 125) überein, dass zunehmender Stau (Verkehrsverlagerung als Ziel) und Einfahrverbote (Reaktionsfähigkeit als Ziel) als Ursache für steigende Transportkosten, schlechtere Dienstleistungsqualität (Lieferpünktlichkeit als Ziel) und einem höheren Bedarf an Fahrzeugen und Fahrern (Verringerung der Tourendauer als Ziel) konstatiert werden können. 4.2.3 Bestimmung der Handlungsalternativen Die Handlungsalternativen sollen sich an den Adopterkategorien nach Rogers (1983) orientieren und werden anhand der Geschwindigkeit der Adoption unterschieden. Die Geschwindigkeit der Adoption der nachhaltigen Dienstleistungsinnovation auf Seiten des LDL wird im Wesentlichen bestimmt durch die kontinuierlich zu treffende Entscheidung über die Beschaffung neuer Lkw. Diese wird erforderlich, da kontinuierlich Lkw nach Ende ihrer Nutzungsdauer aus dem Fuhrpark ausscheiden. Dabei hat der LDL die Entscheidung zwischen D-Lkw und E-Lkw zu treffen, wobei nur E-Lkw aufgrund ihrer technischen Eigenschaften in der Lage sind, eine Nachtbelieferung und somit die nachhaltige Dienstleistungsinnovation zu ermöglichen. Etwas vereinfacht wird davon ausgegangen, dass die Beschaffungsentscheidung jährlich getroffen wird. Da LDL im Lebensmitteleinzelhandel als weniger innovativ wahrgenommen werden als in anderen Branchen (Schwemmer 2016, S. 10), soll auf die Handlungsalternative Innovator verzichtet werden. Die Early Adopter nehmen neue Technologien aufgrund von erwarteten Effizienzverbesserungen früh an (Mattes 2017, S. 63f.) weswegen davon ausgegangen wird, dass

140

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

ein entsprechender LDL jeden aus dem Fuhrpark ausscheidenden Lkw durch einen E-Lkw ersetzt. Dies ist jeweils am Ende der Nutzungsdauer eines jeden Lkw der Fall. Die Early Majority hingegen entscheidet sich für die neue Technologie, wenn das Risiko durch die Early Adopter bereits reduziert wurde (Langert 2007, S. 119). Als Entscheidungsgrundlage werden die Total Cost of Ownership (TCO) der Lkw herangezogen, da davon ausgegangen wird, dass die Adoption der neuen Technologie wirtschaftlich vorteilhaft sein muss. Diese Annahme treffen auch beispielsweise Seitz (2015, S. 104ff.) und Wietschel et al. (2017, S. 127ff.). Die TCO umfassen dabei alle direkten und indirekten Kosten, die mit der Beschaffung eines Produkts oder einer Dienstleistung verbunden sind und bei Lkw vor allem Anschaffungskosten, Kosten für Infrastruktur, Kapitalkosten sowie Kosten für Verbrauch, Versicherung, Steuern, Wartung und Instandhaltung (Gass et al. 2014, S. 98; Wu et al. 2015; Hagman et al. 2016, S. 12; Palmer et al. 2018, S. 109ff.).59 Überdies berücksichtigen die TCO damit implizit mehrere Ziele wie Kosten (Investitionen, Transportkosten), Produktivität (Tourendauer) und auch Infrastruktur (Tourenverlagerung in die Nacht). Da die Beschaffungsentscheidung somit von Charakteristika der Lkw abhängt, wird ein DCM herangezogen, das als einziges Attribut die TCO der beiden LkwTypen verwendet. Die Late Majority folgt der Mehrheit (Mattes 2017, S. 63) und so wird angenommen, dass der zu beschaffende Anteil an E-Lkw dem Anteil von Zulassungen von entsprechenden Fahrzeugen mit alternativem Antrieb (Alternative Fuel Vehicle (AFV)) an den generellen Zulassungen, also dem Marktanteil, entspricht. Für die letzte Handlungsalternative wird angenommen, dass eine Adoption vermieden wird, bis sie nicht mehr vermeidbar ist. Dies ist der Fall, wenn Fahrverbote erlassen werden. Aktuell wird in zahlreichen europäischen Städten die Einführung bzw. Verschärfung von Fahrverboten zwischen 2020 bis 2030 geplant (Sadler 2018). Daher wird 2025 als potenzielles Einführungsjahr festgehalten. Fahrverbote sind am wahrscheinlichsten in Umweltzonen, wobei aktuell 58 Umweltzonen in Deutschland eingerichtet sind, die einen großen Teil der deutschen Großstädte umfassen. Geht man davon aus, dass etwa 80 % der Großstädte und damit 21 Mio. Menschen tatsächlich von Fahrverboten betroffen sind und dass in Anlehnung an Müller (2013, S. 33f.) Lebensmitteleinzelhandelsfilialen in Abhängigkeit von der Bevölkerungszahl verteilt sind, könnten etwa 25 % der Filialen von Fahrverboten betroffen sein.60 Für die Handlungsalternative Fahrverbote wird daher angenommen, dass 2025 so viele E-Lkw beschafft werden, dass 25 % der Filialen durch E-Lkw beliefert werden können. Die vorhandenen D-Lkw werden entsprechend ihrer vorgesehenen Nutzungsdauer im Fuhrpark belassen. 4.2.4 Bestimmung der Problemgrenzen Zur Bestimmung der Problemgrenzen wurde die vereinfachte CIA mit zwei Vertretern des LDL durchgeführt. Dazu wurden neben den bestimmten Zielgrößen Angebot und Nachfrage (vgl. Kapitel 3.11) in

59 60

Für Details zu TCO von Nutzfahrzeugen sei auf die zitierte Literatur verwiesen. Zwar umfassen zahlreiche Umweltzonen heute häufig nur die stark verkehrsbelasteten Innenstädte, trotzdem würden generell die Filialen im gesamten Stadtgebiet durch Fahrverbote beeinflusst werden, da Routen für D-Lkw stark angepasst und um die Umweltzonen herumgeführt werden müssten.

4.2 Anwendungsfall

141

die Spalten und Zeilen einer n×n-Matrix eingetragen.61 Sowohl der Verfasser dieser Arbeit als auch die beiden Vertreter des LDL füllten die Matrix zunächst eigenständig aus. Dabei sollten Wenn-Dann-Zusammenhänge der Größen im Sinne von Kausalitäten zunächst identifiziert und dann hinsichtlich Stärke (auf einer ganzzahligen Skala von 0 = kein Zusammenhang bis 3 = extrem starker Zusammenhang) und Richtung („+“: wenn die unabhängige Größe minimal zunimmt, nimmt die abhängige Größe ebenfalls zu; „-“: wenn die unabhängige Größe minimal zunimmt, nimmt die abhängige Größe ab und umgekehrt) bewertet werden. Es können drei Blöcke in der Matrix unterschieden werden (vgl. Abbildung Anhang 7-1). Der linke Block zeigt auf, welche Größen Gründe für Filialen zur Adoption der nachhaltigen Dienstleistungsinnovation sein könnten. Damit können die Entscheidungsgrößen der Filialen bestimmt werden. Der obere Block stellt dar, inwieweit Angebot und Nachfrage nach der nachhaltigen Dienstleistungsinnovation sich auf die Zielgrößen auswirken, und der mittlere Block umfasst die Wechselwirkungen zwischen den Zielgrößen. Es ist darauf hinzuweisen, dass Einträge im mittleren Block der Forderung an Zielsysteme von Redundanzfreiheit und Präferenzunabhängigkeit zwar widersprechen, allerdings wurde bereits diskutiert, dass diese Forderungen in der Praxis ohnehin kaum erfüllt werden. Die Vertreter des LDL diskutierten ihre Ergebnisse untereinander, bevor eine Diskussion mit dem Verfasser dieser Arbeit stattfand, in der Unklarheiten und Fragen beseitigt und ein gemeinsames Ergebnis abgestimmt werden konnte. Es hat sich gezeigt, dass jeweils genau definiert sein muss, auf welcher Zielebene der Zusammenhang bestimmt werden soll. Beispielsweise sinkt durch ein erhöhtes Angebot (Anzahl an E-Lkw im Fuhrpark) das Risiko (Zielebene 2), wohingegen die Reaktionsfähigkeit steigt (Zielkriterium) und der Ersatzbedarf wiederum sinkt. Außerdem hat sich gezeigt, dass es sehr herausfordernd ist, direkte von indirekten Zusammenhängen zu unterscheiden. Weswegen auch hier die Diskussion der Ergebnisse für beide Seiten sehr aufschlussreich war. Eine grafische Darstellung der Ergebnisse der CIA (vgl. Abbildung 4-2) ist dabei hilfreich.62

61

62

Die Zielgrößen Investitionen und Stückkosten sowie CO2- und NOX-Emissionen wurden für die CIA zu einer Größe zusammengefasst, ebenso wie E-Lkw im Fuhrpark und Durchführung der Nachtbelieferung, da der Aufwand zur Durchführung der CIA mit zunehmender Anzahl an Größen stark zunimmt und die Matrix sonst zu umfassend werden würde (Medina et al. (2015, S. 37)). Es kann angenommen werden, dass die Wirkungen auf die zusammenfassende Größe identisch zu den Wirkungen auf die einzelnen Größen sind. Die breiteren Pfeile zeigen einen starken Zusammenhang an.

142

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

+ Reaktionsfähigkeit Nachtbelieferung + H1a -

H1b

CO2/NOx-Emissionen Nachtbelieferung

H1c -

H1d H1e E-Lkw im Fuhrpark/ Durchführung Nachtbelieferung

+

H1f

H7a H1g H1h

-

Tourendauer Nachtbelieferung

H6

Lieferpünktlichkeit Nachtbelieferung +

+ R2

H7b

Verkehrsverlagerung Nachtbelieferung R5

R1

Lärmemissionen Transport Nachtbelieferung

+

+

H3

Technologischer Vorreiter Nachtbelieferung

H7c

Kosten Nachtbelieferung +

H5b

H2

-

-

R3

H5a

+

Kunden umgerüstete Filialen H4

+

R4

B1

Abbildung 4-2:

Kausaldiagramm als Ergebnis der CIA mit dem LDL

Die in der CIA bestimmten Kausalzusammenhänge gehen zunächst als Hypothesen bzw. dynamisches Hypothesenmodell, dargestellt in einem Kausaldiagramm, in das Entscheidungsmodell ein. Die Hypothesen sollen dabei im Folgenden erläutert werden.63

63

H1a:

Mit zunehmender Anzahl an E-Lkw im Fuhrpark/zunehmender Durchführung von Nachtbelieferung nimmt die Reaktionsfähigkeit zu.

H1b:

Mit zunehmender Anzahl an E-Lkw im Fuhrpark/zunehmender Durchführung von Nachtbelieferung nimmt die technologische Vorreiterrolle zu.

H1c:

Mit zunehmender Anzahl an E-Lkw im Fuhrpark/zunehmender Durchführung von Nachtbelieferung nehmen die Schadstoffemissionen ab.

H1d:

Mit zunehmender Anzahl an E-Lkw im Fuhrpark/zunehmender Durchführung von Nachtbelieferung nehmen die Lärmemissionen beim Transport ab.

H1e:

Mit zunehmender Anzahl an E-Lkw im Fuhrpark/zunehmender Durchführung von Nachtbelieferung nimmt die Lieferpünktlichkeit zu.

H1f:

Mit zunehmender Anzahl an E-Lkw im Fuhrpark/zunehmender Durchführung von Nachtbelieferung nimmt die Verkehrsverlagerung zu.

Die Hypothesen werden zur Vereinfachung jeweils von einer Zunahme der unabhängigen Variable ausgehend formuliert. Die Umkehrung ist entsprechend ebenfalls gültig.

4.2 Anwendungsfall

143

H1g:

Mit zunehmender Anzahl an E-Lkw im Fuhrpark/zunehmender Durchführung von Nachtbelieferung nimmt die Tourendauer ab.

H1h:

Mit zunehmender Anzahl an E-Lkw im Fuhrpark/zunehmender Durchführung von Nachtbelieferung nehmen die Kosten zu.

Da die Reaktionsfähigkeit durch den Ersatzbedarf definiert ist, ist anzunehmen, dass bei einer steigenden Anzahl an E-Lkw im Fuhrpark der Ersatzbedarf sinkt und die Reaktionsfähigkeit entsprechend steigt. Ebenso kann davon ausgegangen werden, dass sich dann die technologische Vorreiterschaft verbessert, da diese als Anteil an E-Lkw gegenüber dem Wettbewerb festgelegt ist. Weiterhin kann davon ausgegangen werden, dass je mehr Nachtbelieferungen mit ELkw durchgeführt werden, desto niedriger fallen die Schadstoff- und Lärmemissionen aus, da E-Lkw zumindest lokal keine Schadstoffe (abgesehen von Feinstaub durch Reifenabrieb) emittieren und die Lärmemissionen deutlich geringer sind als bei D-Lkw. Weiterhin wird angenommen, dass durch die bessere Planbarkeit von Nachttouren die Lieferpünktlichkeit steigt, wenn die Durchführung von Nachtbelieferungen zunimmt. Je mehr Nachtbelieferung durchgeführt wird, umso mehr Touren und damit Verkehr kann in die Nacht verlagert werden. Mit zunehmender Durchführung der Nachtbelieferung verringert sich die durchschnittliche Tourendauer, wegen der höheren Durchschnittsgeschwindigkeiten in der Nacht. Weiterhin wird davon ausgegangen, dass die Kosten mit zunehmender Anzahl an E-Lkw im Fuhrpark steigen, da E-Lkw deutlich teurer in der Anschaffung sind. H2:

Mit zunehmender Anzahl an Kunden/umgerüsteten Filialen nimmt die Anzahl an E-Lkw im Fuhrpark/Durchführung von Nachtbelieferungen zu.

Es wird davon ausgegangen, dass eine steigende Kundenanzahl bzw. Kundennachfrage dazu führt, dass der LDL das Angebot erhöht. H3:

Mit zunehmender Reaktionsfähigkeit durch Nachtbelieferungen steigt die Anzahl an Kunden/umgerüsteten Filialen

Wenn sich die Reaktionsfähigkeit durch Nachtbelieferung verbessert und damit das Risiko, dass eine Filiale nicht mehr beliefert werden kann sinkt, wird angenommen, dass dies ein Anreiz für Filialen ist umzurüsten. H4:

Mit zunehmenden Kosten durch Nachtbelieferung sinkt die Anzahl an Kunden/umgerüsteten Filialen

Steigen die Kosten durch Nachtbelieferung wird angenommen, dass die Anzahl an Kunden abnimmt, da diese sehr kostensensitiv sind. H5a:

Mit zunehmender Tourendauer durch Nachtbelieferung nimmt die Verkehrsverla gerung ab.

H5b:

Mit zunehmender Tourendauer durch Nachtbelieferung nehmen die Kosten für Nachtbelieferung zu.

144

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Wenn die Tourendauer durch die Nachtbelieferung zunimmt, können im selben Zeitraum weniger Touren durchgeführt werden, wodurch weniger Touren in die Nacht verlagert werden können. Da dadurch auch weniger Belieferungen durchgeführt werden können, steigen die Kosten. H6:

Mit zunehmender Lieferpünktlichkeit durch Nachtbelieferungen steigt die Anzahl an Kunden/umgerüsteten Filialen

Eine bessere Einhaltung des Zeitfensters bei der Belieferung und damit eine Verbesserung der Lieferpünktlichkeit wird als potenzieller Anreiz für die Filialen zur Umrüstung betrachtet. H7a:

Mit zunehmender Verkehrsverlagerung durch Nachtbelieferung nimmt die Tourendauer ab.

H7b:

Mit zunehmender Verkehrsverlagerung durch Nachtbelieferung nimmt die Lieferpünktlichkeit zu.

H7c:

Mit zunehmender Verkehrsverlagerung durch Nachtbelieferung nehmen die Kosten ab.

Je mehr Touren in die Nacht verlagert werden, umso geringer ist die durchschnittliche Tourendauer, da Nachttouren eine kürzere Dauer haben. Nimmt die Verkehrsverlagerung in die Nacht zu, steigt weiterhin die Lieferpünktlichkeit, da die Nachttouren besser planbar sind. Zusätzlich wird angenommen, dass die Kosten durch eine Verkehrsverlagerung in die Nacht sinken. R1 bildet einen selbstverstärkenden Regelkreis, in dem die steigende Anzahl an E-Lkw im Fuhrpark die Reaktionsfähigkeit verbessert, was wiederum Anreiz für Filialen zum Umrüsten ist. Dadurch ergibt sich wiederum eine verstärkende Rückwirkung auf die Anzahl an E-Lkw im Fuhrpark. Es ist allerdings anzumerken, dass die Reaktionsfähigkeit sich nur verbessern kann, bis der Ersatzbedarf bei 0 % liegt. Ebenso ist dem selbstverstärkenden Regelkreis R2 eine Grenze gesetzt, da die Lieferpünktlichkeit nicht über 100 % liegen kann. Sowohl Reaktionsfähigkeit als auch Lieferpünktlichkeit scheinen aber wesentliche Treiber für die Entwicklung einer Nachfrage nach der nachhaltigen Dienstleistungsinnovation zu sein. Ein weiterer selbstverstärkender Regelkreis R3 verläuft von der Durchführung der Nachtbelieferung über eine zunehmende Verkehrsverlagerung, welche wiederum dazu beiträgt, dass Kosten sinken, wodurch mehr Filialen umrüsten und schlussendlich mehr E-Lkw durch den LDL beschafft werden. Der selbstverstärkende Regelkreis R4 beginnt bei der zunehmenden Durchführung der Nachtbelieferung, welche eine sinkende Tourendauer und dadurch sinkende Kosten zur Folge hat. Darüber hinaus verläuft R4 über steigende Nachfrage und ein erhöhtes Angebot. R5 ist ein lokaler selbstverstärkender Regelkreis: Durch eine steigende Verkehrsverlagerung verringert sich die Tourendauer, was wiederum eine vermehrte Verkehrsverlagerung ermöglicht. Tourendauer und Verkehrsverlagerung scheinen somit ein großes Potenzial zu besitzen, Nachfrage und Angebot zu erhöhen. Ein zielsuchender Regelkreis (B1) beginnt bei der Anzahl an E-Lkw im Fuhrpark, wodurch Kosten erhöht und die Anzahl an Kunden vermindert wird. Es zeigt sich, dass einige Regelkreise über die Kosten der Nachtbelieferung verlaufen, was darauf hindeutet, dass diese für Erfolg oder Misserfolg der nachhaltigen Dienstleistungsinnovation mitentscheidend sind. Ein Kausaldiagramm stellt die Zusammenhänge auf meist stark aggregierter Ebene dar (Morecroft 1983, S. 136), weswegen gemäß Kapitel 3.11 Anknüpfungspunkte für weitere Variablen

4.2 Anwendungsfall

145

bzw. Variablen, die eine größere Detaillierung erfordern, zu identifizieren sind. Ausgehend vom Kausaldiagramm sind E-Lkw im Fuhrpark bzw. der Fuhrpark generell weiter zu detaillieren. Dabei ist neben dem E-Lkw-Bestand auch der Bestand an D-Lkw zu berücksichtigen. Darüber hinaus hat sich in weiteren Fokusgruppeninterviews mit dem LDL ergeben, dass verschiedene Lkw-Größenklassen zu berücksichtigen sind. Neben 18 t und 26 t Lkw kommen 26 t Lkw mit Anhänger (Lastzug oder auch Gliederzug genannt) sowie City-Sattelzüge (Sattelzugmaschine mit Anhänger) zum Einsatz.64 Entsprechend des in Kapitel 4.2.2 definierten Zielsystems sind zusätzlich die Schadstoffemissionsklasse sowie weiterhin Alter und Verbrauch der Fahrzeuge im Fuhrpark von Relevanz. Für E-Lkw ist darüber hinaus eine geeignete Ladeinfrastruktur zu berücksichtigen. Im Vorgriff auf die Erstellung der Wirkungsprognose in Kapitel 4.3 sollen diese Variablen im Subsystem Fuhrparkbestand zusammengefasst werden. Auf Basis des Fuhrparkbestands ergibt sich das Tourenangebot, welches in einem eigenen Subsystem modelliert wird. Aufgrund der engen Verbindung von Tourendauer und Verkehrsverlagerung werden diese beiden Variablen gemeinsam im Subsystem Tourenangebot detailliert. Hier werden die verschiedenen Tourenparameter wie Tourenstrecke, Verteilung der Tourenstrecke auf Stadtstraßen, Außerortsstraßen und Autobahnen und entsprechende Durchschnittsgeschwindigkeiten, Zeitbedarf pro Stopp und am Lager, Betriebszeiten und Auslastung der Lkw abgebildet und ermittelt, wie viele Tages- und Nachttouren bzw. -belieferungen die einzelnen Lkw-Typen und -Größenklassen durchführen können. Auf der anderen Seite sind die Filialen, deren nachgefragte Liefermengen sowie die für die Nachtbelieferung erforderlichen Umrüstungen der Filialen im Subsystem Kundennachfrage zu modellieren. Es hat sich in Fokusgruppeninterviews gezeigt, dass in Abhängigkeit vom erforderlichen Umrüstungsaufwand vier Filialtypen unterschieden werden können. Zum einen existieren Filialen, die ohne baulichen Aufwand, nur mittels organisatorischer Anpassungen bereit für eine Nachtbelieferung sind. Daneben gibt es Filialen bei denen in geringem Umfang Baumaßnahmen für zusätzliche Lager- und Kühlräume oder eine Lärmschutzwand erforderlich sind. Bei einigen Filialen ist es erforderlich, die komplette Ladezone zu umbauen (Einhausung), was eine aufwendige Maßnahme darstellt. Die letzte Gruppe umfasst Filialen, bei denen wegen der örtlichen Gegebenheiten keine Baumaßnahmen möglich sind, welche aber aufgrund von Lärmschutzvorgaben erforderlich wären. Auch die Durchführung der Nachtbelieferung ist weiter zu detaillieren. Hierzu ist die gesamte Dienstleistungserbringung in einem Subsystem abzubilden. Die Anzahl der insgesamt durchgeführten Belieferungen und Touren durch D-Lkw und E-Lkw pro Tag, die durch E-Lkw durchgeführten Nachtbelieferungen und die gefahrenen Kilometer sind dabei von Bedeutung. Es werden somit Angebot und Nachfrage abgeglichen. Da Kosten im Zielsystem eine sehr wichtige Rolle spielen, ist jeweils ein Subsystem für die Personalkosten, die Kosten der Ladeinfrastruktur für den E-Lkw und die Fuhrparkkosten zu erstellen. Da im Anwendungsfall der Fokus auf der Transportlogistik liegt, werden als Personalkosten nur die Fahrerkosten berücksichtigt. Bei der Ladeinfrastruktur werden Gleichstrom-Schnellladesäulen am Lager und potenziell Wechselstrom-Ladesäulen an den Filialen betrachtet, wobei Anschaffungspreis, Kosten für Netzanschluss sowie Wartungskosten in eine TCO-Rechnung einbezogen werden. Die Fuhrparkkosten setzen sich zusammen aus Anschaffungspreis, Restwert, Kapitalkosten, Abschreibungen, variablen Kosten wie Kraftstoffkosten, Reifenkosten, Wartungs- und Instandhaltungskosten, Mautkosten sowie fixen Mautbeträgen und Kosten für Steuer und Versicherung (Gass et al. 2014, 64

Für Details zu Lkw und möglichen Gespannen sei auf Koether (2018, S. 313ff.) verwiesen.

146

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

S. 98; Wittenbrink 2014, S. 73f.; Gnann 2015, S. 45ff.; Wu et al. 2015; Hagman et al. 2016, S. 12; Palmer et al. 2018, S. 109ff.). Wie bereits mehrfach erläutert sind einerseits durch den LDL kontinuierlich Entscheidungen über die Beschaffung von E-Lkw und die Implementierung der nachhaltigen Dienstleistungsinnovation zu treffen und andererseits durch die Kunden Entscheidungen darüber zu treffen, ob die Filiale umgerüstet werden soll und damit für Nachtbelieferungen vorbereitet werden soll, wodurch eine Nachfrage nach der nachhaltigen Dienstleistungsinnovation entsteht. Beide Entscheidungen sind jeweils in einem eigenen Subsystem abzubilden. Abschließend sind die im Zielsystem bestimmten Zielgrößen in einem Subsystem zusammenzufassen bzw. zu berechnen. In Tabelle 4-2 sind die Modellgrenzen und die endogen im Modell berechneten Variablen dargestellt, ebenso wie konstante und veränderliche exogene Variablen sowie Variablen, die unberücksichtigt bleiben. Da auf die endogenen und exogenen Variablen bereits eingegangen wurde und in den folgenden Kapiteln noch näher eingegangen wird, sollen hier die unberücksichtigten Variablen angesprochen werden. So bleiben zunächst Markt und Wettbewerb unberücksichtigt. Weder der LDL noch die Filialen haben die Möglichkeit, auf andere Anbieter oder Kunden zurückzugreifen. Da der Lebensmitteleinzelhändler für seine Filialen in der Regel langfristige Verträge mit LDL schließt, ist diese Einschränkung angemessen. Insgesamt ist die Anzahl der Filialen im Lebensmitteleinzelhandel seit 2006 stark gesunken, wobei einzelne Unternehmen ihre Anzahl an Filialen konstant halten oder sogar steigern konnten (Statista 2018a). Die Annahme einer konstanten Filialanzahl ist damit vertretbar. Ohnehin wären die Auswirkungen auf die Entscheidung über die Implementierung der Nachtbelieferung gering. Die Anschaffung geräuschreduzierter Transporthilfsmittel wird nicht untersucht, da diese aktuelle teilweise bereits ohnehin beschafft werden und die Mehrkosten überdies relativ gering sind. Die Veränderung von Mitarbeiterakzeptanz und -motivation durch die Implementierung einer neuen Technologie bzw. Dienstleistungsinnovation sowie potenzielle Auswirkungen auf Produktivität und Qualität werden im Modell nicht quantitativ berücksichtigt, da deren Erfassung sehr schwierig und aufwendig ist und nicht im Fokus dieser Arbeit steht (vgl. Luchak und Gellatly 2007, S. 787; Cadwallader et al. 2010, S. 220ff.; Schaarschmidt 2016, S. 543ff.). Um den Aspekten jedoch Rechnung zu tragen, wurden durch den Verfasser dieser Arbeit Interviews mit Verantwortlichen und betroffenen Mitarbeitern des LDL geführt (vgl. Kirsch et al. 2017a, S. 78ff.; Kirsch et al. 2018, S. 18ff.). Weiterhin wurden weder Anwohner- noch Endkundenfeedback berücksichtigt. Dabei ist anzumerken, dass eine Akzeptanz der Nachtbelieferung durch die Anwohner an den Filialen erfolgskritisch sein kann. Trotz Erfüllung der gesetzlichen Lärmschutzvorgaben bei der Nachtbelieferung würden die Filialen eine Nachtbelieferung ablehnen, wenn dies zu Problemen oder Rechtsstreitigkeiten mit Anwohnern als potenziellen Kunden führen würde, wie Interviews mit Filialverantwortlichen gezeigt haben (vgl. Kirsch et al. 2017a, S. 78ff.; Kirsch et al. 2018, S. 18ff.). Endkundenfeedback, Imagevorteile oder mögliche Verbesserungen der Servicequalität für den Endkunden wurden ebenfalls nur qualitativ in Fokusgruppen- und Einzelinterviews diskutiert, da auch hier eine Erfassung entsprechend schwierig und aufwendig ist (Bloemer und de Ruyter 1998, S. 500ff.; Silvestro und Cross 2000, S. 248f.; Theodoridis und Chatzipanagiotou 2009, S. 714ff.; Al-Ali et al. 2015, S. 290f.) und den Rahmen dieser Arbeit sprengen würde.

4.2 Anwendungsfall

147

Endogene Variablen

Exogene Variablen

Unberücksichtigte Variablen

 Fuhrparkbestand

 Verteilung Lkw Schadstoffklassen

 durchgeführte Touren

 Anzahl Filialen nach Typen

 Markt- und Wettbewerbsfeedback

 gefahrene Kilometer

 Liefermengen und -zeiten

 nachtbelieferbare Filialen  Tourendauer und -potenzial

 Tourenparameter (Strecke, Straßenanteile, Zeit, Geschwindigkeit)

 Fahrerkosten

 Stundenlohn Fahrer und Nachtzuschlag

 TCO Ladesäulen

 Preise, Netzanschlusskosten, Wartungskosten und Nutzungsdauer Ladesäulen

 erforderliche Ladezeiten  TCO Lkw  Kaufwahrscheinlichkeiten und Beschaffungsentscheidung  Umrüstungswahrscheinlichkeit und Filialentscheidung

 Preise, variable und fixe Kosten, Nutzungsdauer und Verbrauch Lkw  Unternehmenszinssatz/-steuersatz

 Veränderung Filialanzahl  Transporthilfsmittel  Mitarbeiterakzeptanz und -motivation  Anwohner- und Endkundenfeedback

 Kraftstoffpreise  Umrüstungskosten Filiale  Gewichtung Kundenziele  Lieferqualitätsverbesserung  Marktanteil AFV  spezifische Emissionen der Kraftstoffe

Tabelle 4-2:

Modellgrenzen mit endogenen, exogenen und unberücksichtigten Variablen

4.2.5 Ermittlung der Umweltszenarien 4.2.5.1 Vorgehensweise Die im vorigen Kapitel dargestellten exogenen Variablen sind zu parametrisieren, gegebenenfalls zu prognostizieren und zu geeigneten Umweltszenarien zu aggregieren. Eine Prognose ist für diejenigen exogenen Variablen durchzuführen, die sich in Zukunft voraussichtlich verändern, sowie für diejenigen, deren künftige Entwicklung mit hohen Unsicherheiten verbunden sind. Bei der Beschreibung der für die Umweltszenarien herangezogenen Daten wird der Reihenfolge der Subsysteme (vgl. Kapitel 4.3.2) gefolgt. 4.2.5.2 Fuhrparkbestand Zunächst sind die exogenen Variablen des Fuhrparks zu parametrisieren. Die Verteilung auf die verschiedenen Größenklassen der Lkw des LDL findet sich in Tabelle 4-3. Es zeigt sich, dass der 26 t-Lkw den mit Abstand höchsten Anteil am Fuhrpark stellt. Lkw 18 t

Lkw 26 t

City-Sattelzug

Gliederzug mit Anhänger

5%

55 %

20 %

20 %

Tabelle 4-3:

Verteilung der Lkw-Typen bzw. Größenklassen im Fuhrpark des LDL (Quelle: LDL)

Für die Nutzungsdauer wird die Abschreibungsdauer laut Afa-Tabellen von 9 Jahren herangezogen (BMF 2000). Es kann davon ausgegangen werden, dass insbesondere größere LDL auf-

148

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

grund des mit der Nutzungsdauer steigenden geplanten und ungeplanten Wartung- und Instandhaltungsaufwands eine regelmäßige Neubeschaffung von Fahrzeugen bevorzugen.65 Angaben zur Verteilung des Lkw-Alters im Fuhrpark des LDL waren nicht verfügbar, sondern lediglich eine Verteilung der Lkw auf die Emissionsklassen (EURO III bis VI). Gemäß UBA (2015) müssen alle ab 2014 beschafften Lkw die EURO VI-Norm erfüllen, weswegen davon ausgegangen wird, dass Lkw mit EURO VI (56 %) vier Jahre alt oder jünger sind und gleichmäßig auf die Altersklassen 1 bis 4 verteilt werden können. Weiter wird angenommen, dass Lkw mit EURO V (27 %) gleichmäßig auf die Altersklassen 5 bis 7 verteilt sind und auf die Altersklasse 8 Lkw mit EURO IV (8 %) und auf Altersklasse 9 Lkw mit EURO III (9 % entfallen). Die Ergebnisse finden sich in Tabelle 4-4. Anteil Lkw-Alter in Jahren 1

2

3

4

5

6

7

8

9

14 %

14 %

14 %

14 %

9%

9%

9%

8%

9%

Tabelle 4-4:

Verteilung der Alters der Lkw im Fuhrpark des LDL (Quelle: eigene Berechnungen mit Daten des LDL)

Entsprechend der zuletzt in den Medien diskutierten oder tatsächlich in Kraft getretenen Fahrverbote für Diesel-Fahrzeuge (Behörde für Umwelt und Energie Hamburg 2018; Schwarz 2018) könnten alle Lkw, die die EURO VI-Norm nicht erfüllen, betroffen sein. Daher werden alle Lkw mit EURO V-Norm und schlechter bzw. einem Alter von fünf Jahren und älter als risikobehaftet bewertet womit sich im Falle von Fahrverboten ein entsprechender Ersatzbedarf ergibt. Weiterhin wird das Risiko auch für die künftige Entwicklung mit dem Lkw-Alter verknüpft (5 Jahre und älter), da angenommen wird, dass es zu einer kontinuierlichen Verschärfung der Grenzwerte kommt (vgl. Chatain 2018). Zudem wird davon ausgegangen, dass sich die Lkw-Größenklassen gleichmäßig über die Altersklassen verteilen, da hierzu keine Angaben verfügbar waren. Der Kraftstoffverbrauch von Lkw ist stark abhängig von deren Aufbauart, da Aerodynamik und Gewicht dadurch wesentlich beeinflusst werden, sowie von der Auslastung des Lkw (vgl. Dünnebeil et al. 2015, S. 62ff.; Wietschel et al. 2017, S. 87). Für den Anwendungsfall ist ein Kofferaufbau mit Kühlung erforderlich und es wird von einer durchschnittlichen Auslastung von 50 % ausgegangen, wie es für Verteilerverkehre üblich ist (vgl. Rosenberger et al. 2017). Basiswerte für den Verbrauch von D-Lkw in den verschiedenen Größenklassen konnten mit Logistikexperten aus dem Einzelhandel in Anlehnung an Kirsch et al. (2017a, S. 63) für das Jahr 2017 bestimmt und diskutiert wurden. Hacker et al. (2014, S. 85) und Hülsmann et al. (2014, S. 61) ermitteln auf Basis einer umfassenden Technologiedatenbank Prognosen für Kraftstoffverbräuche von D-Lkw und E-Lkw, welche für die vorliegende Arbeit herangezogen werden sollen. In den Prognosen werden Solo-Lkw sowie Last- und Sattelzüge unterschieden und die

65

Wietschel et al. (2017, S. 75) ermitteln auf Basis von Daten des Kraftfahrt-Bundesamts (KBA) eine durchschnittliche Nutzungsdauer für Lkw größer 12 t von 10 Jahren und für Sattelzugmaschinen von 6 Jahren über alle Branchen hinweg. Der Grund für die 6-jährige Nutzungsdauer von Sattelzugmaschinen ist deren sehr hohe Jahresfahrleistung, welche im Lebensmitteleinzelhandel jedoch deutlich geringer ist. 9 Jahre als mittlere Nutzungsdauer ist daher ein angemessener Wert.

4.2 Anwendungsfall

149

Prognosen sehen grob eine lineare Abnahme des Verbrauchs bis 2030 vor, der dann etwa konstant bleibt. Die Geradengleichungen der Prognosen wurden für den linear fallenden Abschnitt gemäß Kapitel 3.10.4.4 bestimmt, wobei sich gezeigt hat, dass die Änderungen in beiden Größenklassen absolut betrachtet identisch sind. Weiter wurden die Gleichungen an die ermittelten Basiswerte angepasst, sodass eine Zukunftsprognose erstellt werden konnte.66 Für D-Lkw wurde überdies eine Rückrechnung bis 2009 durchgeführt, um den Kraftstoffverbrauch der zu Betrachtungsbeginn im Fuhrparkbestand des LDL bereits vorhandenen D-Lkw bestimmen zu können. Aufgrund technologischen Fortschritts sinkt der Verbrauch von D-Lkw bis 2040 um etwa 50 %. Da der Antriebsstrang eines E-Lkw im Gegensatz zu D-Lkw bereits einen sehr hohen Wirkungsgrad besitzt (Jöhrens et al. 2017, S. 31; Funke 2018, S. 51f.), sind hier nur geringe Verbesserungen des Kraftstoffverbrauchs möglich. Kraftstoffverbrauch in den Lkw-Größenklassen

2009

2018

2020

2030

2040

18 t Lkw

30,1

25,4

24,4

19,3

19,3

26 t Lkw

32,9

28,6

27,6

22,8

22,8

City-Sattelzug

34,0

29,5

28,5

23,6

23,6

Gliederzug mit Anhänger

35,0

30,4

29,4

24,3

24,3

18 t Lkw

-

119,0

116,1

101,8

101,8

26 t Lkw

-

126,2

123,5

110,1

110,1

City-Sattelzug

-

130,3

127,5

113,7

113,7

Gliederzug mit Anhänger

-

135,8

132,9

118,7

117,2

D-Lkw [l/100km]

E-Lkw [kWh/100km]

Tabelle 4-5:

Entwicklung des Kraftstoffverbrauchs von D-Lkw und E-Lkw in den verschiedenen Größenklassen (Quelle: eigene Berechnungen mit Daten aus Hacker et al. (2014, S. 85), Hülsmann et al. (2014, S. 61) und Kirsch et al. (2017a, S. 63))

Vergleicht man die berechneten Werte mit der Literatur, so fällt der Kraftstoffverbrauch von D-Lkw bei Rosenberger et al. (2017, S. 289ff.) für 2017 etwa 10 % höher aus, wohingegen Schneider (2014) und Spirkl (2015) für E-Lkw in 2014 bzw. 2015 etwa 10 bis 20 % geringere Verbräuche entnommen werden können. Insgesamt sind die berechneten Werte aber als angemessen zu bewerten. 4.2.5.3 Tourenangebot Für die Bestimmung des Tourenangebots sind zunächst Annahmen zu den Belieferungszeiten der Filialen bzw. zu den Betriebszeiten der Lkw zu treffen. Es wird angenommen, dass D-Lkw Anlieferungen zwischen 6 und 22 Uhr durchführen können, da zwischen 22 und 6 Uhr entsprechend der TA Lärm (1998) schärfere Lärmemissions-Richtwerte einzuhalten sind, die D-Lkw

66

Die Basiswerte für E-Lkw wurden mithilfe von zwei Umrechnungsfaktoren aus den ermittelten Basiswerten für D-Lkw bestimmt. Hierfür wurde der Heizwert eines Liter Diesel-Kraftstoffs von 9,91 kWh/l (Schwertner 2017, S. 13) sowie der durchschnittliche Faktor zur Umrechnung von E-Lkw- zu D-Lkw-Verbrauch der Prognosen von Hacker et al. (2014, S. 85) und Hülsmann et al. (2014, S. 61) (Durchschnitt in den Jahren 2009 bis 2017; 9 Jahre als Nutzungsdauer eines Lkw) herangezogen.

150

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

nicht erfüllen können. Überdies sind entsprechende Belieferungszeitfenster auch in den Bebauungsplänen und Baugenehmigungen von Filialen festgelegt (Kirsch et al. 2017a, S. 47). Demgegenüber wird für den E-Lkw eine 24-Stunden-Belieferung angenommen, da dieser im Betrieb deutlich leiser als ein D-Lkw ist und die Richtwerte der TA Lärm einhalten kann (Kirsch et al. 2018, S. 71ff.). Neben den Betriebszeiten sind die Tourenparameter von Relevanz. In Anlehnung an Kirsch et al. (2017a, S. 62) wird eine durchschnittliche Tourenstrecke von 120 km und unter Berücksichtigung der Liefermenge je Filiale ein um etwa 50 % erhöhter Zeitbedarf am Lager und an der Filiale von etwa 1,6 h und 1,0 h angenommen.67 In Experteninterviews hat sich ergeben, dass bei den Stopps an den Filialen die komplette Zeit zum Zwischenladen verwendet werden kann, wohingegen am Lager durch verschiedene Rangier- und Wartezeiten nur etwa 1,3 h genutzt werden können. Hinsichtlich der Fahr- bzw. Streckenanteile werden die Kategorien innerorts, außerorts und Autobahn unterschieden (Hülsmann et al. 2014, S. 50). Wietschel et al. (2017, S. 129) ermitteln basierend auf Daten eines Verkehrsmodells die Streckenanteile auf Autobahnen in Abhängigkeit von der gefahrenen Streckenlänge. Für 120 km Streckenlänge ergibt sich ein Autobahnanteil von 60 %. Weiterhin wird in Anlehnung an Hülsmann et al. (2014, S. 50) davon ausgegangen, dass die Streckenanteile innerorts und außerorts identisch sind, womit sich je 20 % ergeben.68 Sehr schwierig gestaltete sich die Parametrisierung der durchschnittlichen Geschwindigkeiten für die einzelnen Straßenkategorien. Zwar existieren verschiedene Beiträge, die sich mit Tourenplanung in der Logistik auseinandersetzen (Ehmke et al. 2016; Cattaruzza et al. 2017; Fu und Jenelius 2018), jedoch untersuchen diese lokale Spezialfälle, die nicht übertragbar sind. Aus diesem Grund wurde ein Gespräch mit einem Tourenplanungsexperten aus der Forschung geführt, um geeignete Durchschnittsgeschwindigkeiten zu ermitteln. Ein ähnliches Problem ergab sich für die Ermittlung der Geschwindigkeiten in der Nacht. Verschiedene Beiträge untersuchen die Änderungen der Durchschnittsgeschwindigkeiten in der Nacht gegenüber dem Tag (Ericsson 2000; HolguínVeras et al. 2011; Huang et al. 2017; Pernestal Brenden et al. 2017), wobei auch hier kein allgemeingültiger Schluss gezogen werden kann. Auch im Experteninterview konnte hierzu keine Aussage getroffen werden. Die meisten betrachteten Beiträge geben für den Innerortsverkehr eine Geschwindigkeitssteigerung um 30 bis 50 % an (Ehmke et al. 2012, S. 195f.; McPhee et al. 2015, S. 484; Sánchez-Díaz et al. 2016, S. 534; Fu und Jenelius 2018, S. 158). Als konservative Abschätzung wird daher eine Durchschnittsgeschwindigkeit von 40 km/h für den nächtlichen Innerortsverkehr angenommen. Im Außerortsverkehr und Autobahnverkehr sind für die Nacht geringere Geschwindigkeitssteigerungen zu erwarten sodass etwa 20 % und 15 % angenommen werden.

67

68

Kirsch et al. (2017a, S. 62) haben in Fokusgruppeninterviews ermittelt, dass etwa 6,5 TE (Paletten) pro Stopp geliefert werden. Setzt man diesen Wert in Relation zur durchschnittlichen Liefermenge des LDL je Filiale von 12,23 TE (Rollcontainer), würde dies einen Faktor zwei ergeben. Da aber Rollcontainer einfacher als Paletten handzuhaben sind, wird ein Faktor von 1,5 angenommen. Dieser hat sich in Experteninterviews als gute Näherung herausgestellt. Die Gleichverteilung von außerorts- und innerorts-Streckenanteilen geben Hülsmann et al. (2014, S. 50) nur für Lkw größer 12 t an, wohingegen für Last- und Sattelzüge andere Werte angegeben sind. Hülsmann et al. (2014, S. 50) weisen aber darauf hin, dass die Kategorie Lkw größer 12 t den klassischen Verteilerverkehr repräsentiert und somit auch für den Anwendungsfall relevant ist.

4.2 Anwendungsfall

151

Variable

Einheit

Wert

Quelle

Betriebszeit D-Lkw

h/d

16

Betriebszeit E-Lkw

h/d

24

TA Lärm (1998) Kirsch et al. (2017a, S. 47)

Tourenstrecke

km/Tour

120

Kirsch et al. (2017a, S. 62)

Zeit pro Stopp

h/Stopp

1

h/Stopp

1

h/Tour

1,6

h/Tour

1,3

innerorts

%

20

außerorts

%

20

Autobahn

%

60

innerorts

km/h

30

außerorts

km/h

50

Autobahn

km/h

70

innerorts

km/h

40

außerorts

km/h

60

Autobahn

km/h

80

18 t Lkw

TE/Tour

28

LDL

26 t Lkw

TE/Tour

29

LDL

City-Sattelzug

TE/Tour

44

LDL

Gliederzug mit Anhänger

TE/Tour

58

LDL

%

85

Experteninterview

davon nutzbar für Zwischenladung Zeit am Lager davon nutzbar für Zwischenladung Streckenanteil Geschwindigkeit Tag

Geschwindigkeit Nacht

Kapazität

Auslastung Lkw Tabelle 4-6:

eigene Berechnungen in Anlehnung an Kirsch et al. (2017a, S. 62) und Experteninterviews

Hülsmann et al. (2014, S. 50) Wietschel et al. (2017, S. 129) Experteninterview

verschiedene Quellen, siehe Text

Exogene Variablen zur Ermittlung des Tourenangebots

Die Kapazität der Lkw, angegeben in unternehmensspezifischen Rollcontainern, wurde mit dem LDL bestimmt, wohingegen die Auslastung eines Lkw (bei dessen Abfahrt am Lager) mit einem Experten aus der Forschung bestimmt wurde. Die Parameter finden sich in Tabelle 4-6. 4.2.5.4 Kundennachfrage Die Kundennachfrage bildet sich durch die Nachfrage der einzelnen Filialen. Der LDL beliefert vom betrachteten Lagerstandort aus etwa 670 Filialen. Im Rahmen einer internen Untersuchung eines weiteren LDL im Lebensmitteleinzelhandel (vgl. Kirsch et al. 2018, S. 58f.) wurden die Anteile der Filialen bezüglich unterschiedlicher Umrüstungsaufwände für eine Nachtbelieferung ermittelt. Die Ergebnisse dieser Untersuchung konnten über ein Experteninterview erlangt werden. Somit konnte ermittelt werden, dass etwa 20 % seiner Filialkunden aktuell grundsätzlich bereit für Nachtbelieferungen sind oder nur geringe organisatorische Anpassungen erforderlich sind (Typ I). Dies betrifft überwiegend Filialen, die sich in großer Entfernung zur nächsten Wohnbebauung befinden.69 Bei weiteren 10 % der Filialen wären kleinere bauliche

69

Zu den Schallschutzvorschriften und damit verbundenen Herausforderungen für den Lebensmitteleinzelhandel sei auf Kirsch et al. (2017a, S. 22ff.) verwiesen.

152

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Maßnahmen wie eine Erweiterung der Lagerflächen, die Schaffung zusätzlicher Kühlmöglichkeiten oder das Errichten einer Schallschutzwand erforderlich (Typ II). Für 11 % der Filialen wäre zur Einhaltung der Richtwerte der TA Lärm die bauliche Einhausung der Anlieferungszone erforderlich und möglich, was eine umfassende Baumaßnahme darstellt (Typ III). Keine Nachtanlieferung wird bei etwa 59 % der Filialen möglich sein, da dort die beschriebenen baulichen Maßnahmen nicht durchgeführt werden können und eine Einhaltung der Richtwerte der TA Lärm somit nicht möglich ist (Typ IV). Es wird angenommen, dass diese Ergebnisse und Filialanteile auf den Anwendungsfall übertragen werden können, da die Strukturen der Liefergebiete beider LDL vermutlich ähnlich sind. Es wird davon ausgegangen, dass jede Filiale des LDL an 6 Tagen in der Woche beliefert wird und 115 TE, welche im Lebensmitteleinzelhandel Rollcontainer darstellen, erhält. Weiterhin wird eine Filiale etwa 9,4 mal pro Woche und an etwa 306 Tagen im Jahr beliefert. Es wird eine Erhöhung der wöchentlichen Filialnachfrage um 0,5 % p.a. angenommen. Dies entspricht der durchschnittlichen jährlichen Umsatzsteigerung im Lebensmitteleinzelhandel der letzten 20 Jahre (Statista 2018d), bereinigt um die durchschnittliche jährliche Inflation im selben Zeitraum (Statista 2018b) (vgl. Tabelle Anhang 7-6). Dabei wird von einem konstanten Marktanteil der Kunden des LDL ausgegangen. Dabei wurde die CAGR berechnet und davon ausgegangen, dass sich der Trend auch in Zukunft fortsetzt. Die Variablen sind in Tabelle 4-7 zusammengefasst. Variable

Einheit

Wert

Quelle

Gesamtanzahl Filialen

Filiale

670

LDL

Anteil Filialen Typ I

%

20

Experteninterview

Anteil Filialen Typ II

%

10

Experteninterview

Anteil Filialen Typ III

%

11

Experteninterview

Anteil Filialen Typ IV

%

59

Experteninterview

d/w

6

LDL

d/a

306

LDL

wöchentliche Filialnachfrage

TE/(w∙Filiale)

115

LDL

wöchentliche Stopps je Filiale

Stopp/(w∙Filiale)

9,4

LDL

jährliche Nachfragesteigerung

%/a

0,5

Statista (2018d), Statista (2018b)

Liefertage

Tabelle 4-7:

Exogene Variablen der Kundennachfrage

4.2.5.5 Dienstleistungserbringung In der Dienstleistungserbringung sind keine exogenen Variablen zu berücksichtigen, sondern es wird ausschließlich auf endogene Variablen zurückgegriffen. 4.2.5.6 Personalkosten Der Stundenlohn für Fahrer, jährliche Lohnsteigerungen sowie ein Nachtzuschlag sind exogene Variablen, die für die Ermittlung der Personalkosten relevant sind. Von Kirsch et al. (2018, S. 44) wird ein Stundenlohn von 25 € übernommen (vgl. Tabelle 4-8), wobei anzumerken ist, dass dieser relativ hoch, für größere LDL aber durchaus realistisch ist.

4.2 Anwendungsfall

153

Die durchschnittliche jährliche Steigerung des Fahrerlohns zwischen 2010 und 201870 im Regionalverkehr liegt laut Bundesverband Güterkraftverkehr Logistik und Entsorgung (BGL) (2018) bei 2,8 % (CAGR). Aufgrund des immer stärkeren Fahrermangels in der Logistik (DSLV 2017) wird der Wert auf 3 % und damit ein Wachstumstrend festgelegt. Kirsch et al. (2018, S. 44) geben für den Nachtzuschlag 10 % nach Abstimmung mit Experten an, wohingegen Haufe (2015) und Bachmann (2016) 25 % anführen. Es werden daher 15 % angenommen. Variable

Einheit

Wert

Quelle

Stundenlohn Fahrer

€2018/h

25

Kirsch et al. (2018, S. 44)

jährliche Lohnsteigerung

%/a

3

verschiedene Quellen, siehe Text

Nachtzuschlag

%/h

15

verschiedene Quellen, siehe Text

Tabelle 4-8:

Exogene Variablen zur Ermittlung der Personalkosten

4.2.5.7 Ladeinfrastrukturkosten Funke (2018, S. 32) nimmt auf Basis einer umfassenden Recherche für eine Schnellladesäule mit 150 kW und einem Ladepunkt einen Hardwarepreis von 25.000 € an. Weiterhin dürfen die Netzanschlusskosten von Ladesäulen, vor allem von Schnellladesäulen nicht vernachlässigt werden. Sie summieren sich für Schnellladesäulen nach eigenen Berechnungen auf Basis von Funke (2018, S. 32f.) auf 63.500 €, da bauliche Maßnahmen und Erweiterungen am Stromnetz erforderlich sind.71 Es ist anzumerken, dass hierunter auch die Kosten für Installation und Genehmigung summiert sind. Für das potenzielle Zwischenladen an den Filialen wird aus Kostengründen lediglich eine 44 kW Ladesäulen angenommen, deren Hardwarepreis mit 5.000 € veranschlagt wird, ebenso wie deren Netzanschlusskosten. Die Nutzungsdauer der Hardware wird mit 15 Jahren angenommen, wohingegen entsprechend der Stromnetzentgeltverordnung (BMJV 2018) eine Nutzungsdauer der Netzanschlusskomponenten von 35 Jahren angenommen wird. Bei der Ladeinfrastruktur wird mit zunehmenden Stückzahlen eine rasche Kostensenkung erwartet, weshalb eine jährliche Kostensenkung, jedoch ausschließlich bezogen auf die Hardware, von 5 % angenommen wird. Die jährlichen Wartungskosten werden gemäß Chang et al. (2012, S. 20) und Zhao et al. (2016, S. 167) mit 10 % der Hardwarepreise veranschlagt. Aufgrund der intensiven gewerblichen Nutzung erscheint diese Annahme angemessen. Abschließend wird davon ausgegangen, dass für vier E-Lkw je eine Schnellladesäule zu beschaffen ist. Betrachtet man die Tourendauern, die zwischen 5 h (18 t E-Lkw) und 8 h (Gliederzug) liegen, und die möglichen Ladezeiten am Lager von 1,3 h, erscheint diese Abschätzung angemessen, wenngleich eine gute Koordination der Touren und der Ladezeiten erforderlich ist.

70 71

Dies ist der maximale Zeitraum für den der BGL (2018) Zahlen vorlegt. Nach Funke (2018, S. 32f.) sind zunächst Montagekosten i.H.v. 3.500 € erforderlich sowie anteilige Kosten für eine Transformatorstation i.H.v. 10.000 €. Die anteiligen Netzanschlusskosten für einen Ladepunkt bei einer Entfernung von 2 km zum Hochspannungsnetz (vgl. 123map 2018) können mit den Angaben aus Funke (2018, S. 33) berechnet werden, sodass sich Kosten i.H.v. 50.000 € ergeben.

154

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Variable

Einheit

Wert

Quelle

Preis Hardware

€2018

25.000

Funke (2018, S. 32)

Preis Netzanschluss

€2018

63.500

eigene Berechnungen in Anlehnung an Funke (2018, S. 32f.)

Ladeleistung

kW

150

Funke (2018, S. 32)

Preis Hardware

€2018

5.000

Hacker et al. (2015, S. 38)

Preis Netzanschluss

€2018

5.000

NPE (2015, S. 12)

Ladeleistung

kW

44

4electric (2018), wallbe (2018)

Nutzungsdauer Hardware

a

15

Schroeder und Traber (2012, S. 138)

Nutzungsdauer Netzanschluss

a

35

BMJV (2018)

jährliche Kostensenkung Hardware

%

5

Hacker et al. (2015, S. 38)

Anteil jährlicher Wartungskosten

%

10

Chang et al. (2012, S. 20), Zhao et al. (2016, S. 167)

Faktor Lkw je Schnellladesäule

-

4

eigene Berechnungen

Schnellladesäule

Ladesäule

Tabelle 4-9:

Exogene Variablen zur Bestimmung der Ladeinfrastrukturkosten.

4.2.5.8 Fuhrparkkosten Um die Fuhrparkkosten bestimmen zu können sind einerseits unternehmensspezifische finanzielle exogene Variablen und andererseits Lkw-bezogene exogene Variablen von Bedeutung. Variable

Einheit

Wert

Quelle

Unternehmenszinssatz

%

6,5

Experteninterviews

%

30

Blohm et al. (2012, S. 104), Bäuml et al. (2017, S. 20)

18 t Lkw

kW

250

26 t Lkw

kW

320

City-Sattelzug

kW

300

Gliederzug mit Anhänger

kW

320

Entladetiefe Batterie

%

90

Plötz et al. (2014, S. 52) Wietschel et al. (2017, S. 95)

Reichweite E-Lkw

km

180

Hülsmann et al. (2014, S. 56) Daimler (2019) E-Force (2018a)

Unternehmenssteuersatz

Antriebsleistung

Tabelle 4-10:

Kirsch et al. (2017a, S. 63)

Exogene Variablen zur Bestimmung der Fuhrparkkosten.

Der Unternehmenszinssatz wurde auf Basis von Experteninterviews einheitlich mit 6,5 % angenommen und der Steuersatz mit 30 %. Der Anschaffungspreis von D-Lkw für 2018 wird für die verschiedenen Größenklassen von Kirsch et al. (2018, S. 44) übernommen. Er wurde in Experteninterviews ermittelt und setzt sich zusammen aus Kosten für das Lkw-Chassis, den Antriebsstrang, den Kofferaufbau inklusive

4.2 Anwendungsfall

155

Ladebordwand und das Kühlaggregat (vgl. Kirsch et al. 2018, S. 57f.). Es wird in Anlehnung an Dünnebeil et al. (2015, S. 99ff.) davon ausgegangen dass durch verschiedene nicht-antriebsstrangbezogene Kraftstoffeinsparungsmaßnahmen (Aerodynamik, Leichtlaufreifen) die Kosten für den Lkw (ohne Kühlaggregat) jährlich um etwa 1 % zunehmen. Die Antriebsstränge in Verbindung mit dem Energiespeicher von D-Lkw und E-Lkw sind das wesentliche Unterscheidungsmerkmal der beiden Lkw-Typen. Die spezifischen Kosten in €2000/kW für einen Dieselantriebsstrang gibt Özdemir (2012, S. 149) in 2010 mit 45,40 € an, die entsprechenden Kosten für einen Elektroantriebsstrang mit 16,50 €. Diese Werte werden auch von Hülsmann et al. (2014, S. 58f.) herangezogen, wobei die Autoren einen Unsicherheitsaufschlag von 25 % auf die Kosten aufschlagen. Dieses Vorgehen wird übernommen und mittels der historischen Inflationsraten (vgl. Destatis 2018c) eine Konversion in €2018 durchgeführt. Unter Verwendung der von Hülsmann et al. (2014, S. 59) für 2040 prognostizierten Werte kann mittels linearer Interpolation eine Prognose (sowie Rückrechnung für D-Lkw) der Kosten für die Antriebsstränge durchgeführt werden (vgl. Tabelle Anhang 7-7). Weiterhin sind beim E-Lkw Kosten für Leistungselektronik und für weitere erforderliche Komponenten zu berücksichtigen (Özdemir 2012, S. 35ff.; Hülsmann et al. 2014, S. 57ff.). Sowohl die Werte als auch die Prognosen werden von Hülsmann et al. (2014, S. 59f.) übernommen und unter Berücksichtigung der Inflationsrate auf 2018 umgerechnet. Es liegt die Annahme zugrunde, dass durch Lern- und Skaleneffekte der Antriebsstrang des E-Lkw günstiger, der Antriebsstrang des D-Lkw durch immer strengere Emissionsregularien teurer wird (vgl. Dünnebeil et al. 2015). Für D-Lkw und E-Lkw wird dieselbe Antriebsleistung angenommen, wobei auf die Werte von Kirsch et al. (2017a, S. 63) zurückgegriffen wird. Ein Vergleich mit den Datenblättern verschiedener Neufahrzeuge (Rosenberger et al. 2017, S. 289ff.) zeigt, dass die Werte realistisch sind. Für die Umrechnung der Kosten für den Antriebsstrang in Preise wird nach den Boer et al. (2013, S. 80) ein Hersteller- und Händleraufschlag von 1,53 herangezogen, welcher von den Autoren als Mittelwert mehrerer gesichteter Beiträge bestimmt wurde. Unter Berücksichtigung der Preisentwicklung der Antriebsstränge und der Preisentwicklung beim Basis-Lkw kann zunächst eine Prognose für den Anschaffungspreis des D-Lkw erstellt werden (vgl. Tabelle 4-11). Anschaffungspreis D-Lkw [€2018]

2009

2018

2020

2030

2040

18 t Lkw

109.437

120.000

122.454

135.345

149.352

26 t Lkw

132.165

145.000

147.980

163.627

180.613

City-Sattelzug

160.183

175.000

178.447

196.584

216.341

Gliederzug mit Anhänger

183.739

200.000

203.784

223.700

245.402

Tabelle 4-11:

Entwicklung der Anschaffungspreise von D-Lkw

156

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Weiterhin kann die Differenz der Antriebsstrangkosten ermittelt werden. Es zeigt sich, dass der Antriebsstrang des E-Lkw für alle Größenklassen günstiger ist (vgl. Tabelle 4-12), allerdings ist anzumerken, dass beim E-Lkw der Preis für das Batteriesystem noch nicht berücksichtigt ist. Minderpreis Antriebsstrang E-Lkw [€2018]

2018

2020

2030

2040

18 t Lkw

4.278

5.032

8.800

12.569

Tabelle 4-12:

26 t Lkw

6.956

7.899

12.609

17.320

City-Sattelzug

6.191

7.079

11.521

15.963

Gliederzug mit Anhänger

6.956

7.899

12.609

17.320

Entwicklung der Minderkosten des Antriebsstrang von E-Lkw

Die Batterie als Energiespeicher von E-Lkw ist aktuell die mit Abstand teuerste Einzelkomponente und kann gemäß den Modellberechnungen bis zu 60 % des Lkw-Preises ausmachen, was auch durch Propfe et al. (2012, S. 4f.) bestätigt wird.72 Bei Automobilanwendungen wird auf Traktionsbatterien mit Lithium-Ionen-Technologie zurückgegriffen. Es gibt zahlreiche Beiträge, die sich mit Prognosen von Batteriekosten beschäftigen (Pillot 2013; Anderman 2018) und ebenso viele Beiträge, die jeweils eine Übersicht der bestehenden Beiträge erstellen (Bauer et al. 2016, S. 173ff.; Funke 2018, S. 24f.). Auf Basis einer umfassenden Literaturrecherche und unter Konsultation zahlreicher wichtiger Stakeholder in der Batterieforschung erstellen Thielmann et al. (2017, S. 14ff.) eine Prognose der Batteriekosten auf Zellebene. Die Autoren geben für verschiedenen Zellformate eine Prognose zu minimalen und maximalen Zellkosten ab, wobei für die vorliegende Arbeit jeweils der Mittelwert und das Zellformat Pouch berücksichtigt wird, da letzteres im Automobilbereich künftig für am vielversprechendsten gehalten wird (Thielmann et al. 2017, S. 14ff.).73 Weiterhin ist von den Zellkosten zu den Systemkosten etwa ein Faktor von 1,3 zu berücksichtigen (Thielmann et al. 2015b, S. 7) und gemäß den Boer et al. (2013, S. 80) ein Aufschlag von 1,53, womit sich in Summe ein Faktor zwei von Zellkosten auf den Batteriesystempreis ergibt. Entsprechend lassen sich Batteriesystempreise gemäß Tabelle 4-13 ermitteln. Variable

2018

2020

2030

2040

Batteriesystempreis [€2018/kWh]

468

388

183

131

Tabelle 4-13:

Batteriesystempreisentwicklung für automobile Anwendungen (Quelle: eigene Berechnungen in Anlehnung an Thielmann et al. (2017, S. 14ff.))

Die Anzahl an Vollladezyklen von Lithium-Ionen-Batterien (LIB) gibt an, wie oft eine LIB vollständig geladen und entladen werden kann, bevor sich deren Kapazität durch Batteriealterung wesentlich reduziert. Je nach Anwendungsfall kann dann ein Ersatz der LIB erforderlich sein. Die Vollladezyklen bleiben im Rahmen dieser Arbeit jedoch unberücksichtigt, da davon ausgegangen wird, dass die Fahrleistungen im Verteilerverkehr so gering sind, dass kein Ersatz 72 73

Beim D-Lkw stellt der Kraftstofftank den Energiespeicher dar und da dieser aus Kunststoff besteht, kann er bei einer Kostenbetrachtung vernachlässigt werden. Für Details zu verschiedenen Zellformaten sei auf Rahimzei et al. (2015, S. 18f.) verwiesen.

4.2 Anwendungsfall

157

der LIB erforderlich wird.74 Um eine lange Lebensdauer der LIB sicherstellen zu können, wird diese nicht komplett geladen und entladen, sondern nur bis zu einer definierten Entladetiefe (Depth of Discharge (DoD)). Diese wird für Nutzfahrzeuge in Anlehnung an Plötz et al. (2014, S. 52) und Wietschel et al. (2017, S. 95) mit 90 % festgelegt. Bezüglich der Reichweiten von E-Lkw finden sich in der Literatur unterschiedliche Angaben. Beispielsweise geben Hülsmann et al. (2014, S. 56) 150 km an, wohingegen der Original Equipment Manufacturer (OEM) Daimler (2019) 200 km für den in Pilotserie hergestellten e-Actros (26 t) und der Umrüster EForce (2018a) 200 bis 300 km Reichweite (18 – 44 t) angibt. Da Batterien jedoch schwer und teuer sind, ist deren Kapazität und damit Reichweite an den Anwendungsfall anzupassen.75 Unter Berücksichtigung der durchschnittlichen Tourenstrecke von 120 km erscheint ein 50%-Aufschlag und damit eine Reichweite des E-Lkw von 180 km sinnvoll und realistisch. Es ergeben sich die Anschaffungspreise von E-Lkw gemäß Tabelle 2-1, die keine exogenen Variablen darstellen, sondern im Modell errechnet werden. Anschaffungspreis E-Lkw [€2018]

2018

2020

2030

2040

18 t Lkw

226.997

207.436

163.712

163.513

26 t Lkw

256.058

235.824

191.219

192.206

City-Sattelzug

290.630

270.199

226.562

230.223

Gliederzug mit Anhänger

320.005

298.910

254.407

258.859

Tabelle 4-14:

Entwicklung der Anschaffungspreise von E-Lkw

Ein Vergleich der berechneten Anschaffungspreise von E-Lkw mit real existierenden Fahrzeugen ist sehr schwer, da zum einen nur wenige E-Lkw auf dem Markt verfügbar sind76 und zum anderen die Preise nicht kommuniziert werden. Ein Experteninterview mit einem Umrüster im Februar 2015 hat ergeben, dass dessen 18 t E-Lkw etwa 300.000 € kostet (E-Force 2015). Einen ähnlichen Betrag nannte ein LDL im Einzelhandel für die Anschaffung eines 12 t E-Lkw im Jahr 2013, wobei sich der Preis bei der Anschaffung eines zweiten E-Lkw im Jahr 2014 bereits deutlich verringerte. Unter Berücksichtigung der starken Verringerung der LIB-Zellkosten in den letzten Jahren, können die berechneten Anschaffungspreise als realistisch betrachtet werden. Dies gilt vor allem vor dem Hintergrund der Aussage eines OEM, dass dessen 26 t E-Lkw maximal 100.000 € Mehrpreis gegenüber einem D-Lkw kosten soll.

74

75 76

Peters et al. (2017, S. 493ff.) geben Durchschnittswerte für Vollladezyklen in Abhängigkeit der Zellchemie an. Für im Nutzfahrzeugbereich verbreitete Lithium-Eisenphosphat-Zellen beispielsweise werden aktuell 3.000 Vollladezyklen angegeben. Geht man davon aus, dass bis zu 4 Touren am Tag mit in Summe 480 km an 306 Tagen im Jahr gefahren werden, ergeben sich etwa 150.000 km im Jahr. Bei einer Reichweite von 180 km sind so etwa 800 Vollladezyklen pro Jahr erforderlich, was ca. 7.500 Vollladezyklen bei 9 Jahren Nutzungsdauer entspricht. Zieht man aber in Betracht, dass dies die absolute Obergrenze darstellt, dass ELkw auch mit verringerter Reichweite eingesetzt werden können sowie dass durch technologische Weiterentwicklungen die Anzahl möglicher Vollladezyklen steigt, ist die Annahme, dass keine Ersatzbatterie benötigt wird, vertretbar. Dieser Aspekt wird auch in den Sensitivitätsanalysen untersucht. Entsprechend bietet Daimler (2017) für den FUSO eCanter (bis 7,5t) ein modulares Batteriesystem an, ebenso wie E-Force (2018a) für seine Produktpalette. Zwar haben zahlreiche Hersteller wie Daimler (2019), MAN (2018) und Volvo Trucks (2018) E-Lkw angekündigt oder bereits in der Erprobung. Diese E-Lkw sind jedoch noch nicht frei auf dem Markt verfügbar. Hier muss aktuell auf Unternehmen zurückgegriffen werden, die einzelne Lkw zu E-Lkw umrüsten wie EForce (2018b), EMOSS (2018) oder ORTEN Electric-Trucks (2018).

158

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

In Anlehnung an Wietschel et al. (2017, S. 278f.) wird davon ausgegangen, dass trotz des hohen Batteriegewichts keine Nutzlastverluste beim E-Lkw auftreten. Dies wird begründet mit dem Entfall des Dieselantriebsstrangs und des Kraftstofftanks, wodurch bis zu 2,5 t Gewicht eingespart werden können (Wietschel et al. 2017, S. 43), sowie durch eine EU-Richtlinie, die sowohl Gewichts- als auch Volumenüberschreitungen durch Fahrzeuge mit alternativen Antrieben ermöglicht (EU 2015). Entsprechend wird auch angenommen, dass keine Nutzvolumenverluste auftreten (vgl. Wietschel et al. 2017, S. 105f.). Beide Annahmen können auch durch Herstellerangaben bestätigt werden (Daimler 2018; MAN 2018). Auch nach Ende der Nutzungsdauer besitzen die abgeschriebenen Lkw noch einen Restwert. Diesen zu ermitteln ist jedoch mit großen Unsicherheiten behaftet, vor allem bei E-Lkw, da für diese eigentlich keine ausgemusterten Fahrzeuge existieren. Hacker et al. (2015, S. 40f.) beschreiben verschiedene Verfahren zur Bestimmung des Restwerts von D-Lkw und E-Lkw in Abhängigkeit von der Haltedauer. Da neben der Haltedauer aber die Laufleistung des Fahrzeugs dessen Restwert wesentlich bestimmt, wird in Anlehnung an Plötz et al. (2014, S. 45f.) die von Dexheimer (2003, S. 5) ermittelte Restwertfunktion in Abhängigkeit von Alter, Nutzungsdauer und Neupreis des Fahrzeugs herangezogen: 𝑅𝑒𝑠𝑡𝑤𝑒𝑟𝑡 = e𝛼 ∙ e1

Tabelle 4-15:

∙𝛽1 ∙𝐴𝑙𝑡𝑒𝑟

𝛽

∙ e1

∙𝐽𝑎ℎ𝑟𝑒𝑠𝑓𝑎ℎ𝑟𝑙𝑒𝑖𝑠𝑡𝑢𝑛𝑔

+ 𝑁𝑒𝑢 𝑟𝑒𝑖𝑠 𝛽3

Parameter

Wert

α

0,97948

β1

-0,01437

β2

-0,000117

β3

0,91569

(4-1)

Parameter der Restwertfunktion (Quelle: Dexheimer (2003, S. 7))

Die Parameter der Funktion (vgl. Tabelle 4-15) wurden zwar für Pkw bestimmt, jedoch zeigte sich bei Beispielrechnungen für Lkw und einem Vergleich mit realen Restwerten (Wittenbrink 2014, S. 119), dass die Funktion akzeptable konservative untere Abschätzungen liefert. Um die TCO gemäß Kapitel 4.2.3 berechnen zu können, sind weitere jährliche Fixkosten zu bestimmen (vgl. Tabelle 4-16). Es wird angenommen, dass die Versicherungskosten für D-Lkw und für E-Lkw identisch sind. Die Werte sind Rosenberger et al. (2017, S. 289ff.) entnommen, wobei für jede Größenklasse der Durchschnitt aus den Versicherungskosten geeigneter LkwModelle (gegebenenfalls inklusive Anhänger) für den gewerblichen Güterverkehr herangezogen wird. Aktuell sind reine Elektrofahrzeuge, die bis 2020 zugelassen werden, für 10 Jahre von der Kfz-Steuer befreit (Zoll online 2019). Es ist allerdings unsicher, ob die Steuerbefreiung verlängert wird und weiterhin ist davon auszugehen, dass Subventionen zur Unterstützung der anfänglichen Verbreitung von Elektrofahrzeugen nicht langfristig bestehen bleiben, sodass diese beim gewählten Betrachtungszeitraum bis 2040 mittelfristig keine Rolle mehr spielen werden. Aus diesem Grund wird angenommen, dass auch E-Lkw steuerpflichtig sind.

