Advertisement

Empirische Untersuchung

  • Britta Holt
Part of the Gabler Edition Wissenschaft book series (GEW)

Zusammenfassung

Die Erhebung dient der Gewinnung statistischen Datenmaterials und bildet die Grundlage der anschließenden Analyse. Grundsätzlich umfaßt der Kreis der Untersuchung sämtliche Großunternehmungen der Bundesrepublik Deutschland. Aus Praktikabilitätsgründen wird für ihre Auswahl die Schmacke-Liste 1995264 herangezogen, die die Rangfolge deutscher Großunternehmen im Hinblick auf das Umsatzvolumen des Jahres 1994 wiedergibt. In die Untersuchung werden somit die 500 umsatzstärksten Unternehmen der Bundesrepublik Deutschland einbezogen. Banken und Versicherungen sind dabei aufgrund ihrer speziellen Struktur von der Betrachtung ausgenommen.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. 264.
    Vgl. Deutschlands „Große 500“, 1995, S. 18–19. Die Rangliste der Welt wurde dem bei Luchterhand erscheinenden Loseblattwerk „Die großen 500. Deutschlands führende Unternehmen und ihr Management”, hrsg. v. Dr. E. Schmacke, entnommen.Google Scholar
  2. 265.
    Vgl. u. a. Holland, H./Scharnbacher, K., Statistik 1998, S.12f.; Neubauer, W, Statistische Methoden, 1994, S. 23ff.Google Scholar
  3. 266.
    In Anlehnung an die Ausführungen von Neubauer, W, Statistische Methoden, 1994, S. 23f.Google Scholar
  4. 267.
    Vgl. Hochstädter, D., Methodenlehre, 1991, S. 21f.Google Scholar
  5. 268.
    Vgl. Neubauer, W., Statistische Methoden, 1994, S. 22f.Google Scholar
  6. 269.
    Vgl. Neubauer, W., Statistische Methoden, 1994, S. 20.Google Scholar
  7. 270.
    In Anlehnung an Dreier, V., Datenanalyse, 1994, S. 117f.Google Scholar
  8. 271.
    Vgl. Wittmann, F., Investitionsentscheidungen, 1986, S. 98.Google Scholar
  9. 280.
    Die von Hebig untersuchte Gesamtheit der 225 umsatzstärksten Unternehmungen der Bundesrepublik Deutschland, bezogen auf das Jahr 1979, ist der hier betrachteten Grundgesamtheit der 500 größten Unternehmungen ähnlich. Sie wurde anhand der gleichen, jährlich aktualisierten Sekundärquelle ( Schmecke-Liste) ausgewählt. Ansprechpartner waren auch bei Hebig die Leiter der Steuerabteilungen.Google Scholar
  10. 281.
    Kausalanalysen sind dadurch gekennzeichnet, daß der Anwender a priori eine Vorstellung über den Kausalzusammenhang zwischen den Variablen hat. Er muß also i. d. R. die von ihm betrachteten Variablen in abhängige und unabhängige Variablen einteilen können. Vgl. Backhaus, K. /Erichson, B. /Plinke, W./Weiber, R., Multivariate Analysemethoden, 1996, S. XV III.Google Scholar
  11. 282.
    Zu Verfahren der Kausalanalyse vgl. Backhaus, K./Erichson, B./Plinke, W./Weiber, R., Multivariate Analysemethoden, 1996, S. XVIIIff.Google Scholar
  12. 283.
    Vgl. z. B. Backhaus, K./Erichson, B./Plinke, W./Weiber, R., Multivariate Analysemethoden, 1996, S. XIX; Urban, D., Logit-Analyse, 1993, S. 5f.Google Scholar
  13. 284.
    Vgl. z. B. Backhaus, K./Erichson, B./Plinke, W./Weiber, R., Multivariate Analysemethoden, 1996, S. XIX; Urban, D., Logit-Analyse, 1993, S. 5f. Es handelt sich um einen metrischen Datensatz, wenn die Ausprägungen der Merkmale nicht nur in eine Rangfolge gebracht, sondern darüber hinaus so gemessen werden können, daß der quantitative Unterschied zwischen ihnen bestimmt ist. Vgl. z. B. Neubauer, W., Statistische Methoden, 1994, S. 14f.Google Scholar
  14. 285.
    Ein Merkmal ist ordinalskaliert, wenn seine Ausprägungen in eine Rangfolge gebracht werden können. Die für die Rangfolgebildung zugeordneten Zahlen drücken jedoch nur eine Rangfolge und keine darübergehende Quantifizierung aus. Vgl. z. B. Neubauer, W, Statistische Methoden, 1994, S. 14.Google Scholar
  15. 286.
