Advertisement

Ermittlungsmodelle und Bewertungsprobleme auf der Basis impliziter Wirkungsfunktionen

  • Bernd Volkmann
Part of the Betriebswirtschaftliche Forschung zur Unternehmensführung book series (BFU, volume 15)

Zusammenfassung

Das vorangehende Kapitel zeichnet sich durch die Verwendung von Marktwirkungsfunktionen aus. Die Aktionsparameter des Produzenten (Preisempfehlung und Handelsspanne) werden als unabhängige Variable in geeigneter Weise funktional verknüpft und bestimmen die abhängige oder Prognose-Variable, nämlich die Absatzmenge. Die Funktion dient zunächst der Vorhersage der auf dem Konsumgütermarkt als mit besonderer Unsicherheit behaftet angesehenen Absatzmenge. Erklärt die Funktion das Zusammenwirken der Variablen in plausibler Weise, so ist ihre Validität durch ökonometrische Schätzung der Parameter zu prüfen. Da diese Schätzung ausschließlich auf Vergangenheitsdaten basiert, wird vorgeschlagen, zusätzlich weitere Parametersätze subjektiv zu prognostizieren, um eine bereits im Planungszeitpunkt abzusehende positive oder negative Marktentwicklung in der Planung antizipieren zu können. Eine Beschränkung auf drei Parametersätze (optimistisch, mittel, pessimistisch) wird als ausreichend angesehen, um die Auswirkungen von Preis und Handelsspanne auf die Absatzmenge bei Datenunsicherheit zu erfassen.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. 1).
    Vgl. U.E. Neumann, Kurzfristige Absatzplanung, Bochum 1974, S. 68.f und S. 161.Google Scholar
  2. 1).
    Vgl. E. Kofler, Entscheidungen bei teilweise bekannter bekannter Verteilung der Zustände, in: ZfOR Bd. 18 (1974), S. 141–157Google Scholar
  3. 1a).
    E. Kofler und G. Menges, Entscheidungen bei unvollständiger Information, Berlin, Heidelberg, New York 1976, insbesondere S. 179 ff.Google Scholar
  4. 2).
    p steht für Wahrscheinlichkeit (probability).Google Scholar
  5. 3).
    Zur Behandlung schwacher Ordnungen vgl. auch P.C. Fishburn, Analysis of Decisions with incomplete Knowledge of Probabilities, in: OR Vol. 13 (1965), S. 217–237.Google Scholar
  6. 4).
    Mit Intervallangaben befassen sich P.C. Fishburn, A.H. Murphy und H.H. Isaacs, Sensitivity of Decisions to Probability Estimation Errors: A Reexamination, in: OR Vol. 16 (1968; S. 254–267Google Scholar
  7. 4a).
    R. Karrenberg, Anwendungsorientierte Erweiterungen der linearen Optimierung, Diss. Hamburg 1973, insbesondere S. 184 ffGoogle Scholar
  8. 4b).
    E. Kofler, Konfidenzinter-valle in Entscheidungen bei Ungewißheit, in: Statistische Hefte Jg. 17 (1976), S. 2–20Google Scholar
  9. 4c).
    E. Kofler, Taking into Account Confidence Measures in the Valuation of Statistical Inferences, in: Statistische Hefte Jg. 18 (1977), S. 70–82Google Scholar
  10. 4d).
    H. Jacob und R. Karrenberg, Die Bedeutung von Wahrscheinlichkeitsintervallen für die Planung bei Unsicherheit, in: ZfB Jg. 47 (1977), S. 673–696Google Scholar
  11. 4e).
    D. Schneider, Meßbarkeitsstufen subjektiver Wahrscheinlichkeiten als Erscheinungsformen der Ungewißheit, in: ZfbF Jg. 31 (1979), S. 89–122, hier S. 120 ff.Google Scholar
  12. 1).
    Vgl. E. Kofler und G. Menges, a.a.O., S. 92.Google Scholar
  13. 2).
    Vgl. E. Kofler und G. Menges, a.a.O., S. 93 ff.Google Scholar
  14. 1).
    Zum Beweis siehe E. Kofler und G. Menges, a.a.O., S. 180 ff.Google Scholar
  15. 2).
    Vgl. E.Kofler und G. Menges, a.a.O., S. 185.Google Scholar
  16. 1).
    Vgl. H. Jacob und R. Karrenberg, a.a.O., S. 676 f.Google Scholar
  17. 2).
    Vgl. E. Kofler und G. Menges, a.a.O., S. 186 ff.Google Scholar
  18. 1).
    Lies: Die Zustandswahrscheinlichkeit von Umweltsituation I ist mindestens ebenso groß wie diejenige der Situation II oder III. Für die Wahrscheinlichkeiten der Zustände II und III bleibt die Relation offen, während die Wahrscheinlichkeiten der Situationen II und III (und damit auch I) mindestens so groß sind wie diejenige des Zustands IV.Google Scholar
  19. 1).
    Vgl. E. Kofler, Entscheidungen bei teilweise bekannter Verteilung der Zustände, in: ZfOR Bd. 18 (1974), S. 141–157, hier S. 149 f.Google Scholar
  20. 1).
    D. Schneider, Meßbarkeitsstufen subjektiver Wahrscheinlichkeiten als Erscheinungsform der Ungewißheit, in: ZfbF Jg. 31 (1979), S. 89–122, spricht von “hyperordinalen” Wahrscheinlichkeiten, vgl. S. 118.Google Scholar
  21. 1).
    Vgl. K.H. Borch, Wirtschaftliches Verhalten bei Unsicherheit, Wien, München 1969, S. 125 ff.Google Scholar
  22. 2).
    Vgl. G. Bamberg und A.G. Coenenberg, a.a.O., S. 78 ff.Google Scholar
  23. 1).
    Vgl. zu Folgendem E. Kofler und G. Menges, a.a.O., S. 138 ff; siehe auch H. Jacob und R. Karrenberg, a.a.O., S. 685 f.Google Scholar
  24. 2).
    E. Kofler und G. Menges, a.a.O., S. 140.Google Scholar
  25. 1) Da in diesem Zusammenhang das Schwergewicht der Darstellung auf den Verarbeitungsmöglichkeiten der LPI liegt, wird auf die Erstellung eines expliziten Modells verzichtet (siehe Tabelle 6). Vgl. zur Abgrenzung von implizitem zu explizitem Modell P. Hammann und H. Hoebel, Models in Management: Some Comments and Conclusions, in: MIR Vol. 15 (1975), S. 29–34.Google Scholar
  26. 1).
    Vgl. S. 209.Google Scholar
  27. 2).
    Vgl. E. Kofler und G. Menges, a.a.O., S. 192 ff.Google Scholar
  28. 1).
    Vgl. z.B. M.L. Balinski, An Algorithm for Finding all Vertices of Convex Polyhedral Sets, in: Journal of the Society for Industrial and Applied Mathematics Vol. 9 (1961), S. 72–88.Google Scholar
  29. 1).
    Vgl. M.D. Intriligator, Mathematical Optimization and Economic Theory, London 1971, S. 128 ff.Google Scholar
  30. 1).
    Hierzu stand dem Verfasser die Routine KREINV der Programm bibliothek des Instituts für Unternehmensforschung der Universität Hamburg zur Verfügung.Google Scholar
  31. 2).
    Voraussetzung ist eine kardinale Nutzenfunktion.Google Scholar
  32. 1).
    Vgl. L. Hurwicz, Optimality Criteria for Decision Making under Ignorance, Cowles Commission Discussion Paper, Statistics, Nr. 370, 1951.Google Scholar
  33. 2).
