Quantitative Analysen zur Erfolgswirksamkeit von F&E und Marketing [1 ed.] 9783428528721, 9783428128723

Citation preview

Entrepreneurship, Marketing, Innovation Band 6

Quantitative Analysen zur Erfolgswirksamkeit von F&E und Marketing Von Henning Kreis

a Duncker & Humblot · Berlin

HENNING KREIS

Quantitative Analysen zur Erfolgswirksamkeit von F&E und Marketing

Entrepreneurship, Marketing, Innovation Herausgegeben von Prof. Dr. Christian Schade

Band 6

Quantitative Analysen zur Erfolgswirksamkeit von F&E und Marketing

Von Henning Kreis

a Duncker & Humblot · Berlin

Die Wirtschaftswissenschaftliche Fakultät der Humboldt-Universität zu Berlin hat diese Arbeit im Jahre 2008 als Dissertation angenommen.

Bibliografische Information der Deutschen Nationalbibliothek Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über http://dnb.d-nb.de abrufbar.

Alle Rechte vorbehalten # 2010 Duncker & Humblot GmbH, Berlin Fotoprint: Berliner Buchdruckerei Union GmbH, Berlin Printed in Germany ISSN 1861-3144 ISBN 978-3-428-12872-3 Gedruckt auf alterungsbeständigem (säurefreiem) Papier ∞ entsprechend ISO 9706 *

Internet: http://www.duncker-humblot.de

Vorwort Die vorliegende Arbeit ist während meiner Tätigkeit als wissenschaftlicher Mitarbeiter am Institut für Marketing der Humboldt-Universität zu Berlin entstanden. Sie wurde im Januar 2008 von der Wirtschaftswissenschaftlichen Fakultät der Humboldt-Universität zu Berlin als Dissertation angenommen. Zu großem Dank bin ich meinem Doktorvater und Erstgutachter Prof. Dr. Lutz Hildebrandt verpflichtet. Seine ständige Bereitschaft zum Dialog, seine konstruktive Kritik und seine umfassende Förderung des wissenschaftlichen Austauschs, beispielsweise durch den Besuch internationaler Konferenzen, haben einen großen Teil zum Gelingen dieser Arbeit beigetragen. Prof. Dr. Joachim Schwalbach gilt mein Dank für seinen Einsatz bei der Erstellung des Zweitgutachtens. Besonders danken möchte ich an dieser Stelle auch PD Dr. Dirk Temme, der mir insbesondere bei methodischen Fragen und Problemen stets hilfreich zur Seite gestanden hat. Gleichzeitig bedanke ich mich bei allen meinen Kolleginnen und Kollegen für die vielfältige Unterstützung während der Dissertationsphase und das sehr angenehme Arbeitsumfeld. Insbesondere zu erwähnen sind hier Till Dannewald, Nadja Silberhorn und Yasemin Boztuˇg. Den für meine empirischen Analysen notwendigen Zugang zu verschiedenen Datenbanken ermöglichte mir der Sonderforschungsbereich 649: Ökonomisches Risiko sowie Prof. Paul W. Farris. Dem Herausgeber dieser Schriftenreihe, Prof. Dr. Christian Schade, bin ich dankbar für die Aufnahme meiner Arbeit. Meine Familie und mein Freundeskreis haben ebenfalls großen Anteil an dem erfolgreichen Abschluss dieser Arbeit, nicht zuletzt dadurch, dass sie mir immer wieder das Leben neben der Dissertation aufgezeigt haben. Aufrichtig danken möchte ich deshalb zunächst meinen Eltern und meiner Schwester. In jeder Phase der Dissertation unterstützten sie mich mit ihrem Verständnis, ihrem Zuspruch sowie ihrer Geduld und gaben mir so den nötigen emotionalen Rückhalt. Ähnliches gilt für meine Freunde, insbesondere erwähnt seien hier Nikola Günther, Christoph Hauser und Marc Göckeritz, die mir auch in schweren Phasen immer wieder die Möglichkeit gegeben haben, meine Probleme zu diskutieren, aber auch zu relativieren. Berlin, im August 2009

Henning Kreis

Inhaltsverzeichnis 1.

Einleitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

15

2.

Darstellung des Untersuchungsgegenstands . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1. Bewertung von F & E- und Marketingausgaben . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1.1. Der Investitionsbegriff . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1.2. Die Bewertung von F & E- und Marketingausgaben aus Kostenperspektive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1.3. Die Bewertung von F & E- und Marketingausgaben aus Investitionsperspektive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2. Wirkungsmechanismen von F & E und Marketing als strategische Investitionen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

19 20 20

3.

Theorieansätze zur Begründung der Erfolgswirksamkeit von F & E und Marketing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1. Industrieökonomische Theorie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1.1. Ziele und Gegenstand . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1.2. Empirische Studien zu F & E und Innovation nach der industrieökonomischen Sichtweise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1.2.1. Produktivitätsmessung von F & E in der industrieökonomischen Theorie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1.2.1.1. Kosten-Nutzen Analysen für individuelle Innovationen auf der Basis von Fallstudien . . . . . . . . . . . . . . . . . . 3.1.2.1.2. Häufigkeit von Innovationen . . . . . . . . . . . . . . . . . . . . . . . 3.1.2.1.3. Ökonometrische Schätzung von Produktions- bzw. Kostenfunktionen in welche F& E als erklärende Variable eingehen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1.2.2. Timing von Innovationen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1.2.2.1. Strategische Ansätze zum Timing von Innovationen 3.1.2.2.2. Spieltheoretische Ansätze zum Timing von Innovationen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1.3. Kritische Würdigung des industrieökonomischen Ansatzes . . . . . . . . . . . . 3.1.3.1. Das Problem der Verwertungsunsicherheit von Innovationen . 3.1.3.1.1. Die Abgrenzung von Innovation und F & E . . . . . . . . 3.1.3.1.2. Die Entstehung des Problems . . . . . . . . . . . . . . . . . . . . . . 3.1.3.1.3. Strategien zur Problemlösung . . . . . . . . . . . . . . . . . . . . . . 3.1.3.2. Schlussfolgerung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2. Ressourcenorientierte Sichtweise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.1. Der ressourcenorientierte Ansatz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.1.1. Ressourcenarten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.1.2. Sicherung der Nachhaltigkeit eines Wettbewerbsvorteils . . . . . 3.2.1.3. Der Ansatz der dynamischen Fähigkeiten . . . . . . . . . . . . . . . . . . . . .

21 22 24

25 26 26 28 28 29 29

29 35 35 36 36 37 38 40 41 44 45 45 47 48 51

8

4.

5.

Inhaltsverzeichnis 3.2.2. Empirische Studien zu unternehmensspezifischen Effekten . . . . . . . . . . . . 3.2.3. Kritische Würdigung des ressourcenorientierten Ansatzes . . . . . . . . . . . . . 3.2.3.1. F & E als unternehmensspezifische Ressource . . . . . . . . . . . . . . . . 3.2.3.2. Die Bedeutung immaterieller Ressourcen . . . . . . . . . . . . . . . . . . . . . 3.2.3.3. Schlussfolgerung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.4. Der Ansatz der Market-based Assets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.4.1. Definition von Market-based Assets . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.4.2. F & E- und Marketinginvestitionen als Treiber von Market-based Assets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.4.3. Empirische Studien zur Erfolgswirksamkeit von Market-based Assets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.4.3.1. Markenwert und Unternehmenserfolg . . . . . . . . . . . . . . 3.2.4.3.2. Kundenwert und Unternehmenserfolg . . . . . . . . . . . . . . 3.2.4.3.3. Distributionskanalwert und Unternehmenserfolg . . 3.2.4.4. Kritische Würdigung des Ansatzes der Market-based Assets .

65 65 67 68 69

Modellrahmen zur Erfolgswirksamkeit von F & E- und Marketinginvestitionen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1. Erfolgswirksamkeit von F & E- und Marketinginvestitionen . . . . . . . . . . . . . . . . . . . 4.1.1. Grundlegende Überlegungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1.2. Hypothesen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2. Beziehung von F & E- und Marketinginvestitionen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2.1. Grundlegende Überlegungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2.2. Hypothesen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2.2.1. F & E als Treiber von Marketing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2.2.2. Die Interaktion von Marketing und F & E . . . . . . . . . . . . . . . . . . . . . 4.3. Der Einfluss von Intangibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3.1. Grundlegende Überlegungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3.2. Hypothese . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3.3. Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

71 71 72 73 74 74 76 76 77 79 80 81 82

Ein methodischer Ansatz zur Aufdeckung und Kontrolle von Intangibles in Unternehmensdaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1. Das Problem von unbeobachtbaren Einflüssen bei der Analyse von Unternehmensdaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.2. Allgemeine Ausführungen zu Panelmodellen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.3. Die Notation des LISREL-Ansatzes der Kausalanalyse . . . . . . . . . . . . . . . . . . . . . . . . 5.4. Die Spezifikation von Einzelgleichungsmodellen zur Analyse von unbeobachtbaren Einflüssen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.4.1. Statische Einzelgleichungsmodelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.4.1.1. Regressionsmodell ohne Individualeffekte . . . . . . . . . . . . . . . . . . . . 5.4.1.2. Regressionsmodelle mit Individualeffekten . . . . . . . . . . . . . . . . . . . 5.4.1.2.1. Random-Effects-Modell ohne Korrelation zwischen Individualeffekten und unabhängigen Variablen . . . 5.4.1.2.2. Fixed-Effects-Modell mit Korrelation zwischen Individualeffekten und unabhängigen Variablen . . . 5.4.1.2.3. Random-Effects-Modell mit Korrelation zwischen Individualeffekten und unabhängigen Variablen . . .

53 56 57 58 59 60 61 62

83 83 84 87 89 89 90 91 91 94 96

6.

Inhaltsverzeichnis

9

5.4.2. Dynamische Einzelgleichungsmodelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.4.2.1. Dynamische Modelle ohne Individualeffekte . . . . . . . . . . . . . . . . . 5.4.2.2. Dynamische Modelle mit Individualeffekten . . . . . . . . . . . . . . . . . . 5.4.2.2.1. Dynamisches Random-Effects-Modell ohne Korrelation zwischen Individualeffekten und unabhängigen Variablen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.4.2.2.2. Dynamisches Fixed-Effects-Modell mit Korrelation zwischen Individualeffekten und unabhängigen Variablen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.4.2.2.3. Dynamisches Random-Effects-Modell mit Korrelation zwischen Individualeffekten und unabhängigen Variablen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.4.2.2.4.Autokorrelationsmodell mit Individualeffekten . . . . 5.4.3. Random- versus Fixed-Effects-Modelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.5. Die Spezifikation von Mehrgleichungsmodellen zur Analyse von unbeobachtbaren Einflüssen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.5.1. Modellklasse A: Ausgangsmodell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.5.2. Modellklasse B: Kontrolle zeitkonstanter, individualspezifischer Effekte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.5.2.1. Random-Effects-Modell ohne Korrelation zwischen Individualeffekten und unabhängigen Variablen . . . . . . . . . . . . . . 5.5.2.2. Random-Effects-Modell mit Korrelation zwischen Individualeffekten und unabhängigen Variablen . . . . . . . . . . . . . . 5.5.3. Modellklasse C: Kontrolle für Autokorrelationseffekte . . . . . . . . . . . . . . . .

96 97 98

Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.1. Operationalisierung von F & E und Marketing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.1.1. F & E als strategischer Faktor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.1.1.1. F & E als Budgetgröße . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.1.1.2. F & E als Prozess im Unternehmen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.1.2. Marketing als strategischer Faktor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.1.2.1. Marketing als Budgetgröße . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.1.2.1.1. Werbung und Verkaufsförderung . . . . . . . . . . . . . . . . . . . 6.1.2.1.2. Vertrieb . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.1.2.2. Marketing als Prozess im Unternehmen . . . . . . . . . . . . . . . . . . . . . . . 6.1.2.2.1. Marketinginstrumente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.1.2.2.2. Instrumentenspezifische Marketingziele . . . . . . . . . . . 6.2. Unternehmensdaten in der empirischen Marketingforschung . . . . . . . . . . . . . . . . . . 6.2.1. Finanzkennzahlen als Proxyvariablen in der Marketingforschung . . . . . 6.2.2. Die Compustat-Datenbank und ihre Nutzung in der Marketingforschung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3. F & E und Marketing als Investitionsgrößen und ihr Einfluss auf den Unternehmenserfolg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3.1. Studie I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3.1.1. Daten und Variablen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3.1.2. Modellspezifikation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3.1.3. Ergebnisse der Studie I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

98

99

100 100 101 103 104 106 106 108 109

111 112 113 113 114 119 120 120 121 123 123 124 125 126 127 128 129 130 131 133

10

Inhaltsverzeichnis 6.3.1.4. Zusammenfassung und Implikationen für Studien II und III . . 6.3.2. Studie II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3.2.1. Daten und Variablen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3.2.1.1. Die Gewinnspanne als abhängige Variable . . . . . . . . . 6.3.2.1.2. Die erklärenden Variablen . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3.2.1.3. Kontrollvariablen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3.2.2. Modellspezifikation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3.2.3. Ergebnisse für die Gesamtstichprobe . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3.2.4. Ergebnisse für High-tech und Low-tech Unternehmen . . . . . . . . 6.3.2.5. Zusammenfassung der Ergebnisse und Managementimplikationen – Studie II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3.3. Studie III . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3.3.1. Daten und Variablen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3.3.2. Modellspezifikation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3.3.3. Ergebnisse für die Gesamtstichprobe . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3.3.4. Ergebnisse für High-tech und Low-tech Unternehmen . . . . . . . . 6.3.3.5. Zusammenfassung der Ergebnisse und Managementimplikationen – Studie III . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4. F&E und Marketing als Kostengrößen und ihre Beeinflussung durch die Produktqualität (Studie IV) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4.1. Marketing und F & E als Bestandteile von Unternehmenserfolg . . . . . . . . 6.4.2. Produktqualität als Erfolgsfaktor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4.3. Der Return on Investment als zusammengesetzte Variable . . . . . . . . . . . . . 6.4.4. Daten und Variablen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4.5. Modellspezifikation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4.6. Ergebnisse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4.7. Zusammenfassung der Ergebnisse und Managementimplikationen – Studie IV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7.

136 137 138 139 139 142 145 146 149 153 154 155 157 159 162 165 166 166 167 168 171 172 174 177

Zusammenfassung und Ausblick . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178

Literaturverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181 Stichwortverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203

Abbildungsverzeichnis Abbildung 1.1:

Ablaufschema der Dissertation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

17

Abbildung 2.1:

Untersuchungsgegenstand . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

19

Abbildung 2.2:

Die Wirkungsstruktur von „Intangible“ Investments . . . . . . . . . . . . . . . . . .

22

Abbildung 2.3:

„Intangible“ Investments im Zeitverlauf . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

23

Abbildung 2.4:

Wirkungszusammenhänge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

24

Abbildung 3.1:

Ausgangssicht des Structure-Conduct-Performance-Paradigmas . . . . .

26

Abbildung 3.2:

Das interdependente Structure-Conduct-Performance-Paradigma . . . .

27

Abbildung 3.3:

Verwertungsunsicherheit von Innovationen . . . . . . . . . . . . . . . . . . . . . . . . . . .

38

Abbildung 3.4:

Prozessabläufe in der Unternehmung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

40

Abbildung 3.5:

Wirkungszusammenhänge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

44

Abbildung 3.6:

Übersicht zum ressourcenorientierten Ansatz . . . . . . . . . . . . . . . . . . . . . . . . .

50

Abbildung 3.7:

Fähigkeiten in der Neuproduktentwicklung . . . . . . . . . . . . . . . . . . . . . . . . . . .

52

Abbildung 3.8:

Treiber der Market-based Assets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

63

Abbildung 3.9:

Marktbasierte Vermögenswerte und ressourcenorientierter Ansatz . . .

70

Abbildung 4.1:

Wirkungszusammenhänge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

71

Abbildung 4.2:

Hypothesen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

82

Abbildung 5.1:

Heterogenität in Paneldaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

86

Abbildung 5.2:

Simultane Mehrgleichungsmodelle zur Kontrolle unbeobachtbarer Variablen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103

Abbildung 6.1:

Empirische Untersuchungen aus investitionstheoretischer Perspektive 111

Abbildung 6.2:

Empirische Untersuchungen aus kostentheoretischer Perspektive . . . . 112

Abbildung 6.3:

Wirkungen von endkundengerichteter Verkaufsförderung . . . . . . . . . . . . 121

Abbildung 6.4:

Vertriebsorgane im Überblick . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122

Abbildung 6.5:

Der Marketingprozess . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

Abbildung 6.6:

Modellstruktur der Studie I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130

Abbildung 6.7:

Modellstruktur der Studie II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138

Abbildung 6.8:

Modellstruktur der Studie III . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155

Abbildung 6.9:

Die Komponenten des Return on Investment . . . . . . . . . . . . . . . . . . . . . . . . . . 170

Abbildung 6.10: Kausalmodell mit zeitkonstanten Effekten . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173

Tabellenverzeichnis Tabelle 2.1:

Investitionen in Prozent vom GDP. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

23

Tabelle 3.1:

Ausgewählte Studien zur F & E-Elastizität . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

31

Tabelle 3.2:

Ausgewählte Studien zur F & E-Rendite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

33

Tabelle 3.3:

Immaterielle Ressourcen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

48

Tabelle 3.4:

Empirische Studien zu Branchen- und Unternehmenseffekten . . . . . . . . . . .

54

Tabelle 3.5:

Begriffsdefinitionen und Typologisierungsansätze . . . . . . . . . . . . . . . . . . . . . . . .

64

Tabelle 4.1:

Empirische Befunde zum Interaktionseffekt von F & E und Marketing . . .

78

Tabelle 6.1:

Sektorspezifische F & E-Ausgaben in den USA 2004 . . . . . . . . . . . . . . . . . . . . . 117

Tabelle 6.2:

Bedeutung von F & E-Aktivitäten in Unternehmen . . . . . . . . . . . . . . . . . . . . . . . 118

Tabelle 6.3:

Zusammenfassung der unterschiedlichen F & E-Klassen . . . . . . . . . . . . . . . . . 119

Tabelle 6.4:

Ziele des Marketing-Mix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124

Tabelle 6.5:

Compustat-Daten in der strategischen Marketing- und Managementforschung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127

Tabelle 6.6:

Hypothesen der Studie I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129

Tabelle 6.7:

Variablen der Studie I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131

Tabelle 6.8:

Ergebnisse für Modellklasse A – Studie I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133

Tabelle 6.9:

Ergebnisse für Modellklassen B und C (Marketinginvestitionen) – Studie I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134

Tabelle 6.10: Ergebnisse für Modellklassen B und C (Werbeinvestitionen) – Studie I . . 134 Tabelle 6.11: Modellvergleich – Studie I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135 Tabelle 6.12: Zusammenfassung der Ergebnisse der Studie I . . . . . . . . . . . . . . . . . . . . . . . . . . . 136 Tabelle 6.13: Hypothesen der Studie II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137 Tabelle 6.14: Deskriptive Statistiken der Variable Gewinnspanne . . . . . . . . . . . . . . . . . . . . . . 139 Tabelle 6.15: Deskriptive Statistiken der Variable F & E-Intensität . . . . . . . . . . . . . . . . . . . . . 140 Tabelle 6.16: Deskriptive Statistiken der Variable Marketingintensität . . . . . . . . . . . . . . . . . 142 Tabelle 6.17: Deskriptive Statistiken der Variable Unternehmensgröße . . . . . . . . . . . . . . . . 143 Tabelle 6.18: Deskriptive Statistiken der Variable Erzeugerpreisindex . . . . . . . . . . . . . . . . . 144 Tabelle 6.19: Variablen der Studie II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144 Tabelle 6.20: Ergebnisse für die Gesamtstichprobe – Studie II . . . . . . . . . . . . . . . . . . . . . . . . . . 146 Tabelle 6.21: Individualeffekte für die Gesamtstichprobe in der Modellklasse B – Studie II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148 Tabelle 6.22: Modellvergleich für die Gesamtstichprobe – Studie II . . . . . . . . . . . . . . . . . . . . 148

Tabellenverzeichnis

13

Tabelle 6.23: Individualeffekte und autoregressive Effekte für die Gesamtstichprobe der Modellklasse C – Studie II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149 Tabelle 6.24: Ergebnisse für die High-tech und Low-tech Branche – Studie II . . . . . . . . . 150 Tabelle 6.25: Modellvergleich für High-tech und Low-tech Unternehmen – Studie II . . 150 Tabelle 6.26: Individualeffekte für High-tech und Low-tech Unternehmen in der Modellklasse B – Studie II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151 Tabelle 6.27: Individualeffekte und autoregressive Effekte für High-tech und Low-tech Unternehmen in der Modellklasse C – Studie II . . . . . . . . . . . . . . . 152 Tabelle 6.28: Zusammenfassung der Ergebnisse der Studie II . . . . . . . . . . . . . . . . . . . . . . . . . . 153 Tabelle 6.29: Hypothesen der Studie III . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154 Tabelle 6.30: Deskriptive Statistiken der Variable Werbeintensität . . . . . . . . . . . . . . . . . . . . . 156 Tabelle 6.31: Deskriptive Statistiken der Variable Vertriebsintensität . . . . . . . . . . . . . . . . . . . 157 Tabelle 6.32: Variablen der Studie III . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157 Tabelle 6.33: Modellvergleich für die Gesamtstichprobe – Studie III . . . . . . . . . . . . . . . . . . . 159 Tabelle 6.34: Ergebnisse für die Gesamtstichprobe – Studie III . . . . . . . . . . . . . . . . . . . . . . . . . 159 Tabelle 6.35: Individualeffekte der Gesamtstichprobe für die Modellklasse B – Studie III . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161 Tabelle 6.36: Individualeffekte und autoregressive Effekte in der Gesamtstichprobe für die Modellklasse C – Studie III . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161 Tabelle 6.37: Ergebnisse für die High-tech und Low-tech Branche – Studie III . . . . . . . . 162 Tabelle 6.38: Individualeffekte in High-tech und Low-tech Unternehmen für die Modellklasse B – Studie III . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163 Tabelle 6.39: Modellvergleich für High-tech und Low-tech Unternehmen – Studie III . 164 Tabelle 6.40

Individualeffekte und autoregressive Effekte in High-tech und Low-tech Unternehmen für die Modellklasse C – Studie III . . . . . . . . . . . . . 164

Tabelle 6.41: Zusammenfassung der Ergebnisse der Studie III . . . . . . . . . . . . . . . . . . . . . . . . . 165 Tabelle 6.42: Deskriptive Statistiken der Variablen der Studie IV . . . . . . . . . . . . . . . . . . . . . . 171 Tabelle 6.43: Ergebnisse der Studie IV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174

1. Einleitung Damit Unternehmen auf einem Markt bestehen können, ist es notwendig, die Einsatzfaktoren der Unternehmung im Wettbewerb strategisch einzusetzen. Zwei Schüsseleinsatzfaktoren sind die Ausgaben für Forschung und Entwicklung (F & E) 1 sowie die Ausgaben für Marketing. Mit verstärktem Einsatz im Bereich F & E versuchen Unternehmen gegenüber ihrer Konkurrenz einen Wettbewerbsvorteil zu erlangen, indem sie innovative Produkte oder Dienstleistungen anbieten bzw. bei der Herstellung von Produkten auf innovative Prozesse zurückgreifen. Marketing und insbesondere Werbeausgaben werden eingesetzt, um die Produkte des eigenen Unternehmens von denen der Konkurrenz abzuheben. Ausgaben im Bereich von F & E sowie Marketing führen nicht zwangsläufig zu unmittelbaren, materiellen Gütern. Deshalb werden sie nach der traditionellen Sichtweise der Managementpraxis häufig als reine Kostengrößen angesehen. Dem entgegen steht die in der wissenschaftlichen Forschung verfolgte Perspektive, nach der F & E- und Marketingausgaben als Investitionen in oftmals immaterielle (intangible) Vermögenswerte anzusehen sind. Gerade intangiblen Ressourcen wird ein nicht unerheblicher Anteil an dem Erfolg eines Unternehmens zugeschrieben. Neben der Frage ob F & E- und Marketingausgaben einen investiven Charakter haben, besteht in der wissenschaftlichen Forschung Uneinigkeit darüber, inwieweit F & E und Marketing als Komplemente mit Synergiepotenzial zu verstehen sind. Das Zusammenspiel von F & E und Marketing ist ein in der Managementforschung breit bearbeitetes Feld. Insbesondere die Arbeiten von Griffin und Hauser (1996), Rueckert und Walker (1987) sowie neuere Studien von Song et al. (2005) oder Atuahene-Gima und Evanglista (2000) liefern wertvolle Informationen zur sogenannten F & E/Marketing-Schnittstelle. Allerdings beziehen sich diese Untersuchungen zumeist auf organisationale Aspekte, also z. B. ob eine Zusammenarbeit der F & E-Abteilung und der Marketingabteilung möglich bzw. nötig ist. Inwiefern sich aber Beziehungen zwischen F & E- und Marketingausgaben feststellen lassen und inwieweit unternehmensspezifische, unbeobachtbare Größen Einfluss auf die Erfolgswirksamkeit dieser Ausgaben nehmen, ist ein vergleichsweise vernachlässigtes Feld. Hier setzt die vorliegende Arbeit an und beleuchtet die Beziehungen zwischen F & E-Ausgaben, Marketingausgaben, Intangibles und dem Unternehmenserfolg. 1 F & E entspricht hier und im weiteren Verlauf der Arbeit dem englischsprachigen Begriff „R & D“ (Research and Development).

16

1. Einleitung

Den Ausgangspunkt der Arbeit bildet die Darstellung des Untersuchungsgegenstands. Die Beziehungen zwischen F & E- und Marketingausgaben und dem Unternehmenserfolg stehen im Fokus des Interesses. Aufbauend auf der Diskussion um die Bewertung dieser Ausgaben wird die Investitions- von der Kostenperspektive unterschieden. Die Bewertung von F & E- und Marketingausgaben als Investitionen bildet die Grundlage für den weiteren Verlauf der Arbeit. Als wesentlich ist dabei zu festzustellen, dass unbeobachtbare Größen die Erfolgswirksamkeit von F & E- und Marketinginvestitionen beeinflussen, da es sich bei F & E- und Marketingausgaben um Investitionen in zumeist immaterielle Vermögensgegenstände handelt. Zusätzlich ist zu klären, inwieweit F & E- und Marketinginvestitionen miteinander in Beziehung stehen. Der insbesondere in der Praxis weit verbreitete Standpunkt, diese Ausgaben als Kosten zu verstehen, wird kurz diskutiert und im empirischen Teil der Arbeit noch einmal aufgenommen (siehe zum Ablauf der vorliegenden Dissertation auch Abbildung 1.1). Kapitel drei dient der Darstellung verschiedener Theorieansätze zur Erklärung der Erfolgswirksamkeit von F & E- und Marketinginvestitionen sowie der besonderen Rolle von unbeobachtbaren Faktoren. Es wird geprüft, inwieweit diese Ansätze sowie ihre bisherigen empirischen Untersuchungen einen Beitrag für den Untersuchungsgegenstand liefern können. Zuerst erfolgt eine Betrachtung der klassischen industrieökonomischen Theorie, die die Beziehung zwischen Marktstruktur, Marktverhalten und Marktergebnis in den Mittelpunkt ihrer Betrachtung stellt. Aus der kritischen Würdigung des Ansatzes ergibt sich die Notwendigkeit der zusätzlichen Berücksichtigung einer ressourcenorientierten Perspektive. Mit dem ressourcenorientierten Ansatz, dem Ansatz der dynamischen Fähigkeiten und dem der Market-based Assets werden wesentliche Konzepte betrachtet, deren Schwerpunkt auf der Ergründung von unternehmensspezifischen Unterschieden, die durch zumeist immaterielle Ressourcen und Fähigkeiten getrieben werden, liegen. Aufbauend auf den Erkenntnissen dieses Abschnitts wird im Kapitel vier ein Modellrahmen zur Überprüfung der Erfolgswirksamkeit von F & E- und Marketinginvestitionen unter der Berücksichtigung von Intangibles entwickelt und in Hypothesen überführt.

17

1. Einleitung

Einleitung Problemstellung

Aufbau der Arbeit

Der Untersuchungsgegenstand Marketingausgaben Unternehmenserfolg

Intangibles

F&E-Ausgaben

Kostenperspektive

Investitionsperspektive

Generelle Erklärung der Erfolgswirksamkeit von F&E, Marketing und Intangibles

Industrieökonomische Perspektive

Ressourcenorientierte Perspektive

Empirische Befunde

Empirische Befunde

Modellrahmen zur Erfolgswirksamkeit von F&E- und Marketinginvestitionen F&E, Marketing und Erfolg

Beziehung F&E und Marketing Intangibles Hypothesen

Panelmodelle zur Aufdeckung von unbeobachtbaren Einflüssen Strukturgleichungsmodelle zur Paneldatenanalyse unter Berücksichtigung von Intangibles

Empirische Untersuchungen zu F&E, Marketing, Intangibles und Unternehmenserfolg Operationalisierung von F&E und Marketing Unternehmensdaten (Proxyvariablen) in der empirischen Forschung Studien I-III aus investitionstheoretischer Perspektive

Studie IV aus kostentheoretischer Perspektive

Kernergebnisse der Analysen & Managementempfehlungen

Zusammenfassung und Ausblick

Abbildung 1.1: Ablaufschema der Dissertation

18

1. Einleitung

Zum Test der Hypothesen werden Panelmodelle eingesetzt, die die Möglichkeit bieten, unbeobachtbare Effekte aufzudecken. Die Methodik der Panelanalyse mit Strukturgleichungsmodellen wird erläutert und verschiedene Modellklassen, die in der empirischen Analyse Anwendung finden, vorgestellt. In Kapitel sechs werden den empirischen Studien zunächst konzeptionelle Grundlagen zur Operationalisierung von F & E- und Marketinginvestitionen vorangestellt sowie die Nutzung von Finanzkennzahlen in der empirischen Marketingforschung diskutiert. Es folgen drei empirische Studien, in deren Verlauf die Beziehungen zwischen F & E- und Marketinginvestitionen, wie auch Werbe- und Vertriebsinvestitionen in Hinblick auf den Erfolg von Unternehmen und unter Berücksichtigung von unbeobachtbaren Faktoren analysiert werden. Eine Zusammenfassung der Kernergebnisse sowie die Ableitung von Managementimplikationen bilden jeweils den Abschluss der Analysen. In Studie IV wird die in Kapitel zwei kurz diskutierte kostentheoretische Sichtweise eingenommen und eine Vorgehensweise vorgeschlagen, die es ermöglicht, Marketing und F & E als Bestandteile des Return on Investments (ROI) und ihre Beeinflussung durch die Produktqualität zu analysieren. Als Ergebnis werden wiederum Managementimplikationen abgeleitet. Die Arbeit schließt mit einer Zusammenfassung und einem Ausblick auf mögliche Ansatzpunkte für zukünftige Arbeiten auf dem bearbeiteten Gebiet.

2. Darstellung des Untersuchungsgegenstands Die vorliegende Arbeit untersucht Ausgaben für F & E und Marketing auf ihre Erfolgswirksamkeit hin. Zentral für die Untersuchung ist es, zunächst die Frage der Wirkungsrichtung der Beziehungen zu klären: Wirken die Ausgaben in den entsprechenden Bereichen als Treiber für den Unternehmenserfolg, oder ist es vielmehr so, dass abhängig vom Unternehmenserfolg die Budgets für F & E und Marketing festgesetzt werden? Die folgende Abbildung 2.1 soll die möglichen Zusammenhänge verdeutlichen, wobei die grau hinterlegten Beziehungen zunächst nicht betrachtet werden.

Marketinginvestitionen Unternehmenserfolg

Intangibles

F&E-Investitionen

Abbildung 2.1: Untersuchungsgegenstand

Eine Antwort auf die Frage der Wirkungsrichtung liefert die Diskussion um die Bewertung von F & E- und Marketingausgaben entweder als Kosten oder als Investitionen. Im Folgenden wird diese Diskussion nachgezeichnet.

20

2. Darstellung des Untersuchungsgegenstands

2.1. Bewertung von F & E- und Marketingausgaben Unternehmen setzen die oben erörterten F & E- und Marketingbudgets mit dem Ziel positiver Rückflüsse ein. Durch die Tatsache, dass sich aus diesen Ausgaben neben physischen und messbaren Ergebnissen zumeist schwer quantifizierbare, immaterielle Vermögenswerte ergeben, wie beispielsweise Wissen, Markenwert oder Kundenzufriedenheit, entsteht jedoch das Problem der Zurechenbarkeit und somit die Frage, ob F & E- und Marketingausgaben als Investitionen in der Bilanz aktiviert werden dürfen. Diese Frage beschäftigt bereits seit vielen Jahren Wissenschaftler verschiedener Disziplinen (siehe z. B. Dekimpe und Hanssens 1995, Hula 1988, Hirschey und Weygandt 1985 oder Dean 1966). Es existieren verschiedene Sichtweisen. Zum einen wird beispielsweise durch das FASB (Financial Accounting Standards Board) die Kostenperspektive vertreten, die F & E- und Marketingausgaben als in der jeweiligen Periode anfallende Kosten behandelt. Zum anderen existiert die Investitionsperspektive, nach welcher die Ausgaben als Investitionen in immaterielle Vermögensgegenstände und somit als „Intangible Investments“ zu verstehen sind. Letztere wird in weiten Teilen durch die wissenschaftliche Forschung (vgl. z. B. Bosworth und Rogers 2001 oder Chauvin und Hirschey 1993) gestützt. Bei Itami und Roehl (1987) bzw. Peters und Waterman (1982) wird hier von „Invisible assets“ oder „weichen Faktoren“ gesprochen. Aufbauend auf einer Definition für den Investitionsbegriff werden im Folgenden die verschiedenen Positionen dargelegt und in den thematischen Schwerpunkt der Arbeit eingeordnet. 2.1.1. Der Investitionsbegriff In einer frühen Definition für ein Investment stellt Dean (1966) die Gewinnung zukünftiger Erträge durch dieses Investment in den Vordergrund. „An investment is an outlay made today to achieve benefits in the future. A current expense is an outlay whose benefits are immediate. The question is not how the outlay is treated in conventional accounting, how it is taxed, or whether the asset is tangible or intangible. The hallmark of an investment is futurity“ (Dean 1966, S. 16).

Es ist seiner Ansicht nach nicht entscheidend, ob durch die Investition tangible oder intangible Vermögenswerte geschaffen werden oder wann mit den positiven Auswirkungen der Investition zu rechnen ist, sondern einzig, ob positive Rückflüsse zu erwarten sind.

2.1. Bewertung von F & E- und Marketingausgaben

21

2.1.2. Die Bewertung von F & E- und Marketingausgaben aus Kostenperspektive Während Dean (1966) in seinen Ausführungen F & E- und insbesondere Werbeausgaben diese Eigenschaft zuspricht, verfolgen z. B. das US-GAAP oder die Internationalen Accounting Standards eine andere Sichtweise. Genau die Eigenschaft des Generierens positiver Rückflüsse spricht die US-amerikanische Rechnungslegung den Ausgaben für F & E ab, wobei das FASB (Financial Accounting Standards Board (FASB 1974, SFAS No. 2)) seine Entscheidung aus dem Jahr 1974 wie folgt begründet: „A direct relationship between research and development costs and specific future revenue generally has not been demonstrated, even with the benefit of hindsight. For example, three empirical research studies, which focus on companies in industries intensively involved in research and development activities, generally failed to find a significant correlation between research and development expenditures and increased future benefits as measured by subsequent sales, earnings, or share of industry sales.“

Nach den Vorschriften des US-GAAP dürfen demnach F & E-Ausgaben nicht aktiviert werden, sondern müssen in der jeweils anfallenden Periode als Kosten aufgenommen werden. Im Gegensatz zur US-amerikanischen Rechnungslegung erlauben die Richtlinien des International Accounting Standards Committees die Kapitalisierung von Entwicklungsausgaben, verneinen aber die Aktivierung von Forschungsausgaben (siehe IAS E60 1997 und IAS No. 9 1978). Ähnliches gilt für viele Marketingaufwendungen, die sich sowohl auf Werbung und Promotion als auch Außendienst beziehen und denen die Erwartung zukünftiger Erträge nicht eindeutig zugeschrieben werden kann. Beispielsweise wird davon ausgegangen, dass sich der Nutzen der Werbung im Moment der Ausgabe vollzieht und demnach eine Kapitalisierung dieser Aufwendungen nicht stattfinden kann. Mit dieser Ansicht geht die „Association for Investment Management and Research“ (AIMR) konform und zieht es in Zweifel, dass kodifizierbare Wege existieren, wonach die zukünftigen Gewinne bestimmten Ausgaben oder Ausgabenteilen zugerechnet werden können (AIMR 1993). Die Unsicherheit der erwarteten Gewinne liefert weitere Unterstützung dieser Sichtweise. Studien von Kothari, Laguerre und Leone (2002) wie auch Bierman und Dukes (1975) untersuchen das Risiko in Bezug auf F & E- und ähnliche Ausgaben. Nach White und Miles (1998) gilt für F & E-Ausgaben, dass ihre Höhe nach Festlegung bekannt ist, die Höhe und der Zeitpunkt der resultierenden Einzahlungsüberschüsse jedoch unsicher sind. Die Art und das Ausmaß der Unsicherheit sind zwar in der Investitionsplanung zu berücksichtigen, diese Faktoren schließen aber eine Behandlung der F & E-Ausgaben als Investitionen nicht aus. Die Autoren verstehen ihre Vorgehensweise als Alternative zu den Beiträgen von Haley und Goldberg (1995) sowie Hayes und Garvin (1982) und demonstrieren in einem zweistufigen Verfahren, wie die NPV-Analyse auch auf non-capital expenditures angewendet werden kann.

22

2. Darstellung des Untersuchungsgegenstands

2.1.3. Die Bewertung von F & E- und Marketingausgaben aus Investitionsperspektive Das strategische Management geht davon aus, dass aus Ausgaben für F & E und Marketing Vermögensgegenstände resultieren, die zwar zumeist immaterieller Natur sind, dennoch aber mit positiven Rückflüssen verbunden sind. Um dem Investitionscharakter wie auch dem Umstand der resultierenden nicht-fassbaren Vermögensgegenstände Rechnung zu tragen, wird hier oftmals von „Intangible“ Investments gesprochen. Die beschriebene Wirkungsstruktur verdeutlicht Abbildung 2.2.

„Intangible“ Investments z.B. F&E, Marketing

Intangibles z.B. Wissen, Markenwert, Kundenwert

„Intangible“ Investments

Abbildung 2.2: Die Wirkungsstruktur von „Intangible“ Investments

Die Literatur lässt sich dabei in zwei Strömungen aufteilen. Zum einen wird die Relevanz von „Intangible“ Investments für die bilanzielle Bewertung von Unternehmen überprüft (vgl. hierzu Lev, Sarath und Sougiannis 2005, Oswald 2004 oder Lev und Sougiannis 1996). Die Erarbeitung von objektiven und zuverlässigen Verfahren zur Bewertung von „Intangible Investments“ steht hier im Vordergrund. Zum anderen wird untersucht, inwieweit solche Investitionen in Beziehung zum Erfolg von Unternehmen zu setzen sind (vgl. hierzu Bosworth und Rogers 2001, Chauvin und Hirschey 1993, Chan, Martin und Kensinger 1990 oder Hirschey und Weygandt 1985). Aufgrund der Datenlage bestimmen dabei Studien zu F & E- und Werbeinvestitionen das Bild. Getrieben wird die Diskussion auch durch die Unternehmenspraxis, in der „Intangible“ Investments einen immer größer werdenden Anteil der Gesamtinvestitionen ausmachen. Dies zeigt z. B. die Statistik der amerikanischen National Science Foundation (2005), die die Entwicklung der letzten 50 Jahre in Prozent vom Bruttoinlandsprodukt der USA aufzeigt (siehe Tabelle 2.1). „Tangible“ Investments werden hier von „Intangible“ Investments unterschieden, wobei die „Intangible“ Investments zusätzlich in F & E, Werbung und Software aufgegliedert werden.

23

2.1. Bewertung von F & E- und Marketingausgaben Tabelle 2.1 Investitionen in Prozent vom GDP Periode

„Tangible Invest- „Intangible ment“ Investment“

F&E

Werbung

Software

Gesamtinvestitionen

1953–59

9,5

2,9

0,7

2,2

0,0

12,4

1960–69

9,7

3,1

0,9

2,1

0,1

12,8

1970–79

10,0

3,2

1,0

1,8

0,4

13,2

1980–89

11,6

4,1

1,3

2,2

0,6

15,6

1990–99

10,0

5,0

1,6

2,2

1,2

15,0

2000

11,2

6,1

1,8

2,4

1,9

17,3

(Quelle: National Science Foundation 2005)

In Abbildung 2.3 ist der Verlauf der „Intangible“ Investments zusätzlich grafisch dargestellt. Unter Software wird das eingesetzte Kapital von Unternehmen für Software verstanden. Das „Bureau of Economic Analysis“ (BEA) berichtet, dass private Unternehmen im Jahr 2000 ca. 183 Mrd. USD in diesen Bereich investiert haben. Hier lässt sich der stärkste Anstieg verzeichnen, allerdings erfahren auch die F & E-Ausgaben eine rasante Entwicklung. 3 2,5 2 1,5 1 0,5 0 1953-59

1960-69

F&E-Ausgaben

1970-79

1980-89

Werbeausgaben

1990-99

2000

Softwareausgaben

Abbildung 2.3: „Intangible“ Investments im Zeitverlauf

Dagegen bleiben die Werbeausgaben im Vergleich auf einem relativ konstanten hohen Niveau. Die Aufteilung ergibt sich daraus, dass die meisten Unternehmen ihre Ausgaben in diesen Bereichen berichten. Dies bedeutet jedoch nicht, dass es in Unternehmen nicht noch andere Investitionen in Intangibles gibt, sondern lediglich, dass sich diese Bereiche nicht oder nur schwer messen lassen (Nakamura 2003). Grundsätzlich scheinen die Unternehmen also die strategische Bedeutung von „Intangible Investments“ zu erkennen und anzunehmen. Allerdings sind die Manager

24

2. Darstellung des Untersuchungsgegenstands

im Unternehmen häufig dem Druck des kurzfristigen Erfolgs ausgeliefert, so dass gerade die Budgets für Marketing und F & E oftmals Kürzungen unterworfen werden (vgl. hierzu Advertising Age 2004). Solang der Nutzen für solche Investitionen nicht mit tangiblen, also materiellen Werten in Verbindung gebracht werden kann, bleibt die Gefahr, dass die Ausgaben nicht als Investitionen angesehen werden. Im weiteren Verlauf der Arbeit wird primär die Investitionsperspektive eingenommen. Die Kostenperspektive wird zum Ende der Arbeit im Rahmen der empirischen Studie IV (siehe Kapitel 6.4) noch einmal aufgenommen. Im Einklang mit der Managementforschung liegt das Hauptaugenmerk darin, F & E- und Marketingausgaben als strategische Investitionsgrößen, die einen Einfluss auf den Erfolg von Unternehmen haben, zu begreifen.

2.2. Wirkungsmechanismen von F & E und Marketing als strategische Investitionen Werden Ausgaben für F & E und Marketing als strategische Investitionsgrößen betrachtet, ist davon auszugehen, dass dieser Einfluss über das Entstehen von meist immateriellen Vermögenswerten (Intangibles), wie beispielsweise dem Markenwert ausgeübt wird. Gleichzeitig existieren weitere unbeobachtbare Faktoren, wie z. B. die Qualität des Managements, die als unternehmensspezifische Einflüsse Berücksichtigung finden müssen. Es stellt sich zudem die Frage, welche Beziehung zwischen F & E- und Marketinginvestitionen vorliegt. Die vermuteten Zusammenhänge lassen sich durch die abgebildeten Mechanismen in Abbildung 2.4 darstellen.

Marketinginvestitionen Unternehmenserfolg

Intangibles

F&E-Investitionen Abbildung 2.4: Wirkungszusammenhänge

Die postulierten Beziehungen sollen sowohl aus der industrieökonomischen Theorie als auch der ressourcenorientierten Perspektive begründet werden.

3. Theorieansätze zur Begründung der Erfolgswirksamkeit von F & E und Marketing Die Untersuchung der Erfolgswirksamkeit von F & E und Marketing als strategische Investitionsgrößen hat in der wissenschaftlichen Forschung eine hohe Relevanz. Daher wird die Thematik in verschiedenen Teilgebieten der Wirtschaftswissenschaften untersucht. In diesem Kapitel werden verschiedene Theorieansätze vorgestellt, mit deren Hilfe die Erfolgswirksamkeit von F & E und Marketing erklärt werden kann. Zur Analyse wird zunächst die „klassische“ industrieökonomische Perspektive zugrundegelegt. Dieser Ansatz geht auf das so genannte „Structure- Conduct-Performance-Paradigma“ (Mason 1949, 1939 und Bain 1956, 1951) zurück. Unterschieden werden die drei Elemente der Marktstruktur (structure), des Marktverhaltens (conduct) und des Marktergebnisses (performance), wobei sich Wettbewerbsvorteile aus der Branchenstruktur sowie dem Verhalten der darin befindlichen Akteure (Kunden, Lieferanten, gegenwärtige und neue Konkurrenten, Anbieter von Substituten) ergeben. Vereinfacht dargestellt, besagt dieser industrieökonomische Ansatz, dass sich ein Unternehmen einen attraktiven Absatzmarkt sucht und dann die notwendigen Ressourcen einsetzt, um Erfolg zu erzielen. F& E- und Marketinginvestitionen können Einsatzfaktoren beim Aufbau und Erhalt von Markteintrittsbarrieren sein. Der Erklärungsgehalt der klassischen industrieökonomischen Theorie 1 ist in Bezug auf den Untersuchungsgegenstand jedoch begrenzt, so dass die Modellanalysen um die ressourcenorientierte Sichtweise erweitert werden. Bei diesem Ansatz handelt es sich um einen Managementansatz, der die Heterogenität der Unternehmen beleuchtet und ihre jeweiligen Ressourcen und Fähigkeiten analysiert (vgl. Teece, Pisano und Shuen 1997). Im Zentrum steht die Möglichkeit, durch Ressourcen und Fähigkeiten, die bestimmte Eigenschaften erfüllen, Wettbewerbsvorteile zu realisieren und zu erhalten. Die Bedeutung von F & E- und Marketinginvestitionen wird insbesondere deutlich bei der Betrachtung des Ansatzes der dynamischen Fähigkeiten wie auch des Ansatzes der Market-based Assets. Mit der Fokussierung auf die interne Unternehmensausstattung grenzt sich dieser Ansatz zwar eindeutig von der traditionellen Industrieökonomik ab, soll aber nicht als Gegenpol, sondern als komplementärer Ansatz zur Erklärung der Entstehung von Wettbewerbsvorteilen verstanden werden (vgl. Mahoney und Pandian 1992 oder Buchholz und Olemotz 1 Im Gegensatz zur klassischen Perspektive, die mit empirischen Studien Hypothesen generiert, wird in der neueren industrieökonomischen Forschung meist auf spieltheoretischen Analysen aufgebaut (vgl. hierzu z.B. Kadiyali, Sudhir und Rao 2001 oder auch Klapper 2003).

26

3. Theorieansätze zur Begründung der Erfolgswirksamkeit

1995). Vorsprünge im Wettbewerb schaffen die Voraussetzung dafür, dass Unternehmen im Vergleich zur Konkurrenz langfristig überdurchschnittliche Ergebnisse erzielen (vgl. Peteraf, 1993). Ziel dieses Kapitels ist, den Erklärungsbeitrag des jeweiligen Ansatzes zur Thematik herauszuarbeiten.

3.1. Industrieökonomische Theorie 3.1.1. Ziele und Gegenstand In der klassischen industrieökonomischen Theorie wird davon ausgegangen, dass der Wettbewerb der entscheidende Faktor zur Erreichung gesamtwirtschaftlicher Ziele ist (vgl. Tirole 1995). Unter marktwirtschaftlichem Wettbewerb versteht man dabei „ein rivalisierendes Streben mehrerer Wirtschaftssubjekte, als Anbieter oder Nachfrager auf konkreten Märkten durch bestimmte Aktivitäten einen größeren Erfolg als die Rivalen zu erzielen“ (Olten 1995, S. 14). Anfang der 50er Jahre wurden von den Begründern der Industrial-Organization-Forschung, Mason und Bain, erste empirische Untersuchungen zur Wirkung von Marktstrukturen und Wettbewerbsverhalten durchgeführt. Um den Zusammenhang zwischen Marktbedingungen und erfolgreichen Strategien näher zu untersuchen, bietet sich das von Mason zusammen mit Bain entwickelte so genannte „Structure- Conduct-Performance-Paradigma“ an (Mason 1949, 1939 und Bain 1956, 1951). Dieses unterscheidet die drei Elemente der Marktstruktur (structure), des Marktverhaltens (conduct) und des Marktergebnisses (performance). In der Ausgangssicht des Mason/Bain-Paradigmas (vgl. folgende Abbildung) besteht zwischen diesen drei Elementen ein deterministischer Zusammenhang. Das strategische Marktverhalten wird von der Marktstruktur beeinflusst. Das Marktverhalten bestimmt schließlich den Unternehmenserfolg.

Struktur

Verhalten

Ergebnis

Abbildung 3.1: Ausgangssicht des Structure-Conduct-Performance-Paradigmas

Dieser Vorstellung nach bestimmt sich das Marktergebnis, das sich außer in volkswirtschaftlichen Größen, wie allokativer Effizienz, technischer Effizienz und Wohlfahrtsniveau, auch in der betriebswirtschaftlichen Größe Gewinnrate niederschlägt, aus dem Marktverhalten der Anbieter. Das Marktverhalten wird nun seinerseits determiniert durch die Marktstruktur. Als Elemente der Marktstruktur werden dabei typischerweise die Zahl und Größe der Anbieter, das Ausmaß der Produktdifferenzierung, die Höhe der Markteintrittsbarrieren, Kostenstrukturen und das Ausmaß der vertikalen Integration betrachtet (Scherer und Ross 1999). Ausgangspunkt und Steuergröße dieses Modells also die Marktstruktur, die allein Verhalten und Ergebnis determiniert. Strategische Wahlmöglichkeiten innerhalb einer Umweltkonstellation existieren nicht.

3.1. Industrieökonomische Theorie

27

In einem derart deterministischen Modell ist kein Platz für strategisches Handeln. Um diesen Raum zu schaffen und die realiter vorhandenen Gewinndifferenzen von Unternehmen, die der gleichen Struktur ausgesetzt sind, zu erklären, wurde ein revidiertes interdependentes Paradigma der Industrieökonomik entwickelt, das den Wechselwirkungen zwischen Struktur, Verhalten und Ergebnis Rechnung trägt (Porter 1981). So werden auch Rückwirkungen des Verhaltens oder der Performance auf die Marktstruktur thematisiert. Die folgende Abbildung verdeutlicht dies und liefert zusätzlich einen Überblick über die in der Industrieökonomik üblicherweise betrachteten Variablen. Struktur Zahl und Art der Anbieter Produkdifferenzierung Marketeintrittsbarrieren Kostenstruktur Vertikale Integration Diversifiktion

Verhalten Preissetzung Produktstrategie Werbung F&E Rechtliches Vorgehen

Ergebnis Produktion Allokative Effizienz Wachstum Vollbeschäftigung

Abbildung 3.2: Das interdependente Structure-Conduct-Performance-Paradigma

In dieser Sichtweise gewinnt das Marktverhalten an entscheidender Bedeutung. Es ist nicht mehr bloße Anpassung an bestehende Marktstrukturen gefragt, sondern das Unternehmen hat die Möglichkeit, die Marktstruktur aktiv zu gestalten (also zu handeln). Auch die Wirkungsbeziehung zwischen Struktur und Verhalten ist nicht mehr eindeutig. In derselben Struktur sind unterschiedliche, dauerhaft überlebens- und ertragsfähige Strategien denkbar. Änderungen der Struktur bewirken nicht immer entsprechende Veränderungen des Verhaltens. In einer solchen Sicht können Marktverhalten und Unternehmensstrategie dann synonym verwendet werden. Das revidierte Structure-Conduct-Performance-Paradigma ist nicht nur wegen seiner inhaltlichen Nähe zur Unternehmensstrategie von besonderer Bedeutung für die Ableitung kon-

28

3. Theorieansätze zur Begründung der Erfolgswirksamkeit

kurrenzorientierter Strategien, es hat auch unmittelbare Bezüge zur Marketingwissenschaft (Porter 1981). Aus der Sicht des Marketings als Führungskonzeption heutiger Unternehmen ist die Herstellung des externen Fit von zentraler Bedeutung. Das Structure-Conduct-Performance-Paradigma weist zum einen auf die Notwendigkeit der Berücksichtigung von Wettbewerbsaspekten hin. Danach wirkt die Struktur des Marktes (Umwelt) auf das Verhalten (Unternehmenspolitik) und beeinflusst so das Ergebnis. Mit Analysen konkreten Marktverhaltens im Wettbewerb kann untersucht werden, inwieweit es gelingen kann, durch ein bestimmtes Verhalten, z. B. bestimmte Marketingstrategien, tatsächlich die Unternehmensrentabilität langfristig zu erhöhen (Bain 1956). Größere Bedeutung für Fragen einer strategischen Unternehmensführung haben die Überlegungen der Industrial-Organization-Forschung aber erst durch die Veröffentlichungen von Porter (1981, 1980) erlangt. Dieser hat es verstanden, die damals quantitativ-ökonometrisch ausgerichtete Industrieökonomik zu einem qualitativsprachlichen Bezugsrahmen weiterzuentwickeln, der es schließlich auch der Unternehmenspraxis ermöglicht, verschiedene Fragen einer strategischen Unternehmensführung zu behandeln. Das Konzept zielt auf die Analyse von Unternehmensstrategien und deren Zusammenhänge mit der Marktstruktur und dem Marktergebnis. In der strategischen Marketingforschung ist der industrieökonomische Ansatz insbesondere unter dem Gesichtspunkt der Schaffung von Markteintrittsbarrieren beachtet worden (vgl. Anderson und Helsen 1989, Karakaya und Stahl 1989, Robinson 1988 oder auch Bain 1956). Im folgenden wird sich auf die Darstellung empirischer Ergebnisse aus den Bereichen F & E sowie Innovation beschränkt. 3.1.2. Empirische Studien zu F & E und Innovation nach der industrieökonomischen Sichtweise Die industrieökonomische Literatur zu F & E fokussiert in der Analyse zum einen auf die Allokation von F & E-Ressourcen und die dadurch ausgelöste Veränderung in der Marktstruktur (siehe hierzu Kato 2005, Connolly und Hirschey 1984 oder auch Loury 1979), zum anderen aber auch auf die Produktivitätsmessung von F & E. Diese ist für die vorliegende Arbeit von besonderem Interesse und soll im Folgenden Abschnitt näher erläutert werden. Im Anschluss werden empirische Ansätze der Innovationsforschung kurz zusammengefasst. 3.1.2.1. Produktivitätsmessung von F & E in der industrieökonomischen Theorie Im Rahmen des für die Arbeit gewählten Themenschwerpunkts sind die Ansätze der Industrieökonomie zur Produktivitätsmessung von F & E von Bedeutung. Hier lassen sich drei unterschiedliche Ansatzklassen unterscheiden.

3.1. Industrieökonomische Theorie

29

3.1.2.1.1. Kosten-Nutzen Analysen für individuelle Innovationen auf der Basis von Fallstudien Die Fallstudienmethode fokussiert auf Innovationen und berücksichtigt den entstandenen Nutzen gegenüber den Kosten. Es gibt eine Vielzahl an detaillierten Fallstudien zu in der Vergangenheit liegenden Innovationen und die darauffolgenden Konsequenzen für das innovative Unternehmen bzw. den bearbeiteten Markt (siehe hierzu bspw. Evenson et al. 1979, Mansfield et al. 1977 oder Griliches 1958). In der Regel zeigen sie als Ergebnis hohe finanzielle Rückflüsse für Innovationen. Problematisch bleibt allerdings, dass solche Studien nicht repräsentativ sind und oftmals nur erfolgreiche Innovationen den Weg in die Veröffentlichung als Fallstudie finden. Von Generalisierbarkeit ist in diesem Fall also nicht zu sprechen (Griliches 1979). 3.1.2.1.2. Häufigkeit von Innovationen Die Technik, Innovationen zu zählen, erfreut sich ebenfalls großer Beliebtheit. Gleichermaßen ist es schwierig, allein von der Anzahl die relative Wichtigkeit von Innovationen sowohl ökonomischer als auch wissenschaftlicher Art abzuleiten. Genauso werden Erfindungen in der Regel erst dokumentiert, wenn sie sich als erfolgreich herausgestellt haben. Patentstatistiken haben den Vorteil, dass sie relativ leicht zu erhalten und objektiv durch Gesetze definiert sind. Eine Reihe von Studien macht deshalb Gebrauch von solchen Patentstatistiken (siehe bspw. Hall, Jaffe und Trajtenberg 2005, 2000 oder Caballero und Jaffe 1993). Nichtsdestotrotz existieren die oben erwähnten Nachteile, die es schwierig machen, Patentinformationen zu nutzen; wenn, dann wohl nach Griliches (1995) auf eher aggregiertem Level. 3.1.2.1.3. Ökonometrische Schätzung von Produktions- bzw. Kostenfunktionen in welche F & E als erklärende Variable eingehen Empirische Studien auf diesem Gebiet lassen sich in zwei Schätzansätze unterteilen. Dabei wird in ökonometrischen Ansätzen versucht, den Beitrag von F & E am Produktivitätszuwachs auf Unternehmensebene statistisch zu schätzen, indem sogenannte Produktionsfunktions-modelle Anwendung finden. Zum einen liegen Ansätze vor, die F & E-Elastizitäten in den Vordergrund rücken. Zum anderen werden Studien durchgeführt, die F & E-Renditen betrachten. Der Ansatz der Produktionsfunktion kann in der folgenden Gleichung schematisiert werden. (3.1)

log Y = a (t ) + β(log X ) + γ (log K ) + u

Y ist ein Maß für den Output auf Unternehmens-, Branchen- oder Länderebene, X ist ein Vektor für ökonomischen Input wie etwa Arbeitsstunden oder Energie, K ist ein Maß für den kumulierten Forschungsaufwand (F & E-Kapital), a(t) repräsentiert

30

3. Theorieansätze zur Begründung der Erfolgswirksamkeit

andere systematische Einflussgrößen, während u die zufälligen, unsystematischen Schwankungen im Output auffängt. Die funktionale Form dieser Gleichung entspricht der Cobb-Douglas-Produktionsfunktion. Das Hauptaugenmerk liegt allerdings hier auf der Definition und Messung von K und der Schätzung von g, der Elastizität des Outputs in Bezug auf das eingesetzte F & E-Kapital. K wird üblicherweise definiert als eine gewichtete Summe der F & E-Ausgaben der Vergangenheit. Die Gewichtung soll dabei sicherstellen, dass zum einen potenzielle zeitverzögerte Effekte von F & E enthalten sind und zum anderen mögliche Abschreibungen kontrolliert werden. Die Konstruktion dieses Maßes ist entsprechend relativ kompliziert und noch immer Gegenstand der wissenschaftlichen Forschung. Eine der Schwierigkeiten des oben genannten Ansatzes besteht in den mangelnden Informationen über den F & E-Kapitalstock. Dieser muss, meist anhand der jährlichen F & E-Investitionen, für jedes Unternehmen geschätzt werden. Um die Schätzung des F & E-Kapitalstocks zu vermeiden, wird von vielen Autoren ein alternativer Ansatz folgender Form verfolgt: (3.2)

(d log Y ) / dt = a + β(d log X ) / dt + ρ( R / Y ) + du / dt

In dieser Form wird eine/die Veränderung des Outputs, also beispielsweise die Veränderung der Produktivität des Unternehmens, in direkte Beziehung zur Intensität (R/Y) der Investitionen in F & E, beziehungsweise ein weiter reichendes Maß von Investitionen in Wissenschaft und Forschung, gesetzt. Der Parameter r kann so als Rendite der F & E-Investitionen interpretiert werden. Einer der Vorteile dieses Ansatzes liegt darin, dass die Wachstumsrate der Produktivität direkt mit einem Maß für die F & E-Intensität in Verbindung gebracht werden kann. Die in dem Ansatz benötigte Schätzung des F & E-Kapitalstocks entfällt hierdurch. Jedoch tritt jetzt die Schwierigkeit auf, einen Wert für die Abschreibungen festzulegen, um so die Netto-F & E-Investitionen berechnen zu können. Wenngleich auch mit diesem Grundmodell eine Vielzahl von Schwierigkeiten einhergehen, wie zum Beispiel Probleme der korrekten Operationalisierung und Messung der einzelnen Variablen, insbesondere bei der bereits oben angesprochenen Maßzahl für F & E, liefert dieses einfache Modell einen guten Einstieg in die Forschungsrichtung. Hiervon ausgehend, werden im Folgenden die empirischen Ergebnisse auf diesem Gebiet nachgezeichnet. Eine Reihe von Forschern haben den Zusammenhang gemäß Gleichung (3.1) untersucht. Die geschätzte Elastizität des Outputs in Beziehung zu eingesetztem F & E-Kapital liegt dabei zwischen 0,06 und 0,1 (siehe z. B. Dilling-Hansen et al. 2000, Hall und Mairesse 1995 oder Griliches 1986). Diese geschätzten Elastizitäten ergeben sich unabhängig davon, ob die gesamten F & E-Investitionen einbezogen werden oder lediglich unternehmensfinanzierte F & E. Es gibt in anderen Studien jedoch Anzeichen dafür, dass F & E, die durch die Regierung finanziert wird, tendenziell weniger Nutzen stiftet als privat finanzierte F & E (siehe z. B. Patel und Pavitt

31

3.1. Industrieökonomische Theorie

1995). Tabelle 3.1 liefert einen Überblick zu empirischen Studien zur F & E-Elastizität in chronologischer Reihenfolge. Im Anschluss werden einige ausgewählte Beiträge auf diesem Gebiet kurz charakterisiert. Tabelle 3.1 Ausgewählte Studien zur F & E-Elastizität Autoren

Zeitraum

Studie*

F&E-Elastizität

Sample

Minasian (1969)

1948–1957

Q L

0,11–0,26 0,08

17 US-Unternehmen (Chemie)

Griliches (1980a)

1959–1977

Q

0,03–0,07

39 US-Unternehmen (Hersteller)

Griliches (1980b) 1957–1965

Q L

0,07 0,08

883 US-Unternehmen

Schankerman (1981)

1963

Q

0,10–0,16

110 US-Unternehmen (Chemie und Öl)

Sveikauskas und Sveikauskas (1982)

1959–1969

Q

0,22–0,25

144 US-Unternehmen (Hersteller)

Cuneo und Mairesse (1984)

1972–1977

Q L

0,20 0,05

182 Franz. Unternehmen (Hersteller)

Subsample 1

1972–1977

Q L

0,21 0,14

98 Unternehmen (Wissenschaft)

Subsample 2

1972–1977

Q L

0,11 0,03

84 Unternehmen (andere)

Griliches und Mai- 1966–1977 resse (1984)

US-Unternehmen

Sample 1

1966–1977

Q L

0,05 0,09

133 US-Unternehmen

Sample 2

1966–1977

Q

0,19

77 US-Unternehmen (Wissenschaft)

Griliches und Lichtenberg (1984a)

1959–1976

L

0,04

27 US-Unternehmen (Hersteller)

Griliches (1986)

1966–1977

L

0,12

652 US-Unternehmen

Subsample 1

1972

Q

0,11

491 US-Unternehmen

Subsample 2

1977

Q

0,09

491 US-Unternehmen

Jaffe (1986)

1973, 1979

Q L

0,20 0,10

432 US-Unternehmen

Jaffe (1986)

1973, 1979

Q L

0,20 0,10

432 US-Unternehmen (Fortsetzung nächste Seite)

32

3. Theorieansätze zur Begründung der Erfolgswirksamkeit Studie*

F&E-Elastizität

Sample

Englander, Even- 1970–1983 son und Hanazaki (1988)

Q

(–0,16)–0,50

16 Branchen in 6 Ländern

Mansfield (1988)

1960–1979

Q

0,42

17 Japan. Unternehmen (Hersteller)

Griliches und Mai- 1973–1980 resse (1990)

Q

Autoren

Zeitraum

US-Unternehmen (Hersteller)

Sample 1

1973–1980

Q

0,25–0,41

525 US-Unternehmen (Hersteller)

Sample 2

1973–1980

Q

0,20–0,56

406 Japan. Unternehmen (Hersteller)

Hall und Mairesse 1980–1987 (1995)

Q L

0,05–0,25 0,00–0,07

197 Franz. Unternehmen

Verspagen (1995) 1973–1988

L

0,02–0,17

14 Branchen in 11 Ländern

Dilling-Hansen et 1993–1995 al. (2000)

L

0,09–0,12

226 Dän. Unternehmen

Wang und Tsai (2003)

Q

0,19

136 Taiwan. Unternehmen (Hersteller)

1994–2000

*: Querschnittsanalyse (Q); Längsschnittsanalyse (L)

Griliches (1986) zerlegt den F & E-Kapitalstock in seiner Studie in einen öffentlich und einen privat finanzierten Teil, wobei die Variable des öffentlich finanzierten Teils als Anteil am gesamten F & E-Stock mit in die Schätzgleichung eingeht. In seiner Studie gelangt er zu drei wesentlichen Ergebnissen: Erstens weist er einen positiven Einfluss von F & E auf das Produktivitätswachstum nach. Zweitens zeigen seine Schätzergebnisse einen größeren Einfluss der Grundlagenforschung im Vergleich zu anderen F & E-Aktivitäten auf. Zudem zeigt die Zerlegung des F & E-Kapitalstocks, dass die privat finanzierte F & E effektiver als die öffentlich finanzierte F & E ist. Die Ergebnisse stehen im Einklang mit früheren Studien (vgl. z. B. Griliches (1980 b), Mansfield (1980)). Hall und Mairesse (1995) replizieren und erweitern bisher bestehende Untersuchungen über den Zusammenhang von F & E-Investitionen und Produktivität in Frankreich. Das theoretische Gerüst ihrer Schätzungen bildet, wie auch bei Griliches (1986), eine einfache Cobb-Douglas- Produktionsfunktion mit den Produktionsfaktoren Kapital, Arbeit und dem F & E-Kapitalstock. Als Maß für den Output verwenden sie die Wertschöpfung der Unternehmen. Die geschätzten Koeffizienten des F & E-Kapitalstocks weisen, unabhängig von verschiedenen Schätzverfahren, einen signifikant positiven Einfluss aus. Die Autoren geben dabei zu bedenken, dass die Qualität der geschätzten Koeffizienten stark von der Länge der verwendeten Zeitreihen abhängig ist.

33

3.1. Industrieökonomische Theorie

Auch Dillingen-Hansen et al. (2000) verwenden den Ansatz einer Produktionsfunktion, um die Auswirkungen des F & E-Kapitalstocks auf die Produktivität zu schätzen. Sie erweitern die Produktionsfunktion um verschiedene weitere Einflussgrößen wie die Finanzierungsquelle der F & E-Ausgaben (wie auch bei Griliches 1986), die Eigentumsverhältnisse, innovative Charakteristika der Unternehmen und Industrieeffekte. Ihre Schätzungen basieren auf einem dänischen Datensatz. Die geschätzten Koeffizienten zeigen Outputelastizitäten des F & E-Kapitalstocks zwischen 9 % und 12 % auf, welche in ihrer Höhe mit anderen Studien in unterschiedlichen Ländern vergleichbar sind. Im Gegensatz zu Griliches (1986) finden Dillingen-Hansen et al. (2000) jedoch keine unterschiedlichen Auswirkungen öffentlicher und privater F & E-Finanzierung auf Produktivitätssteigerungen. Die zweite Gleichung (3.2) ist Gegenstand des Interesses an Studien, die anstelle der Elastizitäten die Rendite von F & E untersuchen. Die geschätzten Ertragsraten von F & E bewegen sich dabei im Wesentlichen zwischen 0,1 und 0,5 (siehe z. B. Lichtenberg und Siegel 1991 oder Odagiri and Iwata 1986). Tabelle 3.2 zeigt ausgewählte Studien zur F & E-Rendite in chronologischer Reihenfolge.