    Die ordinalen Datensätze werden künstlich metrisiert, indem sie als metrische Daten verstanden und behandelt werden.Google Scholar
  16. 287.
    Ein Merkmal ist nominalskaliert, wenn lediglich die Andersartigkeit der Ausprägungen festgestellt werden kann, nicht jedoch eine Rangfolgebildung oder eine darüberhinausgehende Quantifizierung vorgenommen werden kann. Vgl. z. B. Neubauer, W., Statistische Methoden, 1994, S. 14.Google Scholar
  17. 288.
    Dummy-Variablen werden auch als „Niveauverschiebungsvariablen“ oder „Shift-Variablen” bezeichnet. Es handelt sich dabei um dichotomisierte, mit den Werten 0 und 1 kodierte, Variablen. Vgl. z. B. Brosius, F., SPSS 8.0, 1998, S. 549; Voß, W., SPSS, 1997, S. 159.Google Scholar
  18. 289.
    Zu einem ähnlichen Vorgehen vgl. z. B. Kemper, F.-J., Kategoriale Datenanalyse mit Logit-und loglinearen Modellen, 1994, S. 117; Bönte, F., Risikoanalyse, 1997, S. 77 und die dort angegebene Literatur.Google Scholar
  19. 290.
    Zu den Vorzügen der Logit-Analyse im Vergleich zu anderen statistischen Modellen, in denen Abhängigkeitsstrukturen untersucht werden, vgl. Urban, D., Logit-Analyse, 1993, S. 15ff; Schwarze, J., Angewandte Prognoseverfahren, 1980, S. 177ff.Google Scholar
  20. 291.
    Vgl. Urban, D., Logit-Analyse, 1993, S. 6; Voß, W, SPSS, 1997, S. 307.Google Scholar
  21. 292.
    Variablen, die nur ganz bestimmte streng voneinander getrennte Werte annehmen können, nicht jedoch Zwischenwerte, werden diskrete Variablen genannt. Dagegen kann eine stetige Variable jeden Wert und jeden Zwischenwert als Ausprägung annehmen. Vgl. z. B. Voß, W., SPSS, 1997, S. 12.Google Scholar
  22. 293.
    Vgl. Urban, D., Logit-Analyse, 1993, S. B.Google Scholar
  23. 294.
    Unter einer latenten Variablen wird eine Variable verstanden, die nicht direkt beobachtbar ist. Vgl. z. B. Backhaus, K./Erichson, B./Plinke, W./Weiber, R., Multivariate Analysemethoden, 1996, S. 324.Google Scholar
  24. 295.
    Soweit nichts anderes angegeben ist, vgl. zu diesen und den folgenden Ausführungen zum LogitModell Ronning, G., Mikroökonomie, 1991, S 55; Urban, D., Logit-Analyse, 1993, S. 88ff.Google Scholar
  25. 296.
    P drückt die beobachtbare Wahrscheinlichkeit und Prob die unbekannte Wahrscheinlichkeit in der Grundgesamtheit aus. Vgl. hierzu Urban, D., Logit-Analyse, 1993, S. 21.Google Scholar
  26. 297.
    Vgl. hierzu Urban, D., Logit-Analyse, 1993, S. 36.Google Scholar
  27. 298.
    Die standardisierte, kumulative Funktion der logistischen Verteilung entspricht der Gleichung F(Z) = exp (Z)/(1 + exp (Z)). Vgl. hierzu Urban, D., Logit-Analyse, 1993, S. 102ff.Google Scholar
  28. 299.
    Zur Maximum-Likelihood-Schätzung vgl. z. B. Neubauer, W., Statistische Methoden, 1994, S. 393ff.Google Scholar
  29. 300.
    Vgl. Urban, D., L.ogit-Analyse, 1993, S. 36.Google Scholar
  30. 301.
    Vgl. hierzu Urban, D., Logit-Analyse, 1993, S. 38f.Google Scholar
  31. 302.
    Vgl. hierzu Urban, D., Logit-Analyse, 1993, S. 13.Google Scholar
  32. 303.
    Vgl. Ludwig-Mayerhofer, W., Multivariate Logit-Modelle, 1990, S. 77; Voß, W., SPSS, 1997, S. 313f.Google Scholar
  33. 304.
    Vgl. Urban, D., Logit-Analyse, 1993, S. 62f.Google Scholar
  34. 305.
