Advertisement

Eigene Untersuchung zur Realisierung der strategischen Stellhebel und Erzielung wettbewerblichen Erfolgs durch Lieferantenintegration

Chapter
  • 155 Downloads

Zusammenfassung

Die eigene empirische Analyse überprüft erstens, ob ein Zusammenhang zwischen der Intensität der Lieferantenintegration und dem Unternehmenserfolg im Wettbewerb besteht. Wie in Kapitel 2. abgeleitet wurde, hängt der unternehmerische Erfolg im Wettbewerb von der Beherrschung einiger wesentlicher Kernfähigkeiten, den sogenannten strategischen Stellhebeln, ab. Deshalb soll zweitens untersucht werden, wie durch eine enge Einbeziehung der Lieferanten in die Wertschöpfung die strategischen Stellhebel der Integration, Flexibilität, Fokussierung und Qualität realisiert werden.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. 1).
    Vgl. zur methodischen Vorgehensweise der Studie “Excellence in Electronics” Kapitel 3.3.Google Scholar
  2. 2).
    Vgl. zur Repräsentativität der Studie Kapitel 3.3.4.Google Scholar
  3. 3).
    Die explorativen Verfahren der Datenanalyse werden oft nur mit dem Begriff Datenanalyse oder numerische Taxonomie beschrieben. Vgl. Opitz, O. (1980), S. I. Zur Vorgehensweise vgl. ebenda S. 6ff.Google Scholar
  4. 4).
    Vgl. Bamberg, G.Baur, F. (1987), S. 173ff.Google Scholar
  5. 5).
    Vgl. zur Zusammenfassung der Haupthypothesen Abb. 4.31.Google Scholar
  6. 6).
    Die wesentlichen Indikatoren für den Unternehmenserfolg wurden bereits in Punkt 3.3.6.2. bestimmt und eine entsprechende Klassifizierung der Unternehmen vorgenommen.Google Scholar
  7. 7).
    Die Erfahrungen aus der Untemehmensbefragung zeigten, daß bereits wenige Kerngrößen ausreichen, um erfolgreiche oder wandlungsfähige Unternehmungen zu identifizieren.Google Scholar
  8. 8).
    Vgl. die zusammenfassende Strukturierung der in Kapitel 4. gewonnenen Hypothesen in Abbildung 4.31.Google Scholar
  9. 9).
    Beide Kennzahlen sind Gliederungszahlen. Vgl. Bamberg, G./Baur, F. (1987), S. 53.Google Scholar
  10. 10).
    Diese beiden Meßgrößen sind Beziehungszahlen. Vgl. Bamberg, G./Baur, F. (1987), S. 53.Google Scholar
  11. I) Die Angaben beziehen sich jeweils auf die Nummer der Fragen im Fragebogen Excellence in ElectronicsGoogle Scholar
  12. 12).
    Vgl. Bamberg, G./Baur, F. (1987), S. 36ff.; Bortz, J. (1985), S. 250ff; Hartung, J./Elpelt, B. (1989), S. 145ff.; Hartung, J.Blpelt, B./Klösener, K.-H. (1986), S. 73ff.Google Scholar
  13. 13).
    Vgl. Bamberg, G./Baur, F. (1987), S. 45f.; Hartung, J./Elpelt, B. (1989), S. 145ff. und 168ff.; Hartung, 1./Elpelt, B./Klösener, K.-H. (1986), S. 595f.; Schuchard-Ficher, Ch. u.a. (1985), S. 65ff.Google Scholar
  14. 14).
    Vgl. zu einer kurzen Darstellung geeigneter Klassifikationsverfahren Wingert, G.M. (1993), S. 4ff. und die dort angegebene Literatur. Zu den rechnerischen Klassifikationsverfahren vgl. ausführlich z.B. Opitz, O. (1980), S. 65ff.Google Scholar
  15. 15).
    Hier wurden v.a. die folgenden Methoden in Betracht gezogen und erprobt: - Austauschverfahren mit Hilfe des KMEANS-Algorithmus sowie - hierarchische Methoden unter Verwendung der euklidischen Distanz als Maß für die Verschiedenheit je zweier Objekte bezüglich aller (ausschließlich kardinalen) Merkmale und Klassifikation der Objekte nach der Average-Linkage-within-Group-Methode.Google Scholar
  16. 16).
    Vgl. hierzu v.a. Kapitel 3.2.3.Google Scholar
  17. 17).
    Vgl. Kapitel 3.1.Google Scholar
  18. 18).
