Planung und Umsetzung von Innovationsprojekten: Zur Wirkung des Coalignment

Christoph Stockstrom Planung und Umsetzung von Innovationsprojekten GABLER RESEARCH Forschungs-/Entwicklungs-/Innovat...

Author: Christoph Stockstrom

171 downloads 1075 Views 2MB Size Report

This content was uploaded by our users and we assume good faith they have the permission to share this book. If you own the copyright to this book and it is wrongfully on our website, we offer a simple DMCA procedure to remove your content from our site. Start by pressing the button below!

Report copyright / DMCA form

DOWNLOAD PDF

DOWNLOAD .DOCX DOWNLOAD .PPTX

Christoph Stockstrom Planung und Umsetzung von Innovationsprojekten

GABLER RESEARCH Forschungs-/Entwicklungs-/InnovationsManagement Herausgegeben von Professor Dr. Hans Dietmar Bürgel (em.) Universität Stuttgart Professorin Dr. Diana Grosse, vorm. de Pay Technische Universität Bergakademie Freiberg Professor Dr. Cornelius Herstatt Technische Universität Hamburg-Harburg Professor Dr. Hans Koller Universität der Bundeswehr Hamburg Professor Dr. Martin G. Möhrle Universität Bremen

Die Reihe stellt aus integrierter Sicht von Betriebswirtschaft und Technik Arbeitsergebnisse auf den Gebieten Forschung, Entwicklung und Innovation vor. Die einzelnen Beiträge sollen dem wissenschaftlichen Fortschritt dienen und die Forderungen der Praxis auf Umsetzbarkeit erfüllen.

Christoph Stockstrom

Planung und Umsetzung von Innovationsprojekten Zur Wirkung des Coalignment Mit einem Geleitwort von Prof. Dr. Cornelius Herstatt

RESEARCH

Bibliografische Information der Deutschen Nationalbibliothek Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über abrufbar.

Dissertation Technische Universität Hamburg-Harburg, 2009

1. Auflage 2009 Alle Rechte vorbehalten © Gabler | GWV Fachverlage GmbH, Wiesbaden 2009 Lektorat: Claudia Jeske | Sabine Schöller Gabler ist Teil der Fachverlagsgruppe Springer Science+Business Media. www.gabler.de Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Jede Verwertung außerhalb der engen Grenzen des Urheberrechtsgesetzes ist ohne Zustimmung des Verlags unzulässig und strafbar. Das gilt insbesondere für Vervielfältigungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Verarbeitung in elektronischen Systemen. Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem Werk berechtigt auch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche Namen im Sinne der Warenzeichen- und Markenschutz-Gesetzgebung als frei zu betrachten wären und daher von jedermann benutzt werden dürften. Umschlaggestaltung: KünkelLopka Medienentwicklung, Heidelberg Gedruckt auf säurefreiem und chlorfrei gebleichtem Papier Printed in Germany ISBN 978-3-8349-1829-1

F¨ ur Sina

Geleitwort Die Arbeit von Herrn Dipl. Kfm. Christoph Stockstrom widmet sich der Fragestellung, wie Innovationsprojekte im Spannungsfeld von Eﬃzienz und Flexibilit¨at geplant werden m¨ ussen, damit sie m¨oglichst erfolgreich umgesetzt und abgeschlossen werden k¨onnen. Diese Frage wird in der Innovationsforschung kontr¨ar diskutiert, wobei das Spektrum der vertretenen Meinungen von der Forderung nach einer m¨oglichst elaborierten, formalen und umfassenden Planung bis hin zu Forderungen nach der Abkehr von klassischen Planungsmethoden hin zur Improvisation reicht. Herr Stockstrom greift diese Diskussion auf und nutzt Planungsans¨atze aus den Bereichen des strategischen Managements und der Planung betriebswirtschaftlicher Informationssysteme, um zun¨achst zu untersuchen, welche Beitr¨age formale, eﬃzienzbezogene Planungselemente einerseits und ﬂexible Planungselemente andererseits zum Projekterfolg leisten. Seine Ausf¨ uhrungen zeigen, dass sich die bisher kontr¨ar gef¨ uhrte Diskussion zur Erfolgswirksamkeit gegebenenfalls um eine Ann¨aherung und Kombination der verschiedenen propagierten Verfahren bem¨ uhen sollte und lassen Herrn Stockstrom zu der Frage gelangen, ob Planungsprozesse, denen es gelingt sowohl formale als auch ﬂexible Elemente miteinander zu vereinen, erfolgswirksamer sind als Planungsprozesse, die prim¨ar formal oder prim¨ar ﬂexibel sind. Zur Untersuchung der Forschungsfragen f¨ uhrt Herr Stockstrom eine empirische Untersuchung in den Branchen Maschinenbau, Herstellung von Ger¨aten der Elektrizit¨atserzeugung und Elektrizit¨atsverteilung, Medizin-, Mess-, Steuer- und Regelungstechnik, Optik sowie Herstellung von Kraftwagen und Kraftwagenteilen durch. Im Ergebnis gelangt er durch die empirischen Daten zu einer Best¨atigung seines Modells eines komplexen Planungsprozesses, der sowohl formale als auch ﬂexible Elemente miteinander verkn¨ upft. Damit schl¨agt die vorliegende Arbeit eine Br¨ ucke zwischen den eingangs skizzierten Forschungsstandpunkten und unterstreicht die

VIII Notwendigkeit einer gleichzeitigen Betrachtung ﬂexibler und eﬃzienzbezogener Planungsverhalten in der Neuproduktentwicklung. Herr Stockstrom bleibt an diesem Punkt nicht stehen. Er widmet sich zudem der Frage, wie die Erfolgswirksamkeit des von ihm skizzierten Planungsprozesses durch den Planungsgegenstand, im Sinne der Charakteristika des zugrundeliegenden Projekts, und den Planungskontext, im Sinne der Umweltdynamik, beeinﬂusst wird. Er zeigt, dass die von ihm erzielten Ergebnisse u ¨ber verschiedene Projekttypen und Unternehmensumfelder hinweg stabil sind. Insgesamt liegt eine in theoretischer wie auch praktischer Hinsicht bemerkenswerte wissenschaftliche Leistung vor, die durch ihren logischen Aufbau, nachvollziehbare Argumentation und sorgf¨altige Analyse besticht. Sie ist theoretisch fundiert und erbringt durch die empirischen Anstrengungen wertvolle Handlungsempfehlungen f¨ ur das betriebliche Innovationsmanagement. Ich w¨ unsche der Arbeit, dass die durch sie gewonnenen Erkenntnisse in der Wissenschaft und Praxis aufgegriﬀen werden, vor allem aber w¨ unsche ich ihren Lesern einen hohen Nutzen.

Univ. Prof. Dr. Cornelius Herstatt

Vorwort Die Innovationsforschung hat eine Reihe von Erfolgsfaktoren identiﬁziert und unter diesen eine umfassende, formale und detaillierte Eingangsplanung von Innovationsprojekten als bedeutsamen Einﬂussfaktor herausgearbeitet. Andere Quellen hingegen weisen immer wieder darauf hin, dass es sich bei Innovationsprojekten in aller Regel nicht um eine Reihe vorhersehbarer Schritte handelt, die im vorhinein identiﬁziert und geplant werden k¨onnen, da es zu Beginn der Projektdurchf¨ uhrung h¨auﬁg an einem genauen Verst¨andnis der speziﬁschen Projektaufgaben, deren Abfolge, der Interdependenzen zwischen den Aufgaben sowie ihrer zeitlichen Befristung mangelt. Insofern stellt sich die Frage, wie Innovationsprojekte vor diesem Hintergrund geplant werden sollten und welchen Beitrag die Planung zum Projekterfolg leisten kann. Aus ¨ heraus entstand die vorliegende Arbeit w¨ahrend meiner Zeit als diesen Uberlegungen wissenschaftlicher Mitarbeiter am Arbeitsbereich Technologie- und Innovationsmanagement der Technischen Universit¨at Hamburg-Harburg. Es ist kein Geheimnis, dass eine Dissertation trotz des einen Namens, der auf dem Umschlag steht, niemals nur das Werk einer einzelnen Person ist. Dies triﬀt auch auf die vorliegende Arbeit zu, an deren Entstehung und zu deren Gelingen viele Menschen beigetragen haben, denen ich an dieser Stelle danken m¨ochte. Mein besonderer Dank gilt zun¨achst meinem akademischen Lehrer Herrn Professor Dr. Cornelius Herstatt, der mich und meine Arbeit begleitet und betreut hat. Seine Kreativit¨at, Inspiration und F¨orderung sowie sein motivierendes Vertrauen in das Gelingen dieser Arbeit haben wesentlich zu ihrem erfolgreichen Abschluss beigetragen. Die vielf¨altigen wissenschaftlichen und praktischen Erfahrungen, die er mir w¨ahrend meiner Arbeit an seinem Lehrstuhl vermittelt hat, werden mir auch in Zukunft wertvolle Dienste erweisen. Ebenso m¨ochte ich mich sehr herzlich bei Herrn Professor Dr. Martin G. M¨ohrle bedanken, der diese Arbeit als Zweitgutachter mit wertvollen Hinweisen und Anregungen gef¨ordert hat und trotz eines vollen Terminkalenders in

X k¨ urzester Zeit sein Gutachten erstellt hat. Herrn Professor Dr.-Ing. Otto von Estorﬀ ¨ danke ich herzlich f¨ ur die Ubernahme des Vorsitzes in der Pr¨ ufungskommission. Auch Kollegen und Freunden danke ich f¨ ur die Zeit, in der sie mir den R¨ ucken f¨ ur konzentriertes Arbeiten freigehalten haben und sich als Lektoren mit vielen wertvollen Hinweisen um diese Arbeit verdient gemacht haben. Dr. Nils Andres, Dr. Stephan Buse, Dr. Christina Raasch und Rajnish Tiwari m¨ochte ich f¨ ur die Verbesserungsvorschl¨age und Korrekturhinweise danken, die ihrem intensiven Lektorat entstammen. Dem Team des Arbeitsbereichs Technologie- und Innovationsmanagement m¨ochte sehr herzlich f¨ ur die gute Zusammenarbeit danken - dies gilt ganz besonders f¨ ur Carola Tiedemann, Andreas K¨ uhl, Dr. J¨ urgen Sandau, Dr. Jan G. Sander und Dr. Robert Tietz. Ein großer Dank f¨ ur die technische Unterst¨ utzung geb¨ uhrt Jan Koch, A der mir bei vielen zeitintensiven Fragen zu Linux und LTEX zur Seite gestanden hat, sowie dem Support der Open Source Software Gemeinde. Vor allem aber danke ich meiner Familie. Ohne ihr Verst¨andnis und ihre unersetzliutzung w¨are diese Arbeit nicht m¨oglich gewesen. Meinen Eltern che, liebevolle Unterst¨ und Geschwistern danke ich daf¨ ur, dass sie mich in meinen Entscheidungen stets best¨arkt haben und bei allen meinen Vorhaben uneingeschr¨ankt unterst¨ utzt haben. Ohne sie h¨atte ich diesen Weg nicht gehen k¨onnen. Meine Großeltern haben mich utterlichen Optimismus in meine F¨ahigkeiten mit ihrem Urvertrauen und unersch¨ immer wieder zum L¨acheln gebracht und mir u urde hinweggeholfen. Ein ¨ber manche H¨ uhrt meiner Frau Sina, die den gesamten Prozess der Erstellung besonderer Dank geb¨ dieser Arbeit am intensivsten begleitet hat und von ihm betroﬀen war. Ihre Liebe und und positiven Impulse haben mein seelisches Gleichgewicht stets wieder hergestellt. Ich k¨onnte mir keine bessere Partnerin w¨ unschen.

Christoph Stockstrom

Inhaltsverzeichnis Abbildungsverzeichnis

XV

Tabellenverzeichnis

XVII

Abk¨ urzungsverzeichnis

XIX

1 Einleitung 1.1 Problemstellung und Zielsetzung . . . . . . . . . . . . . . . . . . . . . 1.2 Bezugsrahmen und Eingrenzung der Untersuchung . . . . . . . . . . . 1.3 Vorgehensweise und Aufbau der Arbeit . . . . . . . . . . . . . . . . . 2 Konzeptionelle Grundlagen 2.1 Innovation . . . . . . . . . . . . . . . . . . . . . . . 2.2 Innovationsgrad . . . . . . . . . . . . . . . . . . . . ¨ 2.2.1 Innovationstypologien im Uberblick . . . . . 2.2.2 Operationalisierungen des Innovationsgrades 2.3 Planung . . . . . . . . . . . . . . . . . . . . . . . . 2.3.1 Begriﬀsbestimmung . . . . . . . . . . . . . . 2.3.2 Funktionen und Grenzen der Planung . . . . 2.3.3 Ebenen der Planung . . . . . . . . . . . . . 2.3.4 Improvisation . . . . . . . . . . . . . . . . . 2.4 Planung und Innovation . . . . . . . . . . . . . . . 2.4.1 Strategische Ebene . . . . . . . . . . . . . . 2.4.2 Taktische Ebene . . . . . . . . . . . . . . . . 2.4.3 Operative Ebene . . . . . . . . . . . . . . . 2.4.3.1 Der Projektbegriﬀ . . . . . . . . . 2.4.3.2 Planung von Innovationsprojekten

1 1 4 6

. . . . . . . . . . . . . . .

. . . . . . . . . . . . . . .

. . . . . . . . . . . . . . .

. . . . . . . . . . . . . . .

. . . . . . . . . . . . . . .

. . . . . . . . . . . . . . .

. . . . . . . . . . . . . . .

. . . . . . . . . . . . . . .

9 9 15 16 26 32 32 35 40 42 48 50 51 52 53 55

3 Planung, Umsetzung und Erfolg von Innovationsprojekten ¨ 3.1 Uberblick . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2 Planung von Innovationsprojekten . . . . . . . . . . . . . 3.2.1 Planungsausmaß . . . . . . . . . . . . . . . . . . 3.2.2 Formalization . . . . . . . . . . . . . . . . . . . . 3.2.3 Planungskonsistenz . . . . . . . . . . . . . . . . . 3.2.4 Partizipation . . . . . . . . . . . . . . . . . . . . 3.2.5 Coalignment . . . . . . . . . . . . . . . . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

69 69 69 74 82 84 87 90

. . . . . . . . . . . . . . .

. . . . . . . . . . . . . . .

XII

Inhaltsverzeichnis 3.3 3.4

Umsetzung . . . . . . . . . . . . . . . . . . . . . . . . Einﬂussfaktoren . . . . . . . . . . . . . . . . . . . . . 3.4.1 Innovationsgrad . . . . . . . . . . . . . . . . . 3.4.2 Branchenumfeld . . . . . . . . . . . . . . . . . 3.4.3 Projektkomplexit¨at . . . . . . . . . . . . . . . 3.5 Projekterfolg . . . . . . . . . . . . . . . . . . . . . . ¨ 3.6 Hypothesensystem und Modellstruktur im Uberblick

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

94 99 99 101 104 111 118

4 Empirische Untersuchung 121 4.1 Untersuchungsdesign . . . . . . . . . . . . . . . . . . . . . . . . . . . 121 4.1.1 Operationalisierung der Modellvariablen . . . . . . . . . . . . 122 4.1.1.1 Planungsausmaß . . . . . . . . . . . . . . . . . . . . 129 4.1.1.2 Formalisierung . . . . . . . . . . . . . . . . . . . . . 129 4.1.1.3 Partizipation . . . . . . . . . . . . . . . . . . . . . . 130 4.1.1.4 Planungskonsistenz . . . . . . . . . . . . . . . . . . . 131 4.1.1.5 Coalignment . . . . . . . . . . . . . . . . . . . . . . 132 4.1.1.6 Projektdurchf¨ uhrung . . . . . . . . . . . . . . . . . . 135 4.1.1.7 Innovationsgrad . . . . . . . . . . . . . . . . . . . . . 136 4.1.1.8 Branchenumfeld . . . . . . . . . . . . . . . . . . . . 137 4.1.1.9 Projektkomplexit¨at . . . . . . . . . . . . . . . . . . . 139 4.1.1.10 Projekterfolg . . . . . . . . . . . . . . . . . . . . . . 140 4.1.2 Erhebungsdesign und Stichprobenstruktur . . . . . . . . . . . 142 4.1.2.1 Datengrundlage, erforderlicher Stichprobenumfang und Datenerhebung . . . . . . . . . . . . . . . . . . 142 4.1.2.2 Stichprobenstruktur . . . . . . . . . . . . . . . . . . 153 4.1.3 Methodik der Datenauswertung . . . . . . . . . . . . . . . . . 158 4.1.3.1 Strukturgleichungsmodelle . . . . . . . . . . . . . . . 158 4.1.3.2 Analyse von Moderationseﬀekten . . . . . . . . . . . 168 4.2 Datenaufbereitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171 ¨ 4.2.1 Uberpr¨ ufung auf Kodierungsfehler und nicht akzeptable F¨alle 171 4.2.2 Behandlung fehlender Werte . . . . . . . . . . . . . . . . . . . 172 4.2.2.1 Strategien zur Behandlung fehlender Werte . . . . . 174 4.2.2.2 Umsetzung eines Verfahrens . . . . . . . . . . . . . . 176 ¨ 4.3 Empirische Uberpr¨ ufung der Untersuchungshypothesen . . . . . . . . 178 4.3.1 Analyse des Messmodells . . . . . . . . . . . . . . . . . . . . . 178 4.3.1.1 Vorgehensweise . . . . . . . . . . . . . . . . . . . . . 178 4.3.1.2 Validierung der Konstrukte . . . . . . . . . . . . . . 189 ¨ 4.3.2 Kausalanalytische Uberpr¨ ufung der Untersuchungshypothesen 207 4.3.2.1 Coalignment der Planungsprozessdimensionen und Projekterfolg . . . . . . . . . . . . . . . . . . . . . . 207 4.3.2.2 Gesamtmodell . . . . . . . . . . . . . . . . . . . . . . 209 ¨ 4.3.3 Regressionsanalytische Uberpr¨ ufung der Moderationseﬀekte . 211

Inhaltsverzeichnis 4.3.4

XIII

Explorative Erweiterungen . . . . . . . . . . . . . . . . . . . . 215

5 Schlussbetrachtung 223 5.1 Zusammenfassung wesentlicher Ergebnisse . . . . . . . . . . . . . . . 223 5.2 Implikationen f¨ ur die Unternehmenspraxis . . . . . . . . . . . . . . . 226 5.3 Limitierungen und Ansatzpunkte f¨ ur weitere Forschungsbem¨ uhungen 229 Literaturverzeichnis

233

A Anhang 1

281

Abbildungsverzeichnis 1.1 1.2 1.3

Bezugsrahmen der Untersuchung . . . . . . . . . . . . . . . . . . . . Eingrenzung der Untersuchung . . . . . . . . . . . . . . . . . . . . . . Aufbau der Untersuchung . . . . . . . . . . . . . . . . . . . . . . . .

2.1 2.2 2.3 2.4 2.5 2.6 2.7

Der Innovationsprozess im weiteren Sinne . . . . . . . . . . . Klassiﬁzierung neuer Produkte nach Henderson und Clark . Klassiﬁzierung neuer Produkte nach Booz, Allen & Hamilton Klassiﬁzierung neuer Produkte nach Hauschildt . . . . . . . Klassiﬁzierung neuer Produkte nach Lynn und Akg¨ un . . . . Dimensionen des Innovationsgrades nach Salomo . . . . . . . Ansatz zur hierarchischen Produktentwicklungsplanung . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

11 20 21 22 23 31 49

3.1 Planungsausmaß und Wirkungszusammenh¨ange . . . . . . . 3.2 Messdimensionen des Innovationserfolgs auf Projektebene . . ¨ 3.3 Ubersicht der Untersuchungshypothesen 1 . . . . . . . . . . ¨ 3.4 Ubersicht der Untersuchungshypothesen zum Gesamtmodell

. . . .

. . . .

. . . .

. . . .

. . . .

79 114 118 119

Arten von Konstrukten . . . . . . . . . . . . . . . . . . . . . . . . . . Schematische Darstellung der Zweisprachentheorie . . . . . . . . . . . Umsetzung der Zweisprachentheorie in der empirischen Forschung . . Wahrscheinlichkeiten der Ergebnisse bei Hypothesentests . . . . . . . Vergleich von realisierter Stichprobe und Grundgesamtheit . . . . . . Verteilung der Unternehmen nach Gr¨oßenklassen . . . . . . . . . . . . Gesch¨aftstypen der untersuchten Innovationsprojekte . . . . . . . . . Neuheitsgrad der untersuchten Innovationsprojekte . . . . . . . . . . Vorgehensweise im Rahmen der Kausalanalyse . . . . . . . . . . . . . Strukturgleichungsmodell mit Messmodell und Pfadmodell . . . . . . ¨ Ubersicht zu Anpassungsmaßen zur Beurteilung von Kausalmodellen ¨ Ubersicht u ¨ber Verfahren zur Behandlung fehlender Daten . . . . . . Wirkung der einzelnen Planungsdimensionen auf den Projekterfolg . . Wirkung des Coalignments der Planungsdimensionen auf den Projekterfolg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.15 Direkte und indirekte Wirkung des Coalignments der Planungsdimensionen auf den Projekterfolg . . . . . . . . . . . . . . . . . . . . . . . 4.16 Prozessmodell in Anlehnung an den Innovationskompass . . . . . . . 4.17 Clusterproﬁle f¨ ur die L¨osung mit vier Clustern . . . . . . . . . . . . .

123 124 125 145 153 155 156 156 159 162 167 174 208

4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 4.9 4.10 4.11 4.12 4.13 4.14

4 5 7

209 210 217 220

Tabellenverzeichnis 2.1 Benennungsvielfalt des Ph¨anomens Innovationsgrad“ . . . . . . . . . ” 2.2 Dichotomisierungen des Innovationsgrades . . . . . . . . . . . . . . . 2.3 Ausgew¨ahlte Innovationstypologien . . . . . . . . . . . . . . . . . . . 2.4 Studien mit multidimensionaler Betrachtung des Innovationsgrades . 2.5 Verschiedene Deﬁnitionen des Planungsbegriﬀs und der Projektplanung 2.6 Verschiedene Deﬁnitionen des Improvisationsbegriﬀs . . . . . . . . . . 2.7 Verschiedene Deﬁnitionen des Projektbegriﬀs . . . . . . . . . . . . . . 2.8 Verschiedene Deﬁnitionen der Projektplanung . . . . . . . . . . . . . 2.9 Ausgew¨ahlte Untersuchungen zum Zusammenhang zwischen Projektplanung und Projekterfolg . . . . . . . . . . . . . . . . . . . . . . . .

16 19 25 26 34 44 54 56 58

3.1 Ausgew¨ahlte Planungsprozessdimensionen und ihre Deﬁnitionen. . . . 71 3.2 Ausgew¨ahlte empirische Studien zur Erfolgswirksamkeit des Planungsausmaßes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 3.3 Ausgew¨ahlte empirische Studien zur Erfolgswirksamkeit der Partizipation 89 3.4 Ausgew¨ahlte empirische Studien zum Zusammenhang zwischen Planbzw. Ziel¨anderungen und Projekterfolg . . . . . . . . . . . . . . . . . 98 3.5 Verst¨andnis des Komplexit¨atsbegriﬀ im Projektkontext . . . . . . . . 107 3.6 Korrelation zwischen subjektiv gesch¨atztem Erfolg und objektiven Erfolgsmaßen auf Unternehmensebene . . . . . . . . . . . . . . . . . . 117 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 4.9 4.10 4.11 4.12 4.13 4.14

Operationalisierung des Planungsausmaßes . . . . . Operationalisierung der Formalisierung der Planung Operationalisierung der Beteiligung an der Planung Operationalisierung der Planungskonsistenz . . . . Operationalisierung der Projektdurchf¨ uhrung . . . . Operationalisierung des Innovationsgrades . . . . . Operationalisierung der Umweltdynamik . . . . . . Operationalisierung der Projektkomplexit¨at . . . . Operationalisierung des Projekterfolgs . . . . . . . ¨ Uberpr¨ ufung auf Nonresponse Bias . . . . . . . . . Eigenschaften verbreiteter Sch¨atzverfahren . . . . . Anpassungsmaße und Schwellenwerte . . . . . . . . G¨ utebeurteilung formativer Messmodelle . . . . . . Explorative Faktoranalyse zur Projektplanung . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . .

129 130 131 132 136 137 138 139 141 157 163 167 189 190

XVIII 4.15 4.16 4.17 4.18 4.19 4.20 4.21

Tabellenverzeichnis

4.27 4.28 4.29 4.30 4.31

Konﬁrmatorische Faktoranalyse zur Projektplanung . . . . . . . . . . 192 Explorative Faktoranalyse zur Projektdurchf¨ uhrung . . . . . . . . . . 193 Konﬁrmatorische Faktoranalyse zur Projektdurchf¨ uhrung . . . . . . . 195 Explorative Faktoranalyse zum Innovationsgrad . . . . . . . . . . . . 196 Konﬁrmatorische Faktoranalyse zum Innovationsgrad . . . . . . . . . 198 Explorative Faktoranalyse zur Umweltdynamik . . . . . . . . . . . . 199 Variance Inﬂation Factors der Indikatoren zur Messung der Umweltdynamik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200 Explorative Faktoranalyse zur Projektkomplexit¨at . . . . . . . . . . . 202 Konﬁrmatorische Faktoranalyse zur Projektkomplexit¨at . . . . . . . . 203 Explorative Faktoranalyse zum Projekterfolg . . . . . . . . . . . . . . 204 Konﬁrmatorische Faktoranalyse zum Projekterfolg . . . . . . . . . . . 206 Gesamtmodell: direkt, indirekte und gesamte Eﬀekte der latenten Variablen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211 Hierarchische moderierte Regressionsanalyse mit dem Innovationsgrad 212 Hierarchische moderierte Regressionsanalyse mit der Projektkomplexit¨at213 Hierarchische moderierte Regressionsanalyse mit der Umfelddynamik 215 M¨ogliche Anzahl von Gruppen auf Basis der Clusteranalyse . . . . . . 218 Anzahl der Projekte je m¨oglicher Clusterl¨osung . . . . . . . . . . . . 219

A.1 A.2 A.3 A.4 A.5 A.6

Exploratorische Faktorenanalyse zur Projektplanung Explorative Faktoranalyse zur Projektdurchf¨ uhrung . Explorative Faktoranalyse zum Innovationsgrad . . . Explorative Faktoranalyse zur Umweltdynamik . . . Explorative Faktoranalyse zur Projektkomplexit¨at . . Explorative Faktoranalyse zum Projekterfolg . . . . .

4.22 4.23 4.24 4.25 4.26

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

282 283 284 285 286 287

Abk¨ urzungsverzeichnis AC . . . . . . . . . . . . ADF . . . . . . . . . . AMOS . . . . . . . . ANOVA . . . . . . . CAD . . . . . . . . . . CC . . . . . . . . . . . . CCC . . . . . . . . . . CPM . . . . . . . . . . CSF . . . . . . . . . . . CSP . . . . . . . . . . . EM . . . . . . . . . . . . GERT . . . . . . . . . GLS . . . . . . . . . . . I-t-T K . . . . . . . . KMO . . . . . . . . . . Lisrel . . . . . . . . . . MAR . . . . . . . . . . MCAR . . . . . . . . MIMIC . . . . . . . . ML . . . . . . . . . . . . MNAR . . . . . . . . MSA . . . . . . . . . . NACE . . . . . . . . . NPD . . . . . . . . . . PCA . . . . . . . . . . PDMA . . . . . . . . PERT . . . . . . . . . PLS . . . . . . . . . . . PMBOK . . . . . . AGFI . . . . . . . . . . DEV . . . . . . . . . . GFI . . . . . . . . . . . NFI . . . . . . . . . . . PNFI . . . . . . . . . . RFI . . . . . . . . . . .

Available Case Analysis Asymptotically Distribution Free Analysis Of Moment Structures Analysis of Variance Computer Aided Design Complete Case Analysis cubic clustering criterion Collaborative Project Management critical success factor critical success process Expectation Maximization Graphical Evaluation and Review Technique General-Least-Squares Item-to-Total Korrelation Kaiser-Meyer-Olkin linear structural relations Missing At Random Missing Completely At Random Multiple Indicators and Multiple Causes Maximum Likelihood Missing Not At Random Measure of Sampling Adequacy Nomenclature g´en´erale des activit´es ´economiques New Product Development Principal Component Analysis Product Development Management Association Program Evaluation and Review Technique Partial Least Squares Project Management Body of Knowledge Adjusted Goodness of Fit Index Durchschnittlich erfasste Varianz Goodness of Fit Index Normed Fit Index Parsimonious Normed Fit Index Relative Fit Index

XX RMSEA . . . . . . . RMSSTD . . . . . . SAS . . . . . . . . . . . SEM . . . . . . . . . . SPSS . . . . . . . . . . SWD . . . . . . . . . . ULS . . . . . . . . . . . VIF . . . . . . . . . . . WLS . . . . . . . . . .

Tabellenverzeichnis Root Mean Square Error of Approximation root mean square standard deviation Statistical Analysis System Structural Equation Modeling Statistical Package for the Social Sciences Software Development Unweighted-Least-Squares Variance Inﬂation Factor Weighted Least Squares

1 Einleitung 1.1 Problemstellung und Zielsetzung Die erfolgreiche Planung und Durchf¨ uhrung von Innovationsprojekten ist von wesentlicher Bedeutung f¨ ur die Wettbewerbsf¨ahigkeit von Unternehmen, stellt diese jedoch gleichzeitig vor besondere Herausforderungen (Edvinsson, Dvir, Roth und Pasher, 2004). Die Entwicklung neuer Produkte ist durch hohe Unsicherheit im Hinblick auf die Absatzm¨arkte und die genutzten Technologien gekennzeichnet (Herstatt, Verworn und Nagahira, 2004). Zudem verlangt sie in der Regel die Zusammenarbeit von Personen aus unterschiedlichsten Unternehmensbereichen in einem Projektteam (Benkenstein, 1987). Insofern stellt die Entwicklung neuer Produkte eine hochkomplexe Aufgabe dar, die in vielen Branchen zus¨atzlich durch ein immer schnelllebigeres Unternehmensumfeld erschwert wird (Brown und Eisenhardt, 1997; Eisenhardt und Tabrizi, 1995). Die hieraus erwachsenden Anforderungen an die Koordination von Innovationsvorhaben bergen potenzielle Konﬂikte, da sie einerseits formale Organisation und Struktur verlangen, die Unsicherheit und Komplexit¨at jedoch gleichzeitig die ur n¨otige Planung erschweren und ein gewisses Maß an Flexibilit¨at verlangen, um daf¨ auf sich ¨andernde Informationen und Umfeldfaktoren reagieren zu k¨onnen (Naveh, 2005). Insofern kann von einem Drahtseilakt gesprochen werden wie die folgenden Zitate verdeutlichen: On the one hand, marketers are urged to plan carefully and to research ” markets thoroughly. On the other, though, they are required to be nimble enough to make quick adjustments in both new products and strategies. To participate successfully in new product development, then, marketers must walk the tightrope between these imperatives.“ (Moorman und Miner, 1995, S. 1) Though there are organisations that succeed in balancing eﬃciency and ” innovation, by their very nature, tension exists between these processes,

2

Einleitung and emphasis on one may mean harming the other. The management practices and paradigms that lead to innovation and eﬃciency are diﬀerent and generally contradictory.“ (Naveh, 2005, S. 2790).

Die zunehmende Verk¨ urzung von Produktlebenszyklen und die steigende Wettbewerbsdynamik in vielen M¨arkten erh¨ohen den Druck auf Unternehmen unterschiedlichster Branchen, diesen konﬂiktion¨aren Bed¨ urfnissen zu entsprechen (Brown und Eisenhardt, 1997; Moorman und Miner, 1995). In diesem Kontext kommt der Planung von Innovationsprojekten eine besondere Rolle zu (Verganti, 1999). Die Innovationsforschung hat eine Reihe von Erfolgsfaktoren identiﬁziert und unter diesen eine umfassende, formale und detaillierte Eingangsplanung von Neuproduktentwicklungsprojekten als bedeutsamen Einﬂussfaktor herausgearbeitet (R. G. Cooper und Kleinschmidt, 1986, 1987a, 1987b; Gupta und Wilemon, 1990; Khurana und Rosenthal, 1998). Sie dokumentieren, dass sich eine derart gestaltete Planung von Innovationsprojekten positiv auf eine Reihe von Erfolgsmaßen, wie z. B. die Projektlaufzeit, die Reduktion von Fehlerquoten, ﬁnanzielle R¨ uckﬂ¨ usse und den Neuigkeitsgrad, auswirkt (Moorman und Miner, 1998a). Diese orthodoxe Sichtweise“ (Dvir und Lechler, 2004) hinsichtlich des Nutzens ” der Projektplanung wird jedoch von einer Reihe von Forschern in Frage gestellt. So weist Bart (1993) auf die Aussagen von Managern hin, nach denen sich Innovationsprojekte h¨auﬁg nicht gem¨aß der urspr¨ unglich erstellten Planung entwickeln, wie auch das folgende von De Meyer, Loch und Pich (2002, S. 67) festgehaltene Zitat eines Managers best¨atigt: Why did we all agree to go through this pain? Only because we all ” underestimated what was ahead of us. The risks we thought we were facing turned out to be irrelevant; the problems that did hit us were unexpected; and the outcome was diﬀerent from the original idea.“ Tats¨achlich handelt es sich bei Neuproduktentwicklungsprojekten nicht um eine Reihe vorhersehbarer Schritte, die im vorhinein identiﬁziert und geplant werden k¨onnten (Schilling und Hill, 1998; Bailetti, Callahan und DiPietro, 1994), da es zu Beginn der Projektdurchf¨ uhrung h¨auﬁg an einem genauen Verst¨andnis der speziﬁschen Projektaufgaben, der Aufgabenabfolge, der Interdependenzen zwischen den Aufgaben sowie ihrer zeitlichen Befristung mangelt (Tatikonda und Rosenthal, 2000a).

Problemstellung und Zielsetzung

3

Unterst¨ utzt wird diese Sichtweise von Andersen (1996), der argumentiert, dass ein Projekt eine einzigartige Herausforderung darstelle, f¨ ur die eine Eingangsplanung unpraktikabel sei, da Einzigartigkeit impliziere, dass es unm¨oglich sei, bereits zu uhen Zeitpunkt u so einem fr¨ ¨ ber alle notwendigen Aktivit¨aten informiert zu sein. Daher sei es sehr wahrscheinlich, dass Eingangsplanungen bei einer Ver¨anderung der Informationslage an den tats¨achlichen Projektverlauf angepasst werden m¨ ussten. ¨ Dvir und Lechler (2004) zeigen, dass sich diese Anderungen des urspr¨ unglichen Plans negativ auf den Projekterfolg auswirken und die erfolgswirksamen Eﬀekte eines guten Projektplans nicht nur mindern, sondern sogar u uber ¨bersteigen k¨onnen. Dar¨ hinaus weisen Song und Montoya-Weiss (1998) darauf hin, dass es erforderlich sei, die Planungsaktivit¨aten st¨arker an dem Neuigkeitsgrad der jeweiligen Innovation und damit an der mit dem Projekt verbundenen Unsicherheit zu orientieren. Daher hat eine weitere Forschungsrichtung im Innovationsmanagement den Nutzen einer ausgiebigen Projekteingangsplanung in Frage gestellt und vertritt die Auﬀassung, dass die F¨ahigkeit, im Projektverlauf kurzfristig auf Ver¨anderungen zu reagieren und zu improvisieren, einen entscheidenden Schl¨ ussel zum Erfolg in der Neuproduktentwicklung darstellt (Eisenhardt und Tabrizi, 1995; Ward, Liker, Cristiano und Sobeck II, 1995; Brown und Eisenhardt, 1997; Moorman und Miner, 1998a; Miner, Bassoﬀ und Moorman, 2001).

Aus diesen gegens¨atzlichen Positionen wird deutlich, dass die Rolle der Planung als Erfolgsfaktor von Innovationsprojekten trotz vielfacher Forschungsbem¨ uhungen nicht eindeutig gekl¨art ist. Insofern u ¨berrascht es nicht, dass Thieme, Song und Shin (2003, S. 116) weiteren Forschungsbedarf anmahnen: future studies could provide much ” more insight into the factors that promote good planning in NPD and the nature of good planning itself.“ Dieser Bedarf resultiert auch daraus, dass sich ein Großteil der bestehenden Studien nicht detailliert mit den verschiedenen Aspekten der Planung ¨ besch¨aftigt, sondern diese lediglich unter einem Uberbegriﬀ zusammenfasst und aggregiert betrachtet (Stockstrom und Herstatt, 2008). Das Ziel dieser Arbeit ist es daher, ein besseres Verst¨andnis der Planung von Neuproduktentwicklungsprojekten zu erarbeiten und damit zu einer Verringerung der identiﬁzierten Forschungsl¨ ucke beizutragen. Aufgrund der bereits existierenden Anzahl empirischer Befunde und der hier skizzierten Problematik soll dies in Form einer quantitativ-konﬁrmatorischen

4

Einleitung

Untersuchung des Spannungsfeldes von Eﬃzienz und Flexibilit¨at in der Planung von Neuproduktentwicklungsprojekten unter Ber¨ ucksichtigung • eﬃzienz- und ﬂexibilit¨atsf¨ordernder Merkmale der Planung, • ihrer Umsetzung im Laufe des Projektes und • m¨oglicher situativer Einﬂussfaktoren erfolgen. Dabei ist es ein ausdr¨ uckliches Ziel der vorliegenden Arbeit, konkrete Handlungsempfehlungen f¨ ur die Praxis zu entwickeln, um den von Witte (1988) artikulierten Forderungen nach praktischer Relevanz, theoretischer Attraktivit¨at und Zugang zum empirischen Feld nachzukommen.

1.2 Bezugsrahmen und Eingrenzung der Untersuchung Nachdem der vorangegangene Abschnitt in die Problemstellung eingef¨ uhrt hat, wird diese im Folgenden weiter konkretisiert. Abbildung 1.1 visualisiert die identiﬁzierte Forschungsl¨ ucke und steckt den Bezugsrahmen f¨ ur das Forschungsvorhaben ab. indirekte Erfolgswirkung Flexibilität

Umsetzung

Gestaltung der Projektplanung Effizienz

Projekterfolg direkte Erfolgswirkung

Einflussfaktoren

Abbildung 1.1: Bezugsrahmen der Untersuchung

Bezugsrahmen und Eingrenzung der Untersuchung

5

Im Rahmen der vorliegenden Arbeit werden sowohl die direkte als auch die indirekte Wirkungsbeziehung zwischen Projektplanung und Projekterfolg untersucht. Die Ausf¨ uhrungen haben verdeutlicht, dass es eine Reihe potenzieller Einﬂussfaktoren auf diesen Wirkungszusammenhang gibt, die sich sowohl auf das jeweilige Projekt als auch den Branchenkontext des innovierenden Unternehmens zur¨ uckf¨ uhren lassen. Um den Bezugsrahmen in ein handhabbares Untersuchungsdesign zu u uhren ¨berf¨ sind vor Beginn des Forschungsvorhabens eine Reihe von Eingrenzungen bzw. Konkretisierungen vorzunehmen. Diese sind in Abbildung 1.2 zusammengefasst. Messobjekt Messebene Projektleben Neuheitsgrad

Produktinnovation Produkt/Projekt

Portfolio/SGE

Abgebrochene Projekte Kostenreduzierung

Repositionierung am Markt

Prozessinnovation Unternehmen

Laufende Projekte Produktmodifikation

Sozialinnovation Branche/Markt

Nation

Abgeschlossene Projekte neue Produktlinie

Marktneuheit

Messsubjekt

Nutzer

Hersteller

Dritte

Branchenfokus

Einzelunternehmen

Einzelne Branche

Branchenübergreifend

Abbildung 1.2: Eingrenzung der Untersuchung. Quelle: In Anlehnung an Verworn (2005)

Da sich die aufgezeigte Forschungsl¨ ucke bez¨ uglich der Planung eines Innovationsprojektes und deren Umsetzung im Projektablauf u ¨ber den gesamten Innovationsprozess erstreckt, wird keine bewusste Eingrenzung auf einzelne Prozessphasen vorgenommen sondern vielmehr eine ganzheitliche Prozessbetrachtung angestrebt. Dar¨ uber hinaus beschr¨ankt sich die Untersuchung auf die Analyse von Produktinnovationsvorhaben, um eine m¨oglichst weitreichende Vergleichbarkeit der betrachteten Projekte zu gew¨ahrleisten und m¨ogliche St¨orungen durch verschiedenartige Messobjekte ausschließen zu k¨onnen. Um eine Aussage u ¨ ber die Erfolgswirksamkeit der Planungs- und Umsetzungsaktvit¨aten in den einzelnen Projekten treﬀen zu k¨onnen, ist es zudem erforderlich, den Untersuchungsgegenstand auf bereits abgeschlossene Innovationsvorhaben einzugrenzen. Hinsichtlich des Neuheitsgrades werden bewusst verschiedene Innovationen betrachtet, da die Ausf¨ uhrungen bereits verdeutlicht haben, dass hierin ein m¨oglicher Einﬂussfaktor auf die Erfolgswirksamkeit der Projektplanung bestehen

6

Einleitung

k¨onnte. Die Untersuchung richtet sich zudem ausschließlich an die innovierenden Unternehmen, da sie sich inhaltlich auf deren interne Prozesse konzentriert, so dass eine Untersuchung, beispielsweise von Lieferanten oder Kunden des innovierenden Unternehmens wenig zielf¨ uhrend erscheint. Um zu m¨oglichst verallgemeinerbaren Erkenntnissen zu gelangen, beschr¨ankt sich die Untersuchung nicht auf die Analyse von Innovationsprojekten innerhalb eines Unternehmens oder einer Branche. Hierdurch wird vermieden, dass Unternehmens- oder Branchenspeziﬁka zu einer Idiosynkratisierung der Befunde f¨ uhren. Auf Basis des geschilderten Bezugsrahmens sowie der vorgenommenen Konkretisierungen kann die folgende u ur die vorliegende Arbeit ¨bergeordnete Forschungsfrage f¨ formuliert werden: Wie m¨ ussen Neuproduktentwicklungsprojekte im Spannungsfeld von ” Eﬃzienz und Flexibilit¨at geplant werden, damit sie m¨oglichst erfolgreich umgesetzt und abgeschlossen werden k¨onnen?“

1.3 Vorgehensweise und Aufbau der Arbeit Die zur Beantwortung der im vorangegangenen Abschnitt aufgeworfenen Forschungsfrage erforderliche Vorgehensweise ist in Abbildung 1.3 zusammengefasst. Zun¨achst werden im folgenden Kapitel 2 die konzeptionellen Grundlagen der Arbeit dargestellt. Hierf¨ ur wird zun¨achst auf den Begriﬀ der Innovation eingegangen, um ihn abzugrenzen und schließlich deﬁnieren zu k¨onnen. Der folgende Abschnitt 2.2 besch¨aftigt sich mit dem Innovationsgrad, um eine feinere Abstufung zwischen Innovationen und Nicht-Innovationen zu erm¨oglichen. Hierbei werden von Dichotomien u ¨ber Typologisierungen bis hin zu umfassenden Operationalisierungen verschiedene Ans¨atze zur Erfassung des Neuheitsgrades einer Innovation diskutiert. In Abschnitt 2.3 widmet sich die Arbeit dem zweiten f¨ ur sie relevanten Problemkreis der Planung. Neben der Kl¨arung grundlegender Begriﬄichkeiten wird zudem auf die Funktionen der Planung sowie die verschiedenen Ebenen der betrieblichen Planung eingegangen und abschließend eine Abgrenzung zum Begriﬀ der Improvisation als alternative Form der Probleml¨osung vorgenommen. Das Kapitel endet, indem in Abschnitt 2.4 die vorab getrennt dargestellten Problemkreise miteinander verkn¨ upft werden und ihre Beziehung n¨aher untersucht wird.