    Vgl. Bacher, J., Clusteranalyse, 1996, S. 2; Backhaus, K./Erichson, B./Plinke, W./Weiber, R., Multivariate Analysemethoden, 1996, S. 262.Google Scholar
  35. 306.
    Vgl. Bacher, J., Clusteranalyse, 1996, S. 141.Google Scholar
  36. 307.
    Bei Anwendung der Agglomerationsmethode „Ward“ werden für jedes Cluster zunächst die Mittelwerte der einzelnen Variablen und anschließend die quadrierten euklidischen Distanzen der einzelnen Fälle eines Clusters zu den jeweiligen Clustermittelwerten berechnet. Die sich so ergebenden Distanzen der einzelnen Fälle werden aufsummiert und jeweils die beiden Cluster zu einem neuen vereinigt, durch den sich der geringste Zuwachs in der Gesamtsumme der quadrierten euklidischen Distanzen ergibt. Bei Anwendung der Agglomerationsmethode „Linkage zwischen den Gruppen” werden die Distanzen aller Fallpaare berechnet, die sich zwischen zwei Clustern bilden lassen. Der Durchschnitt dieser Distanzen wird als Distanz zwischen den Clustern angesehen und bildet das Kriterium für die Agglomeration. Vgl. z. B. Brosius, F„ SPSS. 8.0, 1998, S. 710f.Google Scholar
  37. 308.
    Vgl. Bacher, J., Clusteranalyse, 1996, S. 144.Google Scholar
  38. 309.
    Zur Problematik von Clusteranalysen bei gemischt skalierten Variablen vgl. Buttler, G./Fickel, N., Clusteranalyse mit gemischtskalierten Merkmalen, 1995.Google Scholar
  39. 310.
    Zur Ermittlung der standardisierten Werte werden von den Merkmalsausprägungen die Skalenmittelwerte subtrahiert und das Ergebnis wird durch die Skalenstandardabweichung dividiert. Vgl. Bacher, J., Clusteranalyse, 1996, S. 176.Google Scholar
  40. 311.
    Vgl. Bacher, J., Clusteranalyse, 1996, S. 186f.Google Scholar
  41. 312.
    Als Missing-Werte (Missing Values) bezeichnet man Variablenwerte, die von den Befragten nicht eingetragen wurden. Vgl. z. B. Backhaus, K./Erichson, B./Plinke, W./Weiber, R., Multivariate Analysemethoden, 1996, 54.Google Scholar
  42. 313.
    Zum Begriff „bedingter Variablen“ und ihrer Handhabung in der Clusteranalyse vgl. Becher, J., Clusteranalyse, 1996, S. 174, 185.Google Scholar
  43. 314.
    Vgl. Backhaus, K. /Erichson, B. /Plinke, W./Weiber, R., Multivariate Analysemethoden, 1996, S. XXII, 91.Google Scholar
  44. 315.
    Vgl. z. B. Backhaus, K./Erichson, B./Plinke, W./Weiber, R., Multivariate Analysemethoden, 1995, S. 96.Google Scholar
  45. 316.
    Vgl. z. B. Brosius, F., SPSS 8.0, 1998, S.596ff.Google Scholar
  46. 317.
    Vgl. Brosius, F., SPSS. 8.0, 1998, S. 600f.; Voß, W, SPSS, 1997, S. 259.Google Scholar
  47. 318.
    Vgl. Brosius, F., SPSS 8.0, 1998, S. 601.Google Scholar
  48. 319.
    Eigenwerte größer 1 lassen auf eine ausreichende Erklärungskraft der Faktoren schließen. Vgl. Voß, W., SPSS, 1997, S. 277.Google Scholar
  49. 320.
    Vgl. z. B. Voß, W., SPSS, 1997, S. 264.Google Scholar
  50. 322.
    Dafür spricht die positive Korrelation des weiter unten ermittelten Integrationsausmaßes bei Rechtsform-bzw. Standortentscheidungen (vgl. S. 181f.) und der Unternehmungsgröße. Kendalls tau b beträgt hier 21,5% bzw. 16,2%. Der Zusammenhang ist jeweils auf dem 1%-Niveau signifikant (vgl. hierzu FN 340 auf S. 104). Da Korrelationen jedoch keinen Kausalzusammenhang aufzeigen, sondern auch Scheinkorrelationen sein können, ist zur Beurteilung der Beziehung zwischen der Unternehmungsgröße und dem Integrationsausmaß auf die Ergebnisse der weiter unten durchgeführten Logit-Analysen vorzugreifen. Hier zeigt sich, daß die Unternehmungsgröße nur bei Standortentscheidungen positiv auf das Ausmaß an Steuerintegration wirkt (vgl. die Ausführungen unter Gliederungspunkt Teil Ill B II 3.3.2). Dies spricht dagegen, daß kleinere Unternehmungen aufgrund des tatsächlich niedrigen Integrationsausmaßes auf eine Teilnahme an dieser Untersuchung verzichtet haben.Google Scholar
  51. 323.
