Zusammenfassung
Auf der Basis der theoretisch abgeleiteten hypothetischen Erfolgsbedingungen und der explorativen Fallstudien wurde eine großzahlige Untersuchung der Erfolgsbedingungen ostdeutscher663 Vertragsforschungsanbieter durchgeführt. Im folgenden werden zunächst der Hintergrund und die Konzeption dieser Untersuchung erläutert.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Referenzen
Im folgenden werden die Ausdrücke ‘Ostdeutschland’ und ‘neue Bundesländer’ synonym für die Bundesländer Brandenburg, Mecklenburg-Vorpommern, Sachsen, Sachsen-Anhalt, Thüringen und Berlin-Ost verwendet.
Insbesondere für die F&E-Einrichtungen, die aus den ehemaligen Forschungszentren der Kombinate hervorgegangen sind, hat sich auch der Ausdruck ‘Forschungs-GmbHs’ etabliert.
Vgl. Fleischer et al. (1997), S. 128; Hermann/Konzack/Ständert (1998), S. 55f.
Albach (1993b), S. 35ff.
Vgl. zu diesen ostdeutschen Reorganisationsprozessen auch Hilbert (1994).
Vgl. Fleischer et al. (1997), S. 123ff.
Vgl. Hermann/Konzack/Ständert (1998), S. 8.
Vgl. Fleischer et al. (1997), S. 123; Berteit et al. (1998), S. 68.
Vgl. Fleischer et al. (1997), S. 123.
Nach den Erhebungen der Forschungsagentur Berlin ist seit 1995 (16.956 F&E-Beschäftigte) ein leichter Anstieg der Zahl der F&E-Beschäftigten in Ostdeutschland zu verzeichnen. Die Erhebungen ergaben für 1996 etwa 17.500, für 1997 etwa 18.000 und für 1998 18.698 F&E-Beschäftigte im Wirtschaftssektor Ostdeutschlands, vgl. Herrmann/Konzack/Ständert (1999), S. 14. Diese Angaben zur Anzahl der F&E-Beschäftigten liegen allerdings deutlich unter den entsprechenden Daten des Stifterverbandes für die Deutsche Wissenschaft, wonach 1995 23.740 F&E-Beschäftigte im ostdeutschen Wirtschaftssektor gezählt wurden, vgl. Grenzmann et al. (1998), S. 18.
Vgl. Fleischer et al. (1997), S. 129.
Vgl. Herrmann/Konzack/Ständert (1999), S. 85.
Vgl. Hermann/Konzack/Ständert (1998), S. 6 der Anlagen. Für das Jahr 1997 wird diese Anzahl sogar auf 170 geschätzt, vgl. Hermann/Konzack/Ständert (1999), S. 7 der Anlagen. Diese Schätzungen basieren jedoch auf Hochrechnungen, und der Forschungsagentur liegt eine deutlich geringere Anzahl von Adressen entsprechender Einrichtungen vor. Da erhebliche Widersprüche hinsichtlich dieser Angaben in den dargestellten Statistiken der Forschungsagentur auch nach einer telefonischen Anfrage des Verfassers nicht aufgelöst werden konnten, soll daher im folgenden von der realistischeren Anzahl von 130 F&E-Einrichtungen als geschätzte obere Grenze ausgegangen werden.
Vgl. Spielkamp et al. (1998), S. 102ff.
Vgl. Hermann/Konzack/Ständert (1999), S. 18. Für das Jahr 1997 wurde von der Forschungsagentur Berlin für die externen F&E-Aufwendungen ostdeutscher Unternehmen sogar ein Anteil von 16% der gesamten F&E-Aufwendungen ermittelt, vgl. Hermann/Konzack/Ständert (1998), S. 36. Im Bundesdurchschnitt liegt dieser Anteil externer F&E-Aufwendungen an den gesamten F&E-Aufwendungen bei etwa 10%, vgl. Berteit et al. (1998), S. 38 und die Ausführungen in Kapitel 6.
Vgl. hierzu im folgenden auch Rüdiger (1999).
Vgl. GEWIPLAN (1998).
Dieses im folgenden als „Marktvorbereitende Industrieforschung“ bezeichnete Förderprogramm gewährt Zuschüsse zu F&E-Vorhaben von ostdeutschen KMU und insbesondere von externen Industrieforschungseinrichtungen und wird seit 1998 unter dem Titel „Förderung von Forschung, Entwicklung und Innovation in kleinen und mittleren Unternehmen und externen Industrieforschungseinrichtungen in den neuen Bundesländern“ fortgeführt, vgl. GEWIPLAN (1999) und die Übersichten zu den öffentlichen Förderprogrammen der F&E in Unternehmen in den neuen Bundesländern bei Fleischer et al. (1997), S. 47ff., S. 187ff.; Spielkamp et al. (1998), S. 93ff. und die aktuellen Informationen der Förderdatenbank des BMWi (Bundesministerium für Wirtschaft und Technologie (1999)) im Internet.
Sechs dieser 98 Einrichtungen boten jedoch zum Zeitpunkt der Haupterhebung entgegen den Rechercheergebnissen keine Vertragsforschung (mehr) an oder hatten die Geschäftstätigkeit zwischenzeitlich eingestellt.
Vgl. hierzu das Verzeichnis der geführten Interviews in Anhang A.
Der Fragebogen ist in Anhang D dargestellt.
Ergänzend zu den bereits im Rahmen der Fallstudien betrachteten Aspekten wurde hierbei auch die Bedeutung des Aspektes „Nachweis von Kompetenz“ erhoben. Für diese insgesamt neun Aspekte wurde über die direkte Einschätzung ihrer Bedeutung für den Vertragsforschungserfolg auf siebenstufigen Ratingskalen hinaus zusätzlich der tatsächliche Einsatz dieser Maßnahmen durch eine entsprechende binäre Variable erhoben, vgl. hierzu die Darstellung des Fragebogens in Anhang D.
Vgl. Anhang D.
Ab einer Anzahl von n=30 Beobachtungen kann nach dem zentralen Grenzwertsatz die Normalverteilungsannahme, die vielen multivariaten Verfahren zugrundeliegt, als erfüllt betrachtet werden, vgl. Hansen (1993), S. 68. Vgl. zur notwendigen Stichprobengröße außerdem die methodischen Hinweise in den folgenden Abschnitten.
Empirische Studien zeigen, daß telefonische Vorankündigungen von Fragebögen die Rücklaufquote signifikant steigern, vgl. Jobber/O’Reilly (1998) und die dort angegebene Literatur.
Vgl. Anhang C.
Vgl. hierzu die Übersichten zu Rücklaufquoten bei empirischen Fragebogenerhebungen bei Miller (1991), S. 145ff.; Jobber/O’Reilly (1998).
Vgl. zu einem Überblick über Methoden der Datenanalyse insbesondere Backhaus et al. (1996), S. XVIIff.; Homburg/Herrmann/Pflesser (1999).
Eine F&E-Einrichtung wird bei der Anwendung der clusteranalytischen Fusionierungsalgorithmen als Ausreißer identifiziert und entsprechend aus dem Untersuchungssample herausgenommen, vgl. Abschnitt 10.4.1.1.
Die Gesamteinnahmen umfassen neben dem Jahresumsatz auch die Einnahmen aus öffentlicher Förderung.
Die Standardabweichungen der Variablen betragen 5, 82 Mio. DM bzw. 41, 46 Mitarbeiter (n=56).
Zur besseren Übersicht werden für die Klassenbezeichnungen auf der Abszisse bei allen folgenden Abbildungen jeweils nur die oberen Klassengrenzen angegeben. Die Klassenbezeichnung „>5“ in Abbildung 53 kennzeichnet somit z.B. die Größenklasse von 2, 5 Mio. DM bis 4, 99 Mio. DM, die mit elf Einheiten besetzt ist.
Bei zehn dieser Einrichtungen liegen die Einnahmen sogar unter einer Million DM, und 14 Einrichtungen beschäftigen weniger als zehn Mitarbeiter.
Dieses Ergebnis bestätigt von der Größenordnung her die Ergebnisse der Forschungsagentur Berlin, die — basierend auf Schätzungen — für alle ostdeutschen Unternehmen des Wirtschaftszweiges „Forschung und Entwicklung“ für das Jahr 1998 einen Gesamtumsatz in Höhe von 564, 8 Mio. DM ermittelt, vgl. Herrmann/Konzack/Ständert (1999), S. 84.
Da die Angaben in drei verschiedenen Fragen in verschiedenen Teilen des Fragebogens erhoben wurden, addieren sich die mittleren Anteile nicht genau auf 100%.
Vgl. Fleischeret al. (1997), S. 124, 165.
Da gemäß den Abgrenzungen in Kapitel 7 auf Erfolgsbedingungen privatwirtschafilich finanzierter Vertragsforschungsanbieter fokussiert werden soll, werden diese hohen Förderungsanteile bei den statistischen Auswertungen in den Abschnitten 10.4 bis 10.6 gesondert zu berücksichtigen sein.
Die mittleren Anteile der Einnahmen aus Schulungen, Training und Ausbildung sowie aus Vermietung nicht selbstgenutzter Räumlichkeiten betragen weniger als 2%. Die sonstigen Einnahmequellen, die im Mittel 3, 9% betragen, ergeben sich aus den Angaben von sechs befragten Einrichtungen, die als weitere Einnahmequellen Spezialhandel und sonstige Dienstleistungen aufführten.
Zwei Einrichtungen gaben an, bereits seit 1971 bzw. 1897 Vertragsforschung anzubieten.
Die Ausprägungen weiterer Statistiken sind: Med.=0, 89 Mio. DM; Stab.=3, 35 Mio. DM; n=56.
Die Ausprägungen weiterer Statistiken sind: Med.=8, 0; Stab.=25, 8; n=56.
Die Forschungsagentur Berlin ermittelt für 1998 insgesamt 2.587 F&E-Beschäftigte in den ostdeutschen Unternehmen des Wirtschaftszweiges „Forschung und Entwicklung“, vgl. Herr-mann/Konzack/Ständert (1999), S. 84.
Die Ausprägungen weiterer Statistiken sind: Med.=80, 0; Stab.=222, 62; n=53.
Die Ausprägungen weiterer Statistiken sind: Med.=10, 0; Stab.=6, 15; n=54.
Die Auswahl der Technologiegebiete orientierte sich an den Ergebnissen der Studie zur Entwicklung der F&E-Potentiale in Ostdeutschland von Herrmann/Konzack/Ständert (1998), S. 18 der Anlagen.
Die zwei Nennungen der Kategorie „Sonstige“ beziehen sich auf Vertragsforschungsaktivitäten auf dem Gebiet des Bauwesens.
Vgl. Berteit et al. (1998), S. 69.
Vgl. Fraunhofer-Gesellschaft (1998), S. 6f.
Bei der Fraunhofer-Gesellschaft wird zum Anteil von KMU als Auftraggeber berichtet: „Mehr als 50 Prozent der Aufträge aus der Wirtschaft stammen von kleinen und mittleren Unternehmen“, Fraunhofer-Gesellschaft (1999b). Hierbei wird nicht deutlich, ob sich dieser Anteil auf das Vertragsforschungsvolumen oder auf die Anzahl der Aufträge bezieht.
Dieser relativ hohe Anteil am Auftragsvolumen für ausländische Unternehmen wird durch die Untersuchungen der Forschungsagentur Berlin bestätigt, die für die ostdeutschen Unternehmen des Wirtschaftszweiges „Forschung und Entwicklung“ für 1998 eine Exportrate von 9, 5% ermittelt, vgl. Herrmann/Konzack/Ständert (1999), S. 84.