4.2 Anwendungsfall

159

Jährliche Fixkosten [€2018/a]

18 t Lkw

26 t Lkw

City-Sattelzug

Gliederzug mit Anhänger

Versicherung

6.057

6.729

7.561

7.445

Rosenberger et al. (2017, S. 289ff.)

Steuer

556

556

929

929

Zoll online (2018)

Tabelle 4-16:

Quelle

Jährliche Fixkosten für Lkw

In zahlreichen europäischen Großstädten wie beispielsweise London, Oslo, Stockholm oder Mailand (Sadler 2018) existiert eine Innenstadtmaut, die die Verringerung von Schadstoffemissionen in Innenstädten einerseits oder von Stau andererseits zum Ziel hat. In Anlehnung an die London Congestion Charge (Transport for London 2018a) wird eine tägliche Einfahrgebühr von 15 € angenommen. Zusätzlich wurde in London eine Umweltzone (Low Emission Zone) eingerichtet, die Fahrzeugen unter EURO IV-Norm mit einer (Straf-)Gebühr belegt (Transport for London 2018b), welche im Modell mit 250 € angenommen wird. Der Anteil der potenziell von einer Innenstadtmaut betroffenen Filialen wird gemäß Kapitel 4.2.3 mit 25 % angenommen. Variable Kosten [€2018/d]

18 t Lkw

26 t Lkw

City-Sattelzug

Gliederzug mit Anhänger

Quelle

City-Maut (Verkehr)

15

Transport for London (2018a)

City-Maut (Umwelt)

250

Transport for London (2018b)

Tabelle 4-17:

Variable tagesbezogene Mautkosten

Weiterhin ist für Fahrzeuge mit einem zulässigen Gesamtgewicht von mehr als 7,5 t auf allen Bundesautobahnen und Bundesstraßen eine streckenabhängige Maut zu entrichten (BAG 2018). Die kilometerbezogenen Mautgebühren sind von Achszahl und Schadstoffklasse des Lkw abhängig und können Toll Collect (2018b) entnommen werden. Die Maut umfasst einerseits Kosten für Infrastruktur und andererseits Kosten für Luftverschmutzung. Für E-Lkw wird lediglich der Kostenanteil für die Infrastruktur herangezogen. Zwar wird diskutiert E-Lkw gänzlich von der Lkw-Maut zu befreien (Balser 2018), jedoch bestehen hierzu noch große Unsicherheiten und außerdem würde diese Befreiung, wie bei der Kfz-Steuer, nur temporär Bestand haben. Für D-Lkw wird je Größenklasse ein gewichteter Mittelwert als Straßen-Mautgebühr herangezogen (vgl. Tabelle 4-18).77 Es wird angenommen, dass die Maut für alle auf der Autobahn zurückgelegten Kilometer sowie unter Berücksichtigung von Toll Collect (2018a) auf 50 % der Kilometer auf Außerortsstraßen anfällt. Neben einer Maut sind als weitere variable Kosten Reifenkosten zu berücksichtigen. Diese wer-

77

Durch die im Modell angenommene jährliche Beschaffung von Lkw wird langfristig im Mittel eine Gleichverteilung von Lkw über die verschiedenen Altersklassen hinweg erwartet. Weiterhin wird davon ausgegangen, dass jeweils die innerhalb der letzten vier Jahre beschafften Lkw in der besten Schadstoffkategorie A der Mautgebühren einzuordnen sind. Die wiederum in den drei Jahren davor beschafften Lkw sollen Kategorie B zugeordnet werden und die in den beiden Jahren davor beschafften Lkw den Kategorien C und D.

160

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

den bei Lkw gesondert ausgewiesen, da sie aufgrund der hohen Jahresfahrleistung eine nennenswerte Kostenposition darstellen (Wittenbrink 2014, S. 73f.). Mit Preisen pro Reifen von 600 € (Rosenberger et al. 2017, S. 289ff.), 6, 8, 10 und 12 Reifen je Lkw (18 t Lkw, 26 t Lkw, City-Sattelzug, Gliederzug mit Anhänger; Lenkachse mit doppelter Bereifung) und Laufleistungen von 108, 133, 147 und 133 tausend Kilometern je Reifensatz ergeben (Angaben des LDL) können die Reifenkosten je Kilometer berechnet werden (vgl. Tabelle 4-18). Eine weitere wichtige Kostenposition stellen die Kosten für Wartung und Instandhaltung sowie Pflege dar. Diese wurden mit dem LDL erhoben und in Anlehnung an Wittenbrink (2014, S. 86) leicht angepasst. Da 18 t Lkw meist mehr im Stadtverkehr eingesetzt werden und diese dort durch häufiges Anfahren und Abbremsen stärker belastet werden, sind deren Wartungs- und Instandhaltungskosten geringfügig höher als beim 26 t Lkw. Onat et al. (2015) geben für Elektrofahrzeuge Wartungskosten i.H.v. 70 % der Kosten von konventionellen Fahrzeugen an, wohingegen Gries und Zelewski (2015, S. 604) einen Anteil von 60 % und Propfe et al. (2012, S. 4) einen Anteil von 60 % angeben. Es wird ein Wert von 60 % für diese Arbeit herangezogen. Grund für die geringeren Wartungskosten beim E-Lkw ist die geringere Anzahl an (beweglichen) Teilen und Schmierstoffen im Antriebsstrang (Gries und Zelewski 2015, S. 604). Variable Kosten [€2018/km]

18 t Lkw

26 t Lkw

City-Sattelzug

Gliederzug mit Anhänger

streckenabhängige Maut D-Lkw

0,099

0,131

0,135

0,153

streckenabhängige Maut E-Lkw

0,081

0,113

0,117

0,135

Reifenkosten

0,035

0,035

0,040

0,055

Rosenberger et al. (2017, S. 289ff.), LDL

Wartungskosten DLkw

0,095

0,085

0,120

0,120

Wittenbrink (2014, S. 86), LDL

Tabelle 4-18:

Quelle

Toll Collect (2018b)

Variable kilometerbezogene Kosten

Neben den Fahrzeugkosten stellen Kraftstoffkosten in der Regel die zweitgrößte Kostenposition dar (Hagman et al. 2016, S. 13; Wietschel et al. 2017, S. 78). Der Kraftstoffverbrauch der Lkw und dessen künftige Entwicklung wurde bereits aufgezeigt, weswegen nun die Kraftstoffpreise dargestellt werden. Der Dieselpreis und dessen Entwicklung hängt wesentlich vom Ölpreis ab (Ederington et al. 2019, S. 14). Aus diesem Grund wird die modellbasierte Ölpreisprognose der International Energy Agency (IEA 2017) als Indikator für die künftige Entwicklung des Dieselpreises herangezogen. Die IEA (2017, S. 37ff.) untersucht verschiedene Szenarien, wobei das „New Policy Scenario“ als Basisszenario betrachtet und auch für die vorliegende Arbeit herangezogen wird. Der Trend der Ölpreisprognose wird abschnittsweise mittels linearer Interpolation ermittelt und auf den Dieselpreis transformiert. Als Ausgangswert wird der preisbereinigte Dieselpreis von 2017 für Großverbraucher herangezogen (Destatis 2018a, S. 28). Damit ergeben sich Dieselpreise gemäß Tabelle 4-19. Für die Bestimmung der künftigen Strompreise wird die für den Bundesverband der Deutschen

4.2 Anwendungsfall

161

Industrie erstellte Studie von Gerbert et al. (2018) herangezogen.78 Dabei wird der 80%-Pfad herangezogen, welcher wie das New Policy Scenario der IEA (2017) als Basisszenario betrachtet werden kann.79 Der Trend der Strompreisentwicklung wird wiederum abschnittsweise mittels linearer Interpolation ermittelt und auf den tatsächlichen, preisbereinigten Strompreis nach BDEW (2019, S. 24) angewendet.80 Kraftstoffpreise

Einheit

2018

2020

2030

2040

Quelle

Dieselpreis

€2018/l

1,0127

1,2031

1,8680

2,2456

IEA (2017, S. 54), Destatis (2018a, S. 28)

Strompreis

€2018/kWh

0,1720

0,1776

0,1906

0,1756

Gerbert et al. (2018, S. 269), BDEW (2019, S. 24)

Tabelle 4-19:

Kraftstoffpreise inklusive Energiesteuern und ohne Mehrwertsteuer

4.2.5.9 Anbieterentscheidung Die Beschaffungsentscheidung des Anbieters basiert auf den TCO der Lkw. Für das DCM ist ein Schwellenwert zu definieren, ab dem für den Entscheider maximaler Nutzen durch eine der beiden Alternativen vorliegt und die Wahrscheinlichkeit für die Wahl dieser Alternative eins beträgt. Da die DCM-Funktion den Wert eins nicht annimmt, sondern sich diesem nur annähert, wird der Schwellenwert so definiert, dass die Wahrscheinlichkeit für die Wahl der Alternative bei 0,99 liegt. Der Schwellenwert in Bezug auf die TCO wird in Anlehnung an die Ergebnisse des mit dem LDL erarbeiteten Zielsystems auf 10 % der TCO festgelegt (vgl. Präferenzwert in Tabelle Anhang 7-5). Weiterhin wird davon ausgegangen, dass der LDL bei der Beschaffungsentscheidung mehr Lkw beschafft, als zum Entscheidungszeitpunkt (jeweils Anfang eines Jahres) tatsächlich erforderlich sind. Dies dient dazu, Nachfrageschwankungen, Auslastungsschwankungen sowie ungeplante Ausfälle der Lkw kompensieren zu können. Der Wert wird auf 20 % festgelegt (vgl. Tabelle 4-20). Variable

Einheit

Wert

Quelle

Schwellenwert Entscheidung Anbieter

%

10

LDL, eigene Annahme

Sicherheitsaufschlag Beschaffung Lkw

%

20

eigene Annahme

Tabelle 4-20:

Exogene Variablen zur Anbieterentscheidung

In der Strategie Late Majority basiert die Entscheidung auf dem Marktanteil von AFV an den Neuzulassungen (vgl. Kapitel 4.2.3). Da keine Prognosen für die Diffusion von AFV bei LDL im Lebensmitteleinzelhandel existieren, wird eine generelle Diffusion von Lkw mit alternativen Antrieben herangezogen. Wietschel et al. (2017, S. 147f.) modellieren die mögliche Diffusion alternativer Antriebe bei Lkw in unterschiedlichen Größenklassen, wobei die Diffusionskurven 78 79 80

Zum Zeitpunkt der Bestimmung der künftigen Strompreise stellte Gerbert et al. (2018) die aktuellste modellbasierte Strompreisprognose dar. Die Studie dena (2018) beispielsweise ist erst später erschienen. Der 80%-Pfad hat eine Senkung der nationalen Treibhausgasemissionen bis 2050 um 80 % gegenüber 1990 zum Ziel (BMU 2018). Es wurde der BDEW (2019, S. 24) Industriestrompreis inklusive Stromsteuer und ohne Mehrwertsteuer herangezogen, da sich in Gesprächen mit dem LDL gezeigt hat, dass dessen Strompreis sich eher am Industriestrompreis als am Gewerbestrompreis orientiert.

162

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

von Größenklasse 4 (Lkw mit 12t bis 26 t) und Last- und Sattelzügen (LZ/SZ bis 40 t) herangezogen werden.81 In Tabelle 4-21 sind sowohl die Marktanteile an den Lkw-Neuzulassungen als auch im Vorgriff auf die Variablen zur Bestimmung der Zielgrößen die Marktanteile an den Beständen. Marktanteil AFV [%] Neuzulassungen Bestand Tabelle 4-21:

2018

2020

2030

2040

GK4

0,05

0,10

0,54

1,00

LZ/SZ

0,06

0,11

0,51

1,00

GK4

0,01

0,03

0,30

0,88

LZ/SZ

0,02

0,06

0,47

1,00

Quelle

Wietschel et al. (2017, S. 147f.)

Marktanteile von AFV an Neuzulassungen und Beständen

4.2.5.10 Kundenentscheidung Die Kundenentscheidung zur Adoption der Nachtbelieferung basiert auf Risiko, Transportkosten und Lieferqualität (vgl. Kapitel 4.2.4). Diese Zielgrößen konnten in zwei Experteninterviews mit Filialleitern bestätigt werden. Die Gewichtungen für das DCM werden auf Basis der mit dem LDL bestimmten Zielgewichtungen ermittelt. Dabei werden die Gewichtungen der drei genannten Größen auf 100 % normiert. Weiterhin sind Schwellenwerte zu definieren. Der Nutzen durch Lieferqualität hängt direkt vom Anteil der erfüllten Nachtstopps ab. Da bei der regulären Belieferung keine Nachtstopps durchgeführt werden, ist der Nutzen hierbei stets null und es wird kein Schwellenwert benötigt. Es wird weiterhin angenommen, dass bei Nachtbelieferung der maximale (Teil-)Nutzenwert für Risikoreduktion nur durch eine vollständige Eliminierung des Risikos erreicht werden kann, was einem Schwellenwert von 100 % entspricht.82 Der entsprechende Wert für Transportkosten wird in Anlehnung an den Präferenzwert des LDL aus Tabelle Anhang 7-5 auf 10 % festgelegt. Dem über die drei genannten Entscheidungsgrößen erzielbaren Nutzen müssen mögliche Kosten für Ladeinfrastruktur an den Filialen sowie Umbaukosten der Filialen, die für eine Umrüstung auf die Möglichkeit zur Nachtbelieferung erforderlich sind, gegenübergestellt werden. Die Kosten für Ladeinfrastruktur wurden bereits aufgezeigt, die erforderlichen Umbaukosten für die Filialen vom Typ II und III entstammen internen Untersuchungen eines weiteren LDL (vgl. Tabelle 4-22). Für die Umbaukosten wird eine Amortisationsdauer von 5 Jahren angenommen, innerhalb derer mögliche Minder-Transportkosten aufgewogen werden können. Mit dem Innovationsfaktor wird festgelegt, welcher Anteil der Filialen je Typ sich auch bei einem aggregierten Gesamtnutzenwert von null83 für eine Nachtbelieferung entscheidet. In Anlehnung an den Innovatoren-Anteil bei Rogers (1983, S. 44) wird davon ausgegangen, dass dieser Wert für Filialen vom Typ I bei 2,5 % liegt, bei Filialen vom Typ II bei der Hälfte des genannten Werts und bei Filialen vom Typ III wiederum 81

82 83

Wietschel et al. (2017, S. 147f.) untersuchen mit Gas angetriebene Lkw, batterie-elektrische und plug-in-hybride Lkw, Brennstoffzellen-Lkw, Hybrid-Oberleitungs-Lkw sowie Hybrid-Induktive- und Hybrid-Stromschienen-Lkw als alternative Antriebstechnologien, wobei Gas-Lkw, batterie-elektrische und Hybrid-Oberleitungs-Lkw die größte Rolle spielen. Die Summe aller Marktanteile der genannten Antriebsarten bildet den herangezogenen Benchmark. Dieser Wert kann damit begründet werden, dass das Risiko nicht mehr beliefert werden zu können, für Filialen von existenzieller Natur ist, wohingegen es bei LDL für einzelne Filialen nur eine geringe Tragweite hat. Auch hier gilt, dass der Wert null aufgrund der gewählten DCM-Funktion nicht erreicht, sondern nur angenähert werden kann.

4.2 Anwendungsfall

163

bei der Hälfte. Begründet werden können die Werte damit, dass der Aufwand für die Filialen von Typ I zu Typ III steigt und damit die Bereitschaft für Nachtbelieferungen sinkt. Auf der anderen Seite nehmen regelmäßig Filialen organisatorische und bauliche Veränderungen vor, bei denen die Hürde zur Berücksichtigung der Anforderungen von Nachtbelieferungen entsprechend gering sind. Variable

Einheit

Wert

Quelle

Gewichtung Risiko

%

25

LDL, Experteninterviews

Gewichtung Transportkosten

%

50

LDL, Experteninterviews

Gewichtung Lieferqualität

%

25

LDL, Experteninterviews

Schwellenwert Entscheidung Kunde Risiko

%

100

eigene Annahme

Schwellenwert Entscheidung Kunde Transportkosten

%

10

eigene Annahme, LDL

Umbaukosten Filiale Typ II

€2018

15.000

Experteninterview

Umbaukosten Filiale Typ III

€2018

55.000

Experteninterview

Antizipierte Amortisationsdauer

a

5

eigene Annahme

Innovationsfaktor Filiale Typ I

%

2,5

eigene Annahme

Innovationsfaktor Filiale Typ II

%

1,25

eigene Annahme

Innovationsfaktor Filiale Typ III

%

0,625

eigene Annahme

Tabelle 4-22:

Variablen zur Kundenentscheidung.

4.2.5.11 Zielgrößen Neben den Marktanteilen von AFV, die bereits erläutert wurden, sind zur Bestimmung der Zielgrößen der Ausgangswert der Lieferqualität und die durch Nachtbelieferung potenziell erzielbare Verbesserung sowie die spezifischen Schadstoffemissionen der Kraftstoffe erforderlich. Die Lieferqualität, also die Einhaltung des Zeitfensters der Belieferung, wird in Abstimmung mit dem LDL auf 96 % festgelegt. Ein weiteres Experteninterview mit dem Fuhrparkleiter des LDL führte zu dem Ergebnis, dass durch Nachtbelieferungen eine Steigerung der Lieferqualität um 3%-Punkte möglich sein könnte. Für CO2 als bedeutendstes Treibhausgas (Mardani et al. 2019, S. 32) ist in der Logistik hinsichtlich des Kraftstoffverbrauchs eine Well-to-Wheel (WTW) Betrachtung durchzuführen (Schmied und Knörr 2013, S. 17ff.). Dabei werden alle direkten und indirekten Emissionen, die mit Erzeugung, Transport und Nutzung der Kraftstoffe zusammenhängen, bilanziert (Schmied und Knörr 2013, S. 17). Mit den WTW-CO2-Emissionen von Diesel (Memmler et al. 2017, S. 127) und dem Heizwert von Diesel (Schwertner 2017, S. 13) ergeben sich die spezifischen Emissionen nach Tabelle 4-23. Stickoxide hingegen verursachen vor allem lokale Luftverschmutzung (EC 2005, S. 10ff.), weswegen hier nur die während der Nutzung des Kraftstoffs entstehenden Emissionen (Tank-to-Wheel (TTW)) berücksichtigt werden. E-Lkw sind diesbezüglich lokal emissionsfrei, wohingegen für D-Lkw Grenzwerte für Stickoxide bestehen (UBA 2015), die sich unter Berücksichtigung des Heizwerts von Diesel und einem Wirkungsgrad von Dieselmotoren von etwa 40 % (Jöhrens et al.

164

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

2017, S. 31) in spezifische Emissionen je Liter Diesel umrechnen lassen.84 Variable

Einheit

Wert

Quelle

Startwert Lieferqualität

%

96

LDL

Verbesserung Lieferqualität Nachtbelieferung

%

3

Experteninterview

kg/l

2,964

Memmler et al. (2017, S. 127), Schwertner (2017, S. 13)

spezifische NOX-Emissionen Diesel (TTW)

kg/l

0,001586

UBA (2015), Schwertner (2017, S. 13)

Wirkungsgrad D-Lkw (TTW)

%

40

Jöhrens et al. (2017, S. 31)

spezifische CO2-Emissionen Diesel (WTW)

Tabelle 4-23:

Exogene Variablen zur Bestimmung der Zielgrößen

Die spezifischen CO2-Emissionen von Strom aus dem deutschen Strommix hängen vom Anteil der erneuerbaren Energien ab. Bei den Strompreisen wurden die Prognosen von Gerbert et al. (2018, S. 240ff.) herangezogen, weshalb auch die spezifischen Emissionen auf Basis deren Ergebnisse ermittelt werden sollen. So wird der Trend mittels linearer Interpolation abschnittsweise ermittelt und auf die tatsächlichen spezifischen Emissionen des deutschen Strommix für 2016 von Icha und Kuhs (2017, S. 9) angewendet (vgl. Tabelle 4-24).

spezifische CO2Emissionen deutscher Strommix Tabelle 4-24:

Einheit

2018

2020

2030

2040

Quelle

kg/kWh

0,499

0,470

0,328

0,185

Gerbert et al. (2018, S. 240ff.), Icha und Kuhs (2017, S. 9)

Entwicklung der spezifischen CO2-Emissionen von Strom im deutschen Strommix

4.2.5.12 Umweltszenarien Die bisher ermittelten Werte und Prognosen bilden primär das Basis-Umweltszenario „Moderate Energiewende“ (ME). Allerdings werden einige der ermittelten Werte, wie beispielsweise die verkehrs- oder umweltbezogene City-Maut, ausschließlich für einzelne Sensitivitätsanalysen in Kapitel 4.6.3 herangezogen. Neben zahlreichen konstanten Parametern existieren Variablen, bei denen angenommen wird, dass sie in Zukunft eine lineare oder exponentielle Entwicklung nehmen wie beispielsweise die Filialnachfrage, Stundenlohn der Fahrer, Preise für die Ladeinfrastruktur-Hardware etc. Darüber hinaus basieren einige Variablen auf den Prognosen spezifischer Beiträge aus der Literatur wie der Kraftstoffverbrauch, Kraftstoffpreise, spezifische Schadstoffemissionen der Kraftstoffe, Batteriesystempreise etc. Diese sind teilweise mit sehr großen Unsicherheiten behaftet, weshalb zwei unterschiedliche Szenarien betrachtet werden. Vor allem die Preisentwicklung bei E-Lkw, Batteriesystemen, Dieselkraftstoff, Strom und spezifischen Emissionen von Strom ist sehr unsicher, weshalb diese in zwei unterschiedlichen Szenarien betrachtet werden.

84

Es ist davon auszugehen, dass kein Anreiz für Lkw-Hersteller besteht, die Grenzwerte für Stickoxide zu unterschreiten, weshalb diese als tatsächliche Emissionen herangezogen werden.

4.2 Anwendungsfall

165

Szenario Moderate Energiewende Das Szenario Moderate Energiewende85 stellt das Basisszenario dar. Es wird angenommen, dass eine kostenorientierte Energiewende mit mittlerer Geschwindigkeit verfolgt wird. Dies führt nach Gerbert et al. (2018, S. 269) bis 2030 zu einem steigenden Strompreis, der in der Folge wieder leicht abnimmt.86 Durch den zunehmenden Anteil erneuerbarer Energien sinken die spezifischen CO2-Emissionen von Strom kontinuierlich. Zudem steigt der Preis für Dieselkraftstoff aufgrund immer höherer Erschließungskosten für neue Ölfelder an (New Policy Scenario der IEA (2017, S. 53f.)). Die Preise der Antriebskomponenten von E-Lkw sinken aufgrund von Skaleneffekten langsam, aber kontinuierlich ab. Dies gilt auch für die Batteriesystempreise, welche aufgrund verbesserter Zelltechnologien mit verringertem Anteil an seltenen Erden (vgl. Thielmann et al. 2017, S. 16) und aufgrund von Lern- und Skaleneffekten in der Produktion (Thielmann et al. 2017, S. 14f.) sinken. Für das Szenario wird weiterhin angenommen, dass keine City-Maut erhoben wird und dass E-Lkw nicht von der Kfz-Steuer ausgenommen sind. Szenario Teure Nachhaltigkeit Im Szenario „Teure Nachhaltigkeit“ (TN) wird angenommen, dass Nachhaltigkeit in Politik und Gesellschaft einen hohen Stellenwert einnimmt und eine rasche Energiewende angestrebt wird, die mit hohen Kosten verbunden ist. Dies führt im 95%-Szenario nach Gerbert et al. (2018, S. 269) dazu, dass der Strompreis bis 2030 deutlich stärker ansteigt als im Szenario Moderate Energiewende, dann aber ebenso wieder leicht abnimmt (vgl. Tabelle Anhang 7-8). Aufgrund des umfassenden Ausbaus erneuerbarer Energien sinken die spezifischen CO2-Emissionen von Strom bis 2040 fast auf null ab. Der hohe Stellenwert von Nachhaltigkeit führt zu einer verringerten Nachfrage nach Rohöl, wodurch der Ölpreis nur anfangs moderat ansteigt, dann aber sogar zurückgeht („Sustainable Development Scenario“ der IEA (2017, S. 37ff.)). Entsprechend steigt der Dieselpreis zunächst langsam an, gibt dann aber wieder nach. Die rasch zunehmende Nachfrage nach Elektromobilität im Szenario Teure Nachhaltigkeit führt zu Preissteigerungen bei E-Lkw. Deren Komponenten wie Elektromotor und Leistungselektronik enthalten seltene Erden, die aufgrund des begrenzten Angebots teurer werden. Es wird eine Preissteigerung bei den Komponenten um 30 % angenommen was in Mehr- bzw. Minderpreisen gemäß Tabelle 4-25 resultiert Weiterhin kann die schnell wachsende Nachfrage nach Batterien nicht bedient werden, vor allem, da die Rohstoffe nicht in entsprechendem Umfang bereitgestellt werden können. Sowohl Lithium als auch Kobalt und andere erforderliche Rohstoffe werden teilweise unter menschenunwürdigen Bedingungen abgebaut (Leon 2018). Es wird davon ausgegangen, dass das globale Nachhaltigkeitsbewusstsein zu höheren sozialen Standards beim Abbau dieser Rohstoffe führt, wodurch die Rohstoffkosten steigen. Es wird hinsichtlich der Zellkosten die obere Grenze von Thielmann et al. (2017, S. 14f.) übernommen.

85

86

Die Energiewende bezeichnet den Veränderungsprozess, den das deutsche Energieversorgungssystem in den nächsten Jahrzehnten durchläuft. Der beschlossene Ausstieg aus der Kernenergie, ein möglicher Ausstieg aus der Kohleverstromung, der Ausbau erneuerbarer Energie sowie eine Dezentralisierung der Energieerzeugung sind die wichtigsten Eckpunkte (Kühne und Weber 2018, S. 3ff.). Es wird das 80%-Szenario herangezogen.

166

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen Mehrpreis Antriebsstrang E-Lkw [€2018]

2018

2020

2030

2040

18 t Lkw

3.406

2.559

-1.674

-5.907

26 t Lkw

2.435

1.381

-3.891

-9.163

City-Sattelzug

2.713

1.718

-3.258

-8.233

Gliederzug mit Anhänger

2.435

1.381

-3.891

-9.163

Tabelle 4-25:

4.3

Entwicklung der Mehr- und Minderpreise des E-Lkw Antriebsstrangs im Szenario Teure Nachhaltigkeit.

Wirkungsprognosemodell

4.3.1 Vorgehensweise Das Modell zur Erstellung von Wirkungsprognosen basiert, wie bereits erläutert, auf System Dynamics. Das Entscheidungsproblem wurde in den Kapiteln 4.2.1, 4.2.2, 4.2.4 bereits umfassend definiert und abgegrenzt. Zudem wurde ein umfassendes dynamisches Hypothesenmodell in Kapitel 4.2.4 systematisch mit dem LDL unter Verwendung der CIA entwickelt. Handlungsalternativen bzw. Strategien, als fünfter Schritt der System Dynamics Modellentwicklung, wurden bereits in Kapitel 4.2.3 entwickelt. Überdies wurden zur Berücksichtigung von Unsicherheiten der Umweltentwicklung zwei verschiedene Umweltszenarien in Kapitel 4.2.5 ausgearbeitet. Ebenso wurden im genannten Kapitel die verschiedenen Modellvariablen für die einzelnen Teilmodelle ausführlich dargestellt und beschrieben. Im Folgenden soll daher der Aufbau des System Dynamics Wirkungsprognosemodells aufgezeigt und seine Teilmodelle detailliert erläutert werden (vgl. Abbildung 4-3). Wirkungsprognose

Abbildung 4-3:

Dynamisches Hypothesenmodell

Kapitel 4.2.4

Bestands-und FlussDiagramm

Kapitel 4.3.3

Test und Validierung

Kapitel 4.5

Simulation

Kapitel 4.6

Erstellung des Modells zur Wirkungsprognose

4.3.2 Beschreibung der Systemstruktur Die Systemstruktur und das Zusammenwirken der Systemelemente lässt sich in Anlehnung an Abbildung 4-2 und Kapitel 4.2.4 abstrahiert darstellen (vgl. Abbildung 4-4).

4.3 Wirkungsprognosemodell

167

TCO-Berechnung, Annuität

Personalkosten DCM

Ladeinfrastrukturkosten

DCM

Anbieterentscheidung

Kundennachfrage

Kundenentscheidung

Fuhrparkkosten

Fuhrparkbestand

Tourenangebot

Dienstleistungserbringung

Zielgrößen

Abbildung 4-4:

Abstrahierte Systemstruktur des Modells zur Wirkungsprognose

Auf Basis der Personal-, Ladeinfrastruktur- und Fuhrparkkosten werden die TCO der LkwTypen berechnet. Sie stellen zusammen mit der Kundennachfrage die Grundlage für die Anbieterentscheidung dar, welche mittels DCM umgesetzt wird. Der Fuhrparkbestand verändert sich entsprechend der vom Anbieter getroffenen Entscheidung und durch die Beschaffung von Lkw verändern sich die TCO, welche zusätzlich von der tatsächlichen Dienstleistungserbringung abhängen. Das Tourenangebot wird mittels des Fuhrparkbestands und der Kundennachfrage bestimmt und leitet zur tatsächlichen Dienstleistungserbringung über. Dienstleistungserbringung und TCO bilden die Grundlage für die Zielgrößen, wobei einige der Zielgrößen die Grundlage für die Kundenentscheidung mittels DCM darstellen. Die dargestellten Systemelemente werden im System Dynamics Bestands- und Flussdiagramm als Subsysteme detailliert ausgestaltet und im Folgenden beschrieben. 4.3.3 Beschreibung der Subsysteme 4.3.3.1 Legende der Subsysteme Die Subsysteme sowie deren Variablen und Berechnungslogiken werden in den folgenden Kapiteln umfassend beschrieben und entsprechend der System Dynamics Notation grafisch dargestellt. Dabei wird ein einheitliches Farbschema für die unterschiedlichen Typen von Variablen verwendet (vgl. Tabelle 4-26). Es können unveränderliche und veränderliche exogene Variablen, exogene Strategievariablen, endogene Variablen und Schattenvariablen sowie Prüfvariablen und Zielgrößenvariablen unterschieden werden.

168

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Kennzeichnung

Variablentyp

Erläuterung

kursiv

exogene Variable (konstant)

Wert wird zur Initialisierung des Modells festgelegt und bleibt dann unverändert

k ursiv und gesperrt

exogene Variable (veränderlich)

Wert wird zur Initialisierung des Modells festgelegt und verändert sich über die Zeit

unterstrichen

exogene Strategievariable

Wert, der zur Aktivierung einer Strategie führt oder dann zur Berechnung benötigt wird

schwarz

endogene Variable

Wert einer Bestands-, Fluss-, oder Hilfsvariable, der auf Basis einer Berechnungslogik ermittelt wird

grau

Schattenvariable

Wert einer Variable, die an anderer Stelle oder in einem anderen Subsystem berechnet wird (Querverweis zur besseren Übersichtlichkeit oder Verknüpfung von Subsystemen)

fett

Prüf-/Zwischenergebnisvariable

Wert, der zur Überprüfung des Systemverhaltens oder als Zwischenergebnis berechnet, aber nicht weiter verwendet wird

fe tt und g e s pe rrt

Zielgrößenvariable

Wert, der zur Bewertung der Strategie benötigt wird

Tabelle 4-26:

Legende für die unterschiedlichen Variablentypen

4.3.3.2 Subsystem Fuhrparkbestand Das Subsystem Fuhrparkbestand beschreibt den Bestand von D-Lkw, E-Lkw und Schnellladesäulen, deren Annuitäten und den Kraftstoffverbrauch der Lkw. Die genannten Größen sind jeweils als Bestände modelliert, da es sich bei Lkw und Schnellladesäulen um materielle Bestände bzw. logistische Ressourcen (vgl. Tabelle 2-3) handelt und bei Annuität und Kraftstoffverbrauch um Attribute des Bestands, die in System Dynamics als sogenannte Coflows ebenfalls über Bestände modelliert werden (Sterman 2000, S. 497ff.). Jeder der genannten Bestände umfasst entsprechend der in Kapitel 4.2.5.2 bestimmten Nutzungsdauer der Lkw von neun Jahren neun Alterskohorten, die als Subscripts in Vensim modelliert wurden und die als eigene Bestände betrachtet werden können.87 In jeden der Teilbestände (Altersklasse 1 bis Altersklasse 9) sind Bestandselemente, also Lkw, entsprechend ihres Alters bzw. ihrer bisherigen Nutzungsdauer eingeordnet.88 Zusätzlich sind die verschiedenen LkwGrößenklassen ebenfalls als Subscripts modelliert und damit als Teilbestände zu verstehen. Generell umfasst jede Modellvariable mit dem Zusatz Lkw (D-Lkw oder E-Lkw) über Subscripts alle vier Größenklassen, sodass Bestände, Eigenschaften oder Berechnungen jeweils für alle Größenklassen gesondert ermittelt werden. Somit umfasst die Bestandsgröße „Bestand D-Lkw“ die Bestände der vier Lkw-Größenklassen in je neun Altersklassen (vgl. Abbildung 4-5). Da sich im Fuhrpark des LDL zu Beginn der Simulation bereits D-Lkw befinden, wird der Bestand einmalig initialisiert. Hierzu wird der von der Kundennachfrage abgeleitete Bedarf an

87 88

Es wäre auch möglich gewesen, die neun Teilbestände als neun aufeinander folgende Bestände in Vensim zu modellieren. Aus Gründen der Übersichtlichkeit wurden jedoch Subscripts verwendet. Beispielsweise befinden sich im Teilbestand Altersklasse 1 Lkw im 1. Jahr ihrer Nutzungsdauer.

4.3 Wirkungsprognosemodell

169

D-Lkw in den einzelnen Größenklassen89 mittels der Verteilung der D-Lkw auf Schadstoff- und damit Altersklassen (vgl. Tabelle 4-4) auf die Teilbestände (Altersklasse 1, Altersklasse 2,..., Altersklasse 9) aufgeteilt. Jeweils zu Beginn jeden simulierten Jahres werden alle D-Lkw eines Teilbestandes mittels der „Alterungsrate Bestand D-Lkw“ in den Teilbestand des Folgejahres überführt. Außerdem gelangt die beschaffte Anzahl an D-Lkw90 über die „Beschaffungsrate D-Lkw“ in den Teilbestand Altersklasse 1 und die D-Lkw im Teilbestand Altersklasse 9 werden gänzlich aus dem Bestand herausgenommen („Ausmusterungsrate D-Lkw“).91 Die Modellierung folgt dabei dem Konzept der Aging Chain (Sterman 2000, S. 470ff.) bzw. der Alterungskaskade (Salge und Strohhecker 2008, S. 233ff.). Die Variablen „FINAL TIME“ und „TIME STEP“ sind erforderlich, um die grundsätzlich kontinuierliche Simulation von System Dynamics und damit kontinuierliche Beschaffung, Alterung und Ausmusterung entsprechend der Realität zu diskretisieren. Dazu werden die einzelnen kontinuierlichen Raten (Bestandseinheiten pro Simulations-/Berechnungszeitschritt) durch den TIME STEP geteilt und somit auf einen diskreten Zeitpunkt bezogen.92 Für die Bestandsgrößen gilt jeweils, dass Zufluss abzüglich des Abflusses zusammen mit dem Ausgangsbestand den neuen Bestand bilden. Somit ergibt sich für den Teilbestand Altersklasse 1: 𝑇𝑒𝑖𝑙𝑏𝑒𝑠𝑡𝑎𝑛𝑑 𝐷-𝐿𝑘𝑤 𝐴𝑙𝑡𝑒𝑟𝑠𝑘𝑙𝑎𝑠𝑠𝑒 1𝑡=1 = 𝐵𝑒𝑠𝑐ℎ𝑎𝑓𝑓𝑢𝑛𝑔𝑠𝑟𝑎𝑡𝑒 𝐷-𝐿𝑘𝑤𝑡=1 − 𝐴𝑙𝑡𝑒𝑟𝑢𝑛𝑔𝑠𝑟𝑎𝑡𝑒 𝐷-𝐿𝑘𝑤 𝐴𝑙𝑡𝑒𝑟𝑠𝑘𝑙𝑎𝑠𝑠𝑒 1𝑡=1 + 𝑇𝑒𝑖𝑙𝑏𝑒𝑠𝑡𝑎𝑛𝑑 𝐷-𝐿𝑘𝑤 𝐴𝑙𝑡𝑒𝑟𝑠𝑘𝑙𝑎𝑠𝑠𝑒 1𝑡=0

(4-2)

Weiterhin gilt, dass die aus Teilbestand Altersklasse 1 aufgrund von Alterung ausscheidenden Lkw den Zufluss für den Teilbestand Altersklasse 2 darstellen: 𝑇𝑒𝑖𝑙𝑏𝑒𝑠𝑡𝑎𝑛𝑑 𝐷-𝐿𝑘𝑤 𝐴𝑙𝑡𝑒𝑟𝑠𝑘𝑙𝑎𝑠𝑠𝑒 2𝑡=1 = 𝐴𝑙𝑡𝑒𝑟𝑢𝑛𝑔𝑠𝑟𝑎𝑡𝑒 𝐷-𝐿𝑘𝑤 𝐴𝑙𝑡𝑒𝑟𝑠𝑘𝑙𝑎𝑠𝑠𝑒 1𝑡=1 − 𝐴𝑙𝑡𝑒𝑟𝑢𝑛𝑔𝑠𝑟𝑎𝑡𝑒 𝐷-𝐿𝑘𝑤 𝐴𝑙𝑡𝑒𝑟𝑠𝑘𝑙𝑎𝑠𝑠𝑒 2𝑡=1 + 𝑇𝑒𝑖𝑙𝑏𝑒𝑠𝑡𝑎𝑛𝑑 𝐷-𝐿𝑘𝑤 𝐴𝑙𝑡𝑒𝑟𝑠𝑘𝑙𝑎𝑠𝑠𝑒 2𝑡=0

(4-3)

Lkw, die aus dem Teilbestand Altersklasse 9 ausscheiden, verschwinden gänzlich aus dem System: 𝑇𝑒𝑖𝑙𝑏𝑒𝑠𝑡𝑎𝑛𝑑 𝐷-𝐿𝑘𝑤 𝐴𝑙𝑡𝑒𝑟𝑠𝑘𝑙𝑎𝑠𝑠𝑒 9𝑡=1 = 𝐴𝑙𝑡𝑒𝑟𝑡𝑢𝑛𝑔𝑠𝑟𝑎𝑡𝑒 𝐷-𝐿𝑘𝑤 𝐴𝑙𝑡𝑒𝑟𝑠𝑘𝑙𝑎𝑠𝑠𝑒 8𝑡=1 − 𝐴𝑢𝑠𝑚𝑢𝑠𝑡𝑒𝑟𝑢𝑛𝑔𝑠𝑟𝑎𝑡𝑒 𝐷-𝐿𝑘𝑤𝑡=1 + 𝑇𝑒𝑖𝑙𝑏𝑒𝑠𝑡𝑎𝑛𝑑 𝐷-𝐿𝑘𝑤 𝐴𝑙𝑡𝑒𝑟𝑠𝑘𝑙𝑎𝑠𝑠𝑒 9𝑡=0

89 90 91

92

(4-4)

Der Bedarf an Lkw wird im Subsystem Kundennachfrage berechnet und fließt deshalb hier als Schattenvariable ein. Die Anzahl der zu beschaffenden Lkw wird im Subsystem Anbieterentscheidung berechnet. Die Fokusgruppeninterviews mit dem LDL haben ergeben, dass Lkw in Abständen von mehreren Jahren beschafft werden. Da jedoch in den nächsten Jahren aufgrund von drohenden Fahrverboten für Dieselfahrzeuge und immer kostengünstigere batterieelektrischen Fahrzeugen eine dynamische Entwicklung zu erwarten ist, wird die jährliche Beschaffung für angemessen gehalten. Es werden 16 Einzelberechnungen des Modells pro Jahr durchgeführt (TIME STEP = 0,0625) und 23 Jahre [2018, 2040] simuliert.

170

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

IN Verteilung Schadstoffklassen

Gesamtsumme Alter D-Lkw



IN Bestand D-Lkw

Beschaffungsrate D-Lkw

Gesamtsumme D-Lkw

Alterungsrate Bestand D-Lkw

Bestand D-Lkw

Gesamtsumme Typ D-Lkw

Ausmusterungsrate D-Lkw







Erhöhungsrate Annuität D-Lkw

Alterungsrate Annuität D-Lkw Annuität D-Lkw Verringerungsrate Annuität D-Lkw



Verbrauchneuer D-Lk w

IN Verbrauch Alterungsrate D-Lkw Verbrauch D-Lkw

Erhöhungsrate Verbrauch D-Lkw

Verbrauch D-Lkw Verringerungsrate Verbrauch D-Lkw

Abbildung 4-5:

Ausschnitt für D-Lkw aus dem Subsystems Fuhrparkbestand

Zu Validierungszwecken wird die Summe der D-Lkw in den einzelnen Altersklassen und Größenklassen sowie die Gesamtsumme aller Lkw berechnet. Mit den entsprechenden Subscripts und dem Konzept der Aging Chain wird auch die Annuität der Lkw modelliert. Die Annuität eines Lkw hängt jeweils vom Jahr der Beschaffung ab,93 weswegen diese Eigenschaft über die Zeit parallel zum Lkw die Altersklassen durchläuft und 93

Die Annuität eines neuen D-Lkw wird im Subsystem Fuhrparkkosten berechnet.

4.3 Wirkungsprognosemodell

171

daher als Coflow bezeichnet wird. Dies gilt ebenso für den Verbrauch der Lkw, mit der einzigen Ausnahme, dass die Annuität modelendogen berechnet wird, wohingegen für den Kraftstoffverbrauch eine exogene Zeitreihe vorgegeben ist. Die Modellierung des Bestands an E-Lkw folgt dem Vorgehen von D-Lkw (vgl. komplettes Subsystem in Abbildung Anhang 7-2). Jedoch erfolgt für keine der Bestandsgrößen Fahrzeugbestand, Annuität und Verbrauch eine Initialisierung, da E-Lkw als Innovation gänzlich neu in das System eintreten. Mit jedem beschafften E-Lkw ist die (anteilige) Beschaffung einer Schnellladesäule am Lager erforderlich. Dabei werden lediglich Bestand und Annuität als Bestandsvariablen berücksichtigt, da keine weiteren (veränderlichen) Eigenschaften konkret mit den Schnellladesäulen im Bestand zu verknüpfen sind. Als Zwischenergebnis wird die Gesamtsumme der Lkw über alle Typen und Größen- und Altersklassen hinweg berechnet. 4.3.3.3 Subsystem Tourenangebot Im Subsystem Tourenangebot wird auf Basis verschiedener exogener Rahmendaten und des Fahrzeugbestands das verfügbare Tourenangebot ermittelt (vgl. Abbildung 4-6). Zunächst wird berechnet, wieviele Stopps die Lkw der unterschiedlichen Größenklassen bei definierter durchschnittlicher Liefermenge je Stopp/Filiale,94 Kapazität und Auslastung pro Tour durchführen können. Dieser Wert fließt in die Berechnung der Tourendauer ein, welche sich für den Tag und die Nacht sowie für die Lkw-Typen und Größenklassen unterscheidet. Die Tourendauern der verschiedenen Lkw-Typen und Größenklassen werden mittels der Durchschnittsgeschwindigkeiten für die verschiedenen Straßenkategorien und den jeweiligen Streckenanteilen sowie den Tourenparametern berechnet. Bei E-Lkw ist die Tourendauer gegebenenfalls um die Ladezeit für die Batterie zu verlängern, sofern die regulär vorgesehene Verweildauer am Lager nicht ausreicht. Folgende Berechnung wird für eine eventuelle zusätzliche Ladezeit durchgeführt (vgl. Abbildung Anhang 7-3): Zusätzliche Ladezeit Lager = Wenn Reichweite E-Lkw pro Tour + Zwischenladung ∙ Stopps pro Tour ∙ Zeit nutzbar für Zwischenladung Stopp ∙ Ladegeschwindigkeit Ladesäule Filiale > Tourenstrecke Dann MAX (Tourenstrecke Zeit nutzbar für Zwischenladung Lager ∙ Ladegeschwindigkeit Schnellladesäule Lager - Zwischenladung ∙ Stopps pro Tour ∙ Zeit nutzbar für Zwischenladung Stopp ∙ Ladegeschwindigkeit Ladesäule Filiale)/Ladegeschwindigkeit Schnellladesäule Lager, 0) Sonst Ausgabe „99“

(4-5)

Zunächst wird überprüft, ob die Reichweite des E-Lkw inklusive möglicher Zwischenladungen (sofern aktiviert) an den Filialen ausreichend für das Fahren der Tourenstrecke ist.95 Ist dies nicht der Fall, wird der Wert „99“ ausgegeben und weist so auf den Fehler hin. Andernfalls wird die Zeit berechnet, die erforderlich ist, um die Differenz aus Tourenstrecke und am Lager sowie an den Filialen „aufladbaren“ Kilometern aufzuladen. 94 95

Die Liefermenge je Stopp wird im Substystem Kundennachfrage berechnet. Die Ladegeschwindigkeit berechnet sich aus der Ladeleistung [kW] geteilt durch den Verbrauch des E-Lkw [kWh/100km] und gibt an, wie viele Kilometer je Stunde [100km/h] geladen werden können.

172

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Potenzial tägliche Spättouren E-Lkw Betriebszeit E-Lkw 20-22

Betriebszeit E-Lkw 22-6

Betriebszeit E-Lkw 6-20

Potenzial tägliche Nachttouren E-Lkw

Potenzial tägliche Potenzial tägliche Kerntouren E-Lkw Tagestouren E-Lkw

aktuell mögliche Gesamtstopps E-Lkw

Potenzial tägliche Nachtstopps E-Lkw

Potenzial tägliche Tagesstopps E-Lkw

Tourendauer Tag E-Lkw



Tourendauer Nacht E-Lkw

Tourenstrecke Geschwindigkeit Stadt Tag Geschwindigkeit Landstraße Tag Geschwindigkeit Autobahn Tag

Zeitbedarf pro Stopp Tourendauer Tag D-Lkw

Zeitbedarf am Lager

Tourendauer Nacht D-Lkw

Anteil Stadt

Geschwindigkeit Stadt Nacht Geschwindigkeit Landstraße Nacht Geschwindigkeit Autobahn Nacht

Anteil außerorts Anteil Autobahn

Kapazität Lkw Auslastung Lkw

Stopps pro Tour Potenzial tägliche Nachtstopps D-Lkw

Potenzial tägliche Tagesstopps D-Lkw aktuell mögliche Gesamtstopps D-Lkw

Potenzial tägliche Gesamtstopps D-Lkw Betriebszeit D-Lkw 6-20

Potenzial tägliche Kerntouren D-Lkw

Potenzial tägliche Tagestouren D-Lkw

Potenzial tägliche Nachttouren D-Lkw Betriebszeit D-Lkw 22-6

Betriebszeit D-Lkw 20-22 Potenzial tägliche Spättouren D-Lkw

Abbildung 4-6:

Ausschnitt für Tourendauer und -potenzial aus dem Subsystem Tourenangebot

Da es zusätzliche Wartezeiten aus Kostengründen (Personalkosten, Lkw-Auslastung) zu vermeiden gilt, ist es wie bereits erläutert möglich, eine Zwischenladung an den Filialen miteinzubeziehen. Es wird davon ausgegangen, dass zum einen an den Filialen aus Kostengründen lediglich reguläre Ladesäulen installiert und zum anderen die Kosten den Filialen zugerechnet werden. Die final berechneten Tourendauern werden dann herangezogen, um berechnen zu können, wie

4.3 Wirkungsprognosemodell

173

viele Touren die Lkw potenziell tagsüber (Kerntouren), in den Abendstunden (Spättouren) sowie nachts (Nachttouren) durchführen können. Dazu werden die unterschiedlichen Betriebszeiten der Lkw-Typen in den einzelnen Zeitabschnitten durch die Tourendauer geteilt. Weiterhin wird berechnet, wie vielen potenziellen Tages- und Nachtstopps das Tourenpotenzial entspricht sowie wie viele Gesamtstopps tatsächlich durchgeführt werden können. Letzteres hängt vom Anteil tatsächlich gefahrener (durchgeführter) Nachtstopps ab, denn Angebot von und Nachfrage nach Nachtstopps stimmen möglicherweise aufgrund nicht ausreichend vorhandener E-Lkw oder umgerüsteter Filialen nicht überein, sodass das Potenzial an Nachtstopps nicht ausgeschöpft werden kann. Summe Angebot Nachttouren je Tag

Angebot Nachttouren je Tag





Angebot Tagesstopps je Tag

Angebot Nachtstopps je Tag

Angebot Gesamtstopps je Tag

Abbildung 4-7:

Ausschnitt für Stoppangebot aus dem Subsystem Tourenangebot

Das Potenzial täglicher Tages- und Nachtstopps je Lkw wird über den Lkw-Bestand in ein tatsächlich verfügbares Gesamtangebot an Tages-, Nacht- und Gesamtstopps umgerechnet (vgl. Abbildung 4-7). 4.3.3.4 Subsystem Kundennachfrage Im Subsystem Kundennachfrage sind einerseits die Filialen und andererseits deren Nachfrage modelliert (vgl. Abbildung 4-8). Zunächst werden die Bestände der einzelnen Filialtypen initialisiert, indem die Gesamtzahl der Filialen mit den Anteilen der jeweiligen Typen multipliziert wird (beide exogen vorgegeben). Diese Filialen können zunächst noch nicht beliefert werden. Sie müssen erst als Kunden gewonnen werden, um in den Bestand „nachtbelieferbare Filialen“ überzugehen. Die Kundengewinnungsrate für die einzelnen Filialtypen bestimmt sich als Produkt aus dem aktuellen Bestand an Filialen des jeweiligen Typs und der Wahrscheinlichkeit, dass der Filialtyp im aktuellen Jahr auf Nachtbelieferung umrüstet, also zum (dauerhaften) Nachfrager bzw. Kunden wird. Die Umrüstwahrscheinlichkeit wird im Subsystem Kundenentscheidung bestimmt und wie die Raten im Subsystem Fuhrparkbestand auf den Beginn des Jahres diskretisiert. Die kumulierten Kundengewinnungsraten bilden den Bestand „nachtbelieferbare Filialen“, welcher zu Beginn der Simulation bei null liegt. Weiter kann über die Anzahl nachtbelieferbarer Filialen, die Anzahl wöchentlicher Stopps je Filiale und die Anzahl der Liefertage je Woche berechnet werden, wie hoch die Nachfrage nach Nachtstopps je Tag ist. Zieht man die Gesamtanzahl der Filialen heran, kann die gesamte Nachfrage nach Stopps je Tag berechnet werden. Teilt man letztere durch die

174

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Liefermenge je Stopp, erhält man die tägliche Liefermenge, welche beispielsweise zur Berechnung der Transportkosten im Subsystem Zielgrößen erforderlich ist. Dabei ergibt sich die Liefermenge je Stopp als Quotient der wöchentlichen Nachfrage je Filiale und der wöchentlichen Stopps je Filiale. Weiterhin wird die wöchentliche Nachfrage als Bestand modelliert, die mit einem exogenen Wert initialisiert und über die Veränderungsrate der Nachfrage angepasst wird. Letztere ergibt sich als Produkt der aktuellen Nachfrage und der jährlichen prozentualen Nachfrageänderung. Stoppanteil relativ je Lkw

Anteil Lkw Bedarf Lkw

Gesamtzahl Filialen Anteil Filialen Typ I

Stoppanteile absolut je Lkw

Bedarf Durchschnitts-Lkw

KF Lkw

Filialen Typ I

Kundengewinnungsrate Typ I

Liefertage je Woche

Anteil Filialen Typ II Filialen Typ II

Kundengewinnungsrate Typ II



nachtbelieferbare Filialen

nicht nachtbelieferbare Filialen

Nachfrage Nachtstopps je Tag

Nachfrage Gesamtstopps je Tag tägliche Liefermenge

wöchentliche Stopps je Filiale Liefermenge je Stopp

Anteil Filialen Typ III

Filialen Typ III Kundengewinnungsrate Typ III

Anteil Filialen Typ IV

Veränderungsrate Nachfrage

wöchentliche Nachfrage je Filiale IN aktuelle wöchentliche Nachfrage je Filiale

jährliche Nachfrageänderung

Filialen Typ IV

Abbildung 4-8:

Subsystem Kundennachfrage

Für die prozentualen Anteile der Lkw in den verschiedenen Größenklassen wird angenommen, dass diese über die Zeit konstant bleiben, da die Anteile die Nachfrage der Kunden nach entsprechend großen Transporten bzw. Transportkapazitäten widerspiegeln und sich diese Nachfragestruktur nicht verändert. Die Lkw-Größenklassen besitzen unterschiedliche Transportkapazitäten, weswegen ihr Anteil an den täglichen Stopps verschieden ist von ihrem Anteil an der Lkw-Anzahl. Deshalb wird der Anteil an der Lkw-Anzahl mit dem Potenzial an täglichen Gesamtstopps je Lkw multipliziert, wodurch man die Stoppanteile der einzelnen Lkw-Größenklassen an einem durchschnittlichen Stopp erhält. Normiert man diese Stoppanteile auf eins, so ergeben sich die relativen Stoppanteile je Lkw-Größenklasse, teilt man hingegen die tägliche Nachfrage nach Gesamtstopps durch die Summe der absoluten Stoppanteile je Lkw (=Anzahl täglicher Stopps eines Durchschnitts-Lkw), so ergibt sich der Bedarf an Durchschnitts-Lkw.

4.3 Wirkungsprognosemodell

175

Dieser Bedarf wiederum wird über die Anteile der Lkw am Fuhrpark auf den Initialisierungsbedarf an Lkw umgerechnet. Um die Einheiten der Variablen verständlich zu halten, wurde bei der Bestimmung des Tourenangebots auf die Berücksichtigung von „Lkw“ in den Einheiten verzichtet. Dies hat jedoch zur Folge, dass bei der Berechnung des Bedarfs an Durchschnitts-Lkw ein Korrekturfaktor „KF Lkw“ erforderlich ist. Dieser besitzt den Wert eins, die Einheit Lkw und hat somit keinen Einfluss auf das Ergebnis. 4.3.3.5 Subsystem Dienstleistungserbringung Das Subsystem Dienstleistungserbringung gleicht Angebot und Nachfrage nach Belieferungen ab und ermittelt dann die durchgeführten Touren, Stopps und gefahrenen Kilometer (vgl. Abbildung 4-9).



gefahrene Tagesstopps E-Lkw gefahrene Tagesstopps D-Lkw







Differenz Anteil erfüllte Differenz Differenz Nachfrage-Angebot Nachfrage-Angebot Nachfrage-Angebot Nachfrage Nachtstopps Tagesstopps Nachtstopps Gesamtstopps Anteil gefahrener Nachtstopps

Anteil gefahrener Tagesstopps

Anteil gefahrener Nachtstopps je Lkw



verbleibende Nachfrage Tagesstopps

gefahrene Nachtstopps je E-Lkw gefahrene Nachtstopps je D-Lkw





Differenz D-Lkw

gefahrene Tagestouren je D-Lkw



gefahrene Tagestouren je E-Lkw

Differenz E-Lkw



gefahrene Gesamtstopps gefahrene Gesamttouren je D-Lkw je D-Lkw

gefahrene jährliche km je D-Lkw

gefahrene jährliche km je E-Lkw

gefahrene Gesamttouren je E-Lkw

gefahrene Gesamtstopps je E-Lkw



Abbildung 4-9:

gefahrene Nachttouren je D-Lkw

gefahrene Nachttouren je E-Lkw

Subsystem Dienstleistungserbringung

Es wird davon ausgegangen, dass die Nachfrage nach Nachtbelieferungen bestmöglich zu erfüllen ist, da einerseits Kunden möglicherweise Umrüstungsaufwand betrieben haben und andererseits die Vorteile der Nachtbelieferung genutzt werden sollen. Deshalb werden Angebot und Nachfrage nach täglichen Nachtstopps abgeglichen und der Anteil der erfüllten Nachfrage

176

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

nach Nachtstopps sowie der Anteil gefahrener Nachtstopps insgesamt und je Lkw berechnet. Grundsätzlich kann nicht ausgeschlossen, dass auch D-Lkw Nachtstopps ausführen, sofern entsprechende Genehmigungen erlangt werden. Aus diesem Grund werden durch die Multiplikation des Potenzials täglicher Nachtstopps von D-Lkw (sofern verfügbar) und E-Lkw mit dem Anteil gefahrener Nachtstopps je Lkw, die tatsächlich gefahrenen Nachtstopps je D-Lkw und E-Lkw berechnet. Überdies wird berechnet, wie hoch nach Abzug der erfüllten Nachfrage nach Nachtstopps (Minimum aus Angebot und Nachfrage) von der täglichen Gesamtnachfrage nach Stopps, die verbleibende Nachfrage nach Tagesstopps ausfällt: 96 Verbleibende Nachfrage Tagesstops = Nachfrage Gesamtstopps je Tag ∙ IN Stoppanteil relativ je Lkw[Lkw] -MIN (Angebot Nachtstopps je Tag[Lkw], Nachfrage Nachtstopps je Tag ∙ IN Stoppanteil relativ je Lkw[Lkw])

(4-6)

Die verbleibende Nachfrage nach Tagesstopps wird mit dem Angebot an Tagesstopps abgeglichen und der Anteil gefahrener Tagesstopps berechnet. Zusammen mit dem Potenzial täglicher Tagesstopps von D-Lkw und E-Lkw kann dann berechnet werden, wie viele Tagesstopps D-Lkw und E-Lkw tatsächlich fahren. Zusätzlich wird die Differenz aus Nachfrage und Angebot nach Tagesstopps sowie zu Validierungszwecken die Differenz aus Nachfrage und Angebot für Gesamtstopps und Nachtstopps berechnet. Die Anzahl der gefahrenen Tagesstopps und Nachtstopps wird dann je Lkw-Typ addiert, um die Anzahl der insgesamt gefahrenen Stopps zu berechnet. Zudem werden die Tages- und Nachtstopps je Lkw-Typ mittels der Anzahl an Stopps pro Tour in gefahrene Tages- und Nachttouren umgerechnet. Dann wird für D-Lkw und E-Lkw die Anzahl der gefahrenen Gesamttouren berechnet und mit der Tourenstrecke und der Anzahl der jährlichen Einsatztage die Anzahl der gefahrenen Jahreskilometer je Lkw-Typ berechnet. 4.3.3.6 Subsystem Personalkosten In diesem Subsystem werden auf Basis des Stundenlohns der Lkw-Fahrer die Fahrerkosten berechnet (vgl. Abbildung 4-10). Der Stundenlohn eines Lkw-Fahrers wird als Bestand dargestellt, der über die Steigerungsrate veränderbar ist. Nach der Initialisierung mit einem exogenen Wert ist jeweils die jährliche prozentuale Lohnsteigerung zu addieren. Die Anzahl der gefahrenen Tages- und Nachttouren wird, jeweils für D-Lkw und E-Lkw, mit der entsprechenden Tourendauer und der Anzahl jährlicher Einsatztage sowie mit dem Fahrerstundenlohn multipliziert. Dabei ist zu beachten, dass für die Nachttouren ein erhöhter Stundenlohn heranzuziehen ist, der einen Nachtzuschlag berücksichtigt.

96

Der Zusatz „IN“ bei den relativen Stoppanteilen je Lkw deutet darauf hin, dass der einmalig zu Beginn der Simulation berechnete Wert verwendet und nicht mehr verändert wird.

4.3 Wirkungsprognosemodell

177



jährliche Lohnsteigerung



jährliche Fahrerkosten D-Lkw Stundenlohn Fahrer nachts

Stundenlohn Fahrer Steigerungsrate Stundenlohn

IN Stundenlohn Fahrer

jährliche Fahrerkosten E-Lkw Nachtzuschlag

Abbildung 4-10:



Subsystem Personalkosten

4.3.3.7 Subsystem Ladeinfrastrukturkosten Im Subsystem Ladeinfrastrukturkosten werden die TCO und Annuitäten für Schnellladesäulen und reguläre Ladesäulen berechnet, welche sich jeweils aus Netzanschlusskosten, Hardwarekosten und Wartungskosten zusammensetzen (vgl. Abbildung 4-11). Für die Berechnung der jeweiligen TCO wird Gleichung (3-11) herangezogen, jedoch mit umgekehrten Vorzeichen, da nicht der Kapitalwert, sondern die TCO berechnet werden. Dabei wird von den Investitionsausgaben der Barwert der periodischen Verringerung der Steuerlast durch Abschreibungen entlang der Nutzungsdauer des E-Lkw abgezogen. Es handelt sich hierbei um eine regelmäßig wiederkehrende Zahlung, weshalb der RBF heranzuziehen ist. Da die Nutzungsdauer der Netzkomponenten und Ladesäulen-Hardware deutlich länger ist als die Nutzungsdauer der E-Lkw, die Ladeinfrastruktur aber generell E-Lkw spezifisch beschafft wird, ist der Barwert eines fiktiven Liquidationserlöses der Netzkomponenten und Hardware ebenfalls abzuziehen.97 Es wird davon ausgegangen, dass der Liquidationserlös dem Restbuchwert entspricht, womit keine Steuern zu berücksichtigen sind (vgl. Bieg et al. 2016, S. 164).

97

Es wird angenommen, dass mit jedem E-Lkw anteilig eine Schnellladesäule angeschafft und nach Ende dessen Nutzungsdauer wieder verkauft wird. Die Modellierung einer Weiternutzung der Schnellladesäule, wie sie in der Praxis durchgeführt würde, würde die Modellkomplexität unnötig erhöhen, weswegen darauf verzichtet wird. Tendenziell führt dieser Ansatz dazu, dass die TCO der Ladeinfrastruktur leicht unterschätzt werden, da jeweils neue Ladesäulen berücksichtigt werden, die in ihrer Anschaffung immer günstiger werden, wodurch auch die Abschreibungen sinken. Vor dem Hintergrund des insgesamt geringen Einflusses der Ladeinfrastrukturkosten (vgl. Abbildung 4-22) ist dieses Vorgehen jedoch vertretbar.

178

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Für die TCO des Netzanschlusses sind keine periodischen Investitionsausgaben zu berücksichtigen, da davon ausgegangen wird, dass keine Betriebskosten für die Netzkomponenten anfallen: 𝑇𝐶𝑂 𝑆𝑐ℎ𝑛𝑒𝑙𝑙𝑙𝑎𝑑𝑒𝑠ä𝑢𝑙𝑒 𝑁𝑒𝑡𝑧𝑎𝑛𝑠𝑐ℎ𝑙𝑢𝑠𝑠 = 𝐾𝑜𝑠𝑡𝑒𝑛 𝑆𝑐ℎ𝑛𝑒𝑙𝑙𝑙𝑎𝑑𝑒𝑠ä𝑢𝑙𝑒 𝑁𝑒𝑡𝑧𝑎𝑛𝑠𝑐ℎ𝑙𝑢𝑠𝑠 −

𝐾𝑜𝑠𝑡𝑒𝑛 𝑆𝑐ℎ𝑛𝑒𝑙𝑙𝑙𝑎𝑑𝑒𝑠ä𝑢𝑙𝑒 𝑁𝑒𝑡𝑧𝑎𝑛𝑠𝑐ℎ𝑙𝑢𝑠𝑠 𝑁𝑢𝑡𝑧𝑢𝑛𝑔𝑠𝑑𝑎𝑢𝑒𝑟 𝑁𝑒𝑡𝑧𝑘𝑜𝑚 𝑜𝑛𝑒𝑛𝑡𝑒𝑛

(4-7)

∙ 𝑈𝑛𝑡𝑒𝑟𝑛𝑒ℎ𝑚𝑒𝑛𝑠𝑠𝑡𝑒𝑢𝑒𝑟𝑠𝑎𝑡𝑧 ∙ 𝑅𝑒𝑛𝑡𝑒𝑛𝑏𝑎𝑟𝑤𝑒𝑟𝑡𝑓𝑎𝑘𝑡𝑜𝑟 𝑁𝐷 −𝐾𝑜𝑠𝑡𝑒𝑛 𝑆𝑐ℎ𝑛𝑒𝑙𝑙𝑙𝑎𝑑𝑒𝑠ä𝑢𝑙𝑒 𝑁𝑒𝑡𝑧𝑎𝑛𝑠𝑐ℎ𝑙𝑢𝑠𝑠 (𝑁𝑢𝑡𝑧𝑢𝑛𝑔𝑠𝑑𝑎𝑢𝑒𝑟 𝑁𝑒𝑡𝑧𝑘𝑜𝑚 𝑜𝑛𝑒𝑛𝑡𝑒𝑛 − 𝑁𝑢𝑡𝑧𝑢𝑛𝑔𝑠𝑑𝑎𝑢𝑒𝑟 𝐿𝑘𝑤) ∙ 𝑁𝑢𝑡𝑧𝑢𝑛𝑔𝑠𝑑𝑎𝑢𝑒𝑟 𝑁𝑒𝑡𝑧𝑘𝑜𝑚 𝑜𝑛𝑒𝑛𝑡𝑒𝑛 ∙ (1 + 𝑈𝑛𝑡𝑒𝑟𝑛𝑒ℎ𝑚𝑒𝑛𝑠𝑧𝑖𝑛𝑠𝑠𝑎𝑡𝑧)𝑁𝑢𝑡𝑧𝑢𝑛𝑔𝑠𝑑𝑎𝑢𝑒𝑟 𝐿𝑘𝑤

Anschaffungskosten Schnellladesäule

Kosten Schnellladesäule Netzanschluss

TCO Schnellladesäule Netzanschluss



Kosten Ladesäule Netzanschluss

Nutzungsdauer Netzkomponenten

TCO Schnellladesäule

TCO Ladesäule Netzanschluss

TCO Ladesäule



TCO Schnellladesäule Hardware KostenSchnellladesäule Hardware

TCO Ladesäule Hardware

Nutzungsdauer Hardware

jährliche Wartungskosten Schnellladesäule



Annuität neue Schnellladesäule

Annuität neue Ladesäule

KostenLadesäule Hardware jährliche Wartungskosten Ladesäule

Anteil jährliche Wartungskosten

Abbildung 4-11:

Subsystem Ladeinfrastrukturkosten

Die TCO der Schnellladesäulen-Hardware werden entsprechend berechnet. Zur Berechnung der gesamten TCO werden die TCO von Netzanschluss und Hardware addiert und zusätzlich jährliche Wartungskosten als Prozentanteil der Hardwarekosten berücksichtigt. Mittels Multiplikation mit dem RBF (vgl. Formel (3-10)) wird der Barwert der Reihe gleich bleibender jährlicher Wartungskosten berechnet. Um die jährlichen Wartungskosten für die TCO-Berechnung auf die gesamte Nutzungsdauer umrechnen zu können, ist der Korrekturfaktor Jahr „KF YR“ anzuwenden, der den Wert eins und die Einheit Jahr besitzt. Weiterhin werden die TCO von

4.3 Wirkungsprognosemodell

179

Netzanschluss und Hardware mit dem Kapitalwiedergewinnungsfaktor multipliziert (vgl. Formel (3-12)), wodurch man deren Annuität erhält. 4.3.3.8 Subsystem Fuhrparkkosten Im Subsystem Fuhrparkkosten werden die TCO von D-Lkw und E-Lkw berechnet, die sich aus Anschaffungskosten, Restwert der Lkw, fixen, variablen und beim E-Lkw Ladeinfrastrukturkosten berechnen (vgl. Abbildung 4-12). Die Anschaffungskosten von D-Lkw sind exogen vorgegeben, wohingegen sich die Anschaffungskosten von E-Lkw als Summe der Anschaffungskosten von D-Lkw, der Kostendifferenz von D-Lkw und E-Lkw sowie den Batteriekosten ergeben. Letztere ergeben sich als Produkt der Batteriesystemkosten und der Batteriekapazität je E-Lkw Größenklasse, wobei zur Berechnung der erforderlichen Batteriekapazität die für alle E-Lkw geforderte identische Reichweite mit dem Energieverbrauch je Kilometer multipliziert und durch die mögliche Entladetiefe der Batterie geteilt wird. Die Variable „Sensitivitätsfaktor Batterie“ ist eine Hilfsvariable für die Sensitivitätsanalyse und ermöglicht die Variation der Batteriesystemkosten. Für die Restwertberechnung wird Formel (4-1) herangezogen. Das Alter entspricht der Nutzungsdauer von Lkw, die Jahresfahrleistung berechnet sich im Subsystem Dienstleistungserbringung und der Neupreis entspricht den Anschaffungskosten des jeweiligen Lkw-Typs bzw. der Größenklasse. Da in Vensim die Größen zur Berechnung von Potenzen dimensionslos sein müssen, wird zunächst die Einheit Euro der Anschaffungskosten mit dem Korrekturfaktor Anschaffungskosten („KF A“) entfernt und an das Ergebnis mittels des Korrekturfaktors Restwert („KF RW“) angefügt. Weiterhin werden die aktuellen jährlichen variablen Kosten berechnet. Zum Produkt aus jeweiligem Kraftstoffpreis (Diesel, Strom), Lkw-spezifischem Verbrauch neuer Lkw und Sensitivitätsfaktor Diesel/Strom98 werden Mautkosten,99 Reifenkosten und Wartungskosten addiert und das Ergebnis mit den aktuell „gefahrene[n] jährliche[n] km je [...]Lkw“ multipliziert. Die Reifenkosten sind für beide Lkw-Typen identisch, wohingegen sich die Mautkosten unterscheiden. Die Wartungskosten des E-Lkw werden als prozentualer Anteil der Wartungskosten für D-Lkw berechnet. Zu Validierungszwecken werden die aktuellen variablen Kosten je Kilometer und Lkw-Typ berechnet, indem die jährlichen variablen (Gesamt-)Kosten je Lkw-Typ durch die aktuell gefahrenen Jahreskilometer geteilt werden. Die aktuellen jährlichen Fixkosten je Lkw-Typ ergeben sich als Summe einer möglichen generellen City-Maut, einer Maut ausschließlich für D-Lkw sowie aus Steuern und Versicherungskosten. Dabei werden die Versicherungskosten beider Lkw-Typen als identisch angenommen, wohingegen sich die Steuern unterscheiden. Kosten für die City-Maut werden als Produkt des Anteils gefährdeter Innenstadtfilialen, der täglichen Mautgebühr sowie der Anzahl der Einsatztage berechnet. Die Maut-Typen können mit den Variablen „City-Maut“ und „City-Maut für Diesel“ im Rahmen von Szenarien ausgewählt werden. Zusätzlich kann ein Einführungsjahr bestimmt werden, ab welchem die Maut aktiv wird.100 98 99

100

Die Sensitivitätsfaktoren ermöglichen die Variation der Kraftstoffpreise im Rahmen der Sensitivitätsanalyse. Zur Bestimmung der Mautkosten wird die vom Lkw-Typ abhängige streckenbezogene Mautgebühr mutlipliziert mit der Summe aus Streckenanteil auf Autobahnen und dem Produkt aus außerorts Streckenanteil und dem Anteil mautpflichtiger Außerortsstraßen. Die Einführung der City-Maut wird in Vensim umgesetzt mit einer Step-Funktion, die mit Erreichen des festgelegten Einführungsjahrs den Wert eins ausgibt.