    Zu diesem Testverfahren vgl. z. B. Brosius, F., SPSS 8.0, 1998, S. 757ff.Google Scholar
  52. 326.
    Vgl. Friedrichs, J., Empirische Sozialforschung, 1980, S. 100.Google Scholar
  53. 327.
    Vgl. Dreier, V., Datenanalyse, 1994, S. 85.Google Scholar
  54. 328.
    Vgl. Dreier, V., Datenanalyse, 1994, S. 85.Google Scholar
  55. 329.
    Vgl. Dreier, V., Datenanalyse, 1994, S. 86.Google Scholar
  56. 330.
    Vgl. Dreier, V., Datenanalyse, 1994, S. 86.Google Scholar
  57. 331.
    Vgl. Friedrichs, J., Empirische Sozialforschung, 1980, S. 102.Google Scholar
  58. 332.
    Vgl. Dreier, V., Datenanalyse, 1994, S. 89.Google Scholar
  59. 333.
    Vgl. Dreier, V., Datenanalyse, 1994, S. 89f.Google Scholar
  60. 334.
    Vgl. Friedrichs, J., Empirische Sozialforschung, 1980, S. 222.Google Scholar
  61. 335.
    Vgl. Friedrichs, J., Empirische Sozialforschung, 1980, S. 224.Google Scholar
  62. 338.
    Unter dem „Median“ wird der Wert verstanden, der in der Mitte einer der Größe nach aufsteigend geordneten Reihe liegt. Vgl. z. B. Neubauer, W., Statistische Methoden, 1994, S. 65f.Google Scholar
  63. 340.
    Die Korrelation zwischen Rangnummern zweier Reihen heißt „Rangkorrelation“. Zur Berechnung von Rangkorrelationen ist der Korrelationskoeffizient Kendalls tau b mit Werten zwischen +1 und -1 geeignet. Die zugehörige Signifikanz gibt die Irrtumswahrscheinlichkeit bei Ablehnung der Nullhypothese an, daß in der Grundgesamtheit kein Zusammenhang zwischen den Variablen besteht. Vgl. z. B. Neubauer, W., Statistische Methoden, 1994, S. 274; Brosius, F., SPSS 8.0, 1998, S. 417, 510.Google Scholar
  64. 347.
    Da die empirische Erhebung 1996 erfolgte, wurden sowohl die Vermögen-als auch die Gewerbekapitalsteuer noch erhoben. Vgl. hierzu FN 71.Google Scholar
  65. 348.
    Um im Sinne der Eigentümer zu handeln, müßten die Nettoergebnis-Konsequenzen von Unternehmungsentscheidungen unter Einschluß der durch die Entscheidung beim Eigentümer anfallenden zusätzlichen Steuerzahlungen mit den, auf privater Ebene alternativ erzielbaren, Nettoergebnissen verglichen werden. Vgl. z. B. Elschen, R., Steuerbedingte Agency-Probleme, 1987, S. 365.Google Scholar
  66. 353.
    Vgl. Storz, P., Steuerplanung, 1984, S. 15f.Google Scholar
  67. 354.
    Vgl. Storz, P., Steuerplanung, 1984, S. 13.Google Scholar
  68. 355.
    Vgl. Storz, P., Steuerplanung, 1984, S. 14f.Google Scholar
  69. 356.
    Vgl. Hebig, M., Steuerabteilung, 1984, S. 107.Google Scholar
  70. 357.
    Vgl. Wittmann, F., Investitionsentscheidungen, 1986, S. 205ff.Google Scholar
  71. 358.
    Vgl. Wittmann, F., Investitionsentscheidungen, 1986, S. 224.Google Scholar
  72. 359.
    Vgl. Wittmann, F., Investitionsentscheidungen, 1986, S. 223.Google Scholar
  73. 360.
    Vgl. Storz, P., Steuerplanung, 1984, S. 16f.Google Scholar
  74. 361.
