Zusammenfassung
Im vierten Kapitel wurde die theoretische Richtigkeit des Realoptionsansatzes prinzipiell bejaht.1 Gleichzeitig wurde die Frage aufgeworfen, ob sich die komplexen Formeln und Verfahren soweit operationalisieren lassen, daß sie für den Pharma-F & E Fall spezifiziert und in der Praxis auch verstanden und eingesetzt werden können. Ziel dieses Kapitels ist es, zu untersuchen, inwieweit der Realoptionsansatz eine genauere Bewertung ermöglicht und als neues mentales Modell eine „thinking structure” anbietet, auf deren Grundlage die besonderen Chancen und Risiken eines F & E-Projekts in Pharma strukturiert durchdacht, in der Organisation transparent diskutiert und so einer rationalen Willensbildung zugeführt werden können.
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
Wenn auch die Methode der Contingent Claims Analysis als „pricing routine” für den F & E-Fall in Abhängigkeit der Risikostruktur nicht als zwingend überlegenes Verfahren zur quantitativen Bewertung risikobehafteter Cash Flows charakterisiert werden kann.
Das fünfte Kapitel ist eng mit dem 6. Kapitel (Fallstudie) verbunden; erst die Betrachtung beider Kapitel zusammen gibt Antworten auf die Forschungsfragen 5a und 5b. 198
Diese Unterscheidung geht auf Menon/Varadarajan (1992) zurück. Sie unterscheiden drei Formen der Nutzung von Wissen (S. 56): instrumental use. The direct application of research findings and conclusions to solve a policy problem is referred to as instrumental use ... Conceptual use. Conceptual use of research is less direct and more indirect than instrumental use ... Projects and studies commonly provide concepts, assumptions, models and theories...” Die dritte Form ist die symbolische Nutzung von Wissen, bei der Informationen entgegen ihrem eigentlichen Sinn manipulativ gebraucht werden. Auf diese dritte Form wird im siebten Kapitel im Zusammenhang mit der Rationalitätssicherung bei der Anwendung noch einmal eingegangen werden.
Menon/Varadarajan (1992), S. 56.
Vgl. Thomas (1984), S. 149: „A thorough strategic decision analysis of available options is frequently extremely complex and time-consuming. It is, therefore, most important to undertake the maximum amount of preliminary screening.”
Vgl. Ocasio (1997) und Schäffer (1999) zur Notwendigkeit der Fokussierung der Management Attention.
Vgl. auch Literaturüberblick Realoptionen in F & E im Anhang. In diesen Abhandlungen sind kaum Versuche unternommen worden, die Modelle im Hinblick auf eine spezifische Problemstellung und für den Einsatz in der F & Ea-Praxis (z.B. Parameterbestimmung, Modellkomplexität) zu operationalisieren. Relativ weit fortgeschritten ist die Operationalisierung instrumenteller Ansätze in der Rohstoffindustrie, vgl. z.B. Luenberger (1998); Smith/McCardle (1998); Lund (1999); Moel/Tufano (1997, 1998, 1999).
Vgl. z.B. Cheung (1993), S. 45. Cheung erkennt den Nutzen der qualitativen Analyse explizit an, entwickelt jedoch keinen über die komparative Statik des Black-Scholes Modelles hinausgehenden Denkrahmen.
Vgl. Trigeorgis (1988), S. 157; ähnlich Kester (1984), S. 159; Übernahme aber keine Weiterentwicklung z.B. durch Fischer (1996), S. 143 und S. 174.
Vgl. Slater/Reddy/Zwirlein (1998), S. 455.
Vgl. Luehrman (1998b).
Vgl. Meise (1998), S. 86. Mit der komparativen Statik sind Aussagen gemeint wie „Unsicherheit ist gut”; vgl. auch die Vorzeichen in Abbildung 4–3 in dieser Arbeit sowie Abbildung 3–11 in Meise (1998), S. 74
Zur Illustration: Die von Meise vorgeschlagene Rekursion auf die komparative Statik des Black-Scholes Modells führt zu der Aussage, daß mehr Unsicherheit prinzipiell vorteilhaft ist. Im Kapitel 5.2. wird gezeigt, daß eine solche unreflektierte Nutzung des Realoptionsansatzes in Pharma zu groben Fehlbewertungen führen kann. Diese Auffassung wird auch durch die Modellergebnisse von Reinhardt (1997) und Huchzermeier/Loch (1997, 1999a,b) bestätigt, die eine differenzierte Analyse der Unsicherheit fordern. Die Black-Scholes Analyse erfordert jedoch, daß alle Unsicherheiten in eine einzige Volatilitätskennzahl umgeformt werden.
Vgl. Bowman/Hurry (1993).
Meise (1998), S. 127, schlägt einen fünfstufigen Prozess vor: Beschreibung des Entscheidungsproblems, Identifikation der wichtigen Handlungsspielräume, Interpretation der Realoptionen und Ermittlung der Modellparameter, Wahl des Bewertungsansatzes und Ermittlung des Projektwertes, Entscheidung über das Projekt und Ableitung der optimalen Strategie. Amram/Kulatilaka (1999a), S. 90ff., schlagen einen vierphasigen Prozeß vor: Frame the Application, Implement the Option Valuation Model, Review the Results, Redesign. Hommel/Pritsch (1999), S. 122, strukturieren den Bewertungsprozeß ebenfalls entlang von vier Phasen: Bestimmung der Relevanz des Realoptionsansatzes, Auswahl der Bewertungsmethode, Durchführung der Bewertung, Feinabstimmung.
Die pharmazeutische Literatur beschränkt sich auf Abhandlungen der technischen Entwicklungs unsicherheiten, vgl. z.B. Spilker (1989) und die dort angegebene Literatur sowie Herzog (1995), S. 143f.; Kahle (1995), S. 320f.
Vgl. noch einmal Abbildung 3–13 für eine Beschreibung der befragten Gruppe.
Die Erkenntnis, daß Life-Cycle Managementmöglichkeiten Realoptionen sind, wurde jüngst durch Bollen (1999) bestätigt.
„Second Line Therapy” bedeutet, daß das Medikament nur eingesetzt werden darf, wenn die Standardbehandlung (,,First Line Therapy”) nicht oder nicht mehr anschlägt.
Vgl. Reinhardt (1997), S. 160ff.
Kelogg/Charnes/Demirer (1999).
Vgl. Schwartz/Moon (1999).
Vgl. Pindyck (1993a); ebenso Ott (1992).
Vgl. Huchzermeier/Loch (1999a,b).
Dieses Risiko läßt sich weiter verfeinern. Die Unsicherheit bezüglich der Wirksamkeit ist beispielsweise eine Funktion der Frage, ob das vermutete Wirkungsprinzip an sich funktioniert und ob die Bio Verfügbarkeit der Substanz im menschlichen Organismus ausreichend ist. Ferner bestehen technische Risiken hinsichtlich der Herstellbarkeit (z.B. Reinheit, Stabilität) der Substanz.
Es besteht ein begrenztes Substitutionsverhältnis zwischen dem Realisationsrisiko und dem Kostenrisiko insofern, als daß die parallele Entwicklung von Back-up Kandidaten die Gesamterfolgswahrscheinlichkeit in Grenzen erhöhen kann.
Diese Unsicherheiten sind nach. Pindyck (1993a) technisch bedingte Kostenunsicherheiten, weil sie auf technischen Faktoren und nicht auf der Entwicklung von Marktpreisen beruhen.