    Vgl. W. Dinkelbach, Sensitivitätsanalysen und parametrische Programmierung, Berlin, Heidelberg, New York 1969.S. 165 ff.Google Scholar
  34. 3).
    Vgl. E. Kofler und G. Menges, a.a.O., S. 198.Google Scholar
  35. 1).
    In die Bewertung dürfen nur die Aktionen eingehen, welche bezüglich der Nutzen in Matrix 14 effizient sind, da zu-standsdominierte Alternativen nach dem HURWICZ-Kriterium gleichwertig der sie dominierenden Aktion sein können. Der Grund liegt in der Beschränkung auf Z1 und Z2. Beispiel:Google Scholar
  36. 1).
    Vgl. auch D. Schneider, Meßbarkeitsstufen subjektiver Wahrscheinlichkeiten als Erscheinungsform der Ungewißheit, in: ZfbF Jg. 31 (1979), S. 89–122, hier S. 120 ff.Google Scholar
  37. 1).
    Vgl. P. Hammann und H. Hoebel, a.a.O., S. 31 ff. Der Terminus explizites Modell bedeutet nicht, daß explizite Wirkungsfunktionen Verwendung finden (vgl. Tabelle 6).Google Scholar
  38. 2).
    Vgl. E. Kolfer und G. Menges, a.a.O., S. 96.Google Scholar
  39. 1).
    Handelt es sich um eine Mehrproduktunternehmung, so können Verbundwirkungen substitutiver und/oder komplementärer Art zwischen den Produkten auftreten. Auf eine Berücksichtigung dieses Gesichtspunktes muß verzichtet werden.Google Scholar
  40. 2).
    Vgl. H. Jacob, Die Planung des Produktions- und des Absatzprogramms, in: Industriebetriebslehre, Band II, Planung und Planungsrechnungen, Hrsg.: H. Jacob, Wiesbaden 1972, S. 39–259, hier S. 124 ff.Google Scholar
  41. 1).
    Vgl. P. Weinberg und E. Zwicker, Ansatzpunkte zur Messung und interaktionstheoretischen Interpretation der Macht, dargestellt an Machtbeziehungen in Absatzwegen, in: Konsumentenverhalten und Marketing, Hrsg.: W. Kroeber-Riel, Opladen 1973, S. 125–136.Google Scholar
  42. 2).
    Vgl. H. Stranz, Entwicklung und Auswirkungen der Nachfragemacht des Handels, in: JfAuV Jg. 23 (1977), S. 320–336.Google Scholar
  43. 3).
    Vgl. zu dieser Betrachtungsweise P. Hansen, Die handels-gerichtete Absatzpolitik der Hersteller im Wettbewerb um den Regalplatz, Berlin 1972.Google Scholar
  44. 4.)
    Vgl. H.-O. Schenk, Theorie und Ideologie der Nachfragemacht des Handels, in: WuW Jg. 24 (1971), S. 149–160.Google Scholar
  45. 1).
    Durch die Prognose von Punktwahrscheinlichkeiten fällt zwar die Ermittlung großer Extremalpunkte-Matrizen fort, die Anzahl der Umweltsituationen ist jedoch bei detaillierter Erfassung der unsicheren Gewinneinflußgrößen genauso hoch wie im Falle linearer partieller Information.Google Scholar
  46. 2).
    Vgl. D.B. Hertz, Risk Analysis in Capital Investment, in: HBR Vol. 42 (1964), S. 95–106Google Scholar
  47. 2a).
    im folgenden wird aus der deutschen Übersetzung zitiert: D.B. Hertz, Risiko-Analyse bei Kapitalanlagen, in: Fortschrittliche Betriebsführung Jg. 13 (1964), S. 107–117, im folgenden zitiert als: Risiko-Analyse.Google Scholar
  48. 1).
    Vgl. D.B. Hertz, Investment Policies That Pay Off, in: HBR Vol. 46 (1968), S. 96–108Google Scholar
  49. 1a).
    R.G. Salazar und S.K. Sen, A Simulation Model of Capital Budgeting under Uncertainty, in: MS Vol. 15 (1968), S. B-161–B-179;Google Scholar
  50. 1b).
    A. Mirani und H. Schmidt, Investitionsrechnung bei unsicheren Erwartungen, in: Das Rechnungswesen als Instrument der Unternehmensführung, Hrsg.: A. Busse von Colbe, Bielefeld 1969, S. 123–136Google Scholar
  51. 1c).
    H.v. Falkenhausen, Risikomodelle für Investitionsentscheidungen, Zusammenfassung eines Vortrages vom 28. April 1971Google Scholar
  52. 1d).
    G. Diruf, Die quantitative Risikoanalyse. Ein OR-Verfahren zur Beurteilung von Investitionsprojekten, in: ZfB Jg. 4–2 (1972), S. 821–832Google Scholar
  53. 1e).
    L. Kryzanowski, P. Lusztig und B. Schwab, Monte Carlo Simulation and Capital Expenditure — A Case Study, in: The Engineering Economist Vol. 18 (1972), S. 31–4–8Google Scholar
  54. 1f).
    E. Rühli, Zur Anwendung der Simulationstechnik in der Investitionsrechnung, in: WiSt Jg. 1 (1972), S. 202–206Google Scholar
  55. 1g).
    P.H. Emmert, Die Planung und Beurteilung von Investitionsvorhaben in einem Mensch-Maschinen-Kommunikationssystem, Diss. Erlangen-Nürnberg 1974–5Google Scholar
  56. 1h).
    O.L. Adelberger, Zur Praxis der berechnungsexperimentellen Risikoanalyse von Investitionsprojekten, in: WiSt Jg. 4 (1975), S. 1–5, S. 24–29, S. 76–81Google Scholar
  57. 1i).
    G. Heselich, Die Risikosimulation im Dienste der Investitionsplanung, Bochum 1975Google Scholar
  58. 1k).
    H. Blohm und K. Lüder, Investition, 4. Auflage, München 1978, insbesondere S. 196 ffGoogle Scholar
  59. 1l).
    L. Kruschwitz, Investitionsrechnung, Berlin, New York 1978, insbesondere S. 251 ffGoogle Scholar
  60. 1m).
    K. Lüder, Risikoanalyse bei Investitionsentscheidungen, in: angewandte planung Bd. 3 (1979), S. 224–233Google Scholar
  61. 1n).
    M. Perlitz, Risikoanalyse für Investitionsentscheidungen, in: ZfbF-Kontaktstudium Jg. 31 (1979), S. 41–49.Google Scholar
  62. 2).
    Vgl. E.A. Pessemier, New-Product Decisions: An Analytical Approach, New York, St. Louis, San Francisco, Toronto, London, Sydney 1966Google Scholar
  63. 2a).
    H. Müller-Merbach, Operations-Research-Fibel für Manager, München 1970, S. 56 ff.Google Scholar
  64. 3).
    Vgl. A.G. Coenenberg, Unternehmungsbewertung mit Hilfe der Monte-Carlo-Simulation, in: ZfB Jg. 40 (1970), S. 793–804Google Scholar
  65. 3a).
    J. Krag, Die Berücksichtigung der Ungewiß-heit in der Unternehmungsbewertung mit Hilfe eines modifizierten Ertragswertkalküls, in: ZfB Jg. 4.8 (1978), S. 439–451.Google Scholar
  66. 4).
    Vgl. H. Müller-Merbach, Risiko-Analyse, in: Die neuen Methoden der Entscheidungsfindung, Hrsg.: G.W. Tumm, München 1972, S. 234–247Google Scholar
  67. 4a).
    B. Runzheimer, Operations Research II, Wiesbaden 1978, S. 58 ffGoogle Scholar
  68. 4b).