    Vgl. Opitz, O. (1980), S. 85f. Dieses Optimierungsproblem läßt sich nicht simultan lösen, da sich mit abnehmender Klassenanzahl die Klassifikationsgüte verschlechtert. In der Cluster-Analyse wird die Klassifikationsgüte anhand von Güteindizes gemessen, die auf Basis der Homogenität innerhalb der Klassen (IntraklassenVarianz) und/oder der Heterogenität zwischen den Klassen (Interklassenvarianz) errechnet werden. Vgl. Hartung, J./Elpelt, B. (1989), S. 458ff.; Opitz, O. (1980), S. 82ff. Man bedient sich sogenannter Gütediagramme bzw. Ellenbogenkurven, die den verwendeten Güteindex in Abhängigkeit der Klassenanzahl darstellen. Für die Entscheidung bezüglich der optimalen Klassenanzahl wird ein signifikanter Knick in der Kurve gesucht. Der subjektiv bestimmte Punkt ist dadurch charakterisiert, daß eine Erhöhung der Klassenanzahl die Trennschärfe bis zu diesem Knick erhöht, danach die Klassifikationsgüte nur noch geringfügig verbessert.Google Scholar
  19. 19).
    Vgl. Bamberg, G./Baur, F. (1987), S. 203 und die späteren Ausführungen zum Kontingenztest in Punkt 5.2. 3. 4.Google Scholar
  20. 20).
    Hierbei wird davon ausgegangen, daß alle Unternehmen einer Erfolgs-und “Lieferantenintegrations”-Klasse zugeordnet werden können, was nicht der Fall ist.Google Scholar
  21. 21).
    Vgl. zur Errechnung der normierten Werte die allgemeine Formel in Punkt 3.3.6.2.Google Scholar
  22. 22).
    Vgl. Bamberg, G.Baur, F. (1987), S. 23 und S. 196; Hartung, J./Elpelt, B./Klösener, K.-H. (1986), S. 611f. Vgl. auch Punkt 5.2.3.1. Varianzanalyse.Google Scholar
  23. 23).
    Vgl. das Vorgehen in der Studie “Excellence in Electronics” bei der Bildung der Erfolgsklassen in PunktGoogle Scholar
  24. 24).
    Vgl. zur Definition der Erfolgsgrößen und Klassifikation der Teilnehmer Punkt 3.3.6.2.Google Scholar
  25. 25).
    Vgl. zum Begriff Gutenberg, E. (1984), S. 246ff.Google Scholar
  26. 26).
    Vgl. Thurow, L.C. (1985), S. 48.Google Scholar
  27. 27).
    Vgl. Pedell, K.L. (1985), S. 812.Google Scholar
  28. 28).
    Vgl. Punkt 2.2.4.1.Google Scholar
  29. 29).
    Vgl. Punkt 2.3.2.2.Google Scholar
  30. 30).
    Vgl. Punkt 2.3.2.3.Google Scholar
  31. 31).
    Vgl. Excellence in Electronics (1993), Schaubild 11I-006.Google Scholar
  32. 32).
    Durchschnittliche Produktivitätssteigerungsrate der erfolgreichen Unternehmen (Gesamtebene) im Zeitraum 1987 bis 1991.Google Scholar
  33. 33).
    Vgl. Excellence in Electronics (1993), Schaubild III-008A. Die höchste Verbesserungsrate in der Stichprobe betrug 28% pro Jahr im Zeitraum 1989 bis 1991.Google Scholar
  34. 34).
    Vgl. hierzu die Diskussion in Kapitel 2.3.3.Google Scholar
  35. 35).
    Es wird nur das partielle Produktivitätsmaß der Arbeitsproduktivität betrachtet, weil sie häufig einen bestimmenden Einfluß auf die totale Faktorproduktivität hat, der Mensch und seine Arbeitsleistung im Mittelpunkt der Produktion und Nutzung der Güter steht, die Personalkosten die Kostenstrukturen vieler Industriezweige dominieren, und zuverlässige Daten zur Arbeitsproduktivität relativ leicht zu erheben und gut verfügbar sind. Im Vergleich dazu sind Daten für die Kapitalproduktivität schwieriger zu erheben und seltener verfügbar. In der Studie “Excellence in Electronics” konnten nur bei etwa der Hälfte der Teilnehmer Daten für den Kapitalinput ermittelt werden, da viele Teilnehmer Geschäftsbereiche ohne eigenständige Bilanz waren.Google Scholar
  36. 37).
    Vgl. die Einleitung in Kapitel 5.Google Scholar
  37. )Zur Vorgehensweise vgl. Bamberg, G./Baur, F. (1987), S. 179ff. Vgl. außerdem zu nachfolgenden Ausführungen Bortz, J. (1985), S. 140ff.; Hartung, J./Elpelt, B./Klbsener, K.-H. (1986), S. 133ff.Google Scholar
  38. 39).
    Die Hypothesen müssen unabhängig von den Stichprobenergebnissen, die zu ihrer statistischen Überprüfung dienen sollen, festgelegt werden. Vgl. dazu Bamberg, G./Baur, F. (1987), S. 179.Google Scholar
  39. 42).
    Vgl. zu folgenden Aufführungen Bortz, J. (1985), S. 155f.Google Scholar
  40. 43).