180

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Reichweite E-Lkw Entladetiefe Batterie

Bat t eriesyst em k ost en

Batteriekapazität Sensitivitätsfaktor Batterie KostendifferenzE-Lk w Batteriekosten E-Lkw Alpha

Anschaffungskosten D-Lk w

Anschaffungskosten E-Lkw

Beta 1 Beta 2 Beta 3 KF A

Restwert D-Lkw

Restwert E-Lkw

KF RW Nutzungsdauer Lkw



Rentenbarwertfaktor ND

Unternehmenszinssatz Rentenbarwertfaktor AD TCO D-Lkw aktuell

TCO E-Lkw aktuell

Abschreibungsdauer Lkw Unternehmenssteuersatz

Faktor Lkw je Schnellladesäule

KF YR Sensitivitätsfaktor Diesel

Dieselpreis

Sensitivitätsfaktor Strom

aktuelle jährliche variable Kosten E-Lkw

aktuelle jährliche variable Kosten D-Lkw

Strompreis





Reifenkosten Lkw

aktuelle variable Kosten D-Lkw je km

Anteil mautpflichtiger Außerortsstraßen Straßenmaut Straßenmaut D-Lkw E-Lkw Wartungskosten D-Lkw

aktuelle variable Kosten E-Lkw je km

Wartungskosten E-Lkw Einsatztage City-Maut Tagessatz

Faktor Wartungskosten E-Lkw

City-Maut für Diesel aktuelle jährliche fixe Kosten D-Lkw

City-Maut Einführungsjahr Maut

aktuelle jährliche fixe Kosten E-Lkw

Versicherungskosten Lkw Steuer D-Lkw

Abbildung 4-12:

Steuer E-Lkw

Ausschnitt für TCO D-Lkw und E-Lkw aus dem Subsystem Fuhrparkkosten

Auf Basis der berechneten einzelnen Kostenarten werden dann die TCO in Anlehnung an Formel (3-11) berechnet. Wie in Kapitel 4.3.3.7 werden zur TCO-Berechnung die Vorzeichen umgekehrt, sodass von den Investitionsausgaben der Barwert der periodischen Verringerung der

4.3 Wirkungsprognosemodell

181

Steuerlast durch Afa abgezogen wird. Weiterhin wird der Barwert des versteuerten Liquidationserlöses abgezogen (Barwert des Restwerts abzüglich der Steuer auf den Restwert). Abschließend wird der Barwert der periodischen Investitionsausgaben nach Abschreibungen addiert. Dieser ergibt sich als Summe der aktuellen jährlichen fixen, variablen und Fahrerkosten multipliziert mit dem RBF, um so den Barwert der Kosten für die gesamte Nutzungsdauer berechnen zu können, wobei erneut der Korrekturfaktor Jahr zum Einsatz kommt. Zudem wird vom Ergebnis die Steuerminderung durch Abschreibungen (Ergebnis multipliziert mit dem Unternehmenssteuersatz) abgezogen: 𝑇𝐶𝑂 𝐿𝑘𝑤 = 𝐴𝑛𝑠𝑐ℎ𝑎𝑓𝑓𝑢𝑛𝑔𝑠𝑘𝑜𝑠𝑡𝑒𝑛 −

𝐴𝑛𝑠𝑐ℎ𝑎𝑓𝑓𝑢𝑛𝑔𝑠𝑘𝑜𝑠𝑡𝑒𝑛 ∙ 𝑈𝑛𝑡𝑒𝑟𝑛𝑒ℎ𝑚𝑒𝑛𝑠𝑠𝑡𝑒𝑢𝑒𝑟𝑠𝑎𝑡𝑧 ∙ 𝑅𝑒𝑛𝑡𝑒𝑛𝑏𝑎𝑟𝑤𝑒𝑟𝑡𝑓𝑎𝑘𝑡𝑜𝑟 𝐴𝐷 𝐴𝑏𝑠𝑐ℎ𝑟𝑒𝑖𝑏𝑢𝑛𝑔𝑠𝑑𝑎𝑢𝑒𝑟 𝐿𝑘𝑤

−𝑅𝑒𝑠𝑡𝑤𝑒𝑟𝑡 ∙

(1 − 𝑈𝑛𝑡𝑒𝑟𝑛𝑒ℎ𝑚𝑒𝑛𝑠𝑠𝑡𝑒𝑢𝑒𝑟𝑠𝑎𝑡𝑧) (1 + 𝑈𝑛𝑡𝑒𝑟𝑛𝑒ℎ𝑚𝑒𝑛𝑠𝑧𝑖𝑛𝑠𝑠𝑎𝑡𝑧)𝑁𝑢𝑡𝑧𝑢𝑛𝑔𝑠𝑑𝑎𝑢𝑒𝑟 𝐿𝑘𝑤

(4-8)

+(𝑎𝑘𝑡𝑢𝑒𝑙𝑙𝑒 𝑗äℎ𝑟𝑙𝑖𝑐ℎ𝑒 𝑓𝑖𝑥𝑒 𝐾𝑜𝑠𝑡𝑒𝑛 + 𝑎𝑘𝑡𝑢𝑒𝑙𝑙𝑒 𝑗äℎ𝑟𝑙𝑖𝑐ℎ𝑒 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝐾𝑜𝑠𝑡𝑒𝑛 + 𝑗äℎ𝑟𝑙𝑖𝑐ℎ𝑒 𝐹𝑎ℎ𝑟𝑒𝑟𝑘𝑜𝑠𝑡𝑒𝑛) ∙ 𝑅𝑒𝑛𝑡𝑒𝑛𝑏𝑎𝑟𝑤𝑒𝑟𝑡𝑓𝑎𝑘𝑡𝑜𝑟 ∙ 𝐾𝐹 𝑌𝑅 ∙ (1 − 𝑈𝑛𝑡𝑒𝑟𝑛𝑒ℎ𝑚𝑒𝑛𝑠𝑠𝑡𝑒𝑢𝑒𝑟𝑠𝑎𝑡𝑧)

Die Berechnung der TCO für E-Lkw wird entsprechend durchgeführt, allerdings werden die im Subsystem Ladeinfrastrukturkosten berechneten TCO von Schnellladesäulen anteilig berücksichtigt. Dafür werden die TCO durch den Faktor Lkw je Schnellladesäule dividiert. Außerdem wird die Annuität neuer Lkw zur Verwendung im Subsystem Fuhrparkbestand berechnet (vgl. Abbildung Anhang 7-4 und Abbildung Anhang 7-5). Hierfür wird Formel (3-13), ohne Berücksichtigung periodischer Investitionsausgaben, herangezogen und wie folgt umgesetzt: 𝐴𝑛𝑛𝑢𝑖𝑡ä𝑡 𝑛𝑒𝑢𝑒𝑟 𝐿𝑘𝑤 = 𝐴𝑛𝑠𝑐ℎ𝑎𝑓𝑓𝑢𝑛𝑔𝑠𝑘𝑜𝑠𝑡𝑒𝑛 ∙ 𝐾𝑎 𝑖𝑡𝑎𝑙𝑤𝑖𝑒𝑑𝑒𝑟𝑔𝑒𝑤𝑖𝑛𝑛𝑢𝑛𝑔𝑠𝑓𝑎𝑘𝑡𝑜𝑟 −

𝐴𝑛𝑠𝑐ℎ𝑎𝑓𝑓𝑢𝑛𝑔𝑠𝑘𝑜𝑠𝑡𝑒𝑛 ∙ 𝑈𝑛𝑡𝑒𝑟𝑛𝑒ℎ𝑚𝑒𝑛𝑠𝑠𝑡𝑒𝑢𝑒𝑟𝑠𝑎𝑡𝑧 𝐴𝑏𝑠𝑐ℎ𝑟𝑒𝑖𝑏𝑢𝑛𝑔𝑠𝑑𝑎𝑢𝑒𝑟 𝐿𝑘𝑤

−𝑅𝑒𝑠𝑡𝑤𝑒𝑟𝑡 ∙

(4-9)

(1 − 𝑈𝑛𝑡𝑒𝑟𝑛𝑒ℎ𝑚𝑒𝑛𝑠𝑠𝑡𝑒𝑢𝑒𝑟𝑠𝑎𝑡𝑧) ∙ 𝑈𝑛𝑡𝑒𝑟𝑛𝑒ℎ𝑚𝑒𝑛𝑠𝑧𝑖𝑛𝑠𝑠𝑎𝑡𝑧 (1 + 𝑈𝑛𝑡𝑒𝑟𝑛𝑒ℎ𝑚𝑒𝑛𝑠𝑧𝑖𝑛𝑠𝑠𝑎𝑡𝑧)𝑁𝑢𝑡𝑧𝑢𝑛𝑔𝑠𝑑𝑎𝑢𝑒𝑟 𝐿𝑘𝑤 − 1

Zusätzlich ist die Annuität der D-Lkw zu berechnen, die zu Beginn der Simulation bereits im Fuhrparkbestand enthalten sind. Dafür wird die Annuität auf Basis der exogen vorgegebenen historischen Anschaffungskosten für D-Lkw jeweils einzeln für die Alters- und Größenklassen berechnet. Der in die Berechnung einfließende Restwert der bereits vorhandenen D-Lkw wird mittels der zu Beginn der Simulation ermittelten jährlichen Kilometer je D-Lkw bestimmt.

182

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

4.3.3.9 Subsystem Anbieterentscheidung Im Subsystem Anbieterentscheidung wird die Beschaffungsentscheidung des Anbieters für D-Lkw und E-Lkw getroffen (vgl. Abbildung 4-13). Zunächst wird berechnet, wie hoch die erforderliche „Beschaffung in Stopps“ ist.101 Für die Handlungsalternative Early Majority wird von der aktuellen Nachfrage in Stopps je Größenklasse die aktuell verfügbare Anzahl an Stopps abgezogen (jeweils Bestand an Lkw multipliziert mit Anzahl aktuell möglicher Gesamtstopps je Lkw). Dazu wird die Stoppanzahl der ausgemusterten Lkw addiert (Ausmusterungsrate der Lkw multipliziert mit der Anzahl aktuell möglicher Gesamtstopps je Lkw). Folglich werden bei der Beschaffung im Wesentlichen Nachfragesteigerungen berücksichtigt sowie ausgemusterte Lkw ersetzt. Sofern die berechnete Anzahl an Stopps positiv ist, wird diese ausgegeben, ansonsten null, womit keine negative Beschaffung (Verkauf) möglich ist. Der Wert wird jeweils zu Beginn des Jahres ausgegeben. 102 Die Beschaffung von D-Lkw unter der Handlungsalternative Fahrverbote ist ebenfalls in der Variable Beschaffung in Stopps umgesetzt. Es wird dazu überprüft, ob das Jahr 2025 (angenommenes Einführungsjahr für Fahrverbote) bereits erreicht ist und ob die exogene Strategievariable Fahrverbote den Wert eins besitzt und damit aktiviert ist. Ist dies der Fall, wird davon ausgegangen, dass der Anteil der Nachfrage gefährdeter Innenstadtfilialen ausschließlich von E-Lkw und der übrige Anteil der Nachfrage von D-Lkw erfüllt werden muss. Folglich wird die Nachfrage nach Gesamtstopps je Größenklasse mit dem Anteil an Filialen außerhalb gefährdeter Innenstädte multipliziert und davon die verfügbare Anzahl an D-Lkw-Stopps abgezogen (Bestand an D-Lkw multipliziert mit aktuell möglicher Anzahl an Gesamtstopps je D-Lkw). Addiert wird hierzu die Stoppanzahl ausgemusterter D-Lkw (Ausmusterungsrate der D-Lkw multipliziert mit der Anzahl aktuell möglicher Gesamtstopps je Lkw). Dadurch ergibt sich die Anzahl zu beschaffender D-Lkw-Stopps. Die beschriebene Berechnungsweise wird unter der Handlungsalternative Fahrverbote auch für E-Lkw herangezogen. Jedoch wird die Nachfrage nach Gesamtstopps je Größenklasse mit dem Anteil der gefährdeten Innenstadtfilialen multipliziert, da diese Filialen von E-Lkw zu beliefern sind und entsprechend E-Lkw-Stopp erforderlich sind. Im Falle aktiver Fahrverbote berechnet sich dann die Beschaffung von E-Lkw je Größenklasse als Quotient aus der „Beschaffung in Stopps Fahrverbote“ und der aktuell möglichen Anzahl an Gesamtstopps je E-Lkw. Ist dies nicht der Fall, berechnet sich die Beschaffung von E-Lkw wie folgt: 𝐵𝑒𝑠𝑐ℎ𝑎𝑓𝑓𝑢𝑛𝑔 𝐸-𝐿𝑘𝑤 = 𝐵𝑒𝑠𝑐ℎ𝑎𝑓𝑓𝑢𝑛𝑔 𝑖𝑛 𝑆𝑡𝑜 𝑠 ∙ 𝑃 𝐸-𝐿𝑘𝑤 ∙ (1 + 𝑆𝑖𝑐ℎ𝑒𝑟ℎ𝑒𝑖𝑡𝑠𝑎𝑢𝑓𝑠𝑐ℎ𝑙𝑎𝑔 𝐿𝑘𝑤) 𝑎𝑘𝑡𝑢𝑒𝑙𝑙 𝑚ö𝑔𝑙𝑖𝑐ℎ𝑒 𝐺𝑒𝑠𝑎𝑚𝑡𝑠𝑡𝑜 𝑠 𝐸-𝐿𝑘𝑤

(4-10)

Die Beschaffung in Stopps wird dabei mit der Entscheidungswahrscheinlichkeit für einen E-Lkw „P E-Lkw“ multipliziert und durch die aktuell mögliche Anzahl an Gesamtstopps je E-Lkw geteilt. Weiterhin wird ein Sicherheitsaufschlag berücksichtigt, damit der LDL bei unvorhergesehenen Nachfrageveränderungen flexibel reagieren kann. Je nach Anforderung kann 101

102

Die Beschaffungsmenge wird zunächst neutral in Stopps (je Größenklasse) berechnet, weil D-Lkw und E-Lkw eine unterschiedliche tägliche Lieferleistung erbringen können und somit die Anzahl an zu beschaffenden Lkw nicht allgemeingültig wäre. Der Zeitpunkt der Beschaffungsentscheidung wird in Vensim mittels der „PULSE TRAIN“-Funktion umgesetzt.

4.3 Wirkungsprognosemodell

183

die Anzahl zu beschaffender E-Lkw auf den nächsten ganzzahligen Wert aufgerundet werden, um eine umsetzbare Beschaffungsentscheidung zu erhalten. In den Ergebnisberechnungen in Kapitel 4.6 wird jedoch von einer Rundung der Ergebnisse abgesehen, da es um einen generellen Vergleich der beiden Lkw-Typen und nicht um das Treffen einer konkreten Beschaffungsentscheidung im Unternehmen geht. Die Berechnung der Beschaffung von D-Lkw erfolgt ähnlich wie in Formel (4-10), jedoch beträgt die Entscheidungswahrscheinlichkeit für einen D-Lkw eins abzüglich P E-Lkw.

gefährdete Innenstadtfilialen





IN Stoppanteil relativ je Lkw Beschaffung in Stopps Fahrverbote













Beschaffung in Stopps





Sicherheitsaufschlag Lkw Beschaffungsrundung Beschaffung E-Lkw

Beschaffung D-Lkw

Fahrverbote Late Majority Early Adopter

Schwellenwert Entscheidung Anbieter

P E-Lkw

P Late Majority

Beta

Mark tanteilAFV GK4NZ Mark tanteilAFV SZMNZ

Faktor Diesel- zu E-Lkw TCO D-Lkw aktuell Nachtfaktor



Delta TCO

Abbildung 4-13:

Subsystem Anbieterentscheidung

Für die Berechnung von P E-Lkw wird zunächst ermittelt, wie sich die tägliche Lieferleistung in Stopps je Lkw und Tag von D-Lkw und E-Lkw unterscheidet. Durch potenziell bei E-Lkw mögliche Nachtbelieferungen ist die Lieferleistung von E-Lkw tendenziell höher als bei D-Lkw. Hierzu wird der Quotient aus gefahrenen Gesamtstopps je D-Lkw und gefahrenen Gesamtstopps je E-Lkw berechnet, welcher angibt wie hoch der Anteil der Lieferleistung eines D-Lkw an der Lieferleistung eines E-Lkw ist. Dieser ist in der Regel kleiner als eins, was bedeutet, dass mehr als ein D-Lkw erforderlich ist, um die Lieferleistungen eines E-Lkw zu erbringen. Teilt man wiederum die aktuellen TCO des D-Lkw durch den berechneten Wert, erhält

184

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

man TCO von D-Lkw, die auf die Lieferleistung des E-Lkw normiert sind („TCO D-Lkw aktuell Nachtfaktor“). Zu Validierungszwecken wird die Differenz zwischen den berechneten TCO und den aktuellen TCO eines E-Lkw ermittelt. Die Entscheidung zwischen E-Lkw und D-Lkw bzw. die Wahrscheinlichkeit, dass sich der LDL für einen E-Lkw entscheidet, wird auf Basis von DCM mit Formel (3-6) modelliert. Zunächst wird der Skalierungsparameter β berechnet. Hierfür wird ein Schwellenwert für die Entscheidung des Anbieters herangezogen, welcher angibt, ab welcher relativen Differenz zwischen den Ausprägungen der entscheidungsrelevanten Attribute der Alternativen sich der Entscheider mit einer definierten Wahrscheinlichkeit (hier mit 0,99 angenommen) für eine Alternative entscheidet. Da lediglich die TCO als Attribut betrachtet werden, ergibt sich durch Umstellung von Formel (3-6) und unter Annahme, dass Lageparameter μ gleich null ist für β: 1 − 1) 0,99 ∙ 𝑆𝑐ℎ𝑤𝑒𝑙𝑙𝑒𝑛𝑤𝑒𝑟𝑡 𝐸𝑛𝑡𝑠𝑐ℎ𝑒𝑖𝑑𝑢𝑛𝑔 𝐴𝑛𝑏𝑖𝑒𝑡𝑒𝑟 𝑇𝐶𝑂 𝐷-𝐿𝑘𝑤 𝑎𝑘𝑡𝑢𝑒𝑙𝑙 𝑁𝑎𝑐ℎ𝑡𝑓𝑎𝑘𝑡𝑜𝑟 Ln(

𝐵𝑒𝑡𝑎 =

(4-11)

Unter der Handlungsalternative Early Majority ergibt sich für P E-Lkw: 𝑃 𝐸-𝐿𝑘𝑤 =

1 1 + e𝛽(𝑇𝐶𝑂 𝐷-𝐿𝑘𝑤 𝑎𝑘𝑡𝑢𝑒𝑙𝑙 𝑁𝑎𝑐ℎ𝑡𝑓𝑎𝑘𝑡𝑜𝑟−𝑇𝐶𝑂 𝐸-𝐿𝑘𝑤 𝑎𝑘𝑡𝑢𝑒𝑙𝑙)

(4-12)

Demgegenüber ist unter der Handlungsalternative Early Adopter P E-Lkw eins, da von Anfang an ausschließlich E-Lkw beschafft werden. Unter der Handlungsalternative Fahrverbote ist P E-Lkw null, da grundsätzlich der D-Lkw beibehalten wird und E-Lkw nur beschafft werden, um Filialen in von Fahrverboten betroffenen Innenstädten beliefern zu können. Eine andere Logik ergibt sich für die Handlungsalternative Late Majority. Hier entspricht P E-Lkw der Wahrscheinlichkeit P Late Majority: 𝑃 𝐿𝑎𝑡𝑒 𝑀𝑎𝑗𝑜𝑟𝑖𝑡𝑦 = 𝑀𝑎𝑟𝑘𝑡𝑎𝑛𝑡𝑒𝑖𝑙 𝐴𝐹𝑉 𝑁𝑍 ∙ 𝑎𝑘𝑡𝑢𝑒𝑙𝑙 𝑚ö𝑔𝑙𝑖𝑐ℎ𝑒 𝐺𝑒𝑠𝑎𝑚𝑡𝑠𝑡𝑜

𝑠 𝐸-𝐿𝑘𝑤/

(4-13)

(𝑀𝑎𝑟𝑘𝑡𝑎𝑛𝑡𝑒𝑖𝑙 𝐴𝐹𝑉 𝑁𝑍 ∙ 𝑎𝑘𝑡𝑢𝑒𝑙𝑙 𝑚ö𝑔𝑙𝑖𝑐ℎ𝑒 𝐺𝑒𝑠𝑎𝑚𝑡𝑠𝑡𝑜 𝑠 𝐸-𝐿𝑘𝑤 + (1 − 𝑀𝑎𝑟𝑘𝑡𝑎𝑛𝑡𝑒𝑖𝑙 𝐴𝐹𝑉 𝑁𝑍) ∙ 𝑎𝑘𝑡𝑢𝑒𝑙𝑙 𝑚ö𝑔𝑙𝑖𝑐ℎ𝑒 𝐺𝑒𝑠𝑎𝑚𝑡𝑠𝑡𝑜 𝑠 𝐷-𝐿𝑘𝑤)

Die Wahrscheinlichkeit der Beschaffung von E-Lkw berechnet sich somit auf Basis des Marktanteils von Fahrzeugen mit Antrieb an den Neuzulassungen. 4.3.3.10 Subsystem Kundenentscheidung Im Subsystem Kundenentscheidung wird die Entscheidung der Filialen zur Umrüstung auf Nachtbelieferung getroffen (vgl. Abbildung 4-14). Anfangs werden die Transportkosten von neuen D-Lkw und E-Lkw sowie der im Bestand befindlichen D-Lkw und E-Lkw je Transporteinheit berechnet. Dafür werden zunächst die aktuellen TCO neuer Lkw durch Multiplikation mit dem Kapitalwiedergewinnungsfaktor zu jährlichen Gesamtkosten je Lkw umgerechnet. Bei E-Lkw sind zusätzlich die TCO der Schnellladesäule zu berücksichtigen. Die jährlichen Gesamtkosten je Lkw-Typ und -Größenklasse werden geteilt durch die jährliche Liefermenge je Lkw, die sich als Produkt aus jährlichen Einsatztagen, täglich gefahrenen Gesamtstopps je Lkw, Liefermenge je Stopp und relativem Stoppanteil je Lkw-Größenklasse ergibt. Für die Transportkosten von Lkw im Bestand

4.3 Wirkungsprognosemodell

185

werden die Transportkosten neuer Lkw herangezogen, sofern noch keine Lkw des entsprechenden Typs im Bestand sind. Andernfalls werden die jährlichen Gesamtkosten aller Lkw je Typ geteilt durch die jeweilige Jahresliefermenge.103 Letztere ergibt sich als Produkt aus Lkw-Bestand, Anzahl gefahrener Gesamtstopps je Lkw, Liefermenge je Stopp und Einsatztagen, wobei das Ergebnis durch den Korrekturfaktor Lkw zu teilen ist. Im Weiteren wird zunächst der relative Nutzen der einzelnen, für den Kunden relevanten, Entscheidungskriterien Kundenrisiko, Transportkosten und Lieferqualität berechnet. Dabei wird davon ausgegangen, dass ein Nutzenvorteil jeweils nur für den Anteil der umgerüsteten Filialen erzielt werden kann, der auch tatsächlich in der Nacht beliefert werden kann (Anteil erfüllte Nachfrage Nachtstopps). Das Risiko für den Filialkunden, dass dieser bei neuen gesetzlichen Regularien nicht mehr beliefert werden kann, reduziert sich praktisch auf null, wenn dieser umrüstet. Dies führt zu einem Nutzenwert von eins, der mit dem Anteil der erfüllten Nachfrage nach Nachtstopps multipliziert wird. Das Ergebnis, der relative Nutzenwert des Kundenrisikos, wird mittels des Tangens hyberbolicus auf ein Intervall von minus eins bis plus eins normiert. Dies ist erforderlich, damit die Nutzenwerte der einzelnen Entscheidungskriterien vergleichbar sind. Zur Berechnung des normierten Nutzens ist wiederum ein Schwellenwert erforderlich, der festlegt, ab welchem Wert des relativen Nutzens der normierte Nutzen bei 0,99 liegt. Der normierte Nutzen für das Risiko ergibt sich dann wie folgt:104 −𝑎𝑟𝑡𝑎𝑛ℎ(0,99) 𝑁𝑢𝑡𝑧𝑒𝑛 𝑅𝑖𝑠𝑖𝑘𝑜 𝐾𝑢𝑛𝑑𝑒 𝑛𝑜𝑟𝑚𝑖𝑒𝑟𝑡 = 𝑡𝑎𝑛ℎ ( ∙ 𝑅𝑖𝑠𝑖𝑘𝑜 𝐾𝑢𝑛𝑑𝑒 𝑟𝑒𝑙𝑎𝑡𝑖𝑣) 𝑆𝑐ℎ𝑤𝑒𝑙𝑙𝑒𝑛𝑤𝑒𝑟𝑡

(4-14)

Der relative Transportkostenvorteil bzw. -nachteil ergibt sich, indem die Differenz der Transportkosten von D-Lkw und E-Lkw gebildet wird und durch die gesamten Transportkosten, berechnet im Subsystem Zielgrößen, geteilt wird. Das Ergebnis wird mit dem Anteil erfüllter Nachfrage nach Nachtstopps multipliziert. Gemäß Formel (4-14) kann der normierte Nutzen der Transportkosten mit dem entsprechenden Schwellenwert berechnet werden. Die relative Lieferqualitätsveränderung für den Kunden ergibt sich als Quotient aus der Verbesserung durch Verkehrsverlagerung und der momentanen Lieferqualität, die mit dem Anteil erfüllte Nachfrage Nachtstopps multipliziert wird. Für die Lieferqualität ergibt sich der Schwellenwert als Quotient aus Verbesserung durch Verkehrsverlagerung und momentaner Lieferqualität und damit als maximal erzielbare Verbesserung der Lieferqualität. Ein Nutzenwert von eins wird also nur dann erzielt, wenn die maximale Lieferqualität erreicht wird. Darüber hinaus berechnet sich der normierte Nutzen der Lieferqualität in Anlehnung an Formel (4-14). Weiterhin wird der gewichtete Nutzen berechnet, indem die einzelnen Nutzenwerte mit den zugehörigen Gewichtungen (bereits auf eins normiert) multipliziert und die Ergebnisse summiert werden.

103 104

Die Gesamtkosten je Lkw-Typ werden im Subsystem Zielgrößen berechnet. Der Areatangens hyperbolicus (artanh) ist die Umkehrfunktion des Tangens hyperbolicus.

186

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen











jährliche Gesamtkosten neuer D-Lkw

Transportkosten neuer E-Lkw

Transportkosten neuer D-Lkw





jährliche Gesamtkosten neuer E-Lkw

Jahresliefermenge D-Lkw

Jahresliefermenge E-Lkw







Transportkosten Kunde relativ

Schwellenwert Entscheidung Kunde Risiko

Nutzen Risiko Kunde normiert



Schwellenwert Entscheidung Kunde Transportkosten

Lieferqualität Kunde relativ

Artanh (0,99)

Gewichtung Risiko Kunde



Nutzen Lieferqualität Kunde normiert

Nutzen Transportkosten Kunde normiert

Risiko Kunde relativ

Transportkosten E-Lkw

Transportkosten D-Lkw

Gewichtung Lieferqualität Kunde

gewichteter Nutzen Kunde

Gewichtung Transportkosten Kunde

Umbaukosten Typ III Umbaukosten Typ II

Innovationsfaktor I PI

Nutzen Kunde Typ I

My I

antizipierte Amortisationsdauer Innovationsfaktor II

Nutzen Kunde Typ II

My II

P II

Beta I

Beta II





Innovationsfaktor III

Nutzen Kunde Typ III

P III

My III Beta III



De-Monetarisierungsfaktor

Abbildung 4-14:

Ausschnitt für Nutzen und Entscheidungswahrscheinlichkeit aus dem Subsystem Kundenentscheidung

Neben den bereits berücksichtigten Aspekten hängt der Nutzen der Filiale auch von zusätzlich entstehenden Kosten ab. Hierbei sind einerseits die jährlichen Kosten für eine gegebenenfalls zu installierende Ladesäule zu berücksichtigen und weiterhin mögliche Umbaukosten. Diese werden gemäß Formel (3-6) als Nutzen bisher nicht gemessener oder nicht messbarer Attribute berücksichtigt. Die Kosten sind jedoch mittels eines De-Monetarisierungsfaktors auf den berechneten Kundennutzen zu skalieren. Hierfür werden zunächst die Transportkosten betrachtet

4.3 Wirkungsprognosemodell

187

und die jährlichen Belieferungskosten je Filiale berechnet. Dazu wird die tägliche Liefermenge mit der Anzahl jährlicher Einsatztage multipliziert und durch die Gesamtzahl der Filialen geteilt, wobei das Ergebnis mit den Transportkosten multipliziert wird. Multipliziert man wiederum die jährlichen Belieferungskosten je Filiale mit dem Schwellenwert der Entscheidung Transportkosten, erhält man den finanziellen Mehr- oder Minderwert (bezogen auf ein Jahr, nicht auf die Transportkosten je Transporteinheit), der den maximalen oder minimalen Nutzen in Bezug auf Transportkosten erzielt. Da Transportkosten nur einen Teil des Gesamtnutzens beeinflussen, wird das Ergebnis durch die Gewichtung der Transportkosten geteilt. Für die einzelnen Filialtypen entstehen unterschiedliche zusätzliche Kosten, weshalb sowohl Nutzen als auch Entscheidungswahrscheinlichkeit für eine Umrüstung typspezifisch berechnet werden. Der Nutzen für Filialen vom Typ I ergibt sich als Quotient aus den potenziellen jährlichen Kosten für eine Ladesäule105 und dem De-Monetarisierungsfaktor, wobei das Ergebnis vom gewichteten Nutzen abgezogen wird, da Kosten den Nutzen verringern. Zur Berechnung der Entscheidungswahrscheinlichkeit gemäß DCM von Filialen vom Typ I für eine Umrüstung (P I) sind zunächst Lageparameter μ (My I) und Skalierungsparameter β (Beta I) zu berechnen. My I bestimmt die Lage auf der x-Achse. Zur Berechnung von My I wird ein Innovationsfaktor herangezogen, der beschreibt, welcher Anteil der Filialen vom Typ I auch bei einem Nutzen von null umrüstet. Durch Umstellen von Formel (3-6) und Einsetzen der bekannten Werte ergibt sich My I wie folgt: 1 𝑀𝑦 𝐼 = Ln ( − 1) 𝐼𝑛𝑛𝑜𝑣𝑎𝑡𝑖𝑜𝑛𝑠𝑓𝑎𝑘𝑡𝑜𝑟

(4-15)

Mit My I kann unter Verwendung von Formel (3-6) Beta I wie folgt berechnet werden, wenn davon ausgegangen wird, dass bei Erreichen des maximalen Kundennutzens dieser sich mit einer Wahrscheinlichkeit von 0,99 für eine Umrüstung entscheidet: 1 − 1) − 𝑀𝑦 𝐼 0,99 𝑀𝑎𝑥𝑖𝑚𝑎𝑙𝑒𝑟 𝑁𝑢𝑡𝑧𝑒𝑛 𝐾𝑢𝑛𝑑𝑒 Ln (

𝐵𝑒𝑡𝑎 𝐼 =

(4-16)

Dabei ergibt sich der maximale Nutzen für den Kunden durch Summierung der Gewichtungen für Lieferqualität, Transportkosten und Risiko für den Kunden. P I kann dann wie folgt berechnet werden: 𝑃𝐼=

1 1 + e𝛽 𝐼∙𝑁𝑢𝑡𝑧𝑒𝑛 𝐾𝑢𝑛𝑑𝑒 𝑇𝑦𝑝 𝐼+𝑀𝑦 𝐼

(4-17)

Die Berechnung für die anderen beiden Filialtypen erfolgt entsprechend, wobei zur Berechnung des Kundennutzens zusätzlich Umbaukosten zu berücksichtigen sind, indem der Quotient aus Umbaukosten und antizipierter Amortisationsdauer zu den jährlichen Kosten je Ladesäule addiert wird. Es wird folglich angenommen, dass die Umbaukosten innerhalb einer festgelegten Amortisationsdauer zusammen mit der Nachtbelieferung einen Nutzenvorteil ermöglichen müssen.

105

Wenn Zwischenladung an den Filialen aktiviert ist, werden die TCO für an den Filialen zu installierende Ladesäulen mittels des Kapitalwiedergewinnungsfaktors in jährliche Kosten für Ladesäulen an den Filialen umgerechnet (vgl. Abbildung Anhang 7-6). Das Ergebnis ist allerdings durch das Produkt aus Korrekturfaktor Jahr und Korrekturfaktor Filiale (KF F) zu teilen.

188

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Das Ergebnis wird durch den De-Monetarisierungsfaktor geteilt und anschließend zum gewichteten Kundennutzen addiert: 𝑁𝑢𝑡𝑧𝑒𝑛 𝐾𝑢𝑛𝑑𝑒 𝑇𝑦 𝐼𝐼 = 𝑈𝑚𝑏𝑎𝑢𝑘𝑜𝑠𝑡𝑒𝑛 𝑇𝑦 𝐼𝐼 ( + 𝑗äℎ𝑟𝑙𝑖𝑐ℎ𝑒 𝐾𝑜𝑠𝑡𝑒𝑛 𝐿𝑎𝑑𝑒𝑠ä𝑢𝑙𝑒 𝑗𝑒 𝐹𝑖𝑙𝑖𝑎𝑙𝑒) 𝑎𝑛𝑡𝑖𝑧𝑖 𝑖𝑒𝑟𝑡𝑒 𝐴𝑚𝑜𝑟𝑡𝑖𝑠𝑎𝑡𝑖𝑜𝑛𝑠𝑑𝑎𝑢𝑒𝑟 𝐷𝑒-𝑀𝑜𝑛𝑒𝑡𝑎𝑟𝑖𝑠𝑖𝑒𝑟𝑢𝑛𝑔𝑠𝑓𝑎𝑘𝑡𝑜𝑟

(4-18)

+gewichteter Nutzen Kunde

4.3.3.11 Subsystem Zielgrößen Im Subsystem Zielgrößen werden die für die Bewertung relevanten Zielgrößen berechnet (vgl. Abbildung 4-15 und Abbildung 4-16). Wie bereits in Kapitel 4.2.5.2 erläutert, umfasst der potenzielle Ersatzbedarf alle D-Lkw in den fünf höchsten Altersklassen. Diese werden deshalb aufsummiert und es wird deren Anteil am Gesamtbestand (Summe Bestand D-Lkw und E-Lkw) berechnet, womit sich der Ersatzbedarf im Fuhrpark ergibt (vgl. Abbildung Anhang 7-7). Der Anteil an AFV gegenüber dem Markt wird wie folgt berechnet: 𝐴𝑛𝑡𝑒𝑖𝑙 𝐴𝐹𝑉 𝑔𝑒𝑔𝑒𝑛ü𝑏𝑒𝑟 𝑀𝑎𝑟𝑘𝑡 = (

𝐵𝑒𝑠𝑡𝑎𝑛𝑑 𝐸-𝐿𝑘𝑤 18𝑡 + 𝐵𝑒𝑠𝑡𝑎𝑛𝑑 𝐸-𝐿𝑘𝑤 26𝑡 𝑀𝑎𝑟𝑘𝑡𝑎𝑛𝑡𝑒𝑖𝑙 𝐴𝐹𝑉 𝐺𝐾4

+

𝐵𝑒𝑠𝑡𝑎𝑛𝑑 𝐸-𝐿𝑘𝑤 𝐶𝑖𝑡𝑦𝑠𝑎𝑡𝑡𝑒𝑙 + 𝐵𝑒𝑠𝑡𝑎𝑛𝑑 𝐸-𝐿𝑘𝑤 𝐺𝑙𝑖𝑒𝑑𝑒𝑟𝑧𝑢𝑔 ) 𝑀𝑎𝑟𝑘𝑡𝑎𝑛𝑡𝑒𝑖𝑙 𝐴𝐹𝑉 𝑆𝑍𝑀

(4-19)

/(𝐵𝑒𝑠𝑡𝑎𝑛𝑑 𝐸-𝐿𝑘𝑤 + 𝐵𝑒𝑠𝑡𝑎𝑛𝑑 𝐷-𝐿𝑘𝑤)

Da unterschiedliche Marktanteile für 18 t und 26 t Lkw sowie für Citysattelzüge und Gliederzüge vorgegeben sind, müssen diese zunächst getrennt berechnet werden. Für die Ermittlung der Investitionsdifferenz zwischen Nachtbelieferung (Belieferung tagsüber und nachts) und Tagesbelieferung (Belieferung nur tagsüber) auf Jahresbasis werden zunächst die Investitionen für die Nachtbelieferung berechnet. Die Beschaffung von D-Lkw, E-Lkw und Schnellladesäulen wird jeweils mit den verbundenen Anschaffungskosten multipliziert und aufsummiert. Da eine reine Tagesbelieferung im Modell nicht betrachtet wird, muss eine fiktive Beschaffung berechnet werden. Es wird davon ausgegangen, dass eine reine Tagesbelieferung ausschließlich von D-Lkw durchgeführt wird, weshalb die Beschaffung in Stopps durch die aktuell mit einem D-Lkw möglichen Gesamtstopps geteilt und zum Ergebnis ein Sicherheitsaufschlag hinzugerechnet wird. Die ermittelte fiktive Beschaffung D-Lkw wird multipliziert mit den Anschaffungskosten von D-Lkw, sodass schlussendlich die Investitionsdifferenz errechnet werden kann.

4.3 Wirkungsprognosemodell

189







Investition Nachtlogistik



fiktive Beschaffungsrate D-Lkw

Investition Taglogistik



I nv e s titio ns diffe re nz N achtlogis tik -Taglogis tik





Kraftstoffkosten D-Lkw aktuelle jährliche variable Gesamtkosten D-Lkw



Reifenkosten D-Lkw



jährliche Gesamtkosten D-Lkw

Mautkosten D-Lkw





Wartung D-Lkw







jährliche Gesamtkosten

Tra ns po rtk o s te n

Mautkosten E-Lkw

Wartung E-Lkw









jährliche Gesamtkosten E-Lkw

aktuelle jährliche variable Gesamtkosten E-Lkw

Kraftstoffkosten E-Lkw

Abbildung 4-15:

Reifenkosten E-Lkw





Ausschnitt der kostenbezogenen Zielgrößen aus dem Subsystem Zielgrößen

Zur Berechnung der Transportkosten müssen die aktuellen jährlichen variablen Kosten berechnet werden und fixe Kosten, Fahrerkosten sowie Annuitäten der Beschaffung hinzugerechnet werden. Die Kraftstoffkosten je Lkw-Typ ergeben sich als Produkt aus Verbrauch, Kraftstoffpreis und aktuell jährlich gefahrenen Kilometern. Die Mautkosten werden ebenfalls je LkwTyp berechnet und sind das Produkt aus aktuell jährlich gefahrenen Kilometern der Mautgebühr und der Summe aus dem mautpflichtigen Anteil der Außerortsstraßen und dem Anteil der Kilometer auf Autobahnen. Die kilometerbezogenen Reifenkosten der beiden Lkw-Typen sind zwar identisch, jedoch legen diese eine unterschiedliche Anzahl an jährlichen Kilometern zurück. Aus diesem Grund sind die Reifenkosten je Typ das Produkt aus typspezifischen Kilome-

190

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

tern und Reifenkosten. Die Wartungskosten der beiden Lkw-Typen unterscheiden sich, weswegen jeweils das Produkt aus typspezifischen Wartungskosten und jährlichen Kilometern gebildet wird. Diese Kosten werden addiert und ergeben die aktuellen variablen Gesamtkosten je Lkw-Typ. Der Grund für die gesonderte Berechnung der einzelnen Kostenarten der variablen Kosten106 ist die daraus resultierende Validierungsmöglichkeit gegenüber Werten aus der Praxis. Die aktuellen jährlichen variablen Kosten ergeben zusammen mit den aktuellen jährlichen fixen Kosten, den jährlichen Fahrerkosten und der Annuität je Lkw-Größenklasse multipliziert mit dem jeweiligen Lkw-Bestand die jährlichen Gesamtkosten. Allerdings vermindern sich alle Kosten, außer der Annuität, um den Unternehmenssteuersatz, da steuermindernde Abschreibungen möglich sind. Diese sind bei der Annuität bereits berücksichtigt. Bei den jährlichen Gesamtkosten für E-Lkw sind zusätzlich Wartungskosten und Annuitäten der erforderlichen Schnellladesäulen zu berücksichtigen. Die Summe aus jährlichen Gesamtkosten von D-Lkw und E-Lkw wird geteilt durch die jährliche Liefermenge (jährliche Einsatztage multipliziert mit der täglichen Liefermenge), womit man die Transportkosten je Transporteinheit erhält. Um die durchschnittliche effektive Tourendauer berechnen zu können, wird zunächst der gewichtete Durchschnitt der Kern- und Spättourendauer für D-Lkw und für E-Lkw berechnet. Dies ist erforderlich, da bei den Modellrechnungen zwischen Tages- und Nachttouren unterschieden wird und nicht zusätzlich Spättouren berücksichtigt werden: 𝐾𝑒𝑟𝑛-/𝑆 ä𝑡𝑡𝑜𝑢𝑟𝑒𝑛𝑑𝑎𝑢𝑒𝑟-𝐿𝑘𝑤 = (

𝐵𝑒𝑡𝑟𝑖𝑒𝑏𝑠𝑧𝑒𝑖𝑡 𝐿𝑘𝑤 6-20 ∙ 𝑇𝑜𝑢𝑟𝑒𝑛𝑑𝑎𝑢𝑒𝑟 𝑇𝑎𝑔 𝐿𝑘𝑤 ) +𝐵𝑒𝑡𝑟𝑖𝑒𝑏𝑠𝑧𝑒𝑖𝑡 𝐿𝑘𝑤 20-22 ∙ 𝑇𝑜𝑢𝑟𝑒𝑛𝑑𝑎𝑢𝑒𝑟 𝑁𝑎𝑐ℎ𝑡 𝐿𝑘𝑤

(4-20)

/(𝐵𝑒𝑡𝑟𝑖𝑒𝑏𝑠𝑧𝑒𝑖𝑡 𝐿𝑘𝑤 6-20 + 𝐵𝑒𝑡𝑟𝑖𝑒𝑏𝑠𝑧𝑒𝑖𝑡 𝐿𝑘𝑤 20-22)

Entsprechend kann der gewichtete Durchschnitt der gesamten effektiven Tourendauer je LkwTyp wie folgt berechnet werden. 𝐸𝑓𝑓𝑒𝑘𝑡𝑖𝑣𝑒 𝑇𝑜𝑢𝑟𝑒𝑛𝑑𝑎𝑢𝑒𝑟 𝐿𝑘𝑤 = 𝑔𝑒𝑓𝑎ℎ𝑟𝑒𝑛𝑒 𝑇𝑎𝑔𝑒𝑠𝑡𝑜𝑢𝑟𝑒𝑛 𝑗𝑒 𝐿𝑘𝑤 ∙ 𝐾𝑒𝑟𝑛-/𝑆 ä𝑡𝑡𝑜𝑢𝑟𝑒𝑛𝑑𝑎𝑢𝑒𝑟 𝐿𝑘𝑤 ( ) +𝑔𝑒𝑓𝑎ℎ𝑟𝑒𝑛𝑒 𝑁𝑎𝑐ℎ𝑡𝑡𝑜𝑢𝑟𝑒𝑛 𝑗𝑒 𝐿𝑘𝑤 ∙ 𝑇𝑜𝑢𝑟𝑒𝑛𝑑𝑎𝑢𝑒𝑟 𝑁𝑎𝑐ℎ𝑡 𝐿𝑘𝑤

(4-21)

/(𝑔𝑒𝑓𝑎ℎ𝑟𝑒𝑛𝑒 𝑇𝑎𝑔𝑒𝑠𝑡𝑜𝑢𝑟𝑒𝑛 𝑗𝑒 𝐿𝑘𝑤 + 𝑔𝑒𝑓𝑎ℎ𝑟𝑒𝑛𝑒 𝑁𝑎𝑐ℎ𝑡𝑡𝑜𝑢𝑟𝑒𝑛 𝑗𝑒 𝐿𝑘𝑤)

Nach einem ähnlichen Prinzip kann die effektive Tourendauer je Größenklasse in Bezug auf den gesamten Fuhrparkbestand berechnet werden: 𝐸𝑓𝑓𝑒𝑘𝑡𝑖𝑣𝑒 𝑇𝑜𝑢𝑟𝑒𝑛𝑑𝑎𝑢𝑒𝑟 = 𝑒𝑓𝑓𝑒𝑘𝑡𝑖𝑣𝑒 𝑇𝑜𝑢𝑟𝑒𝑛𝑑𝑎𝑢𝑒𝑟 𝐷-𝐿𝑘𝑤 ∙ 𝑔𝑒𝑓𝑎ℎ𝑟𝑒𝑛𝑒 𝐺𝑒𝑠𝑎𝑚𝑡𝑡𝑜𝑢𝑟𝑒𝑛 𝑗𝑒 𝐷-𝐿𝑘𝑤 ∙ 𝐵𝑒𝑠𝑡𝑎𝑛𝑑 𝐷-𝐿𝑘𝑤 ( ) +𝑒𝑓𝑓𝑒𝑘𝑡𝑖𝑣𝑒 𝑇𝑜𝑢𝑟𝑒𝑛𝑑𝑎𝑢𝑒𝑟 𝐸-𝐿𝑘𝑤 ∙ 𝑔𝑒𝑓𝑎ℎ𝑟𝑒𝑛𝑒 𝐺𝑒𝑠𝑎𝑚𝑡𝑡𝑜𝑢𝑟𝑒𝑛 𝑗𝑒 𝐸-𝐿𝑘𝑤 ∙ 𝐵𝑒𝑠𝑡𝑎𝑑 𝐸-𝐿𝑘𝑤

(4-22)

/(𝑔𝑒𝑓𝑎ℎ𝑟𝑒𝑛𝑒 𝐺𝑒𝑠𝑎𝑚𝑡𝑡𝑜𝑢𝑟𝑒𝑛 𝑗𝑒 𝐷-𝐿𝑘𝑤 ∙ 𝐵𝑒𝑠𝑡𝑎𝑛𝑑 𝐷-𝐿𝑘𝑤 +𝑔𝑒𝑓𝑎ℎ𝑟𝑒𝑛𝑒 𝐺𝑒𝑠𝑎𝑚𝑡𝑡𝑜𝑢𝑟𝑒𝑛 𝑗𝑒 𝐸-𝐿𝑘𝑤 ∙ 𝐵𝑒𝑠𝑡𝑎𝑛𝑑 𝐸-𝐿𝑘𝑤)

Berechnet man das arithmetische Mittel der effektiven Tourendauern über die Größenklassen hinweg, ergibt sich die durchschnittliche effektive Tourendauer.

106

Die gesamten variablen Kosten wurden bereits in Subsystem Fuhrparkkosten berechnet.

4.3 Wirkungsprognosemodell

191











Kern-/Spättourendauer D-Lkw

effektive Tourendauer D-Lkw

effektive Tourendauer E-Lkw effektive Tourendauer



durc hs c hnittlic he e ffe k tiv e To ure nda ue r



Kern-/Spättourendauer E-Lkw

IN Lieferqualität



Abbildung 4-16:

Lie fe rqua litä t Gesamtsumme Tagestouren je Lkw

Gesamtsumme Tagestouren

Anteil Nachttouren

Verbesserung durch Verkehrsverlagerung gesamt

Verbesserung durch Verkehrsverlagerung

Ausschnitt der produktivitäts- und qualitätsbezogenen Zielgrößen aus dem Subsystem Zielgrößen

Zur Berechnung der Lieferqualität wird zunächst die Gesamtsumme der Tagestouren je Lkw berechnet, indem der Bestand je Lkw-Typ mit der jeweiligen Anzahl an Tagestouren je Lkw multipliziert wird und der Wert hinsichtlich seiner Einheiten bereinigt wird mit KF Lkw. Teilt man die Anzahl in die Nacht verlagerter Touren durch die Summe aus der Gesamtsumme der Tagestouren und der Anzahl in die Nacht verlagerter Touren, erhält man den Anteil der Nachttouren. Die Verbesserung der Lieferqualität durch Verkehrsverlagerung in die Nacht kann nur auf Touren erzielt werden, die tatsächlich in die Nacht verlagert wurden, weswegen der Anteil an Nachttouren mit der Verbesserung durch Verkehrsverlagerung multipliziert wird, um die tatsächliche gesamte Verbesserung durch Verkehrsverlagerung zu erhalten. Addiert man den Wert zum initialisierten Wert der Lieferqualität, erhält man die gesamte Lieferqualität. Zur Ermittlung der Schadstoffemissionen werden die gefahrenen jährlichen Gesamtkilometer je Lkw-Typ berechnet, indem der Bestand mit der gefahrenen jährlichen Kilometerzahl je Lkw multipliziert wird. Zur Validierung wird überdies die Summe der Gesamtkilometer beider LkwTypen gebildet. Die Anzahl der gefahrenen jährlichen Gesamtkilometer wird multipliziert mit dem spezifischen Verbrauch je Lkw. Bildet man die Summen über alle Größenklassen hinweg, unter Berücksichtigung von KF Lkw, erhält man den gesamten jährlichen Dieselverbrauch und Stromverbrauch. Diese Werte werden multipliziert mit den spezifischen NOx- bzw. CO2-Emissionen je Kraftstoffeinheit (und dem Korrekturfaktor Gewicht), wodurch man die gesamten jährlichen NOx- bzw. CO2-Emissionen erhält (vgl. Abbildung Anhang 7-8). Das Produkt aus gefahrenen jährlichen Kilometern je E-Lkw ergibt die gefahrenen „leisen“

192

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Kilometer je E-Lkw-Typ und summiert man diese über alle Größenklassen, erhält man die gefahrenen „leisen“ Gesamtkilometer. Die Anzahl der in die Nacht verlagerten Touren je Lkw erhält man, indem man den Bestand je Lkw-Typ mit der Anzahl der gefahrenen Nachttouren multipliziert und die Summe über alle Lkw-Typen und -Größenklassen bildet. Zu Validierungszwecken wird das Produkt aus Bestand und gefahrenen Gesamttouren je Lkw-Typ gebildet und die Ergebnisse über alle Größenklassen hinweg summiert, wodurch man die Zahl der Gesamttouren erhält. 4.4

Bewertungsmodell

Das Bewertungsmodell dient dazu, die im System Dynamics Modell simulierten Strategien auf Basis der ermittelten Zielgrößen mittels des PROMETHEE-Algorithmus zu bewerten. Es wurde in Microsoft Excel umgesetzt und besteht aus Tabellenblättern mit Kriterienausprägungen der verschiedenen Strategien bzw. Szenarien, Gewichtung, Algorithmus und Auswertung. Für jede Strategie ist ein Tabellenblatt angelegt, welches eine Tabelle mit den Kriterienausprägungen der verschiedenen Zielgrößen über die Zeit beinhaltet (vgl. Tabelle Anhang 7-9). Die Kriterienausprägungen der Zielgrößen gemäß der im System Dynamics Modell simulierten Strategien werden, wie in Kapitel 3.11 beschrieben, auf einer jährlichen Basis von 2018 bis 2040 bewertet. Damit nicht die Schwellen- bzw. Übergangswerte zwischen zwei Jahren (siehe beispielsweise Abbildung 4-44) die Bewertung verzerren, wurden jeweils die Ausprägungen der Zielgrößen einen Berechnungszeitschritt nach dem jeweiligen Bewertungsjahr herangezogen (t+TIME STEP). Ausnahme bilden die Investitionen, da diese jeweils zum Zeitpunkt t anfallen und zu allen anderen Zeitpunkten null sind. Entsprechende Datensets für die einzelnen Strategien wurden aus Vensim exportiert und in Excel manuell eingefügt. Das Tabellenblatt, welches die Gewichtungen der Zielgrößen über die Zeit enthält (vgl. Tabelle Anhang 7-10) basiert auf den mit dem LDL für 2018 und 2023 bestimmten Gewichtungen aus Tabelle 4-1. Zwischen 2018 und 2023 wird eine lineare Entwicklung der Gewichtungen angenommen, ab 2023 werden diese als konstant angenommen. Auch der PROMETHEE-Algorithmus ist in einem eigenen Tabellenblatt umgesetzt (vgl. Tabelle 4-27). Im Folgenden wird die Umsetzung anhand des Jahres 2018 beispielhaft aufgezeigt. Diese Schritte sind für alle übrigen Jahre ebenfalls durchzuführen. Zunächst wird für das zu bewertende Jahr eine Tabelle mit den Kriterienausprägungen der einzelnen Zielkriterien unter den verschiedenen Strategien angelegt, die Entscheidungsmatrix. Jede Zeile beinhaltet die Ausprägungen der Zielkriterien bzw. -größen einer bestimmten Strategie. Über die Spalten hinweg sind die Zielkriterien aufgetragen. Die Zellen der Kriterienausprägungstabelle sind mit den entsprechenden Zellen der Tabellenblätter der einzelnen Strategien verknüpft, um manuellen Anpassungsbedarf bei Änderungen der Werte zu vermeiden. Weiterhin ist der Präferenzfunktionstyp angegeben, die relativen Schwellenwerte sowie die jahresspezifischen Gewichte, welche mit dem LDL bestimmt wurden (vgl. Kapitel 4.2.2, Tabelle 4-1, Tabelle Anhang 7-5). Präferenzfunktionstyp und relative Schwellenwerte sind als feste Werte in die Tabelle eingetragen, da sich diese nicht verändern. Die Gewichtungen sind mit den Werten aus dem entsprechenden Jahr im Tabellenblatt Gewichtung verknüpft. Zur Berechnung der absoluten Schwellenwerte wird jeweils die maximale Ausprägung eines Zielkriteriums mit dem relativen Schwellenwert

4.4 Bewertungsmodell

193

multipliziert. Kriterien mit rot hinterlegten Schwellenwerten sind zu minimieren, wohingegen grün hinterlegte Schwellenwerte zu maximieren sind. 2018 STK 5,76 5,73 5,73 5,73 III

2018 2018 TD 6,43 6,43 6,43 6,43 III

2018 LP 0,9602 0,9601 0,9601 0,9600 I

2018 CO2 12.798 13.117 13.139 13.172 V

2018 NOX 6,27 6,94 6,98 7,05 III

10%

10%

12,5%

0%

33% 13%

25%

100% 40%

33%

3,87 1,55

525.893

0,58

0,80

0,0

4.347 1.756

1,76

1.691.270 676.508

0,7

0,03

0,12

0,12

0,12

0,10

0,09

0,09

0,05

0,14

2018 RI 0,48 0,48 0,48 0,48 III

2018 TE 7,74 0,82 0,42 0,00 V

Schwellenwerte relativ p q

20%

50% 20%

Schwellenwerte absolut p q

0,10

Gewicht

0,14

Entscheidungsmatrix EA EM LM FV Präferenzfunktionstyp

Tabelle 4-27:

2018 INV 5.258.928 3.090.365 2.985.215 2.851.814 III

2018 2018 LÄ VER 1.691.270 2,0 234.822 1,9 136.154 1,3 0 0,0 V III

1 2 3 4

Ausschnitt aus dem Tabellenblatt Algorithmus des Bewertungsmodells für das Jahr 2018

Weiterhin wird für jedes Zielkriterium die Differenz der Ausprägungen der verschiedenen Alternativen unter Verwendung von Formel (3-15) berechnet, z. B.: 𝑑𝐼𝑁𝑉 (𝐴𝐸𝐴 , 𝐴𝐸𝑀 ) = 𝑓𝐼𝑁𝑉 (𝐴𝐸𝐴 ) − 𝑓𝐼𝑁𝑉 (𝐴𝐸𝑀 ) = .2 9.928 − 3.090.36 = 2.168. 63

(4-23)

Auf die ermittelten Differenzen (vgl. Tabelle 4-28) wird dann die definierte Präferenzfunktion angewendet. Mit den Werten aus Tabelle 4-28 und unter Berücksichtigung der präferierten Minimierung der Investitionen ergibt sich folgende Berechnung für die Bestimmung der zugehörigen Präferenz:107 𝑃𝐼𝑁𝑉 (𝑣 ∙ 𝑑𝐼𝑁𝑉 ) =

0 𝑣 ∙ 𝑑𝑗 { 1

𝑎𝑢𝑠 𝑣 ∙ 𝑑𝐼𝑁𝑉 = −2.168. 63

𝑣 ∙ 𝑑𝐼𝑁𝑉 0

0

𝑣 ∙ 𝑑𝐼𝑁𝑉

(4-24)

𝑣 ∙ 𝑑𝐼𝑁𝑉 0 𝑓𝑜𝑙𝑔𝑡 𝑃𝐼𝑁𝑉 = 0

Die Präferenzwerte finden sich im rechten Abschnitt von Tabelle 4-28. Matrix der Differenzen INV EA EM LM EA 0 2.168.563 2.273.714 EM -2.168.563 0 105.150 LM -2.273.714 -105.150 0 FV -2.407.114 -238.551 -133.401

Tabelle 4-28:

107

FV 2.407.114 238.551 133.401 0

III EA EM LM FV

Matrix EA 0,00 1,00 1,00 1,00

der Präferenzen EM LM 0,00 0,00 0,00 0,00 0,20 0,00 0,45 0,25

FV 0,00 0,00 0,00 0,00

Ausschnitt für das Zielkriterium Investitionen im Jahr 2018 aus dem Tabellenblatt Algorithmus des Bewertungsmodells

Es wird aus Gründen der Übersichtlichkeit die verkürzte Darstellung von dINV und PINV verwendet, d. h. ohne Nennung der zum Vergleich gewählten Alternativen von AEA und AEM.

194

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Der Präferenzindex für jeden Alternativenkombination wird als gewichtete Summe der einzelnen Präferenzwerte über alle Zielkriterien hinweg berechnet: 10

(𝐴𝐸𝐴 , 𝐴𝐸𝑀 ) = ∑

𝑗=1

𝑃𝑗 (𝐴𝐸𝐴 , 𝐴𝐸𝑀 ) ∙ 𝑤𝑗

= 0 ∙ 0,14 + 1 ∙ 0,03 + 0 ∙ 0,12 + 0 ∙ 0,12 + 0 ∙ 0,12 + 1 ∙ 0,10 + 0 ∙ 0,09 + 0,38 ∙ 0,09

(4-25)

+0,77 ∙ 0,0 + 0,14 ∙ 0,14

Die Präferenzindizes sind in der Outranking Relation Matrix zusammengefasst (vgl. Tabelle 4-29).

EA EM LM FV ΦRang Φ netto Rang

Tabelle 4-29:

Outranking Relation Matrix EA EM LM FV 0,00 0,23 0,36 0,37 0,13 0,00 0,23 0,25 0,13 0,02 0,00 0,24 0,13 0,06 0,03 0,00 0,127 0,103 0,207 0,286 2 1 3 4 0,190 1

0,099 2

-0,075 3

Φ+ Rang 0,317 1 0,202 2 0,132 3 0,071 4

-0,214 4

Ausschnitt der Ergebnisflüsse im Jahr 2018 aus dem Tabellenblatt Algorithmus des Bewertungsmodells

Weiterhin wurden in Tabelle 4-29 die Ausgangsflüsse und Eingangsflüsse, sowie die Nettoflüsse als Differenz aus Ausgangs- und Eingangsflüssen berechnet und die Ränge zugeordnet. Zum Beispiel ergibt sich der Ausgangsfluss AEA wie folgt: 𝛷 + (𝐴𝐸𝐴 ) =

4 1 1 ∑ 𝜋 (𝐴𝐸𝐴 , 𝐴𝑙 ) = (0 + 0,23 + 0,36 + 0,37) = 0,317 4 − 1 𝑙=1 3

(4-26)

Die Ergebnisflüsse über alle Jahre hinweg werden überdies für die weitere Analyse im Tabellenblatt Auswertung (Tabelle Anhang 7-11) über Verknüpfungen zusammengefasst und grafisch dargestellt. Damit können, wie in Kapitel 3.11 erläutert, einerseits die summierten Ergebnisflüsse für die Bewertung herangezogen werden und andererseits eine qualitative Bewertung durch Betrachtung der Entwicklung der Ergebnisflüsse über die Zeit durchgeführt werden. 4.5

Validierung des Modells

Die Validierung von Entscheidungsmodellen ist essenziell, da auf deren Grundlage getroffene Entscheidungen in der Regel eine hohe wirtschaftliche Tragweite besitzen. Aus diesem Grund muss die Güte eines Modells vor dem Hintergrund seiner Aufgabenstellung sichergestellt werden sowie Vertrauen des Entscheiders in die Modellergebnisse geschaffen werden (Milling 1987, S. 43ff.). Bei ex post Analysen kann dies durch Reproduktion historischer Realdaten durch das Modell realisiert werden. Werden hingegen ex ante Analysen von Systemen durchgeführt, die noch nicht existieren oder für die keine historischen Daten vorliegen, muss die Validierung auf Basis des Modells erfolgen (Liehr 2004, S. 112ff.). Für Innovationen ist dies explizit der Fall, da sich diese durch eine bisher unbekannte Neuerung auszeichnen.

4.5 Validierung des Modells

195

System Dynamics und PROMETHEE stellen die Kernmethoden des Entscheidungsmodells dar, weswegen diese entsprechenden Modelle und Ergebnisse validiert werden sollen. Es besteht eine Vielzahl an Tests und Methoden zur Validierung von System Dynamics Modellen in der Literatur. Es lassen sich dabei zwei Kategorien unterscheiden: Strukturvalidierung und Verhaltensvalidierung (Senge und Forrester 1980, S. 227; Barlas 1996, S. 189). Zunächst ist der Logik nach die Modellstruktur zu überprüfen, bevor das Modellverhalten bzw. dessen Ergebnisse überprüft werden (Barlas 1996, S. 188). Sterman (2000, S. 858ff.) beschreibt eine umfassende Reihe von Tests. Aus diesen wurden die vor dem Hintergrund des Modellzwecks geeigneten Tests ausgewählt:108  angemessene Modellgrenzen  Strukturprüfung  Einheitenkonsistenz  Parameterprüfung  Extremwerttest  Integrationsfehler  Verhaltensreproduktion  Sensitivitätsanalyse Im Rahmen der Prüfung auf angemessene Modell- bzw. Systemgrenzen sind grafische Abbildungen der Subsysteme, Kausaldiagramme, Bestands- und Fluss-Diagramme über Experteninterviews, Fokusgruppen oder Daten- und Literaturanalysen hinsichtlich der Frage zu überprüfen, ob alle für das Problem wichtigen Konzepte im Modell enthalten sind. Dies konnte einerseits über mehrere Fokusgruppeninterviews mit dem LDL sowie über die Sichtung der Literatur zu logistischen Systemen sowie zur Berechnung der TCO von Nutzfahrzeugen sichergestellt werden. Hinsichtlich der Strukturprüfung ist ebenfalls über die benannten Ansätze zu überprüfen, ob die Struktur den bekannten Informationen zum System entspricht und ob Aggregationsniveau sowie Entscheidungsregeln angemessen sind. Dies konnte auch durch Fokusgruppeninterviews sowie durch Tests von Teilmodellen bzw. Subsystemen, ob die Entscheidungsregeln das intendierte Ergebnis auslösen, gezeigt werden. Überdies ist in der Software Vensim ein Strukturtest implementiert, der die korrekte Verwendung und Verknüpfung der Systemelemente sicherstellt (vgl. Abbildung Anhang 7-10). Die Prüfung der Einheitenkonsistenz ist ebenfalls in der Software Vensim integriert – das Ergebnis der Prüfung war positiv (vgl. Abbildung Anhang 7-9). Die Quellen und Validität der Parameter wurde in Kapitel 4.2.5 ausführlich erläutert. Zusätzlich wurden zahlreiche Parameter über Experten- oder Fokusgruppeninterviews erlangt bzw. validiert. womit die Parameterprüfung durchgeführt wurde. Extremwerttests wurden dahingehend durchgeführt, dass für alle exogenen Parameter +/- 1.000.000 sowie 0 als Werte eingegeben und die Ergebnisse für alle Zielgrößen sowie wichtige Modellgrößen auf Plausibilität überprüft wurden. Tests zum Aufdecken von Integrationsfehlern haben das Ziel zu überprüfen, ob die Ergebnisse stark auf eine Veränderung des für die Integration 108

Die Durchführung der im Folgenden beschriebenen Tests orientiert sich dabei stets an Sterman (2000, S. 858ff.).

196

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

verwendeten Zeitschritts oder der numerischen Integrationsmethode reagieren. Daher wurden verschiedene Zeitschritte sowie die Integrationsmethoden Runge-Kutta und Euler angewendet und es konnten keine nennenswerten Änderungen festgestellt werden. Tests zur Verhaltensreproduktion des gesamten Modells konnten nicht durchgeführt werden, da es sich um eine ex ante Analyse handelt. Deshalb wurden Tests einzelner Modellbestandsteile durchgeführt und deren Ergebnisse mit verfügbaren und zugänglichen Realdaten des LDL verglichen. Aus Gründen des Schutzes von Unternehmensdaten konnten nur wenige und meist sehr aggregierte Realdaten vom LDL bereitgestellt werden. Zur Validierung waren Daten zu Fuhrparkbestand, Tourendauer sowie die Anzahl der gefahrenen täglichen Stopps verfügbar. Weitere, insbesondere kostenbezogene Daten konnten nicht bereitgestellt werden, weswegen hierzu andere Datenquellen für eine Validierung identifiziert werden mussten. Zunächst wurde der im Modell für die Basisstrategie (Early Majority) und das Basisumweltszenario (Moderate Energiewende) berechnete Fuhrparkbestand betrachtet. Es hat sich gezeigt, dass dieser nur etwa halb so hoch ist wie der tatsächliche Fuhrparkbestand. Für diese Abweichung konnten mehrere Gründe identifiziert werden. So sind geplante und ungeplante Ausfälle aufgrund von Wartung und Reparatur, die eine höhere Anzahl an Lkw erforderlich machen, um die definierte Lieferleistung erbringen zu können, im Modell nicht berücksichtigt. Auch bilden die herangezogenen Liefermengen Durchschnittswerte ab und es sind starke Abweichungen in beide Richtungen möglich, wobei der Fuhrparkbestand das Maximum abbilden muss. Weiterhin umfasst der angegebene reale Fuhrparkbestand sowohl Lkw des betrachteten LDL als auch des beauftragten LDL. Die Anzahl der Lkw des beauftragten LDL ist deutlich größer als beim betrachteten LDL. Gerade bei ersterem ist aber eine deutlich größere Anzahl an Lkw angegeben, als die täglich eingesetzte Anzahl, da alle Lkw, die im Bezugszeitraum für Aufträge des betrachteten LDL eingesetzt wurden, eingeschlossen sind.109 Die durchschnittliche effektive Tourendauer des Modells zu Beginn des Betrachtungszeitraums von 6,4 h liegt exakt im Bereich von 6 bis 7 h für die durchschnittliche Tourendauer, der auf Basis von Fokusgruppeninterviews mit dem LDL und mit Moll et al. (2017, S. 225) spezifiziert werden konnte. Weiterhin lassen sich auch die täglich gefahrenen Gesamtstopps je Lkw gemäß Modell mit Werten aus Moll et al. (2017, S. 225) bestätigen. Da die TCO der Lkw ein zentrales Element des Entscheidungsmodells darstellen, ist eine Validierung dieser Werte essenziell. Absolutzahlen von Fahrerkosten, Fahrzeugkosten, Verbrauchskosten, Wartungs- und Instandhaltungskosten, Mautkosten sowie Steuern und Versicherungskosten des LDL sind jedoch weder mit Werten aus der Literatur noch mit Realdaten anderer Unternehmen vergleichbar, da sich die logistischen Rahmendaten ebenso wie Fuhrparkzusammensetzungen sehr stark unterscheiden. Eine Lösung zur Validierung dieser Werte wurde dahingehend gefunden, dass der BGL die historische und aktuelle prozentuale Aufteilung der Kostenstruktur über die einzelnen Kostenarten für verschiedene Anwendungsfälle (Nahverkehr, Regionalverkehr und Fernverkehr) zur Verfügung stellt (BGL 2018). Sowohl im Regionalverkehr als auch im Fernverkehr geht der BGL (2018) davon aus, dass ausschließlich

109

Der beauftragte LDL ist unabhängig vom betrachteten LDL, führt Touren daher auch für andere Unternehmen durch und besitzt dementsprechend einen deutlich umfangreicheren Fuhrparkbestand als für die Erfüllung der Aufträge des betrachteten LDL erforderlich wären. Es ist folglich aber ein flexibler Einsatz des gesamten Fuhrparks für die Erfüllung der Aufträge einzelner Kunden möglich.

4.5 Validierung des Modells

197

Lkw mit einem zulässigen Gesamtgewicht von 40 t eingesetzt werden. Entsprechende Lkw spielen im Fuhrpark des LDL aber kaum eine Rolle, sodass der Anwendungsfall Nahbereich herangezogen wurde, der verschiedene Lkw-Größenklassen zwischen 7,5 und 40 t berücksichtigt und damit der wichtigsten Größenklasse im Fuhrpark des LDL, dem 26 t Lkw, am nächsten kommt. Außerdem wurden für die Validierung die Grundannahmen des BGL (2018) wie eine Einsatzzeit von 9,2 h pro Tag (ohne Nachtbelieferung) und eine Jahresfahrleistung von 40.000 bis 50.000 Kilometern als Rahmendaten für das Modell gesetzt, um eine gute Vergleichbarkeit herzustellen. Der Kostenstruktur des BGL wurden die TCO eines neuen 26 t D-Lkw gemäß Modellberechnung im Jahr 2018 gegenübergestellt. Kostenarten, die der BGL aufführt, die aber im Modell nicht berücksichtigt werden, wie beispielsweise Verwaltungskosten, wurden aus den BGL-Werten herausgerechnet. Die Gegenüberstellung der prozentualen Aufteilung der Kostenstruktur findet sich in Abbildung 4-17 und zeigt eine sehr gute Übereinstimmung. Zwar wurden die Mautkosten im Modell überschätzt, jedoch kann dies darauf zurückgeführt werden, dass der BGL 0 % bis 35 % mautpflichtige Kilometer annimmt, wohingegen dieser Anteil im Modell deutlich höher ist. Beim BGL ergeben sich deutlich höhere relative Wartungskosten, was vermutlich darauf zurückzuführen ist, dass hier Reparaturkosten inkludiert sind. Die Verbrauchskostenanteile sind identisch, wohingegen die Fahrzeugkosten des LDL etwas höher ausfallen. Grund hierfür sind die höheren Kosten für den Kühlkofferaufbau der Lkw des LDL gegenüber den angenommenen Aufbauarten des BGL. Die Fahrerkostenanteile stimmen fast überein. Folglich stimmen Modellverhalten und entsprechende Modellergebnisse gut mit der Realität überein, womit die Verhaltensreproduktion erfolgreich getestet werden konnte.