    H. Schinzer, Marketing- und Ergebnisplanung unter Risikobedingungen, in: Marketing, Hrsg.: L.G. Poth, Neuwied 1978Google Scholar
  69. 4c).
    P. Stahlknecht, Zielgrößenplanung für ein Unternehmen der Kosmetikbranche mit Risiko-Analyse, in: Fallstudien Operations Research, Band 1, Hrsg.: H. Späth, München, Wien 1978, S. 171–183Google Scholar
  70. 4d).
    H. Uebele und H. Peeters, Risikoanalyse mit Monte-Carlo-Simulation bei der Absatzplanung, DBW-Depot 79–2–6, Stuttgart 1978.Google Scholar
  71. 5).
    Vgl. B. Tietz, Marketing, Tübingen, Düsseldorf 1978, S. 325 ff.Google Scholar
  72. 6).
    Vgl. F. Edelmann, Art and Science of Competitive Bidding, in: HBR Vol. 43 (1965), S. 53–66.Google Scholar
  73. 1).
    Vgl. B.E. Turner, Die Risiko-Analyse als Entscheidungshilfe bei der betrieblichen Anwendung klassischer preistheoretischer Modelle, Bern, Frankfurt/M. 1972.Google Scholar
  74. 1).
    Vgl. E. Gutenberg, Der Absatz, a.a.O., S. 236 f.Google Scholar
  75. 2).
    Vgl. W. Küpper und P. Knoop. Investitionsplanung, in: Rationelle Betriebswirtschaft, Hrsg.: W. Müller und J. Krink, Neuwied, Berlin 1974, S. 219 ffGoogle Scholar
  76. 2a).
    V. Schindel, Risikoanalyse, München 1977, S. 33 ff und S. 135 ff.Google Scholar
  77. 3).
    Vgl. F.S. Hillier, The Derivation of Probabilistic Information for the Evaluation of Risky Investments, in: MS Vol. 9 (1963), S. 443–457.Google Scholar
  78. 4.)
    W. Küpper und P. Knoop, a.a.O., S. 235Google Scholar
  79. 1).
    Vgl. A. Marettek, Arbeitsschritte zur Durchführung der Risikoanalyse, in: angewandte planung Bd. 2 (1978), S. 141–151.Google Scholar
  80. 1).
    Zum Begriff der Modellhomomorphie vgl. D.W. Miller und M.K. Starr, Executive Decisions and Operations Research, 2. Auflage, Englewood Cliffs, New Jersey 1969, S. 233 ff.Google Scholar
  81. 1).
    D.B. Hertz, Risiko-Analyse, a.a.O., S. 112.Google Scholar
  82. 1).
    Vgl. A.-W. Scheer, Kosten- und kapazitätsorientierte Ersatzpolitik bei stochastisch ausfallenden Produktionsanlagen, Diss. Hamburg 1971, S. 25.Google Scholar
  83. 1).
    H. Teichmann, Die Investitionsentscheidung bei Unsicherheit, Berlin 1970, S. 49.Google Scholar
  84. 2).
    H. Jungermann, Rationale Entscheidungen, Bern, Stuttgart, Wien 1976, S. 77 ff.Google Scholar
  85. 1).
    Vgl. H. Jungermann, a.a.O., S. 62.Google Scholar
  86. 2).
    Vgl. R.A. Howard, Decision Analysis: Applied Decision Theory, in: Proceedings of the Fourth International Conference on Operational Research, Hrsg.: D.B. Hertz und J. Melese, New York, London, Sydney, Toronto 1966, S. 55–71Google Scholar
  87. 2a).
    C.-A. S. Staël von Holstein, Assessment and Evaluation of Subjective Probability Distributions, Stockholm 1970Google Scholar
  88. 2b).
    K. Brockhoff, On Determining Relative Values, in: ZfOR Bd. 16 (1972), S. 221–232;Google Scholar
  89. 2c).
    J.M. Hampton, P.G. Moore und H. Thomas, Subjective Probability and its Measurement, in: Journal of the Royal Statistical Society Vol. 136 (1973), S. 21–42Google Scholar
  90. 2d).
    R.V. Brown, A.S. Kahr und C. Peterson, Decision Analysis for the Manager, New York, Chicago, San Francisco, Atlanta, Dallas, Montreal, Toronto, London, Sydney 1974, S. 164 ffGoogle Scholar
  91. 2e).
    R.V. Brown, A.S. Kahr und C. Peterson, Decision Analysis for the Manager, New York, Chicago, San Francisco, Atlanta, Dallas, Montreal, Toronto, London, Sydney 1974, S. 450 ffGoogle Scholar
  92. 2f).
    H.-W. Gottinger, Subjektive Wahrscheinlichkeiten, Göttingen 1974Google Scholar
  93. 2g).
    G.P. Huber, Methods for Quantifying Subjective Probabilities and Multi-Attribute Utilities, in: Decision Sciences Vol. 5 (1974), S. 430–458Google Scholar
  94. 2h).
    R.M. Hogarth, Cognitive Processes and the Assessment of Subjective Probability Distributions, in: JASA Vol. 70 (1975), S. 271–289Google Scholar
  95. 2i).
    CS. Spetzler und C.-A. S. Staël von Holstein, Probability Encoding in Decision Analysis, in: MS Vol. 22 (1975), S. 340–35Google Scholar
  96. 2k).
    R.E. Schaefer, Probabi-listische Informationsverarbeitung — Theorie, Methoden und ein Experiment, Bern, Suttgart, Wien 1976Google Scholar
  97. 2l).
    G.J. Schick und C.-Y. Lin, Decision Making with the Aid of a Subjective Prior Distribution, in: Proceedings in OR 6, Hrsg.: H.N. Dathe, P. Mertens, F.D. Peschanel, H. Späth und H.-J. Zimmermann, Würzburg, Wien 1976, S. 164–181;Google Scholar
  98. 2m).
    H.-C. Pfohl, Messung subjektiver Wahrscheinlichkeiten, in: Wirtschaftliche Meßprobleme, Hrsg.: H.-C. Pfohl und B. Rürup, Köln 1977, S. 23–35Google Scholar
  99. 2n).
    R. Abt, M. Borja, M.M. Menke und J.P. Pezier, The Dangerous Quest for Certainty in Market Forecasting, in: LRP Vol. 12 (1979), S. 52–62Google Scholar
  100. 2o).
    G. Haedrich, H. Kleinert, A. Kuß und P. Naeve, Untersuchungen zum subjektiven Schätzvermögen des Managers, in: DBW Jg. 39 (1979), S. 431–442.Google Scholar
  101. 1).
    H. Hax, Entscheidungsmodelle in der Unternehmung, Reinbek 1974, S. 45.Google Scholar
  102. 2) Vgl. H.-C. Pfohl, a.a.O., S. 27.Google Scholar
  103. 3).
    Vgl. C.S. Spetzler und C.-A. S. Staël von Holstein, a.a.O., S. 348 f.Google Scholar
  104. 1).
    Vgl. R.Y. Brown et al., a.a.O., S. 164 ff.Google Scholar
  105. 2).
    Vgl. C.S. Spetzler und C.-A. S. Staël von Holstein, a.a.O., S. 350 f und R.V. Brown et al., a.a.O., S. 453 ff.Google Scholar
  106. 1).
    Vgl. C.S. Spetzler und C.-A. S. Staël von Holstein, a.a.O., S. 351.Google Scholar
  107. 2).
    Vgl. L. Kryzanowski et al., a.a.O., S. 35 ff.Google Scholar
  108. 1).