    Ein Test TI ist z.B. trennschärfer als ein Test T2, wenn er sich, falls Hl wahr ist, mit größerer Wahrscheinlichkeit als T2 für HI entscheidet. Die Trennschärfe eines Signifikanztests kann mit Hilfe einer Gütefunktion gemessen werden, die a-Fehler und 3-Fehler simultan berücksichtigt. Vgl. dazu Bamberg, G./Baur, F. (1987), S. 207ff.; Bortz, J. (1985), S. 155f.; Hafner, R. (1989), S. 374ff.Google Scholar
  41. 44).
    Vgl. Bortz, J. (1985), S. 155.Google Scholar
  42. 45).
    Vgl. Bortz, J. (1985), S. 157.Google Scholar
  43. 46).
    Vgl. Bortz, J. (1985), S. 153ff.; Siehe auch die Forderung bei der Festlegung der Hypothese.Google Scholar
  44. 47).
    Vgl. die Darstellung der Dichte einer Testfunktion und der Verwerfungsbereiche für HO in Abhängigkeit der einseitigen und zweiseitigen Hypothesenformulierung bei Bamberg, G./Baur, F. (1987), S. 175.Google Scholar
  45. 48).
    Die Testfunktion des Zweistichproben-t-Tests wird gewählt, da die Umsatzrendite in beiden Untemeh mensklassen als normalverteilt und Gleichheit der unbekannten Varianzen (die Varianzengleichheit konnte laut des Levene Tests nicht abgelehnt werden) angenommen wird. Vgl. Bamberg, G.Baur, F. (1987), S. 193.Google Scholar
  46. 49).
    Zum Zweistichproben-t-Test vgl. Bamberg, G./Baur, F. (1987), S. 193 und die Ausführungen in Punkt 5.2.5.1. Die Dichtefunktion der zugrundeliegenden t(n)-Statistik konvergiert nämlich ffirn —3 co gegen die Dichtefunktion der Standardnormalverteilung. Vgl. Bamberg, G.Baur, F. (1987), S. 143.Google Scholar
  47. 50).
    Bamberg, G./Baur, F. (1987), S. 181.Google Scholar
  48. 51).
    Dies trifft für den approximativen Zweistichproben-Gaußtest zu, mit dem Anteilswerte von zwei B(1; p)-verteilten Merkmalen überprüft werden. Vgl. dazu unten Punkt 5.2.6.1.Google Scholar
  49. 52).
    Vgl. Opitz, O. (1989), S. 60ff.Google Scholar
  50. 53).
    Vgl. Popper, K.R. (1973), S. 3ff.Google Scholar
  51. 54).
    Vgl. Bamberg, G./Baur, F. (1987), S. 182; Hafner, R. (1989), S. 378f.Google Scholar
  52. 55).
    Vgl. dazu die Baumdiagramme bei Bamberg, G./Baur, F. (1987), S. 184ff.Google Scholar
  53. 56).
    Für eine detaillierte Beschreibung vgl. Büning, H./Trenkler, G. (1978), S.85ff.; Hartung, J./Elpelt, B./Klösener, K.-H. (1986), S.183ff.Google Scholar
  54. 57).
    Ein weiterer prominenter Anpassungstest auf Normalverteilung ist u.a. der g2-Test. Aus mehreren Gründen (z.B. höheres Informationsniveau, höhere Güte, exakte Verteilung der Teststatistik für bereits kleine Stichproben) ist der Kolmogorow/Smirnow-Test dem g2-Anpassungstest vorzuziehen. Vgl. die Diskussion bei Büning, H./Trenkler, G. (1978), S. 97ff.Google Scholar
  55. 58).
    Deshalb ist eine entsprechende Anpassung der Teststatistik notwendig. Vgl. Hartung, J./Elpelt, B./Klösener, K.-H. (1986), S. 184f.Google Scholar
  56. 59).
    Vgl. im Detail und zur Teststatistik z.B. Busing, H./Trenkler, G. (1978), S. 85ff. und Hartung, J./Elpelt, B./Klösener, K.-H. (1986), S.183ff.Google Scholar
  57. 60).
    Vgl. Hartung, J./Elpelt, B./Klösener, K.-H. (1986), S. 184f.Google Scholar
  58. 61).
    Die Tests wurden mit Hilfe der statistischen Software SPSS durchgeführt.Google Scholar
  59. 62).
    Wie in den meisten Publikationen wird hier nicht streng zwischen den Begriffen nichtparametrisch und verteilungsfrei unterschieden. Zur Unterscheidung der Begriffe vgl. Büning, H./Trenkler, G. (1978), S. 13f.Google Scholar
  60. 63).
    Vgl. zur Trennschärfe von Testverfahren in Kapitel 5.2.1. Festlegung des Signifikanzniveaus v.a. Fußnote 43 und die dort angegebene Literatur.Google Scholar
  61. 64).
    Zu den prinzipiellen Vorteilen und Nachteilen nichtparametrischer Testmethoden vgl. Büning, H./Trenkler, G. (1978), S. 14ff.Google Scholar
  62. 65).
    Vgl. z.B. Fahrmeir, L./Hamerle, A. (1984a), S. 155ff.; Hartung, J./Elpelt, B. (1989), S. 692ff.Google Scholar
  63. 66).