Vgl. z.B. Grabowski/Vernon (1996b) für die Auswirkungen regulatorischer Veränderungen im Zusammenhang mit dem Waxman-Hatch Act in den USA.
Zur Rolle der Zinsvolatilität auf Investment-Entscheidungen, vgl. Ross (1995); Spahr/Schwebach (1998).
Vgl. z.B. Smit/Ankum (1993); Pindyck (1993b); Smit (1996); Smit/Trigeorgis (1997, 1998); für eine zeitstetige Analyse des Smit/Trigeorgis-Problems vgl. Joaquin/Butler (1999).
Vgl. Bienz-Tadmor/DiCerbo/Lasagna (1992).
Drews/Ryser (1996), S 101, weist darauf hin, daß die klinischen Erfolgschancen von Biotech Produkten zwar höher sind, die präklinischen Chancen jedoch niedriger.
Vgl. Gosse/DiMasi/Nelson (1996), S. 617.
Vgl. DiMasi (1995b).
Vgl. Details hierzu im Anhang.
Vgl. DiMasi/Hansen/Grabowski/Lasagna (1995).
Vgl. auch DiMasi/Hansen/Grabowski/Lasagna (1995), S. 161.
Vgl. DiMasi (1995b), hier Tabelle I, S. 6.
Die meisten der Allianzen sind Biotech-Transaktionen, die bedingt durch die Technologie in der Vergangenheit eine höhere Realisationswahrscheinlichkeit hatten. Vgl. Bienz-Tadmor/DiCerbo/Lasagna (1992), S. 524.
Vgl. DiMasi/Manocchia (1997).
Manchmal melden Wettbewerber jedoch zu einem späten Zeitpunkt Ansprüche (z.B. Gewinnbeteiligung) an, z.B. wenn eine andere patentierte Substanz zur Herstellung des Medikamentes notwendig ist. Die Verhandlungen darüber werden oftmals erst sehr spät (während Zulassung) aufgenommen, weil der Wettbewerber die Rechtskosten oftmals erst dann in Kauf nimmt, wenn von einer Kommerzialisierung des Medikaments mit hoher Wahrscheinlichkeit auseeeaneen werden kann.
Over-the-Counter Produkte sind nicht verschreibungspflichtige Medikamente, z.B. Aspirin. Man vergleiche einmal den Preis für Aspirin in Deutschland mit dem Preis für das gleiche Produkt in Mexiko — offenbar führt die niedrigere Kaufkraft des mexikanischen Marktes zu einer ganz anderen Preisgestaltung, was auf eine elastische und vom Einkommen abhängige Nachfragekurve hinweist.
Der Entwicklungsstand des Wettbewerbs ist oftmals eine bekannte Größe: Der Pharmamarkt ist sehr transparent, weil Forschungsergebnisse in einschlägigen Zeitschriften und auf Kongressen frühzeitig (teilweise schon ab Phase I) veröffentlicht werden und die spätere Kundschaft aus Marketing- und Forschungsgründen sehr frühzeitig mit dem angestrebten Target Profile in Kontakt gebracht werden.
Vgl. Pindyck (1993a).
Vgl. Reinhardt (1997).
Vgl. Huchzermeier/Loch (1997, 1999a,b).
Im folgenden wird unterstellt, daß jeweils eine Handlungsflexibilität existiert, die eine Reaktion auf veränderte Zustände ermöglicht (andernfalls ist die für den Projektwert einzig relevante Frage, ob sich der Mittelwert einer den Projektwert beeinflussenden Variable ändert).
Vgl. Pindyck (1993a).
Dixit/Pindyck (1994), S. 346.
Vgl. Nichols (1994), S. 90.
Zur Dominanz der Betrachtung von Lernoptionen vgl. Aufstellung im Anhang.
Childs/Ott/Riddiough (1997), S. 6; allerdings kann der Noise-Effekt unter bestimmten Bedingungen auch zu einer vergleichsweise stärkeren Verzögerung des Investments führen, vgl. S. 31.
Vgl. Grabowski/Vernon (1990), S. 818; Grabowski/Vernon (1990), S. 204; Lifecycle Modelle Lehman Brothers (1997).
Vgl. König/Ruzicik/Schuppenhauer/Sepp (1999).
Eine Integration von Spieltheorie und Realoptionen findet sich in Spencer/Brander (1992); Pindyck (1993b); Smit/Trigeorgis (1995, 1997, 1998); Smit (1996); Lambrecht/Perraudin (1997); Weeds (1999a,b). Eine leicht verständliche Einführung in deutscher Sprache, die jedoch über die bekannte angelsächsische Literatur und einige Grundüberlegungen nicht hinausgeht, findet sich in Crasselt/Tomaszewski (1998). Für die industrieökonomische Literatur vgl. Dasgupta/Stiglitz (1980). Letztere zeigen, daß ein bestehendes Unternehmen potentiell in den Markt eintretende Unternehmen durch exzessives Investment in F & E vom Eintritt abhalten kann und daß frühe Investments in F & E umso wahrscheinlicher sind, je wettbewerbsintensiver das Marktumfeld ist.
Vgl. Smit/Trigeorgis (1998), S. 21. Zur Bedeutung der Preemption durch Patente vgl. auch Smiley (1988). Zu anderen Ergebnissen kommen Smit/Trigeorgis dann, wenn der Wettbewerb nicht in F & E investieren kann. Das Modell analysiert ein sequentielles Investment, bei dem zunächst nur ein Unternehmen F & E betreiben kann, wobei die Durchführung von F & E zu einer Reduktion der variablen Produktkosten und damit zu einer besseren Stellung bei der Folgeentscheidung zum Markteintritt führt. Der Wert dieses Investments setzt sich aus drei Effekten zusammen: dem direkten Wert der direkten Kostenersparnis, dem strategischen Reaktionswert und dem strategischen Preemptionswert. Unter den Bedingungen des (mengenbedingten) Cournout-Spiels führt das Investment sowohl zu einem positiven strategischen Reaktionswert (der Wettbewerber reduziert seine Outputmenge) als auch zu einem positive Preemptionswert. Insbesondere bei ungünstigen Marktbedingungen (z.B. geringe Nachfrage) und geringer Unsicherheit kommt dann ein positiver Nutzen dadurch zustande, daß der Wettbewerber angesichts der relativen Kostennachteile vom Markteintritt absieht und sich die Marktstruktur vom Nash-Gleichgewicht zum Monopol verändert. Der Wettbewerbseffekt ist jedoch negativ, falls der Nutzen aus F & E nicht proprietär ist und auch vom Wettbewerb genutzt werden kann. Im Falle des preisdeterminierten Wettbewerbs ist das Vorzeichen des Wettbewerbseffektes genau umgekehrt: Die Kostensenkung führt zur allgemeinen Preissenkung und damit zur Verringerung des Marktpotentials, während zumindest unter normalen Nachfragebedingungen der Wettbewerber nicht verdrängt werden kann (die Situation ähnelt dem Gefangenendilemma).
Weeds (1999b) zeigt jedoch, daß die Gefahr von Patentwettläufen Wettbewerber unter bestimmten Bedingungen auch veranlassen kann, von zu schnellem Investment abzusehen mit der Folge, daß der Flexibilitätswert unter Umständen auch erhöht werden kann.