    Vgl. G.J. Schick und C.-Y. Lin, a.a.O., S. 169 ff.Google Scholar
  109. 1).
    Vgl. C.S. Spetzler und C.-A. S. Staël von Holstein, a.a.O., S. 345.Google Scholar
  110. 2).
    Vgl. R.E. Schaefer, a.a.O., S. 183 ff.Google Scholar
  111. 3).
    Vgl. R.E. Schaefer, a.a.O., S. 186. 4) Vgl. H.-C. Pfohl, a.a.O., S. 30.Google Scholar
  112. 1).
    R.E. Schaefer, a.a.O., S. 183.Google Scholar
  113. 2).
    G.P. Huber, a.a.O., S. 442Google Scholar
  114. 1).
    R.V. Brown et al., a.a.O., S. 450 ff geben ein anschauliches Beispiel.Google Scholar
  115. 1).
    Vgl. R.L. Winkler, The Consensus of Subjective Probability Distributions, in: MS Vol. 15 (1968), S. B-61–B-75, hier S. 63 ff.Google Scholar
  116. 1).
    Vgl. H. Albach, Informationsgewinnung durch strukturierte Gruppenbefragung, in: ZfB Jg. 40 (1970), Ergänzungsheft, S. 11–26Google Scholar
  117. 1a).
    P. Oertli-Cajacob, Praktische Wirtschaftskybernetik, München, Wien 1977, S. 173 ffGoogle Scholar
  118. 1b).
    K. Brockhoff, Delphi-Prognosen im Computer-Dialog, Tübingen 1979.Google Scholar
  119. 2).
    D. Becker, Analyse der Delphi-Methode und Ansätze zu ihrer optimalen Gestaltung, Frankfurt/M., Zürich 1974, S. 7.Google Scholar
  120. 3).
    Vgl. P. Oertli-Cajacob, a.a.O., S. 174 f. 4) Vgl. D. Becker, a.a.O., S. 10.Google Scholar
  121. 5).
    Vgl. H. Albach, a.a.O., S. 21.Google Scholar
  122. 1).
    Vgl. L. Kryzanowski et al., a.a.O., S. 37.Google Scholar
  123. 2).
    Das Verfahren wird als System for Event Evaluation and Review (SEER) bezeichnet, vgl. H. Albach, a.a.O., S. 23 ff.Google Scholar
  124. 3).
    Vgl. V. Schindel, a.a.O., S. 126.Google Scholar
  125. 1).
    Vgl. Abschnitt III.3.d) dieses Kapitels.Google Scholar
  126. 1) W. Krelle, Preistheorie, Tübingen, Zürich 1961, S. 614.Google Scholar
  127. 2).
    Vgl. aber Abschnitt IV. dieses Kapitels.Google Scholar
  128. 1).
    Zur Faltung vgl. A. Renyi, Wahrscheinlichkeitsrechnung, 4. Auflage-, Berlin 1973, S. 162 ffGoogle Scholar
  129. 1a).
    zur DV-teehnischen Realisierung vgl. H.-S. Klausmann, Risikoanalyse betrieblicher Kennzahlen durch direkte Berechnung ihrer Verteilungen, in: ZfOR Bd. 21 (1977), S. B61–B71.Google Scholar
  130. 2).
    Damit ist deutlich, daß die Lösung der Planungsprobleme mehrstufiger Entgeltpolitik mit Hilfe der RA nur rechnergestützt erfolgen kann.Google Scholar
  131. 1).
    Vgl. K. Bauknecht, J. Kohlas und C.A. Zehnder, Simulationstechnik, Berlin, Heidelberg, New York 1976, S. 57.Google Scholar
  132. 2).
    Vgl. S. Krüger, Simulation, Berlin, New York 1975, S. 107.Google Scholar
  133. 3).
    Vgl. H. Ellenberger, Grundlagen der Konstruktion und Auswertung von Simulationsmodellen für die betriebliche Entscheidungsvorbereitung, Diss. St. Gallen 1975, S. 82 ff.Google Scholar
  134. 4.)
    Zufallszahlengeneratoren führen immer zur Periodizität der Zahlenfolgen, da ein Algorithmus zugrunde liegt.Google Scholar
  135. 1).
    Vgl. J. Kohlas, Monte Carlo Simulation im Operations Research, Berlin, Heidelberg, New York 1972, S. 14 ff, im folgenden zitiert als: Monte Carlo Simulation.Google Scholar
  136. 1).
    Vgl. J. Kohlas, Stochastische Methoden des Operations Research, Stuttgart 1977, S. 157, im folgenden zitiert als: Stochastische Methoden.Google Scholar
  137. 2).
    Vgl. S. Krüger, a.a.O., S. 112 ff.Google Scholar
  138. 3).
    Dieses Verfahren wird in dem vom Verfasser entwickelten Computerprogramm verwendet.Google Scholar
  139. 1).
    A. Mirani und H. Schmidt, a.a.O., S. 130 f.Google Scholar
  140. 2).
    Z ist Zufallsvariable.Google Scholar
  141. 3).
    Vgl. H. Ellenberger, a.a.O., S. 176 ff und S. 199 ff.Google Scholar
  142. 4).
    Vgl. E. Kreyszig, a.a.O., S. 136 f.Google Scholar
  143. 1).
    Vgl. E. Kreyszig, a.a.O., S. 183.Google Scholar
  144. 2).
    Vgl. E. Kreyszig, a.a.O., S. 169 und S. 201.Google Scholar
  145. 1).
    Vgl. E. Kreyszig, a.a.O., S. 194 f; die Anzahl der Freiheitsgrade einer Zufallsgröße ist definiert durch die Zahl frei verfügbarer Beobachtungen: dem Stichprobenumfang N abzüglich der Anzahl aus der Stichprobe geschätzter Parameter.Google Scholar
  146. 2).
    Vgl. E. Kreyszig, a.a.O., S. 192.Google Scholar
  147. 1).
    Vgl. H. Ellenberger, a.a.O., S. 201 f und A. Marettek, a.a.O., S. 151.Google Scholar
  148. 2).
    In vielen Fällen ist das Abbruchkriterium nach zwei bis drei Durchgängen erfüllt.Google Scholar
  149. 1).
    Vgl. A. Marettek, a.a.O., S. 147 ff sowie M. Perlitz, a.a.O., S. 42.Google Scholar
  150. 1).
    Vgl. H. Schneeweiß, a.a.O., S. 57 ff.Google Scholar
  151. 2).
    C-1 bezeichnet die Umkehrfunktion von C.Google Scholar
  152. 3).
    Vgl. E. Kreyszig, a.a.O., S. 195 ff und S. 200 ff.Google Scholar
  153. 1).
    Vgl. L. Sachs, Angewandte Statistik, 4. Auflage, Berlin, Heidelberg, New York 1974, S. 252 ff.Google Scholar
  154. 2).
    Vgl. L. Sachs, a.a.O., S. 54.Google Scholar
  155. 3).
    Vgl. P.G. Hoel, Introduction to Mathematical Statistics, 4. Auflage, New York, London, Sydney, Toronto 1971, S. 324 ff.Google Scholar
  156. 4).
    Vgl. L. Sachs, a.a.O., S. 256 ff.Google Scholar
  157. 1).
    Vgl. E. Kreyszig, a.a.O., S. 404.Google Scholar
  158. 2).
    Vgl. L. Sachs, a.a.O., S. 256 f.Google Scholar
  159. 1).
    Vgl. D.B. Hertz, Risiko-Analyse, a.a.O., S. 115.Google Scholar
  160. 2).
    Vgl. R. Abt et al., a.a.O., S. 56 f.Google Scholar
  161. 3).