    Vgl. ausführlich zu loglinearen Modellen Hamerle, A./Tutz, G. (1984), S. 473ff.Google Scholar
  64. 67).
    Vgl. Hamerle, A./Tutz, G. (1984), S. 479f.Google Scholar
  65. 68).
    Vgl. Hamerle, A./Tutz, G. (1984), S. 487ff.Google Scholar
  66. 69).
    Saturierte Modelle enthalten keinerlei Beschränkungen für die zu erwartenden Zellhäufigkeiten und erfassen damit jede Form der Abhängigkeit zwischen den Variablen. Sie führen zu keiner Vereinfachung der Zusammenhangsstruktur zwischen den Merkmalen. Demgegenüber verzichten nicht saturierte Modelle auf bestimmte Interaktionsbeziehungen, indem sie spezielle Abhängigkeitsstrukturen von den Variablen fordern, wodurch das Modell vereinfacht wird. Vgl. Hamerle, A./Tutz, G. (1984), S. 490ff.Google Scholar
  67. 70).
    Um die Probleme leerer Zellen zu umgehen, können ad hoc-Prozeduren zur “Glättung” der Kontingenztafel verwendet werden, z.B. die Addition von 0,5 zu jeder Zelle oder die Vorbesetzung der leeren Zellen mit 1/Gesamt-Zellenanzahl. Vgl. Hamerle, A./Tutz, G. (1984), S. 524f.Google Scholar
  68. 71).
    Vgl. Hamerle, A./Tutz, G. (1984), S. 550ff.Google Scholar
  69. 72).
    Vgl. zur Aggregierbarkeit von Kontingenztafeln Hamerle, A./Tutz, G. (1984), S. 514ff.Google Scholar
  70. 73).
    Vgl. zur Struktur des Fragebogens Kapitel 3.3.3. v.a. Abb. 3.13.Google Scholar
  71. 74).
    Vgl. die Zusammenfassung in Kapitel 4.1.4. und die Zusammenfassung der Hypothesen in Abbildung 4.31.Google Scholar
  72. 75).
    Vgl. zur einfachen Varianzanalyse Bamberg, G./Baur, F. (1987), S. 196ff.; Bortz, J. (1985), S. 300ff.; Fahrmeir, L.Mamerle, A. (1984a), S. 155ff.; Hartung, J./Elpelt, B./Klösener, K.-H. (1986), S. 610ff.; Schuchard-Ficher, Ch. u.a. (1985), S. 13ff.Google Scholar
  73. 76).
    Vgl. Bamberg, G./Baur, F. (1987), S. 196; Schuchard-Ficher, Ch. u.a. (1985), S. 41ff.Google Scholar
  74. 77).
    Diese Voraussetzung nennen Bamberg, G./Baur, F. (1987), S. 196; Bortz, J. (1985), S. 344 und Hartung, l./Elpelt, B./Klösener, K.-H. (1986), S. 611.Google Scholar
  75. 78).
    Vgl. zur Varianzhomogenität z.B. Bortz, JGoogle Scholar
  76. ), S. 344ff.; Schuchard-Ficher, Ch. u.a. (1985), S. 41ff.Google Scholar
  77. 79).
    Vgl. die Ergebnisse der Tests auf Normalverteilung der Stichprobe in Anhang 4.Google Scholar
  78. 80).
    Vgl. zur Vorgehensweise Bamberg, G./Baur, F. (1987), S. 195.Google Scholar
  79. 81).
    Vgl. z.B. Bortz, J. (1985), S. 345; Hartung, J./Elpelt, B./Klösener, K.-H. (1986), S. 617.Google Scholar
  80. 82).
    Vgl. Schuchard-Ficher, Ch. u.a. (1985), S. 42.Google Scholar
  81. 83).
    Vgl. Hartung, J./Elpelt, B./Klösener, K.-H. (1986), S. 617; SPSS GmbH Software (Hrsg.)(l993), S. 204f. und 296.Google Scholar
  82. 84).
    Vgl. zur Überprüfung der Klassifikationsgüte anhand der internen und externen Varianz Kapitel 5.1.2.Google Scholar
  83. 85).
    Vgl. oben.Google Scholar
  84. 86).
    Vgl. die Ergebnisse der Tests auf Normalverteilung in Anhang 4.Google Scholar
  85. 87).
    Bei Abweichungen von der Normalverteilung ist der F-Test wenig robust. Vgl. Boning, H./Trenkler, G. (1978), S. 207.Google Scholar
  86. 88).
    Für eine ausführliche Darstellung des Tests vgl. Bosch, K. (1992), S. 745ff.; Boning, H./Trenkler, G. (1978), S. 201ff.; Hartung, J./Elpelt, B./Kläsener, K.-H. (1986), S. 613ff.Google Scholar
  87. 89).
    Ein vorhandenes kardinales Datenniveau wird auf ein ordinales Datenniveau reduziert.Google Scholar
  88. 90).