Vorgehensweise und Aufbau der Arbeit

7

In Kapitel 3 werden die grundlegenden Erkenntnisse aus den vorangegangenen Kapiteln aufgegriﬀen und in ein Modell der Planung von Innovationsprojekten integriert. Unter Erl¨auterung der hierf¨ ur relevanten Theorien werden Hypothesen u ¨ber die Wirkungszusammenh¨ange zwischen den einzelnen Modellelementen Planung, Umsetzung, Projekterfolg und Einﬂussfaktoren formuliert.

1 Einleitung

2 Konzeptionelle Grundlagen

Problemstellung und Zielsetzung Bezugsrahmen und Eingrenzung Vorgehensweise und Aufbau

Planung und Umsetzung von Innovationsprojekten Einflussfaktoren Projekterfolg

Untersuchungsdesign g Datenaufbereitung Empirische Überprüfung der Untersuchungshypothesen

Zusammenfassung wesentlicher Ergebnisse Implikationen für die Unternehmenspraxis Limitierungen der Analyse und Ansätze für weitere Forschungsbemühungen

Innovation und Innovationsgrad Planung Planung und Innovation

3 Herleitung des Untersuchungsmodells

4 Empirische Untersuchung

5 Schlussbetrachtung

Abbildung 1.3: Aufbau der Untersuchung

Kapitel 4 widmet sich der empirischen Untersuchung der Planung und Umsetzung von Innovationsprojekten. Hierzu wird zun¨achst in Abschnitt 4.1 das Untersuchungsdesign dargestellt. Dabei wird detailliert auf die Operationalisierung der Modellvariablen, das Erhebungsdesign, die erzielte Stichprobe sowie auf die zur Analyse genutzten statistischen Verfahren eingegangen. Abschnitt 4.2 beschreibt die nach der Erhebung erforderlichen Schritte zur Aufbereitung der erhobenen Daten, um Kodierungsfehler und nicht akzeptable F¨alle von der weiteren Untersuchung ausschließen zu k¨onnen sowie eventuell auftretende Probleme durch fehlende Werte zu beheben. Der folgende ¨ Abschnitt 4.3 hat die empirische Uberpr¨ ufung der Untersuchungshypothesen zum Gegenstand.

8

Einleitung Die Arbeit schließt mit Kapitel 5, in dem zun¨achst die zentralen Ergebnisse

der vorangegangenen Analysen zusammengefasst werden. Auf Basis der Untersuchungsbefunde werden anschließend in Abschnitt 5.2 Implikationen und konkrete Handlungsempfehlungen f¨ ur die Unternehmen der betrachteten Branchen formuliert. Da es sich um eine branchen¨ ubergreifende Betrachtung handelt, ist zudem anzunehmen, dass auch Betriebe aus anderen Branchen, die im Rahmen dieser Arbeit nicht betrachtet werden konnten, von den aufgezeigten Wirkungszusammenh¨angen proﬁtieren k¨onnen. Abschließend wird in Abschnitt 5.3 auf die Limitationen der vorliegenden ur weitere Forschungsbem¨ uhungen Arbeit eingegangen und es werden Ansatzpunkte f¨ aufgezeigt.

2 Konzeptionelle Grundlagen Das folgende Kapitel dient einer Einf¨ uhrung in f¨ ur die vorliegende Arbeit relevante, grundlegende Begriﬄichkeiten und Forschungsrichtungen. Ein wesentliches Ziel der Arbeit ist die Konzeptualisierung des Planungsprozesses von Innovationsprojekten, so dass es einer Auseinandersetzung mit den beiden immanenten Grundkonzepten der Planung und der Innovation bedarf. Eine Auseinandersetzung mit dem Ph¨anomen Innovation“ bedarf neben einer ” grundlegenden Einf¨ uhrung und Begriﬀskl¨arung vor allem auch einer Diskussion des Neuheitsgrades, auch als Innovationsgrad bezeichnet. Im Rahmen der Erschließung des Planungsbegriﬀs ist sowohl auf die Rolle der Planung auf Unternehmens- und Projektebene, als auch auf die planerischen Besonderheiten von Innovationsprojekten einzugehen. Schließlich wird das in der Literatur als Gegenpol zur Planung diskutierte Konzept der Improvisation n¨aher erl¨autert.

2.1 Innovation Unternehmen unterliegen genau wie ihr Umfeld einem st¨andigen technischen, wirtschaftlichen und sozialen Wandel. Dieser Wandel beeinﬂusst die Attraktivit¨at der von einem Unternehmen am Markt oﬀerierten Dienstleistungen und Produkte und verlangt somit eine unternehmerische Reaktion zur Aufrechterhaltung der Wettbewerbsf¨ahigkeit. Innovationen gem¨aß der sich aus dem Wandel ergebenden Anforderungen sind eine solche Reaktion und insbesondere erfolgreiche Unternehmen nutzen diese, um sich Ver¨anderungen in der Umwelt, den verf¨ ugbaren Ressourcen, dem technischen Fortschritt und dem Wettbewerb anzupassen (vgl. z. B. Schilling, 2008; Salaman und Storey, 2002; Pleschak und Sabisch, 1996). Hierbei geht es nicht ¨ zuletzt um das Uberleben des Unternehmens, wie Edvinsson et al. (2004, S. 42) verdeutlichen:

10

Konzeptionelle Grundlagen [I]nnovation management and being on the move ... is of essence to ” organizational sustainability.“

Wesentliches Merkmal des Begriﬀs Innovation“ ist die Entstehung von etwas Neuem ” (lat.: innovatio = Neuerung, Erneuerung), jedoch wird in der Literatur eine Vielzahl uneinheitlicher Deﬁnitionen gebraucht (vgl. z. B. Hauschildt, 2004; Pleschak und Sabisch, 1996; Mueser, 1985), so dass eine Abgrenzungen des Begriﬀs geboten erscheint.1 Die von Edvinsson et al. (2004, S. 42) vorgeschlagene Innovationsformel reuse of existing insights and knowledge combined with the new know” ledge as invention and then commercialised and capitalised“ macht deutlich, dass der Innovationsbegriﬀ zun¨achst vom Begriﬀ der Invention abzugrenzen ist. Diese ist die erstmalige technische Realisierung einer neuen Probleml¨osung als Ergebnis von Forschung und Entwicklung (Pleschak und Sabisch, 1996). Damit ist die Invention das Ergebnis erfolgreicher Bem¨ uhungen in Forschung und Entwicklung, also die Erﬁndung, die jedoch nicht zwangsl¨auﬁg geplant gewesen sein muss, sondern auch als Zufallsprodukt“ entstanden sein kann (Specht ” und Beckmann, 1996). Hieraus wird deutlich: Innovation ist mehr als Invention“ ” (Hauschildt, 2004, S. 24), da sie untrennbar mit der tats¨achlichen Nutzung bzw. der Markteinf¨ uhrung verbunden ist (Specht und Beckmann, 1996). Mit der ersten wirtschaftlichen Anwendung der Neuerung f¨ ugt die Innovation der Invention einen Zweck hinzu, die Invention alleine ist nur Mittel, aber damit die Grundlage der Innovation (Cutler, 2000). Erweitert man diesen engen Innovationsbegriﬀ und gestattet ein Verst¨andnis im weiteren Sinne, so umfasst der Begriﬀ Innovation die Begriﬀe der Invention und der Innovation im engeren Sinne (Hauschildt, 2004). Dieses weiter gefasste Verst¨andnis bildet die Grundlage zahlreicher Lehrb¨ ucher (vgl. z. B. Specht und Beckmann, 1996) und wird noch einmal in Abbildung 2.1 auf Seite 11 dargestellt. Die Abbildung verdeutlicht, dass es weiterhin erforderlich ist, die Innovation vom Begriﬀ der Imitation abzugrenzen. W¨ahrend auch die Imitation aus der subjektiven Sicht des imitierenden Unternehmens etwas Neues enthalten kann, beschreibt der Begriﬀ jedoch die Nachahmung, also die wiederholte Anwendung einer neuen Probleml¨osung durch ein anderes Unternehmen (Pleschak und Sabisch, 1996). Besonders deutlich wird dies in der Deﬁnition von Schwartz (1978, S. 46): 1

¨ F¨ ur einen Uberblick u ¨ ber diese Deﬁnitionen sei auf Mueser (1985) verwiesen, dessen Beitrag allein eine Gegen¨ uberstellung von 39 Innovationsdeﬁnitionen liefert.

Innovation

11

The imitation of a good represents the manufacturing of a product/pro” cess with the same characteristics in the eyes of the consumers, as a product/process previously developed by another ﬁrm. We add the further requirement that the imitation and the original product are based on a similar (but not necessarily identical) technology.“ 2 Im Folgenden soll der Begriﬀ der Innovation f¨ ur die weiteren Ausf¨ uhrungen dieser Arbeit deﬁniert werden. Zur Erlangung eines tieferen Verst¨andnisses wird dabei auf die objekt-, subjekt- und prozessbezogene Dimension des Innovationsbegriﬀs eingegangen (vgl. z. B. Hauschildt, 2004). Aktivität (Prozess)

Forschung und Entwicklung

Invention

Markteinführung

Marktdurchsetzung

Innovation im eng. Sinne

Diffusion

Konkurrenz durch Nachahmung

Imitation

Ergebnis

Innovation im weiteren Sinne

Abbildung 2.1: Der Innovationsprozess im weiteren Sinne. Quelle: Brockhoﬀ (1999)

Die prozessbezogene Dimension der Innovation Die prozessuale Betrachtungsweise wird in der Literatur auch als die prozessbezogene Dimension der Innovation bezeichnet (vgl. z. B. Hauschildt, 2004). Wie aus den obigen Ausf¨ uhrungen und Abbildung 2.1 ersichtlich ist, l¨asst sich hierbei zwischen einer Deﬁnition im engeren und im weiteren Sinne unterscheiden, wobei erstere die Durchsetzung einer Invention am Markt bzw. deren wirtschaftliche Nutzung meint und letztere den gesamten 2

Aus der Deﬁnition wird ersichtlich, dass es im Verh¨ altnis zwischen Innovation und Imitation drei wesentliche Charakteristika gibt: den Zeitbezug, den Anwendungsbezug und den Technologiebezug. F¨ ur eine ausf¨ uhrliche Darstellung siehe Schewe (1992).

12

Konzeptionelle Grundlagen

Prozess der Invention und Marktdurchsetzung umfasst (vgl. z. B. Brockhoﬀ, 1999; Pleschak und Sabisch, 1996). Der Innovationsprozess, der sich in zeitliche Phasen untergliedern l¨asst, umfasst also in seiner weiten Deﬁnition die Gesamtheit aller Aktivit¨aten, die im Zusammenhang mit der Erschaﬀung und Markteinf¨ uhrung von Innovationen stehen (Verworn und Herstatt, 2002). Aufgrund der Themenstellung dieser Arbeit, die sich mit Aspekten der Projektplanung und des Projektmanagements uhen Projektphasen befasst, wird im von Innovationsprojekten und damit auch den fr¨ Folgenden ein weiteres Verst¨andnis des Innovationsbegriﬀs zugrunde gelegt. Als Basis ur die folgenden Ausf¨ uhrungen wird daher die von Weise (2005, S. 12) in Anlehnung f¨ an Dosi (1988), Uhlmann (1978) und Goldhar (1980) entwickelte Deﬁnition genutzt: Prozessuale Deﬁnition von Innovation Eine Innovation ist der gesamte Prozess der Ideenﬁndung, der Erforschung, des Experimentierens und der Entwicklung bis hin zur Marktdurchsetzung oder Verwendung im eigenen Unternehmen, den eine neuartige Probleml¨osung durchl¨auft. Im Rahmen dieser prozessualen Betrachtung wird der Prozess der Erstellung einer Produktinnovation h¨auﬁg als Produktinnovationsprozess, Produktentwicklungsprozess oder (Neu-)Produktentwicklung bezeichnet (vgl. z. B. Schlaak, 1999; Specht und Beckmann, 1996). Im Englischen haben sich hierf¨ ur die Begriﬀe product develop” ment“ bzw. new product development“ (NPD) durchgesetzt (vgl. z. B. Kim und ” Wilemon, 2003; Souder, Sherman und Davies-Cooper, 1998; Brown und Eisenhardt, 1995). Im Weiteren werden die Begriﬀe Produktinnovationsprozess, Produktentwicklungsprozess bzw. (Neu-)Produktentwicklung synonym f¨ ur Prozesse verwendet, deren Ziel die Einf¨ uhrung eines neuen Produktes bzw. einer neuen Dienstleistung in den Markt ist. In der Literatur zur Innovationsforschung existiert eine Vielzahl an Modellen des Innovationsprozesses, die sich terminologisch, durch die Anzahl der Prozessphasen, die Diﬀerenziertheit der Strukturierung und die Annahmen u ¨ber die zeitliche Abfolge bzw. Parallelit¨at der Prozessphasen unterscheiden. Sie dienen als idealisierte Abbildungen der Realit¨at der Komplexit¨atsreduktion, wobei ein hoher Diﬀerenzierungsgrad einem branchen- und situationsunabh¨angigen, allgemeinen Modell entgegensteht (vgl. z. B. Verworn und Herstatt, 2002; R. G. Cooper, 1994). Damit bezieht sich das Innovationsmanagement auf die bewusste Gestaltung von Innovationsprozessen sowie des Systems innerhalb dessen sich die Prozesse vollziehen

Innovation

13

(Hauschildt, 2004). Demzufolge l¨asst sich zwischen einer individuellen Projektebene und einer Portfolioebene unterscheiden (Billing, 2003). Ziele des Innovationsmanagements auf diesen beiden Ebenen sind strategische Eﬀektivit¨at f¨ ur die Portfolioebene bzw. operative Eﬃzienz f¨ ur die Projektebene (Montoya-Weiss und Calantone, 1994), oder wie R. G. Cooper (1999, S. 115 f.) formuliert doing the right projects“ und ” doing projects right“. ” Objektbezogene Dimension der Innovation Neben der prozessualen Deﬁnition des Innovationsbegriﬀs wird in der Forschung auch eine objektbezogene Deﬁnition verwendet, mit der auf das Ergebnis des Innovationsprozesses, z. B. ein neu entwickeltes Produkt, verwiesen wird. In dieser Perspektive steht also die Frage danach, was neu ist, im Vordergrund (Hauschildt, 2004). Hinsichtlich dieser Betrachtungsweise wird in der Literatur zun¨achst zwischen Produkt- und Prozessinnovationen unterschieden (de Brentani, 2001; R. G. Cooper und de Brentani, 1991; Utterback und Abernathy, 1975). Produktinnovationen sind neuartige Probleml¨osungen, die in ihrer Leistung neue Zwecke erf¨ ullen oder vorhandene Zwecke auf neue Art und Weise l¨osen. Im Gegensatz dazu beschreiben Prozessinnovationen neue Faktorkombinationen im innerbetrieblichen Leistungsprozess (Steinhoﬀ, 2006). Mit ihnen wird das Ziel verfolgt, die Eﬃzient des Prozesses der Leistungserstellung zu steigern, indem die Kosten gesenkt werden, die Qualit¨at verbessert wird und der Prozess beschleunigt oder sicherer gemacht wird (Hauschildt, 2004). Hier soll auf die von Weise (2005, S. 12 f.) in Anlehnung an Hauschildt (2004, 1992) entwickelte Deﬁnition zur¨ uckgegriﬀen werden: Objektbezogene Deﬁnition von Innovation Innovationen sind uber dem qualitativ neuartige Produkte oder Verfahren, die sich gegen¨ vorhergehenden Zustand merklich unterscheiden, von einer Unternehmung uhrt werden und sich dort erstmalig im Markt oder eigenen Betrieb eingef¨ ussen. Die Neuartigkeit besteht darin, dass Zwecke und Mittel bew¨ahren m¨ in einer bisher nicht bekannten Form verkn¨ upft werden. Eine Innovation liegt nach dieser objektbezogenen Betrachtung also nur vor, wenn es sich um eine neuartige Zweck-Mittel-Kombination handelt (Hauschildt, 2004). Dahinter verbirgt sich die Frage nach der Induzierung der Innovation, welche ein wichtiger

14

Konzeptionelle Grundlagen

Aspekt der objektbezogenen Betrachtungweise ist. Dabei wird zwischen zweckinduzierten Innovationen, auch als Marktsoginnovationen oder market pull“ bezeichnet, ” die unmittelbar durch die Nachfrage bzw. die Bed¨ urfnisse der Kunden hervorgerufen werden, und mittelinduzierten Innovationen, auch Technologiedruckinnovationen oder technology push“ genannt, die durch die Entwicklung neuer Technologien f¨ ur ” neue oder bestehende Bed¨ urfnisse hervorgerufen werden, unterschieden (vgl. z. B. Hauschildt, 2004; Pleschak und Sabisch, 1996). Subjektbezogene Dimension der Innovation Die subjektbezogene Dimension der ur wen die betrachtete Innovation neu ist Innovation besch¨aftigt sich mit der Frage, f¨ (Hauschildt, 2004). Da eine Innovation in Abh¨angigkeit von der jeweils eingenommenen Perspektive als mehr oder weniger neuartig wahrgenommen werden kann, ist zu konstatieren, dass die Neuartigkeit subjektiv ist. Eine Objektivierung ist lediglich dann m¨oglich, wenn die Frage nach der objektiven Erstmaligkeit einer Innovation gestellt wird, es sich also um eine Weltneuheit handelt. Aus der Perspektive des Managements erscheint eine Objektivierung der Neuartigkeit jedoch nicht zweckm¨aßig, da es aus der Sicht des innovierenden Unternehmens unerheblich ist, ob die eigene Innovation auch von Mitbewerbern oder anderen innovierenden Unternehmen als neuartig empfunden wird (Hauschildt, 2004). Auch aus Kundensicht erscheint eine Objektivierung nicht sinnvoll, da es vor allem die wahrgenommene Neuartigkeit einer Innovation ist, die Einﬂuss auf Informationsverarbeitungs- und Kaufentscheidungsprozesse beim Kunden nimmt (vgl. z. B. Regier, 2007). Insofern hat die subjektive Auﬀassung des Innovationsbegriﬀs in der Forschung zum Innovationsmanagement weitere Verbreitung erfahren (vgl. z. B. Hauschildt, 2004; Schlaak, 1999). Diese in der subjektiven Wahrnehmung entstehende Neuartigkeit einer Innovation kommt in der vielfach genutzten Deﬁnition von Rogers (1995) zum Ausdruck: An innovation is an idea, practice, or object that is perceived as new by ” an individual or other unit of adoption.“ Neben der vorgestellten Diﬀerenzierung des Innovationsbegriﬀs, die sich auf den Prozess der Erstellung einer Produktinnovation sowie dessen Ergebnis bezieht, lassen sich Innovationen auch nach ihrer Zugeh¨origkeit zu Funktionsbereichen untergliedern, wobei von einer funktionaltypischen Diﬀerenzierung gesprochen wird. Gem¨aß Hauschildt (2004) und Zahn und Weidler (1995) lassen sich nach dieser Perspektive technische,

Innovationsgrad

15

organisationale, wettbewerbsbezogene und soziale Innovationen unterscheiden. F¨ ur eine ausf¨ uhrlichere Darstellung der verschiedenen funktionaltypologischen Innovationskategorien wird auf Weise (2005) und Pleschak und Sabisch (1996) verwiesen. Diesbez¨ uglich wird, wie in Abschnitt 1.2 beschrieben, die folgende Eingrenzung des Untersuchungsgegenstandes vorgenommen: Die vorliegende Arbeit besch¨aftigt sich mit Produktinnovationen, wohingegen Dienstleistungen aufgrund ihrer konzeptionellen Besonderheiten ausgeschlossen werden (R. G. Cooper und de Brentani, 1991; Zeithaml, Parasuraman und Berry, 1985). Unter Ber¨ ucksichtigung der Zielsetzung der Arbeit, der Analyse des Planungsverhaltens f¨ ur Innovationsvorhaben, wird als Betrachtungsebene das Einzelprojekt gew¨ahlt.

2.2 Innovationsgrad Im Rahmen des letzten Abschnitts wurde die grunds¨atzliche Neuartigkeit von Innovationen erl¨autert. Allerdings haben die Ausf¨ uhrungen auch gezeigt, dass es in der Kombination von Zweck und Mittel zu durchaus unterschiedlichen Konstellationen kommen kann, so dass eine pauschale Unterteilung in Innovation auf der einen Seite und Nicht-Innovation auf der anderen Seite unbefriedigend erscheint. Vielmehr ist es w¨ unschenswert, graduelle Unterschiede gegen¨ uber dem bisherigen Ist-Zustand aufzeigen zu k¨onnen und damit einen Innovationsgrad mess- und bewertbar zu machen (Hauschildt und Salomo, 2005, S. 10): Es geht bei Innovation nicht um die Frage, ob“ Neuartigkeit vorliegt, ” ” sondern um die Frage, wie hoch“ der Grad einer technischen oder an” ¨ wendungsspeziﬁschen Anderung ist.“ Im Bestreben, eine Abstufung zwischen Innovationen und Nicht-Innovationen zu entwickeln, hat sich in der Literatur eine Vielzahl von Formulierungen f¨ ur den Innovationsgrad entwickelt. Wie aus Tabelle 2.1 deutlich wird, stellen die Begriﬄichkeiten teilweise lediglich auf einzelne Facetten des Innovationsbegriﬀs ab, wie z. B. die technische Seite, w¨ahrend andere Begriﬄichkeiten diesbez¨ uglich neutraler formuliert sind. Im Rahmen der vorliegenden Arbeit werden die Begriﬀe Innovationsgrad und Neuheitsgrad synonym verwendet. Die Innovationsforschung hat sich der Problematik einer diﬀerenzierteren Unterteilung von Innovationen angenommen und zun¨achst versucht, mittels dichotomer

16

Konzeptionelle Grundlagen

deutschsprachige Literatur

englischsprachige Literatur

Neuigkeitsgrad Innovationsintensit¨ at Innovationsh¨ ohe Novit¨at Neuheitsgrad Neuheitsart Betriebsneuheit

innovativeness degree of innovativeness newness novelty radicalness nature of technology degree of technological innovation degree of technical change innovation type degree of innovation product type

Tabelle 2.1: Benennungsvielfalt des Ph¨ anomens Innovationsgrad“. Quelle: Schlaak (1999) ”

Kategorisierungen und Typologien eine nominale Unterscheidung verschiedener Arten von Innovationen zu erm¨oglichen (vgl. z. B. Lettl, 2004; Hauschildt, 2004; Garcia und Calantone, 2002; Gatignon, Tushman, Smith und Anderson, 2002). Allerdings ist die Zahl an Typologien in der Literatur zum Innovationsmanagement inzwischen so stark gestiegen, dass es schwer f¨allt, klare Begriﬀsabgrenzungen zu formulieren (Garcia und Calantone, 2002, S. 117): This abundance of typologies has resulted in the same name being used ” for diﬀerent types of innovations and the same innovation being classiﬁed under diﬀerent typologies.“

¨ 2.2.1 Innovationstypologien im Uberblick Es zeigt sich, dass die Operationalisierung des Innovationsgrades in der Literatur in vier verschiedenen Bereichen teilweise erhebliche Uneinheitlichkeiten aufweist (Garcia und Calantone, 2002): 1. hinsichtlich der Modellierung aus eine Makro- oder Mikroperspektive 2. hinsichtlich der Modellierung von Markt- und/oder technischer Diskontinuit¨at 3. hinsichtlich der Modellierung als ein- oder mehrdimensionales Konstrukt

Innovationsgrad

17

4. hinsichtlich der Modellierung des Innovationsgrades als kategoriale oder kontinuierliche Variable Dementsprechend hat die Literatur zum Innovationsmanagement eine Vielzahl von Kategorisierungen des Innovationsgrads hervorgebracht, aus denen hier exemplarisch einige verbreitete Konzepte vorgestellt werden sollen. Dabei reicht die Spannweite von einfachen Dichotomien bis hin zu aufw¨andigeren Typologien, die zu ihrer Klassiﬁzierung auf einzelne oder mehrere Merkmale von Innovationen abstellen (vgl. z. B. Steinhoﬀ, 2006; Weise, 2005; Lettl, 2004; Garcia und Calantone, 2002). Dichotomisierungen des Innovationsgrades Eine weitverbreitete Dichotomisierung von Innovationen ist die Unterscheidung in radikale und inkrementale Innovationen (vgl. z. B. Kessler und Chakrabarti, 1999; Balachandra und Friar, 1997). Andere Autoren hingegen sprechen von really new“ (Song und Montoya-Weiss, 1998), ” breakthrough“ (Rice, O’Connor, Peters und Morone, 1998) oder discontinuous“ ” ” (P. Anderson und Tushman, 1990) auf der einen Seite und routine“ (Meyers und ” Tucker, 1989), variations“ (Normann, 1971) oder adoption“ (P. Anderson und ” ” Tushman, 1990) auf der anderen Seite. Folglich stellen Garcia und Calantone (2002, S. 110) fest: [T]here is no consistent delineation on what is considered ’high’, ’mod” erate’ and ’low’ degree of innovativeness and if that correlates to the categorization of ’radical’, ’really new’, and ’incremental’ innovations or some other typology.“ Bei einer Strukturierung des Neuheitsgrades von Innovationen gen¨ ugt es nicht, radikale und inkrementale Innovationen auf Basis rein technischer Aspekte zu unterscheiden, wie dies beispielsweise bei Henderson und Clark (1990) geschieht. Folglich sind beispielsweise die Typologien von Ali (1994) und P. Anderson und Tushman (1990) als zu eingeschr¨ankt zu beurteilen. Radikale Innovationen sind h¨auﬁg dadurch gekennzeichnet, dass sie einerseits mit langen Entwicklungszeiten, hohen Investitionen und hoher Unsicherheit verbunden sind (McDermott und Colarelli O’Conner, 2002; Leifer et al., 2000), andererseits aber auch einen deutlich h¨oheren Kundennutzen realisieren und dadurch nachhaltige Wettbewerbsvorteile schaﬀen k¨onnen (Chandy und Tellis, 2000, 1998). Radikale Innovationen haben damit potenziell eine wesentlich profundere

18

Konzeptionelle Grundlagen

Auswirkung auf das innovierende Unternehmen (Gatignon et al., 2002). Neben einem Konsens zur Benennung hochgradiger und geringer Innovationen stellen die verschiedenen Dichotomien zudem auf unterschiedliche Dimensionen des Neuheitsgrades ab, was die Vergleichbarkeit weiter erschwert. Dar¨ uber hinaus wird selbst im Rahmen gleicher verbaler Klassiﬁkationen auf unterschiedliche Neuheitsdimensionen abgestellt, wie ein Vergleich der Studien von Balachandra und Friar (1997), Atuahene-Gima (1995), C. Freeman (1994) und Lee und Na (1994) zeigt. Tabelle 2.2 auf Seite 19 verdeutlicht diese Problematik. Insofern erscheint die rein dichotome Betrachtung von Innovationen als ungen¨ ugend und es ist Green, Gavin und Aiman-Smith (1995, S. 203) zuzustimmen, die feststellen: Moreover, we ﬁnd virtually no commonly accepted deﬁnition or measure ” of radical innovation, and in many cases we ﬁnd operationalizations of radical innovation where the validity and reliability of those measures have never been tested.“ Auch die Innovationsforschung hat sich angesichts der Vielschichtigkeit des Innovationsbegriﬀs und der Schwierigkeiten mit einer rein dichotomischen Betrachtung auf uber zu einer diﬀerendie Entwicklung erweiterter Typologien konzentriert, um dar¨ 3 zierteren Abstufung des Neuheitsbegriﬀs zu gelangen.

3

Neben der hier dargestellten Dichotomie zwischen radikalen und inkrementalen Innovationen wird u. a. noch zwischen Innovationen in Kern- und peripheren Systemen (vgl. z. B. Ulrich und Eppinger, 2004; Henderson, 1995, 1993; Pinch und Bijker, 1989; Clark, 1985) und kompentenzvernichtenden und -verst¨ arkenden Innovationen (vgl. z. B. Gatignon et al., 2002; P. Anderson und Tushman, 1990; Tushman und Anderson, 1986; Abernathy und Clark, 1985) unterschieden. Die hieraus resultierenden Typologien m¨ ussen nicht mit der ausf¨ uhrlicher dargestellten Kategorisierung in radikale und inkrementale Innovationen u ur eine ¨bereinstimmen. Hierzu und f¨ ausf¨ uhrlichere Darstellung siehe Weise (2005).

reformulated reinnovations routine incremental

Yoon und Lilien (1985)

Rothwell und Gardiner (1988)

Meyers und Tucker (1989)

Rice et al. (1998)

breakthrough

radical

innovations

original

really new

pioneering

discontinuous

true

reorientation

radical

radical

radical

radical

hoch

Product Performance

Market Familiarity with the Product Class

Design Newness

Technological Change

Market and Technological Newness

Technological Newness

Technological Change

Degree of Technical Content

Change of Product Dimensions

Degree of Diﬀerence from other Products in Technical Characteristics or Speciﬁcations

Type of Work and Degree of Change

Product Newness to Customers and Firm

Change in Technology and Product Conﬁguration

Dimension des Neuheitsgrades

Tabelle 2.2: Dichotomisierungen des Innovationsgrades. In Anlehnung an Steinhoﬀ (2006) und Garcia und Calantone (2002)

incremental

adoption

Maidique und Zirger (1984)

Song und Montoya-Weiss (1998)

variation

Normann (1971)

continuous

incremental

Lee und Na (1994)

incremental

incremental

Kessler und Chakrabarti (1999)

Ali (1994)

incremental

Atuahene-Gima (1995)

P. Anderson und Tushman (1990)

incremental

niedrig

Innovationsgrad

Balachandra und Friar (1997)

Studie

Innovationsgrad 19

20

Konzeptionelle Grundlagen

Erweiterte Innovationstypologien Die Literatur zum Innovationsmanagement hat eine Reihe von erweiterten Typologien hervorgebracht, mittels derer der Innovationsbegriﬀ diﬀerenziert werden soll. Im Rahmen der vorliegenden Arbeit ist dabei insbesondere die Unterscheidung zwischen radikalen und inkrementalen Innovationen von Bedeutung, so dass im Folgenden eine Auswahl entsprechender Typologien dargestellt werden soll. Ihnen ist gemeinsam, dass sie den Neuheitsgrad einer Innovation ¨ wie in den zuvor dargestellten Dichoanhand zweier Dimensionen entwickeln. Ahnlich tomien unterscheiden sich die Ans¨atze damit nicht in ihrer Vorgehensweise, sondern in den gew¨ahlten Dimensionen und damit den Perspektiven auf den Innovationsbegriﬀ.

Der Ansatz von Henderson und Clark Die von Henderson und Clark (1990) entwickelte Typologisierung stellt auf eine Klassiﬁkation des Innovationsbegriﬀs anhand der beiden Dimensionen Kernkomponenten“ und Schnittstellen“ ab, die jeweils ” ” in die Kategorien ge¨andert“ und unver¨andert“ unterteilt werden. Wie Abbildung ” ” 2.2 verdeutlicht, wird in der daraus resultierenden Matrix zwischen inkrementalen, modularen, architektonischen und radikalen Innovationen unterschieden, wobei bei letztgenannten sowohl neue Kernkomponenten als auch neue Schnittstellen genutzt werden.

Linkages between Core Concepts and Components

Core Concepts Reinforced

Overturned

Unchanged

Incremental Innovation

Modular Innovation

Changed

Architectural Innovation

Radical Innovation

Abbildung 2.2: Klassiﬁzierung neuer Produkte nach Henderson und Clark. Quelle: Henderson und Clark (1990)

Innovationsgrad

21

Die Darstellung von Henderson und Clark verdeutlicht, dass radikale Innovationen mit erheblichen technischen Neuerungen verbunden sind. Dabei stellt diese Typologisierung allerdings ausschließlich auf technologische Dimensionen ab und vernachl¨assigt die bereits erw¨ahnten Markt- und Unternehmensdimensionen. Der Ansatz von Booz, Allen & Hamilton Die von der Unternehmensberatung Booz, Allen & Hamilton (1982) entwickelte Klassiﬁzierung diﬀerenziert Innovationen anhand der beiden Dimensionen Neuheitsgrad des Produktes f¨ ur das entwickelnde ” Unternehmen“ und Neuheitsgrad aus der Sicht des Marktes“. Diese Dimensionen ” werden in die Kategorien niedrig“, mittel“ und hoch“ unterteilt. ” ” ” Neu für den Markt

Neu für das Unternehmen

niedrig

mittel

Völlig neue Produkte („new-to-the-world“)

hoch

Neue Produktlinien für das Unternehmen

mittel

Verbesserung bestehender Produkte

Ergänzungen bestehender Produktlinien

Kostenreduktionen

Repositionierungen bestehender Produkte

niedrig

hoch

Abbildung 2.3: Klassiﬁzierung neuer Produkte nach Booz, Allen & Hamilton. Quelle: Booz, Allen & Hamilton (1982)

Nach der Klassiﬁkation von Booz, Allen & Hamilton werden Innovationen, die sowohl f¨ ur das Unternehmen als auch f¨ ur den Markt einen hohen Neuheitsgrad aufweisen, als radikal bzw. new-to-the-world“ bezeichnet. Damit steht insbesondere die ” subjektive Dimension der Innovation im Mittelpunkt dieses Ansatzes. Vernachl¨assigt wird allerdings der bei Henderson und Clark (1990) im Fokus stehende Aspekt der Technologie, welcher als wesentliches Merkmal des Innovationsbegriﬀs angesehen werden kann (Hauschildt, 2004).

22

Konzeptionelle Grundlagen

In der Literatur zur Innovationsforschung hat sich weitgehend das Verst¨andnis durchgesetzt, dass der Neuheitsgrad von Innovationen basierend auf dem Grad der Ver¨anderung bestimmter Markt- und/oder Technologiefaktoren zu konzeptualisieren ist (vgl. z. B. Steinhoﬀ, 2006; Lettl, 2004; Garcia und Calantone, 2002; Chandy und Tellis, 1998). Diesem Verst¨andnis werden die beiden oben dargestellten Typologien trotz ihrer weiten Verbreitung nicht gerecht. Im Folgenden soll daher der Fokus auf Typologien gelegt werden, die diesen beiden Dimensionen Rechnung tragen. Der Ansatz von Hauschildt Hauschildt (2004) nutzt f¨ ur seine Innovationstypologie die bereits geschilderte Perspektive der Zweck-Mittel-Beziehung. Eine radikale

Mittel (Technologie, Lösungsprinzip)

Zweck (Bedürfnis, Kundennutzen, Anwendung)

neu

alt

alt

neu

Mittelinduzierte Innovation

Radikale Innovation

Inkrementale Innovation

Zweckinduzierte Innovation

Abbildung 2.4: Klassiﬁzierung neuer Produkte nach Hauschildt. Quelle: Hauschildt (2004)

Innovation ist nach Hauschildt damit ein Produkt, welches neue Kundenbed¨ urfnisse mittels neuer Technologien befriedigt. Der Ansatz von Lynn und Akg¨ un Der Ansatz von Lynn und Akg¨ un (1998) hat in der Literatur zum Innovationsmanagement weite Verbreitung erfahren. Anhand der beiden Dimensionen Marktunsicherheit“ und Technologische Unsicherheit“ ” ” unterscheiden die beiden Autoren zwischen vier verschiedenen Innovationstypen. un dann vor, wenn sie sowohl Eine radikale Innovation liegt nach Lynn und Akg¨

Innovationsgrad

23 Technologische Unsicherheit

Marktunsicherheit

hoch

gering

gering

hoch

Evolutionäre Marktinnovation

Radikale Innovation

Inkrementale Innovation

Evolutionäre technische Innovation

Abbildung 2.5: Klassiﬁzierung neuer Produkte nach Lynn und Akg¨ un. Quelle: Lynn und Akg¨ un (1998)

eine hohe marktbezogene als auch eine hohe technologische Unsicherheit aufweist. W¨ahrend keine Operationalisierung der Dimensionen erfolgt, liefert Lynn (1993) jedoch Hinweise zu deren Bestimmung: Marktunsicherheit“ bezieht sich hiernach ” auf das vorhandene Wissen hinsichtlich des Zielmarktes, des Marktpotentials, des optimalen Markteintrittszeitpunkts, der Preisbereitschaft und der aus Anwendersicht relevanten Leistungsmerkmale. Technologische Unsicherheit“ hingegen bezieht sich ” auf das Ausmaß, in dem Kenntnisse bez¨ uglich der Umsetzbarkeit, der Produktleistung, des Produktionsprozesses, der Produktionskosten, der Entwicklungskosten und der Entwicklungszeit vorliegen.