    Zu unterschiedlichen Quantiisdefinitionen siehe L. Sachs, a.a.O., S. 75.Google Scholar
  162. 4).
    Ebenso kann auch der Gewinnerwartungswert als Referenzgröße dienen.Google Scholar
  163. 5).
    Vgl. H.v. Falkenhausen, a.a.O., S. 3 und B.E. Turner, a.a.O., S. 114 ff.Google Scholar
  164. 1).
    Vgl. H. Ellenberger, a.a.O., S. 213 ff und S. 266 ff.Google Scholar
  165. 2).
    Zu einem sequentiellen Verfahren der Kombinationsauswahl bei unvollständiger Faktorenauslegung vgl. D.R. Williams und D.L. Weeks, A Technique for Designing and Augmenting Simulation Experiments, in: MS Vol. 20 (1974), S. 1385–13921) Vgl. B.E. Turner, a.a.O., S. 115 f.Google Scholar
  166. 1).
    Vgl. H. Schneeweiß, a.a.O., S. 39; G. Heselich, a.a.O., S. 96 ff.Google Scholar
  167. 1).
    Vgl. M. Bitz, Die Strukturierung ökonomischer Entscheidungsmodelle, Wiesbaden 1977, S. 393 ff.Google Scholar
  168. 2).
    Da die Absatzmenge als stetige Zufallsvariable (Polygonzug) behandelt wird, generiert jede Stichprobenziehung eine andere Umweltsituation.Google Scholar
  169. 1).
    SD1 impliziert eine nichtfallende Nutzenfunktion, vgl. G. Hanoch und H. Levy, The Efficiency Analysis of Choices Involving Risk, in: RES Vol. 36 (1969), S. 335–346, hier S. 336. Damit vereinbar sind insbesondere die Risikoeinstellungen von Wirtschaftssubjekten, nämlich Risikoneutralität und Risikoaversion.Google Scholar
  170. 2).
    Vgl. P.C. Fishburn und R.G. Vickson, Theoretical Foundations of Stochastic Dominance, in: Stochastic Dominance, Hrsg.: G.A. Whitmore und M.C. Findlay, Lexington (Mass.), Toronto 1978, S. 39–113, hier S. 64 ff.Google Scholar
  171. 3).
    Vgl. G. Hanoch und H. Levy, The Efficiency Analysis of Choices Involving Risk, in: RES Vol. 36 (1969), S. 335–346, hier S. 338.Google Scholar
  172. 4).
    Stochastische Dominanz vom Grad 2 impliziert eine nichtfallende, konkave .Nutzenfunktion und ist als Kriterium nur bei Risikoaversion einsetzbar, vgl. G. Hanoch und H. Levy, The Efficiency Analysis of Choices Involving Risk, in: RES Vol. 36 (1969), S. 335–346, hier S. 338.Google Scholar
  173. 5).
    Vgl. P.C. Fishburn und R.’G. Vickson, a.a.O., S. 66 ff.Google Scholar
  174. 1).
    Vgl. G. Hanoch und H. Levy, The Efficiency Analysis of Choices Involving Risk, in: RES Vol. 36 (1969), S. 335–346, hier S. 340.Google Scholar
  175. 2).
    Vgl. P.C. Fishburn und R.G. Vickson, a.a.O., S. 67 f.Google Scholar
  176. 1).
    Vgl. P.C. Fishburn und R.G. Vickson, a.a.O., S. 64. Die Beziehung ist nicht umkehrbar.Google Scholar
  177. 2).
    Vgl. die Arbeiten von D.B. Hertz, Risiko-Analyse, a.a.O.; B.E. Turner, a.a.O.; H. Blohm und K. Lüder, a.a.O.; A. Marettek, a.a.O.; M. Perlitz, a.a.O.; B. Runzheimer, a.a.O..Google Scholar
  178. 1).
    Vgl. G.A. Whitmore, Statistical Tests for Stochastic Dominance, in: Stochastic Dominance, Hrsg.: G.A. Whitmore und M.C. Findlay, Lexington (Mass.), Toronto 1978, S. S. 352–363.Google Scholar
  179. 2).
    Vgl. H. Büning und G. Trenkler, Nichtparametrische statistische Methoden, Berlin, New York 1978, S. 133 ff.Google Scholar
  180. 3).
    Vgl. G.A. Whitmore, a.a.O., S. 353. Die Testergebnisse gelten für F und C=1-F.Google Scholar
  181. 1).
    Vgl. G.A. Whitmore, a.a.O., S. 354 ff.Google Scholar
  182. 2).
    Vgl. G.A. Whitmore, a.a.O., S. 355 f und L. Sachs, a.a.O., S. 228. Zur Funktion h(α) vgl. S. 264. dieser Arbeit.Google Scholar
  183. 1).
    Zu diesem Zweck ist vom Verfasser das Programm KSTEST entwickelt worden.Google Scholar
  184. 2).
    (E-40) und (E-41) beziehen sich auf die Chancenprofile.Google Scholar
  185. 3).
    Vgl. L. Kruschwitz, a.a.O., S. 241 f.Google Scholar
  186. 1).
    Vgl. L. Sachs, a.a.O., S. 258 ff.Google Scholar
  187. 1).
    Im Sinne der axiomatischen Begründung des Bernoulli-Prinzips; vgl. H. Schneeweiß, a.a.O., S. 73 ff.Google Scholar
  188. 2).
    Vgl. den Beweis für diskrete Verteilungen bei J. Hadar und W.R. Russell Rules for Ordering Uncertain Prospects, in: AER Vol. LIX (1969), S. 25–34, hier S. 27 ff.Google Scholar
  189. 1).
    Vgl. M.J. Beckmann und H.P. Künzi, Mathematik für Ökonomen I, Berlin, Heidelberg, New York 1969, S. 165 ff.Google Scholar
  190. 2).
    Bei beschränkten Nutzenfunktionen genügt es, daß die erste Ableitung im Gültigkeitsbereich positiv ist.Google Scholar
  191. 1).
    Vgl. H. Jacob, Flexibilität, a.a.O., S. 299 ff; H. Jacob unter Mitarbeit von W. Leber, Bernoulli-Prinzip und rationale Entscheidung bei Unsicherheit, in: ZfB Jg. 46 (1976), S. 177–204Google Scholar
  192. 1a).
    M. Bitz und M. Rogusch, Risiko-Nutzen, Geldnutzen und Risikoeinstellung, in: ZfB Jg. 46 (1976), S. 853–868Google Scholar
  193. 1b).
    W. Krelle, Einige Bemerkungen zu Jacobs und Lebers “Rationaler Entscheidung bei Unsicherheit”, in: ZfB Jg. 46 (1976), S. 522–523Google Scholar
  194. 1c).
    H. Jacob und W. Leber, Bernoulli-Prinzip und rationale Entscheidung bei Unsicherheit. Eine Erwiderung auf die Bemerkungen Krelles, in: ZfB Jg. 46 (1976), S. 831–834.Google Scholar
  195. 1d).
    W. Krelle, Replik, zur Erwiderung von Jacob und Leber auf meine Bemerkungen zu ihrem Artikel “Rationale Entscheidung bei Unsicherheit”, in: ZfB Jg. 48 (1978), S. 490–498Google Scholar
  196. 1e).
    H. Jacob unter Mitarbeit von W. Leber, Bernoulli-Prinzip und rationale Entscheidung bei Unsicherheit. Ergänzung und Weiterführung, in: ZfB Jg. 48 (1978), S. 978–993Google Scholar
  197. 1f).
    A. Hieronimus, Einbeziehung subjektiver Risikoeinstellungen in Entscheidungsmodelle, Thun, Frankfurt/M. 1979.Google Scholar
  198. 2).