Vgl. Drews/Ryser (1997b), S. 1319:„The history of drug research tells us that novel solutions to the treatment of serious diseases have been chronically underestimated in terms of their financial potential. This was true for aspirin as much as for sulfonamides, for penicillin and other antibiotics as much as for modem immunosuppressives, for stereoid hormones as much as for benzodiazepines. For example, the development of sulfoamides provided an entry point into diabetes therapy and the treatment of hypertension through development of sulfonylureas and diuretics like hydrochlorothiazides. In the same manner, tubercolostatics led to antidepressive drugs, and the success of penicillin reopened the whole concept of antibiotics; aspirin provided not only a tool for understanding the mechanism of inflammation, but was also indirectly responsible for opening up the area of nonsteroidal anti-inflammatory drugs (NSAIDS). None of these important drugs — each of which represent a revolution in drug research — could have survived the secretatian an unimaginative attack of NPV apostles.”
Moore (1994), S. 5.
Vgl. Drews (1994a), S. 135. Ein Beispiel wäre Aspirin, welches lange Zeit als Antiphlogistikum und Analgetikum nun als Prophylakttikum zur Verhinderung von Thrombozytenaggregation benutzt warden kann; Chloroquin, welches zunächst als Malariatherapeutikum entwickelt wurde und dann seinen Weg in die Rheumatherapie fand, ist ein zweites Beispiel. Vgl. Drews (1989a), S. 131.
Dieses geschieht leider weder in der Theorie — vgl. z.B. Kelogg/Charnes/Demirer (1999) — noch in systematischer Weise in der Praxis (Erfahrungen aus den Experteninterviews und dem Studium der Projekt dokumentationen).
Vgl. im folgenden: Trigeorgis (1993a,b); Kulatilaka (1995), S. 121, ff, Trigeorgis (1996), S. 227ff.; Childs/Ott/Triantis (1998).
Vgl. Hommel/Pritsch (1999a), S. 133 sowie die in der vorangehenden Fußnote angegebene Literatur.
Ob und in welchem Umfang eine formale Optionspreisbewertung notwendig ist, hängt von der konkreten Problemstellung ab. Ist das Ziel der Bewertung z.B. lediglich die Priorisierung der internen Pipeline (und besteht keine Mittelkonkurrenz zu den externen Projekten), so können unter Umständen einfache Entscheidungsregeln zu einem sinnvollen Ergebnis führen: Haben zwei Projekte etwa eine sehr ähnliches Risikoprofil und gleichartige Handlungsspielräume (ergo ähnliche Optionalitäten), so mag es z.B. ausreichend sein, auf das Marktpotential des jeweiligen Medikamentes zu schauen. In anderen Fällen ist vielleicht eine Priorisierung offensichtlich (Blockbuster mit hoher Realisierungswahrscheinlichkeit vs. Orphan-Drug mit geringen Realisationsaussichten). Im Kapitel 7 wird diese Fragestellung unter dem Stichwort „requisite modeling” im Zusammenhang mit der richtigen Nutzung des Realoptionsansatzes aufgegriffen.
Vgl. Meise (1998), S. 127; Amram/Kulatilaka (1999a), S. 99; Hommel/Pritsch (1999).
Vgl. Kapitel 1 und Anhang für weitere Informationen und Interview-Guide.
Vgl. Derman/Kani/Ergener/Bardhan (1995), S. 65; Broadie/Detemple (1997), S. 47.
Für eine anschauliche Beschreibung der Trading-Umgebung vgl. Gumerlock/Litterman (1998), Kapitel 1.
Vgl. Figlewski/Green (1999).
Gleichzeitig ist eine genaue Bewertung im Prinzip auch möglich, weil über die Finanzmärkte entsprechend marktnahe Informationen zur Verfügung stehen, so daß eine hohe Datengenauigkeit der Inputparameter in den meisten Fällen gewährleistet werden kann. Vgl. z.B. die Ausführungen von Engle (1993) zur Schätzbarkeit der Volatilität.
Vgl. Amram/Kulatilaka (1999b), S. 99.
Vgl. ähnlich Lander/Shenoy (1999), S. 8: „...it is important not to lose sight of the fact that none of the capital budgeting decision-making frameworks give absolutely precise valuations.”
Die Entscheidungspunkte fallen in der Praxis oftmals mit den Review-Terminen des Portfolioboards zusammen. Aus diesem Grund wurde die Möglichkeit mehrerer diskreter Ausübungszeitpunkte (Bermudan Option) hier mit aufgenommen.
Zur Modellierung von Wettbewerbseffekten als Dividenden, vgl. Trigeorgis (1996), S. 274ff.
Die Frage der Geschwindigkeit der Modellerstellung ist hingegen sehr wohl eine wichtige; sie wird durch die noch zu erklärenden Kriterien Nutzeranforderungen und Leichtigkeit der Implementierung abgedeckt.
Stattdessen werden umfangreiche Sicherungsmaßnahmen (z.B. Risikocontrolling) eingesetzt, die die Modellrichtigkeit und die richtige Modellnutzung sicherstellen sollen. Allerdings stellt sich die Frage, ob die finanziellen Disaster, die teilweise sogar das weltweite Finanzsystem insgesamt gefährden — man denke an den Hedge Fund der LTCM, vgl. Jorion (1999) — nicht auch darauf zurückzuführen ist, daß das Management die komplexen Methoden nicht mehr nachvollziehen kann und eine Rationalitätssicherung durch die Entscheidungsträger nicht mehr möglich ist.
D.h. analytische Verfahren, numerische Verfahren wie Lattice-Verfahren, Monte Carlo Analysen oder numerische Lösung partieller Differentialgleichungen.
Vgl. Ausführungen im Zusammenhang mit Lernoptionen sowie Perlitz/Peske/Schrank (1999), S. 265.
Die Option to Learn & Abandon also mangels neuer Informationsgewinne vernachlässigbar ist bzw. Nur noch die Phase III aussteht.
Vgl. Chung (1993); Chung/Kim (1997); vgl. auch Pindyck (1993a) für Kostenunsicherheit. Anders als in Pindyck geht Chung jedoch davon aus, daß auch diese Unsicherheit durch ein „spanning” erfaßt wird und somit die Methode der Contingent Claims direkt benutzbar wird.
Vgl. Fischer (1978); McDonald/Siegel (1985).
Vgl. Ottoo(1998a,b).
Vgl, Ottoo (1998b), S. 628.
Die Idee hinter diesem Ausdruck ist, daß wenn der Wettbewerb gute Erfolgsaussichten hat, dann muß das eigene Unternehmen mehr investieren, um die neue Technologie als erster zu entwickeln; dadurch reduziert sich die erwartete Zeit bis zur Innovation.
Ottoo nennt diesen arbiträr zu wählenden und nicht weiter erklärten Parameter „market test parameter”. Korrespondenz mit dem Autor ergab, daß damit die Laufzeit der Option nach oben korrigiert werden soll, um z.B. die Zeit, die Patent- oder Aufsichtsbehörden zur Zulassunge benötigen, einzubauen.
Vgl. Ottoo (1999).
Vgl. Margrabe (1978); Carr (1988).
Dabei vernachlässigt Ottoo allerdings mögliche Interaktionseffekte.
Beispielsweise ist das Modell unbrauchbar, wenn sich das tatsächliche Marktpotential dem Unternehmen nicht vor, sondern erst nach der Durchführung der Kommerzialisierungsinvestition offenbart. Zudem stimmt die Vorgehensweise bei der Bestimmung der Laufzeit der Option nicht mit den in Pharma klar definierten Phasen überein.