Fleischer et al. ((1997), S. 131) schätzen, daß 80% des Auftragsvolumens aus Westdeutschland und knapp 20% auf ostdeutsche Auftraggeber entfallen. Berteit et al. ((1998), S. 69) schätzen, daß rund 35% des Auftragsvolumens aus Westdeutschland, rund 60% aus Ostdeutschland und der Rest aus dem Ausland stammen.
Der Koeffizient der Produkt-Moment-Korrelation nach Pearson beträgt r=0, 502 (p>0, 001). Für die Variable „Anteil der KMU“ ist jedoch nach dem Ergebnis des nicht-parametrischen Kolmogorov-Smirnov-Tests die Normalverteilungsannahme aufgrund eines zu hohen Z-Wertes der Teststatistik mit einer Irrtumswahrscheinlichkeit von p=0, 042 abzulehnen (Im folgenden wird die Normalverteilungsannahme bei einem Signifikanzniveau von p≤0, l verworfen.). Damit ist eine Anwendungsprämisse zur Berechnung des Korrelationskoeffizienten nach Pearson verletzt. Obwohl nach dem zentralen Grenzwertsatz die Normalverteilungsannahme bei einer hinreichend großen Anzahl von Beobachtungen (n>30) erfüllt ist, wird daher überprüfend die nicht-parametrische Kendall’sche Rangkorrelation (Kendalls T) berechnet: Diese bestätigt mit T=0, 407 (p>0, 001) das Ergebnis der Korrelation nach Pearson. Vgl. zu den Korrelationstechniken Bortz (1989), S. 248ff., zum Kolmogorov-Smirnov-Test Norusis (1993), S. 396ff.; Churchill (1995), S. 840f. und zum zentralen Grenzwertsatz Hansen (1993), S. 68.
Um den Fragebogen übersichtlich zu halten, wurden die Anteile für vier Branchen abgefragt. Die Auswahl dieser Branchen orientierte sich wiederum an den Ergebnissen der bereits mehrfach erwähnten Studie zur F&E-Landschaft in den neuen Bundesländern, vgl. Herrmann/Konzack/Ständert (1998), S. 31ff.
Vgl. Hermann/Konzack/Ständert (1998), S. 31. Der Anteil der klein- und mittelständischen Auftraggeber und der Anteil der Auftraggeber aus dem Maschinenbau sind mit einem Korrelationskoeffizienten nach Pearson von r=0, 412 (p=0, 002) und Kendalls Rangkorrelation von τ =0, 298 (p=0, 005) hoch signifikant miteinander korreliert.
Der Anteil ausländischer Auftraggeber und der Anteil der Auftraggeber der Branche „Medizin-, Meß-, Steuer- und Regelungstechnik“ korrelieren mit r=0, 393 (p=0, 004) bzw. τ =0, 187 (p=0, 094). Für beide Variablen ist die Normalverteilungsannahme abzulehnen.
Die Ausprägungen weiterer Statistiken sind: Med.=50, 0%; Stab.=30, 0%; n=56.
Diese möglichen Vor- und Nachteile aus Auftraggebersicht wurden bereits in Kapitel 4 vorgestellt (vgl. Tabelle 5 und Tabelle 7).
Für die Berechnung des arithmetischen Mittels und der Standardabweichung sowie für alle folgenden Auswertungen wird unterstellt, daß sich die verwendeten Ratingskalen als Intervallskalen interpretieren lassen, obwohl sie strenggenommen nur ordinales Skalenniveau aufweisen, vgl. zu dieser in den Sozialwissenschaften weit verbreiteten Annahme exemplarisch Backhaus et al. (1996), S. XVI.
Dieser Einstichproben-t-Test prüft, ob der Mittelwert der betrachteten Variablen von einer angegebenen Konstanten, hier das Skalenmittel mit dem Wert drei, abweicht. Dieser Differenzentest setzt allerdings eine Normalverteilung der Variablen voraus. Die Annahme der Normalverteilung ist jedoch nach dem im vorangegangenen Abschnitt festgelegten Kriterium des Kolmogorov-Smirnov-Tests für alle Vorteilsvariablen außer „Engpaßüberwindung“, „Imageübertragung“, „Widerstandsüberwindung“ und „Kostenteilung“ abzulehnen. Vgl. zum Einstichproben-t-Test Bamberg/Baur (1987), S. 187ff.
Im Gegensatz zum t-Test setzt der approximative Gaußtest nicht die Normalverteilung der Variablen voraus. Der notwendige Stichprobenumfang von n>30 ist hier ebenfalls erfüllt, so daß die Ergebnisse des t-Tests, der allerdings als recht robust gegenüber Verletzungen der Normalverteilungsannahme gilt, im folgenden durch approximative Gaußtests überprüft werden. Abweichungen werden gegebenenfalls berichtet. Vgl. zum approximativen Gaußtest Bamberg/Baur (1987), S. 188ff.
Entgegen den mittleren Einschätzungen zum Motiv „Kostenteilung“ schilderten zwei Interviewpartner allerdings, daß die gemeinsame Vergabe von F&E-Aufträgen mit dem Ziel der Kostenteilung durchaus häufig auftrete. Teilweise initiiere man von Seiten der Vertragsforschungsanbieter sogar die Vermittlung passender Partner für eine gemeinsame Auftragsvergabe, wenn ein grundsätzlich interessierter Auftraggeber die Finanzierung des F&E-Vorhabens nicht alleine leisten kann. Dies erfordere natürlich ein sehr vorsichtiges Agieren zwischen Geheimhaltung und Kostenteilungspotentialen, sei aber schon häufiger erfolgreich betrieben worden.
Auch für die Mehrzahl der Nachteilsvariablen ist die Normalverteilungsannahme zu verwerfen. Lediglich für die Variable „Akzeptanzprobleme“ liegt das Signifikanzniveau mit p=0, 122 knapp über dem geforderten Signifikanzniveau.
Neben dem „Not Invented Here“-Syndrom treten Akzeptanzprobleme insbesondere auch auf, wenn Projekte nach außen gegeben werden, um Wettbewerb zur internen F&E-Abteilung der Auftraggeber zu schaffen. Dies gilt nach Erfahrung der Interviewpartner ebenfalls für Aufträge, die über den Vorstand oder die Geschäftsführung der Auftraggeber abgesprochen werden, ohne die Arbeitsebene mit einzubeziehen.
Es sei vielmehr so, erklärten mehrere Gesprächspartner, daß der Auftraggeber erheblichen Koordinationsaufwand spare, da teilweise sämtliche Schnittstellen zu den weiteren beteiligten Parteien im Rahmen eines Neuproduktentwicklungsprozesses von dem Vertragsforschungsanbieter koordiniert würden.
Vgl. Teil 2, Teil 5 und Teil 6 des in Anhang D dargestellten Fragebogens.
Die Ausprägungen weiterer Statistiken sind: Med.=60, 00%; Stab.=30, 14%; n=55.
Die Ausprägungen weiterer Statistiken sind: Med.=31, 50%; Stab.=22, 39%; n=56.
In der ausführlichen Jahresbilanz des Batteile-Instituts von 1977 wird für die Jahre 1975 und 1976 ebenfalls eine Annahmerate der Angebote des Instituts in Höhe von 40% berichtet, vgl. Battelle-Institut e.V. (1977a), S. 16.
Laut Bundesbankangaben belief sich die Brutto-Umsatzrendite westdeutscher Unternehmen in den Jahren 1995, 1996 bzw. 1997 auf 2, 6%, 2, 5% bzw. 3, 0% und die Netto-Umsatzrendite für diese drei Jahre auf 1, 7%, 1, 6% bzw. 2, 0%, vgl. Deutsche Bundesbank (1998), S. 29f. Für ostdeutsche Unternehmen liegt die durchschnittliche Umsatzrendite deutlich niedriger: Erstmals seit 1991 wurde 1997 für den betrachteten Berichtskreis der Bundesbankstatistik die Gewinnschwelle überschritten, und die Brutto-Umsatzrendite lag durchschnittlich bei 0, 7%, vgl. Deutsche Bundesbank (1999b), S. 78f. Die differenziertere Betrachtung der Umsatzrenditen nach verschiedenen Branchen zeigt, daß lediglich für die westdeutschen Unternehmen der Energie- und Wasserversorgung (Brutto-Umsatzrendite 1996: 8, 7%) und der chemischen Industrie (Brutto-Umsatzrendite 1996: 6, 8%) Umsatzrenditen erzielt werden, die etwa den Angaben im Untersuchungssample der vorliegenden Arbeit entsprechen, vgl. Deutsche Bundesbank (1999a), S. 71, 117.
Eine auf Nachfrage des Verfassers durchgeführte Sonderauswertung des Instituts der deutschen Wirtschaft ergab, daß für die Jahre 1995, 1996 bzw. 1997 die 23, 22 bzw. 13 erfaßten Unternehmen dieser Klasse „Forschung“ eine durchschnittliche Netto-Umsatzrendite von 0, 7%, 0, 4% bzw. 0, 8% erzielten.
Vgl. Kapitel 7.
Wie bei der Darstellung des Fragebogens bereits erwähnt, wurden die einzelnen Aspekte teilweise differenzierter abgefragt als in den explorativen Fallstudien, vgl. Abschnitt 10.1.2.3.
Für die Mehrzahl der Rahmenbedingungsvariablen ist die Normalverteilungsannahme zu verwerfen. Lediglich für die Variablen „Genehmigungsverfahren/F&E“, „Auslastungsschwankungen“, Informationsdefizit der Auftraggeber“ und „Kreditvergabe“ wird das geforderte Signifikanzniveau des Kolmogorov-Smirnov-Tests erfüllt.
Diese Mittelwerte, die signifikant über dem Skalenmittel von drei liegen oder sich nicht signifikant von drei unterscheiden und somit die entsprechenden Hypothesen unterstützen, sind in Tabelle 39 und entsprechend in den folgenden Tabellen grau hinterlegt.
Als signifikant werden im Rahmen dieser explorativen Studie Irrtumswahrscheinlichkeiten von p≤10% betrachtet. Es gelten Signifikanzniveaus von p≤1% als hoch signifikant, p≤5% als signifikant und p≤10% als schwach signifikant.
Die Abweichungen vom Skalenmittel sind nicht signifikant. Mit diesem Ausdruck werden F&E-Projekte bezeichnet, die ohne Auftrag eines Auftraggebers durchgeführt werden und eine notwendige Basis für die Ein Werbung von F&E-Aufträgen darstellen, vgl. Keller (1983), S. 57f.
Dabei sei es schon mehrmals vorgekommen, daß ein bereits sehr knapp kalkuliertes Angebot eines interviewten Geschäftsführers um bis zu 90% von diesen Ämtern unterboten wurde, womit diese Behörden offensichtlich nicht einmal die Kosten für Verbrauchsmaterial decken könnten. Noch schlimmer als der Verlust der Aufträge sei in solchen Fällen der Imageschaden, den man als Vertragsforschungsanbieter erleide, wenn man sich in solchen Situationen des Vorwurfs der Wucherei von Seiten des potentiellen Auftraggebers erwehren müsse.
Die Abweichungen vom Skalenmittel sind jedoch nicht signifikant.