Zusammenfassend ist zu konstatieren, dass die Literatur eine Vielzahl unterschiedlichster Innovationstypologien bietet, von denen insbesondere die Dichotomie in radikale und inkrementale Innovationen weite Verbreitung erfahren hat (vgl. z. B. Kessler und Chakrabarti, 1999; Balachandra und Friar, 1997). Uneinigkeit besteht neben den verwendeten Begriﬄichkeiten und dem inhaltlichen Verst¨andnis des Innovationsgrades dar¨ uber, ob es sich dabei um eine Dichotomie, ein triadisches, ein tetra-kategorisches, ein penta-kategorisches oder sogar octa-kategorisches Konstrukt

24

Konzeptionelle Grundlagen

handelt (Garcia und Calantone, 2002). Auch die Frage danach, was genau neu ist, ¨ wird nicht einheitlich beantwortet. F¨ ur einen entsprechenden Uberblick siehe Tabelle 2.2 auf Seite 19 und 2.3 auf Seite 25. Einigkeit herrscht hingegen dar¨ uber, dass eine Kombination aus markt- und/oder technologiebezogenen Faktoren zu ber¨ ucksichtigen ist (Garcia und Calantone, 2002, S. 112 f.): Despite the varying perspectives for ’innovativeness’ a single consistency ” does exist; it is always modeled as the degree of discontinuity in marketing and/or technological factors.“ Kritisch anzumerken ist allerdings, dass eine Operationalisierung der technologieund marktbezogenen Dimensionen vielfach ausbleibt (Lettl, 2004). Zudem wird auch die Frage der subjektbezogenen Dimension der Innovation, also danach, f¨ ur wen eine Innovation neu ist oder ob dies objektiv der Fall ist, uneinheitlich beantwortet. W¨ahrend Tushman und Nadler (1986) die Perspektive des innovierenden Unternehmens einnehmen, betrachtet T. S. Robertson (1967) die Innovation aus Sicht der Kunden. Booz, Allen & Hamilton (1982) schließlich verbinden diese Perspektiven. Zudem muss hinterfragt werden, ob die beiden Dimensionen Technologie“ und ” Markt“ als unabh¨angig von einander gelten k¨onnen. Insbesondere radikale Innova” tionen weisen eine Interdependenz dieser Faktoren auf, indem neue Technologien zu einer Ver¨anderung der Zielm¨arkte f¨ uhren k¨onnen, welche wiederum einen Einﬂuss auf die zuk¨ unftige Technologieentwicklung nehmen k¨onnen (vgl. z. B. Lynn, Morone und Paulson, 1996). Lettl (2004) kritisiert zudem den statischen Charakter dieser Typologien, die dem dynamischen Wesen der Innovation nicht ausreichend Rechnung tragen. Grunds¨atzlich erscheint es zudem u ¨ berdenkenswert, ob es allein durch die beiden, wenn auch bedeutenden, Dimensionen Markt“ und Technologie“ gelingt, ” ” der Komplexit¨at des Innovationsbegriﬀs gerecht zu werden.

derivative, platform, breakthrough

Wheelwright und Clark (1992a)

incremental, market breakthrough, technological breakthrough, radical

incremental, architectural, fusion, breakthroughs

Chandy und Tellis (2000)

Tidd (1995)

reformulated, new parts, remerchandising, new improvements, new products, new user, new market, new customers

okta-kategorische Dichotomie

unrecorded, incremental, minor, major, systematic

Market and Technological Newness

not clearly speciﬁed

not clearly speciﬁed

Customer Need Fulﬁlment per $ and Newness of Technology

Innovation Functionality and User Input

Tabelle 2.3: Ausgew¨ahlte Innovationstypologien. In Anlehnung an Steinhoﬀ (2006) und Garcia und Calantone (2002)

Johnson und Jones (1957)

C. Freeman (1994)

incremental, functionality driven, technology driven, really new

Ziamou (1999)

penta-kategorische Dichotomien

niche creation, architectural, regular, revolutionary

Abernathy und Clark (1985)

Market and Technical Capabilities

continuous, commercially discontinuous, technologic- Product and Technology Capability ally discontinuous, discontinuous

Product and Process Change

Market and Technological Newness

Dimension des Neuheitsgrades

Veryzer (1998)

tetra-kategorische Dichotomien

low innovativeness, moderate innovativeness, high innovativeness

Triaden

Innovationsgrad

Kleinschmidt und Cooper (1991)

Studie

Innovationsgrad 25

26

Konzeptionelle Grundlagen

2.2.2 Operationalisierungen des Innovationsgrades Ausgehend von den bereits geschilderten Typologien ﬁnden sich seit dem Ende der 1990er Jahre mehrere Ans¨atze in der Literatur zum Innovationsmanagement, die sich der Problematik der Messung des Innovationsgrades widmen. Ein entsprechender ¨ Uberblick ﬁndet sich in Tabelle 2.4. Studie

Operationalisierung

Garcia und Calantone (2002)

Unterscheidung in eine Mikro- ( Newness to Firm“) und ” eine Makroebene ( Newness to Industry“), in denen jeweils ” zwischen einer Marketing- und einer Technologiedimension ¨ unterschieden wird. Es ﬁndet keine empirische Uberpr¨ ufung statt.

Danneels und Kleinschmidt (2001)

Operationalisierung mittels 19 Items aus f¨ unf Dimensionen ( Market Familiarity“, Technological Familiarity“, Marke” ” ” ting Fit“, Technological Fit“ und New Marketing Activ” ” ities“).

Avlonitis, Papastahopoulou und Gounaris (2001)

Operationalisierung mittels 15 Items aus vier Dimensionen ( Neuartigkeit der Dienstleistung f¨ ur den Markt“, Neuartig” ” keit der Dienstleistung f¨ ur das Unternehmen“, Modiﬁkation ” der Dienstleistung“ und Neuartigkeit der Betriebs- und Ver” triebsprozesse“), die zu einer Kundenperspektive“ und einer ” Unternehmensperspektive“ zusammengefasst werden. ” Operationalisierung mittels 24 Items aus drei Dimensionen ( Technik/Produktion“, Absatz/Ressourcen“ und Struk” ” ” tur“), die zu sieben Faktoren geh¨oren.

Schlaak (1999)

Green et al. (1995)

Operationalisierung mittels 17 Items aus vier Dimensionen ( technologische Unsicherheit“, technische Unerfahrenheit“, ” ” gesch¨ aftliche Unerfahrenheit“ und Technologiekosten“), ” ” von denen eines eliminiert wird.

Tabelle 2.4: Studien mit multidimensionaler Betrachtung des Innovationsgrades. Quelle: eigene Darstellung

Gemeinsam ist den hier genannten Studien, dass sie alle von einer umfassenden Literaturanalyse ausgehen und sich auf dieser Basis um die Identiﬁkation u ¨bereinstimmender Dimensionen des Innovationsgrades bem¨ uhen. Diese werden dann basierend ¨ auf den jeweils angestellten konzeptionellen Uberlegungen zu einem Messvorschlag

Innovationsgrad

27

zusammengefasst. Dabei wird der Innovationsgrad von allen als ein mehrdimensionales Konstrukt aufgefasst, das u ¨ber eine einfache nominal oder ordinal skalierte Messung im Sinne der vorgestellten Dichotomien und Typologien hinausgeht. Der Ansatz von Green et al. Die erste dieser Arbeiten, die Untersuchung von Green et al. (1995), basiert auf der Analyse von 25 Studien. Hieraus leiten die Verfasser vier Dimensionen des Innovationsgrades, bei ihnen als radicalness of inno” vation“ bezeichnet, ab. Die Dimension Technologische Unsicherheit“ ( technological ” ” uncertainty“) besch¨aftigt sich mit der Frage, ob das Wissen u ¨ber die zugrundeliegende Technologie bereits besteht oder erst im Rahmen wissenschaftlicher Forschung erschlossen werden muss und wie dynamisch und damit schwerer zu prognostizieren die daraus resultierenden Wissenszuw¨achse sind. Technische Unerfahrenheit“ ” ( technical inexperience“) betrachtet den Wissensstand des Unternehmens hinsicht” lich der zugrundeliegenden Technologie, unabh¨angig davon, ob dieses Wissen in der wissenschaftlichen Forschung vorhanden ist, oder nicht. Die Dimension Gesch¨aftliche ” Unerfahrenheit“ ( business inexperience“) geht der Frage nach, ob bei der Vermark” tung des zu entwickelnden Produktes auf bestehende Erfahrungen und Prozesse zur¨ uckgegriﬀen werden kann oder inwieweit Gesch¨aftsprozesse zum Absatz des Produktes ge¨andert bzw. neu entwickelt werden m¨ ussen. Schließlich wird das Ausmaß der mit der Entwicklung dieser Technologie verbundenen Kosten im Rahmen der Dimension Technologiekosten“ ( technology cost“) untersucht. Es gelingt den Auto” ” ren, ihren Messansatz in einer empirischen Pr¨ ufung zu best¨atigen, im Rahmen derer allerdings ein Indikator eliminiert werden muss. utzt sich auf Der Ansatz von Schlaak Die Untersuchung von Schlaak (1999) st¨ die Analyse von 47 empirischen Studien. Ausgehend von dem von Leavitt (1965) ¨ entwickelten Diamond Model“ und den Uberlegungen von Zahn (1991) wird der In” novationsgrad zun¨achst anhand von vier Dimensionen theoretisch konzeptionalisiert, die jeweils in mehrere Faktoren unterteilt werden: Aufgabe“ (bestehend aus den ” Faktoren Markt“, Technologie“ und Technik“), Prozesse“ (bestehend aus den ” ” ” ” Faktoren Beschaﬀung“, Produktion“ und Absatz“), Struktur“ (bestehend aus den ” ” ” ” Faktoren Strategie“, Kultur“ und Organisation“) und Ressourcen“ (bestehend ” ” ” ” aus den Faktoren Wissen“, Arbeit“ und Kapital“). Im Rahmen der empirischen ” ” ” ¨ Uberpr¨ ufung wird ein Messmodell mit 24 Indikatoren, die sich drei Dimensionen

28

Konzeptionelle Grundlagen

und sieben Faktoren zuordnen lassen, best¨atigt. Die erste Dimension Technik und ” Produktion“ bezieht sich auf Ver¨anderungen in der Produkttechnologie, im Produktionsprozess und im Beschaﬀungsbereich. Die Dimension Absatz und Ressourcen“ ” besch¨aftigt sich mit Ver¨anderungen im Absatzmarkt (z. B. neue Zielgruppen, Vertriebskan¨ale oder Werbemedien) und im Kapitalbedarf (z. B. erh¨ohte Marketing- oder FuE-Kosten). Die dritte Dimension Struktur“ widmet sich eventuell erforderlichen ” Umgestaltungen der formalen und informalen Organisation.

Der Ansatz von Avlonitis et al. Avlonitis et al. (2001) entwickeln ihr Messur die Bewertung des Innovationsgrades von Finanzdienstleistungen. Der modell f¨ auf einer Analyse von 10 Studien basierende Messkatalog wird im Rahmen der ¨ empirischen Uberpr¨ ufung als ein vier Dimensionen umfassendes Modell mit 15 Indikatoren best¨atigt. Die Dimensionen Neuartigkeit der Betriebs- und Vertriebsprozesse“ ” ( operating/delivery process newness“), Modiﬁkation der Dienstleistung“ ( service ” ” ” modiﬁcation“) und Neuartigkeit der Dienstleistung f¨ ur das Unternehmen“ ( service ” ” newness to the company“) spiegeln dabei die Unternehmensperspektive auf den Innovationsgrad wider. Die verbleibende Dimension Neuartigkeit der Dienstleistung ” f¨ ur den Markt“ ( service newness to the market“) widmet sich der marktbezogenen ” Perspektive auf den Innovationsgrad.

Der Ansatz von Danneels und Kleinschmidt Die Untersuchung von Danneels und Kleinschmidt (2001) fußt auf der Analyse von 24 vorangegangenen Studien. Die Autoren arbeiten zun¨achst heraus, dass der Neuheitsgrad sowohl aus Kunden- als auch aus Unternehmenssicht betrachtet werden sollte und leiten die Dimensionen Eigenschaften der Innovation“ ( innovation attributes“), Umfang des Adoptionsrisi” ” ” kos“ ( adoption risk“) sowie Umfang notwendiger Verhaltens¨anderungen“( behavior ” ” ” change“) aus Kundensicht und Vertrautheit mit der zugrundeliegenden Technolo” gie bzw. dem Zielmarkt“ ( familiarity with technological environment and market ” ¨ environment“) sowie Ubereinstimmung der zugrundeliegenden Technologie mit beste” henden technologischen bzw. marketingbezogenen Ressourcen“ ( ﬁt with technological ” resources and marketing resources“) aus Unternehmenssicht ab. Im Rahmen ihrer ¨ empirischen Uberpr¨ ufung konzentrieren sich die Verfasser allerdings ausschließlich

Innovationsgrad

29

auf die Unternehmensperspektive, f¨ ur die sie ein Messmodell mit f¨ unf Faktoren4 und 19 Indikatoren best¨atigen k¨onnen. utzen Der Ansatz von Garcia und Calantone Garcia und Calantone (2002) st¨ sich in ihrem Beitrag auf die Analyse von 21 empirischen Studien. Auf Basis ihrer Auswertungen erarbeiten sie eine Unterteilung in eine Mikro- und eine Makroebene einerseits sowie eine Technologie- und eine Marketingebene andererseits. Auf der Mikroebene wird der Innovationsgrad auf das jeweilige Unternehmen bzw. seine Kunden bezogen, w¨ahrend auf der Makroebene die Branche des Unternehmens oder sogar die Welt als Referenz herangezogen wird. Die Diﬀerenzierung nach Technologie- und Marketingebene besch¨aftigt sich mit den ausgel¨osten Ver¨anderungen. Marketingdiskontinuit¨aten k¨onnen die Schaﬀung neuer Absatzm¨arkte oder Marketingf¨ahigkeiten erfordern, w¨ahrend Technologiediskontinuit¨aten die Generierung neuen technologischen Wissens, neue Produktionsprozesse oder Paradigmenwechsel in der Forschung und im Technologieeinsatz verlangen. Die Verfasser erarbeiten entlang dieser Dimensionen einen Katalog von Items als Vorschlag f¨ ur eine Operationalisierung des ¨ Innovationsgrades, unterziehen diesen jedoch keiner empirischen Uberpr¨ ufung. Die Studien von Salomo und Billing Die Ver¨oﬀentlichungen von Salomo (2003) und Billing (2003) bem¨ uhen sich, durch ein Nebeneinanderstellen dieser meta-analytischen Untersuchungen ein m¨oglichst vollst¨andiges aber u ¨ berschneidungsfreies ur den Innovationsgrad zu entwickeln. Trotz der unterschiedlichen Messkonzept f¨ literarischen Fundierung der oben geschilderten Untersuchungen zeigen sich wesentliche Gemeinsamkeiten, so dass dieses Vorgehen zweckm¨aßig erscheint. Hinsichtlich der Perspektive, aus der die Neuartigkeit beurteilt werden soll (vgl. Hauschildt, 2004), unterscheiden die Studien von Garcia und Calantone (2002) und Danneels und Kleinschmidt (2001) beide auf erster Ebene explizit zwischen einer Mikroperspektive (innerbetriebliche Perspektive) und einer Makroperspektive (¨ uberbetriebliche Perspektive) des Innovationsgrades (vgl. z. B. Billing, 2003). Eine a¨hnliche, wenn auch implizite Unterteilung, ﬁndet sich bei Green et al. (1995) in der Unterscheidung 4

Neben den vier Faktoren Vertrautheit mit der Technologie bzw. dem Zielmarkt“ und ” ¨ Ubereinstimmung der neuen Technologie mit vorhandenen technologischen bzw. marketing” bezogenen Ressourcen“ im Unternehmen wird der f¨ unfte Faktor mit neue Marketingaktivit¨ aten“ ” bezeichnet und beschreibt, inwieweit neues Vertriebspersonal, neue Werbung, Marktforschungsmethoden und Kundendienste erforderlich sind.

30

Konzeptionelle Grundlagen

zwischen technological inexperience“ (innerbetriebliche Perspektive) und technolo” ” gical uncertainty“ (¨ uberbetriebliche Perspektive) und bei Avlonitis et al. (2001) in den Dimensionen service newness to the company“ (innerbetrieblich) und service ” ” newness to the market“ (¨ uberbetrieblich). Auf der n¨achsten Ebene unterscheiden die Untersuchungen von Garcia und Calantone (2002) und Danneels und Kleinschmidt (2001) zwischen technologie- und marketingbezogenen Diskontinuit¨aten. Diese Unterscheidung ﬁndet sich ebenfalls bei Avlonitis et al. (2001), bei denen sie durch die Dimensionen operating/delivery ” process newness“ und service modiﬁcation“ dargestellt wird. Bei Green et al. (1995) ” ﬁndet sich mit den Dimensionen technical inexperience“ bzw. business inexperience“ ” ” ebenfalls eine ¨ahnliche Unterteilung. Als weiterer bedeutender Faktor, der allerdings von den anderen Studien vernachl¨assigt wird, ist die von Schlaak (1999) identiﬁzierte Dimension Struktur“ zu ” nennen, die sich den eventuell erforderlichen Umgestaltungen der formalen und informalen Organisation des Unternehmens widmet. Salomo (2003) erg¨anzt diese Befunde um den Aspekt der eventuell erforderlichen Wandlung von externen Faktoren. Als Beispiel f¨ uhrt er die notwendige Entwicklung einer neuen Tankstelleninfrastruktur f¨ ur den Betrieb von Wasserstoﬀmotoren in PKWs an. Hieran wird deutlich, dass dieser externe Ressourcen-Fit“ (Salomo, 2003, S. 406) u ¨ ber die Kundenakzeptanz ” oder die bloße Betrachtung des Absatzmarktes hinausgeht. Zusammenfassend ist zu konstatieren, dass die Auswertung der dargestellten Untersuchungen einer eindimensionalen Messung des Innovationsgrades widerspricht. Wie die vergleichenden Arbeiten von Billing (2003) und Salomo (2003) zeigen, spielen insbesondere die Perspektive auf den Innovationsgrad und damit die Unterscheidung von einer Markt- bzw. Branchensicht einerseits bzw. einer Unternehmenssicht andererseits, sowie die Frage, ob es sich um eine Markt- und/oder Technologiediskontinuit¨at handelt, eine wichtige Rolle. Der Innovationsgrad ließe sich daher u ¨ ber vier Dimensionen konzeptualisieren (Krieger, 2005): 1. den Markt-Innovationsgrad 2. den Technologie-Innovationsgrad 3. den Umfeld-Innovationsgrad

Innovationsgrad

31

4. den Organisations-Innovationsgrad Eine Visualisierung dieses Messmodells ﬁndet sich in Abbildung 2.6. In Anlehnung an Garcia und Calantone (2002), die auf a¨hnliche Weise einen Gesamtinnova” tionsgrad“ konzeptualisieren lassen sich aus der Kombination der verschiedenen Dimensionen unterschiedliche Innovationstypen deﬁnieren (Salomo, 2003).

Innovationsgrad

Makro-Perspektive

Markt

Technologie

Mikro-Perspektive

Umfeld-Fit

Markt

Technologie

Ressourcenfit

Neuer Kunden- Neues techn. nutzen Prinzip

Infrastruktur

Neuer Markt

Neues techn. Prinzip

Strategie

Adoptionsrisiko

Regulation

Neue Kunden

Leistungssteigerung

Organisationsstruktur

Gesellschaftl. Bedingungen

Neue Marktposition

Verhaltensänderung Lernaufwand

Leistungssteigerung

Prozesse Informale Organisation

Abbildung 2.6: Dimensionen des Innovationsgrades. Quelle: in Anlehnung an Salomo (2003)

Demnach weisen radikale Innovationen hohe Diskontinuit¨aten sowohl in der Marktals auch der Technologiedimesion auf. Ein zus¨atzlich hoher Umfeld-Innovationsgrad w¨ urde diese Einstufung verfestigen, da eine Neuheit auf Makroebene auch immer auf der Mikroebene neu sein muss (Salomo, 2003, S. 403). Damit weisen radikale Innovationen in allen vier Dimensionen vergleichsweise hohe Diskontinuit¨aten auf. Als moderat innovativ oder really new“ (Garcia und Calantone, 2002, S. 122) k¨onnen ” die von dieser Extremposition aus bestimmten Innovationstypen bezeichnet werden, bei denen eine oder mehrere der Dimensionen schw¨acher ausgepr¨agt sind. Die am anderen Ende dieses Kontinuums beheimateten inkrementalen Innovationen weisen hingegen keine Diskontinuit¨aten in der Makroebene auf und werden in aller Regel

32

Konzeptionelle Grundlagen

auch nur mit einer Markt- oder Technologiediskontinuit¨at verbunden sein, nicht aber mit beiden.

2.3 Planung Dieser Abschnitt widmet sich den Grundlagen der betrieblichen Planung, um damit ein Fundament f¨ ur das in Kapitel 3 zu entwickelnde Untersuchungsmodell zu schaﬀen. Hierzu wird zun¨achst dem Begriﬀ der Planung nachgegangen, bevor in Abschnitt 2.3.2 auf die Funktionen der Planung eingegangen wird. Anschließend werden die verschiedenen Ebenen der betrieblichen Planung er¨ortert. Schließlich wird in Abschnitt 2.3.4 Improvisation als weitere und die Planung erg¨anzende Form betrieblicher Probleml¨osungsprozesse (M¨ uller, 2008) dargestellt.

2.3.1 Begriﬀsbestimmung Der Begriﬀ der Planung bzw. des Planens leitet sich vom lateinischen planta (Fußsohle, Grundﬂ¨ache, Grundriss eines Geb¨audes) ab (vgl. z. B. Voigt, 1993; Kreikebaum, 1989). Planen wird seit dem 15. Jahrhundert im deutschsprachigen Raum im Sinne von entwerfen und vorhaben verwendet, w¨ahrend die Termini Planung bzw. Unternehmensplanung erst im Laufe des 20. Jahrhunderts Verwendung fanden (Voigt, 1993). Demnach beinhaltet Planung den Entwurf eines Schemas davon, was zu tun bzw. auszuf¨ uhren ist. Sie ist somit vom Begriﬀ der Improvisation (lat.: im-providere = ad hoc entscheiden, etwas dem Zufall u ¨ berlassen, planlos handeln) abzugrenzen (Kreikebaum, 1989), auf den in Abschnitt 2.3.4 auf Seite 42 n¨aher eingegangen wird. Der Begriﬀ der Planung wird in der Literatur kontrovers diskutiert, wobei insbesondere der Umfang des Planungsbegriﬀs als auch dessen Abgrenzung zur Steuerung umstritten sind (vgl. z. B. Weber, 2004; Goeldel, 1997; Laufer, 1991; Mintzberg, 1981). Tabelle 2.5 auf Seite 34 verdeutlicht beispielhaft die Vielfalt m¨oglicher Deﬁnitionen des Planungsbegriﬀs. In Ermangelung einer umfassenden Deﬁnition analysiert Mintzberg (1981) daher vier verschiedene Ans¨atze – Planning as future thinking“, ” Planning as integrated decision making“, Planning as formalized procedure and ” ” articulated result“ und Planning as programming“ – um aufzuzeigen, welche Aspekte ”

Planung

33

in eine Deﬁnition einﬂießen sollten. In ¨ahnlicher Weise formuliert Laufer (1991) eine Reihe konstituierender Merkmale f¨ ur den Planungsbegriﬀ: • Entscheidungsprozesse • antizipatives Entscheiden • Integration interdependenter Entscheidungen in ein Entscheidungssystem • hierarchische Prozesse, die sich aus generellen Richtlinien, Zielvorgaben, Mitteln und Restriktionen ableiten und genaue Vorgehensweisen deﬁnieren • Prozesse, die Teile oder alle der folgenden Aktivit¨aten enthalten: Informationssuche und systematische -analyse, Entwicklung von Entscheidungsalternativen, systematische und explizite Analyse und Bewertung der Alternativen, Entscheidung • der Einsatz formaler Prozeduren und Techniken • Fixierung in Dokumenten • Implementierung In einer sp¨ateren Arbeit umschreibt Laufer Planung als den Prozess der Entscheidung, was zu tun ist und wie es zu tun ist, noch bevor Handlungen erforderlich sind (Laufer, 1992). Planung stellt damit den Entwurf einer Grundordnung dar, nach der sich das betriebliche Geschehen in Zukunft vollziehen soll und kann damit als das gedankliche, systematische Gestalten zuk¨ unftigen Handelns bezeichnet werden (Ehrmann, 1995). Diese gedankliche Vorwegnahme zuk¨ unftigen Handelns“ manifes” tiert sich im Treﬀen von Entscheidungen, die in die Zukunft gerichtet sind“ (W¨ohe, ” 1996, S. 140), die auch als Antizipationsentscheidungen“ (Koch, 1982) bezeichnet ” werden. Wie bereits erw¨ahnt, wird der Begriﬀ der Planung intensiv diskutiert (vgl. z. B. Weber, 2004). Ein Blick auf Tabelle 2.5 verdeutlicht, dass sich die meisten Deﬁnitionen des Planungsbegriﬀs auf den Prozess der Formulierung von Pl¨anen beschr¨anken ullen. und damit das letzte der von Laufer (1991) genannten Kriterien nicht erf¨ Die vorliegende Arbeit weicht von dieser relativ engen Sichtweise ab, da in der

34

Konzeptionelle Grundlagen

Autor

Deﬁnition

Weber (2004, S. 311)

Planung ist ein in der betriebswirtschaftlichen Diskussion h¨ auﬁg ver” wendeter, allerdings im Detail unscharfer Begriﬀ [...]. Weitgehende Einigkeit unter den Autoren liegt bez¨ uglich der folgenden Merkmale vor: Planung wird als ein rationaler, sich an Zielen orientierender Prozess gesehen. Planung bezieht sich auf zuk¨ unftiges Handeln. Planung bedeutet einen Informationsverarbeitungsprozess. Ohne relevantes Wissen kann nicht geplant werden.“

W¨ohe (1996, S. 140)

Planung ist die gedankliche Vorwegnahme zuk¨ unftigen Handelns durch ” Abw¨ agen verschiedener Handlungsalternativen und Entscheidungen f¨ ur den g¨ unstigsten Weg. Planung bedeutet also das Treﬀen von Entscheidungen, die in die Zukunft gerichtet sind und durch die der betriebliche Prozeßablauf als Ganzes und in allen seinen Teilen festgelegt wird.“

Ehrmann (1995, S. 19)

Planung ist der Entwurf einer Ordnung, nach der sich das betriebli” che Geschehen in der Zukunft vollziehen soll, sie ist das gedankliche, systematische Gestalten des zuk¨ unftigen Handelns.“

Voigt (1993, S. 5)

Planung ist bewußtes, rationales und damit menschliches Denkhandeln ” - auch dann, wenn es von Maschinen (z. B. Computern) unterst¨ utzt wird [...]. Durch Planung nimmt [der Mensch] zuk¨ unftige Geschehnisse gedanklich vorweg, strukturiert und ’ordnet’ sie und versucht, Maßnahmen, die er erst sp¨ ater ausf¨ uhren will, schon jetzt m¨ oglichst zielg¨ unstig festzulegen oder auszuw¨ ahlen.“

Bircher (1989, S. 1505)

Planung kann verstanden werden als ein systematischer, informations” verarbeitender, von F¨ uhrungskr¨ aften getragener und soziale Interaktionsprozesse einschließender Prozess der qualitativen, quantitativen und zeitlichen Bestimmung zuk¨ unftiger Ziele, Mittel und Verfahren zur mittelbaren Gestaltung und Lenkung des operationellen Systems.“

Kreikebaum (1989, S. 23)

Planung ist also diejenige kollektive T¨ atigkeit in Organisationen, die ” zum gegenw¨ artigen Zeitpunkt eine Entscheidung vorbereitet und unter verschiedenen Handlungsm¨ oglichkeiten eine Alternative ausw¨ ahlt.“

Martino (1964a, S. 17)

Planning is the determination of requirements upon project resources ” and their necessary order of commitment in the various operations that must be performed to achieve the project objectives.“

Tabelle 2.5: Verschiedene Deﬁnitionen des Planungsbegriﬀs und der Projektplanung

wissenschaftlichen Literatur vielfach eine parallele Betrachtung von Formulierung und Implementierung gefordert wird (vgl. z. B. Sashittal und Tankersley, 1997; Goeldel, 1997): Die strikte Trennung zwischen der Formulierung und der Implementierung eines Plans basiert auf der traditionellen Sichtweise, dass es sich bei diesen beiden Aktivit¨aten um zwei voneinander getrennte Prozesse handelt. Die Forschung ist jedoch

Planung

35

zunehmend von dieser Perspektive abgewichen und aktuellere Publikationen sehen Planformulierung und -implementierung als einen einzigen interaktiven Prozess an (Sch¨aﬀer und Willauer, 2002; Menon, Bharadwaj, Adidam und Edison, 1999; Sashittal und Tankersley, 1997; Speed, 1994). Betriebliche Planung wird als ein revolvierender Vorgang angesehen, der nicht mit der Aufstellung eines oder mehrerer Pl¨ane beendet ist (Baur, 1967). Hieraus ergibt sich ein Kreislauf aus Planung und Implementierung, der eine wesentlich st¨arkere Verzahnung dieser beiden Aktivit¨aten erforderlich macht (Sch¨aﬀer und Willauer, 2002; Sashittal und Tankersley, 1997; Bonoma, 1984). Zudem ist in der Praxis zu beobachten, dass viele Manager bestehende Pl¨ane ignorieren oder gar boykottieren und Entscheidungen aus dem Bauch heraus“ treﬀen (Thomas, ” 2002; Sinha, 1990; Gluck, 1984). Hierdurch f¨ uhren bestehende Pl¨ane h¨auﬁg nicht zu dem gew¨ unschten Erfolg, da sie sich im Rahmen der Umsetzung im Sande verlaufen“ ” (Meﬀert, 1988). Insofern ist Goeldel (1997, S. 73) zuzustimmen, der ausf¨ uhrt, dass [e]ine Analyse der betrieblichen Planung [...] daher sowohl die Planung als auch die ” Durchsetzung umfassen“ muss. Diese Aussage wird ebenfalls durch Forschungserkenntnisse aus dem Bereich der strategischen Planung und des strategischen Managements gest¨ utzt. Untersuchungen zeigen, dass auch auf dieser Ebene Pl¨ane nicht oder nur unzureichend umgesetzt werden (vgl. z. B. Beer und Eisenstat, 2000; Cespedes und Piercy, 1996). Ein Grund hierf¨ ur wird in der als formulation-implementation dichotomy“ bezeich” neten organisatorischen und personellen Trennung von Strategieformulierung und -implementierung gesehen, der ein negativer Eﬀekt auf den Unternehmenserfolg zugeschrieben wird (Cespedes und Piercy, 1996, S. 155).

2.3.2 Funktionen und Grenzen der Planung Neben den im Rahmen der Begriﬀsbestimmung benannten Merkmalen der Planung liefert die Betrachtung ihrer Funktionen weitere wertvolle Erkenntnisse bei der Erschließung des Begriﬀes (Goeldel, 1997). Die Literatur bietet eine Reihe von ¨ Ubersichten, in denen die Funktionen, die der Planung zugeschrieben werden, genannt werden (vgl. z. B. Schenkel, 2006; Goeldel, 1997; Matthes, 1989; R¨ uhli, 1989). Kritisch anzumerken ist allerdings, dass diese Aufz¨ahlungen in der Regel weder eine Priorisierung der einzelnen Funktionen liefern, sowie, dass es bei den Funktions¨ auﬂistungen immer wieder zu Uberschneidungen und Redundanzen kommt (Eybl,

36

Konzeptionelle Grundlagen

1984). Ziel dieser Darstellung der Planungsfunktionen sollt es daher nicht sein, einen ¨ ersch¨opfenden Uberblick zu liefern, sondern vielmehr die zahlreichen Funktionen der Planung zu unterstreichen und damit ihre Bedeutung f¨ ur die betrieblichen Aktivit¨aten herauszustellen (Hamprecht, 1996). Als Hauptfunktion der Planung wird die Steigerung der Erfolgswahrscheinlichkeit ” bzw. Eﬃzienz menschlichen Handelns und des Einsatzes knapper Ressourcen“ (Krystek und Zumbrock, 1993, S. 41) angesehen. Sie dient also der Sicherung bzw. Steigerung von Eﬀektivit¨at und Eﬃzienz der Unternehmensaktivit¨aten (Hahn, 1993). Hieraus lassen sich weitere Funktionen der Planung ableiten, die im Folgenden kurz skizziert werden:5

Reduktion von Unsicherheit und Komplexit¨ at Unsicherheit und Komplexit¨at stellen wesentliche Merkmale von Entscheidungen und Unternehmensaktivit¨aten, wie z. B. der Neuproduktentwicklung, dar (vgl. z. B. Delfmann, 1993; Mag, 1993; ur die Planung von besonderer Bedeutung ist (Dvir und D. J. Campbell, 1988), f¨ Lechler, 2004; Goeldel, 1997). Planung soll zur Verbesserung von Entscheidungen beitragen, indem durch die Beschaﬀung und Auswertung von Informationen Zusammenh¨ange sowie Chancen und Risiken transparenter und kalkulierbarer werden: Im Rahmen der Planung geht es um die Gewinnung von Informationen als ’Rohmate” rialien’ von planungsabschließenden Entscheidungen, die das psychische Unbehagen des Menschen bei Unsicherheit beseitigen oder wenigstens herabsetzen sollen“ (Mag, 1993; Krystek und Zumbrock, 1993). Hierzu werden Einﬂussgr¨oßen identiﬁziert und Prognosen u ¨ ber die Entwicklung dieser Faktoren erstellt (Goeldel, 1997). Da es sich bei diesen Einﬂussgr¨oßen sowohl um unternehmensinterne als auch -externe Faktoren handeln kann, bezieht sich die Reduktion von Unsicherheit nicht nur auf das Unternehmensumfeld, sondern auch auf das Innenverh¨altnis im Unternehmen, da zuk¨ unftige Handlungen bzw. Handlungsalternativen im Rahmen der Planung festgelegt werden und damit alternative Handlungsm¨oglichkeiten ausgeschlossen werden (Mag, 1993; Wild, 1974). Aufgrund der notwendigen Prognosen f¨ ur die Einﬂussgr¨oßen 5

¨ Uber die hier dargestellten Funktionen hinaus werden in der Literatur auch die Synergiefunktion (Krystek und Zumbrock, 1993), die Unterst¨ utzung der Informationsverarbeitung, der Konsensbildung und Konﬂiktaustragung (Goeldel, 1997), die Gestaltungsfunktion, die Steuerungsfunktion sowie die Informationsfunktion (Schenkel, 2006) genannt.

Planung

37

wird diese Funktion der Planung zuweilen auch als Prognosefunktion bezeichnet (vgl. z. B. Schenkel, 2006). Koordinationsfunktion Betriebliche Prozesse und Entscheidungen werden f¨ ur gew¨ohnlich von mehreren Personen oder Instanzen getragen, deren Aktivit¨aten aufgrund der zwischen ihnen bestehenden Interdependenzen zu koordinieren sind (Voigt, 1993; Matthes, 1989). Durch eine ex-ante vorgenommene Planung k¨onnen diese interdependenten Entscheidungen und Prozesse koordiniert werden, so dass sie in einen gemeinsamen Rahmen bzw. einen Gesamtplan integriert werden k¨onnen (R¨ uhli, 1989). Durch das im Rahmen der Planung vorgenommene antizipative Durchdenken“ ” der Entscheidungsm¨oglichkeiten und Interdependenzen sollen Probleme und Engp¨asse fr¨ uhzeitig identiﬁziert sowie eﬃziente Prozessabl¨aufe und Ressourcenallokationen gesichert werden (Goeldel, 1997, S. 14). Motivationsfunktion Zur Durchsetzung der Unternehmensziele ist es erforderlich, Handlungs- und Entscheidungstr¨ager zu zielkonformem Verhalten zu motivieren (Matthes, 1989). Dies kann erreicht werden, indem die in einem Plan formulierten Ziele als Leistungsanreize f¨ ur die Handlungs- und Entscheidungstr¨ager genutzt werden, um damit ihre Verhalten im Sinne des Unternehmens zu beeinﬂussen (Krystek und Zumbrock, 1993). Durch die hieraus resultierende Verkn¨ upfung von Unternehmensund Mitarbeiterzielen soll die negative Auswirkung kontr¨ar gelagerter Individualinteressen auf Seiten der Mitarbeiter vermieden werden (Schenkel, 2006). Flexibilit¨ atsfunktion Planung soll durch antizipative Problemanalyse und -l¨osung Handlungsspielr¨aume er¨oﬀnen, die bei reaktiven Entscheidungen nicht mehr reauhzeitiges lisierbar w¨aren (Goeldel, 1997; Krystek und Zumbrock, 1993): Durch fr¨ Erkennen und L¨osen von Problemen k¨onnen Sach- und Zeitzw¨ange vermieden werden, die zu einer Einschr¨ankung der Zahl m¨oglicher Handlungsalternativen h¨atten f¨ uhren k¨onnen. Innovationsfunktion Im Rahmen betrieblicher Prozesse ist es immer wieder erforderlich, neue L¨osungen zu entwickeln und durchzusetzen und damit zur Bew¨altigung aktueller und potentieller Probleme beizutragen (Matthes, 1989). Eine Funktion der Planung ist daher, die Erarbeitung kreativer Probleml¨osungen als Grundlage f¨ ur ”

38

Konzeptionelle Grundlagen

Innovationen [zu] erm¨oglichen, die in einem unsystematischen Trial-and-error-Prozeß m¨oglicherweise nicht gefunden w¨ urden“ (Krystek und Zumbrock, 1993, S. 43). Neben den genannten Funktionen der Planung und dem daraus gezogenen Nutzen weist die Planung als Probleml¨osungsprozess jedoch eine Reihe von Limitationen auf, die im Folgenden n¨aher betrachtet werden sollen. Wie bereits ausgef¨ uhrt tr¨agt Planung u ¨ber die Beschaﬀung und Auswertung von Informationen zur Entscheidungsﬁndung bei. Hierbei wird die Zukunft gem¨aß der Linearit¨atsannahme der Planung aus vergangenheits- oder gegenwartsbezogenen Daten extrapoliert (Pina e Cunha und Vieira da Cunha, 2002). Mit zunehmender Volatilit¨at, Unsicherheit und Risiken wird diese Annahme jedoch zunehmend problematischer und die Planung erschwert (Grant, 2003; Bettis und Hitt, 1995). So f¨ uhren Pina e Cunha und Vieira da Cunha (2002, S. 300) aus: As a consequence, formal plans quickly fall into obsolescence not only ” because their major basis - the past - is no longer an accurate compass for the future but also because change is so pervasive that the environment can undergo profound alterations while the formal planning process is underway.“ Ein Plan ist also immer nur so gut wie die Informationen, auf denen er basiert. Diese ¨ Situation verlangt nach einer Anderung traditioneller Planungweisen (Grant, 2003): Pl¨ane m¨ ussen oﬀen f¨ ur Ver¨anderungen sein und Flexibilit¨at sowie die Abkehr von hierarchischen Weisungsstrukturen k¨onnen zu wesentlichen Erfolgsfaktoren werden (Kenny, 2003; Pascale, 1999). Gerade auch im Rahmen der Neuproduktentwicklung wird aufgrund der hohen Unsicherheit wiederholt auf diese Notwendigkeit hingewiesen (vgl. z. B. Verganti, 1999; Moorman und Miner, 1998a; Brown und Eisenhardt, 1997). Planungs- und Entscheidungsprozesse sind zudem stets durch eine politische Dimension gekennzeichnet und k¨onnen somit auf Widerstand stoßen (Dean und Sharfman, 1996; Ramanujam, Venkatraman und Camillus, 1986): Organisationsmitglieder haben aufgrund funktionaler, hierarchischer, berufsbedingter oder pers¨onlicher Faktoren unterschiedliche Interessen und versuchen, diese durch die Beeinﬂussung von Planungsund Entscheidungsprozessen bestm¨oglich zu vertreten. Im Falle von Interessenkonﬂikten kann es daher zu Ablehnung oder Widerstand gegen¨ uber der Planung kommen, indem die Beteiligung an der Planung verweigert, sie nicht akzeptiert oder ihre

Planung

39

Umsetzung boykottiert wird (Thomas, 2002; Guth und MacMillan, 1986). Hierdurch vermindert sich die Eﬀektivit¨at der Planung (Dean und Sharfman, 1996; Ramanujam et al., 1986). Planung verlangt dar¨ uber hinaus den Einsatz von Ressourcen in Form von Zeit und Finanzmitteln, z. B. f¨ ur die Entlohnung der Planenden (Ramanujam und Venkatraman, 1987a, 1987b). Insofern sind Planungsbem¨ uhungen Grenzen durch den Umfang der hierzu zur Verf¨ ugung gestellten Ressourcen gesetzt. Abschließend muss konstatiert werden, dass Planung per se keinen Erfolg garantiert. So sind empirische Befunde zur Erfolgswirksamkeit der Planung uneinheitlich: Zu dem auf strategischer Ebene vielfach untersuchten Zusammenhang zwischen (formaler) Planung und Unternehmenserfolg liegen inkonsistente empirische Befunde vor (Ramanujam und Venkatraman, 1987a; King, 1983; S. J. Armstrong, 1982) und die St¨arke des Zusammenhangs schwankt in Abh¨angigkeit von dem betrachteten Erfolgsmaß (Ramanujam und Venkatraman, 1987b), so dass Sinha (1990, S. 491) von dem elusive link between planning and performance“ spricht. Der Autor zeigt zudem, ” dass Planung nur wenig zu technologie- und neuproduktentwicklungsbezogenen Entscheidungen beitr¨agt. Auf Projektebene sind diese Befunde einheitlicher. Lechler (1997) identiﬁzierte 13 empirische Untersuchungen zum Zusammenhang zwischen Projektplanung und Projekterfolg, die alle signiﬁkante mittel bis stark positive Wirkungen der Planung auf den Projekterfolg nachweisen konnten. Dieser Zusamenhang wird auch in aktuelleren Untersuchungen von Dvir und Lechler (2004) und Weise (2005) best¨atigt. Jedoch existiert daneben eine Reihe von Untersuchungen, die den Wert formaler Planung in Neuproduktentwicklungsprojekten relativieren und aufgrund der hohen Unsicherheit mehr Flexibilit¨at und Oﬀenheit f¨ ur Ver¨anderungen fordern (Verganti, 1999; Moorman und Miner, 1998a; Brown und Eisenhardt, 1997). Die Argumentation verl¨auft hierbei analog zu der bereits geschilderten Kritik an der Liniarit¨atsannahme der Planung. Die Bedeutung dieses Einwands wird auch aus der bereits zitierten Untersuchung von Dvir und Lechler (2004) deutlich, die zeigen, dass die positiven Eﬀekte der Planung auf den Projekterfolg in ihrer Wirkung durch die negativen Eﬀekte von Ziel¨anderungen, die sich aufgrund ge¨anderter Informationen ergeben, u ¨bertroﬀen werden.