Pennings/Lint (1998a) nehmen an, daß die Höhe Sprungamplitude symmetrisch verteilt ist. Eine Modellierung der Annahme, daß Sprünge nach unten zu größeren/kleineren Projektwertveränderungen führen ist jedoch möglich.
Vgl. Perlitz/Peske/Schrank (1999), hier S. 264ff.
Vgl. Geske (1979).
Vgl. Geske (1979), S. 68 und Anhang bei Geske.
Dieses Grundproblem wird von Perlitz/Peske/Schrank (1999), hier S. 260, lediglich angerissen: „Recent publications on R&D option value make an important assumption concerning the volatility [it is differentiated between ‘market uncertainty’ and ‘technical uncertainty’] which might have to be included in future research...” (keine Hervorhebung im Original).
Vgl. ähnlich Amram/Kulatilaka (1999a), S. 98: „Common errors in framing applications ... Using quick-fix solutions to value complex options. The Black-Scholes equation is a terrific tool for option valuation, and we discuss the range of applications for which it is well suited ... Frequently, however, real options applications are too complicated for Black-Scholes, and managers can be quite misled by these misframed problems.”
Vgl. Merton (1992).
Vgl. Wilmott (1998), S. 615f.
Vgl. auch sick (1995), S. 648 und S. 668: “With real assets, there are so many uncertainties about precise asset values, and parameter values of stochastic processes that the analyst cannot hope to get precise values of real options and the critical values for decision making. Thus, the choice between continuous-time and discrete time should be made to help the analyst understand the economics of the problem in order to be able to chose a meaningful model for the analysis. Real options analysis has not yet been adopted as widely in the practical world as has financial option analysis, so an important desideratum for the analyst is to make the model understandable by those who will have to make a decision with it... Little, if anything, is given up by taking a discrete-time approach to analyzing real options, because accreted determination of value and optimal exercise hurdles is not as important as development of a consistent, economically meaningful mode. The primary problem for the practitioner is to have analytic tools that are reliable and unlikely to result in bizarre normative prescriptions. By keeping the economic intuition in the problem as long as possible, there is a less likelihood of a serious modeling error.”
Lattice-Verfahren wie das im vierten Kapitel vorgestellte Binomialmodell werden daher häufig zur Bewertung exotischer Optionen benutzt, vgl. z.B. Boyle (1988) im Zusammenhang mit Rainbow-Optionen.
Vgl. auch Boyle (1988); Kamrad/Ritchken (1991a).
Vgl. auch Reinhardt (1997), S. 167f.
Vgl Reinhardt (1997). Reinhardt zeigt auch, wie das Basismodell um eine maximale Investitionsintensität und um verschiedene Flexibilitäten erweitert werden kann (Markteinführung, Abbruch, Nichtstun, Forschen & Entwickeln usw.). Das Modell bietet eine Reihe von Ansatzpunkten, die auch für den Pharmafall genutzt werden können. Allerdings ist davon auszugehen, daß es für die meisten Situationen notwendig erscheint, die Risikostrukturen des Modells auszuweiten. Für viele Projekte ist die Wettbewerbssituation (z.B.: wer kommt zuerst auf den Markt?) eine so wichtige Frage, das derartige Effekte gesondert modelliert werden sollten, anstelle in einer dann nicht mehr transparenten allgemeinen Marktunsicherheit zusammengefaßt werden. Ferner werden die in Pharma klar abgegrenzten Phasen nicht transparent.
Vgl. Jägle (1999). Das Modell bildet letztlich nur eine Unsicherheit ab, nämlich das technische Realisationsrisiko. Dieses mit Hilfe eines Binomialmodells replizieren zu wollen, ist ökonomischer Unfug. Das technische Risiko eines einzelnen Projektes läßt sich auf Kapitalmärkten nicht replizieren. Insofern ist das Modell bereits im Ansatz falsch. Hinzu kommt, daß es durch die Betrachtung nur einer Unsicherheitsund Flexibilitätsquelle als Standardmodell ebenfalls nicht in Frage kommt. Insgesamt kann die Abbildungsgenauigkeit bei diesem Modell nicht gesichert werden.
Dies ist allerdings kein Problem der Modellklasse Lattice-Verfahren, sondern des Jägleschen Ansatzes.
Vgl. Kellog/Charnes/Demirer(1999).
Z.B. durch Nutzung von @Risk für die Simulation und RiskOptimizer zur Bestimmung des optimalen Ausübungszeitpunktes. Vgl. Winston (1996, 1998, 1999a,b,c).
Vgl. Winston (1999c), S. 41; vgl. auch obige Argumentation zum Kriterium der Genauigkeit.
Dieses Vorgehen wird in Winston (1999a) illustriert und baut theoretisch auf Luenberger (1998), Kapitel 9 und Kapitel 16.
Vgl. Huchzermeir/Loch (1999a,b); vgl. auch Huchzermeir/Loch (1997) für eine frühere Version eines ähnlichen Modells.
Vgl. hierzu Huchzermeir/Loch (1999a).
Diesen Weg gehen z.B. Huchzermeir/Loch (1999a), S. 5 und S. 7, indem sie annehmen, die vom Markt geforderte Mindestperformance sei eine mit dem Marktrisiko nicht korrelierte Größe.
Vgl. Willner (1995), S. 225: „Although the resulting skewed cash-flow distribution can be accounted for by applying decision tree analysis (DTA), such analysis is tedious and is mostly ignored in practice. Contingent cash flows can be quite complex and can lead to an unwieldy number of branches for a decision tree. By starting with a cash-flow generating process and continuous probability distributions, rather than discrete DTA, many complex outcomes can be considered at once in a more compact option analysis.” Ähnlich Smith/McCardle (1999), S. 3, in Zusammenhang mit der Bewertung eines Rohstoffprojektes: „...the tree is much too large to be evaluated using off-the-shelf decision analysis software and today’s personal computers. For these reasons, we referred to this tree (and others like it) as a dream tree... The simplified tree ... had approximately 52,500 endpoints in a complex spreadsheet-based economic model.”
Zu beachten ist, daß nicht jede Problemstellung die Verfügbarkeit aller Methodenmerkmale erfordert.
Vgl. auch Hommel/Pritsch (1999a), S. 130.
Faulkner (1996), S. 51: „The decision tree approach offers two advantages over Black-Scholes. First, the analysis can be made more visible and understandable so that counter-intuitive outcomes can be made less surprising...”
Vgl. z.B. Benninga (1997), Kapitel 11–13; Winston (1999a,b,c); Hommel/Pritsch (1999b).
Bei der Bewertung von Wachstumsoptionen besteht beispielsweise der wesentliche Bewertungsfehler bei der Benutzung von Entscheidungsbäumen oder NPV häufig nicht nur in der Verfahrens wähl, sondern in der isolierten Betrachtung nur eines durch das F & E-Vorhaben erreichbaren Target Profiles. Sollen sekundäre Applikationen mitbewertet werden, so benötigen sowohl traditionelle NPV als auch Optionspreisverfahren eine Schätzung des entsprechenden Marktpotentials. So beschränkten manche der befragten Unternehmen ihre quantitative Analyse auf die Berechnung eines probabilistischen Net Present Value (Entscheidungsbaum, der nur technisches Risiko berücksichtigt). Eine Schätzung der Wahrscheinlichkeit und der Auswirkungen von Wettbewerbseintritten entfällt dann. Im Optionsmodell zwingt möglicherweise die Frage der Dividenden zur Auseinandersetzung mit der Frage und ergo zu einem augenscheinlich höheren Datenaufwand. Dieser würde jedoch ebenso entstehen, wenn man die Genauigkeit des DTA-Modells verbessern würde.