Unter dem Eindruck der kurzfristigen Einstellung des Programms „Forschungskooperationen in der mittelständischen Wirtschaft“ durch die alte Bundesregierung wurde insbesondere die Bedeutung der Weiterfuhrung des Unterprogramms „FUEGO“ als dringend notwendig betont. Im Rahmen dieses bundesweiten Nachfolgeprogramms für das frühere Forschungsprojekt „Auftragsforschung Ost“ wurden unter anderem Aufträge gefördert, die deutsche Unternehmen an externe Forschungseinrichtungen vergeben, vgl. Fleischer et al. (1997), S. 47ff., 187ff.; Spielkamp et al. (1998), S. 93ff. Das Programm wird seit 1999 im Rahmen des Nachfolgeprogramms „Programm Innovationskompetenz mittelständischer Unternehmen (PRO INNO)“ fortgeführt, vgl. Bundesministerium für Wirtschaft und Technologie (1999).
Problematisch seien allerdings teilweise die strikten Geheimhaltungsvereinbarungen, wenn potentiellen Auftraggebern nicht einmal geschildert werden kann, auf welchen Gebieten man für andere Auftraggeber arbeitet.
Die Abweichungen der Mittelwerte dieser drei Variablen vom Skalenmittel drei sind nicht signifikant.
„In Deutschland gibt es noch viele Berührungsängste, aber es entwickelt sich langsam eine Vergabekultur“, erklärte ein Geschäftsführer.
Bei F&E-Aufgaben für die pharmazeutische Industrie kommt es entscheidend auf eine intensive Kooperation und rechtzeitige Abstimmung mit den zuständigen Ethik-Kommissionen an, wurde erklärt.
Die zugehörigen Testwerte zeigen, daß nur der Mittelwert der Variablen „Vertragsrecht“ signifikant (p=0, 028) über dem Skalenwert eins liegt.
Am Programm „Marktvorbereitende Industrieforschung“ wurde allerdings der Ausschluß von Unternehmen bemängelt, die mehr als 20% ihrer Einnahmen aus industrieller Produktion generieren. Generell wurde in diesem Zusammenhang neben dem bereits erwähnten höheren Maß an mittelfristiger Verläßlichkeit eine weitere Reduzierung der bürokratischen Vor- und Nachbereitungen und ein größeres Maß an Übersichtlichkeit über die verschiedenen Förderprogramme gewünscht.
„Wenn die Gutachter nicht ausnahmsweise einmal Ahnung vom Fachgebiet haben, zweifeln sie grundsätzlich an, daß man die angestrebten Projekte umsetzen kann“, klagte ein Gesprächspartner.
Für die Mehrzahl dieser Variablen ist wiederum die Normalverteilungsannahme abzulehnen. Nur für die Variablen „Subcontracting“, „Zeitverträge“ und „Ergebnisorientierte Vergütung“ ergibt sich für den Kolmogorov-Smirnov-Test ein Signifikanzniveau von p>0, l.
Ergebnisse dieser Tests auf Abweichungen vom Skalenmittel werden hinsichtlich der Implikationen für das Ausmaß an Unterstützung der Hypothesen analog zum Test der Hypothesen zu beeinträchtigenden Rahmenbedingungen im vorangegangenen Abschnitt 10.2.3 bewertet.
Zwei Geschäftsführer betonten demgegenüber, daß gerade im bewußten Angebot sehr unterschiedlicher F&E-Leistungen eine wesentliche Stärke ihrer großen F&E-Einrichtungen liege.
Vgl. hierzu den in Abschnitt 10.1.1 erwähnten dynamischen Prozeß „zerfallender Netzwerke“, der von Albach (1993b) untersucht wurde.
Eine besuchte Einrichtung beschäftigt ihre Mitarbeiter allerdings ausschließlich auf der Basis von Zeitverträgen.
Vgl. Abschnitt 10.2.3.
Bei öffentlichen Auftraggebern hätten formale Berichte einen sehr viel größeren Stellenwert, während eine direkte Kommunikation weniger bedeutend sei als bei privaten Auftraggebern, wurde erklärt.
Die entsprechenden Mittelwerte von 2, 27 und 2, 04 liegen signifikant unter dem Skalenmittel drei.
Vgl. zu dieser Unterscheidung zwischen Potential- und Prozeßqualität die Ausführungen in Abschnitt 8.4.1.
Für die Mehrzahl der kommunikationspolitischen Variablen ist die Normalverteilungsannahme abzulehnen. Lediglich für die Variablen „Einfluß auf Meinungsführer“, „Fachmessen“, „Internet“, „Fachzeitschriften“, „Integration der Auftraggeber“, „Projektmanagement“ und „Zertifizierungen“ ergibt sich für den Kolmogorov-Smirnov-Test ein Signifikanzniveau von p>0, l. Als Prüfkriterien zum Test der Hypothesen finden wiederum die in Abschnitt 10.2.3 getroffenen Festlegungen Anwendung.
Die Abweichungen der Mittelwerte dieser Variablen vom Skalenmittel sind nicht signifikant. Die Präsenz auf Fachmessen sei eher vom Charakter langfristiger Investitionen, wurde betont. Potentielle Auftraggeber zeigten sich zwar bereits im ersten Jahr eines Messeauftritts sehr interessiert an neuen Vertragsforschungsanbietern, doch Aufträge würden erst vereinbart, wenn man bereits mehrmals Präsenz gezeigt habe und somit den „Verdacht, eine Eintagsfliege zu sein“, entkräften könne, stellte ein Gesprächspartner dar. Dem Internet wurde im Gegensatz zu der mittleren Einschätzung in der schriftlichen Befragung in den Interviews teilweise eine sehr große Bedeutung zugemessen.
Die Abweichungen beider Mittelwerte vom Skalenmittel drei sind nicht signifikant. 764 Die Abweichung vom Skalenmittel ist nicht signifikant.
Die Abweichungen der Mittelwerte dieser drei Variablen vom Skalenmittel sind hoch signifikant.
Beide Abweichungen der Mittelwerte vom Skalenmittel sind hoch signifikant.
Vgl. Abschnitt 10.1.2.3.
Die Bedeutung der Erfolgsfaktoren wird in der großzahligen Erhebung ostdeutscher Vertragsforschungsanbieter und in den fallstudienartigen Untersuchungen in Kapitel 9 sehr ähnlich eingeschätzt. Daher soll in diesem Abschnitt auf den Vergleich beeinträchtigender Rahmenbedingungen fokussiert werden.
Die Positionen ergeben sich somit aus den arithmetischen Mitteln der Tabelle 39 für die ostdeutschen Vertragsforschungsanbieter sowie den arithmetisch gemittelten Ausprägungen der Tabelle 20 und Tabelle 24 für die westdeutschen Vertragsforschungsanbieter.
Vgl. Abschnitt 9.4.2.
Vgl. Abschnitt 9.3.2.
Vgl. Abschnitt 9.3.2 und Abschnitt 9.4.2.
Verfahren der explorativen Faktorenanalyse finden im Gegensatz zur konfirmatorischen Faktorenanalyse Anwendung, wenn — wie im Fall der vorliegenden Arbeit — keine theoriebasierten, ex ante postulierten Hypothesen über die Faktorenstruktur gebildet werden können, vgl. Churchill (1979), S. 69; Gerbing/Anderson (1988), S. 189; Homburg (1995), S. 80.
Vgl. hierzu insbesondere Backhaus et al. (1996), S. 189ff.; Homburg (1995), S. 79ff.; Hair et al. (1998), S. 87ff.; Hüttner/Schwarting (1999); Litfin/Teichmann/Clement (2000) und zur Darstellung des Grundkonzeptes in algebraischer Form insbesondere Überla (1971), S. 50ff.
Vgl. hierzu im folgenden Backhaus et al. (1996), S. 199ff.
Vgl. Backhaus et al. (1996), S. 255.
Mehrfach auftretende, hoch signifikante Korrelationskoeffizienten deuten auf starke paarweise Beziehungszusammenhänge der Variablen hin, vgl. Backhaus et al. (1996), S. 199.
Das Anti-Image beschreibt den Anteil der Varianz, der durch verbleibende Variablen nicht erklärt werden kann, vgl. Backhaus et al. (1996), S. 205.
Der Bartlett-Test („Test of Sphericity“), der als Test der Nullhypothese, daß die Variablen einer unkorrelierten Grundgesamtheit entstammen, hoch signifikant sein sollte, setzt jedoch die Normalverteilung der Variablen voraus, vgl. Backhaus et al. (1996), S. 204f. Unabhängig von dieser einschränkenden Anwendungsprämisse ist der Bartlett-Test nur als erster, grober Indikator für die Eignung des Datenmaterials aufzufassen, vgl. Stewart (1981), S. 57.
Die „Measure of Sampling Adequacy“-Werte (MSA-Werte) messen den Anteil der Varianz einer Variablen, der durch die verbleibenden Variablen (mittels Regression) erklärt werden kann, und sind folglich auf Werte zwischen 0 und 1 normiert. In der Literatur gelten Werte unter 0, 5 als „untragbar“, vgl. Backhaus et al. (1996), S. 206; Hair et al. (1998), S. 99.
Vgl. Backhaus et al. (1996), S. 206; Litfin/Teichmann/Clement (2000), S. 284.
Entsprechend werden die Kommunalitäten zu Beginn auf eins gesetzt. Somit wird angenommen, daß die Ausgangsvariablen die gesamte Varianz erklären. Bei dem alternativ anwendbaren Verfahren der Hauptachsenanalyse wird angenommen, daß ein vom Forscher vorgegebener Varianzanteil erklärt wird. Dies eröffnet somit zusätzliche Eingriffsmöglichkeiten des Forschers, vgl. Krafft (1995), S. 262f. und zur Wahl des Extraktionsverfahrens Backhaus et al. (1996), S. 223.
Entsprechend werden nur Faktoren mit Eigenwerten größer als eins extrahiert, vgl. Überla (1971), S. 125; Kaiser (1974).
Konzepte einer schiefwinkligen Rotation werden nicht angewendet, da sie weitere willkürliche Eingriffe bedingen würden, vgl. Hüttner/Schwarting (1999), S. 397.
Entscheidend ist hierbei das Verhältnis der Querladungen zur Faktorhauptladung. Vgl. Lit-fin/Teichmann/Clement (2000), S. 285 und Clement (2000), S. 191ff. für ein ähnliches Vorgehen.
Vgl. Churchill (1979), S. 69; Klafft (1995), S. 263.
Vgl. Backhaus et al. (1996), S. 207; Litfin/Teichmann/Clement (2000), S. 286.
Die durch die Faktorenlösung erklärte Varianz sollte mindestens 50% betragen, vgl. Litfin/Teichmann/Clement (2000), S. 285.
Hohe Konvergenz- und Diskriminanzvaliditiät der ermittelten Faktoren kann angenommen werden, wenn hohe Faktorhauptladungen (größer als 0, 4 oder besser größer als 0, 5) und in Relation deutlich niedrigere Querladungen vorliegen, vgl. Homburg/Giering (1996), S. 8.
Vgl. zu Cronbachs Alpha als Maß der Reliabilität der Meßvariablen Cronbach (1951); Peter (1979), S. 8f.
Diese Differenzierung ist notwendig, da das Cronbachs Alpha positiv von der Anzahl der Meßvariablen abhängt, so daß für eine geringe Zahl von Variablen auch geringere Werte akzeptabel sind, vgl. Churchill (1979), S. 68; Norusis (1994), S. 148; Peterson (1994), S. 384; Homburg/Giering (1996), S. 8. Peter ((1997), S. 180ff.) akzeptiert sogar Werte von 0, 4.