    Vgl. Wittmann, F., Investitionsentscheidungen, 1986, S. 210.Google Scholar
  75. 362.
    Vgl. Storz, P., Steuerplanung, 1984, S. 14.Google Scholar
  76. 363.
    Vgl. Hebig, M., Steuerabteilung, 1984, S. 107.Google Scholar
  77. 373.
    Vgl. Hebig, M., Organisation, 1985, S. 241.Google Scholar
  78. 374.
    Vgl. Hebig, M., Steuerabteilung, 1984, S. 145–147.Google Scholar
  79. 375.
    Vgl. Hebig, M., Steuerabteilung, 1984, S. 165f.Google Scholar
  80. 376.
    Vgl. Hebig, M., Steuerabteilung, 1984, S. 219.Google Scholar
  81. 377.
    Vgl. Hebig, M., Steuerabteilung, 1984, S. 122.Google Scholar
  82. 381.
    Vgl. Hebig, M., Steuerabteilung, 1984, S. 81.Google Scholar
  83. 385.
    Vgl. Wittmann, F., Investitionsentscheidungen, 1986, S. 159; Hetfleisch, H.-G., Besteuerung und Unternehmensorganisation, 1970, S. 149ff.Google Scholar
  84. 386.
    Vgl. Wittmann, F., Investitionsentscheidungen, 1986, S. 173.Google Scholar
  85. 389.
    Brosius, F., SPSS 8.0, 1998, S. 563f. Bei Aufnahme sämtlicher durch die Aufspaltung der nominalskalierten Variablen entstandenen Dummy-Variablen, läßt sich jede einzelne Dummy-Variable perfekt linear durch die übrigen Dummy-Variablen erklären. Bsp.: Die Variable Jahreszeit wird aufgespalten in die Variablen Sommer, Frühjahr, Herbst und Winter. Dann gilt beispielsweise für den Sommer: Sommer = 1 - (Frühjahr + Herbst + Winter). Es liegt somit Multikollinearität vor. Zur Lösung des Multikollinearitätsproblems sind i. d. R. mehrere Dummy-Variablen aus der Untersuchung zu elemenieren, was in der vorliegenden Untersuchung die Aussagekraft der Ergebnisse bezüglich des Einflußes der Variablen „Branche“ bzw. „Rechtsform” auf die Variable „Ausmaß en Steuerintegration“ sehr stark einschränken würde.Google Scholar
  86. 390.
    Zum Dominanzkriterium vgl. z. B. Salinger, E., Betriebswirtschaftliche Entscheidungstheorie, 1993, S. 27.Google Scholar
  87. 437.
    Zum Begriff der Multikollinearität vgl. Steffen, A., Multikollinearität, 1994, S. 1.Google Scholar
  88. 438.
    Vgl. Steffen, A., Multikollinearität, 1994, S. 1, der seine Ausführungen auf die.Regressionsanalyse bezieht.Google Scholar
  89. 439.
    Zu dieser Vorgehensweise vgl. Brosius, F., SPSS 8.0, 1998, S. 565.Google Scholar
  90. 440.
    Vgl. Steffen, A., Multikollinearität, 1994, S. 11 und die dort angegebene Literatur.Google Scholar
  91. 441.
    Dieses Verfahren wird angewandt, da die unabhängigen Variablen für Zwecke der Logit-Analyse als metrisch betrachtet werden. Dabei wird eine Normalverteilung der Häufigkeitsausprägungen in der Grundgesamtheit unterstellt. Zur Korrelationsermittlung nach Pearson vgl. z. B. Brosius, F., SPSS 8.0, 1998, S. 501ff.Google Scholar
  92. 442.
    Zur Kollinearitätsprüfung mit Hilfe der Toleranz vgl. Brosius, F., SPSS 8.0, 1998, S. 465f.Google Scholar
  93. 443.
    Vgl. Brosius, F., SPSS 8.0, 1998, S. 565.Google Scholar
  94. 444.
    Vgl. Brosius, F., SPSS 8.0, 1998, S. 565f.Google Scholar
  95. 447.
    Die Nullhypothese besagt, daß die betreffende unabhängige Variable keinen Einfluß auf die abhängige Variable ausübt. Das Signifikanzniveau gibt die Wahrscheinlichkeit wieder mit der ein Fehler begangen wird, wenn die Nullhypothese abgelehnt wird. Vgl. z. B. Urban, D., LogitAnalyse, 1993, S. 58f.Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden 2001

Authors and Affiliations

  • Britta Holt

There are no affiliations available

Personalised recommendations