100%

Aufteilung TCO 2018

4% 80%

60%

6%

6%

5%

9%

12%

1%

12%

18%

14%

Steuern und Versicherungskosten Mautkosten

Wartungs- und Instandhaltungskosten (inkl. Add Blue und Reifen) Verbrauchskosten

40% 58%

56%

Fahrzeugkosten

20%

Fahrerkosten 0% neuer 26 t D-Lkw

BGL* Nahverkehr (2018)

Taglogistik Abbildung 4-17:

* Bundesverband Güterkraftverkehr Logistik und Entsorgung

Vergleich der Modellberechnung für die prozentuale Aufteilung der TCO eines 26 t D-Lkw mit dem Anwendungsfall Nahverkehr des BGL (Quelle: eigene Berechnungen, BGL (2018))

198

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Darüber hinaus wurden in Kapitel 4.6.3 umfassende Sensitivitätsanalysen durchgeführt. Das PROMETHEE-Bewertungsmodell wurde auf drei Arten validiert. Zunächst ist der Entwicklungsprozess mit der Erarbeitung des Zielsystems, der Zielgewichtungen und der Präferenzfunktionen sehr partizipativ, weswegen hierbei durch die entsprechenden Fokusgruppeninterviews mit dem LDL bereits eine Validierung erfolgte. Im zweiten Schritt wurde das PROMETHEE-Bewertungsmodell mittels zweier bestehender und kostenlos verfügbarer Softwarelösungen überprüft. Die selbst berechneten Ergebnisflüsse wurden mit den Ergebnissen des an der Universität Göttingen entwickelten MCDA-Tools FX (Renatus und Lerche 2013) sowie des MAP Tools (Hirzel 2015) verglichen. Es wurden keine Unterschiede festgestellt. Abschließend wurden in Kapitel 4.6.4 unterschiedliche Zielgewichtungen und deren Auswirkungen auf die Ergebnisflüsse geprüft. 4.6

Modellergebnisse

4.6.1 Ergebnisse verschiedener Umweltszenarien im Wirkungsprognosemodell 4.6.1.1 Szenario Moderate Energiewende In diesem Kapitel werden die Ergebnisse des entwickelten System Dynamics Wirkungsprognosemodells im Szenario Moderate Energiewende dargestellt und interpretiert, bevor im nächsten Kapitel die Ergebnisse des Szenarios Teure Nachhaltigkeit betrachtet werden, um die Modellergebnisse unter unterschiedlichen möglichen Umweltentwicklungen vergleichen zu können. Weiterhin werden in den darauffolgenden Kapiteln die Ergebnisse bei der Umsetzung unterschiedlicher Strategien analysiert sowie Sensitivitätsanalysen durchgeführt, bevor die entsprechenden Ergebnisse des PROMETHEE-Bewertungsmodells aufgearbeitet werden. Zusätzlich zu den entscheidungsrelevanten (Ziel-)Größen (vgl. Kapitel 4.2.2) werden im Folgenden zahlreiche weitere im Wirkungsprognosemodell errechnete Größen betrachtet. Dadurch kann die Entwicklung von Angebot, Kosten und Nachfrage und folglich die Diffusion110 der nachhaltigen Dienstleistungsinnovation Nachtbelieferung mit E-Lkw tiefergehend analysiert und nachvollzogen werden. Die folgenden Abbildungen zeigen Ergebnisse des Szenarios Moderate Energiewende bei einer TCO-basierten Entscheidung. Angebot In Abbildung 4-18 ist die Entwicklung des Fuhrparkbestands über den gesamten Betrachtungshorizont visualisiert, wobei sowohl Gesamtbestand als auch Bestand an D-Lkw und E-Lkw dargestellt sind. Dabei kann die Anzahl an E-Lkw im Bestand mit dem Angebot der nachhaltigen Dienstleistungsinnovation Nachtbelieferung mit E-Lkw gleichgesetzt werden, da gemäß den Modellannahmen nur E-Lkw in der Lage sind, nächtliche Belieferungen durchzuführen.

110

In Kapitel 2.4.3 wurde eine Abgrenzung von Adoption und Diffusion vorgenommen. Auf Kundenseite ist von Diffusion zu sprechen, da die Einzelentscheidungen der Filialen aggregiert betrachtet werden. Auf Anbieterseite wird zwar nur ein Logistikdienstleister betrachtet, jedoch werden durch diesen gemäß der Modelllogik kontinuierlich Einzelentscheidungen über die Beschaffung von Lkw getroffen, die nur auf aggregierter Ebene betrachtet werden. Daher kann auch hier im weitesten Sinne von Diffusion gesprochen werden.

4.6 Modellergebnisse

199

D-Lkw scheiden innerhalb von etwa zehn Jahren fast vollständig aus dem Bestand aus, wohingegen die Anzahl an E-Lkw im Fuhrpark im selben Zeitraum kontinuierlich zunimmt. Dies liegt daran, dass ab Beginn des Betrachtungszeitraums fast ausschließlich E-Lkw beschafft werden, bis diese schlussendlich fast den gesamten Fuhrparkbestand ausmachen. Die Geschwindigkeit der Diffusion hängt daher wesentlich von der Nutzungsdauer der Lkw ab, da neue Lkw nur beschafft werden, wenn alte Lkw aus dem Fuhrpark ausscheiden. Weiterhin sinkt der gesamte Fuhrparkbestand zunächst ab, nimmt dann wieder leicht, aber kontinuierlich zu.

Fuhrparkbestand [Lkw]

Hauptursache für die rasche Diffusion von E-Lkw ist, dass bei diesen die Möglichkeit einer Nachtbelieferung gegeben ist, wohingegen diese bei D-Lkw nicht besteht. E-Lkw können dadurch mehr Touren je Tag (24 h) durchführen und folglich werden insgesamt weniger Lkw benötigt, um die gleiche tägliche Lieferleistung zu erbringen. 160

120

80

40

Gesamt D-Lkw E-Lkw

0

Abbildung 4-18:

Entwicklung des Bestands von D- und E-Lkw im Fuhrpark sowie des Gesamtfuhrparks im Szenario Moderate Energiewende über die Zeit

Bei den zugrunde gelegten Belieferungszeiten von 16 h tagsüber und 8 h in der Nacht resultiert ein um mehr als 50 % erhöhtes Tourenpotenzial von E-Lkw, angegeben in Touren je Tag, wie Abbildung 4-19 zeigt. E-Lkw können nachts, je nach Lkw-Typ, ein bis eineinhalb Touren zusätzlich fahren. Die Ursache für den über 50 % liegenden Anteil liegt in den nachts erhöhten Durchschnittsgeschwindigkeiten, wodurch die Tourendauer kürzer ist und damit eine geringfügig höhere Tourenanzahl ermöglicht wird. In Summe kann festgehalten werden, dass ein ELkw hinsichtlich der Lieferleistung, sofern das Tourenpotenzial nachts voll ausgeschöpft wird, etwa eineinhalb D-Lkw ersetzt. Dies ist auch der Grund für den anfangs abnehmenden Gesamtfuhrparkbestand – durch die steigende Anzahl an E-Lkw werden insgesamt immer weniger Lkw benötigt. Die leichte Zunahme des Bestands in der zweiten Hälfte des Betrachtungszeitraums ist auf die steigende Gesamtliefermenge, resultierend aus der steigenden Nachfrage der einzelnen Filialen, zurückzuführen.

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Tourenpotenzial 2018 [Touren/d]

200

5 4

4,3

4,4

1,5

1,5

3,6 3,1

3 1,1

1,2

Nachttouren Tagestouren

2 1

2,1

2,4

Gliederzug

City-Sattel

2,8

2,9

26 t

18 t

0

Abbildung 4-19:

Potenzial an möglichen Tagestouren und Nachttouren der einzelnen Lkw-Größenklassen in 2018 im Szenario Moderate Energiewende

Kosten Die Entscheidung des LDL, E-Lkw in den Fuhrpark aufzunehmen, wird, wie in Kapitel 4.2.3 beschrieben, primär auf Basis der Lkw-TCO getroffen. Die TCO und deren Aufteilung auf die einzelnen Kostenarten sind daher für einen neuen 26 t D-Lkw und E-Lkw im Jahr 2018 sowohl in der reinen Tagesbelieferung (vgl. Abbildung 4-20) als auch in der Nachtbelieferung (vgl. Abbildung 4-22) gegenübergestellt.111 Der Vergleich beider Lkw-Typen basiert jeweils auf der Berücksichtigung einer identischen Lieferleistung. Bei einer reinen Tagesbelieferung ist dies ohnehin der Fall, bei der Nachtbelieferung hingegen fließen für die Lieferleistung eines E-Lkw etwa eineinhalb D-Lkw in die Berechnung ein. Dadurch kommt es zu keiner relativen Änderung bei der Zusammensetzung der TCO von D-Lkw für die Nachtbelieferung gegenüber der Tagesbelieferung, sondern lediglich zu einer Veränderung der Absolutwerte um einen Faktor von ca. 1,5. Etwa 100.000 km jährlich legen Lkw bei der Tagesbelieferung zurück, bei der Nachtbelieferung etwa 150.000 km. Die mit Abstand größte Kostenart stellen die Personalkosten mit einem Anteil von etwa 60 % dar (vgl. Abbildung 4-20). Unter anderem aufgrund des Nachtzuschlags auf die Personalkosten fällt der Anteil bei E-Lkw in der Nachtbelieferung relativ betrachtet höher aus (vgl. Abbildung 4-22). Zwar entsteht eine Zeitersparnis auf den Nachttouren durch höhere Durchschnittsgeschwindigkeiten, diese liegt jedoch nur bei etwa 4 bis 5 %, sodass die Tourendauer in Abhängigkeit von der Lkw-Größenklasse immer noch zwischen 5 und 8 h liegt (vgl. Abbildung 4-21) und somit den 15-prozentigen Nachtzuschlag nicht ausgleichen kann.

111

Tagesbelieferung bezeichnet eine Belieferung zwischen 6 und 22 Uhr. Unter Nachtbelieferung wird eine 24-Stunden-Belieferung, also sowohl am Tag als auch in der Nacht, verstanden.

4.6 Modellergebnisse

201

TCO neuer 26 t Lkw 2018 [Mio. €]

1,6

Kosten Schnellladesäule

1,4 Steuern und Versicherungskosten

1,2 1,0

2% 4%

0,8

5% 6% 14%

0,6

12%

4% 4% 10%

Mautkosten 3%

19%

Wartungs- und Instandhaltungskosten (inkl. Add Blue und Reifen) Verbrauchskosten

60%

57%

Fahrzeugkosten

D-Lkw

E-Lkw

0,4 0,2 Fahrerkosten

0,0 Taglogistik

Tourendauer in 2018 [h]

Abbildung 4-20:

Absolute und relative Aufteilung der TCO eines neuen 26 t D Lkw und E Lkw im Jahr 2018 in der Tagesbelieferung

Tourendauer Tag

10

Tourendauer Nacht 8

-4% -4%

6

-5%

-5%

26 t

18 t

4 2 0 Gliederzug

Abbildung 4-21:

City-Sattel

Tourendauer der einzelnen Lkw-Größenklassen am Tag und in der Nacht für das Jahr 2018

Beim Vergleich der Lkw-Typen in der Tagesbelieferung zeigt sich, dass die Fahrzeugkosten von E-Lkw etwa 60 % höher sind als die von D-Lkw. Dem stehen Anschaffungspreise eines 26 t D-Lkw im Jahr 2018 in Höhe von 145.000 € sowie eines E-Lkw in Höhe von etwa 255.000 € gegenüber. Betrachtet man die Nachtbelieferung, liegen die absoluten Fahrzeugkosten von D-Lkw und E-Lkw sehr nahe beisammen, was daran liegt, dass für einen E-Lkw in der

202

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Nachtbelieferung etwa eineinhalb D-Lkw bei reiner Tagesbelieferung erforderlich sind. Da sich die absoluten Fahrzeugkosten von E-Lkw in der Nachtbelieferung gegenüber der Tagesbelieferung kaum ändern,112 unterliegen sie einer relativen Verringerung. Etwa 14 % der TCO entfallen beim D-Lkw auf die Verbrauchskosten, womit der Anteil höher ist als der Anteil der Fahrzeugkosten. Dies verdeutlicht den hohen Einfluss von Verbrauchskosten sowie von Kraftstoffverbrauch und Kraftstoffpreisen auf die TCO von D-Lkw. Beim E-Lkw hingegen sind die Verbrauchskosten nur halb so hoch wie die Fahrzeugkosten des E-Lkw und absolut betrachtet geringer als beim D-Lkw, was auf den geringeren Kraftstoffbzw. Energieverbrauch und damit die höhere Effizienz des E-Lkw-Antriebsstrangs zurückzuführen ist.113 Relativ gesehen liegt der Anteil der Verbrauchskosten beim E-Lkw in der Nachtbelieferung nur geringfügig höher als in der Tagesbelieferung. Jedoch sind die Absolutwerte deutlich höher, was an der gesteigerten Jahresfahrleistung in der Nachtbelieferung liegt. Die Wartungs- und Instandhaltungskosten von E-Lkw betragen gemäß der Modellannahmen 60 % der Wartungskosten von D-Lkw, was sich auch hier wiederspiegelt. Insgesamt betragen die Wartungskosten bei beiden Lkw-Typen etwa 40 % der Verbrauchskosten, was unterstreicht, dass diese bei einer TCO-Betrachtung nicht zu vernachlässigen sind. 5 bzw. 4 % der TCO entfallen auf Mautkosten. Beim E-Lkw sind die Mautkosten absolut und relativ etwas geringer, was an dessen besseren Umwelteigenschaften liegt, wohingegen Steuern und Versicherung für beide Lkw-Typen identisch sind. Im Gegensatz zum D-Lkw sind beim E-Lkw Infrastrukturkosten zu berücksichtigen. Diese machen jedoch lediglich 2 % bzw. 1 % der gesamten TCO aus. In Summe sind die TCO des E-Lkw aufgrund der höheren Fahrzeugkosten in der Tagesbelieferung höher als die des D-Lkw. Dieser Kostenvorteil des D-Lkw kehrt sich in der Nachtbelieferung durch die geringeren Verbrauchskosten des E-Lkw und durch dessen höhere Lieferleistung um, sodass der E-Lkw bei Durchführung einer Nachtbelieferung bereits 2018 die günstigere Alternative darstellt. Es zeigt sich jedoch, dass der Vorteil des D-Lkw bei den Fahrzeugkosten, hervorgerufen durch die deutlich geringeren Anschaffungspreise, auch in der Nachtbelieferung nicht gänzlich kompensiert werden kann. Die geringeren Verbrauchskosten geben hier den Ausschlag zugunsten des E-Lkw. Beachtlich ist insgesamt vor allem auch der hohe Personalkostenanteil von fast zwei Dritteln, der jedoch beide Lkw-Typen gleichermaßen betrifft. Die übrigen Kostenarten, auch die Infrastrukturkosten, spielen keine bedeutende Rolle.

112 113

Aufgrund einer höhere Jahresfahrleistung in der Nachtbelieferung sinkt der Restwert des E-Lkw gegenüber der Tagesbelieferung, was die Fahrzeugkosten minimal erhöht. Zumindest am Anfang der Betrachtungen liegt die Ursache nicht in unterschiedlichen Kraftstoffpreisen, da Strom die teurere Energiequelle darstellt. Die Kosten für 1 l Diesel werden in 2018 mit etwa 1 € angenommen und dieser besitzt einen Brennwert von ca. 10 kWh/l, womit 1 kWh etwa 0,10 € entsprechen. Die Annahmen für den Strompreis liegen im Modell zu Beginn jedoch bei 0,172 € pro kWh (ohne Berücksichtigung des Wirkungsgrad des Antriebsstrangs), sodass die geringeren Verbrauchkosten des E-Lkw ausschließlich durch dessen niedrigeren Verbrauch hervorgerufen werden.

TCO neuer 26 t Lkw* 2018 [Mio. €]

4.6 Modellergebnisse

203

1,6 1,4 1,2 1,0

Kosten Schnellladesäule

1%

4% 5% 6%

4% 3%

14%

11%

2% Steuern und Versicherungskosten Mautkosten

14%

12%

0,8

Wartungs- und Instandhaltungskosten

0,6

Verbrauchskosten

0,4

64%

60%

0,2

Fahrzeugkosten Fahrerkosten

0,0 D-Lkw*

E-Lkw

Nachtbelieferung

Abbildung 4-22:

* unter Annahme identischer Lieferleistung; dadurch ca. 1,5 Diesel-Lkw gegenüber 1 E-Lkw erforderlich

Absolute und relative Aufteilung der TCO eines neuen 26 t D-Lkw und E-Lkw im Jahr 2018 in der Nachtbelieferung

Die 2018 im direkten Vergleich nur geringfügig höheren TCO des E-Lkw gegenüber dem D-Lkw in der Tagesbelieferung werfen die Frage auf, inwieweit sich dieses Verhältnis in den Jahren darauf aufgrund diverser veränderter Umweltbedingungen verschieben könnte und inwieweit die Vorteilhaftigkeit des D-Lkw mit der Jahresfahrleistung zusammenhängt. Deshalb wurde im Vorgriff auf Kapitel 4.6.3 eine Sensitivitätsanalyse durchgeführt und untersucht, wie die TCO neuer 26 t D-Lkw und E-Lkw der Jahre 2018 und 2025 sich mit der Jahresfahrleistung bei reiner Tagesbelieferung, also im Direktvergleich, verändern (vgl. Abbildung 4-23). Es zeigt sich, dass der Kostenvorteil des 26 t D-Lkw 2018 mit zunehmender Jahresfahrleistung abnimmt, was an den geringeren Verbrauchskosten des E-Lkw liegt. Ab etwa 180.000 km pro Jahr sind D-Lkw und E-Lkw bezüglich der TCO gleichauf, jedoch wird diese Jahresfahrleistung selbst im Fernverkehr nur selten erreicht (Wietschel et al. 2017, S. 103ff.). Der Break-evenPoint liegt 2025 im vorliegenden Szenario Moderate Energiewende bereits bei etwa 50.000 km, was in den Modellberechnungen erreicht wird. Es kann somit festgehalten werden, dass 2025 auch ohne Nachtbelieferung und bei Jahresfahrleistungen, welche für die Logistik realistisch sind, der E-Lkw aus TCO-Sicht vorteilhaft ist.

204

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

D-Lkw 2025 E-Lkw 2025 D-Lkw 2018 E-Lkw 2018

TCO neuer 26 t Lkw [Mio. €]

1,6 1,4 1,2 1,0 0,8 0,6 -

40.000

80.000

120.000

160.000

200.000

Jahresfahrleistung [km] Abbildung 4-23:

TCO neuer 26 t D-Lkw und E-Lkw der Jahre 2018 und 2025 in Abhängigkeit von der Jahresfahrleistung bei Tagesbelieferung

In Abbildung 4-24 sind die TCO der unterschiedlichen Größenklassen neuer D-Lkw und E-Lkw über die Zeit dargestellt. Es ist hervorzuheben, dass in der vorliegendem TCO-Betrachtung einem E-Lkw jeweils die Anzahl an D-Lkw gegenübergestellt wird, die erforderlich ist, um die gleiche Lieferleistung zu erbringen. Schwankt also die Auslastung der E-Lkw auf den Nachttouren (siehe folgender Absatz) und damit deren Lieferleistung, wirkt sich dies auch direkt auf die Anzahl erforderlicher D-Lkw aus. Die Sprünge zu Beginn des Betrachtungszeitraums sind darauf zurückzuführen, dass die Auslastung der Nachttouren am Anfang in zwei Schritten auf ihr Maximum steigt. Eine höhere Auslastung führt zu höheren Jahresfahrleistungen, wodurch sich die variablen Kosten und damit die TCO erhöhen. Beim Gliederzug erreicht die Auslastung aufgrund der zugrunde gelegten Beschaffungsentscheidung direkt ihr Maximum, weshalb keine Sprünge zu verzeichnen sind. Die leichten Sprünge der TCO zur Mitte des Betrachtungszeitraums werden durch einen mehrfachen sprunghaften Rückgang der Auslastung der Nachttouren und damit der Jahresfahrleistung hervorgerufen. Durch die geringere Auslastung der E-Lkw sinken deren variable Kosten und in Folge auch die TCO. Sowohl für D-Lkw als auch für E-Lkw kann eine kontinuierliche Zunahme der TCO festgestellt werden. Deren Ursache liegt hauptsächlich in den stetig steigenden Personalkosten. Hinzu kommen beim D-Lkw die langfristig steigenden Dieselpreise, die sich auch in den TCO niederschlagen. Auffällig sind außerdem die deutlich niedrigeren TCO des 18 t Lkw, vor allem des D-Lkw. Zwar führen kleine Lkw mehr Touren durch als große Lkw und legen deshalb mehr Kilometer zurück, was sich in erhöhten variablen Kosten zeigt. Trotzdem sind vor allem die Anschaffungskosten des 18 t D-Lkw so gering, dass dessen TCO hinter denen anderer Lkw zurückbleiben. Beim 18 t E-Lkw ist aufgrund der verhältnismäßig teuren Batterie der Unterschied zu den anderen Lkw nicht so groß.

E-Lkw 18 t D-Lkw 18 t

2,2 2,0 1,8 1,6 1,4 1,2 1,0 0,8

2,4 2,2 2,0 1,8 1,6 1,4 1,2 1,0 0,8

E-Lkw City-Sattel D-Lkw City-Sattel

TCO neuer 26 t Lkw* [Mio. €]

2,6

2,4

205

2,6

TCO neuer Gliederzug* [Mio. €]

TCO neuer 18 t Lkw* [Mio. €]

2,6

TCO neuer City-Sattel* [Mio. €]

4.6 Modellergebnisse

2,6

2,4

E-Lkw 26 t D-Lkw 26 t

2,2 2,0 1,8 1,6 1,4 1,2 1,0 0,8

2,4

E-Lkw Gliederzug D-Lkw Gliederzug

2,2 2,0 1,8 1,6 1,4 1,2 1,0 0,8

* unter Annahme identischer Lieferleistung; dadurch ca. 1,5 Diesel-Lkw gegenüber 1 E-Lkw erforderlich Abbildung 4-24:

TCO neuer D-Lkw und E-Lkw unterschiedlicher Lkw-Größenklassen über die Zeit

Insgesamt ist auffällig, dass die TCO der Lkw, zumindest je Typ, sehr nahe beieinanderliegen. Dies liegt daran, dass große Lkw zwar höhere Anschaffungskosten aufweisen, aber weniger Touren durchführen (vgl. Abbildung 4-19) und damit weniger Kilometer zurücklegen, wodurch die variablen Kosten geringer sind.

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Investitionsausgaben gegenüber reinem D-Lkw-Fuhrpark [Mio. €]

206

Abbildung 4-25:

0,4 0,2 0 -0,2 -0,4 -0,6 -0,8

Investitionsausgaben gemäß der Beschaffungsentscheidung im Prognosemodell gegenüber der ausschließlichen Beschaffung von D-Lkw in Mio. € über die Zeit

Eine wesentliche und aus Unternehmenssicht nicht zu vernachlässigende Komponente der TCO stellen die Anschaffungskosten des Lkw dar. Auf den gesamten Fuhrpark bezogen entstehen bei der regelmäßigen Beschaffung neuer Lkw nennenswerte Investitionsausgaben. Da einem Unternehmen Kapital nicht in unbegrenztem Umfang zur Verfügung steht und die Investitionen eigen- oder fremdfinanziert werden müssen, werden zusätzlich die Investitionsausgaben betrachtet. In Abbildung 4-25 sind die Investitionsmehr- bzw. -minderausgaben der Beschaffung neuer Lkw gemäß der Beschaffungsentscheidung im Prognosemodell der fiktiven ausschließlichen Beschaffung von D-Lkw gegenübergestellt. In den ersten Jahren sind Investitionsmehrausgaben zu verzeichnen, die kontinuierlich abnehmen und in Investitionsminderausgaben umschlagen, obwohl bereits nach kurzer Zeit fast ausschließlich E-Lkw beschafft werden, deren Anschaffungskosten im Vergleich zu D-Lkw deutlich höher sind. Der Grund, weshalb die Investitionsmehrausgaben trotz der Beschaffung zahlreicher E-Lkw in den ersten Jahren verhältnismäßig gering sind, liegt wiederum in der höheren Lieferleistung der E-Lkw und der daraus resultierenden geringeren benötigten Gesamtzahl an Lkw. Da Batteriekosten den wesentlichen Unterschied in den Anschaffungskosten von E-Lkw und D-Lkw darstellen, lässt sich der Rückgang der Investitionsausgaben mit den sinkenden Batteriepreisen begründen. Die Investitionsmehrausgaben für die Nachtbelieferung sind deutlich geringer als erwartet und kehren sich innerhalb kurzer Zeit in Minderausgaben um, sodass auch aus dieser Perspektive E-Lkw in Verbindung mit Nachtbelieferung als vorteilhaft zu betrachten sind.

4.6 Modellergebnisse

207

Nachfrage Dem Angebot der nachhaltigen Dienstleistungsinnovation Nachtbelieferung in Form von E-Lkw im Fuhrpark steht eine Nachfrage in Form von für Nachtbelieferung umgerüsteter Filialen gegenüber.

Umgerüstete Filialen [# Filialen]

240 200 160 120 80 40

Gesamt Filialen Typ I Filialen Typ II Filialen Typ III Potenzial

0

Abbildung 4-26:

Umgerüstete Filialen der einzelnen Filialtypen (durchgezogene Linien), maximales Potenzial (gestrichelte Linien) und Gesamtanzahl an umgerüsteten Filialen über die Zeit

Wie bereits in Kapitel 4.3.3 erläutert existieren verschiedene Filialtypen, die mit unterschiedlich hohem Aufwand umgerüstet werden können. In Abbildung 4-26 ist mit gestrichelten Linien die Gesamtanzahl der Filialen je Typ, also das Kundenpotenzial, abgebildet. Die durchgezogenen Linien zeigen die Anzahl der umgerüsteten Filialen je Typ und damit die tatsächlichen Kunden auf. Innerhalb weniger Jahre rüsten alle Filialen vom Typ I um und generieren somit rasch eine Nachfrage nach Nachtbelieferung. Etwas langsamer steigt die Nachfrage bei Filialen vom Typ II, wo das gesamte Potenzial nach etwa 10 Jahren ausgeschöpft ist. Grund für die schnelle Entwicklung ist der Kostenvorteil bei den Transportkosten, den die Filialen aufgrund einer hohen Auslastung der Nachttouren bei anfangs hohem Erfüllungsgrad der Nachfrage realisieren können. Dieser Aspekt resultiert in einem hohen Kundennutzen und begünstigt das Nachfragewachstum. Weiterhin führt die fortschreitende Diffusion von E-Lkw und die damit verbundene Durchführung der Nachtbelieferung zu einer kontinuierlichen Steigerung des Kundennutzens über Risikoreduktion und Qualitätsverbesserung, wodurch das Kundenpotenzial der Filialen Typ I und II schnell ausgeschöpft werden kann. Filialen vom Typ III rüsten extrem langsam um, da der Aufwand deutlich größer ist als der Nutzen. Auch am Ende des Betrachtungszeitraums haben nur wenige dieser Filialen umgerüstet. In Summe steigt die Gesamtnachfrage in den ersten Jahren sehr schnell auf etwa 200 von insgesamt 670 Filialen an. Danach rüsten kaum noch Filialen um, weswegen die Gesamtnachfrage nur noch langsam ansteigt. Das Potenzial der Filialen vom Typ III wird in Summe kaum ausgeschöpft. Mit steigender Anzahl an E-Lkw im Fuhrparkbestand steigt die Anzahl an potenziell durchführbaren Nachttouren (gestrichelte Linie, linke Achse) wie Abbildung 4-27 zeigt. Das Potenzial wird bereits ab dem zweiten Jahr vollständig ausgeschöpft und so sinkt die Auslastung

208

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

500

100%

450 400 350 300 250 200

80% Gesamttouren durchgeführte Nachttouren potenzielle Nachttouren Auslastung Nachttouren

60% 40%

150 100

Auslastung

tägliche Touren [Touren/d]

(rechte Achse) erst nach etwa 10 Jahren in mehreren Schritten auf einen Wert von 80 % ab. Bis zu diesem Zeitpunkt besteht fast der gesamte Fuhrparkbestand aus E-Lkw, deren Angebot an Nachttouren dann größer ist als die Nachfrage. Aufgrund der insgesamt steigenden Nachfrage nach Belieferungen nimmt die Anzahl an Gesamttouren kontinuierlich zu.

20%

50 0

Abbildung 4-27:

0%

Potenzial (gestrichelte Linie) und Anzahl (durchgezogene Linie) durchgeführter Nachttouren sowie Gesamttouren pro Tag (linke Achse) und Auslastung der Nachttouren (rechte Achse) über die Zeit

Die Entwicklung des Nutzens der einzelnen Filialtypen über die Zeit in Abbildung 4-28 zeigt einen fast kontinuierlichen Anstieg. Sobald ein positiver Nutzen erreicht ist, führt dies dazu, dass die Filialen umrüsten und die Nachfrage nach Nachtbelieferung steigt. Wie bereits beschrieben ist dies bei Filialen des Typs I und II relativ schnell erreicht, wohingegen Filialen vom Typ III erst gegen Ende des Betrachtungszeitraums einen positiven Nutzen aufweisen können. Die Aufwand-Nutzen-Bilanz der verschiedenen Filialtypen fällt offensichtlich sehr gemischt aus und hängt stark von den Umbaukosten ab, da diese das wesentliche Unterscheidungskriterium der Filialen darstellt. Der kurzzeitige Rückgang des Kundennutzens zu Beginn ist darauf zurückzuführen, dass der anfangs sprungartige Anstieg der Nachfrage zunächst nicht erfüllt werden kann, wodurch die durch Nachtbelieferung bestehenden Vorteile nur für einen geringen Teil der umgerüsteten Filialen realisiert werden kann.

4.6 Modellergebnisse

209

Kundennutzen

1,0 0,5 0,0 -0,5

Nutzen Filiale Typ I Nutzen Filiale Typ II

-1,0

Nutzen Filiale Typ III

-1,5 -2,0

Abbildung 4-28:

Entwicklung des Nutzens der einzelnen Filialtypen über die Zeit

Anteil erfüllter Nachtbelieferungen

Dass Angebot und Nachfrage nicht übereinstimmen kann Abbildung 4-29 entnommen werden. Da im ersten Jahr kaum Nachfrage nach Nachtbelieferung vorhanden ist, reicht auch die geringe Anzahl an E-Lkw im Fuhrpark aus, um die gesamte Nachfrage zu bedienen. Nachdem jedoch einige Filialen umgerüstet haben, sinkt der Anteil der erfüllten Nachfrage rapide ab und erst mit steigender Anzahl an E-Lkw steigt auch wieder der Erfüllungsgrad der Nachfrage an, bis er nach etwa 10 Jahren 100 % erreicht. Durch den zwischenzeitlich sehr geringen Anteil erfüllter Nachtbelieferungen kann auch nur ein geringer Anteil der nachtbelieferbaren Filialen von den Vorteilen einer Nachtbelieferung profitieren, was dazu führt, dass der Kundennutzen nicht sehr schnell zunimmt.

Abbildung 4-29:

100% 80% 60% 40% 20% 0%

Anteil erfüllter Nachtbelieferungen über die Zeit

210

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Zielgrößen Neben der Entwicklung von Angebot, Kosten und Nachfrage sind für den LDL verschiedene Zielgrößen von Interesse, wie in Kapitel 4.2.2 ausgearbeitet wurde.

Ersatzbedarf [Anteil älterer D-Lkw am Gesamtbestand]

Als eine der relevanten Zielgrößen wurde der Anteil von D-Lkw in niedrigen Emissionsklassen am Gesamtbestand als Indikator für Reaktionsfähigkeit bzw. Risiko betrachtet (vgl. Abbildung 4-30). Es besteht das Risiko, dass diese potenziell ersetzt werden müssten, falls Dieselfahrverbote vom Gesetzgeber ausgesprochen würden. Je höher also der Ersatzbedarf, umso geringer die Reaktionsfähigkeit bei entsprechenden Regularien. Der Ersatzbedarf steigt anfangs an bis auf über 70 % des Fuhrparks, bevor er rasch fast auf null absinkt. Grund für diese Entwicklung ist die ungleichmäßige Verteilung von D-Lkw auf die verschiedenen Emissionsklassen – in den Jahren vor Betrachtungsbeginn wurden viele D-Lkw neu beschafft, die dann aber altern und deren Emissionsklassen aufgrund verschärfter Regularien zu den Risikoklassen gezählt werden. Es zeigt sich, dass trotz der Tatsache, dass über die Betrachtungsdauer fast ausschließlich E-Lkw beschafft werden, das Risiko in den ersten Jahren stark zunimmt. Jedoch kann der LDL aufgrund der in der Vergangenheit getroffenen Beschaffungsentscheidungen hiergegen nichts unternehmen. Erst mit der Zeit reduziert sich das Risiko, da der Fuhrpark dann fast nur noch aus E-Lkw besteht. Durch die schnelle Diffusion von E-Lkw im Fuhrparkbestand wird folglich die Reaktionsfähigkeit des LDL erhöht und Ersatzbedarf und Risiko gesenkt.

Abbildung 4-30:

80% 70% 60% 50% 40% 30% 20% 10% 0%

Ersatzbedarf als Anteil von älteren D-Lkw in niedrigen Emissionsklassen am gesamten Fuhrparkbestand als Indikator für die Reaktionsfähigkeit

Der Grad der Technologieführerschaft bzw. die Rolle des Innovators ist eine weitere relevante Zielgröße. In Abbildung 4-31 ist daher der Anteil an Lkw mit alternativem Antrieb im Fuhrparkbestand des LDL gegenüber dem Marktanteil von AFV generell dargestellt. Ein Wert von eins bedeutet, dass der Anteil von AFV im Fuhrpark mit dem Marktanteil übereinstimmt. Liegt der Wert über eins ist der Anteil von AFV im Fuhrpark des LDL höher als auf dem Markt und es kann von Technologieführerschaft gesprochen werden. Das Verhältnis steigt zunächst mit der Beschaffung zahlreicher E-Lkw steil an und sinkt dann nach etwa einem Lkw-Lebenszyklus langsam auf Marktniveau ab.

4.6 Modellergebnisse

211

Letzteres ist darauf zurückzuführen, dass der Marktanteil von AFV immer weiter ansteigt, wohingegen bereits fast der gesamte Fuhrpark aus E-Lkw besteht und sich der Anteil daher kaum mehr verändert.

Verhältnis AFV* gegenüber Markt

5 4 3 2 1 0

* Alternative Fuel Vehicle - Fahrzeug mit alternativem Antrieb Abbildung 4-31:

Verhältnis des Anteils an Lkw mit alternativem Antrieb im Fuhrparkbestand gegenüber dem Markt. Es wurden jeweils die Jahresmittelwerte herangezogen

Einer der betrachteten ökologischen Nachhaltigkeitsaspekte sind die durch den Transport bzw. durch die Erbringung der Dienstleistung verursachten CO2-Emissionen. Diese nehmen kontinuierlich ab, wie Abbildung 4-32 zeigt.

jährliche CO2Emissionen [kt]

16 14 12

CO2-Emissionen Strommix CO2-Emissionen Erneuerbare Energien

10 8 6 4 2 0

Abbildung 4-32:

Jährliche CO2-Emissionen des gesamten Fuhrparks in Kilotonnen bei Nutzung von Strom gemäß dem deutschen Strommix und bei Nutzung erneuerbarer Energien

Die wesentlichen Gründe hierfür sind der steigende Anteil an E-Lkw im Fuhrpark und der damit verbundene Rückgang von D-Lkw, die geringeren spezifischen CO2-Emissionen von Strom gegenüber Diesel als Kraftstoff, der geringere Energieverbrauch von E-Lkw sowie dass die spezifischen CO2-Emissionen von Strom aufgrund des steigenden Anteils an erneuerbaren Energien an der Stromerzeugung abnehmen. Die CO2-Emissionen können jedoch nicht auf null

212

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

reduziert werden, trotz eines fast komplett elektrifizierten Fuhrparks, da davon ausgegangen wird, dass Strom gemäß dem deutschen Strommix zum Laden der E-Lkw herangezogen wird. Bei der Nutzung von Strom ausschließlich aus erneuerbaren Energiequellen kann annähernd CO2-Neutralität erreicht werden. Da jedoch bis zum Ende des Betrachtungszeitraums ein D-Lkw im Fuhrparkbestand bleibt, sinken die Emissionen nicht auf Null. Insgesamt verbessert sich die ökologische Nachhaltigkeit deutlich durch die zunehmende Diffusion von E-Lkw, da das Dienstleistungssystem damit von der Energiewende profitieren kann. Zusammenfassung Die Diffusion von E-Lkw im Fuhrpark und somit der nachhaltigen Dienstleistungsinnovation Nachtbelieferung mit E-Lkw gelingt sehr schnell. Lediglich etwas mehr als ein Lkw-Lebenszyklus von 9 Jahren (angenommene Nutzungsdauer) ist erforderlich, bis fast der gesamte Fuhrpark auf E-Lkw umgestellt ist. So werden von Beginn an fast ausschließlich E-Lkw beschafft. Mitentscheidend für die Geschwindigkeit der Diffusion ist die Nutzungsdauer der Lkw. Hervorzuheben ist, dass der Diffusionsverlauf den klassischen S-Kurven-Verlauf zeigt, der bei der Diffusion von Innovationen beschrieben wird (Utterback und Abernathy 1975, S. 645ff.; Chandy und Tellis 2000, S. 2f.). Wesentlicher Grund für die beschriebene Entwicklung ist vor allem die bessere Lieferleistung des E-Lkw in der Nachtbelieferung gegenüber dem D-Lkw in der Tagesbelieferung, die dazu führt, dass ein E-Lkw etwa eineinhalb D-Lkw ersetzt. Insgesamt führt dies dazu, dass der gesamte Fuhrparkbestand sinkt. Voraussetzung dafür ist jedoch eine gute Auslastung der Nachttouren, was eine entsprechende Nachfrage erforderlich macht. Die TCO beider Lkw-Typen werden hauptsächlich von den Personalkosten bestimmt (ca. 60 %), wobei sich deren Anteil bei den Lkw-Typen und Belieferungsvarianten kaum unterscheidet. Unterschiede werden hauptsächlich durch die höheren Fahrzeugkosten des E-Lkw und dessen geringere Verbrauchskosten hervorgerufen. Erstere sind auf die höheren Anschaffungskosten des E-Lkw zurückzuführen, wobei der Unterschied hauptsächlich durch die Batterie bestimmt wird. Zweitere sind mit dem geringeren Verbrauch des E-Lkw zu begründen. Dies führt dazu, dass bei einer reinen Tagesbelieferung der D-Lkw Stand heute bei den TCO leicht vorteilhaft ist, wohingegen bei der Nachtbelieferung der E-Lkw aufgrund höherer Lieferleistung in Verbindung mit höheren Jahresfahrleistungen bereits heute im Vorteil ist. Überraschenderweise ist der Einfluss der Infrastrukturkosten beim E-Lkw zu vernachlässigen. Bis etwa 2025 wäre der E-Lkw auch bei einem direkten Vergleich in der Tagesbelieferung ab etwa 50.000 km im Jahr die kostengünstigere Alternative. Wachsende Personalkosten führen bei beiden Lkw-Typen zu steigenden TCO, wobei diese Zunahme beim D-Lkw durch steigende Dieselpreise beschleunigt wird. So wächst unter Berücksichtigung der Nachtbelieferung der Kostenvorteil des E-Lkw bei den TCO immer weiter an, wobei die TCO durch leicht wechselnde Jahresfahrleistungen gelegentlich kleinere Sprünge aufweisen. Beachtlich ist, dass der E-Lkw bereits nach wenigen Jahren auch bei den Investitionsausgaben gegenüber einem reinen D-Lkw-Fuhrpark im Vorteil ist, was auf sinkende Batteriepreise sowie die geringere Anzahl an erforderlichen E-Lkw zurückzuführen ist. Die Anzahl umgerüsteter Filialen und folglich die Nachfrage nach Nachtbelieferung steigt innerhalb kurzer Zeit stark an. Jedoch wird nur das Kundenpotenzial der Filialen vom Typ I und II schnell ausgeschöpft, wohingegen für Filialen vom Typ III ein positives Aufwand-NutzenVerhältnis kaum gegeben ist und entsprechend nur wenige umrüsten. Haupttreiber sind die

4.6 Modellergebnisse

213

Transportkostenvorteile, die durch die von Anfang an hohe Auslastung der Nachtbelieferung entstehen können und die den Kundennutzen erhöhen. Auch ein Mindestmaß an erfüllter Nachfrage nach Nachtbelieferungen ist für das schnelle Nachfragewachstum erforderlich, da nur dann die Vorteile der Transportkosten- und Risikoreduktion sowie der verbesserten Lieferqualität für einen entsprechenden Anteil an Kunden realisiert werden können. Dadurch kann der Kundennutzen erhöht werden, was wiederum das Nachfragewachstum begünstigt. In Summe ist aber eine hohe Auslastung wichtiger als eine hohe Erfüllung der Nachfrage. Insgesamt verstärken sich zwar der Anteil der E-Lkw im Fuhrpark und die Nachfrage nach Nachtbelieferung gegenseitig, allerdings ist der von der Nachfrage ausgehende Effekt relativ schwach und wird hauptsächlich über die erforderliche hohe Auslastung der Nachtbelieferung zur Realisierung der Kostenvorteile berücksichtigt. Außerdem konnte festgestellt werden, dass das Angebot nicht mit der Nachfrage nach Nachtbelieferung Schritt halten kann. Es hat sich gezeigt, dass die betrachteten Zielgrößen mittel- bis langfristig eine sehr positive Entwicklung aufzeigen. Trotz der Tatsache, dass über die Betrachtungsdauer hinweg fast ausschließlich E-Lkw beschafft werden, steigt das Risiko in den ersten Jahren stark an, was daran liegt, dass kurz vor Beginn der Betrachtung eine hohe Anzahl an D-Lkw beschafft werden, die mit der Zeit in eine höhere Risikoklasse übergehen. Jedoch kann der LDL dieser Entwicklung nicht entgegenwirken und hängt folglich von seinen in der Vergangenheit getroffenen Beschaffungsentscheidungen ab. Weiterhin kann durch die rasche Diffusion von E-Lkw im Fuhrpark zunächst eine deutliche Technologieführerschaft gegenüber dem Markt errungen werden, die sich langfristig durch die positive generelle Marktentwicklung relativiert. Die ökologische Nachhaltigkeit verbessert sich durch die zunehmende Diffusion von E Lkw deutlich, da das Dienstleistungssystem dann von der Energiewende profitieren kann. Allerdings spielt dementsprechend der Anteil erneuerbarer Energiequellen an der Stromerzeugung eine entscheidende Rolle. Da wie bereits erläutert unterschiedliche Umweltentwicklungen möglich sind, sollen im Folgenden die Ergebnisse zweier Umweltszenarien miteinander verglichen werden. 4.6.1.2 Szenario Teure Nachhaltigkeit In diesem Kapitel sollen die Ergebnisse des System Dynamics Wirkungsprognosemodells im Szenario Teure Nachhaltigkeit analysiert und den Ergebnissen des im vorigen Kapitel betrachteten Szenarios Moderate Energiewende gegenübergestellt werden. Angebot Bei der Entwicklung des Fuhrparkbestands in Abbildung 4-33 zeigt sich deutlich, dass D-Lkw im Szenario Teure Nachhaltigkeit (durchgezogene Linien) nicht so schnell und nicht gänzlich aus dem Bestand ausscheiden, wie es im Szenario Moderate Energiewende (gestrichelte Linien) der Fall ist. Bis zum Ende des Betrachtungszeitraums bleibt im Szenario Teure Nachhaltigkeit eine nennenswerte Anzahl an D-Lkw im Fuhrpark und diese steigt sogar wieder leicht an. Demgegenüber diffundieren E-Lkw etwas langsamer, der Gesamtbestand weist in beiden Szenarien jedoch eine ähnliche Entwicklung auf. Ursache für die verlangsamte Diffusion des E-Lkw im Szenario Teure Nachhaltigkeit sind dessen höhere TCO, die durch höhere Anschaffungskosten, höhere Batteriepreise und höhere Strompreise als im Vergleichsszenario verursacht werden. Außerdem führt der auch langfristig wesentlich günstigere Dieselpreis dazu, dass D-Lkw über

214

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Fuhrparkbestand [Lkw]

den gesamten Betrachtungshorizont hinweg eine bedeutende Rolle spielen. 160

120

80

40

Gesamt TN D-Lkw TN E-Lkw TN Szenario ME

0

TN = Szenario Teure Nachhaltigkeit, ME = Szenario Moderate Energiewende Abbildung 4-33:

Entwicklung des Bestands von D- und E-Lkw im Fuhrpark sowie des Gesamtfuhrparks in den Szenarien Teure Nachhaltigkeit (durchgezogene Linien) und Moderate Energiewende (gestrichelte Linien) im Vergleich

Kosten Die im vorigen Kapitel bereits angesprochenen erhöhten Kosten- und Preisparameter im Szenario Teure Nachhaltigkeit zeigen sich auch bei den Investitionsausgaben. Mit Ausnahme des ersten Jahres liegen die Investitionsausgaben im Szenario Teure Nachhaltigkeit (gefüllte Balken) deutlich über den Ausgaben im Szenario Moderate Energiewende (gestrichelte Balken) (vgl. Abbildung 4-34). Zudem sind im Szenario Teure Nachhaltigkeit lange Investitionsmehrausgaben gegenüber einem reinen D-Lkw-Fuhrpark zu verzeichnen, wohingegen im Szenario Moderate Energiewende bereits früh Minderausgaben bestehen. Die höheren Batteriepreise sowie höhere Anschaffungskosten für E-Lkw im Szenario Teure Nachhaltigkeit sind der wesentliche Grund für diese Entwicklung. Dies zeigt, dass in Summe ein hoher Anteil an E-Lkw im Fuhrpark aus Sicht der Investitionsausgaben im Szenario Teure Nachhaltigkeit nachteilig zu bewerten ist.

Investitionsausgaben gegenüber reinem D-Lkw-Fuhrpark [Mio. €]

4.6 Modellergebnisse

215

0,8 0,6

Investitionausgaben E-Lkw TN

0,4

Investitionsausgaben E-Lkw ME

0,2 0 -0,2 -0,4 -0,6 -0,8

TN = Szenario Teure Nachhaltigkeit, ME = Szenario Moderate Energiewende Abbildung 4-34:

Investitionsausgaben gemäß der Beschaffungsentscheidung im Prognosemodell gegenüber der ausschließlichen Beschaffung von D-Lkw in Mio. € in den Szenarien Teure Nachhaltigkeit (gefüllte Balken) und Moderate Energiewende (gestrichelte Balken) im Vergleich

Transportkosten [€/TE]

Neben den Investitionsausgaben können die Transportkosten als kostenbezogenem Aspekt betrachtet werden (vgl. Abbildung 4-35). In beiden Szenarien steigen die Transportkosten je Transporteinheit langfristig stark an. Dies liegt, wie bei den TCO, hauptsächlich an den kontinuierlich zunehmenden Personalkosten. Anfangs unterscheiden sich die Transportkosten im Szenario Teure Nachhaltigkeit (gefüllte Balken) und Moderate Energiewende (gestrichelte Balken) kaum, mit zunehmender Zeit jedoch entwickelt sich ein Kostenvorteil für das Szenario Moderate Energiewende. Dies liegt daran, dass der Verbrauchskostenvorteil des E-Lkw im Szenario Moderate Energiewende mit niedrigeren Strompreisen erst bei einem entsprechend hohen Anteil an E-Lkw im Fuhrpark zum Tragen kommt. Trotzdem sind die Kostenunterschiede in Summe relativ gering. 10 Gesamt TN

9

Gesamt ME 8 7 6 5

TN = Szenario Teure Nachhaltigkeit, ME = Szenario Moderate Energiewende Abbildung 4-35:

Gesamte Transportkosten in Euro je Transporteinheit in den Szenarien Teure Nachhaltigkeit (gefüllte Balken) und Moderate Energiewende (gestrichelte Balken)

216

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Nachfrage Die verzögerte Diffusion von E-Lkw und dessen höhere TCO im Szenario Teure Nachhaltigkeit (durchgezogene Linien) spiegeln sich auch bei der Nachfrage in Abbildung 4-36 wider. Filialen vom Typ I und II rüsten im Grunde gegenüber dem Szenario Moderate Energiewende (gestrichelte Linien) zeitversetzt um ein Jahr um, wodurch sich aber ebenfalls sehr rasch eine hohe Nachfrage entwickelt. Nachfrage durch Filialen vom Typ III spielen auch im Szenario Teure Nachhaltigkeit kaum eine Rolle. Trotz geänderter Umweltbedingungen kann schnell ein hoher Kundennutzen realisiert werden, was die Filialen zum Umrüsten bewegt. Dieser hohe Kundennutzen ist darauf zurückzuführen, dass die TCO von E-Lkw auch im Szenario Teure Nachhaltigkeit deutlich vorteilhaft sind.

Umgerüstete Filialen [# Filialen]

240 200 160 120 80 40 0

Gesamt TN Filialen Typ I TN Filialen Typ II TN Filialen Typ III TN Szenario ME

TN = Szenario Teure Nachhaltigkeit, ME = Szenario Moderate Energiewende Abbildung 4-36:

Umgerüstete Filialen der einzelnen Filialtypen und Gesamtanzahl an umgerüsteten Filialen in den Szenarien Teure Nachhaltigkeit (durchgezogene Linien) und Moderate Energiewende (gestrichelte Linien) im Vergleich

Zielgrößen Ein bedeutendes Unterscheidungskriterium der beiden betrachteten Umweltszenarien ist, dass der Nachhaltigkeit im Szenario Teure Nachhaltigkeit eine höhere Bedeutung beigemessen wird. Daher sind in Abbildung 4-37 die jährlichen CO2-Emissionen der beiden Szenarien gegenübergestellt. Zu Beginn sind die CO2-Emissionen im Szenario Moderate Energiewende (gestrichelte Linie) minimal niedriger, bevor die Emissionen im Szenario Teure Nachhaltigkeit (durchgezogene Linie) unter das Niveau des Szenarios Moderate Energiewende fallen. Grund für die anfängliche Entwicklung ist der höhere Anteil an E-Lkw im Fuhrpark im Szenario Moderate Energiewende, wodurch weniger D-Lkw im Fuhrpark sind und weniger Dieselkraftstoff verbraucht wird. Erst mit der Zeit kann dieser Vorsprung durch die im Szenario Teure Nachhaltigkeit vorteilhaftere Entwicklung der spezifischen CO2-Emissionen von Strom ausgeglichen werden. Da aber bis zum Ende des Betrachtungszeitraums im Szenario Teure Nachhaltigkeit eine nennens-

4.6 Modellergebnisse

217

werte Anzahl an D-Lkw im Fuhrpark verbleibt, sind die CO2-Emissionen beider Szenarien relativ nahe beieinander und nehmen kontinuierlich ab.

jährliche CO2Emissionen [kt]

16 14

CO2-Emissionen TN

12

CO2-Emissionen ME

10 8 6 4 2 0

TN = Szenario Teure Nachhaltigkeit, ME = Szenario Moderate Energiewende Abbildung 4-37:

Jährliche CO2-Emissionen des gesamten Fuhrparks in Kilotonnen in den Szenarien Teure Nachhaltigkeit (durchgezogene Linie) und Moderate Energiewende (gestrichelte Linie) im Vergleich

Weitere Umweltszenarien Neben den beiden grundlegenden Umweltszenarien Moderate Energiewende und Teure Nachhaltigkeit wurden einige weitere Umweltszenarien im Hinblick auf mögliche Entwicklungen bei City-Maut und Steuerbefreiungen für E-Lkw untersucht. Die im Folgenden vorgestellten Ergebnisse des System Dynamics Wirkungsprognosemodells basieren auf dem Umweltszenario Moderate Energiewende. Zunächst wurde untersucht, wie sich eine City-Maut in Höhe von 250 €/Tag ab 2020, welche nur für D-Lkw gültig ist, im Szenario Moderate Energiewende auswirkt. Es konnten sowohl bei Angebot als auch bei der Nachfrage keine nennenswerten Änderungen festgestellt werden. Dies ist darauf zurückzuführen, dass bereits zu Beginn des Betrachtungszeitraums im Szenario Moderate Energiewende kaum noch D-Lkw beschafft werden und eine Verschlechterung deren TCO dementsprechend kaum Auswirkungen auf die Entscheidung auf Anbieter- und Nachfragerseite hat. Lediglich die Kosten weisen Veränderungen auf, weswegen beispielhaft die Transportkosten von D-Lkw sowie des Gesamtfuhrparks im Szenario Moderate Energiewende mit (durchgezogene Linien) und ohne City-Maut (gestrichelte Linie) in Abbildung 4-38 dargestellt sind.

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Transportkosten [€/TE]

218

10 9 8 7 D-Lkw Maut

6

Gesamt Maut

5

ohne City-Maut

4

Abbildung 4-38:

Transportkosten von D-Lkw und des Gesamtfuhrparks im Szenario Moderate Energiewende mit (durchgezogene Linien) und ohne City-Maut (gestrichelte Linie) in Euro je Transporteinheit

So ergibt sich im Jahr 2020 mit Einführung der City-Maut sowohl bei den D-Lkw-Transportkosten als auch bei den Gesamttransportkosten im Szenario City-Maut (durchgezogene Linien) ein Sprung nach oben. Dieser fällt entsprechend groß aus, da in den ersten Jahren noch ein sehr hoher Anteil an D-Lkw im Fuhrpark vorzufinden ist, für den eine City-Maut entrichtet werden muss. Mit zunehmendem Anteil an E-Lkw im Fuhrpark ist immer weniger City-Maut zu entrichten, weswegen sich die Gesamttransportkosten in beiden Szenarien annähern und nach etwa 10 Jahren kein Unterschied mehr festzustellen ist. Insgesamt nehmen die Transportkosten aber stetig zu. Zusätzlich wurde analysiert, wie sich eine dauerhafte Befreiung der E-Lkw von der Kfz-Steuer auswirken würde. Allerdings wurden keine wesentlichen Änderungen festgestellt, was aufgrund der geringen jährlichen Steuer von 500 bis 1.000 € bei TCO von 1,3 bis 2,4 Mio. € logisch erscheint. Zusammenfassung Trotz deutlich erhöhter Anschaffungskosten und Strompreise für den E-Lkw setzt die Diffusion im Szenario Teure Nachhaltigkeit nur ein Jahr später, aber mit ähnlichem Verlauf ein als im Szenario Moderate Energiewende. Nach einem Lkw-Lebenszyklus besteht der Fuhrparkbestand zum Großteil aus E-Lkw. Langfristig jedoch spielt der D-Lkw aufgrund seiner verhältnismäßig günstigen TCO, als Resultat der geringen Dieselpreise, im Szenario Teure Nachhaltigkeit eine deutlich größere Rolle als im Szenario Moderate Energiewende. Die höheren Investitionsausgaben im Szenario Teure Nachhaltigkeit zeigen, dass ein hoher Anteil an E-Lkw im Fuhrpark in diesem Szenario nachteilig zu bewerten ist. Weiterhin wirken sich die Rahmenbedingungen auch negativ auf die gesamten Transportkosten aus, da die TCO für E-Lkw steigen. Die Nachfrage nach Nachtbelieferung im Szenario Teure Nachhaltigkeit entwickelt sich etwas zeitversetzt, steigt aber genauso hoch an wie im Szenario Moderate Energiewende, obwohl die

4.6 Modellergebnisse

219

Umweltbedingungen für den E-Lkw nachteilig sind. Grund für die Verzögerung sind die erhöhten TCO des E-Lkw, wodurch die Transportkosten anfangs für den Kunden etwas höher sind. Trotzdem sind aber die TCO des E-Lkw insgesamt geringer als die des D-Lkw, weswegen der Kundennutzen und damit die Nachfrage schnell steigt. Durch den höheren Anteil an D-Lkw im Fuhrpark im Szenario Teure Nachhaltigkeit sind die CO2-Emissionen anfangs höher und sinken erst mit der Zeit unter das Niveau des Szenarios Moderate Energiewende. Letzteres ist auf den steigenden Anteil an E-Lkw im Fuhrpark und die sinkenden spezifischen Emissionen von Strom zurückzuführen. Der bis zum Ende des Betrachtungshorizonts hohe Anteil an D-Lkw im Fuhrpark führt aber dazu, dass die Emissionen in beiden Szenarien relativ nahe beieinanderliegen. Keinen wesentlichen Einfluss auf die Entwicklung von Angebot und Nachfrage besitzt eine mögliche City-Maut für D-Lkw. Da ohnehin wenige D-Lkw beschafft werden, kann sich eine Erhöhung der TCO für D-Lkw kaum mehr negativ auswirken. Allerdings steigen aufgrund des nennenswerten Anteils an D-Lkw im Fuhrpark sowohl die Transportkosten von D-Lkw als auch insgesamt an. Aufgrund der geringen Auswirkungen auf die TCO hat eine dauerhafte Steuerbefreiung von E-Lkw keinen Einfluss. 4.6.2 Ergebnisse potenzieller Strategien im Wirkungsprognosemodell Bei einer Entscheidung stehen dem Entscheider in der Regel mehrere Handlungsalternativen zur Auswahl, welche im Rahmen dieser Arbeit in Form von unterschiedlichen Unternehmensstrategien berücksichtigt werden und in Kapitel 4.2.3 detailliert erläutert wurden. Im Folgenden werden die Ergebnisse des System Dynamics Wirkungsprognosemodells unter Anwendung der einzelnen Strategien „Early Adopter“ (EA), „Early Majority“ (EM), „Late Majority“ (LM) und „Fahrverbote“ (FV) im Szenario Moderate Energiewende betrachtet. Angebot Der Bestand an E-Lkw im Fuhrpark unter Anwendung verschiedener Strategien ist in Abbildung 4-39 abgebildet. Beide „progressiven Strategien“114 weisen eine ansatzweise ähnliche Diffusion von E-Lkw auf, wobei in der Strategie Early Adopter der Bestand etwas schneller anwächst. Deutlich langsamer vollzieht sich die Diffusion in der Strategie Late Majority, in der erst gegen Ende des Betrachtungszeitraums ein nennenswerter Bestand an E-Lkw zu verzeichnen ist, der jedoch fast das Niveau der beiden progressiven Strategien erreicht. Bei der Strategie Fahrverbote ist das Einführungsjahr der Fahrverbote deutlich zu erkennen, da zu diesem Zeitpunkt erstmalig in dieser Strategie E-Lkw beschafft werden und aufgrund des großen Beschaffungsbedarfs direkt eine nennenswerte Anzahl. Nach Ende der Nutzungsdauer dieser beschafften E-Lkw wird eine erneute Beschaffung vollzogen, jedoch wird eine geringere Anzahl beschafft. Dies ist darauf zurückzuführen, dass vor der ersten Beschaffung keinerlei Erfahrungswerte zur Nachtbelieferung vorliegen und davon ausgegangen wird, dass diese lediglich in der Tagesbelieferung eingesetzt werden.115 Bei der zweiten Beschaffung sind dann entsprechende Erfahrungen verfügbar.

114 115

Unter „progressiven Strategien“ werden die Strategie „Early Adopter“ und „Early Majority“ gefasst. Siehe Kapitel 4.2.5.9 für eine Erläuterung der Beschaffungsentscheidung.

220

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

160

Bestand E-Lkw

Early Adopter 120

Early Majority Late Majority Fahrverbote

80

40

0

Abbildung 4-39:

Entwicklung des Bestands von E-Lkw im Fuhrpark unter Anwendung verschiedener Strategien über die Zeit

Auffällig sind die geringen Unterschiede der Diffusion von E-Lkw in den beiden progressiven Strategien. In der Strategie Early Adopter wird also nur ein geringer Vorsprung generiert, wobei festgehalten werden kann, dass die Strategie Early Majority sich kaum von der „Maximalstrategie“ unterscheidet. Aufgrund der langsamen, aber kontinuierlichen Entwicklung des Marktanteils von AFV generell, geht auch die Diffusion von E-Lkw in der Strategie Late Majority entsprechend langsam voran. Betrachtet man die beschaffte Anzahl an E-Lkw in der Strategie Fahrverbote, so zeigt sich, dass die progressiven Strategien im Gegensatz zur Strategie Late Majority im Falle von Fahrverboten ohne die zusätzliche Beschaffung weiterer E-Lkw einsatzbereit wären.

Bestand D-Lkw

200 160

Early Adopter Early Majority Late Majority Fahrverbote

120 80 40 0

Abbildung 4-40:

Entwicklung des Bestands von D-Lkw im Fuhrpark unter Anwendung verschiedener Strategien über die Zeit

4.6 Modellergebnisse

221

D-Lkw spielen in den verschiedenen Strategien eine unterschiedliche Rolle, wie Abbildung 4-40 zeigt. In den progressiven Strategien scheiden sie sehr schnell und fast vollständig aus dem Fuhrparkbestand aus, wohingegen D-Lkw in der Strategie Late Majority bis zum Ende des Betrachtungszeitraums eine Rolle spielen. In der Strategie Fahrverbote wird der Bestand dauerhaft von D-Lkw dominiert. Da in den beiden progressiven Strategien von Anfang an fast ausschließlich E-Lkw beschafft werden, scheiden D-Lkw nach etwa einem Lkw-Lebenszyklus aus dem Fuhrparkbestand aus, wohingegen auch am Ende des Betrachtungszeitraums in den beiden anderen Strategien noch D-Lkw vorhanden sind. Besonders hoch ist die Anzahl bei der Strategie Fahrverbote, welche als „Vermeiderstrategie“ bezeichnet werden kann. Der LDL beschafft nur die Anzahl an E-Lkw, die absolut notwendig ist, um die Lieferfähigkeit aufrecht zu erhalten. Kosten

Investitionsausgaben gegenüber reinem D-Lkw-Fuhrpark [Mio. €]

Die Beschaffungsentscheidungen der verschiedenen Strategien zeigen sich auch an den Investitionsausgaben (vgl. Abbildung 4-41). In der Strategie Early Adopter sind zu Anfang hohe Investitionsmehrausgaben zu verzeichnen, die deutlich über allen anderen Strategien liegen, auch über der Strategie Early Majority. Demgegenüber sind im Szenario Late Majority in den ersten Jahren kaum Investitionsmehrausgaben festzustellen, was daran liegt, dass fast ausschließlich D-Lkw beschafft werden. Es zeigt sich auch sehr deutlich die zweimalige Beschaffung von E-Lkw im Szenario Fahrverbote sowie die damit verbundenen Investitionsmehrausgaben.

Abbildung 4-41:

14

Early Adopter

12

Early Majority Late Majority

10

Fahrverbote

8 6 4 2 0 -2

Investitionsausgaben gemäß der Beschaffungsentscheidung verschiedener Strategien gegenüber der ausschließlichen Beschaffung von D-Lkw in Mio. € über die Zeit

Für die anfangs sehr unterschiedlichen Investitionsausgaben der beiden progressiven Strategien gibt es mehrere Ursachen. Zum einen wird in der Strategie Early Adopter von Anfang an eine sehr hohe Anzahl an E-Lkw, die sehr teuer sind, beschafft. Demgegenüber wird in der Strategie Early Majority eine große Anzahl an E-Lkw erst dann beschafft, wenn diese bereits etwas güns-

222

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

tiger in ihren Anschaffungskosten sind. Weiterhin ist zu berücksichtigen, dass in mehreren Jahren in der Strategie Early Adopter gar keine Lkw beschafft werden, wodurch in anderen Jahren umso höhere Investitionen erforderlich sind. Da die Beschaffung von E-Lkw in der Strategie Late Majority langsamer in Gang kommt als bei den progressiven Strategien, sind auch bei den Investitionsausgaben erst verzögert nennenswerte Entwicklungen zu verzeichnen. Beachtlich ist, dass in der Strategie Late Majority fast ausschließlich Minderausgaben zu verzeichnen sind. Dies liegt wiederum an der verzögerten Beschaffung, die erst einen entsprechenden Umfang aufweist, wenn die Anschaffungskosten der E-Lkw bereits stark gesunken sind, sowie daran, dass die Nachttouren aufgrund der hohen Nachfrage vollständig ausgelastet werden können. Dadurch ist eine deutlich geringere Anzahl an E-Lkw als D-Lkw zu beschaffen.

Investitionsausgaben gegenüber reinem D-Lkw-Fuhrpark [Mio. €]

Abbildung 4-42 zeigt die kumulierten Mehr- und Minderinvestitionsausgaben der verschiedenen Strategien. Hinsichtlich der Investitionsausgaben stellt die Strategie Late Majority die beste Alternative dar, deutlich vor der Strategie Early Majority und Early Adopter. Alle der drei genannten Strategien weisen Minderausgaben gegenüber einem reinen Dieselfuhrpark auf. Demgegenüber verzeichnet die Strategie Fahrverbote deutliche Mehrausgaben. Es zeigt sich, dass die abwartende Strategie Late Majority die Vorteile durch die immer günstiger werdenden E-Lkw voll ausschöpfen kann, wohingegen die Strategie Early Adopter wegen der frühen und schnellen Diffusion von E-Lkw relativ betrachtet schlechter abschneidet als die Strategien Early Majority und Late Majority. Dies liegt daran, dass E-Lkw besonders am Anfang noch sehr teuer sind.

Abbildung 4-42:

25 20 15

Early Adopter Early Majority Late Majority Fahrverbote

10 5 0 -5 -10

Kumulierte Mehr- und Minderinvestitionsausgaben gemäß der Beschaffungsentscheidung verschiedener Strategien gegenüber der ausschließlichen Beschaffung von D-Lkw in Mio. € über die Zeit

Betrachtet man jedoch die Transportkosten des Gesamtfuhrparks ergibt sich ein anderes Bild (vgl. Abbildung 4-43). Die progressiven Strategien stellen sich hierbei bereits nach wenigen Jahren als deutlich günstigere Alternative heraus und die Strategie Early Adopter liegt für einige Zeit unter der Strategie Early Majority, trotz der entsprechenden Investitionsausgaben.

Transportkosten [€/TE]

4.6 Modellergebnisse

223

10 9 8

Early Adopter Early Majority Late Majority Fahrverbote

7 6 5

Abbildung 4-43:

Transportkosten des Gesamtfuhrparks unter Anwendung verschiedener Strategien über die Zeit in Euro je Transporteinheit

Liegen die Transportkosten in den Strategien Late Majority und Fahrverbote anfangs aufgrund des ähnlich hohen D-Lkw-Anteils noch sehr nahe beieinander, so entwickeln sich diese für die Strategie Late Majority mit zunehmendem Anteil an E-Lkw im Fuhrpark in Richtung der progressiven Strategien und liegen mit diesen am Ende des Betrachtungszeitraums fast gleichauf. Die für den E-Lkw vorteilhafte Entwicklung der Kraftstoffpreise in Verbindung mit dessen niedrigeren Verbräuchen und sinkenden Anschaffungskosten hat zum Ergebnis, dass die progressiven Strategien mit einem schnell zunehmenden Anteil an E-Lkw im Fuhrparkbestand aus Sicht der Transportkosten vorteilhaft sind. Dies zeigt, dass eine reine Betrachtung der Investitionsausgaben unter Umständen ein falsches Bild zeichnet und die in der Anschaffung teureren E-Lkw nachteilig erscheinen lässt, wobei diese insgesamt kostengünstiger sind. Dies unterstreicht außerdem die Notwendigkeit einer kontinuierlichen Simulation bzw. Betrachtung, da beispielsweise bei einer ausschließlichen Betrachtung des Endzeitpunktes die Strategie Late Majority den progressiven Strategien gleichwertig erscheint. Nachfrage Sehr unterschiedlich fällt auch die Entwicklung der Nachfrage nach Nachtbelieferung bei den verschiedenen Strategien aus. Überraschenderweise steigt die Nachfrage, also die Anzahl der umgerüsteten Filialen, bei der Strategie Late Majority zu Beginn sprungartig und höher als bei allen anderen an, woraufhin eine eher langsame, aber kontinuierliche Zunahme der Nachfrage einsetzt, bis das vorübergehende Maximalpotenzial ausgeschöpft ist (vgl. Abbildung 4-44). Über mehrere schnelle und hohe Sprünge hinweg steigt die Nachfrage in den beiden progressiven Strategien an, wobei die Strategie Early Majority zu Beginn stärker, dann wiederum langsamer als die Strategie Early Adopter ansteigt. Selbst in der Strategie Fahrverbote entwickelt sich langsam und kontinuierlich eine Nachfrage nach Nachtbelieferung, die mit Einführung von Fahrverboten und der Beschaffung einer hohen Anzahl an E-Lkw sprungartig ansteigt. In allen Strategien wird etwa zur Mitte des Betrachtungszeitraums das vorläufige Potenzial ausgeschöpft, danach setzt eine sehr langsame Zunahme der Nachfrage ein.

224

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Umgerüstete Filialen [# Filialen]

240 200 160 120

Early Adopter Early Majority Late Majority Fahrverbote

80 40 0

Abbildung 4-44:

Gesamtanzahl der umgerüsteten Filialen unter Anwendung verschiedener Strategien über die Zeit

Die überraschend schnell zunehmende Nachfrage in den Strategien Early Majority und Late Majority über das Niveau der Strategie Early Adopter hinaus ist darauf zurückzuführen, dass in den beiden ersteren Strategien die sehr geringe Anzahl an beschafften E-Lkw, im Gegensatz zur Strategie Early Adopter, sehr gut mit Nachtbelieferungen ausgelastet ist. Dadurch kommt der Vorteil bei den Transportkosten direkt zum Tragen, wird vom Kunden wahrgenommen und die Nachfrage steigt. Dann verbessert sich jedoch auch die Auslastung der Nachtbelieferung in der Strategie Early Adopter deutlich und in Verbindung mit einer hohen Erfüllung der Nachfrage kann diese Strategie in der Folge das höchste Nachfragewachstum verzeichnen. Auch bei der Betrachtung der verschiedenen Strategien rüsten primär die Filialen vom Typ I und Typ II um, deren Potenzial jedoch bald ausgeschöpft ist. Dies hat zur Folge, dass die Nachfrage ab spätestens der Mitte des Betrachtungszeitraums nur noch langsam ansteigt. Ursache für die ansteigende Nachfrage in der Strategie Fahrverbote ist die gewählte DCM-Funktion. Auch bei einem negativen Nutzen rüstet ein sehr kleiner Teil der Filialen um,116 wodurch eine gewisse Nachfrage entstehen kann. Dieser Aspekt kann auch für die Praxis plausibilisiert werden. Denn es werden regelmäßig bauliche Veränderungen an Filialen vorgenommen oder neue Filialen gebaut und es ist durchaus realistisch, dass dabei zu einem gewissen Teil auch für die Nachtbelieferung relevante Umbauten bzw. Umrüstungen durchgeführt werden, um für die Zukunft gerüstet zu sein. Insgesamt zeigt sich, dass die Nachfrage bei allen Strategien sehr schnell wächst. Zielgrößen Der Ersatzbedarf in den verschiedenen Strategien ist in Abbildung 4-45 dargestellt. Dieser nimmt zunächst in allen Strategien zu und fällt dann ab, wobei der Rückgang in den Strategien unterschiedlich ausfällt. In den progressiven Strategien sinkt der Ersatzbedarf sehr schnell bis fast auf null ab, wohingegen er in der Strategie Late Majority nur leicht abnimmt und erst nach einem zwischenzeitlichen Anstieg kontinuierlich abnimmt. 116

Dieser Anteil hängt von den Innovationsfaktoren vgl. Kapitel 4.2.5.10 ab.