Vgl. Homburg/Giering (1996), S. 8. Die Variable mit der niedrigsten Item-to-Total-Korrelation kann eliminiert werden, um den Cronbachs Alpha-Wert zu erhöhen. Somit stellt dieses Maß ebenfalls ein Eliminationskriterium zur Entfernung von Variablen, die den zugrundeliegenden Faktor nur unzureichend interpretieren, dar, vgl. Churchill (1979), S. 68; Homburg/Giering (1996), S. 8f.
Vgl. Homburg (1995), S. 86.
Hierzu werden entsprechend den gängigen Konventionen neben den Faktorhauptladungen auch Faktorquerladungen größer als 0, 3 herangezogen, vgl. Backhaus et al. (1996), S. 229; Hütt-ner/Schwarting (1999), S. 396.
Lediglich ein fehlender Wert (vgl. Tabelle 37) wurde durch den Median ersetzt. Die Faktorenanalyse wurde — wie alle folgenden multivariaten Analysen — mit Hilfe der Standardsoftware SPSS, Version 8.0 durchgeführt.
Es werden aufgrund der Ablehnung der Normalverteilung der Mehrzahl der Variablen sowohl die Produkt-Moment-Korrelationen nach Pearson als auch die Kendali’schen Rangkorrelationen untersucht.
In Tabelle 46 sind aus Platzgründen die eingeführten, verkürzten Variablenbezeichnungen aufgeführt. Vgl. daher zur Interpretation der Faktoren (und entsprechend auch bei den folgenden Faktorenanalysen) die vollständige Variablenformulierung in Tabelle 37 bzw. die Darstellung des Fragebogens in Anhang D.
Diese Interpretation wird auch durch die hohe Querladung der Variable „Qualitätsvorteil“ auf diesen Faktor gestützt.
Vgl. Backhaus et al. (1996), S. 232ff.; Hüttner/Schwarting (1999), S. 400f.
Diese Konstruktwerte repräsentieren somit alle auf einen Faktor hoch ladenden Variablen und können dennoch unabhängig von der zugrundeliegenden Faktorladungsmatrix des spezifischen Datensatzes der vorliegenden Arbeit repliziert werden, vgl. Hair et al. (1998), S. 115ff.
Vgl. zu den einzelnen Gründen die Darstellung in Anhang E (Tabelle 104).
Hierfür stehen die Datensätze aller 56 F&E-Einrichtungen und somit eine ausreichende Anzahl von Fällen zur Verfügung. Lediglich ein fehlender Wert (vgl. Tabelle 39) mußte durch den Median ersetzt werden.
Vgl. zu den einzelnen Gründen die Darstellung in Anhang E (Tabelle 106).
Vgl. hierzu die Diskussion zur Problematik des „small number bargaining“ in Abschnitt 8.2.3 und 8.3.3.
Auch die drei weiteren berichteten Querladungen unterstützen diese Faktoreninterpretation.
Dieser Ausdruck ‘Konstrukt’ bezieht sich hierbei auf die Konstruktwerte, die wiederum als arithmetische Mittel der Variablenausprägungen der auf einen Faktor hoch ladenden Variablen berechnet wurden. Damit liegen ausdrücklich — wie auch bei allen übrigen Faktorenlösungen in der vorliegenden Arbeit — keine theoriebasiert konzeptualisierten, validierten, mehrdimensionalen Meßmodelle vor. Vgl. zur Methodik der Konzeptualisierung und Operationalisierung komplexer Konstrukte Homburg (1995), S. 63ff.; Homburg/Giering (1996) und zu wissenschaftstheoretischen Aspekten dieser Art der Konstruktbildung auch Mehrwald (1999), S.101f.
Lediglich zwei fehlende Werte (vgl. Tabelle 40) wurden durch Mediane ersetzt.
Ein hoch signifikanter Wert von 563, 9 des Bartlett-Tests und die Betrachtung der Korrelations-matrizen zeigen, daß die Variablen mehrfach signifikant miteinander korreliert sind, und nur sehr wenige Nicht-diagonal-Elemente der Anti-Image-Kovarianzmatrix weisen Werte größer als 0, 09 auf. Die MSA-Werte variieren allerdings zwischen 0, 32 und 0, 79 und liegen somit teilweise deutlich unter der Grenze von 0, 5. Der moderate Wert von 0, 64 des KMO-Maßes deutet jedoch wiederum auf eine grundsätzliche Eignung der Ausgangsdaten für eine Faktorenanalyse hin.
Vgl. hierzu Tabelle 108 in Anhang E.
Vgl. Abschnitt 8.2.
Vgl. zu diesen Instrumenten der Prozeßsteuerung innovativer Prozesse insbesondere Hauschildt (1997a), S. 346ff.
Auch die in Tabelle 52 aufgeführten Querladungen unterstützen diese Interpretation.
In der Terminologie und Systematik hierarchiefreier Koordinationsinstrumente des Schnittstellen-Managements wirken diese Instrumente hierarchieergänzend bzw.-ersetzend durch Einwirkung auf das Verhalten von Gruppen, vgl. Brockhoff/Hauschildt (1993), S. 400ff.
Um Mißverständnissen vorzubeugen ist ausdrücklich darauf hinzuweisen, daß die Bezeichnung dieser Konstrukte als ‘Erfolgsfaktorenkonstrukte’ nicht auf einer tatsächlichen Erfolgswirkung beruht. Vielmehr sind in den Konstrukten Variablen zusammengefaßt, die nach Einschätzung der befragten Geschäftsführer von Bedeutung für den Erfolg der Vertragsforschungsaktivitäten sind. Analysen hinsichtlich der tatsächlichen Erfolgswirkungen dieser Konstrukte werden — soweit dies die Datenbasis zuläßt- in Abschnitt 10.6 vorgenommen.
Die Variablen aller hypothetischen Marketing-Erfolgfaktoren eignen sich nach den statistischen Gütekriterien nicht für eine gemeinsame faktorenanalytische Verdichtung.
Hierfür stehen wiederum die Datensätze aller 56 Fälle zur Verfügung.
Die Analyse der Korrelationsmatrizen und der hoch signifikante Wert des Bartlett-Tests von 299, 2 weisen auf hinreichende Korrelation der Variablen hin. Die MSA-Maße erreichen Werte bis 0, 79, wobei ein Wert mit 0, 42 unter der Grenze von 0, 5 liegt. Das KMO-Maß erreicht einen moderaten Wert von 0, 64.
Vgl. hierzu die Tabelle 110 in Anhang E.
Diese Interpretation wird auch durch die drei Querladungen der Variablen „Integration der Auftraggeber“, „Fachmessen“ und „Referenzen“ gestützt.
Wiederum beruht die Bezeichnung dieser Konstrukte als ‘Erfolgsfaktorenkonstrukte’ nicht auf einer tatsächlichen Erfolgswirkung, sondern es sind in den Konstrukten Variablen zusammengefaßt, die nach Einschätzung der befragten Geschäftsführer von Bedeutung für den Erfolg der Vertragsforschungsaktivitäten sind. Analysen hinsichtlich der tatsächlichen Erfolgswirkungen dieser Konstrukte werden — soweit dies die Datenbasis zuläßt- in Abschnitt 10.6 vorgenommen.
16 der 28 Werte der Anti-Image-Kovarianzmatrix sind größer als 0, 09. Dieser Anteil von 57, 1% liegt somit weit über den empfohlenen 25%, vgl. Litfin/Teichmann/Clement (2000), S. 284.
Methodisch bedingt nehmen die MSA-Werte und das KMO-Maß den Wert 0, 50 an und weisen die Faktorladungen und Kommunalitäten der beiden Variablen identische Werte auf.
Die Statistiken des resultierenden Konstruktwertes sind: MW=3, 24; Med.=3, 00; Stab.=l, 33; n=56.
Die Marketingaspekte, die sich nicht auf kommunikationspolitische Instrumente beziehen, und die Nachteilsdimensionen werden — wie bereits erläutert — in den folgenden statistischen Analysen nur am Rande berücksichtigt.
Vgl. zur clusteranalytischen Methodik im folgenden insbesondere Bacher (1994); Backhaus et al. (1996), S. 261ff.; Hair et al. (1998), S. 469ff. und die im folgenden angegebene Literatur.
Es geht somit in erster Linie um die heuristische Reduzierung der komplexen Heterogenität hinsichtlich der Unternehmenscharakteristika auf eine überschaubare Zahl möglichst prägnanter Typen von Vertragsforschungsanbietern, vgl. Hauschildt (1998), S. 7.
Vgl. zur Verteilung dieser im Untersuchungssample heterogen ausgeprägten Variablen die Ausführungen in Abschnitt 10.2.1.
Vgl. zur Auswahl von Clustervariablen Aldenderfer/Blashfield (1984), S. 19f.; Bortz (1989), S. 685; Backhaus et al. (1996), S. 312ff.
Da die Normalverteilungsannahme für die Variable „Gesamteinnahmen“ nach dem Kolmogorov-Smirnov-Test mit einer Irrtumswahrscheinlichkeit von p≤10% abzulehnen ist, sind neben den Werten der Produkt-Moment-Korrelationen nach Pearson (unterhalb der Hauptdiagonalen) auch die Werte der Kendall’schen Rangkorrelationen (oberhalb der Hauptdiagonalen) angegeben. Signifikante Ergebnisse der Korrelationsanalysen sind grau hinterlegt.
Vgl. Backhaus et al. (1996), S. 314, die erst Korrelationen größer als 0, 9 bzw. kleiner als-0, 9 als kritisch ansehen.
Vgl. Aldenderfer/Blashfield (1984), S. 21f.; Backhaus et al. (1996), S. 313. Zur Problematik einer im voraus zu bestimmenden Gewichtung vgl. auch Everitt (1993), S. 39f.
Die durchgeführte Z-Score-Transformation stellt die Vergleichbarkeit der Merkmale sicher, indem die jeweiligen Differenzen aus Merkmalsausprägungen und Mittelwert der Merkmale durch die Standardabweichung der Merkmale dividiert werden. Die auf diese Weise standardisierten Variablen besitzen einen Mittelwert von Null und eine Varianz von eins, vgl. Backhaus et al. (1996), S. 314.
Vgl. Backhaus et al. (1996), S. 273ff.
Eine Eliminierung von bis zu 10% der Beobachtungen wird in der Literatur als vertretbar angesehen, vgl. Punj/Stewart (1983), S. 143.
Dieses Vorgehen orientiert sich an entsprechenden Empfehlungen in der Literatur, vgl. Steinhausen/Langer (1977), S. 75; Punj/Stewart (1983), S. 145. Auch die Simulationsergebnisse von Milli-gan implizieren ein derartiges Vorgehen, vgl. Milligan (1980), S. 339. Vgl. zu einem ähnlichen Vorgehen im folgenden auch Gedenk (1994), S. 182f.; Schlaak (1999), S. 223ff.; Clement (2000), S. 208ff.
Vgl. Ward (1963). Ergebnisse von Simulationsstudien haben ergeben, daß das Ward-Verfahren als Algorithmus in den meisten Fällen sehr gute Partitionen erbringt, vgl. Bergs (1981), S. 96f. (zitiert nach Backhaus et al. (1996), S. 298).
Als Voraussetzungen der Anwendbarkeit dieses Verfahrens gelten insbesondere die Verwendung eines Distanzmaßes, metrisches Skalenniveau der Variablen, die Elimination von Ausreißern und eine geringe Korrelation der Variablen, vgl. Backhaus et al. (1996), S. 298.