Vgl. Pennings/Lint (1997), S. 92: „Despite this relatively small error [ein Bewertungsfehler aufgrund gewisser Modell Vereinfachungen], the most delicate problem that causes far more serious errors in the option value is still the estimation of future cash flows.”
Ein Teilnehmer der im dritten Kapitel dargestellten Befragung schrieb in den Kommentaren zu den Antworten: „The most difficult decision in pharma R&D is what level of resources to assign to each project. The difficulty faced is based on not being able to accurately predict success through phases 1–3 and not being able to determine the ultimate market potential of a product (given time to market, competitive factors, efficacy, consumer preferences). In fact, these decisions have proved so difficult to call that many pharma companies have built “white elephant” plants — e.g. built manufacturing capacity thinking a product will be approved only to find out that the product does not make it through trials or that the market potential is a lot smaller than anticipated. Some of the best companies keep stats on their success rates through phases and total resources allocated to each project over time. However, by and large it is a guessing game for them. Particularly in the preclinical and early research phases, they rely on the intuition and track records of their prolific idea generators.”
Armstrong/Denniston/Gordon (1975); Merkhofer (1987); Powell (1995b), S. 116.
Vgl. Sharpe/Keelin (1998), S. 45f., zur Notwendigkeit der Schaffung von Transparenz im Budgetierungsprozeß in der Pharmaindustrie: „How do you make good decisions in a high-risk, technically complex business when the information you need to make those decisions comes largely from the project champions who are competing against each other for resources? ... There was no transparency to the valuation process, no way of knowing whether the quality of thinking behind the valuations was at all consistent ... decisions were driven by the advocacy skills of project champions — or made behind closed doors in a way that left many stakeholders in the process unpersuaded that the right road had been taken.”
Allerdings besteht natürlich die Gefahr der unreflektierten Übernahme der Daten. Dies zu verhindern, ist Aufgabe der Rationalitätssicherung (vgl. auch Kapitel 7).
Vgl. ähnlich Sick (1995), S. 668f.: „The situation is similar to a traditional capital budgeting setting in which the determination of NPV consists of discounting expected cash flows at a cost of capital. It is often possible to calculate a cost of capital to a reasonable degree of accuracy using accepted financial techniques that make reference to various market relationships. The job of forecasting cash flows is often done outside a market context, and it is easy for an analyst to glibly extent historic start-up growth rates into a forecast of unrealistically high growth rates for a mature project.”
Vgl. hierzu auch Brealy/Myers (1996), S. 211ff.
Vgl. Myers/Shyam-Sunder (1996), S. 212
Myers/Shyam-Sunder (1996), S. 217 und Ehrhardt (1994), S. 60. schlagen vor, Anleihen kurzfristiger Laufzeit zu nehmen, weil das CAPM ein Einperiodenmodell ist und bei langfristigen Anleihen auch ein „term premium” enthalten sein kann. Andere Autoren empfehlen, Laufzeiten zu nehmen, die dem Investmenthorizont entsprechen, vgl. z.B. Pratt (1998), S. 60.
Etwa Ibbotson Associates, Value Line, Merrill Lynch’s Security Risk Evaluation.
Vgl. Copeland/Weston (1988), S. 457. Diese Formel geht davon aus, daß es keine Vermögenssteuern gibt. Für entsprechende Erweiterungen vgl. Ehrhardt (1994), S. 116; Lally (1998)
Die Studie von Myers/Shyam-Sunder (1996) folgt der Analyse von Ibbotson Associates und geht von einer Risikoprämie von ca. 8% aus. Hier wird Copeland/Koller/Murrin (1994) gefolgt, vgl. Fußnote 124. 5% entspricht auch der von Fama/French (1997), S. 154, ermittelten Risikoprämie (Periode: 1963–1664).
Ähnlich Chung/Kim (1997), S. 418: „It is important to note that the correct beta to use in capital budgeting analysis is that of the asset once it has been created since it is cash flow stream from the asset in place that is being discounted. For growth firms, the market capitalization rate calculated from the firm’s stock beta may overstate the hurdle rate in evaluating new projects since the market-based beta contains the extra volatility of growth opportunities.”
In einer Präsentation an der De Paul University illustriert Stewart Myers diesen Zusammenhang anhand einer illustrativen Grafik, in der die Kapitalkosten für ein F & E-Projekt im Verlauf des Entwicklungszyklus von knapp 18% auf ca. 9% fallen. Vgl. Myers (1998).
Fama/French (1997), S. 154.
Herzog (1995), S. 284, schreibt z.B.: „Nun ist aber die Grundlage derartiger Umsatzerwartungen fraglich, und es gibt eine Reihe von Beispielen für verfehlte Prognosen ... 1985 prognostizierte die Firma Kidder Pearbody & Co. Inc. Für das Jahr 1990 weltweite Umsätze für die führenden Präparate; durch Vergleich mit den tatsächlich erzielten Umsätzen kann man feststellen, daß die Prognosen teilweise weit daneben lagen: Tagamet... erreichte nicht $700–800 Mio. US-$ Umsatz, sondern 1,1 Mrd. US-$,...Rogaine ... nur 140 Mio. US-$ statt 600–750 Mio US-$...”
In einem Unternehmen bestand der Engpaß insbesondere in der Schnittstelle zum Vertrieb. Die
Verkaufsmanager der Regionen werden nach Umsätzen und Deckungsbeiträgen gesteuert. Ein Produkt,
welches möglicherweise in einigen Jahren einmal auf den Markt kommt, hat für sie nur begrenzt Priorität.
Hinzu kommt, daß den Vertriebsverantwortlichen die Notwendigkeit der Projektbewertungen nicht ganz klar
war. Die Konsequenz war in dem befragten Unternehmen, daß der Vertrieb zwar der Auffoderung zur
Schätzung des jeweiligen Marktpotentials nachkam, die Qualität dieser Schätzungen aber sehr schlecht und
die Zahlen oftmals nicht nachvollziehbar waren.
Vgl. hierzu Copeland/Weston (1988), S. 441.
Die anderen Größen haben keine industriespezifische Logik, die gesondert erklärt werden müßte.
Für Beispiele aus der wissenschaftlichen Literatur vgl. z.B. Grabowski/Vernon (1990), S. 818;
Grabowski/Vernon (1996a), S. 204; Myers/Howe (1997), Kellogg/Charnes/Demirer (1999). Für
Erfahrungswerte aus der Praxis vgl. Drews/Ryser (1997a) und Sykes (1997).
Vgl. Lehman Brothers (1997).
Vgl. Grabowski/Vernon (1996a), S. 205.
Vgl. ähnlich Madauss (1990), S. 259: „Zur Kostenschätzung sind deshalb die persönliche Erfahrung des
Schätzers und eine hinreichend detaillierte Datenbank eine unabdingbare Voraussetzung”.
Folgende Beispielrechnung belegt dies. Angenommen, ein prospektives Projekt erwirtschafte einen
Jahresumsatz von US-$400 p.a., bei einer Kostenquote von 45%, und zwar über einen Zeitraum von t=10 bis
t=20 (Patentschutz nach Einführung; 10 Jahre Entwicklungszeit). Geht man von einem WACC in Höhe von
% aus, so ergibt sich für den Barwert der Cash Flows ein Wert von rd. 327 Mio. US-$. Geht man
hingegen von einem Wert von 12,5% bzw. 17,5% aus, so ergibt sich bereits eine Spannweite von 442 Mio.