4.6 Modellergebnisse

225

Ersatzbedarf [Anteil älterer D-Lkw am Gesamtbestand]

Zwei zusätzliche Spitzen weist der Ersatzbedarf in der Strategie Fahrverbote auf.

Abbildung 4-45:

80% 70% 60% 50% 40% 30% 20% 10%

Early Adopter Early Majority Late Majority Fahrverbote

0%

Ersatzbedarf als Anteil von älteren D-Lkw in niedrigen Emissionsklassen am gesamten Fuhrparkbestand als Indikator für die Reaktionsfähigkeit unter Anwendung verschiedener Strategien

Der Grund für die unterschiedlichen Maxima der Strategien liegt in der unterschiedlichen Gesamtanzahl an Lkw im Bestand. So werden in den progressiven Strategien D-Lkw durch eine geringere Anzahl an E-Lkw ersetzt, wodurch der relative Anteil an D-Lkw zunächst höher ausfällt. Durch die zunehmende Anzahl an E-Lkw und das Ausscheiden der D-Lkw aus dem Bestand sinkt in diesen beiden Strategien der Ersatzbedarf mittelfristig stark ab. Diese Gründe sind auch für die Entwicklung in der Strategie Late Majority verantwortlich, mit der Ausnahme, dass weiterhin eine nennenswerte, aber schwankende Anzahl an D-Lkw beschafft wird. Durch die Schwankungen in der Beschaffung und die daraus resultierende ungleiche Verteilung auf die Altersklassen der Lkw wird der zwischenzeitliche Anstieg hervorgerufen. Schwankungen in der beschafften Anzahl an D-Lkw und vor allem die zweimalige Beschaffung einer hohen Anzahl an E-Lkw führen zu den entsprechenden Spitzen in der Strategie Fahrverbote. Insgesamt bleibt bei den Strategien Late Majority und Fahrverbote bis zuletzt ein hoher Ersatzbedarf und damit ein Risiko bestehen, was bei den progressiven Strategien nicht der Fall ist. Wie Abbildung 4-46 zeigt, kann in der Strategie Early Adopter von Anfang an eine eindeutige Technologieführerschaft eingenommen werden. Auch in der Strategie Early Majority kann eine Technologieführerschaft aufgebaut werden, wobei diese stets unterhalb der Strategie Early Adopter bleibt. Ab etwa der Hälfte des Betrachtungszeitraums geht in beiden progressiven Strategien die Technologieführerschaft zurück, was an der positiven Marktentwicklung liegt, womit der Markt langsam aufholt. In der Strategie Late Majority erfolgt eine stetige Annäherung an das Marktniveau. Demgegenüber liegt in der Strategie Fahrverbote der Anteil an AFV gegenüber dem Markt anfangs bei null, bevor er das Marktniveau kurzfristig übersteigt und dann wieder kontinuierlich abnimmt.

226

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Verhältnis AFV* gegenüber Markt

7 6 5 4

Early Adopter Early Majority Late Majority Fahrverbote

3 2 1 0

* Alternative Fuel Vehicle - Fahrzeug mit alternativem Antrieb Abbildung 4-46:

Verhältnis des Anteils an Lkw mit alternativem Antrieb im Fuhrparkbestand gegenüber dem Markt unter Anwendung verschiedener Strategien. Es wurden jeweils Jahresmittelwerte herangezogen

Die sehr hohe Anzahl an beschafften E-Lkw in den progressiven Szenarien ist Grund für die starke Überlegenheit in der Technologieführerschaft, die durch ein steigendes Marktniveau mit zunehmender Zeit ausgeglichen wird. Da in der Strategie Late Majority lediglich bei der Beschaffung neuer Lkw der Marktanteil von AFV für E-Lkw zugrunde gelegt wird, nähert sich das Technologielevel langsam von unten dem Marktniveau. Die erstmalige Beschaffung einer hohen Anzahl an E-Lkw in der Strategie Fahrverbote führt zum kurzfristigen Überschreiten des Marktniveaus. Da der Marktanteil aber sehr dynamisch wächst und bei der zweiten Beschaffung von E-Lkw eine geringere Anzahl als bei der ersten Beschaffung in den Bestand eingeht, kann das Marktniveau nicht mehr überschritten werden.

jährliche CO2Emissionen [kt]

16 14 12 10

Early Adopter Early Majority Late Majority Fahrverbote

8 6 4 2 0

Abbildung 4-47:

Jährliche CO2-Emissionen des gesamten Fuhrparks unter Anwendung verschiedener Strategien in Kilotonnen

Die jährlichen CO2-Emissionen nehmen in allen Strategien kontinuierlich ab, mit einer Ausnahme in der Strategie Fahrverbote (vgl. Abbildung 4-47). Kaum Unterschiede bestehen bei

4.6 Modellergebnisse

227

der Entwicklung in den progressiven Strategien, was an der ähnlichen Entwicklung der Lkw-Bestände liegt. Die kontinuierliche Abnahme der Emissionen in der Strategie Late Majority ist auf die stetige Beschaffung von E-Lkw zurückzuführen. Der Rückgang der CO2-Emissionen in der Strategie Fahrverbote vollzieht sich zunächst langsamer als in den anderen Strategien, jedoch gehen durch die Beschaffung einer hohen Anzahl an E-Lkw die Emissionen sprungartig zurück. Da die Möglichkeit zur Nachtbelieferung bei dieser ersten Beschaffung nicht berücksichtigt wird, werden mehr E-Lkw beschafft, als bei einer guten Auslastung der Nachtbelieferung erforderlich sind. Aus diesem Grund sinken die CO2-Emissionen überproportional ab und weisen einen leichten Sprung nach oben auf, da bei der zweiten Beschaffung die Nachtbelieferung berücksichtigt und daher weniger E-Lkw beschafft werden als bei der ersten Beschaffung. Die Entwicklung der CO2-Emissionen hängt folglich wesentlich von der Anzahl der E-Lkw im Fuhrpark ab und nimmt in allen Strategien kontinuierlich ab. Zusammenfassung Die geringen Unterschiede in der Diffusion von E-Lkw in den beiden progressiven Strategien Early Adopter und Early Majority sind auffällig und zeigen, dass die Beschaffungspolitik ähnliche Auswirkungen besitzt. Aufgrund der anfangs langsamen Entwicklung des Marktanteils von AFV wächst auch der Bestand von E-Lkw in der Strategie Late Majority entsprechend langsam an, liegt am Ende aber fast auf dem Niveau der progressiven Strategien. In der Strategie Fahrverbote erkennt man eindeutig das Jahr der Einführung von Fahrverboten, da zu diesem Zeitpunkt eine große Anzahl an E-Lkw beschafft wird, ebenso wie am Ende der Nutzungsdauer dieser beschafften E-Lkw. Insgesamt zeigen die Bestände der E-Lkw eine zu erwartende Entwicklung, mit Ausnahme des geringen Unterschieds der progressiven Strategien. D-Lkw scheiden bei den verschiedenen Strategien unterschiedlich schnell aus den Beständen aus. So spielen D-Lkw in den beiden progressiven Strategien bereits nach einem Lkw-Lebenszyklus keine Rolle mehr, wohingegen sie bis zum Ende des Betrachtungshorizonts eine dominierende Rolle in der Strategie Fahrverbote einnehmen. Entsprechend der Marktentwicklung scheiden sie in der Strategie Late Majority kontinuierlich aus dem Bestand aus. Deutlich höhere Investitionsmehrausgaben als in anderen Strategien zeigen sich anfangs bei der Strategie Early Adopter, da von Anfang an eine hohe Anzahl an teuren E-Lkw beschafft wird. Erst mit fortschreitender Zeit werden in den anderen Strategien E-Lkw beschafft, die dann bereits deutlich günstiger in ihren Anschaffungskosten sind. In Summe können in allen Strategien, abgesehen von der Strategie Fahrverbote, bereits nach dem ersten Drittel des Betrachtungszeitraums Minderausgaben bei den Investitionen verzeichnet werden. Trotz zu Beginn hoher absoluter Investitionen wegen des hohen Anteils an E-Lkw im Fuhrpark liegen die Transportkosten in den progressiven Strategien deutlich unter denen der übrigen Strategien. Dies ist auf die für den E-Lkw vorteilhafte Entwicklung der Kraftstoffpreise und deren geringen Verbrauch sowie die mit der Zeit deutlich sinkenden Anschaffungskosten zurückzuführen. Am höchsten fallen die Transportkosten in der Strategie Fahrverbote aus, da sich die TCO der D-Lkw nachteilig entwickeln. Sind die Transportkosten der Strategie Late Majority anfangs noch gleichauf mit denen der Strategie Fahrverbote, nähern sich erstere mit zunehmendem Anteil an E-Lkw im Fuhrpark den Transportkosten der progressiven Strategien an. Aufgrund einer anfangs hohen Auslastung der geringen Anzahl an beschafften E-Lkw in den

228

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Strategien Early Majority und Late Majority kann der Transportkostenvorteil für die Kunden direkt realisiert werden. Dies führt dazu, dass die Nachfrage in den Strategien Early Majority und Late Majority zu Beginn sogar über das Niveau der Strategie Early Adopter steigt. Dann steigt jedoch die Auslastung der deutlich höheren Anzahl an E-Lkw in der Strategie Early Adopter rasch an, wodurch auch die Nachfrage schnell anwächst. In der Strategie Fahrverbote rüsten anfangs nur wenige Innovatoren um. Erst mit der Beschaffung von E-Lkw bei Einführung von Fahrverboten steigt die Nachfrage sprungartig an. In allen Strategien wird das Potenzial der Filialen vom Typ I und II spätestens ab Mitte des Betrachtungszeitraums ausgeschöpft, trotz der sehr unterschiedlichen Diffusion von E-Lkw. Anschließend wächst die Nachfrage in allen Strategien nur noch schwach. Der Ersatzbedarf der progressiven Strategien fällt nach einer kurzen Zunahme wegen der ungleichen Verteilung an D-Lkw im Bestand sehr schnell fast bis auf null ab. Dies liegt daran, dass von Anfang an fast ausschließlich E-Lkw beschafft werden. In der Strategie Late Majority steigt der Ersatzbedarf aus dem genannten Grund zunächst ebenfalls an, sinkt dann aber nur leicht ab und erhöht sich zwischenzeitlich wieder, da weiterhin einige D-Lkw beschafft werden. Erst danach entwickelt sich der Ersatzbedarf mit dem wachsenden Bestand an E-Lkw in der Strategie Late Majority kontinuierlich nach unten. Aufgrund der schwankenden Beschaffung von D-Lkw in der Strategie Fahrverbote und wegen der zweifachen Beschaffung einer hohen Anzahl an E-Lkw weist der Ersatzbedarf mehrere Spitzen auf. Bis zum Ende des Betrachtungszeitraums bleibt aufgrund zahlreicher D-Lkw im Fuhrpark in den Strategien Late Majority und Fahrverbote ein hohes Risiko bestehen, was bei den beiden anderen Strategien nicht der Fall ist. Die Strategie Early Adopter erreicht von Anfang an eine klare Technologieführerschaft, was daran liegt, dass ausschließlich E-Lkw beschafft werden. Mit etwas Verzögerung baut auch die Strategie Early Majority durch die Beschaffung zahlreicher E-Lkw einen großen Technologievorsprung auf. Ab etwa der Hälfte des Betrachtungszeitraums geht in beiden progressiven Strategien die Technologieführerschaft aber zurück, was an der positiven Marktentwicklung liegt. Eine kontinuierliche Annäherung von unten an das Marktniveau vollzieht sich in der Strategie Late Majority, weil die Marktanteile auf die Neuanschaffungen und nicht auf den Bestand angewendet werden. In der Strategie Fahrverbote liegt die Technologieführerschaft anfangs bei null und steigt durch die Beschaffung von E-Lkw kurzzeitig über das Marktniveau, sinkt dann aber mit zunehmendem allgemeinem Marktanteil wieder ab. Zwar verringern sich die CO2-Emissionen in allen Strategien mehr oder weniger kontinuierlich. Aufgrund der schnellen Diffusion von E-Lkw im Fuhrpark in den progressiven Strategien sinken die Emissionen hier aber deutlich schneller ab. Durch die stetige Erhöhung des Anteils an E-Lkw im Fuhrpark bei der Strategie Late Majority sinken auch die CO2-Emissionen entsprechend kontinuierlich ab und erreichen zum Ende des Betrachtungszeitraums in etwa das Niveau der progressiven Strategien. Durch die hohe Anzahl an D-Lkw in der Strategie Fahrverbote über den gesamten Betrachtungszeitraum hinweg sinken die Emissionen hier am langsamsten. Zur Einführung der Fahrverbote und der damit verbundenen Beschaffung zahlreicher E-Lkw sinken die CO2-Emissionen sprungartig ab. Da bei der zweiten Beschaffung von E-Lkw aufgrund der Nachtbelieferung deutlich weniger E-Lkw beschafft werden als bei der ersten Beschaffung, steigt der relative Anteil von D-Lkw im Fuhrpark an, wodurch sich die Emissionen sogar leicht erhöhen.

4.6 Modellergebnisse

229

Insgesamt hängt die Entwicklung der CO2-Emissionen wesentlich von der Anzahl an beschafften E-Lkw ab. 4.6.3 Ergebnisse der Sensitivitätsanalysen Wie in Kapitel 4.5 erläutert wurde, dienen Sensitivitätsanalysen dazu zu überprüfen, inwieweit sich die Ergebnisse des Entscheidungsmodells ändern, wenn Umweltparameter, die mit großen Unsicherheiten behaftet sind, eine andere Entwicklung nehmen als prognostiziert wurde. Folglich sind Sensitivitätsanalysen für diejenigen Umweltparameter durchzuführen, deren künftige Entwicklung sehr unsicher ist sowie für die ein großer Einfluss auf die Ergebnisse erwartet wird. Im vorliegenden Fall trifft dies vor allem für den Batteriepreis sowie für den Strom- und Dieselpreis zu. Weiterhin wird ein bedeutender Einfluss der Entwicklung der Verkehrsdichte für die kommenden Jahrzehnte für möglich gehalten.117 Ein großer Einfluss könnte überdies von der angenommenen Anzahl an Vollladezyklen ausgehen, da ein erforderlicher Ersatz der Batterie die TCO des E-Lkw wesentlich verändern würde. Sensitivitäten wichtiger Parameter Sensitivitätsanalysen werden lediglich im Szenario Moderate Energiewende durchgeführt, da im Szenario Teure Nachhaltigkeit bereits sowohl bezüglich Strom- und Dieselpreis als auch bezüglich Batteriepreis extreme Entwicklungen betrachtet werden. Eine zusätzliche Variation dieser bereits extremen Entwicklungen im Rahmen von Sensitivitätsanalysen ist daher nicht erkenntnisversprechend. Selbiges gilt für eine Untersuchung der verschiedenen Strategien. Da die Beschaffungsentscheidungen in den verschiedenen Strategien, mit Ausnahme der Strategie Early Majority, unabhängig von den TCO getroffen werden, verspricht eine Sensitivitätsanalyse der genannten Parameter keine zusätzlichen Erkenntnisse, sodass die Strategie Early Majority herangezogen wird. Die Sensitivitätsanalysen werden jeweils für das Jahr 2030 durchgeführt, da in den bisherigen Ergebnissen bis zu diesem Jahr wesentliche Entwicklungen stattgefunden haben. Weiterhin wird davon ausgegangen, dass gegenüber dem Szenario Moderate Energiewende eine Variation der genannten Parameter bis 2030 in Höhe von bis zu 50 % nach oben und unten möglich ist. Darüber hinaus wird von einer linearen Entwicklung ausgehend von den Werten im Jahr 2018 ausgegangen.

117

Es wird angenommen, dass Veränderungen der Verkehrsdichte lediglich die durchschnittlichen Geschwindigkeiten am Tag betreffen, da für die Nacht von freien Straßen ausgegangen wird.

230

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Bestand E-Lkw 2030

Bestand D-Lkw 2030

25 20 15 10 5 0 -50%

-25%

0%

25%

50%

Batteriepreis

160

Strompreis Dieselpreis

140

Geschwindigkeit

120 100 80 -50%

-25%

0%

25%

50%

Veränderung der Parameter bis 2030 Abbildung 4-48:

Auswirkungen der Veränderung einzelner Parameter auf den Bestand an D-Lkw und E-Lkw im Jahr 2030

In Abbildung 4-48 wird aufgezeigt, welche Auswirkungen aus einer Variation der genannten Parameter auf den Bestand von D-Lkw und E-Lkw resultieren. Bei D-Lkw ergeben sich die größten Veränderungen durch den Dieselpreis und den Strompreis. Eine Verringerung des Dieselpreises um 50 % führt zu mehr als einer Vervierfachung des Bestands an D-Lkw im Jahr 2030, eine Erhöhung des Strompreises um 50 % führt immerhin zu einer Verdoppelung des Bestands an D-Lkw. Von den übrigen Parametern gehen lediglich geringe Veränderungen aus. So führen steigende Geschwindigkeiten und Batteriepreise zu einem leichten Vorteil für den D-Lkw, da höhere Batteriepreise die Anschaffungskosten von E-Lkw erhöhen. Weiterhin reduziert sich bei tagsüber höheren Geschwindigkeiten der Geschwindigkeits- und Zeitvorteil der E-Lkw auf den Nachttouren. Absolut betrachtet liegt der Bestand von D-Lkw bei einer Variation der Parameter um 50 %, aber trotz allem zwischen 0 und 20 Lkw, was sehr gering ist. Eine Verringerung des Bestands von E-Lkw wird demgegenüber durch sinkende Dieselpreise und steigende Geschwindigkeiten ausgelöst. Steigende Batterie- und Strompreise haben überraschenderweise verhältnismäßig geringe Auswirkungen auf den Bestand an E-Lkw. Dies ist darauf zurückzuführen, dass die TCO des E-Lkw bis 2030 so vorteilhaft gegenüber dem D-Lkw sind, dass Änderungen dieser Parameter nur einen geringen Einfluss ausüben. Andererseits können sinkende Dieselpreise die TCO des D-Lkw so stark verändern, dass dieser wieder an Attraktivität gewinnt und weniger E-Lkw beschafft werden. Ein anderes Bild ergibt sich bei den Geschwindigkeiten. Da eine Verringerung der Geschwindigkeiten dazu führt, dass Touren länger dauern, in Summe mehr Lkw benötigt werden und E-Lkw auf den Nachttouren mit höheren Geschwindigkeiten fahren können, besitzen diese dann einen entsprechenden Vorteil und werden vermehrt beschafft. Die Veränderungen des Bestands an E-Lkw liegen etwa zwischen 100 und 140, was in Summe überschaubar ist. Zusammenfassend ist daher festzuhalten, dass auch bei einer extremen Variation der Parameter um 50 % keine grundlegenden Veränderungen des Verhältnisses von D-Lkw und E-Lkw im Fuhrpark auftreten. Es ist anzumerken, dass eine Veränderung der Batteriepreise um 50 % als realistischer einzuschätzen ist als entsprechende Veränderungen der anderen Parameter. Vor allem bei den Durchschnittsgeschwindigkeiten sind entsprechende Veränderungen eher unwahrscheinlich.

231

1,8

TCO neuer 26 t E-Lkw 2030 [Mio. €]

TCO neuer 26 t D-Lkw 2030 [Mio. €]

4.6 Modellergebnisse

1,7 1,6 1,5 1,4 1,3 1,2 1,1 1,0 -50%

-25%

0%

25%

50%

1,8 1,7 1,6 1,5 1,4

Batteriepreis

1,3

Strompreis

1,2

Dieselpreis

1,1

Geschwindigkeit

1,0 -50% -25%

0%

25%

50%

Veränderung der Parameter bis 2030 Abbildung 4-49:

Auswirkungen der Veränderung einzelner Parameter auf die TCO neuer 26 t D-Lkw und E-Lkw im Jahr 2030118

Die Veränderungen der TCO neuer 26 t D-Lkw und E-Lkw im Jahr 2030 bei einer Variation der Parameter sind in Abbildung 4-49 dargestellt. Nennenswerte Veränderungen zeigen die TCO des D-Lkw vor allem bei einer Variation des Dieselpreises – mit steigendem Dieselpreis steigen auch die TCO. Die Geschwindigkeit beeinflusst den D-Lkw nur insofern, dass sich die Jahresfahrleistung verändert, da der einzelne Lkw mehr oder weniger Touren pro Jahr fahren kann. Absolut betrachtet sind die Veränderungen beim E-Lkw eher gering. Eine Verringerung des Batteriepreises zeigt kaum Veränderungen, was darauf zurückzuführen ist, dass diese nur einen geringen Teil der TCO ausmachen. Deutlich größer sind die Auswirkungen von veränderten Strompreisen und Geschwindigkeiten. Sinken diese, ist dies vorteilhaft für den E-Lkw, bei einer Steigerung erhöhen sich die TCO des E-Lkw, wobei dies bei der Geschwindigkeit auf die veränderte Jahresfahrleistung zurückzuführen ist. Die Ergebnisse stützen insgesamt die Aussage, dass die TCO von E-Lkw im Jahr 2030 so vorteilhaft sind, dass trotz deutlicher Veränderungen durch Variation der Parameter keine grundlegenden Veränderungen im Bestand auftreten.

118

Die TCO des D-Lkw beziehen sich auf einen einzelnen Lkw in der Tagesbelieferung, wohingegen beim E-Lkw der Einsatz eines Fahrzeugs in der Nachtbelieferung betrachtet wird.

232

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Transportkosten 2030 [€/TE]

Die Transportkosten des Gesamtfuhrparks verändern sich in Abhängigkeit vom Batteriepreis und Dieselpreis kaum (vgl. Abbildung 4-50).

Abbildung 4-50:

8,5 8,0

Batteriepreis Strompreis Dieselpreis Geschwindigkeit

7,5 7,0 6,5 6,0 -50%

-25% 0% 25% Veränderung der Parameter bis 2030

50%

Auswirkungen der Veränderung einzelner Parameter auf die Transportkosten des Gesamtfuhrparks im Jahr 2030

Wie bereits gezeigt werden konnte, sind die Auswirkungen des Batteriepreises auf Bestand und TCO des E-Lkw ohnehin gering. Dies gilt auch für einen steigenden Dieselpreis. Die bei einem sinkenden Dieselpreis deutlich geringeren TCO des D-Lkw führen trotz des leicht steigenden Anteils an D-Lkw im Fuhrpark zu Kostenneutralität bei den Transportkosten. Aufgrund des hohen Anteils an E-Lkw im Fuhrpark wirkt sich eine Veränderung des Strompreises entsprechend stark auf die Transportkosten aus. Noch stärker sind allerdings die Auswirkungen einer veränderten Geschwindigkeit, da sich dadurch die Jahresfahrleistung der Lkw nennenswert verändert. Sinkt die Geschwindigkeit tagsüber, sind aufgrund der längeren Tourendauern deutlich mehr Lkw erforderlich, was die Transportkosten erhöht, trotz der sinkenden TCO der einzelnen Fahrzeuge. Erhöht sich die Geschwindigkeit, nimmt der Bestand an E-Lkw zwar ab, allerdings nicht so stark, wie die Zunahme bei Verringerung der Geschwindigkeit ausfällt. Daher sinken die Transportkosten nicht stärker ab. Eine Veränderung der Geschwindigkeit um 50 % ist allerdings eher unwahrscheinlich. Beachtet man, dass die einzelnen Preisparameter sehr stark variiert werden, sind die Veränderungen der Transportkosten relativ gesehen sehr gering. Dies ist zu großen Teilen auf den hohen Personalkostenanteil zurückzuführen. Sensitivitäten der Vollladezyklen In den durchgeführten Prognosen und Bewertungen wird davon ausgegangen, dass die Batterie eines E-Lkw dessen komplette Nutzungsdauer überdauert. Dies entspricht bei einer jährlichen Laufleistung von 100.000 bis 150.000 km je nach Lkw-Größenklasse einer Batteriereichweite von 180 km und etwa 5.000 bis 7.500 Zyklen. Dieser Wert ist im Vergleich zu den aktuellen Durchschnittswerten (vgl. Peters et al. 2017, S. 501) zwar hoch angesetzt, im Durchschnitt über den Betrachtungshorizont hinweg bis 2040 ist es aber eine plausible Annahme, da deutliche Verbesserungen zu erwarten sind (Thielmann et al. 2015a, S. 5ff.; Peters et al. 2017, S. 492ff.). Zudem stellt es bei den gegebenen Tourenstrecken von durchschnittlich 120 km kein Problem dar, wenn Teile der E-Lkw ihre maximale Reichweite nicht mehr erreichen und deren Batterien

4.6 Modellergebnisse

233

Fuhrparkbestand [Lkw]

weniger als 80 % der ursprünglichen Kapazität zur Verfügung stellen. Zur Untersuchung der Auswirkungen einer geringeren Anzahl an Vollladezyklen wurden Sensitivitäten für 50 % (gepunktete Linien) und 75 % (gestrichelte Linien) der ursprünglichen Anzahl (durchgezogene Linie) berechnet.119 160

120

80

40

E-Lkw D-Lkw Gesamt ME 75% 50%

0

Abbildung 4-51:

Entwicklung des Bestands von D- und E-Lkw im Fuhrpark sowie des Gesamtfuhrparks im Szenario Moderate Energiewende (durchgezogene Linie) sowie bei 75 % (gestrichelte Linie) und bei 50 % (gepunktete Linie) der Vollladezyklen über die Zeit

Die Diffusion von E-Lkw im Fuhrparkbestand verläuft insgesamt sowohl bei 75 % als auch bei 50 % der Vollladezyklen zwar mit einer leichten Verzögerung gegenüber dem Szenario Moderate Energiewende, aber insgesamt sehr ähnlich. Durch die geringere Anzahl an Vollladezyklen steigen zwar die Batteriekosten und damit die Anschaffungskosten von E-Lkw an, wodurch die Diffusion verzögert einsetzt. In Summe ist der Einfluss der Batteriekosten aber, wie auch schon im vorigen Kapitel gezeigt wurde, relativ gering. Auch die TCO von 26 t E-Lkw zeigen keine nennenswerten Veränderungen mit Ausnahme der ersten beiden Jahre (vgl. Abbildung 4-52). Diese anfänglichen Abweichungen der TCO von E-Lkw sind auch die Ursache für die verzögerte Diffusion von E-Lkw. Es zeigt sich überdies, dass vor allem auch der Vorteil gegenüber D-Lkw bei den TCO bestehen bleibt.

119

Für die Sensitivitätsanalysen wird angenommen, dass nach der Hälfte (zwei Dritteln) der Nutzungsdauer eines E-Lkw, was 4,5 (6) Jahren entspricht, eine neue Batterie benötigt wird. Dies entspricht einer Vollladezyklenanzahl von 2.500 bis 3.750 (3.750 bis 5.625) und damit 50 % (75 %) der aktuellen Zyklenzahl. Daher wurde jeweils der Mittelwert der Batteriepreise der Jahre t+4 und t+5 (Wert von t+6) um 4,5 Jahre (6 Jahre) abgezinst und auf den aktuellen Batteriepreis aufgeschlagen.

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

TCO neuer Lkw* [Mio. €]

234

2,6 2,4 2,2 2,0 1,8 1,6 1,4 1,2 1,0 0,8

E-Lkw 26 t ME E-Lkw 26 t 75% E-Lkw 26 t 50% D-Lkw 26 t ME

* unter Annahme identischer Lieferleistung; dadurch ca. 1,5 Diesel-Lkw gegenüber 1 ELkw erforderlich

Umgerüstete Filialen [# Filialen]

Abbildung 4-52:

TCO neuer 26 t D-Lkw und E-Lkw im Szenario Moderate Energiewende (durchgezogene Linie) sowie bei 75 % (gestrichelte Linie) und 50 % (gepunktete Linie) der Vollladezyklen über die Zeit

240 200 ME 75% 50%

160 120 80 40

Abbildung 4-53:

0

Gesamtanzahl der umgerüsteten Filialen im Szenario Moderate Energiewende sowie bei 75 % und 50 % der Vollladezyklen über die Zeit

Ähnlich wie die Diffusion von E-Lkw verzögert einsetzt, zeigt sich dies auch bei den umgerüsteten Filialen und damit der Nachfrage nach Nachtbelieferung. Die Entwicklung setzt etwas später ein bei 75 % und 50 % Vollladezyklen, zeigt aber insgesamt einen ähnlichen Verlauf (vgl. Abbildung 4-53). Sensitivitäten der DCM-Parameter Um die Robustheit der Ergebnisse des System Dynamics Prognosemodells zu überprüfen, wurden zusätzlich Sensitivitäten der DCM-Parameter Anteil der Innovatoren unter den einzelnen Filialtypen sowie Schwellenwerte untersucht.

4.6 Modellergebnisse

235

Eine Variation des Anteils der Innovatoren der Filialen vom Typ I zwischen 0,05 % und 10 %, statt der zugrunde gelegten 2,5 %120 zeigte, sowohl bei den Zielgrößen als auch bei anderen Ergebnisgrößen, keine besonderen Veränderungen.

Umgerüstete Filialen [# Filialen]

Setzt man den Schwellenwert bei der Kundenentscheidung in Bezug auf die Transportkosten auf 5 % statt 10 %, ergeben sich ebenfalls kaum Veränderungen. Leichte Änderungen sind zu erkennen, wenn der Schwellenwert auf 20 % gesetzt wird. Dann sind ab der Hälfte des Betrachtungszeitraums weniger E-Lkw und auch in Summe weniger Lkw bei fast identischer Anzahl an D-Lkw erforderlich als im Szenario Moderate Energiewende. Der Grund hierfür liegt darin, dass die E-Lkw bzw. die Nachtbelieferung besser ausgelastet ist, was wiederum auf die erhöhte Nachfrage zurückzuführen ist. Bei einem höheren Schwellenwert sind die Filialen weniger kostensensitiv und eher bereit, Investitionen für einen Umbau zu tätigen. Dies zeigt sich in der Anzahl der umgerüsteten Filialen (vgl. Abbildung 4-54).

280 240

Gesamt SW20 Filialen Typ I SW20 Filialen Typ II SW20 Filialen Typ III SW20 Szenario ME

200 160 120 80 40 0

Abbildung 4-54:

Umgerüstete Filialen der einzelnen Filialtypen und Gesamtanzahl an umgerüsteten Filialen bei einem Schwellenwert von 20 (durchgezogene Linien) im Vergleich mit dem Szenario Moderate Energiewende (gestrichelte Linien)

Zwar ist wie bei den anderen Analysen das Potenzial der Filialen vom Typ I und Typ II sehr schnell ausgeschöpft, jedoch setzen nach einigen Jahren bei Filialen vom Typ III Umrüstungen ein. Dies führt dazu, dass auch die Anzahl der insgesamt umgerüsteten Filialen steigt und damit die Nachfrage nach Nachtbelieferung. Aufgrund der sehr ähnlichen Diffusion der E-Lkw im Fuhrparkbestand bei SW20 im Vergleich zum Szenario Moderate Energiewende zeigen sich allerdings bei den Zielgrößen keine besonderen Veränderungen. Ein ähnliches Ergebnis wie bei SW wird erzielt, wenn man die Amortisationszeit der Filialumrüstung auf 10 statt auf 5 Jahre setzt und damit ein geringeres Maß an Kostensensitivität simuliert.

120

Der Anteil der Innovatoren unter den anderen Filialtypen wird wie in Kapitel 4.2.5.10 beschrieben in Abhängigkeit des Anteils der Innovatoren der Filialen vom Typ I berechnet.

236

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Verändert man den Schwellenwert auf Anbieterseite, so zeigen sich bei einem Schwellenwert von 5 % keine besonderen Änderungen. Auch bei einem Wert von 20 % sind die Änderungen gering. Die E-Lkw diffundieren etwas schneller und D-Lkw scheiden zügiger aus dem Fuhrpark, was dazu führt, dass sich einige Zielgrößen wie der Ersatzbedarf, Technologieführerschaft, Schadstoffemissionen sowie soziale Größen verbessern. Zusammenfassung Der Bestand von D-Lkw im Jahr 2030 wird hauptsächlich von Dieselpreisen und in geringerem Umfang auch von Strompreisen beeinflusst, wobei den hohen relativen Änderungen sehr geringe absolute Änderungen gegenüberstehen. Demgegenüber führen sinkende Geschwindigkeiten zu einem relativen Vorteil für E-Lkw, wohingegen sinkende Dieselpreise einen Vorteil für D-Lkw generieren. Dadurch sinkt die Anzahl an E-Lkw im Fuhrpark. Auch die Änderungen der Anzahl an E-Lkw sind absolut betrachtet gering. Es zeigt sich weiterhin, dass die TCO des D-Lkw wesentlich vom Dieselpreis abhängen, wohingegen die TCO des E-Lkw im Wesentlichen durch Strompreis und Geschwindigkeit und nur in sehr geringem Umfang vom Batteriepreis beeinflusst wird. Ursache für Letzteres ist der geringe Anteil der Batteriekosten an den TCO des E-Lkw. Insgesamt sind die TCO des E-Lkw im Jahr 2030 so vorteilhaft, dass selbst extreme Änderungen einzelner Umweltparameter keine grundlegenden Änderungen im Bestand hervorrufen. Weder Batteriepreis noch Dieselpreis haben einen nennenswerten Einfluss auf die Transportkosten des Gesamtfuhrparks. Ein anderes Ergebnis zeigt sich beim Strompreis und vor allem bei den Geschwindigkeiten, welche die Transportkosten sehr deutlich beeinflussen. Sinkende Geschwindigkeiten senken zwar die TCO einzelner Lkw, allerdings besteht ein höherer Bedarf, wodurch die Transportkosten steigen. Ebenso steigen die Transportkosten durch einen steigenden Strompreis, da fast ausschließlich E-Lkw im Fuhrparkbestand sind, deren TCO dann steigen. Eine Veränderung der Anzahl an Vollladezyklen der Batterie des E-Lkw auf 75 % und 50 % zeigt nur geringe Änderungen des Fuhrparkbestands, der TCO und der Anzahl der umgerüsteten Filialen. So verläuft die Diffusion von E-Lkw im Fuhrparkbestand minimal langsamer, ebenso wie die Nachfrage nach Nachtbelieferung verzögert einsetzt, und die TCO sind mit Ausnahme der ersten beiden Jahre nur minimal höher. Wird der Anteil der Innovatoren unter den einzelnen Filialtypen verändert, ergeben sich keine nennenswerten Änderungen der Ziel- oder Ergebnisgrößen. Selbiges gilt auch für eine Halbierung des Schwellenwerts der Kundenentscheidung in Abhängigkeit von den Transportkosten. Bei einer Verdopplung des Schwellenwerts sind die Filialen weniger kostensensitiv und so rüsten vermehrt auch Filialen vom Typ III um, wodurch Nachfrage nach Nachtbelieferung und somit deren Auslastung steigt. Dies führt weiterhin zu einer leichten Reduktion des Gesamtbestands an E-Lkw. Eine Veränderung der Amortisationszeit der Filialumrüstung zeigt ähnliche Ergebnisse wie eine Veränderung des Schwellenwerts, wohingegen ein geänderter Schwellenwert auf Anbieterseite kaum Änderungen hervorruft.

4.6 Modellergebnisse

237

4.6.4 Ergebnisse des Bewertungsmodells Nachdem im vorigen Kapitel die Auswirkungen der verschiedenen Handlungsalternativen bzw. Unternehmensstrategien mittels des System Dynamics Wirkungsprognosemodells untersucht wurden, werden im Folgenden die einzelnen Strategien mithilfe des PROMETHEE-Bewertungsmodells bewertet. Grundlage hierfür bilden die mittels des System Dynamics Prognosemodells errechneten Zielgrößen im Szenario Moderate Energiewende, welche in Kapitel 4.2.2 als entscheidungsrelevant definiert wurden. Weiterhin wurden die mit dem LDL bestimmten Gewichtungen verwendet. Wie in Kapitel 3.10.5.2 erläutert sind die wesentlichen Ergebnisgrößen einer Bewertung mit PROMETHEE die Eingangsflüsse der Alternativen, welche aufzeigen, wie stark eine Alternative von anderen Alternativen dominiert wird, die Ausgangsflüsse, welche darlegen, inwieweit eine Alternative andere Alternativen dominiert, sowie die Differenz der Eingangs- und Ausgangsflüsse, die Nettoflüsse, die entscheidend für die Rangordnung der Alternativen sind. Gemäß der in Kapitel 3.11 ausgearbeiteten Methodik, sollen im Rahmen dieser Arbeit die Nettoflüsse sowohl qualitativ über die Zeit als auch kumuliert betrachtet werden. Daher werden die Nettoflüsse für die einzelnen Alternativen, in diesem Fall Strategien, berechnet und analysiert. Zunächst werden die Ergebnisse des Bewertungsmodells für die einzelnen Unternehmensstrategien aufgezeigt, bevor die Unternehmensstrategien in unterschiedlichen Umweltszenarien dargestellt werden. Unternehmensstrategien Die Nettoflüsse zeigen auf, welche Strategie zu welchem Zeitpunkt die unter den gegebenen Bedingungen vorteilhafteste Strategie ist (vgl. Abbildung 4-55). Anfangs stellt die Strategie Early Adopter mit Abstand die am besten bewertete Strategie dar, wird dann aber teilweise von der Strategie Early Majority übertroffen. Insgesamt weisen beide progressiven Strategien über den gesamten Betrachtungszeitraum hinweg stets positive Nettoflüsse auf. Sie dominieren andere Strategien daher stärker, als sie von anderen Strategien dominiert werden. Die Strategie Late Majority hingegen besitzt zu Beginn einen negativen Nettofluss, der sich weiter verschlechtert, bis er ab Mitte des Betrachtungszeitraums stetig zunimmt und am Ende sogar die Strategie Early Adopter überholt. Die am schlechtesten bewertete Strategie ist die Strategie Fahrverbote, mit einer Ausnahme von wenigen Jahren, in denen sie die Strategie Late Majority übertrifft. Weiterhin sinkt der Nettofluss der Strategie Fahrverbote über den Betrachtungszeitraum ab. Mit Ausnahme der Strategie Late Majority, die gegen Ende des Betrachtungszeitraums von einem negativen zu einem positiven Nettofluss wechselt, verändern die Nettoflüsse außerdem ihr Vorzeichen nicht. Insgesamt unterscheiden sich die Nettoflüsse der beiden progressiven Strategien kaum. Sie liegen außerdem auf einem konstant hohen Niveau, wobei sie zur Mitte des Betrachtungszeitraums leicht ansteigen, um dann wieder etwas nachzugeben. Die Nettoflüsse der beiden späten Strategien liegen bis zur Mitte des Betrachtungszeitraums ebenfalls sehr nahe beisammen, bevor sie deutlich auseinanderdriften und die Strategie Late Majority sich stark verbessert, wohingegen die Strategie Fahrverbote sich verschlechtert.

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Nettoflüsse Φnet

238

Early Adopter Early Majority Late Majority Fahrverbote

1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0

Abbildung 4-55:

Nettoflüsse der verschiedenen Strategien über die Zeit.

Durch den anfangs höheren Bestand an E-Lkw im Fuhrpark erreicht die Strategie Early Adopter in vielen Zielgrößen hohe Nutzenwerte und wird erst mit der Zeit von der Strategie Early Majority übertroffen. Die Unterschiede zwischen den beiden progressiven Strategien im weiteren Verlauf lassen sich durch das unterschiedliche Beschaffungs- und folglich Investitionsverhalten erklären, da sich alle übrigen Zielgrößen relativ ähnlich entwickeln, wie in den vorigen Kapiteln gezeigt werden konnte. Beispielsweise werden in der Strategie Early Adopter in einigen Jahren gar keine Lkw beschafft, wodurch sich Spitzen der Nettoflüsse erklären lassen. Ebenso sind Spitzen bei der Strategie Fahrverbote zu den Zeitpunkten zu erkennen, an denen jeweils große Mengen an E-Lkw beschafft werden. Dies wirkt sich auf alle Zielgrößen sehr positiv aus, mit Ausnahme der Investitionsausgaben. Der steigende Nettofluss in der Strategie Late Majority ist auf den zunehmenden Anteil an E-Lkw im Fuhrpark zurückzuführen. Weiterhin ist die Veränderung der Gewichtungen der Zielgrößen als Ursache für die hohen Nettoflüsse der progressiven Strategien sowie das Ansteigen der Strategie Late Majority zu nennen. Ökologische und soziale Aspekte, die in den beiden progressiven Strategien sehr ausgeprägt sind, gewinnen mit zunehmender Zeit immer mehr an Bedeutung, wodurch Strategien mit hohem Anteil an E-Lkw besser abschneiden. Auch bei der Strategie Late Majority steigt, wenn auch verzögert, die Anzahl der E-Lkw im Modell an. Generell stehen Sprüngen der Nettoflüsse in einzelnen Strategien häufig entgegengesetzte Wirkungen in den anderen Strategien gegenüber, was daran liegt, dass bei der Berechnung der Nutzenwerte und Ergebnisflüsse jeweils alle Strategien miteinander verglichen werden und die Differenzen in den Ausprägungen ausschlaggebend für die Bewertung sind. Eine sehr stark positiv zu bewertende Ausprägung der Zielgrößen einer Strategie führt folglich dazu, dass andere Strategien schlechter bewertet werden. In Abbildung 4-56 sind die kumulierten Nettoflüsse der verschiedenen Strategien dargestellt, welche zur Erstellung einer Rangfolge heranzuziehen sind. Beide progressiven Strategien besitzen hohe positive Nettoflüsse, wobei die Strategie Early Adopter einen etwas höheren Fluss aufweist und damit auch in Summe als beste Strategie bezeichnet werden kann.

4.6 Modellergebnisse

239

Sowohl die Strategie Late Majority als auch Fahrverbote weisen negative Nettoflüsse auf, wobei die Strategie Fahrverbote mit Abstand den geringsten Nettofluss besitzt und damit die schlechteste Strategie darstellt. Die schnelle Diffusion der nachhaltigen Dienstleistungsinnovation mit der entsprechend schnellen Diffusion von E-Lkw im Fuhrpark führt dazu, dass die Strategie Early Adopter, trotz der teilweise deutlich höheren Investitionsausgaben, die am besten bewertete Strategie darstellt. Allerdings liegt die Strategie Early Majority nicht weit dahinter auf Rang zwei. Eine ähnlich schnelle Diffusion von E-Lkw im Fuhrpark in Verbindung mit teilweise geringeren Investitionsausgaben führen zu diesem Ergebnis. Deutlich dahinter liegt die marktorientierte Strategie Late Majority. E-Lkw mit ihren zahlreichen positiven Auswirkungen auf die Zielgrößen werden erst relativ spät in höherem Umfang beschafft, weswegen diese Strategie die progressiven Strategien nicht mehr einholen kann, trotz der geringeren Investitionsausgaben. Ein hoher Anteil von D-Lkw bis zum Ende des Betrachtungszeitraums sowie deren negative Auswirkungen auf die Zielgrößen führen dazu, dass die Strategie Fahrverbote mit großem Abstand die schlechteste Strategie darstellt.

Kumulierte Nettoflüsse Φnet

15 10 5 0 -5

Early Adopter

Early Majority

Late Majority

Fahrverbote

-10 -15

Abbildung 4-56:

Über die Zeit kumulierte Nettoflüsse der verschiedenen Strategien

Umweltszenarien Ein Vergleich der Nettoflüsse der Strategien in den unterschiedlichen Umweltszenarien ist in Abbildung 4-57 zu finden. Der Nettofluss der Strategie Early Adopter weist im Szenario Teure Nachhaltigkeit (durchgezogene Linien) mit wenigen Ausnahmen eine etwas schlechtere Entwicklung auf als im Szenario Moderate Energiewende (gestrichelte Linien). Für die Strategie Early Majority sind zu Beginn leicht bessere, dann leicht schlechtere Nettoflüsse festzuhalten. In den übrigen beiden Strategien sind die Nettoflüsse im Szenario Teure Nachhaltigkeit fast ausnahmslos leicht besser. Allerdings sind die Unterschiede in Summe bei allen Strategien sehr gering.

240

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Nettoflüsse Φnet

Da in der Strategie Early Adopter anfangs deutlich mehr E-Lkw beschafft werden als in den anderen Szenarien, haben die höheren Anschaffungskosten im Szenario Teure Nachhaltigkeit einen stärkeren negativen Einfluss auf die Investitionen. Auch darüber hinaus sind die Umweltbedingungen im Szenario Teure Nachhaltigkeit für E-Lkw nachteilig, was der Grund für die schlechtere Entwicklung der Nettoflüsse bei den progressiven Strategien sind. Die Unterschiede in der Bewertung der Strategien zwischen den beiden Szenarien sind insgesamt relativ gering. Allerdings verändert sich insbesondere bei den beiden progressiven Strategien mitunter die Rangfolge. Early Adopter Late Majority Szenario ME

1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0

Abbildung 4-57:

Early Majority Fahrverbote

Nettoflüsse der verschiedenen Strategien im Szenario Teure Nachhaltigkeit (durchgezogene Linien) im Vergleich zum Szenario Moderate Energiewende (gestrichelte Linien) über die Zeit

Dieses Ergebnis spiegeln auch die kumulierten Ergebnisflüsse der Strategien in den beiden Szenarien wider (vgl. Abbildung 4-58).

Nettoflüsse Φnet TN Nettoflüsse Φnet ME

Kumulierte Nettoflüsse Φnet

15 10 5 0 -5

Early Adopter

Early Majority

Late Majority

Fahrverbote

-10 -15

Abbildung 4-58:

Kumulierte Ergebnisflüsse der verschiedenen Strategien im Szenario Teure Nachhaltigkeit (gefüllte Balken) im Vergleich zum Szenario Moderate Energiewende (gestrichelte Balken) über die Zeit

4.6 Modellergebnisse

241

Sowohl die Strategie Early Adopter als auch Early Majority weist im Szenario Teure Nachhaltigkeit (gefüllte Balken) geringere kumulierte Nettoflüsse auf als im Szenario Moderate Energiewende (gestrichelte Balken). Demgegenüber sind für die Strategien Late Majority und Fahrverbote die Nettoflüsse im Szenario Teure Nachhaltigkeit etwas höher. Die Unterschiede bei den kumulierten Nettoflüssen der Strategien zwischen den beiden Szenarien sind größer als es bei einer ausschließlichen Betrachtung der Nettoflüsse über die Zeit zu erwarten gewesen wäre. Zwar verringern sich die Unterschiede der kumulierten Nettoflüsse zwischen den progressiven Strategien und den beiden Strategien Late Majority und Fahrverbote. Die Veränderungen sind aber noch so gering, dass sich weder das Vorzeichen eines Nettoflusses noch die Rangordnung der Strategien ändert. Dies ist der Fall trotz der erkennbaren Verbesserungen in den Strategien Late Majority und Fahrverbote. Vor allem letztere profitiert von den besseren Rahmenbedingungen für D-Lkw (primär geringere Dieselpreise) stark und so weisen ihre Nettoflüsse die größten Verbesserungen auf. Es zeigt sich in Summe, dass die ausgearbeitete Methodenkombination einen adäquaten Ansatz für die Problemstellung darstellt, da erst die Betrachtung der Nettoflüsse über die Zeit in Verbindung mit den kumulierten Ergebnisflüssen ein ganzheitliches Bild zeichnet. Unterschiedliche Gewichtungen Als Sensitivitätsanalyse wurde die Bewertung der verschiedenen Strategien mit unterschiedlichen Gewichtungen der Zielgrößen durchgeführt. Die entsprechenden kumulierten Nettoflüsse sind in Abbildung 4-59 dargestellt.

Kumulierte Nettoflüsse Φnet

15 Nettoflüsse Φnet Anwendungsfall Nettoflüsse Φnet Gleichgewichtung Nettoflüsse Φnet Fokus Kosten

10 5 0 Early Adopter

Early Majority

Late Majority

Fahrverbote

-5 -10 -15

Abbildung 4-59:

Kumulierte Nettoflüsse der verschiedenen Strategien bei unterschiedlichen Gewichtungen der Zielgrößen

Eine Gleichgewichtung aller Zielgrößen zeigt gegenüber einer Gewichtung gemäß des Anwendungsfalls kaum Unterschiede in den Nettoflüssen. Der leicht bessere Nettofluss der Strategie Early Adopter bei Gleichgewichtung ist vermutlich darauf zurückzuführen, dass finanzielle As-

242

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

pekte dabei am Anfang etwas geringer, technologische Vorreiterschaft ebenso wie Lärmemissionen jedoch deutlich stärker gewichtet werden. In Summe sind die Veränderungen jedoch sehr gering. Wird ein klarer Fokus auf die Kosten gelegt, Investitionsausgaben und Transportkosten je 40 %, restliche Zielgrößen gleichverteilt, ergeben sich deutliche Veränderungen der Nettoflüsse. Die Nettoflüsse beider progressiven Strategien geben deutlich nach, da die Investitionen für E-Lkw deutlich höher sind. Dies führt außerdem dazu, dass die Strategie Early Majority mit minimaler Differenz zur Strategie Early Adopter auf Rang eins tritt. Weiterhin verändert der Nettofluss der Strategie Late Majority sein Vorzeichen und wird positiv. Die anfangs geringeren Investitionen durch die überwiegende Beschaffung von D-Lkw und die späte Beschaffung von mit der Zeit immer günstigeren E-Lkw führt zu dieser Entwicklung bei der Strategie Late Majority. Auch die Strategie Fahrverbote kann aus diesem Grund ihren Nettofluss deutlich verbessern. Die strategischen, ökologischen und sozialen Zielgrößen tragen in beiden progressiven Strategien, vor allem bei der Strategie Early Adopter, einen nennenswerten Anteil zur positiven Bewertung bei. Dies zeigt sich daran, dass die Strategie Early Adopter den ersten Rang bei einem Fokus auf Kosten an die Strategie Early Majority abgeben muss und dass der Abstand der progressiven Strategien gegenüber den übrigen stark abnimmt. Gleichzeitig stellen die progressiven Strategien auch bei einem Fokus auf Kosten mit Abstand die besseren Strategien dar. Dies hebt deren Überlegenheit gegenüber den anderen Strategien hervor, die sowohl in ökonomischen als auch in strategischen, ökologischen und sozialen Zielgrößen besteht. Zusammenfassung Bei der Bewertung der Strategien zeigen die Nettoflüsse auf, dass die beiden progressiven Strategien gegenüber den Strategien Late Majority und Fahrverbote im Zeitverlauf deutlich überlegen sind und somit als vorteilhaft zu bewerten sind. Hauptursache hierfür ist der schnell steigende Anteil von E-Lkw im Fuhrpark in den progressiven Strategien und die damit verbundene positive Entwicklung zahlreicher Zielgrößen. So ist die Strategie Early Adopter trotz insgesamt hoher Investitionsausgaben auf Rang eins, dicht gefolgt von der Strategie Early Majority. Letztere kann zwar geringere Investitionsausgaben vorweisen, wird aber aufgrund der etwas langsameren Diffusion von E-Lkw in strategischen, ökologischen und sozialen Zielgrößen schlechter bewertet. Mit großem Abstand folgt die Strategie Late Majority, bei der sich die Diffusion von E-Lkw deutlich langsamer vollzieht, weshalb sich deren Bewertung erst mit der Zeit verbessert, am Ende des Betrachtungszeitraums aber sogar über der Strategie Early Majority liegt. Am schlechtesten wird die Strategie Fahrverbote bewertet, die bis zum Ende des Betrachtungszeitraums einen hohen Anteil an D-Lkw im Fuhrpark aufweist, was wiederum zu negativen Auswirkungen auf die Zielgrößen führt. Die Bewertungen der Strategien in den beiden Umweltszenarien unterscheiden sich in Summe kaum. Da aber die progressiven Strategien von den, vor allem für E-Lkw, schlechteren Umweltbedingungen im Szenario Teure Nachhaltigkeit in erhöhtem Umfang betroffen sind, liegen hier geringfügig höhere Differenzen der Nettoflüsse in den beiden Umweltszenarien vor. Weiterhin verändert sich zwischenzeitlich bei den progressiven Strategien die Rangfolge, wodurch die Strategie Early Majority Rang eins einnimmt. Betrachtet man die kumulierten Ergebnisflüsse, fallen die Unterschiede zwischen den Szenarien Teure Nachhaltigkeit und Moderate Energiewende größer aus, als es bei einer ausschließlichen Betrachtung der Nettoflüsse über

4.7 Zusammenfassung der Erkenntnisse aus den Modellen

243

die Zeit zu erwarten gewesen wäre. Andererseits verändern sich, trotz deutlicher Verbesserungen der Ergebnisflüsse der Strategien Late Majority und Fahrverbote und Verschlechterungen bei den progressiven Strategien, weder die Vorzeichen der Nettoflüsse noch die Rangordnung. Es zeigt sich somit einerseits die Dominanz der progressiven Strategien und andererseits, dass sowohl die Entwicklung der Nettoflüsse über die Zeit als auch kumulierte Ergebnisflüsse für eine Entscheidung zu betrachten sind. Dies zeigt die Eignung der gewählten Methoden. Unterschiedliche Gewichtungen der einzelnen Zielgrößen haben kaum Einfluss auf die Rangordnung. Bei Gleichgewichtung werden finanzielle Aspekte am Anfang geringer gewichtet, weshalb die Strategie Early Adopter trotz anfänglich hoher Investitionsmehrausgaben besser bewertet wird. Die Unterschiede bei Gleichgewichtung sind gegenüber dem Anwendungsfall insgesamt aber sehr gering. Ein anderes Bild bietet sich bei einem Fokus auf Kosten. Die stärkere Gewichtung finanzieller Aspekte resultiert in deutlich geringeren Nettoflüssen der progressiven Strategien und Verbesserungen bei den Strategien Late Majority und Fahrverbote. Grund hierfür sind die höheren Anschaffungskosten für E-Lkw, die vor allem die progressiven Strategien betreffen. Es ändert sich auch die Rangfolge und die Strategie Early Majority nimmt mit geringem Abstand Rang eins ein, was auf die höheren Investitionsmehrausgaben der Strategie Early Adopter, vor allem am Anfang des Betrachtungszeitraums, zurückzuführen ist. Insgesamt tragen sowohl die ökonomischen als auch die strategischen, ökologischen und sozialen Zielgrößen zur vorteilhaften Bewertung der progressiven Strategien bei, was sehr deutlich deren Dominanz aufzeigt. 4.7

Zusammenfassung der Erkenntnisse aus den Modellen

Unter den progressiven Strategien vollzieht sich die Diffusion der nachhaltigen Dienstleistungsinnovation sehr schnell und erfordert lediglich etwas mehr als einen Lkw-Lebenszyklus. Da in diesen Strategien von Beginn an fast ausschließlich E-Lkw beschafft werden, kann die Nutzungsdauer folglich als kritischer Faktor für die Geschwindigkeit der Diffusion gesehen werden. Grund für die Entwicklung ist die erhöhte Lieferleistung des E-Lkw in der Nachtbelieferung gegenüber dem D-Lkw in der reinen Tagesbelieferung. Dies führt dazu, dass die Gesamtanzahl an erforderlichen Fahrzeugen mit zunehmender Diffusion von E-Lkw sinkt. Voraussetzung hierfür ist allerdings eine hohe Auslastung der Nachttouren, denn nur dann besteht ein TCO-Vorteil für den E-Lkw. Sowohl in der Tagesbelieferung als auch in der Nachtbelieferung werden die TCO der beiden Lkw-Typen zu fast zwei Dritteln durch die Personalkosten bestimmt. Höheren Fahrzeugkosten des E-Lkw, bedingt durch hohe Batteriekosten, stehen dessen geringere Verbrauchskosten gegenüber. Infrastrukturkosten für E-Lkw spielen überraschenderweise fast keine Rolle. Auch ohne die Implementierung einer Nachtbelieferung kann in naher Zukunft, trotz der hohen Investitionen, ein Kostenvorteil für den E-Lkw erzielt werden, wobei dieser wesentlich von sinkenden Batteriepreisen und damit von technologischem Fortschritt stammt. Kostensenkungen bei innovativen nachhaltigen Technologien aufgrund zunehmender Skalen- und Lerneffekte werden folglich dafür sorgen, dass nachhaltige Dienstleistungsinnovationen innerhalb kurzer Zeit aus ökonomischer Sicht vorteilhaft werden.

244

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Auf Kundenseite entwickelt sich die Nachfrage unter den progressiven Strategien, primär aufgrund der Transportkostenvorteile, ebenfalls sehr schnell, wobei die Nachtbelieferung vor allem für einfach umzurüstende Filialen attraktiv ist. Transportkostenvorteile können wiederum nur realisiert werden, wenn eine hohe Auslastung der Nachtbelieferung gegeben ist. Eine gegenüber der Auslastung deutlich geringere, aber trotzdem nicht zu vernachlässigende Rolle spielt eine hohe Erfüllungsrate der Nachfrage, damit möglichst viele Filialen von den Vorteilen einer Nachtbelieferung profitieren können. Der Anteil von E-Lkw im Fuhrpark und die Nachfrage nach Nachtbelieferung verstärken sich gegenseitig, wobei von der Nachfrage ein relativ schwacher Effekt, über die erforderliche hohe Auslastung zur Realisierung der Transportkostenvorteile, ausgeht. Insgesamt kann das Angebot nicht mit der Nachfrage nach Nachtbelieferung Schritt halten. Aufgrund von in der Vergangenheit getroffenen Beschaffungsentscheidungen entwickeln sich zahlreiche Zielgrößen, trotz der zunehmenden Diffusion von E-Lkw, zunächst negativ. Folglich sollten sich Unternehmen möglichst frühzeitig mit einer potenziellen Implementierung nachhaltiger Dienstleistungsinnovationen auseinandersetzen, um den Übergang möglichst vorteilhaft ausgestalten zu können. Die beschriebenen Entwicklungen und Erkenntnisse sind weitgehend unabhängig von den betrachteten Umweltszenarien, von einer möglichen City-Maut für D-Lkw oder von Steuerbefreiungen für E-Lkw. So kommt die Diffusion in einem für E-Lkw ungünstigen Szenario nur wenig langsamer in Gang, ebenso wie sich die Nachfrage zwar zeitversetzt, aber fast ebenso schnell entwickelt. Einzig höhere Investitionsausgaben und höhere Transportkosten sind zu verzeichnen. Dies führt jedoch nur zu unwesentlichen Veränderungen in der Gesamtbewertung. Eine sehr ähnliche Entwicklung vollzieht sich sowohl für Angebot als auch Nachfrage nach Nachtbelieferung bei den beiden progressiven Strategien, wo die Diffusion sehr schnell gelingt. Deutlich langsamer gelingt die Diffusion bei den beiden abwartenden Strategien. Dies ist auch der Grund dafür, dass diese Strategien in fast allen Zielgrößen schlechter abschneiden als die progressiven Strategien, weshalb sie auch fast über die gesamte Betrachtungsdauer hinweg und auch in Summe schlechter bewertet werden. Anfangs hohen Investitionsvolumina stehen in den progressiven Strategien mittelfristig geringere Transportkosten sowie zahlreiche strategische, ökologische und soziale Vorteile gegenüber. In der Gesamtbewertung nehmen die progressiven Strategien von Anfang an die ersten beiden Ränge ein, was auf die schnelle Diffusion der nachhaltigen Dienstleistungsinnovation zurückzuführen ist und mit der Zeit heben sie sich immer stärker von den abwartenden Strategien ab. Die im Zeitverlauf sehr nahe beieinanderliegenden Bewertungen der progressiven Strategien liegen bei einer Betrachtung des kumulierten Ergebnisses doch deutlich weiter auseinander als erwartet, obwohl die beiden Strategien bei der Betrachtung über die Zeit sogar mehrfach ihren Rang ändern. Dies betont die Wichtigkeit der Betrachtung sowohl der Bewertung über die Zeit als auch in Summe. Unterstützt wird die Dominanz der progressiven Strategien überdies durch die wachsende Bedeutung ökologischer und sozialer Aspekte, in denen sie aufgrund ihres hohen Anteils an E-Lkw gegenüber den abwartenden Strategien sehr viel positiver zu bewerten sind. Eine zu-

4.7 Zusammenfassung der Erkenntnisse aus den Modellen

245

rückhaltende Strategie kann langfristig zwar ähnliche Vorteile aufweisen wie progressive Strategien, allerdings ist sie in unter den gegebenen Zielgrößen in Summe deutlich schlechter zu bewerten. Hohe anfängliche Investitionen, wie sie in den progressiven Strategien erforderlich sind, dürfen daher kein Hinderungsgrund für die Implementierung nachhaltiger Dienstleistungsinnovationen sein, da sie trotzdem von Beginn an vorteilhaft sein können. Dies unterstreicht die Wichtigkeit einer langfristigen Betrachtung möglichst breit gefächerter Ziel- und Ergebnisgrößen die alle Nachhaltigkeitsdimensionen abdecken. Zwar wirken sich extreme Veränderungen des Dieselpreises auf TCO und Bestand des D-Lkw aus, jedoch sind die Änderungen absolut betrachtet, aufgrund der deutlich niedrigeren TCO des E-Lkw, sehr gering. Ebenfalls sehr geringe Auswirkungen besitzt eine Änderung des Batteriepreises bis 2030, was daran liegt, dass dieser auch im Maximalfall unter den aktuellen Preisen liegt. Eine Änderung des Strompreises führt aufgrund des hohen Anteils der Verbrauchskosten an den TCO zu entsprechenden Änderungen des Bestands, aber vor allem der TCO der E-Lkw. Überraschenderweise besitzen die Geschwindigkeiten einen sehr großen Einfluss. Sinkende Geschwindigkeiten am Tag führen zu einem größeren relativen Vorteil der E-Lkw und auch dazu, dass Lkw weniger Touren fahren können, wodurch sich die TCO einzelner Lkw verringern, die Transportkosten in Summe aber erhöhen. Trotz einer sehr starken Variation der Parameter sind die Veränderungen von Bestand, TCO und Transportkosten sowohl von D-Lkw als auch von E-Lkw relativ gering. Dies ist vor allem auf die aufgrund der erhöhten Lieferleistung deutlich vorteilhafteren TCO der E-Lkw und den hohen Anteil der Personalkosten an den TCO zurückzuführen, der die anderen Kosten dominiert. Die Gesamtbewertung ist sehr robust gegenüber veränderten Gewichtungen und es kommt nur in einem Fall zum Tausch zweier Ränge. Da die progressiven Strategien in fast allen Zielgrößen besser abschneiden, tragen strategische, ökonomische, ökologische und soziale Zielgrößen gleichermaßen zur Dominanz der progressiven Strategien bei. Kausaldiagramm Abschließend soll das im Rahmen der CIA entwickelte Kausaldiagramm sowie die aufgestellten Hypothesen verifiziert werden (vgl. Tabelle 4-30). Bei den folgenden Ausführungen ist zu beachten, dass die Angaben zur Stärke der Beziehung nicht auf expliziten quantitativen Auswertungen der Wirkungszusammenhänge basieren, sondern dass es sich um eine Einschätzung auf Basis der Ergebnisse des Prognosemodells handelt. Hierzu wurde das Szenario Moderate Energiewende mit der Strategie Early Majority betrachtet. Die Anzahl an E-Lkw im Fuhrpark hat sowohl eine positive Wirkung auf die Reaktionsfähigkeit (H1a) als auch auf die technologische Vorreiterschaft (H1b). Je mehr E-Lkw im Fuhrparkbestand vorhanden sind, desto geringer ist der Ersatzbedarf (vgl. Abbildung 4-30), wodurch die Reaktionsfähigkeit steigt. Es ist aber zu beachten, dass die Wirkung anfangs zeitverzögert auftritt und von der Verteilung der D-Lkw auf die Risikoklassen abhängt. Betrachtet man den Kurvenverlauf des Ersatzbedarfs, kann man einen starken Effekt konstatieren. Die technologische Vorreiterschaft steigt vor allem am Anfang des Betrachtungshorizonts mit zunehmendem E-Lkw Anteil stark an, da der Markt noch relativ unentwickelt ist (vgl. Abbildung 4-31). Mit zunehmender Zeit wird der Effekt schwächer, ist in Summe aber als stark zu bewerten. Die Schad-

246

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

stoffemissionen (H1c) (vgl. Abbildung 4-32) ebenso wie die Lärmemissionen (H1d) (vgl. Abbildung Anhang 7-11) sinken mit zunehmender Durchführung der Nachtbelieferung stark ab. Ein nur sehr schwacher positiver Effekt geht von der Durchführung der Nachtbelieferung auf die Lieferpünktlichkeit aus (H1e) (vgl. Abbildung Anhang 7-12), wohingegen der positive Effekt auf die Verkehrsverlagerung stark ist (H1f) (vgl. Abbildung 4-27). Die Tourendauer verringert sich nur in sehr schwachem Umfang mit zunehmender Durchführung der Nachtbelieferung (H1g) (vgl. Abbildung 4-21). Eine steigende Anzahl an E-Lkw im Fuhrpark in Verbindung mit einer zunehmenden Durchführung von Nachtbelieferung führt zu einer starken Verringerung der Kosten (H1h). Zwar sind bei einer umfassenden Beschaffung von E-Lkw in den ersten beiden Jahren die Transportkosten (vgl. Abbildung 4-43) und in den ersten Jahren die Investitionsausgaben (vgl. Abbildung 4-41) etwas höher, betrachtet man jedoch den gesamten Zeitraum (vgl. Abbildung 4-42, Abbildung 4-43), ist die Nachtbelieferung sowohl bezüglich Transportkosten als auch Investitionen klar vorteilhaft. Insgesamt handelt es sich also um eine verzögerte Wirkung. Dass eine zunehmende Anzahl an umgerüsteten Filialen die Anzahl der E-Lkw im Fuhrpark bzw. die Durchführung der Nachtlogistik erhöht, konnte nicht bestätigt werden (H2). Vielmehr ist hier ein indirekter Effekt festzuhalten, weswegen das Kausaldiagramm entsprechend zu ergänzen war (ergänzte Variablen sind kursiv dargestellt). Durch die steigende Anzahl an umgerüsteten Filialen steigt die Auslastung der Nachtbelieferungen, wodurch deren Kosten sinken, was wiederum dazu führt, dass die Kostendifferenz gegenüber der Tagesbelieferung sinkt, wodurch die Anzahl der E-Lkw im Fuhrpark und somit auch die Durchführung von Nachtbelieferungen zunimmt (vgl. Kapitel 4.6.1.1). Dadurch konnte ein selbstverstärkender Regelkreis R6 ergänzt werden. Dass verbesserte Reaktionsfähigkeit (H3) sowie Lieferpünktlichkeit (H6) eine positive Wirkung auf die Filialumrüstungen haben, konnte bestätigt werden, denn beide Größen werden entsprechend bei der Kundenentscheidung berücksichtigt. Darüber hinaus wurde im Rahmen der Modellerstellung und Ergebnisanalyse festgestellt, dass die angenommene stark negative Wirkung von Kosten der Nachtbelieferung auf die Anzahl an umgerüsteten Filialen und damit auf die Kundenanzahl nicht eindeutig ist. Vielmehr hängt sie davon ab, wie die Kosten einer Nachtbelieferung mit E-Lkw im Vergleich zu einer Tagesbelieferung mit D-Lkw ausfallen. Daher war eine Anpassung des Kausaldiagramms erforderlich. Um eine eindeutige Wirkungsrichtung bestimmen zu können (Sterman 2000, S. 146f.), wurden hierzu die Variablen „Kosten Tagesbelieferung“ und „Kostendifferenz gegenüber Tagesbelieferung“ (Kosten Nachtbelieferung minus Kosten Tagesbelieferung) ergänzt. Mit steigenden Kosten der Nachtbelieferung nimmt die Kostendifferenz stark zu. Darüber hinaus haben die Kosten der Tagesbelieferung eine stark negative Wirkung auf die Kostendifferenz. Steigt die Kostendifferenz an, führt dies dazu, dass gemäß der Entscheidungslogik im Modell einerseits deutlich weniger Filialen umrüsten, und andererseits, dass weniger E-Lkw beschafft werden. Ein selbstverstärkender Regelkreis R7 konnte dadurch ergänzt werden. Gleichzeitig wurde H4 jedoch durch eine negative Wirkung von Kostendifferenz auf Kundenanzahl ersetzt. Weiterhin können bei zunehmender Tourendauer weniger Touren je Tag bzw. je Nacht durchgeführt werden, wodurch die Verkehrsverlagerung abnimmt (H5a), jedoch nur in geringem Umfang. Nimmt die Tourendauer in der Nachtbelieferung zu, so steigen überdies die Kosten (H5b), da mehr E-Lkw sowie mehr Lkw-Fahrer erforderlich sind.

4.7 Zusammenfassung der Erkenntnisse aus den Modellen

247

Die zunehmende Verkehrsverlagerung führt dazu, dass die Tourendauer sinkt (H7a), da nächtliche Touren aufgrund der höheren Durchschnittsgeschwindigkeit kürzer dauern. Bei der Durchführung der CIA wurde ein positiver Wirkungszusammenhang zwischen Verkehrsverlagerung und Lieferpünktlichkeit bestimmt (H7b). In Experteninterviews konnte dieser Zusammenhang jedoch nicht bestätigt werden. Außerdem kann zwischen Verkehrsverlagerung und Kosten (H7c) aufgrund der bei Nachtbelieferung vorteilhaften Lieferleistung des E-Lkw gegenüber dem D-Lkw eine stark negative Wirkung festgestellt werden. Hypothese

Wirkungsrichtung

Wirkungsrichtung korrigiert

Stärke

Stärke korrigiert

Bemerkung

H1a

+

/

1

2

zeitverzögert, abhängig von Verteilung D-Lkw auf Risikoklassen

H1b

+

/

1

2

anfangs starke Wirkung, die mit der Zeit schwächer wird

H1c

-

/

2

/

/

H1d

-

/

2

/

/

H1e

+

/

1

/

/

H1f

+

/

1

2

/

H1g

-

/

1

/

/

H1h

+

/

2

/

zeitverzögert

H2

+

n.v.

1

n.v.

indirekte Wirkung über Auslastung

H3

+

/

1

/

/

H4

-

n.v.

2

n.v.

ersetzt

H5a

-

/

1

/

/

H5b

+

/

1

/

/

H6

+

/

1

/

/

H7a

-

/

2

1

/

H7b

+

n.v.