Dem Quick-Cluster-Verfahren liegt bei der verwendeten SPSS-Software ein Minimaldistanzverfahren zugrunde, das in der Literatur auch ‘K-Means-Verfahren’ genannt wird, vgl. Späth (1977), S. 68ff.; Bacher (1994), S. 310.
Für Anwendungen, bei denen — wie hier — eine nicht zufällige Startpartition gewählt zu werden braucht, wird dieses K-Means-Verfahren als bestes partitionierendes Verfahren angesehen, vgl. Steinhausen/Langer (1977), S. 75; Punj/Stewart (1983), S. 138.
Vgl. Hair et al. (1998), S. 499.
Das „50%-Kriterium“ entspricht als Varianzkriterium dem Ziel, die Summe der Streuungen innerhalb der Cluster zu minimieren und empfiehlt, nur Clusterlösungen zu akzeptieren, bei denen die Varianz innerhalb der Cluster geringer ist als die Varianz zwischen den Clustern, vgl. Kauf-mann/Pape (1996), S. 474ff.
Die Fehlerquadratsumme beträgt 205, 860 bei der 1-Clusterlösung und reduziert sich auf 95, 374 bei vier und 69, 382 bei fünf Clustern.
In den Ward-Lösungen weisen dagegen 3 von 16 bzw. 2 von 20 Clustervariablen in einzelnen Clustern größere Streuungen als in der Erhebungsgesamtheit auf.
Eine Gruppierung wird nach diesem Kriterium in der Literatur als zufriedenstellend eingestuft, wenn mehr als 90% aller Objekte den Clustern richtig zugeordnet werden, vgl. Steinhausen/Langer (1977), S. 170. Da jedoch die Datenstruktur die Anwendungsprämissen der Diskri-minanzanalyse — insbesondere die Prämisse homogener Varianzen in den Gruppen — nur beschränkt erfüllt, sind die Anteile korrekt klassifizierter Fälle nicht überzubewerten. Vgl. zu den Anwendungsvoraussetzungen der Diskriminanzanalyse auch die Ausführungen in Abschnitt 10.6.2.
Die Indizes „C-Index“, „Indice gl“ und der punkt-biserielle Korrelationskoeffizient messen insbesondere die Güte der Abbildung der Distanzmatrix der Clustervariablen durch die jeweilige Partition und bewerten somit die interne Validität der Clusterlösungen, vgl. hierzu im folgenden Milligan (1981), S. 191ff.; Klastorin (1983), S. 92ff.; Chandon (1996), S. 12f. Die Berechnung erfolgte in der vorliegenden Arbeit mit Hilfe der Software EVALU-P, vgl. Chandon (1996). Vgl. zur Interpretation dieser Kriterien im folgenden auch Pieper (1998), S. 191f.; Schlaak (1999), S. 227ff.; Clement (2000), S. 212ff.
Dieser von Hubert und Levin eingeführte C-Index berechnet sich nach (math), wobei Dw die Summe der Distanzen zwischen den Objekten innerhalb der Cluster und Dmin (Dmax) das Minimum (Maximum) von Dw für alle möglichen Partitionen sind. Vgl. Hubert/Levin (1976).
Der Indice gl entspricht dem Betrag des ursprünglich von Klastorin entwickelten G-Index. Dieser berechnet sich nach (math), wobei (math) ((math)) die durchschnittliche Distanz zwischen den Objekten innerhalb der Cluster (aus verschiedenen Clustern) für eine bestimmte Partition entsprechen. Als Betrag dieser Differenz ist somit für den Indice gl eine möglichst hohe Ausprägung vorteilhaft. Vgl. Klastorin (1983), S. 93ff.
Dieser zwischen null und eins normierte Wert errechnet sich als Produkt der Differenz (math), eines normierten Zugehörigkeitsmaßes, das die Anzahl der Distanzen berücksichtigt, und des Kehrwertes der Standardabweichung aller Distanzen, vgl. Milligan (1981), S. 196; Chandon (1996), S. 12.
Eine Übersicht mit Medianen und Standardabweichungen befindet sich aus Übersichtsgründen in Anhang F (Tabelle 111).
Vgl. Tabelle 112 in Anhang F. Die Anwendung von t-Tests setzt Normalverteilung und Varianzenhomogenität voraus. Obwohl der t-Test als relativ robust gegenüber Verletzungen dieser Prämissen gilt, erfolgt eine Überprüfung sämtlicher Befunde durch nicht-parametrische Mann-Whitney-U-Tests. Vgl. zur Methodik des Vergleichs von Stichprobenmittelwerten Bortz (1989), S. 166ff.
Um die Signifikanz der Mittelwertunterschiede zu prüfen, wurden Einstichproben-t-Tests durchgeführt, bei denen jeweils die Nullhypothese die Identität der Mittelwerte der Clustervariablen in den Clustern mit dem Gesamtmittelwert prognostiziert. Vgl. zu diesem Vorgehen auch Schlaak (1999), S. 228ff. Die Ergebnisse wurden durch den verteilungsfreien approximativen Gaußtest überprüft. Vgl. zu diesen Tests auf Mittelwertabweichungen die Ausführungen in Abschnitt 10.2.2.1.
Dieser T-Wert dient primär zur Interpretation der Cluster. Er berechnet sich nach (math), wobei (math) den Mittelwert der Variable J über die Objekte in Cluster G und (math) (S (J)) den Gesamtmittelwert (die Standardabweichung) der Variable J in der Erhebungsgesamtheit darstellen. Die auf diese Weise normierten Werte zeigen mit negativen (positiven) T-Werten an, daß die Ausprägung einer Variable in der betrachteten Gruppe im Vergleich zur Erhebungsgesamtheit unterdurchschnittlich (überdurchschnittlich) ist. Vgl. Backhaus et al. (1996), S. 310f.
Die Unterschiede gegenüber den Clustern UC1 1 und UC1 4 sind signifikant, vgl. Tabelle 112 in Anhang F.
Dieser Anteil liegt signifikant über den entsprechenden Anteilen aller anderen Cluster.
Diese Unterschiede gegenüber den Clustern UC11 und UC14 sind signifikant.
Der Median liegt mit nur 1% noch niedriger, so daß diese mittlere Variablenausprägung noch unter der des Clusters UC1 1 liegt.
Gemeinsam generieren diese drei F&E-Einrichtungen ein Viertel der Summe der Gesamteinnahmen aller Einrichtungen. Trotz der geringen Clusterbesetzung ist diese deutliche Abweichung der Unternehmensgröße vom Gesamtmittelwert hoch signifikant.
Bei den gewählten Bezeichnungen der Cluster geht somit die weitgehende Marktfinanzierung der Cluster UC1 2, UC1 4 und UC1 5 nicht explizit in die Namengebung mit ein. Die deutlich unterdurchschnittlichen Förderungsanteile dieser drei Cluster werden jedoch bei den weiteren Analysen berücksichtigt.
Dies sind die Gesamteinnahmen ohne die Einnahmen aus Vertragsforschung, öffentlicher Förderung und industrieller Produktion. Vgl. Tabelle 30 in Abschnitt 10.2.1.
Vgl. Anhang F. Bei dieser Darstellung der Ergebnisse der Mittelwertvergleichstests wird eine Darstellungsform von Schlaak ((1999), S. 342f.) übernommen.
Die entsprechenden Mittelwertunterschiede zum Cluster UC1 2 sind hoch signifikant, vgl. Anhang F.
Diese Unterschiede sind jedoch nicht signifikant.
Die Unterschiede zwischen Cluster UC1 2 vs. UC1 3 sowie zwischen Cluster UC1 2 vs. UC1 4 sind jeweils hoch signifikant mit p≤0, 001.
Die Unterschiede zu Cluster UC1 3 sind mit p=0, 018 und p=0, 009 auch signifikant.
Die signifikanten Mittelwertunterschiede für diese zwei Variablen sind in Anhang F dargestellt.
Der Mittelwertunterschied zwischen den Clustern UC1 3 und UC1 4 ist hinsichtlich der Variablen „Anteil der Auftraggeber aus den neuen Bundesländern“ signifikant.
Für diese beiden Variablen sind die Mittelwertunterschiede zwischen den Clustern UC11 und UC1 3 signifikant.
Angegeben sind die Häufigkeiten und in eckigen Klammern die erwarteten Häufigkeiten. Eine antwortende F&E-Einrichtung gab an, aus einem gemeinnützigen und einem nicht gemeinnützigen Teil zu bestehen. Diese Einrichtung wurde von dieser Betrachtung ausgeschlossen.
Gemäß dem hoch signifikanten Wert von 17, 605 (p=0, 001) des Chi-Quadrat-Tests nach Pearson wäre die Nullhypothese der Unabhängigkeit der zwei Variablen abzulehnen. Auch der Kontin-genzkoeffizient von 0, 496 (p=0, 001) im Verhältnis zur theoretisch möglichen Obergrenze von 0, 707 und der signifikante Wert des Goodman-Kruskal-Tau von 0, 083 (p=0, 002) deuten auf eine gewisse Assoziation der Variablen hin. Vgl. hierzu und zur Problematik geringer Häufigkeiten bei Kontingenzanalysen Bortz (1989), S. 208; Backhaus et al. (1996), S. 166ff.
Außerdem wird der in Abschnitt 10.4.1.1 mittels Single-Linkage-Verfahren identifizierte Ausreißer aus dem Untersuchungssample herausgenommen, um die resultierenden Realtypologien im zusammenfassenden Abschnitt 10.4.3 vergleichen zu können.
Das Hintereinanderschalten von Faktoren- und Clusteranalyse wird auch als „tandem clustering“ bezeichnet und ist nicht unumstritten, vgl. Aldenderfer/Blashfield (1984), S. 21. Durch die Verwendung von Konstruktwerten statt Faktorwerten entfällt jedoch ein wesentlicher Einwand gegen diese Vorgehensweise. Vgl. exemplarisch zum „tandem clustering“ auch Schewe (1992), S. 118ff. und das Vorgehen bei Weisenfeld-Schenk (1995), S. 245ff.
Die Werte oberhalb der Hauptdiagonalen geben die Kendall’schen Rangkorrelationen an, die Werte unterhalb der Hauptdiagonalen geben die Produkt-Moment-Korrelationen nach Pearson wieder. Die Normalverteilungsannahme ist für das Konstrukt „Interne Gründe“ nach dem Kol-mogorov-Smirnov-Test mit einer Irrtumswahrscheinlichkeit von p≤10% zu verwerfen.
Eine Transformation der Variablen ist hier jedoch nicht notwendig, da alle Variablen nur Werte zwischen null und sechs annehmen können.
Die Fehlerquadratsumme beträgt 201, 917 bei der 1-Clusterlösung und reduziert sich auf 86, 535 bei vier und 72, 636 bei fünf Clustern.
Allerdings sind wiederum die Anwendungsprämissen der Diskriminanzanalyse nur beschränkt erfüllt.
Eine Übersicht mit Medianen und Standardabweichungen befindet sich aus Übersichtsgründen in Anhang F (Tabelle 113). Dort befindet sich auch die Darstellung der Ergebnisse der t-Tests und Mann-Whitney-U-Tests auf Mittelwertunterschiede zwischen den Clustern (Tabelle 114).
Lediglich der Mittelwertunterschied zum Cluster VC1 4 hinsichtlich der Dimension „Zeitvorteil“ ist nicht signifikant, vgl. Tabelle 114 in Anhang F.
Hinsichtlich der Nachteilsdimensionen „Mangelnder Wissensaufbau“ und „Koordinationsprobleme“ ergeben sich für die Vorteilsdimensionen-Cluster keine signifikanten Mittelwertunterschiede.