Tabelle 3.2 Ausgewählte Studien zur F & E-Rendite Autoren

Zeitraum

Studie*

F & E-Rendite Sample

Terleckyj (1974) 1948–1966

L

0–0,30

33 U.S.-Branchen

Mansfield (1980) 1960–1976

Q

0,27

16 U.S.-Unternehmen (Chemie und Petroleum)

Terleckyj (1980) 1948–1966

L

0,20–0,27

20 U.S.-Unternehmen (Hersteller)

Link (1981)

207 U.S.-Unternehmen

Subsample 1

1971–1976

Q

0,00

174 U.S.-Unternehmen

Subsample 2

1971–1976

Q

0,07

33 U.S.-Unternehmen (Chemie)

0,13–0,29

87 U.S.-Unternehmen (Hersteller)

Scherer (1982)

1964–1969 und L 1973–1978

Griliches und Mairesse (1983)

1973–1978

Reguläres Sample

1973–1978

L

0,28

528 U.S.- u. Franz. Unternehmen

BranchenDummies

1973–1978

L

0,12

528 U.S.- u. Franz. Unternehmen

Odagiri (1983)

1969–1981

L

528 U.S.- u. Franz. Unternehmen

370 Japan. Unternehmen (Fortsetzung nächste Seite)

34

3. Theorieansätze zur Begründung der Erfolgswirksamkeit

Autoren

Zeitraum

Studie*

F & E-Rendite Sample

Subsample 1

1969–1981

L

0,26

123 Japan. Unternehmen (Wissenschaft)

Subsample 2

1969–1981

L

-0,47

247 Japan. Unternehmen (andere)

Clark und Griliches (1984)

1970–1980

L

0,20

924 U.S.-Unternehmen (Hersteller)

Griliches und Lichtenberg (1984 b)

1959–1978

L

0,04–0,30

193 U.S.-Unternehmen (Hersteller)

Odagiri und Iwata 1966–1973 (1986)

L

Reguläres Sam- 1966–1973 ple

L

0,20

135 Japan. Unternehmen

BranchenDummies

1966–1973

L

0,17

135 Japan. Unternehmen

Odagiri und Iwata 1974–1982 (1986)

L

Reguläres Sam- 1974–1982 ple

L

0,17

168 Japan. Unternehmen

BranchenDummies

1974–1982

L

0,11

168 Japan. Unternehmen

Mansfield (1988)

1960–1979

L

0,42

17 Japan. Branchen

Goto und Suzuki (1989)

1976–1984

L

0,22–0,56

40 Japan. Unternehmen (Hersteller)

Sterlacchini (1989)

1954–1984

Q

0,10–0,30

15 U.K.-Unternehmen (Hersteller)

Lichtenberg und Siegel (1991)

1972–1985

L

0,13

2,207 U.S.-Unternehmen

Griliches (1994)

1958–1989

L

0,12–0,46

142 U.S.-Unternehmen (Hersteller)

Hall und Mairesse 1980–1987 (1995)

L

0,06–0,34

197 Franz. Unternehmen

Jones und Williams (1998)

1961–1989

Q

0,35

12 U.S.-Unternehmen (Hersteller)

Griffith, Redding und van Reenen (2004)

1970–1992

L

0,43–0,95

12 Länder (Hersteller)

135 Japan. Unternehmen

168 Japan. Unternehmen

*: Querschnittsanalyse (Q); Längsschnittsanalyse (L)

Lichtenberg und Siegel (1991) untersuchen den Zusammenhang von F & E und Produktivitätswachstum anhand eines Datensatzes mit Informationen zu ca.

3.1. Industrieökonomische Theorie

35

2.000 Unternehmen aus den USA. Dieser Datensatz ermöglicht es ihnen, die F & E-Aktivitäten zum einen nach der Finanzierungsseite (staatliche vs. private) und zum anderen nach der Art der F & E-Aktivität (Grundlagenforschung vs. angewandte F & E) zu unterscheiden. Ihre Resultate bestätigen die Ergebnisse älterer Studien, die eine positive Rendite von F & E-Investitionen nachweisen. Eine besondere Bedeutung kommt hierbei den F & E-Investitionen in die Grundlagenforschung zu. Die Untersuchung zeigt weiter, dass privat finanzierte F & E-Aktivitäten zu einer höheren Rendite als staatlich finanzierte F & E-Aktivitäten führen. Odagiri und Iwata (1986) verwenden für ihre Studie Informationen aus Jahresabschlussberichten von 311 an der Börse in Tokio gelisteten Unternehmen. Anhand der Daten für die Jahre 1966 bis 1983 zeigen sie, dass sich die durchschnittliche Rendite der F & E von 20 % im Zeitraum 1966 bis 1973 auf 17 % für den Zeitraum 1974 bis 1982 verringert. Wie auch in anderen Studien reduzieren sich die geschätzten Renditen jedoch deutlich, wenn zum Beispiel Dummy-Variablen für die einzelnen Industrien mit in die Regression als erklärende Variablen aufgenommen werden. Alle dargestellten Studien auf Unternehmensebene weisen einen positiven Einfluss von F & E auf die Produktion oder Wertschöpfung auf. Dieser Einfluss wurde anhand von unterschiedlichen Unternehmensdatensätzen für verschiedene Länder getestet. Hierbei bestehen bei beiden Untersuchungsansätzen, Elastizitätsansatz und Renditeansatz, keine Unterschiede der Wirkungsrichtung. Die geschätzten Koeffizienten sind allerdings bei Studien, welche die Rendite untersuchen, meist leicht höher. 3.1.2.2. Timing von Innovationen F & E wird im industrieökonomischen Ansatz häufig im Zusammenhang mit Innovationen bearbeitet. Als Ergebnis von F & E wird die Innovation auf ihre Erfolgswirksamkeit hin untersucht. Wesentlich sind dabei Untersuchungen zum Timing von Innovationen (vgl. Lieberman und Montgomery 1998 und 1988, Robinson 1988, Fudenberg et al. 1983). Die wissenschaftliche Forschung zum Timing von Innovationen lässt sich in strategische und spieltheoretische Ansätze aufteilen. Im Folgenden werden die verschiedenen Herangehensweisen kurz charakterisiert; einen ausführlichen Überblick zu den jeweiligen Ansätzen liefert Tirole (1995) oder auch Shy (1995). 3.1.2.2.1. Strategische Ansätze zum Timing von Innovationen Vertreter dieser Ansätze sind beispielsweise Lieberman und Montgomery (1998, 1988), Kalyanaram, Robinson und Urban (1995) oder auch Robinson (1988) mit ihren Überlegungen zum First-Mover Advantage. Neben dieser Pionierstrategie werden üblicherweise auch die Strategien des frühen bzw. späten Folgers betrachtet.

36

3. Theorieansätze zur Begründung der Erfolgswirksamkeit

Die Frühfolger-Strategie (Studien hierzu finden sich u. a. bei Robinson und Chiang 2002, Parry und Bass 1990, oder Haines, Chandran und Parkhe 1989) erlaubt es, von den Vorleistungen des Pioniers zur Marktentwicklung zu profitieren, ohne selber viel investieren zu müssen (vgl. Buchholz 1998). Die Strategie des Spätfolgers hingegen besteht darin, den Markt erst in der späten Wachstums- bzw. Reifephase zu betreten, wenn zukünftige Entwicklungen sowohl auf der Technologie- als auch der Nachfrageseite gut vorhersehbar sind. Insofern verwendet der Spätfolger Wissen, welches er sich durch die Beobachtung der Pioniere und Frühfolger angeeignet hat (vgl. Zhang und Markman 1998). Die meisten Untersuchungen auf diesem Gebiet wurden mit PIMS-Daten durchgeführt. Von den 2600 enthaltenen Strategischen Geschäftseinheiten bezeichneten sich 52 % als Pionier, 31 % als Frühfolger und 17 % als Spätfolger (siehe hierzu Buzzell und Gale 1987). Allerdings war die im Fragebogen gegebene Definition von Pionier unzureichend, da davon gesprochen wurde, einer der Ersten im Markt zu sein und nicht der Erste. Hierdurch mag es zu Verzerrungen gekommen sein, die den für Pioniere sehr hohen durchschnittlichen Marktanteil von etwa 30 % erklären. Aussagekräftiger ist deshalb womöglich die Studie von Golder und Tellis (1993), die das Pioniertum korrekt definiert haben. Sie erhalten einen durchschnittlichen Marktanteil von etwa 10 %. Spieltheoretische Ansätze zum Timing von Innovationen 3.1.2.2.2. Spieltheoretische Ansätze zum Timing von Innovationen Sogenannte Patentrennen (vgl. Fudenberg et al. 1983 oder Gilbert und Newbery 1982) machen im Wesentlichen die spieltheoretischen Ansätze zum Timing von Innovationen aus. Wissenschaftliche Studien (siehe Corstjens, Matutes und Neven 1990, Reinganum 1989, 1982 und 1979, Dasgupta und Stiglitz 1980 oder auch Lee und Wilde 1980) auf diesem Gebiet gehen davon aus, dass Unternehmen bestrebt sind, durch intensive F & E zuerst den Durchbruch mit einer Produkt- oder Prozessinnovation zu erreichen. Nach der Patentanmeldung kann dann beispielsweise das Produkt als Pionier auf einem Markt eingeführt werden. Hintergrund der Überlegung ist dabei die „Winner-take-all“-Annahme (Tirole 1995, S. 396) welche besagt, dass der Patenthalter den gesamten Markt bedient und das im Patentrennen unterlegene Unternehmen nichts absetzt. 3.1.3. Kritische Würdigung des industrieökonomischen Ansatzes Zusammenfassend lässt sich feststellen, dass die industrieökonomische Theorie interindustriellen Effekten Rechnung trägt, intraindustrielle Unterschiede jedoch vernachlässigt. Nach der klassischen industrieökonomischen Sichtweise sind unterschiedliche Unternehmensleistungen (Unternehmensgewinne) auf die Zugehörigkeit zu einer bestimmten Branche (Markt) zurückzuführen, die in ihrer Struktur at-

3.1. Industrieökonomische Theorie

37

traktiver ist als eine andere. Eine attraktive Branche (Markt) führt zu einem nichtperfekten Wettbewerb und ermöglicht dadurch Unternehmen, Monopolrenten zu realisieren (Caves und Porter 1977). Nach Bain (1956) verhindert der Monopolist (bzw. Oligopolist) den Eintritt von Konkurrenten in den Markt mit der Drohung, die Outputmenge beizubehalten, so dass ein weiterer Eintritt zu Preisen führt, die unterhalb der der Kosten liegen. Diese Drohung ist insofern unglaubwürdig, als dass sich der Monopolist damit selbst schädigt (vgl. Schmalensee 1988). Auch empirisch ist der Zusammenhang zwischen Marktstruktur und Marktergebnis nicht eindeutig nachgewiesen. So ist nach McGahan (1999) sowie Mauri und Michaels (1998) ein erheblicher Teil der Variation von Unternehmensgewinnen nicht auf die Branchenstruktur, sondern auf unternehmensinterne Faktoren zurückzuführen (vgl. Hill und Deeds 1996, Knyphausen-Aufseß 1993, Rumelt, Schendel und Teece 1991). Gerade wenn F & E und Marketing betrachtet werden, stößt eine unternehmensexterne Sichtweise an ihre Grenzen. Das Zusammenspiel von F & E und Marketing findet insbesondere im Bereich Neuproduktentwicklung, also unternehmensintern, statt und lässt sich durch das Problem der Verwertungsunsicherheit von Innovationen begründen. Im Folgenden wird deshalb die Ebene der klassischen Industrieökonomie verlassen und der Innovationsprozess auf Ebene der Unternehmung erörtert. Während in der industrieökonomischen Forschung Innovation als Ergebnisgröße von F & E untersucht wird (vgl. Abschnitt 6), sind für die vorliegende Arbeit jedoch nicht die Innovation als Ergebnisgröße, sondern mögliche Synergieeffekte, die sich durch das Zusammenspiel von F & E und Marketing innerhalb des Innovationsprozesses ergeben, von Bedeutung. 3.1.3.1. Das Problem der Verwertungsunsicherheit von Innovationen Aus der ökonomischen Perspektive entsprechen Investitionen von Unternehmen in F & E Investitionen in die Produktion von Wissen und somit Innovationen. Unter dem Problem der Verwertungsunsicherheit („Appropriability Problem“) ist der folgende Sachverhalt zu verstehen: „Ein Unternehmen kann sich nicht die gesamte Rendite seiner vorangegangenen Investitionen in die Wissensproduktion aneignen.“ (Geroski 1995)

Diese Verwertungsunsicherheit entsteht durch die spezifischen Charakteristika von Wissen und seinem Entstehungsprozess, lässt sich jedoch durch verschiedene Strategien abmildern. Abbildung 3.3 liefert einen Überblick über die Zusammenhänge. Bevor jedoch Gründe für das Entstehen sowie Lösungsmöglichkeiten für die Problematik dargestellt werden, soll im folgenden Abschnitt zunächst Innovation von F & E abgegrenzt werden.

38

3. Theorieansätze zur Begründung der Erfolgswirksamkeit

Gründe Hohe Rüstkosten Markt- und Technologieunsicherheit Wissen ist ein öffentliches Gut

Verwertungsunsicherheit von Innovation Ein Unternehmen kann sich nicht die gesamte Rendite seiner vorangegangenen Investitionen in die Wissensproduktion (F&E-Investitionen) aneignen.

Lösungen Horizontale Strategien F&E-Ausgaben reduzieren Wissenserwerb von anderen begrenzen (z. B. Patente)

Vertikale Strategien Einsatz von komplementären Fähigkeiten (z. B. Marketing)

Abbildung 3.3: Verwertungsunsicherheit von Innovationen

3.1.3.1.1. Die Abgrenzung von Innovation und F & E In der wissenschaftlichen Forschung wie auch in der Unternehmenspraxis wird der F & E-Prozess oftmals mit dem Prozess der Innovation gleichgesetzt. Im Folgenden sollen die Begriffe allerdings eindeutig voneinander abgegrenzt werden, da gerade durch die Unterscheidung der beiden Prozesse das Synergiepotenzial von F & E und Marketing bei der Entwicklung neuer Produkt deutlich wird. In der Literatur finden sich eine Reihe von Konzepten zur Gestalt von Innovation (siehe bspw. Rogers 1995 oder auch von Hippel 1988). In einer frühen Definition stellt Schmookler (1966) bereits den Zusammenhang von Innovation und technologischem Wandel in den Vordergrund: „When an enterprise produces a good or a service or uses a method or input that is new to it, it makes a technological change. The first enterprise to make a given technical change is an innovator. Its action is innovation.“ (Schmookler 1966, S. 16)

Verschiedene zentrale Merkmale sind aus dieser Definition abzuleiten: Innovation wird als eine Aktivität verstanden, die in Unternehmen stattfindet. Wann immer ein Unternehmen etwas tut, was es zuvor noch nicht getan hat, wird sein Handeln als Beitrag zur technologischen Veränderung gesehen. Resultat kann sowohl die Produkt- als auch die Prozessinnovation sein. Allerdings ist nur das erste Unternehmen der Innovator.

3.1. Industrieökonomische Theorie

39

Innovationen sind das Ergebnis von Prozessen, für deren Abbildung eine Vielzahl von Phasenmodellen entwickelt wurde (Müller-Tyl 1994, Thom 1980). Nach Thom (1980) lassen sich beispielsweise die Ideengenerierung, die Ideenakzeptierung und die Ideenrealisierung als drei Phasen des Innovationsprozesses unterscheiden. Für eine Abgrenzung von F & E und Innovation ist es allerdings notwendig, F & E und Innovation als Begriff und Prozess im einzelnen Unternehmen zu betrachten. Es kann grob zwischen zwei unterschiedlichen Interpretationen des Innovationsprozessbegriffs differenziert werden (Specht und Beckmann 1996). Die Innovation i. e. S. umfasst die Markteinführung eines neuen Produkts oder das Anfahren eines neuen Produktionsverfahrens. Die Innovation i. w. S. bezieht sich neben der Innovation i. e. S. auch auf den Prozess der Erfindung bzw. Invention. Die Inventionsphase beinhaltet die „technische Realisierung neuer oder neue Kombinationen bestehender wissenschaftlicher Erkenntnisse“ (Haß 1983). Die Trennlinie zwischen diesen beiden Phasen wird mit Beendigung der betrieblichen F & E erreicht (Wolfrum 1994). Die Invention ist das Ergebnis, das aus den F & E-Aktivitäten hervorgeht. Brockhoff bezieht darüber hinaus auch noch die Diffusion und Imitation als weitere Phasen in den Innovationsprozess i. w. S. mit ein (Brockhoff 1992). Die Tatsache, dass es viele unterschiedliche Ansätze zur phasenorientierten Untergliederung des Innovationsprozesses in der Literatur gibt, darf allerdings nicht darüber hinwegtäuschen, dass in der Realität der Ablauf von Innovationen nicht immer diesen idealtypischen Verläufen folgt. Nach den obigen Ausführungen ist die F& E somit nicht identisch mit Innovation, sondern stellt vielmehr einen strategischen Einsatzfaktor in einem Teilbereich des Innovationsprozesses dar. Ambos (2002) beschreibt diesen Prozess wie folgt: Die Grundlagenforschung konzentriert sich im Wesentlichen auf das Erreichen neuer wissenschaftlicher oder technischer Erkenntnisse und Erfahrungen. Sie orientiert sich nicht unmittelbar an der praktischen Anwendbarkeit und verfolgt zunächst kein konkretes wirtschaftliches Ziel. Hinter dem Begriff der Technologieentwicklung verbirgt sich die so genannte angewandte Forschung, worunter Aktivitäten zur Gewinnung und (Weiter-)Entwicklung von Wissen und Fähigkeiten zu verstehen sind. Im Gegensatz zur Grundlagenforschung sind auf dieser Ebene die Aktivitäten auf eine praktische Anwendbarkeit der Ergebnisse gerichtet. Wichtigstes Ziel ist dabei der Aufbau und die Pflege technologischer Kernkompetenzen und Leistungspotenziale. In der Stufe der Vorentwicklung wird die Umsetzbarkeit neuer Technologien in Produkte und Produktionsprozesse geprüft. Entsprechend würde beispielsweise die Entwicklung eines Prototyps dieser Phase zuzuordnen sein. Bei entsprechend positivem Verlauf schließt sich als letzte Phase des F & E-Prozesses die Produkt- und Prozessentwicklung an. Hier wird durch die Nutzung wissenschaftlicher Erkenntnisse unmittelbar ein konkretes Produkt und/oder ein Prozess mit neuer oder wesentlich verbesserter Technologie entwickelt. Die Ausgangsdaten liefern dabei die Ergebnisse der vorgelagerten Entwicklungsstufen. Mit der Produktion und

40

3. Theorieansätze zur Begründung der Erfolgswirksamkeit

Markteinführung neuartiger Produkte oder Verfahren (Innovationen) endet der Innovationsprozess. Folgende Abbildung 3.4 fasst die Zusammenhänge zusammen, wobei, wie bereits oben diskutiert, nicht von einer streng chronologischen Abfolge der einzelnen Phasen ausgegangen werden kann.

Innovationsprozess

Grundlagenforschung

Technologieentwicklung

Vorentwicklung

Produkt- & Prozessentwicklung

Produktion und Markteinführung

F&E-Prozess Abbildung 3.4: Prozessabläufe in der Unternehmung

Entsprechend dieser Einteilung ist der F & E-Prozess als Teilbereich des Innovationsprozesses anzusehen. Das F & E-Management umfasst entsprechend die zielorientierte Gestaltung und Steuerung von Aktivitäten in der Inventionsphase. Das Innovationsmanagement i. w. S. umfasst darüber hinaus die zielorientierte Gestaltung und Steuerung der Maßnahmen im Rahmen der Markteinführung, Marktdurchsetzung und Imitation bzw. Nachahmung. Das Innovationsmanagement i. e. S. bezieht sich nur auf die Markteinführungsphase. Insbesondere in der Phase der Markteinführung können Marketingmaßnahmen die oben angesprochene Verwertungsunsicherheit von Innovationen reduzieren (vgl. hierzu Bayus, Erickson und Jacobson 2003, Chaney, Devinney und Winer 1991). 3.1.3.1.2. Die Entstehung des Problems Zum einen sind mit der Schaffung von Innovationen oftmals hohe Rüstkosten in Form von Investitionen in F & E-Programme verbunden. Es ist von Betriebsgrößenvorteilen auszugehen (Economies of scale), die durch die starke Spezialisierungsmöglichkeit in Betrieben entstehen. Außerdem besteht neben der Marktunsicherheit zusätzlich noch eine Unsicherheit bezogen auf die Technologie die eingesetzt wird. Unter Marktunsicherheit wird dabei die Problematik verstanden ein (neues) Produkt zu verkaufen und dadurch einen wirtschaftlichen Erfolg zu realisieren. Technologieunsicherheit ist damit verbunden, dass überhaupt ein funktionierendes neues Produkt zu entwickeln. Beide Formen von Unsicherheit stehen natürlich in Verbindung miteinander und können sich gegenseitig verstärken.

3.1. Industrieökonomische Theorie

41

Letztlich ist Wissen von seiner Natur her ein öffentliches Gut. Diese Charaktereigenschaft löst verschiedene Probleme für innovative Unternehmen/Innovatoren in Zusammenhang mit dem Transfer von Wissen aus. Zum einen verhindert die Nutzung von Wissen durch ein Individuum nicht die Nutzung des gleichen Wissens durch andere Akteure. Der willentliche oder auch nicht willentliche Transfer von Herrschaftswissen bezüglich einer Innovation, zerstört somit unumgänglich die monopolistische Stellung des Erfinders. Wissen lässt sich als öffentliches Gut nur selten künstlich verknappen. Zum anderen muss ein vermeintlicher Käufer von Wissen, bzw. Käufer einer Innovation dieses bewerten können. Sofern es aus mangelndem Verständnis diese Bewertung nicht vollzogen werden kann muss dem Käufer Information offen gelegt werden, die für ihn einen Kauf unnötig macht, da er nun selbst über das nötige Wissen verfügt. Die Konsequenz dieser beiden Problem ist, dass Innovatoren nicht in der Lage sind den vollen Ertrag ihrer Innovation auszuschöpfen, was ihre Neigung in F & E zu investieren verringern wird. Dieses Problem wird natürlich dadurch relativiert, dass mit weitgehend jedem Wissenstransfer Kosten entstehen, die in aller Regel demjenigen zu Gute kommen, der stark in F & E investiert hat. 3.1.3.1.3. Strategien zur Problemlösung Um die Verwertungsunsicherheit von Innovationen zu reduzieren, bieten sich für Unternehmen verschiedene Strategien (siehe Abbildung 3.3) an. Horizontale Strategien Um die Kosten von F & E zu senken, können zum einen Fördermittel genutzt werden, zum anderen können Restrukturierungsmaßnahmen mit dem Ziel, Economies of Scale für die F & E zu nutzen, durchgeführt werden. – Der Einsatz von Fördermitteln zur F & E-Kostensenkung: Fördermittel werden in der Praxis häufig durch Steuererleichterungen gewährt. Genauer gesagt dürfen Unternehmen die Ausgaben für F & E oft als laufende Kosten verbuchen, was eine schnellere Abschreibung ermöglicht, als eigentlich für den Verfall des durch F & E generierten Wissens anzusetzen wäre. Des Weiteren können Unternehmen Steuergutschriften basierend auf ihren gesamten F&E-Ausgaben erhalten. In manchen Branchen existieren auch eigenfinanzierte Zuschuss-/Umverteilungssysteme, in die die Mitglieder der Branche einbezahlen und aus denen der Gesamtbetrag anschließend entsprechend der F & E-Ausgaben der einzelnen Unternehmen wieder verteilt wird (Geroski 1995). Grundsätzlich beinhaltet die Nutzung von F&E-Fördermitteln jedoch auch Nachteile. Beispielsweise mag die Preiselastizität für F & E zu gering sein, als dass Fördermittel einen entscheidenden Einfluss auf die F&E-Entscheidungen von Unternehmen haben (Em-

42

3. Theorieansätze zur Begründung der Erfolgswirksamkeit

pirische Untersuchungen hierzu liefern Hall 1992, Lichtenberg 1987, Mansfield 1984 und Scott 1984). Schlussendlich attackieren Fördermittel das „appropriability problem“ nur indirekt, nämlich von Seiten der Kosten und nicht direkt, wie oben beschrieben, von Seiten der Nachfrage (siehe hierzu eine Studie von Rothwell und Zegveld 1981). – Kooperative F & E-Joint-Ventures zur F & E-Kostensenkung: Durch kooperative Zusammenschlüsse im Bereich von F & E lassen sich wegen der Aufteilung der Kosten eine Vielzahl von Vorteilen realisieren: Das Risiko der Unternehmen wird vermindert, es können Betriebsgrößenvorteile im Bereich der F & E erzielt werden, die unnötige Doppelbearbeitung gleicher F & E-Projekte wird vermieden und die Unternehmen bringen ihre unterschiedlichen Fähigkeiten nutzbringend zusammen (siehe hierzu beispielsweise Suzumura 1992 oder Kamien, Muller und Zang 1992). Für den Bereich von F & E kann davon ausgegangen werden, dass eine durch Joint-Ventures generierte Monopolisierung keine ernsthaften Auswirkungen auf die unterschiedlichen Märkte hat (Geroski 1995). Allerdings gibt es dennoch Nachteile, die gegen die Bildung solcher Zusammenschlüsse sprechen. Erstens ist mit einer Kooperation in dem Bereich F & E immer ein Informationstransfer mit all seinen bereits oben erläuterten Gefahren verbunden. Zweitens könnten die beteiligten Unternehmen aus der Angst heraus, dass sie im Endeffekt rivalisierende Unternehmen dadurch unterstützen, weniger in F & E investieren, als sie eigentlich geplant hatten. Dieses führt drittens zu einer Reihe möglicher Moral-Hazard-Probleme. Die beteiligten Akteure könnten verschiedene Strategien benutzen, um weniger als verabredet in den Zusammenschluss zu investieren. – Generiertes Wissen durch Patente schützen: Wenn auch die Charaktereigenschaften des öffentlichen Gutes es erschweren, die vollen Erträge von F & E-Investitionen abzuschöpfen, so besteht vielleicht die Möglichkeit, F & E-Ergebnisse dadurch zu schützen, dass man Eigenschaftsrechte für die relevanten Wissensteile schafft. Durch Patente und Patentierung wird ein Markt für Wissen geschaffen, indem den Innovatoren durchsetzbare Eigenschaftsrechte an ihren Innovationen zugeordnet werden. Hierdurch wird das Problem, dass das Ausschlussprinzip bei öffentlichen Gütern nicht greift, gelöst und die Innovatoren haben die Möglichkeit, die Ausbreitung des Wissens couragiert voranzutreiben. Die genaue Ausgestaltung von Patenten bzw. Patentrechten wird in Forschung und Praxis auf breiter Basis erörtert, die Länge des gewährten Patentschutzes sowie die Frage, wie ausgedehnt der Geltungsbereich ist, sind jedoch mit Abstand die meistdiskutierten Probleme (für eine ausführliche Diskussion dieser Fragen siehe beispielsweise La Manna 1992 oder Scotchmer und Green 1990).

3.1. Industrieökonomische Theorie

43

Vertikale Strategien Das Ergebnis des F& E-Prozesses ist, wie oben beschrieben, im Wesentlichen eine Art von Wissen oder auch Information. Damit das neue Wissen, also die Innovation, auch wirtschaftlich erfolgreich sein kann, bedarf es jedoch des Zusammenspiels mit verschiedenen anderen komplementären Faktoren; beispielsweise spezielle Inputfaktoren, besondere Herstellungsfähigkeiten oder auch verschiedene Marketingfähigkeiten. Vermögenswerte (Assets) oder auch Aktivitäten verhalten sich nach Milgrom und Roberts (1995) komplementär zueinander, wenn der Grenzertrag der einen Aktivität sich mit der Intensivierung der anderen Aktivität steigert. In mathematischer Form lässt sich dieser Zusammenhang für die Aktivitäten x und y sowie den Grenzertrag p wie folgt darstellen. (3.3)

∂2π ≥0 ∂y∂x

Im Gegensatz dazu verhalten sich Substitute in der Art zueinander, dass die Verstärkung von Aktivität x den Grenzertrag der Aktivität y schmälert (für eine ausführliche Untersuchung und Darstellung organisationaler Substitute siehe Siggelkow (2002)). Komplementarität lässt Synergien erwachsen in dem Sinne, dass das entstehende Ganze mehr ist als die Summe seiner Teile. Geht man davon aus, dass die Aktivitäten x und y jeweils stark oder schwach ausgeprägt sein können, ergibt sich für Komplemente und ihr gemeinsames Leistungspotenzial p

(3.4)

π [ xschwach , yschwach ] ≥ π [ xstark , yschwach ] ∨ π [ xschwach , ystark ]

und (3.5)

π [ xstark , ystark ] ≥ π [ xstark , yschwach ] ∨ π [ xschwach , ystark ] .

Während [xschwach, yschwach] und [xstark, ystark] konsistente Aktivitätssysteme repräsentieren, handelt es sich bei den anderen um inkonsistente Zustände, die zu einer geringeren Gesamtleistung führen. Damit die gesamten Potenziale der unternehmerischen Tätigkeiten ausgeschöpft werden können, müssen Manager die Existenz von Komplementen (wie auch Substituten) und die damit verbundenen Synergien in ihre Überlegungen einbeziehen. Geschieht dies nicht, kommt es zwangsweise zu Verlusten bzw. nicht realisierten Gewinnen in der Wertschöpfung und daraus folgend auch zu einem geschmälerten

44

3. Theorieansätze zur Begründung der Erfolgswirksamkeit

Unternehmensgewinn, weil es die Unternehmung verpasst, ihr gesamtes Potenzial auszuschöpfen. Übertragen auf F & E und Marketing lässt sich folgendes Beispiel skizzieren: Ein Unternehmen, das verstärkt in F & E investiert, aber seine Marketinginvestitionen konstant hält, verpasst Möglichkeiten, seine Wettbewerbsposition zu stärken. Es ist davon auszugehen, dass mit einer höheren Innovationsrate auch die Notwendigkeit verbunden ist, Marketingaktivitäten zu intensivieren, um den maximalen Ertrag abschöpfen zu können. 3.1.3.2. Schlussfolgerung Wie die vorangegangenen Ausführungen zur Verwertungsunsicherheit von Innovationen zeigen, reicht die unternehmensexterne Perspektive der klassischen Industrieökonomie für den Untersuchungsgegenstand nicht aus. Abbildung 3.5 verdeutlicht dies noch einmal. Die grundsätzlichen Beziehungen zwischen F & E, Marketing und Unternehmenserfolg werden im Rahmen der industrieökonomischen Theorie erklärt. So sind auf der Grundlage der klassischen Vorgehensweise bei der Produktivitätsmessung von F & E (vgl. Abschnitt 3.1.2) eine Vielzahl von Studien auch im Marketingbereich entstanden, in denen gemeinsam mit F& E-Ausgaben die Wirkungen von Marketingausgaben auf den Unternehmenserfolg untersucht werden. Es handelt sich dabei oftmals um einfache Regressionsgleichungen, die auf die Einzeleffekte der Einsatzfaktoren F & E und Marketing fokussieren (vgl. bspw. Andras und Srinivasan 2003, Kotabe 1990). Allerdings werden dabei weder das Zusammenspiel von F & E und Marketing noch Intangibles als Ergebnis von F & E und Marketing noch unternehmensspezifische unbeobachtbare Effekte berücksichtigt.

Marketinginvestitionen

Abbildung 3.5: Wirkungszusammenhänge

Unternehmenserfolg

Intangibles

F&E-Investitionen

3.2. Ressourcenorientierte Sichtweise

45

Mit der starken Orientierung am Structure-Conduct-Performance Paradigma und der dadurch großen Bedeutung von Marktstrukturen treten schwer quantifizierbare Faktoren wie z. B. die Managementqualität, die Unternehmenskultur oder auch die Reputation (vgl. Jacobson 1990 und 1992) in der industrieökonomischen Analyse in den Hintergrund. Solche weitgehend unternehmensspezifische Faktoren sind schwer oder auch gar nicht zu beobachten, können jedoch entscheidend für die Entstehung von Wettbewerbsvorteilen sein. In der Literatur werden unbeobachtbare Variablen (vgl. Jacobson 1990) auch als „invisible assets“ (vgl. Itami und Roehl 1987) oder „weiche Faktoren“ (vgl. Peters und Waterman 1982) bezeichnet. Ein theoretisches Gerüst für die Berücksichtigung von unternehmensinternen Faktoren liefert der ressourcenorientierte Ansatz. Hier wird der Fokus speziell auf Ressourcen und Fähigkeiten von Unternehmen, deren Kombination sowie den daraus erwachsenden immateriellen Vermögensgegenständen gelegt.

3.2. Ressourcenorientierte Sichtweise Wie im vorangegangenen Abschnitt dargestellt, ignoriert der industrieökonomische Ansatz weitgehend individuelle Unternehmensunterschiede und betrachtet fast ausschließlich interindustrielle Differenzen, wodurch implizit davon ausgegangen wird, dass Unternehmen einer Branche gleiche Strategien verfolgen. Eine ressourcenorientierte Sichtweise hingegen geht davon aus, dass Wettbewerbsvorteile nicht nur in den Gegebenheiten des Marktes begründet sind, sondern auch in unternehmensspezifischen Ressourcen und Fähigkeiten. Gerade bei der Analyse der Wirkung von F & E- und Marketinginvestitionen spielen unbeobachtbare unternehmensspezifische Faktoren (Ressourcen und Fähigkeiten) eine wichtige Rolle, so dass diese Betrachtungsweise sinnvoll erscheint. Zunächst werden der ressourcenorientierte Ansatz sowie das Konzept der dynamischen Fähigkeiten erörtert und bewertet. Im Anschluss liefert der Ansatz der Market-based Assets einen zusätzlichen Einblick in die Wirkungsstruktur von F & Eund Marketinginvestitionen. 3.2.1. Der ressourcenorientierte Ansatz Der ressourcenorientierte Ansatz beschreibt, wie Wettbewerbsvorteile innerhalb von Unternehmen erzielt und über die Zeit hinweg erhalten werden können (Peteraf 1993, Barney 1991, Wernerfelt 1984, Penrose 1959). Der Schwerpunkt der Betrachtungen innerhalb des Resource-Based-View liegt somit in der Charakterisierung der Stärken und Schwächen einer Unternehmung und löst sich von dem Paradigma der industrieökonomischen Theorie der Erfolgswirkung externer Faktoren wie Marktstrukturen.

46

3. Theorieansätze zur Begründung der Erfolgswirksamkeit

Unternehmen können nach dem ressourcenorientierten Ansatz als Bündel von Ressourcen konzeptualisiert werden. Diese Ressourcen bleiben über Unternehmen hinweg unterschiedlich verteilt und die Unterschiede in der Ressourcenausstattung sind über die Zeit relativ stabil (Amit und Schoemaker 1993, Wernerfeldt 1984). Basierend auf dieser Annahme erklärt die ressourcenorientierte Sichtweise die Entwicklung von nachhaltigen Wettbewerbsvorteilen, die langfristig zum Unternehmenserfolg führen. Das zentrale Argument der ressourcenorientierten Sichtweise für den Erfolg ist somit der nachhaltige Wettbewerbsvorteil als Ergebnis einzigartiger Ressourcen (Peteraf 1993, Barney 1991, Wernerfelt 1984) und besonderer Fähigkeiten (Selznick 1957) von Unternehmen. Ausgehend davon, dass unterschiedliche Ausstattungen einer Unternehmung mit wettbewerbsrelevanten Ressourcen zu nachhaltigen Wettbewerbsvorteilen führen, ergeben sich zwei grundlegende Annahmen über die Faktormärkte. Erstens wird unterstellt, dass die Faktormärkte nicht perfekt sind. Unter der Annahme perfekter Faktormärkte entspräche der zu entrichtende Preis für die jeweilige Ressource den zukünftigen Ertragserwartungen. Damit würde sich für jede Unternehmung aber lediglich ein „normaler“ Ertrag erwirtschaften lassen. Ressourcenbasierte Wettbewerbsvorteile ergeben sich jedoch aus unterschiedlichen Ertragserwartungen. Solche differierenden Ertragserwartungen folgen beispielsweise aus der möglichen Nutzung von Synergiepotenzialen. Zweitens muss angenommen werden, dass die Faktormärkte unvollständig sind (vgl. Dierickx und Cool 1989). Faktormärkte stellen nur einen Teil aller existierenden Ressourcen zur Verfügung. Neben physischen Ressourcen, wie z. B. Produktionsanlagen und finanziellen Ressourcen, die über die Faktormärkte gehandelt werden können, gibt es organisatorische und immaterielle Ressourcen, für die es keine Märkte gibt. Deshalb können bestimmte unternehmensspezifische Organisationsbzw. Entscheidungsroutinen, organisatorische Wissensbestände oder Managementfähigkeiten nur intern entwickelt werden (vgl. Knyphausen-Aufseß 1993). Vorteilsgenerierende Ressourcen sind also solche, welche dazu beitragen, den Kunden im Vergleich zum Wettbewerb einen höheren Nutzen zu stiften (vgl. Barney 1991), nicht öffentlich verfügbar, also knapp sind (vgl. Reed und DeFillippi 1990, Dierickx und Cool 1989) und das Unternehmen befähigen, sich deren Wert anzueignen (vgl. Collis und Montgomery 1995). Ressourcen sind in diesem Zusammenhang alle Vermögenswerte, organisationale Prozesse, Wissen, Informationen etc., die ein Unternehmen kontrolliert und die es befähigen, effektiv und effizient zu arbeiten (Barney 1991). Die Konzeptualisierung des Begriffs „Fähigkeiten“ entwickelt das Argument weiter. Während Amrit und Schoemaker (1993) Fähigkeiten als Grad der Möglichkeit der Unternehmen definieren, ihre Ressourcen auszunutzen, stellt Grant (1991) eine konkretere Konzeptualisierung vor: „Capabilities involve complex patterns of coordination between people and people and other ressources. Perfecting such coordination requires learning through repetition“ (Grant 1991).

3.2. Ressourcenorientierte Sichtweise

47

3.2.1.1. Ressourcenarten In der Literatur finden sich unterschiedliche, differenzierte Darstellungen von Ressourcenarten. Penrose (1959 und 1980) geht von einer Zweiteilung in physikalische Ressourcen und Humanressourcen aus. Barney (1992, 1991, 1986 oder auch Barney und Wright 1998) geht von einem ähnlichen, jedoch wesentlich differenzierteren Analyserahmen aus. Unter den physischen Ressourcen einer Unternehmung werden die verfügbaren Anlagen, Ausstattungen, der Zugang zu Rohmaterialien, aber auch der geographische Standort verstanden. Die flexible Einsetzbarkeit von physischen Ressourcen differiert zum Teil stark. Insbesondere im Bereich der Produktionsanlagen wird dies deutlich. So sind Spezialmaschinen im Gegensatz zu Universalmaschinen deutlich eingeschränkter einsetzbar. Zwar besitzen sie in der Regel deutliche Rationalisierungsvorteile, das mit der Spezialisierung einhergehende Investitionsrisiko nimmt jedoch auch zu. Zusätzlich erfahren physische Ressourcen durch ihren Gebrauch einen Wertverlust (vgl. Grant 1991). Die physischen Ressourcen stellen einen unentbehrlichen Teil der Wertschöpfungskette dar. Nachhaltige Wettbewerbsvorteile können jedoch nicht alleine über sie begründet werden, da der Wertschöpfungsprozess als ein komplexer Vorgang der Produktionsfaktorenkombination zu verstehen ist. Die Faktorkombination als originäre Managementaufgabe umfasst insofern alle Ressourcen (Faktoren) (vgl. Das und Teng 1998, Reed und DeFillipi 1990). Unter intangiblen bzw. immateriellen Ressourcen werden einerseits immaterielle Vermögenswerte und andererseits Fähigkeiten und Kompetenzen der Mitarbeiter verstanden. Immaterielle Ressourcen können hinsichtlich des existierenden Verfügungsrechtes in personenunabhängige und personenabhängige intangible Ressourcen sowie bezüglich ihres gesetzlichen Schutzes differenziert werden. Zu den personenunabhängigen Vermögenswerten (assets) zählen nach Hall (1992) sog. „Intellectual Property Rights“, intangible Ressourcen, auf die unmittel- bzw. mittelbares Verfügungsrecht besteht. Hierunter werden Patente, Handelsmarken sowie Copyrights subsumiert. Aber auch bestehende Verträge, Geschäftsgeheimnisse, Firmenreputation oder Datenbanken müssen hierunter gefasst werden. Diese Vermögenswerte sind in der Regel bezüglich ihrer Einsetzbarkeit rechtlich geschützt, etwa durch Patentschutz, Gebrauchsmusterschutz usw. Nicht rechtlich geschützte personenunabhängige Vermögenswerte sind z. B. organisatorische Wissensbestände („public knowledge“). Neben den oben beschriebenen personenunabhängigen intangiblen Ressourcen existieren auch personenabhängige in Form von Fähigkeiten und Kompetenzen der Mitarbeiter, von Unternehmenskultur oder Netzwerkstrukturen. Da es für diese Form intangibler Ressourcen keine rechtlich geschützten Verfügungsrechte gibt, ist es Aufgabe des Managements, insbesondere des Personalmanagements, entsprechende Anreize zu schaffen, um deren Nutzbarkeit zu gewährleisten (vgl. Hall 1993, 1991). Für Itami (1987) spielen intangible Ressourcen (bezeichnet als „invisible Assets“) eine entscheidende wettbewerbsrelevante Rolle.

48

3. Theorieansätze zur Begründung der Erfolgswirksamkeit

Folgende Tabelle liefert eine Übersicht von immateriellen Ressourcen, aufgeteilt in personen-unabhängige und -abhängige Ressourcen. Tabelle 3.3 Immaterielle Ressourcen Immaterielle Vermögenswerte personenunabhängig mit rechtlichem Schutz Intellektuelle Eigentumsrechte

Verträge; Geschäftsgeheimnisse; Datenbanken

personenabhängig ohne rechtlichen Schutz

Know-how; Netzwerke; Kultur; Ansehen

Öffentliches Wissen

Generell werden unter finanziellen Ressourcen alle jene Geldmittel verstanden, mit deren Hilfe eine Unternehmung in der Lage ist, Strategien zu entwickeln und umzusetzen (vgl. Ridder et al. 2001). Bei der Charakterisierung finanzieller Ressourcen wird häufig nach der Mittelherkunft unterschieden. So kann nach internen Fonds, in Form von freier Liquidität, oder externen Fonds, in Form von Risikokapital oder Einlagefinanzierung, differenziert werden. Finanzielle Ressourcen sind zwar begrenzt existent und verfügbar, dafür aber hoch flexibel einsetzbar (vgl. Chatterjee und Wernerfelt 1991). Unter organisatorischen Ressourcen werden die Mikro- und Makrostrukturen einer Unternehmung sowie die Form der Verknüpfung von Unternehmungen subsumiert (vgl. Staehle 1999). Diese Verknüpfung kann z. B. durch bestimmte Netzwerkstrukturen repräsentiert sein. Zur mikro- und makrostrukturellen Ausprägung einer Unternehmung zählen auch Managementsysteme wie das Planungs-, Steuerungs- und Kontrollsystem, aber auch das Personalmanagementsystem inklusive seiner „weichen“ Koordinationsinstrumentarien wie das der Unternehmens- und Organisationskultur (vgl. Ridder et al. 2001). Nicht alle Ressourcen haben allerdings das Potenzial zur Erzeugung nachhaltiger Wettbewerbsvorteile (Barney 1991). Hierzu müssen nach Rumelt (1984) verschiedene Isolationsmechanismen greifen. Zur Schaffung und Sicherung eines nachhaltigen Wettbewerbsvorteils müssen neben Wertigkeit, Knappheit und Aneignungsfähigkeit Kriterien wie Abnutzbarkeit, Transferierbarkeit, Imitierbarkeit sowie Substituierbarkeit erfüllt sein. 3.2.1.2. Sicherung der Nachhaltigkeit eines Wettbewerbsvorteils Damit ein Wettbewerbsvorteil nachhaltig sein kann, muss zunächst die zugrunde liegende Ressource dauerhaft zur Verfügung stehen. Hierbei unterscheiden sich die Ressourcen einer Unternehmung. Physische Ressourcen beispielsweise unterliegen in der Regel einem natürlichen Verschleiß durch den Gebrauch (bspw. Maschinen),

3.2. Ressourcenorientierte Sichtweise

49

gleichzeitig besteht die Möglichkeit, dass technische Gerätschaften von ihrem Entwicklungsstand her überholt sind. Oftmals sind in solchen Fällen Ersatzinvestitionen notwendig, um den geregelten Ablauf aufrechtzuerhalten. Für immaterielle Ressourcen und Fähigkeiten gilt dies nur bedingt. Zwar kann technisches Wissen o. ä. ab einem Gewissen Zeitpunkt überholt sein, bei Intangibles wie etwa der Managementqualität hingegen ist jedoch statt einer Abnutzung eher ein Zuwachs mit steigender Nutzungsdauer zu erwarten (vgl. Prahalad und Hamel 1990, Itami und Roehl 1987). Die Sicherung eines nachhaltigen Wettbewerbsvorteils wird auch dadurch gewährleistet, dass bestimmte strategisch relevante Ressourcen bzw. Fähigkeiten nicht oder nur schwer substituierbar, d. h. ersetzbar sind (vgl. Barny 1991). Da die vollständige Imitation aufgrund von Faktoren wie z. B. existierender Zeitknappheit oder Informationsasymmetrie schwierig ist, können Unternehmungen versuchen, Ressourcen zu erstellen, die ähnliche Eigenschaften wie die der „Originale“ besitzen. Substituierbarkeit im oben genannten Sinn wird bei Ressourcen problematisch, die durch Historizität, kausale Ambiguität usw. geprägt sind. Das gilt in spezieller Weise für intangible und organisatorische Ressourcen. Die Entwicklung eines unternehmensspezifischen, strategischen Vermögens (Ressourcen, Fähigkeiten) ist in den meisten Fällen nicht unmittelbar zu erzielen, sondern muss vielmehr über einen bestimmten Zeitraum entwickelt werden. Eine weitere Substitutionsstrategie basiert auf der Möglichkeit, über unterschiedliche Ressourcen Substitute zu erzeugen. So kann beispielsweise die erwünschte „Innovationsfähigkeit“ einer Konkurrenzunternehmung, die hier über eine spezifische Kultur erzeugt wird, über den Einsatz eines Planungs- und Kontrollsystems substituiert werden. Das gewünschte Ziel „Innovationsfähigkeit“ könnte somit auch ohne die direkte Imitation oder Substitution über ähnliche Ressourcen erfolgen (vgl. Barney 1991). Ein nachhaltiger Wettbewerbsvorteil auf Ressourcenbasis ist für eine Unternehmung außerdem nur dann realisierbar, wenn bestimmte Basisressourcen bzw. Fähigkeiten nicht durch ein Konkurrenzunternehmen auf dem Markt zu gleichen Bedingungen akquirierbar sind. Ist es potenziellen Konkurrenten nur über einen höheren Aufwand möglich, notwendige Ressourcen bzw. Fähigkeiten zu erwerben, befinden sie sich in einer strategisch schlechteren Position (vgl. Grant 1991). Inwieweit die Übertragung von Ressourcen bzw. von Fähigkeiten von einem Konkurrenten als sinnvolle Strategie gewertet wird, hängt maßgeblich von der Einschätzung des Wertes ab, den sie für einen nachhaltigen Unternehmenserfolg besitzen (vgl. Grant 1991). Die wahrgenommene Wertschätzung, d. h. strategische Relevanz für die Wettbewerbsfähigkeit, ist eine Funktion von Informationslage und Transparenz bezüglich der Nützlichkeit einzelner Ressourcen, Ressourcenbündel und Fähigkeiten. Je unvollkommener die Information, je geringer die Transparenz bezüglich des strategischen Wertes einer Ressource bzw. einer Fähigkeit ist, desto schwieriger wird deren Bewertung.

50

3. Theorieansätze zur Begründung der Erfolgswirksamkeit

Auch Immobilität bzw. unvollkommene Mobilität strategisch relevanter Ressourcen kann als Schutz eines nachhaltigen Wettbewerbsvorteils gewertet werden. Vollkommen immobile Ressourcen sind aufgrund unzureichend abgegrenzter Eigentumsrechte nicht handelbar. Insbesondere idiosynkratische Ressourcen wie Kundenloyalität oder die Reputation des Unternehmens, die außerhalb der Unternehmung nicht genutzt werden können, lassen sich als Beispiele nennen. Wettbewerbsrelevante Ressourcen können einerseits über die Faktormärkte erworben und andererseits intern entwickelt werden. Im letzteren Fall wird von Imitation gesprochen (vgl. Grant 1991). Ein nachhaltiger Wettbewerbsvorteil durch Ressourcen, Ressourcenbündelung oder Fähigkeiten kann deshalb über die Reduzierung ihrer Imitierbarkeit für Konkurrenten realisiert werden. Heterogenität der Ressource

wertvolle und knappe Ressourcen

Nachhaltigkeit Dauerhaftigkeit imperfekte Transferierbarkeit imperfekte Imitierbarkeit imperfekte Substituierbarkeit

nachhaltige überdurchschnittliche Gewinne

imperfekte Faktormärkte

Wettbewerbsvorteil

unvollständige Faktormärkte

Abbildung 3.6: Übersicht zum ressourcenorientierten Ansatz

Abbildung 3.6 liefert eine Übersicht zum ressourcenorientierten Ansatz. Ausgehend von Ressourcenheterogenität kann sich ein Wettbewerbsvorteil ergeben. Sofern die oben beschriebenen Isolationsmechanismen greifen, besteht die Möglichkeit, überdurchschnittliche Gewinne zu realisieren unter der Bedingung imperfekter und unvollständiger Faktormärkte. Einige eigenständige Entwicklungsrichtungen, wie der kompetenzorientierte Ansatz (vgl. Prahald und Hamel 1990) oder der Ansatz dynamischer Fähigkeiten (vgl. Teece, Pisano und Shuen 1997) sowie der wissensorientierte Ansatz (vgl. Grant 1991 oder Kogut und Zander 1997), können als Weiterentwicklungen des ressourcenorientierten Ansatzes betrachtet werden. Diese Forschungsansätze betonen unternehmensspezifische Fähigkeiten als zentrale Komponenten in der Schaffung von Wettbewerbsvorteilen. Wenn Ressourcen in der richtigen Kombination und mit ei-

3.2. Ressourcenorientierte Sichtweise

51

ner adäquaten Koordination angewendet werden, so können sich Wettbewerbsvorteile entwickeln (Kogut und Zander 1997). Erst Fähigkeiten ermöglichen den koordinierten Einsatz von Ressourcen auf dem Absatzmarkt (vgl. Day 1994). 3.2.1.3. Der Ansatz der dynamischen Fähigkeiten Das Konzept der dynamischen Fähigkeiten hat seine Wurzeln in Kernkompetenzen (Prahalad und Hamel 1990) und der zugehörigen Lernmechanismen. Zum ersten Mal im Rahmen eines integrierten Ansatzes des strategischen Managements präsentierten Teece, Pisano und Shuen (1997) den Ansatz, der später von Eisenhardt und Martin (2000) rekonzeptualisiert wurde. Der Ansatz der dynamischen Fähigkeiten beruht auf theoretischen Überlegungen wie Wettbewerbsvorteile im Zeitablauf entstehen und über die Zeit gehalten werden können (Eisenhardt und Martin 2000, Teece, Pisano und Shuen 1997). Diese Perspektive integriert Postulate zur internen Organisation von Unternehmen mit der dynamischen Interaktion zwischen Unternehmen sowie deren Umweltbedingungen (Teece, Pisano und Shuen 1997, Henderson und Cockburn 1994). 1997 stellten Teece, Pisano und Shuen ein System von dynamischen Fähigkeiten vor, das die Quellen und Methoden der Entwicklung von Werten in Unternehmen, die in ihrer Umwelt rapiden technologischen Veränderungen ausgesetzt sind, analysiert. Sie definieren dynamische Fähigkeiten als eine Untergruppe von Kompetenzen, die es der Unternehmung erlauben, neue Produkte und Prozesse zu entwickeln und auf sich ändernde Marktbedingungen zu reagieren. Diese Definition lässt die Bedeutung der dynamischen Fähigkeiten für die Neuproduktentwicklung erkennen. Fähigkeiten in der Entwicklung von neuen Produkten und Prozessen können somit als dynamische Fähigkeiten verstanden werden (vgl. Higgins und Rodriguez 2006, Hill und Rothaermel 2003). Teece, Pisano und Shuen stellen weiter die Bedeutung der unternehmensspezifischen Vermögenswerte heraus, insbesondere schlecht zu transferierende Wissensressourcen und dazu komplementäre Faktoren erscheinen den Autoren als entscheidend. Im Prozess der Neuproduktentwicklung sind Fähigkeiten in F & E und im Marketing als solche Komplemente zu verstehen. Die ressourcenorientierte Sichtweise hat im Zusammenhang mit der Neuproduktentwicklung eine differenzierte Betrachtung von Fähigkeiten, die für die Entwicklung erfolgreicher neuer Produkte notwendig sind, genutzt. Verona (1999) unterteilt diese in funktionale und integrative Fähigkeiten. Funktionale Fähigkeiten beschreiben diejenigen Fähigkeiten, die es einem Unternehmen ermöglichen, sein technisches Wissen und seine technologischen Fähigkeiten zu vertiefen (siehe hierzu bspw. Pisano 1996, Henderson und Cockburn 1994, Amit und Schoemaker 1993). Integrative Fähigkeiten bezeichnen dagegen koordinierende und zusammenführende Aktivitäten (siehe hierzu bspw. Teece, Pisano und Shuen 1997, Grant 1996, Iansiti und Clark 1994, Cohen und Levinthal 1990).

52

3. Theorieansätze zur Begründung der Erfolgswirksamkeit

Betrachtet man die Neuproduktentwicklung aus der ressourcenorientierten Sichtweise, so wird entsprechend der Schwerpunkt auf innerbetriebliche Charakteristika als Treiber des Neuprodukterfolges gelegt (Bharadwaj 2000, Verona 1999). Verschiedene Fähigkeiten treffen im Prozess der Neuproduktentwicklung als sich unterstützende, komplementäre Fähigkeiten aufeinander. Die folgende Abbildung 3.7 stellt diesen Zusammenhang als Wirkungsstruktur überblicksartig dar. Technologische Fähigkeiten • F&E • Herstellung • Design • Technologische Komplemente

Agenten • Betriebliche Entscheidungen und Handlungen • Experimente und Prototypen • Lernen

Externe integrative Fähigkeiten • Betriebliche Prozesse (z.B. externe Kommunikation) • Betriebliche Systeme (z.B.: Einstellungen) • Strukturen & Netzwerke • Unternehmenskultur nach Außen Interne integrative Fähigkeiten • Betriebliche Prozesse (z.B. interne Kommunikation) • Betriebliche Systeme (z.B.: Weiterbildung) • Integrative Strukturen (z.B.: Prozessintegration) • Unternehmenskultur nach Innen

Prozess-Effektivität • Durchlaufzeit • Produktivität

Produkt-Effektivität • Konsistent mit den Bedürfnissen des Markts • Produktqualität

Marketing-Fähigkeiten • Marktforschung • Strategisches Marketing Management • Marketing-Mix Politik • Marketingkomplemente

Quelle: Verona (1999)

Abbildung 3.7: Fähigkeiten in der Neuproduktentwicklung

Das Modell verdeutlicht, dass integrative und funktionale Fähigkeiten ausgehend von den Aktivitäten der entsprechenden Agenten einen positiven Einfluss auf die Prozess-Effektivität, gemessen durch die Durchlaufzeit und die Produktivität, und ebenfalls auf die Produkt-Effektivität, gemessen durch die Anpassung an die Bedürfnisse des Marktes und die Produktqualität, haben. Nachhaltige Wettbewerbsvorteile können dabei sowohl aus Prozessinnovationen als auch aus Produktinnovationen entstehen (Brown und Eisenhardt 1995). Während Unternehmen funktionale Fähigkeiten direkt und aktiv entwickeln können, bestehen integrative Fähigkeiten im Wesentlichen in der Aneignung von Wissen. Diese Fähigkeiten werden in der Literatur als betriebliche Prozesse (Tecce, Pisano und Shuen 1997, Cohen und Levinthal 1990), Systeme und Strukturen (Lado und Wilson 1994, Leonard-Barton 1992, Henderson und Clark 1990), Netzwerke (Grant 1996; Eisenhardt, Bird und Schoonhoven 1996) und auch Unternehmenskul-

3.2. Ressourcenorientierte Sichtweise

53

tur (Kogut und Zander 1996, Leonard-Barton 1992, Barney 1986) verstanden. Den empirischen Beweis für einen positiven Einfluss beispielsweise der Ausgestaltung (inner)betrieblichen Prozesse auf den Neuprodukterfolg haben u. a. Brown und Eisenhardt (1995) geführt. Funktionale Fähigkeiten lassen sich in technologische Fähigkeiten und Marketingfähigkeiten aufteilen. Erstere sind Kerntreiber für eine erfolgreiche Neuproduktentwicklung. Der Einsatz von F & E ist zur Entwicklung von Produkt- wie auch Prozessinnovationen unverzichtbar. Routinen in F & E und auch in der Herstellung haben einen positiven Einfluss auf die Erzielung von Renditen (Camuffo und Volpato 1996, Hayes, Pisano und Upton 1996, Helfat 1994 a oder Hayes, Wheelwright und Clark 1988). Technologische Komplemente sind ein weiterer wichtiger Treiber. Hierunter versteht man beispielsweise vorher akkumuliertes Wissen in Bezug auf eine Technologie (Helfat 1997; Tripsas 1997), auch wenn die spezifischen Fähigkeiten zur Ausnutzung dieses Wissens noch in Verbindung zu einem effizienten Innovationsprozess gebracht werden müssen. Ulrich und Eppinger (1995) konnten auch für verschiedene Aspekte des Produktdesigns einen positiven Einfluss auf den Erfolg von Innovationen nachweisen. Marketingfähigkeiten sind ebenfalls eine wertvolle funktionale Quelle für den Neuprodukterfolg. Sie werden im Wesentlichen als Selektion, Nutzung und Weitergabe von Marktwissen definiert. Durch Marktforschungsaktivitäten werden zunächst Informationen über die Bedürfnisse und die Präferenzen der Konsumenten gesammelt sowie latente Bedürfnisse identifiziert (Leonard-Barton 1995). Marktbezogene Fähigkeiten, die sich auf den Absatz, den Vertrieb oder auch auf Serviceleistungen konzentrieren, werden als zweite Gruppe verstanden (Stalk, Evans und Shulman 1992 oder Montgomery und Hariharan 1991). Mit Hilfe einer strategischen Marktsegmentierung und/oder Produktdifferenzierung lässt sich die Wahrnehmung der Innovation durch den Konsumenten positiv beeinflussen (Vicari und Troilo 1998; Hamel und Prahalad 1991). Verschiedene Entscheidungen über die Preissetzung, die Distribution und im Besonderen die Werbung für die Innovation sind in der Lage, den Neuprodukterfolg positiv zu beeinflussen. Urban und Hauser (1993) weisen zum Beispiel einen positiven Effekt auf die Produktqualität nach.

3.2.2. Empirische Studien zu unternehmensspezifischen Effekten Im Zentrum der ressourcenorientierten Perspektive steht die Betrachtung intraindustrieller Unterschiede, die primär durch unternehmensspezifische Effekte (Ressourcen und Fähigkeiten) hervorgerufen werden. Welche Ressourcen unter welcher Voraussetzung zu einem Wettbewerbsvorteil führen, wurde oben bereits erörtert. Eine besondere Herausforderung stellt aber die Messbarkeit der Erfolgsbeteiligung bestimmter Ressourcen dar. Insbesondere bei intangiblen (immateriellen) Ressourcen, wie z.B. Managementfähigkeiten oder Un-

54

3. Theorieansätze zur Begründung der Erfolgswirksamkeit

ternehmenskultur wird die hiermit verbundene Problematik der eindeutigen Quantifizierung ihrer Erfolgsbeteiligung deutlich. Zwar wird immer wieder die Wichtigkeit bspw. von Humanressourcen betont, Wirkungszusammenhänge lassen sich aufgrund der vorhandenen Komplexität aber nur schwer messen (vgl. Coff 1997). Inwieweit bestimmte unternehmensspezifische Ressourcen tatsächlich für einen nachhaltigen Unternehmenserfolg maßgeblich sind, sich also ein „Unternehmenseffekt“ nachweisen lässt, ist Gegenstand einer Reihe von Forschungsarbeiten, die über eine Varianzzerlegung solche Effekte zu isolieren versuchen. Als Effekte untersucht werden dabei typischerweise ein Unternehmens- und ein Brancheneffekt, die sich durch intraindustrielle bzw. interindustrielle Unterschiede ergeben. Gleichsam wird also die Argumentation der ressourcenorientierten und die industrieökonomische Perspektive überprüft. In vielen Studien wird zusätzlich ein Geschäftseinheiteneffekt dokumentiert, welcher in dieser Arbeit jedoch aus technischen Gründen dem Unternehmenseffekt zugerechnet wird. In den 80er Jahren wurde eine Vielzahl von empirischen Arbeiten durchgeführt, deren Fokus vornehmlich auf den Einfluss der Unternehmensumwelt auf die Wettbewerbsposition und den Erfolg des Unternehmens gerichtet war. Eine Übersicht der Studien findet sich in Tabelle 3.4, die im Folgenden kurz kommentiert wird. Eine der bekanntesten Untersuchungen stammt von Schmalensee (1985). In einer rein deskriptiv angelegten Untersuchung betrachtet er den Einfluss von Unternehmenseffekten, des Marktanteils und der Branchenzugehörigkeit auf die Profitabilität einer Geschäftseinheit. Er identifiziert einen Einfluss der Branchenzugehörigkeit auf die Performance der Geschäftseinheit. Ein Unternehmenseffekt zur Erklärung der Rendite wird von ihm nicht festgestellt. Jedoch musste er einräumen, dass 80% der Varianz der Profitabilität einer Geschäftseinheit nicht mit der Branchenzugehörigkeit verbunden sind. Demzufolge ist die Branchenzugehörigkeit zwar von Bedeutung, aber nicht allein ausschlaggebend. Tabelle 3.4 Empirische Studien zu Branchen- und Unternehmenseffekten Autoren

Daten

Jahre

Erfolgsmaß

Branchen- Untern.effekt Effekt1)

Branche

Schmalensee FTC LoB2) (1985)

1975

ROA3)

19,6 %

verarb. Industrien

Kessides (1987)

A: 1975 ROA B: 1974–1976

A: n. b. A: 1–8 % verarb. InB: 9–45 % B: 11–54 % dustrien

Trinet/ Wernerfelt und Montgo- EIS4) FTC mery (1988) andere

1976

Tobin’s q

10–20 %

0,2–4 %

Industrie, Versorgung

Trinet/ Wernerfelt und Montgo- EIS4) FTC mery (1988) andere

1976

Tobin’s q

10–20 %

0,2–4 %

Industrie, Versorgung

FTC LoB

0,6 %

55

3.2. Ressourcenorientierte Sichtweise Autoren

Daten

Jahre

Erfolgsmaß

Branchen- Untern.effekt Effekt1)

Kessides (1990)

FTC LoB

1975

ln(1-ROS) 4,7–25,2 % 5–27,5 %

verarb. Industrien

Rumelt (1991)

FTC LoB

1974–1977

ROA

8,32 %

47,2 %

verarb. Industrien

Roquebert et al. (1996)

Compustat

1985–1991

ROA

10,1 %

37,1 %

verarb. Industrien

McGahan und Porter (1997)

Compustat

1981–1994

ROA

18,7 %

36 %

nicht-finanzielle

McGahan und Porter (1998)

Compustat

1981–1994

ROA

6,9–16,3 % 40–60 %

nicht-finanzielle

McGahan (1999)

Compustat

1981–1994

Tobin’s q

27,9 %

37,1 %

nicht-finanzielle

Hawawini et al. (2003)

Stern, 1987–1996 Stewart Perf. 10005)

EVA6) TMV7) ROA

6,5 % 11,4 % 8,1 %

27,1 % 32,5 % 35,8 %

verarb. Industrien

Branche

Hawawini et Stern, Steal. (2004) wart Perf. 1000

1993–1996

EVA TMV

0,2 % 4,2 %

23,8 % 32,7 %

diverse

Tong und Reuer (2006)

1987–1996

GOV8)

6,5 %

30,3 %

verarb. Industrien

Stern, Stewart Perf. 1000

1)

beinhaltet einen etwaigen Geschäftsfelddeffekt

2)

Federal Trade Comission Line of Business

3)

Return on Assets EconomicInformation System

4) 5) 6) 7)

größte öffentlich gehandelte US-Unternehmen Economic Value Added Total Market Value

8) Growth

Option Value

Aufgrund dieser empirischen Ergebnisse und der aus Managementperspektive unbefriedigenden Sichtweise der strategischen Unternehmensführung als reines Anpassungshandeln an Marktgegebenheiten hat Rumelt (1991) mit einer verbesserten Datenbasis eine Anschlussuntersuchung durchgeführt. Im Gegensatz zu Schmalensee zeigen die Ergebnisse einen starken Einfluss der Performance der Geschäftsfelder der betrachteten Unternehmen auf die Erklärung des Erfolges. Als Datengrundlage dienten sowohl bei Rumelt (1991) als auch bei Schmalensee (1985) Informationen der Federal Trade Comission (FTC) zu Geschäftseinheiten des verarbeitenden Gewerbes.

56

3. Theorieansätze zur Begründung der Erfolgswirksamkeit

Roquebert, Phillips und Westfall (1996) greifen beide Untersuchungen nochmals auf und bestätigen weitestgehend Rumelts Ergebnisse. Darüber hinaus entdecken sie jedoch neben dem Geschäftsfeld- einen Unternehmenseffekt, die beide in Kombination 55 % des Erfolges auf Geschäftsfeldebene erklären. Wie später auch McGahan und Porter (1998, 1997) und McGahan (1999) fanden die Untersuchungen von Roquebert, Phillips und Westfall (1996) auf Basis von Compustatdaten, auf Basis von Unternehmensinformationen statt. Neben dem verarbeitenden Gewerbe konnten so auch Dienstleistungsunternehmen in die Analyse integriert werden. Als Erfolgsmaß wurde jeweils der Return on Assets (ROA) betrachtet. McGahan (1999) hingegen untersucht die Variation von Tobin’s q. Sie dokumentieren einen stabilen Brancheneffekt, zusätzlich jedoch einen weitaus stärkeren Unternehmenseffekt. Durch eine weitere Aufgliederung der Effekte konnten die Autoren feststellen, dass zeitkonstante Unternehmenseffekte etwa ein Drittel der Variation in Tobin’s q erklären und instationäre, also zeitlich variable Effekte, ein weiteres Drittel ausmachen. Sie schließen daraus, dass die Unternehmenseffekte in Hinblick auf Tobin’s q zwar die Industrieeffekte dominieren, jedoch weniger stabil und vorhersehbar sind. Die Resultate kontrastieren die Ergebnisse von Wernerfelt und Montgomery (1988), die zwar einen signifikanten, aber weitaus schwächeren Unternehmenseffekt festgestellt hatten. Hawanini, Subramanian und Verdin (2004, 2003) untersuchen in ihren Studien Branchen- sowie Unternehmenseffekte in Bezug auf verschiedene Erfolgsmaße und berichten durchgängig von starken unternehmensspezifischen Effekten. Wie Tong und Reuer (2006), die die Analyse auf den Realoptionenansatz (siehe Hayes und Garvin 1982 oder Strebel 1983 für Ausführungen zu Real- und Wachstumsoptionen in Bezug auf den Wettbewerb) ausdehnen, nutzen sie hierfür Daten der Unternehmensberatung Stern, Stewart & Co., welche die 1000 größten öffentlich gehandelten US-Unternehmen umfassen. Zusammenfassend kann festgehalten werden, dass die Bedeutung von unternehmensspezifischen Effekten durch zahlreiche Studien mit unterschiedlichen Datenbasen, Untersuchungseinheiten und Erfolgsmaßen belegt ist.

3.2.3. Kritische Würdigung des ressourcenorientierten Ansatzes Der ressourcenorientierte Ansatz wie auch das Konzept der dynamischen Fähigkeiten lassen sich verschiedentlich auf den Untersuchungsgegenstand anwenden. Zentrale Annahme für die folgende Argumentation ist dabei, dass Investitionen in F & E und Marketing die Fähigkeiten der Unternehmen in dem jeweiligen Bereich fördern.