    Auf eine Darstellung der Teststatistik wird verzichtet. Vgl. z.B. Boning, H./Trenkler, G. (1978), S. 202.Google Scholar
  89. 91).
    Die Approximation durch die XZ -Verteilung ist bereits für relativ kleine Stichprobenumfänge recht gut. Vgl. Gabriel, K.R./Lachenbruch, P.A. (1969), S. 593ff.Google Scholar
  90. 92).
    Für den Fall, daß Bindungen im Datenmaterial auftreten, d.h. identische Merkmalsausprägungen, errechnet SPSS eine um Bindungen korrigierte Teststatistik H*, die asymptotisch X2-verteilt ist mit (k—I) Freiheitsgraden. Vgl. Büning, H./Trenkler, G. (1978), S. 205 und SPSS Inc., (1991), S. 174f.Google Scholar
  91. 93).
    Vgl. in Kapitel 5.1.3. Abb. 5.5.Google Scholar
  92. 94).
    Vgl. Bamberg, G.Baur, F. (1987), S. 17.Google Scholar
  93. 95).
    Vgl. zur Klassifikation Punkt 3.3.6.2. Die sechs Unternehmen, die keiner Erfolgsklasse zugeordnet werden konnten, wurden jeweils von den Analysen und Tests ausgeschlossen. In den Angaben zur gesamten Stichprobe sind sie jedoch enthalten.Google Scholar
  94. 96).
    Wenn mehrere Vergleiche zwischen allen möglichen Klassen angestellt werden, erhöht sich mit der Anzahl derGoogle Scholar
  95. 97).
    Zur Idee und Vorgehensweise von Kontingenztests vgl. im folgenden die Ausführungen bei Bamberg, G./Baur, F. (1987), S. 202ff.; Boning, H./Trenkler, G. (1978), S. 238ff.; Bortz, J. (1985), S. 186ff.; Bosch, K. (1992), S. 384ff.; Hartung, J./Elpelt, B./Klösener, K.-H. (1986), S. 407ff. und v.a. S. 435ff; Marinell, G. (1986), S. 61 und S. 68.Google Scholar
  96. 98).
    Vgl. Satz der Unabhängigkeit zweier Ereignisse/Merkmale/Zufallsvariablen Bamberg, G./Baur, F. (1987). S. 88f., S. 33 und S. 95.Google Scholar
  97. 99).
    Die xS(n)-Verteilung ist mit den Zufallsvariablen Xi v N(0; 1) verteilt als EXi2 definiert. Vgl. Bamberg, G./Baur, F. (1987), S. 141.Google Scholar
  98. 100).
    Vgl. Bamberg, G.Baur, F. (1987), S. 203.Google Scholar
  99. 101).
    Vgl. Cochran in Büning, H./Trenkler, G. (1978), S. 242. Siehe auch Marinell, G. (1986), S. 61.Google Scholar
  100. 102).
    Vgl. Conover in Büning, H./Trenkler, G. (1978), S. 242.Google Scholar
  101. 103).
    Dieses Ergebnis ist vorsichtig zu interpretieren, da die Testvoraussetzungen verletzt sind.Google Scholar
  102. 104).
    Aussagen zur Signifikanz können nicht gemacht werden, da die Nullhypothese bezüglich der Gleichheit der Klassenmittelwerte bzw. Merkmalsverteilungen aufrechterhalten wurde.Google Scholar
  103. 105).
    Vgl. zu den Klassifikationskriterien Kapitel 5.1.1. und zur Klassifikation Kapitel 5.1.2.Google Scholar
  104. 106).
    Vgl. Coenenberg, A.G./Fischer, Th.M./Schmitz, J. (1994), S. 26f. und die Ausführungen in Kapitel 5. 1. 4.Google Scholar
  105. 107).
    Vgl. zur Methodik Punkt 5.2.3.5.Google Scholar
  106. 108).
    Vgl. zur Klassifikation nach Erfolg Punkt. 3.3.6.2. und nach der Lieferantenintegration Kapitel 5.1.2.Google Scholar
  107. 109).
    Das (1—u) = 0,85-Fraktil der g2(n)-Verteilung ist meist nicht vertafelt. Deshalb wurde das 0,9-Fraktil ermittelt.Google Scholar
  108. 110).
    Vgl. jeweils zur Methodik die Punkte 5.2.3.1. bzw. 5.2.3.2.Google Scholar
  109. 111).
    Vgl. zu den Tests auf Normalverteilung Punkt 5.2.2.1. und die Ergebnisse in Anhang 4.Google Scholar
  110. 112).
    Vgl. Kapitel 5.1.4. Dieser Aspekt wird später in Punkt 5.2.5.3. diskutiert.Google Scholar
  111. 113).
    Zur Diskussion der Arbeitsproduktivität und Definition der Meßgrößen vgl. Kapitel 5.1.4.Google Scholar
  112. 114).
    Zur Methodik vgl. Punkt 5.2.3.2.Google Scholar
  113. 115).
    Vgl. Punkt 5.2.2.1. und Anhang 4.Google Scholar
  114. 116).