Die Mittelwertunterschiede zu den Clustern VC11, VC12 und VC1 3 sind signifikant.
Für diese Variable ist allein dieser Mittelwertunterschied zwischen diesen beiden Clustern VC1 2 und VC1 5 schwach signifikant.
Vgl. hierzu die Darstellung signifikanter Mittelwertunterschiede in Anhang F.
Der Mittelwertunterschied zwischen den Clustern VC1 1 und VC1 2 ist hinsichtlich dieser Variablen als einziger signifikant.
Signifikante Unterschiede ergeben sich hinsichtlich des Entwicklungsanteils für die Mittelwertunterschiede VC1 1 vs. VC1 2 (p=0, 049), VC1 1 vs. VC1 3 (p=0, 043) und hinsichtlich der Grundlagenforschung für den Unterschied VC1 1 vs. VC14 (p=0, 034).
Aufgrund der geringen Clusterbesetzung des Clusters VC1 4 sind die Unterschiede zu den anderen Clustern jedoch nicht signifikant.
Diese Unterschiede sind auch signifikant, vgl. hierzu die Darstellungen in Anhang F.
Vgl. hierzu auch die Ausführungen in Abschnitt 10.2.3.
Auch bei den „Spezialisten“ (VC1 1), die hinsichtlich „Zeitvorteil“ und „Kostenvorteil“ nur durchschnittliche Gruppenmittelwerte aufweisen, entfällt ein erheblicher Anteil (knapp 45%) ihres Auftragsvolumens auf Auftraggeber der öffentlichen Hand. Signifikante Unterschiede ergeben sich hinsichtlich des Anteils sonstiger öffentlicher Hand für die Unterschiede VC1 1 vs. VC1 3 (p=0, 039), VC1 3 vs. VC1 5 (p=0, 028) und VC14 vs. VC1 5 (p=0, 028). Die Mittelwertunterschiede hinsichtlich des Anteils öffentlicher Forschungseinrichtungen und Hochschulen sind nicht signifikant.
Diese Mittelwertunterschiede sind jedoch nicht signifikant.
Der Anteil der KMU an dem Auftragsvolumen von privaten Unternehmen ist bei den „Kleinen Standardlösern“ (VC1 4) und bei den „Dilettanten“ (VC1 5) eher unterdurchschnittlich ausgeprägt. Die „Stars“ (VC1 2) und die „Kleinen Standardiser“ (VC1 4) führen einen überdurchschnittlichen Anteil ihrer Vertragsforschung für Unternehmen aus den alten Bundesländern durch, während die „Standardiser“ (VC1 3) insbesondere für Unternehmen aus den neuen Bundesländern tätig sind. Der Mittelwertunterschied zwischen den Clustern VC1 2 vs. VC1 3 ist signifikant (p=0, 045) hinsichtlich des Anteils der Auftraggeber aus den neuen Bundesländern. Bei den „Kleinen Standardlösern“ (VC1 4) entfällt mit 60, 0% der überwiegende Teil des privaten Auftragsvolumens auf Unternehmen der Medizin-, Meß-, Steuer- und Regelungstechnik. Dieser Wert unterscheidet sich signifikant von den Mittelwerten der Cluster VC1 1 (p=0, 004), VC1 2 (p=0, 067) und VC1 3 (p=0, 035).
Angegeben sind die Häufigkeiten und in eckigen Klammern die erwarteten Häufigkeiten.
Die geringen Zellenbesetzungen erlauben jedoch keine Berechnung statistischer Kontingenzmaße.
Außerdem wurde ein Ausreißer der ersten Clusterlösung nicht berücksichtigt, um die zwei Clusterlösungen vergleichen zu können.
Die geringe Zellenbesetzung erlaubt keine Berechnung statistischer Kontingenzmaße.
Entsprechend diesen Befunden fallen auch die bisher nicht berichteten Mittelwertvergleiche der Gruppenmittelwerte der Unternehmenscharakteristika-Cluster hinsichtlich der Vorteils- und Nachteilsdimensionen aus: Die „Vertragsforcher“ (UC1 3) weisen überdurchschnittliche Kon-struktwerte der Vorteilsdimensionen „Zeitvorteil“ und „Know-how-Vorteil“ auf, während die „Großen Vertragsentwickler“ (UC1 5) insbesondere durch überdurchschnittlich hohe mittlere Konstruktwerte der Dimensionen „Interne Gründe“, „Mangelnder Wissensaufbau“ und „Koordinationsprobleme“ charakterisiert sind.
Dabei entsprechen die gestrichelt eingetragenen Wirkungszusammenhänge der Perspektive, die aufgrund der gewählten Operationalisierung der Variablen bei den Analysen in Abschnitt 10.5 eingenommen wird. Vgl. hierzu auch die Zusammenfassung in Abschnitt 10.5.3.
Schanz (1977), S. 290.
Vgl. insbesondere Schanz (1975a); (1975b); Witte/Grün/Bronner (1975); Wossidlo (1976); Schanz (1977). Vgl. hierzu auch Martin (1989), S. 183ff.
Entsprechend erfolgt auch die Numerierung der folgenden Hypothesen H1a bis H7e unabhängig von der Numerierung der Basis-Hypothesen HB1 bis HB24.
Vgl. hierzu Abschnitt 8.2.3 und 8.3.3 und die folgenden Ausführungen.
In der Darstellung in Anhang H sind alle in Kapitel 10 abgeleiteten Hypothesen vollständig ausformuliert und auch die Ergebnisse der entsprechenden Hypothesentests der folgenden Abschnitte aufgeführt.
Die Numerierung ‘H1aGx’ ergibt sich aus der Numerierung der entsprechenden Hypothese H1a zur generellen Unterschiedlichkeit der Cluster hinsichtlich der Konstruktwerte dieses Rahmenbedin-gungskonstruktes „Wettbewerbsverzerrungen“ (vgl. Tabelle 68) und einer tiefergestellten Indexie-rung ‘Gx’, wobei ‘G’ für ‘Gegenüberstellung’ steht und ‘x’ den numerierenden Laufindex der Hypothese angibt. In entsprechender Weise erfolgt die Numerierung der folgenden Hypothesen.
Vgl. hierzu die theoretischen Überlegungen in Kapitel 8, insbesondere Abschnitt 8.3.3.
Die Formulierung dieser Gegenüberstellungen der Hypothesen H2aG1 bis H2aG6 erfolgt somit analog zu den hypothetischen Gegenüberstellungen hinsichtlich der Beeinträchtigung durch „Nachfragedefizit und-Schwankungen“ in den Hypothesen H1cG1 bis H1cG6.
Gleichwohl werden in Abschnitt 10.5.2 alle Clustermittel werte hinsichtlich aller Rahmenbedingungs- und Erfolgsfaktorenkonstrukte berichtet.
Da hier nur eine paarweise Gegenüberstellung pro Erfolgsfaktorenkonstrukt vorgenommen wird, ist eine Indexierung mit ‘G’ ausreichend.
Es handelt sich somit um die Hypothesen H1a bis H4i — um die Hypothesen ohne die tiefergestellten ‘G’-Indexierungen.
Vgl. zur Methodik im folgenden Bortz (1989), S. 300ff.; Norusis (1993), S. 267ff.; Backhaus et al. (1996), S. 56ff.; Hair et al. (1998), S. 326ff.; Herrmann/Seilheimer (1999).
Dies zeigen auch die Ergebnisse entsprechender Korrelationsanalysen, die im folgenden Abschnitt 10.6 berichtet werden.
Vgl. Hair et al. (1998), S. 347ff. Diese Robustheit wird konstatiert, da die Grundaufgabe der Varianzanalyse im Test auf Vorliegen eines Zusammenhanges und nicht in Aussagen zur Stärke dieses Zusammenhanges zu schen ist, vgl. Backhaus et al. (1996), S. 85.
Vgl. hierzu Bauer (1986), S. 83ff.; Bortz (1989), S. 347.
Dies sind die Hypothesen H1aG1 bis H4iG mit den tiegergestellten ‘G’-Indexierungen.
Entsprechend dem bisherigen Vorgehen wird auch bei der Überprüfung der Hypothesen bei unterschiedlichen Ergebnissen der parametrischen und nicht-parametrischen Verfahren auf die Ergebnisse des Verfahrens zurückgegriffen, das geringere Anforderungen an die Qualität der erhobenen Daten stellt, vgl. Bortz (1989), S. 162.
Bei gerichteten Hypothesen ist auch die Verwendung einseitiger Signifikanzniveaus zu rechtfertigen. Vgl. zu dieser Argumentation und dem entsprechenden Vorgehen Schrader (1990), S. 80ff.; Pieper (1998), S. 222 und die dort angegebene Literatur. Folgte man dieser Argumentation, so wären die in der vorliegenden Arbeit berichteten zweiseitigen Signifikanzniveaus durch Halbierung in einseitige Signifikanzniveaus zu überführen.
Dargestellt sind für die vier untersuchten Konstrukte zeilenweise die Varianz zwischen den Gruppen, der F-Wert und das Signifikanzniveau als Ergebnisse der Varianzanalyse (Spalten 2 bis 4). In Spalte 4 ist außerdem (in Klammern) die Nummer der getesteten Hypothese aufgeführt. In den Spalten 5 und 6 sind die Ergebnisse des Levene-Tests und des Kolmogorov-Smirnov-Tests zur Überprüfung der Anwendungsprämissen dargestellt.
Dargestellt sind für die vier untersuchten Rahmenbedingungskonstrukte zeilenweise die Cluster-mittelwerte (Spalten 2 bis 6) und in der letzten Spalte die Nummern des paarweisen Clusterver-gleichs, das Signifikanzniveau des entsprechenden t-Tests sowie (in Klammern) die Nummer der jeweils getesteten Hypothese.
Von ‘tendenzieller Unterstützung’ der Hypothesen wird im folgenden gesprochen, wenn hypothesenkonforme Mittelwertunterschiede vorliegen, die jedoch das geforderte Signifikanzniveau von 10% verfehlen. Von den weiteren Clustergegenüberstellungen, für die hinsichtlich unterschiedlicher Beeinträchtigung durch „Wettbewerbsverzerrungen“ keine expliziten Hypothesen abgeleitet wurden, ist lediglich der Mittelwertunterschied zwischen den Clustern UC1 2 vs. UC1 5 schwach signifikant (p=0, 056).
Der Unterschied zwischen den Clustern UC1 2 und UC1 5 ist auch als einziger Mittelwertunterschied hinsichtlich dieses Rahmenbedingungskonstruktes schwach signifikant (p=0, 066).
Da der thesenkonträre Mittelwertunterschied mit p=0, 644 das Signifikanzniveau deutlich verfehlt, liegt jedoch kein signifikanter Negativbefund vor.
Da die Normalverteilungsannahme aufgrund der Ergebnisse des Kolmogorov-Smirnov-Tests (vgl. Tabelle 78) für beide Konstrukte abzulehnen ist, werden in Tabelle 79 in der letzten Spalte neben den Signifikanzniveaus des t-Tests auch die Signifikanzniveaus des verteilungsfreien Mann-Whitney-U-Tests aufgeführt, die hier für die Überprüfung der Hypothesen ausschlaggebend sind.
Auch alle weiteren Mittelwertvergleiche hinsichtlich dieser zwei Erfolgsfaktorenkonstrukte, für die keine expliziten Hypothesen abgeleitet wurden, ergeben keine signifikanten Unterschiede.