40

Konzeptionelle Grundlagen

Hieraus wird ersichtlich, wie es zu dem in der Literatur herrschenden breiten Meinungsspektrum hinsichtlich des Nutzens und der Sinnhaftigkeit von Planung kommen kann, indem sowohl auf strategischer als auch auf Projektebene Planung gerade f¨ ur besonders unsicherheitsbehaftete oder komplexe Aufgaben wie die Neuproduktentwicklung empfohlen wird (vgl. z. B. S. J. Armstrong, 1982; Rothwell et al., 1974), w¨ahrend an anderer Stelle Planung lediglich in stabilen und sicheren Situationen als geeignet angesehen wird (vgl. z. B. Grant, 2003; Kenny, 2003).

2.3.3 Ebenen der Planung Wie bereits erw¨ahnt, werden betriebliche Prozesse und Entscheidungen f¨ ur gew¨ohnlich von mehreren Personen oder Instanzen getragen, deren Aktivit¨aten aufgrund der zwischen ihnen bestehenden Interdependenzen zu koordinieren sind (Voigt, 1993; Matthes, 1989). Durch die ex-ante vorgenommene Planung k¨onnen diese interdependenten Entscheidungen und Prozesse koordiniert werden, so dass sie in einen gemeinsamen Rahmen bzw. einen Gesamtplan integriert werden k¨onnen (R¨ uhli, 1989). Als m¨ogliche Vorgehensweisen hierf¨ ur werden in der Literatur die Sukzessivplanung und die hierarchische Unternehmensplanung vorgeschlagen (Voigt, 1993). Der Ansatz der hierarchischen Unternehmensplanung ber¨ ucksichtigt, dass die im Rahmen der Planung getroﬀenen Entscheidungen unterschiedliche Tragweiten haben und dadurch mit verschiedenen Konsequenzen behaftet sind. Hieraus k¨onnen Planungsebenen abgeleitet werden, die hierarchisch angeordnet sind. In diesem Zusammenhang wird typischerweise zwischen strategischer und operativer Planung unterschieden (vgl. z. B. Ehrmann, 1995; Voigt, 1993; Hoﬀmann, 1989). Die strategische Planung dient der langfristigen Existenzsicherung des Unternehmens, indem sie durch die Formulierung von Zielen, die Schaﬀung von Handlungsspielr¨aumen, das Erkennen und Nutzen von Chancen, die Vermeidung von Risiken, den Erhalt und Ausbau von St¨arken und die Minderung und Beseitigung von Schw¨achen die Eﬀektivit¨at des Unternehmens sichert (Ehrmann, 1995; Kreikebaum, 1989). Sie ist meist langfristig angelegt (Voigt, 1993). Die operative Planung entwickelt, ausgehend von den Ergebnissen der strategischen Planung, Pl¨ane und Maßnahmen, die die Umsetzung der Strategie in der Realit¨at erm¨oglichen (W¨ohe, 1996). Sie ist damit der Strategieimplementierung zuzurechnen (Mintzberg, Quinn und Ghoshal, 1999).

Planung

41

Dabei wird die strategische Planung stufenweise konkretisiert und in bereichs- und abteilungsbezogene operative Maßnahmenprogramme f¨ ur k¨ urzere Zeitr¨aume - z. B. in Form von Jahrespl¨anen - heruntergebrochen (Welge und Al-Laham, 2001). Diese werden ggf. in der mittel- bis kurzfristigen taktischen Planung weiter verfeinert und detailliert (Koch, 1982). Hieraus ergibt sich eine Verzahnung der strategischen mit ” der operativen Ebene“ (Welge und Al-Laham, 2001, S. 530), in der die Strategie in einem System koordinierter Bereichsplanungen“ (Koch, 1982, S. 37) abgebildet ” wird, das auch als integrierte Gesamtunternehmensplanung bezeichnet wird (Welge und Al-Laham, 2001; Hahn, 1989; Hoﬀmann, 1989). Die Unterscheidung in strategische und operative Planung erm¨oglicht eine funktionale Betrachtung der Planung, d. h. sie gestattet eine Diﬀerenzierung hinsichtlich der zu planenden Objekte. Da Planungsaktivit¨aten jedoch stets mit den an der Planung beteiligten Personen, den Planungstr¨agern, verbunden sind, ist neben der funktionalen Betrachtung auch eine institutionale Betrachtung der Planung erforderlich, die sich damit besch¨aftigt, wie Planungstr¨ager zu bestimmen und ihnen Planungsaufgaben sowie Planungskompetenzen zuzuordnen sind (Goeldel, 1997). Die hierf¨ ur infrage kommenden Personen und Instanzen sind maßgeblich von der Art der Planung und der Organisationsstruktur des Unternehmens beeinﬂusst. Sie reichen von einzelnen Funktionstr¨agern u ¨ber Planungsstellen und St¨abe, bis hin zur Gesch¨aftsleitung oder gar externen Stellen wie z. B. Wirtschaftspr¨ ufern (Ehrmann, 1995). F¨ ur das Problem der institutionalen Gestaltung der Planung gibt es keine allgemeing¨ ultige L¨osung f¨ ur die Verkn¨ upfung von Planungsaufgaben, Planungstr¨agern und Planungskompetenzen (Koch, 1993). Die Ausgestaltung dieser Verkn¨ upfungen wird in der Literatur h¨auﬁg mit den Extrempolen der zentralen und dezentralen Planung beschrieben (Goeldel, 1997). Eine zentrale Planung ist dadurch gekennzeichnet, dass ein Großteil der Planungsaufgaben von der obersten Unternehmensleitung wahrgenommen wird, die in s¨amtlichen Planungsphasen dominiert (Koch, 1993). Von einer dezentralen Planung hingegen wird gesprochen, wenn Planungsaufgaben aus der Gesamtplanung herausgel¨ost werden und an hierarchisch untergeordnete Einheiten delegiert werden (Hamprecht, 1996). Ein weiteres wesentliches Merkmal der institutionalen Gestaltung der Planung ist die Partizipation oder Mitwirkung an der Planung (Steinmann und Schrey¨ogg, 1989), also die Beteiligung bestimm-

42

Konzeptionelle Grundlagen

ter Unternehmenseinheiten oder Mitarbeiter an der L¨osung von Planungsaufgaben (Goeldel, 1997). Die Ausweitung des Kreises derjenigen, die im Planungsprozess Einﬂuss nehmen k¨onnen, l¨asst sich im Wesentlichen u ¨ ber drei Elemente realisieren (Steinmann und Schrey¨ogg, 1989): Als wichtigstes Element ist zun¨achst die M¨oglichkeit der Einﬂussnahme auf den Planungsinhalt zu nennen, also die Gelegenheit, eigene Vorstellungen in die Planung einzubringen. Ein zweiter wesentlicher Aspekt ist die Erweiterung des Teilnehmerkreises der an der Planung beteiligten Personen bzw. Instanzen. Abschließend bietet sich das Element der kooperativen Interaktion, im Rahmen derer eine Mitwirkung u ¨ ber kommunikativen Austausch realisiert wird und die beteiligten Parteien gemeinsam handeln. Somit setzt jegliche Form von Partizipation eine Integration in den Planungsprozess voraus.

2.3.4 Improvisation Das Ph¨anomen der Improvisation in Organisationen gewinnt erst seit kurzem das Interesse der Organisationforschung, so dass dieses Forschungsfeld noch nicht vollst¨andig erschlossen ist und die bisherigen Arbeiten h¨auﬁg konzeptioneller Natur sind und zur Theorieentwicklung auf diesem Gebiet beitragen (Vieira Da Cunha, Kamoche und Pina e Cunha, 2003). Gleichwohl wird dem Konzept der Improvisation bereits heute weitreichender Einﬂuss auf eine Reihe organisationaler Ph¨anomene wie Teamwork, Kreativit¨at, Produktentwicklung und organisationale Anpassung und Erneuerung zugeschrieben (Kamoche, Pina e Cunha und Vieira da Cunha, 2003). Organisationale Improvisation wurde insbesondere im Bereich schnelllebiger und von Wettbewerb gepr¨ agten Situationen wie der Neuproduktentwicklung (Moorman und Miner, 1998a, 1998b; Eisenhardt und Tabrizi, 1995) oder im Bereich des Krisenmanagements (Weick, 1993) untersucht (Miner et al., 2001). Dar¨ uber hinaus haben Forscher das Ph¨anomen der Improvisation auch außerhalb des organisationalen Kontextes in einer Reihe verschiedener Bereiche wie z. B. Theater und Musik (Vera und Crossan, 2004; Kamoche et al., 2003; Zack, 2000; Barrett, 1998), Bildung (Irby, 1992; Borko und Livingston, 1989) und der Psychiatrie (Embrey, Guthrie, White und Dietz, 1996) beobachtet und analysiert. Insbesondere aus den Bereichen Jazz und Theater hat die Forschung zur Improvisation in Organisationen und im Management den Ansatz entliehen, dass Ideen entworfen und unmittelbar umgesetzt werden (Crossan, Pina e Cunha, Vera und Vieira da Cunha, 2005). Crossan, White, Lane und Klus

Planung

43

(1996) interpretieren Improvisation daher als Zusammentreﬀen von Planung und einer sich auftuenden Gelegenheit, deren Zusammentreﬀen zu einer Vermischung von ¨ Strategieplanung und -umsetzung f¨ uhrt. Ahnlich beschreibt Weick (2001, S. 352) Improvisation als Just-in-Time-Strategy“: ” Just-in-time strategies are distinguished by less investment in front” end loading (try to anticipate everything that will happen or that you will need) and more investment in general knowledge, a large skill repertoire, the ability to do a quick study, trust in intuitions, and sophistication in cutting losses.“ Improvisation kann also als unvorbereitete aber bewusste Handlung aufgefasst werden. Wesentliches Merkmal des Improvisationsbegriﬀs ist somit, dass er eine Handlung beinhaltet. Diese Handlung erfolgt aus dem Stehgreif, wird also nicht durch bereits existierende Routinen oder Pl¨ane ausgel¨ost. Selbst wenn detaillierte Pl¨ane vorliegen, k¨onnen Krisen oder unerwartete Ereignisse auftreten, f¨ ur die keine Pl¨ane deﬁniert wurden und existierende Routinen nicht anwendbar sind (Hayward, 1986). Weiterhin wird die Handlung bewusst bzw. vors¨atzlich vorgenommen. Willk¨ urliche oder zuf¨allige Ver¨anderungen organisationaler Abl¨aufe werden somit nicht als Improvisation verstanden (Moorman und Miner, 1995). Dieses Verst¨andnis wird durch die in Tabelle 2.6 gesammelten Deﬁnitionen unterst¨ utzt.6 Das Konzept der Improvisation l¨asst sich nach dem hier geschilderten Verst¨andnis auf einem Kontinuum positionieren (Moorman und Miner, 1998b, 1995). Dessen einer Extrempunkt bildet die totale Improvisation, bei der eine Organisation Handlungen ausf¨ uhrt, die g¨anzlich von vorherigen Pl¨anen, Regeln oder standardisierten Routinen losgel¨ost sind. Den anderen Extrempunkt bilden Handlungen, die in vorherigen Pl¨anen und Routinen genau deﬁniert sind und von denen auch bei unerwarteten Geschehnissen oder Informationen nicht abgewichen wird. Zwischen diesen Extrempunkten sind verschiedene Grade an Improvisation m¨oglich (Moorman und Miner, 1995). Insofern ist Improvisation, gerade auch im Hinblick auf die in Abschnitt 2.3.2 6

Improvisation unterscheidet sich damit von einer Reihe verwandter Konstrukte, von denen in der Literatur insbesondere Kreativit¨ at, Anpassung und Innovation diskutiert werden. W¨ ahrend die drei letztgenannten Konstrukte darauf abzielen, die Vielfalt zu erh¨ ohen und eﬀektiv zu sein, versucht Improvisation zus¨ atzlich, diese Vielfalt soweit zu b¨ undeln, dass sie eﬃzient genutzt werden kann (Pina e Cunha, Vieira da Cunha und Kamoche, 1999; Moorman und Miner, 1995).

44

Konzeptionelle Grundlagen

Autor

Deﬁnition

M¨ uller (2008, S. 261)

F¨ ur die weitere Darstellung wird Improvisation als ein in” formationsverarbeitendes, gestaltungs- und auch zukunftsorientiertes Probleml¨ osungsverhalten deﬁniert, bei dem: 1. Konzeption und Realisierung der Maßnahme simultan erfolgen, so dass 2. die Realisierung der Maßnahme ohne eine vollst¨ andige antizipative Reﬂexion von Alternativen und deren Konsequenzen beginnt und 3. die Zwischenergebnisse der Realisierung durch simultane R¨ uckkopplung in der weiteren Probleml¨ osung ber¨ ucksichtigt werden.“

Miner et al. (2001, S. 314)

Improvisation is the deliberate and substantive fusion of ” the design and execution of a novel production.“

Pina e Cunha et al. (1999, S. 302)

Organizational improvisation can thus be deﬁned as the ” conception of action as it unfolds, by and organization and/or its members, drawing on available material, cognitive, aﬀective and social resources.“

Moorman und Miner (1998a, S. 702)

The degree to which composition and execution converge ” in time.“

Voigt (1993, S. 12)

Improvisationen sind Ad-hoc-Entscheidungen ohne ’pla” nungstypische’ Vorbereitung und Gr¨ undlichkeit, insbesondere ohne großen Informationsaufwand.“

Tabelle 2.6: Verschiedene Deﬁnitionen des Improvisationsbegriﬀs

geschilderten Grenzen der Planung, als eine notwendige, die Planung erg¨anzende ” Form der betrieblichen Probleml¨osung“ anzusehen (M¨ uller, 2008, S. 255). In gleicher Art und Weise umschreibt Mintzberg (1999) die realisierte Strategie als eine Mischung aus intendierten und im Laufe des Prozesses entstehenden (emergenten) Strategien und liefert damit ebenfalls eine gute Beschreibung des Verh¨altnisses zwischen Planung und Improvisation: W¨ahrend intendierte Strategien typischerweise analytischer, geplanter und formaler sind, werden emergente Strategien als intuitivere, handlungsorientiertere und fortlaufende Prozesse beschrieben (Crossan, 1998). Organisationen improvisieren, wenn sie mit einem Ereignis konfrontiert werden, das sie unerwartet triﬀt, f¨ ur das es keine im Vorhinein geplanten Maßnahmen gibt und das in der Wahrnehmung der Organisation einer schnellen Handlung bedarf

Planung

45

(Weick, 2001; Moorman und Miner, 1998a, 1998b; Crossan und Sorrenti, 1997; Hatch, 1997; Moorman und Miner, 1995). Improvisation tritt demnach auf, wenn sowohl 1) ein Bedarf an a) Schnelligkeit und b) Handlung besteht als auch 2) eine Situation als ucksichtigt wahrgenommen wird (Pina e Cunha unerwartet und als nicht in Pl¨anen ber¨ et al., 1999): Hieraus l¨asst sich ableiten, dass das ausl¨osende Ereignis als wichtig genug wahrgenommen werden muss, um eine Handlung zu rechtfertigen. Zudem muss es im Rahmen der Einﬂussm¨oglichkeiten der Organisation liegen. Dieses Ereignis kann dabei sowohl als Problem als auch als g¨ unstige Gelegenheit wahrgenommen werden. Schließlich d¨ urfen weder Routinen noch vorgegebene Handlungsmuster existieren. So ist beispielsweise der Druckabfall in einer Flugzeugkabine als ein unerwartetes Ereignis zu werten, welchem allerdings mit hochstandardisierten und langfristig vorher festgelegten Routinen begegnet wird. Improvisation bedarf einer Reihe von Voraussetzungen innerhalb der Organisation, um aufzutreten (Kamoche und Pina e Cunha, 2001; Miner et al., 2001; Pina e Cunha et al., 1999; Crossan, 1998; Weick, 1998): Hierzu z¨ahlen neben einer Experimentalkultur, welche Fehler toleriert, Handlungsinitiativen unterst¨ utzt und einen gewissen Zeitdruck an die Organisationsmitglieder vermittelt, insbesondere auch die sogenannten Minimalstrukturen in Form von Kontrollmechanismen, klaren Zielvorgaben und ¨ wie musikalische Improvisation im Jazz einer regelm¨aßigen Meilensteinen.7 Ahnlich Minimalstruktur in Form einer Tonart, einer Melodie, eines Rhythmuses oder eines Tempos bedarf, ben¨otigt auch organisationale Improvisation einer semistructure“ ” aus klaren Verantwortlichkeiten und Priorit¨aten sowie weitreichender Kommunikation (Brown und Eisenhardt, 1997, S.16): The limited structure provides the overarching framework without ” which there are too many degrees of freedom. The communication allows the players to coordinate and mutually adjust within that framework. 7

Neben diesen generellen organisationalen Faktoren werden in der Literatur auch weitere Faktoren genannt. Auf organisationaler Ebene spielen Faktoren wie die Teamgr¨ oße, die Kommunikationsstrukturen, das organisationale Wissen und vielf¨ altig einsetzbare Ressourcen eine Rolle. Zudem sind prim¨ar pers¨ onlichkeitsbedingte Merkmale wie F¨ uhrungsstil, pers¨ onliche F¨ ahigkeiten, Kreativit¨at sowie die Unterschiedlichkeit der beteiligten Personen als wichtige Einﬂussfaktoren f¨ ur das Auftreten von organisationaler Improvisation identiﬁziert worden. Da diese den Rahmen ¨ der vorliegenden Arbeit u uhrliche Ubersicht bei Pina e Cunha et al. ¨ bersteigen, sei auf die ausf¨ (1999) verwiesen.

46

Konzeptionelle Grundlagen Together, people can adaptively accomplish tasks even as the context is changing.“

¨ Ahnliche Ans¨atze ﬁnden sich bereits bei Emery und Trist (1965) sowie J. W. Meyer und Rowan (1977), die ausf¨ uhren, dass Organisationen wie Schulen oder Forschungseinrichtungen sehr detaillierte und strenge Verwaltungsrichtlinien haben, die in ihnen arbeitenden Personen jedoch relativ viel Freiheit hinsichtlich der Herangehensweise an ihre Arbeit genießen. Insofern bedarf es institutioneller Regeln, die dem Einzelnen Vertrauen entgegenbringen (Emery und Trist, 1965), was von J. W. Meyer und Rowan (1977, S. 357) auch als the logic of conﬁdence and good faith“ bezeichnet ” wird. Dies verdeutlicht das paradoxe Wesen der Improvisation, die eine Struktur ben¨otigt, die die Grenze der Handlungen deﬁniert, aber gleichzeitig ﬂexibel genug ist, um u ¨berhaupt neue Handlungen zu ermutigen (Roux-Dufort und Vidaillet, 2003). Wenn Improvisation auftritt, kann diese sowohl positive als auch negative Auswirkungen haben (Miner et al., 2001; Pina e Cunha et al., 1999), wodurch sich in der Forschung zwei Meinungen durchgesetzt haben, die Improvisation entweder als generell sch¨adlich oder generell n¨ utzlich beschreiben (Moorman und Miner, 1998a, S.7): There has been a tendency to think of improvisation as either helpful ” or hurtful to organizations.“ Insofern sollen im Folgenden beide Aspekte der Improvisation n¨aher betrachtet werden. Improvisation kann eine Reihe positiver Eﬀekte haben (Miner et al., 2001; Moorman und Miner, 1998a; Eisenhardt und Tabrizi, 1995; Weick, 1993), die sich in die Kategorien Flexibilit¨at, Lernen, Motivation und Emotion unterteilen lassen (Pina e Cunha et al., 1999): Flexibilit¨at im Sinne von schneller Anpassung an sich ¨andernde Umfeldbedingungen wird hierbei als der wichtigste und am h¨auﬁgsten genannte positive Eﬀekt der Improvisation gesehen (vgl. z. B. Miner et al., 2001; Pina e Cunha et al., 1999; Moorman und Miner, 1998a). Improvisationsbedingtes Lernen kann in drei verschiedenen Formen auftreten. Zun¨achst lernt die Organisation wie sie improvisieren kann. Des Weiteren vermag sie

Planung

47

aus der Institutionalisierung der Improvisationen in die u ¨blichen Unternehmensabl¨aufe zu lernen und schließlich kann sie durch das Handlungselement der Improvisation mehr u ¨ber sich selbst und ihre Umwelt erlernen (Miner et al., 2001; Pina e Cunha et al., 1999). Nach Hackman und Oldham (1980) wirken sich Aufgabenvielfalt, die Bedeutung der Aufgabe, Verantwortung, Feedback und die Identiﬁkation mit der Aufgabe positiv auf die Motivation aus. Durch die Betonung von Meilensteinen, iterativem Vorgehen und dem damit verbundenen Feedback hat Improvisation eine potenziell positive Wirkung auf die Motivation (Pina e Cunha et al., 1999; Brown und Eisenhardt, 1997; Eisenhardt und Tabrizi, 1995). Schließlich kann sich erfolgreiche Improvisation dadurch positiv auf das Selbstbewusstsein der beteiligten Personen auswirken, dass sie das Gef¨ uhl vermittelt, ein Problem gel¨ost oder eine Gelegenheit genutzt zu haben, die als wichtig aber auch schwierig zu bew¨altigen empfunden wurde (Pina e Cunha et al., 1999; Barrett, 1998). Aufgrund der genannten positiven Eﬀekte wird in der Literatur davor gewarnt, dass Organisationsforscher Gefahr laufen, die Bedeutung von Improvisation f¨ ur Unternehmen zu u ¨bersch¨atzen (Moorman und Miner, 1998a; Hatch, 1997). Folglich ist es erforderlich, sich auch den negativen Aspekten von Improvisation zu widmen: Die aus einer Improvisation gewonnenen Erkenntnisse k¨onnen zu fehlerhaften Verallgemeinerungen f¨ uhren, wenn die erfolgreichen Improvisationhandlungen lediglich in der fraglichen Situation sinnvoll waren, nicht jedoch als generelle Handlungsweisen im Unternehmen (Moorman und Miner, 1998b, 1995). Selbst wenn die Improvisationshandlungen zu generellen Handlungsweisen verallgemeinert werden k¨onnen, besteht keine Sicherheit dar¨ uber, ob die improvisierte Vorgehensweise die eﬃzienteste ist (Pina e Cunha et al., 1999). Produktentwicklung aus Improvisationen kann nach Miner, Moorman und Bassoﬀ (1997) dazu f¨ uhren, dass das Unternehmen seine Ressourcen aufgrund fehlender Koordination auf zu viele Projekte verteilt (opportunity trap), bzw. dass einzelne Projekte durch viele kleine improvisationsbedingte ¨ Anderungen zu langsam entwickelt werden und zu teuer werden (speciﬁcation creep). Improvisiertes Verhalten kann zudem ausufern. Gerade im Unternehmensumfeld liegt ihr Wert jedoch in der Komplementierung geplanter Strategien und nicht in permanenter Improvisation, die ¨ahnlich einem Teufelskreis weiter Schwierigkeiten und Komplexit¨at schaﬀt, die wiederum improvisiertes Verhalten ausl¨ost (Pina e Cunha et

48

Konzeptionelle Grundlagen

¨ al., 1999). In ¨ahnlicher Weise k¨onnen Improvisationserfolge zu einer Uberlegitimierung der Improvisation als ausschließlich zu w¨ahlendes Probleml¨osungsverhalten f¨ uhren (Miner et al., 1997), was zu einer Verdr¨angung geplanter Handlungen f¨ uhren w¨ urde, obwohl diese in vielen Situationen eﬃzienter sein k¨onnen (Pina e Cunha et al., 1999). Auf Basis der bisherigen Ausf¨ uhrungen ist zu konstatieren, dass sowohl Planung als auch Improvisation wichtige und erforderliche Probleml¨osungsprozesse in Organisationen darstellen. Beide Verhalten werden zudem im Kontext von Innovation genutzt. Allerdings zeigt sich ferner ebenfalls, dass beiden Ans¨atzen Grenzen gesteckt sind. Im Folgenden soll daher das Verh¨altnis von Planung und Innovation n¨aher beleuchtet werden, um ein besseres Verst¨andnis u ¨ ber deren Wirkungsbeziehung zu entwickeln.

2.4 Planung und Innovation Neuproduktentwicklungsprozesse umfassen eine Vielzahl von Entscheidungen auf unterschiedlichsten Ebenen (Anderson, Jr. und Joglekar, 2005; Brown und Eisenhardt, 1995). Planung bildet als Basis f¨ ur diese Entscheidungen neben den Bereichen Organisation, F¨ uhrung und Durchsetzung sowie Kontrolle einen der wesentlichen Aufgabenbereiche des F&E-Managements sowohl auf strategischer als auch taktischoperativer Ebene (Specht und Beckmann, 1996; Liberatore und Titus, 1989). Auf strategischer Ebene besch¨aftigt sich die innovationsbezogene Planung mit der Harmonisierung von Unternehmens- und Technologiestrategien zur Erlangung einer intendierten Marktposition (Scott, 2001). Hierzu wird ein Leitbild der Forschung und Entwicklung deﬁniert, welches f¨ ur die Festlegung von F&E-Zielen und die Formulierung von F&E-Strategien genutzt wird. Auf Basis der gew¨ahlten Strategien werden Forschungsprogramme entwickelt, die schließlich die Grundlage f¨ ur die auf taktisch-operativer Ebene durchzuf¨ uhrenden Projekte bilden (Specht und Beckmann, 1996). Planung ist auf allen diesen Ebenen als ein Erfolgsfaktor f¨ ur die Neuproduktentwicklung identiﬁziert worden (Griﬃn, 1997b). In der Literatur ﬁndet sich eine Vielzahl an Bezugsrahmen, die diese Zusammenh¨ange visualisieren. W¨ahrend in der Vergangenheit hierf¨ ur meist lineare Modelle ungerer Zeit die Erkenntnis durchgesetzt, dass rekursive gew¨ahlt wurden, hat sich in j¨

Planung und Innovation

49 Overall Budget

Management Level

Forecast Profit Opportunity by Product

Level 1: Strategic Portfolio Selection, Budgeting & Timing

Operating Results Operating Assumptions

Constraints

Level 2: Tactical Development Capacity Acquisition, Allocation, & Outsorcing Operating Results

Level 0: Infrastructure Determine Nominal Operating Assumptions

Constraints

Level 3: Operational Project Execution: Task Scheduling, Sequencing, & Crashing Operating Results

Planning Frequency

Abbildung 2.7: Ansatz zur hierarchischen Produktentwicklungsplanung. Quelle: Anderson, Jr. und Joglekar (2005)

und ﬂexible Modelle deutlich besser geeignet sind, um die Realit¨at in der Neuproduktentwicklung abzubilden (McCarthy, Tsinopoulos, Allen und Rose-Andersen, 2006), da die Entscheidungen auf den verschiedenen hierarchischen Ebenen eine Vielzahl an Interdependenzen aufweisen k¨onnen (Anderson, Jr. und Joglekar, 2005). Abbildung 2.7 zeigt ein im Bereich des Operations Management entwickeltes Modell der Planung in der Neuproduktentwicklung. Der dort beschriebene Level 0: Infrastructure“ ist ” die Ebene, auf der Ausgangsannahmen f¨ ur die Planung auf den verschiedenen hierarchischen Ebenen aus den Betriebsdaten abgeleitet werden. Zu diesen Annahmen geh¨oren typischerweise Marktprojektionen, Technologievorhersagen, Zeitvorgaben und Kapazit¨atsbedarfe. Insofern verl¨auft die Planung auf den verschiedenen Ebenen, die im Folgenden detaillierter dargestellt werden, nicht streng sequentiell, sondern ¨ weist einen gewissen Grad an Uberlappung auf (Anderson, Jr. und Joglekar, 2005).

50

Konzeptionelle Grundlagen

2.4.1 Strategische Ebene Die strategische Ebene der innovationsbezogenen Planung wird auch als technolo” gy strategy“ (Davenport, Campbell-Hunt und Solomon, 2003) oder development ” strategy“ (Wheelwright und Clark, 1992b) bezeichnet und vereint sowohl technologiebezogene als auch produkt-/marktbezogene Faktoren miteinander. Obwohl das Konzept der Technologiestrategie bereits seit den 1970er Jahren Gegenstand der Forschung ist, ist dessen genaue Deﬁnition lange Zeit umstritten gewesen (Clarke, Ford, Saren und Thomas, 1995; Rieck und Dickson, 1993). Die Spannweite reicht hier von engen Deﬁnitionen, die sich ausschließlich auf die Technologieentwicklung konzentrieren, bis hin zu weiten Deﬁnitionen, die auf das Wissen im Unternehmen abzielen (Davenport et al., 2003). Eine aktuelle Deﬁnition liefern Davenport et al. (2003, S. 483):

Technology strategy encompasses the acquisition, management and ” exploitation of technological knowledge and resources by the organisation to achieve its business and technological goals.“ Die Autoren unterstreichen damit noch einmal die Notwendigkeit der Verbindung von Technologie und Markt zum Erreichen der Unternehmensziele. Typische Fragestellungen der strategischen Innovationsplanung lauten somit beispielsweise Welche Markt” und Produktstrategie ist die erfolgversprechendste?“, Welche Technologien sollen ” in zuk¨ unftigen Produkten eingesetzt werden?“, Welches Produktportfolio sollte ” angestrebt werden?“ oder Wann sollen neue Entwicklungsaktivit¨aten begonnen ” werden?“. Planung tr¨agt hier also zu Entscheidungen u ¨ber die Zielm¨arkte des Unternehmens, dessen Produktportfolio, Projektpriorisierungen, Ressourcenallokationen und zuk¨ unftig zu nutzende Technologien bei (Krishnan und Ulrich, 2001). Mansﬁeld und Wagner (1975) zeigen, dass diese Faktoren einen wesentlichen Einﬂuss auf den wirtschaftlichen Erfolg von F&E-Aktivit¨aten eines Unternehmens haben. Auch Roussel, Saad und Erickson (1991) stellen die strategische Bedeutung von Forschung ur die Erhaltung und den Ausbau bestehender Gesch¨aftsfelder, die und Entwicklung f¨ Erschließung neuer Gesch¨aftsfelder und die technologiebezogenen F¨ahigkeiten des Unternehmens heraus. Diese Ebene ist somit von zentraler Bedeutung (Anderson, Jr. und Joglekar, 2005, S. 350):

Planung und Innovation

51

This planning level inﬂuences, not only the immediate proﬁt of the ” ﬁrm, but also its market penetration and ist future technological base.“ Aufgrund ihrer hohen Bedeutung wird die Planung auf dieser Ebene durch eine Vielzahl an Techniken unterst¨ utzt, von denen insbesondere Portfolio- und Roadmappingtechniken (vgl. z. B. M¨ohrle und Isenmann, 2007) und das Konzept des Entwicklungstrichters zu nennen sind (vgl. z. B. Whalen, 2007; Anderson, Jr. und Joglekar, 2005; Wheelwright und Clark, 1992b). Auch die betriebswirtschaftliche Forschung auf dem Gebiet des Operations Management hat verschiedene Modelle (vgl. z. B. Kavadias und Loch, 2003; Li, Loulou und Rahman, 2003; Huchzermeier und Loch, 2001) zur Planungsunterst¨ utzung auf dieser Ebene entwickelt.

2.4.2 Taktische Ebene Innovationsbezogene Planung widmet sich auf dieser Ebene der Beschaﬀung und Allokation von Ressourcen, insbesondere der Einstellung und Ausbildung von Fachkr¨aften wie Ingenieuren, technischen Mitarbeitern oder Programmierern, der Bereitstellung von Hilfsmitteln wie CAD (Computer Aided Design) sowie der Aufteilung der F&EAktivit¨aten auf verschiedene Forschungsstandorte und gegebenenfalls notwendigen Outsourcingentscheidungen (Anderson, Jr. und Joglekar, 2005). Diese Ebene wird von Wheelwright und Clark (1992b, S. 48) auch als aggregate project plan“ bezeichnet: ” The aggregate project plan brings a second stage of integration down ” to the level of speciﬁc projects and resources. The purpose of creating such a plan is to ensure that the collective set of projects will accomplish the development goals and objectives and build the organizational capabilities needed for ongoing development success.“ Diese Ebene der Planung hat in der Forschung zur Neuproduktentwicklung vergleichsweise wenig Aufmerksamkeit erhalten (Herroelen, 2005; Krishnan und Ulrich, 2001). Eine Ausnahme bildet die Arbeit von Leus und Herroelen (2004), in der die Autoren ein Modell zur Ressourcenallokation f¨ ur Projekte, bei denen die Dauer einzelner Aktivit¨aten ungewiss ist, entwickeln. Herroelen (2005) f¨ uhrt unzureichend ausgebildete und/oder unerfahrene Projektmanager als einen der Hauptgr¨ unde f¨ ur ¨ das Uberschreiten von Budget- und Zeitvorgaben an und unterstreicht damit die Bedeutung der auf dieser Ebene zu treﬀenden Entscheidungen.

52

Konzeptionelle Grundlagen

Empirische Befunde hingegen sind uneinheitlich: D. Robertson und Allen (1993) zeigen, dass der Einsatz von CAD in der Entwicklung die Leistung von Ingenieuren erh¨oht, jedoch ist dieser Zusammenhang lediglich f¨ ur den Einsatz von CAD zur Kommunikationsunterst¨ utzung signiﬁkant. In anderen Anwendungsbereichen bleiben die Ergebnisse jedoch - wenn auch knapp - nicht signiﬁkant. Die Untersuchung von Chan, Jiang und Klein (2008) zeigt, dass sich Fach- und Methodenwissen der Ingenieure positiv auf den Projektprozessablauf und den Projekterfolg auswirken. Hohe Teamf¨ahigkeit verst¨arkt diese Zusammenh¨ange zus¨atzlich, jedoch nicht in der Beziehung zwischen Methodenwissen und Projekterfolg. Hier wird die Beziehung bei hoher Teamf¨ahigkeit sogar negativ.

2.4.3 Operative Ebene Auf dieser Ebene wird F&E typischerweise in Form von Projekten durchgef¨ uhrt (Kerssens-van Drongelen und Bilderbeek, 1999). Wheelwright und Clark (1992b, S. 51) unterstreichen, dass sich die Planung auf dieser Ebene jedoch nicht ausschließlich auf einzelne Projekte konzentrieren darf, sondern vielmehr im Kontext der weiteren, ebenfalls verfolgten Entwicklungsprojekte und der Innovationsstrategie geschehen m¨ usse:

Since a primary objective of development strategy is to better focus, ” bound, and set the stage for individual projects, individual projects must build on prior planning by starting with their own planning phase. In essence, each project needs to create its own project strategy and plan that ﬁts with the development strategy. Thus, at the front end of an individual project, the ﬁrm needs a process to connect the project in its details to the broader strategy and direction of the business.“

Auf dieser Ebene gilt es, Entwicklungsziele zu priorisieren, die Zeit- und Ablaufplanung f¨ ur die einzelnen Projektaktivit¨aten vorzunehmen und Meilensteine zu deﬁnieren (Krishnan und Ulrich, 2001). Um ein tieferes Verst¨andnis f¨ ur die hiermit verbundenen Planungsaktivit¨aten zu gewinnen soll im Folgenden zun¨achst auf den Begriﬀ des Projekts eingegangen werden, bevor die Projektplanung diskutiert wird.