3.2. Ressourcenorientierte Sichtweise

57

3.2.3.1. F & E als unternehmensspezifische Ressource Bei F & E handelt es sich oft um Prozess- und/oder Produktverbesserungen oder -entwicklungen, die sehr eng an das die F & E ausführende Unternehmen geknüpft sind. Insofern wird F & E als unternehmensspezifische Ressource verstanden (Wang, He und Mahoney 2007, Helfat 1994 b). Dosi, Teece und Winter (1992) stellen heraus, dass F & E eine implizite („tacit“) Komponente hat und die Fähigkeit zu lernen beinhaltet. Unter „tacit knowledge“ versteht man nicht kodifizierbares Wissen, also Wissen, welches nicht präzise in Worte umgesetzt und kommuniziert werden kann. F & E-Aktivitäten im Unternehmen setzen die koordinierte Zusammenarbeit von Individuen voraus. Über die Zeit entstehen hier dynamische Routinen, also wiederkehrende Muster in den Abläufen zur Neuprodukt- und Prozessentwicklung. Solche Routinen sind schwer zu imitieren und somit sehr unternehmensspezifisch (Nelson und Winter 1982). F & E bringt als Unternehmensspezifität dadurch hervor, dass unternehmensspezifische, dynamische Routinen verwendet werden. F & E bedeutet außerdem kumulatives Lernen (Dosi, Teece und Winter 1992). Unternehmen werden in der Regel bereits entstandenes Wissen nutzen und somit auf vergangener F & E aufbauen. Dies bringt eine gewisse Pfadabhängigkeit von F & E mit sich. Hieraus resultiert eine verringerte Reaktionsgeschwindigkeit des Unternehmens auf Veränderungen der Umwelt, woraus sich wiederum Unternehmensspezifität ergibt (Leonard-Barton 1992). Als Konsequenz der Unternehmensspezifität ergeben sich zum einen intraindustrielle Unterschiede zwischen Unternehmen, zum anderen die Möglichkeit der Reduktion der Verwertungsunsicherheit von F & E-Investitionen (vgl. Abschnitt 3.1.3.1). Letztere lässt sich wie folgt begründen. Das Ergebnis unternehmensspezifischer F & E kann durch mögliche Konkurrenten nur schwer imitiert werden (vgl. hierzu auch Rothaermel und Hess 2006). Insbesondere wenn wichtige implizite Elemente vorliegen, werden der F & E-Prozess wie auch das Ergebnis nicht repliziert werden können. Hierdurch verzögert sich der Wissenstransfer zwischen Unternehmen und der Wettbewerb schwächt ab, was eine Verringerung der Verwertungsunsicherheit von Innovationen mit sich bringt. Unternehmen schützen also durch die Spezifität ihrer F & E die Ertragsrate von F & E-Investitionen. Ein vollkommener Schutz kann natürlich allein hierdurch nicht erreicht werden. Zusätzlich werden komplementäre Fähigkeiten (vgl. Abschnitt 3.1.3.1.3), hier insbesondere Marketingfähigkeiten, zur erfolgreichen Kommerzialisierung von Innovationen benötigt (vgl. Dyer und Singh 1998, Teece 1986). Die Tatsache, dass die unternehmensspezifische Natur von F & E selbst (bzw. in Kombination mit anderen unternehmensspezifischen Ressourcen) die Ertragsrate von F & E sichern kann, wurde in der wissenschaftlichen Literatur wenig beachtet.

58

3. Theorieansätze zur Begründung der Erfolgswirksamkeit

Stattdessen konzentrierte man sich verstärkt auf die Untersuchung von Mechanismen zur Steuerung von Informationsflüssen zwischen Unternehmen, wie Patenten oder Lizenzen (Levin et al. 1987). Intraindustrielle Unterschiede resultieren aus dem durch unternehmensspezifische F & E gehemmten Informationsfluss zwischen Unternehmen (Wang, He und Mahoney 2007). Sofern Unternehmen unterschiedliche Ressourcen zur Verfügung und diese in Beziehung zu unternehmensspezifischer F & E setzen, können die entstehenden Innovationen nur schwer zwischen Unternehmen transferiert werden. Zusätzlich führt die oben bereits angesprochene Pfadabhängigkeit von F & E zu Unternehmensunterschieden dadurch, dass Unternehmen in der Regel aufgrund ihrer Historie nicht die gleichen Pfade verfolgen. Grundsätzlich gilt, dass je deutlicher die F & E unternehmensspezifischen Charakter hat, desto eher die oben beschriebenen Konsequenzen eintreten. Natürlich ist F & E nicht das einzige Element, welches die Isolationsmechanismen besitzt, und gerade die Kombination mit anderen unternehmensspezifischen Faktoren erscheint sehr erfolgversprechend. Grundsätzlich ist aber davon auszugehen, dass unternehmensspezifische Ressourcen sich nicht allein (weiter-)entwickeln, sondern immer in Kombination mit anderen Ressourcen des Unternehmens (vgl. Helfat 1994 b). 3.2.3.2. Die Bedeutung immaterieller Ressourcen Materielle Vermögenswerte bestehen den Ressourcentest i. d. R. nicht, da sie auf den Faktormärkten frei zugänglich sind. Immaterielle Vermögenswerte, wie Reputation oder besondere Fähigkeiten, sind hingegen gegenüber Imitationsversuchen der Konkurrenz relativ widerstandsfähig. Sie erfüllen am ehesten die notwendigen Voraussetzungen, um einen nachhaltigen Wettbewerbsvorteil zu generieren. Hierin unterscheiden sich tangible und intangible Ressourcen maßgeblich. Während tangible Ressourcen (z. B. Anlagen oder auch finanzielle Ressourcen) verhältnismäßig einfach über Faktormärkte zu beschaffen sind, müssen intangible Ressourcen unternehmensspezifisch entwickelt werden und sind durch unternehmensspezifische Entwicklungspfade geprägt. Die Entwicklung von Reputation oder Unternehmenskultur sind nur zwei Beispiele für intangible Ressourcen. Bestimmte Managementfähigkeiten oder unternehmenskulturelle Besonderheiten entstehen in der Regel über einen längeren Zeitraum. Derartige spezifische Strukturen lassen sich daher nur schwer imitieren bzw. substituieren. Trotzdem gibt es in der Managementpraxis systematische Versuche intangible Ressourcen zu generieren, z. B. über das Instrument des Benchmarkings. Bezüglich der Transferierbarkeit unterscheiden sich physische, intangible, finanzielle und organisatorische Ressourcen deutlich. Speziell bei finanziellen Ressourcen wird aufgrund des einfachen Zugangs zu den Finanzmärkten der Wettbewerbs-

3.2. Ressourcenorientierte Sichtweise

59

vorteil schnell reduziert. Physische, organisatorische, insbesondere aber intangible Ressourcen, also solche Ressourcen, die nicht oder nur sehr schwer über marktliche Transaktionen zu beschaffen sind, tragen zu einem nachhaltigen Wettbewerbsvorteil bei. Der schwierige Marktzugang speziell für intangible Ressourcen beruht darauf, dass sie für eine exakte Bewertung nicht transparent genug sind und zudem oft nicht eindeutig über Eigentumsrechte abgegrenzt werden können. Die Imitation intangibler Ressourcen oder Fähigkeiten stößt aufgrund ihrer Eigenschaften bzw. Entstehungsgeschichte auf erhebliche Schwierigkeiten. „Firms may start out homogeneous but, ex post, they are different and cannot perfectly imitate each other“ (Wernerfelt 1995, S. 172). Neben bestehenden rechtlichen Schutzmaßnahmen auf nationaler wie internationaler Ebene, z. B. Gebrauchsmusterschutz oder Patentschutz, lassen sich Imitationsbarrieren über Ressourcenspezifität und begrenzte Rationalität herstellen und erklären (siehe hierzu Grant 1991). Itami fasst die spezifischen Merkmale von immateriellen Vermögenswerten (invisible assets) wie folgt zusammen: „Invisible assets are the real source of competitive power and the key in corporate adaptability for three reasons: they are hard to accumulate, they are capable of simultaneous multiple uses, and they are both inputs and outputs of business activities“ (Itami 1987, S. 12 f.).

Auch die durch ihre Nutzung entstehende Wertsteigerung macht intangible Ressourcen zum Schlüsselfaktor der Wettbewerbssicherung. Die Bedeutung intangibler Ressourcen für das Aufrechterhalten oder Erzeugen eines nachhaltigen Wettbewerbsvorteils ist hiermit evident. Dieser Sachverhalt wird insbesondere durch die „Nicht-Abnutzbarkeit“ von intangiblen Ressourcen unterstrichen. Intangible Ressourcen können sich sogar aufgrund von z. B. Lernprozessen in ihrem Wert steigern (vgl. Grant 1991). Für das Management ergeben sich aus der strategischen Relevanz und den existierenden Merkmalen intangibler Ressourcen, insbesondere der verfügungsrechtlichen Situation, eine Reihe anspruchsvoller Aufgaben. 3.2.3.3. Schlussfolgerung Aus der ressourcenorientierten Perspektive haben knappe Ressourcen, die nicht einfach substituiert werden können und unternehmensspezifisch sind, das Potenzial, überdurchschnittliche Unternehmensgewinne herbeizuführen (Peteraf 1993). Unternehmensspezifische Ressourcen und Fähigkeiten wie F & E und Marketing sind deshalb Schlüsselelemente im Wettbewerb der Unternehmen (Teece, Pisano und Shuen 1997). F & E kann wesentliche Isolationsmechanismen erfüllen, die die Möglichkeit von Konkurrenten begrenzen, zu imitieren bzw. den Erfolg zu duplizieren. Zum einen handelt es sich um spezialisierte Vermögenswerte, denn die Wissensentstehung durch F & E und die Nutzung dynamischer Routinen sind unternehmensspezifisch,

60

3. Theorieansätze zur Begründung der Erfolgswirksamkeit

genauso wie die daraus entstehenden Innovationen. Des Weiteren ist F & E als Teamaufgabe anzusehen, die mit einer erblichen impliziten Komponente verbunden ist. Das bedeutet zusätzlich, dass ein Unternehmen unter Umständen nicht in der Lage ist, die dynamischen Routinen, mit denen es Innovationen schafft, zu erläutern oder gar zu kodifizieren. Eine Imitation eines solchen Prozesses ist also nahezu unmöglich. Gleichzeitig kann das geschaffene Wissen bzw. die Innovation durch Patente vor Imitation geschützt werden. Zusätzlich zur Nutzung von bereits vorhandenen Ressourcen unterstreichen Teece, Pisano und Shuen (1997) in ihrem Konzept der dynamischen Fähigkeiten die Bedeutung der Schaffung von neuen, ertragsgenerierenden Ressourcen. Dies steht im Einklang mit Diericks und Cool (1989), die die richtige Wahl von strategischen Ausgaben zur Anhäufung der benötigten Ressourcen in den Vordergrund rücken. Eine besonders wichtige Bedeutung messen sie dabei F& E-Ausgaben zur Akkumulierung technischer Expertise bei. Die diskutierten empirischen Studien unterstützen die Bedeutung von unternehmensspezifischen Ressourcen. Aufgrund der unterschiedlichen Gegebenheiten bei den Untersuchungen kann zwar kein eindeutiges Bild abgeleitet werden, tendenziell aber ist jedoch davon auszugehen, dass Unternehmenseffekte (inkl. Geschäftsfeldeffekte) die Brancheneffekte dominieren. Das Branchenumfeld (die Marktstruktur) ist deshalb jedoch keineswegs zu vernachlässigen (vgl. hierzu auch Müller 1990 oder Cool und Schendel 1987). Die Erkenntnis der Existenz von Unternehmenseffekten liefert zwar keinen direkten Hinweis auf die dahinterliegenden Einflussgrößen, es ist jedoch davon auszugehen, dass insbesondere unternehmensspezifische und unbeobachtbare Faktoren von großer Bedeutung sind. Grundsätzlich liefern die Ergebnisse sowohl Unterstützung für den ressourcenorientierten Ansatz, dadurch, dass intraindustrielle Unterschiede auf die individuelle Ressourcenausstattung der Unternehmen zurückzuführen sind, als auch für die industrieökonomische Perspektive mit der Bedeutung von Marktstrukturen. Ausgehend davon, dass die Bedeutung von unternehmensinternen Faktoren zur Erklärung von Unternehmenserfolg gegeben ist, bestehen jedoch weiterhin Schwächen bei der Konzeptualisierung und Operationalisierung der relevanten Konstrukte im ressourcenorientierten Ansatz (vgl. Robins und Wiersema 1995). Hierin sieht Conner (1991) eine zentrale Herausforderung für die weitere Theorieentwicklung im ressourcenorientierten Ansatz und fordert eine Verknüpfung des Ansatzes mit weiteren theoretischen Ansätzen, die explizite Beachtung dynamischer Veränderungen sowie die Entwicklung zuverlässiger Messinstrumente. 3.2.4. Der Ansatz der Market-based Assets Der Ansatz der Market-based Assets (Srivastava, Fahey und Christensen 2001, Srivastava, Shervani und Fahey 1998) erweitert die ressourcenorientierte Sichtweise und positioniert sich als Bindeglied zwischen Marketing- und Finanzierungsper-

3.2. Ressourcenorientierte Sichtweise

61

spektive, wobei die Entstehung von marketingspezifischen Ressourcen und deren Erfolgswirksamkeit in den Fokus gerückt wird. Investitionen in F & E und Marketing fungieren dabei als wesentliche Treiber dieser Market-based Assets. Bei der folgenden Erörterung des Ansatzes wird der Schwerpunkt auf grundsätzliche Zusammenhänge sowie ausgewählte aktuelle empirische Studien gelegt. 3.2.4.1. Definition von Market-based Assets In der Diskussion, welchen Beitrag das Marketing zum Erfolg eines Unternehmens liefert, ist die Notwendigkeit eines tiefgehenden Verständnisses der finanziellen Auswirkungen von Marketingstrategien und der daraus resultierenden Maßnahmen deutlich geworden. Aus dem ressourcenorientierten Denken heraus hat sich die Ansicht verbreitet, dass durch Marketingaktivitäten Vermögenswerte generiert werden, die Grundlage für nachhaltige Wettbewerbsvorteile und zukünftige Ertragsströme sind (vgl. Srivastava, Fahey und Christensen 2001, Srivastava, Shervani und Fahey 1998, Piercy 1986). Diese müssen gefördert und gepflegt werden, um entsprechende Hebelwirkungen zu erzielen (vgl. Hunt und Morgan 1995). Piercy (1986) führte deshalb den Begriff der „Marketing Assets” ein und charakterisiert sie als spezifische Vermögenswerte. „[…] intangible; apparently measurable only in intermediate terms such brand awareness or sales force productivity; normally created only through the investment of resources; largely outwith the normal scope of financial evaluation; other than crudely as „goodwill“ be written off as quickly as possible and yet central to any concept of the distinctive competence of a business unit.” (Piercy, 1986, S. 9 f.) Daraus lässt sich die Problematik einer finanziellen Bewertung marketingspezifischer Vermögenswerte erkennen. Aufgrund ihrer immateriellen Natur sind sie schwer greifbar, wodurch sie häufig unerkannt bleiben. Ihr Wert wird dadurch unterschätzt und ihr Potenzial bleibt unausgeschöpft. Dazu trägt bei, dass die mit dem Aufbau der marketingspezifischen Vermögenswerte verbundenen Marketingausgaben nicht in der Bilanz aktiviert und über die Zeit abgeschrieben werden (vgl. Srivastava, Shervani und Fahey 1998). Typische „Marketing Assets“ beinhalten Marken, Kundenbeziehungen, Vertriebsnetzwerke, Reputation, Beziehungen zu Schlüssellieferanten, Kenntnisse über den Markt, Informationssysteme, Kundendatenbanken, Patente und Allianzen. Srivastava, Shervani und Fahey (1998) bezeichnen die marketingspezifischen Vermögenswerte („Marketing Assets“) als „Market-based Assets“ (im Folgenden auch als marktspezifische Vermögenswerte bezeichnet) „that meet the definition of asset but exist outside of the firm“ (Frels, Shervani und Srivastava, 2003, S. 29). Als grobe Charakterisierung gilt für Market-based Assets demnach Folgendes: „Market-based Assets sind meist immaterielle Vermögenswerte, die die Anforderungen des ressourcenorientierten Ansatzes zur Schaffung nachhaltiger Wettbewerbsvorteile in sich vereinen und benutzt werden können um Werte zu schaffen.“ (Srivastava, Shervani und Fahey 1998)

62

3. Theorieansätze zur Begründung der Erfolgswirksamkeit

In Analogie zum ressourcenorientierten Ansatz ergeben sich marktspezifische Vermögenswerte aus der internen und externen Struktur eines Unternehmens. Sie werden durch die Interaktion und zumeist enge Verflechtung eines Unternehmens mit seiner Umwelt geschaffen. Als Treiber der Market-based Assets sind im Wesentlichen F & E- sowie Marketingausgaben zu nennen. Dies wird deutlich, wenn man sich die verschiedenen Arten von Market-based Assets vor Augen führt. 3.2.4.2. F & E- und Marketinginvestitionen als Treiber von Market-based Assets Grundsätzlich werden zwei Arten von Market-based Assets in der Literatur unterschieden: Zum einen sind es die relationalen marktbasierten Vermögenswerte (relational Market-based Assets) und zum anderen die intellektuellen marktbasierten Vermögenswerte (intellectual Market-based Assets). Eine Übersicht zum Zusammenhang mit F & E- und Marketinginvestitionen liefert Abbildung 3.8. Relationale marktbasierte Vermögenswerte sind Resultate der Beziehungen zu externen Entitäten, wie Kunden, Lieferanten, Anbieter komplementärer Güter und Dienstleistungen und anderen strategischen Partnern. Dazu können auch Marken, Outsourcing- Vereinbarungen sowie Netzwerke gezählt werden. Die Qualität der Beziehungen z. B. zu Kunden und Lieferanten lässt sich durch die Konzepte des Markenwerts, Kundenstammwerts oder Distributionskanalwerts darstellen und bewerten. Die Bedeutung solcher Beziehungen (marktbasierter Vermögenswerte) für Theorie und Praxis unterstreicht das Aufkommen des Beziehungsmarketings (relationship marketing), welches in den vergangenen Jahren eine Vielzahl neuer Konzepte hervorgebracht hat (vgl. Seth und Parvatiyar, 1995). Sie beinhalten Beziehungsverkäufe (relational selling), z. B. das Cross Selling (Querverkäufe bedeuten, dass der Kunde mehrere Produkte von einem Anbieter kauft) oder das Key Account- Management (Konzentration auf Schlüsselkunden mit hohem Ertragspotenzial), die Bindung von Kunden und Lieferanten durch entsprechende Treueprogramme, kooperative Vereinbarungen wie Co-Branding (ein Produkt wird mit an sich eigenständigen Marken gleichzeitig markiert), Just-in-Time-Lieferungen und gemeinsame Logistik und andere strategische Partnerschaften, z. B. eine gemeinsame F & E. Da relationale marktbasierte Vermögenswerte auf Faktoren wie Vertrauen und Reputation basieren, sind enge Beziehungen bspw. zu Kunden relativ einzigartig und erschweren die Imitation durch Konkurrenten (vgl. Srivastava, Fahey und Christensen 2001). Verfolgt man diese Sichtweise auch in Hinblick auf die Treiber von Market-based Assets, so werden die relationalen Vermögenswerte im Wesentlichen durch Investitionen in Marketing begründet, während die intellektuellen Vermögenswerte vermehrt ihren Ursprung in F & E-Investitionen finden.

63

3.2. Ressourcenorientierte Sichtweise

Intellektuelle marktbasierte Vermögenswerte beruhen auf geistigem Eigentum und befinden sich innerhalb der Unternehmensgrenzen, eingebunden in den Individuen (z. B. Wissen über den richtigen Umgang mit Kunden) und Unternehmensprozessen (vgl. Srivastava, Fahey und Christensen 2001). Sie beziehen sich auf Kenntnisse über die gegenwärtige Wettbewerbsumgebung des Unternehmens und Erwartungen über zukünftige Bedingungen. Dies beinhaltet Wissen jeglicher Form (Fakten, Annahmen, Wahrnehmungen usw.) über den Markt sowie dessen Teilnehmer (Konkurrenten, Kunden, Lieferanten u.a.) (vgl. Srivastava, Shervani und Fahey 1998). Aufgrund heterogener Nachfrage- und Angebotsstrukturen, schneller technologischer Veränderungen und verkürzter Marktzyklen besitzt ein Unternehmen einen immensen Informationsbedarf. Um Strategien aus veränderten Kundenpräferenzen ableiten oder angemessen auf Chancen und Bedrohungen innerhalb der Märkte reagieren zu können, ist ein systematischer und kontinuierlicher Erwerb von Informationen sowie deren Verteilung und Verwendung innerhalb der Organisation unerlässlich (vgl. Srivastava, Fahey und Christensen 2001, Kohli und Jaworski 1990). Market-based Assets Relationale Market-based Assets • Neuproduktentwicklung F&E-Investitionen

• Wissen/Information • etc. Unternehmenserfolg Intellektuelle Market-based Assets • Markenwert

Marketinginvestitionen

• Kundenbeziehung • Distributionskanal • etc.

Abbildung 3.8: Treiber der Market-based Assets

Je mehr derartige Informationen ein Unternehmen besitzt, desto besser können kundenbezogene Unternehmensprozesse, z. B. die Neuproduktentwicklung, ausgeführt werden (vgl. Srivastava, Fahey und Christensen 2001). Die strategische Bedeutung intellektueller marktbasierter Vermögenswerte resultiert aus ihrer Seltenheit, relativen Immobilität (können entweder nicht gehandelt werden oder sind in ihrer gegenwärtigen Verwendung höherwertig) und der Schwierigkeit für Konkurrenten, sie zu verstehen und zu imitieren (basieren häufig auf verborgenem Wissen) (vgl. Reed und DeFillippi, 1990). Dadurch tragen sie entscheidend zu nachhaltigen Wettbewerbsvorteilen bei und sind somit ausschlaggebend für den Unternehmenserfolg. In der Literatur finden sich eine Vielzahl von Definitionen und Kategorisierungen von marktbasierten Vermögenswerten. Tabelle 3.5 liefert einen Überblick hierzu.

64

3. Theorieansätze zur Begründung der Erfolgswirksamkeit

Während Srivastava, Fahey und Christensen (2001) Marktorientierung als intellektuellen marktbasierten Vermögenswert einschätzen, ordnen Hooley et al. (2005) diese den marketingunterstützenden Ressourcen zu, unter denen sie ebenfalls Managementfähigkeiten subsumieren. Hooley et al. (2005) nehmen hier eine andere Unterteilung der marketingspezifischen Vermögenswerte vor, namentlich in marketingunterstützende Ressourcen und marktbasierte Ressourcen. Dabei werden Aktivitäten durch die marketingunterstützende Ressourcen gesteuert und koordiniert, so dass diese den Aufbau von marktbasierten Vermögenswerten erleichtern. Nach dieser Perspektive wird Marktorientierung als Unternehmenskultur zu den internen Strukturen gezählt. Tabelle 3.5 zeigt eine Übersicht über die in der Literatur verwendeten Begrifflichkeiten. Doyle (2000) beschränkt sich lediglich auf vier Untergruppen von „Marketing Assets“: marketingspezifisches Wissen, Marken, Kundenloyalität und strategische Partnerschaften. Im Prinzip sind dies „Market-based Assets“ im Sinne von Srivastava, Shervani und Fahey (1998); denn Marken und Kundenloyalität sind Resultate aus den Beziehungen zu Kunden und stellen zusammen mit strategischen Partnerschaften relationale marktbasierte Vermögenswerte dar, und marketingspezifisches Wissen lässt sich den intellektuellen marktbasierten Vermögenswerten zuordnen. Tabelle 3.5 Begriffsdefinitionen und Typologisierungsansätze Konzept

Definition

Autoren

Marktbasierte Vermögenswerte „Market-based Assets“

Relationale marktbasierte Vermögenswerte Beziehungen zu Stakeholdern (Kunden, Lieferanten, etc.) Marken Intellektuelle Vermögenswerte Marketingspezifisches Wissen Marktorientierung

Srivastava, Shervani und Fahey (1998)

Marketingspezifische Vermögenswerte „Marketing Assets“

Marketingspezifisches Wissen Marken Kundenloyalität Strategische Allianzen

Doyle (2000)

Marketing Ressourcen

Marktbasierte Ressourcen Kundenbezogene Fähigkeiten Reputation Innovationsvermögen Humankapital Marketingunterstützende Ressourcen Marktorientierung Managementfähigkeiten

Hooley et al. (2005)

3.2. Ressourcenorientierte Sichtweise

65

Relationale und intellektuelle marktbasierte Vermögenswerte sind eng miteinander verbunden und teilen mitunter dieselben Eigenschaften wie bspw. die Immaterialität. Beide entspringen teilweise der externen Umgebung. Um erfolgreiche und dauernde Beziehungen aufbauen zu können, wird Wissen über den Markt und die entsprechenden Entitäten (Kunden, Lieferanten) vorausgesetzt. Enge Beziehungen wiederum ermöglichen neuen Wissenserwerb, die Vertiefung und Entwicklung bestehenden Wissens. Schließlich lässt sich die Entwicklung von Wissen über bestimmte Entitäten sowie die Beziehungen zu ihnen auf die gleichen Individuen im Unternehmen zurückführen (vgl. Srivastava, Shervani und Fahey 2001). 3.2.4.3. Empirische Studien zur Erfolgswirksamkeit von Market-based Assets Der Erfolg marktbasierter Vermögenswerte lässt sich durch mehrere Ebenen hinweg messen. Marken, Kundenstämme und andere marktbasierte Vermögenswerte wie Absatzkanäle und andere Partnerschaften können als Resultate von Aktivitäten betrachtet werden, die Wert für die Kunden generieren sollen (vgl. Srivastava, Shervani, Fahey, 1998). Auf dieser Ebene kann die Stärke dieser Beziehungen durch bspw. Präferenzen, das Markenbewusstsein, die Wahrnehmung von Risiken, Vertrauen oder Loyalität gemessen werden. Diese Beziehungen führen zu Verhalten der Kunden auf dem Absatzmarkt, welche für die Unternehmen als vorteilhaft angesehen werden (vgl. Srivastava, Shervani, Fahey, 1998). Die Folgen eines überlegenen Angebots spiegeln sich in vielerlei Hinsicht wider. Kundenzufriedenheit äußert sich in einer gestiegenen Preisbereitschaft, Weiterempfehlungen (positive Mundpropaganda), Mehrverkäufe, geringeren Verkaufs- und Servicekosten, einer größeren Kundenbindung (vgl. Hogan, Lemon und Rust 2002; Reichheld 1996; Reinartz und Kumar 2000) und einem größeren Marktanteil (vgl. Taylor, 2002). Diese Ergebnisse auf dem Absatzmarkt müssen nun in finanzielle Konsequenzen umgewandelt werden (vgl. Srivastava und Reibstein 2004). Im Folgenden werden stellvertretend der Markenwert, der Kundenwert und der Distributionskanalwert als Market-based Assets auf ihre Erfolgswirksamkeit hin überprüft. Erfolgsmaß ist gemäß der Ausrichtung des Ansatzes der Market-based Assets zumeist der Shareholder Value von Unternehmen. 3.2.4.3.1. Markenwert und Unternehmenserfolg Das Konzept des Markenwertes wird in der Marketingliteratur häufig sehr abweichend betrachtet hinsichtlich seiner Dimensionen, der ihn beeinflussenden Faktoren und der Art und Weise, wie der Markenwert gemessen werden sollte (vgl. Ailawadi, Lehmann und Neslin 2003). Aus der Diskussion haben sich eine Vielzahl von Definitions- und Operationalisierungsansätze entwickelt. Im Wesentlichen können der verhaltenswissenschaftliche und der finanzwirtschaftliche Ansatz unterschieden werden.

66

3. Theorieansätze zur Begründung der Erfolgswirksamkeit

Bereits 1993 untersuchten Simon und Sullivan anhand einer eigens entwickelten Metrik zur Messung des Markenwertes, ob bzw. welchen Einfluss Markenentscheidungen des Managements auf den Unternehmenswert haben. Ihre Ergebnisse bestätigen einen signifikanten Effekt der Markenentscheidungen auf den Wert eines Unternehmens, der sowohl werterhöhend als auch wertvernichtend auftreten kann. Im Unterschied zu Simon und Sullivan (1993) benutzen Aaker und Jacobson (1994) die Produktqualität als Näherungsmaß für den Markenwert und den Aktienpreis als Kennzahl für den Unternehmenswert. Mithilfe dieser Größen prüfen sie, ob Markenwertmaße Informationen über den Aktienpreis enthalten, welche die im ROI enthaltenen Informationen übersteigen. Ihre Ergebnisse zeigen eine signifikante, positive Korrelation zwischen Änderungen der Markenqualität (und damit des Markenwertes) und den Bewegungen des Aktienpreises. Bei Unternehmen mit den größten Markenwertsteigerungen erhöhte sich die Aktienrendite um 30%, während sie bei Unternehmen mit stark gesunkenen Markenwerten um 10 % sank (vgl. Aaker und Jacobson 1994). Kerin und Sethuraman (1998) analysieren die Verbindung zwischen den Verhältnissen von Marktwert zu Buchwert öffentlich gehaltener Konsumgüterunternehmen in den USA und dem geschätzten aufsummierten finanziellen Wert ihrer Hauptmarken. Sie gehen dabei von einem positiven Zusammenhang zwischen dem Wert der Marke und dem Shareholder Value aus. Übersteigen die kapitalisierten zukünftigen Cash Flows von erfolgreichen und etablierten Markenprodukten die vergleichbarer unmarkierter Produkte, dann sollten Unternehmen mit Markennamen höhere Markt-zu-Buchwert-Verhältnisse aufweisen und folglich einen höheren Shareholder Value haben. Für ihre Studie verwenden Kerin und Sethuraman (1998) die im Magazin Financial World (FW) veröffentlichen Markenwerte wie auch die Compustat-Datenbank und analysieren 58 Unternehmen mit 148 Marken für 1995 und 55 Unternehmen mit 143 Marken für 1996 aus dem Konsumgüterbereich. Zusammengefasst ergibt sich, dass erstens ein relativ starker positiver Zusammenhang zwischen dem Markenwert und dem Shareholder Value existiert, zweitens dieser Zusammenhang konkav mit abnehmenden Skalenerträgen ist und drittens als relativ stabil angesehen werden kann (vgl. Kerin und Sethuraman 1998). Auf Grundlage der oben beschriebenen Arbeiten von Kerin und Sethuraman (1998) und Simon und Sullivan (1993) beschäftigt sich Morrow (2001) in seiner Studie anhand von Einprodukt-Produktionsunternehmen mit der Beziehung zwischen Unternehmensstrategie, Markenkapital (Brand Capital) und Shareholder Value. Seine Ergebnisse stützen die Annahme, dass das Markenkapital positiv auf den Shareholder Value wirkt und zeugen von einer möglichen Verallgemeinerbarkeit der Ergebnisse von Kerin und Sethuraman (1998) für den Konsumgüterbereich (vgl. Morrow 2001). Andere Studien weisen auf einen Einfluss der Brand Attitude auf die Aktienrendite (vgl. Aaker und Jacobson 2001), auf einen Einfluss der Markenstärke

3.2. Ressourcenorientierte Sichtweise

67

auf die Varianz des Marktwertes eines Unternehmens (vgl. Knowles 2003) sowie auf eine Verbindung zwischen der Kundenzufriedenheit (als Proxy für Markenloyalität und Markenstärke) und dem Cashflow (vgl. Gruca und Rego 2005) hin. Madden, Fehle und Fournier (2006) können mit ihrer Studie die Ergebnisse von Aaker und Jacobson (1994) bestätigen. Das impliziert zwar, dass Informationen über den Markenwert in den Aktienpreis einfließen, bedeutet aber nicht, dass damit auch Shareholder Value geschaffen wird. Anhand von drei Subgruppen zeigen Madden, Fehle und Fournier (2006), dass eine positive Beziehung zwischen Markenwert und Aktienrendite nicht unbedingt mit einer Erhöhung des Shareholder Value einhergeht. 3.2.4.3.2. Kundenwert und Unternehmenserfolg Der Wert der Kunden ist ein aggregiertes monetäres Maß für die ökonomische Bedeutung von Kunden aus Anbietersicht. Analog zu Blattberg und Deighton (1996) definieren Rust, Zahorik und Zeithaml (2000) den Gesamtwert der Kunden als „the total value of the discounted lifetime values over all of the firm’s customers“. Der Kundenwert entspricht somit als eine dynamisch berechnete Größe den aggregierten Kundenlebenswerten (Customer Lifetime Value oder einzelkundenbezogene Kundenwerte) aller Kunden eines Unternehmens. Empirische Studien, die den Zusammenhang zwischen dem Kundenwert und dem Unternehmenswert untersuchen, finden sich u. a. bei Wiesel und Skiera (2005), Gupta, Lehmann und Stuart (2004) oder Rust, Lemon und Zeithaml (2004). Rust, Lemon und Zeithaml (2004) haben den Zusammenhang zwischen Kundenwert und Marktwert des Unternehmens bei der Fluggesellschaft American Airlines geprüft. Aus dem durchschnittlichen CLV ($ 166,94) pro Passagier multipliziert mit der Anzahl der Passagiere (43.745.051) berechneten sie einen Kundenwert von $ 7,3 Mrd. Zum betrachteten Zeitpunkt entsprach die Marktkapitalisierung einem Wert von $ 9,7 Mrd. Unter der Berücksichtigung, dass diese Schätzung die Gewinne von internationalen Kunden und die nicht aus dem Fluggeschäft resultierenden Gewinne nicht berücksichtigt, ergab dieses Ergebnis Hinweise auf den von Gupta, Lehmann und Stuart (2004) benannten Zusammenhang (vgl. Rust, Lemon und Zeithaml 2004). Wiesel und Skiera (2005) erweitern das Modell von Gupta, Lehmann und Stuart (2004), indem sie den Kundenwert in die SHV-Berechnung integrieren und das nichtbetriebsnotwendige Vermögen (z. B. kurzfristige Zahlungsmittel, Minderheitsbeteiligungen), den Kunden indirekt zurechenbare Auszahlungen sowie den Wert des Fremdkapitals einbeziehen. Sie konzipieren ihr Modell für Unternehmen mit vertraglichen Kundenbeziehungen, wie sie bspw. im Finanzdienstleistungs-, Telekommunikations- oder Informationstechnologiebereich zu finden sind. Wiesel und

68

3. Theorieansätze zur Begründung der Erfolgswirksamkeit

Skiera (2005) gehen davon aus, dass bei diesen Unternehmen Informationen über die Kundenbasis (z. B. Cashflow pro Kunde, Anzahl der Kunden, durchschnittliche Kundenbindungsrate) leichter beschafft werden können und eine Unternehmensbewertung auf Grundlage des Kundenstamms geeignet ist. Zusätzlich nehmen sie an, dass die operativen Cashflows allein aus den Kunden gewonnen werden. Hinsichtlich des Einflusses der Kundenkenngrößen auf den Unternehmenswert konnten Wiesel und Skiera (2005) die Ergebnisse von Gupta, Lehmann und Stuart (2004) bestätigen. 3.2.4.3.3. Distributionskanalwert und Unternehmenserfolg Ein strategisch handelndes Unternehmen kann durch vorteilhafte Investitionen in Vertriebskanäle auf Veränderungen im Absatzmarkt flexibel reagieren, wenn es die Informationen aus dem Vertriebskanal nutzt (vgl. Sudharshan und Sanchez 1998). Das Erlangen von entscheidungskritischen Informationen für den Vertrieb wird immer bedeutsamer (vgl. Bello, Chelariu und Zhang 2002). Jede Geschäftsbeziehung hat einen Wert für die einzelnen Parteien in dieser Vertriebspartnerschaft. Sie stellt ein wichtiges Vermögensgut (relational market-based asset) für die Unternehmung dar (vgl. Srivastava, Shervani und Fahey 1998, Webster 1992). Die Entstehung und Existenz sowie der Wert dieses Vermögensgutes ergibt sich auch hier, wie beim Marken- und Kundenwert, aus dem Marktumfeld. Thomas und Sullivan (2005) definieren den Distributionskanalwert (Channel Equity, Distribution Equity, Relationship Equity) ähnlich zur Definition des Kundenwertes als „the net present value of the current and future profits generated through a distribution channel“ (Thomas und Sullivan 2005, S. 2). Simultan zu Investitionen in Marken- und Kundenwert sind auch diese Investitionsvorhaben langfristig orientiert. Sudharshan und Sanchez (1998) erarbeiteten deshalb ein theoretisches Rahmenwerk für die Erfolgswirksamkeit des Distributionskanalwertes auf Basis des Realoptionenansatzes. Diese Methode zur Wertbestimmung ist aus der im Bereich der Finanzierung angewandten Theorie der Optionsbewertung abgeleitet (vgl. Black und Scholes 1973). Im Rahmen einer solchen Bewertung wird unter Einbeziehung der Unsicherheit eine Investition in einen Vertriebskanal als Möglichkeit gesehen, zukünftig auf dem Markt mit entsprechenden Marketingaktionen agieren zu können. In einer Eventstudie untersuchen Geyskens, Gielens und Dekimpe (2002) die Auswirkungen der Hinzunahme des Internets als Absatzkanal für verschiedene Unternehmen und kommen zu dem Ergebnis, dass die Unternehmen am Tag der Bekanntgabe (t = 0) eine durchschnittliche abnormale Rendite von 0,35 % verzeichnen konnten. Am Tag darauf (t = 1) stieg diese noch auf 0,36 %, so dass eine aufsummierte durchschnittliche Rendite von 0,71 % in den ersten beiden Tagen nach Bekanntgabe erzielt wurde. Das Untersuchungsergebnis zeigt, dass der Aktienmarkt

3.2. Ressourcenorientierte Sichtweise

69

im Durchschnitt die zu erwartenden Erträge aus dem zusätzlichen Vertriebskanal Internet höher einschätzt als die damit verbundenen gegenwärtigen und zukünftigen Kosten. In 58 % der Fälle wurde die Bekanntgabe in t = 0 und in 64 % der Fälle in t = 1 als positiv bewertet. Für ein mittelgroßes Unternehmen mit einem Marktwert von 2.307 Mio. wurde eine Erhöhung des Marktwertes von 16,38 Mio. in zwei Tagen errechnet, was dem durchschnittlichen finanziellen Wert des zusätzlichen Vertriebskanals entspricht. Ein positiver Wertzuwachs konnte auch langfristig nachgewiesen werden. Zu beachten bleibt jedoch, dass sofern mehrere direkte Absatzwege simultan bedient werden, Kannibalisierungseffekte auftreten können, welche sich negativ auf den Aktienkurs und den Unternehmenswert auswirken (vgl. Geyskens, Gielens und Dekimpe 2002). Weitere Studien (vgl. Biyalogorsky und Naik 2003, Coelho, Easingwood und Coelho 2003, Deleersnyder et al. 2002) haben diesen Effekt ebenfalls untersucht.

3.2.4.4. Kritische Würdigung des Ansatzes der Market-based Assets Das Ertragspotenzial eines Unternehmens hängt davon ab, inwieweit es in der Lage ist, die Bedürfnisse der Kunden besser zu befriedigen als seine Konkurrenten. Dies wird z. B. über eine bessere Funktionalität der Produkte (höhere Leistung, größere Verlässlichkeit und Widerstandsfähigkeit, einzigartige Bestandteile), eine bessere Produkt- und Servicequalität, höhere Benutzerfreundlichkeit, reduzierte Suchkosten, Vertrauen usw. bewerkstelligt (vgl. Srivastava, Shervani und Fahey 1998). Die daraus resultierende Zufriedenheit des Kunden wird ihn dazu veranlassen, weitere Geschäfte mit dem Unternehmen zu tätigen. Die Beziehung mit dem Kunden und das Wissen über ihn (marktbasierte Vermögenswerte) machen die erfolgreiche Ausführung der drei zentralen Unternehmensprozesse (das Management der Produktentwicklung, der Versorgungskette und der Kundenbeziehungen) über die Generierung marketingspezifischer Fähigkeiten möglich. Somit können Kundenlösungen neu geschaffen oder bestehende verbessert werden, die benötigten Inputs erworben und diese effektiv und effizient in die gewünschten Kundenlösungen umgewandelt und dem Kunden bereitgestellt werden. Letztlich werden zudem Kundenwissen und Beziehungen aufgebaut und vertieft sowie die Wahrnehmungen der Kunden über das Unternehmen und seine Produkte geformt (vgl. Srivastava, Shervani und Fahey 1999). Über die Entwicklung der Fähigkeiten und Ausführung der Unternehmensprozesse werden wiederum neue marktbasierte Vermögenswerte (z. B. die Akquisition von Neukunden) geschaffen und bestehende gefördert und erweitert (z. B. Verbesserung des Unternehmens- und Markenimages). Abbildung 3.9 stellt die dargestellten Zusammenhänge als Flussdiagramm dar und zeigt die Bedeutung von F & E- wie auch Marketinginvestitionen als wesentlichem Treiber von Market-based Assets. Diese können (wie bereits in Kapitel 2.2

70

3. Theorieansätze zur Begründung der Erfolgswirksamkeit

diskutiert) im Rahmen der Wirkungsstruktur von Intangible Investments als Zwischengröße in dem dreistufigen Prozess von Investitionen, Intangibles („Marketbased Assets“) und Unternehmenserfolg (positive Rückflüsse) verstanden werden. Die Erfolgswirksamkeit der Market-based Assets ist durch eine Vielzahl von empirischen Studien belegt. Investitionen in F&E und Marketing

Market-based Assets

Intellektuelle marktbasierte Vermögenswerte

Durch marktbasierte Prozesse werden Werte für den Kunden und Wettbewerbsvorteile generiert. Innovationsmanagement Supply-Chain Management Kundenbeziehungsmanagement

Relationale marktbasierte Vermögenswerte

Aufrechterhaltung und Nachhaltigkeit des Wertes für den Kunden und des Wettbewerbsvorteils.

Wertschöpfung und finanzielle Unternehmensleistung

Quelle: in Anlehnung an Srivastava, Fahey und Christensen 2001, S. 782

Abbildung 3.9: Marktbasierte Vermögenswerte und ressourcenorientierter Ansatz

Im Rahmen des Untersuchungsgegenstands und der empirischen Studie auf Basis von Sekundärdatenbanken ist eine direkte Berücksichtigung von Market-based Assets nur sehr begrenzt möglich ist. Dennoch verdeutlichen die hier diskutierten Zusammenhänge noch einmal die Bedeutung von F & E- und Marketinginvestitionen sowie ihre theoretische Wirkungsstruktur.

4. Modellrahmen zur Erfolgswirksamkeit von F & E- und Marketinginvestitionen Die Zielsetzung dieses Kapitels ist die Entwicklung eines geeigneten Modellrahmens zur Überprüfung der Erfolgswirksamkeit von F & E- und Marketinginvestitionen. Berücksichtigung finden dabei sowohl die industrieökonomische als auch die ressourcenorientierte Sichtweise. Ausgehend von den bereits in Kapitel 0 formulierten Wirkungszusammenhängen (siehe Abbildung 2.4) werden zu den zu überprüfenden Beziehungen in den folgenden Abschnitten Hypothesen abgeleitet. Wie der folgenden Abbildung 4.1 zu entnehmen ist, werden F & E- und Marketingausgaben hierbei als Investitionen angesehen.

Marketinginvestitionen Unternehmenserfolg

Intangibles

F&E-Investitionen Abbildung 4.1: Wirkungszusammenhänge

4.1. Erfolgswirksamkeit von F & E- und Marketinginvestitionen Dieser Abschnitt konzentriert sich auf den Wirkungszusammenhang von F & Ebzw. Marketinginvestitionen und Unternehmenserfolg. Auf der Basis von grundlegenden Überlegungen sowie aktuellen Befunden der empirischen Forschung wird jeweils eine Hypothese abgeleitet.

72

4. Modellrahmen zur Erfolgswirksamkeit von F & E- und Marketinginvestitionen

4.1.1. Grundlegende Überlegungen Eine Vielzahl wissenschaftlicher Studien dokumentiert für F& E- und Marketinginvestitionen eine positive Beziehung zu verschiedenen Erfolgsmaßen der Unternehmung. Hierzu zählen neben den bereits in Abschnitt 0 diskutierten Untersuchungen Studien, die F & E-Investitionen als Treiber für den Return on Assets (Erickson und Jacobson 1992), den Aktienkurs (Lev und Sougiannis 1996), die Aktienrendite (Mizik und Jacobson 2003, Chan, Lakonishok und Sougiannis 2001) oder auch den immateriellen Unternehmenswert (Cockburn und Griliches 1988) identifiziert haben. In Bezug auf die Marketinginvestitionen wird sich in den Arbeiten oftmals auf Ausgaben für Werbung und Promotion beschränkt, da diese von Unternehmen direkt ausgewiesen werden. So verzeichnen Erickson und Jacobson (1992) einen positiven Effekt auf den Return on Assets, Chauvin und Hirschey (1993) einen signifikant positiven Zusammenhang zum immateriellen Unternehmenswert sowie Joshi und Hanssens (2005) zur Marktkapitalisierung. Nach den oben genannten Studien ist also grundsätzlich von einem positiven Effekt von F & E-Investitionen auf den Unternehmenserfolg auszugehen. Boulding und Staelin untersuchten 1995, zu welchen Bedingungen bei einer Steigerung der Ausgaben für F & E ein anschließender Anstieg des Unternehmenserfolges zu verzeichnen ist. Die Beziehung zwischen F & E und Unternehmenserfolg fingen sie in einem nichtlinearen Modell nach Bass (1993) auf. Sie gingen von einer einperiodigen Lag-Struktur aus, wobei eine Periode einem Jahr entsprach. Hierbei wirkt eine Investition in F&E in Periode t erst in der darauf folgenden Periode t+1 auf den Unternehmenserfolg. Boulding und Staelin wählten diese Struktur. Pakes und Schankerman (1984) verwendeten vergleichbar eine Auswirkung der F & E-Ausgaben auf den Erfolg innerhalb von 1,2 und 2,5 Jahren. Während F & E-Investitionen also zeitverzögert wirken, stellen Anderson und Paine (1978) für die Wirkung von Werbung fest, dass Werbeinvestitionen die Rentabilität der Unternehmen, als ROI (return on investment) berechnet, überwiegend in der gegenwärtigen Periode beeinflussen (vgl. hierzu auch Erickson 1981 oder Helmer und Johansson 1977). Graham und Frankenberger (2000) führen ebenfalls eine Analyse über die Werbeausgaben von 320 Unternehmen über zehn Jahre – von 1985 bis 1994 – durch und dokumentierten dabei sowohl eine gegenwärtige als auch eine zeitverzögerte Wirkung. Anderson und Paine (1978) wie auch Ailawadi und Farris (2005) stellen zusätzlich die Problematik bei der Verwendung von zusammengesetzten Erfolgsmaßen wie etwa dem Return on Investments oder auch dem Return on Assets heraus. Eine ausführliche Darstellung dieser Problematik folgt in Kapitel 6.4. Als Erfolgsmaß für die vorliegende Arbeit wird deshalb die Bruttogewinnspanne (GS) von Unternehmen im Einklang mit den Studien von Holak, Parry und Song (1991) oder auch Andras und Srinivasan (2003) verwendet.

4.1. Erfolgswirksamkeit von F & E- und Marketinginvestitionen

73

Andras und Srinivasan (2003) führen eine Studie durch, in der sie die Auswirkung von Werbeintensität und Intensität der F & E innerhalb verschiedener Industrien auf die Bruttogewinnspanne von Unternehmen untersuchen. Sie verwenden COMPUSTAT-Daten aus dem Jahr 2000 von Firmen, die Konsumartikel bzw. Produkte für die Weiterverarbeitung herstellen, vernachlässigen jedoch die Möglichkeit zeitverzögerter Effekte von F & E-Investitionen. Mit Hilfe einfachen OLS-Regression erklären sie den Einfluss von F & E- sowie Werbeintensität als unabhängige Variablen auf die Bruttogewinnspanne von Unternehmen und dokumentieren signifikant positive Effekte. 4.1.2. Hypothesen In der vorliegenden Arbeit wird von einer zeitverzögerten Wirkung von F & E-Investitionen auf den Unternehmenserfolg ausgegangen (vgl. Mizik und Jacobson 2003 oder auch Graham und Frankenberger 2000). Bezüglich der Länge des Verzögerungseffekts orientieren sich die folgenden empirischen Studien an Boulding und Staelin (1995) und gehen jeweils von einer einjährig verzögerten Wirkung von F & E-Investitionen aus, woraus sich die folgende Hypothese 1 ableiten lässt. Hypothese 1F & E→GS:

F & E-Investitionen in Periode t wirken sich positiv auf die Unternehmensgewinnspanne in Periode t + 1 aus.

Für Marketinginvestitionen wird von einer Wirkung in der gegenwärtigen Periode ausgegangen (vgl. Anderson und Paine 1978 oder auch Andras und Srinivasan 2003). Entsprechend wird Hypothese 2 formuliert. Hypothese 2Mkt→GS :

Marketinginvestitionen in Periode t wirken sich positiv auf die Unternehmensgewinnspanne der Periode aus.

Die vereinfachenden Annahme zum Wirkungshorizont von F & E- und Marketinginvestitionen werden vor dem Hintergrund der Analyse einer heterogenen Stichprobe, mit Unternehmen aus den verschiedensten Branchen getroffen. Der Aufwand für F & E wie auch für Marketing variiert zwischen verschiedenen Industrien. In technologieintensiven Branchen, wie der Pharmaindustrie, steht die Investition in F & E im Vordergrund als Quelle für neue innovative Produkte (vgl. Hill und Snell 1988, Branch 1974). So symbolisiert die Intensität der F& E die strategische Wichtigkeit von Innovationen für Firmen (vgl. O’Brien 2003). Le, Walters und Kroll (2006) beschreiben in ihrer Studie, dass in der Pharmaindustrie die Ausgaben für F & E höher als in anderen Industrien sind. Auch Shah und Stark (2001) zeigten in ihrer Analyse, dass die Verteilung von F & E sich auf eine Anzahl von Sektoren konzentriert. So weisen Unternehmen in der Pharmaindustrie, Biotechnologie, Luftfahrt- und Rüstungsbranche, Elektro- und Stromindustrie und dem Chemiesektor besonders hohe Ausgaben für F & E auf. Es entstehen in jenen zehn Sektoren, welche am meisten für F & E ausgeben, 72,6 Prozent der gesamten For-

74

4. Modellrahmen zur Erfolgswirksamkeit von F & E- und Marketinginvestitionen

schungsausgaben in der Volkswirtschaft. In der Branche für Software und Internet konnte in den vergangenen fünf Jahren das größte jährliche F & E-Wachstum mit 14,9 Prozent verzeichnet werden. In der Gesundheitsindustrie lag das Wachstum bei 12,4 Prozent. Die Telekommunikation mit 2,2 Prozent und die Chemie/Energie mit 1,5 Prozent wiesen das langsamste F& E-Wachstum auf (vgl. Jaruzelski, Dehoff und Bordia 2005). Allerdings ist dabei zu bedenken, dass Lin, Lee und Hung (2006) in ihrem Ansatz zu dem Ergebnis kommen, dass Unternehmen in unterschiedlichen Branchen verschiedene Strategien haben, um von einer neuen Technologie zu profitieren. Analog zu F & E variiert auch der Aufwand für Marketing zwischen Unternehmen. Farris und Buzzell (1979) untersuchten die Beziehung von einigen Basisvariablen zur Marketingkommunikationsintensität, also die Ausgaben für Werbung und Promotion. Sie konnten zeigen, dass die Ausgaben zwischen Industrien, zwischen Unternehmen in einer bestimmten Industrie und über die Zeit für gegebene Firmen variieren. Die Studie von Andras und Srinivasan (2003) konnte eine Variation der Werbeintensität belegen. So investieren Hersteller von Konsumartikeln mehr in Marketing als Hersteller von Produkten, die nicht für Endkunden bestimmt sind. Zu ähnlichen Ergebnissen kamen auch Zinkhan und Cheng (1992). Gemäß dieser Beobachtungen ist bei der Prüfung der Erfolgswirksamkeit von F & E- und Marketinginvestitionen von Branchenunterschieden auszugehen, so dass bei den Analysen eine entsprechende Aufteilung in High-tech und Low-tech Unternehmen vorgenommen wird.

4.2. Beziehung von F & E- und Marketinginvestitionen 4.2.1. Grundlegende Überlegungen Sowohl aus dem industrieökonomischen als auch aus dem ressourcenorientierten Ansatz lässt sich das Synergiepotenzial von F & E und Marketing ableiten (vgl. vorherige Abschnitte). Mizik und Jacobson (2003) stellen für F & E-Ausgaben insbesondere einen durch die Herstellung überlegener Produkte wertschaffenden Charakter („value creation“) dieser Investitionsart heraus. Anstrengungen des Unternehmens im Bereich F & E gehen mit einem erhöhten Innovationsoutput einher und wirken sich insofern positiv auf den Erfolg von Unternehmen aus. Marketingausgaben hingegen wird von den Autoren eher die Funktion der Wertsicherung („value appropriation“) zugeschrieben, wodurch das Synergiepotenzial der beiden Investitionsarten zusätzlich verdeutlicht wird. Die Beziehung zwischen Marketing sowie F & E wurde insbesondere im Rahmen der Innovationsforschung untersucht. Bereits 1962 stellte Arrow die Probleme von innovativen Unternehmen, die Früchte ihrer Arbeit zu ernten, dar. Innovationen bedürfen in der Regel eines hohen Kapitaleinsatzes, jedoch gelingt es in den seltensten

4.2. Beziehung von F & E- und Marketinginvestitionen

75

Fällen, die Innovation dauerhaft vor Imitatoren zu schützen, so dass Unternehmen häufig nicht den gesamten möglichen Ertrag einer Innovation realisieren können. Marketing stellt die Instrumente zur Verfügung, die diese Gefahr abschwächen können. Einige frühe Studien (Teece 1987, Telser 1981 und Schmalensee 1982) haben sich im Rahmen der Innovationsforschung damit auseinandergesetzt, aktuelle Studien setzen den Schwerpunkt zumeist auf den Einfluss von Werbung bzw. Werbung und Promotion. Aber auch aktuelle Untersuchungen wie beispielsweise Conchar, Crask und Zinkhan (2005) stellen die Bedeutung von Moderatoreffekten für die Beziehung zwischen Werbung und Promotion sowie Unternehmenserfolg heraus. Um dieses Synergiepotenzial zu berücksichtigen, sind verschiedene Wirkungszusammenhänge zwischen beiden Investitionsgrößen vorstellbar. Erstens ist es möglich, dass F & E-Investitionen in einer Periode die Investitionen im Bereich Marketing in einer folgenden Periode treiben. Eine mit Hilfe von F & E entwickelte Innovation beispielsweise wird durch nachgelagerte Marketingmaßnahmen erst zu einem marktfähigen und kommerzialisierbaren Produkt (vgl. Abschnitt 3.1.3.1). Gleichzeitig wäre jedoch unter Umständen auch der umgekehrte Fall, dass Marketinginvestitionen Investitionen in F & E treiben, möglich. Der grundlegende Gedanke hierbei besteht darin, dass Marketing die Nachfrage nach neuen Produkten fördert, wodurch Unternehmen gezwungen sind, diese zu liefern, weshalb ein vermehrter Einsatz von F & E-Investitionen notwendig wird. Hula (1988) untersuchte auf empirischer und theoretischer Ebene, ob Werbung als Hilfsmittel zur Steigerung der Nachfrage nach neuen Produkten und einer daraus resultierenden Gewinnsteigerung beschleunigend auf F & E wirkt. Um in der theoretischen Betrachtung den Gewinn aus dem Verkauf neuer Produkte zu berechnen, verwendete er eine Wahrscheinlichkeitsdichtefunktion, welche von Marktstruktur, Werbetechnik, Wettbewerbern, die das Produkt imitieren könnten, Preispolitik und der Anzahl der Fabriken beeinflusst wird. Der Gewinn wird als Zufallsvariable betrachtet, da die Firma keine vollständigen Informationen über die Profitabilität des neuen Produktes besitzt. Hula stellte im Basismodell eine Gewinnmaximierungsfunktion auf, um herauszufinden, ob die Hypothese sinnvoll ist, dass Werbung einen positiven Einfluss auf F & E-Ausgaben einer Firma hat. Die Gewinnmaximierungsfunktion setzte sich aus dem Gewinn der gegenwärtigen Periode und der Summe aller Gegenwartswerte der erwarteten zukünftigen Gewinne zusammen. Die Gewinne resultieren aus Investitionen in F & E in der aktuellen Periode. Als Ergebnis aus dem Basismodell konnte festgestellt werden, dass unter bestimmten Annahmen und unter gleich bleibenden Bedingungen ein höheres Werbelevel Folgendes bewirkt: eine größere Nachfrage nach neuen Produkten und größere wahrgenommene Profitabilität der neuen Produkte. Hieraus kann ein positiver Einfluss auf F & E-Investitionen assoziiert werden, Hula (1988) stellt jedoch heraus, dass die Bedeutung von Werbung als Treiber von F & E nur als sehr gering angesehen werden kann. Auch in einem erweiterten Modell konnte eine stabile Beziehung von Werbeinvestitionen auf F & E-Investitionen empirisch nicht bestätigt werden, so dass dieser Zusammenhang im weiteren Verlauf der Arbeit keine Berücksichtigung findet (vgl. hierzu auch Matraves 1999).

76

4. Modellrahmen zur Erfolgswirksamkeit von F & E- und Marketinginvestitionen

Stattdessen soll als weiterer Fall die Möglichkeit der gemeinsamen Wirkung von F & E- und Marketinginvestitionen im Sinne eines Interaktionseffekts, bei dem nicht von einer gerichtet Beziehung ausgegangen wird, berücksichtigt werden. 4.2.2. Hypothesen Dieser Abschnitt erörtert die betrachteten Fälle detaillierter vor dem Hintergrund aktueller empirischer Studien bevor die Beziehungen in Hypothesenform überführt werden. 4.2.2.1. F & E als Treiber von Marketing Wie bereits im Rahmen des Kapitel 3.1.3 in Form des Appropriability-Problems erörtert, gelingt werden es Unternehmen, die stark in F & E investieren, zwar eher sich über neue bzw. verbesserte Produkte gegenüber den Wettbewerbern zu differenzieren; die Langfristigkeit dieses Vorteils kann jedoch nicht garantiert werden. Eine Vielzahl von Unternehmen kann den kompletten, zu erwartenden Gewinn aus einer Innovation aufgrund von bspw. Imitation durch einen Wettbewerber häufig nicht realisieren. Marketingaktivitäten hingegen können bei der Erhaltung des Wettbewerbsvorteils maßgeblich von Nutzen sein, dadurch, dass sie die Bekanntheit und den Vertrieb der neuen bzw. verbesserten Produkte unterstützen (vgl. hierzu Studien von Schwartzman 1976, Leffler 1981, Hurwitz und Caves 1988, Lunn 1989, Matraves 1999). So untersuchen Vinod und Rao (2000), inwieweit sich die Marketingausgaben, genauer gesagt die Marketingintensität, durch die Intensität von F & E erklären lassen. Ihre Forschungshypothese, dass sich Marketing- und F & E-Aktivitäten komplementär zueinander verhalten, beruht auf dem Konzept der monopolistischen Konkurrenz (Chamberlin 1933) und Porters (1985) Aussagen zur Generierung von nachhaltigen Wettbewerbsvorteilen durch Differenzierung. Die Komplementarität von F & E und Marketing bilden Vinod und Rao (2000) in einem quadratischen Regressionsmodell ab. (4.1)

MKT = b0 + b1 (F&E) + b2 (F&E) 2 + ε

Dabei wird MKT als Marketingintensität durch das Verhältnis von SG & A-Ausgaben zu Umsatz zum Zeitpunkt t operationalisiert. Erklärt wird diese Größe durch die Intensität von F & E zum Zeitpunkt t. Dafür werden die F & E-Ausgaben ins Verhältnis zum Umsatz gesetzt. Dieses Modell wenden die Autoren auf 53 pharmazeutische Unternehmen an. Im Ergebnis lässt sich festhalten, dass das Modell einen sehr großen Anteil der Varianz in der Marketingintensität erklärt (angepasstes R2 = 0,934). Die Autoren erhalten erwartungsgemäß einen positiven Koeffizienten

4.2. Beziehung von F & E- und Marketinginvestitionen

77

für b1, allerdings einen negativen Schätzparameter für b2. Letzteren führen Vinod und Rao (2000) auf ihre spezielle Stichprobe zurück, genauer gesagt gehen sie von der Realisierung von Betriebsgrößenvorteilen aus. In ihrer Querschnittsanalyse erklären die Autoren zwar Marketingaktivitäten durch F & E-Aktivitäten, allerdings kann man im strengen Sinne nicht davon sprechen, dass hier Marketingaktivitäten von F & E-Aktivitäten ausgelöst werden, da es sich nicht um eine zeitlich nachgelagerte Reaktion auf Investitionen in F & E handelt. Diese Hypothese soll für die eigene Untersuchung in abgewandelter Form übernommen werden. Hypothese 3F & E→Mkt:

F & E-Investitionen in Periode t treiben Marketinginvestitionen in Periode t + 1.

Es wird hierbei angenommen, dass zwischen Einsatz von F & E und Marketing, über die Umsetzung in eine marktfähige Leistung, eine zeitliche Verzögerung zu erwarten ist.

4.2.2.2. Die Interaktion von Marketing und F & E Verschiedene Studien haben in der Vergangenheit den Interaktionseffekt von Marketing sowie F & E untersucht. Wie die in Tabelle 4.1 zusammengefassten empirischen Befunde zeigen, differieren die Ergebnisse stark und es kann derzeit nicht von einer eindeutigen Beziehung zwischen Interaktion und Unternehmenserfolg ausgegangen werden. Die Studien werden nun kurz im einzelnen vorgestellt, wobei sich jeweils auf die Wirkungsweise des Interaktionseffekts von F & E und Marketing konzentriert wird. Die Studie von Dutta, Narasimhan und Rajiv (1999) untersucht Erfolgsfaktoren in Hochtechnologie-Märkten unter besonderer Berücksichtigung von MarketingFähigkeiten in einer Stochastic Frontier Analyse (siehe hierzu Kumbhakar und Lovell 2000). Im Rahmen des ressourcenorientierten Ansatzes wird in dem zugrunde liegenden Modell versucht, Unterschiede in der Profitabilität von Hochtechnologie-Unternehmen durch Unterschiede in Bezug auf die funktionalen Fähigkeiten dieser Unternehmen zu erklären. Die Bereiche Marketing, F & E sowie operative Fähigkeiten stehen dabei als kritische Fähigkeiten im Blickpunkt der Analyse. Neben den Einzeleffekten werden auch Interaktionseffekte untersucht. Die Autoren kommen zu dem Schluss, dass Unternehmen mit starken technologischen Fähigkeiten am meisten von starken Fähigkeiten im Bereich Marketing profitieren können. Der Interaktionseffekt zwischen Marketing und F & E-Fähigkeiten hat in dem betrachteten Markt den größten (positiven) Einfluss auf den Unternehmenserfolg. Zu einem ähnlichen Ergebnis kommen Song et al. (2005) in ihrer Untersuchung auf der Basis von einmalig erhobenen Befragungsdaten (Befragung von Managern). Die Studie untersucht, ob Synergien zwischen Marketing und Technologieressour-

78

4. Modellrahmen zur Erfolgswirksamkeit von F & E- und Marketinginvestitionen Tabelle 4.1 Empirische Befunde zum Interaktionseffekt von F & E und Marketing

Autoren

Sample

Erfolgsmaß

Empirische Befunde

Dutta, Narasimhan und Rajiv (1999)

1985–1994 Compustat

Tobin’s q

Positiver, signifikanter Effekt für Hochtechnologie-Unternehmen:

Song et al. (2005) Befragung

Maß aus verschie- – Positiver, signifikanter Effekt für Unternehmen in einer techdenen Indikatoren nologisch turbulenten Umwelt – Kein Effekt für Unternehmen in einer technologisch stabilen Umwelt

Lin, Lee und Hung 1985–1999 (2006) NBER PCD1), Compustat

Tobin’s q

Ho, Keh und Ong 1962–2001 Aktienrendite (2005) Compustat, CRSP4)

Positiver, signifikanter Effekt für verschiedene Branchen – Kein Effekt für verarbeitende Unternehmen – Negativer signifikanter Effekt für nicht-verarbeitende Unternehmen

Jeong (2006)

1991–1996, Markenwert 1999–2002 FW2), Interbrand3), Compustat

Negativer, signifikanter Effekt für verschiedene Branchen

1)

NBER-Patent Citation Data (Hall et al. 2001) beinhaltet Patentinformationen zu US-Unternehmen von 1969–1999 Financial World (Zeitschrift) veröffentlicht Informationen zum Markenwert von US-Unternehmen von 1991–1996 3) Interbrand-Website veröffentlicht Informationen zum Markenwert von US-Unternehmen von 1999–2002 4) Center for Research in Security Prices beinhaltet Aktienkurse etc. 2)

cen in Hinblick auf den Erfolg von Joint Ventures bestehen und verwendet für den Hypothesentest ein Kausalmodell. Unterschieden wird dabei zwischen technologisch turbulenten und weniger turbulenten Unternehmensumwelten. Der Interaktionseffekt von Marketing- und Technologiefähigkeiten erzielt im Ergebnis der empirischen Studie in der technologisch turbulenten Unternehmensumwelt einen signifikant positiven Effekt. Für die eher technologisch stabile Umgebung kann kein signifikanter Effekt festgestellt werden. Einen positiven Interaktionseffekt von F & E und Marketing über verschiedene Branchen hinweg dokumentieren Lin, Lee und Hung (2006). Sie untersuchen den Effekt von F & E sowie Kommerzialisierungsorientierung, worunter im Wesentlichen Marketingaktivitäten zu verstehen sind, auf den Unternehmenserfolg. Unter Nutzung von Patent- und Finanzdaten werden verschiedene Hypothesen, inklusive interaktive Beziehungen, zur Wirkung der Intensität von F & E sowie Marketing auf

4.3. Der Einfluss von Intangibles

79

und Unternehmenserfolg in einem gemischt-linearen Modell getestet. Als wesentliches Ergebnis stellen die Autoren einen positiven Interaktionseffekt von F & E-Intensität und Kommerzialisierungsorientierung fest und schließen daraus, dass F & E und Marketing für den Erfolg von Produktinnovationen als komplementäre Ressourcen zu behandeln sind. Neben diesen Befunden von positiven Interaktionseffekten gibt es jedoch auch gegensätzliche Ergebnisse. Ho, Keh und Ong (2005) den Effekt von F&E und Werbung auf den Unternehmenswert. Gemessen werden die exogenen Variablen über ihre jeweiligen Ausgaben, in der Untersuchung wird zwischen verarbeitendem und nichtverarbeitendem Gewerbe unterschieden. Auch hier wird ein signifikant negativer Effekt für die Interaktion von F & E sowie Werbung (Marketing) für Unternehmen des nicht-verarbeitenden Gewerbes festgestellt. Die Erklärung hierfür sehen die Autoren in erfolgreichen Unternehmen, die sich auf jeweils eine Kompetenz, also Marketing oder F & E stützen, was zu einem geringen Interaktionswert führen würde – im Vergleich zu weniger erfolgreichen Unternehmen, welche beide Ressourcen in ihren Unternehmen nutzen, was einen hohen Interaktionsterm implizieren würde. Jeong (2006) untersucht in einer weiteren Studie die Beziehung von Werbung, Markenwert und Shareholder Value und spezifiziert dabei in einem Regressionsmodell einen Interaktionseffekt von F & E und Marketing auf den Markenwert. In verschiedenen Branchen wird dann ein durchgängig negativer Interaktionseffekt dokumentiert. Der Markenwert kann zwar nicht als alleiniges Maß für den Erfolg von Unternehmen dienen, dennoch ist seine Erfolgswirksamkeit nicht zu bestreiten (vgl. hierzu Abschnitt 3.2.4.3.1). Die empirischen Studien der vorliegenden Arbeit untersuchen Unternehmen des verarbeitenden Gewerbes. Hier wird ein positiver Interaktionseffekt von F & E und Marketing auf den Unternehmenserfolg erwartet, woraus sich die vierte Hypothese ergibt. Hypothese 4Interaktion→GS: Der Interaktionseffekt von F & E- und Marketinginvestitionen wirkt sich positiv auf die Unternehmensgewinnspanne in der Periode aus.

