Advertisement

Bekannte Anwendungskonzepte und Aggregationsprinzipien für den Umgang mit Datenunsicherheit

  • Reinhart Schultz
Chapter
  • 28 Downloads
Part of the Betriebswirtschaftliche Forschung zur Unternehmensführung book series (BFU, volume 18)

Zusammenfassung

Eine Reihe bekannter Anwendungskonzepte und Aggregationsprinzipien für den Umgang mit Datenunsicherheit wird im folgenden in den bisher entwickelten Begriffsrahmen eingefügt. Bekannte Ergebnisformulierungen werden daraufhin analysiert, welcher Umgang mit Datenunsicherheit durch sie zum Ausdruck gebracht wird. Bei allem wird schließlich untersucht, an welchen Stellen die Setzung zusätzlicher Hypothesen erforderlich sein kann, wenn die Anwendungskonzepte und Aggregationsprinzipien für die Erarbeitung von Entscheidungsunterlagen herangezogen werden.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. 1).
    Siehe dazu HANSSMANN, F.: Quantitative Betriebswirtschaftslehre, München 1982, S. 107;Google Scholar
  2. 1a).
    HANSSMANN, F.: Die Rolle von Entscheidungsmodellen in der strategischen Planung, in MÜLLER-MERBACH, H. (Hrsg.): Quantitative Ansätze in der Betriebswirtschaftslehre, München 1978, S. 31–44. Zum Begriff der Robustheit siehe ferner ROSENHEAD, J.: Planning under Uncertainty: II. A Methodology for Robustness Analysis, J. Opl. Res. Soc. 1980, S. 331–341.Google Scholar
  3. 1).
    Vgl. z.B. DINKELBACH, W.: Sensitivitätsanalysen und parametrische Optimierung, Berlin 1969.CrossRefGoogle Scholar
  4. 1).
    Im folgenden wird also der Fall einer parametrisierten Darstellung von Planungsdaten betrachtet. Der Begriff der parametrischen Analyse ist freilich umfassender. Parametrische Analysen können auch im Zusammenhang mit der rein rechentechnischen Auswertung mathematischer Modelle benutzt werden (z.B. zur Ermittlung effizienter Lösungen, vgl. Abschnitt 2.2.4 und das Beispiel in Abschnitt 7.1).Google Scholar
  5. 1).
    Siehe dazu SCHNEIDER, E.: Wirtschaftlichkeitsrechnung, Theorie der Investition, 7. Aufl., Tübingen 1968, S. 63 ff.;Google Scholar
  6. 1a).
    KILGER, W.: Kritische Werte in der Investitions- und Wirtschaftlichkeitsrechnung, Z’fB 1965, S. 338–353.Google Scholar
  7. 1).
    Vgl. dazu z.B. GEOFFRION, A.M.: Stochastic programming with aspiration or fractile criteria, Management Science 1967, S. 672–679.Google Scholar
  8. 1).
    Vgl. dazu CHARNES, A. und COOPER, W.W.: Deterministic equivalents für optimizing and satisficing under chance constraints, Operations Research 1963, S. 18–39.Google Scholar
  9. 1).
    Vgl. dazu SCHULTZ, R.: Ordinale Wahrscheinlichkeitsurteile, Wahrscheinlichkeitsdominanz und die Anzahl verschiedener Umweltszenarien, ZfB 1986, S. 989–1001; siehe auch das Beispiel in Abschnitt 7.2.Google Scholar
  10. 2).
    Siehe z.B. HERTZ, D.B.: Risk-Analysis in Capital Investment, Harvard Business Review 1964, S. 95 ff.;Google Scholar
  11. 2a).
    HILLIER, F.S.: The Derivation of Probabilistic Information for the Evaluation of Risky Investments, Management Science 1963, S. 443 ff.;Google Scholar
  12. 2b).
    SCHULTZ, R.: Kapitalwertbezogene Risikoanalyse -Berechnung von Wahrscheinlichkeitsverteilungen mit Hilfe von Regressionsbeziehungen, ZfbF 1980, S. 430–441;Google Scholar
  13. 2c).
    RUHLAND, J.M. und K.D. WILDE: Identifikation strategischer Risikofaktoren bei Markteintrittsentscheidungen: Quantitative Risikoanalyse mit pfadsynthetischen Wirkmodellen, ZfB 1983, S. 1052–1063.Google Scholar
  14. 1).
    Vgl. dazu z.B. SCHNEEWEISS, H.: Entscheidungskriterien bei Risiko, Berlin 1967, S. 52 ff.;CrossRefGoogle Scholar
  15. 1a).
    JACOB, H.: Zum Problem der Unsicherheit bei Investitionsentscheidungen, ZfB 1967, S. 153–187;Google Scholar
  16. 1b).
    STREITFERDT, L.: Grundlagen und Probleme der betriebswirtschaftlichen Risikotheorie, Wiesbaden 1973;CrossRefGoogle Scholar
  17. 1c).
    BRUSE, H.: Das Unternehmensrisiko: Eine theoretische und empirische Untersuchung, ZfB 1984, S. 964–996.Google Scholar
  18. 1).
    Für einen Überblick siehe z.B. PFOHL, H.-C. und G.E. BRAUN: Entscheidungstheorie, Landsberg 1981, S. 223 f.Google Scholar
  19. 2).
    Zum Begriff einer Präferenzordnung siehe z.B. FERSCHL, F.: Nutzen- und Entscheidungstheorie, Opladen 1975, S. 23.CrossRefGoogle Scholar
  20. 1).
    Das “Maximin”-Kriterium geht zurück auf die “Minimax”-Lösung bei statistischen Entscheidungsproblemen. Siehe dazu WALD, A.: Statistical Decision Functions, New York 1950, S. 18.Google Scholar
  21. 1).
    Vgl. z.B. die Darstellung bei KRELLE, W. und D. COENEN: Präferenz- und Entscheidungstheorie, Tübingen 1968, S. 147.Google Scholar
  22. 2).
    Zur Diskussion über die Leistungsfähigkeit des Bernoulli-Kriteriums siehe z.B. JACOB, H. und W. LEBER: Bernoulli-Prinzip und rationale Entscheidung bei Unsicherheit, ZfB 1976, S. 177–204;Google Scholar
  23. 2).
    ALBRECHT, P.: Einige Bemerkungen zur Kritik am Bernoulli-Prinzip, ZfB 1982, S. 641–665.Google Scholar
  24. 1).
    Siehe dazu z.B. PFOHL, H.C. und G.E. BRAUN: Entscheidungstheorie, Landsberg 1981, S. 236.Google Scholar
  25. 1).
    Diese “Datenszenarien höherer Ordnung” lassen sich als Alternativhypothesen über kardinal quantifizierte Wahrscheinlichkeiten deuten (vgl. dazu auch die Schlußbemer-kung in Abschnitt 1.4.2).Google Scholar
  26. 1).
    Vgl. dazu KOFLER, E. und G. MENGES: Entscheidungen bei unvollständiger Information, Berlin 1976, S. 73 ff.CrossRefGoogle Scholar

Copyright information

© Betriebswirtschaftlicher Verlag Dr. Th. Gabler GmbH, Wiesbaden 1987

Authors and Affiliations

  • Reinhart Schultz

There are no affiliations available

Personalised recommendations