    Vgl. Kapitel 5.1.4. und zur Definition Abbildung A.3. in Anhang 3.Google Scholar
  115. 117).
    Vgl. Punkt 5.2.3.4. v.a. Fn. 96.Google Scholar
  116. 118).
    Dies sind im wesentlichen Kosten für Personal, Dienstleistungen und Abschreibungen.Google Scholar
  117. 120).
    Vgl. die Voraussetzungen des Kruskal-Wallis-H-Test in Punkt 5.2.3.2.Google Scholar
  118. 121).
    Vgl. die Ergebnisse der Tests auf Normalverteilung in Anhang 4.Google Scholar
  119. 122).
    Vgl. Bamberg, G./Baur, F. (1987), S. 192ff.; Bortz, J. (1985), S. 166ff.; Bosch, K. (1992), S. 415ff.; Hartung, J./Elpelt, B./Klösener, K.-H. (1986), S. 508ff.Google Scholar
  120. 123).
    Vgl. hierzu Hartung, J./Elpelt, B./Klösener, K.-H. (1986), S. 510f.Google Scholar
  121. 124).
    Vgl. Bamberg, G./Baur, F. (1987), S. 193.Google Scholar
  122. 125).
    Vgl. Hartung, J./Elpelt, B./Klösener, K.-H. (1986), S. 510fGoogle Scholar
  123. 126).
    Die Dichtefunktion der zugrundeliegenden t(n)-Statistik (n = Anzahl der Freiheitsgrade) konvergiert nämlich für n -r w gegen die Dichtefunktion der Standardnormalverteilung. Vgl. Bamberg, G.Baur, F. (1987), S. 143.Google Scholar
  124. 127).
    Vgl. zur Vorgehensweise Punkt 5.2.3.1.Google Scholar
  125. 128).
    Vgl. Büning, H./Trenkler, G. (1978), S. 144f. Allgemeinere nichtparametrische Tests vergleichen die Verteilungen eines Merkmals in zwei Stichproben, ohne zu untersuchen, ob sich die Lage der Verteilungen unterscheidet. Vgl. z.B. ausführlich zum Kolmogorow-Smirnow-Zweistichproben-Test Bosch, K. (1992), S. 394ff.; Boning, H./Trenkler, G. (1978), S. 133ff.; Hartung, 1./Elpelt, B./Klösener, K.-H. (1986), S. 520ff. und für eine kurze Darstellung Wingert, G.M. (1993), S. 34ff.Google Scholar
  126. 129).
    Boning /Tren/der zeigen, daß die Teststatistiken von Wilcoxon und Mann-Whitney nur in einer Konstante differieren.Vgl. Boning, H./Trenkler, G. (1978), S. 150f.; ebenso Bosch, K. (1992), S. 716f.Google Scholar
  127. 130).
    Der Test ist ausführlich beschrieben bei Bosch, K. (1992), S. 711f.; Büning, H./Trenkler, G. (1978), S. 145ff.; Hartung, J./Elpelt, B./Klösener, K.-H. (1986), S. 513ff.Google Scholar
  128. 131).
    Beim Auftreten von Bindungen, d.h. gleichen Merkmalsausprägungen, werden in SPSS Durchschnittsränge für die betroffenen x Werte gebildet. Vgl. SPSS Inc. (1991), S. 171. Zum Problem der Bindungen vgl. Boning, H./Trenkler, G. (1978), S. 148.Google Scholar
  129. 132).
    Vgl. Bllning, H./Trenkler, G. (1978), S. 145.Google Scholar
  130. 133).
    Vgl. die Tabellenwerke bei Bosch, K. (1992), Tabelle 10, S. 789ff.; Busing, H./Trenkler, G. (1978), Tabelle L, S. 378ff.Google Scholar
  131. 134).
    Vgl. Bilning, H./Trenkler, G. (1978), S. 144 und S. 148f.Google Scholar
  132. Vgl. SPSS Inc. (1992), S. 451 und Norusis, M.J./SPSS Inc. (1992), S. 360ff.Google Scholar
  133. 136).
    Vgl. Bilning, H./Trenkler, G. (1978), S. 139.Google Scholar
  134. 137).
    Vgl. zu den Eigenschaften des Wilcoxon-Tests Bilning, H./Trenkler, G. (1978), S. 150.Google Scholar
  135. 138).
    Vgl. zu den Tests auf Normalverteilung Punkt 5.2.2.1. und deren Ergebnisse in Anhang 4.Google Scholar
  136. 139).
    Dies bedeutet HI: µ1 g2 im t-Test und das Testproblem C im Wilcoxon-Test mit 0 0 fdr alle positiven Leistungsgrößen und umgekehrt Hi: µ1 P2 im t-Test und das Testproblem B im Wilcoxon-Test mit 0 0 für Kostenbetrachtungen. Vgl. zur Formulierung einseitiger Hypothesen Kapitel 5.2.1.Google Scholar
  137. 140).