1

n.v.

nicht bestätigt

H7c

-

/

1

2

Wirkung durch Lieferleistung

Tabelle 4-30:

Zusammenfassende Verifizierung der Hypothesen mit korrigierter Wirkungsrichtung und Stärke

Es ist zu betonen, dass sowohl das ursprüngliche (vgl. Abbildung 4-2) als auch das überarbeitete Kausaldiagramm (vgl. Abbildung 4-60) teilweise vereinfachte und unvollständige Zusammenhänge und damit Hypothesen umfasst. Folglich ist das Kausaldiagramm und damit das aufgestellte Hypothesenmodell sowie dessen Verifizierung nicht eineindeutig, sondern es besteht ein gewisser Interpretationsspielraum. Dies ist der gewählten Methode inhärent, stellt jedoch vor dem Hintergrund der Problemstellung keine Einschränkung dar.

248

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

+

Reaktionsfähigkeit Nachtbelieferung

H1a -

H1b

E-Lkw im Fuhrpark/ Durchführung Nachtbelieferung H1g H1h

H6

+ Lieferpünktlichkeit Nachtbelieferung

H1f

-

Lärmemissionen Transport Nachtbelieferung

-

H1e +

R1

CO2/NOx-Emissionen Nachtbelieferung

H1c H1d

H3

Technologischer Vorreiter Nachtbelieferung

+

H7a

Verkehrsverlagerung Nachtbelieferung

-

R5

H5b R4

Auslastung Nachtbelieferung

R3

-

R6

Kosten + Nachtbelieferung -

+

Kunden umgerüstete Filialen

+ H7c

H5a

Tourendauer - Nachtbelieferung

+

R2

+

Kostendifferenz gegenüber Tagesbelieferung

Kosten Tagesbelieferung

R7

Abbildung 4-60:

4.8

Überarbeitetes und mittels System Dynamics verifiziertes Kausaldiagramm

Diskussion und Limitationen der Ergebnisse

In diesem Kapitel soll diskutiert werden, wie einerseits Annahmen des Entscheidungsmodells und andererseits einzelne Parameter die Ergebnisse beeinflussen. Grundlegende Annahmen Es wird davon ausgegangen, dass die Nachtbelieferung der Filialen, sofern diese umgerüstet sind und eine ausreichende Anzahl an E-Lkw zur Verfügung steht, direkt durchgeführt werden kann. Dabei bleibt unberücksichtigt, dass für eine Nachtbelieferung in Abhängigkeit von der zuständigen Kommune unterschiedliche Genehmigungen eingeholt werden müssen und dass die aktuelle Rechtslage teilweise sehr unterschiedlich ausgelegt wird. Folglich ist mit jeder Umrüstung ein großer organisatorisch-rechtlicher Aufwand verbunden, für den es keinen einheitlichen Prozess gibt und dessen Ausgang ungewiss ist. Dies stellt ein Risiko dar, bei dem unklar ist, ob LDL bzw. Filiale dieses in Kauf nehmen wollen. Dieser Aspekt konnte im Modell nicht berücksichtigt werden, würde aber ein starkes Hemmnis für die Entwicklung der Kundennachfrage darstellen, die dann deutlich langsamer zunehmen würde. Weiterhin wird angenommen, dass in allen relevanten Lkw-Größenklassen geeignete elektrische Varianten verfügbar sind und dass die E-Lkw ohne Verzögerung direkt im Fuhrpark genutzt werden können. Zwar sind aktuell in den relevanten Größenklassen E-Lkw verfügbar, allerdings stammen diese nicht von etablierten Lkw-OEM, sondern von kleineren Unternehmen, die Lkw individuell umrüsten und die nicht in der Lage sind, große Stückzahlen schnell und zu akzeptablen Kosten herzustellen. Um eine schnelle Diffusion, wie im Modell simuliert, erreichen zu können, ist es daher erforderlich, dass die zahlreichen Ankündigungen der großen

4.8 Diskussion und Limitationen der Ergebnisse

249

OEM, entsprechende E-Lkw-Modelle auf den Markt zu bringen, rasch in die Realität umgesetzt werden. Aber selbst wenn die großen OEM zeitnah in den Markt eintreten, sind vermutlich Lieferengpässe zu erwarten, wie es aktuell auch bei E-Pkw der Fall ist. Eine schlechte Verfügbarkeit von E-Lkw würde die Diffusion der E-Lkw im Fuhrpark und damit der nachhaltigen Dienstleistungsinnovation im Modell und auch in der Praxis sehr stark dämpfen. Es ist zu erwarten, dass noch einige Jahre vergehen, bis geeignete E-Lkw in der Breite verfügbar sind. Für den vorliegenden Anwendungsfall wird überdies angenommen, dass Anbieter und Kunde Bestandteil des gleichen Unternehmens sind. Dies führt zu der Einschränkung, dass der Kunde keine Möglichkeit hat auf einen alternativen Anbieter zurückzugreifen, wenn Unzufriedenheit mit Lieferqualität und Lieferkosten besteht oder wenn der Anbieter nicht in der Lage ist, die Nachfrage zu erfüllen. So bleibt bei den Berechnungen in fast allen Umweltszenarien und Strategien ein großer Teil der Nachfrage nach Nachtbelieferung längere Zeit unerfüllt, da die Diffusion von E-Lkw im Fuhrparkbestand zu langsam voranschreitet. Bei freiem Wettbewerb würde der Kunde einen anderen Anbieter wählen, wenn der ursprüngliche Anbieter nicht in der Lage wäre, die Nachfrage zu erfüllen. Da jedoch davon ausgegangen werden kann, dass alternative Anbieter ihre D-Lkw ebenfalls nicht vor Ende der Nutzungsdauer durch E-Lkw ersetzen und somit E-Lkw-Kapazitäten auch erst langsam aufbauen können, kann davon ausgegangen werden, dass diese Annahme keine Einschränkung darstellt. Bei Anbietern, die hingegen schnell große E-Lkw-Kapazitäten aufbauen, ist davon auszugehen, dass die anfänglich entstehenden Mehrinvestitionen in Form höherer Transportkosten an den Kunden weitergegeben würden, wodurch die Attraktivität der Nachtbelieferung für den Kunden sinken und die Nachfrage weniger schnell steigen würde. Andererseits entspricht die Annahme, dass Anbieter und Kunde im gleichen Unternehmen angesiedelt sind, nicht gänzlich der Realität. Ein nennenswerter Anteil der Touren wird im Anwendungsfall an externe LDL outgesourct, sodass das Angebot nicht nur vom unternehmensinternen Anbieter bestimmt wird. Diesem Umstand ist jedoch geringer Einfluss auf die Ergebnisse des Entscheidungsmodells beizumessen, da ein externer LDL unter ähnlichen betriebswirtschaftlichen Umständen Beschaffungsentscheidungen treffen würde, wie der interne LDL, da die logistischen Rahmendaten identisch sind. Methodische Annahmen Die Grundlage für die Beschaffungsentscheidung stellen für den LDL die TCO der Lkw dar. Einerseits wurde diese Herangehensweise in verschiedenen anderen Arbeiten gewählt und andererseits ist die Logistik, wie bereits erläutert, eine sehr wettbewerbs- und kostenorientierte Branche, weswegen die Annahme der Problemstellung angemessen ist. Trotz des steigenden Nachhaltigkeitsbewusstseins in Gesellschaft und Politik, welches auch in der Logistik eine zunehmende Rolle spielt, muss eine nachhaltige Dienstleistungsinnovation wirtschaftlich tragfähig sein. Die für die Bewertung der Strategien gewählten Zielgrößen und Gewichtungen zeigen aber, dass neben ökonomisch-operativen Vorteilen auch ökonomisch-strategische sowie ökologische und soziale Aspekte eine Rolle spielen und gegebenenfalls auch bei der Beschaffungsentscheidung zu berücksichtigen sind. Da Nachtbelieferung mit E-Lkw jedoch in fast allen Bewertungsdimensionen vorteilhaft ist, hätte eine andere Entscheidungslogik keinen nennenswerten Einfluss auf das Ergebnis.

250

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

Als Methode zur Erstellung von Wirkungsprognosen wurde System Dynamics gewählt, denn nur damit lassen sich die Interaktion zwischen Angebot und Nachfrage sowie die Einflüsse und Änderungen der verschiedenen exogenen Größen über die Zeit adäquat berücksichtigen und abbilden. Ein statischer Modellansatz wäre nicht in der Lage gewesen, dies angemessen zu berücksichtigen. Methoden wie agentenbasierte Modellierung, die viele kleine Einheiten (Agenten) berücksichtigt, die jeweils verschiedene Entscheidungs- und Handlungsmöglichkeiten besitzen, wären ebenfalls nicht geeignet gewesen, da im Fokus der Untersuchung das Treffen einer Entscheidung aus Unternehmenssicht steht und nicht das detaillierte Abbilden der Markt- bzw. Kundenseite. Für die Modellierung von Logistiknetzwerken mit mehrstufigen Lieferketten wäre die agentenbasierte Modellierung allerdings sicherlich ein adäquater Ansatz gewesen. Weiterhin wird im Wirkungsprognosemodell weder die Anzahl der Lkw und der umgerüsteten Filialen noch die Anzahl der Touren gerundet. Dies stellt zwar einen Bruch mit der Realität dar. Würden die Werte aber gerundet, in erneute Berechnungen einfließen und dann wieder gerundet werden, könnte schlussendlich das Ergebnis entscheidend verfälscht werden. Im Wirkungsprognosemodell wird überdies davon ausgegangen, dass jährlich eine Beschaffungsentscheidung getroffen wird, jeweils auf Basis aktueller Preise. Tatsächlich werden Beschaffungsentscheidungen bei Lkw alle zwei bis drei Jahre getroffen und es ist davon auszugehen, dass LDL auch mögliche künftige Entwicklungen, beispielsweise der Anschaffungs- oder Kraftstoffpreise, mit in Betracht ziehen. Die getroffenen, vereinfachten Modellannahmen haben aber keinen besonderen Einfluss auf die Modellergebnisse. Parameter Die Parameter wurden grundsätzlich bereits in Kapitel 4.2.5 diskutiert. Darüber hinaus wurden in Kapitel 4.6.1 zwei unterschiedliche Umweltszenarien untersucht und in Kapitel 4.6.3 bereits Sensitivitätsanalysen durchgeführt, um zu überprüfen, welchen Einfluss starke Abweichungen der Parameter von den angenommenen Werten haben. Im Folgenden sollen Auswirkungen von potenziellen Änderungen weiterer verwendeter Parameter diskutiert werden. Die Tourenstrecke stellt einen wichtigen Parameter dar, vor allem vor dem Hintergrund der Diskussion, ob die Reichweiten von Elektrofahrzeugen ausreichend sind (Lane et al. 2018). Ebenso wie alle weiteren logistischen Parameter stellt sie einen Durchschnittswert dar, was bedeutet, dass in der Realität deutlich höhere, aber auch niedrigere Werte vorkommen können. Problematisch ist hierbei zu betrachten, dass die Reichweite des E-Lkw auf 180 km begrenzt ist, womit er grundsätzlich nicht in der Lage wäre, längere Touren durchzuführen. Mehrere Aspekte kommen hierbei jedoch zum Tragen. Zunächst sind in allen Umweltszenarien und Strategien bis zum Ende des Betrachtungshorizonts D-Lkw im Bestand, wenn auch in geringer Anzahl. Diese könnten dann auf den längeren Tourenstrecken eingesetzt werden, da sie eine deutlich höhere Reichweite haben. Weiterhin ist zu erwarten, dass sich aufgrund der Weiterentwicklung der Batterietechnologie (vgl. Thielmann et al. 2017) auch die Reichweite von E-Lkw erhöht. Dies ist zwar nicht im Modell abgebildet, wäre aber in der Realität eine Lösung. Schließlich ist auch eine Zwischenladung an den Filialen denkbar. Sowohl mit einer Ladeleistung von 44 kW als auch 150 kW könnte während der Be- und Entladung an den Filialen die Reichweite erhöht werden. Berechnungen im Prognosemodell haben gezeigt, dass die Mehr-

4.8 Diskussion und Limitationen der Ergebnisse

251

kosten für eine Ausstattung aller Filialen mit 44 kW Ladesäulen sehr gering und daher zu vernachlässigen wären. Einen großen Einfluss auf die Wirtschaftlichkeit der Nachtbelieferung besitzen die Belieferungszeiten. Es wird davon ausgegangen, dass über die kompletten Nachtstunden zwischen 22 und 6 Uhr Belieferungen durch E-Lkw durchgeführt werden können. Dies ist, wie in Kapitel 4.6.1.1 erläutert, ein wesentlicher Vorteil des E-Lkw gegenüber dem D-Lkw, der dadurch eine deutlich höhere Lieferleistung besitzt. Sollten die Belieferungszeiten eingeschränkt werden, sei es durch gesetzliche Vorgaben oder durch Rechtsstreitigkeiten mit Anwohnern an einzelnen Filialen, würde eine Wirtschaftlichkeit des E-Lkw erst deutlich später erreicht (vgl. Abbildung 4-23), womit sich auch die Diffusion stark verzögern würde. Denselben Effekt hätte eine Erweiterung der Belieferungszeiten für D-Lkw in die Nacht hinein, da der Vorteil der E-Lkw dann abnehmen würde. Zusätzlich ist die im Prognosemodell stetig ansteigende Nachfrage zu diskutieren. Nachfrage„Schocks“ werden nicht simuliert und sind in der Beschaffungslogik des Modells auch nicht berücksichtigt, sodass eine sprungartig gestiegene Nachfrage erst im Folgejahr erfüllt werden könnte.121 Da der Lebensmitteleinzelhandel sich jedoch in den letzten 20 Jahren sehr langsam entwickelt hat (Statista 2018d), ist die getroffene Annahme angemessen. Weiter wird für den Anwendungsfall bei D-Lkw und E-Lkw eine identische Nutzungsdauer von 9 Jahren angenommen. In der Literatur wird eine durchschnittliche Nutzungsdauer von Lkw bis 18 t von etwa 10 Jahren, bei Sattelzugmaschinen (SZM) von 6 Jahren aufgeführt (Wietschel et al. 2017, S. 75). Die kürzere Nutzungsdauer der SZM lässt sich mit deren höherer Jahreslaufleistung und damit verbundenem höheren Verschleiß begründen. Würde man im Prognosemodell eine geringe Nutzungsdauer ansetzen, würde dies vermutlich zu einem Nachteil für den E-Lkw führen, da dessen Annuität aufgrund seines höheren Anschaffungspreises stärker wachsen würde, als die des D-Lkw. Andererseits würden die Abschreibungen früher zahlungswirksam werden, was jedoch aufgrund des verhältnismäßig geringen Unternehmenszinssatzes eine untergeordnete Rolle spielt. Von großer Wichtigkeit sind auch die Fahrerkosten, da sie mit Abstand die größte Kostenart darstellen (vgl. Abbildung 4-22). Zwar ist im Prognosemodell eine durchschnittliche Zunahme von 3 % p. a. berücksichtigt. Sollte aber aufgrund von zunehmendem Fachkräftemangel eine höhere Wachstumsrate auftreten, würde dies die Nachtbelieferung wegen des zusätzlichen Aufschlags für Nachtarbeit stärker treffen als die Tagesbelieferung mit D-Lkw. Auch der Zuschlag für Nachtarbeit ist zu diskutieren. Er wird für den Anwendungsfall mit 15 % angenommen, kann unter Umständen aber je nach Branche auch deutlich höher liegen (vgl. Berufsverband der Rechtsjournalisten 2018). Aufgrund des hohen Fahrerkostenanteils an den TCO könnte eine Erhöhung des Nachtzuschlags Auswirkungen auf die Wirtschaftlichkeit der Nachtbelieferung haben. Vor diesem Hintergrund sind auch weiche Faktoren zu diskutieren, wie die generelle Attraktivität von Nachtbelieferung und die daraus resultierende Verfügbarkeit von Lkw-Fahrern für Nachtfahrten. Negative Aspekte von Nachtarbeit sind beispielsweise Stress und soziale Isolation (vgl. Albus und Siegrist 2005, S. 106f.). Demgegenüber kann die bessere Bezahlung 121

Es wird jeweils die Lieferleistung der zu Ende des zurückliegenden Jahres aus dem Bestand ausscheidenden Lkw sowie die Abweichung zwischen Nachfrage und Angebot zum Ende des zurückliegenden Jahres zuzüglich eines Sicherheitsaufschlags von 20 % beschafft.

252

4 Anwendung der Methodik zur Entwicklung von Entscheidungsmodellen

die Attraktivität von Nachtarbeit in der Logistik erhöhen, wie Experteninterviews ergeben haben (Kirsch et al. 2017a, S. 79f.). Zudem wird Nachtarbeit in der Logistik häufig auch als stressfreier empfunden, da weniger äußere Einflüsse auf die Arbeitskräfte einwirken und der individuelle Arbeitsrhythmus besser umgesetzt werden kann (Kirsch et al. 2017a, S. 79f.). Hinsichtlich ökologischer Aspekte ist zu diskutieren, dass im Entscheidungsmodell der CO2-Emissionsfaktor des deutschen Strommixes herangezogen wird. Es kann allerdings davon ausgegangen werden, dass Unternehmen, die eine nachhaltige Dienstleistungsinnovation einführen, ihren Strombedarf mit Strom aus erneuerbaren Energiequellen decken, sodass keinerlei Emissionen anfallen würden.122 Im Anwendungsfall würde dadurch die Bewertung der Nachtbelieferung bzw. eines hohen Anteils an E-Lkw im Fuhrpark aufgrund der geringeren Schadstoffemissionen sogar noch besser ausfallen. Es hat sich weiterhin gezeigt, dass die Ergebnisse der beiden Umweltszenarien sowohl im Wirkungsprognosemodell als auch im Bewertungsmodell keine grundlegenden Unterschiede aufweisen. Zudem hat sich gezeigt, dass Steuerbefreiungen für E-Lkw keine besonderen Auswirkungen besitzen und dass sich eine City-Maut nur auf die Transportkosten, nicht aber auf die Entwicklung von Angebot und Nachfrage auswirkt. Folglich haben die exogenen Parameter generell nur einen geringen Einfluss auf das Ergebnis. Der betrachtete Anwendungsfall bezieht sich auf den regionalen Verteilerverkehr mit mittleren und großen Lkw. Im Fernverkehr mit schweren Lkw ist davon auszugehen, dass E-Lkw keine geeignete Lösung darstellen. Einerseits reichen die aktuellen und auch die künftig möglichen Reichweiten für eine entsprechende Anwendung vermutlich nicht aus. Andererseits ist eine Batterie, die hohe Reichweiten für schwere Lkw ermöglicht, sowohl extrem schwer als auch extrem teuer. Ein potenzieller Nutzlastverlust und hohe Kosten wiederum sind beides Aspekte, die für die Logistik sehr kritisch sind. Denkbar wäre ein Einsatz von E-Fahrzeugen für Kurier-, Express- und Paketdienstleister (KEP-Dienstleister). Deren Tourenstrecken liegen etwas unter denen im Anwendungsfall, sodass keine Reichweiten-, Batteriegewichts- oder Kostenproblematik zu erwarten ist und überdies sind geeignete E-Fahrzeuge wie z. B. der StreetScooter (Deutsche Post 2018) bzw. generell in der Größenklasse bis 3,5 t bereits verfügbar (vgl. Boblenz 2018). Es müssten allerdings geeignete Konzepte für die Nachtbelieferung ausgearbeitet werden, vor allem für Paketdienstleister, da ein nächtliches Annehmen von Paketen durch Endverbraucher nicht möglich ist. Konzepte wie die nächtliche Belieferung von Packstationen oder Paket-Hubs, von denen aus die Pakete am Tag beispielsweise mittels Lastenrad verteilt werden, sind mögliche Ansätze.

122

Beispielsweise garantiert die Deutsche Bahn ihren BahnCard-Kunden, dass diese innerhalb Deutschlands mit 100 % Ökostrom reisen (vgl. DB 2018).

5 Schlussbetrachtung

5.1

Zusammenfassung der zentralen Ergebnisse

Die steigende Relevanz nachhaltiger Dienstleistungsinnovationen in der Logistik bildet den Ausgangspunkt dieser Arbeit. Ausgelöst durch die zunehmende Bedeutung von Nachhaltigkeit für Gesellschaft und Politik, die sich vor allem in Maßnahmen zum Klimaschutz und Gesundheitsschutz und ganz konkret in Flottenemissionsgrenzwerten, Umweltzonen oder beispielsweise Diesel-Fahrverboten in urbanen Ballungsräumen äußert, ergibt sich für die auf den Umsatz bezogen größte Dienstleistungsbranche in Deutschland, die Logistik, die Notwendigkeit zur Implementierung nachhaltiger Dienstleistungsinnovationen. Dies ist erforderlich, um die ressourcenintensiven Transport-, Umschlag- und Lagerprozesse nachhaltiger gestalten und für den Kunden attraktive Dienstleistungen erbringen sowie die regulatorischen Vorgaben erfüllen zu können. Auch in der Forschung nimmt die Relevanz stetig zu, was sich in einer steigenden Anzahl an Beiträgen in verschiedenen Forschungsbereichen zeigt. Es konnten drei Forschungslücken identifiziert werden. Zunächst wird der Untersuchungsgegenstand nachhaltiger Dienstleistungsinnovationen in der Logistik in der Forschung bisher nicht integriert betrachtet. Es existiert zudem keine einheitliche Definition nachhaltiger Dienstleistungsinnovationen in der Logistik und deren Charakteristika wurden bisher nicht bestimmt (konzeptionelle Forschungslücke). Weiterhin fehlt es an geeigneten Methodiken zur Entscheidungsunterstützung hinsichtlich der Implementierung nachhaltiger Dienstleistungsinnovationen in der Logistik (methodische Forschungslücke). Eine mögliche nachhaltige Dienstleistungsinnovation ist die Einführung von Nachtbelieferungen mit E-Lkw, die zahlreiche Vorteile bietet. Jedoch ist aufgrund hoher erforderlicher Investitionen und diverser Risiken die Entscheidung über die Implementierung aus Unternehmenssicht sehr komplex (praktische Forschungslücke). Um die dargestellten Forschungslücken zu schließen, war es Ziel dieser Arbeit, einen konzeptionellen Beitrag zur Forschung in Bezug auf nachhaltige Dienstleistungsinnovationen in der Logistik zu leisten und eine geeignete Definition sowie Charakteristika zu bestimmen. Weiterhin sollte ein methodischer Beitrag in Bezug auf die Erstellung eines geeigneten Vorgehens zur Entwicklung problemadäquater Entscheidungsmodelle mit geeigneter Methodenunterstützung erbracht werden, der sowohl für Forschung als auch Praxis relevant ist. Außerdem sollte die erstellte Methodik im Rahmen eines Anwendungsfalls mit hoher Praxisrelevanz angewendet werden und konkrete Handlungsempfehlungen für die Unternehmenspraxis hinsichtlich der Implementierung einer Nachtbelieferung mit E-Lkw liefern.

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2019 C. Moll, Nachhaltige Dienstleistungsinnovationen in der Logistik, https://doi.org/10.1007/978-3-658-28038-3_5

254

5 Schlussbetrachtung

Bezüglich der Zielsetzung wurden mehrere Forschungsfragen formuliert, die im Rahmen der Arbeit zu beantworten waren. Die zentralen Ergebnisse dieser Arbeit werden daher im Folgenden auf Basis der Forschungsfragen zusammengefasst. 1a. Welche Definition nachhaltiger Dienstleistungsinnovationen in der Logistik kann auf Basis der relevanten Forschungsbereiche Dienstleistungsinnovationen, Logistik und Nachhaltigkeit zugrunde gelegt werden? Für eine Definition nachhaltiger Dienstleistungsinnovationen in der Logistik wurden zunächst die einzelnen Begriffe bzw. Forschungsbereiche Dienstleistungsinnovationen, Logistik und Nachhaltigkeit getrennt voneinander betrachtet und definiert. Es konnte dargelegt werden, dass aufgrund des Dienstleistungscharakters der Logistik logistische Leistungen als Dienstleistungen bzw. als Logistikdienstleistungen bezeichnet werden können. Entsprechend können auch Innovationen in der Logistik als Dienstleistungsinnovationen bezeichnet werden. Weiterhin lassen sich Innovationen mit positiven Wirkungen in allen Nachhaltigkeitsdimensionen als nachhaltige Innovationen bezeichnen. Aus diesem Grund wurden die einzelnen Definitionen für die Definition nachhaltiger Dienstleistungsinnovationen in der Logistik zusammengeführt, damit die einzelnen Aspekte erhalten bleiben. Somit ergab sich folgende Definition (vgl. Kapitel 2.2.4): Nachhaltige Dienstleistungsinnovationen in der Logistik bezeichnen sämtliche Leistungen,  die durch die Bereitstellung von Leistungsfähigkeiten des Anbieters und durch die Integration eines externen Faktors auf eine nutzenstiftende Wirkung abzielen und Neuerungen oder Verbesserungen in der Potenzial-, Prozess- oder Ergebnisdimension aufweisen,  die positive Wirkungen in allen Nachhaltigkeitsdimensionen besitzen, und  die zur integrierten und unternehmensübergreifenden Gestaltung, Koordination und Realisierung von Güterflüssen und dazugehörigen Informations- und Geldflüssen entlang der gesamten Wertschöpfungskette beitragen. 1b. Welche Charakteristika nachhaltiger Dienstleistungsinnovationen in der Logistik lassen sich aus den relevanten Forschungsbereichen ableiten und welche Herausforderungen ergeben sich hieraus für die Entwicklung von Entscheidungsmodellen? Entsprechend der aufgezeigten Zusammenhänge der Begriffe und der Definition nachhaltiger Dienstleistungsinnovationen in der Logistik, die sich aus den Definitionen der einzelnen Begriffe zusammensetzt, gelten Charakteristika von Dienstleistungsinnovationen, nachhaltigen Innovationen und Logistikdienstleistungen folglich auch für nachhaltige Dienstleistungsinnovationen in der Logistik. Diese können somit über Integration des externen Faktors, Immaterialität, Mehrdimensionalität der Wirkungen, Systemcharakter, Komplexität, Dynamik und Potenzialintensität charakterisiert werden (vgl. Kapitel 2.2.4 und Tabelle 2-5). Dabei resultieren Integration des externen Faktors und Immaterialität aus den Charakteristika von Dienstleistungsinnovationen und die Mehrdimensionalität der Wirkungen, in Bezug auf die drei Nachhaltigkeitsdimensionen, folgt aus den Charakteristika nachhaltiger Innovationen. Systemcharakter, Komplexität und Dynamik, ebenso wie Potenzialintensität, lassen sich von Logistikdienstleistungen ableiten. Aus den Charakteristika nachhaltiger Dienstleistungsinnova-

5.1 Zusammenfassung der zentralen Ergebnisse

255

tionen in der Logistik wiederum ergeben sich zahlreiche Herausforderungen für die Entwicklung von Entscheidungsmodellen. Aufgrund der Immaterialität ist der Abstraktionsgrad sehr hoch, das Leistungsversprechen meist schwer kommunizierbar und Testbarkeit sowie Patentschutz sind häufig nicht gegeben, ebenso wie der Innovationsgrad oft inkrementell ist. Kundenorientierung ergibt sich aus der Integration des externen Faktors, wohingegen die Mehrdimensionalität dazu führt, dass Wirkungen und Ergebnisse meist schwer messbar und operationalisierbar sind. Ebenso sind Ergebnisse oft nicht direkt vergleichbar. Weiter führt der Systemcharakter zu einer Vielzahl an zu berücksichtigenden Ressourcen und Akteuren, die miteinander interagieren, wodurch sich auch eine Mehrstufigkeit der Wirkungen ergibt. Schlechte Überschaubarkeit und mangelnde Vorhersehbarkeit der Wirkungen resultieren aus der Komplexität und die Dynamik führt zu einem sich stetig verändernden Umfeld und dazu, dass langfristige Betrachtungen erforderlich sind und zeitverzögerte Wirkungen zu berücksichtigen sind. Hohe Investitionssummen, Kostendruck und finanzielle Betrachtung sowie Technologieabhängigkeit ergeben sich aus der Potenzialintensität. 1c. Welche potenziellen Wirkungen und Wirkungskategorien nachhaltiger Dienstleistungsinnovationen in der Logistik lassen sich aus der Literatur ableiten? Zur Beantwortung dieser Forschungsfrage wurden einerseits Wirkungen von Dienstleistungsinnovationen und andererseits Wirkungen von grünem und nachhaltigem Supply Chain Management analysiert. Bei Dienstleistungsinnovationen lassen sich zum einen finanzielle Wirkungen auf Umsatz, Gewinn und Rentabilität und zum anderen nichtfinanzielle Wirkungen in Bezug auf Kunden, Markt, Prozesse und Strategie festhalten. Kundenbezogene Wirkungen sind sehr vielfältig und beziehen sich auf Dienstleistungsqualität, Kundenzufriedenheit, Kundenbindung, Kundenloyalität, Weiterempfehlung, Cross-Selling, Kundengewinnung, Image und Reputation, wohingegen marktbezogene Wirkungen Marktanteile oder neue Märkte betreffen. Produktivität und Dienstleistungskapazität sind prozessbezogene Wirkungen und als strategische Wirkungen lassen sich Wirkungen in Bezug auf Regularien, Risiko und Lernfähigkeit festhalten (vgl. Tabelle 2-8). Die Wirkungen von grünem und nachhaltigem Supply Chain lassen sich in vier Wirkungskategorien einteilen. Hierbei sind ökonomische, operative, ökologische und soziale Wirkungen zu unterscheiden. Erstere umfassen Marktanteil, Umsatz und Gewinn. Die operativen Wirkungen sind sehr umfassend und betreffen Qualität, Kosten allgemein sowie im speziellen Produktionskosten oder Abfallkosten, Zeit, Lieferpünktlichkeit, Produktivität, Bestände, Flexibilität, Materialkosten, Energiekosten oder Ausschussraten. Abfall, gefährliche Materialien, ökologische Unfälle, Luftemissionen, Abwasser und die generelle ökologische Situation des Unternehmens sind als ökologische Wirkungen zu unterscheiden. Abschließend sind als soziale Wirkungen Image, Gesundheit und Beschäftigungsbedingungen festzuhalten (vgl. Tabelle 2-10).

256

5 Schlussbetrachtung

2a. Wie gestaltet sich ein adäquates systematisches Vorgehen zur Entwicklung eines Entscheidungsmodells hinsichtlich der Implementierung nachhaltiger Dienstleistungsinnovationen in der Logistik? Aus der Literatur zur Entscheidungstheorie konnte ein siebenstufiges Vorgehen zur Entwicklung von Entscheidungsmodellen für nachhaltige Dienstleistungsinnovationen in der Logistik abgeleitet werden. In einem ersten Schritt ist das (1) Entscheidungsproblem zu beschreiben, bevor (2) Ziele und Zielstruktur in einem Zielsystem festgelegt werden. Anschließend werden (3) Handlungsalternativen und (4) Problemgrenzen bestimmt, bevor (5) unterschiedliche mögliche Umweltszenarien abgeleitet werden. Mittels (6) Wirkungsprognosemodellen können die Wirkungen unterschiedlicher Umweltzustände auf das Ergebnis analysiert werden. Abschließend erfolgt in einem (7) Bewertungsmodell die Bewertung der Ergebnisse, die als Entscheidungsgrundlage dient. 2b. Welche Methoden eignen sich für die Entwicklung und Umsetzung des Entscheidungsmodells? Es hat sich im Rahmen dieser Arbeit eine Fokussierung auf die Auswahl geeigneter Methoden zur Entwicklung von Zielsystemen, Wirkungsprognosemodellen sowie Bewertungsmodellen als zielführend herausgestellt (vgl. Abbildung 3-11). Aus ökonomischen Gründen ist eine Methodenunterstützung nur punktuell sinnvoll. Bei der Ermittlung des Zielsystems kommt im ersten Schritt, der Zielgenerierung, die Methode Brainstorming mittels Fokusgruppeninterviews zum Einsatz, ebenso wie bei der unternehmensspezifischen Anpassung des Zielsystems Fokusgruppeninterviews herangezogen werden. Die Zielgewichtung kann mithilfe der SIMOS-Methode im Rahmen von Fokusgruppeninterviews ermittelt werden, ebenso wie Fokusgruppeninterviews zur Bestimmung der Präferenzfunktionen durchgeführt werden. Die Handlungsalternativen lassen sich anhand der Adopterkategorien nach Rogers (1983) ableiten und für die Bestimmung von Entscheidungsregeln kann DCM, als Methode mit der besten Wirtschaftlichkeit und angemessener Transparenz, eingesetzt werden. Besonders hervorzuheben ist die Anwendung der CIA zur Ermittlung der Zielzusammenhänge bei der Bestimmung der Problemgrenzen als viertem Schritt. Diese Methode zeichnet sich ebenfalls durch gute Wirtschaftlichkeit und Transparenz aus. Zahlreiche Methoden kommen auch bei der Ermittlung der Umweltszenarien (Schritt fünf) zum Einsatz. Die Umweltprognose basiert auf klassischer Zeitreihenzerlegung sowie der Indikatormethode. Beide Methoden weisen eine bessere Transparenz auf als beispielsweise die exponentielle Glättung. Die Wirkungsprognose, als sechster Schritt, basiert komplett auf der Methode System Dynamics, da dieses die Anforderungskriterien, wie zum Beispiel Vollständigkeit, Simulations- und Prognosemöglichkeit, am besten erfüllt. Bei der Entwicklung des dynamischen Hypothesenmodells wird auf Fokusgruppeninterviews zurückgegriffen. Ebenso werden Experten- und Fokusgruppeninterviews zur Detaillierung und Quantifizierung der Zusammenhänge und Parameter bei der Erstellung des Bestands- und Flussdiagramms, welches das Dienstleistungssystem sowie die Dienstleistungserbringung grafisch und mathematisch abbildet, herangezogen. Anbieter- und Kundenentscheidungen werden mittels DCM modelliert und es kommen Kapitalwert- und Annuitätenmethode zur finanziellen Bewertung zum Einsatz. Sensitivitätsanalysen ebenso wie die Simulation der Handlungsalternativen unter verschiedenen Umweltszenarien erfolgt in System

5.1 Zusammenfassung der zentralen Ergebnisse

257

Dynamics. Für die Bewertung bildet die PROMETHEE-Methode die Grundlage, aufgrund einer angemessenen Wirtschaftlichkeit sowie einer besseren Zielorientierung und Validität. Im Rahmen der qualitativen Bewertung wird die Entwicklung der in PROMETHEE berechneten jährlichen Nettoflüsse grafisch abgebildet und analysiert. Ein Nettofluss stellt dabei ein Aggregat aus Überlegenheit und Unterlegenheit einer Alternative gegenüber allen anderen Alternativen dar. Für die quantitative Bewertung wird in PROMETHEE die Summe der jährlichen Nettoflüsse betrachtet. 2c. Wie können die ausgewählten Methoden zu einer stimmigen Gesamtmethodik kombiniert werden? Die ausgearbeiteten Vorgehensschritte und darin vorgeschlagenen Methoden werden grundsätzlich sequenziell ausgeführt. Es können jedoch in einem der Schritte Erkenntnisse erlangt werden, die Änderungen in vorhergehenden Schritten erforderlich machen, wodurch Iterationen durchzuführen sind. Die Zielgewichte sowie die Präferenzfunktionen werden im Rahmen der Ermittlung des Zielsystems bestimmt, fließen aber in die Bewertung mittels PROMETHEE mit ein. Weiterhin werden Zielgewichtung sowie die Entscheidungsregeln (Bestimmung der Handlungsalternativen) im Bestands- und Fluss-Diagramm zur Modellierung der Anbieter- und Kundenentscheidungen aufgegriffen. Außerdem bilden die mittels der CIA bestimmten Zielzusammenhänge die Grundlage für die Entwicklung des dynamischen Hypothesenmodells. Folglich hängen die verschiedenen Vorgehensschritte und deren Teilschritte stark voneinander ab. Insbesondere die Methoden zur Datenerhebung sind jedoch so abgestimmt bzw. in die Vorgehensschritte integriert, dass zusammenhängende Daten und Informationen gesammelt in einem Vorgehensschritt mit einer adäquaten Methode erhoben werden, auch wenn sie in unterschiedlichen Vorgehensschritten benötigt werden. Beispielsweise werden Zielgewichtung und Präferenzfunktionen bei der Ermittlung des Zielsystems bestimmt, da in diesem Zusammenhang auch die Ziele generiert und strukturiert werden und alle Teilschritte inhaltlich zusammenpassen. Trotzdem werden Zielgewichtung und Präferenzfunktionen erst in späteren Vorgehensschritten benötigt. Die Kernmethoden System Dynamics als Methode der kontinuierlichen Simulation und PROMETHEE als Methode zur Bewertung von Alternativen zu diskreten Zeitpunkten wurden in geeigneter Form kombiniert. Die in System Dynamics simulierten Ergebnisse (Werte der definierten Zielgrößen) werden auf jährlicher Basis, außerhalb des System Dynamics Modells, mit PROMETHEE bewertet, wobei sich die Gewichtung über die Zeit verändert, um sich ändernden Präferenzen Rechnung zu tragen. Die bei der Bewertung berechneten jährlichen Nettoflüsse werden über die Betrachtungsdauer summiert und bilden neben einer qualitativen Betrachtung der grafisch dargestellten Entwicklung der jährlichen Nettoflüsse die finale Entscheidungsgrundlage. 3. Wie sind potenzielle Strategien zur Implementierung einer Nachtbelieferung mit E-Lkw aus Unternehmenssicht vor dem Hintergrund unterschiedlicher Umweltszenarien zu bewerten? Unter den beiden progressiven Strategien vollzieht sich die Diffusion der Nachtbelieferung mit E-Lkw sehr schnell und erfordert lediglich etwas mehr als einen Lkw-Lebenszyklus. In diesen beiden Strategien werden von Beginn an fast ausschließlich E-Lkw beschafft und somit kann die Nutzungsdauer als kritischer Faktor für die Geschwindigkeit der Diffusion gesehen werden.

258

5 Schlussbetrachtung

Wesentlicher Grund für diese Entwicklung ist das erweiterte Lieferzeitfenster und die dadurch erhöhte Lieferleistung des E-Lkw in der Nachtbelieferung gegenüber dem D-Lkw in der reinen Tagesbelieferung. Dies führt dazu, dass die Gesamtanzahl an erforderlichen Fahrzeugen mit zunehmender Diffusion von E-Lkw sinkt, erfordert aber eine hohe Auslastung der Nachttouren, denn nur dann besteht ein TCO-Vorteil für den E-Lkw. Insgesamt werden die TCO der beiden Lkw-Typen zu fast zwei Dritteln von den Personalkosten bestimmt. Die höheren Fahrzeugkosten des E-Lkw, bedingt durch hohe Batteriekosten, stehen dessen geringeren Verbrauchskosten gegenüber. Infrastrukturkosten für E-Lkw spielen überraschenderweise kaum eine Rolle. Die Nachfrage nach Nachtbelieferung mit E-Lkw entwickelt sich unter den progressiven Strategien, primär aufgrund der Transportkostenvorteile, ebenfalls sehr schnell, wobei die Nachtbelieferung vor allem für einfach umzurüstende Filialen attraktiv ist. Der Anteil von E-Lkw im Fuhrpark und die Nachfrage nach Nachtbelieferung verstärken sich gegenseitig. Allerdings ist der Effekt der Nachfrage relativ schwach und führt über eine hohe Auslastung zur Realisierung von Transportkostenvorteilen, die wiederum den E-Lkw-Anteil beeinflusst. In Summe kann das Angebot nicht mit der Nachfrage nach Nachtbelieferung Schritt halten. Aufgrund der Zusammensetzung des Fuhrparkbestands und damit der in der Vergangenheit getroffenen Beschaffungsentscheidungen entwickeln sich einige Zielgrößen, trotz der zunehmenden Diffusion von E-Lkw, zunächst negativ. Unterschiedliche Umweltszenarien, City-Maut für D-Lkw oder eine Fortführung der Steuerbefreiung für E-Lkw haben kaum Einfluss auf das Ergebnis. Die Diffusion kommt in einem für E-Lkw ungünstigeren Umweltszenario nur wenig langsamer in Gang, ebenso wie die Nachfrage. Auch die Gesamtbewertung verändert sich dadurch kaum. Deutlich langsamer vollzieht sich die Diffusion bei den beiden abwartenden Strategien. Aus diesem Grund schneiden diese Strategien in fast allen Zielgrößen schlechter ab als die progressiven Strategien. Den anfangs hohen Investitionsvolumina stehen in den progressiven Strategien mittelfristig geringere Transportkosten sowie zahlreiche strategische, ökologische und soziale Vorteile gegenüber, sodass diese in der Gesamtbewertung von Anfang an die ersten beiden Ränge einnehmen. Dies ist auf die schnelle Diffusion der nachhaltigen Dienstleistungsinnovation zurückzuführen und mit der Zeit heben sie sich immer stärker von den abwartenden Strategien ab. Die im Zeitverlauf sehr nahe beieinanderliegenden Bewertungen der progressiven Strategien fallen in Summe jedoch deutlich unterschiedlicher aus als es zu erwarten wäre, obwohl die beiden Strategien sogar mehrfach ihren Rang ändern. Gestützt wird die Dominanz der progressiven Strategien überdies durch die wachsende Bedeutung ökologischer und sozialer Aspekte, in denen sie aufgrund ihres hohen Anteils an E-Lkw gegenüber den abwartenden Strategien sehr viel positiver zu bewerten sind. Eine zurückhaltende Strategie kann langfristig zwar ähnliche Vorteile aufweisen wie progressive Strategien, allerdings ist sie unter den gegebenen Zielgrößen in Summe deutlich schlechter zu bewerten. Weiterhin hat sich gezeigt, dass eine gegenüber der stark progressiven Strategie leicht verzögerte Strategie mit dadurch realisierbaren Kosteneinsparungen bei der innovativen Technologie keine nennenswerten Nachteile mit sich bringt. Die aufgezeigten Ergebnisse sind sehr robust gegenüber Veränderungen des Dieselpreises oder des Batteriepreises. Eine Veränderung des Strompreises hingegen besitzt gewisse Auswirkun-

5.2 Implikationen für die Forschung

259

gen auf den Bestand, was auch für die durchschnittlichen Fahrgeschwindigkeiten gilt. Insgesamt werden die TCO aber durch den hohen Personalkostenanteil dominiert. Außerdem ist die Gesamtbewertung sehr robust gegenüber veränderten Gewichtungen. 5.2

Implikationen für die Forschung

Durch die vorliegende Arbeit ergeben sich einige Implikationen für die Forschung. Zunächst konnte ein konzeptioneller Beitrag für die Forschung hinsichtlich nachhaltiger Dienstleistungsinnovationen in der Logistik geleistet werden. Die aufgezeigte Forschungslücke 1 konnte durch Beantwortung der Forschungsfragen 1a bis 1c geschlossen werden und so wurde nach ausführlicher Aufarbeitung der relevanten Literatur verschiedener Forschungsbereiche eine Definition nachhaltiger Dienstleistungsinnovationen in der Logistik ausgearbeitet, die die einzelnen Begriffe bzw. Forschungsbereiche umfassend berücksichtigt. Diese kann den Ausgangspunkt für weitere Forschungsarbeiten darstellen. Das Einnehmen verschiedener Betrachtungsperspektiven bzw. Forschungsbereiche hat sich im Zusammenhang mit nachhaltigen Dienstleistungsinnovationen in der Logistik als gewinnbringend herausgestellt und bietet Orientierung, aber auch Nachahmungspotenzial für die weitere Forschung. Ebenso stellen die herausgearbeiteten Charakteristika und daraus abgeleitete Herausforderungen für die Entwicklung von Entscheidungsmodellen einen wertvollen Beitrag für die Forschung dar. Dies gilt auch für die Aufarbeitung bzw. Abgrenzung der verschiedenen Begriffe wie grüne Logistik, grünes Supply Chain Management oder nachhaltiges Supply Chain Management, die im Zusammenhang mit nachhaltigen Dienstleistungsinnovationen in der Logistik diskutiert werden. Weiterhin konnten sowohl Wirkungen von Dienstleistungsinnovationen als auch von grünem und nachhaltigem Supply Chain Management herausgearbeitet werden sowie Wirkungskategorien erarbeitet werden. Diese können die Grundlage für breitenempirische Studien darstellen, bei denen die offengelegten Schwächen der bisherigen Forschung hinsichtlich der mangelnden Berücksichtigung und Untersuchung sozialer Wirkungen korrigiert werden können. Der methodische Beitrag dieser Arbeit kommt sowohl Forschung als auch Praxis zugute. Die Beantwortung der Forschungsfragen 2a bis 2c zum Schließen der Forschungslücke 2 hat zur Ausarbeitung eines systematischen Vorgehens zur Entwicklung von Entscheidungsmodellen hinsichtlich der Implementierung nachhaltiger Dienstleistungsinnovationen in der Logistik geführt. Weiterhin wurden unterstützende problemadäquate Konzepte und Methoden identifiziert bzw. ausgearbeitet. Besonders hervorzuheben sind DCM, durch welches die Kundenentscheidung abgebildet wird und die CIA, welche ein systematisches und nachvollziehbares Vorgehen zur Erstellung eines dynamischen Hypothesenmodells liefert und damit einen der größten Kritikpunkte an der System Dynamics Methode adressiert. Ebenso hervorzuheben sind System Dynamics und PROMETHEE als Kernmethoden des Entscheidungsmodells, welche durch ihre Kombination zu einem wertvollen Instrument der Entscheidungsunterstützung werden, das sich für die weitere Verwendung in Forschung und Praxis eignet. Zudem bietet die Verwendung von Methoden zur Investitionsrechnung die Möglichkeit einer detaillierten finanziellen Bewertung. Die definierten inhaltlichen, praktischen und formalen Anforderungen (vgl. Tabelle 3-1) stellen sicher, dass die entwickelte Gesamtmethodik problemadäquat ist. Damit kann Forschung und Praxis in Summe ein geeigneter Rahmen sowie ein umfassendes Methodenset zur weiteren Er-

260

5 Schlussbetrachtung

forschung und Entwicklung von Entscheidungsmodellen bereitgestellt werden. Auch das ausgearbeitete Zielkategoriesystem nachhaltiger Dienstleistungsinnovationen in der Logistik bietet dabei Orientierung für Forschung und Praxis und bildet im Gegensatz zu den bisher vorhandenen Konzepten einerseits verschiedene Subkategorien und andererseits ein ausgewogenes Verhältnis der Nachhaltigkeitsdimensionen ab. 5.3

Implikationen für die Praxis

Im vorigen Kapitel wurden bereits die Implikationen des methodischen Beitrags dieser Arbeit erläutert. Das ausgearbeitete Vorgehen zur Entwicklung von Entscheidungsmodellen hinsichtlich nachhaltiger Dienstleistungsinnovationen in der Logistik sowie die identifizierten unterstützenden Methoden für die Entwicklung und Umsetzung des Entscheidungsmodells lassen sich auch in der Unternehmenspraxis anwenden. Dies wurde bereits bei der Entwicklung der Gesamtmethodik über die in Kapitel 3.2 definierten praktischen Anforderungen an Entscheidungsmodelle und Methoden wie Wirtschaftlichkeit, Informationsverarbeitung und Transparenz sichergestellt. Darüber hinaus wurde die tatsächliche Anwendbarkeit der Gesamtmethodik im Unternehmenskontext im Rahmen des Anwendungsfalls überprüft und bestätigt. Außerdem weisen einige Vorgehensschritte ohnehin Parallelen zum Prozess des strategischen Managements in Unternehmen bzw. der (Weiter-)Entwicklung der Unternehmensstrategie auf, wie beispielsweise die Ermittlung von Zielsystemen, die Bestimmung von Handlungsalternativen oder die Ermittlung von Umweltszenarien, sodass sich entweder in die eine oder in die andere Richtung Synergien ergeben können. Die Beantwortung der Forschungsfrage 3 und damit das Schließen der praktischen Forschungslücke 3 hat gezeigt, dass die Einführung von Nachtbelieferung mit E-Lkw positive Wirkungen in allen drei Nachhaltigkeitsdimensionen besitzt und damit als nachhaltige Dienstleistungsinnovation in der Logistik bezeichnet werden kann. Vor allem dadurch, dass sich auch ein ökonomischer Vorteil realisieren lässt, wird die Innovation für LDL attraktiv und stellt eine Möglichkeit zur Implementierung nachhaltiger Dienstleistungsinnovationen in der Logistik dar. Wesentlich für die schnelle Diffusion der Nachtbelieferung mit E-Lkw und damit Ursache der positiven Bewertung ist der TCO-Vorteil der Nachtbelieferung mit E-Lkw gegenüber der Belieferung am Tag mit D-Lkw. Dieser wird vor allem durch die erweiterten Betriebszeiten des E-Lkw ermöglicht, womit entsprechende Regularien wie die Genehmigung der Nachtanlieferung durch die lokalen Behörden sowie die Einhaltung der TA Lärm als bedeutendster Erfolgsfaktor identifiziert werden können. Kirsch et al. (2018) zeigen auf, dass unterschiedliche Zuständigkeiten in den einzelnen Kommunen bezüglich der Genehmigungen sowie eine unterschiedliche Auslegung der bestehenden Regularien ein großes Hemmnis für die LDL darstellen, da dies zu einem hohen organisatorischen Aufwand und Rechtsunsicherheiten führt. Ein weiteres großes Hemmnis in der Realität ist die fehlende Verfügbarkeit von in Serie hergestellten E-Lkw. Gerade für größere Unternehmen ist ein hohes Maß an Standardisierung bei den Produktionsmitteln essenziell. Individuelle Einzel- und Sonderlösungen sind mit zu hohem Aufwand verbunden und daher ungeeignet. Da für die nächsten Jahre von einigen großen Herstellern wie MAN, Volvo und Daimler (IEA 2018, S. 33) angekündigt wurde, mit E-Lkw in Serie zu gehen, ist jedoch zu erwarten, dass die Diffusion der Nachtbelieferung mit E-Lkw in naher Zukunft einsetzt, sofern der Rechtsrahmen bis dahin geklärt ist.

5.4 Kritische Würdigung und weiterer Forschungsbedarf

261

Es konnte allerdings auch gezeigt werden, dass eine leicht verzögerte Implementierungsstrategie mit realisierbaren Kostenvorteilen durch bereits günstigere E-Lkw in der Gesamtbewertung keine nennenswerten Nachteile mit sich bringt. Dies ist auch darauf zurückzuführen, dass für die Gesamtbewertung der Bestand an E-Lkw im Fuhrpark wesentlich ist, und so führt ein hoher Bestand an E-Lkw zu hohen Nutzenwerten, die auch von leicht verzögerten Strategien schnell erreicht werden können. Weiterhin werden ökologische und soziale Aspekte durch die sich ändernden Gewichtungen immer wichtiger, weshalb Strategien mit hohem Anteil an E-Lkw, also die progressiven Strategien, vorteilhaft sind. Es ist außerdem anzumerken, dass das Risiko zunächst in allen Strategien weiter ansteigt, was deutlich macht, dass die Wirkungen von Entscheidungen sehr langfristig sind und zunächst nicht direkt beeinflusst werden können. Unternehmen sollten sich folglich möglichst frühzeitig mit einer potenziellen Implementierung nachhaltiger Dienstleistungsinnovationen auseinandersetzen, um den Übergang möglichst vorteilhaft ausgestalten zu können. Zudem konnte dargelegt werden, dass trotz hoher erforderlicher Investitionen die progressiven Strategien in Summe am besten bewertet werden und damit sehr positive Wirkungen in allen Nachhaltigkeitsdimensionen besitzen. Hohe Investitionen dürfen daher kein Hinderungsgrund für die Implementierung nachhaltiger Dienstleistungsinnovationen in der Logistik sein, da sie bei einer gesamtheitlichen Bewertung unter Nachhaltigkeitsaspekten sogar von Beginn an vorteilhaft sein können. Dies unterstreicht die Wichtigkeit einer langfristigen Betrachtung möglichst breit gefächerter Ziel- und Ergebnisgrößen, die alle Nachhaltigkeitsdimensionen abdecken. Abschließend haben sich über die beiden Umweltszenarien hinweg keine großen Veränderungen in den Simulationsergebnissen oder der Gesamtbewertung ergeben. Auch bei den Sensitivitätsanalysen sind die Veränderungen relativ gering. Es zeigt sich somit, dass die betrachtete nachhaltige Dienstleistungsinnovation in der Logistik, Nachtbelieferung mit E-Lkw, für LDL eine gute und robuste Handlungsalternative darstellt. 5.4

Kritische Würdigung und weiterer Forschungsbedarf

Hinsichtlich der kritischen Würdigung dieser Arbeit und des weiteren Forschungsbedarfs sollen methodische und inhaltliche Aspekte diskutiert werden. Die Gesamtmethodik wurde entlang der definierten Anforderungen entwickelt und eignet sich daher sehr gut zur Analyse des Untersuchungsgegenstands nachhaltiger Dienstleistungsinnovationen in der Logistik. Sowohl die Charakteristika von Dienstleistungsinnovationen, Logistik(-innovationen) als auch Nachhaltigkeit und nachhaltigen Innovationen wurden berücksichtigt. Allerdings ist anzumerken, dass aufgrund der vielen relevanten Forschungsbereiche und der damit verbundenen Breite an Charakteristika nachhaltiger Dienstleistungsinnovationen in der Logistik nicht alle in der Tiefe berücksichtigt werden konnten. Die Immaterialität von Dienstleistungsinnovationen beispielsweise, die ohnehin in einem gewissen Widerspruch zur konstatierten Potenzialintensität der Logistik steht, wurde bei der Entwicklung der Gesamtmethodik und des Entscheidungsmodells nur am Rande berücksichtigt. So wurden auch im Wirkungsmodell überwiegend materielle Ressourcen modelliert. Im Rahmen der System Dynamics Model-

262

5 Schlussbetrachtung

lierung ist es aber, wie auch im Modell zum Teil umgesetzt, grundsätzlich möglich, immaterielle Prozesse oder Ressourcen zu modellieren. Ähnliches gilt auch für die Operationalisierbarkeit nicht quantitativer Größen. Bei der Anwendung der Gesamtmethodik im Rahmen des Anwendungsfalls wurden geeignete Operationalisierungen sowohl (nicht quantitativer) ökonomischer als auch operativer, ökologischer sowie sozialer Größen gefunden. Allerdings waren keine komplexen Zielgrößen zu operationalisieren, weswegen hierfür keine dezidierte Methodik identifiziert, ausgearbeitet und angewendet oder eigene Konstrukte entwickelt wurden. In den Literaturanalysen konnten Kundenzufriedenheit, Mitarbeiterzufriedenheit oder Unternehmensimage als potenzielle Wirkungen von Dienstleistungen bzw. von grünem und nachhaltigem SCM identifiziert werden. Hierfür werden jedoch in zahlreichen Forschungsarbeiten der Marketingliteratur umfassende Konstruktentwicklungen durchgeführt, was die Komplexität der Operationalisierung aufzeigt. Zudem ist die Entwicklung geeigneter Methoden bzw. Rahmenkonzepte zur Operationalisierung nicht quantitativer, nachhaltigkeitsbezogener Größen auch Gegenstand zahlreicher Forschungsarbeiten. Hier gilt es folglich geeignete, einfach anzuwendende Methoden zu identifizieren oder zu entwickeln, die auch die Operationalisierung komplexer Zielgrößen ermöglichen. Bezüglich der entwickelten Gesamtmethodik wurden zahlreiche Verbesserungen gegenüber bestehenden Ansätzen umgesetzt. Hier ist beispielsweise die Verwendung der CIA zur systematischen Entwicklung eines dynamischen Hypothesenmodells zu nennen. Kritiker der systemdynamischen Forschung unterstellen bei der Modellentwicklung eine gewisse Willkür, welcher durch die CIA entgegengewirkt werden kann. Trotz allem besteht bei einigen Vorgehensschritten der Gesamtmethodik nach wie vor Handlungspielraum und ein dezidiertes Vorgehen konnte nicht für alle Schritte detailliert festgelegt werden. Als Beispiel ist die Zielstrukturierung, aber auch die Weiterentwicklung des dynamischen Hypothesenmodells zum Bestands- und FlussDiagramms zu nennen. Hier kann durch weitere Methodenunterstützung ein Mehrwert geleistet werden. Die Entscheidung des LDL für oder gegen die Implementierung der nachhaltigen Dienstleistungsinnovation wird im System Dynamics Modell ausschließlich auf Basis der TCO getroffen. Diese Annahme ist vor dem Hintergrund der Problemstellung und aufgearbeiteten Literatur angemessen. Es wäre aber auch möglich gewesen, ein auf mehreren Zielgrößen basierendes DCM heranzuziehen. An dieser Stelle kann auch die Untersuchung einer möglichen direkten Integration von Bewertungsmethoden wie Nutzwertanalyse oder PROMETHEE, die im Rahmen dieser Arbeit als nicht zielführend ausgeschlossen wurde, als weiterer Forschungsbedarf festgehalten werden. Ebenfalls hat sich gezeigt, dass eine reine Betrachtung der Nettoflüsse der PROMETHEE-Bewertung kein eindeutiges Bild zeichnet und dass eine Entscheidung erst in Verbindung mit der Kumulation der Nettoflüsse final durchgeführt werden kann. Dies betont die Wichtigkeit der Betrachtung der Ergebnisflüsse sowohl über die Zeit als auch in Summe. Trotz der Flexibilität der beiden Kernmethoden System Dynamics und PROMETHEE ist anzumerken, dass Änderungen mit einem gewissen Aufwand verbunden sind. Die Ausarbeitung eines zusätzlichen Subsystems und erforderliches Testen sowie die Ergänzung neuer Handlungsalternativen in System Dynamics sind als Beispiele zu nennen. Auch die Umsetzung der PROMETHEE-Methode in Excel ist „starr“. Sind neue Handlungsalternativen oder Zielgrößen

5.4 Kritische Würdigung und weiterer Forschungsbedarf

263

zu ergänzen, ist damit erheblicher manueller Einarbeitungsaufwand verbunden. Es ist jedoch anzunehmen, dass der Aufwand bei den gewählten Methoden deutlich unter dem Aufwand von vergleichbaren Methoden liegt. Die entwickelte Gesamtmethodik wird in Summe als problemadäquat bewertet. Nur durch die Kombination der ausgewählten Methoden können die Charakteristika nachhaltiger Dienstleistungsinnovationen in der Logistik angemessen berücksichtigt werden. Beispielsweise sind die Methoden zur Investitionsrechnung erforderlich, da die Logistik eine Branche ist, die sich durch geringe Margen auszeichnet und daher stark kostenbezogen entscheidet. Weiterhin sind die Auswirkungen künftiger exogener Entwicklungen auf die Implementierung nachhaltiger Dienstleistungsinnovationen in der Logistik sowie die Dynamik zwischen Angebot und Nachfrage mit System Dynamics am besten abbildbar. Zum Beispiel wäre eine deutlich langsamere Diffusionsgeschwindigkeit zu erwarten gewesen ebenso wie ein größerer Einfluss der Nachfrage auf das Angebot, womit erst die gewählte Methodenkombination neue Erkenntnisse generieren konnte. Da Entscheidungen über die künftige Ausgestaltung des Fuhrparks eine hohe Tragweite besitzen, kann auch der Aufwand als gerechtfertigt angesehen werden. Insgesamt ist die Übertragbarkeit der entwickelten Gesamtmethodik mit der entsprechenden Methodenunterstützung als sehr gut zu bewerten. Zwar wurde es auf die Anforderungen nachhaltiger Dienstleistungsinnovationen in der Logistik zugeschnitten, jedoch können, wie bereits erwähnt, sowohl materielle als auch immaterielle Ressourcen und Prozesse sowie eine Vielzahl an Akteuren modelliert werden. Besonders für nachhaltige Dienstleistungsinnovationen, die wie die Logistik gemäß der in Kapitel 2.2.2.4 vorgestellten Dienstleistungstypologie nach Schmenner (1986) der Service Factory zuzuordnen sind, erscheint die Gesamtmethodik geeignet. Die Eigenschaften von Dienstleistungen der Service Factory, wie geringe Arbeitsintensität, geringe Interaktion und geringe Individualisierung, weisen einerseits auf eine hohe Potenzialorientierung hin, die sich mit der Gesamtmethodik gut umsetzen lässt, und andererseits kann davon ausgegangen werden, dass schwer operationalisierbare Aspekte wie Kundenzufriedenheit, Mitarbeiterzufriedenheit oder Unternehmensimage in diesem Bereich eine weniger wichtige Rolle spielen, womit ebenfalls die Gesamtmethodik gut geeignet ist. Allerdings ist einschränkend anzuführen, dass die betrachtete Innovation keinen disruptiven Charakter besitzt und eine komplette Neuordnung des Logistiksystems erforderlich gemacht hat, wie es beispielsweise beim Einsatz automatisierter Fahrzeuge oder Drohnen in der Belieferung der Fall wäre. Entsprechende disruptive Innovationen ließen sich aufgrund der zahlreichen Unsicherheiten hinsichtlich der Ausgestaltung des Systems nur schwer umsetzen und untersuchen. Hier besteht weiterer Forschungsbedarf in der Identifikation oder Entwicklung geeigneter Methoden. Mit dem LDL konnte in Bezug auf nachhaltigkeitsbezogene Zielgrößen ein relativ ausgewogenes Zielsystem erarbeitet werden und so spielen bei der Bewertung der nachhaltigen Dienstleistungsinnovation auch einige ökologische und soziale Zielgrößen eine Rolle. Inwieweit dieses Zielsystem in der Unternehmenspraxis tatsächlich gelebt bzw. bei Entscheidungen herangezogen wird oder lediglich einem Idealbild entspricht, bleibt allerdings offen. Unter Berücksichtigung des hohen Kostendrucks in der Logistik ist sicherlich von einer höheren Gewichtung kostenbezogener Zielgrößen auszugehen, wobei nicht vernachlässigt werden darf, dass die Chance zur Verbesserung der Wettbewerbsposition durch Differenzierung ebenso wie

264

5 Schlussbetrachtung

eine strategisch wertvolle technologische Vorreiterschaft einen Anreiz zur Implementierung nachhaltiger Dienstleistungsinnovationen darstellt. Die Vielzahl der bei der Bewertung berücksichtigten ökonomischen und ökologischen Zielgrößen ist positiv zu bewerten. Jedoch ist Nachhaltigkeit umfassender zu verstehen als über die Reduktion von CO2-, NOx,- und Lärmemissionen sowie Verkehr. Außerdem wurden ausschließlich Zielgrößen betrachtet, die von einer Nachtbelieferung mit E-Lkw positiv beeinflusst werden, negative Auswirkungen sind nicht berücksichtigt. Diese Auswahl der Zielgrößen ist sicherlich darauf zurückzuführen, dass der im Rahmen des Fokusgruppeninterviews befragte LDL sich mit der Thematik bereits intensiv beschäftigt hat und als innovationsoffen charakterisiert werden kann, weswegen Chancen überbetont werden. Andererseits erscheint es vor dem Hintergrund des zunehmenden Nachhaltigkeitsbewusstseins sowohl in ökologischer als auch sozialer Hinsicht durchaus realistisch, dass Aspekte wie Risiko, im Zusammenhang mit möglichen umweltbezogenen Regularien, Luftschadstoff- oder Lärmemissionen ebenso wie Verkehrsverlagerung eine immer gewichtigere Rolle bei der Entscheidung über die Implementierung nachhaltiger Dienstleistungsinnovationen in der Logistik spielen. Es stellt sich die Frage, inwieweit bei den identifizierten hohen Personalkostenanteilen an den TCO der Nachtbelieferung mit E-Lkw von hoher Potenzialintensität zu sprechen ist. Grundsätzlich wurde die Frage der Arbeitsintensität der Logistik in Kapitel 2.2.2.4 andiskutiert, eine abschließende Klärung konnte im Rahmen dieser Arbeit aber nicht geleistet werden. Der hohe Personalkostenanteil zeigt aber auf, dass der Faktor Mensch eine wichtige Rolle bei nachhaltigen Dienstleistungsinnovationen in der Logistik spielt. Zwar werden im Rahmen dieser Arbeit soziale Nachhaltigkeitswirkungen der Dienstleistungsinnovation berücksichtigt, allerdings beziehen sich diese auf das externe Unternehmensumfeld sowie die Gesellschaft, aber nicht auf die Mitarbeiter. Hier besteht weiterer Forschungsbedarf dahingehend, dass die Wirkungen der nachhaltigen Dienstleistungsinnovationen auf das Personal näher zu untersuchen sind. Gerade vor dem Hintergrund des angesprochenen Mangels an Fachkräften in der Logistik, vor allem von Lkw-Fahrern, ist dies ein wichtiger Aspekt. Wie bereits angesprochen wurde, werden weitere soziale Aspekte wie Image oder andere im Rahmen dieser Arbeit ebenfalls nicht berücksichtigt, da sie in den Fokusgruppeninterviews mit den LDL nicht genannt wurden. Hier sind jedoch einerseits große Auswirkungen durch die Implementierung nachhaltiger Dienstleistungsinnovationen zu erwarten, andererseits treten Herausforderungen bei der Operationalisierung dieser Aspekte auf, die Gegenstand weiterer Untersuchungen sein sollten. Technologische Aspekte, vor allem in Bezug auf die Batterie des E-Lkw, wurden nicht genauer betrachtet. Hierbei ist zu erwähnen, dass Batterien durch häufiges Schnellladen, wie es im Modell am Lager angenommen wird, schneller altern und das Ende ihrer Nutzungsdauer früher erreichen. Dies könnte dazu führen, dass eine Ersatzbatterie während der Nutzungsdauer des E-Lkw beschafft werden müsste, was die TCO deutlich erhöhen würde. Da sich die Batterietechnologie aber stetig weiterentwickelt und die spezifischen Batteriekosten weiter sinken, wurde dieser Aspekt vernachlässigt. Grundsätzlich ist die schnelle Diffusion der nachhaltigen Dienstleistungsinnovation darauf zurückzuführen, dass durch die bei E-Lkw mögliche Nachtbelieferung die Lieferleistung steigt, wobei auch ohne Berücksichtigung der Nachtbelieferung E-Lkw bezüglich ihrer TCO gegenüber D-Lkw bereits nach relativ kurzer Zeit im Vorteil sind, was die Entwicklung beschleunigt.

5.4 Kritische Würdigung und weiterer Forschungsbedarf

265

Bei für E-Lkw nachteiligen TCO würde die Diffusion langsamer voranschreiten, aufgrund des Nachtbelieferungsvorteils aber trotzdem erfolgreich verlaufen. Folglich ist bei der Entwicklung nachhaltiger Dienstleistungsinnovationen in der Logistik auch darauf zu achten, dass neben einem Kostenvorteil vor allem operative oder leistungsbezogenen Vorteile erzielt werden können. Es besteht folglich weiterer Forschungsbedarf bezüglich der Ausarbeitung von Methoden zur Entwicklung nachhaltiger Dienstleistungsinnovationen in der Logistik, die entsprechende Aspekte berücksichtigen. Der Anwendungsfall befasst sich zwar mit einem LDL in Deutschland, jedoch können die Ergebnisse auch auf andere Länder übertragen werden. Als landesspezifische Besonderheiten der Modellierung können z. B. Maut, Kfz-Steuer sowie Energie- und Kraftstoffbesteuerung genannt werden. Es ist aber davon auszugehen, dass Abweichungen davon keinen entscheidenden Einfluss auf die Ergebnisse haben. Diese wäre allerdings im Rahmen weiterer Forschung zu überprüfen. Zahlreiche Länder Europas und weltweit, vor allem in größeren Städten, haben mit den Wirkungen des Verkehrs auf Klima und Gesundheit zu kämpfen. Das Konzept der Nachtbelieferung mit E-Lkw könnte für sie folglich eine Chance zur Verbesserung der Nachhaltigkeit darstellen.

6 Literaturverzeichnis

123map (2018): Stromnetzkarte auf Basis von OSM-Daten. Online verfügbar unter http://www.flosm.de/html/Stromnetz.html?lat=51.0372621&lon=6.92991552&r=1858.4879&st=0, zuletzt geprüft am 22.03.2018. 4electric (2018): Ladestation: ABL eMH3 | Typ 2 | 3 Phasig, 22 kW bis zu 44 kW | Single oder Twin | Optional mit / RFID / GSM / Energiezähler / OCCP / Lastmanagement. Online verfügbar unter https://4electric.de/shop/abl-emh3.html, zuletzt geprüft am 22.03.2018. Aas, T. H.; Pedersen, P. E. (2010): The firm-level effects of service innovation. A literature review. In: International Journal of Innovation Management 14 (5), S. 759–794. Aas, T. H.; Pedersen, P. E. (2011): The impact of service innovation on firm-level financial performance. In: The Service Industries Journal 31 (13), S. 2071–2090. Abreu, M.; Grinevich, V.; Kitson, M.; Savona, M. (2009): Policies to enhance the ‘hidden innovation’ in services. Evidence and lessons from the UK. In: The Service Industries Journal 30 (1), S. 99–118. Adams, R.; Jeanrenaud, S.; Bessant, J.; Denyer, D.; Overy, P. (2016): Sustainability-oriented innovation. A systematic review. In: International Journal of Management Reviews 18 (2), S. 180–205. Adams, R.; Jeanrenaud, S.; Bessant, J.; Overy, P.; Denyer, D. (2012): Innovating for sustainability. A systemtatic review of the body of knowledge. Hg. v. Network for Business Sustainability. Agarwal, R.; Selen, W. (2011): Multi‐dimensional nature of service innovation. In: International Journal of Operations & Production Management 31 (11), S. 1164–1192. Ageron, B.; Gunasekaran, A.; Spalanzani, A. (2012): Sustainable supply management. An empirical study. In: International Journal of Production Economics 140, S. 168–182. Ahi, P.; Searcy, C. (2013): A comparative literature analysis of definitions for green and sustainable supply chain management. In: Journal of Cleaner Production 52, S. 329–341. Ajzen, I. (1991): The theory of planned behavior. In: Organizational Behavior and Human Decision Processes 50 (2), S. 179–211. Al-Alawi, B. M.; Bradley, T. H. (2013): Review of hybrid, plug-in hybrid, and electric vehicle market modeling Studies. In: Renewable and Sustainable Energy Reviews 21, S. 190–203. Al-Ali, M.; Nor Erne Nazira Bazin; Siti Maryam, S. (2015): Key determinants of customer satisfaction. Evidence from Malaysia grocery stores. In: Journal of Theoretical & Applied Information Technology 74 (3), S. 286–299. Albus, C.; Siegrist, J. (2005): Primärprävention. Psychosoziale Aspekte. In: Zeitschrift für Kardiologie Band 94 Supplement 3, S. III/105–III/112.