US-$ bzw- 244 Mio US-$. Nimmt man diese Werte als Input für eine Black-Scholes Formel (Option auf
Markteinführung), nimmt zusätzlich Markteinführungskosten in Höhe von 150 Mio. US-$, einen risikofreien
Zins von 5%, eine Laufzeit der Option von 10 Jahren und eine Realisierungswahrscheinlichkeit von 10% an, so variiert der Projektwert zwischen rd. 35 Mio. US-$ (WACC=12,5%), über 23 Mio. US-$ (WACC=15%) bis zu 15 Mio. US-$ (WACC=17,5%). Die Spannweite ist also erheblich, so daß bereits bei durchaus plausiblen Parameterkonstellationen die unterschiedlichsten Ergebnisse gerechtferitgt werden können. Es muß daher sichergestellt werden, daß für Projekte der gleichen Risikoklasse auch der gleiche Kapitalkostensatz benutzt wird.
Vgl. z B Ott/Thompson (1996) und die dort angegebene Literatur.
Vgl. z.B. Pennings/Lint (1997), S. 89: „Consequently, the [R&D] option has to be considered as American
... In practice, R&D resources are to a large extent committed to a research project for a fixed period of
time...Therefore, considering the option as European instead of American will not significantly harm the
overall results.”
Vgl. z.B. Micalizzi (1999); Perlitz/Peske/Schrank (1999), S. 265.
Vgl. Amram/Kulatilaka (1999a), S. 149ff.
Vgl. PhRMA (1998), S. 23.
Beispielsweise müssen bei einem Diagnostica-Projekt mit einem bekannten Wirkstoff nicht notwendigerweise alle Phasen mehr durchlaufen werden, wenn es nur noch um die Wirksamkeit geht (direct Beginn in Phase II/IIb). Nach einer Erhebung des Centre for Medicine Research (CMR) variieren die durchschnittlichen Entwicklungszeiten zwischen 5–17 Jahren, wobei die Spannbreite zwischen 25%-75%der Antworten bei ca. 8–12 Jahren und der Median bei etwa 11 Jahren liegt (vgl http://www.cmr.org/news/6htm).
Vgl. DiMasi/Hansen/Graboswki/Lasagna (1995), S. 163
Vgl. Huchzermeier/Loch (1999b), S. 11.
Vgl. Braun (1987), S. 41ff. DiMasi/Hansen/Grabowski/Lasagna (1991, 1995).
Kosten kapitalisiert auf das Ende des F & E-Prozesses. Vgl. Gilmartin (1997), Drews/Ryser (1997a), S. 366.
Etwa Miccalizzi (1999), S. 11.
Die direkten durchschnittlichen Kosten je Phase unterscheiden sich erheblich von den Kosten, die auch die Kosten der Mißerfolge mit einrechnen. Die in der Studie von DiMasi/Hansen/Grabowski/Lasagna (1991, 1995) ausgewiesenen durchschnittlichen Kosten pro NCE von 231 Mio. US-$ (Basis 1987) ergeben sich, wenn man die Mißerfolge berücksichtigt, die Kosten für die gesamte Präklinik hinzurechnet und alle Größen auf den Zeitpunkt der Fertigstellung des Projektes mit 9% kapitalisiert. Diese Kosten sind vier mal so hoch wie die nicht kapitalisierten Phasenkosten vor Berücksichtigung der Mißerfolge.
Vgl. DiMasi/Hansen/Grabowski/Lasagna (1991, 1995); Myers/Howe (1997). Die Studien lassen allerdings keinen Rückschluß darauf zu, ob sich diese Kosten unternehmensspezifisch unterscheiden. Dies ist allerdings auch unwahrscheinlich, weil viele Ressourcen, z.B. die Versuchstiere, einen fixen Betrag kosten.
DiMasi/Hansen/Grabowski/Lasagna (1995) untersuchen (vgl. S. 130ff.), ob sich die Kosten nach dem FDA- Innovationsrating unterscheiden (die FDA klassifziert Produkte danach, ob sie einen wesentlichen therapeutischen Nutzen im Vergleich zum gegenwärtigen Behandlungsstandard darstellen [Typ A], einen kleinen Vorteil bringen [Typ B] oder gar keinen [Typ C].
Vgl. Grabowski/Vernon (1990), S. 813.
Vgl. Office of Technology Assessment (1993), S. 94.
Eine Studie von Lehman Brothers (1997), S. 13, zeigt auf, daß eine durchschnittliche US-Vertriebsorganisation ca. 500–600 Vertreter umfaßt und jährlich etwa US-$60–72 Millionen kostet.
Theoretisch ließe sich auch hier wieder ein Cash Flow Modell erstellen, mit dessen Hilfe eine Kostenschätzung standardmäßig erfolgt (etwa Anzahl der Test x Anzahl Patienten x Kosten pro Test etc.). Hinweise auf Kostengrößen wie z.B. die durchschnittlichen Kosten pro Patient in Phase I, II oder III finden sich z.B. in DiMasi (1995a). Vgl. auch Ausführungen im Report des Office of Technology Assessment (1993).
Jarrow kommentiert dieses Problem in einem Interview (o.V. (1997)) wie folgt: „The richer the model, the more realistic the model ... And there’s a tradeoff between the richness of the model and the computational complexity ... The more realistic the model, the more time-consuming it is to compute and estimate, and to understand and use intelligently. People tend to want to use the simplest model for the product and the application at hand so that intuition can play a part. If the models become too complex, you lose a lot of the intuition ...”
Vgl. Amram/Kulatilaka (1999a), S. 98.
Vgl Cherian/Perotti (1999), S.15f., für ein ähnliches Vorgehen im Zusammenhang mit der Bewertung von Optionen unter politischem Auslandsinvestitionsrisiko; Kellog/Charnes/Demirer (1999) für ein ähnliches Pharma-Modell.
Die Studie von Struck (1994) zeigt für Biotech höhere Erfolgschancen. Myers/Howe (1997) überschätzen die präklinische Erfolgsrate bei weitem; allerdings begründen sie dies im Anhang mit einer notwendigen Anpassung ihres Modells um die Anzahl der Projekte im Modell nicht zu groß werden zu lassen und kompensieren durch höhere Investitionskosten (vgl. Details im Anhang).
Vgl. Tversky/Kahneman (1974); Dawes (1988), S. 121. Merkhofer (1987) entwickelt ein Fünf-Stufen Modell zur Ermittlung guter Wahrscheinlichkeitsschätzungen, welches in der Literatur der Decision Analysis breiten Anklang gefunden hat. Spetzler/Von Holstein (1975)empfehlen den Einsatz trainierter Interviewpartner, die derartige Prozesse moderieren. Shepard/Kirkwood (1994) illustrieren, wie ein derartiges „probability elicitation interview” in der Praxis ablaufen kann. Brockhoff (1993a), S. 660, empfiehlt insbesondere auf eine Veränderung der Einschätzungen im Zeitablauf zu achten.