Planung und Innovation

53

2.4.3.1 Der Projektbegriﬀ Der Begriﬀ des Projekts unterliegt weitl¨auﬁger Verwendung im allgemeinen Sprachgebrauch und wird zur Beschreibung so verschiedener Tatbest¨ande wie der Gruppenarbeiten in Schulen und der Entwicklung eines neuen Flugzeugtyps genutzt (Lechler, 1997). Folglich stellt D¨ ulfer (1982, S. 4) fest, dass es sich beim Projektbegriﬀ um ucke handelt, [...]die jedermann versteht und genau zu kennen einen jener Ausdr¨ ” glaubt, deren pr¨azise merkmalsm¨aßige Festlegung jedoch unerwartete Schwierigkeiten erkennen l¨aßt.“ Insofern erscheint es nicht verwunderlich, dass sich keine allgemeing¨ ultige Deﬁnition des Projektbegriﬀs durchgesetzt hat (Kuster et al., 2008; Brockhoﬀ, 2006; Pinkenburg, 1980). Eine Auswahl von Deﬁnitionen ﬁndet sich daher in Tabelle 2.7. Diese verdeutlichen, dass sich bei der Beschreibung des Projektbegriﬀs zwei Sichtweisen unterscheiden lassen: Im Rahmen einer institutionellen Sichtweise werden Projekte als Organisationseinheiten aufgefasst (Gareis und Titscher, 1992), w¨ahrend sie aus funktionaler Sicht durch Aufgabenmerkmale wie Einzigartigkeit, Komplexit¨at, Innovationsgrad, Risiko und ein eigenes Zielsystem von anderen Aufgabentypen abgegrenzt werden (Gr¨ un, 1992). Gareis und Titscher (1992, S. 1938) sprechen sogar von drei verschiedenen Bedeutungen des Projektbegriﬀs: Der Begriﬀ Projekt wird in zumindest drei verschiedenen Bedeutungen ” verwendet: a) als neues Wort, das die bisherige Terminologie (komplexe Aufgabe, Vorhaben u.¨a.) ersetzt; b) als speziﬁsche Form der Organisierung von Aufgabenbew¨altigung, und schließlich c) als Bezeichnung f¨ ur ein eigenst¨andiges soziales Gebilde.“ Die Deﬁnitionsans¨atze widmen sich dabei explizit und implizit der Projektaufgabe, dem Projektverlauf, der Projektorganisation und dem Projektergebnis (Lechler, 1997). Projektaufgaben zeichnen sich im Wesentlichen durch ihre Einzigartigkeit, Komplexit¨at und ein origin¨ares Zielsystem, bestehend aus Leistungsziel, Kostenziel und Terminziel aus (Gr¨ un, 1992; Rosenau, 1992). Dem Inhalt nach k¨onnen die Aufgaben jedoch sehr unterschiedlich sein, und Projektteams werden f¨ ur verschiedenste Zwecke innerhalb des Unternehmens gebildet (Cleland, 2004). Der Projektverlauf und die Projektorganisation zum erfolgreichen Abschluss der Projektaufgabe sind Gegenstand

54

Konzeptionelle Grundlagen

Autor

Deﬁnition

Tonicha (2008, S. ix)

[...]we deﬁne a project as a group of integrated activities aimed at ” carrying out one or several objectives of quality within a certain time and with a limited budget and availability of resources[...]“

DIN 69901

Ein Projekt ist ein Vorhaben, das im wesentlichen durch Einmaligkeit ” der Bedingungen in ihrer Gesamtheit gekennzeichnet ist, wie z. B. Zielvorgabe, zeitliche, ﬁnanzielle, personelle oder andere Begrenzungen, Abgrenzung gegen¨ uber anderen Vorhaben, projektspeziﬁsche Organisation.“

Cleland (2004, S. 209)

A broad deﬁnition of a project is that it is a combination of orga” nizational resources being pulled together to create something that did not previously exist and that will, when completed, provide a performance capability to support strategic management initiatives in the enterprise.“

Tuman, Jr. (1988, S. 655)

A project is an organization of people dedicated to a speciﬁc purpose ” or objective. Projects may be large, expensive, unique, or high-risk undertakings; however, all projects have to be completed by a certain date, within some expected level of performance. At a minimum, all projects need to have well-deﬁned objectives and suﬃcient resources to carry out all the required tasks.“

Martino (1964b, S. 17)

A project is any task which has a deﬁneable end and requires the ” expenditure of one or more resources in each of the separate but interrelated and interdependent activities which must be completed to achieve the objectives for which the task (or project) was instituted.“

Gaddis (1959, S. 89)

A project is an organization unit dedicated to the attainment of ” a goal - generally the successful completion of a developmental product on time, within budget, and in conformance with predetermined performance speciﬁcations.“

Tabelle 2.7: Verschiedene Deﬁnitionen des Projektbegriﬀs

des Projektmanagements (Lechler, 1997). Diesem kommt eine hohe Bedeutung zu, da viele Projekte, insbesondere in den Bereichen Bauvorhaben und Entwicklung mit erheblicher Unsicherheit behaftet sind (Archer und Ghasemzadeh, 2004), die sich in hohen Abbruchraten und erfolglosen Projektabschl¨ ussen widerspiegelt (vgl. z. B. Thiry, 2004). Insbesondere Neuproduktentwicklungsprojekten kommt dabei eine besondere Rolle zu (Milosevic, 2004, S. 1291): This analysis of project characteristics in NPD, SWD, and construction ” projects points to a clear conclusion: While NPD projects have similarities

Planung und Innovation

55

with other types of projects, they also have diﬀerences. These diﬀerences and other features [...] have prompted some experts to describe NPD projects as a microcosm of the whole organization (Bowen et al., 1994). In particular, because NPD projects typically are implemented under severe speed and ﬁnancial pressures, they tend to expose the strengths and weaknesses of a company, including its culture, management systems, organizational structure, and people. Therefore, NPD projects are a comprehensive, real-time test of the whole corporation (Bowen et al., 1994).“ Die bisherigen Ausf¨ uhrungen haben gezeigt, dass in einer solchen Situation Planung einen Beitrag zur Reduktion der Unsicherheit zu leisten vermag. Es ist allerdings zu konstatieren, dass die mit Neuproduktentwicklungsprojekten verbundene Unsicherheit sowie die notwendige Verkn¨ upfung der f¨ ur das Projekt ben¨otigten Ressourcen nicht nur nach einer vorausschauenden Projektplanung verlangen, sondern diese auch gleichzeitig besonders schwierig werden lassen (Tatikonda und Rosenthal, 2000a; Ehrmann, 1995). Daher wird im Folgenden die Planung von Projekten mit einem besonderen Schwerpunkt auf Neuproduktentwicklungsprojekte betrachtet. 2.4.3.2 Planung von Innovationsprojekten Projektplanung ist eine der wesentlichen Aufgaben des Projektmanagements (Pich, Loch und De Meyer, 2002), das zum Ziel hat (R¨ usberg, 1976, S. 56): [...] eine systematische, umfassende Planung, eine zielstrebige F¨ uhrung ” ¨ sowie eine wirkungsvolle Koordinierung und Uberwachung aktiv und zentral durchzuf¨ uhren, um damit den vorgezeigten Erfolg des Projektes sicherzustellen.“ Im Projektablauf ist die Planung nach der Projektinitiierung als zweite Phase vor der uhrung und dem Projektabschluss angesiedelt (Zwikael und Globerson, Projektdurchf¨ 2006). Sie dient einer Reihe von Zwecken innerhalb eines Projekts. So hilft sie, ein ¨ gemeinsames Verst¨andnis der zu bew¨altigenden Aufgabe zu erlangen, einen Uberblick u ur die Allokation und ¨ ber die zu erledigenden Arbeiten zu erhalten, eine Basis f¨ ¨ Vergabe von Ressourcen zu schaﬀen und Uberwachungsund Kontrollmaßnahmen

56

Konzeptionelle Grundlagen

zu deﬁnieren (Andersen, Grude und Haug, 1999). Die in Tabelle 2.8 aufgef¨ uhrten Deﬁnitionen unterstreichen diese wichtigen Aufgaben der Projektplanung. Autor

Deﬁnition

Zwikael und Globerson (2006, S. 3436)

Project planning speciﬁes a set of decisions concerning ” the ways that things should be done in the future, in order to execute the design for a desired product or service.“

Zwikael und Bar-Yoseph (2004, S. 123)

Planning processes deﬁne and reﬁne objectives and select ” the best of the alternative courses of action to attain the objectives that the project was undertaken to address.“

Cleland (2004, S. 214)

Basically, project planning is a process for achieving ” success in the future of the project and of the organization. It is a plan of action for getting the best return from the resources that are going to be used on the project during its life cycle. The project plan is an expected arrangement for dealing with the ever-changing environment facing the project and the enterprise.“

Spinner (1992, S. 15)

In planning, we determine what has to be done in ac” complishing a project, establishing the sequence of work, and specifying the interrelations between jobs.“

Cleland und King (1988, S. 176)

Planning involves the development of project techni” cal performance objectives, goals, schedules, costs, and strategies.“

Moder (1988, S. 324)

Planning is the process of preparing for the commitment ” of resources in the most economical fashion.“

Pinto und Slevin (1988b, S. 482)

[...] planning activities are scheduling, budgeting, and ” the allocation of other speciﬁc tasks and resources.“

Tabelle 2.8: Verschiedene Deﬁnitionen der Projektplanung

In einer Aufarbeitung der Forschung zu kritischen Erfolgsfaktoren des Projektmanagements ermitteln Zwikael und Globerson (2006) die Projektplanung als den am h¨auﬁgsten genannte Erfolgsfaktor. In der Literatur zum Projektmanagement existieren zudem einige Untersuchungen, die den Planungsprozess detailliert betrachten (vgl. z. B. Laufer, 1992; Cohenca-Zall, Laufer, Shapira und Howell, 1994). Die hierbei untersuchten Projekte entstammen einer weiten Bandbreite verschiedener Bereiche vom Gesundheitswesen (Nutt, 1977) bis zu Bauprojekten (Laufer, 1992; Shapira und Laufer, 1993; Cohenca-Zall et al., 1994; Shapira, Laufer und Shenhar, 1994). Tabelle ¨ 2.9 auf Seite 58 liefert einen Uberblick u ¨ber Studien, die sich mit der Erfolgswirksam-

Planung und Innovation

57

keit der Projektplanung besch¨aftigt haben.8 Die empirischen Befunde belegen in den meisten F¨allen die Bedeutung der Planung f¨ ur den Projekterfolg (vgl. z. B. Verworn, 2005; Dvir und Lechler, 2004). Auch im Bereich der Neuproduktentwicklung ist Planung vielfach als Erfolgsfaktor identiﬁziert worden und trotz nicht immer einheitlicher Befunde wird vielfach argumentiert, dass eine gr¨ undliche Eingangsplanung wesentlich u ¨ ber den Projekterfolg mitentscheidet (vgl. z. B. Verworn, 2005). Diese ¨ Uberzeugung manifestiert sich schließlich in der von Brown und Eisenhardt (1995, S. 348) gew¨ahlten Formulierung, die in ihrer Aufarbeitung der Innovationsforschung eine Forschungsrichtung als product development as a rational plan“ bezeichnen: ” This rational plan perspective emphasizes that successful product ” development is the result of (a) careful planning of a superior product for an attractive market and (b) the execution of that plan by a competent and well-coordinated cross-functional team that operates with (c) the blessings of senior management. Simply put, a product that is well planned, implemented, and appropriately supported will be a success.“

8

Aufgrund der großen Heterogenit¨ at der Analyseverfahren wird von einer metaanalytischen Auswertung abgesehen und die Eﬀektst¨ arke wird stattdessen anhand einer Skala von - -“ bis ” ++“ kodiert. Die Vergabe der Gewichte erfolgte bei a) Diskriminanzanalysen, Mittelwert” vergleichen und H¨auﬁgkeitsanalysen relativ zu den innerhalb der einzelnen Studie ermittelten Ergebnisse. Bei b) Korrelationskoeﬃzienten wurden f¨ ur signiﬁkante Werte (r ≥ 0, 3) ein ++“, ” f¨ ur signiﬁkante Werte (r ≥ 0) ein +“ und f¨ ur nicht signiﬁkante Werte eine 0“ vergeben. Bei ” ” c) Regressionskoeﬃzienten wurde bei (β ≥ 0, 2) ein ++“ vergeben und des Weiteren wie bei ” b) beschrieben verfahren. F¨ ur eine ausf¨ uhrlichere Darstellung zu dieser Vorgehensweise siehe Lechler (1997).

+/++ nicht quantiﬁziert

497 Projekte

132 Projekte

144 Projekte

134 Projekte

448 Projekte

110 Projekte

192 Projekte

127 Projekte

Verworn, Herstatt und Nagahira (2008)

Salomo, Weise und Gem¨ unden (2007)

Verworn (2005)

Weise (2005)

Dvir und Lechler (2004)

Dvir, Lipovetsky, Shenhar und Tishler (2003)

Thieme et al. (2003)

Shenhar, Tishler, Dvir, Lipovetsky und Lechler (2002)

0

+

+

0/+/++

0

++

+/++

475 Projekte

Stockstrom und Herstatt (2008)

Wirkung

Stichprobe

Studie

work breakdown structure, planning methods

planning proﬁciency

implementation of planning procedures

quality of planning

Projektplanung

Planungsintensit¨ at

project planning

intensity of planning

project planning

erfolgsrelevante Gr¨ oße

Tabelle wird fortgesetzt...

project success

new product survival

meeting planning goals, enduser beneﬁts, contractor beneﬁts

Projekterfolg (Eﬃzienz und Kundenzufriedenheit)

Vorhabenserfolg (Projektplanung wirkt sich positiv auf die Prozessstabilit¨at aus, die wiederum positiv auf den Vorhabenserfolg wirkt)

Projekterfolg (Eﬃzienz und Zufriedenheit)

innovation success

eﬃciency

external success, internal success, learning

betrachtete Erfolgsmaße

Tabelle 2.9: Ausgew¨ ahlte Untersuchungen zum Zusammenhang zwischen Projektplanung und Projekterfolg. Quelle: In Anlehnung an Verworn (2005)

58 Konzeptionelle Grundlagen

408 Projekte

360 Neuproduktmanager in 52 Unternehmen

148 Projekte

Pinto und Prescott (1990)

Thamhain (1990)

Zirger (1990)

24 Projekte

Deutsch (1991)

16 Projekte

120 Projekte

Kotzbauer (1992)

203 Projekte

448 Projekte

Lechler (1997)

R. G. Cooper und Kleinschmidt (1990a, 1990b, 1987b, 1986) NewProd II und III

37 Projekte

Rehesaar und Beames (1998)

Keplinger (1991)

0

208 Projekte

Balbontin und Yazdani (1999)

++

++

++

++

++

++

+

+

0

0

63 Gesch¨ aftseinheiten

Cobbenhagen (2000)

Wirkung

Stichprobe

Studie

R&D excellence (u.a. planning)

clear objectives and plans

planning

unterschiedliche Analysen und Analyseeinheiten, z. B. business/ﬁnancial analysis

Planung

planning

Planungsqualit¨ at

Planung/Steuerung

project plan comprehensiveness

project planning, clear time goals

project planning

erfolgsrelevante Gr¨ oße

Tabelle wird fortgesetzt...

ﬁnancial performance

senior management perception innovative performance

eﬃciency and value of the projects

unterschiedliche Maße f¨ ur new product success, u.a. ﬁnancial performance, opportunity window, market impact

Projekterfolg

project’s technical and business performance

ﬁnanzieller Erfolg des Produktes

Projekterfolg (Eﬃzienz, Eﬀektivit¨ at, Sozialerfolg)

time success

perceived impact on project success

project success

betrachtete Erfolgsmaße

Planung und Innovation 59

195 Projekte

103 Projekte

117 Projekte

86 Projekte

R. G. Cooper (1979)

Rubenstein, Chakrabarti, O’Keefe, Souder und Young (1976)

Utterback, Allen, Hollomon und Sirbu, Jr. (1976)

Rothwell et al. (1974)

235 Projekte

Souder (1987)

418 Projekte

16 Projekte

Ashley, Lurie und Jaselskis (1987)

118 Projekte

418 Projekte

Pinto und Slevin (1988a, 1988b)

Maidique und Zirger (1984)

650 Projekte

Baker, Murphy und Fisher (1988)

Pinto (1986)

Stichprobe

Studie

++

+

+

0

++

++

+

0

++

nicht quantiﬁziert

Wirkung

planning

more structured planning process

level of project planning

proﬁciency of precommercialization activities

planning

project schedule/plans

degree of detailed planning and control applied

planning eﬀort

schedules/plans

adequate planning and control techniques, accurate initial cost estimates

erfolgsrelevante Gr¨ oße

commercial success

commercial success

technical and project success

new product success

new product success

project success

technical and commercial outcomes

project success

project success (Eﬃzienzund Eﬀektivit¨atsmaße)

perceived project success

betrachtete Erfolgsmaße

60 Konzeptionelle Grundlagen

Planung und Innovation

61

Hieraus wird deutlich, dass die Planung von Innovationsprojekten einen zentralen Punkt in der Erfolgsfaktorenforschung zur Neuproduktentwicklung einnimmt. urzt (Griﬃn, 1997a), Untersuchungen haben gezeigt, dass Entwicklungszeiten verk¨ Fehlerraten gesenkt (Montoya-Weiss und Calantone, 1994; R. G. Cooper und Kleinschmidt, 1986), h¨ohere Gewinne erzielt (Ittner und Larcker, 1997; Song und Parry, 1997b) und h¨ohere Innovationsgrade erreicht (Olson, Walker und Ruekert, 1995) weruhren (Moorman den k¨onnen, wenn Unternehmen eine Projekteingangsplanung durchf¨ und Miner, 1998a). Zudem konnten Dvir, Lipovetsky et al. (2003) zeigen, dass eine formale Projektplanung eine stark positive Wirkung auf die Einhaltung von Zeit- und Budgetvorgaben hat und sich positiv auf den Kundennutzen aus dem Endprodukt, den Markterfolg und die Erschließung neuer Marktpotenziale auswirkt. Trotzdem besteht in der Literatur ein Dissenz u ¨ ber die Eignung verschiedener Projektplanungs- und -managementans¨atze. W¨ahrend Einigkeit dar¨ uber besteht, dass ein Projekt eine einmalige Aufgabe ist, f¨ uhrt diese Erkenntnis zu unterschiedlichen Empfehlungen. Zwikael und Bar-Yoseph (2004, S. 139) schreiben Planung daher eine besondere Bedeutung zu: Planning is of major importance to a project because the ” project involves doing something that has not been done before.“ Hingegen fragt Andersen (1996, S. 89) Why is activity planning at the start of the project to be ” considered harmful?“ und antwortet As implied by the deﬁnition of a project, it ” is doubtful whether project planners can foresee all the activities at the beginning of the project.“ Als Konsequenz dieser Uneinigkeit kann die Unternehmenspraxis nur begrenzt von den gewonnenen Erkenntnissen proﬁtieren, wie Pich et al. (2002, S. 1008) beobachten: An extensive literature on project planning has developed our under” standing of project task scheduling (e.g., CPM, PERT, and GERT) and ’risk management’ (sequential decision making, dynamic programming), including work on contingency planning and the management of project buﬀers. [...] There is also empirical work recommending an ’iterative, experimental’ project management approach when the environment is fast-changing or highly uncertain (e.g., Eisenhardt and Tabrizi 1995, Lynn et al. 1996). [...] These existing project management approaches advocate partially conﬂicting approaches to the project team, such as the need to execute planned tasks, trigger preplanned contingencies based

62

Konzeptionelle Grundlagen on unfolding events, experiment and learn, or try out multiple solutions simultaneously. While all of these approaches encompass the idea of uncertainty, no conceptual model currently exists that enables project managers to understand why diﬀerent approaches exist, which one to choose, and when.“

Ein m¨ogliches Problem entsteht zudem durch die Art und Weise in der Planung im Rahmen der Innovationsforschung untersucht wird. Eine Analyse der in Tabelle 2.9 genannten Arbeiten zeigt, dass Planung vielfach lediglich u ¨ber ein einziges Item als Teil eines weiter gefassten Konstruktes (vgl. z. B. Zirger, 1990; R. G. Cooper und Kleinschmidt, 1990a, 1990b, 1987b, 1986) erhoben wird oder ausschließlich auf formale Aspekte (z. B. die Erstellung von Arbeitspaketen oder einer Budgetplanung) bzw. eingesetzte Planungsmethoden (Netzplantechniken, Gantt Charts, etc.) abgestellt wird (vgl. z. B. Verworn, 2005; Dvir und Lechler, 2004; Lechler, 1997). Obwohl dieser Ansatz wertvolle Erkenntnisse dar¨ uber liefert, in welchen Organisationsformen und unter welchen ¨außeren Bedingungen Planungswerkzeuge und -techniken eﬀektiv eingesetzt werden k¨onnen, vernachl¨assigt er jedoch viele Aspekte des Planungsprozesses, die entscheiden, wie Planung durchgef¨ uhrt wird und wie diese Werkzeuge und Methoden im Planungsprozess implementiert werden k¨onnen (Segars, Grover und Teng, 1998). Insofern ist ¨ahnlich zur Kritik an der Forschung zur strategischen Planung auch hier zu konstatieren, dass es weder ein einheitliches Messinstrument der Projektplanung gibt (vgl. z. B. Boyd und Reuning-Elliott, 1998), noch die inhaltliche Breite des Konstrukts der Projektplanung durch die bestehenden Operationalisierungen ausreichend abgebildet wird (vgl. z. B. Boyd, 1991; Pearce, Freeman und Robinson, 1987). Ramanujam und Venkatraman (1987a, S. 25) best¨atigen dies, indem sie ausf¨ uhren Good planning extends beyond techniques [...] planning is not merely ” the use of sophisticated techniques. Planning techniques provide only a basis to structure the ’unstructuredness’ that characterizes most strategic decisions.“ Auch De Meyer et al. (2002, S. 65) stellen fest, dass Tools such as Gantt charts - graphical ” representations of the exact timing of all project activities - are inadequate. As the team manager observes, ’A Gantt chart is more a reﬂection of what happened last week, and what someone hopes will happen next week’.“ Insofern u ¨berrascht es nicht, dass Zwikael und Globerson (2006) f¨ ur viele der zur Operationalisierung der Planung genutzten Methoden in ihrer Untersuchung nur einen geringen Einﬂuss auf

Planung und Innovation

63

Erfolgsgr¨oßen wie Kundenzufriedenheit, technische Leistung und die Einhaltung von Budget- und Zeitzielen feststellen konnten. Auch in der Forschung zum Innovationsmanagement ist diese Problematik thematisiert worden. So fordern Zwikael und Globerson (2006) eine Abkehr von der Suche nach Erfolgsfaktoren (critical success factor - CSF) hin zu einer Suche nach Erfolgsprozessen (critical success processes - CSP), da die erstgenannten als zu vage angesehen werden, um daraus konkrete Handlungsempfehlungen f¨ ur die Praxis abzuleiten. In gleicher Weise fordern Dougherty (1996) und Shenhar und Dvir (1996) eine verst¨arkte Nutzung aktivit¨atsbasierter Konstrukte. Jelinek und Schoonhoven (1990) kritisieren den Mangel an konzeptioneller Einbindung verschiedener Managementaktivit¨aten. Viele Untersuchungen beschr¨anken sich entweder auf einige wenige Aktivit¨aten im Projektmanagement oder betrachten ausschließlich weit gefasste uber gibt, was Produktentwicklungsans¨atze, so dass es lediglich wenig Wissen dar¨ Unternehmen wirklich tun, um Projekte zu managen und wie verschiedene Managementstile sich auf den Projekterfolg auswirken (Lewis, Welsh, Dehler und Green, 2002). Konstrukte, welche auf Basis von Projektmanagementaktivit¨aten entwickelt w¨ urden, w¨ urden eine detailliertere Analyse der Prozesse, der Dynamik und des Geschehens in Innovationsprojekten gestatten (Dougherty, 1996). So gibt es trotz der vielfachen Befunde hinsichtlich der Erfolgswirksamkeit der Planung vergleichsweise wenig Erkenntnisse u ¨ber den Planungsprozess selbst (Laufer, 1992). Dies liegt auch in der geringen Anzahl an Untersuchungen begr¨ undet, die sich mit der Frage besch¨aftigen, wie Unternehmen ihre F&E-Aktivit¨aten planen: Eine Auswertung der Literatur zum Innovationsmanagement identiﬁzierte lediglich drei solcher Studien im Zeitraum von 1950 bis 1985 und konstatierte somit, dass die innovationsbezogene Planungsforschung dem State-of-the-art“ der Planungsfor” schung hinterherhinkt (Lovelace, 1987). Dies ist insbesondere auch von Bedeutung, da Planung erheblich von einer Reihe von Umwelt- und Kontextfaktoren beeinﬂusst wird (Nutt, 1982; Shenhar, 2001), die Eigenschaften einer eﬀektiven Planung mit der Unternehmensgr¨oße und Branchenzugeh¨origkeit variieren (Bryson und Bromiley, 1993; Zwikael und Globerson, 2004) und Neuproduktentwicklungsprojekte sich – wie oben ausgef¨ uhrt – von anderen Projekten unterscheiden (Milosevic, 2004). Insofern k¨onnen die Befunde aus der Projektmanagementliteratur nicht ohne weiteres auf die Neuproduktentwicklung u ¨ bertragen werden. Dies gilt insbesondere, da die

64

Konzeptionelle Grundlagen

Planungsliteratur die Eigenarten der Forschung und Entwicklung und ihre Unterschiede gegen¨ uber anderen organisatorischen Funktionen nicht ber¨ ucksichtigt (Lovelace, 1987). Folglich besteht trotz der genannten Untersuchungen weiterhin Forschungsbedarf in diesem Gebiet, zumal hier erhebliches Verbesserungspotenzial, auch f¨ ur die Unternehmenspraxis, gesehen wird: Song und Montoya-Weiss (1998, S. 132) beobachten a signiﬁcant gap between current and best practice regarding the relative ” emphasis on strategic planning activities“ in der Neuproduktentwicklung. Bart (1993) berichtet u ¨ber Aussagen von Managern, dass Innovationsprojekte selten so durchgef¨ uhrt werden wie sie geplant wurden und argumentiert, dass traditionelle Planungsund Kontrollprozesse versagen, da sie die f¨ ur Innovationen notwendige Kreativit¨at zu stark einschr¨anken. In ¨ahnlicher Weise stellen McGinnis und Ackelsberg (1983) heraus, dass ein gewisses Maß an Ambivalenz in den Projektzielen und -prozessen notwendig ist, um Such- und Experimentierprozesse auszul¨osen und dadurch schließlich bessere L¨osungen erzielen zu k¨onnen. Sie vertreten die Meinung, dass ein zu hohes Maß an formaler Kontrolle zu einer Verringerung der Anzahl betrachteter uhrt und warnen vor der Gefahr, dass Planung von Entscheidungsalternativen f¨ einem Werkzeug zur Zielbestimmung und -erreichung zu einem reinen Selbstzweck verkommt. Zudem weisen Song und Montoya-Weiss (1998) darauf hin, dass Projektplanungsaktivit¨aten st¨arker an den Innovationsgrad des zugrundeliegenden Produktes angepasst werden m¨ ussten. Insofern wird gefordert, dass sich zuk¨ unftige Forschung darum bem¨ uhen sollte, Faktoren zu identiﬁzieren, die gute Planung beg¨ unstigen, ur zu entwickeln, was gute Planung ist (Thieme sowie darum, ein Verst¨andnis daf¨ et al., 2003). Als Ansatzpunkt hierf¨ ur verweisen die Autoren auf die Forschung zur organisationalen Improvisation. Dieser Hinweis erscheint angebracht, wie die folgende Aussage von Dawson und Dawson (1998, S. 299) verdeutlicht: Unfortunately, the deterministic nature of the standard planning ” techniques are not at all suited to projects where there is uncertainty over the likely length of individual tasks or even over whether a task will be needed at all.“ Auch MacCormack, Verganti und Iansiti (2001) sprechen sich angesichts einer zunehmenden Dynamik des Unternehmensumfelds f¨ ur eine Abkehr von traditionellen

Planung und Innovation

65

¨ Entwicklungsprozessen und einen Ubergang zu ﬂexibleren Prozessen aus. Gleichsam wird zunehmend Abstand von der auf traditionellen Projektmanagementmethoden basierende linearen Darstellung des Innovationsprozesses genommen und ein Wechsel urwortet (vgl. z. B. McCarzu rekursiven, chaosbasierten oder adaptiven Modellen bef¨ thy et al., 2006; McDonough, 2000). Dieses Vorgehen erscheint sinnvoll, da Projekte w¨ahrend ihrer Umsetzung einem hohen Maß an Unsicherheit unterliegen, die Pl¨ane obsolet werden lassen kann: Aktivit¨aten k¨onnen mehr oder weniger Zeit ben¨otigen als urspr¨ unglich veranschlagt, Ressourcen k¨onnen pl¨otzlich nicht mehr verf¨ ugbar sein, unktlich liefern, Meilensteine und ZeitvorgaZulieferer k¨onnen m¨oglicherweise nicht p¨ ben k¨onnen ge¨andert werden und unter Umst¨anden m¨ ussen neue Aktivit¨aten in das Projekt integriert werden oder angefangene Aktivit¨aten abgebrochen werden, wenn sich die Projektziele ¨andern (Herroelen und Leus, 2004). ¨ Aus diesen Uberlegungen heraus hat sich eine weitere Forschungsrichtung entwickelt, die die Eﬀektivit¨at einer umfassenden Projekteingangsplanung in Frage stellt ¨ und argumentiert, dass es vielmehr die F¨ahigkeit kurzfristig auf Anderungen im Projektablauf und -umfeld zu reagieren und zu improvisieren sei, die zu Projekterfolgen f¨ uhre (vgl. z. B. Miner et al., 2001; Verganti, 1999; Moorman und Miner, 1998a; Brown und Eisenhardt, 1997; Eisenhardt und Tabrizi, 1995; Ward et al., 1995). Diese Arbeiten berufen sich dabei auf die in Abschnitt 2.3.4 dargestellten positiven Eﬀekte von Improvisation und stellen insbesondere auf deren ﬂexibilit¨atssteigernde Wirkung ab. W¨ahrend es aufgrund eines Mangels an großzahligen empirischen Studien zur Wirkung von Improvisation in der Neuproduktentwicklung nicht m¨oglich ist, eine Darstellung wie in Tabelle 2.9 zu erarbeiten, liefern die in Abschnitt 2.3.4 und an dieser Stelle genannten Arbeiten jedoch eine Reihe von Fallstudien und Anekdoten u ¨ber erfolgreiche und erfolgsteigernde Improvisationen in der Neuproduktentwicklung. Die beiden großzahligen empirischen Arbeiten von Vera und Crossan (2005) und Moorman und Miner (1998a) zeigen eine erfolgsteigernde Wirkung von Improvisation auf einzelne Erfolgsmaße, wenn einzelne der in Abschnitt 2.3.4 genannten Voraussetzungen gegeben sind bzw. wenn das Umfeld entsprechend dynamisch ist. Allerdings sind auch diese Befunde uneinheitlich. Zeitlich parallel ist eine Reihe von Studien entstanden, die sich im Sinne der Paradoxonforschung im Management (vgl. z. B. Lewis, 2000) um eine Auﬂ¨osung des Konﬂikts zwischen organischen und mechanistischen Strukturen bem¨ uht: Gew¨ohnlich

66

Konzeptionelle Grundlagen

werden diese als die Extrempunkte einer Skala aufgefasst, so dass im Rahmen derart gestalteter Untersuchungen ein Projekt als formal oder mechanistisch bewertet wird (vgl. z. B. Lewis et al., 2002), wodurch die sich aus den unterschiedlichen Anspr¨ uchen von Flexibilit¨at und Eﬃzienz ergebenden Anforderungen an den Managementprozess nicht ausreichend eingefangen werden (Dougherty, 1996). Diese Arbeiten zeigen, dass im Rahmen der Projektimplementierung ein Wechsel- und Zusammenspiel geplanter und emergenter (Lewis et al., 2002) bzw. strikter und ﬂexibler (Tatikonda und Rosenthal, 2000a) Managementans¨atze stattﬁndet. In ¨ahnlicher Weise zeigt Verganti (1999), dass erfolgreiche Projekte durch eine Kombination von antizipierenden und bewusst verz¨ogerten Entscheidungen gekennzeichnet sind, wodurch einerseits wesentliche Eckpunkte des Projektes fr¨ uhzeitig festgelegt werden und gleichzeitig ein m¨oglichst hohes Maß an Flexibilit¨at erhalten wird. Dieses Verfahren bezeichnet der Autor als planned ﬂexibility“. Vera und Crossan (2005) zeigen in ihrer Untersuchung, ” dass Improvisation allein keine signiﬁkante Auswirkung auf die Innovationsf¨ahigkeit eines Projektteams hat, sondern entsprechende Voraussetzungen wie Erfahrung, eine Experimentierkultur, Teamf¨ahigkeit und umfangreiche Kommunikation unter den Projektmitgliedern gegeben sein m¨ ussen, um eine positive Wirkung von Improvisation zu erzielen. Schließlich untersucht Naveh (2007) die Wirkung von Formalit¨at und Entscheidungsfreiheit auf den Projekterfolg. W¨ahrend beide Faktoren einzeln positiv auf den Projekterfolg wirken, sind besonders erfolgreiche Projekte durch einen hohen Grad von sowohl Formalit¨at als auch Entscheidungsfreiheit gekennzeichnet. Schließlich f¨ uhrt Naveh (2007, S. 123) aus: In other words, the results suggest that by managing formality and ” discretion of R&D project, the eﬀect of project uncertainty on performance can be eliminated. As a result, performance of R&D projects, which is widely agreed to be aﬀected by project uncertainty - a factor that is beyond the team’s control - can be improved by the project team if formality and discretion are applied.“ Zusammenfassend l¨asst sich konstatieren, dass sowohl formale Planung als auch Improvisation relevante Faktoren f¨ ur den Erfolg von Innovationsprojekten darstellen. ¨ Empirische Befunde und Aussagen hinsichtlich der Uberlegenheit eines der beiden Probleml¨osungsverfahren sind jedoch uneinheitlich und scheinen sowohl von der mit dem Projekt verbundenen Unsicherheit im Sinne des Innovationsgrades als auch

Planung und Innovation

67

dem Branchenumfeld abzuh¨angen. Schließlich zeigen neuere Untersuchungen ein kompliziertes und erfolgswirksames Zusammenspiel formaler und ﬂexibler Aspek¨ klassischer te und greifen damit sowohl die Forderung nach einer Uberarbeitung Projektplanungsverfahren als auch nach minimalen Strukturen im Rahmen von Improvisationsprozessen auf. Auf Basis dieser Ausf¨ uhrungen l¨asst sich die eingangs aufgeworfene Forschungsfrage wie folgt konkretisieren: 1. Welchen Beitrag leisten formale, eﬃzienzbezogene Planungselemente zum Projekterfolg? 2. Welchen Beitrag leisten ﬂexible Planungselemente zum Projekterfolg? 3. Ist ein Planungsprozess, der sowohl formale als auch ﬂexible Elemente miteinander vereint, erfolgswirksamer, als ein Planungsprozess, der prim¨ar formal oder prim¨ar ﬂexibel ist? 4. Wie wirken sich Planungsgegenstand - im Sinne der Charakteristika des zugrundeliegenden Projekts - und Planungskontext - im Sinne der Umweltdynamik auf die Erfolgswirksamkeit des Planungsprozesses aus?

3 Planung, Umsetzung und Erfolg von Innovationsprojekten ¨ 3.1 Uberblick Das folgende Kapitel dient der Entwicklung des Untersuchungsmodells auf Basis ¨ Wie in Kapitel 2 aufgezeigt wurde, sollte der bereits geschilderten Uberlegungen. sich eine Analyse der Projektplanung nicht nur der Formulierung des Plans, sondern auch dessen Implementierung widmen. Auf diese wird in den Abschnitten 3.2 und 3.3 eingegangen. Dar¨ uber hinaus wurde deutlich, dass die Projektplanung in ihrem jeweiligen Kontext betrachtet werden muss. Als besonders relevante Einﬂussfaktoren wurden der Planungsgegenstand, also die Eigenschaften des zu planenden Projektes, und das Planungsumfeld, also die Unternehmensumwelt, identiﬁziert. Abschnitt 3.4 und die zugeh¨origen Unterabschnitte besch¨aftigen sich mit den hieraus abgeleiteten Konstrukten. Um schließlich zu einer Bewertung der Planungsaktivit¨aten zu gelangen, bedarf es einer abh¨angigen Variablen. Wie bereits in Kapitel 2 deutlich wurde, w¨ahlt die große Mehrheit aller Untersuchungen hierf¨ ur den Projekterfolg. Auf diesen wird in Abschnitt 3.5 n¨aher eingegangen.

3.2 Planung von Innovationsprojekten In Abschnitt 2.4.3.2 wurde ausgef¨ uhrt, dass bestehende Untersuchungen, die sich mit der Planung von Innovationsprojekten besch¨aftigen, diese vielfach als Indikator eines h¨oherrangingen Konstruktes verstehen oder die Planung u ¨ber die Auswahl und Nutzung von Planungstechniken konzeptualisieren. Eine solche Operationalisierung tr¨agt jedoch dem komplexen Ph¨anomen der Planung nicht ausreichend Rechnung. Auch wenn in anderen betriebswirtschaftlichen Forschungsfeldern ¨ahnlich gelagerte Probleme diagnostiziert werden (vgl. z. B. Segars et al., 1998), ﬁnden sich dort jedoch

70

Planung, Umsetzung und Erfolg von Innovationsprojekten

verst¨arkt Ans¨atze zu einer umfassenderen Konzeptualisierung der Planung, die im Rahmen der vorliegenden Arbeit auf die Planung von Neuproduktentwicklungsprojekten u ¨bertragen werden sollen.9 Diese Untersuchungen zeigen, dass sich Planungs- und Entscheidungsprozesse mittels zweier verschiedener Ans¨atze konzeptualisieren lassen (Sabherwal und King, 1995): Im Rahmen des ersten Ansatzes werden Planungen bzw. Entscheidungen modelliert, indem sie in verschiedene Prozessphasen unterteilt werden, aus denen sie bestehen (vgl. z. B. Shrivastava und Grant, 1985; Nutt, 1984; Mintzberg, Raisinghani und Theoret, 1976). Ein wesentliches Merkmal dieses Ansatzes ist es somit, zu beschreiben, welche Prozessschritte in welcher Reihenfolge ablaufen (Sabherwal und King, 1995). Aktuelle Beispiele f¨ ur eine ¨ahnliche Form dieser Modellierung des Planungsprozesses in der Innovationsforschung sind die Arbeiten von Salomo et al. (2007) und Weise (2005), die eine vorgelagerte Phase der Businessplanung“ und ” eine sp¨atere Phase der Projektplanung“ unterscheiden. ” Der zweite Ansatz konzentriert sich auf wesentliche Merkmale bzw. Eigenschaften des gesamten Entscheidungsprozesses (vgl. z. B. Bourgeois und Eisenhardt, 1988; D. Miller, 1987a; Stein, 1981). Im Gegensatz zur Operationalisierung u ¨ber konkrete Methoden und Techniken handelt es sich bei solchen breiter gefassten Eigenschaften, ¨ auch als Prozessdimensionen bezeichnet, um das Ergebnis der Werte, Uberzeugungen und Erfahrungen des Managements im Hinblick auf Planung, so dass diese Dimensionen eine Planungsinfrastruktur“ darstellen, auf Basis derer konkrete Planungs” methoden und -techniken eingesetzt werden: Diese Dimensionen gestatten es somit, ein Verst¨andnis daf¨ ur zu entwickeln, wie in verschiedenen organisatorischen und Umfeldbedingungen geplant wird (Segars et al., 1998). Im Bereich der Innovationsforschung verfolgt nur die Arbeit von B¨ uschelberger (2004), die die Planungsqualit¨at von Prozessinnovationen untersucht, diesen Ansatz konsequent. In vereinfachter Form ﬁndet sich dieser Ansatz zudem in der Arbeit von Thieme et al. (2003). Im Rahmen dieser Betrachtungsweise kommt der Auswahl der Prozessdimensionen eine besondere Bedeutung zu, um sicherzustellen, dass wesentliche Unterschiede zwischen verschiedenen Planungsprozessen erfasst werden k¨onnen (Sabherwal und 9

Exemplarisch seien an dieser Stelle Arbeiten zur marktbezogenen Planung (Schenkel, 2006), zur Planung betrieblicher Informationssysteme (Doherty, Marples und Suhaimi, 1999; Segars et al., 1998; Sabherwal und King, 1995) und zur strategischen Unternehmensplanung (B. S. Chakravarthy, 1987; Dutton und Duncan, 1987; Ramanujam und Venkatraman, 1987a) genannt.

Planung von Innovationsprojekten

71

King, 1995). Gem¨aß der Ausf¨ uhrungen in Kapitel 2 ist dabei vor allem auch auf solche Dimensionen zu achten, die formale bzw. ﬂexible Elemente der Planung von Innovationsprojekten beschreiben. Da diese Betrachtungsweise zudem insbesondere in der Forschung zur strategischen Unternehmensplanung und zur Planung von ufen, ob die betrieblichen Informationssystemen genutzt wurde, ist kritisch zu pr¨ dort genutzten Dimensionen sinnvoll auf die Planung von Neuproduktentwicklungsprojekten u ¨ bertragen werden k¨onnen bzw. welche Anpassungen vorzunehmen sind. Exemplarisch f¨ ur die in den oben genannten Arbeiten identiﬁzierten Prozessdimensionen sei hier die von Doherty et al. (1999) f¨ ur den Bereich der betrieblichen ¨ Informationssysteme erarbeitete Ubersicht genannt, die in Tabelle 3.1 dargestellt ist. Variable

Deﬁnition

Comprehensiveness

The extent to which an organisation attempts to be exhaustive in making and integrating decisions The existence of structures, techniques and written procedures to support the planning process The balance between the application of ﬁnancial control in considering applications, versus the welcoming of more creative contributions appraised through non-ﬁnancial criteria The locus of authority or devolution of responsibilities for strategic planning (bottom up, top down or interactive) The breadth of involvement in the strategic planning process (narrow v wide) The frequency of planning activities or cycles (occasional v continuous) The degree to which alignment between corporate and IS strategies is explicitly sought The locus of ownership for the planning process (business/IS group/mixed) Focus during the planning process on the implications for implementation The range of beneﬁts sought (primarily eﬃciency v wider beneﬁts, including competitive advantage)

Formalisation Focus

Flow Participation Frequency Alignment Ownership Implementation Competitive focus

Tabelle 3.1: Ausgew¨ ahlte Planungsprozessdimensionen und ihre Deﬁnitionen. Quelle: Doherty et al. (1999)

Bei der Betrachtung von Tabelle 3.1 wird unmittelbar deutlich, dass sich nicht alle diese Dimensionen sinnvoll auf die Planung von Innovationsprojekten u ¨ bertragen lassen. ¨ Beispielsweise stellt die Dimension Alignment“, in der es um die Ubereinstim” mung von Projekt und Unternehmensstrategie geht, einen Problemkreis dar, der im

72

Planung, Umsetzung und Erfolg von Innovationsprojekten

Rahmen der Entwicklung des Projektportfolios und der Auswahl und Priorisierung von Projekten von besonderer Bedeutung ist. Damit handelt es sich um ein Datum f¨ ur die anschließend auf operativer Ebene stattﬁndende Projektplanung. Auch die Dimension Competitive focus“ beschreibt ihrem Inhalt nach ein Problembewusstsein, ” welches im Rahmen der Projektauswahl und -priorisierung von Bedeutung ist. Zudem wird diese Variable von Doherty et al. (1999) sowohl als Prozessdimension als auch unter anderem Namen aber mit gleichem Inhalt als Erfolgsmaß genutzt. Insofern ist der Zurechnung als Prozessdimension kritisch gegen¨ uberzustehen. Die Dimensionen Flow“ und Ownership“ erscheinen nicht sinnvoll auf die Planung ” ” konkreter Innovationsprojekte u ¨ bertragbar. In der Literatur besteht weitreichende Einigkeit dar¨ uber, dass die Planung der Innovationsprojekte als eine dezentrale, operative Planung (Anderson, Jr. und Joglekar, 2005) Aufgabe des Projektmanagers ist: So nennt der Project Management Body of Knowledge (PMBOK) 39 verschiedene Prozesse, welche vom Projektmanager durchlaufen werden sollten. Hiervon sind 21 (54%) Planungsprozesse (Zwikael und Globerson, 2004). Diese Sichtweise wird zudem dadurch unterst¨ utzt, dass Zentralisierung in einer Reihe empirischer Studien konsistent als signiﬁkant negativer Einﬂuss auf die Innovationsf¨ahigkeit identiﬁziert wurde (McDonough, 2000; Damanpour, 1991). Die Prozessdimension Implementation“ beschreibt, in welchem Umfang bereits ” w¨ahrend der Planung die Belange f¨ ur deren Umsetzung ber¨ ucksichtigt wurden. Da sich Doherty mit der strategischen Planung betrieblicher Informationssysteme besch¨aftigt, bewegt sie sich im System der hierarchischen Unternehmensplanung auf einer h¨oheren Ebene als die konkrete Projektplanung, die aufgrund ihrer operativen Natur bereits deutlich umsetzungsn¨aher erfolgen sollte. Insofern erscheint es fraglich, ob eine besondere Fokussierung auf die Umsetzbarkeit der Planung im Gegensatz zur strategischen Ebene hier als wesentlicher Unterschied zwischen verschiedenen ur die DimenPlanungsprozessen anzunehmen ist. Hinzu kommt, dass, wie schon f¨ sion Competitive focus“ geschildert wurde, Doherty auch diese Variable sowohl als ” Prozessdimension als auch als Erfolgsmaß verwendet. Folglich sieht der Verfasser auch hier inhaltliche Probleme. Abschließend sei angemerkt, dass die Planumsetzung an anderer Stelle des zu formulierenden Modells Ber¨ ucksichtigung ﬁndet, wie im vorangegangenen Abschnitt verdeutlicht wurde. Die Planungsdimension Focus“ hingegen erscheint grunds¨atzlich f¨ ur die Betrach” tung der Planungsprozesse in Neuproduktentwicklungsprojekten geeignet. Trotzdem

Planung von Innovationsprojekten

73

¨ hat sich der Verfasser aufgrund folgender Uberlegungen gegen die Verwendung dieser Dimension entschieden: Die strategische Planung betrieblicher Informationssysteme, f¨ ur die diese Dimension urspr¨ unglich betrachtet wurde, ist ein deutlich abstrakterer Prozess als die ihr nachgelagerte, operative Projektplanung. Betrachtet man die von Segars (1994), auf den diese Dimension zur¨ uckgeht, zur Operationalisierung genutzten Items, zeigt sich, dass diese nur bedingt zur Planung konkreter Projekte passen: The primary focus ” of IS planning is controlling cost through extensive budgeting“, In our IS planning ” process we encourage creativity and idea generation over control“, Strategic IS ” planning is viewed as a means of controlling the growth of technology“, Control ” systems are used to monitor variances between planned actions and outcomes“ und Our IS planning process is tightly integrated with the ﬁrm’ normal ﬁnancial planning ” or capital budgeting routine“. Projektplanung ist durch die auf strategischer und taktischer Ebene getroﬀenen Entscheidungen an gewisse Rahmenbedingungen gebunden, so dass Kreativit¨at und Budget weitgehend durch die Projektvorgaben bestimmt sind, im Rahmen derer die Ausgangsfragestellung gel¨ost werden soll. Insofern w¨are eine Abschw¨achung bzw. Reformulierung dieser Items n¨otig, a¨hnlich wie sie beispielsweise von Lewis et al. (2002) genutzt wird. Hinzu kommt, dass diese Dimension in der Arbeit von Segars (1994) hinsichtlich Reliabilit¨at und Validit¨at im Vergleich zu den anderen Planungsdimensionen mit Abstand am schlechtesten abschnitt. Auf ¨ Basis dieser Uberlegungen erscheint es dem Verfasser sinnvoller, ﬂexible und formale Elemente der Planung mittels anderer Prozessdimensionen einzufangen. Die verbleibenden Prozessdimensionen Comprehensiveness“, Formalization“, ” ” Participation“ und Frequency“ schließlich lassen sich direkt auf die Planung von ” ” Innovationsprojekten u ¨bertragen. Inhaltlich beschreiben sie Vorgehensweisen, die auf den verschiedenen Ebenen der hierarchischen Unternehmensplanung und unabh¨angig vom Grad der Konkretisierung der Planungsaufgabe sinnvoll interpretiert werden k¨onnen. Zudem lassen sich die beiden erstgenannten Dimensionen einem formalen Planungsverhalten zuordnen, w¨ahrend die beiden letztgenannten Dimensionen eher als Merkmale eines ﬂexiblen Prozesses verstanden werden k¨onnen (Segars et al., 1998). Weiterhin schließen sie sich dem Inhalt nach nicht gegenseitig aus, so dass es m¨oglich ist, das in Abschnitt 2.4.3.2 beschriebene komplexe Zusammenwirken formaler und ﬂexibler Faktoren u ¨ber diese Prozessdimensionen zu modellieren und zu untersuchen.