    Vgl. zum time lag der Wirkung von Integrationsmaßnahmen die Ausführungen in Kapitel 5.2 4.Google Scholar
  138. 141).
    Vgl. zur Dynamik und Wettbewerbsintensität in der Elektronikindustrie Kapitel 3.2.3.Google Scholar
  139. 142).
    Auf eine Analyse der Jahre 1987 und 1989 wurde aufgrund der geringen Datenverfügbarkeit verzichtet. Durchgeführte Berechnungen zeigten keine weiterführenden Erkenntnisse.Google Scholar
  140. 143).
    Der Unterschied zwischen den beiden Klassen im relativen Marktanteilswachstum wurde bereits durch den Bonferroni-Test bestätigt. Die Kruskal-Wales-H-Tests über alle Klassen hinweg erbrachten ansonsten keine signifikanten Unterschiede. Vgl. Punkt 5.2. 4. 3.Google Scholar
  141. 144).
    Vgl. Punkt 5.2.4.3.Google Scholar
  142. 145).
    Die Mittelwerte bzgl. der Kostenanteile addieren sich in den beiden Klassen unter Berücksichtigung der Umsatzrendite (siehe Abb. 5.25.) zu 100%. Kleine Differenzen resultieren aus Rundungsfehlem.Google Scholar
  143. 147).
    Vgl. die Ausführungen in Kapitel 4.1.5. und 4.2. sowie die Strukturierung der Hypothesen nach den strategischen Stellhebeln in Kapitel 4.3. Abbildung 4.31.Google Scholar
  144. 148).
    Vgl. zum Testvorgehen Bamberg, G.Baur, F. (1987), S. I92ff.Google Scholar
  145. 149).
    Vgl. zu den Bedingungen für die Verteilungs-Approximation Bamberg, G.Baur, F. (1987), S. 320.Google Scholar
  146. 150).
    Vgl. die allgemeinen Verwerfungsbereiche in Punkt 5.2.5.1.Google Scholar
  147. 151).
    Vgl. im folgenden ausführlich Hartung, J./Elpelt, B./Klösener, K.-H. (1986), S. 416ff.Google Scholar
  148. 152).
    Vgl. SPSS GmbH Software (1993), S. 229.Google Scholar
  149. 153).
    Vgl. Hartung, J./Elpelt, B./Klösener, K.-H. (1986), S. 416ff.Google Scholar
  150. 154).
    Vgl. zur Teststatistik Hartung, J./Elpelt, B./Klösener, K.-H. (1986), S. 414.Google Scholar
  151. 155).
    Die Häufigkeiten müssen jeweils richtig interpretiert werden.Google Scholar
  152. 156).
    Vgl. die Zusammenfassung der Thesen in Abbildung 4.31.Google Scholar
  153. 157).
    Vgl. zur Gewinnung der Thesen Punkt 4.2.4.1.Google Scholar
  154. 358).
    Hypothesentests und ErgebnisseGoogle Scholar
  155. 159).
    Vgl. zur Gewinnung der Thesen Kapitel 4.2.2.Google Scholar
  156. 160).
    Vgl. hierzu Punkt 4.2.2.2.2.Google Scholar
  157. 161).
    Vgl. zur Gewinnung der Thesen Kapitel 4.2.3.Google Scholar
  158. 163).
    Vgl. zur Gewinnung der Thesen Punkt 4.2.4.3.Google Scholar
  159. 164).
    Auch hier weist der approximative Zweistichproben-Gaußtest schneller einen signifikanten Unterschied aus.Google Scholar
  160. 165).
    Dies könnte als Indiz dafür gewertet werden, daß auch innerhalb der Unternehmung die Bedeutung materieller Anreize gegenüber kooperativem Verhalten und sozialer Kontrolle zurücktritt. Vgl. hierzu Punkt 4.2.2.2.2.Google Scholar
  161. 166).
    Vgl. zur Gewinnung der Thesen Kapitel 4.1.5.Google Scholar
  162. 167).
    Die Varianzen innerhalb der Klassen hinsichtlich dieser drei Merkmale sind sehr groß.Google Scholar
  163. 168).
    Vgl. zur branchenspezifischen Analyse Punkt 4.1.5.1.Google Scholar
  164. 169).
    Vgl. Punkt 4.1.5.2. v.a. Abbildung 4. 19.Google Scholar
  165. 170).
    Vgl. Abb. 5.28. in Punkt 5.2.5.3.Google Scholar
  166. 171).
    Vgl. hierzu Punkt 4.1.5.3.Google Scholar
  167. 172).
    Vgl. die Ausfdhrungen in Punkt 4.1.5.4.Google Scholar
  168. 174).
    Hier wurde die Anzahl der Mitarbeiterstunden in der QS fur die Hauptproduktgruppe untersucht. Für den gesamten Geschäftsbereich ergaben sich ähnliche Ergebnisse. Vgl. Abb. 5. 28.Google Scholar
  169. 175).