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2019 C. Moll, Nachhaltige Dienstleistungsinnovationen in der Logistik, https://doi.org/10.1007/978-3-658-28038-3

268

6 Literaturverzeichnis

Algermissen, J. (1976): Der Handelsbetrieb. Eine typologische Studie aus absatzwirtschaftlicher Sicht. 2. Aufl. Frankfurt am Main, Zürich: Verlag Harri Deutsch. Al-Laham, A. (1997): Strategieprozesse in deutschen Unternehmungen. Verlauf, Struktur und Effizienz. Zugl. Dissertation Universität Dortmund. Wiesbaden: Gabler Verlag (Neue betriebswirtschaftliche Forschung, 219). Alonso-Almeida, M. d. M.; Marimon, F.; Casani, F.; Rodriguez-Pomeda, J. (2015): Diffusion of sustainability reporting in universities. Current situation and future perspectives. In: Journal of Cleaner Production 106, S. 144–154. Amara, N.; Landry, R.; Traoré, N. (2008): Managing the protection of innovations in knowledge-intensive business services. In: Research Policy 37 (9), S. 1530–1547. Amazon Europe (2017): Prime GRATIS Same-Day Lieferung verfügbar. Luxemburg. Online verfügbar unter https://www.amazon.de/b?node=7013565031, zuletzt geprüft am 08.12.2017. Anderman, M. (2018): The xEV Industry Insider Report. An insider's view of the future xEV market and the battery technology that will power it. Total Battery Consulting. Andersen, D. L.; Luna-Reyes, L. F.; Diker, V. G.; Black, L.; Rich, E.; Andersen, D. F. (2012): The disconfirmatory interview as a strategy for the assessment of system dynamics models. In: System Dynamics Review 28 (3), S. 255–275. Ansari, Z. N.; Kant, R. (2017): A state-of-art literature review reflecting 15 years of focus on sustainable supply chain management. In: Journal of Cleaner Production 142, S. 2524– 2543. Arnold, D.; Isermann, H.; Kuhn, A.; Tempelmeier, H.; Furmans, K. (Hg.) (2008): Handbuch Logistik. 3. Aufl. Berlin: Springer Verlag (VDI-Buch). Ashby, A.; Leat, M.; Hudson‐Smith, M. (2012): Making connections. A review of supply chain management and sustainability literature. In: Supply Chain Management: An International Journal 17 (5), S. 497–516. Bachmann, Y. (2016): Bundesarbeitsgericht. Höhe eines Nachtarbeitszuschlags bei dauerhafter Nachtarbeit. In: Logistik Watchblog, 2016. Online verfügbar unter https://www.logistik-watchblog.de/recht/516-bundearbeitsgericht-hoehe-nachtarbeitszuschlag.html, zuletzt geprüft am 24.10.2018. Backhaus, K.; Erichson, B.; Plinke, W.; Weiber, R. (2016): Multivariate Analysemethoden. Eine anwendungsorientierte Einführung. 14. Aufl. Berlin, Heidelberg: Springer Gabler. Baetge, J. (1974): Betriebswirtschaftliche Systemtheorie. Regelungstheoretische PlanungsÜberwachungsmodelle für Produktion, Lagerung und Absatz. Opladen: Westdeutscher Verlag. BAG (2018): Lkw-Maut. Bundesamt für Güterverkehr (BAG). Köln. Online verfügbar unter https://www.bag.bund.de/DE/Navigation/Verkehrsaufgaben/Lkw-Maut/lkwmaut_node.html, zuletzt geprüft am 29.10.2018. Baier, P. (2008): Praxishandbuch Controlling. Controllinginstrumente, Unternehmensplanung und Reporting. 2. Aufl. München: mi-Fachverlag.

6 Literaturverzeichnis

269

Baker, P.; Marchant, C. (2015): Reducing the environmental impact of warehousing. In: McKinnon, A. C., Browne, M., Piecyk, M.,Whiteing, A. (Hg.): Green logistics. Improving the environmental sustainability of logistics. 3. Aufl. London, Philadelphia, New Dehli: Kogan Page, S. 194–226. Balderjahn, I. (2014): Entscheidungsorientierung im Sustainable Marketing Management. In: Meffert, H., Kenning, P.,Kirchgeorg, M. (Hg.): Sustainable Marketing Management. Grundlagen und Cases. Unter Mitarbeit von Wobker, I. Wiesbaden: Springer Gabler, 135–158. Baldeweg, D. K. (2006): Bewertung von Unternehmen der New Economy. Einsatz dynamischer Modelle zur Verbesserung der Bewertungsqualität. Wiesbaden: Deutscher Universitäts-Verlag (Entscheidungs- und Organisationstheorie). Balser, M. (2018): E-Lastwagen sollen von Lkw-Maut befreit werden. In: Süddeutsche Zeitung, 12.04.2018. Online verfügbar unter https://www.sueddeutsche.de/wirtschaft/verkehrsministerium-e-lastwagen-sollen-von-lkw-maut-befreit-werden-1.3939944, zuletzt geprüft am 12.08.2019. Bamberg, G.; Coenenberg, A. G.; Krapp, M. (2012): Betriebswirtschaftliche Entscheidungslehre. 15. Aufl. München: Verlag Franz Vahlen (Vahlens Kurzlehrbücher). Barlas, Y. (1996): Formal aspects of model validity and validation in system dynamics. In: System Dynamics Review 12 (3), S. 183–210. Bauer, M.; Danzer, M.; Günther, C.; Taumann, M. (2016): Ergebnisse der Batteriekostenstudie. In: Arndt, W.-H., Döge, N.,Marker, S. (Hg.): Elektrifizierungspotential kommerzieller Kraftfahrzeug-Flotten im Wirtschaftsverkehr als dezentrale Energie-Ressource in städtischen Verteilnetzen. komDRIVE. Berlin: Universitätsverlag der TU Berlin, S. 171–179. Bäuml, S.; Brügelmann, R.; Gellrich, K.; von der Hellen, C.; Hentze, T.; Holle, F. et al. (2017): Die Steuerbelastung der Unternehmen in Deutschland. Vorschläge für ein wettbewerbsfähiges Steuerrecht 2017/18. Berlin, Frankfurt am Main: Institut der deutschen Wirtschaft Köln Medien GmbH. BDEW (2019): BDEW-Strompreisanalyse Juli 2019. Haushalt und Industrie. BDEW Bundesverband der Energie- und Wasserwirtschaft e.V. Berlin. Bea, F. X.; Haas, J. (2013): Strategisches Management. 6. Aufl. Konstanz, München: UVK Verlagsgesellschaft (8498). Becker, J. (2013): Marketing-Konzeption. Grundlagen des ziel-strategischen und operativen Marketing-Managements. 10. Aufl. München: Verlag Franz Vahlen. Behörde für Umwelt und Energie Hamburg (2018): Bundesverwaltungsgericht gestattet Fahrverbote. Hamburg setzt beschlossene Beschränkung für Diesel jetzt um. Online verfügbar unter http://www.hamburg.de/pressearchiv-fhh/10542402/2018-02-27-bue-dieselfahrverbote/, zuletzt geprüft am 25.03.2018. Ben-Akiva, M.; Bierlaire, M. (2003): Discrete choice models with applications to departure time and route choice. In: Hall, R. W. (Hg.): Handbook of Transportation Science. 2. Aufl. New York, Boston, Dordrecht, London, Moscow: Kluwer Academic Publishers (International Series in Operations Research & Management Science), S. 7–37. Ben-Akiva, M.; Boccara, B. (1995): Discrete choice models with latent choice sets. In: International Journal of Research in Marketing 12 (1), S. 9–24.

270

6 Literaturverzeichnis

Benkenstein, M. (2017): Leistungslehre und Dienstleistungsmanagement. In: Corsten, H.,Roth, S. (Hg.): Handbuch Dienstleistungsmanagement. München: Verlag Franz Vahlen, S. 9–24. Benkenstein, M.; Steiner, S. (2004): Formen von Dienstleistungsinnovationen. In: Bruhn, M.,Stauss, B. (Hg.): Dienstleistungsinnovationen. Forum Dienstleistungsmanagement. 1. Aufl. Wiesbaden: Gabler Verlag, S. 27–43. Berekoven, L.; Eckert, W.; Ellenrieder, P. (2009): Marktforschung. Methodische Grundlagen und praktische Anwendung. 12. Aufl. Wiesbaden: Gabler Verlag. Bergmann, A.; Rotzek, J. N.; Wetzel, M.; Guenther, E. (2017): Hang the low-hanging fruit even lower. Evidence that energy efficiency matters for corporate financial performance. In: Journal of Cleaner Production 147, S. 66–74. Bernsmann, A.; Lerch, C.; Moll, C.; Schoneboom, J. (2015): Geräuscharme Nachtlogistik (GeNaLog). In: Beverungen, D., Fabry, C., Ganz, W., Matzner, M.,Satzger, G. (Hg.): Dienstleistungsinnovationen für Elektromobilität. Märkte, Geschäftsmodelle, Kooperationen. Stuttgart: Fraunhofer Verlag (DELFIN: Dienstleistungen für Elektromobilität, Förderung von Innovation und Nutzerorientierung), S. 76–89. Bertalanffy, L. von (1968): General System Theory. Foundations, Development, Applications. New York: George Braziller. Berufsverband der Rechtsjournalisten (2018): Nachtzuschlag. Alle Informationen zur Zulage für Nachtarbeit. Berlin. Online verfügbar unter https://www.arbeitsrechte.de/nachtzuschlag/. BGL (2018): Kostenentwicklung im Güterkraftverkehr. Bundesverband Güterkraftverkehr Logistik und Entsorgung (BGL) e.V. Online verfügbar unter http://www.bglev.de/web/der_bgl/informationen/branchenkostenentwicklung.htm&v=2#form, zuletzt geprüft am 24.10.2018. Bieg, H.; Kußmaul, H.; Waschbusch, G. (2016): Investition. 3. Aufl. München: Verlag Franz Vahlen (Vahlens Handbücher der Wirtschafts- und Sozialwissenschaften). Blind, K.; Quitzow, R. (2017): Nachhaltige Innovationen. Aktueller Stand der Forschung und Ausblick aus innovationsökonomischer Perspektive. In: Gordon, G.,Nelke, A. (Hg.): CSR und Nachhaltige Innovation. Zukunftsfähigkeit durch soziale, ökonomische und ökologische Innovationen. Berlin, Heidelberg: Springer Gabler (Management-Reihe Corporate Social Responsibility), S. 13–24. Bloemer, J.; de Ruyter, K. (1998): On the relationship between store image, store satisfaction and store loyalty. In: European Journal of Marketing 32 (5/6), S. 499–513. Blohm, H.; Lüder, K.; Schaefer, C. (2012): Investition. Schwachstellenanalyse des Investitionsbereichs und Investitionsrechnung. 10. Aufl. München: Verlag Franz Vahlen (Vahlens Handbücher der Wirtschafts- und Sozialwissenschaften). BMF (2000): AfA-Tabelle für die allgemein verwendbaren Anlagegüter (AfA-Tabelle "AV"). IV D 2-S 1551-188/00. BStBl I 2000, 1532. Bundesministerium der Finanzen (BMF). BMJV (2018): Verordnung über die Entgelte für den Zugang zu Elektrizitätsversorgungsnetzen. (Stromnetzentgeltverordnung - StromNEV). Bundesministerium der Justiz und für Verbraucherschutz. Online verfügbar unter https://www.gesetze-im-internet.de/stromnev/BJNR222500005.html, zuletzt geprüft am 25.11.2018.

6 Literaturverzeichnis

271

BMU (2018): Klimaschutz in Zahlen. Fakten, Trends und Impulse deutscher Klimapolitik. Ausgabe 2018. Hg. v. Bundesministerium für Umwelt, Naturschutz und nukleare Sicherheit (BMU). Berlin. BMUB (2016): Klimaschutzplan 2050. Klimaschutzpolitische Grundsätze und Ziele der Bundesregierung. Hg. v. Bundesministerium für Umwelt, Naturschutz, Bau und Reaktorsicherheit (BMUB). Berlin. Boblenz, H. (2018): E-Transporter 2018: Die große Übersicht. emobicon. Online verfügbar unter https://emobicon.de/elektro-transporter-2018-die-grosse-uebersicht/, zuletzt geprüft am 16.11.2018. Bocken, N.M.P.; Short, S. W.; Rana, P.; Evans, S. (2014): A literature and practice review to develop sustainable business model archetypes. In: Journal of Cleaner Production 65, S. 42–56. Bonsón, E.; Bednárová, M. (2015): CSR reporting practices of Eurozone companies. In: Spanish Accounting Review 18 (2), S. 182–193. Boons, F.; Montalvo, C.; Quist, J.; Wagner, M. (2013): Sustainable innovation, business models and economic performance. An overview. In: Journal of Cleaner Production 45, S. 1–8. Borchardt, A.; Göthlich, S. E. (2009): Erkenntnisgewinnung durch Fallstudien. In: Albers, S., Klapper, D., Konradt, U., Walter, A.,Wolf, J. (Hg.): Methodik der empirischen Forschung. 3. Aufl. Wiesbaden: Gabler Verlag, S. 33–48. Bortz, J.; Döring, N. (2006): Forschungsmethoden und Evaluation. Für Human- und Sozialwissenschaftler. 4. Aufl. Heidelberg: Springer Medizin Verlag. Bossel, H. (1989): Simulation dynamischer Systeme. Grundwissen, Methoden, Programme. Wiesbaden: Springer Verlag. Bossel, H. (1994): Modellbildung und Simulation. Konzepte, Verfahren und Modelle zum Verhalten dynamischer Systeme. Ein Lehr- und Arbeitsbuch. 2. Aufl. Braunschweig, Wiesbaden: Vieweg. Bossel, H. (2004): Systeme, Dynamik, Simulation. Modellbildung, Analyse und Simulation komplexer Systeme. Norderstedt: Books on Demand. Bothe, S.; Schaffner, D.; Jüttner, U.; Schlange, L. (2016): Sustainable service quality. In: UmweltWirtschaftsForum uwf 24 (4), S. 353–359. Brandenburg, M.; Govindan, K.; Sarkis, J.; Seuring, S. (2014): Quantitative models for sustainable supply chain management. Developments and directions. In: European Journal of Operational Research 233 (2), S. 299–312. Brans, J. P.; Macharis, C.; Kunsch, P. L.; Chevalier, A.; Schwaninger, M. (1998): Combining multicriteria decision aid and system dynamics for the control of socio-economic processes. An iterative real-time procedure. In: European Journal of Operational Research 109 (2), S. 428–441. Brans, J. P.; Vincke, P.; Mareschal, B. (1986): How to select and how to rank projects. The PROMETHEE method. In: European Journal of Operational Research 24 (2), S. 228– 238.

272

6 Literaturverzeichnis

Brauer, K. M. (1991): Betriebswirtschaftslehre des Verkehrs. Erster Teil. Tätigkeitsbedingungen der Verkehrsbetriebe. 1. Aufl. Berlin: Duncker & Humblot (Schriften zur Betriebswirtschaftslehre des Verkehrs, 1). Bretzke, W.-R. (1980): Der Problembezug von Entscheidungsmodellen. Tübingen: Mohr (Die Einheit der Gesellschaftswissenschaften, 29). Bretzke, W.-R.; Barkawi, K. (2012): Nachhaltige Logistik. Antworten auf eine globale Herausforderung. 2. Aufl. Berlin, Heidelberg: Springer Vieweg. Bruhn, M. (2014): Wettbewerbsvorteile durch Nachhaltigkeit in Dienstleistungsangeboten. In: Meffert, H., Kenning, P.,Kirchgeorg, M. (Hg.): Sustainable Marketing Management. Grundlagen und Cases. Unter Mitarbeit von Wobker, I. Wiesbaden: Springer Gabler, S. 313–337. Bruhn, M. (2016a): Marketing. Grundlagen für Studium und Praxis. 13. Aufl. Wiesbaden: Springer Gabler. Bruhn, M. (2016b): Relationship Marketing. Das Management von Kundenbeziehungen. 5. Aufl. München: Verlag Franz Vahlen. Bruhn, M.; Hadwich, K. (2011): Dienstleistungsproduktivität – Einführung in die theoretischen und praktischen Problemstellungen (Band 2). In: Bruhn, M.,Hadwich, K. (Hg.): Dienstleistungsproduktivität. Innovationsentwicklung, Internationalität, Mitarbeiterperspektive. Band 2. Wiesbaden: Gabler Verlag (Forum Dienstleistungsmanagement), S. 3–31. Bruhn, M.; Hadwich, K. (2017): Dienstleistungstypologien. In: Corsten, H.,Roth, S. (Hg.): Handbuch Dienstleistungsmanagement. München: Verlag Franz Vahlen, S. 25–44. Brundtland, G. H. (1987): Report of the World Commission on Environment and Development. Our Common Future. United Nations. Burger, A.; Keipinger, P. (2016): Investitionsrechnung. Grundlagen, Beispiele, Übungsaufgaben mit Musterlösungen. München: Verlag Franz Vahlen (Vahlen Kompakt). Busse, C. (2010): A procedure for secondary data analysis. Innovation by logistics service providers. In: Journal of Supply Chain Management 46 (4), S. 44–58. Busse, C.; Wallenburg, C. M. (2011): Innovation management of logistics service providers. In: International Journal of Physical Distribution & Logistics Management 41 (2), S. 187–218. Busse, C.; Wallenburg, C. M. (2014): Firm-level innovation management at logistics service providers. An exploration. In: International Journal of Logistics: Research and Applications 17 (5), S. 396–419. Busse von Colbe, W.; Laßmann, G.; Witte, F. (2015): Investitionstheorie und Investitionsrechnung. 4. Aufl. Berlin, Heidelberg: Springer Gabler. BVL (2017): Was genau ist Logistik? Eine Geschichte und eine Erklärung. Bundesvereinigung Logistik e.V. Bremen. Online verfügbar unter https://www.bvl.de/service/zahlendaten-fakten/logistikdefinitionen, zuletzt geprüft am 03.01.2018. Cadwallader, S.; Jarvis, C. B.; Bitner, M. J.; Ostrom, A. L. (2010): Frontline employee motivation to participate in service innovation implementation. In: Journal of the Academy of Marketing Science 38 (2), S. 219–239.

6 Literaturverzeichnis

273

Carlborg, P.; Kindström, D.; Kowalkowski, C. (2014): The evolution of service innovation research. A critical review and synthesis. In: The Service Industries Journal 34 (5), S. 373–398. Carrillo-Hermosilla, J.; del Río, P.; Könnölä, T. (2010): Diversity of eco-innovations. Reflections from selected case studies. In: Journal of Cleaner Production 18 (10-11), S. 1073– 1083. Cattaruzza, D.; Absi, N.; Feillet, D.; González-Feliu, J. (2017): Vehicle routing problems for city logistics. In: EURO Journal on Transportation and Logistics 6 (1), S. 51–79. Chandy, R. K.; Tellis, G. J. (2000): The incumbent's curse? Incumbency, size and radical product innovation. In: Journal of Marketing 64 (3), S. 1–17. Chang, D.; Erstad, D.; Lin, E.; Falken Rice, A.; Goh, C. T.; Tsao, A.-A.; Snyder, J. (2012): Finanical Viability of Non-Residential Electric Vehicle Charging Stations. UCLA Luskin School of Public Affairs, Luskin Center for Innovation; UCLA Anderson School of Management. Chapman, R. L.; Soosay, C.; Kandampully, J. (2003): Innovation in logistic services and the new business model: A conceptual framework. In: International Journal of Physical Distribution & Logistics Management 33 (7), S. 630–650. Charter, M.; Clark, T. (2007): Sustainable innovation. Key conclusion from Sustainable Innovation Conferences 2003 - 2006 organised by The Centre for Sustainable Design. Chatain, B. (2018): Environment Committee MEPs push for cleaner trucks and electric buses. Pressemitteilung. Hg. v. Europäisches Parlament (REF: 20181017IPR16396). Online verfügbar unter http://www.europarl.europa.eu/news/de/pressroom/20181017IPR16396/environment-committee-meps-push-for-cleaner-trucks-andelectric-buses. Chen, J.-S.; Tsou, H. T.; Huang, A. Y.-H. (2009): Service delivery innovation. In: Journal of Service Research 12 (1), S. 36–55. Chen, S.-J.; Hwang, C.-L. (1992): Fuzzy Multiple Attribute Decision Making. Methods and Applications. Berlin, Heidelberg: Springer Verlag (Lecture Notes in Economics and Mathematical Systems, 375). Cheng, C. C.J.; Yang, C.-l.; Sheu, C. (2014): The link between eco-innovation and business performance. A Taiwanese industry context. In: Journal of Cleaner Production 64, S. 81–90. Cherrett, T. J.; Maynard, S.; McLeod, F.; Hickford, A. (2015): Reverse logistics for the management of waste. In: McKinnon, A. C., Browne, M., Piecyk, M.,Whiteing, A. (Hg.): Green logistics. Improving the environmental sustainability of logistics. 3. Aufl. London, Philadelphia, New Dehli: Kogan Page, S. 338–357. Chhabra, D.; Garg, S. K.; Singh, R. K. (2017): Analyzing alternatives for green logistics in an Indian automotive organization. A case study. In: Journal of Cleaner Production 167, S. 962–969. Chien, M. K.; Shih, L. H. (2007): An empirical study of the implementation of green supply chain management practices in the electrical and electronic industry and their relation to organizational performances. In: International Journal of Environmental Science and Technology 4 (3), S. 383–394.

274

6 Literaturverzeichnis

Corner, A.; Markowitz, E.; Pidgeon, N. (2014): Public engagement with climate change. The role of human values. In: Wiley Interdisciplinary Reviews: Climate Change 5 (3), S. 411–422. Corsten, H. (2017): Produktionstheoretische Betrachtung der Dienstleistungen. In: Corsten, H.,Roth, S. (Hg.): Handbuch Dienstleistungsmanagement. München: Verlag Franz Vahlen, S. 175–188. Corsten, H.; Gössinger, R. (2007): Dienstleistungsmanagement. 5. Aufl. München: Oldenbourg Wissenschaftsverlag GmbH (Lehr- und Handbücher der Betriebswirtschaftslehre). Daimler (2017): FUSO eCanter. Markteinführung des ersten vollelektrischen Lkw aus Serienproduktion. Daimler AG. Online verfügbar unter http://media.daimler.com/marsMediaSite/de/instance/ko.xhtml?oid=29284341, zuletzt geprüft am 05.10.2017. Daimler (2018): Vollelektrische Mercedes-Benz Lkw für den schweren Verteilerverkehr. Nachhaltig, vollelektrisch und leise: Mercedes-Benz eActros geht 2018 in den Kundeneinsatz. Daimler AG. Online verfügbar unter https://media.daimler.com/marsMediaSite/de/instance/ko/Vollelektrische-Mercedes-Benz-Lkw-fuer-den-schweren-Verteilerverkehr-Nachhaltig-vollelektrisch-und-leise-Mercedes-Benz-eActros-geht-2018-in-denKundeneinsatz.xhtml?oid=33451264, zuletzt geprüft am 26.10.2018. Daimler (2019): Der Mercedes-Benz Elektro-Lkw. Connectivity triff eMobility. Daimler AG. Online verfügbar unter https://www.daimler.com/innovation/case/electric/mercedesbenz-elektro-lkw.html, zuletzt geprüft am 1908.2019. Das, D. (2017): Development and validation of a scale for measuring Sustainable Supply Chain Management practices and performance. In: Journal of Cleaner Production 164, S. 1344–1362. Daugherty, P. J.; Chen, H.; Ferrin, B. G. (2011): Organizational structure and logistics service innovation. In: The International Journal of Logistics Management 22 (1), S. 26–51. Davis, F. D.; Bagozzi, R. P.; Warshaw, P. R. (1989a): User acceptance of computer technology. A comparison of two theoretical models. In: Management Science 35 (8), S. 982– 1003. Davis, F. D.; Bagozzi, R. P.; Warshaw, P. R. (1989b): User acceptance of computer technology. A comparison of two theoretical models. In: Management Science 35 (8), S. 982– 1003. DB (2018): BahnCard mit 100% Ökostrom. DB Vertrieb GmbH. Frankfurt am Main. Online verfügbar unter https://www.bahn.de/p/view/bahncard/ueberblick/gruen.shtml, zuletzt geprüft am 22.03.2018. Deckert, C. (Hg.) (2016a): CSR und Logistik. Spannungsfelder Green Logistics und City-Logistik. Berlin, Heidelberg: Springer Gabler (Management-Reihe Corporate Social Responsibility). Deckert, C. (2016b): Nachhaltige Logistik. In: Deckert, C. (Hg.): CSR und Logistik. Spannungsfelder Green Logistics und City-Logistik. Berlin, Heidelberg: Springer Gabler (Management-Reihe Corporate Social Responsibility), S. 3–41. Delfmann, W.; Albers, S.; Gehring, M. (2002): The impact of electronic commerce on logistics service providers. In: International Journal of Physical Distribution & Logistics Management 32 (3), S. 203–222.

6 Literaturverzeichnis

275

den Boer, E.; Aarnink, S.; Kleiner, F.; Pagenkopf, J. (2013): Zero emissions trucks. An overview of state-of-the-art technologies and their potential. CE Delft. Delft. den Hertog, P.; Gallouj, F.; Segers, J. (2011): Measuring innovation in a ‘low-tech’ service industry. The case of the Dutch hospitality industry. In: The Service Industries Journal 31 (9), S. 1429–1449. den Hertog, P.; van der Aa, W.; de Jong, M. W. (2010): Capabilities for managing service innovation. Towards a conceptual framework. In: Journal of Service Management 21 (4), S. 490–514. dena (2018): dena Leitstudie. Integrierte Energiewende. Hg. v. Deutsche Energie-Agentur (dena). Berlin. Destatis (2018a): Preise. Daten zur Energiepreisentwicklung. Lange Reihen von Januar 2000 bis Januar 2018. Statistisches Bundesamt (Destatis). Destatis (2018b): Strukturerhebung im Dienstleistungsbereich. Statistisches Bundesamt (Destatis). Online verfügbar unter https://www.destatis.de/DE/ZahlenFakten/Wirtschaftsbereiche/Dienstleistungen/Methoden/Strukturdaten.html, zuletzt geprüft am 12.12.2018. Destatis (2018c): Preise. Verbraucherpreisindizes für Deutschland. Lange Reihen ab 1948. Statistisches Bundesamt (Destatis). Deutsche Post (2018): StreetScooter – E-Mobilität für alle. Der StreetScooter WORK. Das optimale Fahrzeug für die Innenstädte. Deutsche Post AG. Online verfügbar unter https://www.deutschepost.de/de/s/streetscooter/kaufen.html, zuletzt geprüft am 29.12.2018. Deutscher Bundestag (Hg.) (1998): Abschlussbericht der Enquete-Kommission „Schutz des Menschen und der Umwelt - Ziele und Rahmenbedingungen einer nachhaltig zukunftsverträglichen Entwicklung" (Drucksache 13/11200). Dewangan, V.; Godse, M. (2014): Towards a holistic enterprise innovation performance measurement system. In: Technovation 34 (9), S. 536–545. Dexheimer, V. (2003): Hedonic Methods of Price Measurement for Used Cars. Statistisches Bundesamt (Destatis). Die Bundesregierung (Hg.) (2016): Deutsche Nachhaltigkeitsstrategie. Berlin. Dieckhoff, C.; Appelrath, H.-J.; Fischedick, M.; Grunwald, A.; Höffler, F.; Mayer, C.; Weimer-Jehle, W. (2014): Zur Interpretation von Energieszenarien. München (Schriftenreihe Energiesysteme der Zukunft). Doherty, B.; Haugh, H.; Lyon, F. (2014): Social Enterprises as Hybrid Organizations. A Review and Research Agenda. In: International Journal of Management Reviews 16 (4), S. 417–436. Domschke, W.; Drexl, A.; Klein, R.; Scholl, A. (2015): Einführung in Operations Research. 9. Aufl. Berlin, Heidelberg: Springer Gabler. Döring, R. (2004): Wie stark ist schwache, wie schwach starke Nachhaltigkeit. Ernst-MoritzArndt-Universität Greifswald, Rechts- und Staatswissenschaftliche Fakultät (Wirtschaftswissenschaftliche Diskussionspapiere, 08/2004).

276

6 Literaturverzeichnis

Dörner, D. (2000): Die Logik des Mißlingens. Strategisches Denken in komplexen Situationen. 13. Aufl. Hamburg: Rowohlt Taschenbuch Verlag. Dotzel, T.; Shankar, V.; Berry, L. L. (2013): Service innovativeness and firm value. In: Journal of Marketing Research 50 (2), S. 259–276. Dreher, S.; Stock-Homburg, R.; Zacharias, N. (2011): Dienstleistungsinnovationen – Bedeutung, Herausforderungen und Perspektiven. In: Bruhn, M.,Hadwich, K. (Hg.): Dienstleistungsproduktivität. Innovationsentwicklung, Internationalität, Mitarbeiterperspektive. Band 2. Wiesbaden: Gabler Verlag (Forum Dienstleistungsmanagement), S. 35– 57. DSLV (2017): Fachkräfteangebot hält nicht mit Branchenwachstum mit. Fahrermangel gefährdet Versorgungssicherheit. Transportkosten steigen. DSLV Deutscher Speditionsund Logistikverband e.V. Berlin. Online verfügbar unter https://www.dslv.org/dslv/web.nsf/id/li_fdihaqyhkj.html, zuletzt geprüft am 24.10.2018. Dubey, R.; Gunasekaran, A.; Papadopoulos, T. (2017): Green supply chain management. Theoretical framework and further research directions. In: Benchmarking: An International Journal 24 (1), S. 184–218. Duin, H. (2007): Causal cross-impact analysis as a gaming tool for strategic decision making. BIBA – Bremen Institute of Industrial Technology and Applied Work Science (Arbeitspapier). Dünnebeil, F.; Reinhard, C.; Lambrecht, U.; Kies, A.; Hausberger, S.; Rexeis, M. (2015): Zukünftige Maßnahmen zur Kraftstoffeinsparung und Treibhausgasminderung bei schweren Nutzfahrzeugen. Hg. v. Umweltbundesamt. Dessau-Roßlau. Dyllick, T.; Hockerts, K. (2002): Beyond the business case for corporate sustainability. In: Business Strategy and the Environment 11 (2), S. 130–141. EC (2005): Impact Assessment. Annex to: The communication on thematic atrategy on air pollution and the directive on “ambient air quality and cleaner air for Europe”. Commission staff working paper. European Commission. Brussels (SEC (2005) 1133). EC (2017): The 2030 agenda for sustainable development and SDGs. European Commission. Online verfügbar unter http://ec.europa.eu/environment/sustainable-development/SDGs/index_en.htm, zuletzt geprüft am 11.12.2018. Ederington, L. H.; Fernando, C. S.; Hoelscher, S. A.; Lee, T. K.; Linn, S. C. (2019): A review of the evidence on the relation between crude oil prices and petroleum product prices. In: Journal of Commodity Markets 13, S. 1–15. E-Force (2015): Gespräch mit dem Hersteller am 16.02.2015. Informationen zu Investitionen und Batteriekosten. E-Force One AG. E-Force (2018a): E-Force. Technical Specifications. E-Force One AG. E-Force (2018b): The Way of the Future. E-Force One AG. Online verfügbar unter http://eforce.ch/, zuletzt geprüft am 26.10.2018. Ehmke, J. F.; Campbell, A. M.; Thomas, B. W. (2016): Vehicle routing to minimize time-dependent emissions in urban areas. In: European Journal of Operational Research 251 (2), S. 478–494.

6 Literaturverzeichnis

277

Ehmke, J. F.; Steinert, A.; Mattfeld, D. C. (2012): Advanced routing for city logistics service providers based on time-dependent travel times. In: Journal of Computational Science 3 (4), S. 193–205. Ehrler, V. C.; Seidel, S. (2014): A standardisation of the calculation of CO2(e) emissions along supply chains. Challenges and requirements beyond EN 16258. In: Funk, B., Niemeyer, P.,Marx Gómez, J. (Hg.): Information technology in environmental engineering. Selected contributions to the sixth international conference on information technologies in environmental engineering (ITEE2013). Berlin, Heidelberg: Springer Verlag (Environmental Science and Engineering), S. 191–200. Eisenbeis, U. (2007): Ziele, Zielsysteme und Zielkonfigurationen von Medienunternehmen. Ein Beitrag zur Realtheorie der Medienunternehmen. München, Mehring: Rainer Hampp Verlag (Strategie- und Informationsmanagement, 22). Eisenführ, F.; Weber, M. (2003): Rationales Entscheiden. 4. Aufl. Berlin, Heidelberg: Springer Verlag (Springer-Lehrbuch). Eisingerich, A. B.; Rubera, G.; Seifert, M. (2009): Managing service innovation and interorganizational relationships for firm performance. In: Journal of Service Research 11 (4), S. 344–356. Elbert, R.; Özsucu, Ö. (2012): Produkt- vs. Prozessinnovation. Innovationsmanagement aus Sicht eines Logistikdienstleisters. In: Stölzle, W.,Lieb, T. C. (Hg.): Business Innovation in der Logistik. Chancen und Herausforderungen für Wissenschaft und Praxis. Wiebaden: Springer Gabler (Business Innovation), S. 53–75. Elkington, J. (1997): Cannibals with forks. The triple bottom line of the 21st century business. Oxford: Capstone Publishing. Elkington, J. (1998): Partnerships from cannibals with forks. The triple bottom line of 21stcentury business. In: Environmental Quality Management 8 (1), S. 37–51. Elsevier (2017): Content - Scopus - Solutions. Online verfügbar unter https://www.elsevier.com/solutions/scopus/content, zuletzt geprüft am 14.09.2017. Eltayeb, T. K.; Zailani, S.; Ramayah, T. (2011): Green supply chain initiatives among certified companies in Malaysia and environmental sustainability. Investigating the outcomes. In: Resources, Conservation and Recycling 55 (5), S. 495–506. EMOSS (2018): Vollelektrische Lkw. Online verfügbar unter http://www.emoss.nl/de/, zuletzt geprüft am 26.10.2018. Engelhardt, W. H. (1990): Dienstleistungsorientiertes Marketing. Antwort auf die Herausforderung durch neue Technologien. In: Adam, D., Backhaus, K., Meffert, H.,Wagner, H. (Hg.): Integration und Flexibilität. Eine Herausforderung für die Allgemeine Betriebswirtschaftslehre. Wiesbaden: Gabler Verlag, S. 269–288. Engelhardt, W. H.; Kleinaltenkamp, M.; Reckenfelderbäumer, M. (1993): Leistungsbündel als Absatzobjekte. Ein Ansatz zur Überwindung der Dichotomie von Sach- und Dienstleistungen. In: Zeitschrift für betriebswirtschaftliche Forschung 45 (5), S. 395–426. Engelke, M. (1997): Qualität logistischer Dienstleistungen. Operationalisierung von Qualitätsmerkmalen, Qualitätsmanagement, Umweltgerechtigkeit. Berlin: Erich Schmidt Verlag (Unternehmensführung und Logistik, 11).

278

6 Literaturverzeichnis

Ericsson, E. (2000): Variability in urban driving patterns. In: Transportation Research Part D: Transport and Environment 5 (5), S. 337–354. Eskandarpour, M.; Dejax, P.; Miemczyk, J.; Péton, O. (2015): Sustainable supply chain network design. An optimization-oriented review. In: Omega 54, S. 11–32. Esty, D. C.; Winston, A. S. (2006): Green to gold. How smart companies use environmental strategy to innovate, create value, and build a competitive advantage. New Haven, London: Yale University Press. EU (2015): Richtlinie (EU) 2015/719 des Europäischen Parlaments und des Rates vom 29. April 2015 zur Änderung der Richtlinie 96/53/EG des Rates zur Festlegung der höchstzulässigen Abmessungen für bestimmte Straßenfahrzeuge im innerstaatlichen und grenzüberschreitenden Verkehr in der Gemeinschaft sowie zur Festlegung der höchstzulässigen Gewichte im grenzüberschreitenden Verkehr (Text von Bedeutung für den EWR). Europäische Union (Amtsblatt der Europäischen Union, L 115/1). Evanschitzky, H. (2003): Erfolg von Dienstleistungsnetzwerken. Ein Netzwerkmarketingansatz. Wiesbaden: Deutscher Universitäts-Verlag (Unternehmenskooperation und Netzwerkmanagement). Evanschitzky, H.; von Wangenheim, F.; Wünderlich, N. V. (2012a): Perils of managing the service profit chain. The role of time lags and feedback loops. In: Journal of Retailing 88 (3), S. 356–366. Evanschitzky, H.; von Wangenheim, F.; Wünderlich, N. V. (2012b): Perils of managing the service profit chain. The role of time lags and feedback loops. In: Journal of Retailing 88 (3), S. 356–366. Fabbe-Costes, N.; Roussat, C.; Taylor, M.; Taylor, A. (2014): Sustainable supply chains. A framework for environmental scanning practices. In: International Journal of Operations & Production Management 34 (5), S. 664–694. Fähnrich, K.-P. (1999): Service-Engineering. Ergebnisse einer empirischen Studie zum Stand der Dienstleistungsentwicklung in Deutschland. Stuttgart: Fraunhofer Verlag. Feng, W.; Figliozzi, M. (2013): An economic and technological analysis of the key factors affecting the competitiveness of electric commercial vehicles. A case study from the USA market. In: Transportation Research Part C: Emerging Technologies 26, S. 135–145. Fishbein, M.; Ajzen, I. (1975): Belief, attitude, intention, and behavior. An introduction to theory and research. Reading: Addison-Wesley Pub. Co (Addison-Wesley series in social psychology). Fisk, R. P.; Brown, S. W.; Bitner, M. J. (1993): Tracking the evolution of the services marketing literature. In: Journal of Retailing 69 (1), S. 61–103. Flechtner, H. J. (1970): Grundbegriffe der Kybernetik: Eine Einführung. 5. Aufl. Stuttgart: Wissenschaftliche Verlagsgesellschaft. Flint, D. J.; Larsson, E.; Gammelgaard, B.; Mentzer, J. T. (2005): Logistics innovation. A customer value-oriented social process. In: Journal of Business Logistics 26 (1), S. 113– 147. Ford, D. N.; Sterman, J. D. (1998): Expert knowledge elicitation to improve formal and mental models. In: System Dynamics Review 14 (4), S. 309–340.

6 Literaturverzeichnis

279

Forrester, J. W. (1958): Industrial Dynamics. A major breakthrough for decision makers. In: Harvard Business Review, S. 37–66. Forrester, J. W. (1961): Industrial Dynamics. Cambridge: The MIT Press. Forrester, J. W. (1968): Industrial Dynamics. After the first Decade. In: Management Science 14 (7), S. 398–415. Forrester, J. W. (1969a): Principles of systems. 4. Aufl. Cambridge: Wright-Allen Press. Forrester, J. W. (1969b): Urban dynamics. Cambridge: MIT Press. Förtsch, G.; Meinholz, H. (2018): Handbuch Betriebliches Umweltmanagement. 3. Aufl. Wiesbaden: Springer Vieweg. Frambach, R. T.; Schillewaert, N. (2002): Organizational innovation adoption. A multi-level framework of determinants and opportunities for future research. In: Journal of Business Research 55 (2), S. 163–176. Franceschini, S.; Faria, L. G.D.; Jurowetzki, R. (2016): Unveiling scientific communities about sustainability and innovation. A bibliometric journey around sustainable terms. In: Journal of Cleaner Production 127, S. 72–83. Fritz, W. (1986): Empirische Zielforschung und Operations Research. Eine Untersuchung unternehmerischer Ziele und ihre Konsequenzen für das Operations Research. In: OR Spektrum 8 (2), S. 99–108. Fritz, W.; Förster, F.; Raffée, H.; Silberer, G. (1984): Inhalte, Bedingungen und Wirkungen von Unternehmenszielen in Industrie und Handel. Eine empirische Untersuchung. Institut für Marketing, Universität Mannheim (Arbeitspapier des Instituts für Marketing, Universität Mannheim, 30). Fröhlich, E.; Buchta, C.; Malilo, N. (2015): Zur Integration von Nachhaltigkeitsrisiken in das Strategische Beschaffungsmanagement. In: Fröhlich, E. (Hg.): CSR und Beschaffung. Theoretische wie praktische Implikationen eines nachhaltigen Beschaffungsprozessmodells. 1. Aufl. Berlin, Heidelberg: Springer Gabler (Management-Reihe Corporate Social Responsibility), S. 55–75. Frunzke, H. (2010): Logistikinnovationen: Logistik als Gegenstand von F&E. Eine Begriffsabgrenzung und ein Vorschlag für eine F&E-Projekttypologie. In: Schönberger, R.,Elbert, R. (Hg.): Dimensionen der Logistik. Funktionen, Institutionen und Handlungsebenen. 1. Aufl. Wiesbaden: Gabler Verlag, S. 283–302. Fu, J.; Jenelius, E. (2018): Transport efficiency of off-peak urban goods deliveries. A Stockholm pilot study. In: Case Studies on Transport Policy 6 (1), S. 156–166. Funke, S. Á. (2018): Techno-ökonomische Gesamtbewertung heterogener Maßnahmen zur Verlängerung der Tagesreichweite von batterieelektrischen Fahrzeugen (Dissertation Universität Kassel). Furseth, P. I.; Cuthbertson, R. (2016): Innovation in an advanced consumer society. Valuedriven service innnovation. Oxford: Oxford University Press. Gäfgen, G. (1974): Theorie der wirtschaftlichen Entscheidung. Untersuchungen zur Logik und Bedeutung rationalen Handelns. 3. Aufl. Tübingen: Mohr.

280

6 Literaturverzeichnis

Gao, D.; Xu, Z.; Ruan, Y. Z.; Lu, H. (2017): From a systematic literature review to integrated definition for sustainable supply chain innovation (SSCI). In: Journal of Cleaner Production 142, S. 1518–1538. Gardiner, P. C.; Ford, A. (1980): Which policy run is the best and who says so? In: TIMS Studies in Management Sciences (14), S. 241–257. Gass, V.; Schmidt, J.; Schmid, E. (2014): Analysis of alternative policy instruments to promote electric vehicles in Austria. In: Renewable Energy 61, S. 96–101. Gebauer, H. (2004): Die Transformation vom Produzenten zum produzierenden Dienstleister. Bamberg: Difo-Druck (Dissertation der Universität St. Gallen). Geldermann, J. (2005): Mehrzielentscheidungen in der industriellen Produktion. Karlsruhe: Universitätsverlag Karlsruhe (Habilitation Universität Karlsuhe (TH)). Geldermann, J.; Lerche, N. (2014): Leitfaden zur Anwendung von Methoden der multikriteriellen Entscheidungsunterstützung. Methode: Promethee. Lehrstuhl für Produktion und Logistik, Georg-August-Universität Göttingen. Geng, R.; Mansouri, S. A.; Aktas, E. (2017): The relationship between green supply chain management and performance. A meta-analysis of empirical evidences in Asian emerging economies. In: International Journal of Production Economics 183, S. 245–258. Gerbert, P.; Herhold, P.; Buchardt, J.; Schönberger, S.; Rechenmacher, F.; Kirchner, A. et al. (2018): Klimapfade für Deutschland. The Boston Consulting Group; Prognos AG. Gfk Verein (2016): GfK Compact Nachhaltigkeit. Gesellschaft für Konsum-, Markt- und Absatzforschung e.V. (Fokusthema, 12/2016). Giordano, A.; Fischbeck, P.; Matthews, H. S. (2018): Environmental and economic comparison of diesel and battery electric delivery vans to inform city logistics fleet replacement strategies. In: Transportation Research Part D: Transport and Environment 64, S. 216– 229. Gnann, T. (2015): Market diffusion of plug-in electric vehicles and their charging infrastructure. Karlsruhe (Dissertation Karlsruher Institut für Technologie (KIT)). Golicic, S. L.; Smith, C. D. (2013): A meta-analysis of environmentally sustainable supply chain management practices and firm performance. In: Journal of Supply Chain Management 49 (2), S. 78–95. Göpfert, I. (2016): Die Anwendung der Zukunftsforschung für die Logistik. In: Göpfert, I. (Hg.): Logistik der Zukunft - Logistics for the Future. 7., aktualisierte und erweiterte Aufl age. Wiesbaden: Springer Gabler, S. 39–99. Göpfert, I.; Hornbostel, B. (2012): Innovationsmanagement bei Logistikdienstleistern. Theoretische Implikationen und praktische Erkenntnisse. In: Göpfert, I. (Hg.): Logistik der Zukunft. Logistics for the future. 6. Aufl. Wiesbaden: Springer Gabler, S. 259–286. Göpfert, I.; Wellbrock, W. (2016): Innovation management in logistics. An empirical study. In: International Journal of Logistics Systems and Management 25 (2), S. 227–244. Götze, U. (2014): Investitionsrechnung. Modelle und Analysen zur Beurteilung von Investitionsvorhaben. 7. Aufl. Berlin, Heidelberg: Springer Gabler (Springer-Lehrbuch). Grawe, S. J. (2009): Logistics innovation. A literature‐based conceptual framework. In: The International Journal of Logistics Management 20 (3), S. 360–377.

6 Literaturverzeichnis

281

Grawe, S. J.; Daugherty, P. J.; Ralston, P. M. (2015a): Enhancing dyadic performance through boundary spanners and innovation. An assessment of service provider-customer relationships. In: Journal of Business Logistics 36 (1), S. 88–101. Grawe, S. J.; Daugherty, P. J.; Ralston, P. M. (2015b): Enhancing dyadic performance through boundary spanners and innovation. An assessment of service provider-customer relationships. In: Journal of Business Logistics 36 (1), S. 88–101. Green, K. W.; Zelbst, P. J.; Meacham, J.; Bhadauria, V. S. (2012): Green supply chain management practices. Impact on performance. In: Supply Chain Management: An International Journal 17 (3), S. 290–305. GRI (2018): Consolidated Set of GRI Sustainability Reporting Standards 2018. Hg. v. Global Reporting Initiative. Amsterdam. Gries, S.; Zelewski, S. (2015): Wirtschaftlichkeit von Elektronutzfahrzeugen. Wirtschaftlichkeitsanalyse als Einsatzvoraussetzung für CO2-arme urbane Wirtschaftsverkehre. In: Proff, H. (Hg.): Entscheidungen beim Übergang in die Elektromobilität. Technische und betriebswirtschaftliche Aspekte. Wiesbaden: Springer Gabler, S. 599–613. Griese, K.-M.; Leicht-Eckardt, E. (2015): Ziele des Nachhaltigkeitsmarketing. In: Griese, K.M. (Hg.): Nachhaltigkeitsmarketing. Eine fallstudienbasierte Einführung. Wiesbaden: Springer Gabler, S. 107–120. Grünig, R.; Kühn, R. (2017): Prozess zur Lösung komplexer Entscheidungsprobleme. Ein heuristischer Ansatz. 5. Aufl. Berlin: Springer Gabler. Gudehus, T. (2012): Logistik 1. Grundlagen, Verfahren und Strategien. 4. Aufl. Berlin: Springer Vieweg (VDI-Buch). Hacker, F.; Blanck, R.; Hülsmann, F.; Kasten, P.; Loreck, C.; Ludig, S. et al. (2014): eMobil 2050. Szenarien zum möglichen Beitrag des elektrischen Verkehrs zum langfristigen Klimaschutz. Gemeinsamer Endbericht zu den Vorhaben "Wissenschaftliche Unterstützung bei der Erarbeitung von Szenarien zum möglichen Beitrag der Elektromobilität zum langfristigen Klimaschutz (FZK: UM 11 96 106) und "Szenarien zum möglichen Beitrag der Elektromobilität im Güter- und öffentlichen Personenverkehr zum langfristigen Klimaschutz" (FKZ: 16 EM 1001). Öko-Institut e.V. Berlin. Hacker, F.; Waldenfels, R. von; Mottschall, M. (2015): Wirtschaftlichkeit von Elektromobilität in gewerblichen Anwendungen. Betrachtung von Gesamtnutzungskosten, ökonomischen Potenzialen und möglicher CO2-Minderung. Öko-Institut e.V. Hadwich, K. (2008): Entwicklung und Implementierung von technologiebasierten Serviceinnovationen. Konzeptionierung eines Wirkungsmodells und empirische Befunde aus Anbieter- und Kundenperspektive (Habilitation Wirtschaftswissenschaftliche Fakultät der Universität Basel). Hagman, J.; Ritzén, S.; Stier, J. J.; Susilo, Y. (2016): Total cost of ownership and its potential implications for battery electric vehicle diffusion. In: Research in Transportation Business & Management 18, S. 11–17. Hansen, E. G.; Grosse-Dunker, F.; Reichwald, R. (2009): Sustainability innovation cube. A framework to evaluate sustainability-oriented innovations. In: International Journal of Innovation Management 13 (4), S. 683–713.

282

6 Literaturverzeichnis

Haufe (2015): Gesetzlicher Anspruch auf 25 Prozent Nachtzuschlag. Haufe Online Redaktion, 10.12.2015. Online verfügbar unter https://www.haufe.de/personal/arbeitsrecht/verguetung-gesetzlicher-anspruch-auf-25-prozent-nachtzuschlag_76_332050.html, zuletzt geprüft am 24.10.2018. Hauschildt, J.; Kock, A.; Salomo, S.; Schultz, C. (2016): Innovationsmanagement. 6. Aufl. München: Verlag Franz Vahlen (Vahlens Handbücher der Wirtschafts- und Sozialwissenschaften). Hausladen, I. (2014): IT-gestützte Logistik. Systeme - Prozesse - Anwendungen. 2. Aufl. Wiesbaden: Springer Gabler. Heskett, J. L.; Jones, T. O.; Loveman, G. W.; Sasser, E. W.; Schlesinger, L. A. (1994): Putting the service-profit chain to work. In: Harvard Business Review (March-April), S. 164–174. Hettesheimer, T. (2017): Strategische Produktionsplanung in jungen Märkten. Ein systemdynamischer Ansatz zur Konzeption und dynamischen Bewertung von Produktionsstrategien am Beispiel der Lithium-Ionen-Traktionsbatterie. Stuttgart: Fraunhofer Verlag. Hilke, W. (1994): Grundprobleme und Entwicklungstendenzen des Dienstleistungs-Marketing. In: Corsten, H. (Hg.): Integratives Dienstleistungsmanagement. Grundlagen - Beschaffung - Produktion - Marketing - Qualität. Ein Reader. Wiesbaden: Gabler Verlag, S. 207–256. Hipp, C.; Grupp, H. (2005): Innovation in the service sector. The demand for service-specific innovation measurement concepts and typologies. In: Research Policy 34 (4), S. 517– 535. Hirzel, S. (2015): Analyse und Bewertung industrieller Energieeffizienzmaßnahmen. Ein multikriterieller Ansatz für Gruppenentscheidungen unter Unsicherheit dargestellt am Beispiel von Druckluftsystemen. Düsseldorf: VDI-Verlag (Fortschritt-Berichte VDI: Reihe 15, Umwelttechnik, 257). Ho, L.-H.; Chang, P.-Y. (2015): Innovation capabilities, service capabilities and corporate performance in logistic services. In: The International Journal of Organizational Innovation 7 (3), S. 24–33. Hogreve, J.; Iseke, A.; Derfuss, K.; Eller, T. (2017): The service–profit chain. A meta-analytic test of a comprehensive theoretical framework. In: Journal of Marketing 81 (3), S. 41– 61. Holguín-Veras, J.; Ozbay, K.; Kornhauser, A.; Brom, M. A.; Iyer, S.; Yushimito, W. F. et al. (2011): Overall impacts of off-hour delivery programs in New York City metropolitan area. In: Transportation Research Record: Journal of the Transportation Research Board 2238 (9), S. 68–76. Hollos, D.; Blome, C.; Foerstl, K. (2012): Does sustainable supplier co-operation affect performance? Examining implications for the triple bottom line. In: International Journal of Production Research 50 (11), S. 2968–2986. Homburg, C. (2012): Quantitative Betriebswirtschaftslehre. Entscheidungsunterstützung durch Modelle. Mit Beispielen, Übungsaufgaben und Lösungen. 3. Aufl. Wiesbaden: Gabler Verlag.

6 Literaturverzeichnis

283

Horbach, J. (2005): Methodological aspects of an indicator system for sustainable innovation. In: Horbach, J. (Hg.): Indicator systems for sustainable innovation. Heidelberg: Physica Verlag (Sustainability and Innovation), S. 1–19. Huang, Y.; Zhao, L.; van Woensel, T.; Gross, J.-P. (2017): Time-dependent vehicle routing problem with path flexibility. In: Transportation Research Part B: Methodological 95, S. 169–195. Hülsmann, F.; Mottschall, M.; Hacker, F.; Kasten, P. (2014): Konventionelle und alternative Fahrzeugtechnologien bei Pkw und schweren Nutzfahrzeugen – Potenziale zur Minderung des Energieverbrauchs bis 2050. Öko-Institut e.V. (Öko-Institut Working Paper, 3/2014). Hungenberg, H. (2012): Strategisches Management in Unternehmen. Ziele - Prozesse - Verfahren. 7. Aufl. Wiesbaden: Springer Gabler. Hungenberg, H. (2014): Strategisches Management in Unternehmen. Ziele - Prozesse - Verfahren. 8. Aufl. Wiesbaden: Springer Gabler. Hungenberg, H.; Wulf, T. (2015): Grundlagen der Unternehmensführung. Einführung für Bachelorstudierende. 5. Aufl. Berlin, Heidelberg: Springer Gabler. Hüttner, M. (1986): Prognoseverfahren und ihre Anwendung. Berlin, New York: Walter de Gruyter. Hwang, C.-L.; Yoon, K. (1981): Multiple attribute decision making. Methods and applications. A state-of-the-art survey. Berlin, Heidelberg, New York: Springer Verlag (Lecture Notes in Economics and Mathematical Systems, 186). Icha, P.; Kuhs, G. (2017): Entwicklung der spezifischen Kohlendioxid-Emissionen des deutschen Strommix in den Jahren 1990 - 2016. Umweltbundesamt. Dessau-Roßlau (Climate Change 15/2017). IEA (2017): World Energy Outlook 2017. Paris: OECD Publishing. IEA (2018): Global EV Outlook 2018. Towards cross-modal electrification. Paris: OECD Publishing. Inigo, E. A.; Albareda, L. (2016): Understanding sustainable innovation as a complex adaptive system. A systemic approach to the firm. In: Journal of Cleaner Production 126, S. 1–20. Innerhofer, E. (2012): Strategische Innovationen in der Hotellerie. Eine ressourcenorientierte Fallstudienanalyse touristischer Dienstleistungsunternehmen. Wiesbaden: Springer Gabler (Entrepreneurial Management und Standortentwicklung - Perspektiven für Unternehmen und Destinationen). Isaksson, K.; Huge‐Brodin, M. (2013): Understanding efficiencies behind logistics service providers' green offerings. In: Management Research Review 36 (3), S. 216–238. Jaakkola, E.; Meiren, T.; Witell, L.; Edvardsson, B.; Schäfer, A.; Reynoso, J. et al. (2017): Does one size fit all? New service development across different types of services. In: Journal of Service Management 28 (2), S. 329–347. Johne, A.; Storey, C. (1998): New service development. A review of the literature and annotated bibliography. In: European Journal of Marketing 32 (3/4), S. 184–251.

284

6 Literaturverzeichnis

Johnston, R.; Jones, P. (2004): Service productivity. In: International Journal of Productivity and Performance Management 53 (3), S. 201–213. Jöhrens, J.; Rücker, J.; Bergk, F.; Schade, W.; Hartwig, J. (2017): Roadmap OH-Lkw: SWOT-Analyse. Strategische Analyse des OH-Lkw-Systems und konkurrierender Betriebskonzepte im Umfeld des schweren Straßengüterverkehrs. Institut für Energie- und Umweltforschung Heidelberg GmbH ifeu; M-Five. Heidelberg, Karlsruhe. Kalogerakis, K.; Schulthess, M.; Herstatt, C. (2014): Die kreative Kraft von Analogien. In: Herstatt, C., Kalogerakis, K.,Schulthess, M. (Hg.): Innovationen durch Wissenstransfer. Mit Analogien schneller und kreativer Lösungen entwickeln. Wiesbaden: Springer Gabler, S. 3–35. Kamakura, W. A.; Mittal, V.; de Rosa, F.; Mazzon, J. A. (2002a): Assessing the service-profit chain. In: Marketing Science 21 (3), S. 294–317. Kamakura, W. A.; Mittal, V.; de Rosa, F.; Mazzon, J. A. (2002b): Assessing the service-profit chain. In: Marketing Science 21 (3), S. 294–317. Kepper, G. (1996): Qualitative Marktforschung. Methoden, Einsatzmöglichkeiten und Beurteilungskriterien. 2. Aufl. Wiesbaden: Deutscher Universitäts-Verlag (DUV: Wirtschaftswissenschaft). Ketata, I.; Sofka, W.; Grimpe, C. (2015): The role of internal capabilities and firms environment for sustainable innovation. Evidence for Germany. In: R&D Management 45 (1), S. 60–75. Kim, H.; Andersen, D. F. (2012): Building confidence in causal maps generated from purposive text data. Mapping transcripts of the Federal Reserve. In: System Dynamics Review 28 (4), S. 311–328. Kirsch, D.; Bernsmann, A.; Moll, C.; Stockmann, M. (2017a): Potenziale einer geräuscharmen Nachtlogistik. Ergebnisse und Handlungsempfehlungen des Forschungsprojekts GeNaLog. Hg. v. Alex Vastag. Fraunhofer Verlag. Stuttgart. Kirsch, D.; Moll, C.; Bernsmann, A.; Ruhnke, J. (2017b): Geräuscharme Nachtlogistik (GeNaLog). In: Ganz, W., Kampker, A.,Satzger, G. (Hg.): Dienstleistungen als Erfolgsfaktor für Elektromobilität. Ergebnisse aus dem Förderschwerpunkt "Dienstleistungsinnovationen für Elektromobilität". Stuttgart: Fraunhofer Verlag, S. 30–40. Kirsch, D.; Stockmann, M.; Bernsmann, A.; Moll, C.; Ruhnke, J.; Schumann, S. et al. (2018): Geräuscharme Nachtlogistik – Geräuscharme Logistikdienstleistungen für Innenstädte durch den Einsatz von Elektromobilität (GeNaLog). Schlussbericht des Verbundprojekts. Klein, R.; Scholl, A. (2012): Planung und Entscheidung. Konzepte, Modelle und Methoden einer modernen betriebswirtschaftlichen Entscheidungsanalyse. 2. Aufl. München: Verlag Franz Vahlen (Vahlens Handbücher der Wirtschafts- und Sozialwissenschaften). Kleinaltenkamp, M. (1997): Kundenintegration. In: Wirtschaftswissenschaftliches Studium 26 (7), S. 350–354. Kleine, O. (2013): Planung von Strategien gegen Produktpiraterie. Ein systemdynamischer Ansatz. Wiesbaden: Springer Gabler (Produktion und Logistik).

6 Literaturverzeichnis

285

Knoppe, M. (2015): CSR im Retail Management – Wertschöpfung oder Marketing-Gag? In: Knoppe, M. (Hg.): CSR und Retail Management. Gesellschaftliche Verantwortung als zukünftiger Erfolgsfaktor im Handel. Berlin, Heidelberg: Springer Gabler (Management-Reihe Corporate Social Responsibility), S. 9–23. Koch, S. (2012): Logistik. Eine Einfühung in Ökonomie und Nachhaltigkeit. Berlin, Heidelberg: Springer Vieweg. Koether, R. (2018): Lagertechnik. In: Koether, R. (Hg.): Taschenbuch der Logistik. 5. Aufl. München: Carl Hanser Verlag, S. 327–342. Kromrey, H. (2006): Empirische Sozialforschung. Modelle und Methoden der standardisierten Datenerhebung und Datenauswertung. 11. Aufl. Stuttgart: Lucius & Lucius (UTB, 1040). Kühne, O.; Weber, F. (2018): Bausteine der Energiewende – Einführung, Übersicht und Ausblick. In: Kühne, O.,Weber, F. (Hg.): Bausteine der Energiewende. Wiesbaden: Springer VS (RaumFragen: Stadt- Region - Landschaft), S. 3–19. Kuß, A.; Wildner, R.; Kreis, H. (2014): Marktforschung. Grundlagen der Datenerhebung und Datenanalyse. 5. Aufl. Wiesbaden: Springer Gabler. Lai, K.-H.; Wong, C. W.Y. (2012): Green logistics management and performance. Some empirical evidence from Chinese manufacturing exporters. In: Omega 40 (3), S. 267–282. Lai, K.-H.; Wu, S. J.; Wong, C. W.Y. (2013): Did reverse logistics practices hit the triple bottom line of Chinese manufacturers? In: International Journal of Production Economics 146 (1), S. 106–117. Lampe, K.; Stölzle, W. (2012): State of the Art von Innovationen in der Logistik. In: Stölzle, W.,Lieb, T. C. (Hg.): Business Innovation in der Logistik. Chancen und Herausforderungen für Wissenschaft und Praxis. Wiebaden: Springer Gabler (Business Innovation), S. 3–28. Lane, B. W.; Dumortier, J.; Carley, S.; Siddiki, S.; Clark-Sutton, K.; Graham, J. D. (2018): All plug-in electric vehicles are not the same. Predictors of preference for a plug-in hybrid versus a battery-electric vehicle. In: Transportation Research Part D: Transport and Environment 65, S. 1–13. Langert, M. (2007): Der Anbau nachwachsender Rohstoffe in der Landwirtschaft SachsenAnhalts und Thüringens. Eine innovations- und diffusionstheoretische Untersuchung (Dissertation Martin-Luther-Universität Halle-Wittenberg). Langley, J. C.; Penka, A.; Monte, F.; Wilcox, S.; McKenna, T.; Beljin, A. et al. (2017): 2017 third-party logistics study. The state of logistics outsourcing. Results and findings of the 21st annual study. Capgemini Consulting; Penn State University; Penske Logistics. Laux, H.; Gillenkirch, R. M.; Schenk-Mathes, H. Y. (2014): Entscheidungstheorie. 9. Aufl. Berlin, Heidelberg: Springer Gabler. Lee, S. M.; Kim, S. T.; Choi, D. (2012): Green supply chain management and organizational performance. In: Industrial Management & Data Systems 112 (8), S. 1148–1180. Leon, E. (2018): Cobalt, lithium-ion batteries and social sustainability. Erb Institute, Business for Sustainability. Online verfügbar unter https://erb.umich.edu/2018/06/29/cobalt-lithium-ion-batteries-and-social-sustainability/, zuletzt geprüft am 03.11.2018.

286

6 Literaturverzeichnis

Lerch, C. (2015): Interaktion von Produkt- und Dienstleistungsinnovationen in Industrieunternehmen. Ein empirisch-simulatives Erklärungsmodell. Wiebaden: Springer Gabler (Dissertation Freie Universität Berlin). Liebert, M. (2001): Methodische Entscheidungsunterstützung in der strategischen Marketingplanung. Ein systemdynamischer Ansatz am Beispiel der Automobilindustrie. Lohmar, Köln: Josef Eul Verlag (Reihe: Marketing, 17). Liehr, M. (2002): Zur Verwendbarkeit von Systemarchetypen: Systemdenken vs. Systemsimulation. In: Milling, P. (Hg.): Entscheiden in komplexen Systemen. Berlin: Duncker & Humblot (Wirtschaftskybernetik und Systemanalyse, 20), S. 89–106. Liehr, M. (2004): Komponentenbasierte Systemmodellierung und Systemanalyse: Erweiterung des System-Dynamics-Ansatzes zur Nutzung im strategischen Management. Wiesbaden: Deutscher Universitäts-Verlag (Dissertation Universität Mannheim). Lin, C.-Y. (2008): Determinants of the adoption of technological innovations by logistics service providers in China. In: International Journal of Technology Management and Sustainable Development 7 (1), S. 19–38. Lin, L. (2013): The impact of service innovation on firm performance. In: The Service Industries Journal 33 (15-16), S. 1599–1632. Lochmahr, A.; Boppert, J. (2014): Handbuch grüne Logistik. Hintergründe und Handlungsempfehlungen. 1. Aufl. München: Huss (Logistik-Praxis). Lohre, D.; Gotthardt, R. (2016): Carbon Footprinting in einer nachhaltig ausgerichteten Logistik. In: Deckert, C. (Hg.): CSR und Logistik. Spannungsfelder Green Logistics und City-Logistik. Berlin, Heidelberg: Springer Gabler (Management-Reihe Corporate Social Responsibility), S. 45–66. Lovelock, C. H. (1983): Classifying services to gain strategic marketing insights. In: Journal of Marketing 47 (3), S. 9–20. Luchak, A. A.; Gellatly, I. R. (2007): A comparison of linear and nonlinear relations between organizational commitment and work outcomes. In: Journal of Applied Psychology 92 (3), S. 786–793. Luna-Reyes, L. F.; Lines Andersen, D. (2003): Collecting and analyzing qualitative data for system dynamics. Methods and models. In: System Dynamics Review 19 (4), S. 271– 296. Lusch, R. F.; Nambisan, S. (2015): Service innovation. A service-dominant logic perspective. In: MIS quarterly 39 (1), S. 155–175. Macharis, C. (2000): Hybrid modeling: System dynamics combined with multicriteria analysis. Free University of Brussels, Center for Business Economics and Strategic Management. Macharis, C.; Brans, J.-P.; Mareschal, B. (1998): The GDSS PROMETHEE procedure. In: Journal of Decision Systems 7 (4), S. 283–307. Macharzina, K.; Wolf, J. (2015): Unternehmensführung. Das internationale Managementwissen. Konzepte - Methoden - Praxis. 9. Aufl. Wiesbaden: Springer Gabler. Magerhans, A. (2016): Marktforschung. Eine praxisorientierte Einführung. Wiesbaden: Springer Gabler.

6 Literaturverzeichnis

287

Mäkelä, M. (2017): Trends in environmental performance reporting in the Finnish forest industry. In: Journal of Cleaner Production 142, S. 1333–1346. Makridakis, S.; Wheelwright, S. C.; Hyndman, R. J. (1978): Forecasting. Methods and applications. 3. Aufl. New York: John Wiley & Sons. MAN (2018): MAN eTruck. Elektromobilität im Verteilerverkehr. Lkw der Zukunft - MAN liefert nachhaltige Konzepte im Bereich Elektromobilität. MAN Truck & Bus AG. Online verfügbar unter https://www.truck.man.eu/de/de/man-etruck.html, zuletzt geprüft am 26.10.2018. Marchet, G.; Melacini, M.; Perotti, S. (2014): Environmental sustainability in logistics and freight transportation. In: Journal of Manufacturing Technology Management 25 (6), S. 775–811. Mardani, A.; Streimikiene, D.; Cavallaro, F.; Loganathan, N.; Khoshnoudi, M. (2019): Carbon dioxide (CO2) emissions and economic growth. A systematic review of two decades of research from 1995 to 2017. In: The Science of the Total Environment 649, S. 31–49. Martinez-Moyano, I. J.; Richardson, G. P. (2013): Best practices in system dynamics modeling. In: System Dynamics Review 29 (2), S. 102–123. Mattes, K. (2017): Materialeffizienzinnovationen in Betrieben des verarbeitenden Gewerbes. Eine ganzheitliche Analyse der Adoptionsfaktoren. Stuttgart: Fraunhofer Verlag (ISISchriftenreihe "Innovationspotenziale"). Mayring, P. (2010): Design. In: Mey, G.,Mruck, K. (Hg.): Handbuch Qualitative Forschung in der Psychologie. Wiesbaden: VS Verlag für Sozialwissenschaften, S. 225–237. Mayring, P. (2015): Qualitative Inhaltsanalyse. Grundlagen und Techniken. 12. Aufl. Weinheim, Basel: Beltz Verlag. McKinnon, A. C.; Browne, M.; Piecyk, M.; Whiteing, A. (Hg.) (2015): Green logistics. Improving the environmental sustainability of logistics. 3. Aufl. London, Philadelphia, New Dehli: Kogan Page. McPhee, J.; Paunonen, A.; Ramji, T.; Bookbinder, J. H. (2015): Implementing off-peak deliveries in the greater Toronto area. Costs, benefits, challenges. In: Transportation Journal 54 (4), S. 473–495. Medina, E.; de Arce, R.; Mahía, R. (2015): Barriers to the investment in the concentrated solar power sector in Morocco. A foresight approach using the cross impact analysis for a large number of events. In: Futures 71, S. 36–56. Meffert, H. (2006): Marketing für innovative Dienstleistungen. In: Bullinger, H.-J.,Scheer, A.-W. (Hg.): Service Engineering. Entwicklung und Gestaltung innovativer Dienstleistungen. 2. Aufl. Berlin, Heidelberg: Springer Verlag, S. 249–270. Meffert, H.; Bruhn, M.; Hadwich, K. (2015): Dienstleistungsmarketing. Grundlagen - Konzepte - Methoden. 8. Aufl. Wiesbaden: Springer Gabler (Meffert Marketing Edition). Meffert, H.; Burmann, C.; Kirchgeorg, M. (2012): Marketing. Grundlagen marktorientierter Unternehmensführung. Konzepte - Instrumente - Praxisbeispiele. 11. Aufl. Wiesbaden: Gabler Verlag (Meffert Marketing Edition).

288

6 Literaturverzeichnis

Meffert, H.; Kirchgeorg, M. (1998): Marktorientiertes Umweltmanagement. Konzeption, Strategie, Implementierung. Mit Praxisfällen. 3. Aufl. Stuttgart: Schäffer-Poeschel Verlag. Meiss, J. (2007): Dynamical systems. In: Scholarpedia 2 (2), S. 1629. Meixell, M. J.; Luoma, P. (2015): Stakeholder pressure in sustainable supply chain management. In: International Journal of Physical Distribution & Logistics Management 45 (1/2), S. 69–89. Memmler, M.; Lauf, T.; Wolf, K.; Schneider, S. (2017): Emissionsbilanz erneuerbarer Energieträger. Bestimmung der vermiedenen Emissionen im Jahr 2016. Umweltbundesamt. Dessau-Roßlau (Climate Change 23/2017). Menor, L. J.; Roth, A. V. (2007): New service development competence in retail banking. Construct development and measurement validation. In: Journal of Operations Management 25 (4), S. 825–846. Menor, L. J.; Tatikonda, M. V.; Sampson, S. E. (2002): New service development. Areas for exploitation and exploration. In: Journal of Operations Management 20 (2), S. 135– 157. Meyer, A. (2001): Dienstleistungs-Marketing. Erkenntnisse und praktische Beispiele. 9. Aufl. München: FGM-Verlag. Meyer, A.; Blümelhuber, C. (1998): Dienstleistungs-Innovation. In: Meyer, A. (Hg.): Handbuch Dienstleistungs-Marketing, Bd. 1. Stuttgart: Schäffer-Poeschel Verlag, S. 807– 826. Meyer, G. (2009): Analyse und technisch-ökonomische Bewertung von Gesetzesfolgen im Individualverkehr - dargestellt am Beispiel der Automobilindustrie Japans und Deutschlands (Dissertation Technische Universität Braunschweig). Milling, P. (1984): Leitmotive des System-Dynamics-Ansatzes. In: Wirtschaftswissenschaftliches Studium 13 (10), S. 507–513. Milling, P. (1987): Quantifizierungs- und Validierungsprobleme bei Entscheidungs-Unterstützungs-Modellen. In: Biethahn, J.,Schmidt, B. (Hg.): Simulation als betriebliche Entscheidungshilfe. Methoden, Werzeuge, Anwendungen, Bd. 6. Berlin, Heidelberg: Springer Verlag (Fachberichte Simulation, 6), S. 39–51. Milling, P. (2002): Kybernetische Überlegungen beim Entscheiden in komplexen Systemen. In: Milling, P. (Hg.): Entscheiden in komplexen Systemen. Berlin: Duncker & Humblot (Wirtschaftskybernetik und Systemanalyse, 20), S. 11–26. Minkos, A.; Dauert, U.; Feigenspan, S.; Kessinger, S.; Nordmann, S.; Himpel, T. (2018): Luftqualität 2017. Vorläufige Auswertung. Hg. v. Umweltbundesamt. Dessau-Roßlau (Hintergrund Januar 2018). Moll, C.; Kirsch, D.; Bernsmann, A. (2017): Geräuscharme Nachtlogistik. Elektromobiler Wirtschaftsverkehr im urbanen Raum. In: Hawig, D., Jégu, M., Klatt, R., Steinberg, S.,Wendt, R. (Hg.): Elektromobil durch die Zukunft. Zukunftsszenarien und neue Dienstleistungen für die Elektromobilität 2030. Norderstedt: Books on Demand, S. 210– 231. Morecroft, J. D. W. (1983): System dynamics: Portraying bounded rationality. In: Omega 11 (2), S. 131–142.