Keiner der Mittelwertunterschiede ist hier signifikant.
Für das Konstrukt „Übergeordnete Steuerung“ sind die Mittelwertunterschiede UC1 1 vs. UC1 5 (p=0, 099) und UC1 2 vs. UC1 5 (p=0, 053) schwach signifikant. Für das Konstrukt „Spezialisierung“ sind die Mittelwertunterschiede UC1 1 vs. UC1 3 (p=0, 099) und UC1 1 vs. UC14 (p=0, 082) schwach signifikant.
Der Mittelwertunterschied zwischen den Clustern UC1 1 und UC1 5 ist mit p=0, 039 auch signifikant auf dem 5%-Niveau.
Die Mittelwertunterschiede UC1 2 vs. UC1 1 (p=0, 022), UC1 2 vs. UC1 3 (p=0, 001) und UC1 2 vs. UC1 5 (p=0, 021) sind auch signifikant bzw. hoch signifikant.
Der Mittelwertunterschied UC1 1 vs. UC1 3 ist für dieses Konstrukt auch als einziger mit p=0, 040 signifikant.
Hinsichtlich der weiteren, nicht kommunikationspolitischen Marketingaspekte zeigt sich, daß die „Vertragsforcher“ (UC1 3) und die „Großen Vertragsentwickler“ (UC1 5) den preispolitischen Aspekten eine überdurchschnittliche Bedeutung zumessen. Außerdem ergeben sich für die „Großen Vertragsentwickler“ (UC1 5) überdurchschnittliche Bedeutungseinschätzungen hinsichtlich der distributionspolitischen Aspekte.
Die ebenfalls durchgeführten Mann-Whitney-U-Tests bestätigen diese Ergebnisse.
Sämtliche weiteren Mittelwertunterschiede hinsichtlich dieses Konstruktes „Wettbewerbsverzerrungen“ sind nicht signifikant.
Ebenfalls signifikant sind die Mittelwertunterschiede hinsichtlich des Konstruktes „Nachfragedefizit und-Schwankungen“ zwischen den Clustern VC1 2 vs. VC1 4 (p=0, 012), VC1 3 vs. VC1 5 (p=0, 017), und schwach signifikant ist der Unterschied VC1 3 vs. VC1 4 (p=0, 099).
Sämtliche Mittelwertunterschiede sind nicht signifikant.
Entsprechend ergeben sich signifikante bzw. hoch signifikante Mittelwertunterschiede zwischen den Clustern VC1 1 vs. VC1 4 (p=0, 005), VC1 2 vs. VC1 4 (p=0, 018) sowie VC1 3 vs. VC1 4 (p=0, 003).
Bei Ablehnung der Normalverteilungsannahme ist zur Überprüfung der Hypothesen das Signifikanzniveau des Mann-Whitney-U-Tests ausschlaggebend, sonst werden die Signifikanzniveaus der t-Tests herangezogen.
Die Ergebnisse der 50 Mittelwertvergleichstests aller paarweisen Clustergegenüberstellungen hinsichtlich der Konstruktwerte der strategischen und organisatorischen Erfolgsfaktoren werden in übersichtlicher Form in Anhang F berichtet.
Die ebenfalls durchgeführten Mann-Whitney-U-Tests bestätigen diese Ergebnisse.
Die Ergebnisse der Mittelwertvergleichstests aller 40 paarweisen Gegenüberstellungen hinsichtlich der Konstruktwerte der kommunikationspolitischen Erfolgsfaktoren werden in übersichtlicher Form in Anhang F berichtet.
Auch hinsichtlich der weiteren, nicht-kommunikationspolitischen Marketing-Instrumente ergeben sich ähnliche Mittelwertausprägungen wie für die hier berichteten Erfolgsfaktorenkonstrukte: Die „Stars“ (VC1 2) messen den preispolitischen und auch den produktpolitischen Aspekten eine deutlich größere Bedeutung zu als die „Dilettanten“ (VC1 5).
Die „Großen Vertragsentwickler“ (UC1 5) haben diesem Erfolgsfaktor auch eine besonders große Bedeutung zugemessen, vgl. Tabelle 80 in Abschnitt 10.5.1.2.
Durch die gewählte Operationalisierung der Variablen mittels direkter Abfrage der Bedeutung der hypothetischen Erfolgsfaktoren ist hierbei der in Abbildung 77 gestrichelte Zusammenhang ③ berührt.
Die folgenden Untersuchungen basieren somit auf der gleichen Datenbasis wie die clusteranalyti-sche Segmentierung in Abschnitt 10.4.2.
Diese direkte Abfrage der Aspekte war nötig, da angesichts der kleinen Grundgesamtheit nicht sicher erwartet werden konnte, daß die für den Einsatz multivariater Verfahren notwendige Stichprobengröße erreicht werden würde, vgl. Abschnitt 10.1.2.3.
Vgl. hierzu den dritten Teil des Fragebogens in Anhang D.
Da für die Mehrzahl der neun Variablen die Normalverteilungsannahme abzulehnen ist, wurden die Ergebnisse durch nicht-parametrische Mann-Whitney-U-Tests überprüft und bestätigt.
Vgl. hierzu die Hinweise zur Methodik im Zusammenhang mit der Anwendung von ANOVA-Verfahren in Abschnitt 10.5 und der Durchführung univariater Diskriminanzprüfungen in Abschnitt 10.6.2.
Da die Konstrukte zu beeinträchtigenden Rahmenbedingungen vermutlich zwar auf die Rentabilität der Vertragsforschungsanbieter, jedoch nicht direkt auf die wahrgenommene Vorteilhaftigkeit Einfluß nehmen, werden die Rahmenbedingungskonstrukte erst bei den Analysen im folgenden Abschnitt berücksichtigt.
Aus Übersichtsgründen werden die Hypothesen gruppenweise in Tabellenform zusammenfassend dargestellt. In der Übersicht in Anhang H sind jedoch alle in Kapitel 10 abgeleiteten Hypothesen vollständig ausformuliert mit den entsprechenden Befunden dargestellt. Die Überführung der Sätze in eine explizite „Wenn-Dann-Form“ ist problemlos möglich (vgl. Albert (1964), S. 24ff.; Schanz (1975a), S. 314); sie unterbleibt jedoch ebenfalls aus Übersichtsgründen.
Vgl. zur Methodik der Regressionsanalyse die im folgenden angegebene Literatur. Die Schätzung der Regressionskoeffizienten erfolgt dabei mit Hilfe der Methode der kleinsten Quadrate. Unter bestimmten Voraussetzungen sind die auf diese Weise ermittelten Schätzer für die Regressionskoeffizienten „Best Linear Unbiased Estimators“ (BLUE), vgl. Mood/Graybill/Boes (1974), S. 499.
Die Untersuchungen der Cluster in den vorangegangenen Abschnitten haben gezeigt, daß auch die Unternehmenscharakteristika teilweise in einem statistischen Zusammenhang mit den Vorteilsdimensionen und den Erfolgsfaktorenkonstrukten stehen. Gemäß den Ergebnissen der bivariaten Korrelationsanalysen werden daher gegebenenfalls Variablen zu Unternehmenscharakteristika als Bereinigungsvariablen in die Regressionsmodelle aufgenommen.
Wie bereits erwähnt, wird unterstellt, daß sich die verwendeten Ratingskalen als Intervallskalen interpretieren lassen, vgl. zu dieser in den Sozialwissenschaften weit verbreiteten Annahme exemplarisch Backhaus et al. (1996), S. XVI.
In der Literatur wird empfohlen, daß die Anzahl der Beobachtungen mindestens doppelt bzw. dreimal und besser fünfmal so groß wie die Anzahl der zu schätzenden Parameter sein sollte, vgl. Backhaus et al. (1996), S. 49; Albers/Skiera (1999), S. 217f.
Vgl. zum Vorgehen bei der Überprüfung notwendiger Annahmen und zu den Gütemaßen von Regressionsanalysen Norusis (1993), S. 311ff.; Backhaus et al. (1996), S. 31ff.; Hair et al. (1998), S. 172ff.; Albers/Skiera (1999), S. 216ff.
Werte der bivariaten Korrelationskoeffizienten größer als 0, 9 oder kleiner als-0, 9 deuten auf starke Abhängigkeiten der Variablen und damit auf ernsthafte paarweise Kollinearität hin. Werte des Toleranzmaßes unter 0, 1 indizieren zu starke Multikollinearität, die zu einer Eliminierung unabhängiger Variablen führen sollte. Vgl. hierzu Norusis (1993), S. 355f.; Hair et al. (1998), S. 188f.; Albers/Skiera (1999), S. 222ff. Multikollinearitätsprobleme können jedoch selten befriedigend behoben werden, vgl. Backhaus et al. (1996), S. 33f.; Albers/Skiera (1999), S. 224f.
Eine Überprüfung der Variablen auf Autokorrelation ist hier nicht notwendig, da Querschnittsdaten vorliegen.
„Ausreißer“ werden als Beobachtungswerte bezeichnet, deren Residuen mehr als die dreifache Standardabweichung vom Mittelwert der Residuen abweichen. Sie führen zu einer Verschlechterung der Güte des Regressionsmodells. Vgl. hierzu Chatterjee/Hadi (1986), S. 380; Norusis (1993), S. 330; Ernst (1996), S. 249f.; Hair et al. (1998), S. 64ff., 184ff.
„Influential observations“ weisen einen großen Einfluß auf die Lage der Regressionsgleichung auf und können daher zu Verzerrungen der Parameterschätzung führen. Sie werden mit Hilfe des Distanzmaßes von Cook identifiziert, welches die Veränderung der Residuen aller anderen Beobachtungswerte erfaßt, wenn der betrachtete Beobachtungswert aus der Regressionsgleichung herausgenommen wird, vgl. Albers/Skiera (1999), S. 231. Übersteigt der Wert dieses Distanzmaßes einen in Abhängigkeit von der Anzahl der Regressoren und Beobachtungen abhängigen kritischen F-Wert, so wird die Beobachtung aus der Regressionsanalyse genommen, vgl. hierzu; Chatterjee/Hadi (1986), S. 383; Norusis (1993), S. 331ff.
Beide Bestimmtheitsmaße geben an, wieviel Varianz der empirischen Daten durch die Regressionsfunktion erklärt werden kann, wobei das um die Anzahl der Regressoren korrigierte Maß r2korr bei der Aufnahme weiterer Regressoren auch abnehmen kann. Vgl. Bortz (1989), S. 234ff.; Backhaus et al. (1996), S. 25; Albers/Skiera (1999), S. 209f.
Hierbei wird auf standardisierte Regressionskoeffizienten (Beta-Werte) zurückgegriffen, die eine Korrektur der unterschiedlichen Größenordnungen der Variablen berücksichtigen, vgl. Backhaus et al. (1996), S. 19.
Nach der in dieser Arbeit üblichen Vorgehensweise werden Signifikanzniveaus von p≤10% als schwach signifikant, p≤5% als signifikant und p≤1% als hoch signifikant bewertet.
Um Verzerrungen zu vermeiden, geht in die folgenden Analysen der natürliche Logarithmus der Variable „Gesamteinnahmen“ ein, vgl. zu dieser Vorgehensweise exemplarisch Ettlie/Rubenstein (1987), S. 95.