Vgl. ausführlich Dawes (1988) zum Problem des „representative Thinking” (S. 75ff.), des „availability bias” (S.99); desweiteren Spetzler/Von Holstein (1975), S. 345ff. Vgl. im Zusammenhang mit F & E-Projekten: Souder (1969); Schröder (1975); Rubinstein/Schröder (1977); Howard (1980); Brockhoff (1986, 1993a). Zur Ermittlung und Qualität subjektiver Wahrscheinlichkeiten im allgemeinen vgl. Pratt/Raiffa/Schlaifer (1964); Schaefer/Borcherding (1973).
Vgl. z.B. Diskussion bei Keeney/Winterfeldt (1991).
Die Literatur ist hier weniger präzise. Luehrman (1998a) unterscheidet drei Verfahren zur Bestimmung des Volatilitätsparameters an: Die Rekursion auf Finanzmarktdaten, Simulation und die Methode der intuitive Schätzung. Diese Einteilung ist nicht überschneidungsfrei: Beispielsweise erfordert die Berechnung der Projektwertvolatilität eines Bohrrechtes durch Beobachtung des Ölpreises die analytische Spezifikation zwischen Ölpreis- und Projektwertunsicherheit oder die Simulation mit Hilfe der Monte Carlo Methode.
Dieser Aspekt wird von Amram/Kulatilaka (1999b), S. 95, besonders hervorgehoben: „Different managers draw on different experiences and have different perspectives, which lead them to different conclusions ... In fact, there is only one right answer: the answer of financial markets. These markets are the final arbiter of an investment’s value, and the markets are adept at calculating the impact of uncertainty on value.”
Mögliche Ausnahme: Es existiert ein Einprodukt-Biotech Unternehmen, dessen F & E-Pipeline leer ist und die Risikostruktur des vermarkteten Projekt dem zu bewertenden entspricht.
Beispielsweise wird die Volatilität des Aktienkurses eines Biotech-Unternehmens mit geringen Umsätzen erheblich davon beeinflußt, ob sich die Erwartungen bezüglich der Realisierungswahrscheinlichkeit eines F & E-Projektes verändern. Da das Basisinstrument aber den Wert eines entwickelten Projektes modellieren muß, führen derartige Effekte zu einer Überbewertung der Volatilität.
Vgl. Sender (1994), S. 92.
Dadurch soll die Überbewertung technischer Erfolgsrisiken sowie des F & E-Leverage Effektes minimiert werden.
Vgl. Luehrman (1998a), S. 58.
Formel (5.12) nimmt an, daß bis zur Fertigstellung des Produktes keine Einzahlungen stattfinden.
Vgl. Luehrman (1998a), S. 58.
Vgl. Kapitel 2.
Z.B. die über die Gewinnmarge entscheidende Frage der Syntheseoptimierung bei Produkten mit niedrigem Preis-Herstellkostenverhältnis und hohen Investitionskosten.
Durch die Wahl d=l/u ist im Binomialmodell der Wert nach einem „up” und einem „down” derselbe als wenn erst ein „down” und dann ein „up” realisiert wird. Gilt dies nicht, so steigt die Anzahl der Knoten exponentiell an.
Die Rechtliche/ regulatorische Unsicherheit bedarf keiner gesonderten Behandlung, weil das Zulassungsrisiko analog zum technischen Realisierunsgrisiko abgebildet wird.
Vgl. ähnlich Huchzermeier/Loch (1999a). Ihr Modell bildet die Performance-Unsicherheit durch eine Binomialverteilung ab: Die Zeit bis zur Markteinführung wird in N Teilperioden zerlegt; in jeder Teilperiode verbessert (mit Wahrscheinlichkeit p/N) oder verschlechtert (mit Wahrscheinlichkeit [l-p]/N)sich die erwartete Performance. Überschreitet die Performance bei Markteinführung ein bestimmtes Niveau D, so erwirtschaftet das Projekt eine hohe Margin M, andernfalls eine niedrige Margin m.
Vgl. Kapitel 6 für ein Beispiel.
Verschiedene Erweiterungen sind möglich, z.B. die Annahme einer zeitabhängigen Volatilität, z.B. wenn sich die Performance-Unsicherheit in späteren Phasen stärker auflöst.
Diese sind analog dem Produktmarktrisiko zu behandeln. Zur Wahrung der Homogenitätsbedingung wird in solchen Modellen häufig eine neue Unsicherheitsgröße S/X gebildet, um die Mathematik des Modells zu vereinfachen.
Diese Annahme wurde z.B. in der Erweiterung des Black-Scholes Modells um einen stochastischen Ausübungspreis bei Fischer (1978) getroffen.
Vgl. Boyle (1988).
Vgl. Diskussion hierzu im Kapitel 4.3.2.
Vgl. DiMasi/Hansen/Grabowski/Lasagna (1991), S. 121.
Vgl. Webster/Swain (1991), S. 130; Parker/Sarvary (1997), S. 543. Eine empirische Analyse von Reekie/Wells (1988) belegt, daß eine anhaltende mono- oder oligopolistische Dominanz nicht zu erwarten ist, vielmehr ist die Marktführerschaft in den jeweiligen therapeutischen Gebieten einem ständigen Wandel unterzogen und ist eine Funktion der jeweiligen Innovationskraft eines Unternehmens.
Vgl. Dixit/Pindyck (1994), S. 309: „... The reason is rather practical than fundamental. Oligopolistic industries in our stochastic game theory setting present formidable difficulties. The development of stochastic game theory for such applications is quite recent, and tractable models using that theory are rarer still.” Meise (1998), S. 170f., weist ebenfalls sehr deutlich darauf hin, daß die Integration von Spieltheorie und Realoptionsansatz zwar theoretisch interessant ist, aber gegenwärtig zur Lösung von Praxisproblemen kaum einen Beitrag leisten kann. Smit/Ankum (1993), S. 249 konkludieren: „Extension if the theory can be directed toward modeling option pricing in combination with dynamic game theory and incomplete information. However, with higher mathematical complexity, much of the intuition of viewing projects as real options may be sacrificed.”
Vgl. hierzu auch Lambrecht/Perraudin (1997).
Vgl. Kulatilaka/Perotti (1991, 1992).
Vgl. Meise (1998), S. 161ff.
Vgl. z.B. Meise (1998), S. 161ff.; Lint/Pennings (1998); Trigeorgis (1996), Kapitel 9.
Vgl. z.B. Trigeorgis (1991b); Meise (1998), S. 161ff.
Siehe Kapitel 6.3.3. für ein Beispiel.
Meise (1998), S. 161ff. entwickelt ein ähnliches Modell, betrachtet jedoch nicht die Effekte technischer Unsicherheit auf Seiten der Wettbewerber. Vor allem erfolgt bei Meise die Aufteilung des Marktes gemäß dem Zeitpunkt der Investition und nicht gemäß dem Zeitpunkt des Markteintrittes.
Vgl. z.B. Schröder (1975), S. 19: „...the expected value might be an appropriate decision criterion for R&D portfolio selection...Due to the insufficient accuracy of probability assessments in specifying the parent populations, however, not too much confidence should be placed in the precision of this decision criterion.”
Vgl. wiederum Schröder (1975), S. 21: „Yet there is no reason to dismiss these techniques: although perfectly reliable and accurate probability assessments in R&D will never be attained due to the intrinsic uncertainty of R&D activities, considerable improvements of their quality might be expected from the employment of a variety of measures suitable to reduce unintentional errors and conscious biases.”