74

Planung, Umsetzung und Erfolg von Innovationsprojekten

Insofern erf¨ ullen diese Dimensionen die Anforderungen, um zur Beantwortung der in Abschnitt 2.4.3.2 konkretisierten Forschungsfragen herangezogen zu werden. Sie stimmen zudem weitgehend mit den von Thieme et al. (2003, S. 109) gemachten Beobachtungen u ¨berein, die feststellen, dass [...]planning that is detailed, participative, ” and ﬂexible enables teams to stay focused in a cross-functional structure, to reduce their development cycle time, and to adapt to changes in their environment. These outcomes from eﬀective planning give their new product a better chance to succeed in the market.“ In den folgenden Abschnitten werden daher diese vier identiﬁzierten Dimensionen n¨aher betrachtet.

3.2.1 Planungsausmaß Der Umfang und die Vollst¨andigkeit der Planung, im englischen als comprehensiven” ess“ bezeichnet (vgl. z. B. Fredrickson, 1984), beschreibt die Struktur, Stringenz und Gr¨ undlichkeit bei der Beschaﬀung und Analyse von Informationen im Rahmen von Planungs- bzw. Entscheidungsprozessen (Menon et al., 1999, S. 22): Comprehensiveness refers to the systematic identiﬁcation and in depth ” evaluation of multiple alternatives to [the] chosen strategy.“ W¨ortlich l¨asst sich comprehensive“ mit umfassend“ u ¨ bersetzen, jedoch deckt ” ” das Wort Planungsumfang“ nicht die gesamte Bedeutung von comprehensive” ” ¨ ur die Ubersetzung als Planungstiefe“, die ebenfalls nur ness“ ab. Gleiches gilt f¨ ” urde. Im Folgenden soll daher einen Aspekt von comprehensiveness“ abdecken w¨ ” vom Planungsausmaß“, welches sowohl den Umfang der Planung, als auch die ” Planungstiefe abdecken soll, gesprochen werden (vgl. B¨ uschelberger, 2004). Nach Janis und Mann (1977) umfasst dieses Konstrukt eine Reihe von Verhaltensweisen: • gr¨ undliche Suche nach allen erdenklichen Alternativen, • Ber¨ ucksichtigung aller erstrebenswerter Ziele, • gewissenhafte Bewertung der Kosten und Risiken der verschiedenen m¨oglichen Folgen,

Planung von Innovationsprojekten

75

• intensive Informationssuche zur Bewertung der alternativen Handlungsm¨oglichkeiten, • objektive Bewertung der Informationen und Expertenmeinungen in Bezug auf die verschiedenen Handlungsalternativen, • wiederholte Untersuchung der positiven und negativen Auswirkungen aller bekannten Alternativen, • Ausarbeitung eines detaillierten Plans, welcher die Betrachtung aller m¨oglichen Eventualit¨aten bei der Umsetzung der gew¨ahlten Alternative mit einschließt. Eine Planung hohen Ausmaßes und die Evaluation verschiedener Handlungsoptionen zwingt Manager, die ihrer Planung zugrundeliegenden Hypothesen zu u ufen ¨berpr¨ (Eisenhardt, 1989), wodurch neue Einsichten gewonnen werden k¨onnen, welche zu einem tieferen Verst¨andnis des Plans und gr¨oßerer Entscheidungssicherheit der Verantwortlichen beitragen (Day, 1994). Eine so durchgef¨ uhrte Planung steigert die Erfolgsaussichten, da das bessere Verst¨andnis des Plans und des Umfeldes, in dem er entwickelt wird, zu einer realistischeren Einsch¨atzung m¨oglicher Konsequenzen f¨ ur die Organisation beitr¨agt und somit bessere Entscheidungen erm¨oglicht (Sniezek, 1992). Unternehmen k¨onnen als Informationsverarbeitungs- oder Interpretationssysteme aufgefasst werden, die ihr Umfeld nach Daten absuchen, diese sammeln und interpretieren, aufgrund ihrer Interpretationen handeln und aus diesem Handeln lernen (Daft und Weick, 1984). Dieser Gedanke steht im Zentrum des kontingenztheoretischen Ansatzes, der die Basis f¨ ur die situative Theorie der Informationsverarbeitung (engl.: Information Processing Theory) bildet (vgl. z. B. Galbraith, 1973). Nach dem kontin¨ genztheoretischen Ansatz beeinﬂusst die Ubereinstimmung (engl.: Fit) zwischen der Art und dem Umfang an Informationen, die f¨ ur die Ausf¨ uhrung einer bestimmten Aufgabe ben¨otigt werden, und den Informationsverarbeitungsf¨ahigkeiten der mit der Ausf¨ uhrung der Aufgabe betrauten Organisationseinheit deren Erfolg (Tushman und Nadler, 1978; Galbraith, 1973). So ist eine der Kernvorhersagen dieser Theorie, dass sich ein Unternehmen in einem sehr turbulenten Umfeld mit komplexen Informationsverarbeitungsanforderungen konfrontiert sieht, die eine Organisationsstruktur, Planungsprozesse, Kontrollmechanismen und Kommunikationsstrukturen verlangen,

76

Planung, Umsetzung und Erfolg von Innovationsprojekten

die eine schnelle, m¨oglichst in Echtzeit stattﬁndende, Sammlung und Interpretation von Informationen gestatten (Atuahene-Gima und Li, 2004; Eisenhardt, 1989; Daft und Macintosh, 1981; Tushman und Nadler, 1978; Galbraith, 1973). Der f¨ ur diesen Ansatz zentrale Begriﬀ der Information wird von Galbraith (1973, S. 5) nicht direkt deﬁniert. Vielmehr verwendet er den Begriﬀ der Unsicherheit (engl.: uncertainty), welche als ein Mangel an Informationen aufgefasst werden kann: Uncertainty is deﬁned as the diﬀerence between the amount of informa” tion required to perform a particular task, and the amount of information already possessed by the organization.“ Demnach entsteht Unsicherheit als Resultat des Zusammenspiels einer bestimmten Aufgabe mit einer bestimmten Organisationskonﬁguration. Je h¨oher die hieraus resultierende Unsicherheit ist, desto gr¨oßer ist der Informationsbedarf, den die Organisation aktiv befriedigen muss (Galbraith, 1973, S. 5): Therefore, the greater the task uncertainty, the greater the amount of ” information that must be processed among decision makers during task execution in order to achieve a given level of performance.“ Der Ansatz wurde sp¨ater von Daft und Lengel (1986) erweitert, die neben der Unsicherheit auch das Konzept der Mehrdeutigkeit (engl.: equivocality) heranzogen, um die Notwendigkeit der Informationsverarbeitung theoretisch zu begr¨ unden. Der entscheidende Unterschied liegt hierbei darin, dass Unsicherheit auf einen Mangel an Information zur¨ uckgef¨ uhrt werden kann, der dazu f¨ uhrt, dass auf bestehende Fragen keine Antworten gegeben werden k¨onnen. Mehrdeutigkeit hingegen stellt insofern ein grundlegenderes Problem dar, als dass in diesem Fall nicht einmal klar ist, welche Fragen u ¨berhaupt zu beantworten sind. Insofern kann eine Organisationseinheit, die sich mit einer mehrdeutigen Situation konfrontiert sieht, diesen Informationsdefekt nicht dadurch beheben, dass sie zus¨atzliche Informationen beschaﬀt (Daft und Macintosh, 1981). Unsicherheit und Mehrdeutigkeit k¨onnen somit als Ausl¨oser der Informationsverarbeitungsaktivit¨aten einer Organisation angesehen werden. Damit ist jedoch noch nicht gekl¨art, wodurch Unsicherheit und Mehrdeutigkeit entstehen. Ihre Ursachen

Planung von Innovationsprojekten

77

sind sowohl in der T¨atigkeit bzw. Aufgabe der betroﬀenen Organisationseinheit zu suchen, als auch in ihrem externen Umfeld (vgl. z. B. Zeithaml, Varadarajan und Zeithaml, 1988). Als eine wesentliche Ursache von Unsicherheit und Mehrdeutigkeit werden in der Literatur zun¨achst h¨auﬁg die Charakteristika der von einer Organisationseinheit zu erf¨ ullenden Aufgabe genannt (vgl. z. B. Van de Ven, Delbecq und Koenig, 1976; Galbraith, 1973; Perrow, 1967). Sind Arbeitsprozesse lediglich mit wenigen Problemen oder Ausnahmesituationen verbunden, so verf¨ ugen die betroﬀenen Organisationsmitglieder u ¨ber ein vergleichsweise vollst¨andiges Verst¨andnis der zugrundeliegenden Zusammenh¨ange und sind in der Lage, Aufgaben ohne eine umfangreiche Infor¨ sich dagegen die mationsverarbeitung vorauszuplanen (Galbraith, 1973). Andern Aufgabenstellungen und die damit verbundenen Prozesse h¨auﬁg, so werden die Betroffenen regelm¨aßig mit unerwarteten, neuartigen Ereignissen konfrontiert. Bestehende ¨ Annahmen und Pl¨ane decken diese Anderungen nicht mehr ab, so dass ein gesteigerter Informationsbedarf entsteht. Somit ist anzunehmen, dass mit einem zunehmenden Grad an Aufgaben¨anderungen auch ein steigender Bedarf an Informationsverarbeitung einhergeht (Daft und Macintosh, 1981). Gleiches gilt f¨ ur die Mehrdeutigkeit, mit der Informationen behaftet sein k¨onnen: Je komplexer eine Situation oder eine Aufgabenstellung ist, desto schwieriger ist es, diese zu analysieren und zu pr¨azisen, aussagekr¨aftigen Ergebnissen zu gelangen (D. J. Campbell, 1988), so dass der Grad an Mehrdeutigkeit der zu verarbeitenden Informationen im umgekehrten Verh¨altnis zur Analysierbarkeit der zu bew¨altigenden Aufgabe steht (Daft und Macintosh, 1981). Auch die externe Umwelt darf als potenzieller Ausl¨oser organisationaler Informationsverarbeitung nicht vernachl¨assigt werden (Dess und Beard, 1984; Kieser, 1974; Duncan, 1972). Um erfolgreich am Markt zu agieren, k¨onnen Unternehmen sich nicht von ihrer Umwelt isolieren, sondern m¨ ussen vielmehr Mechanismen entwickeln, die ¨ es ihnen erlauben, die f¨ ur ihr Uberleben und ihre Wettbewerbsf¨ahigkeit relevanten Informationen wie Markttrends, Technologiespr¨ unge und Wettbewerberreaktionen zu erfassen und zu interpretieren (Daft und Weick, 1984; Tushman und Nadler, 1978). Die Beschaﬀung und Verarbeitung der Informationen aus und u ¨ ber das externe urfnisse befriedigen (Daft und Lengel, 1986): Auf der Umfeld muss zweierlei Bed¨ einen Seite ist es notwendig, die Unsicherheit u ¨ ber objektive Indikatoren, wie z. B. Marktanteile oder demographische Kundenmerkmale, zu verringern. Auf der anderen Seite gilt es, innerhalb der Organisationseinheit eine gemeinsame Interpretation

78

Planung, Umsetzung und Erfolg von Innovationsprojekten

mehrdeutiger Ereignisse und Umweltbedingungen zu erzielen, um so ein besseres Verst¨andnis m¨oglicher Ursache-Wirkungsbeziehungen in der externen Umwelt zu erlangen. In tendenziell eindeutig analysierbaren Umweltsituationen kann das Management sich somit auf die Beschaﬀung objektiver Informationen als Grundlage f¨ ur Entscheidungen und die Beantwortung von Fragen konzentrieren. Sind dagegen Kausalzusammenh¨ange im vorhinein nur schwer zu identiﬁzieren, so sollte der Fokus der Informationsverarbeitung eher auf eine Reduktion der Mehrdeutigkeit durch Meinungsaustausch und Diskussionen gerichtet werden. Wie bereits erl¨autert, besteht die Grundhypothese des situativen Ansatzes der Informationsverarbeitung darin, dass Unternehmen oder Organisationseinheiten nur dann erfolgreich agieren k¨onnen, wenn ihre Informationsverarbeitungsf¨ahigkeiten an den jeweiligen Informationsverarbeitungserfordernissen ausgerichtet sind (Tushman und Nadler, 1978; Galbraith, 1973). Empirische Befunde zeichnen jedoch kein eindeutiges Bild u ¨ ber die Rolle umweltbedingter Unsicherheit (vgl. z. B. Forbes, 2007; Atuahene-Gima und Li, 2004). Die Untersuchungen von Fredrickson (1984) und Fredrickson und Mitchell (1984) kommen zu dem Ergebnis, dass Entscheidungen mit einem hohen Planungsausmaß in einem stabilen Umfeld erfolgswirksam sind, w¨ahrend sie in einem instabilen Umfeld erfolgsmindernd wirken, da der mit einem solchen Entscheidungsprozess verbundene Aufwand es nicht gestattet, sich schnell genug an ver¨anderte Rahmenbedingungen anzupassen. In einem mit Unsicherheit behafteten Umfeld verlangsamt ein hohes Planungsausmaß die Geschwindigkeit, mit der Entscheidungen getroﬀen werden, behindert den Informationsﬂuss in Echtzeit und belastet sowohl die ﬁnanziellen als auch personellen Ressourcen der Unternehmen. Dar¨ uber hinaus machen es kognitive Limitationen und beschr¨ankte Rationalit¨at (engl.: bounded rationality) auf Seiten der Entscheidungstr¨ager f¨ ur sie beinahe unm¨oglich, alle relevanten Probleme, Umwelteinﬂ¨ usse und Eﬀekte zwischen diesen Gr¨oßen zu ber¨ ucksichtigen, wie es nach einem streng synoptischen Modell unterstellt wird (Braybrooke und Lindblom, 1963). Dies gilt insbesondere auch f¨ ur Projekte in der Neuproduktentwicklung, da es dort gerade im Rahmen der Projekteingangsplanung h¨auﬁg an einem genauen Verst¨andnis der speziﬁschen Projektaufgaben, der Aufgabenabfolge, der Interdependenzen zwischen den Aufgaben sowie ihrer zeitlichen Befristung mangelt (Tatikonda und Rosenthal, 2000a). Im Gegensatz zu den oben geschilderten Befunden kommen andere Untersuchungen zu dem Ergebnis, dass ein

Planung von Innovationsprojekten

79

hohes Planungsausmaß in einem dynamischen Umfeld erfolgswirksam ist, aber sich in einem stabilen Umfeld erfolgsmindernd auswirkt (vgl. z. B. Goll und Rasheed, 1997; Priem, Rasheed und Kotulic, 1995; D. Miller und Friesen, 1983). So zeigt beispielsweise die Studie von Bourgeois und Eisenhardt (1988), dass sich in einem extrem schnelllebigen Umfeld die eﬀektivsten Entscheidungen mit einem rationalen Entscheidungsprozess hohen Ausmaßes erzielen ließen.

b Comprehensiveness

+ Decision Quality

(Firm) Performance

b

Environmental and Task Instability

b +

-

Cost of the Decision Process (time and resources)

Abbildung 3.1: Planungsausmaß und Wirkungszusammenh¨ ange. In Anlehnung an Forbes (2007)

Forbes (2007) f¨ uhrt dies auf zwei Fakten zur¨ uck: Obwohl viele Untersuchungen sich theoretisch mit dem Zusammenhang zwischen Planungsausmaß und Entscheidungsqualit¨at besch¨aftigen, wird dieser Zusammenhang in den meisten F¨allen nicht empirisch untersucht. Stattdessen wird vielfach die Wirkung des Planungsausmaßes auf den Unternehmenserfolg analysiert, was in seinen Augen problematisch erscheint, da diese Beziehungen aufgrund der h¨oheren Komplexit¨at des Konstrukts Unternehmenserfolg im Vergleich zum Konstrukt Entscheidungsqualit¨at nicht gleichgesetzt werden k¨onnen (Dean und Sharfman, 1996; Langley, 1989). Die Theorien und empirischen Untersuchungen beziehen sich zudem h¨auﬁg auf den moderierenden Eﬀekt der Instabilit¨at der Umwelt (vgl. z. B. Fredrickson, 1984). Dies ist nach Forbes insofern problematisch, als dass Instabilit¨at ein zu allgemeines Konzept darstellt, um als verl¨asslicher Moderator der Erfolgswirksamkeit des Planungsausmaßes auf die Entscheidungsqualit¨at angesehen zu werden. Betrachtet man die Untersuchungen genauer, wird deutlich, dass Instabilit¨at vielfach als eine N¨aherung sowohl f¨ ur Mehrdeutigkeit als auch f¨ ur Unsicherheit benutzt wird, bei denen es sich um zwei pr¨azisere Kontextfaktoren handelt, die zudem tendenziell unterschiedliche moderierende Ein-

80

Planung, Umsetzung und Erfolg von Innovationsprojekten

ﬂ¨ usse aufweisen (Forbes, 2007). Die Wirkungszusammenh¨ange sind in Abbildung 3.1 dargestellt, wobei uneinheitliche empirische Befunde durch ein b“ gekennzeichnet ” sind. ¨ Tabelle 3.2 bietet einen Uberblick auf empirische Befunde der Erfolgswirksamkeit des Planungsausmaßes und verdeutlicht noch einmal die uneinheitlichen Ergebnisse. W¨ahrend die Studien von Hough und White (2003) und Goll und Rasheed (1997) keine signiﬁkante Beziehung nachweisen k¨onnen, u ¨ berwiegen in den verbleibenden Untersuchungen die Befunde, die zumindest f¨ ur bestimmte Umweltsituationen eine Erfolgswirksamkeit des Planungsausmaßes best¨atigen. Zusammenfassend ist zu konstatieren, dass auf Basis der vorliegenden empirischen Befunde keine eindeutige Wirkungsbeziehung zwischen Planungsausmaß und Erfolg identiﬁziert werden kann. Die Ergebnisse in Tabelle 3.2 deuten jedoch darauf hin, dass das Planungsausmaß insbesondere in solchen Situationen positiv wirkt, in denen wenig Informationen vorliegen bzw. diese aufgrund sich ¨andernder Umweltbedingungen einem Wandel unterliegen. Dies erscheint insofern einleuchtend, als dass in einem solchen Umfeld eine erfolgreiche Planung erheblich erschwert wird, so dass eine fundiertere Informationsbasis von h¨oherem Wert ist als in einer ohnehin eindeutigen Planungssituation. Innovationsprojekte unterliegen erheblicher Unsicherheit, wie in Kapitel 2 ausgef¨ uhrt wurde. Insofern ist anzunehmen, dass diese als ein Planungsgegenstand bzw. eine Planungssituation gewertet werden k¨onnen, in der ein hohes ¨ Planungsausmaß von besonderer Bedeutung ist, so dass auf Basis dieser Uberlegungen die folgende Hypothese formuliert wird: Hypothese 1: Je h¨oher das Planungsausmaß eines Innovationsprojektes, desto h¨oher ist dessen Erfolg.

rationality

comprehensiveness

comprehensiveness rationality

400 decisions in 54 teams (experiment)

228 new manufacturing ﬁrms

57 manufacturing ﬁrms

70 decisions in 38 manufacturing ﬁrms 62 manufacturing ﬁrms

Hough und White (2003)

Zahra, Neubaum und El-Hagrassey (2002)

Simons, Pelled und Smith (1999) Papadakis (1998)

52 decisions in 24 manufacturing ﬁrms

101 manufacturing ﬁrms

79 business units from multiple, unspeciﬁed industries

Dean und Sharfman (1996)

Priem et al. (1995)

Glick, Miller und Huber (1993)

comprehensiveness

rationality

rationality

rationality

comprehensiveness

373 new technology ventures

Atuahene-Gima und Li (2004)

Goll und Rasheed (1997)

erfolgsrelevante Gr¨ oße

Stichprobe

Studie Comprehensiveness and new product performance were positively related when perceived demand uncertainty was higher and negatively related when perceived technology uncertainty was higher Rationality was unrelated to decision quality, but in stable environments higher-quality decisions were associated with ensuring that all decision makers were well-informed Comprehensiveness was positively related to ﬁrm performance; in addition, these relationships were stronger when executives experienced higher levels of perceived environmental uncertainty Comprehensiveness partially mediated the positive interactive eﬀects of diversity and debate on ﬁrm performance Rationality was positively related to most measures of performance Rationality did not signiﬁcantly enhance performance; however, rationality did enhance performance in environments high in muniﬁcence and dynamism Procedural rationality enhanced decision eﬀectiveness; results did not support the hypothesis that this relationship was stronger in unstable environments Rationality was positively related to ﬁrm performance in high-dynamism environments but not in moderate- or lowdynamism environments Comprehensiveness enhanced proﬁtability in more turbulent environments but not in less turbulent ones; no relationship between comprehensiveness and open systems eﬀectiveness

Befunde

Tabelle 3.2: Ausgew¨ahlte empirische Studien zur Erfolgswirksamkeit des Planungsausmaßes. Quelle: Forbes (2007)

Planung von Innovationsprojekten 81

82

Planung, Umsetzung und Erfolg von Innovationsprojekten

3.2.2 Formalization Die Planungsdimension Formalization“, im Deutschen als Formalisierung“ bezeich” ” net, beschreibt nach Damanpour (1991, S. 589): [...]the emphasis on following rules and procedures in conducting ” organizational activities.“ Formalisierung beschreibt somit den Umfang an Strukturen, Techniken und schriftlich ausgearbeiteten Arbeitsabl¨aufen, die den Planungsprozess unterst¨ utzen (Segars et al., 1998). Stark formalisierte Prozesse zeichnen sich nach Naveh (2007) durch die Einhaltung von Standards, klar deﬁnierte Verantwortlichkeiten und Priorit¨aten, eine rationale und analytische Vorgehensweise sowie Koordination, Pr¨azision und Genauigkeit aus. Formalisierung erlaubt eine eﬃzientere Beschaﬀung, Verarbeitung und Weitergabe von Informationen im Rahmen von Planungsprozessen, wodurch die Basis der ihnen zugrundeliegenden Informationen verbreitert werden kann (Segars, 1994; Dutton und Duncan, 1987). Zudem wird durch Formalisierung eine gemeinsame Sprache“ ge” schaﬀen, die die Kommunikation innerhalb des Projektteams bzw. des Unternehmens erleichtert (Walsh und Dewar, 1987). Auch wird darauf hingewiesen, dass es ohne eine formale Struktur, mittels derer Produktspeziﬁkationen eingefroren und deren ¨ Anderungen bewertet werden k¨onnen, zu einer permanenten Weiterentwicklung (sog. creeping elegance) kommen kann, die nicht mehr durch entsprechende Leistungsoder Qualit¨atssteigerungen zu rechtfertigen ist (R. Cooper, Aouad, Lee und Wu, 2004; Bonner, Ruekert und Walker, 2002). Formale Richtlinien bzw. Vorgaben bilden somit die Basis, erw¨ unschte und nicht erw¨ unschte Handlungen sowie die zu erzielenden Ergebnisse zu deﬁnieren, und stellen gleichzeitig den Referenzpunkt f¨ ur ¨ eine eventuell vorzunehmende Kontrolle oder Uberpr¨ ufung dar (Bodewes, 2002). Diesen positiven Wirkungen steht jedoch ein Verlust an Flexibilit¨at entgegen, da formale Prozesse h¨auﬁg langwierig sind und somit nicht schnell genug auf ver¨anderte Rahmenbedingungen reagiert werden kann (Dutton und Duncan, 1987). Hierdurch werden veraltete, unwichtig oder sogar falsch gewordene Informationen h¨auﬁg erst zu sp¨at aus dem Planungsprozess eliminiert bzw. neue Informationen nicht schnell genug integriert und verteilt, so dass es zu Fehlplanungen und Verz¨ogerungen kommen kann (Lukas, Menon und Bell, 2002; Dutton und Duncan, 1987). In gleicher Weise kann

Planung von Innovationsprojekten

83

ein hoher Grad an Formalisierung aufgrund der damit verbundenen Regeln und Prozeduren zu einer verringerten Handlungsfreiheit der Teammitglieder f¨ uhren, wodurch individuelle Initiative und Kreativit¨at eingeschr¨ankt werden und das Informationsverarbeitungspotenzial des Teams gesenkt wird (Organ und Greene, 1981; Duncan, 1974). Entsprechend dieser gegenl¨auﬁgen Eﬀekte, liefern empirische Befunde zur Erfolgswirksamkeit formaler Prozesse in der Neuproduktentwicklung ein uneinheitliches Bild (Bodewes, 2002; Zmud, 1982). So weist Naveh (2007) eine positive Wirkung von Formalisierung auf eine Reihe verschiedener Erfolgsmaße wie z. B. die Kundenzufriedenheit, die Entwicklungsdauer und die Einhaltung von Kostenzielen nach. Cardinal (2001) hingegen stellt in ihrer Untersuchung einen negativen Zusammenhang zwischen der Weiterentwicklung von Medikamenten und der Formalisierung der Entwicklungsaktivit¨aten fest. Eine Metaanalyse von Damanpour (1991) weist eine positive Wirkung von Formalisierung auf die Entwicklung sowohl radikaler als auch inkrementaler Produktinnovationen nach, allerdings sind beide Zusammenh¨ange nicht signiﬁkant. Insofern verwundert es nicht, dass Ayers, Gordon und Schoenbachler (2001, S. 139) ausf¨ uhren, dass [t]he eﬀects of centralization and formalization on various organiza” tional outcomes has been investigated extensively over the last thirty years. While these variables have been strongly linked to perceptual measure of individual and organizational outcomes (e.g. satisfaction, perceived eﬀectiveness, organizational commitment, etc.), their success at explaining more objective measures of outcomes (e.g. proﬁt, sales, etc.) has been limited.“ Bodewes (2002) f¨ uhrt dieses nicht zuletzt darauf zur¨ uck, dass den Studien vielfach unterschiedliche Verst¨andnisse des Formalisierungsbegriﬀs zugrundeliegen. Ein weiteres Problem ergibt sich aus den unterschiedlichen Phasen des Innovationsprozesses und den unterschiedlichen Anforderungen, die sie an das Verhalten der Teammitglieder stellen (Duncan, 1974): W¨ahrend Formalisierung im Rahmen der uhen Phasen des Innovationsprozesses aufgrund ihres Ideengenerierung und der fr¨ potenziell kreativit¨atseinschr¨ankenden Charakters hinderlich sein kann, wird ihr im Rahmen des weiteren Verlaufs und der Umsetzung des Projektes vielfach eine positive Wirkung zugeschrieben. Insofern erscheint es erforderlich, Formalisierung nicht – wie

84

Planung, Umsetzung und Erfolg von Innovationsprojekten

h¨auﬁg vorgenommen – auf der Ebene der gesamten Organisation, sondern den Grad an Formalisierung innerhalb einzelner Abteilungen, Projektteams oder Aufgaben zu messen (Bodewes, 2002). Auf Basis der obigen Ausf¨ uhrungen ist festzustellen, dass die Wirkungsbeziehung zwischen Formalisierung und Projekterfolg nicht eindeutig zu ermitteln ist. Aus rein theoretischer Sicht sind die beiden f¨ ur Neuproduktentwicklungsprojekte wichtigen Aspekte der Eﬃzienz und der Kreativit¨at unterschiedlich vom Grad der Formalisierung betroﬀen. Da keinerlei Wertung hinsichtlich deren relativer Bedeutung ur die Formulierung einer Hypothese auf die vorgenommen werden kann, muss f¨ empirischen Befunde zur¨ uckgegriﬀen werden. Diese zeigen eine leichte Tendenz zu einem positiven Zusammenhang von Formalisierung und Projekterfolg, da in zwei von drei Studien positive Wirkungen ermittelt werden, die allerdings nur in einer Studie signiﬁkant sind. Unter Ber¨ ucksichtigung dieser Einschr¨ankung wird daher die folgende Hypothese formuliert: Hypothese 2: Je h¨oher die Formalisierung der Planung eines Innovationsprojektes, desto h¨oher ist dessen Erfolg.

3.2.3 Planungskonsistenz Consistency“ beschreibt das Maß f¨ ur die Konsistenz und Regelm¨aßigkeit der Planung. ” Nach Segars et al. (1998) zeichnet sich High Consistency“ Planung durch einen ” kontinuierlichen Planungsprozess, stetige Kommunikation unter den Beteiligten sowie ¨ eine regelm¨aßige Uberpr¨ ufung und ggf. Modiﬁkation der Planung aus. Die gleiche Dimension wird sp¨ater von Doherty et al. (1999) auch mit Frequency“ bezeichnet. ” In der Psychologie und der Forschung zur Neuproduktentwicklung wird in diesem Zusammenhang von Reﬂexivity“ gesprochen (Hoegl und Parboteeah, 2006; Schippers ” und Den Hartog, 2007; De Dreu, 2007; M. A. West, 1996). Nach M. A. West (1996, S. 559) versteht man hierunter: [T]he extent to which group members overtly reﬂect upon the group’s ” objectives, strategies, and processes and adapt them to current or anticipated endogenous or environmental circumstances.“

Planung von Innovationsprojekten

85

Die regelm¨aßige und kritische Reﬂexion der bestehenden Planung gestattet es, diese an ge¨anderte Umfeldbedingungen anzupassen und bildet somit eine wichtiur hohe Leistungsf¨ahigkeit im Rahmen komplexer Aufgaben (Gurtner, ge Basis f¨ Tschan, Semmer und N¨agele, 2007). Dabei wird Reﬂexivit¨at typischerweise als ein Gruppenprozess verstanden (Schippers und Den Hartog, 2007). Reﬂexive Teams sind sich der Konsequenz ihres Handelns bewusst und agieren proaktiv. Sie kontrollieren sich und ihr Umfeld kontinuierlich und sind somit besser in der Lage, sich an ein ge¨andertes Umfeld anzupassen, wenn dies erforderlich wird (Hoegl und ur Parboteeah, 2006). Nicht reﬂexive Teams hingegen zeigen weniger Bewusstsein f¨ die Ziele, Strategien und das Umfeld, in dem das Team agiert, so dass sie sich eher reaktiv verhalten und defensiv auf sich ¨andernde Umweltbedingungen reagieren (Schippers und Den Hartog, 2007). Reﬂexivit¨at ist insbesondere f¨ ur Projektteams von Bedeutung, die an besonders herausfordernden oder komplexen Aufgaben arbeiten oder in einem unruhigen Umfeld agieren m¨ ussen (Tjosvold, Tang und West, 2004). Reﬂexive Teams arbeiten eﬀektiver (Gurtner et al., 2007; Hoegl und Parboteeah, 2006; Tjosvold et al., 2004; Carter und West, 1998): Die mit Reﬂexivit¨at verbundene Selbstreﬂexion und Selbsterkenntnis gestatten es dem Team, bessere L¨osungen f¨ ur Probleme zu entwickeln, mit denen es konfrontiert ist (Hoegl und Parboteeah, 2006). Teams in innovativen Projekten sehen sich einer großen Spannweite unterschiedlichster Aufgaben und gleichzeitig erheblicher Unsicherheit bez¨ uglich m¨oglicher L¨osungsstrategien gegen¨ uber (Gales, Porter und Mansour-Cole, 1992; Daft und Lengel, 1986). Reﬂexivit¨at f¨ordert wie beschrieben das kontinuierliche Sammeln und Teilen von Informationen, welches als wesentlicher Erfolgsfaktor identiﬁziert wurde (Sicotte und Langley, 2001). Dieses Sammeln und Teilen von Informationen sowohl innerhalb des Teams als auch nach außen erleichtert die Aufgabenplanung, die Koordination teaminterner und -externer Aktivit¨aten und die Suche nach Probleml¨osungen (Hoegl und Gem¨ unden, 2001; Sethi und Nicholson, 2001; Ancona und Caldwell, 1990). Die so verbesserte Kommunikation kann zu einer h¨oheren Teamleistung beitragen, da alle Beteiligten besser u ¨ber Probleme und zugeh¨orige L¨osungsstrategien informiert sind (Hoegl und Parboteeah, 2006). Durch den gegenseitigen Austausch von Informationen sind die Teammitglieder in reﬂexiven Teams zudem besser u ¨ber individuelles Wissen und individuelle F¨ahigkeiten der Mitglieder informiert und setzen sich intensiver und wertungsfreier mit diesen auseinander, so dass bestehendes Wissen besser ge-

86

Planung, Umsetzung und Erfolg von Innovationsprojekten

nutzt wird und hochwertigere Probleml¨osungen gefunden werden k¨onnen (Rogelberg, Barnes-Farrell und Lowe, 1992). Die Untersuchung von Hoegl und Parboteeah (2006) best¨atigt diesen Zusammenhang und ermittelt eine Effektst¨arke von 0,19 zwischen Reﬂexivit¨at und der Eﬀektivit¨at des Teams. Auch Gurtner et al. (2007) ﬁnden mit einer Eﬀektst¨arke von 0,255 einen positiven Zusammenhang zwischen Reﬂexivit¨at und ihrer abh¨angigen Variable Team Performance“. Die Untersuchung von Carter ” und West (1998) best¨atigt ebenfalls einen positiven Zusammenhang zwischen Reﬂexivit¨at und verschiedenen Erfolgsmaßen (0,04-0,52) f¨ ur die Teameﬀektivit¨at, die Eﬀekte sind jedoch nicht alle signiﬁkant. Ebenfalls wird reﬂexiven Teams unterstellt, eﬃzienter zu arbeiten als nicht reﬂexive Teams (Hoegl und Parboteeah, 2006; Tjosvold et al., 2004). Da reﬂexive Teams sich der Probleme und Restriktionen mit denen sie konfrontiert sind besser bewusst sind (Sicotte und Langley, 2001), ist es wahrscheinlich, dass sie den aktuellen Stand des Projektes besser einsch¨atzen k¨onnen, das Projekt besser durchf¨ uhren k¨onnen und Zeit- sowie Kostenvorgaben genauer beachten (Hoegl und Parboteeah, 2006). Die Einhaltung dieser Vorgaben ist ein wesentliches Erfolgsmaß f¨ ur die Bewertung von Innovationsprojekten (vgl. z. B. Griﬃn, 1997a). Das Bewusstsein f¨ ur die Einhaltung von Zeitvorgaben beeinﬂusst die Arbeits- und Verhaltensweisen von Projektteams (Gersick, 1989, 1988) und daraus eventuell resultierender Zeitdruck kann sich negativ auf den Projektfortschritt auswirken (Gevers, van Erde und Rutte, 2001). In dem Maße, in dem Reﬂexivit¨at zu einem Bewusstsein f¨ ur Zeitvorgaben und proaktivem Handeln beitr¨agt, kann sie zur Reduktion von Zeitdruck und kontinuierlichem Projektfortschritt beitragen, so dass Zeit- und Kostenziele eher erreicht werden. Reﬂexivit¨at erleichtert, wie oben beschrieben, die Identiﬁkation richtiger“ Probleme und ihrer ” L¨osungsstrategien. Auf diese Weise tr¨agt sie dazu bei, dass das Projektteam sich uhr mit weniger wichtigen oder dringenden Problemen besch¨aftigt nicht u ¨ ber Geb¨ und dadurch in Verzug ger¨at (Hoegl und Parboteeah, 2006). Die kontinuierliche und ¨ kritische Uberpr¨ ufung der getroﬀenen Entscheidungen und ergriﬀenen Maßnahmen kann zudem dazu beitragen, dass sog. escalating commitment“ (Herroelen, 2005; ” uhzeitig Keil, Truex III und Mixon, 1995; Brockner, 1992) zu vermeiden, indem fr¨ und im Team u ¨ber die aktuelle Strategie und das Projektumfeld reﬂektiert wird und eventuell erforderliche Anpassungen vorgenommen werden. Schließlich erlaubt es das bessere Verst¨andnis der individuellen Wissensst¨ande und Fertigkeiten, welches in

Planung von Innovationsprojekten

87

einem reﬂexiven Team herrscht, die einzelnen Teammitglieder besser gem¨aß ihrer F¨ahigkeiten einzusetzen, so dass diese eﬃzienter agieren k¨onnen (Hoegl und Parboteeah, 2006). Trotz dieser Vielzahl an Argumenten sind die empirischen Befunde zum Zusammenhang zwischen Reﬂexivit¨at und Eﬃzienz uneinheitlich. Die Untersuchung von Hoegl und Parboteeah (2006) ermittelt einen positiven, jedoch nicht signiﬁkanten Eﬀekt in H¨ohe von 0,11. Im Hinblick auf Planung manifestiert sich Reﬂexivit¨at dahingehend, dass Planungsaktivit¨aten nicht nur sporadisch durchgef¨ uhrt werden. Vielmehr ist in diesem Fall von einem kontinuierlichen Planungsprozess mit h¨auﬁgen Besprechungen, st¨andiger Kommunikation zwischen den an der Planung Beteiligten sowie regelm¨aßigen ¨ Uberpr¨ ufungen der strategischen Richtung auszugehen. Eine solche Planungsweise ¨ wird notwendig, wenn h¨auﬁge unerwartete Anderungen des internen oder externen Unternehmensumfeld zu erwarten sind (Wysocki, 2003; Slevin und Covin, 1997; Dess, Lumpkin und Covin, 1997; Dean und Sharfman, 1996; Eisenhardt, 1989; Prescott, 1986). Der Bereich der Neuproduktentwicklung ist aufgrund der mit der Entwicklung neuer Produkte verbundenen hohen Unsicherheit ein Arbeitsumfeld, in welchem mit ¨ derartigen Anderungen zu rechnen ist. Die theoretischen Ausf¨ uhrungen unterstreichen dies. Trotz der mangelnden Signiﬁkanz der empirischen Befunde, die jedoch alle auf den theoretisch postulierten positiven Wirkungszusammenhang hindeuten, wird daher die folgende Hypothese formuliert: Hypothese 3: Je h¨oher die Konsistenz der Planung eines Innovationsprojektes, desto h¨oher ist dessen Erfolg.