Da für die Variablen „Interne Gründe“, „Vertragseinhaltung“, „Flexibilität“ und „Spezialisierung“ die Normalverteilungsannahme mit p≤10% abzulehnen ist, sind sowohl die Produkt-Moment-Korrelationen nach Pearson (jeweils links in den Feldern) als auch die Kendall’schen Rangkorrelationen (jeweils rechts in den Feldern) und (in Klammern darunter) jeweils die zweiseitigen Signifikanzniveaus angegeben.
Dies überrascht nicht, denn auch die Gegenüberstellung der zwei Clusterlösungen in Abschnitt 10.4.3.2 hat lediglich schwache Zusammenhänge zwischen den Unternehmenscharakteristika und den Vorteilsdimensionen aufgedeckt. Durch Herausnahme der stark öffentlich geförderten Vertragsforschungsanbieter des Clusters UC1 1 (die „Geförderten“) ist darüber hinaus die Varianz der Variable „Anteil öffentlicher Förderung“ im Sample drastisch reduziert worden.
Entsprechend den signifikanten Korrelationskoeffizienten mit den Vorteilsdimensionen wird der „Anteil privater Auftraggeber“ in den Regressionsmodellen mit „Zeitvorteil“ und „Kostenvorteil“ als abhängiger Variable berücksichtigt und die Variable „Gesamteinnahmen“ als Regressor in das Regressionsmodell mit dem Regressanden „Interne Gründe“ aufgenommen. Alternativ wurden alle Regressionsmodelle mit beiden Kontrollvariablen und auch mit allen fünf potentiellen Kontrollvariablen berechnet. Hierbei ergaben sich keine substantiellen Veränderungen der Regressionskoeffizienten. Es resultierten als Effekt des sogenannten „overfitting“ (Backhaus et al. (1996), S. 31) lediglich niedrigere korrigierte Bestimmtheitsmaße.
Die Normalverteilungsannahme der Residuen ist bei allen vier Modellen nach dem Kolmogorov-Smirnov-Test nicht abzulehnen. Die höchste bivariate Korrelation zwischen den unabhängigen Variablen beträgt 0, 539 (p>0, 001) bzw. τ=0, 319 (p=0, 003) für die Variablen „Prozeßsteuerung“ und „Vertragseinhaltung“, vgl. Tabelle 115 in Anhang G. Nur ein Toleranzwert beträgt 0, 43, alle anderen Toleranzwerte liegen zwischen 0, 57 und 0, 86. Die Untersuchung der Residuenplots ergibt keine Hinweise auf Heteroskedastizität oder nichtlineare Zusammenhänge. Bei zwei Modellen wurden zwei Ausreißer aus der Regressionsanalyse entfernt.388
Das Auftreten von Akzeptanzproblemen ist nach den Schilderungen der interviewten Geschäftsführer gerade dann wahrscheinlich, wenn Projekte nach außen gegeben werden, um Wettbewerb zur internen F&E-Abteilung der Auftraggeber zu schaffen, oder wenn Aufträge abgesprochen werden, ohne die Arbeitsebene mit einzubeziehen, vgl. Abschnitt 10.2.2.1.
Diese offenkundige Diskrepanz zwischen den Anspruchsniveaus von privaten gegenüber öffentlichen Auftraggebern wurde bereits im Rahmen der clusteranalytischen Untersuchungen in Abschnitt 10.4.2.2 festgestellt und diskutiert.
Dieser positive Zusammenhang zwischen der Unternehmensgröße und der Vorteilsdimension „Interne Gründe“ offenbarte sich ebenfalls bereits bei der Charakterisierung der Vorteilsdimen-sionen-Cluster, vgl. Abschnitt 10.4.2.2.
Auch in diesem Abschnitt werden die Hypothesen im folgenden aus Übersichtsgründen gruppenweise in Tabellenform zusammenfassend dargestellt. Vgl. zur vollständigen Ausformulierung der Hypothesen die Übersicht in Anhang H.
Da von den kommunikationspolitischen Erfolgsfaktoren kein direkter Einfluß auf die Rentabilität zu vermuten ist, werden diese Konstrukte nicht in diese Untersuchungen einbezogen.
Die Variable „Anteil öffentlicher Auftraggeber“ wird nicht betrachtet, da die geringe Restvarianz dieser Variable in dem um die „Geförderten“ (UC1 1) reduzierten Untersuchungssample keine Aussicht auf signifikante Zusammenhänge eröffnet.
Da gemäß den Ergebnissen der Kolmogorov-Smirnov-Tests die Annahme der Normalverteilung für die Variablen „Gesamteinnahmen“, „Vertragseinhaltung“, „Flexibilität“ und „Spezialisierung“ abzulehnen ist, sind die Signifikanzniveaus der t-Tests und der Mann-Whitney-U-Tests aufgeführt.
Die Mittelwertunterschiede sind teilweise signifikant (vgl. Tabelle 95). Für die Variable „Anteil der Vertragsforschung“ läßt sich keine eindeutige Tendenz feststellen.
Vgl. Hair et al. (1998), S. 244ff.
Als Maß für die Streuungszerlegung errechnet sich Wilks’ Lambda als Quotient aus nicht erklärter Streuung und Gesamtstreuung und ist somit zwischen null und eins normiert. Die Signifikanzprüfung durch F-Tests entspricht im Ergebnis einfaktoriellen Varianzanalysen zwischen Gruppie-rungs- und Merkmalsvariablen, vgl. Backhaus et al. (1996), S. 121.
Vergleichbar mit dem Vorgehen bei Regressionsanalysen werden bei Diskriminanzanalysen Koeffizienten von Diskriminanzfunktionen geschätzt, wobei ein Diskriminanzkriterium (der Quotient aus der erklärten Streuung zwischen den Gruppen und der nicht erklärten Streuung in den Gruppen) maximiert wird. Vgl. zur Methodik der Diskriminanzanalyse im folgenden insbesondere Bortz (1989), S. 736ff.; Backhaus et al. (1996), S. 90ff.; Hair et al. (1998), S. 239ff.; Dek-ker/Temme(1999).
Vgl. hierzu Backhaus et al. (1996), S. 149.
Die Korrelationskoeffizienten betragen r=0, 539 (p>0, 001) und τ=0, 319 (p=0, 003).
Die Korrelationskoeffizienten betragen r=0, 369 (p=0, 008) und τ=0, 298 (p=0, 004).
Die Korrelationskoeffizienten betragen r=0, 517 (p>0, 001) und τ=0, 370 (p>0, 001).
Der „Anteil der Entwicklung“ korreliert negativ mit dem Konstrukt „Wettbewerbsverzerrungen“ mit r=-0, 284 (p=0, 045) bzw. T=-0, 178 (p=0, 084). Im Umkehrschluß bestätigt dies wiederum die Ergebnisse des Abschnitts 10.5.1.1: Wettbewerbsverzerrungen durch staatlich subventionierte Vertragsforschungsanbieter wirken insbesondere für privatwirtschaftliche F&E-Einrichtungen beeinträchtigend, die Forschungsaufgaben für externe Auftraggeber übernehmen.
Der „Anteil privater Auftraggeber“ korreliert positiv mit den Konstrukten „Prozeßsteuerung“ und „Vertragseinhaltung“, was wiederum die Anspruchslosigkeit öffentlicher Auftraggeber unterstreicht. Außerdem korrelieren die „Gesamteinnahmen“ positiv mit dem Konstrukt „Übergeordnete Steuerung“, vgl. Tabelle 116 in Anhang G.
Die Koeffizienten dieser Korrelation betragen r=0, 512 (p>0, 001) und τ=0, 373 (p>0, 001). Zu den weiteren Ergebnissen der Korrelationsanalysen vgl. die Darstellung der gesamten Korrelationsmatrix in Anhang G.
Die weiteren Toleranzwerte sind größer als 0, 515.
Dies hat zur Folge, daß die Klassifizierungsergebnisse der Diskriminanzanalyse zumindest in Frage zu stellen sind.
Dies sind die mittleren Diskriminanzwerte der drei Umsatzrendite-Gruppen, und sie geben die typische Lage eines Gruppenmitglieds entlang der Diskriminanzfunktionen an, vgl. Hair et al. (1998), S. 245.
Dies ist verfahrensbedingt zu erklären, da die zweite Funktion so ermittelt wird, daß sie möglichst viel der nach Anwendung der ersten Funktion noch verbleibenden Reststreuung erklärt und somit orthogonal zur ersten Funktion verläuft. Vgl. Backhaus et al. (1996), S. 113.
Diese „discriminant loadings“ können analog zu Faktorladungen interpretiert werden: Hohe Werte weisen somit ebenfalls auf ein hohes diskriminatorisches Potential einer Variablen bezüglich der jeweiligen Diskriminanzfunktion hin. Vgl. Hair et al. (1998), S. 272.
Die mittleren Diskriminanzkoeffizienten für die weiteren Variablen liegen mit Werten zwischen 0, 062 und 0, 360 deutlich niedriger.
Dabei wurde schrittweise vorwärts selektierend (Selektionskriterium: Minimierung des Wilks’ Lambda; minimal zu erfüllender F-Wert zur Aufnahme einer Variablen: 3, 5) vorgegangen. Als Ergebnis werden sukzessiv insgesamt die fünf Variablen „Prozeßsteuerung“, „Nachfragedefizit und-Schwankungen“, „Flexibilität“, „Spezialisierung“ und „Anteil der Entwicklung“ zur Bildung von zwei hoch signifikanten Diskriminanzfunktionen herangezogen.
Entsprechend wird auch auf die Darstellung von Klassifikationsdiagrammen verzichtet.
Vgl. Krafft (1997), S. 626; Hair et al. (1998), S. 246; Krafft (1999) und die dort angegebene Literatur.
Vgl. zur Gütebeurteilung und zur Methodik der logistischen Regression Krafft (1995), S. 86ff.; (1997); Hair et al. (1998), S. 276ff.
Die Freiheitsgrade ergeben sich aus 50 Beobachtungen minus 14 zu schätzende Parameter.
Vgl. zur Anwendung dieser Kriterien Krafft (1997), S. 631 f. und die dort angegebene Literatur.
Vgl. hierzu die starken statistischen Zusammenhänge zwischen der Bedeutungseinschätzung und dem tatsächlichen Einsatz der Instrumente, die zu Beginn dieses Abschnitts (Tabelle 88) dargestellt wurden.
Die absolute Höhe der Einschätzungen zu den Vorteilen einer Auftragsvergabe an ihre Einrichtungen wird durch die befragten Geschäftsführer — wie in Abschnitt 10.2.2.1 diskutiert — vermutlich stark überbewertet. Für die Ableitung der folgenden Handlungsanweisungen ist aber nicht die Übereinstimmung der absoluten Ausprägungen, sondern lediglich die Übereinstimmung der relativen Ausprägungen dieser Vorteilsvariablen in den Urteilen von Auftraggebern und Auftragnehmern potentieller Vertragsforschungsbeziehungen erforderlich.
Rights and permissions
Copyright information
© 2000 Springer Fachmedien Wiesbaden
About this chapter
Cite this chapter
Rüdiger, M. (2000). Großzahlige empirische Untersuchung der Vertragsforschung in Ostdeutschland. In: Forschung und Entwicklung als Dienstleistung. DUV Wirtschaftswissenschaft, vol 36. Deutscher Universitätsverlag, Wiesbaden. https://doi.org/10.1007/978-3-663-08504-1_10
Download citation
DOI: https://doi.org/10.1007/978-3-663-08504-1_10
Publisher Name: Deutscher Universitätsverlag, Wiesbaden
Print ISBN: 978-3-8244-0539-8
Online ISBN: 978-3-663-08504-1
eBook Packages: Springer Book Archive