Vgl. zu diesem Argument ähnlich Thomas (1984), S. 151, im Zusammenhang mit der Nutzung von Modellen: „The key message is that ... the offering and examinations of new options ... is even more necessary in the resolution of ill-structured problems than evaluation and choice”.
Vgl. auch Thomas (1984), S. 139: „It is argued that decision analysis should be regarded both as a heuristic and a .thinking’ algorithm for decision structuring and problem diagnosis and, in addition, as an input to the process of policy dialogue”. Keeney/Raiffa (1993), S. 10f.: „Simply stated, the major role of formal analysis is ‘to promote good decision making’...” Sehr deutlich findet sich diese Ansicht auch bei Eppen/Gould/Schmidt/Moore/Weatherford (1998), S. 6: „All such models provide a framework for logical and consistent analysis ... Models force you to be explicit about your objectives ... to identify and record interactions and trade-offs among those objectives ... to think carefully about variables ... to consider what data are pertinent for quantification of those variables and determining their interactions ... Models allow communication of your ideas and understanding to facilitate teamwork.”
Vgl. ähnlich Clemen (1996), S. 217: „...we use terms such as ‘there’s a chance that such-and-such will happen.’ In a decision-analysis approach, however, there is a need for more precision. We can use probability to model subjective beliefs about uncertainty ... Thus, our beliefs and feelings about uncertainty can be included...”
Kirkwood (1997), S. 111, argumentiert unter Bezug auf Merkhofer (1987) anhand einer Erfahrung aus einem Decision Analysis Seminar, daß die quantitative Explikation von verbalen Einschätzungen wie z.B. „sehr wahrscheinlich” unbedingt erforderlich ist, weil unterschiedliche Personen damit ganz andere Wahrscheinlichkeiten verbinden können.
Vgl. ähnlich Bettis/Hitt (1995), S. 12,: „...forecasting technology and industry evolution much beyond a few months is also difficult... investments must be made before any reasonable market or cost estimates can be made. It is not a question of classic uncertainty modeling where one merely expands the standard distribution around an assumed mean value in order to account for the uncertainty in the estimate. Instead, we are increasingly dealing with unkownability, where the mean and distribution cannot be reasonably assumed.”
Vgl. ähnlich Sharpe/Keelin (1998), S. 54: “We agreed early on that the project teams would use ranges rather than single-point forecasts to describe future possibilities. Using ranges enhances credibility by avoiding false precision.”
Vgl. ähnlich Kirkwood (1997), S. 1: „... a key to good decision making is to provide a structured method for incorporating the information, opinions, and preferences of the various relevant people into the decision making process.”
Vgl. Eppen/Gould/Schmidt/MooreAVeatherford (1998), S. 8: „Our ultimate goal is to address overall improvement in decision making for managerial situations and not just give ‘answers’ ... The answers must be carefully interpreted in the real-world context that you face before making a final decision ... Think of the answers not as results in and of themselves but, coupled with the problem statements they address, as important ways to update your intuition...” Vgl. hierzu auch Kapitel 7.
Vgl. Sharpe/Keelin (1998), S. 46: “One of the major weaknesses of most resource allocation processes is that project advocates tend to take an all-or nothing approach to budget requests. At SB, that meant project leaders would develop a single plan of action and present it as the only viable approach ... we insisted that each team develop at least four alternatives: the current plan (the team would follow the existing plan of activity), a ‘buy-up’ option (the team would be given more to spend on their project), a ‘buy down’ option (the team would be given less to spend on the project), and a minimal plan (the team would abandon the project while preserving as much of the value earned to date as possible) ... Consider a compound under development ... The current plan was to develop the drug in two formulations, intravenous and oral, for the treatment of two tumor types ... Under the buy-down alternative, the company would drop one of the product forms (oral) in one of the markets (tumor type B), saving $2 million. Under the buy-up alternative, the company would increase its investment by $5 million in order to treat a third tumor...”
Zur Bedeutung des Wertverlustes über Zeit (Opportunitätskosten dafür, daß die Option zu Warten genutzt wird), vgl. Kulatilaka/Perotti (1991).
Vgl. Dixit/Pindyck (1994), S. 48ff. und S. 309.
Vel. Snahr/Schwebach (1998Ì.
Zur Bedeutung des aktiven Portfoliomanagements von F & E-Projekten für den Unternehmenserfolg vgl. insbesondere Cooper/Edgett/Kleinschmidt (1997a,b,c; 1999).
Probabilistischer NPV = NPV, in dem Investitionszahlungen und erwartete Cash Flows mit den jeweiligen Realisationswahrscheinlichkeiten gewichtet werden.
Faulkner (1998), S. 29.
Vgl. noch einmal Ausführungen im Kapitel 4 hierzu sowie nachfolgend die Ergebnisse der Fallstudie im Kapitel 6.
Faulkner (1998), S. 24.
Eine erhöhte Risikobereitschaft verändert auch Breite und Tiefe des Projektportfolios, vgl. Voigt (1994).
Bettis/Hitt (1995), S. 15, nennen diese Fähigkeit „strategic response capability”.
Vgl. Sanchez (1995), S. 138, Arya/Glover/Routledge (1997) im Zusammenhang mit dem Optionswert freier Managementkapazität.
Vgl. hierzu Sanchez (1993), S. 254f.
Beinhocker (1999) führt den Erfolg von Microsoft auf eine derartige Strategieformulierung zurück, vgl. S. 96: „...the success of Windows has helped to make Microsoft one of the most valuable companies in the world. But Window’s success was not preordained. Standing on the Comdex floor in 1988, it was far from obvious who would win. But ... Gates created a very robust strategy for securing Microsoft’s position. Clearly, his preferred outcome was Window’s success, but he could see this was by no means certain. His strategy was aimed at those uncertainties. If customers wanted evolution in DOS and not a revolution with Windows, he could provide that. If OS/2 won, he would share the wealth with IBM [co-development with IBM]. If the Mac won, he would lose the operating system but win in applications [1988 Microsoft market leader in applications for Mac, Lotus/WordPerfect market leader in PC market]. If Unix won, he would no longer be a major player, but at least with SCO, he could be a contender.”
Vgl., Thomas (1984), S. 140 : „It is argued that some adaptions and modifications of the basic paradigm are required for it [decision analysis] to be effectively applied to strategic decisions. In particular, it is stressed that greater attention should be given to the existence of structural uncertainty and, therefore, to problem structuring and formulation.”
Vgl. Phillips (1984), S. 46: “providing a structure to thinking, decision analysis can greatly facilitate creative problem solving.”
Vgl. hierzu Ausführungen im Kapitel 7.
Dies gilt mit Ausnahme des Volatilitätsparameters nicht nur für den Realoptionsansatz, sondern in Pharma F & E auch für andere finanzorientierte Bewertungsverfahren.
Rights and permissions
Copyright information
© 2000 Springer Fachmedien Wiesbaden
About this chapter
Cite this chapter
Pritsch, G. (2000). Operationalisierung des Realoptionsansatzes zur Anwendung in Pharma F&E. In: Realoptionen als Controlling-Instrument. Unternehmensführung & Controlling. Deutscher Universitätsverlag, Wiesbaden. https://doi.org/10.1007/978-3-663-08910-0_5
Download citation
DOI: https://doi.org/10.1007/978-3-663-08910-0_5
Publisher Name: Deutscher Universitätsverlag, Wiesbaden
Print ISBN: 978-3-8244-7235-2
Online ISBN: 978-3-663-08910-0
eBook Packages: Springer Book Archive