4.3. Der Einfluss von Intangibles Der ressourcenorientierte Ansatz stellt die Bedeutung von unbeobachtbaren Ressourcen heraus. Gerade solche Ressourcen haben in Bezug auf die Voraussetzung zur Erzielung nachhaltiger Wettbewerbsvorteile besondere Stärken. Unbeobachtbare Ressourcen sind zum einen nur sehr schlecht zu transferieren, gleichzeitig auch nur sehr schwer zu imitieren. Unbeobachtbare Variablen spielen in der Managementforschung seit geraumer Zeit eine wichtige Rolle. Vielfach diskutiert wurde beispielsweise der Einfluss un-

80

4. Modellrahmen zur Erfolgswirksamkeit von F & E- und Marketinginvestitionen

beobachtbarer Größen (siehe hierzu Abschnitt 3.1.3.1.3) auf die Beziehung (positive Korrelation) zwischen Marktanteil und Unternehmenserfolg (Capon, Farley und Hoenig 1990). Als Beispiele sind hierfür die Managementqualität in einem Unternehmen (als unbeobachtbare Variable) sowie zufällige Einflüsse wie zum Beispiel Glück zu nennen. 4.3.1. Grundlegende Überlegungen Angelehnt an das Produktionsfunktionsmodell aus der industrieökonomischen Theorie (Kapitel 3.1) existieren eine Vielzahl von empirischen Studien (bspw. Andras und Srinivasan 2003), die den Zusammenhang von F & E- und Marketinginvestitionen mit dem Unternehmenserfolg mit Hilfe einer simplen Regressionsgleichung abbilden und unbeobachtbare, unternehmensspezifische Effekte demzufolge vernachlässigen. Die Existenz von unternehmensspezifischen Effekten ist jedoch nachgewiesen (siehe hierzu die in Kapitel 3.2.2 aufgearbeiteten Studien) und ihre Bedeutung wird im Rahmen der ressourcenorientierten Sichtweise herausgestellt. Inhaltlich werden solche unbeobachtbaren Faktoren in der wissenschaftlichen Forschung oftmals im Rahmen von Befragungsstudien (Castanias und Helfat 2001 und 1991) abgefragt und als Konstrukte beispielsweise in einem Kausalmodell operationalisiert und in Form von Querschnittsanalysen untersucht. Soll jedoch eine Betrachtung von vielen Unternehmen über die Zeit (mehrere Jahre) hinweg stattfinden, ist eine derartige Vorgehensweise kaum mehr möglich. In der vorliegenden Arbeit wird insofern ein Kompromiss gewählt, indem auf großzahlige Unternehmensdatenbanken zurückgegriffen wird, um eine Betrachtung über die Zeit zu ermöglichen. Gleichzeitig wird jedoch mit Panelmodellen ein Instrumentarium zur Analyse gewählt, welches die Berücksichtigung von unbeobachtbaren Effekten erlaubt. Der Nachteil der Vorgehensweise besteht darin, dass der Einfluss von unbeobachtbaren Effekten zwar isoliert, jedoch nicht genau spezifiziert werden kann. Es ist nur bedingt möglich, einzelnen Intangibles eine Wirkung zuzurechnen. Verschiedene Studien zeigen die Vorgehensweise bei der Kontrolle unbeobachtbarer Effekte. Erickson und Jacobson zeigten bereits 1992 in ihrer Studie die Bedeutung von unbeobachtbaren Faktoren bei der Untersuchung des Einflusses von F & Eund Werbeausgaben auf den Unternehmenserfolg auf. Sie stellten heraus, inwieweit eine Investitionen in F & E bzw. Werbung Wettbewerbsvorteile und somit einen gesteigerten Gewinn für ein Unternehmen bringen kann. Als Datenbasis diente die COMPUSTAT-Datenbank, wobei Paneldaten über Ausgaben für F & E und Werbung von Unternehmen im Zeitraum von 1972 bis 1986 analysiert wurden. Zur Analyse verwendeten sie ein Fixed-Effects-Serial-Correlation-Modell, welches Individualeffekte und zeit-variierende unbeobachtbare Variablen berücksichtigt. Der Un-

4.3. Der Einfluss von Intangibles

81

ternehmenserfolg wurde über Return on Investment gemessen. Erickson und Jacobson wandten drei Schätzverfahren an. Erstens: die Instrumentvariablen (IV-)Schätzung, welche weder autokorrelierte noch zeitinvariante unbeobachtbare Variablen berücksichtigt; zweitens: die IV-Schätzung kombiniert mit serieller Korrelation, welche autokorrelierte Variablen berücksichtigt und drittens: die IV-Schätzung kombiniert mit serieller Korrelation und fixen Effekten (fixed effects), welche autokorrelierte und zeitinvariante unbeobachtbare Variablen kontrolliert. Nach dem Spezifikationstest (Hausman 1978) ist die dritte Schätzung zu wählen. Eine Kontrolle unbeobachtbarer Variablen ist nach Erickson und Jacobson für eine Untersuchung wichtig. Sie stellten im Wesentlichen einen geringeren Effekt von F & E- und Werbeausgaben fest, als es frühere Studien beschrieben haben. Boulding und Staelin (1995) kontrollierten Verzerrungen basierend auf unbeobachtbaren fixen, zufälligen oder autoregressiven Variablen und verwendeten eine IV-Schätzung bei gleichzeitiger Differenzierung der Daten. Aufgrund des nichtlinearen Modells musste vor der p-Differenzierung zunächst eine Logarithmierung vorgenommen werden. Als Datenbasis verwendeten sie PIMS-Daten. Empirisch konnte in dieser Studie belegt werden, dass die Nachfrage, welche aus F& E-Ausgaben resultiert, von der Motivation und Fähigkeit des Managements abhängt. Ein zusätzlicher Gewinn kann so über Monopolrenten erzielt werden, die auf Preissteigerungen basieren, welche durch F & E ermöglicht wurden.

4.3.2. Hypothese Es muss davon ausgegangen werden, dass unbeobachtbare, unternehmensspezifische Größen ebenfalls die Erfolgswirksamkeit von F & E- und Marketinginvestitionen beeinflussen. Werden bei einer Schätzung diese Variablen vernachlässigt, führt dies zu verzerrten Ergebnissen (Schmalensee 1989). Auf diesen Aspekt haben Annacker und Hildebrandt (2004) erneut insbesondere in Bezug auf die empirische Erfolgsfaktorenforschung hingewiesen. Allerdings lässt sich bislang nur wenig Fortschritt auf diesem Gebiet in der wissenschaftlichen Forschung verzeichnen; so stellen Conchar, Crask und Zinkhan (2005) in ihrer Meta-Analyse zur Wirkung von Ausgaben für Werbung und Promotion fest, dass zwar die Mehrzahl der Studien auf diesem Gebiet Paneldaten zur Analyse verwenden, allerdings nicht die Vorteile solcher Datenstrukturen dahingehend nutzen, mit geeigneten Methoden den Einfluss unbeobachtbarer Variablen, insbesondere die Wirkung unternehmensspezifischer Effekte, zu kontrollieren (Conchar, Crask und Zinkhan 2005, S. 457). Es soll deshalb die Hypothese 5 mit aufgenommen werden. Hypothese 5Intangibles:

Unbeobachtbare Faktoren (Intangibles) beeinflussen die Beziehung zwischen F & E- sowie Marketinginvestitionen und Unternehmensgewinnspanne.

82

4. Modellrahmen zur Erfolgswirksamkeit von F & E- und Marketinginvestitionen

4.3.3. Zusammenfassung Neben den direkten Effekten von F & E und Marketing berücksichtigt das Modell insbesondere die Beziehung zwischen F & E und Marketing und die Auswirkungen für den Unternehmenserfolg. Gerade die Kombination von Ressourcen und Fähigkeiten hat durch die Synergien, die aus komplementären Faktoren entstehen, besondere Bedeutung. Im Verlaufe der Untersuchung erfolgt eine Aufteilung in High-tech und Low-tech Unternehmen. Zusätzlich werden in Studie III die Marketinginvestitionen in Ausgaben für Werbung und Vertrieb aufgespalten. In allen Modellen ist von besonderem Interesse, inwiefern die bereits erläuterten Intangibles Einfluss auf die Beziehungen nehmen. Eine Zusammenfassung der grundlegenden Hypothesen liefert die folgende Abbildung. Grau hinterlegt sind die in die Analyse eingebundenen Kontrollvariablen.

Marketingintensität

+

(t+1)

Interaktion F&E x Marketing

F&E-Intensität

+

+

(t)

+

Erzeugerpreis

(t+1)

Gewinnspanne

(t+1)

Unternehmensgröße

+

Intangibles

(t)

Abbildung 4.2: Hypothesen

Das folgende Kapitel liefert die methodischen Grundlagen für die Berücksichtigung von unbeobachtbaren Effekten im Rahmen von Panelmodellen.

5. Ein methodischer Ansatz zur Aufdeckung und Kontrolle von Intangibles in Unternehmensdaten Die im vorangegangenen Teil der vorliegenden Arbeit motivierten und aufgeworfenen Fragestellungen verlangen eine Methode, die es erlaubt, neben den beschriebenen Zusammenhängen auch den Einfuss unbeobachtbarer Variablen auf die Beziehungen zwischen den Variablen zu testen. In diesem Kapitel soll die Methodik der Panelanalyse mit Strukturgleichungsmodellen (vgl. Annacker und Hildebrandt 2004 oder auch Arminger und Müller 1990) aufgearbeitet werden. Hierzu wird die Problematik unbeobachtbarer Einflüsse bei der Analyse von Unternehmensdaten thematisiert sowie die Möglichkeiten der Kontrolle solcher Einflüsse durch Panelmodell allgemein erörtert, verschiedene spezifische Modelltypen charakterisiert und deren Test in der LISREL-Strukturgleichungsmethodik beschrieben.

5.1. Das Problem von unbeobachtbaren Einflüssen bei der Analyse von Unternehmensdaten Glück, Unternehmensklima, Managementqualitäten, Informationen über Konsumenten, spezielle Technologien, Markenname, Religion, Unternehmenskultur und -reputation sind nur einige der unbeobachtbaren Variablen (Intangibles), die Einfluss auf die Ergebnisse empirischer Untersuchungen nehmen, wenn Unternehmensstrategien über finanzielle Kennzahlen analysiert werden (vgl. Jacobson 1990). Solche unternehmensspezifischen Faktoren sind schwer oder auch gar nicht zu beobachten. Itami und Roehl (1987) auch als „invisible assets“, Peters und Waterman (1982) als „weiche Faktoren“. Unbeobachtbare Einflussgrößen können zudem über die Zeit als konstant oder auch variabel angenommen werden können. Trotz vorhandener Methodik findet eine Berücksichtigung solcher Größen findet im Rahmen von Untersuchungen zu F & E, Marketing und Unternehmenserfolg bis heute so gut wie nicht statt (vgl. hierzu die Analyse von Cochar et al. 2004). In anderen Forschungsgebieten, wie etwa Untersuchungen zum Zusammenhang von Marktanteil und ROI hingegen lassen sich verschiedene Studien identifizieren (vgl. Rumelt und Wensley 1980; Jacobson und Aaker 1985 und 1987; Jacobson 1990; Boulding und Staelin 1990 und 1993; Ailawadi, Farris und Parry 1999 und Annacker und Hildebrandt 2004). In den frühen Studien wurde hauptsächlich den

84

5. Ein methodischer Ansatz zur Aufdeckung und Kontrolle

für den Untersuchungszeitraum konstanten unbeobachtbaren Variablen Rechnung getragen, was für verschiedene Größen sicherlich plausibel anzunehmen ist. Beispielsweise lässt sich für eine bestimmte praktizierte Unternehmenskultur oder die Qualität des Managements unterstellen, dass diese keinen bzw. äußerst geringen Schwankungen unterliegt und somit als zeitkonstant angenommen werden können. Bei anderen unternehmensspezifischen Variablen, wie zum Beispiel Know-how, erscheint die Vermutung realitätsnäher, dass ihre Einflüsse mit der Zeit variieren. Man spricht dann von autokorrelierten Effekten. Neben diesen und den zeitkonstanten Effekten sind stochastische Effekte als mögliche dritte Gruppe unbeobachtbarer Einflussgrößen anzusehen. Als spezifische Charakteristika der Unternehmenseinheit verursachen sie eine Heterogenität in den Daten. Es gibt verschiedenen Möglichkeiten, mit unbeobachtbaren Einflussgrößen umzugehen. Größtenteils hängt die Art der verwendeten Methode von der Art der vorliegenden Daten ab. Liegen Zeitreihendaten vor, ist eine weit verbreitete Annahme, dass ihre Einflüsse in den Störterm eingehen, ansonsten werden nur beobachtbare Faktoren berücksichtigt. In diesem Fall können die unbeobachtbaren Variablen zu systematischen Fehlern oder einer höheren Varianz der Schätzparameter führen, da sie auf die beobachtbaren Variablen wirken. Eine zweite Möglichkeit des Umganges mit unbeobachtbaren Variablen ist die Berücksichtigung unbeobachtbarer Einflussgrößen über Variationen des Kalman-Filters. Hier wird ein Vektor mit zeitabhängigen Strukturparametern in die Modellgleichung eingeführt wird. Detaillierte Ausführungen zu diesem Verfahren finden sich bei Krelle (1997) bzw. Kirchen (1988). Die dritte Möglichkeit ist die Zerlegung des Störterms, sofern Quer- und Längsschnittdaten vorliegen. Hier lassen sich z. B. Strukturgleichungsmodelle einsetzen. Letztere Möglichkeit findet in der vorliegenden Arbeit in Form von LISREL-Modellen (Jöreskog und Sörbom 1996) Anwendung.

5.2. Allgemeine Ausführungen zu Panelmodellen Das Paneldesign ist als Spezialisierung eines Längsschnitts aufzufassen. Werden bei N Untersuchungseinheiten nur zu einem Zeitpunkt (t = 1) Variablen erhoben, handelt es sich um Querschnittsdaten. Bei einer Erhebung der gleichen Variablen über die Zeit (t > 1) ergibt sich ein Längsschnittdesign. Unter dem Begriff Paneldaten versteht man Daten die aus wiederholten Beobachtungen des gleichen Untersuchungsmerkmals an gleichen Individuen über mehrere Zeitpunkte resultieren (Hsiao 2003). Hier sind die Untersuchungseinheiten zu allen Messzeitpunkten identisch. Es werden wiederholte Erhebungen von Individualdaten durchgeführt. Im Gegensatz zu den Querschnittsdaten ist es bei Längsschnittdaten möglich, zeitliche Veränderungen von Variablen und ihre Beziehung untereinander zu berücksichtigen (vgl. Reinecke 2005). Streng genommen handelt es sich bei Paneldaten also um eine Kombination von Längs- und Querschnittsdaten.

5.2. Allgemeine Ausführungen zu Panelmodellen

85

Auf Basis von reinen Querschnittsdaten lässt sich der Einfluss unbeobachtbarer Größen nicht direkt kontrollieren und es käme es zu einer Überschätzung der verschiedenen Wirkungspfade eines Modells (Hausmann und Taylor 1981). Unbeobachtbare Größen können aber durch das kombinierte Quer- und Längsschnittdatendesign von Paneldaten kontrolliert werden und man erhält im wesentlichen unverzerrte Schätzer. Hinsichtlich ihres zeitlichen Verhaltens können die unbeobachtbaren Einflussgrößen, wie im vorherigen Kapitel bereits angedeutet, in zeitinvariante, transitorische und autokorrelierte Effekte unterteilt werden. Diese unterscheidbaren Variablentypen finden jeweils als spezifische Komponente im additiven Fehlerterm Berücksichtigung (vgl. Boulding und Staelin 1993 und auch Annacker und Hildebrandt 2004). Eine abhängige Variable kann in einem linearen Panelmodell in drei Bestandteile (siehe Gleichung (5.1)) aufgespalten werden: 1. Der im Modell durch die beobachtbaren Einflussgrößen systematisch erklärte Zusammenhang. 2. Eine unbeobachtbare, individualspezifische Abweichung, bzw. zusätzlich eine nicht beobachtbare, wellenspezifische Abweichung. 3. Eine verbleibende Rest- oder auch Störkomponente, die nicht erklärt und als stochastischer Schock verstanden werden kann.

(5.1)

MKT = b0 + b1 (F&E) + b2 (F&E) 2 + ε

Auf diese Weise ist es möglich bei der Analyse von Paneldaten individuelle Heterogenität zu berücksichtigen. Abbildung 5.1 stellt das Problem der Heterogenität grafisch dar. Für jedes Untersuchungsobjekt i wird die Menge der Beobachtungen über die Zeit durch eine Ellipse dargestellt sowie der Zusammenhang jeweils über eine Regressionsgerade verdeutlicht. Die individuenspezifische Heterogenität drückt sich in den unterschiedlichen Intercepts aus. Eine zusammengefasste Betrachtung aller Untersuchungsobjekte führt zu einem verzerrten Parameterschätzer, wie er sich in der langen Regressionsgerade widerspiegelt. Diese Art von Heterogenität, die sich aufgrund von individuenspezifischen Effekten ergibt, wird als Effektheterogenität (siehe Abbildung 5.1 a) und b)) verstanden. Herrscht Koeffizientenheterogenität in den Daten (siehe Abbildung 5.1 c)), so unterscheiden sich die Untersuchungsobjekte relativ untereinander oder auch über die Zeit. Verallgemeinerungsfähige Zusammenhänge können in diesem Fall nicht unterstellt werden (Hsiao 2003). Modelle, die auf Paneldaten basieren, haben Vorteile in der Schätzung von Reaktionszusammenhängen dadurch, dass die erhobenen Merkmale sowohl in der Querschnittsdimension als auch in der Zeitdimension liegen. Der Anstieg der Zahl

86

5. Ein methodischer Ansatz zur Aufdeckung und Kontrolle y

y

x

a)

x

b)

y

c)

x

Abbildung 5.1: Heterogenität in Paneldaten

der gegebenen Datenpaare, resultierend aus der Verknüpfung beider Dimensionen, führt zu höheren Freiheitsgraden und somit je nach Schätzfunktion zu einer verbesserten Schätzgenauigkeit (vgl. Baltagi 2005, Hsiao 2003, Hammann und Erichson 2000). Die Kombination interindividueller Unterschiede und intraindividueller Dynamik in Paneldaten gegenüber einfachen Zeitreihendaten, die ohne interindividuelle Unterschiede erhoben wurden bringt allerdings auch Nachteile mit sich. Diese resultieren beispielsweise aus der Datenerhebung. So führen das Design und die Datensammlung in Panels oft zu Problemen. Neben höherer Anfälligkeit für Messfehler, die zu verzerrten Schätzern führen, stellen auch höhere Kosten der Datenerhebung ein Problem dar. Da gleiche Individuen über die Zeit hinweg befragt werden, kann es zu Problemen kommen, die aus der Repräsentanz von Panelerhebungen resultieren. Zu nennen sind hier hohe Verweigerungsraten der Probanden oder Panelsterblichkeit. Bei der Erhebung der Daten mag es sein, dass das Sample am Ende nicht nach dem festgelegten Auswahlprinzip aus der Grundgesamtheit ausgewählt werden kann, was zu Verzerrungen in den Daten führt (siehe bspw. Hsiao 2003). Modelle zur Analyse von Paneldaten können verschieden kategorisiert werden. Es lassen sich grundsätzlich statische von dynamischen Modellen, univariate von multivariaten Modellen unterscheiden, wie auch Modelle mit diskreter von denen mit kontinuierlicher Zeitachse, bzw. Modelle mit diskreten und/oder kontinuierli-

5.3. Die Notation des LISREL-Ansatzes der Kausalanalyse

87

chen Variablen abzugrenzen sind. Die statistische Kontrolle unbeobachteter individueller und/oder zeitlicher Heterogenität durch statische, bzw. dynamische Modelle (siehe hierzu z. B. Hsiao 2003, Anderson und Hsiao 1982; Bhargava und Sargan 1983 oder auch Chamberlain 1982, 1984) ist ein wesentlicher Vorteil dieses Verfahrens, sofern mehr als drei Messzeitpunkte zur Verfügung stehen. Abschließend lässt sich konstatieren, dass durch die Nutzung kombinierter Längs- und Querschnittsdaten die Einbeziehung der verschiedenen Typen von unbeobachtbaren Variablen möglich ist. Die unterschiedlichen Panelmodelle finden in der vorliegenden Arbeit Anwendung und werden innerhalb der Kovarianzstrukturanalyse mit dem Programm LISREL geschätzt. Nach einem kurzen Überblick zum allgemeinen LISREL-Modell werden die einzelnen Modellklassen beschrieben und ihre Spezifikation erläutert.

5.3. Die Notation des LISREL-Ansatzes der Kausalanalyse In der vorliegenden werden die empirischen Analysen mit Panelmodellen, die als Kovarianzstrukturmodelle spezifiziert werden, durchgeführt. Zum Einsatz kommt dabei die Software LISREL als weitverbreitetes Instrument zur Schätzung von Strukturgleichungsmodellen. Die in den folgenden Unterkapiteln beschriebene Spezifikation der einzelnen Modelle wird deshalb in LISREL-Notation dokumentiert. Das vollständige LISREL-Modell lässt sich nach Jöreskog und Sörbom (1996) in Matrixschreibweise in einer Strukturgleichung (5.2) und zwei Messgleichungen (5.3 und 5.4) formulieren: (5.2)

η = Bη + Γξ + ζ

Die Strukturgleichung setzt sich aus folgenden Elementen zusammen: h bezeichnet einen p x 1-Vektor mit latenten endogenen Zufallsvariablen, während x latente exogene Zufallsvariablen in einem n x 1-Vektor beinhaltet. B entspricht einer m x mKoeffizientenmatrix in der die direkten Beziehungen der h-Variablen untereinander abgebildet werden. Die direkten Beziehungen zwischen den latent exogenen und latent endogenen Variablen werden in der m x m Koeffizientenmatrix G zusammengefasst. z ist ein m x 1-Vektor mit stochastischen Störgrößen für die strukturellen Beziehungen zwischen den x- und h-Variablen. Zuzüglich sind mit der Strukturgleichung zwei Varianz-Kovarianzmatrizen verbunden. Zum einen die n x n-Matrix F für die latenten exogenen Variablen und zum anderen die m x m-Matrix Y für die stochastischen Störgrößen. (5.3)

y = Λ yη + ε

Das Messmodell für die latenten endogenen Variablen wird der p x 1-Vektor der beobachtbaren endogenen Variablen (Indikatoren) mit y bezeichnet. Ly umfasst als p x m-Matrix die Koeffizienten der Beziehungen zwischen den y- und h-Variablen.

88

5. Ein methodischer Ansatz zur Aufdeckung und Kontrolle

Die Messfehler für die beobachteten Indikatoren der latenten endogenen Variablen werden im p x 1-Vektor e abgebildet. Verbunden mit dieser Messgleichung ist die p x pVarianz-Kovarianzmatrix Qe der Messfehler der y-Variablen.

x = Λ xη + δ

(5.4)

Analog zum Messmodell der latenten endogenen Variablen wird die Messgleichung (5.4) für die latenten exogenen Variablen formuliert. x ist ein q x 1-Vektor der die beobachteten Indikatoren der latenten exogenen Variablen beinhaltet. Die Beziehung zwischen den x- und x-Variablen werden in der q x n-Koeffizientenmatrix Lx abgebildet, während die Messfehler der beobachteten Indikatoren der latenten exogenen Variablen im q x 1-Vektor d zusammengefasst werden. Die q x n-VarianzKovarianzmatrix Qd der Messfehler der x-Variablen vervollständigt das Messmodell der latenten exogenen Variablen. Im vollständigen LISREL-Modell werden verschiedene Annahmen getroffen. Zunächst wird davon ausgegangen, dass die Variablen h, x, y und x als Abweichung von ihrem Mittelwert gemessen werden. Des weiteren wird angenommen, dass der Erwartungswert der Störgrößen und Messfehler gleich Null ist (E(z)=E(e)=E(d)=0). Weiterhin sei e unkorreliert mit h, d unkorreliert mit x, z unkorreliert mit x sowie z, e und d untereinander nicht korreliert. Für I–B ist Nicht-Singularität vorausgesetzt. Hieraus resultiert die folgende Form der Kovarianzmatrix (5.5) der beobachteten Variablen:

(5.5)

⎛ Λ y Α(ΓΦΓʹ + Ψ ) ΑʹΛʹy + Θ ε Λ x ΦΓʹΑʹΛʹy ⎝

∑= ⎜

Λ y ΑΓΦΛʹx ⎞ ⎟ Λ x ΦΛʹx + Θ δ ⎠

wobei Α = ( I − B )−1.

Die Varianzen und Kovarianzen der beobachtbaren Variablen bilden die Datengrundlage für die Analyse von Strukturgleichungsmodellen. Um die Modellparameter schätzen zu können, wird aus den Modellgleichungen eine Kovarianzstrukturgleichung hergeleitet, die die Stichprobenkovarianzmatrix mit dem Vektor der Modellparameter in Beziehung setzt: Bei der Modellschätzung wird also der Abstand zwischen der Stichprobenkovarianzmatrix S und der modellimplizierten Kovarianzmatrix S über eine Fitfunktion F(S, S) minimiert. Sofern multivariate Normalverteilung der Indikatoren gegeben ist, kann die Schätzung des Modells mit der Maximum Likelihood (ML-)Methode

5.4. Die Spezifikation von Einzelgleichungsmodellen

89

erfolgen. Nach Jöreskog und Sörbom (1996) wird im LISREL-Ansatz in diesem Fall folgende Fitfunktion verwendet. (5.6)

FML ( S , Σ) = log Σ + tr(S Σ −1 ) − log S − ( p + q )

p und q stehen für die Anzahl der beobachtbaren endogenen bzw. beobachtbaren exogenen Indikatoren. Weitere Möglichkeiten sind das Unweighted Least Squares (ULS-) sowie das Generalized Least Squares (GLS-)Schätzverfahren (siehe hierzu bspw. Jöreskog und Sörbom 1996 oder Bollen 1989). Die Beurteilung der Güte des geschätzten Modells besteht in der Prüfung, wie gut die theoretischen Hypothesen die in den Stichprobendaten beobachteten Beziehungen erklären. Mit einer Plausibilitätsprüfung Dabei wird geprüft, ob die Vorzeichen und die absoluten Werte der Parameterschätzwerte mit den aufgrund theoretischer Vorüberlegungen vermuteten Werten übereinstimmen (Homburg und Baumgartner 1998). Weiterhin können Fehlspezifikationen im Modell aufgedeckt werden, die unzulässige Parameterschätzwerte, wie z. B. negative Varianzen, verursachen. Neben der Plausibilitätsprüfung steht eine breite Palette an Fitmaßen zur Verfügung, die dokumentieren, wie stark die Abweichung der empirischen von der modellimplizierten Kovarianzmatrix ist. Eine detaillierte Übersicht und Bewertung der einzelnen Maße liefern Hu und Bentler (1999).

5.4. Die Spezifikation von Einzelgleichungsmodellen zur Analyse von unbeobachtbaren Einflüssen 5.4.1. Statische Einzelgleichungsmodelle Unbeobachtbare Einflussgrößen können als mit den Ressourcen (exogenen Variablen) korreliert oder unkorreliert betrachtet werden. Eine Klassifizierung von Modellen ist aber nicht nur über diese Korrelationen möglich, sondern auch über die Eigenschaft der unbeobachtbaren Effekte. Diese können entweder deterministisch oder stochastisch sein. Je nach dem unterscheidet man bei linearen Regressionsmodellen zwischen Fixed-Effects-Modellen und Random-Effects-Modellen. Auch eine Unterscheidung in statische und dynamische Modelle bei linearen Regressionsmodellen ist möglich und wird in den folgenden Kapiteln vorgenommen. Zunächst sollen jedoch erst statische Modelle zur Kontrolle unbeobachtbarer Variablen in linearen Einzelgleichungsmodellen vorgestellt werden. Im Kapitel folgenden Unterkapitel wird ein statisches Regressionsmodell ohne Individualeffekte, das OLS-Modell vorgestellt. Kapitel 5.4.1.2 befasst sich dann mit Modellen, die Individualeffekte berücksichtigen und unterscheidet dabei, ob es sich bei den Individualeffekten um deterministische oder stochastische Größen handelt und ob diese mit den exogenen Variablen korreliert sind oder nicht.

90

5. Ein methodischer Ansatz zur Aufdeckung und Kontrolle

5.4.1.1. Regressionsmodell ohne Individualeffekte Für eine Regressionsanalyse ohne Individualeffekte bietet sich das OLS-Modell (Gleichung 5.7) an. Mit dessen Hilfe kann die Beziehung zwischen einer abhängigen und mehreren unabhängigen Variablen analysiert werden. (5.7)

yit = βx it + εit mit i = 1,...., N und t = 1,..., T

⎛ βi1 ⎞ ⎜ ⎟ y it = ⎜ M ⎟ ⎜β ⎟ ⎝ iK ⎠

(5.8)

(5.11)

⎛ x i1 ⎞ ⎜ ⎟ ⎜ M ⎟ + εit ⎜x ⎟ ⎝ iK ⎠

η* = B*η* + Γ*ξ* + ζ*

(5.9)

(5.10)

'

⎛ β1 ⎛ y1 ⎞ ⎛ y1 ⎞ ⎜ ⎜ ⎟ ⎜ ⎟ ⎜0 ⎜ M ⎟ = 0⎜ M ⎟ + ⎜ M ⎜ ⎟ ⎜ ⎟ ⎝ yT ⎠ ⎝ yT ⎠ ⎜ 0 ⎝

L βK L O

0 M

0 L 0 L β1 L βK L M O M O

L

0

0 L

0

0 L 0 L M O

L β1 L

⎛ x11 ⎞ ⎜ ⎟ ⎜ M ⎟ ⎜ x K1 ⎟ ⎜ ⎟ 0 ⎞ ⎜ x12 ⎟ ⎛ε ⎞ ⎟ 0 ⎟⎜ M ⎟ ⎜ 1 ⎟ ⎜ ⎟+ M M ⎟ ⎜ x K 2 ⎟ ⎜⎜ ⎟⎟ ε ⎟⎜ βK ⎠ M ⎟ ⎝ T ⎠ ⎜ ⎟ ⎜ x1T ⎟ ⎜ M ⎟ ⎜ ⎟ ⎜x ⎟ ⎝ KT ⎠

B* = 0; Λ*x = Λ*y = I; θ*ε = θ*δ = 0; Φ* = frei geschätzt

Die abhängige Variablen ergeben sich additiv aus dem (K x 1)-Vektor xit, multipliziert mit dem (K x 1)-Vektor b der Regressionsparameter, und den Störgrößen eit. Vektor xit beinhaltet die unabhängigen Variablen bezeichnet werden können. Die Störgrößen eit werden als normalverteilt mit einem Erwartungswert von Null und konstanter Varianz angenommen. Zur konsistenten Schätzung des Modells dient der OLS-Schätzer (vgl. Arminger und Müller 1990). Die Darstellung des OLS-Modells im LISREL-Ansatz ist in den Gleichungen (5.9) bis (5.11) dargestellt. Gleichung (4.8) verdeutlicht die Strukturgleichung für Periode t. Unter Beachtung dessen, dass t =1,...,T, wird für jede Periode eine Strukturgleichung eingeführt. Um das OLS-Modell als LISREL-Modell interpretieren zu

5.4. Die Spezifikation von Einzelgleichungsmodellen

91

können, sind einige Annahmen für die Messmodelle zu treffen. Demzufolge wird die Koeffizientenmatrix der latenten endogenen Variablen auf Null gesetzt (B’ = 0), die Varianzen und Kovarianzen der Messfehler der Indikatoren sind ebenfalls Null. Die Faktorladungsmatrizen Lx und Ly der Messmodelle entsprechen einer Einheitsmatrix. Die Varianz-Kovarianzmatrix F* der latenten exogenen Variablen x wird frei geschätzt (vgl. Hsiao 2003). 5.4.1.2. Regressionsmodelle mit Individualeffekten In Kapitel 5.2 wurde bereits auf die Vorteile von Paneldaten eingegangen. Dabei wurde deutlich, dass durch die Kombination von Querschnittsdaten und Zeitreihen eine Kontrolle individualspezifischer Effekte möglich ist. Mit reinen Querschnittsdaten ist es weder möglich, diese Effekte zu identifizieren noch sie zu kontrollieren. Gleichung (5.12) zeigt ein Regressionsmodell mit Individualeffekten. Dabei unterscheidet sich die Art der Modelle danach, ob der Individualeffekt mi deterministisch oder eine Zufallsvariable ist. Ist das letztere der Fall, handelt es sich um Random-Effects-Modelle. Im deterministischen Fall spricht man von einem Fixed-Effects-Modell (vgl. Arndt 2004). (5.12)

yit = μi + β' x it + εit mit i = 1,...., N und t = 1,..., T

Bei Nichtberücksichtigung der Individualeffekte wird die potenzielle Korrelation zwischen den Effekten und den beobachteten Variablen zu verzerrten und inkonsistenten Schätzungen der Parameter durch die OLS- und GLS-Schätzer führen. Um dieses Problem zu umgehen, wird der Individualeffekt in das Modell aufgenommen und beispielsweise durch Transformationen der Daten, in Abweichungen vom individuellen Mittelwert, eliminiert (vgl. Hausman und Taylor 1981). In den folgenden Abschnitten sollen Random-Effects-Modelle und Fixed-Effects-Modelle zur Berücksichtigung der Individualeffekte betrachtet werden. Dazu wird zunächst ein Random-Effects-Modell vorgestellt, bei dem die (als Zufallsvariablen betrachteten) Individualeffekte nicht mit den exogenen Variablen korreliert sind. Von einer Korrelation von festen Individualeffekten mit den exogenen Variablen wird in dem danach vorgestellten Fixed-Effects-Modell und Differenzenmodell ausgegangen. Das letzte vorgestellte statische Modell ist ein Random-Effects-Modell mit Korrelation der zufälligen Individualeffekte mit den exogenen Variablen. 5.4.1.2.1. Random-Effects-Modell ohne Korrelation zwischen Individualeffekten und unabhängigen Variablen Bei diesem Modell werden die Individualeffekte als Zufallsvariablen angesehen, die unabhängig von den exogenen Variablen sind. Die Aufnahme der Individualef-

92

5. Ein methodischer Ansatz zur Aufdeckung und Kontrolle

fekte wird durch eine latente exogene Variable mi in die Regression wie folgt erreicht:

yit = β' x it + vit mit vit = μi + εit ; i = 1,...., N und t = 1,..., T

(5.13)

(5.14)

⎛ β1 ⎛ y1 ⎞ ⎛ y1 ⎞ ⎜ ⎜ ⎟ ⎜ ⎟ ⎜0 (5.15) ⎜ M ⎟ = 0 ⎜ M ⎟ + ⎜ M ⎜y ⎟ ⎜y ⎟ ⎜ ⎝ T⎠ ⎝ T⎠ ⎝0

L βK

0 L

L

0 L

0

L

0

β1 L βK L

0 L

0

O L

M 0

M O 0 L

B* = 0 (5.16)

0 M 0

y* = η*

O M O M L β1 L βK

→

Φ* = frei geschätzt x =Λ ξ *

Ψ *OLS = Ψ * im zeithomogenen Modell

Cov ( ξ, μ ) = 0

* x

→

⎛ x11 ⎞ ⎜ ⎟ ⎜ M ⎟ ⎜ x K1 ⎟ ⎜ ⎟ x12 ⎟ ⎜ 1⎞ ⎟ ⎜ M ⎟ ⎛ ε1 ⎞ 1⎟ ⎜ ⎟ ⎜ ⎟ ⎜x ⎟+ M M ⎟ ⎜ K 2 ⎟ ⎜⎜ ⎟⎟ ε ⎟ M ⎟ ⎝ T⎠ 1⎠ ⎜ ⎜ x1T ⎟ ⎜ M ⎟ ⎜ ⎟ ⎜ x KT ⎟ ⎜ ⎟ ⎝ μ ⎠

Λ*y = I und ε* = 0 0⎞ ⎛1 ⎜ ⎟ O ⎟ und δ* = 0 Λ =⎜ ⎜ ⎟ 1 ⎜ ⎟ 0 0 ⎝ ⎠ * x

Neben der Aufnahme der Effekte im Strukturmodell ist auch eine Spezifikation über das Messmodell möglich. Beide Möglichkeiten der Integration führen zu gleichen Ergebnissen bei der Schätzung von b, den Fitmaßen und der Varianz der Individualeffekte s2m sowie der Varianz der allgemeinen Störgrößen s2e. Das Bestimmtheitsmaß für h* hingegen unterscheidet sich zwischen beiden Spezifikationsvarianten. Probleme bringt die Integration im Messmodell auch bei dynamischen Modellen. Hier zeigen sich als Schwäche der Integration im Messmodell die verzerrten Schätzer für die Parameter. Da die Varianzen und Kovarianzen von h* geringer sind

5.4. Die Spezifikation von Einzelgleichungsmodellen

93

bei der Integration von m im Messmodell als im Strukturmodell (Arminger und Müller 1990 oder Annacker 2001), beeinflusst dies zudem das Squared-Multiple-Correlation-Maß. Der erklärte Varianzanteil von yt wird also unterschätzt. Der SMC-Wert gibt den Erklärungsanteil der geschätzten Varianz der endogenen Variablen durch das Modell an. Zur formalen Erklärung dieser Differenz sei auf Annacker (2001, S. 82 f.) hingewiesen. Das SMC-Maß kann auch als multiples Bestimmtheitsmaß bezeichnet werden, da nach seiner Definition, SMCr = 1 −

σˆ ζ2* r

σˆ η2* r

es dem R2-Wert, R2 = 1−

SSE nicht erklärte Varianz = 1− SST Gesamtvarianz

sehr ähnelt. Dieses hingegen gibt an, wie viel der beobachtbaren Varianz der abhängigen Variablen durch die Modellvariablen erklärt werden kann (vgl. Judge et al. 1985). In Gleichung (5.13) wurde das Regressionsmodell mit Individualeffekten mi, welche über die Zeit konstant sind, vorgestellt. Im folgenden Abschnitt soll eine Lockerung der Annahme über die konstante Zeit vorgenommen werden. In Gleichung (5.17) sind demnach zeitabhängige Individualeffekte,mit , integriert. Somit handelt es sich um ein Modell, das nichtbeobachtbare, wellenspezifische und individualspezifische Abweichungen auffängt. Allerdings tritt dabei ein Identifikationsproblem auf. Beide Fehler sind jetzt nicht mehr auseinander zu halten. Um dies wieder möglich zu machen und eine Identifikation zu gewährleisten, muss angenommen werden, dass die Individualeffekte mit einer gleichen Rate wachsen. Durch diese Annahme ist es möglich, die zeitabhängigen Individualeffekte über eine Rate tt, welche für alle Individuen gleich ist, und den zeitinvarianten Individualeffekten mi, welche über die Zeit konstant sind, aber über alle Individuen variiert, zu separieren. Die Wachstumsrate wird für jede Periode frei geschätzt. Lediglich tl wird aus Identifikationsproblemen auf 1 fixiert. In Gleichung (5.18) ist das vorgestellte Modell dargestellt. Für die Spezifikation im LISREL-Ansatz reicht die Änderung der Faktorladungsmatrix G*, welche in Gleichung (5.19) vorgenommen wurde. (5.17)

(5.18)

yit = μit + β' x it + εit mit i = 1,...., N und t = 1,..., T

yit = τ t μ i + β' x it + εit mit i = 1,...., N und t = 1,..., T

94

(5.19)

5. Ein methodischer Ansatz zur Aufdeckung und Kontrolle ⎛ β1 ⎜ 0 Γ* = ⎜ ⎜M ⎜ ⎝0

L βK L 0 O M L 0

0 L 0 β1 L βK M O M 0 L 0

L 0 L 0 O M L β1

L 0 L 0 O M L βK

1⎞ ⎟ τ2 ⎟ M ⎟ ⎟ τT ⎠

5.4.1.2.2. Fixed-Effects-Modell mit Korrelation zwischen Individualeffekten und unabhängigen Variablen Im Fixed-Effects-Modell sind die Individualeffekte mi keine Zufallsvariablen mehr, wie es beim Random-Effects-Modell der Fall war, sondern deterministisch, also feste Effekte. Die individuellen Effekte können als unabhängige Variablen für alle N Beobachtungen aufgenommen werden und in die Schätzgleichung als Dummyvariablen eingeführt werden. Das Fixed-Effects-Modell wird daher auch oft als Least-Squares-Dummy-Variables Estimator (LSDV-Schätzer) bezeichnet. Die Schätzung für bk als auch für mi ist bei T→∞ konsistent. Bei einem Paneldatensatz mit vielen Beobachtungen N, aber einer kleinen Anzahl betrachteter Perioden T, liefert der Schätzer nur für b konsistente Schätzungen. Eine andere Möglichkeit der Berücksichtigung der Effekte ist über eine Within-Transformation gegeben, welche in Gleichung (5.20) und (5.21) dargestellt ist. (5.20)

yit = μi + β' x it + εit

mit i = 1,...., N und t = 1,..., T

yit − yi = μi − μi + β' ( x it − x i ) + εit − εi (5.21)

T Mit yi = 1 ∑ yit

T

t =1

xi =

1 T ∑ x it T t =1

εi =

1 T ∑ εit T t =1

μi =

1 T ∑ μi =μi T t =1

(5.22)

Im FE-Modell ist es demnach möglich, den Störterm in zwei Komponenten zu unterteilen: in den zeitkonstanten Term mi und in den zeitvariablen Term eit. Nach Gleichung (5.21) werden die Mittelwerte von den einzelnen Beobachtungen subtrahiert, wodurch zeitinvariante statische Eigenschaften aus der Schätzung herausfallen (vgl. Arndt 2004 oder Hsiao 2003). Eine spezielle Version eines Fixed-Effects-Modells ist das sogenannte Differenzenmodell, bei dem die Individualeffekte mit den exogenen Variablen korreliert sind. Neben der in Gleichung (5.21) vorgestellten Datentransformation ist es auch möglich, über ein Differenzenmodell die Individualeffekte zu beseitigen. In diesem

95

5.4. Die Spezifikation von Einzelgleichungsmodellen

Modell verwendet man die Differenz der gegenwärtigen Periode und der Vorperiode. Es handelt sich demnach um ein Differenzenmodell erster Ordnung. Es ist in Gleichung (5.23) dargestellt. In den Gleichungen (5.17) bis (5.19) die Möglichkeit der zeitabhängigen Individualeffekte, mi, diskutiert. Auch in diesem Modell ist bei gegebener Zeitabhängigkeit nur durch die bereits beschriebene Transformation der Individualeffekte, in Wachstumsrate und zeitunabhängige Individualeffekten, Validität gegeben. Eine Differenzenbildung ist somit nur möglich, wenn die Individualeffekte zeitinvariant sind. Annahme (5.22) beschreibt, dass die Störgrößen im Fixed-Effects-Modell unkorreliert sind. Durch die Differenzenbildung der Beobachtungswerte zweier aufeinander folgender Perioden, resultiert für die Störgrößen ein Moving-Average-Prozess erster Ordnung, wobei et = ut + M1ut + ... +Mqut–q ein Prozess der Störgrößen in endlicher Form ist. Für nur einen Moving-Average-Prozess ergibt sich et = ut + M1ut–1 (vgl. bspw. Lütkepohl 1993). Die Darstellung des Differenzenmodells in LISREL-Schreibweise ist in Gleichung (5.25), dem Strukturmodell, dargestellt. Zunächst soll die Analyse auf Basis von Niveaudaten betrachtet werden. Gleichung (5.23) muss dazu zu Gleichung (5.24) umgeschrieben werden, wobei b =–b1 gilt. Die Messmodelle ergeben sich unter Berücksichtigung der Annahmen (5.26). Über die Varianz-Kovarianzmatrix der Störgrößen wird durch Freisetzen entsprechender Werte des Moving-Average-Prozess berücksichtigt. Nehmen die Varianzen einen gleichen Wert an und weisen auch die Kovarianzen einen identischen Wert auf, so handelt es sich um ein zeithomogenes Modell. Verwendet man als Datenbasis statt Niveaudaten Differenzendaten bei der Schätzung des Modells, so kann diese Schätzung analog zur in Kapitel 5.4.1.1 vorgestellten Regressionsanalyse in LISREL durchgeführt werden. Die Annahme über y* aus (5.26) bleibt bestehen (vgl. Arminger und Müller 1990). yit − yi,t −1 = β' ( x it − x i,t −1 ) + ( εit − εi,t −1 ) → Δyit = β' Δx it + Δεit

(5.23)

t = 2,K T

yit = yi,t −1 + β1' x it + β'2 x i,t −1 + Δεit

(5.24)

⎛0 ⎛ y2 ⎞ ⎜ ⎜1 =⎜M ⎜ M ⎟ ⎜ ⎜ ⎟ ⎜0 y ⎝ T ⎠ ⎜0 ⎝

(5.25) ⎜⎜ y3 ⎟⎟

0 L 0 0⎞ ⎟ ⎛ y 2 ⎞ ⎛ 1 −β1 0 L 0 0⎟⎜ ⎟ ⎜ y3 0 0 M O M M ⎟⎜ ⎟ + ⎜ M ⎟⎜ M ⎟ ⎜ M 0 L 0 0⎟⎜ ⎟ ⎜ yT ⎠ ⎝ 0 0 ⎝ ⎟ 0 L 1 0⎠

L −βK L 0 O M L

0

β1

L

0

L

0

0 M

L O

0 M

0

L

βK

−β1 L −βK L M O M O L

0

L −β1 L −βK

0 L 0 L M O β1 L

⎛ y1 ⎞ ⎟ ⎜ ⎜ x11 ⎟ ⎜ M ⎟ ⎟ ⎜ x 0 ⎞ ⎜ K1 ⎟ ⎛ Δε 2 ⎞ ⎜ ⎟ ⎟ x ⎟ ⎜ 0 ⎟ ⎜ 12 ⎟ ⎜ Δε3 ⎟ ⎜ M ⎟+⎜ ⎟ M M ⎟⎜ ⎟ ⎟ x K 2 ⎟⎟ ⎜ ΔεT ⎠ βK ⎠ ⎜ ⎝ ⎜ M ⎟ ⎜x ⎟ ⎜ 1T ⎟ ⎜ M ⎟ ⎜ ⎟ ⎝ x KT ⎠

96

(5.26)

5. Ein methodischer Ansatz zur Aufdeckung und Kontrolle ⎛ σ2Δε2 ⎜ ⎜ σΔε3 ,Δε2 ψ* = ⎜⎜ M ⎜ 0 ⎜ ⎜ ⎝ 0

Λ =Λ =I * x

* y

θ*δ = θ*ε = 0

Φ* = unrestringiert

L

0

2 Δε3

L

0

M 0

O L

σ2ΔεT−1

0

L σΔεT ,ΔεT−1

0 σ

M

0 ⎞ ⎟ 0 ⎟ ⎟ M ⎟ 0 ⎟ ⎟ σ2ΔεT ⎠⎟

5.4.1.2.3. Random-Effects-Modell mit Korrelation zwischen Individualeffekten und unabhängigen Variablen Bei diesem Modell handelt es sich um ein Random-Effects-Modell, bei welchem die Individualeffekte Zufallsvariablen sind. Im Fixed-Effects-Modell hingegen waren dies feste Effekte, wodurch eine Korrelation zwischen exogenen Variablen und Individualeffekten ermöglicht wurde. Diese Korrelation kann aber auch im RandomEffects-Modell dadurch berücksichtigt werden, dass die Individualeffekte als bedingt verteilt in Abhängigkeit von den exogenen Variablen angenommen werden (Arminger und Müller 1990). Die Individualeffekte hängen insofern von den individuellen Mittelwerten der exogenen Variablen ab. Zur Verdeutlichung dient Gleichung (5.27). Bei der Überführung in den LISREL-Ansatz wird dies dadurch beachtet, dass mi als latente endogene Variable in das Modell mit eingeführt wird. Zur Illustration der Einbettung dient Gleichung (5.28). (5.27)

(5.28)

⎛ y1 ⎞ ⎛ 0 ⎜ ⎟ ⎜ ⎜ y2 ⎟ ⎜ 0 ⎜ M ⎟=⎜M ⎜ ⎟ ⎜ ⎜ yT ⎟ ⎜ 0 ⎜ ⎟ ⎜ ⎝ μ ⎠ ⎝0

0 L 0 1 ⎞⎛ y1 ⎞ ⎛ β1 ⎟⎜ ⎟ ⎜ 0 L 0 1 ⎟⎜ y 2 ⎟ ⎜ 0 M O M M ⎟⎜ M ⎟ + ⎜ M ⎟⎜ ⎟ ⎜ 0 L 0 1 ⎟⎜ y T ⎟ ⎜ 0 ⎟⎜ μ ⎟ ⎜ π 0 L 0 0 ⎠⎝ ⎠ ⎝ 11

L βK

0

L

0

L

0

L

L O

0 M

β1 M

L O

βK M

L O

0 M

L O

L

0

0

L

0

L

β1

L

L πK1

π12 L πK 2 L π1T L

⎛ x11 ⎞ ⎜ ⎟ ⎜ M ⎟ ⎜ x K1 ⎟ 0 ⎞⎜ ⎟ ⎛ ε1 ⎞ ⎟ x 0 ⎟ ⎜ 12 ⎟ ⎜⎜ ε 2 ⎟⎟ ⎜ M ⎟ ⎟+⎜ M ⎟ M ⎟⎜ ⎟ ⎜ xK2 ⎟ ⎜ ⎟ βK ⎟ ⎜ ε M ⎟ ⎜⎜ T ⎟⎟ ⎟ ⎝ω⎠ πKT ⎠⎟ ⎜ ⎜ x1T ⎟ ⎜ M ⎟ ⎜ ⎟ ⎜ ⎟ ⎝ x KT ⎠

5.4.2. Dynamische Einzelgleichungsmodelle Nachdem Kapitel 5.4.1 statische Modelle zur Kontrolle unbeobachtbarer Variablen in linearen Einzelgleichungsmodellen vorstellte, die sich nach Korrelation der unbeobachtbaren Einflussgrößen mit den exogenen Variablen unterscheiden, soll im folgenden Abschnitt die gleiche Betrachtung auf dynamischer Ebene durchgeführt werden.

97

5.4. Die Spezifikation von Einzelgleichungsmodellen

In Kapitel 5.4.2.1 soll zunächst ein einfaches dynamisches Modell vorgestellt werden. In Kapitel 5.4.2.2 werden dann mögliche Erweiterungen des Modells um Individualeffekte vorgenommen. Auch hier wird zwischen Fixed-Effects- und Random-Effects-Modellen unterschieden.

5.4.2.1. Dynamische Modelle ohne Individualeffekte In statischen Modellen für Paneldaten ist die zeitliche Entwicklung der abhängigen Variablen yit durch die unabhängigen Variablen xit und die Fehlerterme eit erklärt worden. So wirken abhängige Variablen und Störgrößen lediglich in der beobachteten Periode. Im dynamischen Fall können aber zusätzlich vorhergehende Werte der abhängigen Variablen yit, also yi,t–1, yi,t–2, ... , yi,t–n die abhängigen Variablen der gegenwärtigen Periode beeinflussen. Es handelt sich dann um einen autoregressiven Prozess n-ter Ordnung (vgl. Judge et al. 1985). Somit wird der Einfluss exogener/unabhängiger Variablen auf die endogenen/abhängigen Variablen auch periodenübergreifend wirksam. In diesem Fall spricht man von Systemdynamik. Eine andere Form der Dynamik wird als Fehlerdynamik bezeichnet. Hier resultiert die Dynamik lediglich aus den Störgrößen uit = rui,t–1 + ... rui,t–n + eit, in denen unbeobachtbare Einflussgrößen einen autoregressiven Prozess folgen (vgl. Maddala 1987). In den folgenden Modellen soll lediglich eine autoregressive Struktur erster Ordnung betrachtet werden. In diesen wird die Variable aus der Gegenwart von der Variable aus der Vorperiode beeinflusst. Ein einfaches dynamisches Modell mit Systemdynamik ist in Gleichung (5.29) bis (5.31) dargestellt. Die Startwerte für yil werden in Anhängigkeit von x berechnet. (5.29)

yit = αyi,t −1 + β' x it + εit

mit i = 1,...., N und t = 2,..., T

T

y i1 = ∑ λ 't x it + υi1

i = 1,K , N

t=2

(5.30)

(5.31)

⎛ y2 ⎞ ⎛ 0 0 0 L ⎜ ⎟ ⎜ ⎜ y3 ⎟ ⎜ α 0 0 L ⎜ M ⎟ ⎜0 α 0 L ⎜ ⎟=⎜ ⎜ y T −1 ⎟ ⎜ M M M O ⎜ yT ⎟ ⎜ 0 0 0 L ⎜⎜ ⎟⎟ ⎜⎜ ⎝ y1 ⎠ ⎝ 0 0 0 L

0 α ⎞ ⎛ y2 ⎞ ⎟ ⎛ β1 ⎟⎜ 0 0 ⎟ ⎜ y3 ⎟ ⎜ 0 0 0 ⎟⎜ M ⎟ ⎜ ⎟+⎜ M ⎟⎜ M M ⎟ ⎜ y T −1 ⎟ ⎜ 0 0 0 ⎟ ⎜ yT ⎟ ⎜⎜ ⎟⎟ ⎝ λ12 ⎟⎟ ⎜⎜ 0 0 ⎠ ⎝ y1 ⎠

Λ*y = I

L

βK

0

L

0

L

0

L

0

β1

L

βK

L

0

L

O L

M 0

M 0

O L

M 0

O L

M β1

O L

L λK 2

θ*ε = 0 ; Λ*x = I

L

λ13 L λ K3 L λ1T L

θ*δ = 0

⎛ x12 ⎞ ⎜ ⎟ ⎜ M ⎟ ⎜ x K 2 ⎟ ⎛ ε2 ⎞ 0 ⎞⎜ ⎟ ⎜ ⎟ ε ⎟ x 0 ⎟ ⎜ 13 ⎟ ⎜ 3 ⎟ ⎜ M ⎟ ⎜ M ⎟ ⎟+⎜ M ⎟⎜ ⎟ ⎟⎜ x ⎟ ε βK ⎟ ⎜ K3 ⎟ ⎜ T −1 ⎟ ⎜ M ε ⎟ ⎟ ⎜ T ⎟ λ KT ⎟⎠ ⎜ ⎜ x1T ⎟ ⎜⎝ υ1 ⎟⎠ ⎜ M ⎟ ⎜ ⎟ ⎜x ⎟ ⎝ KT ⎠

98

5. Ein methodischer Ansatz zur Aufdeckung und Kontrolle

5.4.2.2. Dynamische Modelle mit Individualeffekten Durch die Aufnahme der Dynamik (Systemdynamik) über die abhängige Variable in einem Modell kommt es bei Berücksichtigung der Individualeffekte zu Problemen, resultierend daraus, dass die abhängige Variable yit eine Funktion der Individualeffekte ist. Folglich ist auch yi,t–1 eine Funktion von mi. Diese Zusammenhänge ergeben eine Korrelation der abhängigen Variablen mit dem Individualeffekt (vgl. Baltagi 2005). In den folgenden Abschnitten sollen Modelle, die Individualeffekte berücksichtigen, vorgestellt werden. Dabei handelt es sich um dynamische Typen der in Kapitel 5.4.1.2 vorgestellten Modelle. 5.4.2.2.1. Dynamisches Random-Effects-Modell ohne Korrelation zwischen Individualeffekten und unabhängigen Variablen In Kapitel 5.4.1.2.1 wurde bereits das statische Random-Effects-Modell ohne Korrelation zwischen Individualeffekten und exogenen Variablen vorgestellt. In diesem Abschnitt soll dieses Modell nun in seiner dynamischen Version betrachtet werden (siehe hierzu Gleichungen (5.32–5.36). Zur Schätzung des Modells kann die Maximum-Likelihood-Schätzung herangezogen werden, sofern Startwerte für yil festgelegt werden (vgl. Hsiao 2003, Baltagi 2005), was deterministisch oder zufällig geschehen kann. Eine endogene Berechnung der Startwerte aus dem Modell heraus scheint am plausibelsten. Die Startwerte sind in diesem Fall mit den Individualeffekten korreliert. Um das Modell allerdings einfach in LISREL zu überführen, empfiehlt sich die Vorgehensweise von Bhargava und Sargan (1983), die das Modell als Mehrgleichungssystem interpretieren und zur Berechnung der endogenen Startwerte Gleichung (4.33) verwenden. Die Darstellung des Modells in LISREL-Notation ist in Gleichung (4.34) gezeigt. (5.32)

yit = αyi,t −1 + β' x it + υit υit = μi + εit

(5.33)

i = 1,K , N

t = 1,K , T

99

5.4. Die Spezifikation von Einzelgleichungsmodellen T

i = 1,K , N

Cov( υi1 , μ i ) ≠ 0

λ t − Parametervektor

t =2

(5.34)

(5.35)

yi1 = ∑ λ 't x it + υi1

⎛ y2 ⎞ ⎛ 0 ⎜ ⎟ ⎜ ⎜ y3 ⎟ ⎜ α ⎜ M ⎟ ⎜M ⎜ ⎟ ⎜ ⎜ y T −1 ⎟ = ⎜ 0 ⎜ yT ⎟ ⎜ 0 ⎜ ⎟ ⎜ ⎜ y1 ⎟ ⎜ 0 ⎜ μ ⎟ ⎜0 ⎝ ⎠ ⎝

0 α 1 ⎞ ⎛ y2 ⎞ ⎟⎜ ⎟ ⎛β 0 0 1 ⎟ ⎜ y3 ⎟ ⎜ 1 0 M M M ⎟⎜ M ⎟ ⎜ ⎟⎜ ⎟ ⎜ M 0 L 0 0 0 1 ⎟ ⎜ y T −1 ⎟ + ⎜ 0 0 L α 0 0 1 ⎟ ⎜ yT ⎟ ⎜ ⎟⎜ ⎟ ⎜ λ12 0 L 0 0 0 0 ⎟ ⎜ y1 ⎟ ⎜⎜ ⎝ 0 0 L 0 0 0 0 ⎟⎠ ⎜⎝ μ ⎟⎠ 0 L 0

0 L 0 M O M

L

βK

0

L

0

L

0

L

L O

0 M

β1 M

L O

βK M

L O

0 M

L O

L

0

0 L 0 L β1 L λ13 L λ K3 L λ1T L 0 L 0 L 0 L

L λK 2 L 0

θ*ε = θ*δ = 0

(5.36)

Λ*x = I

⎛ x12 ⎞ ⎜ ⎟ ⎜ M ⎟ ⎛ ε ⎞ 0 ⎞ ⎜ xK2 ⎟ ⎜ 2 ⎟ ε ⎟ ⎟⎜ 0 ⎟ ⎜ x13 ⎟ ⎜ 3 ⎟ ⎜ M ⎟ ⎜ ⎟ M ⎟ M ⎜ ⎟ ⎟+ ε ⎟⎜ βK ⎟ ⎜ x K3 ⎟ ⎜ T −1 ⎟ ⎜ εT ⎟ ⎟ λ KT ⎟ ⎜ M ⎟ ⎜ ⎟ ⎜ υ ⎟ ⎟⎜ 0 ⎟⎠ ⎜ x1T ⎟ ⎜ 1 ⎟ μ ⎠ ⎜ M ⎟ ⎝ ⎜ ⎟ ⎜x ⎟ ⎝ KT ⎠

( )

Λ*y = I 0

5.4.2.2.2. Dynamisches Fixed-Effects-Modell mit Korrelation zwischen Individualeffekten und unabhängigen Variablen Das Differenzenmodell wurde als Fixed-Effects-Modell in Kapitel 5.4.1.2.2 vorgestellt. Auch für dieses Modell soll im folgenden Abschnitt eine dynamische Erweiterung betrachtet werden. Das in Gleichung (5.37) beschriebe Modell ist ein dynamisches Fixed-Effects-Modell, in dem die festen Individualeffekte mit den exogenen Variablen unkorreliert sind. Die Individualeffekte können hier über Differenzenbildung erster Ordnung eliminiert werden. Zur Veranschaulichung dient Gleichung (5.38). Zur Schätzung des Modells in LISREL wird auf den im dynamischen Random-Effects-Modell verwendeten Ansatz zurückgegriffen. Die Startwerte werden so über Gleichung (5.39) en¯ , wird dogenisiert, und unter der Annahme strikter exogener Variablen, E[eit xit ] = O eine Schätzung des um Gleichung (5.40) erweiterten Modells vorgenommen.

(5.37)

yit − yi,t −1 = αyi,t −1 − αyi,t − 2 + β' x it − β' x i,t −1 + μi − μi + εit − εi,t −1 (5.38)

↓ Δyit = αΔyi,t −1 + β' Δx it + Δεit

t = 3,K T

100

5. Ein methodischer Ansatz zur Aufdeckung und Kontrolle T

Δyi2 = ∑ λ 't Δx it + υi2

(5.39)

(5.40)

i = 1,K , N

t =3

⎛ Δy3 ⎞ ⎛ 0 ⎜ ⎟ ⎜ ⎜ Δy 4 ⎟ ⎜ α ⎜ M ⎟ ⎜M ⎜ ⎟=⎜ ⎜ Δy T −1 ⎟ ⎜ 0 ⎜ Δy T ⎟ ⎜ 0 ⎜⎜ Δy ⎟⎟ ⎜⎜ 0 ⎝ 2 ⎠ ⎝

0 L 0

L

βK

0

L

0

L

0

L

0

0

L

0 L 0 M O M

0 α ⎞ ⎛ Δy3 ⎞ ⎛ β1 ⎟ ⎜ ⎟⎜ 0 0 ⎟ ⎜ Δy 4 ⎟ ⎜ 0 M M ⎟⎜ M ⎟ ⎜ M ⎟+⎜ ⎟⎜ 0 L 0 0 0 ⎟ ⎜ Δy T −1 ⎟ ⎜ 0 0 L α 0 0 ⎟ ⎜ Δy T ⎟ ⎜ 0 ⎟ ⎜ ⎟⎜ 0 L 0 0 0 ⎟⎠ ⎜⎝ Δy 2 ⎟⎠ ⎝⎜ λ13

L O

0 M

β1 M

L O

βK M

L O

0 M

L O

0 M

0 M

L O

L L

0 0

0 0

L L

0 0

L L

β1 0

L L

βK 0

0 β1

L L

L λK3

λ14 L λ K 4 L λ1T −1 L λ KT −1

λ1T L

⎛ Δx13 ⎞ ⎜ ⎟ ⎜ M ⎟ ⎜ Δx K3 ⎟ ⎜ ⎟ Δx14 ⎟ 0 ⎞⎜ ⎛ Δε3 ⎞ ⎟⎜ M ⎟ ⎜ ⎟ ⎟ 0 ⎟⎜ Δε 4 ⎟ Δx K 4 ⎟ ⎜ ⎜ ⎜ M ⎟ M ⎟⎜ ⎟ M + ⎟ ⎟ ⎜⎜ Δε T −1 ⎟⎟ 0 ⎟⎜ ⎜ Δx ⎟ βK ⎟ ⎜ 1T −1 ⎟ ⎜ ΔεT ⎟ ⎟ ⎟ M ⎟ ⎜⎜ λ KT ⎟⎠ ⎜ υ ⎟ ⎜ Δx KT −1 ⎟ ⎝ 2 ⎠ ⎜ ⎟ ⎜ Δx1T ⎟ ⎜ M ⎟ ⎜⎜ Δx ⎟⎟ KT ⎠ ⎝

5.4.2.2.3. Dynamisches Random-Effects-Modell mit Korrelation zwischen Individualeffekten und unabhängigen Variablen Dieses Modell ist ein dynamisches Random-Effects-Modell, in welchem die Individualeffekte mit den exogenen Variablen korreliert sind. Auf statischer Ebene wurde in Kapitel 5.4.1.2.3 bereits die statische Version des Modells vorgestellt. In beiden Modellen resultiert die Korrelation der exogenen Variablen mit den Individualeffekten aus der bedingten Verteilung der Effekte. Sie hängen von den individuellen Mittelwerten der exogenen Variablen ab. Im dynamischen Modell wird demnach bei der Überführung des Modells in LISREL Gleichung (5.27) integriert. Zur Schätzung der Parameter empfiehlt sich der Maximum-Likelihood-Schätzer, bei der endogene Startwerte für yil zu wählen sind. Dies geschieht auch in diesem Modell über Gleichung (5.34). Das Modell in LISREL-Notation kann demnach durch Gleichung (5.41) formuliert werden.

(5.41)

⎛ y2 ⎞ ⎛ 0 ⎜ ⎟ ⎜ ⎜ y3 ⎟ ⎜ α ⎜ M ⎟ ⎜M ⎜ ⎟ ⎜ ⎜ y T −1 ⎟ = ⎜ 0 ⎜ yT ⎟ ⎜ 0 ⎜ ⎟ ⎜ ⎜ y1 ⎟ ⎜ 0 ⎜ μ ⎟ ⎜0 ⎝ ⎠ ⎝

0 L 0

0 α 1 ⎞ ⎛ y2 ⎞ ⎟⎜ ⎟ ⎛ β1 0 0 1 ⎟ ⎜ y3 ⎟ ⎜ 0 M M M ⎟⎜ M ⎟ ⎜ ⎟⎜ ⎟ ⎜ M 0 L 0 0 0 1 ⎟ ⎜ y T −1 ⎟ + ⎜ 0 0 L α 0 0 1 ⎟ ⎜ yT ⎟ ⎜ ⎟⎜ ⎟ ⎜ λ12 0 L 0 0 0 0 ⎟ ⎜ y1 ⎟ ⎜⎜ ⎝ π12 0 L 0 0 0 0 ⎠⎟ ⎝⎜ μ ⎠⎟ 0 L 0 M O M

L

βK

0

L

0

L

0

L

L O

0 M

β1 M

L O

βK M

L O

0 M

L O

L

0

0

L

0

L

β1

L

L λK 2 L πK 2

λ13 L λ K3 L λ1T L π13 L πK3 L π1T L

⎛ x12 ⎞ ⎜ ⎟ ⎜ M ⎟ ⎛ ε ⎞ 0 ⎞ ⎜ xK2 ⎟ ⎜ 2 ⎟ ε ⎟ ⎟⎜ 0 ⎟ ⎜ x13 ⎟ ⎜ 3 ⎟ ⎜ M ⎟ M ⎟⎜ M ⎟ ⎜ ⎟ ⎟+ ε ⎟⎜ βK ⎟ ⎜ x K3 ⎟ ⎜ T −1 ⎟ ⎜ εT ⎟ λ KT ⎟ ⎜ M ⎟ ⎜ ⎟ ⎟ ⎜ υ ⎟ ⎟⎜ πKT ⎠⎟ ⎜ x1T ⎟ ⎜ 1 ⎟ ⎜ M ⎟ ⎝ ω ⎠ ⎜ ⎟ ⎜x ⎟ ⎝ KT ⎠

5.4.2.2.4. Autokorrelationsmodell mit Individualeffekten In den bis jetzt vorgestellten Modellen wurde von unkorrelierten Störgrößen ausgegangen. Lockert man jedoch die Annahmen, indem man Autokorrelation der

101

5.4. Die Spezifikation von Einzelgleichungsmodellen

Störgrößen zulässt, kann dies durch einen autoregressiven Prozess geschehen. Die Fehler der Gegenwart ergeben sich so additiv aus einem Anteil r, der Fehler der Vorperiode ui,t–1 und aus Zufallsfehlern eit. Durch Anwendung der Fehlerdynamik auf ein dynamisches Regressionsmodell, welches Individualeffekte berücksichtigt, ergibt sich die Gleichung (5.42) mit den Annahmen (5.43). Zuzüglich der bereits beschriebenen Fehler werden hier die Individualeffekte mi berücksichtigt.

yit = β' x it + υit

i = 1,K , N

t = 1,K , T

υit = μi + u it

(5.42)

u it = ρu i,t −1 + εit

(5.43)

Um die Korrelation der Individualeffekte mit den exogenen latenten Variablen zu berücksichtigen, werden, wie bei den Random-Effects-Modellen, die Individualeffekte als latente endogene Variablen in das Modell durch Gleichung (5.44) eingeführt. Für eine Schätzung in LISREL werden die autokorrelierten Fehlerterme als latente endogene Variablen betrachtet und analog in das Modell einbezogen. Zur Verdeutlichung dient Gleichung (5.45).