6 Literaturverzeichnis

289

Moutinho, L.; Witt, S. F. (1994): Application of cross-impact analysis in tourism. In: Journal of Travel & Tourism Marketing 3 (1), S. 83–96. Müller, N. (2013): GIS-gestützte Analyse der räumlichen Verteilung des Lebensmitteleinzelhandels in Deutschland. Hochschule Neubrandenburg. Müller-Stewens, G.; Lechner, C. (2016): Strategisches Management. Wie strategische Initiativen zum Wandel führen : der Strategic Management Navigator. 5. Aufl. Stuttgart: Schäffer-Poeschel Verlag. Nägele, R.; Vossen, I. (2006): Erfolgsfaktor kundenorientiertes Service Engineering — Fallstudienergebnisse zum Tertiarisierungsprozess und zur Integration des Kunden in die Dienstleistungsentwicklung. In: Bullinger, H.-J.,Scheer, A.-W. (Hg.): Service Engineering. Entwicklung und Gestaltung innovativer Dienstleistungen. 2. Aufl. Berlin, Heidelberg: Springer Verlag, S. 521–543. Nelke, A. (2017): Interne und externe Unternehmenskommunikation für nachhaltige Innovation und gesellschaftliche Verwantwortung von Unternehmen am Beispiel des Employer Brandings. In: Gordon, G.,Nelke, A. (Hg.): CSR und Nachhaltige Innovation. Zukunftsfähigkeit durch soziale, ökonomische und ökologische Innovationen. Berlin, Heidelberg: Springer Gabler (Management-Reihe Corporate Social Responsibility), 25– 38. Niemeyer, G. (1977): Kybernetische System- und Modelltheorie: System Dynamics. München: Verlag Franz Vahlen. Norman, W.; MacDonald, C. (2004): Getting to the Bottom of “Triple Bottom Line”. In: Business Ethics Quarterly 14 (2), S. 243–262. NPE (2015): Ladeinfrastruktur für Elektrofahrzeuge in Deutschland. Statusbericht und Handlungsempfehlungen 2015. Hg. v. Gemeinsame Geschäftsstelle Elektromobilität der Bundesregierung (GGEMO). Nationale Plattform Elektromobilität (NPE). Berlin. Oberhofer, P.; Dieplinger, M. (2014): Sustainability in the transport and logistics sector. Lacking environmental measures. In: Business Strategy and the Environment 23 (4), S. 236–253. Oberschmidt, J. (2010): Multikriterielle Bewertung von Technologien zur Bereitstellung von Strom und Wärme. Stuttgart: Fraunhofer Verlag (ISI-Schriftenreihe "Innovationspotenziale"). Onat, N. C.; Kucukvar, M.; Tatari, O. (2015): Conventional, hybrid, plug-in hybrid or electric vehicles? State-based comparative carbon and energy footprint analysis in the United States. In: Applied Energy 150, S. 36–49. Ordanini, A.; Parasuraman, A. (2010): Service innovation viewed through a service-dominant logic lens. A conceptual framework and empirical analysis. In: Journal of Service Research 14 (1), S. 3–23. ORTEN Electric-Trucks (2018): Elektrofahrzeuge. ORTEN Electric Trucks, Elektronutzfahrzeuge, Umrüstung Elektro. Online verfügbar unter https://www.electric-trucks.de/de/, zuletzt geprüft am 26.10.2018. Osorio, S.; van Ackere, A.; Larsen, E. R. (2017): Interdependencies in security of electricity supply. In: Energy 135, S. 598–609.

290

6 Literaturverzeichnis

Ossadnik, W. (2008): Kosten- und Leistungsrechnung. Berlin, Heidelberg: Springer Verlag (Springer-Lehrbuch). Ostrom, A. L.; Bitner, M. J.; Brown, S. W.; Burkhard, K. A.; Goul, M.; Smith-Daniels, V. et al. (2010): Moving forward and making a difference. Research priorities for the science of service. In: Journal of Service Research 13 (1), S. 4–36. Özdemir, E. D. (2012): The future role of alternative powertrains and fuels in the German transport sector. A model based scenario analysis with respect to technical, economic and environmental aspects with a focus on road transport (Forschungsbericht, Universität Stuttgart, Institut für Energiewirtschaft und Rationelle Energieanwendung, 108). Palmer, K.; Tate, J. E.; Wadud, Z.; Nellthorp, J. (2018): Total cost of ownership and market share for hybrid and electric vehicles in the UK, US and Japan. In: Applied Energy 209, S. 108–119. Pazirandeh, A.; Jafari, H. (2013): Making sense of green logistics. In: International Journal of Productivity and Performance Management 62 (8), S. 889–904. Peng, M. W.; Luo, Y. (2000): Managerial ties and firm performance in a transition economy: The nature of a micro-macro link. In: The Academy of Management Journal 43 (3), S. 486–501. Pernestal Brenden, A.; Koutoulas, A.; Fu, J.; Rumpler, R.; Sánchez-Díaz, I.; Behrends, S. et al. (2017): Off-peak city logistics. A case study in Stockholm. Peters, J. F.; Baumann, M.; Zimmermann, B.; Braun, J.; Weil, M. (2017): The environmental impact of Li-Ion batteries and the role of key parameters. A review. In: Renewable and Sustainable Energy Reviews 67, S. 491–506. Pfohl, H.-C. (2010): Logistiksysteme. Betriebswirtschaftliche Grundlagen. 8. Aufl. Berlin, Heidelberg: Springer Verlag. Pfohl, H.-C. (2016): Logistikmanagement. Konzeption und Funktionen. 3. Aufl. Berlin, Heidelberg: Springer Vieweg. Pfohl, H.-C.; Frunzke, H.; Köhler, H. (2007): Grundlagen für ein Innovationsmanagement in der Logistik. In: Pfohl, H.-C. (Hg.): Innovationsmanagement in der Logistik. Gestaltungsansätze und praktische Umsetzung. Hamburg: Deutscher Verkehrs-Verlag, S. 16– 105. Phills, J. A.; Deiglmeier, K.; Miller, D. T. (2008): Rediscovering social innovation. In: Stanford Social Innovation Review 6 (4), S. 34–43. Piaralal, S. K.; Nair, S. R.; Yahya, N.; Karim, J. A. (2015): An Integrated model of the likelihood and extent of adoption of green practices in small and medium sized logistics firms. In: American Journal of Economics 5 (2), S. 251–258. Pillot, C. (2013): The worldwide rechargeable battery market 2016-2025. Avicenne Energy Information for Growth, 2013. Pimenta, H. C.D.; Ball, P. D. (2015): Analysis of environmental sustainability practices across upstream supply chain management. In: Procedia CIRP 26 26, S. 677–682. Plötz, P.; Gnann, T.; Kühn, A.; Wietschel, M. (2014): Markthochlaufszenarien für Elektrofahrzeuge. Langfassung. Studie im Auftrag der acatech - Deutsche Akademie der Technikwissenschaften und der Arbeitsgruppe 7 der Nationalen Plattform Elektromobilität (NPE). Fraunhofer-Institut für System- und Innovationsforschung ISI. Karlsruhe.

6 Literaturverzeichnis

291

Poeschl, H. (2013): Strategische Unternehmensführung zwischen Shareholder-Value und Stakeholder-Value. Wiesbaden: Springer Gabler. Poggensee, K. (2015): Investitionsrechnung. Grundlagen – Aufgaben – Lösungen. 3. Aufl. Wiesbaden: Springer Gabler. Porter, M. E. (2013): Wettbewerbsstrategie. Methoden zur Analyse von Branchen und Konkurrenten. Unter Mitarbeit von Brandt, V. 12. Aufl. Frankfurt am Main: Campus Verlag. Propfe, B.; Redelbach, M.; Santini, D. J.; Friedrich, H. (2012): Cost analysis of plug-in hybrid electric vehicles including maintenance & repair costs and resale values. German Aerospace Center; Argonne National Laboratory, Transportation Technology R&D Center. Los Angeles. Pruyt, E. (2006): System dynamics and decision-making in the context of dynamically complex multi-dimensional societal issues. In: Proceedings of the 2006 Conference of the System Dynamics Society. Raffée, H.; Förster, F.; Krupp, W. (1988): Marketing und Ökologieorientierung. Eine empirische Studie unter besonderer Berücksichtigung der Lärmminderung (Arbeitspapier des Instituts für Marketing, Universität Mannheim, 63). Raffée, H.; Fritz, W. (1992): Dimensionen und Konsistenz der Führungskonzeptionen von Industrieunternehmen. In: Zeitschrift für betriebswirtschaftliche Forschung 44 (4), S. 303–322. Rahimzei, E.; Sann, K.; Vogel, M. (2015): Kompendium: Li‐Ionen‐Batterien im BMWi Förderprogramm IKT für Elektromobilität II: Smart Car - Smart Grid - Smart Traffic. Grundlagen, Bewertungskriterien, Gesetze und Normen. VDE Verband der Elektrotechnik. Rajeev, A.; Pati, R. K.; Padhi, S. S.; Govindan, K. (2017): Evolution of sustainability in supply chain management. A literature review. In: Journal of Cleaner Production 162, S. 299–314. Randhawa, K.; Scerri, M. (2015): Service innovation. A review of the literature. In: Agarwal, R., Selen, W., Roos, G.,Green, R. (Hg.): The handbook of service innovation. London: Springer London, S. 27–51. Rao, P. (2002): Greening the supply chain. A new initiative in South East Asia. In: International Journal of Operations & Production Management 22 (6), S. 632–655. Rao, P.; Holt, D. (2005): Do green supply chains lead to competitiveness and economic performance? In: International Journal of Operations & Production Management 25 (9), S. 898–916. Reichel, T. (2013): Workflows in der energieorientierten Produktentwicklung (Dissertation Technische Universität Chemnitz). Renatus, F.; Lerche, N. (2013): MCDA-Tool Version 2.1. Unter Mitarbeit von de Visser, B. Professur für Produktion und Logistik, Universität Göttingen. Online verfügbar unter http://www.uni-goettingen.de/de/multimedia-software/171915.html, zuletzt geprüft am 18.07.2018.

292

6 Literaturverzeichnis

Richter, C. (2013): Einfluss der Qualität des ÖPNV auf die Verkehrsmittelwahl im Regionalverkehr. Dissertation. Münster: MV Wissenschaft (Wissenschaftliche Schriften der WWU Münster, Reihe IV, 7). Rincon-Garcia, N.; Waterson, B. J.; Cherrett, T. J. (2017): Requirements from vehicle routing software. Perspectives from literature, developers and the freight industry. In: Transport Reviews 38 (1), S. 117–138. Roca, L. C.; Searcy, C. (2012): An analysis of indicators disclosed in corporate sustainability reports. In: Journal of Cleaner Production 20 (1), S. 103–118. Rogers, E. M. (1983): Diffusion of innovations. 3. Aufl. New York, London: The Free Press. Rohr, T. (2004): Einsatz eines mehrkriteriellen Entscheidungsverfahrens im Naturschutzmanagement. Dargestellt am Naturschutzprojekt "Weidelandschaft Eidertal" (Dissertation Universität Kiel). Ronning, G. (1990): Ökonometrische Erklärungsansätze für qualitative Variablen. In: Nakhaeizadeh, G.,Vollmer, K.-H. (Hg.): Neuere Entwicklungen in der Angewandten Ökonometrie, Bd. 23. Heidelberg: Physica Verlag (Wirtschaftswissenschaftliche Beiträge, 23), S. 55–64. Ropohl, G. (2009): Allgemeine Technologie. Eine Systemtheorie der Technik. 3. Aufl. Karlsruhe: Universitätsverlag Karlsruhe. Rosca, E.; Arnold, M.; Bendul, J. C. (2017): Business models for sustainable innovation. An empirical analysis of frugal products and services. In: Journal of Cleaner Production 162, S. 133–145. Rosenberger, T.; Becker, R.; Holzer, N.; Lubitz, A.; Nieß, F.; Vester, R. et al. (2017): Der Lastauto Omnibus Katalog 2018. Stuttgart: EuroTransportMedia Verlags- und Veranstaltungs-GmbH. Rossi, S.; Colicchia, C.; Cozzolino, A.; Christopher, M. (2013): The logistics service providers in eco-efficiency innovation. An empirical study. In: Supply Chain Management: An International Journal 18 (6), S. 583–603. Ruan, J.; Walker, P.; Zhang, N. (2016): A comparative study energy consumption and costs of battery electric vehicle transmissions. In: Applied Energy 165, S. 119–134. Rushton, A. M.; Carson, D. J. (1989): The marketing of services: Managing the intangibles. In: European Journal of Marketing 23 (8), S. 23–44. Sadler, L. (2018): Urban Access Regulations in Europe. Sadler Consultants Europe GmbH. Online verfügbar unter http://urbanaccessregulations.eu/userhome/map, zuletzt geprüft am 01.07.2018. Salge, M.; Strohhecker, J. (2008): Kaskadische und parallele Bestandsstrukturen. In: Strohhecker, J.,Sehnert, J. (Hg.): System Dynamics für die Finanzindustrie. Simlieren und Analysieren dynamisch-komplexer Probleme. Frankfurt am Main: Frankfurt School Verlag, S. 231–251. Salunke, S.; Weerawardena, J.; McColl-Kennedy, J. R. (2013): Competing through service innovation. The role of bricolage and entrepreneurship in project-oriented firms. In: Journal of Business Research 66 (8), S. 1085–1097.

6 Literaturverzeichnis

293

Sánchez-Díaz, I.; Georén, P.; Brolinson, M. (2016): Shifting urban freight deliveries to the off-peak hours. A review of theory and practice. In: Transport Reviews 37 (4), S. 521– 543. Santos, S. P.; Belton, V.; Howick, S. (2008): Enhanced performance measurement using OR. A case study. In: Journal of the Operational Research Society 59 (6), S. 762–775. Santos, S. P.; Belton, V.; Howick, S.; Pilkington, M. (2018): Measuring organisational performance using a mix of OR methods. In: Technological Forecasting and Social Change 131, S. 18–30. Sarkis, J. (2003): A strategic decision framework for green supply chain management. In: Journal of Cleaner Production 11 (4), S. 397–409. Schaarschmidt, M. (2016): Frontline employees' participation in service innovation implementation. The role of perceived external reputation. In: European Management Journal 34 (5), S. 540–549. Schade, B. (2005): Volkswirtschaftliche Bewertung von Szenarien mit System Dynamics. Bewertung von nachhaltigen Verkehrsszenarien mit ESCOT (Economic assessment of Sustainability poliCies Of Transport). Karlsruhe (Dissertation Universität Karlsruhe (TH)). Schaltegger, S.; Burritt, R. (2014): Measuring and managing sustainability performance of supply chains. Review and sustainability supply chain management framework. In: Supply Chain Management: An International Journal 19 (3), S. 232–241. Schiederig, T.; Tietze, F.; Herstatt, C. (2012): Green innovation in technology and innovation management. An exploratory literature review. In: R&D Management 42 (2), S. 180– 192. Schmidt, C. G.; Foerstl, K.; Schaltenbrand, B. (2017): The supply chain position paradox. Green practices and firm performance. In: Journal of Supply Chain Management 53 (1), S. 3–25. Schmied, M.; Knörr, W. (2013): Berechnung von Treibhausgasemissionen in Spedition und Logistik gemäß DIN EN 16258. Begriffe, Methoden, Beispiele. 2. Aufl. Hg. v. DSLV Deutscher Speditions- und Logistikverband e.V. Bonn. Schneeweiß, C. (1991): Planung. Systemanalytische und entscheidungstheoretische Grundlagen. Berlin, Heidelberg: Springer Verlag (Springer-Lehrbuch). Schneider, A. (2015): Reifegradmodell CSR. Eine Begriffsklärung und -abgrenzung. In: Schneider, A.,Schmidpeter, R. (Hg.): Corporate Social Responsibility. Verantwortungsvolle Unternehmensführung in Theorie und Praxis. 2. Aufl. Berlin: Gabler Verlag, S. 21–42. Schneider, C. R. (2008): Erfolgsfaktoren in kleinen Dienstleistungsunternehmen. Eine Analyse am Beispiel der Gastronomie. Wiesbaden: Gabler Verlag (Gabler Edition Wissenschaft). Schneider, S. (2014): Effizienz- und Wirtschaftlichkeitsanalyse des elektrischen 18 t Lastwagens von Feldschlösschen Getränke AG. Bericht. Unter Mitarbeit von Dyntar, D., Morales, L., Nüssli, P.,Nagalingam, T. Eidgenössische Technische Hochschule (ETH) Zürich, Institut für Werkzeugmaschinen und Fertigung (IWF).

294

6 Literaturverzeichnis

Schoeneberg, K.-P. (2014): Komplexität. Einführung in die Komplexitätsforschung und Herausforderungen für die Praxis. In: Schoeneberg, K.-P. (Hg.): Komplexitätsmanagement in Unternehmen. Herausforderungen im Umgang mit Dynamik, Unsicherheit und Komplexität meistern. Wiesbaden: Springer Gabler, S. 13–27. Schrettle, S.; Hinz, A.; Scherrer-Rathje, M.; Friedli, T. (2014): Turning sustainability into action. Explaining firms' sustainability efforts and their impact on firm performance. In: International Journal of Production Economics 147, S. 73–84. Schroeder, A.; Traber, T. (2012): The economics of fast charging infrastructure for electric vehicles. In: Energy Policy 43, S. 136–144. Schröter, M. (2006): Strategisches Ersatzteilmanagement in Closed-Loop Supply Chains. Ein systemdynamischer Ansatz. Wiesbaden: Deutscher Universitäts-Verlag (Dissertation Technische Universität Braunschweig). Schuh, G.; Hering, N.; Brunner, A. (2013a): Einführung in das Logistikmanagement. In: Schuh, G.,Stich, V. (Hg.): Logistikmanagement. Handbuch Produktion und Management 6. 2. Aufl. Berlin, Heidelberg: Springer Vieweg, S. 1–33. Schuh, G.; Stich, V. (Hg.) (2013): Logistikmanagement. Handbuch Produktion und Management 6. 2. Aufl. Berlin, Heidelberg: Springer Vieweg. Schuh, G.; Stich, V.; Kompa, S. (2013b): Distributionslogistik. In: Schuh, G.,Stich, V. (Hg.): Logistikmanagement. Handbuch Produktion und Management 6. 2. Aufl. Berlin, Heidelberg: Springer Vieweg, S. 115–163. Schwarz, K. (2018): Urteil zu Diesel-Fahrverbot. Das Fahrverbot kommt - Schonfrist für Euro 5. In: Stuttgarter Nachrichten, 27.02.2018. Online verfügbar unter https://www.stuttgarter-nachrichten.de/inhalt.urteil-zu-diesel-fahrverbot-das-fahrverbot-kommt-schonfristfuer-euro-5.9cff6806-314e-4539-998c-5e134215c512.html, zuletzt geprüft am 25.03.2018. Schweikl, T. (2018): CO2-Emissionen: Lkw bekommen scharfe Grenzwerte. Logistra. Online verfügbar unter https://logistra.de/news/nfz-fuhrpark-lagerlogistik-intralogistik-co2emissionen-lkw-bekommen-scharfe-grenzwerte-15020.html, zuletzt geprüft am 12.12.2018. Schwemmer, M. (2016): TOP 100 der Logistik 2016/2017. Marktgrößen, Marktsegmente und Marktführer. Auszug der Studie. Hamburg: DVV Media Group. Schwertner, M. (2017): Energetischer Systemvergleich von Diesel-, Hybrid- und Elektrobussen (Dissertation Eidgenössisch Technische Hochschule (ETH) Zürich). Seitz, C. (2015): Diffusion innovativer Antriebstechnologien zur CO2-Reduktion von Nutzfahrzeugen. Empirische Untersuchung des organisationalen Adoptionsverhaltens und systemdynamische Prognose für den deutschen Automobilmarkt (Dissertation Karlsruher Institut für Technologie (KIT)). Senge, P. M.; Forrester, J. W. (1980): Tests for building confidence in system dynamics models. In: System Dynamics, TIMS studies in management sciences 14, S. 209–228. Seuring, S.; Müller, M. (2008a): Core issues in sustainable supply chain management - a Delphi study. In: Business Strategy and the Environment 17 (8), S. 455–466.

6 Literaturverzeichnis

295

Seuring, S.; Müller, M. (2008b): From a literature review to a conceptual framework for sustainable supply chain management. In: Journal of Cleaner Production 16 (15), S. 1699– 1710. Sharma, V. K.; Chandna, P.; Bhardwaj, A. (2017): Green supply chain management related performance indicators in agro industry. A review. In: Journal of Cleaner Production 141, S. 1194–1208. Silvestro, R.; Cross, S. (2000): Applying the service profit chain in a retail environment. Challenging the "satisfaction mirror". In: International Journal of Service Industry Management 11 (3), S. 244–268. Slaper, T. F.; Hall, T. J. (2011): The triple bottom line: What is it and how does it work? In: Indiana Business Review 86 (1). Snyder, H.; Witell, L.; Gustafsson, A.; Fombelle, P.; Kristensson, P. (2016): Identifying categories of service innovation. A review and synthesis of the literature. In: Journal of Business Research 69 (7), S. 2401–2408. Spirkl, K. (2015): Elektro-Lkw: Meyer Logistik zieht Bilanz. In: Verkehrsrundschau, 19.10.2015. Online verfügbar unter https://www.verkehrsrundschau.de/nachrichten/elektro-lkw-meyer-logistik-zieht-bilanz-1709991.html. Springael, J.; Kunsch, P. L.; Brans, J.-P. (2002): A multicriteria-based system dynamics modelling of traffic congestion caused by urban commuters. In: Central European Journal of Operational Research 10 (1), S. 81–97. Srivastava, S. K. (2007): Green supply-chain management. A state-of-the-art literature review. In: International Journal of Management Reviews 9 (1), S. 53–80. Stachowiak, H. (1973): Allgemeine Modelltheorie. Berlin, Heidelberg: Springer Verlag. Stadt Reutlingen (2018): Stadt will Fahrverbote vermeiden. Online verfügbar unter https://www.reutlingen.de/de/Aktuelles%2BInfo/Nachrichten/Nachricht?view=publish&item=article&id=11056, zuletzt geprüft am 25.03.2018. Statista (2018a): Anzahl der Filialen im Lebensmitteleinzelhandel in Deutschland in den Jahren 2006 bis 2017. Statista GmbH. Hamburg. Online verfügbar unter https://de.statista.com/statistik/daten/studie/157242/umfrage/anzahl-der-geschaefte-im-lebensmitteleinzelhandel-seit-2005/, zuletzt geprüft am 10.09.2016. Statista (2018b): Inflationsrate in Deutschland bis 2017. Statista GmbH. Hamburg. Online verfügbar unter https://de.statista.com/statistik/daten/studie/1046/umfrage/inflationsrate-veraenderung-des-verbraucherpreisindexes-zum-vorjahr/, zuletzt geprüft am 19.03.2018. Statista (2018c): Nettoumsatz im Einzelhandel in Deutschland nach Branchen in den Jahren 2015 und 2016 (in Milliarden Euro). Statista GmbH. Hamburg. Online verfügbar unter https://de.statista.com/statistik/daten/studie/248866/umfrage/umsatz-im-deutschen-einzelhandel-nach-branchen/, zuletzt geprüft am 14.07.2018. Statista (2018d): Umsatz im Lebensmitteleinzelhandel in Deutschland bis 2017. Statista GmbH. Hamburg. Online verfügbar unter https://de.statista.com/statistik/daten/studie/161986/umfrage/umsatz-im-lebensmittelhandel-seit-1998/, zuletzt geprüft am 19.03.2018.

296

6 Literaturverzeichnis

Statista (2019): Wichtigstes politisches Thema für die Bundesregierung im Jahr 2018. Umfrage. Statista GmbH. Hamburg. Online verfügbar unter https://de.statista.com/statistik/daten/studie/500465/umfrage/umfrage-zu-den-wichtigsten-politischen-themen-indeutschland/, zuletzt geprüft am 08.04.2019. Statistisches Bundesamt (Hg.) (2008): Klassifikation der Wirtschaftszweige. Wiesbaden. Stauss, B.; Bruhn, M. (2004): Dienstleistungsinnovationen. Eine Einführung in den Sammelband. In: Bruhn, M.,Stauss, B. (Hg.): Dienstleistungsinnovationen. Forum Dienstleistungsmanagement. 1. Aufl. Wiesbaden: Gabler Verlag, S. 3–25. Steger, U.; Achterberg, W.; Blok, K.; Bode, H.; Frenz, W.; Gather, C. et al. (2002): Nachhaltige Entwicklung und Innovation im Energiebereich. Berlin, Heidelberg: Springer Verlag. Steinmann, H.; Schreyögg, G.; Koch, J. (2005): Management. Grundlagen der Unternehmensführung. Konzepte, Funktionen, Fallstudien. 6. Aufl. Wiesbaden: Gabler Verlag. Sterman, J. D. (1989): Modeling managerial behavior: Misperceptions of feedback in a dynamic decision making experiment. In: Management Science 35 (3), S. 321–339. Sterman, J. D. (2000): Business dynamics. System thinking and modelling for a complex world. Boston: McGraw-Hill. Stindt, D. (2017): A generic planning approach for sustainable supply chain management How to integrate concepts and methods to address the issues of sustainability? In: Journal of Cleaner Production 153, S. 146–163. Stölzle, W.; Martin, J. (2016): Logistikinnovation – Auf dem Weg zu Business Innovation in der Logistikdienstleistung. In: Hoffmann, C. P., Lennerts, S., Schmitz, C., Stölzle, W.,Uebernickel, F. (Hg.): Business Innovation. Das St. Galler Modell. Wiesbaden: Springer Gabler (Business Innovation), S. 499–529. Storey, C.; Cankurtaran, P.; Papastathopoulou, P.; Hultink, E. J. (2016): Success factors for service innovation. A meta-analysis. In: Journal of Product Innovation Management 33 (5), 527–548. Strohhecker, J. (2008a): Formulierung, Simulation und Analyse von System-Dynamics-Modellen. In: Strohhecker, J.,Sehnert, J. (Hg.): System Dynamics für die Finanzindustrie. Simlieren und Analysieren dynamisch-komplexer Probleme. Frankfurt am Main: Frankfurt School Verlag, S. 141–174. Strohhecker, J. (2008b): System Dynamics als Managementinstrument. In: Strohhecker, J.,Sehnert, J. (Hg.): System Dynamics für die Finanzindustrie. Simlieren und Analysieren dynamisch-komplexer Probleme. Frankfurt am Main: Frankfurt School Verlag, S. 17–33. Strohhecker, J.; Fischer, M. M. (2008a): Bestands- und Flussgrößen. In: Strohhecker, J.,Sehnert, J. (Hg.): System Dynamics für die Finanzindustrie. Simlieren und Analysieren dynamisch-komplexer Probleme. Frankfurt am Main: Frankfurt School Verlag, S. 105– 140. Strohhecker, J.; Fischer, M. M. (2008b): Feedback-Diagramme. In: Strohhecker, J.,Sehnert, J. (Hg.): System Dynamics für die Finanzindustrie. Simlieren und Analysieren dynamischkomplexer Probleme. Frankfurt am Main: Frankfurt School Verlag, S. 71–104.

6 Literaturverzeichnis

297

Stumpfe, J. (2003): Interdependenzen von Produkt- und Prozessinnovationen in industriellen Unternehmen. Eine System-Dynamics-basierte Analyse. Frankfurt am Main: Peter Lang (Europäische Hochschulschriften. Reihe 5, Volks- und Betriebswirtschaft, v. 3031). TA Lärm (1998): Sechste Allgemeine Verwaltungsvorschrift zum Bundes-Immissionsschutzgesetz. Technische Anleitung zum Schutz gegen Lärm - TA Lärm. Hg. v. Umweltbundesamt. Dessau-Roßlau. Tanskanen, K.; Holmström, J.; Öhman, M. (2015): Generative mechanisms of the adoption of logistics Innovation. The case of on-site shops in construction supply chains. In: Journal of Business Logistics 36 (2), S. 139–159. Thakur, R.; Hale, D. (2013): Service innovation. A comparative study of U.S. and Indian service firms. In: Journal of Business Research 66 (8), S. 1108–1123. Theodoridis, P. K.; Chatzipanagiotou, K. C. (2009): Store image attributes and customer satisfaction across different customer profiles within the supermarket sector in Greece. In: European Journal of Marketing 43 (5/6), S. 708–734. Thielmann, A.; Neef, C.; Hettesheimer, T.; Döscher, H.; Wietschel, M.; Tübke, J. (2017): Energiespeicher-Roadmap (Update 2017). Hochenergie-Batterien 2030+ und Perspektiven zukünftiger Batterietechnologien. Hg. v. Fraunhofer-Institut für System- und Innovationsforschung ISI. Karlsruhe. Thielmann, A.; Sauer, A.; Wietschel, M. (2015a): Gesamt-Roadmap Energiespeicher für die Elektromobilität 2030. Hg. v. Fraunhofer-Institut für System- und Innovationsforschung ISI. Thielmann, A.; Sauer, A.; Wietschel, M. (2015b): Produkt-Roadmap Energiespeicher für die Elektromobilität 2030. Fraunhofer-Institut für System- und Innovationsforschung ISI. Karlsruhe. Thies, C.; Kieckhäfer, K.; Spengler, T. S. (2016): Market introduction strategies for alternative powertrains in long-range passenger cars under competition. In: Transportation Research Part D: Transport and Environment 45, S. 4–27. Thomas, D. R. E. (1978): Strategy is different in service businesses. In: Harvard Business Review 56 (4), S. 158–165. Tidd, J.; Bessant, J. R. (2013): Managing innovation. Integrating technological, market and organizational change. 5. Aufl.: John Wiley & Sons. Toll Collect (2018a): Das mautpflichtige Straßennetz. Ab 1. Juli 2018. Toll Collect GmbH. Berlin. Online verfügbar unter https://www.toll-collect.de/static/media/tc/informationen_tc/nutzer/karte_mautstreckennetz/karte_strecken_d.pdf, zuletzt geprüft am 29.10.2018. Toll Collect (2018b): Maut-Tarife. Toll Collect GmbH. Berlin. Online verfügbar unter https://www.toll-collect.de/de/toll_collect/bezahlen/maut_tarife/maut_tarife.html, zuletzt geprüft am 29.10.2018. Töllner, A. (2010): Anforderungserhebung bei der Erstellung integrierter Lösungen. In: Woisetschläger, D., Michaelis, M., Evanschitzky, H., Eiting, A.,Backhaus, C. (Hg.): Marketing von Solutions. Innovative Ansätze und Best Practices. Wiesbaden: Gabler Verlag (Applied Marketing Science / Angewandte Marketingforschung), S. 83–108.

298

6 Literaturverzeichnis

Töpfer, A. (1985): Umwelt- und Benutzerfreundlichkeit von Produkten als strategische Unternehmungsziele. In: Marketing: Zeitschrift für Forschung und Praxis 7 (4), S. 241–251. Train, K. E. (2009): Discrete choice methods with simulation. 2. Aufl. New York: Cambridge University Press. Transport for London (2018a): Congestion Charge (Official). Online verfügbar unter https://tfl.gov.uk/modes/driving/congestion-charge, zuletzt geprüft am 26.10.2018. Transport for London (2018b): Penalty charges for the LEZ. Online verfügbar unter https://tfl.gov.uk/modes/driving/low-emission-zone/penalty-charges?intcmp=2275, zuletzt geprüft am 26.03.2018. UBA (2015): Schwere Nutzfahrzeuge. Die Schadstoffemissionen von schweren Nutzfahrzeugen, wie Lkws und Bussen, werden durch europaweite Richtlinien und Verordnungen reguliert. Abgasgrenzwerte für LKW und Busse. Umweltbundesamt (UBA). Online verfügbar unter https://www.umweltbundesamt.de/themen/verkehr-laerm/emissionsstandards/schwere-nutzfahrzeuge, zuletzt geprüft am 20.08.2019. UBA (2018a): Fahrleistungen, Verkehrsaufwand und „Modal Split“. Umweltbundesamt (UBA). Online verfügbar unter https://www.umweltbundesamt.de/daten/verkehr/fahrleistungen-verkehrsaufwand-modal-split#textpart-1, zuletzt geprüft am 12.12.2018. UBA (2018b): Stickstoffoxid-Emissionen. Umweltbundesamt (UBA). Online verfügbar unter https://www.umweltbundesamt.de/daten/luft/luftschadstoff-emissionen-in-deutschland/stickstoffoxid-emissionen#textpart-1, zuletzt geprüft am 12.12.2018. UBA (2018c): Umweltzonen in Deutschland. Umweltbundesamt (UBA). Online verfügbar unter https://www.umweltbundesamt.de/themen/luft/luftschadstoffe/feinstaub/umweltzonen-in-deutschland#textpart-1, zuletzt geprüft am 12.12.2018. Ulrich, P.; Fluri, E. (1995): Management. Eine konzentrierte Einführung. 7. Aufl. Bern, Stuttgart, Wien: Verlag Paul Haupt. Utterback, J. M. (1974): Innovation in industry and the diffusion of technology. In: Science 183 (4125), S. 620–626. Utterback, J. M.; Abernathy, W. J. (1975): A dynamic model of process and product innovation. In: Omega 3 (6), S. 639–656. van Schalkwyk, M. C. I.; Mindell, J. S. (2018): Current issues in the impacts of transport on health. In: British Medical Bulletin 125 (1), S. 67–77. van Wassenhove, L. N.; Besiou, M. (2013): Complex problems with multiple stakeholders. How to bridge the gap between reality and OR/MS? In: Journal of Business Economics 83 (1), S. 87–97. Vanalle, R. M.; Ganga, G. M. D.; Godinho Filho, M.; Lucato, W. C. (2017): Green supply chain management. An investigation of pressures, practices, and performance within the Brazilian automotive supply chain. In: Journal of Cleaner Production 151, S. 250–259. Varadarajan, R. (2017): Innovating for sustainability. A framework for sustainable innovations and a model of sustainable innovations orientation. In: Journal of the Academy of Marketing Science 45 (1), S. 14–36. Varsei, M.; Soosay, C.; Fahimnia, B.; Sarkis, J. (2014): Framing sustainability performance of supply chains with multidimensional indicators. In: Supply Chain Management: An International Journal 19 (3), S. 242–257.

6 Literaturverzeichnis

299

Venkatesh, V.; Morris, M. G.; Davis, G. B.; Davis, F. D. (2003a): User acceptance of information technology: Toward a unified view. In: MIS quarterly 27 (3), S. 425–478. Venkatesh, V.; Morris, M. G.; Davis, G. B.; Davis, F. D. (2003b): User acceptance of information technology: Toward a unified view. In: MIS quarterly 27 (3), S. 425–478. Verma, R.; Anderson, C.; Dixon, M.; Enz, C. A.; Thompson, G.; Victorino, L. (2008): Key elements in service innovation: Insights for the hospitality industry. In: Cornell Hospitality Roundtable Proceedings 1 (1), S. 6–12. VHB (2018): VHB-JOURQUAL3. Ein Ranking von betriebswirtschaftlich relevanten Zeitschriften auf der Grundlage von Urteilen der VHB-Mitglieder (Stand 2015). Alphabetische Gesamtliste der Fachzeitschriften in VHB-JOURQUAL3. Hg. v. Verband der Hochschullehrer für Betriebswirtschaft e.V. Online verfügbar unter http://vhbonline.org/VHB4you/jourqual/vhb-jourqual-3/gesamtliste/, zuletzt geprüft am 04.02.2018. Voigt, K.-I. (1992): Strategische Planung und Unsicherheit. Wiesbaden: Gabler Verlag (Betriebswirtschaftliche Forschung zur Unternehmensführung, 24). Vollmer, M. (2010): Ein systemdynamisches Modell zur vorausschauenden Planung von Produktionsprozessen. Karlsruhe. Volvo Trucks (2018): Erster vollelektrischer Lkw von Volvo Trucks. Volvo FL Electric. Online verfügbar unter https://www.volvotrucks.de/de-de/trucks/electromobility/volvo-flelectric.html, zuletzt geprüft am 26.10.2018. Wacket, M.; Wissenbach, I. (2018): Gericht lässt Diesel-Fahrverbote in Städten zu. In: Reuters, 27.02.2018. Online verfügbar unter https://de.reuters.com/article/deutschland-gericht-fahrverbote-idDEKCN1GB1BW. Wagenstetter, N. C. (2015): Nutzung von Analogien für die Entwicklung von Logistikinnovationen. Konzeption eines Vorgehens zur Anwendung von Analogien in der Logistik. Dissertation. Lohmar, Köln: Josef Eul Verlag (Supply Chain, Logistics and Operations Management, 19). Wagner, S. M. (2008a): Innovation management in the German transportation industry. In: Journal of Business Logistics 29 (2), S. 215–231. Wagner, S. M. (2008b): Innovation management in the German transportation industry. In: Journal of Business Logistics 29 (2), S. 215–231. wallbe (2018): wallbe Driving eMobility - Wandladestation wallbe Pro. Online verfügbar unter https://shop.wallbe.de/de/wandladestation-wallbe-pro/, zuletzt geprüft am 22.03.2018. Walters, J. P.; Javernick-Will, A. N. (2015): Long-term functionality of rural water services in developing countries. A system dynamics approach to understanding the dynamic interaction of factors. In: Environmental Science & Technology 49 (8), S. 5035–5043. Walther, G.; Schmidt, K. (2009): Methodenwahl zur Analyse von Wertschöpfungs-und Standortstrukturentscheidungen vor dem Hintergrund der Problemstellung Produktpiraterie. Abschlussbericht. TU Braunschweig. Wan Ahmad, W. N. K.; de Brito, M. P.; Tavasszy, L. A. (2016): Sustainable supply chain management in the oil and gas industry. In: Benchmarking: An International Journal 23 (6), S. 1423–1444.

300

6 Literaturverzeichnis

Weken, H.; Bestebreurtje, E.; Kroon, R. (2017): Electric heavy duty trucks in Europe more and more upcoming. EVS 2017 - 30th International Electric Vehicle Symposium and Exhibition 2017. Stuttgart. Welge, M. K.; Al-Laham, A. (2012): Strategisches Management. Grundlagen - Prozess - Implementierung. 6. Aufl. Wiesbaden: Springer Gabler (Lehrbuch). Wietschel, M.; Gnann, T.; Kühn, A.; Plötz, P.; Moll, C.; Speth, D. et al. (2017): Machbarkeitsstudie zur Ermittlung der Potentiale des Hybrid-Oberleitungs-Lkw. Studie im Rahmen der Wissenschaftlichen Beratung des BMVI zur Mobilitäts- und Kraftstoffstrategie. Karlsruhe. Wilding, R.; Juriado, R. (2004): Customer perceptions on logistics outsourcing in the European consumer goods industry. In: International Journal of Physical Distribution & Logistics Management 34 (8), S. 628–644. Wilkens, I. (2012): Multikriterielle Analyse zur Nachhaltigkeitsbewertung von Energiesystemen. Von der Theorie zur praktischen Anwendung (Dissertation Technische Universität Berlin). Willke, H. (1993): Systemtheorie. Eine Einführung in die Grundprobleme der Theorie sozialer Systeme. 4. Aufl. Stuttgart: Gustav Fischer. Witell, L.; Anderson, L.; Brodie, R. J.; Colurcio, M.; Edvardsson, B.; Kristensson, P. et al. (2015): Exploring dualities of service innovation. Implications for service research. In: Journal of Services Marketing 29 (6/7), S. 436–441. Wittenbrink, P. (2014): Transportmanagement. Kostenoptimierung, Green Logistics und Herausforderungen an der Schnittstelle Rampe. 2. Aufl. Wiesbaden: Springer Gabler. Wong, C. Y.; Karia, N. (2010): Explaining the competitive advantage of logistics service providers. A resource-based view approach. In: International Journal of Production Economics 128 (1), S. 51–67. Woratschek, H. (2001): Zum Stand einer Theorie des Dienstleistungsmarketing. In: Die Unternehmung - Swiss Journal of Business Research and Practice 55 (4/5), S. 261–278. Wu, G.; Inderbitzin, A.; Bening, C. (2015): Total cost of ownership of electric vehicles compared to conventional vehicles. A probabilistic analysis and projection across market segments. In: Energy Policy 80, S. 196–214. Wu, H.‐J.; Dunn, S. C. (1995): Environmentally responsible logistics systems. In: International Journal of Physical Distribution & Logistics Management 25 (2), S. 20–38. Wutke, S. (2016): Entwicklung eines Gestaltungsmodells zur Berücksichtigung von Nachhaltigkeit bei der Ausschreibung und Vergabe logistischer Leistungen im Straßengüterverkehr. Berlin: Universitätsverlag der TU Berlin (Schriftenreihe Logistik der Technischen Universität Berlin, 36). Yee, R. W.Y.; Yeung, A. C.L.; Cheng, T. C. E.; Lai, K.-H. (2009): The service-profit chain. A review and extension. In: Total Quality Management & Business Excellence 20 (6), S. 617–632. Yu, W.; Chavez, R.; Feng, M.; Wiengarten, F. (2014): Integrated green supply chain management and operational performance. In: Supply Chain Management: An International Journal 19 (5/6), S. 683–696.

6 Literaturverzeichnis

301

Zailani, S.; Amran, A.; Jumadi, H. (2011): Green innovation adoption among logistics service providers in Malaysia. An exploratory study on the managers’ perceptions. In: International Business Management 5 (3), S. 104–113. Zailani, S.; Jeyaraman, K.; Vengadasan, G.; Premkumar, R. (2012): Sustainable supply chain management (SSCM) in Malaysia. A survey. In: International Journal of Production Economics 140 (1), S. 330–340. Zaman, K.; Shamsuddin, S. (2017): Green logistics and national scale economic indicators. Evidence from a panel of selected European countries. In: Journal of Cleaner Production 143, S. 51–63. Zanker, C. (2018): Branchenanalyse Logistik. Der Logistiksektor zwischen Globalisierung, Industrie 4.0 und Online-Handel. Düsseldorf: Hans-Böckler-Stiftung (Study, 390). Zardari, N. H.; Ahmed, K.; Shirazi, S. M.; Yusop, Z. B. (2015): Weighting methods and their effects on multi-criteria decision making model outcomes in water resources management. Cham: Springer Verlag (Springer Briefs in Water Science and Technology). Zhao, Y.; Noori, M.; Tatari, O. (2016): Vehicle to grid regulation services of electric delivery trucks. Economic and environmental benefit analysis. In: Applied Energy 170, S. 161– 175. Zhu, Q.; Liu, J.; Lai, K.-H. (2016): Corporate social responsibility practices and performance improvement among Chinese national state-owned enterprises. In: International Journal of Production Economics 171, S. 417–426. Zhu, Q.; Sarkis, J.; Geng, Y. (2005): Green supply chain management in China. Pressures, practices and performance. In: International Journal of Operations & Production Management 25 (5), S. 449–468. Zhu, Q.; Sarkis, J.; Lai, K.-H. (2013): Institutional-based antecedents and performance outcomes of internal and external green supply chain management practices. In: Journal of Purchasing and Supply Management 19 (2), S. 106–117. Zimmermann, H.-J.; Gutsche, L. (1991): Multi-Criteria Analyse. Einführung in die Theorie der Entscheidungen bei Mehrfachzielsetzungen. Berlin, Heidelberg: Springer Verlag. Zoll online (2018): Steuerhöhe. Steuersatz für Nutzfahrzeuge. Hg. v. Generalzolldirektion. Online verfügbar unter http://www.zoll.de/DE/Fachthemen/Steuern/Verkehrsteuern/Kraftfahrzeugsteuer/Grundsaetze_Besteuerung/Steuerhoehe/steuerhoehe_node.html#doc294822bodyText5, zuletzt geprüft am 29.10.2018. Zoll online (2019): Elektrofahrzeuge. Steuervergünstigungen für reine Elektrofahrzeuge. Hg. v. Generalzolldirektion. Online verfügbar unter http://www.zoll.de/DE/Fachthemen/Steuern/Verkehrsteuern/Kraftfahrzeugsteuer/Steuerverguenstigung/Elektrofahrzeuge/elektrofahrzeuge_node.html, zuletzt geprüft am 20.08.2019. Zöllner, W. A. (1990): Strategische Absatzmarktplanung. Kunden- und Wettbewerbsanalyse für Logistikunternehmen. Berlin, Heidelberg: Springer Verlag (Logistik in Industrie, Handel und Dienstleistungen).

7 Anhang

7.1

Betriebswirtschaftliche Unternehmensziele

Basiskategorie

Ziele

Strategische Ziele

Sicherung des Unternehmensbestandes Unternehmenswachstum Risikominderung Flexibilität Erfahrungsvorsprung

Rentabilitätsziele

Gewinn Kosteneinsparungen Produktivitätssteigerungen Deckungsbeitrag Rentabilität von Gesamt- und Eigenkapital Kapazitätsauslastung

Marktleistungsziele

Qualität des Angebots Innovation Kundenservice Kundenzufriedenheit Kundenloyalität Auswahl Benutzerfreundlichkeit des Produkts/der Dienstleistung Verbraucherversorgung

Markstellungsziele

Umsatz Marktanteil Macht und Einfluss auf dem Markt Wettbewerbsfähigkeit Neue Märkte

Finanzwirtschaftliche Ziele

Kreditwürdigkeit Liquidität finanzielle Unabhängigkeit Kapitalstruktur

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2019 C. Moll, Nachhaltige Dienstleistungsinnovationen in der Logistik, https://doi.org/10.1007/978-3-658-28038-3

304

7 Anhang

Macht- und Prestigeziele

Unabhängigkeit Image und Prestige Politischer Einfluss Gesellschaftlicher Einfluss

Soziale Ziele in Bezug auf Mitarbeiter

Soziale Verantwortung gegenüber Mitarbeitern Mitarbeiterzufriedenheit Mitarbeitermotivation

Gesellschaftsbezogene Ziele

Nicht-kommerzielle Leistungen für externe Anspruchsgruppen Sponsoring Ökologische Nachhaltigkeit Beiträge an volkswirtschaftliche Infrastruktur

Tabelle Anhang 7-1: Basiskategorien von Unternehmenszielen nach Ulrich und Fluri (1995) und mögliche Ziele (Quelle: in Anlehnung an Fritz et al. (1984), Töpfer (1985), Raffée et al. (1988), Raffée und Fritz (1992), Ulrich und Fluri (1995, S. 97f.), Al-Laham (1997) und Meffert und Kirchgeorg (1998))

7.2 Nachhaltigkeitsziele

7.2

305

Nachhaltigkeitsziele

Kategorie

Einzelaspekt

Ökonomie

Wirtschaftliche Leistung Marktpräsenz Indirekte Ökonomische Auswirkungen Beschaffungspraktiken Korruptionsbekämpfung Wettbewerbswidriges Verhalten

Ökologie

Materialien Energie Wasser Biodiversität Emissionen Abwasser und Abfall Umwelt-Compliance Umweltbewertung der Lieferanten

Soziales

Beschäftigung Arbeitnehmer-Arbeitgeber-Verhältnis Arbeitssicherheit und Gesundheitsschutz Aus- und Weiterbildung Diversität und Chancengleichheit Diskriminierungsfreiheit Vereinigungsfreiheit und Tarifverhandlungen Kinderarbeit Zwangs- oder Pflichtarbeit Sicherheitspraktiken Rechte der indigenen Völker Prüfung auf Einhaltung der Menschenrechte Lokale Gemeinschaften Soziale Bewertung der Lieferanten Politische Einflussnahme Kundengesundheit und -sicherheit Marketing und Kennzeichnung Schutz der Kundendaten Sozioökonomische Compliance

Tabelle Anhang 7-2: Kategorien und Einzelaspekte des GRI-Standards (Quelle: GRI (2018, S. 3))

306

7.3

7 Anhang

Zielsystem und Präferenzen des LDL

Übergeordnete Kategorie

Basiskategorie

Ziele und Auswirkungen

Messbarkeit

Risikominderung

# durchführbare Touren ELkw, # nachtbelieferbare Filialen

Erfahrungsvorsprung

# durchgeführte Belieferungen tags/nachts mit ELkw, # nachtbelieferbare Filialen

Kosteneinsparungen

Gesamtkosten: TCO Lkw, Schulung, Umbau

Produktivitätssteigerungen

# Touren pro Fahrzeug, Verkürzung Zeitdauer Touren

Marktstellungsziele

Umsatzsteigerung

Image, Servicequalität, Kundenzufriedenheit, Kundenbindung

Sozial

Soziale Ziele in Bezug auf Mitarbeiter

Mitarbeiterzufriedenheit

Ökologisch

Gesellschaftsbezogene Ziele

Ökologische Nachhaltigkeit

CO2-Einsparung, Ressourceneinsparung

Geräuschemissionen

"leise" km

Entlastung der Infrastruktur

# Nachttouren

Strategisch

Ökonomisch

Rentabilitätsziele

Tabelle Anhang 7-3: Allgemeines Zielsystem zum Einsatz von E-Lkw zur Nachtbelieferung als Ergebnis der Fokusgruppeninterviews (Quelle: in Anlehnung an Moll et al. (2017, S. 220))

7.3 Zielsystem und Präferenzen des LDL

307

Zielebene 2

Zielkriterium

Messattribut

Risiko

Reaktionsfähigkeit bezüglich Regularien

(Fahrzeug-)Ersatzbedarf in Risikoklassen

Erfahrung

Technologischer Vorreiter/ Innovator

%-Anteil E-Lkw gegenüber Wettbewerbern/Zulassungsstatistik

Gesamtinvestitionen

€ pro Jahr oder € im Betrachtungszeitraum

Stückkosten

€/TE

Produktivität

Durchschnittliche Tourendauer

Ø-Dauer in h

Qualität

Durchschnittliche Lieferpünktlichkeit

Ø-Einhaltung des Zeitfensters in %

CO2-Einsparungen

Einsparung in t oder %

NOx-Einsparungen

Einsparung in t oder %

Geräuschemissionen

Verringerung Lärmemissionen beim Transport

„leise“ km

Infrastruktur

Verkehrsverlagerung in die Nacht

# in die Nacht verlagerter Touren

Kosten

Schadstoffemissionen

Tabelle Anhang 7-4: Operationalisierung des Zielsystems des LDL Messattribut

Präferenzfunktionstyp

(Fahrzeug-)Ersatzbedarf in Risikoklassen

III

%-Anteil E-Lkw gegenüber Wettbewerbern/Zulassungsstatistik

V

€ pro Jahr oder € im Betrachtungszeitraum

III

10 %

€/TE

III

10 %

Ø-Dauer in h

III

12,5 %

Ø-Einhaltung des Zeitfensters in %

I

Einsparung in t oder %

V

Einsparung in t oder %

III

„leise“ km in Mio./a

V

# in die Nacht verlagerter Touren/d

III

Tabelle Anhang 7-5: Präferenzfunktionen und Schwellenwerte für die Ziele des LDL

q-Wert

p-Wert 20 %

20 %

50 %

13 %

33 % 25 %

40 %

100 % 33 %

Abbildung Anhang 7-1:

+1

0

-2

0

+1

0

0

0

Erfahrung Technologischer Vorreiter

Kosten Investitionen/ Stückkosten

Produktivität Tourendauer

Qualität Lieferpünktlichkeit

Schadstoffemissionen CO2/NOx-Emissionen

Geräuschemissionen Lärmemissionen Transport

Infrastruktur Verkehrsverlagerung

+1

0

Kunden umgerüstete Filialen

Risiko Reaktionsfähigkeit

Kunden umgerüstete Filialen/ Nachfrage

Nachtbelieferung E-Lkw im Fuhrpark/ Durchführung

von

Nachfrage

Angebot

Nachtbelieferung E-Lkw im Fuhrpark/ Durchführung

Ergebnis der CIA mit dem LDL 0

0

0

0

0

0

0

0

+1

Risiko Reaktionsfähigkeit

0

0

0

0

0

0

0

0

+1

Erfahrung Technologischer Vorreiter

-1

0

0

0

+1

0

0

0

+2

Kosten Investitionen/ Stückkosten

-2

0

0

0

0

0

0

0

-1

+1

0

0

0

0

0

0

0

+1

Qualität Lieferpünktlichkeit

Ziele Nachtlogistik Produktivität Tourendauer

0

0

0

0

0

0

0

0

-2

Schadstoffemissionen CO2/NOx-Emissionen

0

0

0

0

0

0

0

0

-2

0

0

0

-1

0

0

0

0

+1

Geräuschemissionen Infrastruktur Lärmemissionen Verkehrsverlagerung Transport

7.4

auf

Ursache-Wirkungs-Beziehungen / Wenn-Dann-Zusammenhänge (-> Kausalzusammenhänge)

308 7 Anhang

Template und Ergebnis der Cross-Impact Analyse des LDL

7.5 Weitere Parameter zur Ermittlung der Umweltszenarien

7.5

309

Weitere Parameter zur Ermittlung der Umweltszenarien

2000

2001

1,4 % 2010

2002

2,0 %

1,4 %

2011

1,1 %

2012

2,1 %

2,0 %

2003

2004

1,1 % 2013

2005

1,6 % 2014

1,5 %

2006

1,6 %

1,5 %

2015

0,9 %

2007 2,3 %

2016

0,3 %

2017

0,5 %

1,8 %

2008 2,6 %

2009 0,3 %

2018123 1,5%

Tabelle Anhang 7-6: Entwicklung der Inflationsrate in Deutschland (Quelle: Destatis (2018c, S. 5)) Einheit

2009

2018

2020

2030

2040

Kosten Dieselmotor

[€2018/kW]

72,9

78,2

79,3

85,1

90,9

Kosten Elektromotor

[€2018/kW]

-

25,9

25,7

24,7

23,7

Kosten Leistungselektronik

[€2018/kW]

-

27,3

26,9

24,9

22,9

[€2018]

-

3.455

3.403

3.140

2.877

Komponentenkosten

Kosten weitere Komponenten E-Lkw

Tabelle Anhang 7-7: Entwicklung der Komponentenkosten der Antriebsstränge (Quelle: eigene Berechnungen in Anlehnung an Özdemir (2012, S. 149), Hülsmann et al. (2014, S. 58f.)) Variablen

Einheit

2018

2020

2030

2040

Quelle

Strompreis

€2018/kWh

0,1720

0,1792

0,1962

0,1762

Gerbert et al. (2018, S. 269), BDEW (2019, S. 24)

spezifische CO2Emissionen deutscher Strommix

€2018/l

0,488

0,450

0,256

0,062

Gerbert et al. (2018, S. 240ff.), Icha und Kuhs (2017, S. 9)

Dieselpreis

€2018/l

0,988

1,128

1,425

1,315

IEA (2017, S. 54), Destatis (2018a, S. 28)

Batteriesystempreis

[€2018/kWh]

562

469

209

144

Thielmann et al. (2017, S. 14ff.)

Tabelle Anhang 7-8: Entwicklung verschiedener Variablen im Szenario Teure Nachhaltigkeit

123

Für 2018 wurde das arithmetische Mittel von Januar und Februar 2018 herangezogen.

Abbildung Anhang 7-2:

Subsystem Fuhrparkbestand

Verbrauchneuer D-Lk w



Erhöhungsrate Verbrauch D-Lkw

Verbrauch E-Lkw

Erhöhungsrate Verbrauch E-Lkw

Alterungsrate Verbrauch E-Lkw

Verringerungsrate Verbrauch D-Lkw

Verbrauchneuer E-Lk w

Verbrauch D-Lkw

IN Verbrauch Alterungsrate D-Lkw Verbrauch D-Lkw

Verringerungsrate Verbrauch E-Lkw



Verringerungsrate Annuität E-Lkw



Annuität E-Lkw

Erhöhungsrate Annuität E-Lkw

Verringerungsrate Annuität D-Lkw

Alterungsrate Annuität E-Lkw

Annuität D-Lkw

Alterungsrate Annuität D-Lkw

Erhöhungsrate Annuität D-Lkw

Gesamtsumme E-Lkw

Gesamtsumme Typ E-Lkw

Gesamtsumme Alter E-Lkw

Ausmusterungsrate E-Lkw



Bestand E-Lkw

Alterungsrate Bestand E-Lkw

Beschaffungsrate E-Lkw



Ausmusterungsrate D-Lkw

Gesamtsumme D-Lkw

Gesamtsumme Typ D-Lkw

Gesamtsumme Alter D-Lkw

Bestand D-Lkw

Alterungsrate Bestand D-Lkw



Beschaffungsrate D-Lkw

IN Bestand D-Lkw



IN Verteilung Schadstoffklassen

Alterungsrate Annuität Schnellladesäulen

Gesamtsumme Lkw





Verringerungsrate Annuität Schnellladesäulen



Annuität Erhöhungsrate Annuität Schnellladesäulen Schnellladesäulen





Bestand Schnellladesäulen Ausmusterungsrate Schnellladesäulen

Alterungsrate Bestand Schnellladesäulen



Beschaffungsrate Schnellladesäulen



7.6



310 7 Anhang

Weitere Subsysteme des Wirkungsprognosemodells

7.6 Weitere Subsysteme des Wirkungsprognosemodells

311

Ladeleistung Ladesäule

Zwischenladung

Ladegeschwindigkeit Ladesäule Filiale

zusätzliche Ladezeit Lager

Ladegeschwindigkeit Schnellladesäule Lager

Zeit nutzbar für Zwischenladung Lager Zeit nutzbar für Zwischenladung Stopp

Ladeleistung Schnellladesäule

Reichweite E-Lkw pro Tour

Tourenreichweite

Abbildung Anhang 7-3:

Ausschnitt für Ladezeit aus dem Subsystem Tourenangebot





Annuität neuer D-Lkw

IN Annuität D-Lkw

Kapitalwiedergewinnungsfaktor





IN Restwert I N A n s c h a f f u n g s k o s t e n D-Lkw D-Lk w IN jährliche km D-Lkw

Abbildung Anhang 7-4:



Ausschnitt für Annuität neuer D-Lkw und deren Initialisierungswerte aus dem Subsystem Fuhrparkkosten





Annuität neuer E-Lkw



Abbildung Anhang 7-5:

Ausschnitt für Annuität neuer E-Lkw aus dem Subsystem Fuhrparkkosten

312

7 Anhang



jährliche Kosten Ladesäule je Filiale

KF F

jährliche Belieferungskosten je Filiale



Maximaler Nutzen Kunde



Abbildung Anhang 7-6:

Ausschnitt der jährlichen Kosten von Ladesäulen und Belieferung der Filialen aus dem Subsystem Kundenentscheidung

Ersatzbedarf D-Lkw

Ers a tzbe da rf Fuhrpa rk

Abbildung Anhang 7-7:



Ante ilAFVge ge nübe r M a rk t Mark tanteilAFV SZM

Ausschnitt der ökonomischen Zielgrößen aus dem Subsystem Zielgrößen



Mark tanteilAFV GK4



gefahrene jährliche Gesamtkilometer D-Lkw

gefahrene jährliche Gesamtkilometer E-Lkw

spezifische NOx-Emissionen Diesel (TTW) N O x - Emi s s i o ne n

jährlicher Verbrauch je D-Lkw gefahrene jährliche Gesamtkilometer jährlicher Verbrauch je E-Lkw

gesamter jährlicher Dieselverbrauch KF Gewicht

gesamter jährlicher Stromverbrauch

CO 2 - Emi s s i o ne n spezif ischeCO2-Emissionen Strommix (WTW) spezifische CO2-Emissionen Diesel (WTW)



gefahrene "leise" Kilometer je E-Lkw-Typ

g e fa hre ne " le is e " G e s a mt k i l o me t e r



Gesamttouren

Gesamttouren je Lkw



in Nacht verlagerte Touren je Lkw

inN a c htv e rla g e rte To ure n



Abbildung Anhang 7-8:

Ausschnitt der ökologischen und sozialen Zielgrößen aus dem Subsystem Zielgrößen

2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 2036 2037 2038 2039 2040

Reaktionsfähigkeit Vorreiterschaft Gesamtinvestitionen Stückkosten Tourendauer Lieferpünktlichkeit CO2-Einsparungen NOx-Einsparungen Lärmemissionen Verkehrsverlagerung 0,48 0,82 3.090.365 5,73 6,43 0,96 13.117 6,94 234.822 1,93 0,55 2,21 2.164.619 5,88 6,41 0,96 12.823 6,49 1.132.371 10,89 0,62 3,02 2.490.747 6,01 6,39 0,96 12.423 5,92 2.299.200 22,07 0,69 3,34 2.517.099 6,14 6,37 0,96 11.964 5,32 3.553.371 34,13 0,72 3,40 2.463.144 6,25 6,35 0,96 11.466 4,71 4.830.913 46,42 0,61 3,85 4.045.326 6,33 6,32 0,96 10.606 3,72 6.939.744 67,24 0,49 4,04 3.652.856 6,39 6,29 0,97 9.732 2,78 8.946.116 86,63 0,35 4,22 3.649.025 6,43 6,27 0,97 8.795 1,85 10.985.769 106,54 0,18 4,33 3.571.057 6,45 6,24 0,97 7.811 0,94 13.015.245 124,90 0,05 4,21 3.031.223 6,41 6,23 0,97 6.899 0,28 14.322.263 126,04 0,03 3,64 2.707.657 6,62 6,21 0,97 6.630 0,18 14.815.120 126,75 0,02 3,15 2.537.613 6,74 6,20 0,97 6.309 0,14 14.994.819 127,43 0,02 2,74 2.349.029 6,86 6,19 0,97 6.006 0,11 15.132.366 128,10 0,02 2,41 2.264.788 6,98 6,17 0,97 5.720 0,09 15.244.679 128,79 0,01 2,14 3.960.525 7,10 6,16 0,97 5.414 0,08 15.356.906 129,50 0,01 1,90 3.366.650 7,23 6,15 0,97 5.133 0,07 15.451.556 130,22 0,01 1,70 3.434.563 7,36 6,13 0,97 4.864 0,06 15.538.376 130,97 0,01 1,53 3.405.686 7,50 6,12 0,97 4.604 0,06 15.624.749 131,76 0,01 1,39 2.860.536 7,64 6,11 0,97 4.354 0,06 15.710.107 132,58 0,01 1,27 2.621.542 7,79 6,09 0,97 4.110 0,06 15.797.184 133,46 0,01 1,19 2.531.963 7,95 6,08 0,97 3.869 0,05 15.884.674 134,41 0,01 1,13 2.382.670 8,12 6,07 0,97 3.631 0,05 15.972.029 135,43 0,01 1,07 2.307.874 8,29 6,05 0,97 3.408 0,05 16.058.402 136,55

7.7 Bestandteile des Bewertungsmodells

7.7

313

Bestandteile des Bewertungsmodells

Tabelle Anhang 7-9: Tabelle des Bewertungsmodells mit den Kriterienausprägungen der Zielgrößen für die Strategie Early Majority über die Zeit

2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 2036 2037 2038 2039 2040

Reaktionsfähigkeit Vorreiterschaft Gesamtinvestitionen Stückkosten Tourendauer Lieferpünktlichkeit CO2-Einsparungen NOx-Einsparungen Lärmemissionen Verkehrsverlagerung 13,8% 3,4% 12,1% 12,1% 12,1% 10,3% 8,6% 8,6% 5,2% 13,8% 12,3% 4,6% 11,7% 11,7% 11,7% 10,3% 9,2% 9,2% 5,7% 13,6% 10,8% 5,7% 11,3% 11,3% 11,3% 10,3% 9,8% 9,8% 6,2% 13,4% 9,4% 6,8% 11,0% 11,0% 11,0% 10,3% 10,4% 10,4% 6,7% 13,2% 7,9% 7,9% 10,6% 10,6% 10,6% 10,3% 11,0% 11,0% 7,2% 13,0% 6,4% 9,0% 10,3% 10,3% 10,3% 10,3% 11,5% 11,5% 7,7% 12,8% 6,4% 9,0% 10,3% 10,3% 10,3% 10,3% 11,5% 11,5% 7,7% 12,8% 6,4% 9,0% 10,3% 10,3% 10,3% 10,3% 11,5% 11,5% 7,7% 12,8% 6,4% 9,0% 10,3% 10,3% 10,3% 10,3% 11,5% 11,5% 7,7% 12,8% 6,4% 9,0% 10,3% 10,3% 10,3% 10,3% 11,5% 11,5% 7,7% 12,8% 6,4% 9,0% 10,3% 10,3% 10,3% 10,3% 11,5% 11,5% 7,7% 12,8% 6,4% 9,0% 10,3% 10,3% 10,3% 10,3% 11,5% 11,5% 7,7% 12,8% 6,4% 9,0% 10,3% 10,3% 10,3% 10,3% 11,5% 11,5% 7,7% 12,8% 6,4% 9,0% 10,3% 10,3% 10,3% 10,3% 11,5% 11,5% 7,7% 12,8% 6,4% 9,0% 10,3% 10,3% 10,3% 10,3% 11,5% 11,5% 7,7% 12,8% 6,4% 9,0% 10,3% 10,3% 10,3% 10,3% 11,5% 11,5% 7,7% 12,8% 6,4% 9,0% 10,3% 10,3% 10,3% 10,3% 11,5% 11,5% 7,7% 12,8% 6,4% 9,0% 10,3% 10,3% 10,3% 10,3% 11,5% 11,5% 7,7% 12,8% 6,4% 9,0% 10,3% 10,3% 10,3% 10,3% 11,5% 11,5% 7,7% 12,8% 6,4% 9,0% 10,3% 10,3% 10,3% 10,3% 11,5% 11,5% 7,7% 12,8% 6,4% 9,0% 10,3% 10,3% 10,3% 10,3% 11,5% 11,5% 7,7% 12,8% 6,4% 9,0% 10,3% 10,3% 10,3% 10,3% 11,5% 11,5% 7,7% 12,8% 6,4% 9,0% 10,3% 10,3% 10,3% 10,3% 11,5% 11,5% 7,7% 12,8%

314

Tabelle Anhang 7-10:

7 Anhang

Tabelle des Bewertungsmodells mit den Gewichtungen der Zielgrößen über die Zeit

Tabelle Anhang 7-11:

Ausgangsflüsse Eingangsflüsse

Nettoflüsse

0,132

0,071

0,190

Late Majority

Fahrverbote

Early Adopter

-0,214

0,202

Early Majority

Fahrverbote

0,317

Early Adopter

-0,075

-0,286

Fahrverbote

Late Majority

-0,207

Late Majority

0,099

-0,103

Early Majority

Early Majority

-0,127

2018

Early Adopter

-0,235

-0,072

0,076

0,231

0,072

0,151

0,225

0,357

-0,307

-0,224

-0,148

-0,126

2019

-0,254

-0,178

0,069

0,363

0,069

0,089

0,239

0,434

-0,323

-0,267

-0,170

-0,071

2020

-0,345

-0,230

0,073

0,502

0,065

0,110

0,292

0,548

-0,411

-0,339

-0,219

-0,047

2021

-0,343

-0,210

0,180

0,373

0,065

0,120

0,344

0,473

-0,407

-0,331

-0,164

-0,100

2022

-0,461

-0,283

0,213

0,531

0,011

0,083

0,344

0,531

-0,472

-0,366

-0,131

0,000

2023

-0,550

-0,318

0,295

0,574

0,000

0,090

0,403

0,575

-0,550

-0,408

-0,108

-0,001

2024

-0,569

-0,385

0,344

0,609

0,027

0,092

0,451

0,609

-0,595

-0,477

-0,107

0,000

2025

-0,266

-0,611

0,330

0,546

0,194

0,008

0,462

0,593

-0,459

-0,618

-0,132

-0,047

2026

-0,445

-0,478

0,564

0,359

0,110

0,082

0,586

0,500

-0,556

-0,560

-0,022

-0,141

2027

-0,374

-0,445

0,408

0,411

0,136

0,100

0,508

0,513

-0,509

-0,544

-0,101

-0,103

2028

-0,523

-0,548

0,511

0,559

0,062

0,031

0,556

0,594

-0,585

-0,579

-0,045

-0,034

2029

-0,534

-0,508

0,489

0,553

0,061

0,053

0,538

0,587

-0,595

-0,561

-0,049

-0,034

2030

-0,617

-0,386

0,574

0,430

0,021

0,107

0,581

0,505

-0,638

-0,494

-0,007

-0,076

2031

-0,662

-0,371

0,531

0,501

0,021

0,126

0,546

0,535

-0,683

-0,497

-0,014

-0,034

2032

-0,682

-0,299

0,515

0,465

0,021

0,146

0,523

0,500

-0,703

-0,445

-0,008

-0,034

2033

-0,782

-0,152

0,494

0,440

0,000

0,222

0,500

0,475

-0,782

-0,374

-0,006

-0,035

2034

-0,602

-0,126

0,415

0,313

0,103

0,220

0,453

0,404

-0,704

-0,346

-0,038

-0,092

2035

-0,758

0,044

0,468

0,246

0,034

0,307

0,481

0,383

-0,792

-0,262

-0,013

-0,138

2036

-0,677

0,078

0,295

0,304

0,068

0,319

0,401

0,407

-0,745

-0,241

-0,106

-0,103

2037

-0,836

0,026

0,390

0,419

0,000

0,271

0,429

0,454

-0,836

-0,245

-0,038

-0,035

2038

-0,839

0,168

0,333

0,338

0,000

0,340

0,403

0,408

-0,839

-0,172

-0,071

-0,070

2039

-0,842

0,277

0,369

0,196

0,000

0,377

0,407

0,332

-0,842

-0,100

-0,038

-0,136

2040

7.7 Bestandteile des Bewertungsmodells

Tabelle des Bewertungsmodells mit den Ergebnisflüssen über die Zeit

315

316

7.8

7 Anhang

Weitere Ergebnisse der Modellvalidierung

Abbildung Anhang 7-9:

Screenshot der erfolgreichen Einheitenüberprüfung des Wirkungsprognosemodells in Vensim

Abbildung Anhang 7-10:

Screenshot der erfolgreichen Modellüberprüfung des Wirkungsprognosemodells in Vensim

7.9 Weitere Modellergebnisse

Weitere Modellergebnisse

Jährliche Gesamtfahrleistung [Mio. km]

7.9

317

18 16 14 12

jährliche Gesamtkilometer

10

jährliche "leise" Kilometer

8 6 4 2 0

Abbildung Anhang 7-11:

Jährliche Gesamtfahrleistung sowie „leise“ Kilometer über die Zeit

Lieferpünktlichkeit

97%

96%

Abbildung Anhang 7-12:

Lieferpünktlichkeit über die Zeit