    Vgl. H. Jacob unter Mitarbeit von W. Leber, Bernoulli-Prinzip und rationale Entscheidung bei Unsicherheit, in: ZfB Jg. 46 (1976), S. 177–204, hier S. 187.Google Scholar
  199. 3).
    Vgl. K.-W. Hansmann, Planung, a.a.O., S. 25.Google Scholar
  200. 4).
    Vgl. H. Schneeweiß, a.a.O., S. 74 ff.Google Scholar
  201. 1).
    Vgl. zusammenfassend H. Schneeweiß, a.a.O., S. 96 ff. Als Zielgröße wird der Periodengewinn G angenommen.Google Scholar
  202. 1).
    Vgl. H.M. Markowitz, Portfolio Selection. Efficient Diversification of Investments, Second printing, New Haven, London 1970, S. 282 ff.Google Scholar
  203. 2).
    Eine Diskussion der vorgeschlagenen Axiomensysteme überschreitet den Rahmen dieser Arbeit.Google Scholar
  204. 3).
    Vgl. J. Hadar und W.R. Russell, a.a.O., S. 25.Google Scholar
  205. 1).
    Vgl. W. Leber, Zur Rationalität von Entscheidungskriterien bei Unsicherheit, in: ZfB Jg. 45 (1975), S. 493–497, hier S. 496 f.Google Scholar
  206. 1).
    Vgl. W. Leber, a.a.O., S. 496 f. Dasselbe Ergebnis leiten bereits ab G. Hanoeh und H. Levy, Efficient Portfolio Selection with Quadratic and Cubic Utility, in: JoB Vol. 43 (1970), S. 181–189, hier S. 183.Google Scholar
  207. 2).
    Vgl. das Beispiel bei H. Jacob, Flexibilität, a.a.O., S. 311 f.Google Scholar
  208. 3).
    Vgl. W. Leber, a.a.O., S. 496 f.Google Scholar
  209. 1).
    Die Funktion der Indifferenzkurve ist: y = K — (K2-a2-Ψ)Google Scholar
  210. 2).
    Ebenso kann eine nichtlinearer Verlauf, z.B. µ = (σ2)r mit r<1, untersucht werden. Dies ändert am grundsätzlichen Ergebnis nichts.Google Scholar
  211. 1).
    Damit ist ein Gleichungssystem zur Bestimmung der beiden Variablen µ und σ2 gegeben, g bezeichnet den Steigungsparameter der Effizienzlinie.Google Scholar
  212. 2).
    Vgl. H. Schneeweiß, a.a.O., S. 146 ff sowie K.H. Borch, a.a.O., S. 67 f.Google Scholar
  213. 3).
    Vgl. N. Heuberger, Der computergestützte Aufbau von Nutzenfunktionen in Risikoentscheidungsproblemen mit mehrfacher Zielsetzung, Diss. St. Gallen 1977.Google Scholar
  214. 1).
    Unabhängig davon, daß aufgrund der Ergebnisse des KS-Tests nur die Präferenzindizes von stochastisch effizienten Alternativen verglichen werden, kann auch für diese Funktion eine Ungleichung abgeleitet werden, deren Einhaltung aufgrund der gewählten Parameter eine Verletzung des Dominanzprinzips ausschließt: -d/(b+2·c·u) ≦ 0. 5· (K-µ1). Bei Risikaversion ist d<0, daher die Steigung der Indifferenzkurven positiv.Google Scholar
  215. 2).
    Für risikoaverses Verhalten gelten die Indifferenzkurven links von ihrem Scheitel.Google Scholar
  216. 3).
    Vgl. G. Bolenz, Entwicklung dynamischer Entscheidungsmodelle, in: Dynamische ökonomische Systeme, Hrsg.: S. Stöppler, Wiesbaden 1979, S. 67 ff, hier S. 79 f.Google Scholar
  217. 1).
    Vgl. H.M. Markowitz, Portfolio Selection. Efficient Diversification of Investments, Second printing, New Haven, London 1970, S. 188 ff.Google Scholar
  218. 2).
    Vgl. H. Schneeweiß, a.a.O., S. 56 und S. 111 ff.Google Scholar
  219. 3).
    Vgl. H. Schneeweiß, a.a.O., S. 100 f und D. Schneider, Investition und Finanzierung, 3. Auflage, Opladen 1974, S. 147 ff.Google Scholar
  220. 1).
    Vgl. H. Schneeweiß, a.a.O., S. 111 ff.Google Scholar
  221. 2).
    Es wird auch für Nutzenfunktionen in Abhängigkeit einer kritischen Ergebnisgröße r (z.B. Gewinnerwartungswert oder Nullgewinn) versucht, unterschiedlich starke Risikoneigungen für Realisationen ≷r zu berücksichtigen. Vgl. C.S. Spetzler, The Development of a Corporate Risk Policy for Capital Investment Decisions, in: IEEE Transactions on Systems Science and Cybernetics Vol. SSC-4. (1968), S. 279–300Google Scholar
  222. 2a).
    F.S. Hillier, A basic approach to the evaluation of risky interrelated investments, in: Studies in Budgeting, Hrsg.: R.F. Byrne, A. Charnes, W.W. Cooper, O.A. Davis und D. Gilford, Amsterdam, London, New York 1971, S. 3 ff; H. Jacob, Diversifikation, a.a.O., S. 43 ff.Google Scholar
  223. 3).
    Vgl. W.-R. Bretzke, a.a.O., S. 225.Google Scholar
  224. 4).
    H. Jacob, Diversifikation, a.a.O., S. 44.Google Scholar
  225. 1).
    Vgl. H.-J. Golling, Der Wahrscheinlichkeitsbegriff des Managers und sein Entscheidungsverhalten bei Problemen mit unsicheren Zukunftserwartungen, Arbeitsbericht Technische Hochschule Darmstadt 1977Google Scholar
  226. 1a).
    H. Müller-Merbach und H.-J. Golling, Die Rolle von Wahrscheinlichkeitsverteilungen in Entscheidungsprozessen, in: Neuere Entwicklungen in den Wirtschaftswissenschaften, Schriften des Vereins für Socialpolitik, Neue Folge Bd. 98, Hrsg.: E. Helmstädter, Berlin 1978, S. 413–430.Google Scholar
  227. 2).
    Vgl. H.-J. Golling, a.a.O., S. U.Google Scholar
  228. 3).
    Sicher kann dies Ergebnis nicht verallgemeinert werden. Es gibt jedoch einen groben Anhalt zur Einschätzung der Situation.Google Scholar
  229. 4).
    Vgl. H.-J. Golling, a.a.O., S. 31 sowie H. Müller-Merbach und H.-J. Golling, a.a.O., S. 424. ff.Google Scholar
  230. 5).
    Vgl. H.-J. Golling, a.a.O., S. 32 f.Google Scholar
  231. 1).
    Vgl. L. Kryzanowski et al., a.a.O., S. 35 ff.Google Scholar
  232. 2).
    Vgl. Abschnitt III.3.b)bb) dieses Kapitels.Google Scholar
  233. 3).
    Vgl. R. Köhler und H. Uebele, Planung und Entscheidung im Absatzbereich industrieller Großunternehmen, Arbeitsbericht Nr. 77/9 des Instituts für Wirtschaftswissenschaften, Rheinisch-Westfälische Technische Hochschule Aachen, Aachen 1977, S. 118.Google Scholar
  234. 4).
    Vgl. R. Köhler und H. Uebele, a.a.O., S. 134Google Scholar
  235. 5).