(5.44)

(5.45)

⎛ y1 ⎞ ⎛ 0 ⎜ ⎟ ⎜ ⎜ y2 ⎟ ⎜ 0 ⎜ M ⎟ ⎜M ⎜ ⎟ ⎜ ⎜ yT ⎟ ⎜ 0 ⎜ u1 ⎟ ⎜ 0 ⎜ ⎟=⎜ ⎜ u2 ⎟ ⎜ 0 ⎜ M ⎟ ⎜M ⎜ ⎟ ⎜ ⎜ u T −1 ⎟ ⎜ 0 ⎜ u ⎟ ⎜0 ⎜ T ⎟ ⎜ ⎜ ⎟ ⎜ ⎝ μ ⎠ ⎝0

0 L 0 1 0 L 0 0 1 ⎞ ⎛ y1 ⎞ ⎛ β1 ⎟⎜ ⎟ ⎜ 0 L 0 0 1 L 0 0 1 ⎟ ⎜ y2 ⎟ ⎜ 0 M O M M M O M M M ⎟⎜ M ⎟ ⎜ M ⎟⎜ ⎟ ⎜ 0 L 0 0 0 L 0 1 1 ⎟ ⎜ yT ⎟ ⎜ 0 0 L 0 0 0 L 0 0 0 ⎟ ⎜ u1 ⎟ ⎜ 0 ⎟⎜ ⎟+⎜ 0 L 0 ρ 0 L 0 0 0 ⎟⎜ u2 ⎟ ⎜ 0 M O M M M O M M M ⎟⎜ M ⎟ ⎜ M ⎟⎜ ⎟ ⎜ 0 L 0 0 0 L 0 0 0 ⎟ ⎜ u T −1 ⎟ ⎜ 0 0 L 0 0 0 L ρ 0 0 ⎟⎟ ⎜⎜ u T ⎟⎟ ⎜⎜ 0 0 L 0 0 0 L 0 0 0 ⎠⎟ ⎝⎜ μ ⎠⎟ ⎝⎜ π11

L βK L 0

0 β1

L L

0 βK

L L

0 0

L L

O L

M 0

M 0

O L

M 0

O L

M β1

O L

L

0

0

L

0

L

0

L

L O

0 M 0

0 M 0

L O

0 M 0

L O

0 M 0

L O

L

L 0 L πK1

L L L 0 L 0 L 0 L π12 L πK 2 L π1T L

0 ⎞ ⎛ x 11 ⎞ ⎛ 0 ⎞ ⎟⎜ ⎟ 0 ⎟ ⎜ M ⎟ ⎜⎜ 0 ⎟⎟ M ⎟ ⎜ x K1 ⎟ ⎜ M ⎟ ⎟⎜ ⎟ ⎜ ⎟ βK ⎟ ⎜ x12 ⎟ ⎜ 0 ⎟ 0 ⎟ ⎜ M ⎟ ⎜ u1 ⎟ ⎟⎜ ⎟+⎜ ⎟ 0 ⎟ ⎜ x K 2 ⎟ ⎜ ε2 ⎟ M ⎟⎜ M ⎟ ⎜ M ⎟ ⎟⎜ ⎟ ⎜ ⎟ 0 ⎟ ⎜ x1T ⎟ ⎜ εT −1 ⎟ 0 ⎟⎟ ⎜⎜ M ⎟⎟ ⎜ ε T ⎟ ⎜ ⎟ πKT ⎠⎟ ⎜⎝ x KT ⎟⎠ ⎜⎝ ω ⎟⎠

5.4.3. Random- versus Fixed-Effects-Modelle Nachdem in den vorangegangenen Abschnitten verschiedene Modelle vorgestellt wurden, stellt sich nun die Frage, welche Modelle in der empirischen Studie in Kapitel fünf Anwendung finden sollen. Die Ansichten der wissenschaftlichen For-

102

5. Ein methodischer Ansatz zur Aufdeckung und Kontrolle

schung sind in dieser Hinsicht gespalten. Mundlak (1961) sowie Wallace und Hussain (1969) sind beispielsweise frühe Vertreter des Fixed-Effects-Modells, während Balestra und Nerlove (1966) Random-Effects-Modelle bevorzugen. Die Bedeutung der Wahl eines Fixed- bzw. Random-Effects-Modells soll im folgenden Abschnitt diskutiert werden. Das Fixed-Effects-Modell geht von festen individuenspezifischen Effekten mi aus. Diese können als Parameter des Modells geschätzt werden und mit den beobachtbaren unabhängigen Variablen xit korreliert sein. Bei einer kleinen Grundgesamtheit und bei einem Modell, welches sich auf eine Beschreibung des Verhaltens der untersuchten Merkmalsträger beschränkt, ist das Fixed-Effects-Modell zu bevorzugen (vgl. Baltagi 2005). Werden Prognosen über ein individuelles Verhalten erstellt, bietet sich dieses Modell auch an, da die individuelle Heterogenität über den bedingten Erwartungswert einfließt. Das Random-Effects-Modell kann vor allem bei einer großen Grundgesamtheit herangezogen werden. Es betrachtet die Individualeffekte mi als zufällig und somit als unkorreliert mit den erklärenden Variablen xit. Eine Korreliertheit kann jedoch durch eine Berücksichtigung einer bedingten Verteilung der Individualeffekte in Abhängigkeit von den exogenen Variablen erzielt werden, wie es in den vorherigen Kapiteln gezeigt wurde. Die Annahme zufälliger Effekte ist dann angebracht, wenn die Paneldaten eine relativ kleine Stichprobe der Grundgesamtheit umfassen (vgl. Baltagi 2005). Im Vergleich zum Fixed- sollte das Random-Effects-Modell vorgezogen werden, wenn die Anzahl von beobachteten Perioden T die Anzahl der beobachteten Individuen N übersteigt, da dies zu einem besonders großen Verlust an Freiheitsgraden führen würde. Zudem ist das Random-Effects-Modell vorzuziehen, wenn auf den ökonomischen Zusammenhang Wert gelegt wird und eine Berücksichtigung der Effekte ohne Schätzung derselbigen geschehen soll. Ist davon auszugehen, dass sich mi aus vielen verschiedenen Teileffekten zusammensetzt, ist auch die Annahme „zufälliger Effekte“ der Annahme „deterministischer Effekte“ vorzuziehen (vgl. Balestra 1992 oder Arndt 2004). Mit dem Hausman-Test ist es möglich, zu testen, welche Annahme über mi getroffen werden sollte. Bei einer Korrelation der Individualeffekte mit den exogenen Variablen ist der GLS Schätzer verzerrt und inkonsistent für b. Durch Transformation der Daten kann der Individualeffekt herausgerechnet werden und einer Korrelation entgegengewirkt werden. Der Within-Schätzer ist dann unverzerrt und konsistent für b. Der Hausman-Test basiert auf einem Vergleich der Schätzer. Unter der Nullhypothese H0 : E(uit / xit) = 0, der Annahme eines Random-Effects-Modells, dass die Individualeffekte mit den exogenen Variablen unkorreliert sind, sind beide Schätzer konsistent. Muss die Nullhypothese allerdings abgelehnt werden, und die Annahme eines Fixed-Effects-Modells ist erfüllt, führt nur der Within-Schätzer zu konsistenten Ergebnissen. Der GLS-Schätzer ist nicht mehr länger konsistent und asymptotisch effizient, sondern inkonsistent. Die ursprüngliche Teststatistik basiert auf der Frage nach einem signifikanten Unterschied der Schätzer: qˆ1 = βˆGLS − β within . ⎞ ˆ Unter der Nullhypothese ist plimqˆ = 0 und cov ⎛ ⎝ qˆ,β GLS ⎠ = 0 . Es existiert kein

5.5. Die Spezifikation von Mehrgleichungsmodellen

103

statistisch signifikanter Unterschied. Trifft dies nicht zu, kann aufgrund des statistisch signifikanten Unterschiedes der Schätzer nicht die Annahme des Random-Effects-Modells gewählt werden. Die Hausman-Teststatistik ist gegeben durch −1 m 1 = qˆ1 [ var ( qˆ1 ) ] qˆ1 und unter H0 asymptotisch c 2K verteilt, wobei K der Anzahl der Individuen entspricht. Alternativen zu dieser Statistik sind in Hausman und Taylor (1981) aufgeführt (vgl. hierzu auch Arndt 2004, Baltagi 2005). Allerdings steht dieser Ansatz in der wissenschaftlichen Forschung zunehmend in der Kritik. So stellen etwa Hsiao und Sun (2000) fest, dass eine Ablehnung der Nullhypothese nicht automatisch eine Akzeptanz der Alternative mit sich bringt und schlugen eine Betrachtung von Fixed- und Random-Effects-Modelle als unterschiedliche Modelle vor (Hsiao und Sun 2000).

5.5. Die Spezifikation von Mehrgleichungsmodellen zur Analyse von unbeobachtbaren Einflüssen Die grundlegenden Strukturen der im folgenden dargestellten Modelle sind auf die Berücksichtigung von unbeobachtbaren Variablen im Rahmen linearer Einzelgleichungsmodelle zurückzuführen, die im vorangegangenen Kapitel 5.4. Werden nicht Beziehungen zwischen Einzelmaßnahmen untersucht, sondern vielmehr Beziehungsnetzwerke so ist es nötig auf ein höheres Abstraktionsniveau der Modellierung zu gehen (Albers und Hildebrandt 2006). Die Anwendung der Strukturgleichungsmethodik ermöglicht es, direkte wie auch indirekte Effekte zuschätzen und bietet gleichzeitig einen differenzierten Einblick in die Wirkungsweise unbeobachtbarer Einflussgrößen auf die Beziehungen zwischen den betrachteten Variablen. Die hierzu benötigten Modellformen werden in den nächsten Abschnitten vorgestellt. Eine umfassende Darstellung zu diesem Themengebiet liefert Annacker (2001). Abbildung 5.2 stellt die möglichen LISREL-Modelle zur Kontrolle unbeobachtbarer Variablen in simultanen Mehrgleichungssystemen dar. Simultane Mehrgleichungsmodelle

Statische Modelle

ohne Individualeffekte

mit Individualeffekte

ohne Korrelation mit exogenen Variablen

Korrelation mit exogenen Variablen

Autokorrelationsmodell mit Individualeffekten ohne Korrelation autokorrelierter Effekte mit exogenen Variablen

Korrelation autokorrelierter Effekte mit exogenen Variablen

Abbildung 5.2: Simultane Mehrgleichungsmodelle zur Kontrolle unbeobachtbarer Variablen

104

5. Ein methodischer Ansatz zur Aufdeckung und Kontrolle

Nachfolgend werden die markierten und in der empirischen Analyse Anwendung findenden Modellstrukturen erläutert. Entsprechend der in Kapitel 5.4.3 diskutierten Stärken und Schwächen von Random- und Fixed-Effects-Modellen wird sich dabei auf erstere beschränkt. Sowohl die Fokussierung der empirischen Studie auf ökonomische Zusammenhänge als auch die im Vergleich zur großen Grundgesamtheit relativ kleine Stichprobe sprechen für eine Verwendung von Random-EffectsModellen, die den Ausgangsmodellen ohne Individualeffekten gegenübergestellt werden. Die Darstellung orientiert sich dabei an den Arbeiten von Annacker (2001) sowie Annacker und Hildebrandt (2004). 5.5.1. Modellklasse A: Ausgangsmodell Das simultane Mehrgleichungsmodell ohne Individualeffekte für Paneldaten kann wie folgt formuliert werden: (5.46)

Byit + Γxit = εit ,

i = 1,..., N ,

t=1,...,T.

B repräsentiert als G x G-Koeffizientenmatrix den Einfluss der latenten endogenen (zu erklärenden) Variablen untereinander während G(K x K) die Effekte der latenten exogenen (erklärenden) Variablen auf die latenten endogenen Variablen zusammenfasst. Es wird hierbei unterstellt, dass zentrierte Variablen vorliegen, wobei yit ein Vektor (G x 1) ist, der die zu erklärenden Variablen beinhaltet, während die erklärenden Variablen im K x 1-Vektor xit enthalten sind. Für die Störterme, die in dem G x 1-Vektor eit zusammengefasst werden, wird ein Erwartungswert von Null angenommen, gleichzeitig wird davon ausgegangen, dass die Störterme über die Zeit, wie auch über die einzelnen Beobachtungseinheiten hinweg nicht korreliert sind. Dies schließt jedoch nicht aus, dass die Störterme der Einzelgleichungen in einem Zeitpunkt korreliert sind. Entsprechend gilt

E ( xit εʹjs ) = 0 für alle i,j ,t und s, (5.47)

⎧⎪ Ψ ε = (σε2gh ) falls i = j und t = s, ʹ E (εit ε js ) = ⎨ sonst. ⎪⎩0

Für die jeweiligen Zeitpunkte t werden gemäß der durch G und B vorgegebenen Struktur insgesamt T einzelne Mehrgleichungsmodelle spezifiziert. Für die Schätzung dieser Modelle mit LISREL ergibt sich allerdings eine von der ökonometrischen Schreibweise aus Gleichung (5.48) abweichend folgende Notation entsprechend den obigen allgemeinen Ausführungen zum LISREL-Ansatz:

5.5. Die Spezifikation von Mehrgleichungsmodellen

105

η = Bη + Γξ + ζ.

(5.48)

Für das Ausgangsmodell, ohne Berücksichtigung von unbeobachtbaren Effekten ergeben sich die folgenden Matrizen:

(5.49)

⎛ y11 ⎞ ⎜ ⎟ ⎜ y21 ⎟ ⎜ M ⎟ ⎜ ⎟ ⎜ yG1 ⎟ η = ⎜ M ⎟, ⎜ ⎟ ⎜ y1T ⎟ ⎜y ⎟ ⎜ 2T ⎟ ⎜ M ⎟ ⎜y ⎟ ⎝ GT ⎠

⎛ B1 ⎜ B=⎜ ⎜ ⎜ ⎝0

B2

0⎞ ⎟ ⎟, ⎟ O ⎟ BT ⎠

0 ⎞ ⎛ Γ1 ⎜ ⎟ Γ 2 ⎟, Γ= ⎜ ⎜ ⎟ O ⎜ ⎟ Γ 0 T ⎠ ⎝

ξ = ( x11 , x21 , L , xK 1 , x12 , x22 , L , xK 2 , L , x1T , x2T , L , xKT )ʹ ,

⎛ Ψ ε1 ⎜ Ψ =⎜ ⎜ ⎜⎜ ⎝ 0

Ψε2

0 ⎞ ⎟ ⎟, ⎟ O ⎟ Ψ εT ⎟⎠

⎛ ε11 ⎞ ⎜ ⎟ ⎜ ε 21 ⎟ ⎜ M ⎟ ⎜ ⎟ ⎜ ε G1 ⎟ ζ = ⎜ M ⎟. ⎜ ⎟ ⎜ ε1T ⎟ ⎜ε ⎟ ⎜ 2T ⎟ ⎜ M ⎟ ⎜ε ⎟ ⎝ GT ⎠

Für die Messmodelle der latenten Variablen gilt Ly = Lx = I und Qe = Qd = 0. Frei geschätzt wird die Matrix F der exogenen Variablen xit. Für die Schätzung des Basismodells müssen des Weiteren folgende Gleichheitsrestriktionen für die Parametermatrizen angenommen werden:

(5.50)

B1 = B2 = L = BT ,

Γ1 = Γ 2 = L = ΓT ,

Ψ ε1 = Ψ ε2 = L = Ψ εT .

106

5. Ein methodischer Ansatz zur Aufdeckung und Kontrolle

5.5.2. Modellklasse B: Kontrolle zeitkonstanter, individualspezifischer Effekte Soll zusätzlich in den Modellen der Einfluss zeitkonstanter, individualspezifischer Effekte berücksichtigt werden, wird das Ausgangsmodell um spezifische Effekte für die einzelnen endogenen Variablen erweitert. Allgemein kann ein solches simultanes Mehrgleichungsmodell mit zufälligen individuenspezifischen Effekten, vorerst unter Vernachlässigung von zeitspezifischen Effekten, wie folgt formuliert werden: Byit + Γxit = υit , (5.51)

i = 1,..., N ,

t=1,...,T,

υit = μit + εit .

Der Störterm wird hier in zwei Komponenten aufgespalten. Für beide Störterme gilt ein Erwartungswert von Null und es wird angenommen, dass sie voneinander unabhängig sind. Die allgemeinen Störgrößen verbergen sich nach wie vor hinter eit, die Individualeffekte sind in dem zusätzlichen G x 1-Vektor mit enthalten auch diese Individualeffekte können über die Gleichungen korreliert sein. In Analogie zum Basismodell gilt weiterhin: E ( xit εʹjs ) = 0 für alle i,j ,t und s, (5.52)

⎧⎪ E (μi μʹj ) = ⎨ ⎪⎩0

Ψ μ = (σμ2 gh )

falls i = j ,

falls i ≠ j.

⎧⎪ Ψ ε = (σε2gh ) falls i = j und t = s, E (εit εʹjs ) = ⎨ sonst. ⎪⎩0

Unterscheiden lassen sich simultane Mehrgleichungsmodelle mit Individualeffekten, danach ob diese individualspezifischen Effekte mit den exogenen Variablen korreliert sind oder nicht. Es handelt sich bei den folgenden Modellen um sogenannte Random-Effects-Modelle welche gemäß den Erläuterungen zu Beginn dieses Kapitels gegenüber den Fixed-Effects-Modellen vorgezogen werden. Im Folgenden wird zunächst das Modell ohne Korrelation vorgestellt werden, darauffolgend dann das simultane Mehrgleichungsmodell für Paneldaten mit Individualeffekten, die mit den exogenen Variablen korrelieren. 5.5.2.1. Random-Effects-Modell ohne Korrelation zwischen Individualeffekten und unabhängigen Variablen Die Korrelation zwischen den endogenen Variablen und den Individualeffekten lässt sich verschiedentlich begründen. Zum einen besteht die Möglichkeit, dass die Individualeffekte miteinander korreliert sind, weil gemeinsame zeitkonstante Einflussfaktoren vorliegen. Zum anderen kann die Korrelation in der Struktur des spe-

107

5.5. Die Spezifikation von Mehrgleichungsmodellen

zifizierten Zusammenhangs begründet sein. In der reduzierten Form des strukturellen Modells werden die einzelnen Individualeffekte als Linearkombination aller anderen Individualeffekte dargestellt (vgl. Annacker 2001). Für nicht-rekursive Modelle ist insofern davon auszugehen, dass die endogenen Variablen mit den Individualeffekten aller anderen endogenen Variablen korreliert sind (vgl. Cornwell, Schmidt und Wyhowski 1992). Wird obiges Modell (5.51) in LISREL geschätzt, so müssen latente Variablen mg zusätzlich spezifiziert werden, die jedoch nicht über beobachtbare Variablen (Indikatoren) gemessen werden. Es ergibt sich die folgende Spezifikation der Parametermatrizen:

(5.53)

⎛ y11 ⎞ ⎜ ⎟ ⎜ M ⎟ ⎜ yG1 ⎟ ⎜ ⎟ ⎜ M ⎟ ⎜ y1T ⎟ ⎟, η=⎜ ⎜ M ⎟ ⎜y ⎟ ⎜ GT ⎟ ⎜ μ1 ⎟ ⎜ M ⎟ ⎜ ⎟ ⎜μ ⎟ ⎝ G⎠

⎛B ⎜ ⎜ B=⎜ ⎜ ⎜0 ⎜0 ⎝ G

⎛ x11 ⎞ ⎜ ⎟ ⎜ M ⎟ ⎜ xK 1 ⎟ ⎜ ⎟ ξ = ⎜ M ⎟, ⎜ x1T ⎟ ⎜ ⎟ ⎜ M ⎟ ⎜x ⎟ ⎝ KT ⎠

⎛ Ψε ⎜ ⎜ Ψ =⎜ ⎜ ⎜ 0 ⎜ ⎝ 0G

0 B O B 0G

0G

0G

0 Ψε Ψε

0G

0G

0G

IG ⎞ ⎟ IG ⎟ IG ⎟ , ⎟ IG ⎟ 0G ⎟⎠

0G ⎞ ⎟ 0G ⎟ 0G ⎟ , ⎟ 0G ⎟ Ψ μ ⎟⎠

⎛ ε11 ⎞ ⎜ ⎟ ⎜ M ⎟ ⎜ ε G1 ⎟ ⎜ ⎟ ⎜ M ⎟ ⎜ ε1T ⎟ ⎟, ζ=⎜ ⎜ M ⎟ ⎜ε ⎟ ⎜ GT ⎟ ⎜ μ1 ⎟ ⎜ M ⎟ ⎜ ⎟ ⎜μ ⎟ ⎝ G⎠

⎛ Γ ⎜ ⎜ Γ= ⎜ ⎜ ⎜ 0 ⎜0 ⎝ G× K

Γ

O 0G × K

0G × K

0 ⎞ ⎟ ⎟ ⎟. ⎟ Γ ⎟ 0G× K ⎟⎠

IG ist dabei eine G x G-Einheitsmatrix und 0G beziehungsweise 0G x K eine G x Gbeziehungsweise G x K-Nullmatrix. Frei geschätzt wird die Varianz-Kovarianzmatrix der exogenen latenten Variablen xit. Für die Messmodelle gilt Ly = (IGT/0(GT) x G) und Lx = IKT, während für die Messfehler Qe = Qd = 0 gilt. Sofern ausgeschlossen wird, dass der korrelative Zusammenhang zwischen den endogenen Variablen und den Individualeffekten anderer endogener Variablen aufgrund gemeinsamer zugrunde liegender Einflussfaktoren zustande kommt, liegen insofern unkorrelierte Individualeffekte vor, als dass die Korrelation lediglich durch den spezifizierten Erklärungsansatz zu begründen ist. Entsprechend ergibt sich Ym als eine diagonale Varianz-Kovarianzmatrix (siehe 5.53). Es wird unterstellt, dass die Individualeffekte Zufallsvariablen sind und somit unabhängig von den exogenen Variablen im Modell sind, folglich spricht man hier von einem Random-Effects-Modell.

108

5. Ein methodischer Ansatz zur Aufdeckung und Kontrolle

5.5.2.2. Random-Effects-Modell mit Korrelation zwischen Individualeffekten und unabhängigen Variablen Die Korrelation zwischen den exogenen Variablen und den Individualeffekten lässt sich auf verschiedene Weisen in simultanen Mehrgleichungsmodellen für Paneldaten berücksichtigen. Zum einen besteht die Möglichkeit diese Einflüsse in einem Differenzenmodell zu berücksichtigen (vgl. hierzu Annacker 2001), zum anderen kann ein sogenanntes modifiziertes Random-Effects-Modell zur Schätzung genutzt werden. Letzteres findet im empirischen Teil der Arbeit Anwendung und soll deshalb an dieser Stelle im Fokus der Betrachtungen stehen. Bei diesem Modell handelt es sich um ein Random-Effects-Modell, bei welchem die Individualeffekte Zufallsvariablen sind. Die Individualeffekte sind in einem solchen Modell demnach bedingt verteilt in Abhängigkeit von den exogenen Variablen. Die Individualeffekte hängen von den individuellen Mittelwerten der exogenen Variablen ab. Als Gegenposition zum Random-Effects-Modell werden die Individualeffekte im Fixed-Effects-Modell als feste Einflussgrößen formuliert, die auch in einem korrelativen Zusammenhang zu den exogenen Variablen des Modells stehen können. Der oben beschriebene korrelative Zusammenhang wird in einem solchen Modell über separate Hilfsregressionen der einzelnen Individualeffekte zunächst auf alle exogenen Variablen spezifiziert. Der Vorteil gegenüber dem Differenzenmodell ist jedoch, auch der Fall berücksichtigt werden kann, dass bestimmte exogene Variablen mit einzelnen (oder auch allen) Individualeffekten unkorreliert sind (Annacker 2001). Die Parametermatrizen für das Modell lauten wie folgt:

(5.54)

⎛ y11 ⎞ ⎜ ⎟ ⎜ M ⎟ ⎜ yG1 ⎟ ⎜ ⎟ ⎜ M ⎟ ⎜y ⎟ η = ⎜ 1T ⎟ , ⎜ M ⎟ ⎜y ⎟ ⎜ GT ⎟ ⎜ μ1 ⎟ ⎜ ⎟ ⎜ M ⎟ ⎜μ ⎟ ⎝ G⎠

⎛B ⎜ ⎜ B=⎜ ⎜ ⎜0 ⎜0 ⎝ G

⎛ x11 ⎞ ⎜ ⎟ ⎜ M ⎟ ⎜ xK 1 ⎟ ⎜ ⎟ ξ = ⎜ M ⎟, ⎜ x1T ⎟ ⎜ ⎟ ⎜ M ⎟ ⎜x ⎟ ⎝ KT ⎠

⎛ Ψε ⎜ ⎜ Ψ =⎜ ⎜ ⎜ 0 ⎜ ⎝ 0G

0 B O B 0G

0G

0G

0 Ψε Ψε

0G

0G

0G

IG ⎞ ⎟ IG ⎟ IG ⎟ , ⎟ IG ⎟ 0G ⎟⎠

0G ⎞ ⎟ 0G ⎟ 0G ⎟ , ⎟ 0G ⎟ Ψ ω ⎠⎟

⎛ ε11 ⎞ ⎜ ⎟ ⎜ M ⎟ ⎜ ε G1 ⎟ ⎜ ⎟ ⎜ M ⎟ ⎜ε ⎟ ζ = ⎜ 1T ⎟ , ⎜ M ⎟ ⎜ε ⎟ ⎜ GT ⎟ ⎜ ω1 ⎟ ⎜ M ⎟ ⎜ ⎟ ⎜ω ⎟ ⎝ G⎠

0 ⎞ ⎛Γ ⎜ ⎟ Γ ⎜ ⎟ ⎟. Γ= ⎜ O ⎜ ⎟ Γ ⎟ ⎜ 0 ⎜Π Π L Π ⎟ 2 ⎝ 1 T ⎠

5.5. Die Spezifikation von Mehrgleichungsmodellen

109

Frei geschätzt wiederum wird F, die Varianz-Kovarianzmatrix der exogenen latenten Variablen xit. Für die Messmodelle gilt Ly = (IGT/0(GT) x G) und Lx = IKT, während für die Messfehler weiterhin Qe = Qd = 0 gilt. 5.5.3. Modellklasse C: Kontrolle für Autokorrelationseffekte In den bisher vorgestellten Modellen wurde von unkorrelierten Störgrößen ausgegangen. Lockert man diese Annahme und lässt Autokorrelation der Störgrößen zu, kann dies durch einen autoregressiven Prozess geschehen. Die Fehler der Gegenwart ergeben sich so additiv aus einem Anteil r, der Fehler der Vorperiode ui,t–1 und aus Zufallsfehlern eit. Zusätzlich zu den Individualeffekten werden also in den folgenden Modellen autokorrelierte unbeobachtbare Effekte berücksichtigt werden. Dieser Ansatz stellt insofern eine Erweiterung der bisherigen Modelle da, als dass bisher nur mögliche, vernachlässigte zeitinvariante unbeobachtete Effekte als Ursache für eine Fehlspezifikation der Modelle zugelassen wurden. Nun wird unterstellt, dass die Störterme der einzelnen Gleichungen einem autoregressivem Prozess erster Ordnung folgen und es ergibt sich das allgemeine, simultane Autokorrelationsmodell mit Individualeffekten: Byit + Γxit = μit , (5.55)

i = 1,..., N ,

t=1,...,T,

υit = μit + uit ,

uit = Rui ,t −1 + εit .

Die Störgrößen finden sich in dem G x 1-Vektor uit, während R die zugehörigen Autokorrelationskoeffizienten (r1, r2, ..., rG) als G x G-Diagonalvektor abbildet. Es wird in diesem Ansatz davon ausgegangen, dass die autokorrelierten unbeobachtbaren Einflussgrößen nicht mit den exogenen Variablen korreliert sind, für die Individualeffekte ist diese Korrelation jedoch nach wie vor zugelassen. Folgende Annahmen sollen für diese Modellklasse gelten: E ( xit u ʹjs ) = 0, für alle i , j , t und s, 2 ⎧Ψ ⎪ μ = (σμ gh ) falls i = j , E (μi μʹj ) = ⎨ falls i ≠ j , ⎪⎩0

(5.56)

2 ⎪⎧Ψ u1 = (σugh ) falls i = j , E (ui1u ʹj1 ) = ⎨ falls i ≠ j , ⎪⎩0

⎧⎪Ψ μ = (σε2gh ) falls i = j und t = s, E (εi εʹjs ) = ⎨ sonst. ⎪⎩0

110

5. Ein methodischer Ansatz zur Aufdeckung und Kontrolle

Um die Korrelation der Individualeffekte mit den exogenen latenten Variablen zu berücksichtigen, werden, wie in der Modellklasse B, die Individualeffekte als latente endogene Variablen in das Modell eingeführt. Für eine Schätzung in LISREL werden die autokorrelierten Fehlerterme ebenfalls als latente endogene Variablen betrachtet und analog in das Modell einbezogen (vgl. Annacker 2001). Zur Verdeutlichung der Zusammenhänge dient Gleichung (5.57). η = ( y11 K yG1 K y1T K yGT u11 K uG1 K u1T K uGT μ1 K μG )ʹ

(5.57)

0 IG 0 ⎛B ⎜ B IG ⎜ ⎜ B IG ⎜ B IG ⎜ ⎜0 B 0 IG ⎜ 0 0G 0 B = ⎜ 0G ⎜ 0G R 0G ⎜ 0G R 0G ⎜ ⎜ 0G R 0G ⎜ ⎜0 0G 0 R 0G ⎜ ⎝ 0G 0G 0G 0G 0G 0G 0G 0G 0G 0G

IG ⎞ ⎟ IG ⎟ IG ⎟ ⎟ IG ⎟ IG ⎟ ⎟ 0G ⎟ , 0G ⎟ ⎟ 0G ⎟ 0G ⎟⎟ 0G ⎟ ⎟ 0G ⎠

ζ = ( 0 K 0 K 0 K 0 u11 K uG1 ε12 K εG2 K ε1T K εGT ω1 K ωG ) , 0⎞ ⎛ 0G ⎛ x11 ⎞ ⎜ ⎟ O 0 ⎞ ⎛ Γ ⎜ ⎟ ⎜ ⎟ M ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ 0G Γ ⎜ ⎟ ⎜ xK1 ⎟ ⎜ ⎟ Ψu1 ⎜ ⎟ O ⎜ ⎟ ⎜ ⎟ ξ = ⎜ M ⎟, Ψ = ⎜ ⎟. ⎟ , Γ=⎜ 0 Γ ⎟ Ψε ⎜ ⎜ x1T ⎟ ⎜ ⎟ ⎜ 0(GT )×K 0(GT )×K L 0(GT )×K ⎟ ⎜ ⎟ O ⎜ ⎟ ⎟ ⎜ M ⎟ ⎜ ⎟ ⎜⎜ Π Π2 L ΠT ⎟⎠ Ψ 1 ⎝ ε ⎜x ⎟ ⎜ ⎟ ⎝ KT ⎠ ⎜ Ψω ⎠⎟ ⎝0

F ist als Varianz-Kovarianzmatrix der exogenen Variablen unrestringiert und wird frei geschätzt. Für die Messmodelle und die Störterme gelten Ly = (IGT/0(GT) x G) und Lx = IKT sowie Qe = Qd = 0.

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg Die empirischen Untersuchungen erfolgen auf Basis von Unternehmensdaten aus zwei Datenbanken, der PIMS- sowie der Compustatdatenbank; Näheres zu beiden Datenbanken finden sich u. a. bei Boyd, Farris und Hildebrandt (2004). Nach Ausführungen zur Operationalisierung von F & E und Marketing sowie zur Nutzung von Unternehmensdaten in der empirischen Forschung, gliedern sich die Analysen in zwei Bereiche auf. Zunächst wird in Abschnitt 6 eine investitionstheoretische Perspektive eingenommen und Beziehungen zwischen F & E, Marketing und dem Unternehmenserfolg unter besonderer Berücksichtigung von unbeobachtbaren Variablen, die aus strategischer Sicht als Intangibles verstanden werden können, analysiert. Der grundlegende Analyseansatz baut auf der Forschungsarbeit von Erickson und Jacobson (1992) auf. Es handelt sich um drei Studien, deren empirische Vorgehensweise Abbildung 6.1 zu entnehmen ist.

Investitionstheoretische Perspektive PIMS-Daten

Compustat-Daten

Studie I F&E und Marketing und der Einfluss auf den Unternehmenserfolg unter Berücksichtigung der Effekte von Intangible Assets. Modell A

Modell B

Statisches Modell ohne Individualeffekte.

Statisches Modell mit Individualeffekten und Korrelation mit exogenen Variablen.

Modell C Autokorrelationsmodell mit Individualeffekten und ohne Korrelation autokorrelierter Effekte mit exogenen Variablen

Studie II und Studie III F&E und verschiedene Marketinginstrumente und der Einfluss auf den Unternehmenserfolg unter Berücksichtigung von Interaktionseffekten und den Effekte von Intangible Assets. Compustat-Daten

Abbildung 6.1: Empirische Untersuchungen aus investitionstheoretischer Perspektive

112

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg

Wenn auch die investitionstheoretische Perspektive der inhaltliche Fokus der vorliegenden Arbeit ist, so soll jedoch auch der kostentheoretischen Sichtweise Rechnung getragen werden. In Studie IV wird deshalb ein Ansatz vorgestellt, der Ausgaben für F & E und Marketing als Kosten versteht und Auswirkungen von der Änderung der Produktqualität auf den Return on Investment und seine Bestandteile testet. Die folgende Abbildung 6.2 gibt eine Übersicht zur Untersuchung, um die Berücksichtigung von Intangibles zu gewährleisten kommen wiederum die unterschiedlichen Panelmodelle zum Einsatz.

Kostentheoretische Perspektive Studie IV F&E und Marketing als Bestandteile des ROI und die Beeinflussung durch die Produktqualität unter Berücksichtigung der Effekte von Intangible Assets. Modell A

Modell B

Statisches Modell ohne Individualeffekte.

Statisches Modell mit Individualeffekten und Korrelation mit exogenen Variablen.

Modell C Autokorrelationsmodell mit Individualeffekten und ohne Korrelation autokorrelierter Effekte mit exogenen Variablen

PIMS-Daten

Abbildung 6.2: Empirische Untersuchungen aus kostentheoretischer Perspektive

Alle nachfolgenden Analysen finden auf Grundlage von Kovarianzinformationen im Rahmen von Panelmodellen statt, wobei die ML-Schätzung mit LISREL 8.71 (Jöreskog und Sörbom 2004) durchgeführt wurde.

6.1. Operationalisierung von F & E und Marketing Betrachtet man F & E- und Marketingausgaben als strategische Einsatzfaktoren von Unternehmen so ergeben sich zweierlei Perspektiven. Zum einen handelt es sich um finanzielle Größen denen in Unternehmen Budgets zugeteilt werden. Zum anderen verspricht sich ein Unternehmen von dem Einsatz dieser Geldmittel zunächst den reibungslosen Ablauf der mit den Bereichen F & E und Marketing verbundenen Prozesse und daraus resultierend einen positiven Gewinnbeitrag. Entsprechend werden F & E und Marketing in den Kapiteln 6.1.1 und 6.1.2 zunächst als Budgetgrößen definiert, bevor der jeweilige Bereich auch als unternehmerischer Wertschöpfungsprozess erläutert wird.

6.1. Operationalisierung von F & E und Marketing

113

6.1.1. F & E als strategischer Faktor Bislang hat sich in der Literatur keine einheitliche Definition für den Begriff der F & E durchgesetzt. Deshalb wird F & E zunächst als zu bilanzierende Budgetgröße unter Berufung auf die US-amerikanischen Bilanzierungskriterien definiert und anschließend der F & E-Prozess im Unternehmen als Resultat näher erörtert.

6.1.1.1. F & E als Budgetgröße Betrachtet man die Ausgaben für F & E, so erscheint es sinnvoll zu sein, zu verdeutlichen, welche Ausgaben im Unternehmen diesem Budget zugerechnet werden. Die US-amerikanischen allgemein anerkannten Rechnungslegungsgrundsätze (USGAAP: United States Generally Accepted Accounting Principles) trennen den F & E-Begriff in Forschung zum einen und Entwicklung zum anderen. Nach den Rechnungslegungsstandards des Financial Accounting Standards Board (FASB 1974, SFAS No. 2) wird Forschung als „planned search or critical investigation aimed at discovery of new knowledge with the hope that such knowledge will be useful in developing a new product or service or a new process or technique or in bringing about a significant improvement to an existing product or process“

definiert. Zentrale Bestandteile sind somit „das bewusste (Unter)suchen mit dem Ziel neues Wissen zu generieren“ sowie „die Hoffnung, dass dieses Wissen bei der Entwicklung neuer Produkte, Dienstleistungen, Prozesse oder Techniken Gewinn bringend eingesetzt werden kann“. Entwicklung nach FASB (1974), SFAS No. 2 wird definiert als „the translation of research findings or other knowledge into a plan or design for a new product or process or for a significant improvement to an existing product or process whether intended for sale or use.“

Hier steht die „Umsetzung von Forschungsergebnissen oder anderen Wissens in einen Plan oder einen Entwurf eines neuen Produkts oder Prozesses oder einer Verbesserung schon bestehender Produkte oder Prozesse“ im Vordergrund, dies geschieht „unabhängig davon, ob diese zum Verkauf oder zum Gebrauch vorgesehen sind“. Beispiele für F & E sind demnach Laboruntersuchungen, um neues Wissen zu schaffen; der Entwurf, der Bau und das Testen von Vorserienprototypen; sowie die Untersuchung von Produkt- oder Prozessalternativen. Ausgaben aus F & E werden gemäß FASB 1974, SFAS No. 2, § 12 in jener Periode verbucht, in der sie angefallen sind. Mitunter ist es aber schwierig zu bestimmen, ob ausgewählte Kosten unter F & E fallen. Einige konkrete Beispiele für solche Ausgaben, die F & E Kosten sind (vgl. SFAS 2, § 12):

114

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg

– Als F & E-Kosten in der Periode der Entstehung verbucht –

Material und Ausrüstung ohne mögliche andere Verwendung,

– Löhne und Gehälter, – Erworbene immaterielle Vermögensgegenstände ohne möglichen anderen Gebrauch, – Fremdleistungen, – Bereitstellung von Gemeinkosten im üblichen Rahmen; – Aktivierung und Abschreibung als F & E-Kosten – Material und Ausrüstung mit möglichem anderen Gebrauch, – Erworbene immaterielle Vermögensgegenstände mit möglicher anderer Verwendung. Wenn ein Vermögensgegenstand in der Zukunft noch anderen Verwendungen zugeführt werden kann, wird er aktiviert und die Abschreibung oder Wertminderung zählt zu F & E-Kosten. Verschiedene Studien untersuchen den Einfluss von F & E-Ausgaben auf den Unternehmenswert (siehe z. B. Griliches 1981, Pakes 1985, Jaffe, 1986, Doukas und Switzer 1992 oder Chan, Lakonishok und Sougiannis 2001).

6.1.1.2. F & E als Prozess im Unternehmen Aus Sicht des strategischen Managements muss F & E als ein im Unternehmen stattfindender Prozess verstanden werden. Das F & E-Budget dient dazu diesen Prozess sicherzustellen, insofern ist der F & E-Prozess im Unternehmen als Ergebnis der Ausgaben für F & E anzusehen. F & E wird als ein Prozess verstanden, der durch planvolles systematisches Vorgehen gekennzeichnet ist und nach methodischen Regeln abläuft. Dabei kommt es zur bewussten Kombination unterschiedlicher Produktionsfaktoren, die zur Entdeckung neuen Wissens durchgeführt wird. Neben der Möglichkeit des planvollen systematischen Vorgehens kann neues Wissen auch ohne einen geregelten Ablauf entstehen, allerdings erfolgt dies in solchen Fällen nur zufällig (Serendipitätseffekt) (Brockhoff 1992). Der Einsatz wissenschaftlicher Methoden steht in Verbindung mit einem hohen Spezialisierungs- und Professionalisierungsgrad vieler Tätigkeiten im Bereich der F & E (Schröder 1995). Im Folgenden wird der F & E-Prozess weiter auf Grundlage verschiedener Begriffsmerkmale (Ziel, Neuartigkeit und Unsicherheit) charakterisiert. Ziel des F & E-Prozesses ist die Generierung neuen Wissens oder die erstmalige und neuartige Anwendung von Wissen (Brockhoff 1992). Dabei beschränken einige Autoren den Wissenszuwachs auf die Erweiterung von technisch-naturwissenschaftlichen Kenntnissen (Hausschild 1997). Für Kern und Schröder (1977) bein-

6.1. Operationalisierung von F & E und Marketing

115

haltet der Begriff F & E dagegen auch den Erwerb von neuem Wissen in Bezug auf Kulturphänomene, worunter sie soziale, organisatorische oder marktbezogene Aspekte subsumieren. Sie weisen aber darauf hin, dass diese Aktivitäten aus organisatorischen Gründen regelmäßig nicht in F & E-Abteilungen von Unternehmen angesiedelt sind. Der Begriff der Neuartigkeit lässt sich in Bezug auf zwei Aspekte konkretisieren. Zum einen ist zu klären, für wen das generierte Wissen neu sein soll. Es lassen sich grundsätzlich die beiden Ansätze der subjektiven und der objektiven Neuheit unterscheiden (Specht und Beckmann 1996). Die objektive Neuheit ist betrachterunabhängig und verlangt, dass das im Rahmen der F & E erworbene Wissen eine Weltneuheit darstellt. Die subjektive Neuheit dagegen ist bereits dann erfüllt, wenn die erworbenen Kenntnisse für den Betrachter neu sind. Als Betrachtungsperspektive wird dabei üblicherweise die Sichtweise des F & E-betreibenden Unternehmens oder seiner F & E-Abteilung eingenommen (Schröder 1999). Zur Präzisierung der „Neuheit“ des Wissens lässt sich zudem der Grad der Neuheit heranziehen. Der Grad der Neuheit kann als kontinuierliche Variable interpretiert werden. Nicht eindeutig festzulegen ist aber, ab welchem Grad Wissen als neu eingestuft werden kann. Die Innovationsforschung hat zur Messung des Grades der Neuheit unterschiedliche Lösungsansätze vorgestellt wie z. B. die Unterscheidung zwischen sprunghaften und stetigen Weiterentwicklungen. Allerdings sind all diese Ansätze wenig befriedigend, da die Messbarkeit der Begriffe „sprunghaft“ und „stetig“ oder auch anderer Konstrukte mit dem gleichen (Kategorisierungs-)Problem behaftet bleibt (Schröder 1999). Ein weiteres zentrales Merkmal ist die mit der F & E verbundene Unsicherheit (Kern und Schröder 1977). Diese lässt sich aufspalten in die Erwerbs- und die Verwertungsunsicherheit. Die Erwerbsunsicherheit bezieht sich einerseits auf die prinzipielle Möglichkeit der Generierung neuen Wissens und zum anderen auf die Frage, ob das neue Wissen in der vorgegebenen Zeit und mit den vorgegebenen Ressourcen erzielt werden kann. Mit Verwertungsunsicherheit ist die Unwissenheit über die Möglichkeiten der wirtschaftlichen Verwertung der erworbenen technischen Erkenntnisse am Markt gemeint. Ein Merkmal, das sich ebenso wie die Unsicherheit aus dem Merkmal der Neuheit ableiten lässt, ist das hohe Kreativitätserfordernis an mit F & E-Aktivitäten befasste Mitarbeiter (Brockhoff 1992). Deshalb kommt ihren psychisch-intellektuellen Fähigkeiten im Vergleich zu Mitarbeitern aus anderen Leistungsbereichen eine besondere Bedeutung zu. Die Möglichkeiten und Methoden zur Entfaltung von Kreativität haben dementsprechend eine besondere Bedeutung für das Leistungsniveau in der F & E (Kern und Schröder 1977). Schließlich sind F & E-Aktivitäten als Ganzes durch ihre Einmaligkeit geprägt (Schröder 1995). Sie lassen sich damit von Routineaktivitäten abgrenzen. Zwar gibt es auch im F & E-Bereich einzelne Routinetätigkeiten, jedoch ist aufgrund des Ziels der Erlangung neuen Wissens jede F & E-Tätigkeit insgesamt durch individuelle Eigenschaften gekennzeichnet.

116

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg

F & E-Aktivitäten werden zumeist in die drei Klassen Grundlagenforschung, angewandte F & E eingeteilt (OECD 2006). Grundlagenforschung beschreibt experimentelles oder theoretisches Vorgehen mit dem Ziel neue wissenschaftliche Erkenntnisse über das Untersuchungsobjekt zu gewinnen, allerdings wird in dieser Phase keine spezifische Anwendungsmöglichkeit verfolgt. Ziel ist es ein grundsätzlich besseres Verständnis für das jeweilige Forschungsgebiet zu bekommen (Weidenbaum 1961). Wenn auch die Grundlagenforschung demnach keinen direkten Bezug zu Produkten, Produktkomponenten, Prozessen etc. hat, besteht grundsätzlich die Möglichkeit, dass ihre Ergebnisse direkt für potenzieller Anwendungen genutzt werden. Wie die Grundlagenforschung verfolgt auch die angewandte Forschung das Ziel der Erweiterung wissenschaftlicher Erkenntnisse (OECD 2006). Allerdings hat sie einen direkten Bezug zur praktischen Anwendbarkeit der Ergebnisse und strebt eine wirtschaftliche Nutzung an. Damit ist sie auf die Umsetzung der Erkenntnisse in mögliche Produkte, Produktkomponenten, Prozesse usw. gerichtet. Während die Grundlagenforschung und die angewandte Forschung die Erweiterung wissenschaftlicher Erkenntnisse zum Ziel haben, bezweckt die Entwicklung die erstmalige oder neuartige Anwendung dieser Erkenntnisse (Weidenbaum 1961). Dabei kommt es zu einer Auswertung der vorherigen Forschungsergebnisse in Form der Konzipierung und Herstellung gebrauchsfertiger Produkte, Produktkomponenten, Prozesse, usw. Dem ökonomischen Aspekt kommt im Vergleich zum technischen eine steigende Bedeutung zu. Dosi (1988) stellte bereits fest, dass die Grundlagenforschung in den Jahren 1960–1983 im wesentlichen durch die öffentliche Hand, dass heißt über den Staat, Universitäten oder sonstige Non-profit-Organisationen finanziert wurde. Die Industrie finanziert hingegen ca. die Hälfte der angewandten F & E. In etwa 20 % der Ausgaben für Grundlagenforschung werden durch private Unternehmen aufgebracht. Eine ähnliche Aufteilung lässt sich in der differenzierten Aufstellung der F& E-Ausgaben in den USA für das Jahr 2004 (siehe nachfolgende Tabelle 6.1 der National Science Foundation 2005) erkennen. Es bleibt festzuhalten, dass Unternehmen zwar auch in Grundlagenforschung investieren, der weitaus größere Teil des Budgets jedoch für die angewandte Forschung und die Entwicklung vorgesehen ist. Dies mit der Komplexität des Technologieentwicklungsprozesses zu erklären. Nützliche Produkte oder Prozesse sind das Ergebnis von eingesetztem Wissen aus einer Vielzahl von verschiedenen Quellen, allerdings sind diese Neuentwicklungen auch den verschiedensten Beschränkungen auf ihrem zur praktischen Anwendbarkeit und zum wirtschaftlichen Erfolg unterworfen. Aufgrund theoretische Gesetzmäßigkeiten oder der Tatsache, dass oftmals die Neuentwicklungen unter „Laborbedingungen“ ihre Leistung erfüllen, zieht nichtunmittelbar die praktische Anwendbarkeit nach sich. Entsprechend investieren Unternehmen stärker in Entwicklungsaktivitäten, wie beispielsweise in den Bau und den Test von Prototypen, als in Forschungsaktivitäten wie z. B. das Testen von wissenschaftlichen

117

6.1. Operationalisierung von F & E und Marketing Tabelle 6.1 Sektorspezifische F & E-Ausgaben in den USA 2004 U.S. R&D expenditures, by character of work, performing sector, and source of funds: 2004 Source of funds ($ millions)

Performing sector R&D Industry Industry-administered FFRDCs Federal government U&C U&C-administered FFRDCs Other nonprofit institutions Nonprofit-administered FFRDCs Percent distribution by source Basic research Industry Industry-administered FFRDCs Federal government U&C U&C-administered FFRDCs Other nonprofit institutions Nonprofit-administered FFRDCs Percent distribution by source Applied research Industry Industry-administered FFRDCs Federal government U&C U&C-administered FFRDCs Other nonprofit institutions Nonprofit-administered FFRDCs Percent distribution by source Development Industry Industry-administered FFRDCs Federal government U&C U&C-administered FFRDCs Other nonprofit institutions Nonprofit-administered FFRDCs Percent distribution by source

U&C 1.095 NA NA

Other nonprofit institutions 8.565 NA NA

Total expenditures (% distribution) 100,0 70,2 0,8

Total 312.068 219.226 2.584

Industry 199.025 195.691 NA

Federal government 93.384 23.535 2.584

24.742 42.431 7.500

NA 2.135 NA

24.742 26.115 7.500

NA 11.095 NA

NA 3.087 NA

7,9 13,6 2,4

12.750 2.834

1.199 NA

6.072 2.834

NA NA

5.478 NA

4,1 0,9

100,0

63,8

29,9

3,6

2,7

NA

58.356 9.278 706

9.551 1.427 NA

36.075 1.851 706

7.579 NA NA

5.150 NA NA

100,0 15,9 1,2

4.887 31.735 3.917

NA 1.458 NA

4.887 20.589 3.917

NA 7.579 NA

NA 2.109 NA

8,4 54,4 6,7

6.651 1.181

666 NA

2.944 1.181

NA NA

3.042 NA

11,4 2,0

100,0

16,4

61,8

13,0

8,8

NA

66.364 41.009 1.268

35.975 35.117 NA

25.315 5.892 1.268

2.883 NA NA

2.190 NA NA

100,0 61,8 1,9

8.407 9.223 1.806

NA 555 NA

8.407 4.983 1.806

NA 2.883 NA

NA 802 NA

12,7 13,9 2,7

4.287 365

304 NA

2.595 365

NA NA

1.388 NA

6,5 0,5

100,0

54,2

38,1

4,3

3,3

NA

187.349 168.939 610

153.498 153.147 NA

31.993 15.792 610

633 NA NA

1.224 NA NA

100,0 90,2 0,3

11.447 1.474 1.778

NA 122 NA

11.447 543 1.778

NA 633 NA

NA 176 NA

6,1 0,8 0,9

1.812 1.288

229 NA

534 1.288

NA NA

1.048 NA

1,0 0,7

100,0

81,9

17,1

0,3

0,7

NA

118

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg

Gesetzmäßigkeiten (Patel und Pavitt 1995). Die Entwicklungsaktivitäten sind also weniger das Ergebnis kodifizierten Wissens als vielmehr das Ergebnis von „tacit knowledge“ (Polanyi 1967, Itami 1987, Itami und Roehl 1987 sowie Nonaka und Takeuchi 1995), welches durch Erfahrungen und Routine kumuliert wird. Dies impliziert für technologische Entwicklungen folgendes: 1. Neben dem möglichen Erwerb von Technologien sind eigene F & E-Aktivitäten notwendig um gegenüber anderen Unternehmen wettbewerbsfähig zu bleiben. Gerade um neue Technologien von Wettbewerbern zu verstehen scheint der eigene F & E-Einsatz unersetzlich. Dies geht überein mit der Meinung von ca. 600 F & E-Direktoren, die nach Nelson (1990) eigene, unabhängige F & E sowie reverse engeneering für wichtiger halten, als beispielsweise Fragen der Lizensierung oder Patentierung (vgl. Tabelle 6.2).

Tabelle 6.2 Bedeutung von F & E-Aktivitäten in Unternehmen ≥5

≥6

Lizenzierung

17

4

Patente

24

5

Veröffentlichungen oder offene technische Meetings

20

8

Besprechungen mit Vertretern des innovativen Unternehmens

21

8

Mitarbeiter des innovativen Unternehmens abwerben

33

8

Reverse Engineering

65

22

Unabhängige F & E

84

19

Hinweis: über 600 Befragte sollten auf einer Skala von 1 (nicht wichtig) bis 7 (am wichtigsten) die verschiedenen Möglichkeiten bewerten, wie man etwas über Produktinnovationen von Wettbewerbern erfahren kann.

2. Neue Technologien sind keine leicht transferierbaren Informationen, da sie oftmals auf tacit knowledge begründet sind, welches im wesentlichen durch eigenes Lernen/Erfahren oder persönliche Kontakte erworben werden kann (siehe Tabelle). Die Akkumulierung dieses Wissens geht mit nicht unerheblichen Kosten einher und ist somit als Imitationsbarriere zu verstehen. Die oben beschriebenen Lern- und Erfahrungsprozesse sprechen gegen eine klare Unterscheidung von „Erfindung“, „Innovation“ und „Diffusion“, sofern sogenannte Feedback-Verbindungen vernachlässigt werden (Bell und Pavitt 1993). Einen Überblick zu Vorgehensweise, Ergebnissen und Finanzierung der jeweiligen F & E-Klasse liefert die abschließende Tabelle 6.3.

6.1. Operationalisierung von F & E und Marketing

119

Tabelle 6.3 Zusammenfassung der unterschiedlichen F & E-Klassen Grundlagenforschung

Angewandte Forschung

Entwicklung – aufbauend auf vorherige Stufe – Umsetzung in Ergebnisse

Vorgehensweise

– zielgerichtet auf – theoretisch eine konkrete An– unabhängig von eiwendung ner konkreten An– aufbauend auf wendung Grundlagenforschung

Ergebnisse

– neue Erkenntnisse zum Untersuchungsgegenstand

– anwendbare Ergeb- – konkrete Produkte nisse bzw. Technologien

Finanzierung

– oft durch den Staat bzw. Konsortien

– oft durch Unterneh- – meist unternehmensfinanziert men →Projektarbeit

Eine unreflektierte Betrachtung des F & E-Prozesses hinsichtlich obiger Einteilung als sequentielle Abfolge von Grundlagenforschung, angewandter F & E ist jedoch zu kritisieren, da es in der Realität genügend Beispiele dafür gibt, dass technische Prozesse bereits vor der Erforschung ihrer wissenschaftlichen Grundlagen beherrscht wurden. Link und Tassey (1987) versuchen daher in ihrer Einteilung vonF & E-Aktivitäten stärker zu differenzieren und schlagen fünf Strategietypen vor. Neben Grundlagenforschung, angewandter Forschung und Produktentwicklung unterscheiden sie weiter in Prozessentwicklung und Weiterentwicklung bereits existierender Produkte. Unterschieden werden in dieser Einteilung also im wesentlichen Produkt- und Prozess-F & E, vor dem Hintergrund aktueller Literatur müsste allerdings ebenso die Weiterentwicklung von Prozessen, also von wissenschaftlichen bzw. technologischen Vermögenswerte als Strategie angesehen werden, wodurch sich das Spektrum auf insgesamt sechs Strategien erweitern würde (Lefebvre, Lefebvre und Bourgault 1998). 6.1.2. Marketing als strategischer Faktor Die wissenschaftliche Literatur bietet eine Vielzahl von Definitionen zum Marketing. Die aktuelle Definition der American Marketing Association (AMA) lautet: „Marketing is an organizational function and a set of processes for creating, communicating, and delivering value to customers and for managing customer relationships in ways that benefit the organization and its stakeholders.“ (American Marketing Association 2004)

Hierbei handelt es sich um eine allgemeine Definition mit einem sehr weiten Bezugsrahmen, so dass eine Konkretisierung in Hinblick auf das Thema der Arbeit zu-

120

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg

nächst schwer fällt. Deshalb soll, ähnlich dem Vorgehen in Kapitel Marketing zunächst als Budgetgröße charakterisiert werden, bevor im Anschluss ein kurzer Überblick zu Marketing als Prozess im Unternehmen gegeben wird. Thematisch an das vorherige Kapitel anschließend werden dabei die Bereiche des Marketings in den Vordergrund gerückt, die in engem Zusammenhang mit der Neuproduktentwicklung stehen. 6.1.2.1. Marketing als Budgetgröße Als Marketingausgaben werden im Folgenden Geldmittel verstanden, die für die Durchführung von Marketingmaßnahmen eingesetzt werden. Ausgaben für den Marketingbereich müssen sorgfältig geplant werden und den entsprechenden Teilgebieten zugeordnet werden. Das Marketingbudget lässt sich entsprechend der Mittelverwendung in die Kategorien „Werbung und Verkaufsförderung“, „Medienwerbung“, „Vertrieb“ sowie „sonstige Marketingkosten“ aufteilen (siehe z. B. Boulding, Lee und Staelin 1994). Diese Kategorien werden auch in der Rechnungslegung als periodengerechte Ausgabengrößen berichtet (vgl. hierzu auch Boyd, Farris und Hildebrandt 2004). Im Folgenden werden mit „Werbung und Verkaufsförderung“ und „Vertrieb“ die nach Reibstein, Joshi und Farris (2004) bedeutendsten Teilbereiche des Marketingbudgets von ihrer Funktion her definiert und kurz erläutert. Die Kategorie „Medienwerbung“ wird dabei unter ersterer subsumiert. „Sonstige Marketingkosten“ sind für den weiteren Verlauf zu vernachlässigen, da sie häufig rein administrativer Natur sind (vgl. Reibstein, Joshi und Farris (2004). 6.1.2.1.1. Werbung und Verkaufsförderung Der Begriff „Werbung“ kann nach Wells, Burnett und Moriarty 1992 definiert werden, als „paid nonpersonal communication from an identified sponsor using mass media to persuade or influence an audience“. (Wells, Burnett und Moriarty 1992, S. 10)

In dieser Definition sind verschiedene Kriterien enthalten, die den Zweck der Werbeausgaben bestimmen. Zunächst versucht Werbung zu beeinflussen. Die Hauptaufgabe von Werbung besteht darin, ein Produkt, oder auch eine Dienstleistung von anderen abzuheben, zu differenzieren, damit das entsprechende Produkt (oder auch Dienstleistung) gekauft wird (siehe hierzu auch Hovland und Wilcox 1989 oder O’Guinn, Allen und Semenik 1998). Als Transportmittel für Werbung dienen verschiedene Medien, die als einseitige Kommunikationskanäle fungieren. Hierunter fallen unter anderem Zeitungen, Magazine, Radio, Fernsehen, Plakate, etc. In ihren Ausführungen schließen die Autoren zusätzlich formellen Zwang aus, wodurch sich der Werbebegriff von Befehlen oder gesetzlichen Vorschriften abhebt.

6.1. Operationalisierung von F & E und Marketing

121

Als Form von Massenkommunikation wird mit Werbung ein disperses Publikum einseitig und indirekt angesprochen. Public Relations und Verbraucherinformationen sind weitere Formen von Massenkommunikation (vgl. Wells, Burnett und Moriarty 1992). Die vorliegende Arbeit fokussiert auf Firmen- und Absatzwerbung. Ein weiteres wichtiges Kommunikationsinstrument für Unternehmen ist die Verkaufsförderung (Sales Promotion). Hierunter versteht man zeitlich befristete Maßnahmen mit Aktionscharakter, die andere Marketingmaßnahmen unterstützen und den Absatz bei Konsumenten, wie auch Händlern fördern sollen (Gedenk 2002). Die entsprechenden Absatzwirkungen beim Endkunden lassen sich in kurzfristige und langfristige Auswirkungen unterteilen nach Gedenk (2002) und wie folgt systematisieren (Abbildung 6.3).

Absatzwirkung beim Endkunden

kurzfristig

• • • •

Erstkauf des Produktes Wiederkauf des Produktes Mehrkonsum des Produktes Wechsel zum Aktionsgeschäft

langfristig

• Vorverlegung von Käufen • Steigerung der Loyalität zum Produkt • Steigerung der Loyalität zum Geschäft

Abbildung 6.3: Wirkungen von endkundengerichteter Verkaufsförderung

Die Auswirkungen von diesen Werbeausgaben analysieren beispielsweise Studien von Andras und Srinivasan (2003), Chauvin und Hirschey (1993), Erickson und Jacobson (1992) oder Assmus, Farley und Lehmann (1984). In den für die Forscher zugänglichen Datenbanken, wie etwa der Compustat-Datenbank werden die Ausgaben von Unternehmen für Werbung und Verkaufsförderung zusammengefasst und als eine Ausgabengröße für die jeweilige Zeitperiode berichtet.

6.1.2.1.2. Vertrieb Eine einheitliche Definition für den Vertrieb ist in der Literatur nicht zu finden, oftmals werden die Begriffe Vertrieb, Distribution und Verkauf synonym verwendet. Für den weiteren Verlauf der Arbeit soll der Vertrieb von Produkten und Dienstleistungen sowohl den Verkauf als auch die Distribution dieser umfassen (siehe hierzu auch Belz und Bussmann 2002, S. 13). Im Unternehmen lässt sich der Vertrieb nach den ausführenden Teilbereichen aufgliedern. Es werden unternehmensinterne Vertriebsorgane von unternehmensexter-

122

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg

nen Vertriebsorganen unterschieden (siehe Abbildung 6.4, in Anl. an Homburg und Krohmer 2003, S. 704). In den folgenden Erläuterungen wird sich auf erstere beschränkt. Vertriebsorgane

unternehmensintern

unternehmensextern

Organisationseinheiten

Funktion

gebunden

Außendienst

Geschäftsführung

Vertragshändler

Innendienst

Management

Kundendienst

Vertriebsleitung Mitarbeiter

Franchisepartner

unabhängig

Absatzhelfer

Absatzmittler

Vertreter

Großhandel

Makler

Einzelhandel

Logistikunternehmen

Abbildung 6.4: Vertriebsorgane im Überblick

Die unternehmensinternen Vertriebsorgane lassen sich in Außendienst, Innendienst und Kundendienst unterscheiden (Homburg und Krohmer 2003). Der Vertriebsaußendienst ist in Unternehmen häufig regional gegliedert und verantwortlich für die Kundenpflege, die Betreuung von Vertriebspartnern sowie die Akquisition von Neukunden (Albers 2002). Unterstützt wird der Außendienst durch den Vertriebsinnendienst. Die Aufgaben sind hier insbesondere administrativer und koordinativer Natur. Der Kundendienst spielt insbesondere bei komplexen Produkten im Industriegüterbereich eine Rolle. Seine Aufgaben reichen dabei von der einfachen produktbezogenen Auskunftserteilung bis hin zur Entwicklung einer kundenspezifischen Problemlösung. Untersuchungen der Auswirkungen von Vertriebsaktivitäten liefern beispielsweise Studien von Frazier und Sheth (1985) oder Lehmann und Weinberg (2000). Es ist festzuhalten, dass der Vertrieb eine maßgebliche Rolle in der Interaktion mit dem Kunden einnimmt da er sowohl den Verkauf, wie auch die Distribution von Produkten umfasst (vgl. Reibstein, Joshi und Farris 2004). Andere Marketingmaßnahmen wie etwa der oben erläuterte Bereich von Werbung und Promotion werden mit dem Vertrieb kombiniert und können somit vertriebsunterstützend wirken (vgl. hierzu auch Kao et al. 2005).

6.1. Operationalisierung von F & E und Marketing

123

6.1.2.2. Marketing als Prozess im Unternehmen Wie bereits die obige Definition der American Marketing Association (2004) angedeutet hat, wird Marketing oftmals als Prozess im Unternehmen verstanden, der die verschiedenen Marketingaktivitäten umfasst. Ein einfaches Modell, dass den allgemeinen Marketingprozess abbilden soll liefern Kotler und Armstrong (2006). Während den ersten vier Stufen des fünfstufigen Prozesses (Abbildung 6.5, in Anl. an Kotler und Armstrong 2006, S. 5) beschäftigen sich Unternehmen damit, die Kundenbedürfnisse zu verstehen, Werte für die Kunden zu generieren und eine stabile Kundenbeziehung zu schaffen. Im letzten Schritt versuchen die Unternehmen dann für die Kunden geschaffenen Werte in Werte für das Unternehmen, in Form von Gewinnen abzuschöpfen. Abschöpfung von Wert für das Unternehmen

Schaffung von Wert für den Kunden

Verstehen was der Markt braucht und will

Erstellen einer kd.orientierten Marketingstrategie

Wertgenerierung über Marketingprogramm

Entwicklung profitabler Kd.beziehungen

Gewinnabschöpfung

Abbildung 6.5: Der Marketingprozess

Dieser Prozess lässt sich über die Marketinginstrumente „Produktpolitik“, „Preispolitik“, „Kommunikationspolitik“ und „Vertriebspolitik“ konkretisieren. Die Marketinginstrumente werden jeweils mit dem Wortzusatz „Politik“ bezeichnet. Dieser aus dem Griechischen und Französischen abstammende Begriff bedeutet „geschicktes, berechnendes Vorgehen“ und zielt ab auf das „Handeln von Personen/Institutionen, welches auf die Durchsetzung bestimmter Ziele gerichtet ist“ (Kotler und Bliemel 2001). 6.1.2.2.1. Marketinginstrumente Die Produktpolitik umfasst alle Entscheidungen in Hinblick auf das derzeitige und zukünftige Produktangebot des Unternehmens. Entscheidend sind dabei nicht nur die Produkte selbst, sondern auch die Produktwahrnehmung durch den Kunden, die beispielsweise durch das Markenmanagement gezielt zu steuern versucht wird. Unter Preispolitik versteht man alle Entscheidungen bezüglich des Preises (Entgelt), den ein Kunde für ein Produkt zu entrichten hat. Entsprechend bilden die Preisbestimmung und -differenzierung einen Schwerpunkt dieses Teilbereichs. Entscheidungen in Bezug auf die Kommunikation des Unternehmens am Markt werden in der Kommunikationspolitik zusammengefasst. Wesentlich sind hierbei beispielsweise die Auswahl von Werbemitteln und -träger.

124

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg

Die Vertriebslogistik umfasst Entscheidungen über vertriebslogistische Aktivitäten wie auch marktgerichtete akquisitorische Aktivitäten. Die Gestaltung des Vertriebssystem, die Gestaltung der Beziehungen zu Vertriebspartnern und die Generierung von Kaufabschlüssen sind hier zentrale Elemente.

6.1.2.2.2. Instrumentenspezifische Marketingziele Eine Übersicht welche Ziele mit den verschiedenen Instrumenten verfolgt werden liefert die folgende Tabelle 6.4 (in Anl. an Homburg und Krohmer 2003, S. 455). Die in Kapitel 6.1.2.1 erläuterten Teilbereiche „Werbung und Verkaufsförderung“ und „Vertrieb und Vertriebsunterstützung“ lassen sich den Instrumenten Kommunikations- und Vertriebspolitik zuordnen.

Tabelle 6.4 Ziele des Marketing-Mix Übergreifende Marketingziele z. B.

– Kundenzufriedenheit – Kundenloyalität – Image des Unternehmens Instrumentenspezifische Marketingziele

Produktpolitik

Preispolitik

Kommunikationspolitik

z. B. z. B. z. B. – Markenimage – Preiskenntnis der – Bekanntheitsgrad des Leistungsangebots Kunden – Image des Leistungsangebots – Preisimage des – Bekantheitsgrad des Unternehmens Anbieters – Markeneinst – Preiszufriedenheit der Kunden – Preisvertrauen der Kunden

Vertriebspolitik z. B. – Qualität der Kundenbeziehung – Neukundengewinnung – Distributionsquote – Lieferzuverlässigkeit – Lieferflexibilität

Auf eine ausführlichere Beschreibung des Marketing-Mix und der einzelnen Instrumente wird verzichtet und auf Standard-Marketinglehrbücher wie etwa Kotler und Bliemel (2001), Nieschlag, Dichtl und Hörschgen (2002) oder auch Meffert (2000) verwiesen.