    Vgl. z.B. zu den Ergebnissen der PIMS-Studie Buzzell, R.D./Gale, B.T. (1989), S. 1 ff.; zur Porter’schen U-Kurve Porter, M.E. (1990), S. 71ff.; Coenenberg, A.G./Baum, H.-G. (1987), S. 105f.; zur Erfahrungskurve Henderson, B.D. (1974).Google Scholar
  170. 176).
    Vgl. Gunther, Th. (1991), S. 334 und die dort angegebene Literatur.Google Scholar
  171. 177).
    Vgl. Porter, M.E. (1985), S. I Iff. und derselbe (1990), S. 62ff. sowie die Ausführungen in Punkt 2.3. 1. 1.Google Scholar
  172. 178).
    Vgl. Fußnote 75.Google Scholar
  173. 179).
    Vgl. z.B. Johnston, R./Lawrence, P.R. (1989), S. 81ff. und die Ausführungen in Kapitel 3. 1. 3.Google Scholar
  174. 180).
    Vgl. die Punkte 4.1.3.2. und 4.1.3.3.Google Scholar
  175. 181).
    Vgl. Punkt 4.1.5.4.2.Google Scholar
  176. 182).
    Vgl. die Punkte 4.1.3.1. und 4.1.5.2.Google Scholar
  177. 183).
    Vgl. Kapitel 4.2.4.Google Scholar
  178. 184).
    Vgl. zum Vorgehen des Kontingenztests Punkt 5.2.3.5.Google Scholar
  179. 185).
    Vgl. zur Bestimmung und Definition der Meßgrößen Kapitel 5.1.1. Außer dem Index für die Intensität der Lieferantenintegration werden die einzelnen Größen hier unnormiert verwendet.Google Scholar
  180. 186).
    Die Rangsumme der Unternehmen in der Klasse über 500 Mio. US$ Umsatz in der Gesamtstichprobe, wie sie der Kruskal-Wallis-H-Test errechnet, ist bezüglich dieser beiden Merkmale wesentlich höher als die Rangsumme der anderen Klassen.Google Scholar
  181. 187).
    Dieses Ergebnis erbrachte die deskriptive Analyse der Klassenmittelwerte und der Rangsummen der Klassen.Google Scholar
  182. 188).
    Vgl. z.B. die Erfahrungen der MIT-Studie bei Womack, J.P./Jones, D.T./Roos, D. (1992), S. 164ff. und S. 172ff.; vgl. auch Kanter, R.M. (1994), S. 97.Google Scholar
  183. 189).
    Vgl. Womack, J.P./Jones, D.T./Roos, D. (1992), S. 164ff. und S. 172ff.; Kanter, R.M. (1994), S. 97.Google Scholar
  184. Sondereinfliisse und Besonderheiten 379Google Scholar
  185. 190).
    Wie der Median, so ist auch die Rangsumme der asiatischen Unternehmen in der Gesamtstichprobe nach dem Kruskal-Wallis-H-Test entgegen den deskriptiven Durchschnitten am höchsten.Google Scholar
  186. 191).
    Gegenüber den anderen beiden Regionen sind in Europa verhältnismäßig viele Industrieelektronikunternehmen vertreten, deren Geschäftsbereiche wesentlich kleiner sind. Vgl. zur Aufteilung der Projekt-Teilnehmer nach Region und Segment Abb. 3.14. in Kapitel 3.3.4.Google Scholar
  187. 192).
    Vgl. Womack, J.P./Jones, D.T./Roos, D. (1992), S. 63ff. und 164ff.Google Scholar
  188. 193).
    Vgl. zur Außenhandelssituation der Regionen Kapitel 3.2.2.Google Scholar
  189. 195).
    Die Mittelwerte zeigen hier ein falsches Bild. Nach dem Kruskal-Wallis-H-Test belegen die Unternehmen mit hoher Lieferantenintegration gefolgt von den mittleren eindeutig die vorderen Range bezitglìch des Merkmals Umschlagshäufigkeit. Dies zeigen auch die Mediane an.Google Scholar
  190. 197).
    Bei der Umsatzrendite 1987 weist die Varianzanalyse noch keine signifikanten Unterschiede aus, während 1989 und 1991 die Unterschiede zwischen den Branchen signifikant werden. Dies belegt die Wettbewerbsdynamik und sinkende Attraktivität der Elektronikbranche, v.a. der Konsumelektronik. Vgl. Kapitel 3. 2. 3.Google Scholar
  191. 198).
    Die Klassifizierung nach der Intensität der Lieferantenintegration erfolgte anhand von Daten des Jahres 1991. Um jedoch eine hohe Intensität im Jahr 1991 zu erreichen, ist ein Vorlauf von mehreren Jahren erforderlich, bis die Maßnahmen greifen. Vgl. die Ausführungen zum time lag zu Beginn des Kapitels 5.2. 4.Google Scholar

Copyright information

© Betriebswirtschaftlicher Verlag Dr. Th. Gabler GmbH, Wiesbaden 1997

Authors and Affiliations

There are no affiliations available

Personalised recommendations