3.2.4 Partizipation Participation captures the breadth of involvement“ (Segars et al., 1998, S. 309), ” also den Umfang gemeinschaftlicher Entscheidungsﬁndung bzw. das Teilen von Befugnissen (Wagner III und Gooding, 1987; Mitchell, 1973). Diese Beteiligung bezieht sich auf die Anzahl der an der Planung beteiligten Personen, die Menge der beteiligten Unternehmensbereiche sowie den Umfang lateraler Kommunikation im Unternehmen (Sabherwal und King, 1995). Partizipation im Rahmen von Planungsund Entscheidungsprozessen wird eine erfolgsf¨ordernde Wirkung unterstellt, da sie

88

Planung, Umsetzung und Erfolg von Innovationsprojekten

zu einer h¨oheren Qualit¨at der Zielformulierung, zu einer h¨oheren Verbindlichkeit der Zielvorgaben und zu einer Reduktion der Konﬂikte im Projektteam beitr¨agt (Gem¨ unden, 1995). In der empirischen Wirtschaftsforschung ist Partizipation in ihrer Wirkung auf eine Reihe von Erfolgsmaßen wie Produktivit¨at, Motivation und Zufriedenheit untersucht worden (Wagner III und Gooding, 1987). Hierbei lassen sich drei verschiedene Erkl¨arungsans¨atze unterscheiden (K. I. Miller und Monge, 1986): Kognitive Untersuchungsans¨atze betonen die Verbesserung der Kommunikationsﬂ¨ usse und der Informationsnutzung durch partizipative Planung (Mitchell, 1973): Partizipation und die damit verbundene Kommunikation erm¨oglichen es, die F¨ahigkeiten und das Wissen der Mitarbeiter besser zu mobilisieren (Hage, 1999). Diese sind h¨auﬁg mit den technischen, funktionalen und marktbezogenen Herausforderungen, mit denen sich ein Projekt konfrontiert sieht, vertraut, so dass die Beteiligung der Teammitglieder zu realistischeren und erreichbaren Zielformulierungen f¨ uhren kann (Bonner et al., 2002). Auf diese Weise kann Partizipation dazu beitragen, die boun” ded rationality“ einzelner Planer bzw. Entscheider zu reduzieren (Segars et al., 1998). Dies ist insbesondere in Situationen von Bedeutung, die durch Komplexit¨at und Unsicherheit gekennzeichnet sind, so wie dies auch in der Neuproduktentwicklung der Fall ist (B¨ uschelberger, 2004). Duncan (1974, S. 708) fasst daher zusammen: Finally, greater participation in decision making may increase the ” information-processing potential of the decision unit when faced with perceived uncertainty in its environment, by bringing new insights and sources of information into the unit as well as providing more sources of feedback and resulting checks on the unit’s behavior.“ Eine Beteiligung an Entscheidungsprozessen bereitet die betroﬀenen Mitarbeiter zudem besser auf die sp¨atere Umsetzung der Entscheidung vor (K. I. Miller und Monge, 1986). Aﬀektive Untersuchungsans¨atze untersuchen die motivationale Wirkung von Partizipation. Dabei werden folgende Wirkungen unterstellt: Beteiligung an Planungsund Entscheidungsprozessen tr¨agt zur Befriedigung h¨oherer Bed¨ urfnisse wie Selbstverwirklichung und Anerkennung bei, wodurch die Mitarbeiter zufriedener und damit motivierter und produktiver werden (Bonner et al., 2002; K. I. Miller und Monge, uber hinaus wird angenommen, dass Partizipation zu einem besseren 1986). Dar¨

Planung von Innovationsprojekten

89

Verst¨andnis von Anreizen durch die Mitarbeiter f¨ uhrt. Diese w¨aren dadurch motiviert, sich anreizkonform zu verhalten, um entsprechend belohnt zu werden, wodurch ihre Produktivit¨at steigen w¨ urde (Mitchell, 1973). Kontingenztheoretische Modelle hingegen unterstellen that it is not possible to ” develop models of participative eﬀects that will hold across a wide variety of individuals and situations. Rather, they suggest that participation will aﬀect satisfaction and productivity diﬀerently for diﬀerent people and situations“ (K. I. Miller und Monge, 1986, S. 731). Eine positive Wirkung von Partizipation h¨angt damit von pers¨onlichen Merkmalen der betroﬀenen Mitarbeiter und der Entscheidungssituation ab. Wie in den beiden vorangegangenen Ans¨atzen beschrieben, wird Partizipation jedoch auch in diesem Erkl¨arungsansatz besonders in komplexen Entscheidungssituationen und bei Personen mit einem hohen Bed¨ urfnis nach Unabh¨angigkeit und Selbstverwirklichung zu positiven Eﬀekten f¨ uhren.

Studie

Stichprobe

Wirkung

betrachtete Erfolgsmaße

Lechler (1997)

448 Projekte

0

Gesamterfolg

de Brentani (1989)

276 Projekte

+

cost performance

Thamhain und Wilemon (1987)

30 Projekte

++

team performance

Myers und Devey (1984)

55 Projekte

++

cost growth, slip in construction schedule, startup time, and performance

Balachandra und Raelin (1984)

51 Projekte

nicht quantiﬁziert

project success

Souder und Chakrabarti (1978)

114 Projekte

+

degree of technical and commercial success

Tabelle 3.3: Ausgew¨ ahlte empirische Studien zur Erfolgswirksamkeit der Partizipation. Quelle: In Anlehnung an Lechler (1997)

Die empirischen Befunde aus der Organisationsforschung und der Psychologie zur Wirkung von Partizipation sind uneinheitlich, so dass die Frage, ob Partizipation tats¨achlich zu h¨oherer Leistung f¨ uhrt, noch nicht abschließend beantwortet werden kann (Gebert, 1995; Latham und Locke, 1995). So scheint dieser Wirkungszusammenhang von einer Reihe moderierender und mediierender Variablen beeinﬂusst zu

90

Planung, Umsetzung und Erfolg von Innovationsprojekten

sein (vgl. z. B. Latham und Winters, 1994; Wagner III und Gooding, 1987), was f¨ ur die Validit¨at kontingenztheoretischer Wirkungsmodelle spricht. K. I. Miller und Monge (1986, S. 733) stellen jedoch fest, dass Employees who value participation ” will be the most positively inﬂuenced by it, and these are likely to be higher-level employees, or individuals working in research or service industries.“ Im Rahmen dieser Untersuchung kann demnach von einer tendenziell positiven Wirkung der Partizipation ausgegangen werden, da sowohl die situativen als auch personellen Umst¨ande g¨ unstig erscheinen. Zudem ergibt die Metaanalyse von K. I. Miller und Monge (1986) u ¨ ber alle 47 untersuchten Studien hinweg einen insgesamt positiven Einﬂuss der Partizipation sowohl auf die Zufriedenheit als auch die Produktivit¨at. Auch die Metaanalyse von Wagner III und Gooding (1987) best¨atigt dieses Ergebnis, zeigt jedoch, dass die St¨arke des Zusammenhangs auch wesentlich davon abh¨angt, ob die unabh¨angige und die abh¨angige Variable von einer oder von verschiedenen Personen erhoben wurden. Die in Tabelle 3.3 dargestellten Befunde zur Partizipation in Entwicklungsprojekten unterst¨ utzen diese Annahme. Auf Basis dieser Befunde ¨ sowie der angestellten Uberlegungen wird daher die folgende Hypothese formuliert: Hypothese 4: Je h¨oher die Partizipation bei der Planung eines Innovationsprojektes, desto h¨oher ist dessen Erfolg.

3.2.5 Coalignment Unternehmen sehen sich in der heutigen Zeit vielfach unterschiedlichsten und teilweise konﬂikt¨aren Bed¨ urfnissen ausgesetzt, denen ihre Planungsprozesse gerecht werden m¨ ussen. So verlangt das Wettbewerbsumfeld von Unternehmen heute nicht nur Eﬃzienz und hohe Qualit¨at, sondern auch schnelle Entwicklungszeiten (Stalk und Hout, 1990), Flexibilit¨at (Womack, Jones und Roos, 1990) und die Ber¨ ucksichtigung urfnisse und Meinungen (Schmidheiny, 1992). Vielen Planungsprosich ¨andernder Bed¨ zessmodellen gelingt es nicht, diese Komplexit¨at zu erfassen, da sie Planung h¨auﬁg in einer entweder-oder-Entscheidung“ als rational oder inkrementell darstellen (vgl. ” z. B. Fredrickson, 1984). Besonders in der Forschung zum strategischen Management wird daher angenommen, dass sich die unterschiedlichen Dimensionen des Planungsprozesses erg¨anzen sollten, so dass eine Struktur entsteht, die die unterschiedlichen Planungsbed¨ urfnisse der Organisation widerspiegelt (B. S. Chakravarthy,

Planung von Innovationsprojekten

91

1987; Lorange und Vancil, 1976). In diesem Sinne deﬁniert Venkatraman (1990, S. 20) Coalignment als the match between (or among) a set of theoretical dimensions.“ ” Dahinter steht der Gedanke, dass der ganze Planungsprozess gr¨oßer als die Summe seiner Teile ist: Ein Planungsprozess, der ein hohes Maß an Coalignment unter den verschiedenen Dimensionen aufweist, soll eﬀektiver sein als ein Planungsprozess, dem diese Eigenschaft fehlt (Menon et al., 1999; Segars et al., 1998; Hart und Banbury, 1994). Unternehmen, die Kompetenzen in unterschiedlichen Planungsverfahren aufweisen, k¨onnen daraus unter Umst¨anden eine Ressource im Sinne des ressourcenbasierten Ansatzes entwickeln, die von Mitbewerbern nur schwer zu imitieren ist (Verona, 1999; Grant, 1991; Wernerfelt, 1984). Der ressourcenbasierte Ansatz entstammt der Literatur zum strategischen Management und wird dort als komplement¨are Sichtweise zur Industrie¨okonomik verstanden (Barney, 1991). Er stellt die unternehmensinternen Ressourcen in den Focus der Analyse. W¨ahrend die Bedeutung der unternehmensinternen Ressourcenausstattung bereits bei Penrose (1959) diskutiert wurde, konnte sich der ressourcenbasierte Ansatz erst mit der Arbeit von Wernerfelt (1984) als eine Grundlage f¨ ur die Forschung im strategischen Management etablieren. Die Erweiterung des ressourcenbasierten Ansatzes um das Konzept der dynamischen F¨ahigkeiten (dynamic capabilities) von Teece, Pisano und Shuen (1997) f¨ uhrte dazu, dass nicht nur der aktuelle Ressourcenbestand eines Unternehmens, sondern auch dessen F¨ahigkeit zur Ressourcen¨anderung, also konkrete organisatorische Prozesse, ins Blickfeld der Forschung r¨ uckten. Bei diesen Prozessen handelt es sich insbesondere auch um Produktentwicklungs- und Innovationsprozesse (Eisenhardt und Martin, 2000). Daher sollten Unternehmen, die verschiedene Prozessf¨ahigkeiten zu einer komplexen Planungsf¨ahigkeit vereint haben, erfolgreicher als weniger leistungsf¨ahige Unternehmen sein (Hart und Banbury, 1994; Barney, 1991). In der Literatur zur Paradoxon-Perspektive auf organisationale Eﬃzienz wird untersucht, in wie weit Erfolge bzw. besondere Leistungen die gleichzeitige Beherrschung scheinbar widerspr¨ uchlicher und paradoxer organisationaler F¨ahigkeiten erfordern (vgl. z. B. Lewis, 2000; Clegg, Cunha und Cunha, 2002). Planungsprozesse, die diskrepante oder paradoxe Verfahrensweisen kombinieren, sollen demnach zu gr¨oßerem Erfolg f¨ uhren. Folglich sollten Unternehmen, die ein breites Spektrum an Verfahrensweisen einsetzen,

92

Planung, Umsetzung und Erfolg von Innovationsprojekten

erfolgreicher sein als solche, die ihre Planungsprozesse lediglich mit sehr ¨ahnlichen Verfahren durchf¨ uhren (Hart und Banbury, 1994). ¨ Auch inhaltlich lassen sich diese Uberlegungen nachvollziehen. So ist die Rationalit¨at eines Planungsprozesses wiederholt als wesentlicher Erfolgsfaktor von Planungsaktivit¨aten identiﬁziert worden (Hough und White, 2003; Priem et al., 1995; B. S. Chakravarthy, 1987). Diese kann durch ein hohes Planungsausmaß (Eisenhardt, 1989; Fredrickson, 1984) oder eine entsprechende formale Ausgestaltung des Planungsprozesses (Dutton und Duncan, 1987) erreicht werden. Eine gleichzeitige Betonung dieser Gestaltungsdimensionen schaﬀt eine Struktur f¨ ur die Planung, die die Bedeutung des Treﬀens richtiger Entscheidungen und der Koordination der Planungsaktivit¨aten widerspiegelt (Segars, 1994). Gleichzeitig muss ein Planungsprozess jedoch anpassungsf¨ahig bzw. lernf¨ahig“ sein (Mintzberg, 1990). Hierunter wird die ” Eigenschaft verstanden, w¨ahrend des Prozessablaufs das organisationale und externe Umfeld zu beobachten, Ver¨anderungen wahrzunehmen und den Prozess gegebenenfalls entsprechend anzupassen (Segars, 1994). Dies kann sowohl u ¨ber die Beteiligung des Projektteams und/oder verschiedener betrieblicher Funktionen an der Planung ¨ (Dyson und Foster, 1982) als auch u ufung und Hinterfra¨ber eine regelm¨aßige Uberpr¨ gung der bestehenden Planung geschehen (Judge und Miller, 1991; Eisenhardt, 1989). Diese Gestaltungsdimensionen spiegeln die Bedeutung der Informationssammlung aus ¨ unterschiedlichsten Quellen sowie die permanente Uberpr¨ ufung und Anpassung der Planung an den jeweiligen Planungskontext wider (Segars, 1994). Ein Planungsprozess, der alle diese Gestaltungsdimensionen miteinander vereint, kann als gleichzeitig rational im Sinne einer u ¨ bergeordneten Struktur und anpassungsf¨ahig durch eine breite Beteiligung und regelm¨aßige Kontrolle beschrieben werden und wird daher auch als rational adaptation“ bezeichnet (Segars et al., 1998). ” Bereits in den 1970er Jahren wiesen Autoren darauf hin, dass es w¨ unschenswert sei, verschiedene Planungs- und Entscheidungsverhalten sequentiell (G. T. Allison und Zelikow, 1999) oder gleichzeitig (Mintzberg, 1973) miteinander zu kombinieren und auch Sullivan (1985) spricht sich f¨ ur eine Planung aus, die Rationalit¨at und Anpassungsf¨ahigkeit auf vielschichtige Weise miteinander verbindet. In der Forschung zum strategischen Management ﬁndet sich zudem eine Reihe von Studien, die die Eﬀektivit¨at von Planungsprozessen dokumentieren, die formal gestaltet sind, jedoch adaptive Elemente enthalten, die es den Planern gestatten, die Planungsvorgaben

Planung von Innovationsprojekten

93

stets an sich a¨ndernde Umfeldbedingungen anzupassen (vgl. z. B. Kukalis, 1991; Mintzberg, 1990; Eisenhardt, 1989; Quinn, 1978). In ¨ahnlicher Weise zeigt Naveh (2007) in einer aktuellen Untersuchung, dass Formalit¨at sich insbesondere in Verbindung mit einem großen Ermessensspielraum des Projektteams, also einem hohen Grad an Autonomie, in der Neuproduktentwicklung positiv auf eine Reihe von Er¨ folgsmaßen auswirkt. Neben dieser direkten Erfolgswirkung legen die Uberlegungen zudem nahe, dass ein hohes Planungsausmaß in Verbindung mit schriftlich ﬁxierten ¨ Verantwortlichkeiten, Priorit¨aten und Prozessen sowie regelm¨aßiger Uberpr¨ ufung der Planung und breiter Beteiligung der involvierten Personen und betrieblichen Funktionen zu einer Verbreiterung und Verbesserung der Informationsbasis f¨ ur die im Rahmen der Planung zu treﬀenden Entscheidungen beitr¨agt. Diese erm¨oglicht es nicht nur, realistischere Projektziele und -prozesse zu formulieren, sondern auch besonders schnell auf neue Informationen reagieren zu k¨onnen und so gr¨oßere nachtr¨agliche ¨ Anderungen der Ziele und Prozesse zu vermeiden. ¨ Aufgrund dieser theoretischen Uberlegungen sowie der vorhandenen empirischen Befunde kann insgesamt von einer Erfolgswirksamkeit komplexer Planungsprozesse, die sowohl rationale als auch adaptive Elemente miteinander verkn¨ upfen, ausgegangen werden. Basierend auf diesem Ergebnis werden daher die folgenden Hypothesen formuliert: Hypothese 5: Die Bildung eines den einzelnen Planungsdimensionen u ¨ bergeordneten Faktors zweiter Ordnung, des Coalignments, ist zul¨assig. Hypothese 6: Je st¨arker ein Planungsprozess im Sinne einer rational adap” tation“ sowohl rationale als auch adaptive Elemente miteinander verbindet und damit ein hohes Maß an Coalignment aufweist, desto h¨oher ist dessen Wirkung auf den Projekterfolg. Die einzelnen Gestaltungsdimensionen Planungsausmaß, Formalisierung, Planungskonsistenz und Partizipation sind dabei alle hoch ausgepr¨agt. Hypothese 7: Je st¨arker ein Planungsprozess im Sinne einer rational adap” tation“ sowohl rationale als auch adaptive Elemente miteinander verbindet und damit ein hohes Maß an Coalignment aufweist, desto stabiler bleiben die Projekt-

94

Planung, Umsetzung und Erfolg von Innovationsprojekten ziele w¨ahrend der Umsetzung. Die einzelnen Gestaltungsdimensionen Planungsausmaß, Formalisierung, Planungskonsistenz und Partizipation sind dabei alle hoch ausgepr¨agt. Hypothese 8: Je st¨arker ein Planungsprozess im Sinne einer rational adap” tation“ sowohl rationale als auch adaptive Elemente miteinander verbindet und damit ein hohes Maß an Coalignment aufweist, desto stabiler verl¨auft der Projektprozess w¨ahrend der Umsetzung. Die einzelnen Gestaltungsdimensionen Planungsausmaß, Formalisierung, Planungskonsistenz und Partizipation sind dabei alle hoch ausgepr¨agt.

3.3 Umsetzung Vor Beginn der Umsetzung sollten die Projektziele und die Strategien zu deren ur die anschließende Umsetzung Erreichung deﬁniert werden, da diese die Basis f¨ bilden (Dvir, Raz und Shenhar, 2003). Dieser Vorgang wird auch als stage setting“ ” (McDonough, 2000) bezeichnet. Da Entwicklungsaktivit¨aten jedoch mit Unsicherheit behaftet sind und nicht vollst¨andig im voraus geplant werden k¨onnen (Keplinger, 1991; McDonough und Leifer, 1986), kann es im Laufe der Projektdurchf¨ uhrung zu wiederholten Ver¨anderungen der Ziele und Prozesse kommen, so dass ein gewisses Maß an Flexibilit¨at erforderlich ist, wie das folgende Zitat von K. G. Cooper und Sklar Reichelt (2004, S.745) veranschaulicht: Change is a necessary fact of project life. Projects are not just about ” meeting contractual requirements; they are about achieving the outcomes the end users need. In a world in which markets shift, technology advances, and requirements evolve, projects must be able to accommodate all of these types of changes. The result can be a more capable product that better meets the users’ needs.“ Hieraus ergeben sich große Herausforderungen (vgl. z. B. McDonough und Leifer, 1986), auf die f¨ ur gew¨ohnlich damit reagiert wird, dass das Projektteam in die ufen und ggf. die Ziele Lage versetzt wird, den Projektverlauf kritisch zu u ¨ berpr¨ und Prozesse an ge¨anderte Umfeldbedingungen anzupassen (Marks und Mathieu,

Umsetzung

95

2001). In diesem Zusammenhang kann zwischen zwei verschiedenen Arten von Ver¨anderungen unterschieden werden (Dvir und Lechler, 2004): Ver¨anderungen, die sich auf den Projektplan, aber nicht auf das Projektziel oder die Befriedigung der ¨ Kundenbed¨ urfnisse auswirken und Ver¨anderungen, die eine Anderung der Projektziele nach sich ziehen. Plan¨anderungen ergeben sich typischerweise aus dem Projektumfeld und verhindern, dass die urspr¨ ungliche Planung umgesetzt werden kann. Ausl¨oser k¨onnen Ressourcenengp¨asse, Verz¨ogerungen etc. sein. Plan¨anderungen k¨onnen sich auch aus einer schlechten Eingangsplanung ergeben, die sp¨ater korrigiert werden muss, ohne jedoch notwendigerweise auch die Projektziele zu ¨andern. Projektziel¨anderungen sind f¨ ur gew¨ohnlich das Ergebnis einer bewussten Entscheidung der Projektstakeholder. Sie k¨onnen sich aus ver¨anderten Anforderungen, der Erkenntnis, dass die bisherigen Projektziele nicht in dem gesteckten Zeit- und Budgetrahmen zu erreichen sind, oder Ver¨anderungen im Umfeld, die Einﬂuss auf das Projektziel haben, ergeben. Wenn einer Projektziel¨anderung zugestimmt wird, muss in aller Regel auch die Projektplanung ver¨andert werden. ¨ Die Auswirkungen solcher Anderungen werden in der Forschung kontr¨ar diskutiert: W¨ahrend van Genuchten (1991) einen negativen Zusammenhang von Ziel¨anderungen auf den Projekterfolg empirisch nachweist, zeigen Hauschildt und Pulczynski (1992) anhand von Fallstudien, dass das strikte Festhalten an Projektzielen ohne die Ber¨ ucksichtigung sich a¨ndernder Umfeldbedingungen zum Scheitern von Projekten f¨ uhren kann. Starke Ver¨anderungen der Projektziele im Laufe der Umsetzung k¨onnen negative Auswirkungen auf den Projekterfolg haben. Dies gilt insbesondere, wenn die Ziele so stark ver¨andert werden, dass sie nichts mehr oder nur noch wenig mit der urspr¨ unglichen Zielsetzung gemein haben (Van de Ven, Polley, Garud und Venkataraman, 1999): Ver¨anderungen der Projektziele, insbesondere der Produkteigenschaften, k¨onnen dazu f¨ uhren, dass bereits get¨atigte Investitionen verloren sind (engl. sunk costs) oder dass die Entwicklungskosten aufgrund notwendiger Prozess¨anderungen und einer dadurch verl¨angerten Entwicklungszeit steigen (Thomke und Fujimoto, ¨ 2000; Wheelwright und Clark, 1992b). Indirekt k¨onnen sich regelm¨aßige Anderungen eﬃzienzmindernd auswirken, da sie zu Frustration und Entt¨auschung auf Seiten des Projektteams f¨ uhren k¨onnen (Barczak und Wilemon, 2003; Billing, 2003). Regel-

96

Planung, Umsetzung und Erfolg von Innovationsprojekten

¨ m¨aßige Anderungen der Projektziele und -prozesse k¨onnen auch als Indikator f¨ ur ein Prozessmanagement gewertet werden, das prim¨ar auf ad hoc Entscheidungen basiert, bzw. bei dem wiederholt und unkontrolliert versucht wird, das Produkt weiterzuentwickeln oder es anzupassen (Gerwin und Moﬀat, 1997). So berichten G. Bacon, Beckman, Mowery und Wilson (1994) von voreiligen und schlecht durchgef¨ uhrten Anpassungen, die den Entwicklungsprozess verz¨ogerten, die Kosten erh¨ohten und schließlich Projekte scheitern ließen und stellen fest, dass teams must also know when ” not to make changes“ (G. Bacon et al., 1994, S. 34). Eine großzahlige Untersuchung von Bullinger (1990) ergab, dass sich hinter einem Drittel des Gesamtentwicklungsauf¨ wandes der Unternehmen vermeidbare Anderungen verbargen. Wenn beispielsweise w¨ahrend der Entwicklung neue Technologien verf¨ ugbar werden, werden diese oft in das Produkt integriert, ohne dass wirklich die Notwendigkeit hierf¨ ur bestanden h¨atte (Gupta und Wilemon, 1990). Um diese ungerechtfertigte, permanente Weiterentwicklung zu unterbinden, sollten Unternehmen lediglich notwendige Anpassungen durchf¨ uhren und diese vorab entsprechend kritisch u ufen (R. Cooper et al., 2004; ¨berpr¨ Bonner et al., 2002; Keplinger, 1991). Die Ergebnisse von Wiskow (1999) legen zudem nahe, dass ein Großteil der St¨orungen vermeidbar w¨are. Entwickler sch¨atzten lediglich 38% der St¨orgr¨oßen auf Entwicklungszeiten als nicht oder nur schwer beeinﬂussbar ein. Als Konsequenz hieraus ergibt sich eine Verl¨angerung der Entwicklungsdauer und die Akzeptanz von großen Abweichungen von dem urspr¨ unglich geplanten Produkt, ohne dass diese in ¨ahnlich intensiver Weise gepr¨ uft werden, wie es zu Projektanfang wahrscheinlich gewesen ist. So ist schließlich zu bef¨ urchten, dass bei einer Vielzahl an Ver¨anderungen im Ergebnis eine L¨osung entwickelt wird, die weniger wirtschaftliche Vorteile bietet als die urspr¨ unglich geplante. Andererseits kann die v¨ollige Abwesenheit von Projektziel¨anderungen ein Anzeichen f¨ ur zu starres Prozessmanagement sein (Verganti, 1999; Thomke und Reinertsen, 1998). Die vollkommene Einhaltung urspr¨ unglich geplanter Ziele und Prozesse kann ein Signal daf¨ ur sein, dass die Organisation nicht ausreichen auf externe und interne Ver¨anderungen reagiert (Covin und Slevin, 1998; Thomke und Reinertsen, 1998). Da jedoch die Neuproduktentwicklung, wie eingangs erw¨ahnt, mit erheblicher Unsicherheit behaftet ist, erscheint es recht unwahrscheinlich, dass die urspr¨ unglich geplanten Ziele ohne jegliche Ver¨anderungen erreicht werden k¨onnen (Thomke, 1997; Keplinger, 1991; McDonough und Leifer, 1986).

Umsetzung

97

Wie die Ausf¨ uhrungen verdeutlichen, k¨onnen Ziel- und Prozessstabilit¨at damit ur die Umsetzung und die Planungsqualit¨at aufgefasst werden. Im als Indikator f¨ Rahmen dieser Arbeit wird zudem unterstellt, dass sich hieraus ein eigener Eﬀekt auf den Projekterfolg ergibt (vgl. Salomo et al., 2007; Weise, 2005; Dvir und Lechler, 2004). Die empirischen Befunde, die in Tabelle 3.4 auf Seite 98 zusammengefasst sind best¨atigen dies. Sie zeigen, dass die negativen Eﬀekte von Projektziel- und Plan¨anderungen u ¨berwiegen und sich nachteilig auf den Projekterfolg auswirken. Auf Basis dieser Befunde werden daher die folgenden Hypothesen formuliert: Hypothese 9: Je gr¨oßer die Stabilit¨at der Projektziele, desto gr¨oßer ist die Stabilit¨at des Projektprozesses w¨ahrend dessen Umsetzung. Hypothese 10: Je gr¨oßer die Stabilit¨at der Projektziele, desto gr¨oßer ist der Projekterfolg. Hypothese 11: Je gr¨oßer die Stabilit¨at des Projektprozesses, desto gr¨oßer ist der Projekterfolg.

Stichprobe

132 Projekte

144 Projekte

134 Projekte

448 Projekte

448 Projekte

12 Projekte

51 Projekte

Studie

Salomo et al. (2007)

Verworn (2005)

Weise (2005)

Dvir und Lechler (2004)

Lechler (1997)

G. Bacon et al. (1994)

Balachandra (1984)

nicht quantiﬁziert

nicht quantiﬁziert

–

-/- und -/0

++

-

++

Wirkung

cost performance project success

change in project deﬁnition

Gesamterfolg

Projekterfolg (Eﬃzienz und Kundenzufriedenheit)

Gesamterfolg

Gesamterfolg

innovation success

betrachtete Erfolgsmaße

number of end uses of product

Ziel¨ anderungen

goal changes, plan changes

Prozessstabilit¨ at

Abweichung von Vorgaben

goal stability

erfolgsrelevante Gr¨ oße

Tabelle 3.4: Ausgew¨ ahlte empirische Studien zum Zusammenhang zwischen Plan- bzw. Ziel¨ anderungen und Projekterfolg. Quelle: In Anlehnung an Verworn (2005)

98 Planung, Umsetzung und Erfolg von Innovationsprojekten

Einﬂussfaktoren

99

3.4 Einﬂussfaktoren Planung wird erheblich von einer Reihe von Umwelt- und Kontextfaktoren beeinﬂusst (Tidd und Bodley, 2002; Shenhar, 2001; Nutt, 1982) und die Eigenschaften eines eﬀektiven Planungssystems variieren mit der Unternehmensgr¨oße und Branchenzugeh¨origkeit (Bryson und Bromiley, 1993; Zwikael und Globerson, 2004). Daher werden in den folgenden Abschnitten ausgew¨ahlte Einﬂussfaktoren diskutiert, die in der Literatur als relevant f¨ ur die Planung von Innovationsprojekten identiﬁziert wurden.

3.4.1 Innovationsgrad Neuproduktentwicklungsprojekte lassen sich f¨ ur gew¨ohnlich nicht in eine Reihe vorhersehbarer Schritte, die im vorhinein identiﬁziert und geplant werden k¨onnten, zerlegen (Schilling und Hill, 1998; Bailetti et al., 1994), da es zu Beginn der Projektdurchf¨ uhrung h¨auﬁg an einem genauen Verst¨andnis der speziﬁschen Projektaufgaben, der Aufgabenabfolge, der Interdependenzen zwischen den Aufgaben sowie ihrer zeitlichen Befristung mangelt (Tatikonda und Rosenthal, 2000a). Dies gilt insbesondere f¨ ur radikale Innovationen, die nicht nur als unsicherer, risikobehafteter und teurer, sondern auch als schwieriger pr¨azise vorauszuplanen und auszuf¨ uhren gelten (Ettlie und Subramaniam, 2004; A. Drejer, 2002). So beeinﬂusst der Innovationsgrad die relativen Eﬀekte verschiedener Neuproduktentwicklungsaktivit¨aten auf den Projekterfolg (Song und Montoya-Weiss, 1998). Beispielsweise wird das Management besonders unsicherer und innovativer Projekte als ﬂexibler und weniger formal (Shenhar, 2001) beschrieben: Projekte, insbesondere im Bereich der Hochtechnologie, gelten als deci” sion intense environments“ (Shenhar, 2001). Projektmanager m¨ ussen gerade dort eine Balance zwischen Planung und Umsetzung (Iansiti, 1998) und formalem und informellem Verhalten (Brown und Eisenhardt, 1997) ﬁnden. Im Extremfall k¨onnen somit die f¨ ur inkrementelle Innovationen als geeignet angesehenen Managementpraktiken den Fortschritt radikaler Innovationsprojekte erheblich behindern (Rice et al., 1998). So vermuten Tidd und Bodley (2002, S. 128) there is unlikely to be ’one ” best way’ to manage and organize product development“ und de Brentani (2001, S. 181) kommt zu dem Ergebnis, that radically diﬀerent types of new product ” ventures require a diﬀerent approach to achieving NPD success.“ Somit erscheint

100

Planung, Umsetzung und Erfolg von Innovationsprojekten

eine kontingenztheoretische Betrachtung angebracht (Tidd, 2001). Jin (2000) zeigt, dass der Entwicklungsprozess bei hoher Marktneuheit weniger linear abl¨auft und mit regelm¨aßigeren Designiterationen, Feedback und Ver¨anderungen verbunden ist. Auf den Innovationsgrad wurde bereits detailliert in Abschnitt 2.2 eingegangen. Hierbei wurde deutlich, dass ein zunehmender Innovationsgrad insbesondere auch mit einem steigenden Grad an Unsicherheit verbunden ist. Diese wirkt sich auf Entscheidungs- und Planungsprozesse aus, wie in Abschnitt 2.4.3.2 dargelegt wurde. In Hinblick auf die betrachteten Planungsprozessdimensionen ergeben verschiedene Implikationen: Hinsichtlich des Planungsausmaßes muss festgestellt werden, dass bei erheblicher Unsicherheit entsprechend wenige belastbare Informationen verf¨ ugbar sind oder diese gegebenenfalls nur unter Aufwendung erheblicher Kosten gesammelt und veriﬁziert werden k¨onnen. W¨ahrend die Deﬁnition klarer Verantwortlichkeiten, Priorit¨aten, Projektziele und Aufgabenpakete zur Strukturierung und Koordination der Projektaktivit¨aten und zu einer gezielten Reduzierung der Unsicherheit beitragen kann, wird dieser positive Eﬀekt durch die unsichere Informationsbasis jedoch abgeschw¨acht oder sogar negativ. Im Extremfall kann es dazu kommen, dass unerwartete Entwicklungen zu permanenten Neuplanung und Plananpassungen f¨ uhren, die so viele Ressourcen binden, dass eine gezielte und eﬃziente Projektumsetzung nicht mehr gew¨ahrleistet ist. Ein hohes Maß an Planungskonsistenz hingegen hilft dabei, kurzfristig auf neu verf¨ ugbare Informationen zu reagieren. Auf diese Weise kann besser auf unerwartete Chancen und Risiken reagiert werden. Eine breite Beteiligung der betroﬀenen Personen und Unternehmensbereiche kann sich positiv auf die Informationsbasis auswirken, da mehr Informationen gesammelt und bewertet werden k¨onnen. Insofern kann die Auswirkung des Innovationsgrades auf die Wirkung der Planungsprozessdimensionen nicht eindeutig beantwortet werden. Da sich sowohl negative als auch positive Eﬀekte ergeben ist es durchaus wahrscheinlich, dass diese sich gegenseitig aufheben. Vor diesem Hintergrund wird die folgende Hypothese formuliert:

Hypothese 12: Die positive Wirkung des Coalignments der Planungsprozessdimensionen auf den Projekterfolg wird nicht vom Innovationsgrad beeinﬂusst.

Einﬂussfaktoren

101

3.4.2 Branchenumfeld Manche Branchen werden durch ihre Instabilit¨at versinnbildlicht: So werden beispielsweise die Computer-, Medien- und Telekommunikationsindustrien h¨auﬁg als sehr turbulent und schnelllebig beschrieben und typischerweise wird davon ausgegangen, dass dies in diesen Brachen auch zuk¨ unftig der Fall sein wird (vgl. z. B. Henard und Szymanski, 2001; Eisenhardt und Tabrizi, 1995; Eisenhardt, 1989). Jedoch wird sich jede Branche irgendwann zumindest vor¨ ubergehend mit einem mehr oder minder turbulenten Umfeld auseinandersetzen m¨ ussen (Calantone, Garcia und Dr¨oge, 2003). Ein turbulentes Branchenumfeld ist dadurch charakterisiert, dass sich in kurzer Zeit massive Ver¨anderungen ergeben k¨onnen, die ein hohes Maß an Unsicherheit und Unvorhersagbarkeit schaﬀen (Bourgeois und Eisenhardt, 1988; Dess und Beard, 1984). Hierzu z¨ahlen beispielsweise dynamische und volatile Nachfrage- und Wachstumsraten mit abrupten Trendbr¨ uchen (Glazer und Weiss, 1993), kurzfristige Wettbewerbsvorteile, die kontinuierlich geschaﬀen und wieder verloren werden und niedrige Einund Austrittsbarrieren der Branche, durch die sich die Wettbewerbsstruktur in der Branche permanent wandelt (B. Chakravarthy, 1997). Solche Umfelder sind mit Attributen wie unbekannt (Souder und Song, 1998), feindlich (Covin und Slevin, 1989; D. Miller, 1987b), heterogen (D. Miller, 1987b), unsicher (Thompson, 1967), komplex (Duncan, 1972; Emery und Trist, 1965), dynamisch (D. Miller, 1987b; Dess und Beard, 1984; Duncan, 1972; Emery und Trist, 1965) und volatil (Bourgeois, 1985) beschrieben worden. So deﬁnieren Calantone et al. (2003, S. 91): [W]e deﬁne a turbulent environment as one in which frequent and ” unpredictable market and/or technological changes within an industry accentuate risk and uncertainty in the NPD strategic planning process.“ Vor allem Hochtechnologiebranchen werden in der Literatur im Vergleich zu low ” tech M¨arkten“ als komplexer, informationsintensiver, turbulenter und aufgrund sich schnell ¨andernder und heterogener Technologien auch als unsicherer eingestuft (vgl. z. B. Henard und Szymanski, 2001). Diese Charakteristika von Hochtechnologiem¨arkten, wie z. B. der Elektronikindustrie oder den eingangs genannten Industriezweigen, wirken sich m¨oglicherweise auf die Eﬀektivit¨at eines strukturierten Ansatzes zur Neuproduktentwicklung aus, so dass eine st¨arkere Strukturierung des Innovationsprozesses in diesen M¨arkten einen negativen Einﬂuss auf den Innovationserfolg haben k¨onnte (Henard und Szymanski, 2001).

102

Planung, Umsetzung und Erfolg von Innovationsprojekten

Trotz einiger empirischer Untersuchungen, die sich mit technologischen oder Marktver¨anderungen und deren Auswirkungen auf Neuproduktentwicklungsprojekte befasst haben (vgl. z. B. Tatikonda und Montoya-Weiss, 2001; Song und Montoya-Weiss, 2001; Eisenhardt und Tabrizi, 1995) erhielten diese Variablen in der Forschung zur Neuproduktentwicklung als moderierende Faktoren des Projekterfolgs nur begrenzte Aufmerksamkeit (Bstieler, 2005). So argumentieren einige Forscher, dass Faktoren wie das marktliche Wettbewerbsumfeld im Vergleich zu anderen Determinanten nur einen untergeordneten Einﬂuss auf den Projekterfolg haben (vgl. z. B. Montoya-Weiss ¨ diesen und andere Umwelteinﬂ¨ usse wird behauptet, dass und Calantone, 1994). Uber sie keinen starken Einﬂuss auf den Projekterfolg h¨atten, so dass sie als unbedeutend angesehen werden und Ergebnisse nicht berichtet werden (Bstieler, 2005). Griﬃn (2002) unterstreicht dies, indem sie ausf¨ uhrt, dass viele Forschungsbem¨ uhungen, die sich dem Einﬂuss des Branchenumfelds auf die Neuproduktentwicklung gewidmet haben, kaum signiﬁkante empirische Befunde liefern konnten. Im Gegensatz hierzu weisen andere Forscher darauf hin, dass zuk¨ unftige Untersuchungen sich expliziter dem Einﬂuss der Unternehmensumwelt widmen sollten und merken an, • dass der Einﬂuss des Marktumfeld auf die Unternehmenserfolg generell vernachl¨assigt wurde (Brown und Eisenhardt, 1995), • dass sich die meisten bestehenden Studien nur auf die Hauptbeziehungen (main eﬀects) unter den Variablen konzentrieren und das Projektumfeld, insbesondere das unternehmensexterne, kaum beachtet haben (MacCormack und Verganti, 2003), • dass weiterer Forschungsbedarf hinsichtlich der Interaktion zwischen Produktentwicklung und Marktunsicherheit besteht (Souder und Song, 1997), • dass es noch immer viele unbeantwortete Fragen hinsichtlich der Auswirkung einer unsicheren Umwelt auf die Neuproduktentwicklung auf Projektebene gibt (Song und Montoya-Weiss, 2001). Eine von Bstieler (2005) durchgef¨ uhrte Analyse kommt zu dem Ergebnis, dass in bestehenden Studien ein Konsens besteht, dass umweltbezogene Unsicherheit sich im Wesentlichen in der Unvorhersehbarkeit von, der Unvertrautheit mit und dem

Einﬂussfaktoren

103

mangelnden Verst¨andnis von technologischen und marktbezogenen Entwicklungen oder Ver¨anderungen im externen Umfeld manifestiert. Die dabei gewonnenen empirischen Befunde zum moderierenden Einﬂuss der umweltbezogenen Unsicherheit auf die Erfolgswirksamkeit verschiedener Projektaktivit¨aten hingegen sind uneinheitlich. Folglich besteht weiterer Forschungsbedarf bez¨ uglich der Auswirkungen von technischer und marktbezogener Unsicherheit als externe Projekteinﬂ¨ usse (Shenhar, 2001). Eine Reihe von Untersuchungen hat gezeigt, dass das Branchenumfeld bzw. die Unternehmensumwelt sowohl die Menge an hervorgebrachten Innovationen als auch deren Innovationsgrade beeinﬂussen (Tidd und Bodley, 2002). So stellt Damanpour (1996) fest: [...] environmental uncertainty inﬂuences both the magnitude and the ” nature of innovation [...] [which] suggests that future research should adopt environmentally sensitive theories of organizational innovation by explicitly controlling for the degree and the nature of environmental uncertainty.“ Einige Studien weisen inzwischen einen Zusammenhang zwischen der wahrgenommenen Unsicherheit und der Organisation und dem Management von Neuproduktentwicklungsprojekten nach (vgl. z. B. Story, Smith und Saker, 2001; Hauptman und Hirji, 1999; Souder et al., 1998). Bstieler (2005) kommt zu dem Ergebnis, dass eine Kompressionsstrategie“ (Eisenhardt und Tabrizi, 1995) bei geringer technischer ” Unsicherheit zu einer Verk¨ urzung der Projektdauer beitr¨agt, w¨ahrend sie bei hoher technischer Unsicherheit die Projektdauer verl¨angert. Im Hinblick auf die hier betrachteten Planungsprozessdimensionen kann ein besonders dynamisches und unsicheres Branchenumfeld zu Problemen f¨ uhren, wenn ur Entscheidungen relevanten Variablen nicht identiﬁziert oder Wirkungszudie f¨ sammenh¨ange nicht erschlossen werden k¨onnen (Fredrickson und Mitchell, 1984). Hierdurch k¨onnen rationale Entscheidungsprozesse im Vergleich zu einem stabilen Umfeld erheblich beeintr¨achtigt werden. Ein wesentliches Merkmal derart gestalutzlichkeit hiervon teter Entscheidungsprozesse ist das Planungsausmaß, dessen N¨ betroﬀen sein k¨onnte. So argumentiert Fredrickson (1984), dass ein entsprechender Planungsansatz nur in einem stabilen Unternehmensumfeld praktikabel sei. Aktuelle Studien belegen jedoch, dass sich Entscheider gerade in turbulenten und unsicheren

104

Planung, Umsetzung und Erfolg von Innovationsprojekten

Umfeldern um ein hohes Planungsausmaß bem¨ uhen und dass die Planungs- und Entscheidungsprozesse hierdurch nicht signiﬁkant verl¨angert werden (Eisenhardt, 1989). Auch die Untersuchungen von Judge und Miller (1991) sowie von Kukalis (1991) best¨atigen einen positiven Einﬂuss des Planungsausmaßes bei umweltbedingter Unsicherheit. In einem solchen Umfeld sollten Planungsprozesse zudem ein h¨oheres Maß an Formalit¨at und Planungskonsistenz aufweisen (Judge und Miller, 1991; Kukalis, 1991; B. S. Chakravarthy, 1987; Fredrickson, 1984). Hierdurch werden die Bed¨ urfnisse ¨ nach einer grundlegenden Struktur sowie einer regelm¨aßigen Uberpr¨ ufung und ggf. Modiﬁkation der Planung befriedigt. Zudem hat sich in einem solchen Umfeld eine breite Partizipation an der Planung als positiv herausgestellt (Kukalis, 1991; B. S. Chakravarthy, 1987). Auf Basis dieser Befunde ist anzunehmen, dass ein Planungsprozess im Sinne einer rational adaptation“ unter diesen Umst¨anden besonders ” erfolgversprechend sein sollte. Daher wird die folgende Hypothese formuliert: Hypothese 13: Die positive Wirkung des Coalignments der Planungsprozessdimensionen auf den Projekterfolg f¨allt in einem dynamischen Branchenumfeld h¨oher aus als in einem stabilen.