    Vgl. R. Köhler und H. Uebele, a.a.O., S. 120 f.Google Scholar
  236. 1).
    Vgl. R. Köhler und H. Uebele, a.a.O., S. 145.Google Scholar
  237. 2).
    Vgl. R. Köhler und H. Uebele, a.a.O., S. 87 f.Google Scholar
  238. 1).
    Beispiel: Markenartikel der Nahrungsmittelbranche werden über den Lebensmitteleinzelhandel sowie die entsprechenden Abteilungen von Warenhäusern und SB-Märkten abgesetzt.Google Scholar
  239. 1).
    Dies ist eine Zeitspanne, die bei Markenartikelherstellern beobachtet werden kann.Google Scholar
  240. 1).
    Zur Berücksichtigung preisaggressiven Verhaltens des Handels und einer differenzierten Erfassung der Handelsstufe vgl. Abschnitt IV.2. und IV.3. dieses Kapitels.Google Scholar
  241. 1).
    Außenumsatz = PL·x(PL,DL).Google Scholar
  242. 2).
    Vgl. H. Blohm und K. Luder, a.a.O., S. 207 f.Google Scholar
  243. 1).
    Vgl. E. Gutenberg, Der Absatz, a.a.O., S. 192 und S. 24.0 ff.Google Scholar
  244. 2).
    Unterscheidet sich im Grenzfall bei derselben Handelsspanne die Preisempfehlung um einen Pfennig, so wird kaum eine veränderte Mengenverteilung prognostiziert werden können.Google Scholar
  245. 1).
    Da die stochastischen Abhängigkeiten in den bedingten Verteilungen berücksichtigt sind, ist es korrekt, die zu jeder Alternative gehörenden Verteilungen von Nachfragemenge und Kostenarten wie unabhängige zu behandeln. Innerhalb eines solchen Verteilungssatzes sind je Alternative alle Kombinationen von Ausprägungen zulässig.Google Scholar
  246. 1).
    Um den Erwartungswert der Absatzmenge zu errechnen, werden approximativ die Klassenmitten benutzt.Google Scholar
  247. 1).
    Die Absatzmengenrealisation ist durch lineare Interpolation im Tntervall 90000–95000 berechnet worden.Google Scholar
  248. 1).
    Die Kreuze markieren die Aktion, welche bezüglich einer Maßzahl den vorteilhaftesten Wert aufweist.Google Scholar
  249. 1).
    Vgl. A.D. Roy, Safety First and the Holding of Assets, in: Econometrica Vol. 20 (1952), S. 431–449; H. Schneeweiß, a.a.O., S. 155 ff.Google Scholar
  250. 2).
    Die aus der Stichprobe gewonnenen Schätzungen für u und σ sind bei N = 4000 nach dem zentralen Grenzwertsatz asymptotisch normalverteilt; daher können Konfidenzintervalle bestimmt werden.Google Scholar
  251. 1).
    Verfahren der Intervallhalbierung.Google Scholar
  252. 1).
    Vgl. J. Hesselbach und L.M. Eisgruber, Betriebliche Entscheidungen mittels Simulation, Hamburg, Berlin 1967, S. 33 f.Google Scholar
  253. 1).
    e bezeichnet die Basis des natürlichen Logarithmus.Google Scholar
  254. 1).
    Wobei nicht bei allen Aktionen dieselben Faktoren kritisch sein müssen.Google Scholar
  255. 1).
    Zur Begrenzung des entgeltpolitischen Handlungsspielraums in bezug auf Mondpreisempfehlungen vgl. D.V..Google Scholar
  256. 2).
    Vgl. H. Steffenhagen, Konflikt und Kooperation in Absatzkanälen, Wiesbaden 1975, S. 77 ff.Google Scholar
  257. 3).
    Vgl. W. Kroeber-Riel und P. Weinberg, Konflikte in Absatzwegen als Folge inkonsistenter Präferenzen von Herstellern und Händlern, in: ZfB Jg. 42 (1972), S. 525–544.Google Scholar
  258. 1).
    Dies ist beispielsweise der Fall, wenn in einer Ortschaft nur ein Lebensmittelgeschäft anbietet.Google Scholar
  259. 2).
    Vgl. P. Theisen, Der Einfluß der Betriebsgröße auf die Preishöhe im Einzelhandel, in: ZfbF Jg. 16 (1964.), S. 504–525.Google Scholar
  260. 3).
    Vgl. P. Theisen, Der Einfluß der Betriebsgröße auf die Preishöhe im Einzelhandel, in: ZfbF Jg. 16 (1964), S. 504–525, hier S. 508 ff.Google Scholar
  261. 1).
    Vgl. J.J. Lambin, Advertising, Competition and Market Conduct in Oligopoly over Time, Amsterdam, Oxford, New York 1976, S. 101 ff.Google Scholar
  262. 2).
    Vgl. J. Starck, a.a.O., S. 49.Google Scholar
  263. 1).
    Absatzschwache Händler müßten eine höhere Handelsspanne erhalten.Google Scholar
  264. 2).
    Vgl. E. Batzer, E. Greipl und E. Singer, a.a.O., S. 128.Google Scholar
  265. 3).
    Quelle: E. Batzer, E. Greipl und E. Singer, a.a.O., S. 132.Google Scholar
  266. 1).
    Quelle: E. Batzer, E. Greipl und E. Singer, a.a.O., S. 47.Google Scholar
  267. 1).
    In diesem Fall ist eine Unterschreitung im Hinblick auf den Deckungsbeitrag sinnlos.Google Scholar
  268. 1).
    Vgl. W. Budach, Preispolitik und Nachfrage, Diss. Kiel 1975, S. 228 ff.Google Scholar
  269. 2).
    Vgl. H. Diller, Prädisposition und Differenzierung in Preisbeurteilungsprozessen von Letztverbrauchern, in: Der Markt, Nr. 61 (1977), S. 11–20, hier S. 14.Google Scholar
  270. 2a).
    Vgl. H. Diller, Der Preis als Qualitätsindikator, in: DBW Jg. 37 (1977), S. 219–234, hier S. 223.Google Scholar
  271. 2b).
    Vgl. H. Jacob, Preispolitik bei der Einführung neuer Erzeugnisse unter besonderer Beachtung dynamischer Aspekte, in: Zur Theorie des Absatzes, Hrsg.: H. Koch, Wiesbaden 1973, S. 131–173, hier S. 140.Google Scholar
  272. 1).
    Vgl. W. Budach, a.a.O., S. 197.Google Scholar
  273. 2).
    Die notwendigen Informationen liefert der Außendienst.Google Scholar
  274. 3).
    Vgl. E. Batzer, E. Greipl und E. Singer, a.a.O., S. 137.Google Scholar
  275. 1).
    Vgl. auch Arbeitskreis Hax der Schmalenbach-Gesellschaft, Der Preis als Instrument der Absatzpolitik, in: ZfbF Jg. 32 (1980), S. 701–720, hier S. 706.Google Scholar
  276. 1).
    Zur Bildung eines Wert-Preis-Index vgl. E.F. Salcher, Marktpsychologische Probleme der Preisgestaltung, in: Operationale Entscheidungshilfen für die Marketingplanung, Hrsg.: G. Haedrich, Berlin, New York 1977, S. 103–118, hier S. 110 ff.Google Scholar
  277. 1).
    Vgl. R.A. Peterson, The Price-Perceived Quality Relationship: Experimental Evidence, in: JoMR Vol. VII (1970), S. 525–528.Google Scholar
  278. 2).