6.2. Unternehmensdaten in der empirischen Marketingforschung

125

6.2. Unternehmensdaten in der empirischen Marketingforschung Wie bereits erwähnt, werden die empirischen Untersuchungen der vorliegenden Arbeit auf Basis von Sekundärdaten durchgeführt. In der strategischen Marketingforschung häufig analysierte Daten entstammen dem PIMS-Projekt (Profit Impact of Market Strategy) und der zugehörigen Datenbank des Strategic Planning Instituts. Insbesondere die mit Erfolgsfaktorenforschung einhergehenden Fragestellungen nach etwa der Beziehung zwischen Marktanteil oder Unternehmensgröße und Unternehmenserfolg sind an dieser Stelle zu erwähnen (siehe hierzu Rumelt und Wensley 1980; Jacobson und Aaker 1985 und 1987; Jacobson 1990; Boulding und Staelin 1990 und 1993; Ailawadi, Farris und Parry 1999 und Annacker und Hildebrandt 2004). Es handelt sich hierbei um Daten die in Geschäftseinheiten von Unternehmen erhoben wurden. Diese sind über ein festgelegtes Produktportfolio, ein identifizierbares Set von Kunden und ein Set von Konkurrenten definiert. Enthalten sind überwiegend große, weit diversifizierte Unternehmen, so dass auf Grund der kaum vorhandenen kleineren Unternehmen kein Repräsentativitätsschluss gezogen werden kann. Die in der vorliegenden Studie genutzten Daten basieren auf der PIMS-Jahresdatenbank (SPIYR). Wenn auch die PIMS-Daten sehr detailreich und speziell auf Marketingfragestellungen abgestimmt sind, so lassen sich heutzutage doch erhebliche Defizite feststellen. Zum einen besteht dadurch, dass die Daten des PIMS-Projekts mittlerweile nicht mehr öffentlich zugänglich sind ein Problem der mangelnden Aktualität. Zum anderen sind die berichteten Zeitreihen relativ kurz, was die Möglichkeiten der Zeitreihenanalyse beschränkt (vgl. Boyd, Farris und Hildebrandt 2004). Um dieses Problem zu beheben, werden die Daten häufig als kombinierte Längs- und Querschnittsdaten verwendet, bei denen die Informationen der einzelnen strategischen Geschäftseinheiten unterschiedlichen Zeiträumen entstammen. In diesem Fall handelt es folglich nicht um echte Paneldaten, sondern nur um Daten mit Panelcharakter, bei denen von Verzerrungen durch zeitabhängige Effekte auszugehen ist. Als Resultat dieser Probleme werden in der strategischen Marketingforschung zunehmend Datenbanken aus anderen Disziplinen verwendet. Aus dem Bereich der Finanzanalysen ist hier insbesondere die Compustat-Datenbank zu nennen. Es handelt sich hierbei um großzahlige Finanzkennzahldaten die in längeren und einheitlichen Zeiträumen vorliegen und eine hohe Aktualität aufweisen. Die CompustatDatenbank ist eine Bilanzdatenbank mit Informationen zu öffentlich gehandelten Kapitalgesellschaften. Standard & Poors besitzt Compustat North Amerika und Compustat Global. In der vorliegenden empirischen Studie wird mit Daten von Compustat North America gearbeitet, die Firmeninformationen zu mehr als 21.000 US- und kanadische Unternehmen umfasst. In der Datenbank werden unter anderem über 300 Finanzvariablen von Unternehmen jährlich dokumentiert und werden ohne vorherige Verschleierungsmechanismen zur Verfügung gestellt. Zuständig für die

126

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg

Wartung und Erhaltung der Compustat Datenbanken ist derzeit die Organisation Wharton Research Data Services. In der Vorstudie werden Daten sowohl des PIMS-Projekts als auch Compustatdaten analysiert. Ziel ist es erste Erkenntnisse zum Untersuchungsgegenstand, der Erfolgswirksamkeit von F & E- und Marketinginvestitionen zu sammeln, gleichzeitig soll jedoch geprüft werden, inwieweit die unterschiedlichen Datenbasen vergleichbare Ergebnisse liefern und somit mit Compustatdaten auch Marketingfragestellungen untersucht werden können. Aufbauend auf den Ergebnissen der Vorstudie werden in Haupt- und Folgeuntersuchung Daten aus der Compustatdatenbank verwendet. Aufgrund ihrer ausgeprägten Vergangenheit ist die PIMS-Datenbank bekannt und die Verwendung der Daten gut dokumentiert (siehe hierzu beispielsweise Farris und Moore 2005 oder Buzzell und Gale 1987) und soll hier nicht weiter erörtert werden. Der zunehmenden Bedeutung von Datenbanken aus dem Finanzwesen Rechnung tragend beschäftigen sich die beiden nächsten Abschnitte deshalb mit der Verwendung von Finanzkennzahlen als Proxyvariablen im allgemeinen sowie mit der Nutzung der Compustatdatenbank in der Marketingforschung im speziellen. 6.2.1. Finanzkennzahlen als Proxyvariablen in der Marketingforschung In der Marketingforschung werden häufig Befragungsdaten verwendet. Sekundärdaten, wie etwa die hier vorliegenden Ausgabengrößen bzw. Finanzkennzahlen werden häufig als Ein-Indikatormaße Validitätsprobleme nachgesagt. In anderen Disziplinen hingegen (z. B. Finanzierung, Ökonomie) sind Näherungsvariablen aus Sekundärdaten weit verbreitet, akzeptiert und werden gegenüber Befragungsdaten stark bevorzugt (Day und Montgomery 1999). Auch in der Marketing-/Managementforschung können sorgfältig ausgewählte Daten aus Sekundärquellen von Nutzen sein. Houston (2004) sieht in Größen, wie etwa den Ausgaben für F & E, Marktanteilen oder rechnungswesenbasierten Erfolgsmaßen die Möglichkeit Marketingfragestellungen durch eine direkter Verbindung zu bspw. dem Shareholder-Value-Gedanken und somit den anderen Disziplinen näher zu bringen. Sekundärdaten sind nicht speziell für eine vorliegende Forschungsfrage erhoben worden, sondern wurden in aller Regel für andere Zwecke erhoben bzw. zusammengetragen (Lehmann 1989). Oft werden diese Daten deshalb als abhängige Variablen benutzen, Beispiele hierfür sind Verkaufszahlen, Kosten oder Gewinne. Dennoch können manche Größen auch sinnvolle erklärende Variablen sein. Die Vorteil von auf Sekundärdaten basierenden Näherungsvariablen umreißt Houston (2004) wie folgt: – Sekundärdaten repräsentieren echte Entscheidungen die durch tatsächliche Zahlungen manifestiert werden. – Sekundärdaten sind leichter zu sammeln als Befragungsdaten, wodurch Zeit und Kosten gespart werden. Gleichzeitig erzielt man oft größere Stichproben und auch Daten mit Zeitreihencharakter.

6.2. Unternehmensdaten in der empirischen Marketingforschung

127

– Sekundärdaten bieten als Alternative neben Befragungsdaten oder Daten aus experimentellen Situation die Möglichkeit einer Multi-Method-Überprüfung der bisher auf Basis von Primärdaten getesteten Theorien. Als Nachteile der diskutierten Datenform nennt Houston (2004) die folgenden: – Für den Marketingbereich existieren nur eine begrenzte Anzahl sinnvoller Näherungsvariablen. – Oft können diese Näherungsvariablen nicht eindeutig genug mit dem gemessenen Konstrukt in Verbindung gebracht werden. – Es ist häufig schwierig die Sekundärdaten mit anderen Daten zu verzahnen (zu matchen). In der vorliegenden Arbeit werden die nachfolgend erläuterten Variablen auf Basis von Sekundärdaten in der empirischen Analyse eingesetzt. Im Rahmen der Panelmodelle werden die Variablen als Single-Item-Measures verwendet, es handelt sich im wesentlichen um Intensitäten, die auf direktem Wege aus den Daten abgeleitet werden; insofern sind die oben beschriebenen Nachteile für das weitere Vorgehen nicht gültig. Die Ergebnissen der Analyse können als Konsequenzen der Budgetentscheidungen für den Bereich F & E wie auch den Marketingbereich angesehen werden.

6.2.2. Die Compustat-Datenbank und ihre Nutzung in der Marketingforschung Wenn auch der vordergründige Zweck der Compustat-Daten nicht in der Beantwortung von Marketingfragestellungen, sondern vielmehr in Finanzanalysen liegt, ist dennoch eine starke Zunahmen von Veröffentlichungen auf Basis dieser Daten in den internationalen Marketingzeitschriften zu verzeichnen (Boyd, Farris und Hildebrandt 2004). Tabelle 6.5 Compustat-Daten in der strategischen Marketingund Managementforschung Autoren

Stichprobe

Wesentliche CompustatVariablen

Zentrale Ergebnisse

Balasubramanian und Kumar (1990)

Unternehmen unterschiedlicher Branchen, 1975–1984

Jährliche Unternehmensdaten: – Umsatz, – Werbung, – Gewinnspanne Jährliche Branchendaten: – Umsatz

Marktwachstum steht in negativer Beziehung und Marktanteil in positiver Beziehung zur Marketingkommunikation

(Fortsetzung nächste Seite)

128

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg

Autoren

Stichprobe

Wesentliche CompustatVariablen

Zentrale Ergebnisse

Ailawadi, Borin und Hersteller und Farris (1995) Händler, 1982–1992

Jährliche Unternehmensdaten: – Umsatz – Herstellungskosten – SG & A/Werbung

Das EVA eines Händlers steigt signifikant langsamer im Beobachtungszeitraum als das des Herstellers

Dutta, Narasimhan und Rajiv (1999)

Halbleiterindustrie, 1985–1994

Jährliche Unternehmensdaten: – Werbung – SG & A – F&E – Löhne

SG & A liefert einen positiven Beitrag für Marketingfähigkeiten, im Gegensatz zu Werbung. Marketing und F&E stehen in positiver Beziehung.

Houston und Johnson (2000)

Zulieferer in Joint-Ventures, 1993–1994

Jährliche Unternehmensdaten: – Umsatz – F&E – Buchwert – Aktienkurs

Der Marktwert des Zuliefererunternehmens steigt während der Marktwert des Käufers konstant bleibt.

Ho, Keh und Ong (2005)

Verarbeitende und nicht-verarbeitende Unternehmen

Jährliche Unternehmensdaten: – Aktienrendite – F&E – Werbung

F & E-Investitionen wirken positiv für herstellende Unternehmen, Werbeinvestitionen für verarbeitende Unternehmen.

Tabelle 6.5 zeigt an ausgewählten Beispielen, dass heutzutage mit den Compustat-Daten ähnliche Fragestellungen wie mit den PIMS-Daten angegangen werden. Beispielsweise werden die Beziehungen zwischen Marktanteilen, Unternehmensgröße und Unternehmenserfolg, wie auch der Einfluss von Marketing oder F & E untersucht.

6.3. F & E und Marketing als Investitionsgrößen und ihr Einfluss auf den Unternehmenserfolg Das folgende Kapitel fasst F&E- und Marketingausgaben als Investitionen auf und untersucht die Beziehungen zwischen diesen Größen wie auch ihren Einfluss auf den Unternehmenserfolg auf der Grundlage von Panelmodellen. Nach Conchar, Crask und Zinkhan (2005) wurden in der bisherigen Forschung auf diesem Gebiet zwar des öfteren Daten mit Panel Charakter untersucht, meist jedoch nur mit unzulänglichen Methoden analysiert. Dem Aufruf dieser Autoren anspruchsvolle Schätzverfahren zur Analyse von Panelmodellen zu nutzen, werden in der vorliegenden Studie kausalanalytisch-basierte Modellansätze zum Einsatz gebracht, welche in der Lage sind unbeobachtbare Effekte von Intangibles in verschiedener Art und Weise bei Panelmodellen zu kontrollieren.

6.3. F & E und Marketing als Investitionsgrößen

129

Die Untersuchung gliedert sich in drei Studien auf. Die erste analysiert auf Grundlage verschiedener Datenbasen (PIMS- und Compustat-Daten) die Erfolgswirksamkeit von F&E- und Marketinginvestitionen sowie die These, dass F&E-Investitionen in Periode t Marketinginvestitionen in Periode t+ 1 nach sich ziehen. Bei der Analyse wird schrittweise der Einfluss von Intangibles kontrolliert. Wesentlicher Zweck dieser Studie ist es auf Grundlage einer sehr einfach gehaltenen Modellstruktur erste Erkenntnisse zu den Effekten zu erhalten, sowie zu überprüfen, inwiefern Informationen der Compustatdatenbank für die Analyse verwendet werden können; insofern ist Studie I als Voruntersuchung zu werten, deren Dokumentation bewusst knapp gehalten wurde. Aufbauend auf den Ergebnissen dieser Voruntersuchung werden finden Studien II und III komplexere Modelle, die neben verschiedenen Kontrollvariablen auch einen Interaktionseffekt zwischen F & E und Marketing beinhaltet, mit dem in Kapitel 4 erläuterten Instrumentarium geschätzt. 6.3.1. Studie I In dieser Studie wird die Erfolgswirksamkeit von F & E- und Marketinginvestitionen untersucht. Die Gewinnspanne der Firmen ist ein Maß für den Unternehmenserfolg und geht als abhängige Variable in die Analyse ein. Die Investitionen der untersuchten Unternehmen in den Bereichen F & E sowie Marketing werden als Intensitäten und unabhängige Variablen formuliert. Tabelle 6.6 Hypothesen der Studie I

HypotheseF & E→GS

F & E-Investitionen in Periode t wirken sich positiv auf die H1 Unternehmensgewinnspanne in Periode t + 1 aus.

HypotheseMkt→GS

Marketinginvestitionen in Periode t wirken sich positiv auf H2 die Unternehmensgewinnspanne der Periode aus.

HypotheseF & E→Mkt

F & E-Investitionen in Periode t treiben Marketinginvesti- H3 tionen in Periode t + 1.

HypotheseIntangibles

Unbeobachtbare Faktoren (Intangibles) beeinflussen die H4 Beziehung zwischen F & E- sowie Marketinginvestitionen und Unternehmensgewinnspanne.

Tabelle 6.6 beinhaltet die zu testenden Hypothesen und Abbildung 6.6 verdeutlicht die Wirkungsstruktur zusätzlich grafisch. Entsprechend der in Kapitel 4 erarbeiteten Zusammenhänge wird dabei ein zeitverzögerter Effekt (ein Jahr) angenommen (H1). Neben diesem direkten Effekt von F & E auf die Gewinnspanne wird ebenfalls ein indirekter Effekt formuliert. Es wird davon ausgegangen, dass eine erhöhte F & E-Intensität in einer Periode, wie in oben bereits erläutert, eine entsprechende Reaktion der Intensität im Marketingbereich in der Folgeperiode nach sich zieht (Vinod und Rao 2000). Insofern wird ein indirekter

130

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg

Effekt von F & E über Marketing auf den Unternehmenserfolg postuliert (H2 und H3). Gleichzeitig soll der Einfluss von Intangibles kontrolliert werden (H4). In seiner Grundstruktur stellt sich das Modell wie folgt dar (siehe Abbildung 6.6).

Marketingintensität

(t+1)

H2: +

Gewinnspanne

H3: +

F&E-Intensität

(t)

(t+1)

H4: +

Intangibles

H1: +

Abbildung 6.6: Modellstruktur der Studie I

6.3.1.1. Daten und Variablen Die in Kapitel vier vorgestellten Panelmodellklassen werden in der Vorstudie auf drei unterschiedliche Datensätze angewendet. Aus dem Zeitraum von 1970–1982 wurden sowohl aus der PIMS- als auch aus der Compustatdatenbank strategische Geschäftseinheiten bzw. Unternehmen extrahiert, die sechs aufeinanderfolgende Jahre F & E-, Marketing- bzw. Werbeausgaben berichtet haben. Zusätzlich wurden aus der Compustatdatenbank ebenfalls entsprechende Unternehmen aus dem Zeitraum 1990–2002 erhoben. Es ergeben sich somit drei Stichproben für die die jeweiligen Modelle gerechnet werden. Aus dem Zeitraum von 1970–1982 konnten aus der PIMS-Datenbank ca. 1000 strategische Geschäftseinheiten mit jeweils sechs aufeinanderfolgenden Berichtsjahren extrahiert werden, für die Compustatdatenbank handelt es sich für denselben Zeitraum um ca. 770 Unternehmen und den Zeitraum 1990–2002 um ca. 350 Unternehmen (Die Angaben differieren leicht, je nachdem ob es sich um Marketing- oder Werbeintensitäten handelt.). Für alle drei Stichproben gilt, dass es sich um kombinierte Längs- und Querschnittsdaten handelt, wodurch sich die Möglichkeit, wie oben dargestellt, Effekte von Intangibles direkt in das Modell einzubetten (Hildebrandt und Annacker 1996). Allerdings entstammen die Informationen der einzelnen strategischen Geschäftseinheiten und Unternehmen unterschiedlichen Zeiträumen, so dass von Verzerrungen durch zeitabhängige Effekte auszugehen ist. Einen Überblick zur Operationalisierung der einzelnen Variablen in PIMS- und Compustatdatenbank liefert die folgende Tabelle 6.7.

6.3. F & E und Marketing als Investitionsgrößen

131

Tabelle 6.7 Variablen der Studie I Operationalisierung

Variable Abhängige Variable

Unabhängige Variablen

PIMS Compustat 1 – {(Manufacturing cost)/ Sales – Cost of goods Gewinnspanne GS Sales + sold/Sales (Purchasing cost)/Sales)} Process R&D/Sales + F&E-Intensität F&E R&D exp./Sales Product R&D/Sales MarketingSG&A exp. – R&D MKT Marketing exp./Sales intensität exp./Sales Advertising exp./ Werbeintensität ADV Advertising exp./Sales Sales

Die jeweiligen Investitionsbeträge werden in das Verhältnis zum Umsatz gesetzt, so dass F & E-, Marketing- und Werbeinvestitionen als Intensitäten verstanden werden müssen.

6.3.1.2. Modellspezifikation Die Analyse erstreckt sich über drei Modellstufen. Modell A ist wie Gleichungssystem (6.1) zeigt als einfaches OLS-Regressionsmodell spezifiziert und verzichtet als Ausgangsmodell auf jegliche Kontrolle unbeobachtbarer Variablen. Der Unternehmenserfolg wird durch die F & E- und Marketingintensität von Unternehmen erklärt. GSit = β1Mktit + γ 1 F & Eit −1 + ε1it , Mktit = γ 2 F & Eit −1 + ε 2it , (6.1)

i = 1,..., N, t = 2,..., T , 2 ⎪⎧σε E ( ε git ε g 'i 't ' ) = ⎨ g ⎪⎩ 0

wenn g = g ',i = i ', t = t ', sonst.

Modell B ist als Random-Effects-Modell spezifiziert (siehe Gleichungen 6.2) und kontrolliert für unternehmensspezifische über die Zeit stabile Individualeffekte sowie für mögliche Korrelationen zwischen den Individualeffekten und den exogenen Variablen. Die unternehmensspezifischen zeitkonstanten Effekte werden über eine Hilfsregression abgebildet und somit aus den im Untersuchungsfokus stehenden Schätzparameter separiert.

132

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg

Für die Schätzung des Folgemodells C, ein strukturelles Autokorrelationsmodell 1. Ordnung, wird aufgrund der Befunde der vorangegangenen Modelle von einer Korrelation zwischen den erklärenden Variablen und den über die Zeithinweg konstanten Individualeffekten ausgegangen. Wie in Modell B wird diese Korrelation durch die Einführung von Hilfsregressionen der Individualeffekte auf alle exogenen Variablen sowie durch die Freisetzung der Kovarianzen zwischen den Störgrößen dieser abgebildet. Über die Zulassung von autokorrelierten Fehlern erweitert Modell C jetzt Modell B um die Kontrolle von autoregressiven Effekten ohne die Kontrolle der zeitlich stabilen unbeobachtbaren Effekte aufzugeben. GSit = β1 Mktit + γ 1 F & Eit -1 + μ1i + ε1it , Mktit = γ 2 F & Eit -1 + μ 2 i + ε 2 it , T −1

μ1i = ∑ π 1t F & Eit + ω1i , t =1

T −1

μ 2 i = ∑ π 2t F & Eit + ω 2 i ,

(6.2)

t =1

i = 1,..., N , t = 1,..., T ,

⎧σ ω2 ⎪⎪ E (ω giω g' i' ) = ⎨σ ω ⎪ ⎪⎩ 0

g

gg '

g = g ',i = i'

wenn wenn

g ≠ g ',i = i',

⎧⎪σ ε2 wenn g = g ',i = i',t = t',

E ( ε git ε g' i' t' ) = ⎨

g

⎪⎩ 0 sonst.

sonst

GSit = β1 Mktit + γ 1 F & Eit -1 + μ1i + υ1it , Mktit = γ 2 F & Eit -1 + μ 2 i + υ2 it , T −1

μ1i = ∑ π 1t F & Eit + ω1i , t =1

(6.3)

T −1

μ 2 i = ∑ π 2t F & Eit + ω 2 i , t =1

i = 1,..., N , t = 1,..., T , υ git = ρgυ git -1 + ε git und

⎧ σ ω2 ⎪⎪ E (ω giω g' i' ) = ⎨σ ω ⎪ ⎪⎩ 0

g

gg '

wenn g = g ',i = i' wenn g ≠ g ',i = i', sonst

⎧⎪σ ε2 wenn g = g ',i = i',t = t',

E ( ε git ε g' i' t' ) = ⎨

g

⎪⎩ 0 sonst.

133

6.3. F & E und Marketing als Investitionsgrößen

Gleichungssystem 6.3 zeigt, wie die Modellstruktur durch eine zusätzliche Aufspaltung des Fehlerterms um die autokorrelierten Effekte in den Fehlertermen erweitert wird. 6.3.1.3. Ergebnisse der Studie I Für das Ausgangsmodell (Modellklasse A) zeigen sich durchweg den Hypothesen entsprechenden positive, höchst signifikante Effekte. Für die unterschiedlichen Datenbasen können ein zeitverzögerter positiver Einfluss von F & E-Investitionen, wie auch ein positiver Effekt von Werbe-/Marketinginvestitionen auf die Gewinnspanne der Unternehmen verzeichnet werden. Zusätzlich lässt sich ein zeitverzögerter positiver Effekt von F & E- auf Marketinginvestitionen nachweisen.

Tabelle 6.8 Ergebnisse für Modellklasse A – Studie I PIMS: 1970–1982

Compustat: 1970–1980

Compustat: 1990–2002

Modell A Werbung

Modell A Modell A Marketing Werbung

Modell A Marketing

Modell A Werbung

Modell A Marketing

F & E→GS

1,616*** (0,067)

1,353*** (0,066)

1,491*** (0,050)

0,558*** (0,048)

0,824*** (0,046)

0,261*** (0,044)

Mkt→GS

1,073*** (0,045)

0,884*** (0,024)

1,560*** (0,063)

0,695*** (0,011)

0,999*** (0,070)

0,187*** (0,012)

F & E→ Mkt

0,017 n. s. (0,019)

0,348*** (0,035)

0,022 n. s. (0,012)

1,964*** (0,059)

0,068*** (0,014)

1,666*** (0,068)

R2

0,150

0,233

0,289

0,575

0,203

0,170

*** = signifikant auf 1 % Niveau ** = signifikant auf 5 % Niveau * = signifikant auf 5 % Niveau n. s. = nicht signifikant () = Standardfehler

Vor dem Hintergrund der Ergebnisse der Modellklassen B und C können die Hypothesen jedoch nicht ohne weiteres als bestätigt angesehen werden. Es muss geprüft werden, ob es ohne die Kontrolle des Einflusses von Intangibles zu einer wesentlichen Überschätzung der Effekte kommt. Die Ergebnisse der erweiterten Analysen sind in den Tabelle 6.9 und Tabelle 6.10 dokumentiert.

134

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg Tabelle 6.9 Ergebnisse für Modellklassen B und C (Marketinginvestitionen) – Studie I PIMS: 1970–1982

Compustat: 1970–1980

Compustat: 1990–2002

Modell B Modell C

Modell B

Modell C

Modell B

Modell C

F & E→GS -0,055 n. s. -0,101 n. s. (0,101) (0,104)

-0,310*** (0,069)

-0,281*** (0,067)

0,066 n. s. (0,039)

0,024 n. s. (0,031)

Mkt→GS

-0,369*** (0,052)

0,017 (0,019)

-0,003 n. s. (0,019)

-0,018 n. s. (0,011)

-0,024 n. s. (0,010)

F & E→ Mkt

-0,006 n. s. -0,063** (0,029) (0,029)

0,540*** (0,065)

-0,049 n. s. (0,063)

0,395*** (0,091)

0,001 n. s. (0,079)

pmGS

0,422*** (0,042)

0,422*** (0,044)

0,480*** (0,032)

0,495*** (0,033)

0,136*** (0,023)

0,142*** (0,023)

pmMkt

0,075*** (0,018)

0,086*** (0,018)

0,288*** (0,032)

0,379*** (0,032)

0,252*** (0,036)

0,331*** (0,034)

-0,433*** (0,054)

rGS

0,553*** (0,027)

0,706*** (0,028)

0,959*** (0,038)

rMkt

0,710*** (0,034)

0,786*** (0,025)

0,379*** (0,030)

Chi2(df)

2389(95)

559(91)

2089(95)

895(91)

1644(95)

688(91)

NFI

0,926

0,983

0,941

0,975

0,847

0,936

CFI

0,929

0,985

0,944

0,977

0,855

0,944

RMSEA

0,153

0,070

0,158

0,101

0,212

0,132

x*** = signifikant auf 1 % Niveau ** = signifikant auf 5 % Niveau * = signifikant auf 5 % Niveau n. s. = nicht signifikant, () = Standardfehler

Es zeigt sich, dass bei der schrittweisen Kontrolle von unbeobachtbaren Variablen die Effekte nahezu verschwinden und somit zu großen Teilen auf den Einfluss von Intangibles zurückzuführen sind. Die entsprechenden Koeffizienten pmGS, pmMkt, rGS sowie rMkt sind in weiten Teilen positiv und höchst signifikant. Tabelle 6.10 Ergebnisse für Modellklassen B und C (Werbeinvestitionen) – Studie I PIMS: 1970–1982 Modell B F & E→GS -0,053 (0,089)

n. .s.

Compustat: 1970–1980

Compustat: 1990–2002

Modell C

Modell B

Modell C

Modell B

Modell C

-0,079 (0,092)

-0,141 (0,061)

-0,088 (0,063)

0,035 (0,056)

0,079 n. s. (0,052)

n. .s.

**

n. s.

n. s.

135

6.3. F & E und Marketing als Investitionsgrößen PIMS: 1970–1982

Compustat: 1970–1980

Compustat: 1990–2002

Modell B

Modell C

Modell B

Modell C

Modell B

Modell C

Mkt→GS

-0,318 (0,097)

-0,274 (0,096)

0,052 (0,098)

-0,014 (0,102)

-0,125 (0,097)

-0,127 n. s. (0,086)

F & E→ Mkt

-0,011 n. s. (0,014)

-0,016 n. s. (0,015)

0,018 n. s. (0,011)

-0,024 n. s. (0,011)

-0,015 n. s. (0,016)

0,001 n. s. (0,016)

pmGS

0,388*** (0,038)

0,380*** (0,039)

0,408*** (0,029)

0,402*** (0,029)

0,176*** (0,027)

0,163*** (0,027)

pmMkt

0,004 n. s. (0,010)

0,005 n .s. (0,010)

-0,002 n. s. (0,007)

0,008 n .s. (0,006)

-0,021** (0,008)

-0,020** (0,008)

***

***

n. s.

n. s.

n. s.

rGS

0,651*** (0,028)

0,627*** (0,035)

0,877*** (0,038)

rMkt

0,586*** (0,034)

0,922*** (0,018)

0,528*** (0,052)

Chi2(df)

1834(95)

469(91)

1725(95)

399(91)

866(95)

257(91)

NFI

0,937

0,984

0,926

0,983

0,904

0,972

CFI

0,940

0,987

0,929

0,987

0,914

0,918

RMSEA

0,137

0,064

0,153

0,065

0,157

0,073

*** = signifikant auf 1 % Niveau ** = signifikant auf 5 % Niveau * = signifikant auf 5 % Niveau n. s. = nicht signifikant, () = Standardfehler

Der in Tabelle 6.11 dokumentierte Modellvergleich auf Basis des Chi-QuadratDifferenzentests zeigt signifikante Verbesserungen der Modellanpassung mit jeder Modellklasse und die jeweiligen Nullhypothesen, dass keine Einflüsse von Intangibles vorliegen, müssen abgelehnt werden.

Tabelle 6.11 Modellvergleich – Studie I Modellvergleich

Nullhypothese

c2-Differenz

p-Wert

PIMS: 1970–1982 A–B

„Es liegen keine Individualeffekte vor.“

18336(50)

0,000

B–C

„Es liegen keine autoregressiven Effekte vor.“

1830(4)

0,000

(Fortsetzung nächste Seite)

136

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg Modellvergleich

Nullhypothese

c2-Differenz

p-Wert

Compustat: 1970–1982 A–B

„Es liegen keine Individualeffekte vor.“

12201(50)

0,000

B–C

„Es liegen keine autoregressiven Effekte vor.“

1194(4)

0,000

Compustat: 1990–2002 A–B

„Es liegen keine Individualeffekte vor.“

4596(50)

0,000

B–C

„Es liegen keine autoregressiven Effekte vor.“

956(4)

0,000

6.3.1.4. Zusammenfassung und Implikationen für Studien II und III Bereits aus obiger Untersuchung lässt sich die Bedeutung der Intangibles im Untersuchungsrahmen ableiten. Lässt man schrittweise in den Modellklassen B und C den Einfluss von Intangibles zu, verschwinden die Effekte von F & E-, Marketingund Werbeinvestitionen auf die Gewinnspanne. Eine Übersicht über die bestätigten Hypothesen liefert Tabelle 6.12. Tabelle 6.12 Zusammenfassung der Ergebnisse der Studie I Modell A P1)

CI2)

HypotheseF & E→GS

√

√

HypotheseMkt→GS

√

HypotheseF & E→Mkt

√

HypotheseIntangibles

Modell B P1)

CI2)

√

–

–

√

√

–

√

√

nicht getestet

CII3)

Modell C CII3)

P1)

CI2)

CII3)

–

–

–

–

–

–

–

–

–

–

√

√

–

–

–

√

√

√

√

√

√

PIMS-Daten: 1970–1982 Compustat-Daten: 1970–1982 Compustat-Daten: 1990–2002 Die Zusammenfassung bezieht sich die Analysen mit Marketinginvestitionen.

1) 2) 3)

Aus der Voruntersuchung lassen sich verschiedene Implikationen für die folgenden Analysen ableiten: – In den unterschiedlichen Stichproben zeigen sich ähnliche Ergebnistendenzen, so dass einer Verwendung von Compustatdaten für die thematische Fragestellung nichts im Wege steht. Insofern kann von dem Datenreichtum der Compustatda-

6.3. F & E und Marketing als Investitionsgrößen

137

tenbank Gebrauch gemacht werden und in der Haupt- und Folgeuntersuchung echte Paneldaten verwendet werden, wodurch die Verzerrung durch Informationen unterschiedlicher Zeitpunkte entfällt. – Ähnlich zu den Erfahrungen von Lin, Lee und Hung (2006) scheint der Umsatz ein relativ instabiles Maß als Basis für die Berechnung von Intensitäten, insofern werden in den folgenden Untersuchungen die tangiblen Vermögenswerte eines Unternehmens als Basis herangezogen. Um einer möglichen umgekehrten Kausalität Rechnung zu tragen, werden dabei jeweils die Assets des Vorjahres verwendet. – Gleichzeitig soll simultan im Modell auch der mögliche Interaktionseffekt von F & E- und Marketing getestet werden (H5). In der Folgeuntersuchung werden zusätzlich andere Marketinginstrumente getestet und die Hypothesen 2 und 3 erweitert. – Kontrollvariablen, wie die Unternehmensgröße oder der Erzeugerpreisindex sollten in die Modelle miteinbezogen werden. 6.3.2. Studie II Aufbauend auf den Ergebnissen der Studie I wird die Modellstruktur für die folgende Studie II erweitert. Zum einen wird der Komplementarität der Fähigkeiten in F & E und Marketing durch einen Interaktionseffekt zwischen den unterschiedlichen Intensitäten Rechnung getragen und Hypothese (H5) zusätzlich in das Modell aufgenommen (siehe Tabelle 6.13).

Tabelle 6.13 Hypothesen der Studie II HypotheseF & E→GS

F & E-Investitionen in Periode t wirken sich positiv auf die H1 Unternehmensgewinnspanne in Periode t + 1 aus.

HypotheseMkt→GS

Marketinginvestitionen in Periode t wirken sich positiv auf H2 die Unternehmensgewinnspanne der Periode aus.

HypotheseF & E→Mkt

F & E-Investitionen in Periode t treiben Marketinginvesti- H3 tionen in Periode t + 1.

HypotheseIntangibles

Unbeobachtbare Faktoren (Intangibles) beeinflussen die H4 Beziehung zwischen F & E- sowie Marketinginvestitionen und Unternehmensgewinnspanne.

HypotheseInteraktion→GS

Der Interaktionseffekt von F & E- und Marketinginvestitio- H5 nen wirkt sich positiv auf die Unternehmensgewinnspanne in der Periode aus.

138

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg

Zum anderen fließen die Unternehmensgröße und der Erzeugerpreisindex als Konjunkturindikator als Kontrollvariablen in das Modell ein. Die folgende Abbildung 6.7 liefert die Grundstruktur des Modells. Im Verlauf der Untersuchung wird der Einfluss verschiedener unbeobachtbarer Effekte zugelassen, wie auch eine Unterteilung der Gesamtstichprobe vorgenommen wird.

Marketingintensität

H3: +

(t+1)

H2: +

Interaktion F&E x Marketing

F&E-Intensität

H5: +

(t)

H1: +

Erzeugerpreis

(t+1)

Gewinnspanne

(t+1)

Unternehmensgröße

H4: +

Intangibles

(t)

Abbildung 6.7: Modellstruktur der Studie II

6.3.2.1. Daten und Variablen Entsprechend der Ergebnisse der Voruntersuchung werden im Folgenden die Untersuchungen in Studie II auf Compustatdaten beschränkt. Die aus der Compustatdatenbank Nord Amerika extrahierten Daten umfassen Unternehmen des herstellenden Gewerbes, die in den Jahren 1985–1991 Marketing- sowie F & E-Investitionen getätigt haben. Folglich finden sich in der untersuchten Stichprobe Unternehmen mit sieben aufeinanderfolgenden Berichtsjahren und man kann von echten Paneldaten sprechen. Die Gesamtstichprobengröße umfasst nach der Eliminierung von Ausreißern 413 US-amerikanische Unternehmen verschiedener Branchen. Im Laufe der Untersuchung wird eine Aufteilungen des Datensets in 255 High- und 158 Low-tech Unternehmen vorgenommen. Das in Studie I getestete Modell wird um verschiedene Variablen erweitert. In den folgenden Abschnitten werden die in die empirische Studie eingehenden Variablen vorgestellt und die jeweilige Operationalisierung aufgezeigt. Zunächst werden die verschiedenen exogenen Variablen und auch die abhängige Erfolgsgröße erläutert, darauf folgend gibt Tabelle 6.19 eine Übersicht zur Berechnung der einzelnen Variablen.

139

6.3. F & E und Marketing als Investitionsgrößen

6.3.2.1.1. Die Gewinnspanne als abhängige Variable Die Gewinnspanne wird in der vorliegenden Studie als abhängige Erfolgsgröße gewählt. Sie ergibt sich aus den Umsatzerlösen, von denen die direkten Herstellungskosten der verkauften Erzeugnisse (Compustat Variable: DATA41) abgezogen werden. Insofern wird im Gegensatz zu vielen Studien, die kapitalmarktbasierte Erfolgsmaße wie bspw. die Aktienrendite (vgl. Ho, Keh und Ong 2005 oder Chan, Lakonishok und Sougiannis 2001) oder auch Tobin’s q (vgl. Lin, Lee und Hung 2006 oder Dutta, Narasimhan und Rajiv 1999) einsetzen hier ein rechnungswesensbasiertes Erfolgsmaß eingesetzt. Gewinnspanne =

(6.4)

(DATA12 t=1 - DATA41t=1 ) DATA6t=0

In Anlehnung an Arbeiten von Boyd, Farris und Hildebrandt (2004) sowie Andras und Srinivasan (2003) geht die Gewinnspanne als abhängige Variable in die Analyse ein und wird ins Verhältnis zu den bilanzierten Vermögenswerten der Unternehmen gesetzt (siehe Gleichung 6.4 für die Umsetzung entsprechend der Variablen in der Compustat-Datenbank). Tabelle 6.14 Deskriptive Statistiken der Variable Gewinnspanne Gewinnspanne N

Minimum

Maximum

Mittelwert

Gewinnspanne (Jahr 1)

413

-0.015

1.882

0.534

Gewinnspanne (Jahr 3)

413

-0.025

1.715

0.526

Gewinnspanne (Jahr 4)

413

-0.112

1.682

0.554

Gewinnspanne (Jahr 5)

413

-0.051

1.683

0.546

Gewinnspanne (Jahr 6)

413

-0.136

1.664

0.559

Gewinnspanne (Jahr 7)

413

-0.028

1.548

0.560

Gültige Werte (Listenweise)

413

Tabelle 6.14 liefert einen Überblick der deskriptiven Statistiken für diese Variable, wobei die Jahre 1985–1991 die sieben aufeinanderfolgenden Jahre abdecken. 6.3.2.1.2. Die erklärenden Variablen Die unabhängigen Variablen entstammen den Bereichen F & E und Marketing. Neben den jährlichen Ausgaben der Unternehmen für F & E und das gesamte Marketing, gehen auch die Ausgaben für unterschiedliche Marketinginstrumente in die Analyse ein. Zusätzlich werden im Verlauf der Analyse verschiedene Interaktionsterme gebildet.

140

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg

F & E-Intensität Die in der Compustat-Datenbank ausgewiesenen Ausgaben für F & E repräsentieren alle Kosten, die Unternehmen im Rahmen von der Entwicklung neuer Produkte und Dienstleistungen entstehen. Wie in Kapitel 2 bereits erläutert handelt es sich insofern um sehr produktnahe Ausgaben. Eine große Zahl empirischer Studien hat einen signifikant positiven Zusammen zwischen F & E sowie dem Erfolg von Unternehmen festgestellt. Entsprechend gehen die jährlichen Angaben der Unternehmen über ihre Investitionen in F & E (Compustat Variable: DATA46, siehe Gleichung 6.5) als Intensitäten formuliert in die Analyse eingehen (Siehe hierzu auch Lin, Lee und Hung 2006).

F&E-Intensität =

(6.5)

DATA46t=1 DATA6t=0

Die folgende Tabelle 6.15 liefert deskriptive Statistiken der eingesetzten Daten zur F & E-Intensität. Tabelle 6.15 Deskriptive Statistiken der Variable F & E-Intensität F & E-Intensität N

Minimum

Maximum

Mittelwert

Standardabweichung

F & E-Intensität (Jahr 1)

413

0.000

0.387

0.063

0.055

F & E-Intensität (Jahr 2)

413

0.000

0.277

0.061

0.050

F & E-Intensität (Jahr 3)

413

0.000

0.298

0.061

0.053

F & E-Intensität (Jahr 4)

413

0.000

0.354

0.064

0.058

F & E-Intensität (Jahr 5)

413

0.000

0.517

0.066

0.061

F & E-Intensität (Jahr 6)

413

0.000

0.547

0.069

0.065

F & E-Intensität (Jahr 7)

413

0.000

0.437

0.069

0.066

Gültige Werte (Listenweise)

413

In den von der Compustat-Datenbank berichteten jährlichen F & E-Ausgaben der Unternehmen sind betriebsinterne Ausgaben für F & E enthalten. Diese Ausgaben repräsentieren den Zugewinn an F & E den ein Unternehmen durch Fusionen mit bzw. Übernahmen anderer Unternehmen realisiert. Problematisch kann die Einbeziehung dieser Ausgaben werden, wenn Unternehmen versuchen über unangemessen hohe Abschreibung dieser eingekauften F & E den Aktienkurs des Unterneh-

6.3. F & E und Marketing als Investitionsgrößen

141

mens künstlich zu stimulieren. Deng und Lev (1998) haben dieses Phänomen auf wissenschaftlicher Ebene untersucht und stellen eine starke Zunahme dieses Effektes seit Mitte der 1990er Jahre fest. Die in der vorliegenden Studie untersuchte Zeitreihe stammt aus dem Jahren 1985–1991, so dass die Gefahr der Verzerrung durch unverhältnismäßig hohe Abschreibungen im Bereich betriebsinterner F& E als nicht gegeben angenommen werden kann.

Marketingintensität Die Compustat-Datenbank weist keine gesonderten Ausgaben für Marketing aus, sondern berichtet diese nur gemeinsam mit Ausgaben für sonstige administrative Tätigkeiten. SG & A umfasst alle gewerblichen Ausgaben im Geschäftsbereich, wie Ausgaben die nicht direkt mit der Herstellung von Produkten verbunden sind, aber regelmäßig für das Unternehmen anfallen (Standard & Poor’s 2003, Compustat User’s Guide, S. 269 ff.). Da diese nicht zwingendermaßen direkt mit Marketingaktivitäten in Verbindung stehen müssen kann bei einer Verwendung dieser Größe, die kurz SG & A (Selling, General and Administrative Expenses) genannt von einer Überbewertung ausgegangen werden. Sofern Ausgaben für F & E von Seiten des Unternehmens angegeben werden, so sind diese in der Compustat-Variable SG & A enthalten. Da dies für alle in der Studie untersuchten Unternehmen gilt, werden die jährlichen F & E-Ausgaben abgezogen. Zum einen ist dies zwingend notwendig sofern F & E-Ausgaben als weitere Variable in ein Modell eingehen sollen, zum anderen ist davon auszugehen, dass durch dieses Vorgehen die oben erwähnte Überbewertung reduziert wird. In Anlehnung an verschiedene aktuelle Studien (siehe bspw. Lin, Lee und Hung 2006 oder Wuyts, Stremersch und Dutta 2004) werden die SG & A-Ausgaben als Maß für die Marketingaktivitäten eines Unternehmens interpretiert und als erklärende Variable in die Analyse miteinbezogen. Die jährlichen Angaben der Unternehmen zu dieser Variablen werden ins Verhältnis zu den Vermögenswerten der Unternehmung gesetzt um so ein Maß für die Marketingintensität zu erhalten, enstprechend der Definition in der Compustat-Datenbank ergibt sich folgendes:

(6.6)

Marketingintensität =

(DATA189t=1 - DATA46t=1 ) DATA6t=0

Es folgen die Angaben zu Minima, Maxima, Mittelwerten und Standardabweichungen für die entsprechenden Variablen in Tabelle 6.16.

142

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg Tabelle 6.16 Deskriptive Statistiken der Variable Marketingintensität Marketingintensität N

Minimum

Maximum

Mittelwert

Standardabweichung

Marketingintensität (Jahr 1)

413

0.037

1.783

0.360

0.213

Marketingintensität (Jahr 2)

413

0.045

1.812

0.349

0.204

Marketingintensität (Jahr 3)

413

0.037

1.549

0.356

0.206

Marketingintensität (Jahr 4)

413

0.033

1.550

0.370

0.210

Marketingintensität (Jahr 5)

413

0.032

1.534

0.369

0.211

Marketingintensität (Jahr 6)

413

0.040

1.546

0.388

0.216

Marketingintensität (Jahr 7)

413

0.045

1.655

0.389

0.226

Gültige Werte (Listenweise)

413

6.3.2.1.3. Kontrollvariablen In einer Vielzahl von Studien wird die Unternehmensgröße als bedeutsam in diesem Forschungsbereich angesehen. Diesem Umstand Rechnung tragend fließt auch in den folgenden Untersuchungen die Größe von Unternehmen als Kontrollvariable ein. Zusätzlich soll mit einem ökonomischen Indikator für eventuelle Konjunkturschwankungen im Beobachtungszeitraum kontrolliert werden. Unternehmensgröße Der Einfluss der Unternehmensgröße auf den Erfolg von Firmen ist in verschiedenen Studien beispielsweise (Berger und Ofek 1995 oder Lev und Thiagarajan 1993) untersucht worden, teilweise wurde ein positiver Effekt nachgewiesen. Capon, Farley und Hoenig (1990) können in ihrer Meta-Analyse jedoch keinen durchgängig signifikanten positiven Effekt nachweisen. Nichts desto trotz soll in der vorhanden Stichprobe mit Unternehmen unterschiedlicher Branchen für den möglichen Effekt von Unternehmensgröße kontrolliert werden. (6.7)

Unternehmensgröße = ln (DATA6)

Nach Gleichung (6.7) wird die Kontrollvariable Unternehmensgröße als der natürlicher Logarithmus der gesamten Vermögenswerte des Unternehmens in die Untersuchung eingehen. Die zugehörigen deskriptiven Statistiken sind Tabelle 6.17 zu entnehmen.

143

6.3. F & E und Marketing als Investitionsgrößen Tabelle 6.17 Deskriptive Statistiken der Variable Unternehmensgröße Unternehmensgröße N

Minimum

Maximum

Mittelwert Standardabweichung

Unternehmensgröße (Jahr 1)

413

-0.463

4.483

1.849

1.041

Unternehmensgröße (Jahr 2)

413

-0.484

4.580

1.921

1.042

Unternehmensgröße (Jahr 3)

413

-0.538

4.653

1.975

1.053

Unternehmensgröße (Jahr 4)

413

-0.767

4.721

2.002

1.069

Unternehmensgröße (Jahr 5)

413

-0.548

4.708

2.033

1.078

Unternehmensgröße (Jahr 6)

413

-0.489

4.793

2.039

1.104

Unternehmensgröße (Jahr 7)

413

-0.541

4.831

2.049

1.117

Gültige Werte (Listenweise)

413

Erzeugerpreisindex Der Index der Erzeugerpreise gewerblicher Produkte (im folgenden kurz PPI (Producer Price Index)) misst die durchschnittliche Veränderung der von Produzenten erzielten Verkaufspreise über die Zeit. Der Index der Erzeugerpreise gewerblicher Produkte (Inlandsabsatz) misst auf repräsentativer Grundlage die Entwicklung der Preise für die vom Bergbau und Verarbeitenden Gewerbe sowie der Energie- und Wasserwirtschaft in den USA erzeugten und im Inland verkauften Produkte. Die Bezugsgröße des Gesamtindex ist die Summe aller gewerblichen Inlandsumsätze im Basisjahr. Damit werden sowohl der Absatz industrieller Güter an inländische Abnehmer anderer Wirtschaftsstufen als auch die Umsätze zwischen den gewerblichen Unternehmen preisstatistisch berücksichtigt. Da der Erzeugerpreisindex Preisänderungen in einer frühen Phase des Wirtschaftsprozesses misst, gilt er als Indikator für zukünftige Inflationstendenzen. Der Preisindex beinhaltet eine Vielzahl von Produkten und Dienstleistungen und wird in unterschiedlichen Branchen erfasst. Im Jahr 2002 beinhaltete das PPI-Programm in etwa 500 Industrien mit insgesamt über 7000 Indices für bestimmte Produkte oder Produktkategorien. Der Index der Erzeugerpreise gewerblicher Produkte wird nicht nur als Gesamtreihe, d. h. für die Gesamtheit der gewerblichen Produkte, sondern für eine große Zahl von Güterabteilungen verschiedener Aggregationsstufen berechnet und veröffentlicht. Die dabei angewandten Gliederungsprinzipien sind die des Nordamerikanische Branchenklassifizierungssystem (im Folgenden kurz NAICS (North American Classification Index), dem auch die Beschreibung der verschiedenen Indexpositionen entspricht. Über dieses System konnte jedem im Sample vorhandenen Unternehmen der jeweilige PPI zugeordnet werden. Der Erzeugerpreisindex dient in der vorliegenden Untersuchung als ökonomischer Konjunkturindikator und wird in der Form des natürlichen Logarithmus des PPI (siehe Gleichung 6.8) verwendet.

144

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg

Erzeugerpreisindex = ln (PPI)

(6.8)

Tabelle 6.18 zeigt die entsprechenden deskriptiven Statistiken. Tabelle 6.18 Deskriptive Statistiken der Variable Erzeugerpreisindex Erzeugerpreisindex N

Minimum

Maximum

Mittelwert

Standardabweichung

Erzeugerpreisindex (Jahr 1)

413

4.529

5.062

4.678

0.123

Erzeugerpreisindex (Jahr 2)

413

4.453

5.118

4.695

0.136

Erzeugerpreisindex (Jahr 3)

413

4.353

5.158

4.714

0.147

Erzeugerpreisindex (Jahr 4)

413

4.503

5.214

4.746

0.149

Erzeugerpreisindex (Jahr 5)

413

4.495

5.268

4.779

0.156

Erzeugerpreisindex (Jahr 6)

413

4.460

5.326

4.802

0.166

Erzeugerpreisindex (Jahr 7)

413

4.466

5.384

4.821

0.177

Gültige Werte (Listenweise)

413

Die für die Untersuchung verwendete Stichprobe ist ein aus Daten der Compustat-Datenbank und Daten des Bureaus of Labor Statistics zusammengesetzter Datensatz. Zum besseren Verständnis fasst folgende Tabelle 6.19 die Datenlage der vorliegenden empirischen Studie zusammen. Neben Informationen zur gewählten Zeitperiode und Operationalisierung der unterschiedlichen Variablen sowie ihrer Quelle, enthält sie außerdem die jeweils gewählten Abkürzungen. Die Bezeichnung der Größen orientiert sich an den Definitionen der Compustat-Datenbank. Tabelle 6.19 Variablen der Studie II Zeitperiode

Variable Abhängige Va- Gewinnspanne riable Unabhängige Variablen

1985–1991 Kontrollvariablen

Operationalisierung GS

(Sales – Cost of goods sold)/ Assets

Marketingintensität MKT (SG&A exp. – R&D exp.)/ Assets F & E-Intensität

F & E (F&E exp.)/ Assets

Unternehmensgröße

Größe ln(Assets)

Erzeugerpreisindex PPI

Quelle

ln(PPI)

Compustat North America

Bureau of Labor Statistics

145

6.3. F & E und Marketing als Investitionsgrößen

6.3.2.2. Modellspezifikation Die Analyse erstreckt sich über drei Modellstufen. Modell A ist wie Gleichungen (6.9) zeigt als einfaches OLS-Regressionsmodell spezifiziert und verzichtet als Ausgangsmodell auf jegliche Kontrolle unbeobachtbarer Variablen. Modell B und Modell C kontrollieren dann stufenweise für verschiedene solcher Effekte.

(6.9)

GSit = β1Mktit + γ 1 F & Eit -1 + γ 2 (F & Eit-1 × Mktit ) + γ 3Größeit + γ 4 PPI it + ε1it , Mktit = γ 3 F & Eit -1 + ε 2 it .

Der Unternehmenserfolg wird durch die F & E- und Marketingintensität von Unternehmen erklärt, wobei Unternehmensgröße und Erzeugerpreisindex als Kontrollvariable fungieren. Modell B ist als Random-Effects-Modell spezifiziert (siehe Gleichungssystem 6.10) und kontrolliert für unternehmensspezifische über die Zeit stabile Individualeffekte sowie für mögliche Korrelationen zwischen den Individualeffekten und den exogenen Variablen. Die unternehmensspezifischen zeitkonstanten Effekte werden über eine Hilfsregression abgebildet und somit aus den im Untersuchungsfokus stehenden Schätzparameter separiert. GSit = β1 Mktit + γ 1 F & Eit -1 + γ 2 (F & Eit-1 × Mktit ) + γ 3Größeit + γ 4 PPI it + μ1i + ε1it , Mktit = γ 5 F & Eit -1 + μ 2 i + ε 2 it ,

(6.10)

T −1

T −1

T −1

T −1

t =1

t =1

t =1

t =1

μ1i = ∑ π 1t F & Eit + ∑ π 2 t (F & Eit -1 × Mktit ) + ∑ π 3t Größeit + ∑ π 4t PPI it + ω1i , T −1

μ 2 i = ∑ π 5t F & Eit + ω 2 i , t =1

mit i = 1,..., N , t = 1,..., T ,

⎧σ ω2 ⎪⎪ E (ω giω g' i' ) = ⎨σ ω ⎪ ⎪⎩ 0

g

gg '

wenn wenn sonst

g = g ',i = i' g ≠ g ',i = i',

⎧⎪σ ε2 wenn g = g ',i = i',t = t',

E ( ε git ε g' i' t' ) = ⎨

g

⎪⎩ 0 sonst.

Für die Schätzung des Folgemodells C, ein strukturelles Autokorrelationsmodell 1. Ordnung wird aufgrund der Befunde der vorangegangenen Modelle von einer Korrelation zwischen den erklärenden Variablen und den über die Zeithinweg konstanten Individualeffekten ausgegangen. Wie in Modell B wird diese Korrelation durch die Einführung von Hilfsregressionen der Individualeffekte auf alle exogenen Variablen sowie durch die Freisetzung der Kovarianzen zwischen den Störgrößen

146

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg

abgebildet. Über die Zulassung von autokorrelierten Fehlern erweitert Modell C jetzt Modell B um die Kontrolle von autoregressiven Effekten ohne die Kontrolle der zeitlich stabilen unbeobachtbaren Effekten aufzugeben. GSit = β1 Mktit + γ 1 F & Eit -1 + γ 2 (F & Eit -1 × Mktit ) + γ 3Größeit + γ 4 PPI it + μ1i + υ1it , Mktit = γ 5 F & Eit -1 + μ 2 i + υ2 it , T −1

T −1

T −1

T −1

t =1

t =1

t =1

t =1

μ1i = ∑ π 1t F & Eit + ∑ π 2 t (F & Eit -1 × Mktit ) + ∑ π 3t Größeit + ∑ π 4t PPI it + ω1i , T −1

(6.11)

μ 2 i = ∑ π 5t F & Eit + ω 2 i , t =1

i = 1,..., N ,

mit

t = 1,..., T ,

υ git = ρgυ git -1 + ε git und

⎧ σ ω2 ⎪⎪ E (ω giω g' i' ) = ⎨σ ω ⎪ ⎪⎩ 0

g

wenn g = g ',i = i' wenn g ≠ g ',i = i',

gg '

⎧⎪σ ε2 wenn g = g ',i = i',t = t',

E ( ε git ε g' i' t' ) = ⎨

sonst

g

⎪⎩ 0 sonst.

Gleichungssystem 6.11 zeigt, wie die Modellstruktur durch eine zusätzliche Aufspaltung des Fehlerterms um die autokorrelierte Effekte in den Fehlertermen erweitert wird. 6.3.2.3. Ergebnisse für die Gesamtstichprobe Die Ergebnisse der Analyse der vollständigen Stichprobe zeigen ein grundsätzlich zu erwartendes Bild, allerdings auch verschiedene nicht unbedingt vorhersehbare Effekte. Die dokumentierten Anpassungsmaße deuten für das Ausgangsmodell auf eine nicht akzeptable Modellanpassung hin, woraus sich streng genommen eine Interpretation der Schätzergebnisse von Modell A verbietet, zu Vergleichszwecken soll jedoch kurz auf die Ergebnisse eingegangen werden. Tabelle 6.20 Ergebnisse für die Gesamtstichprobe – Studie II Modell A Ausgangsmodell

Modell B Modell C Kontrolle unternehmens- Kontrolle unternehmensspezifischer Effekte spezifischer und autoregressiver Effekte

Gesamtstichprobe (N = 413)

Gesamtstichprobe (N = 413)

Gesamtstichprobe (N = 413)

F & E→GS

0,784*** (0,082)

0,157 n. s. (0,132)

0,016 n. s. (0,135)

Mkt→GS

1,011*** (0,012)

0,802*** (0,032)

0,756*** (0,023)

6.3. F & E und Marketing als Investitionsgrößen

147

Modell A Ausgangsmodell

Modell B Modell C Kontrolle unternehmens- Kontrolle unternehmensspezifischer Effekte spezifischer und autoregressiver Effekte

Gesamtstichprobe (N = 413)

Gesamtstichprobe (N = 413)

Gesamtstichprobe (N = 413)

0,624*** (0,073)

0,309*** (0,073)

0,095 n. s. (0,073)

Interaktion→GS -0,207 n .s. (0,129)

0,378** (0,165)

0,541*** (0,163)

Größe→GS

0,042***

0,034**

0,028 n .s.

PPI→GS

0,017 n. s.

0,017 n. s.

0,017 n. s.

Chi2(df)

8216(370)

3570(359)

3070(353)

NFI

0,860

0,939

0,948

CFI

0,865

0,945

0,953

RMSEA

0,234

0,147

0,124

F & E→Mkt

*** = signifikant auf 1 % Niveau ** = signifikant auf 5 % Niveau * = signifikant auf 5 % Niveau n. s. = nicht signifikant () = Standardfehler

Modell A zeigt starke positive Effekte von F & E- wie auch Marketingintensität auf die Gewinnspanne von Unternehmen. Gleichermaßen zeigt sich ein starker positiver Effekt von F & E- auf die Marketingintensität. Entgegen der Vermutung lässt sich jedoch kein signifikanter, von der Tendenz her sogar ein negativer Effekt der Interaktion von F & E und Marketing verzeichnen. Gerade vor dem Hintergrund der in der Theorie postulierten möglichen Synergieeffekte die aus den komplementären Fähigkeiten in F & E und Marketing erwachsen können, war dies nicht zu erwarten. Während in diesem Modell der Erzeugerpreis keinen Einfluss auf den Unternehmenserfolg hat, ist ein schwacher dennoch positiv signifikanter Effekt der Unternehmensgröße festzustellen. Ausgehend von der Tatsache, dass man beim Ausgangsmodell A aufgrund der fehlenden Kontrolle unbeobachtbarer Variablen von überschätzten Parametern ausgehen muss, ist die grundsätzlich zurückgegangene Stärke der Effekte in Modell B zu erwarten gewesen. Überraschend ist allerdings der völlige Rückgang der Erfolgswirksamkeit der F & E-Intensität. Im Gegensatz dazu kommt bei der Kontrolle von unternehmensspezifischen zeitkonstanten unbeobachtbaren Variablen ein Interakti-

148

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg

onseffekt von F & E und Marketing zum Tragen, der stark positiv auf die Unternehmensgewinnspanne wirkt. Zeitinvariante unbeobachtbare unternehmensspezifische Variablen führen also zu einer verstärkten Wirkung der Interaktion von F & E und Marketing und folglich zu einer größeren Gewinnspanne. Versteht man diese unbeobachtbaren Variablen beispielsweise als Managementqualität, so lässt sich aufgrund der positiven Korrelation mit der Gewinnspanne festhalten, dass eine über die Zeit hinweg konstant gute Qualität des Managements die Erfolgswirksamkeit von Synergien in F & E und Marketing steigert (vgl. hierzu Tabelle 6.21). Tabelle 6.21 Individualeffekte für die Gesamtstichprobe in der Modellklasse B – Studie II F&E

Interaktion

Größe

PPI

Gesamtstichprobe mGS

0,002 (0,041)

0,152** (0,066)

0,000 (0,003)

0,006 (0,011)

mMkt

-0,608*** (0,041)

1,240*** (0,066)

-0,006*** (0,001)

0,031*** (0,008)

*** = signifikant auf 1 % Niveau ** = signifikant auf 5 % Niveau * = signifikant auf 5 % Niveau n. s. = nicht signifikant () = Standardfehler

Der indirekte Effekt von F & E über Marketing auf den Unternehmenserfolg bleibt in ähnlicher Stärke erhalten. Auch für die Kontrollvariablen ergeben sich nur unerhebliche Änderungen in Modell B im Vergleich zu Modell A. Die globalen FitMaße lassen eine deutliche verbesserte Anpassung an die Daten erkennen (vgl. Tabelle 6.20). Entsprechend zeigt sich im Modellvergleich, dass die Nullhypothese für das Nichtvorhandensein individualspezifischer Effekte abgelehnt werden muss (siehe Tabelle 6.22). Tabelle 6.22 Modellvergleich für die Gesamtstichprobe – Studie II Modellvergleich

Nullhypothese

c2-Differenz(df)

p-Wert

Gesamtstichprobe A–B

„Es liegen keine Individualeffekte vor.“

4646(11)

0,000

B–C

„Es liegen keine autoregressiven Effekte vor.“

500(6)

0,000

Im Modell der dritten Stufe (Modell C), bei Kontrolle von autoregressiven Effekten verdeutlicht sich das Bild weiter. Die Marketingintensität übt weiterhin einen stärken Einfluss auf den Unternehmenserfolg aus. Gleichzeitig scheinen Anstren-

149

6.3. F & E und Marketing als Investitionsgrößen

gungen in F & E weitgehend erfolglos zu sein, sofern sie nicht die entsprechende Unterstützung durch Marketingmaßnahmen erhalten. Ein positiv signifikanter Interaktionseffekt stellt die Bedeutung der Synergien die durch die komplementären Fähigkeiten F & E und Marketing entstehen für den Erfolg von Unternehmen heraus. Gerade der Einfluss unbeobachtbarer Variablen, wie beispielsweise Managementqualität, als unternehmensspezifischer Effekt oder kurzfristige Nachfrageänderungen bzw. Know-how als autoregressive Effekte wirkt also positiv auf die Erfolgswirksamkeit der Interaktion (Tabelle 6.23). Tabelle 6.23 Individualeffekte und autoregressive Effekte für die Gesamtstichprobe der Modellklasse C – Studie II F&E

Interaktion

Größe

PPI

mGS

-0,001 (0,045)

0,224*** (0,073)

0,000 (0,003)

0,006 (0,014)

mMkt

-0,599*** (0,043)

1,244*** (0,069)

-0,005*** (0,001)

0,032*** (0,008)

Gesamtstichprobe

rGS

0,809*** (0,017)

rMkt

0,513*** (0,039)

*** = signifikant auf 1 % Niveau ** = signifikant auf 5 % Niveau * = signifikant auf 5 % Niveau n. s. = nicht signifikant () = Standardfehler

Der Chi-Quadrat-Differenzentest (Tabelle 6.22) liefert den entsprechenden Nachweis für das Vorhandensein autoregressiver Effekte. 6.3.2.4. Ergebnisse für High-tech und Low-tech Unternehmen Im folgenden wird die zugrunde liegende Stichprobe in zwei Gruppen aufgeteilt. Zum einen Unternehmen die dem Hochtechnologiesektor zuzuordnen sind und zum anderen solche die eher dem Low-tech Bereich angehören. Ersterer Gruppe gehören Unternehmen aus den Branchen „elektronische Messgeräte“ und „Computer“ an, während die zweite Gruppe Unternehmen beispielsweise aus der Textilverarbeitungsbranche angehören. Die folgende Tabelle 6.24 beinhaltet die Ergebnisse aufgeteilt nach diesen Gruppen für die Modelle B und C. Auf eine Darstellung der Ergebnisse des Ausgangsmodells wird verzichtet, da wie bereits im ersten Teil der Studie gezeigt auch hier nur von stark verzerrten Schätzern auszugehen ist.

150

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg Tabelle 6.24 Ergebnisse für die High-tech und Low-tech Branche – Studie II Modell B Kontrolle unternehmensspezifischer Effekte

Modell C Kontrolle unternehmensspezifischer und autoregressiver Effekte

High-tech

Low-tech

High-tech

Low-tech

F&E→GS

0,077 (0,164)

0,369 (0,240)

-0,105 (0,169)

0,314 n. s. (0,243)

Mkt→GS

0,725*** (0,031)

0,915*** (0,033)

0,626*** (0,031)

0,787*** (0,032)

F&E→Mkt

0,296*** (0,084)

0,265 n. s. (0,165)

0,063 n. s. (0,083)

0,086 n. s. (0,152)

Interaktion→GS

0,529*** (0,194)

-0,564 n. s. (0,385)

0,695*** (0,191)

-0,049 n. s. (0,381)

Größe→GS

0,020 n. s.

0,042**

-0,039 n. s.

0,050**

PPI→GS

-0,140 n. s.

0,169**

-0,035 n. s.

0,144**

Chi2(df)

2670(359)

2056(359)

2374(353)

1841(353)

NFI

0,932

0,908

0,939

0,918

CFI

0,940

0,922

0,947

0,931

RMSEA

0,149

0,150

0,133

0,133

n. s.

n. s.

n. s.

*** = signifikant auf 1 % Niveau, ** = signifikant auf 5 % Niveau * = signifikant auf 5 % Niveau n. s. = nicht signifikant () = Standardfehler

Für die Untersuchung der unterschiedlichen Gruppen lässt sich eine der Analyse der Gesamtstichprobe ähnelnde Entwicklung der Modellgüte feststellen. Es ergeben sich gemäß dem Chi-Quadrat-Differenzentest (Tabelle 6.25) jeweils signifikante Verbesserungen in der Anpassungsgüte der Modelle. Die etwas schwächere Anpassung des Low-tech-Bereichs ist dabei der geringeren Stichprobe geschuldet. Tabelle 6.25 Modellvergleich für High-tech und Low-tech Unternehmen – Studie II Modellvergleich

Nullhypothese

c2-Differenz(df)

p-Wert

3471(11)

0,000

296(6)

0,000

High-tech Unternehmen A–B

„Es liegen keine Individualeffekte vor.“

B–C

„Es liegen keine autoregressiven Effekte vor.“

151

6.3. F & E und Marketing als Investitionsgrößen Modellvergleich

Nullhypothese

c2-Differenz(df)

p-Wert

3471(11)

0,000

296(6)

0,000

Low-tech Unternehmen A–B

„Es liegen keine Individualeffekte vor.“

B–C

„Es liegen keine autoregressiven Effekte vor.“

Entsprechend vorsichtig sind Vergleiche zwischen den beiden Gruppen anzustellen. Es lassen sich jedoch verschiedene interessante Ergebnistendenzen festhalten (siehe Tabelle 6.24). Die F & E-Intensität allein, bei Kontrolle von unbeobachtbaren Variablen ist nach wie vor nicht ausschlaggebend bzw. erfolgswirksam. Weder im Low-tech- noch im High-tech-Bereich lässt sich hier in Modell B oder C ein signifikanter Effekt feststellen. Marketing ist in beiden Gruppen der dominierende Faktor. F & E und Marketing zusammen wirken sich nur in Unternehmen des Hochtechnologiesektors positiv aus. Bei der Kontrolle von unternehmensspezifischen über die Zeit stabilen Variablen existiert eine signifikant positive Beziehung zwischen F & E und Marketing wie auch ein starker positiver Effekt des Interaktionsterms auf den Unternehmenserfolg. Die in Tabelle 6.26 und Tabelle 6.27 dokumentierten Effekte zeigen insbesondere unterschiedliche Korrelationen in Bezug auf den Interaktionseffekt. Unbeobachtbare Effekte nehmen also wiederum entscheidenden Einfluss auf die Zusammenhänge. Tabelle 6.26 Individualeffekte für High-tech und Low-tech Unternehmen in der Modellklasse B – Studie II F&E

Interaktion

Größe

PPI

High-tech Unternehmen mGS

0,076 (0,051)

0,057 (0,077)

-0,001 (0,003)

0,005 (0,021)

mMkt

-0,455*** (0,045)

0,977*** (0,067)

-0,008*** (0,001)

0,008 (0,012)

Low-tech Unternehmen mGS

-0,163** (0,081)

0,536** (0,157)

0,002 (0,004)

-0,024 (0,014)

mMkt

-1,030*** (0,095)

2,328*** (0,179)

-0,002 (0,002)

0,031** (0,012)

*** = signifikant auf 1 % Niveau ** = signifikant auf 5 % Niveau * = signifikant auf 5 % Niveau n. s. = nicht signifikant () = Standardfehler

In Modell C verstärkt sich dieser Effekt noch, wobei allerdings die Wirkung von F&E auf Marketing verschwindet. Sofern also autoregressive Effekte eine Rolle spie-

152

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg

len, gewinnt die Zusammenarbeit von F & E und Marketing im Sinne von Synergien also weiter an Bedeutung für Unternehmen aus dem Hochtechnologiebereich. Für den Low-tech Bereich ergibt sich erwartungsgemäß, dass Marketing der dominierende Einflussfaktor ist. Die Kontrollvariablen üben nur einen Einfluss in der zweiten Gruppe aus. In Modell B, wie auch in Modell C ist eine positive Wirkung der Unternehmensgröße sowie des Erzeugerpreisindexes auf den Unternehmenserfolg festzustellen. Letzterer Effekt bedeutet, dass mit steigenden Erzeugerpreisen, also steigenden Kosten, die Gewinnspanne einer Unternehmung sinkt; ein zunächst nicht intuitives Ergebnis. Allerdings lässt sich dieser Zusammenhang ökonomisch erklären. Mit steigenden Erzeugerpreisen gehen erhöhte Produktionskosten einher, so dass es zu Marktaustritten von Unternehmen kommen kann. Dadurch, dass weniger Wettbewerber am Markt anbieten, ist der Wettbewerb schwächer, wodurch es den verbliebenen Unternehmen möglich wird höhere Preise zu verlangen. Überkompensiert dieser Preisanstieg den Kostenabstieg, so ist es für die Unternehmen möglich eine höhere Gewinnspannen zu realisieren (vgl. Shy 1995). Gerade für Low-tech Unternehmen ist dieser Effekt zu erwarten, da diese im Vergleich zu High-tech Unternehmen, aufgrund ihrer Wertschöpfungsstruktur, in größerer Abhängigkeit zu den Erzeugerpreisen stehen. Tabelle 6.27 Individualeffekte und autoregressive Effekte für High-tech und Low-tech Unternehmen in der Modellklasse C – Studie I*** = signifikant auf 1 % Niveau F&E

Interaktion

Größe

PPI

High-tech Unternehmen mGS

0,046 (0,062)

0,125 (0,094)

-0,010** (0,004)

0,004 (0,026)

mMkt

-0,439*** (0,049)

0,956*** (0,073)

-0,006*** (0,001)

-0,001 (0,013)

rGS

0,435*** (0,072) 0,566*** (0,049)

rMkt

Low-tech Unternehmen mGS

-0,275** (0,097)

0,861*** (0,187)

0,000 (0,004)

-0,020 (0,018)

mMkt

-1,078*** (0,097)

2,501*** (0,186)

-0,001 (0,002)

0,034** (0,012)

rGS rMkt

** = signifikant auf 5 % Niveau * = signifikant auf 5 % Niveau n. s. = nicht signifikant () = Standardfehler

0,827*** (0,019) 0,538*** (0,053)

153

6.3. F & E und Marketing als Investitionsgrößen

6.3.2.5. Zusammenfassung der Ergebnisse und Managementimplikationen – Studie II Die im Ausgangsmodell ermittelten Schätzergebnisse sind durch die fehlende Berücksichtigung des Einflusses von Intangibles verzerrt. Die zunächst bestätigte Annahme Erfolgswirksamkeit von F & E-Investitionen allein, kann bei Betrachtung der Modellklassen B und C nicht mehr aufrechterhalten werden. Marketinginvestitionen sind die dominierende Größe. Durch den erst in den Modellen B und C nachweisbaren Interaktionseffekt wird deutlich, dass F & E-Investitionen nur in Verbindung mit Marketing den Unternehmenserfolg positiv beeinflussen können. Dieser Effekt unterscheidet sich über die Unternehmen. Insbesondere Unternehmen aus dem Hochtechnologiebereich müssen Marketing einsetzen um ihre F & E-Ergebnisse erfolgreich zu verwerten. Eine zusammenfassende Darstellung der bestätigten Hypothesen liefert Tabelle 6.28.