    Zu einer empirischen Prüfung vgl. H. Diller, Preisinteresse und Informationsverhalten beim Einkauf dauerhafter Lebensmittel, in: Konsumentenverhalten und Information, Hrsg.: H. Meffert, H. Steffenhagen, H. Freter unter Mitarbeit von M. Bruhn, Wiesbaden 1979, S. 67–84, hier S. 76.Google Scholar
  279. 3).
    Vgl. F. Wimmer, Das Qualitätsurteil des Konsumenten, Bern, Frankfurt/M. 1975, S. 115 f.Google Scholar
  280. 1).
    Vrjl. H, Meffert und H. Steffenhagen, Marketing-Prognosemodolle, a.a.O., S. 191 f.Google Scholar
  281. 1).
    Vgl. H. Jacob, Preispolitik, a.a.O., S. 59 ff; R.A. Peterson, a.a.O., S. 527; K. Brockhoff und K.-P. Schutt, Preis-Absatz-Funktionen bei Idealpunkt-Präferenzen, in: ZfB Jg. 51 (1981), S. 258–273, hier S. 264 ff.Google Scholar
  282. 2).
    Zur übersichtlicheren Darstellung werden Dichten benutzt. Als Inputverteilungen für die RA können auch diskrete Verteilungen prognostiziert und ausgewertet werden.Google Scholar
  283. 3).
    Vgl. H. Simon, a.a.O., S. 34.Google Scholar
  284. 1).
    Vgl. H. Steffenhagen, Konflikt und Kooperation in Absatz-kanälen, Wiesbaden 1975, S. 99 ff.Google Scholar
  285. 1).
    Vgl. P. Schaal, Rabatt- und Konditionenpolitik, in: Marketing, Hrsg.: L.G. Poth, Neuwied 1978, S. 21 fGoogle Scholar
  286. 1a).
    P. Stahl und D. Schweisfurth, Rabattpolitik von Herstellerunternehmungen, Arbeitspapier Nr. 16 des Instituts für Marketing der Universität Münster, Münster 1978, hier S. 5.Google Scholar
  287. 1).
    Zum Rabattbewußtsein bei Umsatzrabatten vgl. W. Marmel, Mengenrabatte in der entscheidungsorientierten Erlösrechnung, Opladen 1974, S. 71 f.Google Scholar
  288. 2).
    Auch in Abschnitt V. des Kapitels D dieser Arbeit läßt sich ein Bonus einführen. Seine Wirkung schlägt sich in der Verteilung von ζ bzw. γ nieder. Eine erhöhte Preisloyalität führt zu insgesamt niedrigeren Ausprägungen ζ. bzw. γi. Insbesondere steigt die Wahrscheinlichkeit für die Einhaltung der Preisempfehlung seitens der Absatzmittler: p.(ζi bzw. γi. = 0, mit Bonus) > p.(ζi bzw. γi = 0, ohne Bonus).Google Scholar
  289. 3).
    Es handelt sich um das Nestlé-Cooperations-System (NCS), vgl. H.-J. Ulm, Preisstrategien aufgrund der Marktsegmentierung, Diss. Aachen 1978, S. 51.Google Scholar
  290. 1).
    Zur Erweiterung auf mehrere Kategorien vgl. Abschnitt IV.3.b) dieses Kapitels.Google Scholar
  291. 1).
    Bezüglich der Auswahl und Verbesserung von Rabattsätzen bei Mengenrabatten im Sinne der Zielsetzung von Anbieter und Abnehmer vgl. H. Meffert und A. Breitung, Mengenrabattpolitik, Ein Ansatz zur quantitativen Analyse rabattpolitischer Verhandlungen, in: Entscheidungshilfer im Marketing, Hrsg.: R. Köhler und H.-J. Zimmermann, Stuttgart 1977, S. 272–318, hier S. 304 ffGoogle Scholar
  292. 1a).
    A. Harder, Modelle für Bestellmengenrabatte, Diss. Münster 1980, S. 165 ff.Google Scholar
  293. 1).
    Vgl. P. Weinberg und E. Zwicker, a.a.O., S. 129.Google Scholar
  294. 2).
    Vgl. R.A. Dahl, The Concept of Power, in: Behavioral Science Bd. 2 (1957), S. 201–215Google Scholar
  295. 2a).
    J. Zeiger, Konzepte zur Messung der Macht, Berlin 1975, S. 93 ff.Google Scholar
  296. 1).
    Vgl. P. Stahl und D. Schwelsfurth, a.a.O..Google Scholar
  297. 2).
    Im Abgabepreis können Mengen- und Funktionsrabatte berücksichtigt werden, so daß auf die modellmäßige Erfassung durch Rabattsysteme verzichtet werden soll.Google Scholar
  298. 3).
    G.B. Zimmermann, Kundengruppen-Management, in: Marketing, Hrsg.: L.G. Poth, Neuwied 1978, hier S. 10.Google Scholar
  299. 1).
    Zahlenmaterial entnommen aus P. Stahl und D. Schweisfurth, Rabattpolitik von Herstellerunternehmungen, Arbeitspapier Nr. 16 des Instituts für Marketing der Universität Münster, Münster 1978, S. 17.Google Scholar
  300. 1).
    Vgl. G. Sandler, Account-Management in der Praxis, in: Marketing Jg. 2.(1980), S. 225–228, hier S. 226 f.Google Scholar
  301. 1).
    Vgl. E. Kreyszig, a.a.O., S. 152 ff.Google Scholar
  302. 2).
    Es ist vorauszusetzen, daß den Teilmarktgewinnen gemeinsame Inputgrößen zugrunde liegen bzw. daß zwischen den Input-größen stochastische Abhängigkeiten bestehen; vgl. K.J. Cohen und E.J. Elton, Inter-Temporal Portfolio Analysis based on Simulation of joint Returns, in: MS Vol. 14 (1967), S. 5–18, hier S. 8 f; H. Blohm und K. Lüder, a.a.O., S. 263 f.Google Scholar
  303. 1).
    J. Starck, a.a.O., S. 101.Google Scholar
  304. 1).
    Hingegen können Endverbraucherpreisempfehlungen im allgemeinen nur national einheitlich festgelegt werden.Google Scholar
  305. 2).
    Vgl. Abschnitt IV.2.e) dieses Kapitels.Google Scholar
  306. 3).
    Vgl. B. Tietz, Zum Problem des Diskriminierungsverbotes, in: ZfB Jg. 49 (1979), S. 435–450, hier S. 441.Google Scholar
  307. 4).
    In der Praxis ist nur eine geringe Neigung zu differenzierten Rabattsystemen zu beobachten; vgl. P. Stahl und D. Schweisfurth, a.a.O., S. 47 ff, nach deren Untersuchung etwa 7% der Hersteller, die unterschiedliche Kundengruppen beliefern, speziell zugeschnittene Rabattkombinationen vorsehen, vgl. S. 52.Google Scholar
  308. 1).
    Die Gesamtzahl der notwendigen Simulationen für alle Preis-Handelsspannen-Alternativen ist: Ω̅ = L̅·L̅.Google Scholar
  309. 1).
    Pr L’hn: realisierter Endverbraucherpreis bei Empfehlung PL und Bonusalternative L’ im Simulationslauf n auf Teilmarkt h.Google Scholar
  310. 1).
    vgl. A. Dreyer, Nutzwertanalyse als Entscheidungsmodell bei mehrfacher Zielsetzung, Diss. Hamburg 1975, S. 161 ff, insbesondere S. 170 ff.Google Scholar

Copyright information

© Betriebswirtschaftlicher Verlag Dr. Th. Gabler GmbH, Wiesbaden 1983

Authors and Affiliations

  • Bernd Volkmann

There are no affiliations available

Personalised recommendations