Tabelle 6.28 Zusammenfassung der Ergebnisse der Studie II Modell A Ausgangsmodell

Modell B Modell C Kontrolle unternehmensspezi- Kontrolle unternehmensfischer Effekte spezifischer und autoregressiver Effekte

G1)

G1)

H2)

L3)

G1)

H2)

L3)

HypotheseF&E→GS

√

–

–

–

–

–

–

HypotheseMkt→GS

√

√

√

√

√

√

√

HypotheseF&E→Μkt

√

√

√

–

–

–

–

HypotheseIntangibles

nicht getestet

√

√

√

√

√

√

HypotheseInteraktion-

–

√

√

–

√

√

–

Gesamtstichprobe High-tech Unternehmen 3) Low-tech Unternehmen 1) 2)

Unbeobachtbare Variablen unterstützen im Sinne von Intangibles vor allem die angesprochenen Synergieeffekte. Intangible Ressourcen wie z. B. die Marke oder die Managemenqualität sind wesentliche Treiber für die Erfolgswirksamkeit von F & E- und Marketinginvestitionen.

154

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg

6.3.3. Studie III In einer weiteren Analyse werden unterschiedliche Marketinginstrumente und ihr Zusammenspiel mit F & E analysiert sowie ihre Erfolgswirksamkeit überprüft. Zu diesem Zweck wurden die in der vorherigen Studie verwendeten Marketinginvestitionen soweit, wie möglich in einzelne Bestandteile zerlegt. Zum einen wird die Vertriebsintensität (VI) als erklärende Variable verwendet; diese umfasst im Wesentlichen Investitionen die Unternehmen in den Bereich Außendienst fließen lassen. Zum anderen werden Ausgaben für Werbung und Verkaufsförderung (im Folgenden kurz Werbung) als weiterer Erfolgstreiber verstanden. Diese werden in der Compustat-Datenbank direkt erfasst und fließen ebenso wie die Ausgaben für den Außendienst als Intensitäten in die neue Analyse ein. Entsprechend verändern sich, wie in Tabelle 6.29 dargestellt, die Hypothesen H2, H3 und H4. Tabelle 6.29 Hypothesen der Studie III HypotheseF&E→GS

F & E-Investitionen in Periode t wirken sich positiv auf die Unternehmensgewinnspanne in Periode t + 1 aus.

H1

HypotheseMkt→GS

Marketinginvestitionen in Periode t wirken sich positiv auf die Unternehmensgewinnspanne der Periode aus.

H2

HypotheseVI→GS

Vertriebsinvestitionen in Periode t wirken sich positiv auf die Unternehmensgewinnspanne der Periode aus.

H2.1

HypotheseWerbung→GS

Werbeinvestitionen in Periode t wirken sich positiv auf die Unternehmensgewinnspanne der Periode aus.

H2.2

HypotheseF&E→Mkt

F&E-Investitionen in Periode t treiben Marketinginvestitionen in Periode t + 1.

H3

HypotheseF&E→VI

F & E-Investitionen in Periode t treiben Vertriebsinvestitionen in Periode t + 1.

H3.1

HypotheseIntangibles

Unbeobachtbare Faktoren (Intangibles) beeinflussen die Beziehung zwischen F & E- sowie Marketinginvestitionen und Unternehmensgewinnspanne.

H4

HypotheseInteraktion→GS

Der Interaktionseffekt von F & E- und Marketinginvestitionen wirkt sich positiv auf die Unternehmensgewinnspanne in der Periode aus.

H5.1

Die Modellstruktur (siehe Abbildung 6.8) ähnelt der vorherigen Studie, allerdings wird jetzt davon ausgegangen, dass die zeitverzögerte Wirkung der F & E-Intensität sich im wesentlichen auf die Vertriebsintensität niederschlägt. Wie oben beschrieben, sind innovative Produkte oft erklärungsbedürftig und die betreffende notwendige Information kann durch die Unternehmen durch die Vertriebsunterstützung sichergestellt werden. Werbung hingegen wirkt insbesondere kurzfristig, also in der jeweils gleichen Periode, wobei ein Interaktionseffekt zwischen F & E und Werbung, der die Komplementarität der Fähigkeiten abbildet, vermutet werden muss.

155

6.3. F & E und Marketing als Investitionsgrößen

Vertriebsintensität

H3.1: +

(t+1)

Interaktion F&E x Marketing Werbeintensität

F&E-Intensität

H2.1: +

H5.1: +

(t+1)

(t)

Erzeugerpreis

(t+1)

Gewinnspanne

(t+1)

H4: +

Intangibles

H2.2: +

H1: +

Unternehmensgröße

(t)

Abbildung 6.8: Modellstruktur der Studie III

6.3.3.1. Daten und Variablen Die in Studie III zum Tragen kommenden Variablen entsprechen im Wesentlichen denen der vorangegangenen Studie (zur Operationalisierung siehe Abschnitt 6.3.2.1). Im Folgenden werden lediglich die Werbe- und Vertriebsintensität als neue Variablen erörtert. Den Abschluss des Abschnitts bildet Tabelle 6.32, die die Variablen der Studie III zusammengefasst darstellt. Werbeintensität Ausgaben für Werbung und Promotion werden in der Compustat-Datenbank separat ausgewiesen und enthalten Ausgaben für die Bereiche Webung in Medien (Radio, Fernsehen, Zeitungen, Zeitschriften, etc.) sowie Ausgaben für Promotionsmaßnahmen. Nicht enthalten sind Ausgaben die in Verbindung mit Verkaufs- oder sonstigen Marketingaktivitäten zusammenhängen. Eine große Vielzahl an Studien benutzen die Werbeausgaben von Unternehmen in den empirischen Analysen (siehe z. B. Mizik und Jacobson 2003, Andras und Srinivasan 2003 oder auch Balasubramanian und Kumar 1990) und für die Quantifizierung von Werbeaktivitäten scheint es nach wie vor am geeignetsten, die tatsächlichen Ausgaben der Unternehmen für diesen Bereich zu verwenden. Entsprechend werden die ausgewiesenen Investitionen in Werbung und Promotion im Verhältnis zu den Vermögenswerten (siehe Gleichung 6.12 für die Operationalisierung nach Compustat-Variablen) des jeweiligen Unternehmens als erklärende Variable Werbeintensität in die empirische Analyse eingehen.

(6.12)

Werbeintensität =

DATA45t=1 DATA6t=0

156

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg

Deskriptive Statistiken zur Werbeintensität enthält Tabelle 6.30. Tabelle 6.30 Deskriptive Statistiken der Variable Werbeintensität Werbeintensität N

Minimum

Maximum

Mittelwert

Standardabweichung

Werbeintensität (Jahr 1)

413

0.002

0.706

0.049

0.071

Werbeintensität (Jahr 2)

413

0.001

0.925

0.048

0.074

Werbeintensität (Jahr 3)

413

0.000

1.083

0.048

0.078

Werbeintensität (Jahr 4)

413

0.000

0.846

0.049

0.071

Werbeintensität (Jahr 5)

413

0.000

0.541

0.047

0.062

Werbeintensität (Jahr 6)

413

0.000

0.375

0.046

0.057

Werbeintensität (Jahr 7)

413

0.000

0.600

0.045

0.060

Gültige Werte (Listenweise)

413

Vertriebsintensität Eine interessante Größe ist ebenfalls das Ausmaß an Investitionen, welches Unternehmen dem Vertrieb der Produkte und der Vertriebsunterstützung zukommen lassen. In der Compustat-Datenbank sind diese Ausgaben in den SG & A Informationen enthalten. Ausgehend von der in oben dargestellten Operationalisierung der Marketingaktivitäten von Unternehmen, werden hiervon die Investitionen in Werbung und Promotion abgezogen und somit ein Maß für die Ausgaben der Vertriebsunterstützung von Unternehmen geschaffen. In Compustat-Notation ergibt sich:

(6.13)

Vertriebsintensität =

(DATA189t=1 - DATA46t=1 - DATA45t=1 ) DATA6t=0

Entsprechend der Vorgehensweise bei den vorangegangenen Variablen, wird mit Hilfe der Vermögensgegenstände die Variable Vertriebsintensität als exogene Variable in die empirische Analyse eingehen. Ein Überblick zu den die Variable beschreibenden Statistiken folgt in der anschließenden Tabelle 6.31.

157

6.3. F & E und Marketing als Investitionsgrößen Tabelle 6.31 Deskriptive Statistiken der Variable Vertriebsintensität Vertriebsintensität N

Minimum

Maximum

Mittelwert Standardabweichung

Werbeintensität (Jahr 1)

413

0.012

1.136

0.311

0.175

Vertriebsintensität (Jahr 2)

413

0.015

1.249

0.301

0.166

Vertriebsintensität (Jahr 3)

413

0.019

1.160

0.308

0.169

Vertriebsintensität (Jahr 4)

413

0.014

1.142

0.322

0.177

Vertriebsintensität (Jahr 5)

413

0.018

1.265

0.323

0.185

Vertriebsintensität (Jahr 6)

413

0.025

1.355

0.342

0.196

Vertriebsintensität (Jahr 7)

413

0.028

1.544

0.345

0.205

Gültige Werte (Listenweise)

413

Die Angaben zur Operationalisierung der in der empirischen Studie III eingesetzten Variablen finden sich zusammengefasst in Tabelle 6.32. Tabelle 6.32 Variablen der Studie III Zeitperiode

Variable

Operationalisierung

Abhängige Varia- Gewinnspanne ble Werbeintensität 1985–1991

GS ADV

Unabhängige Va- Vertriebsintensi- VI riablen tät F&E-Intensität Kontrollvariablen

Unternehmensgrößen

Quelle

(Sales – Cost of goods sold)/ Assets (Advertising exp.)/ Assets (SG&A exp. – R&D Compustat exp. – Advertising exp.)/ North America Assets

F&E

(F&E exp.)/ Assets

Größe

ln(Assets)

Erzeugerpreisin- PPI dex

ln(PPI)

Bureau of Labor Statistics

6.3.3.2. Modellspezifikation Entsprechend ergibt sich aus Gleichungssystem (6.14) die folgende Struktur des Ausgangsmodells, welches auf jegliche Kontrolle unbeobachtbarer Variablen verzichtet.

158

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg GSit = β1Vertriebit + γ 1 F & Eit -1 + γ 2Werbung it + γ 3 (F & Eit-1 × Werbung it )

(6.14)

+γ 4 Größeit + γ 5 PPI it + ε1it , Vertriebit = γ 6 F & Eit -1 + ε 2 it .

Modell B stellt sich bei der Kontrolle von über die Zeit hinweg stabilen, unternehmensspezifischen unbeobachtbaren Effekten nach Gleichungen (6.15) wie folgt dar: GS = β Vertrieb + γ F & E + γ Werbung + γ (F & E × Werbung ) it

it

1

it - 1

1

it

2

it-1

3

it

+γ 4 Größeit + γ 5 PPI it + μ1i + ε1it , Vertriebit = γ 6 F & Eit -1 + μ 2 i + ε 2 it ,

(6.15)

T −1

T −1

T −1

t =1

μ1i = ∑ π 1t F & Eit + ∑ π 2tWerbung it + ∑ π 3t (F & Eit -1 × Werbung it ) t =1

t =1

T −1

T −1

t =1

t =1

+ ∑ π 4t Größeit + ∑ π 5t PPI it + ω1i , T −1

μ 2 i = ∑ π 5t F & Eit + ω 2 i , t =1

mit i = 1,..., N , t = 1,..., T ,

⎧σ ω2 ⎪⎪ E (ω giω g' i' ) = ⎨σ ω ⎪ ⎪⎩ 0

wenn

g

wenn

gg '

g = g ',i = i' g ≠ g ',i = i',

⎧⎪σ ε2 wenn g = g ',i = i',t = t',

E ( ε git ε g' i' t' ) = ⎨

g

⎪⎩ 0 sonst.

sonst

Den Abschluss bildet wiederum die dritte Untersuchungsstufe, in der Modell C neben den zeitkonstanten Individualeffekten auch autoregressive Effekte kontrolliert. Die folgenden Gleichungen (6.16) liefert die entsprechende Formalisierung. GSit = β1Vertriebit + γ 1 F & Eit -1 + γ 2Werbung it + γ 3 (F & Eit-1 × Werbung it ) +γ 4 Größeit + γ 5 PPI it + μ1i + υ1it , Vertriebit = γ 6 F & Eit -1 + μ 2 i + υ2 it , T −1

T −1

T −1

t =1

t =1

t =1

T −1

T −1

t =1

t =1

μ1i = ∑ π 1t F & Eit + ∑ π 2tWerbung it + ∑ π 3t (F & Eit -1 × Werbung it ) + ∑ π 4t Größeit + ∑ π 5t PPI it + ω1i , T −1

(6.16)

μ 2 i = ∑ π 5t F & Eit + ω 2 i , t =1

mit

υ git = ρgυ git -1 + ε git und i = 1,..., N , t = 1,..., T ,

⎧σ ω2 ⎪⎪ E (ω giω g' i' ) = ⎨σ ω ⎪ ⎪⎩ 0

g

gg '

wenn wenn sonst

g = g ',i = i' g ≠ g ',i = i',

⎧⎪σ ε2 wenn g = g ',i = i',t = t',

E ( ε git ε g' i' t' ) = ⎨

g

⎪⎩ 0 sonst.

159

6.3. F & E und Marketing als Investitionsgrößen

6.3.3.3. Ergebnisse für die Gesamtstichprobe Ein Blick auf die Ergebnisse der Gesamtstichprobe (Tabelle 6.34) zeigt ein wechselhaftes Bild. Erneut lassen sich im Ausgangsmodell sehr starke Effekte ablesen. Betrachtet man die in der Tabelle angegebenen globalen Fitmaße, so kann man wiederholt nicht von einer zufriedenstellenden Anpassung des Modells an die Daten sprechen. Bei der schrittweisen Kontrolle von unbeobachtbaren Einflussgrößen verbessert sich die Modellanpassung jeweils signifikant (Tabelle 6.33). Tabelle 6.33 Modellvergleich für die Gesamtstichprobe – Studie III c2-Differenz(df)

Modellvergleich Nullhypothese

p-Wert

Gesamtstichprobe A–B

„Es liegen keine Individualeffekte vor.“

B–C

„Es liegen keine autoregressiven Effekte vor.“

4301(11)

0,000

595(6)

0,000

Die Werbe- und auch die Vertriebsintensität sind nach dem Ausgangsmodell enorm erfolgswirksam, was durch jeweils signifikante positive Schätzkoeffizienten angezeigt wird. Die F & E-Intensität hingegen wirkt sich negativ auf den Unternehmenserfolg aus, wobei jedoch ein positiver, indirekter Effekt über die Vertriebsintensität zu verzeichnen ist. Für den Interaktionsterm, bestehend aus F & E und Werbung, ergibt sich kein signifikanter Einfluss.

Tabelle 6.34 Ergebnisse für die Gesamtstichprobe – Studie III Modell A Ausgangsmodell

Modell B Kontrolle unternehmensspezifischer Effekte

Modell C Kontrolle unternehmensspezifischer und autoregressiver Effekte

Gesamtstichprobe (N = 413)

Gesamtstichprobe (N = 413)

Gesamtstichprobe (N = 413)

F&E→GS

-0,284** (0,095)

0,064 n. s. (0,160)

0,173 n. s. (0,161)

VI→GS

0,956*** (0,015)

0,658*** (0,026)

0,500*** (0,024)

Werbung→GS

0,999*** (0,038)

0,856*** (0,045)

0,770*** (0,048)

F&E→VI

0,730*** (0,063)

0,315*** (0,065)

0,069 n. s. (0,063) (Fortsetzung nächste Seite)

160

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg Modell A Ausgangsmodell

Modell B Kontrolle unternehmensspezifischer Effekte

Modell C Kontrolle unternehmensspezifischer und autoregressiver Effekte

Gesamtstichprobe (N = 413)

Gesamtstichprobe (N = 413)

Gesamtstichprobe (N = 413)

Interaktion→GS

0,234 n. s. (0,307)

0,282 n. s. (0,368)

0,363 n. s. (0,370)

Größe→GS

0,041***

0,024 n. s.

-0,012 n. s.

PPI→GS

0,016 n. s.

-0,003 n. s.

-0,036 n. s.

Chi2(df)

7581(441)

3280(428)

2685(422)

NFI

0,900

0,957

0,965

CFI

0,905

0,962

0,970

RMSEA

0,207

0,128

0,108

*** = signifikant auf 1 % Niveau ** = signifikant auf 5 % Niveau * = signifikant auf 5 % Niveau n. s. = nicht signifikant () = Standardfehler

Ein differenziertes Bild lässt Modell B zu, in welchem Effekte wie beispielsweise die Managementqualität oder auch die Unternehmenskultur als zeitkonstante, unternehmensspezifische Variablen auf statistischem Wege separiert werden, die als Individualeffekte in Tabelle 6.35 dokumentiert sind. Ähnlich der vorherigen Studie, die Marketing als Gesamtes aufgefasst und nicht weiter unterteilt hat, verringern sich eine Vielzahl der Effekte, entsprechend der bereits oben unterstellten Überschätzung der Parameter in Modell A. Dies gilt für die Wirkung der Werbeintensität, der Vertriebsintensität und auch für die Beziehung von F & E- und Vertriebsintensität, wobei die Schätzer jedoch nach wie vor signifikant positiv bleiben. Der zuvor signifikant negative direkte Effekt von F & E verschwindet. Bezüglich der Kontrollvariablen lässt sich vermerken, dass von ihnen kein erwähnenswerter Einfluss für die Untersuchung der Gesamtstichprobe zu verzeichnen ist. Der ohnehin geringe, aber signifikant positive Effekt der Unternehmensgröße in Modell A verschwindet im Folgemodell und auch der Erzeugerpreisindex spielt in Hinblick auf die Gesamtstichprobe keine Rolle.

161

6.3. F & E und Marketing als Investitionsgrößen Tabelle 6.35 Individualeffekte der Gesamtstichprobe für die Modellklasse B – Studie III F&E

Interaktion

Werbung

Größe

PPI

mGS

-0,100** (0,047)

0,297** (0,149)

0,395*** (0,093)

-0,001 n .s. (0,003)

0,007 n. s. (0,012)

mMkt

-0,193*** (0,050)

0,856*** (0,162)

0,683*** (0,102)

-0,011*** (0,001)

0,007 n. s. (0,008)

Gesamtstichprobe

*** = signifikant auf 1 % Niveau ** = signifikant auf 5 % Niveau * = signifikant auf 5 % Niveau n. s. = nicht signifikant () = Standardfehler

Gegeben der signifikanten autoregressiven Effekte in Modell C (Tabelle 6.36), verstärkt der Einfluss des Interaktionsterms bestehend aus F & E und Werbung zwar tendenziell, erreicht jedoch keine signifikante Wirkung. Für die Werbe- und Vertriebsintensität lässt sich jedoch weiterhin ein zwar verringerter, aber dennoch positiv signifikanter Einfluss nachweisen. Der zeitverzögerte Effekt der Intensität von F & E auf die Vertriebsintensität nimmt jedoch stark ab und verliert seine signifikante Wirkung. Für die Kontrollvariablen lässt sich auch in Modell C keine Erfolgswirksamkeit ablesen. Tabelle 6.36 Individualeffekte und autoregressive Effekte in der Gesamtstichprobe für die Modellklasse C – Studie III F&E

Interaktion

Größe

Werbung

PPI

Gesamtstichprobe

mGS

-0,175** (0,064)

0,502** (0,206)

0,432*** (0,136)

-0,005 n. s. (0,003)

0,013 n. s. (0,015)

mMkt

-0,239*** (0,057)

0,959*** (0,187)

0,725*** (0,112)

-0,009*** (0,001)

0,003 n. s. (0,010)

rGS

0,593*** (0,048)

rMkt

0,800*** (0,031)

*** = signifikant auf 1 % Niveau ** = signifikant auf 5 % Niveau * = signifikant auf 5 % Niveau n. s. = nicht signifikant () = Standardfehler

162

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg

6.3.3.4. Ergebnisse für High-tech und Low-tech Unternehmen Für die Modelle B und C soll auch in dieser Studie eine Unterscheidung in zwei Gruppen (High-tech und Low-tech) getroffen werden. Nachfolgende Tabelle 6.37 liefert die wesentlichen Ergebnisse der Analyse in bekannter Form. Die schrittweise Kontrolle unbeobachtbarer Effekte führt wiederholt zu einer signifikanten Verbesserung der Modellanpassung (Tabelle 6.39). Betrachtet man das Modell bei Kontrolle für zeitkonstante Individualeffekte, sticht der unterschiedliche Effekt der F & E-Intensität bei den Unternehmensgruppen, getrieben durch die entsprechenden Individualeffekte (vgl. Tabelle 6.38), heraus. Während im Low-tech Bereich ein signifikant negativer Einfluss der F & E-Intensität zu verzeichnen ist, ergibt sich für High-tech Unternehmen ein signifikant positiver Effekt, der die Erfolgswirksamkeit von F & E für Hochtechnologieunternehmen bestätigt.

Tabelle 6.37 Ergebnisse für die High-tech und Low-tech Branche – Studie III Modell B Kontrolle unternehmensspezifischer Effekte

Modell C Kontrolle unternehmensspezifischer und autoregressiver Effekte

High-tech

Low-tech

High-tech

Low-tech

F & E→GS

0,328*. (0,198)

-0,581** (0,284)

0,332* (0,201)

-0,385 n. s. (0,288)

VI→GS

0,693*** (0,033)

0,657*** (0,043)

0,506*** (0,030)

0,556*** (0,039)

Werbung→GS

0,477*** (0,083)

0,979*** (0,051)

0,462*** (0,084)

0,854*** (0,056)

F & E→VI

0,321*** (0,080)

0,202 n. s. (0,119)

0,422*** (0,077)

0,187 n. s. (0,116)

Interaktion→GS

-0,101 n. s. (0,435)

1,786* (0,793)

0,038 n. s. (0,440)

1,987** (0,795)

Größe→GSGS

0,020 n. s.

0,014 n. s.

-0,038 n. s.

0,014 n. s.

PPI→GS

-0,036 n. s.

0,158*

-0,087 n. s.

0,124 n. s.

Chi2(df)

2381(428)

2075(428)

2046(422)

1863(422)

NFI

0,956

0,924

0,962

0,932

163

6.3. F & E und Marketing als Investitionsgrößen Modell B Kontrolle unternehmensspezifischer Effekte

Modell C Kontrolle unternehmens-spezifischer und autoregressiver Effekte

High-tech

Low-tech

High-tech

Low-tech

CFI

0,963

0,938

0,970

0,946

RMSEA

0,133

0,135

0,113

0,122

*** = signifikant auf 1 % Niveau ** = signifikant auf 5 % Niveau * = signifikant auf 5 % Niveau n. s. = nicht signifikant () = Standardfehler

Auch ein indirekter Effekt über die Vertriebsintensität lässt sich nur für solche Unternehmen feststellen, die der Hochtechnologiebranche zugerechnet werden können. Gleichzeitig lässt sich aus der Tabelle ein vergleichsweise stärkerer Effekt der Werbeintensität von Low-tech Unternehmen entnehmen. Dieser starke Effekt sowie der große Einfluss unternehmensspezifischer Größen (vgl. Tabelle 6.38) führt bei Low-tech Unternehmen interessanterweise zu einem positiven Effekt der Interaktion von F & E und Werbung. Tabelle 6.38 Individualeffekte in High-tech und Low-tech Unternehmen für die Modellklasse B – Studie III F&E

Interaktion

Werbung

Größe

PPI

High-tech Unternehmen mGS

0,018 n. s. (0,061)

0,086 n. s. (0,174)

0,027 n. s. (0,093)

-0,002 n. s. (0,004)

-0,001 n. s. (0,021)

mMkt

-0,101 n. s. (0,063)

0,575*** (0,187)

0,081 n. s. (0,095)

-0,014*** (0,001)

-0,025 n. s. (0,014)

mGS

-0,198** (0,096)

0,761** (0,371)

0,691** (0,278)

0,003 n. s (0,004)

-0,017 n. s (0,015)

mMkt

-0,359*** (0,109)

1,468*** (0,435)

0,983*** (0,325)

-0,009*** (0,002)

0,024* (0,012)

Low-tech Unternehmen

*** = signifikant auf 1 % Niveau ** = signifikant auf 5 % Niveau * = signifikant auf 5 % Niveau n. s. = nicht signifikant () = Standardfehler

164

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg

Bedingt lässt sich der bereits in Studie II diskutierte positive Effekt eines steigenden Erzeugerpreisindexes bei Unternehmen aus dem Low-tech Bereich nachweisen. Tabelle 6.39 Modellvergleich für High-tech und Low-tech Unternehmen – Studie III Modellvergleich

Nullhypothese

c2-Differenz(df)

p-Wert

3182(11)

0,000

335(6)

0,000

2822(11)

0,000

212(6)

0,000

High-tech A–B

„Es liegen keine Individualeffekte vor.“

B–C

„Es liegen keine autoregressiven Effekte vor.“

A–B

„Es liegen keine Individualeffekte vor.“

B–C

„Es liegen keine autoregressiven Effekte vor.“

Low-tech

Tabelle 6.40 Individualeffekte und autoregressive Effekte in High-tech und Low-tech Unternehmen für die Modellklasse C – Studie III F&E

Interaktion

Werbung

Größe

PPI

High-tech Unternehmen mGS

-0,038n.s. (0,084)

0,230n.s. (0,248)

0,124n.s. (0,183)

0,007n.s (0,004)

-0,002n.s (0,027)

mMkt

-0,157**. (0,072)

0,716*** (0,214)

0,223* (0,167)

-0,011*** (0,002)

-0,033* (0,016)

rGS

0,539*** (0,069)

rMkt

0,742*** (0,037) Low-tech Unternehmen

mGS

***

-0,301 (0,122)

**

1,284 (0,478)

0,732*** (0,194)

0,003n.s. (0,005)

-0,016n.s. (0,018)

mMkt

-0,389*** (0,124)

1,697** (0,501)

0,992*** (0,201)

-0,008*** (0,002)

0,014n.s. (0,014)

rGS

0,674*** (0,053)

rMkt

0,892*** (0,066)

*** = signifikant auf 1 % Niveau ** = signifikant auf 5 % Niveau * = signifikant auf 5 % Niveau n. s. = nicht signifikant () = Standardfehler

165

6.3. F & E und Marketing als Investitionsgrößen

Bei gleichzeitiger Kontrolle von autoregressiven Effekten bleibt die Erfolgswirksamkeit von F & E für Unternehmen der Hochtechnologiebranche konstant. Die genannten Wirkungen der Werbe- und Vertriebsintensität gehen etwas zurück, bleiben jedoch nach wie vor signifikant positiv. Für Low-tech Unternehmen verstärkt sich der positive Interaktionseffekt zwischen F & E- und Werbeintensität noch, während sich bei High-tech Unternehmen die Komplementarität von F&E und Marketing durch einen positiven Effekt zwischen F& E- und Vertriebsintensität darstellt. Wiederum zeigen sich in dieser Modellform starke autoregressive Effekte (Tabelle 6.40). 6.3.3.5. Zusammenfassung der Ergebnisse und Managementimplikationen – Studie III Eine differenzierte Betrachtung der unterschiedlichen Marketinginstrumente liefert zunächst die Bestätigung des bereits in den vorherigen Studien festgestellten Einflusses von Intangibles. Wiederum verändern sich mit der Einführung der Modellklassen B und C die Schätzergebnisse nachhaltig. Tabelle 6.41 fasst die Bestätigung der Hypothesen in den verschiedenen Modellen zusammen. Tabelle 6.41 Zusammenfassung der Ergebnisse der Studie III Modell A Ausgangsmodell

Modell B Kontrolle unternehmensspezifischer Effekte

Modell C Kontrolle unternehmensspezifischer und autoregressiver Effekte

G1)

G1)

H2)

L3)

G1)

H2)

L3)

HypotheseF&E→GS

–

–

√

–

–

√

–

HypotheseVI→GS

√

√

√

√

√

√

√

HypotheseWerbung→GS

√

√

√

√

√

√

√

HypotheseF&E→VI

√

√

√

√

√

√

√

HypotheseIntangibles

nicht getestet

√

√

√

√

√

√

–

–

–

–

√

–

√

HypotheseInteraktion→GS Gesamtstichprobe High-tech Unternehmen 3) Low-tech Unternehmen 1) 2)

Die Erfolgswirksamkeit von F & E-Investitionen ist wiederum stark abhängig von dem Einsatz von Marketinginvestionen. Das Zusammenspiel von F & E und den einzelnen Marketinginstrumenten variiert in unterschiedlichen Branchen. Es lässt sich

166

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg

feststellen, dass Unternehmen des Hochtechnologiebereichs insbesondere über nachgelagerte Vertriebsaktivitäten die erfolgreiche Verwertung ihrer F&E-Ergebnisse sicherstellen können. Vermehrte Investitionen in den Vertrieb sind die Vorraussetzung dafür, dass die zumeist erklärungsbedürftigen Produkte der High-tech Unternehmen am Markt auch Verwendung finden können. Im Gegensatz dazu konzentriert sich die Beziehung zwischen F & E und Marketing bei Low-tech Unternehmen auf die Interaktion von F & E- mit Werbeinvestitionen. Die Kommunikation ihrer üblicherweise weniger technolgisch komplexen Produkte ist im Rahmen von Werbebotschaften erfolgversprechend. Intangible Ressourcen wie z. B. die Fähigkeiten des Vertriebspersonals, die Vertrautheit mit der Marke oder die Reputation des Unternehmens wirken wiederum als Treiber der Erfolgswirksamkeit von F & E-, Werbe- und Vertriebsinvestitionen.

6.4. F&E und Marketing als Kostengrößen und ihre Beeinflussung durch die Produktqualität (Studie IV) In diesem Kapitel soll die bis jetzt verfolgte Investitionsperspektive verlassen und F & E- und Marketingausgaben als Kostengrößen verstanden werden. Der definitorische Zusammenhang von F & E- und Marketingausgaben mit dem Return on Investment bildet die Grundlage für die weiteren Ausführungen, die eine Möglichkeit skizzieren, die Beziehungen von Produktqualität, F & E und Marketing unter der Berücksichtigung von Intangibles zu analysieren. Zum Einsatz kommt dabei das im Kapitel 5 erörterte Instrumentarium der Panelanalyse. Sofern der Unternehmenserfolg über den Return on Investment (ROI), Return on Assets (ROA) oder auch den Return on Sales (ROS) als abhängige Variable gemessen werden soll, ergeben sich für die empirische Forschung wesentliche Beschränkungen. Ausgaben für F& E und Marketing sind als Kostenbestandteile in den genannten Erfolgsgrößen enthalten, wodurch definitorische Abhängigkeiten entstehen (Ailawadi und Farris 2004). Die folgende empirische Studie zeigt einen Ansatz auf, wie solche Zusammenhänge in Modellen gemessen werden können. 6.4.1. Marketing und F & E als Bestandteile von Unternehmenserfolg Aktivitäten in Marketing und F & E sind wesentliche Bestandteile im Aufbau von immateriellen Vermögenswerten. Ein Markenname ist beispielsweise nach Donaldson (1992) ein Intangible Asset da er direkte, beziehungsweise erwartete Einnahmen generiert, Gegenstand von Bewertungen ist und zu einem ermittelten Wert auf einem vorhandenen Markt verkauft werden kann. F & E sind wesentlich für die Wissensgenerierung und münden in der Entwicklung neuer Produkte und neuer Technologien.

6.4. F&E und Marketing als Kostengrößen

167

Empirisch fassbar sind diese Aktivitäten über die Ausgaben in dem jeweiligen Bereich, die als Investitionen in den Aufbau insbesondere immaterieller Vermögensgegenstände verstanden werden müssen. Soll die Beziehung zwischen diesen Ausgaben und der Rentabilität von Unternehmen untersucht werden, entsteht die Problematik definitorischer Abhängigkeiten da Erfolgsgrößen wie der Return on Investment oder der Return on Sales zusammengesetzte Variablen sind (Farris, Parry und Ailawadi 1992). Ausgaben für Marketing sowie F & E sind als Kostenbestandteile in den Erfolgsgrößen enthalten. Von Interesse muss deshalb sein, welche exogenen Variablen die Rentabilität von Unternehmen beeinflussen und auf welche Komponenten von Rentabilität sich dieser Einfluss niederschlägt. In der strategischen Erfolgsfaktorenforschung werden der Marktanteil und die Produktqualität als wesentliche Determinanten des Unternehmenserfolgs angesehen (vgl. u. a. Hildebrandt und Buzzell 1998, Buzzell und Gale 1987, Phillips, Chang und Buzzell 1983). In dem vorliegenden Beitrag soll nun die Wirkung von Produktqualität auf den Return on Investment von Unternehmen untersucht werden, wobei der Return on Investment als zusammengesetzte Variable aufgefasst wird und die Einflüsse auf seine einzelnen Komponenten geschätzt werden. 6.4.2. Produktqualität als Erfolgsfaktor In einer Vielzahl von Veröffentlichungen wird ein positiver Zusammenhang zwischen Produktqualität und der Rentabilität von Unternehmen unterstellt (vgl. hierzu z. B. Hildebrandt und Buzzell 1998, Phillips, Chang und Buzzell 1983). Dieser Effekt kann zum einen über gesteigerte Umsätze, zum anderen über Kosteneinsparungen in Unternehmen erzielt werden. Mit dem Return on Quality Ansatz stellen Rust, Zahorik und Keiningham (1995) das grundlegende Instrumentarium zur Untersuchung der Wirkung von Produktqualität zur Verfügung. Der Return on Quality basiert auf den Annahmen, dass Qualität eine Investition ist und Qualitätsaufwand finanziell bewertbar sein muss. Es ist möglich, durch ineffiziente Mittelverwendung zu viel für Qualität auszugeben und nicht alle Ausgaben für Qualität gleich viel wert sind. Dabei wird zwischen tatsächlicher (objektiver) und wahrgenommener Qualität unterschieden. In einer Weiterentwicklung dieses Ansatzes zeigen Rust, Moorman und Dickson (2002), dass Firmen, die nur die Strategie zur Umsatzsteigerung verfolgen, bessere Erfolge vorweisen können als Firmen mit einer Strategie zur Kostenreduktion bzw. als Firmen, die beides gleichzeitig versuchen. Die Umsatzstrategie soll Gewinnsteigerung aufgrund von Umsatzerhöhungen durch die Verbesserung von Kundenservice, Kundenzufriedenheit und Erhöhung der Käuferstabilität erbringen. Es handelt sich um Qualitätsverbesserungen mit externem Fokus. Dagegen soll die Kostenstrategie eine höhere Rentabilität durch Effizienzsteigerungen der Prozesse und Kostenreduktionen erreichen (vgl. hierzu auch Fine 1986). Diese Strategie zur Verbesserung der Qualität hat einen internen Fokus. Bei der dualen Strategie wird davon

168

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg

ausgegangen, dass eine Verbesserung der Rentabilität aus Umsatzsteigerung und Kostenreduktion resultieren muss (Rust, Moorman und Dickson 2002). Viele Forscher vertreten die Auffassung, dass in Unternehmen letztendlich immer eine duale Strategie implementiert wird. Verbesserte Prozesse resultierten in geringeren Kosten und zufriedeneren Kunden. Umgekehrt führen verbesserte Qualität zu einer verbesserten Wahrnehmung durch die Kunden, wodurch der Marktanteil ausgebaut werden kann und die Kosten wegen der gesteigerten Effizienz durch gestiegene Umsätze gesenkt werden (Phillips, Chang und Buzzell 1983). Eine duale Strategie hätte auch strategische Vorteile, denn Unternehmen, die in mehreren Bereichen stark sind, sind schwerer durch ihre Wettbewerber zu attackieren. Jedoch gibt es auch Zweifel an der dualen Strategie. Aus der Lerntheorie stammt die Überzeugung, dass sich Umsatzexpansion und Kostenreduktion wie „Entdeckung von Wissen“ und „Nutzung von Wissen“ als unvereinbar gegenüberstehen (vgl. Rust, Moorman und Dickson 2002). Ein weiterer Kritikpunkt ergibt sich aus der Beschränkung des Budgets. Werden Umsatzexpansion und Kostenreduktion gleichzeitig angestrebt, so ist es möglich, dass keiner der Bereiche genügend Ressourcen erhält, um die kritische Masse zu erreichen. Beispielsweise kann eine Kostenstrategie Entlassungen oder Kürzungen der Entlohnung bedeuten, wodurch die Moral der Angestellten sinkt. Kundenservice, -loyalität und Absatz werden dadurch negativ beeinflusst, was wiederum zu weiteren Kostensenkungen führt und eine „Todesspirale“ auslöst. Rust, Moorman und Dickson (2002) zeigen, dass Firmen, die nur eine Strategie zur Umsatzsteigerung verfolgen, bessere Erfolge vorweisen können als Firmen mit einer Strategie zur Kostenreduktion bzw. als Firmen, die eine Dualstrategie verfolgen. Obigen Betrachtungen zur Folge kann man von einer positiven Beziehung zwischen Produktqualität und Unternehmenserfolg ausgehen. Es stellt sich jedoch die Frage, inwieweit der dargestellte Zusammenhang nicht nur kausal auf Produktqualität sondern auf Intangibles zurückgeführt werden muss. Die theoretische Grundlage für die Existenz solcher Variablen liefert die bereits oben erläuterte ressourcenorientierte Perspektive. 6.4.3. Der Return on Investment als zusammengesetzte Variable Zusammengesetzte Variablen sind als Größen definiert, die mathematisch in ihre Komponenten zerlegt werden können. Ailawadi und Farris (2005) beschreiben verschiedene Möglichkeiten, mit denen zusammengesetzte Variablen analysiert werden können und geben gleichzeitig einen Überblick über verschiedene empirische Studien. Es handelt sich dabei im Wesentlichen um Arbeiten aus dem Bereich der Verkaufsförderung (Ailawadi, Lehmann und Neslin 2001, Bell, Chiang und Padmanabhan 1999, Gupta 1988). Die Komponenten einer zusammengesetzten Variablen können diese über additive beziehungsweise multiplikative Verknüpfungen bilden. Im Falle einer Zwei-

6.4. F&E und Marketing als Kostengrößen

169

Komponenten-Variable mit linearer Verknüpfung lässt sich die zusammengesetzte Variable Z wie folgt in ihre Bestandteile (Komponenten) zi zerlegen. (6.17)

Z ≡ a1 z1 + a2 z2

Es handelt sich hierbei um eine Identität, a1 und a2 sind a priori bekannt und bedürfen keiner empirischen Schätzung mit beobachtbaren Daten. Der Einfluss einer Variable Y auf die zusammengesetzte Variable Z ist eine algebraische Kombination der Effekte von Y auf die Komponenten von Z. Betrachtet man den Effekt einer unabhängigen Variablen auf eine zusammengesetzte abhängige Variable, so erhält man ein differenzierteres Bild, wenn man den Effekt auf die Komponenten und nicht nur auf die zusammengesetzte Variable als Ganzes misst. Die empirisch zu beantwortende Fragestellung besteht darin, inwieweit der Einfluss exogener Größen auf eine zusammengesetzte Variable auf welche Komponenten zurückzuführen ist. Rentabilität, gemessen durch den Return on Investment von Unternehmen, lässt sich nach diesem Ansatz aufschlüsseln. Als Komponenten der ersten Ebene sind Return on Sales und das Verhältnis von Umsatz zu Investitionen multiplikativ verknüpft. (6.18)

ROI ≡ ROS × Umsatz / Investitionen

Beim Return on Sales handelt es sich ebenfalls um eine zusammengesetzte Variable, so dass sich für die zweite Ebene der Komponenten der folgende Zusammenhang ergibt. (6.19)

ROS ≡ Wertschöpfung − Kosten / Umsatz

Unter Wertschöpfung ist dabei der sogenannte Value Added zu verstehen, welches sich aus der Differenz von 1 zu dem Verhältnis von Anschaffungskosten zu Umsatz ergibt. Im Quotienten von Kosten (Gesamtkosten abzüglich der in die Definition der Wertschöpfung eingehenden Anschaffungskosten) zu Umsatz sind die verbleibenden Kostenblöcke als Komponenten der dritten Ebene enthalten.

(6.20)

Kosten / Umsatz ≡ Herstellungskosten / Umsatz + F&E-Kosten / Umsatz + Marketingkosten / Umsatz + Abschreibungen / Umsatz + sonstige Kosten / Umsatz

Ausgaben für den Bereich Marketing sowie F & E sind als Investitionen in die Entwicklung von Intangibles zu sehen und können ebenfalls in weitere Komponen-

170

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg

ten aufgeschlüsselt werden. Die gesamten Marketingausgaben lassen sich wie folgt aufteilen. Marketingkosten / Umsatz ≡ Außendienstkosten / Umsatz (6.21)

+Werbe - & Promotionskosten / Umsatz + Medienwerbekosten / Umsatz + sonstige Marketingkosten / Umsatz

Die Ausgaben für F & E bilden gemeinsam mit den einzelnen Marketingausgaben die Komponenten der vierten Ebene. Sie lassen sich wiederum in zwei Komponenten unterteilen. (6.22)

F&E-Kosten / Umsatz ≡ Produkt-F&E-Kosten / Umsatz + Prozess-F&E-Kosten / Umsatz

Es handelt sich zum einen um Kosten, die sich aus der Entstehung neuer Produkte beziehungsweise Produktweiterentwicklungen ergeben (Produkt-F & E). Zum anderen handelt es sich um Kosten der Prozessoptimierung. Abbildung 6.9 liefert einen in vier Ebenen unterteilten, strukturellen Überblick der definitorischen Komponenten des Return on Investment.

Ebene 1 (multiplikativ)

Ebene 2 (additiv)

Ebene 3 (additiv)

Ebene 4 (additiv)

Abbildung 6.9: Die Komponenten des Return on Investment

171

6.4. F&E und Marketing als Kostengrößen

6.4.4. Daten und Variablen Die zur Analyse herangezogenen Daten stammen aus der PIMS (Profit Impact of Market Strategy) Datenbank des Strategic Planning Instituts. Die Informationen basieren auf Angaben von über 2000 Strategischen Geschäftseinheiten (SGE), die zu über 200, am PIMS-Projekt teilnehmenden Unternehmen gehören. Die Geschäftseinheit eines Unternehmens ist über ein festgelegtes Produktportfolio, ein identifizierbares Set von Kunden und ein Set von Konkurrenten definiert. Es handelt sich überwiegend um große, weit diversifizierte Unternehmen, so dass auf Grund der kaum vorhandenen kleineren Unternehmen kein Repräsentativitätsschluss gezogen werden kann. Die in der vorliegenden Studie genutzten Daten basieren auf der PIMS-Jahresdatenbank (SPIYR). Tabelle 6.42 Deskriptive Statistiken der Variablen der Studie IV Variable

Mittelwert

Standardabweichung

Relative Produktqualität

26,73

29,17

Return on Investment

19,94

25,85

Return on Sales

8,14

10,81

Umsatz/Investitionen

2,42

1,24

Anschaffungskosten/Umsatz

44,59

15,07

Herstellungskosten/Umsatz

26,76

12,27

F & E-Kosten/Umsatz

2,35

2,65

Produkt-F & E-Kosten/Umsatz

1,71

2,27

Prozess F & E-Kosten/Umsatz

0,64

0,97

Marketingkosten/Umsatz

9,99

9,11

Außendienstkosten/Umsatz

5,13

4,27

Werbe- & Promotionskosten/Umsatz

2,31

4,54

Medienwerbekosten/Umsatz

0,94

2,41

Sonstige Marketingkosten/Umsatz

1,62

2,10

Abschreibungen/Umsatz

2,2813

1,7382

Sonstige Kosten/Umsatz

5,8880

4,3543

Da es sich um kombinierte Längs- und Querschnittsdaten handelt, ergibt sich die Möglichkeit, wie oben dargestellt, in der zweiten Untersuchungsstufe zeitkonstante Individualeffekte direkt in das Modell einzubetten (Hildebrandt und Annacker 1996). Zeitabhängige Effekte werden in der Analyse nicht betrachtet, da die Informationen der strategischen Geschäftseinheiten aus unterschiedlichen Zeitabschnitten stammen.

172

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg

Für die Untersuchungen wurden insgesamt 779 strategische Geschäftseinheiten, die mindestens für sechs aufeinanderfolgende Jahre die benötigten Informationen zur Verfügung gestellt haben, aus der Datenbank extrahiert. Hinsichtlich der Zusammensetzung aus verschiedenen Branchen lässt sich für die Stichprobe ein Überhang (ca. 70 %) an strategischen Geschäftseinheiten im Bereich der Güterherstellung des industriellen und gewerblichen Bedarfs im Vergleich zu Konsumgüterherstellern feststellen. Tabelle 6.42 enthält die deskriptiven Statistiken der in die Analyse eingehenden Variablen. Abgesehen von der Variable Produktqualität handelt es sich dabei um prozentuale Größen. Eine umfangreiche Dokumentation der PIMS-Datenbank sowie Definitionen der einzelnen Größen findet sich in Buzzell und Gale (1987). Relative Produktqualität wird als exogene Variable herangezogen. Es handelt sich dabei im Wesentlichen um Expertenurteile, über die ein Managementteam die Qualität der Produktlinie der eigenen Geschäftsabteilung mit der der Konkurrenz vergleicht. Die Differenz zwischen den Anteilen über- und unterlegener Produkte ergibt dann die relative Produktqualität. 6.4.5. Modellspezifikation Ailawadi, Farris und Parry (1999) haben den Einfluss von Marktanteil auf den Return on Investment und die Komponenten der ersten bis dritten Ebene über bivariate OLS-Schätzungen untersucht. Sie kommen zu dem Ergebnis, dass der Marktanteil keinen signifikanten Einfluss auf das Verhältnis Umsatz zu Investitionen hat und die nachgewiesene Beziehung zwischen Marktanteil und Return on Investment im Wesentlichen durch den Return on Sales bestimmt wird. Betrachtet man die Wirkung auf die Komponenten dieser zusammengesetzten Größe, so ergibt sich der stärkste Einfluss von Marktanteil auf das Verhältnis von Anschaffungskosten zu Umsatz. In der folgenden Untersuchung soll in Anlehnung an Ailawadi, Farris und Parry (1999) der Zusammenhang zwischen Produktqualität und Rentabilität von Unternehmen analysiert werden, wobei die Zerlegung des Return on Investment in seine Komponenten bis einschließlich zur vierten Ebene erweitert wird. Wie in Kapitel 5 vorgestellt, werden auch hier drei Untersuchungsstufen durchlaufen. In einer ersten Analyse (Modell A) werden der Einfluss von Qualität, operationalisiert als die relative Produktqualität, auf den Return on Investment sowie seine Komponenten geschätzt. Darauf aufbauend werden in einer zweiten Untersuchungsstufe (Modell B) Intangibles in Form von unbeobachtbaren Individualeffekten berücksichtigt und schließlich in Modell C als dritter Stufe zusätzlich der Einfluss autoregressiver Effekte kontrolliert. In Modell A werden über bivariate Regressionen die Einflüsse von Qualität auf den Return on Investment und seine einzelnen Komponenten geschätzt.

(6.23)

Komponenteit = γ ιt Quait + ε it , mit i=1, ..., N; t=1 ..., T

173

6.4. F&E und Marketing als Kostengrößen

Der Regressionskoeffizient gi enthält als Schätzer sowohl den kausalen Effekt von Qualität auf Return on Investment als auch unter Umständen den Effekt von unbeobachtbaren, unternehmensspezifischen Einflussgrößen (Intangibles). Sofern man davon ausgeht, dass solche Größen existieren und die Produktqualität positiv beeinflussen, muss der Regressionskoeffizient gi die Beziehung zwischen Qualität und der jeweiligen Erfolgskomponente überschätzen (Hildebrandt und Annacker 1996). Deshalb wird in der zweiten Stufe das Ausgangsmodell um die Kontrolle unternehmensspezifischer Intangibles erweitert. Zum Einsatz kommt dabei ein Random-Effects-Modell (Modell B) das eine mögliche Korrelation der Individualeffekte mit der erklärenden Variable berücksichtigt (vgl. hierzu und zu den folgenden Ausführungen Annacker 2001). Abbildung 6.10 veranschaulicht das zugrunde liegende Kausalmodell. t1

t1

quat1

quat2

1.0

t3, t4, t5

quat6

1.0

1.0

1

Quat1 1

1

1

Quat2

Quat6 …

1

ROIt1 1.0

1

ROIt2

ROIt6

1.0

roit1

t6

1.0

roit2

roit6 1.0 1.0

μQua

1.0

Abbildung 6.10: Kausalmodell mit zeitkonstanten Effekten

Es wird unterstellt, dass der Einfluss der Intangibles über die Zeit konstant ist, was vor dem Hintergrund des sechsjährigen Untersuchungszeitraumes für Einflussgrößen wie etwa Managementqualität als durchaus gerechtfertigt anzusehen ist (vgl. z. B. Boulding 1990). Die zusätzliche Fehlerkomponente mi beinhaltet das Ausmaß dieser unternehmensspezifischen, zeitinvarianten Einflussgrößen. Die Effekte der Intangibles werden über eine Hilfsgleichung auf Qualität regressiert. Komponenteit = γ it Quait + μi + ε it , (6.24)

T −1

μi = ∑ π t Quait + ωi , mit i=1, ..., N; t=1 ..., T t =1

174

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg

In Modell C wird als dritte Untersuchungsstufe zusätzlich der Einfluss von autoregressiven Effekten kontrolliert, es ergibt sich also das folgende Modell C (6.25). Komponenteit = γ it Quait + μi + υit , T −1

μi = ∑ π t Quait + ωi , i=1, ..., N; t=1 ..., T

(6.25)

t =1

mit

υ git = ρgυ git -1 + ε git

6.4.6. Ergebnisse Für die folgenden Betrachtungen ist hervorzuheben, dass es sich bei den Komponenten der zweiten Ebene um multiplikativ verknüpfte Größen handelt, was bedeutet, dass die Variablen Return on Investment, Return on Sales und Umsatz/Investitionen in keiner linearen Beziehung zueinander stehen. Ailawadi, Farris und Parry (1999) haben diese Problematik für den Marktanteil über zusätzliche Analysen untersucht, jedoch zu den Regressionsschätzern konsistente Ergebnisse erhalten, so dass auch in der vorliegenden Studie, im Einklang mit Buzzell und Gale (1987), von linearen Modellen für Return on Investment und Return on Sales ausgegangen werden kann. Tabelle 6.43 fasst die Ergebnisse beider Untersuchungsstufen zusammen und kennzeichnet signifikante Beziehungen. Grundsätzlich ist die Anpassung der Modelle ist nicht zufriedenstellend und lässt darauf schließen, dass weitere unbeobachtbare Effekte isoliert werden müssen. Auf Grund der einfachen, statischen Modellform ist eine Dokumentation der Fit-Maße nicht aussagekräftig. Die vorgestellten Ergebnisse des Ausgangs statischer Modelle sollen die durch die Kontrolle von Intangibles eintretenden Änderungen der Effekte von Produktqualität aufzeigen. Tabelle 6.43 Ergebnisse der Studie IV In () der Standardfehler; signifikant für a = 0,05

*

Ebene Endogene Variable

Relative Produktqualität Modell A g

Modell B g

Modell C m

g

0

Return Return on Investment

0,216 (0,013)

0,160 (0,022)

0,011 (0,006)

0,124* (0,023)

1

Return on Sales

0,091* (0,005)

0,073* (0,009)

0,004 (0,002)

0,059* (0,011)

1

Umsatz/Investitionen

0,003* (0,001)

0,000 (0,001)

0,000 (0,000)

0,000 (0,000)

*

*

175

6.4. F&E und Marketing als Kostengrößen In () der Standardfehler; signifikant für a = 0,05

*

Relative Produktqualität Modell A g

Modell C m

g

3

Anschaffungskosten/Umsatz

-0,065* (0,007)

-0,026* (0,006)

-0,007* (0,003)

-0,024* (0,005)

3

Herstellungskosten/Umsatz

-0,035* (0,006)

-0,016* (0,006)

-0,004 (0,003)

-0,014* (0,005)

3

F & E-Kosten/Umsatz

-0,002 (0,001)

-0,009* (0,002)

0,001 (0,001)

-0,012* (0,002)

4

Produkt-F & E-Kosten/Umsatz

-0,003* (0,001)

-0,008* (0,001)

0,001* (0,001)

-0,011* (0,001)

4

Prozess F & E-Kosten/Umsatz

0,000 (0,000)

0,000 (0,001)

0,000 (0,000)

0,000 (0,000)

3

Marketingkosten/Umsatz

0,009 (0,005)

-0,011* (0,003)

0,004 (0,002)

-0,014* (0,004)

4

Außendienstkosten/Umsatz

0,008* (0,002)

-0,003 (0,002)

0,002* (0,001)

-0,002 (0,002)

4

Werbe- & Promotionskosten/Umsatz -0,002 (0,002)

-0,003* (0,002)

0,000 (0,001)

-0,009* (0,002)

4

Medienwerbekosten/Umsatz

0,001 (0,001)

0,000 (0,001)

0,000 (0,001)

0,000 (0,001)

4

Sonstige Marketingkosten/Umsatz

0,001 (0,001)

-0,005* (0,001)

0,001 (0,000)

0,007* (0,001)

3

Abschreibungen/Umsatz

-0,004* (0,001)

-0,002 (0,001)

0,000 (0,000)

0,001 (0,001)

3

Sonstige Kosten/Umsatz

0,007* (0,002)

-0,009* 0,003

0,003 (0,001)

-0,011* (0,002)

Ebene Endogene Variable

g

Modell B

Betrachtet man die Ergebnisse der Ausgangsmodelle, so wird der positive Einfluss von Produktqualität auf den Return on Investment bestätigt. Gleichzeitig wird diese Beziehung im Wesentlichen durch den Return on Sales geprägt. Für die Komponenten der dritten Ebene ergibt sich ein ähnliches Bild. Die Beziehung von Produktqualität zu Return on Sales wird am stärksten über das Verhältnis von Anschaffungskosten zu Umsatz geformt. Ausgaben für F & E sowie Marketing werden auf dieser Ebene nicht signifikant beeinflusst, interessanter Weise ergeben sich jedoch signifikante Beziehungen, wenn man diese Komponenten weiter zerlegt (Ebene 4). Der Einfluss auf Forschungs- und Entwicklungsaktivitäten finden offensichtlich lediglich im Bereich der Produktentwicklung und Produktweiterentwicklung statt, was unter Beachtung des generell kleinen Anteils an Prozess-F & E-Kosten in der Stichprobe (siehe Tabelle 2) wenig verwunderlich ist. Gleiches gilt für die Ausgaben für Medienwerbung. Die Beziehung von Produktqualität zu Marketing ist offen-

176

6. Empirische Untersuchungen zu F & E, Marketing und Unternehmenserfolg

sichtlich über den Außendienst zu erklären. Da, wie in Kapitel 5 beschrieben, für die Ausgangsmodelle verzerrte Schätzer zu erwarten waren, soll eine weitere inhaltliche Interpretation der Ergebnisse nur für die zweite Untersuchungsstufe, bei der für zeitkonstante Effekte von Intangibles kontrolliert wird, erfolgen. Die Ergebnisse des Random-Effects-Modells (Modellklasse B) lassen grundsätzlich darauf schließen, dass die betrachtete Beziehung zwischen Produktqualität und Return on Investment, beziehungsweise den Rentabilitätskomponenten über Intangibles beeinflusst wird. Nach wie vor ist auf der ersten Ebene der Return on Sales die den Zusammenhang zwischen Produktqualität und Unternehmenserfolg dominierende Größe. Das Verhältnis zwischen Umsatz zu Investitionen spielt nach der Kontrolle der unbeobachtbaren Größen keine Rolle mehr (vgl. hierzu auch Ailawadi, Farris und Parry (1999) und ihre Untersuchungen zum Einfluss von Marktanteil). Es bestätigt sich die Vermutung, dass in den Ausgangsmodellen eine Überschätzung stattgefunden hat, allerdings sind weiterhin eine Reihe signifikanter Effekte zu verzeichnen. Auf der dritten Komponentenebene ist analog zu den Ausgangsmodellen eine negative Wirkung auf das Verhältnis Anschaffungskosten zu Umsatz zu verzeichnen. Hieraus ergeben sich zwei unterschiedliche Interpretationsmöglichkeiten. Zum einen lässt der signifikante und negative Koeffizient darauf schließen, dass sich in den Unternehmen eine hohen Produktqualität positiv auf die Wertschöpfung auswirkt. Zum anderen kann man den Koeffizienten in der Art deuten, dass Unternehmen, die einen hohen Qualitätsstandard als Strategie verfolgen, diese über einen hohen Anteil der Wertschöpfung realisieren möchten und beispielweise aus Gründen der besseren Qualitätskontrollmöglichkeiten weniger Elemente des Wertschöpfungsprozesses aus dem Unternehmen auslagern. Für Marketing sowie F & E ergeben sich in dieser Untersuchungsstufe Effizienzgewinne. Durch die tendenziell positive Korrelation der Intangibles mit Produktqualität schlägt der im Ausgangsmodell tendenziell positive Effekt auf das Verhältnis Marketingkosten zu Umsatz in einen signifikanten, negativen Zusammenhang um, beziehungsweise der tendenziell negative Einfluss auf Forschungs- und Entwicklungsaktivitäten wird verstärkt. Man kann also feststellen, dass bei einem hohen Qualitätsstandard unter Begünstigung durch Intangibles, wie beispielsweise besondere Managementfähigkeiten sowohl für den Bereich F & E als auch den Bereich Marketing Effizienzgewinne im Sinne von Kostenreduktionen zu erwarten sind. Dieser Trend verstärkt sich noch, bei Betrachtung der Ergebnisse für Modell C. Die zusätzliche Kontrolle für über die Zeit Variable unbeobachtbare Effekte verstärkt das Kostensenkungspotenzial eines hohen Qualitätsstandards der beiden Bereiche. Getragen werden diese Effekte durch die ausgewählte Komponenten der vierten Ebene. Es ergeben sich durch die Kontrolle unbeobachtbarer Einflussgrößen ebenfalls negative Effekte, beziehungsweise die bereits in den Ausgangsmodellen vorhandenen negativen Zusammenhänge werden in den Folgemodellen B und C verstärkt. Versteht man die Intangibles wiederum als Managementfähigkeiten oder Know-how, so lassen es die veränderten Effekte zu, Effizienzgewinne in den Aktivitäten der Bereiche weiter aufzuschlüsseln. Vorteile lassen sich insbesondere in der

6.4. F&E und Marketing als Kostengrößen

177

Produkt-F & E, bei Ausgaben für Werbung und Promotion wie auch bei sonstigen Marketingausgaben, worunter beispielsweise Kosten für Marketingforschung und Marketingadministration subsumiert werden, realisieren. 6.4.7. Zusammenfassung der Ergebnisse und Managementimplikationen – Studie IV Die Betrachtung von F & E- und Marketingausgaben als Bestandteile des Unternehmenserfolgs (ROI) bildet eine Möglichkeit diese Ausgaben aus der bereits in Kapitel 2.1 diskutierten Kostenperspektive zu untersuchen. Mit der Zerlegung der abhängigen Variable Return on Investment lassen sich die wechselseitigen Zusammenhänge zwischen Produktqualität, F& E und Marketing offen legen. Die Existenz von Intangibles und ihre Einflussnahme auf die Beziehung zwischen Produktqualität und Unternehmenserfolg lässt sich durch den Modellansatz nachweisen. Unternehmen können über den positiven Einfluss der Produktqualität Effizienzgewinne durch Kostenersparnisse im Bereich F & E und Marketing realisieren. Diese Effizienzgewinne werden insbesondere in den Bereichen Produkt-F & E, Werbung und sonstige Marketingausgaben erzielt. Intangibles sind in der Lage diesen Effekt zu verstärken. Aus strategischer Sicht kann ein positiver Zusammenhang zwischen Produktqualität und Wertschöpfung angenommen werden.

7. Zusammenfassung und Ausblick F & E und Marketing sind wesentliche strategische Einsatzfaktoren von Unternehmen und daher häufig Gegenstand wissenschaftlicher Forschung. Werden dabei die finanziellen Ausgaben von Unternehmen für die Bereiche F & E und Marketing in den Mittelpunkt gestellt, ergeben sich mit der Investitions- und der Kostenperspektive zwangsläufig zwei verschiedene Sichtweisen der Thematik, die im zweiten Kapitel erörtert wurden. Ausgehend von der Investitionsperspektive wurden im dritten Kapitel verschiedene Theorieansätze auf ihre Erklärungskraft in Bezug auf die Beziehung zwischen F & E, Marketing, Intangibles und Unternehmenserfolg hin überprüft. Die industrieökonomische Theorie liefert wesentliche Erkenntnisse über die Erfolgswirksamkeit von F & E, Marketing und Innovation, fokussiert dabei jedoch überwiegend auf Analysen zur Marktstruktur. Empirische Studien auf diesem Gebiet vernachlässigen häufig die unternehmensinterne Perspektive. Die ressourcenorientierte Sichtweise setzt gerade hier ihren Schwerpunkt und fungiert insofern als Komplement zum industrieökonomischen Ansatz. Insbesondere unternehmensspezifischen und oftmals immateriellen Ressourcen (Intangibles) wird eine große Bedeutung bei der Schaffung und Erhaltung von Wettbewerbsvorteilen zugeschrieben. Neben dem klassischen ressourcenorientierten Ansatz liefern der Ansatz der dynamischen Fähigkeiten sowie der Ansatz der market-based Assets wertvolle Grundlagen für die Einflussnahme von Intangibles auf die Beziehungen zwischen F & E, Marketing und Unternehmenserfolg. Empirische Studien liefern den Nachweis unternehmensspezifischer, unbeobachtbarer Effekte. Aus den Ergebnissen der theoretischen und empirischen Arbeiten wurde im vierten Kapitel ein Modellrahmen zur Untersuchung der Erfolgswirksamkeit von F & Eund Marketinginvestitionen unter der Berücksichtigung von Intangibles entwickelt und darauf aufbauend Hypothesen abgeleitet. Anders als bei vielen vorhandenen Studien wurden bei dieser Arbeit verschiedene Formen unternehmensspezifischer Effekte explizit berücksichtigt und über die Zeit kontrolliert. Das hierfür notwendige Instrumentarium lieferte die Paneldatenanalyse, deren Verwendung zur Aufdeckung von unbeobachtbaren Einflüssen im fünften Kapitel detailliert beschrieben wurde. Die entwickelten Modellstufen fanden in vier empirischen Studien im sechsten Kapitel Anwendung. Die Studien I–III untersuchten den Einfluss von F & E- und Marketinginvestitionen auf die Unternehmensgewinnspanne, wobei großzahlige Unternehmensdatenbanken mit Finanzkennzahlen als Datengrundlage dienten. Folgende zentrale Ergebnisse können festgehalten werden:

7. Zusammenfassung und Ausblick

179

– Die in Längsschnittanalysen nachgewiesene Erfolgswirksamkeit von F & E- und Marketingausgaben bestätigt ihren investiven Charakter. – Die Berücksichtigung und Kontrolle von Intangibles in der Analyse ist unverzichtbar. Eine unreflektierte Betrachtung der Zusammenhänge ohne Kontrolle von unternehmensspezifischen, unbeobachtbaren Effekten, wie beispielsweise bei Andras und Srinivasan (2003), führt zwangsläufig zu verzerrten Schätzergebnissen und somit zu irreführenden Implikationen. – Es wird eine für den Unternehmenserfolg positive Beziehung zwischen F & E und Marketing festgestellt. Dieser komplementärer Zusammenhang wird jedoch erst mit der Kontrolle von Intangibles deutlich. – Der Zusammenhang zwischen F & E- und Marketinginvestitionen drückt sich in verschiedenen Branchen unterschiedlich aus. Insbesondere für High-tech Unternehmen ist die Interaktion von F & E- und Marketinginvestitionen sehr bedeutsam. Eine detaillierte Betrachtung der Marketinginvestitionen zeigt, dass Hochtechnologieunternehmen den Ertrag ihrer F & E-Investitionen über zeitlich nachgelagerte Investitionen in den Vertrieb sicherstellen müssen, während für Lowtech Unternehmen die Interaktion mit Werbeinvestitionen bedeutsamer ist. Studie IV näherte sich der Thematik aus der Kostenperspektive. F & E- und Marketingausgaben wurden als Bestandteile des Erfolgsmaßes Return on Investment (ROI) definiert und ihre Wechselwirkung mit der Produktqualität unter Berücksichtigung von Intangibles analysiert. Eine detaillierte Analyse von Unternehmensdaten liefert die folgenden, mit den Arbeiten von Ailawadi, Farris und Parry (1999) oder auch Jacobson und Aaker (1987) im Einklang stehenden Kernergebnisse: – Eine Betrachtung der Zusammenhänge ohne die Berücksichtigung von Intangibles führt wiederum zu irreführenden Ergebnissen. – Über eine gesteigerte Produktqualität können Effizienzgewinne bei den Kostenstellen für F & E und Marketing generiert werden. – Kostenersparnisse lassen sich insbesondere im Bereich der Produkt-F & E sowie der Werbung realisieren. Insgesamt hat die Arbeit die Relevanz von F & E und Marketing als strategische Einsatzfaktoren sowie die Notwendigkeit der Berücksichtigung von Intangibles deutlich gemacht. Neben den inhaltlichen Erkenntnissen bestätigen die Ergebnisse der vier empirischen Studien zusätzlich den in der Literatur geäußerten Wunsch nach der vermehrten Nutzung der hier eingesetzten Panelmodelle zur Kontrolle von unbeobachtbaren Einflussgrößen (siehe Conchar, Crask und Zinkhan 2005). Ein wesentlicher Kritikpunkt der vorliegenden Arbeit liegt in der mangelnden inhaltlichen Konkretisierung der Einfluss nehmenden Intangibles. Zwar werden die unterschiedlichen Effekte auf statistischem Wege separiert und somit ihre Existenz nachgewiesen, eine exakte Zurechnung von Effekten, beispielsweise zur Unterneh-

180

7. Zusammenfassung und Ausblick

mensreputation, ist jedoch mit der eingesetzten Methodik sowie dem vorliegenden Datenmaterial nicht zu erreichen. Hierin verbirgt sich ein Anknüpfungspunkt für zukünftige Forschungsprojekte. Es besteht die Möglichkeit, diesen Mangel durch die Anreicherung der „harten“ Finanzdaten mit „weichen“ Daten, wie sie z. B. im Rahmen der Reputationsforschung erhoben werden, zu beheben. Leider liegen solche Daten oft nur in aggregierter Form vor bzw. sind sie auf wenige Unternehmen oder Zeitpunkte beschränkt, so dass ein zusammengesetzter Datensatz nur selten die für die Panelmethodik benötigte Stichprobengröße und Zeitreihenlänge umfasst. Erste Ansätze für eine solche Vorgehensweise finden sich bei Cho und Pucik (2005), die Autoren beschränken sich jedoch auf eine Querschnittsanalyse. Ein weiterer Ansatzpunkt für die zukünftige Forschung besteht in der Validierung der Ergebnisse der Studie III. Bis jetzt wird sich sehr stark auf die Analyse der Wirkung von Werbeausgaben konzentriert. Die Betrachtung anderer Marketingbereiche, wie dem Vertrieb, sollte weitere wertvolle Erkenntnisse liefern.

Literaturverzeichnis Aaker, D. A./Jacobson, R. (1994), The Financial Information Content of Perceived Quality, Journal of Marketing Research, Vol. 31, No. 2, 191–202. — (2001), The Value Relevance of Brand Attitude in High-Technology Markets, Journal of Marketing Research, Vol. 38, No. 4, 485–493. Advertising Age (2004), Fact Pack 2004 edition, Advertising Age, www.adage.com. Ailawadi, K. L./Borin, N./Farris, P.W. (1995), Market Power and Performance: A Cross Industry Analysis of Manufacturers and Retailers, Journal of Retailing, Vol. 71, No. 3, 211–48. Ailawadi, K. L./Farris, P.W. (2004), Causation and the Components of Market Share-ROI Models: The Role of Identities, in: Farris, P.W./Moore, M. J. (Eds.), PIMS in Retrospect and Prospect, Cambridge: Cambridge University Press, 188–217. — (2005), Causation and Components in Market Share-Performance: The Role of Identities, in: Farris, P.W./Moore, M. J. (Eds.), PIMS in Retrospect and Prospect, Cambridge: Cambridge University Press, 188–217. Ailawadi, K. L./Farris, P.W./Parry, M. E. (1999), Market Share and ROI: Observing the Effect of Unobserved Variables, International Journal of Research in Marketing, Vol. 16, 17–33. Ailawadi, K. L./Lehmann, D./Neslin, S. (2001), Market Response to a Major Policy Change in Marketing Mix: Learning from P & G’s Value Pricing Strategy, Journal of Marketing, Vol. 65, No. 1, 44–61. — (2003), Revenue Premium as an Outcome Measure of Brand Equity, Journal of Marketing, Vol. 67, No. 4, 1–17. Albers, S. (2002), Verkaufsaußendienst. Planung – Steuerung – Kontrolle, Düsseldorf: Symposion. Albers, S./Hildebrandt, L. (2006), Methodische Probleme bei der Erfolgsfaktorenforschung – Messfehler, formative versus reflektive Indikatoren und die Wahl des Strukturgleichungsmodells, Zeitschrift für betriebswirtschaftliche Forschung, Vol. 2, 2–33. Ambos, B. (2002), Internationales Forschungs- und Entwicklungsmanagement. Strategische Mandate, Koordination und Erfolg ausländischer Tochtergesellschaften, Wiesbaden: Deutscher Universitäts-Verlag. American Marketing Association (2004), AMA Adopts New Definition of Marketing, http://www.marketingpower.com/content21257.php. Amit, R./Schoemaker, P. J. (1993), Strategic Assets and Organizational Rent, Strategic Management Journal, Vol. 14, No. 1, 33–46. Anderson, C. R./Paine, F. T. (1978), PIMS: A Reexamination, Academy of Management Review, Vol. 3, No. 3, 602–612. Anderson, T.W./Hsiao, C. (1982), Formulation and Estimation of Dynamic Models using Panel Data, Journal of Econometrics, Vol. 18, 67–82.

182

Literaturverzeichnis

Andras, T. L./Srinivasan, S. S. (2003), Advertising Intensity and R & D Intensity: Differences across Industries and Their Impact on Firm’s Performance, International Journal of Business and Economics, Vol. 2, No. 2, 167–76. Annacker, D. (2001), Unbeobachtbare Einflussgrößen in der strategischen Erfolgsfaktorenforschung – Ein kausalanalytischer Ansatz auf der Basis von Paneldaten, Wiesbaden: Gabler Edition Wissenschaft. Annacker, D./Hildebrandt, L. (2004), Unobservable Effects in Structural Models of Business Performance, Journal of Business Research, Vol. 57, No. 5, 507–517. Arminger, G./Müller, F. (1990), Lineare Modelle zur Analyse von Paneldaten, Opladen: Westdeutscher Verlag. Arndt, C. (2004), Möglichkeiten und Grenzen von Panelanalysen und methodische Grundideen der Panelanalyse, in: Arndt, C./Garloff, A./Hagen, T. (Hrsg.), Paneluntersuchungen als Instrument zur Analyse der Bestimmungsfaktoren der Strukturwandels, Tübingen: Institut für Angewandte Wirtschaftsforschung e.V. Arrow, K. (1962), The Economic Implication of Learning by Doing, Review of Economic Studies, Vol. 29, 155–173. Assmus, G./Farley, J. U./Lehmann, D. R. (1984), How Advertising Affects Sales: Meta-Analysis of Econometric Results, Journal of Marketing Research, Vol. 21, 65–74. Association for Investment Management and Research (1993), Financial Reporting in the 1990s and Beyond, AIMR. Atuahene-Gima, K./Evangelista, F. (2000), Cross-functional Influence in New Product Development: An Exploratory Study of Marketing and R & D Perspectives, Management Science, Vol. 46, No. 10, 1269–1284. Bain, J. S. (1951), Relation of Profit Rate to Industry Concentration: American Manufacturing 1936–1940, Quarterly Journal of Economics, Vol. 65, No. 3, 293–324. — (1956), Barriers to New Competition, Cambridge: Harvard University Press. Balasubramanian, S. K./Kumar, V. (1990), Analyzing Variation in Advertising and Promotional Expenditures: Key Correlates in Consumer, Industrial and Service Market, Journal of Marketing, Vol. 54 (April), 57–68. Balestra, P. (1992), Introduction to Linear Models for Panel Data, in: Mátyás, L./Sevestre, P. (Eds.), The Economics of Panel Data, Dordrecht: Kluwer Academic Publishers, 21–29. Balestra, P./Nerlove, M. (1966), Pooling Cross-Section and Time-Series Data in the Estimation of a Dynamic Model: The Demand for Natural Gas, Econometrica, Vol. 34, 585–612. Baltagi, B. H. (2005), Econometric Analysis of Panel Data, 3. Edition, Wiley & Sons. Barney, J. B. (1986), Strategic Factor Markets: Expectations, Luck and Business Strategy, Management Science, Vol. 32, 1232–1241. — (1991), Firm Resources and Sustained Competitive Advantage, Journal of Management, Vol. 17, 99–120. — (1992), Integrating Organizational Behavior and Strategy Formulation Research: A Resource Based Analysis, in: Shrivastiva, P./Huff, A./Dutton, J. (Eds.), Advances in Strategic Management, Vol. 8, Greenwich, Conn.: JAI Press, 39–62.

Literaturverzeichnis

183

Barney, J. B./Wright, P. M. (1998), On becoming a Strategic Partner: The Role of Human Resources in Gaining Competitive Advantage, Human Resource Management, Vol. 37, No. 1, S. 31–46. Bass, F. M. (1993), The Future of Research in Marketing: Marketing Science, Journal of Marketing Research, Vol. 30, 1–6. Bayus, B./Erickson, G./Jacobson, R. (2003), The Financial Rewards of New Product Introductions in the Personal Computer Industry, Management Science, Vol. 49, 197–210. Bell, D. R./Chiang, J./Padamanabhan, V. (1999), The Decomposition of Promotional Response: An Empirical Generalization, Marketing Science, Vol. 18, No. 4, 504–526. Bell, R. M./Pavitt, K. (1993), Technological Accumulation and Industrial Growth: Contrasts between Developed and Developing Countries, Industrial and Corporate Change, Vol. 2, No. 1, 157–210. Bello, D. C./Chelariu, C./Zhang, L. (2002), Antecedents and Performance Consequences of Relationalism in Export Channels, Journal of Business Research, Vol. 56, No. 1, 1–16. Belz, C./Bußmann, W. F. (2002), Performance Selling: Erfolgreiche Verkäufer schaffen Kundenvorteile, München: Verlag moderne Industrie. Berger, P./Ofek, E. (1995), Diversification’s Effect on Firm Value, Journal of Finance, Vol. 37, No. 1, 39–65. Bernstein, J. I. (1988), Costs of Production, Intra- and Inter-Industry R & D Spillovers: The Canadian Evidence, Canadian Journal of Economics, Vol. 21, No. 2, 324–347. Bharadwaj, A. S. (2000), A Resource-Based Perspective on Information Technology Capability And Firm Performance: An Empirical Investigation, MIS Quarterly, Vol. 24, No. 1, 159–196. Bhargava, A./Sargan, J. D. (1983), Estimating Dynamic Random Effects Models from Panel Data Covering Short Time Periods, Econometrica, Vol. 51, 1635–1660. Bierman, Jr., H./Dukes, R. E. (1975), Accounting for Research and Development Costs, The Journal of Accountancy (January), 48–55. Biyalogorsky, E./Naik, P. (2003), Clicks and Mortar: The Effect of On-line Activities on Offline Sales, Marketing Letters, Vol. 14, 21–32. Black, F./Scholes, M. (1973), The Pricing of Options and Corporate Liabilities, Journal of Political Economy, Vol. 81, No. 3, 637–659. Blattberg, R. C./Deighton, J. (1996), Manage Marketing by the Customer Equity Test, Harvard Business Review, Vol. 74 (July-August), 136–144. Bollen, K. A. (1989), Structural Equations with Latent Variables, New York: Wiley Interscience. Bosworth, D./Rogers, M. (2001), Market Value, R & D and Intellectual Property: An Empirical Analysis of Large Australian Firms, The Economic Record, Vol. 77, No. 239, 323–337. Boulding, W. (1990), Do Fixed Effects Matter?, Marketing Science, Vol. 9, No. 1, 88–91. Boulding, W./Lee, E./Staelin, R. (1994), Mastering the Mix: Do Advertising, Promotion, and Sales Force Activities Lead to Differentiation?, Journal of Marketing Research, Vol. 31, No. 2, 159–172.

184

Literaturverzeichnis

Boulding, W./Staelin, R. (1990), Environment, Market Share, and Market Power, Management Science, Vol. 36, 1160–1177. — (1993), A Look on the Cost Side: Market Share and the Competitive Environment, Marketing Science, Vol. 12, 144–166. — (1995), Identifying Generalizable Effects of Strategic Actions on Firm Performance: The Case of Demand-Side Returns to R & D Spending, Marketing Science, Vol. 14, No. 3, G222-G236. Boyd, D. E./Farris, P./Hildebrandt, L. (2004), PIMS and COMPUSTAT Data: Different Horses for the same Courses, in: Farris, P.W./Moore, M. J. (Eds.), PIMS in Retro-spect and Prospect, Cambridge: Cambridge University Press. Branch, B. (1974), Research and Development Activity and Profitability: A Distributed Lag Analysis, Journal of Political Economy, Vol. 82, No. 5, 999–1011. Brockhoff, K. (1992), Forschung und Entwicklung: Planung und Kontrolle, 3. Auflage, München/Wien: Oldenbourg. Brown, S. L./Eisenhardt, K. M. (1995), Product Development: Past Research, Present Findings and Future Direction, Academy of Management Review, Vol. 20, 343–378. Buchholz, W. (1998), Timingstrategien – Zeitoptimale Ausgestaltung von Produkt-entwicklungsbeginn und Markteintritt, zfbf, Vol. 50, No. 1, 21–40. Buchholz, W./Olemotz, T. (1995), Markt- vs. Ressourcenbasierter Ansatz – Konkurrierende oder komplementäre Konzepte im Strategischen Management, Arbeitspapier der Professur für Betriebswirtschaftslehre II 1/95, Gießen: Justus-Liebig-Universität Gießen. Buzzell, R. D./Gale, B. T. (1987), The PIMS Principles: Linking Strategy to Performance, New York: The Free Press. Caballero, R./Jaffe, A. (1993), How High are the Giants’ Shoulders: An Empirical Assessment of Knowledge Spillovers and Creative Destruction in a Model of Economic Growth, in: Blanchard, O. J./Fischer, S. (Eds.), NBER Macroeconomics Annual 1993, Cambridge: MA: MIT Press. Camuffo, A./Volpato, G. (1996), Dynamic Capabilities and Manufacturing Automation: Organizational Learning in the Italian Automobile Industry, Industrial and Corporate Change, Vol. 5, No. 3, 813–837. Capon, N./Farley, J./Hoenig, S. (1990), Determinants of Financial Performance: A Meta-Analysis, Management Science, Vol. 36, No. 10, 1143–1159. Castanias, R. P./Helfat, C. E. (1991), Managerial Resources and Rents, Journal of Management, Vol. 17, 155–171. — (2001), The Managerial Rents Model: Theory and Empirical Analysis, Journal of Management, Vol. 27, No. 6, 661–678. Caves, R. E.,/Porter, M. E. (1977), From Entry Barriers to Mobility Barriers: Conjectural Decisions and Contrived Deterrence to New Competition, The Quarterly Journal of Economics, Vol. 91, No. 2, 241–262. Chamberlain, G. (1982), Multivariate Regression Model for Panel Data, Journal of Econometrics, Vol. 18, 5–46.

Literaturverzeichnis

185

— 1984), Panel Data, in: Griliches, Z./Intriligator, M. D. (Eds.), Handbook of Econometrics, Amsterdam: North Holland, 1247–1318. Chamberlin, E. (1933), The Theory of Monopolistic Competition, Cambridge: Cambridge University Press. Chan, L. K. C./Lakonishok, J./Sougiannis, T. (2001), The Stock Market Valuation of Research and Development Expenditure, Journal of Finance, Vol. 56, No. 6, 2431–2456. Chan, S./Martin, J./Kensinger, J. (1990), Corporate Research and Development Expenditures and Share Value, Journal of Financial Economics, Vol. 26, 255–276. Chaney, P. K./Devinney, T. M./Winer, R. S. (1991), The Impact of New-Product Introductions on the Market Value of Firms, Journal of Business, Vol. 64, No. 4, 573–610. Chatterjee, S./Wernerfelt, B. (1991), The Link Between Resources and Type of Diversification: Theory and Evidence, Strategic Management Journal, Vol. 12, 33–48. Chauvin, K.W./Hirschey, M. (1993), Advertising, R & D Expenditures and the Market Value of the Firm, Financial Management, Vol. 22, No. 4, 128–140. Cho, H.-J./Pucik, V. (2005), Relationship Between Innovativeness, Quality, Growth, Profitability, and Market Value, Strategic Management Journal, Vol. 26, No. 6, 555–75. Clark, K. B./Griliches, Z. (1984), Productivity Growth and R & D at the Business Level: Results from the PIMS Database, in: Griliches, Z. (Ed.), R& D, Patents, and Productivity, Chicago: University of Chicago Press. Cockburn, I./Griliches, Z. (1988), Industry Effects and Appropriability Measures in the Stock Market’s Valuation of R & D and Patents, American Economic Review, Vol. 78, No. 2, 419–423. Coelho, F./Easingwood, C./Coelho, A. (2003), Exploratory Evidence of Channel Performance in Single vs. Multiple Channel Strategy, International Journal of Retail and Distribution Management, Vol. 31, 561–563. Coff, R.W. (1997), Human Assets and Management Dilemmas: Coping with Hazards on the Road to Resource-Based Theory, Academy of Management Review, Vol. 22, No. 2, 374–402. Cohen, W. M./Levinthal, D. A. (1990), Absorptive Capacity: A New Perspective on Learning and Innovation, Administrative Science Quarterly, Vol. 35, 128–152. Collis, D. J./Montgomery, C. A. (1995), Competing on Resources: Strategy in the 1990s, Harvard Business Review (July-August), 118–128. Conchar, M. P./Crask, M. R./Zinkhan, G. M. (2005), Market Valuation Models of the Effect of Advertising and Promotional Spending: A Review and Meta-Analysis, Journal of the Academy of Marketing Science, Vol. 33, 445–460. Conner, K. R. (1991), A Historical Comparison of Resource-Based Theory and Five Schools of Thought Within Industrial Organization Economics: Do we have a New Theory of the Firm?, Journal of Management, Vol. 17, No. 1, 121–154. Connolly, R. A./Hirschey, M. (1984), R & D, Market Structure and Profits: A Value-Based Approach, Review of Economics and Statistics, Vol. 64, 682–686.

186

Literaturverzeichnis

Cool, K. O./Schendel, D. (1987), Strategic Group Formation and Performance: The Case of the U.S. Pharmaceutical Industry 1963–1982, Management Science, Vol. 33, No. 9, 1102–1124. Cornwell, C./Schmidt, P./Wyhowski, D. (1992), Simultaneous Equations and Panel Data, Journal of Econometrics, Vol. 51, 151–181. Corstjens, M./Matutes, C./Neven, D. (1990), Entry Encouragement, Marketing Letters, Vol. 1, No. 3, 221–8. Cuneo, P./Mairesse, J. (1984), Productivity and R & D at the Firm Level in French Manufacturing, in: Griliches, Z. (Ed.), R & D, Patents, and Productivity, Chicago: University of Chicago Press. Das, T. K./Teng, B. (1998), Between Trust and Control: Developing Confidence in Partner Cooperation in Alliances, Academy of Management Review, Vol. 223, 491–512. Dasgupta, P.,/Stiglitz, J. (1980), Industrial Structure and the Nature of Innovative Activity, The Economic Journal, Vol. 90, 266–293. Day, G. S. (1994), The Capabilities of Market-Driven Organizations, Journal of Marketing, Vol. 58, 37–52. Day, G. S./Montgomery, D. B. (1999), Charting New Directions for Marketing, Journal of Marketing, Vol. 63, 3–13. Dean, J. (1966), Does Advertising Belong in the Capital Budget? Journal of Marketing, Vol.30, 15–21. Dekimpe, M./Hanssens, D. (1995), The Persistence of Marketing Effects on Sales. Marketing Science, Vol. 14, No. 1, 1–21. Deleersnyder, B./Geyskens, I./Gielens, K./Dekimpe, M. G. (2002), How Cannibalistic is the Internet Channel? A Study of the Newspaper Industry in the United Kingdom and the Netherlands, International Journal of Research in Marketing, Vol. 19, 337–348. Deng, Z./Lev, B. (1998), The Valuation of Acquired R & D, Working Paper, NY: Stern School of Business, New York University. Dierickx, I./Cool, K. (1989), Asset Stock Accumulation and Sustainability of Competitive Advantage, Management Science, Vol. 35, No. 12, 1504–1511. Dilling-Hansen, M./Eriksson, T./Madsen, E. S. (2000), The Impact of R & D on Productivity: Evidence from Danish Firm-Level Data, International Advances in Economic Research, Vol. 6, No. 2, 366–367. Donaldson, T. H. (1992), The Treatment of Intangibles, Basingstoke, Macmillan Press. Dosi, G. (1988), Sources, Procedures, and Microeconomic Effects of Innovation, Journal of Economic Literature, Vol. 26, 1120–1171. Dosi, G./Teece, D./Winter, S. (1992), Toward a Theory of Corporate Coherence: Some Preliminary Remarks, in: Dosi, G./Giannetti, R./Toninelli P. A. (Eds.), Technology and Enterprise in a Historical Perspective, Oxford: Clarendon Press, 185–211. Doukas, J./Switzer, L. (1992), The Stock Market’s Valuation of R & D Spending and Market Concentration, Journal of Economics and Business, Vol. 44, 95–114. Doyle, P. (2000), Valuing Marketing’s Contribution. European Management Journal, Vol. 18, No. 3, 233–245.

Literaturverzeichnis

187

Dutta, S./Narasimhan, O./Rajiv, S. (1999), Success in High Technology Markets: Is Marketing Capability Critical? Marketing Science, Vol. 18, No. 4, 547–568. Dyer, J. H./Singh, H. (1998), The Relational View: Cooperative Strategy and Sources of Interorganizational Competitive Advantage, Academy of Management Review, Vol. 23, No. 4, 660–679. Eisenhardt K. M./Bird, J./Schoonhoven, C. (1996), Resource-Based View of Strategic Alliance Formation: Strategic and Social Effects in Entrepreneurial Firms, Organizational Science, Vol. 7, No. 2, 136–147. Eisenhardt, K. M./Martin, J. A. (2000), Dynamic capabilities: What are they?, Strategic Management Journal, Vol. 21, 1105–1122. Englander, A./Evenson, R./Hanazaki, M. (1988), R & D, Innovation, and the Total Factor Productivity Slowdown, OECD Economic Studies, No. 11, 7–42. Erickson, G. M. (1981), Using Ridge Regression to Estimate Directly Lagged Effects in Marketing, Journal of the American Statistical Association, Vol. 76, 766–773. Erickson, G. M./Jacobson, R. (1992), Gaining Comparative Advantage Through Discretionary Expenditures: The Returns to R & D and Advertising. Management Science, Vol. 38 (September), 1264–79. Evenson, R. E./Waggoner, P. E./Ruttan, V. W (1979), Economic Benefits from Research: An Example from Agriculture, Science, Vol. 205, 1101–1107. Farris, P.W./Buzzell, R. D. (1979), Why Advertising and Promotional Costs Vary: Some CrossSectional Analyses, Journal of Marketing, Vol. 43, No. 4, 112–122. Farris, P.W./Moore, M. J. (2004), The Profit Impact of Marketing Strategy Project – Retrospect and Prospects,Cambridge: Cambridge University Press. Farris, P.W./Parry, M. E./Ailawadi, K. L. (1992), Structural Analysis of Models with Composite Dependent Variabels, Marketing Science, Vol. 11, No. 1, 76–94. FASB (Financial Accounting Standards Board) (1974), Accounting for Research and Development Costs, Statement of Financial Accountig Standards No. 2. Frazier, G. L./Sheth, J. N. (1985), An Attitude-Behavior Framework for Distribution Channel Management, Journal of Marketing, Vol. 49, 38–48. Frels, J. K./Shervani, T./Srivastava, R. K. (2003), The integrated Networks Model: Explaining Resource Allocations in Network Markets, Journal of Marketing, Vol. 67, 29–45. Fudenberg, D./Gilbert, R./Stiglitz, J./Tirole, J. (1983), Preemption, Leapfrogging and Competition in Patent Races, European Economic Review, Vol. 22, 3–31. Gatignon, H./Anderson, E./Helsen, K. (1989), Competitive Reactions to Market Entry: Explaining Interfirm Differences, Journal of Marketing Research, Vol. 26, 44–55. Gedenk, K. (2002), Verkaufsförderung, 1. Auflage, München. Geroski, P. A. (1995), Markets for Technology: Knowledge, Innovation and Appropriability, in: Stoneman, P. (Ed.), Handbook of The Economics of Innovation and Technological Change, Oxford: Blackwell. Geyskens, I./Gielens, K./Dekimpe, M. G. (2002). The Market Valuation of Internet Channel Additions, Journal of Marketing, Vol. 66, No. 2, 102–119.

188

Literaturverzeichnis

Gilbert, R./Newbery, D. (1982), Preemptive Patenting and the Persistence of Monopoly, American Economic Review, Vol. 72, No. 3, 514–26. Golder, P. N./Tellis, G. J. (1993), Pioneer Advantage: Marketing Logic or Marketing Legend, Journal of Marketing Research, Vol. 30, No. 2, 158–170. Goto, A./Suzuki, K. (1989), R & D Capital, Rate of Return on R & D Investment, and Spillover of R & D in Japanese Manufacturing Industries, Review of Economics and Statistics, Vol. 71, No. 4, 555–564. Graham, R./Frankenberger, K. D. (2000), The Contribution of Changes in Advertising Expenditures to Earnings and Market Value, Journal of Business Research, Vol. 50, No. 2, 149–155. Grant, R. M. (1991), The Resource-Based Theory of Competitive Advantage: Implications for Strategy Formulation, California Management Review, Vol. 33, No. 3, 114–135. — (1996), Towards a Knowledge-based Theory of the Firm, Strategic Management Journal, Vol. 17 (Summer Special Issue), 109–122. Griffin A./Hauser, J.R. (1996), Integrating R&D and Marketing: A Review and Analysis of the Literature, Journal of Product Innovation Management, Vol. 13, 191–215. Griffith, R./Redding, S./Van Reenen, J. (2004), Mapping the Two Faces of R & D: Productivity Growth in a Panel of OECD Countries, Review of Economics and Statistics, Vol. 86, No. 4, 883–895. Griliches, Z. (1958), Research Cost and Social Returns: Hybrid Corn and Related Innovations, Journal of Political Economy, Vol. 66, 419–431. — (1979), Issues in Assessing the Contribution of Research and Development to Productivity Growth, Bell Journal of Economics, Vol. 10, 92–116. — (1980 a), R & D and the Productivity Slowdown, American Economic Review, Vol. 70, 343–348. — (1980 b), Returns to Research and Development Expenditures in the Private Sector, in: Kendrick, J./Vaccara, B. (Eds.), New Developments in Productivity Measurement and Analysis, Chicago: University of Chicago Press. — (1981), Market Value, R & D and Patents, Economic Letters, Vol. 7, No. 2, 183–187. — (1986), Productivity, R & D and Basic Research at the Firm Level in the 1970s, American Economic Review, Vol. 76, No. 19, 141–54. — (1994), Productivity, R & D, and the Data Constraint, American Economic Review, Vol. 84, No. 1, 1–23. — (1995), R & D and Productivity: Econometric Results and Measurement Issues, in: Stoneman, P. (Ed.), Handbook of the Economics of Innovation and Technological Change, Oxford: Blackwell, 52–89. Griliches, Z./Lichtenberg, F. (1984 a), Interindustry Technology Flows and Productivity Growth: A Reexamination, Review of Economics and Statistics, Vol. 66, No. 2, 324–329. — (1984 b), R & D and Productivity Growth at the Industry Level: Is There Still a Relationship?, in: Griliches, Z. (Ed.), R & D, Patents, and Productivity, Chicago: University of Chicago Press.

Literaturverzeichnis

189

Griliches, Z./Mairesse, J. (1983), Comparing Productivity Growth: An Exploration of French and U.S. Industrial and Firm Data, European Economic Review, Vol. 21, 89–119. — (1984), Productivity and R& D at the Firm Level, in: Griliches, Z. (Ed.), R& D, Patents, and Productivity, Chicago: University of Chicago Press. — (1990), R & D and Productivity Growth: Comparing Japanese and U.S. Manufacturing Firms, in: Hulten, C. (Ed.), Productivity Growth in Japan and the United States, Chicago: University of Chicago Press. Gruca, T. S./Rego, L. L. (2005), Customer Satisfaction, Cash Flow, and Shareholder Value, Journal of Marketing, Vol. 69, 115–130. Gupta, S. (1988), Impact of Sales Promotions on When, What, and How Much to Buy, Journal of Marketing Research, Vol. 21, 342–355. Gupta, S./Lehmann, D. R./Stuart, J. A. (2004), Valuing Customers, Journal of Marketing Research, Vol. 41, 7–18. Haines, D.W./Chandran, R./Parkhe, A. (1989), Winning by Being the First to Market ... or Second? Journal of Consumer Marketing, Vol. 6, No. 1, 63–69. Haley, G. T./Goldberg, S. M. (1995), Net Present Value Techniques and Their Effects on New Product Research, Industrial Marketing Management, Vol. 24, No. 3, 177–190. Hall, B. H. (1992), Investment and Research and Development at the Firm Level: Does the Source of Financing Matter?, NBER Working Paper No. 4096, Cambridge MA: National Bureau of Economic Research. Hall, B. H./Jaffe, A. B./Trajtenberg, M. (2001), The NBER Patent Citation Data File: Lessons, Insights and Methodological Tools, NBER Working Paper No. 8498, Cambridge, MA: National Bureau of Economic Research. — (2005), Market Value and Patent Citations, Rand Journal of Economics, Vol. 36, 16–38. Hall, B./Mairesse, J. (1995), Exploring the Relationship Between R & D and Productivity in French Manufacturing Firms, Journal of Econometrics, Vol. 65, No. 1, 263–293. Hall, E. H., Jr. (1991), Corporate Diversity and Performance: An Investigation of Causality, Proceedings, Decision Sciences Institute National Conference, Miami, FL. Hall, H. H./Mairesse, J. (1995), Exploring the Relationship between R& D and Productivity in French Manufacturing Firms, Journal of Econometrics, Vol. 65, 263–293. Hall, R. (1993), A Framework Linking Intangible Resources and Capabilities to Sustainable Competitive Advantage, Strategic Management Journal, Vol. 14, 607–18. Hamel, G./Prahalad, C. K. (1991), Corporate Imagination and Expeditionary Marketing, Harvard Business Review, Vol. 69, No. 4, 81–93. Hammann, P./Erichson, B. (2000), Marktforschung, 4. Auflage, Stuttgart: Lucius & Lucius. Haß, H. J. (1983), Die Messung des Technischen Fortschritts, München: Florentz. Hauschildt, J. (1997): Innovationsmanagement, 2. Auflage, München: Vahlen. Hausman, J.A. (1978), Specification Tests in Econometrics, Econometrica, Vol. 46, 1251–1272. Hausman, J. A./Taylor, W. E. (1981), Panel Data and Unobservable Individual Effects, Econometrica, Vol. 49, No. 6, 1377–1398.

190

Literaturverzeichnis

Hawawini, G./Subramanian, V./Verdin, P. (2003), Is Performance Driven by Industry – or Firm Specific Factors? A New Look at the Evidence, Strategic Management Journal, Vol. 24, No. 1, 1–16. — (2004), The Home Country in the Age of Globalization: How Much Does it Matter for Firm Performance?, Journal of World Business, Vol. 39, 121–135. Hayes, R. H./Garvin, D. A. (1982), Managing as if Tomorrow Mattered, Harvard Business Review, Vol. 60 (May-June), 70–79. Hayes, R. H./Pisano, G. P./Upton, D. M. (1996), Competing through Capabilities, New York: The Free Press. Hayes, R. H./Wheelwright, S. C./Clark, K. B. (1988), Dynamic Manufacturing: Creating the Learning Organization, New York: The Free Press. Helfat, C.E. (1994), Evolutionary Trajectories in Petroleum Firm R& D, Management Science, Vol. 40, No. 12, 1720–1747. — (1994), Firm Specificity in Corporate Applied R & D, Organization Science, Vol. 5, No. 2, 173–184. — (1997), Know-How and Asset Complementarity and Dynamic Capability Accumulation: The Case of R & D, Strategic Management Journal, Vol. 18, No. 5, 339–360. Helmer, R. M./Johansson, J. K. (1977), An Exposition of the Box-Jenkins Transfer Function Analysis with an Application to the Advertising-Sales Relationship, Journal of Marketing Research, Vol. 14, 227–239. Henderson, R. M./Clark, K. B. (1990), Architectural Innovation: The Reconfiguration of Existing Product Technologies and the Failure of Established Firms, Administrative Science Quarterly, Vol. 35, 9–30. Henderson, R. M./Cockburn, I. M., Measuring Competence? Exploring Firm Effects in Pharmaceutical Research, Strategic Management Journal, Vol. 15, 63–84. Higgins, M./Rodriguez, D. (2006), The Outsourcing of R& D Through Acquisition in the Pharmaceutical Industry, Journal of Financial Economics, Vol. 80, 351–383. Hildebrandt, L./Annacker, D. (1996), Panelanalysen zur Kontrolle „unbeobachtbarer“ Einflussgrößen in der Erfolgsfaktorenforschung, Zeitschrift für Betriebswirtschaft, Vol. 66, 1409–1426. Hildebrandt, L./Buzzell, R. D. (1998), Ein Kausalmodell zu den Bestimmungsgründen der Profitabilität, in: Hildebrandt, L./Homburg, C. (Hrsg.): Die Kausalananlyse – Instrument der empirischen betriebswirtschaftlichen Forschung, Stuttgart: Schäffer-Poeschel, 209–235. Hill, C./Deeds, D. (1996), The Importance of Industry Structure for the Determination of Firm Profitability: A Neo-Austrian Perspective, Journal of Management Studies, Vol. 4, 429–451. Hill, C.W. L./Rothaermel, F. T. (2003), The Performance of Incumbent Firms in the Face of Radical Technological Innovation, Academy of Management Review, Vol. 28, 257–274. Hill, C.W. L./Snell, S. A. (1988), External Control, Corporate Strategy, and Firm Performance in Research-Intensive Industries, Strategic Management Journal, Vol. 9, No. 6, 577–590. Hirschey, M./Weygandt, J. J. (1985), Amortization Policy for Advertising and Research and Development Expenditures, Journal of Accounting Research, Vol. 23, 326–35.

Literaturverzeichnis

191

Ho, Y. K./Keh, H.T./Ong, J.M. (2005), The Effects of R&D and Advertising on Firm Value: An Examination of Manufacturing and Nonmanufacturing Firms, Engineering Management, IEEE Transactions on Engineering Management Vol. 52, No. 1, 3–14. Hogan, J. E./Lemon, K. N./Rust, R. T. (2002), Customer Equity Management: Charting New Directions for the Future of Marketing, Journal of Service Research, Vol. 5, No. 1, 4–12. Holak, S. L./Parry, M. E./Song, X. M. (1991), The Relationship of R & D/Sales to Firm Performance: An Investigation of Marketing Contingencies, The Journal of Product Innovation Management, Vol. 8, No. 4, 267–282. Homburg, C./Baumgartner, H. (1998), Beurteilung von Kausalmodellen: Bestandsaufnahme und Anwendungsempfehlungen, in: Hildebrandt, L./Homburg, C. (Hrsg.), Die Kausalanalyse – Instrument der empirischen betriebswirtschaftlichen Forschung, Stuttgart: SchäfferPoeschel, 343 ff. Homburg, C./Krohmer, H. (2003), Marketingmanagement, Wiesbaden: Gabler. Hooley, G. J./Greenly, G. E./Cadogan, J.W./Fahy, J. (2005), The Performance Impact of Marketing Resources, Journal of Business Research, Vol. 58, 18–27. Houston, M. B. (2004), Assessing the Validity of Secondary Data Proxies for Marketing Constructs, Journal of Business Research, Vol. 57, 154–161. Houston, M. B./Johnson, S. A., Buyer-Supplier Contracts Versus Joint Ventures: Determinants and Consequences, Journal of Marketig Research, Vol. 37, No. 1, 1–15. Hovland, R./Wilcox, G. (1989), Advertising in Society: Classic and Contemporary Readings on Advertising’s Role in Society, Lincolnwood, IL: NTC Business Books. Hsiao, C. (2003), Analysis of Panel Data, 2. Edition, Cambridge: University Press. Hsiao, C./Sun, B. (2000), To Pool or Not to Pool Panel Data, in: Krishnakumar, J./Ronchetti, E. (Eds.), Panel Data Economics: Future Directions, Amsterdam (u. a.): Elsevier. Hu, L./Bentler, P. M., Cutoff Criteria for Fit Indexes in Covariance Structure Analysis: Conventional Criteria versus New Alternatives, Structural Equation Modeling, Vol. 6 (1999), 1–55. Hula, D. G. (1988), Advertising, New Product Profit Expectations, and the Firm’s R & D Investment Decisions, Applied Economics, Vol. 20 (January), 125–42. Hunt, S. D./Morgan, R. M. (1995), The Comparative Advantage Theory of Competition, Journal of Marketing, Vol. 59, No. 2, 1–15. Hurwitz, M. A./Caves, R. E. (1988) Persuasion or Information? Promotion and the Shares of Brand Name and Generic Pharmaceuticals, Journal of Law and Economics, Vol. 31, 299–320. Iansiti, M./Clark, K. B. (1994), Integration and Dynamic Capability: Evidence from Product Development in Automobiles and Mainframe Computers, Oxford: University Press. IAS (International Accounting Standards) (1978), Accounting for Research and Development Activities, No. 9, London, England. IAS (International Accounting Standards) (1997), Proposed International Accounting Standard: Intangible Assets, Exposure Draft E60, London: IASC. Itami, H./Roehl, T.W. (1987), Mobilizing Invisible Assets, Cambridge: Harvard University Press.

192

Literaturverzeichnis

Jacobson, R. (1990), Unobservable Effects and Business Performance, Marketing Science, Vol. 9, No. 1, 74–85. — (1992), The „Austrian“ School of Strategy, Academy of Management Review, Vol. 17, 782–807. Jacobson, R./Aaker, D., Is Market Share All That It’s Cracked Up To Be?, Journal of Marketing, Vol. 49, 11–22. Jacobson, R./Aaker, D. A., The Strategic Role of Product Quality, Journal of Marketing, Vol. 51 (October), 31–44. Jaffe, A. B. (1986), Technological Opportunity and Spillovers of R & D: Evidence From Firms’ Patents, Profits and Market Value, American Economic Review, Vol. 76, 984–1001. Jaruzelski, B./Dehoff, K./Bordia, R. (2005), Money Isn’t Everything, Strategy + Business, Vol. 41, 1–14. Jeong, J. (2006), Exploring the Impact of Advertising on Brand Equity and Shareholder Value [electronische Ressource]. Dissertation, The University of Texas at Austin. Jones, C./John, W. (1998), Measuring the Social Return to R & D, Quarterly Journal of Economics, Vol. 113, No. 4 (November), 1119–1135. Jöreskog, K. G./Sörbom, D. (1996), LISREL 8: User’s Reference Guide, Chicago: Scientific Software. — (2004), LISREL 8.71, Chicago: Scientific Software. Joshi, A./Hanssens, D. (2005), Advertising Spending and Market Capitalization, Working Paper, Los Angeles: University of California, Anderson School of Management. Judge, G./Griffiths, W. E./Hill, R. C./Lütkepohl, H./Lee, T.-C. (1985), The Theory and Practice and Econometrics, New York: John Wiley. Kadiyali, V./Sudhir, K./Rao, V. R. (2001), Structural Analysis of Competitive Behavior: New Empirical Industrial Organization Methods in Marketing, International Journal of Research in Marketing, Vol. 18, No. 2, 161–186. Kalyanaram, G./Robinson, W. T./Urban, G. L. (1995), Order of Entry: Established Empirical Generalizations, Emerging Empirical Generalizations, and Future Research, Marketing Science, Vol. 14, 212–221. Kamien, M. I./Muller, E./Zang, I. (1992), Research Joint Ventures and R& D Cartels, American Economic Review, Vol. 82, 1293–1306. Kao, J.-L./Chiu, C.-C./Gilbride, T. J./Otter, T./Allenby, G. M. (2005), Evaluating the Effectiveness of Marketing Expenditures, SSRN: http://ssrn.com/abstract = 964298. Karakaya, F./Stahl, M. J. (1989), Barriers to Entry and Market Entry Decisions in Consumer and Industrial Goods Markets, Journal of Marketing, Vol. 53 (April), 80–91. Kato, A. (2005), Market Structure and the Allocation of R & D Resources, Economics Letters,Vol. 87, No. 1 (April), 55–59. Kerin, R. A./Sethuraman, R. (1998), Exploring the Brand Value-Shareholder Value Nexus for Consumer Goods Companies, Journal of Academy of Marketing Science, Vol. 26, No. 4, 260–273. Kern, W./Schröder, H.-H. (1977), Forschung und Entwicklung in der Unternehmung, Reinbek.

Literaturverzeichnis

193

Kessides, I. N. (1987), Do Firms Differ Much? Some Additional Evidence, Working Paper, University of Maryland. — (1990), Internal Versus External Market Conditions and Firm Profitability: An Exploratory Model, The Economic Journal, Vol. 100, 773–792. Kirchen, A. (1988), Schätzung zeitveränderlicher Strukturparameter in ökonometrischen Prognosemodellen, Frankfurt (Main): Athenäum. Klapper, D. (2003), Analysen zum Wettbewerbsverhalten auf Konsumgütermärkten mit dem Ansatz der New Empirical Industrial Organization-Forschung, Zeitschrift für Betriebswirtschaft, Vol. 73, No. 5, 521–545. Knyphausen, D. zu (1993), Why are Firms Different? Der „ressourcenorientierte Ansatz“ im Mittelpunkt einer aktuellen Kontroverse im Strategischen Management, Die Betriebswirtschaft, Vol. 53, 661–682. Kogut, B./Zander, U. (1996), What Firms Do: Coordination, Identity, and Learning, Organization Science, Vol. 7, 502–518. — (1997), Knowledge of the Firm. Combinative Capabilities, and the Replication of Technology, in: Prusak, L. (Ed.), Knowledge in Organization, Boston: Butterworth-Heinemann. Kohli, A. K./Jaworski, B. J. (1990), Market Orientation: The Construct, Research Propositions, and Managerial Implications, Journal of Marketing, Vol. 54 (April ), 1–18. Kotabe, M. (1990), Corporate Product Policy and Innovative Behavior of European and Japanese Multinationals: An Empirical Investigation, Journal of International Business Studies, Vol. 21, 623–638. Kothari, S./Laguerre, T./Leone, A. (2002), Capitalization versus Expensing: Evidence on the Uncertainty of Future Earnings from Capital Expenditures versus R & D Outlays, Review of Accounting Studies, Vol. 7, 355–382. Kotler, P./Armstrong, G. (2006), Principles of Marketing, 11. Edition, New Jersey. Kotler, P./Bliemel, F. (2001), Marketing-Management: Analyse, Planung, Verwirklichung, 10. Edition, Stuttgart. Krelle, W. (1997), How to Deal With Unobservable Variables in Economics, Discussion Paper No. B-414, in: Sonderforschungsbericht 303, Information und die Koordination wissenschaftlicher Aktivitäten. Krieger, A. M./Green, P. E. (2006), A Tactical Model for Resource Allocation and its Application to Advertising Budgeting. European Journal of Operational Research, Vol. 170, No. 3, S. 935–949. Kumbhakar, S./Lovell, K. (2000), Stochastic Frontier Analysis, Cambridge, MA: Cambridge University Press. La Manna, M. (1992), New Dimensions of the Patent System, in: Norman, G./La Manna, M. (Eds.), The New Industrial Economics: Recent Developments in Industrial Organization, Oligopoly and Game Theory, Aldershot: Edward Elgar. Lado, A. A./Wilson, M. C. (1994), Human Resource Systems and Sustained Competitive Advantage: A Competency-Based Perspective, Academy of Management Review, Vol. 19, No. 4, 699–727.

194

Literaturverzeichnis

Le, S./Walters, B. A./Kroll, M. (2006), The Moderating Effects of External Monitors on the Relationship Between R & D Spending and Firm Performance, Journal of Business Research, Vol. 59, 278–287. Lee, R./Wilde, L. L. (1980), Market Structure and Innovation: A Reformulation, Quarterly Journal of Economics, Vol. 194, 429–436. Lefebvre, É./Lefebvre, L. A./Bourgault, M. (1998), Innovative Efforts as Determinants of Export Performance: The Case of Specialized Suppliers, Small Business Economics, Vol. 10, No. 4, 365–377. Leffler, K. B. (1981), Persuasion or Information? The Economics of Prescription Drug Advertising, Journal of Law and Economics, Vol. 24, No. 1, 45–74. Lehmann, D. R. (1989), Market Research and Analysis, 3. Edition, Homewood (IL): Irwin. Lehmann, D. R./Weinberg, C. B. (2000), Sales Through Sequential Distribution Channels: An Application to Movies and Videos, Journal of Marketing, Vol. 64, No. 3, 18–33. Leonard-Barton, D. (1992), Core Capabilities and Core Rigidities: A Paradox in Managing New Product Development, Strategic Management Journal, Vol. 13, 111–25. — (1995), Wellsprings of Knowledge: Building and Sustaining The Sources of Innovation, Boston, MA: Harvard Business School Press. Lev, B./Sarath, B./Sougiannis, T. (2005), R & D Reporting Biases and Their Consequences 2005, Contemporary Accounting Research, Vol. 22, 977–1026. Lev, B./Sougiannis, T. (1996), The Capitalization, Amortization, and Value-Relevance of R & D, Journal of Accounting and Economics, Vol. 21, 107–138. Lev, B./Thiagarajan, S. R. (1993), Fundamental Information Analysis, Journal of Accounting Research, Vol. 31, No. 2 (Autumn), 190–215. Levin, R. C./Klevorick, A. K./Nelson, R. R./Winter, S. G. (1987), Appropriating the Returns from Industrial Research and Development, Brookings Papers on Economic Activity, Vol. 3, 783–820. Lichtenberg, F. R., (1987), The Effect of Government Funding on Private Industrial Research and Development: A Re-Assessment, The Journal of Industrial Economics, Vol. 36, 97–104. Lichtenberg, F. R./Siegel, D. (1991) The Impact of R & D Investment on Productivity – New Evidence Using Linked R & D-LRD Data, Economic Inquiry, Vol. 29 (April), 203–228. Lieberman, M. B./Montgomery, D. B. (1998), First-Mover (Dis)Advantages: Retrospective and Link with the Resource-based View, Strategic Management Journal, Vol. 19, 1111–1125. Liebermann, M. B./Montgomery, D. B. (1988), First-Mover Advantages, Strategic Management Journal, Vol. 9 (Summer), 41–58. Lin, B.-W./Lee, Y./Hung, S.-C. (2006), R & D Intensity and Commercialization Orientation Effects on Financial Performance, Journal of Business Research, Vol. 59, No. 6, 679–685. Link, A. (1981), Basic Research and Productivity Increase in Manufacturing: Additional Evidence, American Economic Review, Vol. 71, No. 5 (December), 1111–1112. Link, A./Tassey, G. (1987), Strategies for Technology-Based Competition, Lexington, MA: Lexington Books.

Literaturverzeichnis

195

Loury, G. C. (1979), Market Structure and Innovation, Quarterly Journal of Economics, Vol. 93, 395–410. Lunn, J. (1989), R& D, Concentration and Advertising: A Simultaneous Equations Model, Managerial and Decision Economics, Vol. 10, 101–105. Lütkepohl, H. (1993), Introduction to Multiple Time Series Analysis, 2. Edition, Berlin: Springer Verlag. Maddala, G. S. (1987), Limited Dependent Variable Models Using Panel Data, Journal of Human Resources, Vol. 22, 311–338. Madden, T. J./Fehle, F./Fournier, S. (2006), Brands Matter: An Empirical Demonstration of the Creation of Shareholder Value through Branding, Journal of the Academy of Marketing Science, Vol. 34, No. 2, 224–235. Mahoney, J. T./Pandian, J. R. (1992), The Resource-Based-View within the Conversation of Strategic Management, Strategic Management Journal, Vol. 13., No. 5, 363–380. Mansfield, E. (1980), Basic Research and Productivity Increase in Manufacturing, American Economic Review, Vol. 70, No. 5 (December), 863–873. — (1984), R & D and Innovation: Some Epirical Findings, in: Griliches, Z. (Ed.), R & D, Patents, and Productivity, Chicago: University of Chicago Press. — (1988), Industrial R & D in Japan and the United States: A Comparative Study, American Economic Review, Vol. 78, No. 2 (May), 223–228. Mansfield, E./Rappaport, J./Romeo, A./Wagner, S./Beardsley, G. (1977), Social and Private Rates of Return from Industrial Innovations, Quarterly Journal of Economics, Vol. 16, 221–240. Mason, E. S. (1939), Price and Production Policies of Large-Scale Enterprise, American Economic Review, Vol. 29, 61–74. — (1949), The Current State of the Monopoly Problem in the United States, Harvard Law Review, Vol. 62, 1265–1285. Matraves, C. (1999), Market Structure, R & D and Advertising in the Pharmaceutical Industry, The Journal of Industrial Economics, Vol. 47, No. 2 (June), 169–194. Mauri, A. J./Michaels, M. P. (1998), Firm and Industry Effects within Strategic Management: An Empirical Examination, Strategic Management Journal, Vol. 19, No. 3, 211–220. McGahan, A. M. (1999), The Performance of U.S. Corporations, Journal of Industrial Economics, Vol. 47, 373–398. McGahan, A. M./Porter, M.E. (1997), How Much Does Industry Matter Really?, Strategic Management Journal, Summer Special Issue Vol. 18, 15–30. — (1998), What Do We Know About Variance in Accounting Profitability?, Working Paper, Harvard Business School. Meffert, H. (2000), Marketing – Grundlagen marktorientierter Unternehmensführung. Konzepte – Instrumente – Praxisbeispiele, 9. Auflage, Wiesbaden: Gabler. Milgrom, P./Roberts, J. (1995), Complementarities and Fit: Strategy, Structure and Organizational Change in Manufacturing, Journal of Accounting and Economics, Vol. 19, 179–208. Minasian, J. R. (1969), Research and Development, Production Functions and Rates of Return, American Economic Review, Vol. 59, 80–5.

196

Literaturverzeichnis

Mizik, N./Jacobson, R. (2003), Trading off Between Value Creation and Value Appropriation: The Financial Implications of Shifts in Strategic Emphasis, Journal of Marketing, Vol. 67, No. 1, 63–76. Montgomery, C. A./Hariharan, S. (1991), Diversified Expansion by Large Established Firms, Journal of Economic Behavior and Organization, Vol. 15, 71–89. Morrow, J. L. Jr. (2001), Exploiting the Value of Idiosyncratic Intangible Resources: The Effects of Strategy and Brand Capital on Shareholder Value, Marketing Management Journal,Vol. 11, No. 1, 25–34. Müller, D. C. (1990), The Dynamics of Company Profits. An International Comparison, Cambridge: Cambridge University Press. Müller-Tyl, F. (1994), Strategische Optionen für das Innovationsmanagement– Innovation zwischen Eigenfertigung, Kooperation und Fremdbezug, Dissertation, Universität Wien. Mundlak, Y. (1961), Empirical Production Function Free of Management Bias, Journal of Farm Economics, Vol. 43, No. 1, 44–56. Naik, P. A./Raman, K./Winer, R. (2005), Planning Marketing-Mix Strategies in the Presence of Interactions, Marketing Science, Vol. 24, No. 1, 25–34. Nakamura, L. (2003), A Trillion Dollars a Year in Intangible Investment and the New Economy, in: Hand, J./Lev, B. (Eds.): Intangible Assets: Values, Measures and Risks, Oxford: Oxford Management Readers, 19–47. National Science Foundation (2005), National Patterns of R & D Ressources, http://www.nsf.gov Nelson, R. (1990), What is Public and What is Private About Technology?, Consortium on Competitiveness and Cooperation, Working Paper No. 90–9, Berkeley, CA: Center for Research in Management, University of California at Berkeley. Nelson, R. R./Winter, S. G. (1982), An Evolutionary Theory of Economic Change, Cambridge, MA: Harvard University Press. Nieschlag, R./Dichtl, E./Hörschgen, H. (2002), Marketing, 19. Auflage, Berlin: Duncker & Humblot. Nonaka, I./Takeuchi, H. (1995), The Knowledge-Creating Company, New York: Oxford University Press. O’Brien, J. P. (2003), The Capital Structure Implications of Pursuing a Strategy of Innovation, Strategic Management Journal, Vol. 24, 415–432. O’Guinn, T. C./Allen, C. T./Semenik, R. J. (1998), Advertising and Integrated Brand Promotion, Cincinnati, OH: South-Western College Publishing. Odagiri, H. (1983), R& D Expenditures, Royalty Payments, and Sales Growth in Japanese Manufacturing Corporations, Journal of Industrial Economics, Vol. 32, No. 1 (September), 61–71. Odagiri, H./Iwata, H. (1986), The Impact of R & D on Productivity Increase in Japanese Manufacturing Companies, Research Policy, Vol. 15, 13–19. OECD (2006), OECD Factbook 2006: Economic, Environmental and Social Statistics, OECD, Paris. Olten, R. (1995), Wettbewerbstheorie und Wettbewerbspolitik, München/Wien: Oldenbourg.

Literaturverzeichnis

197

Oswald, D. R. (2004), The Determinants and Value Relevance of the Choice of Accounting for Research and Development Expenditures in the United Kingdom, Working Paper, London: London Business School. Pakes, A. (1985), On Patents, R & D, and the Stock Market Rates of Return, Journal of Political Economy, Vol. 93, 390–409. Pakes, A./Schankerman, M. (1984), An Exploration into the Determinants of Research Intensity, in: Griliches, Z. (Ed.), Patents, R & D and Productivity, Chicago: The University of Chicago Press, 209–232. Parry, M./Bass, F. M. (1990), When to Lead or Follow? It Depends, Marketing Letters, Vol. 1, No. 3, 187–198. Patel, P./Pavitt, K. (1995), Patterns of Technological Activity: Their Measurement and Interpretation, in: Stoneman, P. (Ed.), Handbook of the Economics of Innovation and Technological Change, Oxford Cambridge: Blackwell, 14–51. Penrose, E. (1959), The Theory of the Growth of the Firm, 2. Edition, Oxford: Oxford University Press. — (1980), The Growth of the Firm, New York: M. E. Sharpe. Peteraf, M. A. (1993), The Cornerstones of Competitive Advantage: A Resource-Based View, Strategic Management Journal, Vol. 14, 179–191. Peters, T. J./Waterman, R. H. (1982), In Search of Excellence, New York: Harper & Row. Phillips, L.W./Chang, D.R./Buzzell, R. D. (1983), Product Quality, Cost Position, and Business Performance: A Test of Some Key Hypotheses, Journal of Marketing, Vol. 47, 26–43. Piercy, N. F. (1986), Marketing Asset Accounting: Scope and Rationale, European Journal of Marketing, Vol. 20, No. 1, 5–15. Pisano, G. P. (1994), Knowledge, Integration, and the Locus of Learning: An Empirical Analysis of Process Development, Strategic Management Journal, Vol. 15, 85–100. — (1996), Learning-before-Doing in the Development of New Process Technology, Research Policy, Vol. 25, No. 7, 1097–1119. Polanyi, M. (1967), The Tacit Dimension, London. Porter, M. E. (1980), Competitive Strategy, Techniques for Analyzing Industries and Competitors, New York: Free Press. — (1981), The Contributions of Industrial Organization to Strategic Management, Academy of Management Review, Vol. 6, No. 4, 615–616. — (1985), Competitive Advantage: Creating and Sustaining Performance, New York: Free Press. Prahalad, C. K./Hamel, G. (1990), The Core Competence of the Corporation, Harvard Business Review, Vol. 68, No. 3, 79–91. Reed, R./DeFelippi, R. (1990), Causal Ambiguity, Barriers to Imitation, and Sustainable Competitive Advantage, Academy of Management Review, Vol. 15, 88–117. Reibstein, D. J./Joshi, Y.V./Farris, P.W. (2004), Marketing Costs and Prices, An Expanded View, in: Farris, P.W./Moore, M. J. (Eds.), The Profit Impact of Marketing Strategy Project: Retrospect and Prospects, Cambridge: Cambridge University Press, 124–152.

198

Literaturverzeichnis

Reichheld, F. F. (1996), The Loyalty Effect, Boston: Harvard Business School Press. Reinartz, W./Kumar, V. (2000), On the Profitability of Long Lifetime Customers: An Empirical Investigation and Implications for Marketing, Journal of Marketing, Vol. 64 (October), 17–35. Reinecke, J. (2005), Strukturgleichungsmodelle in den Sozialwissenschaften, München/Wien: Oldenbourg. — (1979), A Simple Model of Equilibrium Price Dispersion, Journal of Political Economy, Vol. 87, 851–858. — (1982), A Dynamic Game of R & D: Patent Protection and Competitive Behavior, Econometrica, Vol. 50, 671–688. — (1989), The Timing of Innovation: Research, Development and Diffusion, in: Schmalensee, R./Willig, R. D. (Eds.), Handbook of Industrial Organization, New York: North Holland, 849–908. Ridder, H.-G./Conrad, P./Schirmer, F./Bruns, H. J. (2001), Strategisches Personalmanagement: Mitarbeiterführung, Integration und Wandel aus ressourcenorientierter Perspektive, Landsberg/Lech: Moderne Industrie. Robins, J./Wiersema, M. F. (1995), A Resource-Based Approach to the Multibusiness Firm: Empirical Analysis of Portfolio Interrelationships and Corporate Performance, Strategic Management Journal, Vol. 16, 277–299. Robinson, W. T. (1988), Sources of Market Pioneer Advantages: The Case of Industrial Goods Industry, Journal of Marketing Research, Vol. 5, No. 1, 87–94. Robinson, W. T./Chiang, J. (2002), Product Development Strategies for Established Market Pioneers, Early Followers, and Late Entrants, Strategic Management Journal, Vol.23, No.9, 855–66. Rogers, E. M. (1995), Diffusion of Innovations, New York, The Free Press. Roquebert, J. A.,/Phillips, R. L./Westfall, P. A. (1996), Markets versus Management: What Drives Profitability?, Strategic Management Journal, Vol. 17, No. 8, 653–664. Rothaermel, F. T./Hess, A. (2006), Innovating within a New Technological Paradigm: The Role of Individual, Firm, and Network-Level Effects in Building Capabilities, Academy of Management Best Paper Proceedings, C1-C6. Rothwell, R./Zegveld, W. (1981), Industrial Innovation and Public Policy: Preparing for the 1980s and the 1990s, London: Frances Pinter. Rueckert, R.W./Walker, O. C. (1987), Marketing’s Interaction with other Functional Units – A Conceptual Framework and Empirical Evidence, Journal of Marketing, Vol. 51, No.1, 1–19. Rumelt, R./Schendel, D./Teece, D. (1991), Strategic Management and Economics, Strategic Management Journal, Vol. 12, Winter Special Issue, 5–29. Rumelt, R. P. (1984), Towards a Strategic Theory of the Firm, in: Lamb, B. (Ed.), Competitive Strategic Management, New York: Prentice Hall, 556–570. — (1991), How Much Does Industry Matter?, Strategic Management Journal, Vol. 12, No. 3, 167–185. Rumelt, R. P./Wensley, R. (1980), In Search of the Market Share Effect, Working Paper MGL-61, Los Angeles: University of California.

Literaturverzeichnis

199

Rust, R. T./Lemon, K. N./Zeithaml, V. A. (2000), Driving Customer Equity, New York: The Free Press. — (2004), Return on Marketing: Using Customer Equity to Focus Marketing Strategy, Journal of Marketing, Vol. 68, No. 1, 109–127. Rust, R. T./Moorman, C./Dickson, P. R. (2002), Getting Return on Quality: Revenue Expansion, Cost Reduction, or Both?, Journal of Marketing, Vol. 66, No. 4, 7–24. Rust, R. T./Zahorik, A. J./Keiningham, T. L. (1995), Return on Quality (ROQ): Making Service Quality Financially Accountable, Journal of Marketing, Vol. 59, No. 2, 58–71. Schankerman, M. (1981), The Effects of Double-Counting and Expensing on the Measured Returns to R & D, Review of Economics and Statistics, Vol. 63, No. 3, 454–458. Scherer, F. M. (1982), Inter-Industry Technology Flows and Productivity Growth, Review of Economics and Statistics, Vol. 64, No. 4, 627–634. Scherer, F. M./Ross, D. (1990), Industrial Market Structure and Economic Performance, Boston: Houghton Mifflin. Schmalensee, R. (1985), Do Markets Differ Much?, American Economic Review, Vol. 75, 341–351. — (1982), Product Differentiation Advantages of Pioneering Brands, American Economic Review, Vol. 72, 349–365. — (1988), Industrial Economics: An Overview, The Economic Journal, Vol. 98, 643–681. Schmookler, J. (1966), Invention and Economic Growth, Cambridge, MA, and London: Harvard University Press. — (1995), F & E-Management, in: Corsten, H./Reiß, M. (Hrsg.): Handbuch Unternehmungsführung. Konzepte – Instrumente – Schnittstellen, Wiesbaden: Gabler, 599–614. — (1999), Technologie- und Innovationsplanung, in: Corsten, H./Reiß, M., Betriebswirtschaftslehre, München/Wien, 3. Auflage, 985–1114. Schwartzman, D. (1976), Innovation in the Pharmaceutical Industry, Baltimore: Johns Hopkins University Press. Scotchmer, S./Green, J. (1990), Novelty and Disclosure in Patent Law, RAND Journal of Economics, Vol. 21, No. 1, 131–146. Scott, J. T. (1984), Firm Versus Industry Variability in R & D Intensity, in: Griliches, Z. (Ed.), R & D, Patents, and Productivity, Chicago: University of Chicago Press, 233–248. Selznick, P. (1957), Leadership in Administration: A Sociological Interpretation, New York, NY: Harper & Row. Shah, S. Z. A./Stark, A.W. (2001), Market Valuation of R & D Expenditures in the UK: Some Evidence on Industry and Size Effects, Discussion Paper in Accountancy and Finance, SOBE, University of Exeter. Shy, O. (1995), Industrial Organization: Theory and Applications, Cambridge, MA.: MIT Press. Siggelkow, N. (2002), Misperceiving Interactions Among Complements and Substitutes: Organizational Consequences, Management Science, Vol. 48, No. 7, 900–916.

200

Literaturverzeichnis

Simon, C. J./Sullivan, M.W. (1993), The Measurement and Determinants of Brand Equity: A Financial Approach, Marketing Science, Vol. 12, No. 1, 28–52. Song, M./Droge, C./Hanvanich, S./Calantone, R. (2005), Marketing and Technology Resource Complementarity: An Analysis of Their Interaction Effect in Two Environmental Contexts, Strategic Management Journal, Vol. 26, No. 3, 259–276. Specht, G./Beckmann, C. (1996), F & E-Management, Stuttgart: Schäffer-Poeschel Verlag. Sriram, S./Kalwani, M. (2007), Optimal Advertising and Promotion Budgets in Dynamic Markets with Brand Equity as a Mediating Variable, Management Science, Vol. 53, No. 1, 46–60. Srivastava, R./Fahey, L./Christensen, H. K. (2001), The Resource-Based View and Marketing: The Role of Market-Based Assets in Gaining Competitive Advantage, Journal of Management, Vol. 27, No. 6, 777–802. Srivastava, R. K./Reibstein, D. J. (2004), Metrics for Linking Marketing to Financial Performance, Working Paper, Cambridge, MA: Marketing Science Institute. Srivastava, R. K./Shervani, T. A./Fahey, L. (1998), Market-Based Assets and Shareholder Value, Journal of Marketing, Vol. 62, No. 1, 2–18. — (1999), Market-Based Assets and Shareholder Value: A Framework for Analysis, Journal of Marketing, Vol. 62, No. 1, 2–18. Staehle, W. H. (1999), Management: Eine verhaltenswissenschaftliche Perspektive, 8. Auflage, überarbeitet und erweitert von Conrad, P./Sydow, J., München: Vahlen. Stalk, G./Evans, P./Shulman, L. (1992), Competing on Capabilities. The New Rules of Corporate Strategy, Harvard Business Review, Vol. 70, No. 2, 57–69. Standard & Poor’s (2003), Compustat User’ Guide, The New York: Mcgraw Hill. Sterlacchini, A. (1989), R & D, Innovations, and Total Factor Productivity Growth in British Manufacturing, Applied Economics, Vol. 21, No. 11, 1549–1562. Strebel, P. J. (1983), The Stock Market and Competitor Analysis, Strategic Management Journal, Vol. 4, 279–291. Sudharshan, D./Sanchez, R. (1998), Distribution Equity: Creating Value through Managing Knowledge Relationships with Distribution Channels, Journal of Market-Focused Management, Vol. 2, No. 4, 309–338. Suzumura, K. (1992), Cooperative and Noncooperative R & D in an Oligopoly with Spillovers, American Economic Review, Vol. 82, 1307–1320. Sveikauskas, C. D./Sveikauskas, L. (1982), Industry Characteristics and Productivity Growth, Southern Economic Journal, Vol. 48, No. 3, 769–774. Taylor, A. (2002), Driving Customer Satisfaction, Fore Thought, Harvard Business Review, Vol. 80, 24–25. Teece, D. J. (1986), Profiting From Technological Innovations, Research Policy, Vol. 15, No. 6, 285–306. — (1987), Profiting From Technological Innovation: Implications for Integration, Collaboration, Licensing and Public Policy, in: Teece, D. (Ed.), The Competitive Challenge: Strategies for Industrial Innovation and Renewal, New York, NY: Harper & Row, 185–219.

Literaturverzeichnis

201

Teece, D./Pisano, G./Shuen, A. (1997), Dynamic Capabilities and Strategic Management, Strategic Management Journal, Vol. 18, No. 7, 535–556. Telser, L. G. (1981), Why There are Organised Futures Markets, Journal of Law and Economics, Vol. 24, No. 1, 1–22. Terleckyj, N. (1974), Effects of R& D on the Productivity Growth of Industries: An Exploratory Study, Washington, D.C.: National Planning Association. — (1980), Direct and Indirect Effects of Industrial Research and Development on the Productivity Growth of Industries, in: Kendrick, J.W./Vaccara, B. N. (Eds.), New Developments in Productivity Measurement and Analysis, Chicago: University of Chicago Press. Thom, N. (1980), Grundlagen des betrieblichen Innovationsmanagement, Königstein: Hanstein. Thomas, J. S./Sullivan, U.Y. (2005), Managing Marketing Communications with Multichannel Customers, Journal of Marketing, Vol. 69, No. 4, 239–251. Tirole, J. (1995), The Theory of Industrial Organization, Cambridge, MA: MIT Press. Tong, T.W./Reuer, J. J. (2006), Firm and Industry Influences on the Value of Growth Options, Strategic Organization, Vol. 4, No. 1, 71–95. Tripsas, M. (1997), Unraveling the Process of Creative Destruction: Complementary Assets and Incumbent Survival in the Typesetter Industry, Strategic Management Journal, Vol. 18, 119–142. Ulrich, K./Eppinger, S. (1995), Product Design and Development, New York: McGraw-Hill. Urban, G. L./Hauser, J. R. (1993), Design and Marketing of New Products, 2. Edition, Englewood Cliffs, NY: Prentice-Hall. Verona, G. (1999), A Resource-Based View of Product Development, Academy of Management Review, Vol. 24, No. 1, 132–42. Verspagen, B. (1995), R & D and Productivity: A Broad Cross-Section Cross-Country Look, Journal of Productivity Analysis, Vol. 6, 117–135. Vicari, S./Troilo, G. (1998), Errors and Learning in Organizations, in: Krogh, G. v./Roos, J./ Kleine, D.(Eds.), Knowing in Firms. Understanding, Managing and Measuring Knowledge, Thousand Oaks: Sage Publications, 204–222. Vinod, H. D./Rao, P. M. (2000), R & D and Promotion in Pharmaceuticals: Conceptual Framework and Empirical Exploration, Journal of Marketing Theory and Practice, Vol. 8, 10–20. von Hippel, E. (1988), The Sources of Innovation, New York, Oxford University Press. Wallace, T./Hussain, A. (1969), The Use of Error Components in Combining Cross Section with Time Series Data, Econometrica, Vol. 37, No. 1, 55–72. Wang, H./He, J./Mahoney, J. T. (2007), Firm-Specific Knowledge Resources and Competitive Advantage: The Role of Economic- and Relationship-Based Employee Governance Mechanisms, Working Paper No. 07–0103, University of Illinois at Urbana-Champaign, 1–50. Wang, J.-C./Tsai, K.-H. (2003), Productivity Growth and R & D Expenditure in Taiwan’s Manufacturing Firms, Working Paper No. 9724, Cambridge, MA: National Bureau of Economic Research. Webster, F. E., Jr. (1992), The Changing Role of Marketing in the Corporation, Journal of Marketing, Vol. 56, No. 4, 1–17.

202

Literaturverzeichnis

Weidenbaum, M. (1961), The Military Research-and-Development Market, Journal of Marketing, Vol. 25, No. 4, 38–42. Wells, W./Burnett, J./Moriarty, S. (1992), Advertising Principles and Practices, 2. Edition, Englewood Cliffs, NJ: Prentice-Hall. Wernerfelt, B. (1984), A Resource-Based View of the Firm, Strategic Management Journal, Vol. 5, No. 2, 171–180. — (1995), The Resourced-Based View of the Firm: Ten Years After, Strategic Management Journal, Vol. 16, 153–174. Wernerfelt, B./Montgomery, C. A. (1988), Tobin’s Q and the Importance of Focus in Firm Performance, American Economic Review, Vol. 78, 246–250. White, J. B./Miles, M. P. (1998), The Managerial Imperative of Evaluating Non-Capital Expenditures Within a Capital Budgeting Context, Journal of Financial and Strategic Decisions, Vol. 11, No. 2, 61–66. Wiesel, T./Skiera, B. (2005), Linking Customer Metrics to Shareholder Value for Firms with Contractual Relationships, ISBM Working Paper, Penn State University. Wolfrum, B. (1994), Strategisches Technologiemanagement, 2. Auflage, Wiesbaden: Gabler. Wuyts, S./Stremersch, S./Dutta, S. (2004), Portfolios of Interfirm Agreements in TechnologyIntensive Markets: Consequences for Innovation and Profitability, Journal of Marketing, Vol. 68, No. 2, 88–90. Zhang, S./Markman, A. B. (1998), Overcoming the Early Entrant Advantage: The Role of Alignable and Non-Alignable Differences, Journal of Marketing Research, Vol. 35, 413–426. Zinkhan, G. M./Cheng, A. (1992), Marketing Communication Intensity Across Industries, Decision Sciences, Vol. 23, No. 3, 758–69.

Stichwortverzeichnis Autoregressive Effekte 100, 109 Brancheneffekte 54, 60 Compustat Datenbank 127 Distributionskanalwert 68 Einzelgleichungsmodelle 89 ff. Erzeugerpreisindex 143 Fähigkeiten 51 ff. F&E 25 ff., 57, 113 ff., 166 F&E-Ausgaben 20 ff., 112 ff. F&E-Elastizität 31 F&E-Investitionen 22 ff., 62 ff., 71 ff. F&E-Rendite 33 F&F-Intensität 140 Fixed-Effects-Modelle 94, 99, 101 Gewinnspanne 139 Heterogenität 56 Immaterielle Ressourcen 48 Individualeffekte 91, 100 Industrieökonomische Theorie 26 ff. Innovation 25, 35, 38 Intangibles 79 ff. Kausalanalyse 87 Kostenfunktion 29 Kundenwert 67 LISREL-Ansatz 87

Markenwert 65 f. Market-based Assets 60 ff. Marketing 25 ff., 119 ff., 166 Marketingausgaben 20 ff., 112 ff. Marketingintensität 141 Marketinginvestitionen 22 ff., 62 ff., 71 ff. Marketing-Mix 124 Mehrgleichungsmodelle 103 ff. Neuproduktentwicklung 37, 51 ff., 63 Panelmodelle 84 Produktionsfunktion 29 Produktqualität 167 Random-Effects-Modelle 91, 96 ff., 101 Ressourcen 47 ff. Ressourcenorientierter Ansatz 45 ff. Return on Investment 168 Spieltheorie 36 Structure-Conduct-Performance Paradigma 26 f. Strukturgleichungsmodelle 83 Unternehmensdaten 125 ff. Unternehmenseffekte 53, 60 Unternehmensgröße 142 Vertriebsintensität 157 Vertriebsorgane 122 Verwertungsunsicherheit 37 Werbeintensität 156 Wettbewerbsvorteil 48