3.4.3 Projektkomplexit¨ at Ausgehend von einer Analyse der Projektmanagementliteratur deﬁniert Baccarini (1996) Projektkomplexit¨at u ¨ber die Anzahl der verschiedenen Elemente eines Projekts und den Interdependenzen zwischen diesen. Auf Basis dieser Deﬁnition unterscheidet er zwei Formen von Projektkomplexit¨at: organisatorische Komplexit¨at und technologische Komplexit¨at. Die erstgenannte bezieht sich auf die Anzahl und die Beziehungen zwischen Hierarchieebenen, formalen organisatorischen Einheiten und Spezialisierungen. Technologische Komplexit¨at bezieht sich auf die Anzahl und die Beziehungen zwischen Inputs, Outputs, Aufgaben und Technologien. Turner und Cochrane (1993) schlagen zudem Unsicherheit als eine weitere Dimension der Projektkomplexit¨at vor. Sie beschreiben sie als das Ausmaß, in dem die Projektziele und Maßnahmen nur ¨ unzureichend deﬁniert sind, und wahrscheinlich zuk¨ unftigen Anderungen unterliegen.

Einﬂussfaktoren

105

Indem Williams (1999) die Dimensionen von Baccarini (1996) und Turner und Cochrane (1993) integriert, schl¨agt er zwei voneinander verschiedene Aspekte der Projektkomplexit¨at vor: strukturelle Komplexit¨at und unsicherheitsbasierte Komplexit¨at. Er argumentiert, dass zur vollst¨andigen Erfassung von Projektkomplexit¨at nicht nur die strukturelle Komplexit¨at, die der dem Projekt zugrunde liegenden Struktur entstammt, sondern auch unsicherheitsbasierte Komplexit¨at, die aus Ver¨anderungen im Projektumfeld herr¨ uhrt, ber¨ ucksichtigt werden m¨ ussen. Die Unterscheidung zwischen struktureller und unsicherheitsbasierter Komplexit¨at ist insofern von Bedeutung, als dass diese beiden Facetten unterschiedliche Anforderungen an die F¨ahigkeiten der Orur gew¨ohnlich k¨onnen Organisationen recht gut mit struktureller ganisation stellen. F¨ ur unsicherheitsbasierKomplexit¨at umgehen, w¨ahrend sie h¨auﬁg nicht entsprechend f¨ te Komplexit¨at ger¨ ustet sind, die sich konventionellen Managementmethoden entzieht (Senge, 1997). Shenhar und Dvir (1996) argumentieren, dass die strukturelle Komplexit¨atsdimension auf dem Umfang oder dem hierarchischen Rahmen eines Systems und seiner Subsysteme basiert, w¨ahrend unsicherheitsbasierte Komplexit¨at auf dem Grad an technologischer Unsicherheit w¨ahrend der Initiierungsphase des Projekts beruht. Aufgrund dieser Merkmale kann insbesondere die Neuproduktentwicklung als eine komplexe Aufgabe aufgefasst werden (D. J. Campbell, 1988). In der allgemeinen Projektmanagementliteratur sind eine Reihe von komplexit¨atserh¨ohenden Faktoren und entsprechende Maße vorgeschlagen worden, wie etwa die Bedeutung des Projekts, der Umfang und Neuheitsgrad der ben¨otigten Technologie, der Projektumfang, das Projektteam, Beziehungen zu externen Parteien und der monet¨are Projektwert (Wozniak, 1993). Im Rahmen der Forschung zur Neuproduktentwicklung wurde die Projektkomplexit¨at in verschiedenen Forschungsvorhaben untersucht (vgl. z. B. Novak und Eppinger, 2001; Tatikonda und Rosenthal, 2000b; Griﬃn, 1997a) und als wichtiger Einﬂussfaktor in Neuproduktentwicklungsprojekten identiﬁziert (Kim und Wilemon, 2003). In der Forschung zum Projektmanagement hingegen, hat Projektkomplexit¨at abgesehen uhrungen wenig detaillierte Aufmerksamkeit erfahren (Baccarini, von den obigen Ausf¨ 1996). Wie bereits deutlich geworden ist, l¨asst sich Projektkomplexit¨at nicht allein mit der Gr¨oße eines Projekts gleichsetzen (Tatikonda und Rosenthal, 2000b), sondern bezieht sich auch auf die Vielzahl an Verbindungen, die sich zwischen den an einem Projekt beteiligten Personen, Aufgaben und Technologien ergeben (Baccarini, 1996). So deﬁnieren Tatikonda und Rosenthal (2000b, S. 78):

106

Planung, Umsetzung und Erfolg von Innovationsprojekten We deﬁne project complexity as the nature, quantity, and magnitude ” of organizational subtasks and subtask interactions posed by the project. The operationalization of this deﬁnition extends existing measures of complexity by considering multiple project elements other than size to address the nature of the work eﬀort.“

Kim und Wilemon (2003) betonen in Anlehnung an Downs und Mohr (1976), dass es sich bei Komplexit¨at um ein subjektiv wahrgenommenes Konstrukt handelt, das von der betroﬀenen Person in Abh¨angigkeit von den jeweiligen Umst¨anden und anderen beteiligten Personen empfunden wird. In ihrer Deﬁnition stellen sie zudem die Bedeutung von Unsicherheit f¨ ur die wahrgenommene Komplexit¨at heraus (Kim und Wilemon, 2003, S. 16): [C]omplexity consists of the diﬃculties and uncertainties, posed by the ” number of technologies/components/functions in development eﬀorts and the nature of the organizational tasks that individuals and organizations face in carrying out NPD programs.“ Tatikonda und Rosenthal (2000b) unterscheiden in ihrer Untersuchung drei wesentliche Merkmale von Projektkomplexit¨at: den Grad der Interdependenz zwischen und unter den zu entwickelnden Prozess- und Produkttechnologien, den Neuheitsgrad der Projektziele f¨ ur das entwickelnde Unternehmen und den Schwierigkeitsgrad der Projektziele. Diese Merkmale stimmen mit komplexit¨atsverwandten Konstrukten u ¨berein, die als Einﬂussfaktoren auf die aufgabenbezogene Unsicherheit im Rahmen des situativen Ansatzes der Informationsverarbeitung identiﬁziert wurden (vgl. z. B. Tushman und Nadler, 1978; Galbraith, 1977; Perrow, 1967): die gegenseitige Abh¨angigkeit verschiedener Teilaufgaben (d. h. die Interdependenzen zwischen den verschiedenen Technologien)10 , den Neuheitsgrad der Aufgabenziele (d. h. den Neuheitsgrad der Ziele)11 und den erforderlichen Grad an Leistung (d. h. die Projektschwierigkeit)12 . 10 11

12

task interdependence is [...] [an] important source of work-related uncertainty.“ (Tushman und ” Nadler, 1978, S. 616) Perrow (1967) erl¨ autert, dass organisatorische Aufgaben sich darin unterscheiden, wie viel Erfahrung die Organisation mit den dabei zu erreichenden Zielen hat und ob sie weiß, wie diese erreicht werden k¨onnen. Hierdurch reduziert sich die aufgabenbezogene Unsicherheit. Der level of goal performance needed“ (Galbraith, 1977) ist eine Determinante f¨ ur die zur ” L¨osung einer Aufgabe zu beschaﬀenden Informationen und beeinﬂusst damit auch den Grad an aufgabenbezogener Unsicherheit.

Einﬂussfaktoren

107

Autor

Verst¨ andnis

Jaafari (2004, S. 289)

Project complexity can be understood in terms of relevant interlocking ” subsystems of hardware, software, of project-speciﬁc and temporary human and social systems, of related technical and technological systems, of ﬁnancial and managerial systems, of specialized expertise and information sets, and so on that are typically created and managed to realize the project objectives.“

Shenhar und Dvir (2004, S. 1268)

Project complexity depends on product scope, number and variety of ” elements, and the interconnection among them. But it also depends on the complexity of the organization and the connections among its parties.“

Kim und Wilemon (2003, S. 16)

[C]omplexity consists of the diﬃculties and uncertainties, posed by the ” number of technologies/components/functions in development eﬀorts and the nature of the organizational tasks that individuals and organizations face in carrying out NPD programs.“

Tatikonda und Rosenthal (2000b, S. 78)

We deﬁne project complexity as the nature, quantity, and magnitude of ” organizational subtasks and subtask interactions posed by the project.“

Clift und Vandenbosch (1999, S. 188)

[...] reengineering projects or projects that make only minor modiﬁcation ” to existing products are far less complex than projects that call for major modiﬁcations to existing products or projects that lead to new-to-theworld products. Reengineering projects and minor modiﬁcations (what we term as simple development projects) face fewer design challenges, fewer diﬃculties in production of the ﬁnal design, and less market uncertainty than do major modiﬁcations and new-to-the-world projects (complex development projects).“

Williams (1999, S. 271)

[...] the overall diﬃcultness and messiness of the overall project [...] has ” been called overall project ‘complexity’ as a shorthand in this paper.“

Baccarini (1996, S. 202)

It is proposed that project complexity be deﬁned as ’consisting of many ” varied interrelated parts’ and can be operationalized in terms of diﬀerentiation and interdependency. This deﬁnition can be applied to any project dimension relevant to the project management process, such as organization, technology, environment, information, decision making and systems. So when referring to project complexity it is important to state clearly the type of complexity being dealt with.“

Tabelle 3.5: Verst¨andnis des Komplexit¨atsbegriﬀ im Projektkontext

¨ Tabelle 3.5 liefert einen Uberblick u ¨ber die von verschiedenen Verfassern gew¨ahlten Deﬁnitionen von Komplexit¨at im Kontext von Projekten. Die Komplexit¨at eines Projekts geh¨ort zu den Projekteigenschaften, die insofern von hoher Bedeutung sind, als dass basierend auf ihnen ein angemessener Managementan-

108

Planung, Umsetzung und Erfolg von Innovationsprojekten

satz f¨ ur den erfolgreichen Abschluss des Projektes deﬁniert werden muss (Baccarini, 1996). So verlangt sie ein besonderes Maß an F¨ uhrung und der Einsatz konventioneller Projektmanagementsysteme, die f¨ ur gew¨ohnliche Projekte entwickelt wurden, hat ur komplexe Projekte herausgestellt (Morris und Hough, sich als nicht geeignet f¨ 1993). Beispielsweise zeigen die Untersuchungen von Roberts, Cheney, Sweeney und Hightower (2005) und Roberts, Cheney und Sweeney (2002) mit studentischen Projektgruppen, dass sich das Kommunikationsverhalten des Projektteams mit der Projektkomplexit¨at ver¨andert, wodurch in komplexen Projekten ein Bedarf an aktiver Kommunikationsf¨orderung durch den Projektmanager entsteht. Wonglimpiyarat (2005) zeigt mittels verschiedener Fallstudien, wie sich die Komplexit¨at auf die Entwicklungsdauer auswirkt. Baccarini (1996) erg¨anzt diese Befunde, indem er in einer Analyse der Literatur herausarbeitet, dass Komplexit¨at weitreichende Bedeutung f¨ ur Projekte hat, indem sie • bedeutenden Einﬂuss auf die Planungs-, Koordinations- und Kontrollanforderungen hat, die an das Projektmanagement gestellt werden, • die eindeutige Identiﬁkation der Projektziele erschwert, • ein bedeutendes Kriterium bei der Auswahl einer geeigneten Organisationsform f¨ ur das Projekt darstellt, ur das Projekt ben¨otigten Ressourcen, z. B. im • Einﬂuss auf die Auswahl der f¨ Hinblick auf die notwendigen Qualiﬁkationen der Projektteammitglieder, hat, ur die Projektdauer, -kosten und die angestrebte Pro• sich auf die Vorgaben f¨ duktqualit¨at auswirkt, wobei komplexe Projekte f¨ ur gew¨ohnlich mehr Zeit und umfangreichere Finanzmittel ben¨otigen. Die qualitative Untersuchung von Clift und Vandenbosch (1999, S. 195 f.) kommt zu den folgenden Ergebnissen hinsichtlich des Managements von komplexen Projekten und dem Ziel einer m¨oglichst kurzen Projektlaufzeit: The leaders of the short-cycle complex projects in our sample re” ported: the elimination of as many decisions or gates as possible; the maximization of the overlap of process stage activities by starting subsequent development activities early; the utilization of a more participative

Einﬂussfaktoren

109

management style; the involvement of prospective customers as early as possible in the new product development process; and the use of external suppliers wherever possible. These activities tend to reduce the formal structure of the development process to allow many stakeholders (team members, senior management, customers, suppliers, etc.) to contribute directly to the project. Since projects of this type are inherently more uncertain, both from a product development and market acceptance standpoint, than short-cycle simple projects, the contributions of multiple stakeholders facilitate the necessary risk-sharing activities that must take place as these projects move toward completion. In addition, multiple contributors aﬀord the greatest ﬂexibility in terms of completing tasks simultaneously. These parallel processing activities are required if the project is to be completed in a reasonable length of time.[...] While the short-cycle simple projects in our sample conform - more or less - to the compression model of NPD, the short-cycle complex projects in our sample do not conform to either the compression or experiential models as described by Eisenhardt and Tabrizi (1995).[...] The leaders of the short-cycle complex project teams in our sample reported higher levels of improvisation, as per the experiential model; however, the project leaders did not report increases in the number of design iterations or greater authority of the project leader. In fact, most of the short-cycle complex projects in our sample were characterized by a participative leadership style, with stage-gate decisions being made by consensus. These results are intriguing and certainly provide impetus for future research in this area.“

Wie bereits bei einigen der vorgenannten Variablen ergibt sich auch hinsichtlich des Einﬂusses der Projektkomplexit¨at auf den Projekterfolg ein uneinheitliches empirisches Bild. Hierbei ist zwischen Studien zu unterscheiden, die einen direkten Eﬀekt von Projektkomplexit¨at auf verschiedene Erfolgsmaße untersuchen und solchen, die sich einem moderierenden Einﬂuss der Komplexit¨at auf z. B. die Erfolgswirksamkeit verschiedener Managementtechniken widmen.

110

Planung, Umsetzung und Erfolg von Innovationsprojekten

Die Untersuchung von Kim und Wilemon (2003) nennt eine Reihe m¨oglicher Auswirkungen von Komplexit¨at auf Neuproduktentwicklungsprojekte: die Verz¨oge¨ rung des Projektes, negative Beeinﬂussung von Projektzielgr¨oßen, Anderung des Organisationsverhaltens, die Schaﬀung von Wettbewerbsvorteilen, erhebliche Lerneffekte und eine kooperative Kultur. Allerdings entwickeln die Autoren lediglich ein Diagnoseinstrument zur Erhebung von Komplexit¨at und u ufen ihre Hy¨ berpr¨ pothesen nicht empirisch. Nach Smith und Reinertsen (1992) beeinﬂusst der Grad an Komplexit¨at den Arbeitsaufwand, der in einem Projekt erbracht werden muss, und damit auch die Entwicklungsdauer. M. H. Meyer und Utterback (1995) zeigen, dass sowohl die Anzahl als auch die Verschiedenheit der in einem Projekt genutzten Kerntechnologien einen signiﬁkanten Einﬂuss auf die Entwicklungsdauer haben. Die Autoren behandeln diese Gr¨oßen als Indikatoren f¨ ur ihr Konstrukt integra” tion complexity“. Griﬃn (1997a) schließlich zeigt, dass die Entwicklungsdauer mit steigender Projektkomplexit¨at zunimmt und diese einen st¨arkeren Einﬂuss auf die Projektdauer hat als der Innovationsgrad. Auf Basis der oben ausgef¨ uhrten theoreti¨ schen Uberlegungen formulieren Tatikonda und Rosenthal (2000b) die Hypothese, dass die Projektkomplexit¨at sich negativ auf den Projekterfolg auswirkt, welchen die beiden Autoren anhand der Erreichung technischer Leistungsziele, Kostenziele und der Entwicklungsdauer messen. Eine empirisch signiﬁkante Beziehung in der vermuteten Richtung k¨onnen die Autoren allerdings lediglich in der Beziehung zwischen Projektkomplexit¨at und den Zielkosten f¨ ur das neue Produkt nachweisen. Die Untersuchung von McComb, Green und Compton (2007) besch¨aftigt sich mit der moderierenden Wirkung von Komplexit¨at in der Beziehung zwischen Flexibilit¨at des Projektteams und der Teameﬃzienz bzw. dem Teamzusammenhalt. Die Autoren zeigen, dass ihre beiden Komplexit¨atsdimensionen Mehrdeutigkeit“ und Vielf¨altigkeit ” ” m¨oglicher L¨osungswege“ dabei unterschiedlich wirken. W¨ahrend sich Flexibilit¨at bei Mehrdeutigkeit positiv auf den Teamzusammenhalt auswirkt, weil durch die Mehrdeutigkeit ein oﬀener Meinungsaustausch m¨oglich und f¨orderlich ist, wirkt sich Flexibilit¨at bei der Auswahl einer m¨oglichen L¨osungsstrategie negativ aus, da es aufgrund bereits gefestigter Meinungen zu Konﬂikten und damit zu einem sinkenden Teamzusammenhalt kommt. Hinsichtlich der Teameﬃzienz gelingt es den Autoren nicht, einen positiven Moderationseﬀekt der Komplexit¨at zu zeigen.

Projekterfolg

111

In der Summe unterstreichen diese Befunde, dass die Planung hochkomplexer Projekte mit besonderer Sorgfalt und Umsicht erfolgen muss. Vor diesem erscheint ein hohes Planungsausmaß von besonderer Bedeutung zu sein. Gleichzeitig kann eine schriftliche Fixierung von Verantwortlichkeiten, Priorit¨aten, Prozessen f¨ ur die notwendige Orientierung und Struktur sorgen. Gleichsam ist die Bedeutung einer ¨ regelm¨aßigen Uberpr¨ ufung des Projektfortschritts und ausreichender Kommunikation unter den beteiligten Personen hervorgehoben worden. Vor diesem Hintergrund ist anzunehmen, dass ein Planungsprozess im Sinne der rational adaptation“ in einer ” solchen Situation von Vorteil ist. Somit wird die folgende Hypothese formuliert: Hypothese 14: Die positive Wirkung des Coalignments der Planungsprozessdimensionen auf den Projekterfolg f¨allt in einem Projekt mit hoher Komplexit¨at h¨oher aus als in einem Projekt, das lediglich geringe Komplexit¨at aufweist.

3.5 Projekterfolg Erfolgsbewertung ist in weiten Bereichen der Betriebswirtschaft seit jeher ein technisch schwieriges und zuweilen auch emotional beladenes Thema gewesen, da sie fast unvermeidlich Allokationsentscheidungen u ¨ ber knappe Ressourcen beeinﬂusst und h¨auﬁg implizit oder explizit mit dem Entlohnungssystem gekoppelt ist. Dies triﬀt insbesondere auch auf betriebliche Forschungs- und Entwicklungsbem¨ uhungen zu, die aufgrund ihrer Komplexit¨at, dem dynamischen Umfeld, in dem sie stattﬁnden, und der langen Zeitspanne zwischen Prozessbeginn und Ergebnis h¨auﬁg schwierig zu bewerten sind (Kerssens-van Drongelen, Nixon und Pearson, 2000). Im Rahmen des betrieblichen Innovationsmanagements kommt dem Innovationserfolg als Bewertungsmaßstab eine zentrale Bedeutung zu. Gleichzeitig ist dessen Operationalisierung in der Literatur zur Neuproduktentwicklung und zum Innovationsmanagement intensiv und teilweise auch kontr¨ar diskutiert worden (vgl. z. B. Shenhar et al., 2002; Montoyauhrung Weiss und Calantone, 1994). Da die Organisationsform des Projekts zur Durchf¨ von Neuproduktentwicklungsvorhaben in den Unternehmen weit verbreitet ist, wird im Rahmen dieser Arbeit der Innovationserfolg auf Projektebene betrachtet und als Messgr¨oße herangezogen. Aufgrund der wachsenden strategischen Bedeutung von

112

Planung, Umsetzung und Erfolg von Innovationsprojekten

Projekten, gerade auch im Bereich der Forschung und Entwicklung, ist der Projekterfolg zunehmend auch mit der Leistungsf¨ahigkeit des gesamten Unternehmens und damit auch mit dessen Erfolg verkn¨ upft. Trotzdem ist das konzeptionelle Verst¨andnis des Projekterfolgs noch nicht ausgereift und es besteht kein einheitliches Verst¨andnis des Begriﬀs (Shenhar, Dvir, Levy und Maltz, 2001; Baccarini, 1999). So stellen Liu und Walker (1998, S. 213) fest: Project success is a topic which is frequently discussed and yet rarely ” agreed upon. The concept of project success has remained ambiguously deﬁned. It is a concept which can mean so much to so many diﬀerent people because of varying perceptions, and leads to disagreements about whether a project is successful or not.“ Diese wissenschaftliche Diskussion macht deutlich, dass es sich beim Projekterfolg und insbesondere auch beim Innovationserfolg um ein vielschichtiges Konstrukt handelt, das aus einer Reihe verschiedener Perspektiven und hinsichtlich unterschiedlicher Dimensionen betrachtet werden kann (vgl. z. B. Weise, 2005). Daher ist es erforderlich, ein Messkonzept f¨ ur den Innovationserfolg zu speziﬁzieren, aus dem der Messbereich, die Messdimensionen, der Messzeitpunkt, die Referenzgr¨oßen der Messung und das Messsubjekt hervorgehen (Hauschildt, 1991): Der Messbereich beschreibt dabei das Objekt, auf das der Innovationserfolg bezogen wird. Hierbei ist grunds¨atzlich zwischen einer Mikro- und einer Makroebene zu unterscheiden (F. Johne und Snelson, 1988). Die erstgenannte widmet sich der Ebene des individuellen Innovationsprojektes, w¨ahrend auf der Makroebene mehrere Projekte, bis hinauf auf die Unternehmensebene, zusammengefasst werden.13 Die Messdimension besch¨aftigt sich mit den Eigenschaften, anhand derer der Innovationserfolg gemessen werden soll. Ein im Rahmen des Projektmanagements weit verbreiteter Ansatz ist es, ein Projekt als erfolgreich zu bewerten, wenn Zeitund Budgetziele eingehalten werden (vgl. z. B. Shenhar et al., 2001; M. Freeman und Beale, 1992). Dar¨ uber hinaus wird h¨auﬁg die Einhaltung von Qualit¨atsstandards 13

Im Gegensatz zu der betriebswirtschaftlichen Betrachtung des Innovationserfolgs auf Unternehmensebene widmen sich industrie¨ okonomische und volkswirtschaftliche Messungen des Innovationserfolgs prim¨ar ganzen Branchen, Nationen oder Wirtschaftsbl¨ ocken (vgl. z. B. Hauschildt, 1991; Glismann und Horn, 1988).

Projekterfolg

113

als weiteres Bewertungskriterium f¨ ur den Projekterfolg genannt, so dass von einem goldenen Dreieck“ oder eisernen Dreieck“ der Projekterfolgsmessung gesprochen ” ” wird (Gardiner und Stewart, 2000; Atkinson, 1999; Pleschak und Sabisch, 1996). Vielfach erscheint eine ausschließliche Konzentration auf diese drei Kriterien jedoch nicht ausreichend oder angemessen, wie die folgenden Beispiele von Shenhar et al. (2001, S. 700) verdeutlichen: [The construction of the Sydney Opera House] took three times longer ” than anticipated and cost almost ﬁve times higher than planned. But it quickly became Australia’s most famous landmark, and no tourist wants to leave Australia without seeing it. Similarly, Microsoft’s launch of its ﬁrst Windows software suﬀered substantial delays and required a continuous ﬂow of resources and additional staﬀ. However, from the moment of its introduction, it became an enormous source of revenue for the company, and approximately 90% of all PCs in the world now use the Windows operating system. And prior to the development of its hit product, the Macintosh, Apple Computers had experienced the business disappointment of the Lisa computer. But Apple managers later acknowledged that, without the technologies developed and lessons learnt during the Lisa project, the Macintosh success would not have happened.“ Diese Beispiele verdeutlichen, dass eine solche Erfolgsmessung von Innovationsur die strategische Entwicklung projekten, die h¨auﬁg von zentraler Bedeutung f¨ von Unternehmen sein k¨onnen, zu kurz greift. Daher fordert Atkinson (1999) eine Ausweitung von Beurteilungskriterien, die nicht wie das goldene Dreieck“ prim¨ar ” auf Eﬃzienz abstellen, wie zum Beispiel den Erfolg des Projektergebnisses oder Vorteile f¨ ur das Unternehmen. Auch Shenhar et al. (2001) sprechen sich f¨ ur eiur den Projekterfolg aus und schlagen ne Ausweitung der Beurteilungskriterien f¨ vier Beurteilungsdimensionen vor: Projekteﬃzienz (Einhaltung von Kosten- und Budgetzielen), wirtschaftlicher Erfolg (Gewinn-, Umsatz- und Marktanteilsziele), ur den Kunden (Befriedigung der Kundenbed¨ urfnisse und technische Bedeutung f¨ Leistungsf¨ahigkeit des Produkts) und Vorbereitung auf die Zukunft (Schaﬀung neuer M¨arkte, Technologien, F¨ahigkeiten, Kompetenzen und Wettbewerbsvorteile). Auch im Rahmen der Bewertung des Erfolgs von Innovationsprojekten hat sich eine solche mehrdimensionale Messung des Projekterfolgs durchgesetzt. Auf Basis

114

Planung, Umsetzung und Erfolg von Innovationsprojekten

einer vergleichenden Literaturanalyse von 35 Studien zu Erfolgsfaktoren der Neuproduktentwicklung unterteilt Hauschildt (1991) den Innovationserfolg heuristisch in eine technische, eine ¨okonomische und eine sonstige Dimension. W¨ahrend er dabei Aspekte, wie z. B. den Reputationsgewinn f¨ ur den Forscher, die in den vorgenannten Kategorisierungen vernachl¨assigt wurden, thematisiert, erfasst er das Spektrum an Erfolgsmaßen dennoch nicht vollst¨andig. Wichtige Kriterien wie die Projekteﬃzienz und die Kundenzufriedenheit werden u ucksichtigt und auch die ¨ berhaupt nicht ber¨ Messung des Markterfolgs ausschließlich u ¨ ber den Umsatz ist problematisch (vgl. z. B. Weise, 2005). Zudem weisen Griﬃn und Page (1993) darauf hin, dass Hauschildt keine statistische Validierung seiner erarbeiteten Heuristik vornimmt. Griﬃn und Page (1993) ermitteln durch eine Literaturanalyse und Diskussionen mit anderen Wissenschaftlern ebenfalls drei Dimensionen des Projekterfolgs ( consumer based“, ” ﬁnancial“ und technical or process-based“). Diese wurden zus¨atzlich mittels einer ” ” Faktorenanalyse u uft, wof¨ ur die Autoren Daten von 50 Managern im Rahmen ¨berpr¨ der PDMA Konferenz 1991 erhoben und auswerteten. Diesen drei Erfolgsdimensionen ordnen Griﬃn und Page 16 core measures“ zu, bei welchen es sich um Maße handelt, ” die sowohl von Forschern als auch von Managern genutzt wurden und zuk¨ unftig in der Unternehmenspraxis weiter genutzt werden sollen. Dieses Messkonzept ist in Abbildung 3.2 dargestellt.

Project-level core measures

Product

Launch on time Met quality specs Development cost Perform to specs Speed to market

Customer

Met revenue goals Met share goals Met unit volume goals Customer acceptance Customer satisfaction Revenue growth

Financial

Profit goals Margin goals Break-even time ROI / IRR

Abbildung 3.2: Messdimensionen des Innovationserfolgs auf Projektebene. Quelle: Griﬃn und Page (1993)

Projekterfolg

115

Das von Griﬃn und Page (1993) entwickelte Messkonzept ist seitdem in einer uft worden Reihe empirischer Untersuchungen in verschiedenen Kontexten u ¨ berpr¨ (vgl. z. B. Story et al., 2001; Griﬃn und Page, 1996; Hultink und Robben, 1995). Der Messzeitpunkt gibt Aufschluss dar¨ uber, wann die Erfolgsbeurteilung f¨ ur ein Innovationsprojekt vorgenommen wird. Im Rahmen der Forschung zur Neuproduktentwicklung ist es verbreitete Praxis, f¨ ur die Beurteilung einen Messzeitpunkt nach der Einf¨ uhrung des Produkts in den Markt zu w¨ahlen, was insbesondere f¨ ur die Bewertung des ¨okonomischen Eﬀekts der Innovation erforderlich ist (Hauschildt, 1991). Er sieht hierin jedoch ein erhebliches methodisches Problem begr¨ undet, da es sich bei dem Terminus nach der Markteinf¨ uhrung“ um einen unbestimmten Zeitabschnitt ” handelt. Wenn sich in der Forschung hierzu u ¨ berhaupt Angaben ﬁnden, so werden pauschale Fristen genannt (z.B. ein Projekt, das im letzten halben Jahr abgeschlossen wurde). Die Betrachtung eines Produktlebenszyklusmodells verdeutlicht jedoch, dass eine Messung des Projekterfolgs zu einem quasi beliebigen Zeitpunkt mit erheblichen Schwierigkeiten verbunden sein kann, so dass hierin ein ernstes methodisches Deﬁzit der Innovationsforschung zu sehen ist (Hauschildt, 1991). Es ist klar zu ersehen, dass die relative Bedeutung der verschiedenen Projektdimensionen von dem Beurteilungszeitpunkt abh¨angt: So wird als kurzfristiges Erfolgsmaß und als Maßstab w¨ahrend der Projektdurchf¨ uhrung vielfach die Projekteﬃzienz in den Fordergrund gestellt, da sie zudem die einzige Gr¨oße ist, die zu diesem Zeitpunkt erhoben werden kann. Mit zunehmendem zeitlichen Abstand gewinnen die anderen Dimensionen an Bedeutung und ersetzen die Projekteﬃzienz als wichtigsten Erfolgsmaßstab (Shenhar et al., 2001). W¨ahrend Shenhar et al. (2001) dieses empirisch jedoch nicht belegen, weisen Hultink und Robben (1995) in ihrer Untersuchung statistisch nach, dass kurzfristig vor allem die time-to-market“ und die Entwicklungskosten von Bedeutung sind, ” w¨ahrend langfristig Proﬁtabilit¨atsmaße und Umsatzziele entscheidende Maßgr¨oßen f¨ ur den Projekterfolg sind. Der Referenzpunkt der Messung schließlich beschreibt, womit der Innovationserfolg verglichen wird, da neben einer reinen Messung auch eine Bewertung vorzunehmen ist (Hauschildt, 1991). Um der Verschiedenartigkeit unterschiedlicher Projekte in ihrer Erfolgsbewertung gerecht zu werden, sollten als Beurteilungsmaßstab die zentralen Ziele herangezogen werden, die urspr¨ unglich f¨ ur das Projekt deﬁniert wurden (Lechler, 1997; Griﬃn und Page, 1996; de Wit, 1998). Nur auf diese Weise kann es gelingen, unterschiedlichen Projekten und Beurteilungsperspektiven in der Projektbewertung

116

Planung, Umsetzung und Erfolg von Innovationsprojekten

gerecht zu werden. Dies ist von Bedeutung, da je nach Art des Projektes unterschiedliche Bewertungskriterien von h¨oherer bzw. nachgelagerter Bedeutung sind, bzw. die Stakeholder eines Projektes dieses aufgrund divergierender Ziele unterschiedlich beurteilen (Bryde und Robinson, 2005; Shenhar et al., 2001; Lim und Mohamed, 1999). Hier besteht allerdings das Risiko, dass eine solche Erfolgsmessung, bei der auf die urspr¨ unglichen Projektziele referenziert wird, zu Problemen f¨ uhren kann, wenn diese Ziele vorab sehr niedrig gew¨ahlt worden sind. Trotz eines in diesem Fall hohen Grades an Zielerreichung ließe sich dann nicht mit Sicherheit bestimmen, ob das betreﬀende Projekt als erfolgreicher einzustufen w¨are als andere Projekte des betrachteten Unternehmens oder von Mitbewerbern (Ernst, 2001). Ebenso ist das Horrorgem¨alde der Nicht-Innovation“, also der Vergleich mit einem ﬁktiven ” ex-post Zustand, in dem das Projekt nicht durchgef¨ uhrt worden w¨are, problematisch: Mit der daraus resultierenden Argumentation aus H¨atten wir die Innovation nicht ” durchgef¨ uhrt, dann w¨are die Konkurrenz...“ wird jedes Innovationsprojekt deﬁnitionsnotwendig erfolgeich (Hauschildt, 1991, S. 470). Zeit- und branchen¨ ubergreifende Erfolgsvergleiche mittels eines absoluten Referenzmaßstabs erscheinen allerdings aufgrund der damit verbundenen Willk¨ ur genauso problematisch (vgl. z. B. Zhang und Doll, 2001; Song und Parry, 1997a; Hauschildt, 1991). Auch hier werden Innovationen tendenziell als zu erfolgreich bewertet. Vor diesem Hintergrund beurteilt Hauschildt (2004) den Vergleich von Innovationsprojekten mit einem zuvor deﬁnierten Ziel als einzig rationale Vorgehensweise zur Erfolgsbewertung. Tabelle 3.6 bietet ¨ diesbez¨ uglich einen Uberblick u ¨ ber Studien, die eine Korrelation subjektiver und objektiver Erfolgsmaße ermittelt haben.

Projekterfolg

117

Studie

Stichprobe

Korrelation

betrachtete Erfolgsmaße

Chamanski und Waagø (2001)

115 norwegische Unternehmen

0,57

Aggregierte Maße aus Umsatz, Marktanteil und Rentabilit¨at

Dawes (1999)

45 australische Unterneh- 0,51 men 0,48

ROI des aktuellen Jahres ROI des Vorjahres

Zahra (1996)

112 US-amerikanische Unternehmen

0,67 0,64 0,59

ROE Umsatzwachstum Marktanteilswachstum

Hart und Banbury (1994)

240 US-amerikanische Unternehmen

0,55 0,44

ROA Umsatzwachstum

Covin, Slevin und Schultz (1994)

91 US-amerikanische Unternehmen

0,44

Umsatzwachstum

Pearce, Robbins und Robinson (1987)

92 US-amerikanische Unternehmen

0,74 0,77

ROA Umsatz

Dess und Robinson (1984)

26 US-amerikanische Unternehmen

0,69 0,61 0,56

Umsatz ROA nach Steuern Performance (subj.) und Umsatz Performance (subj.) und ROA

0,48

Tabelle 3.6: Korrelation zwischen subjektiv gesch¨ atztem Erfolg und objektiven Erfolgsmaßen auf Unternehmensebene. Quelle: Weise (2005)

118

Planung, Umsetzung und Erfolg von Innovationsprojekten

3.6 Hypothesensystem und Modellstruktur im ¨ Uberblick In den vorangegangenen Abschnitten wurde ausf¨ uhrlich auf die Herleitung der im Rahmen diese Arbeit zu u ufenden Hypothesen eingeganen. Da es sich um eine ¨berpr¨ gr¨oßere Anzahl an Hypothesen handelt, werden an dieser Stelle noch einmal die entwickelten Modellstrukturen sowie die zugeh¨origen 14 Untersuchungshypothesen zusammengefasst. Da die vorliegende Arbeit sowohl die direkte Erfolgswirksamkeit der einzelnen Planungsprozessdimensionen als auch die des Coalignments untersucht, sind die hierzu formulierten Hypothesen auf die beiden Darstellungen aufgeteilt.

Planungsausmaß H1 Formalisierung

H2 H3

Planungskonsistenz

Projekterfolg

H4

Partizipation

¨ Abbildung 3.3: Ubersicht der Untersuchungshypothesen zur Erfolgswirkung der einzelnen Planungsprozessdimensionen

Hypothese 1: Je h¨oher das Planungsausmaß eines Innovationsprojektes, desto h¨oher ist dessen Erfolg. Hypothese 2: Je h¨oher die Formalisierung der Planung eines Innovationsprojektes, desto h¨oher ist dessen Erfolg.

¨ Hypothesensystem und Modellstruktur im Uberblick

119

Hypothese 3: Je h¨oher die Konsistenz der Planung eines Innovationsprojektes, desto h¨oher ist dessen Erfolg. Hypothese 4: Je h¨oher die Partizipation bei der Planung eines Innovationsprojektes, desto h¨oher ist dessen Erfolg.

Planungsausmaß

Formalisierung

Innovationsgrad

H5

H12

H14

Umfelddynamik

H13

H6

Coalignment Planungskonsistenz

Projektkomplexität

H7

Projekterfolg

Projektzielstabilität

H10

H9

Partizipation H8

Projektprozessstabilität

H11

¨ Abbildung 3.4: Ubersicht der Untersuchungshypothesen zur Erfolgswirkung des Coalignments sowie der weiteren Modellvariablen

Hypothese 5: Die Bildung eines den einzelnen Planungsdimensionen u ¨bergeordneten Faktors zweiter Ordnung, des Coalignments, ist zul¨assig. Hypothese 6: Je st¨arker ein Planungsprozess im Sinne einer rational adaptation“ ” sowohl rationale als auch adaptive Elemente miteinander verbindet und damit ein hohes Maß an Coalignment aufweist, desto h¨oher ist dessen Wirkung auf den Projekterfolg. Die einzelnen Gestaltungsdimensionen Planungsausmaß, Formalisierung, Planungskonsistenz und Partizipation sind dabei alle hoch ausgepr¨agt. Hypothese 7: Je st¨arker ein Planungsprozess im Sinne einer rational adaptation“ ” sowohl rationale als auch adaptive Elemente miteinander verbindet und damit ein hohes Maß an Coalignment aufweist, desto stabiler bleiben die Projektziele w¨ahrend

120

Planung, Umsetzung und Erfolg von Innovationsprojekten

der Umsetzung. Die einzelnen Gestaltungsdimensionen Planungsausmaß, Formalisierung, Planungskonsistenz und Partizipation sind dabei alle hoch ausgepr¨agt. Hypothese 8: Je st¨arker ein Planungsprozess im Sinne einer rational adaptation“ ” sowohl rationale als auch adaptive Elemente miteinander verbindet und damit ein hohes Maß an Coalignment aufweist, desto stabiler verl¨auft der Projektprozess w¨ahrend der Umsetzung. Die einzelnen Gestaltungsdimensionen Planungsausmaß, Formalisierung, Planungskonsistenz und Partizipation sind dabei alle hoch ausgepr¨agt. Hypothese 9: Je gr¨oßer die Stabilit¨at der Projektziele, desto gr¨oßer ist die Stabilit¨at des Projektprozesses w¨ahrend dessen Umsetzung. Hypothese 10: Je gr¨oßer die Stabilit¨at der Projektziele, desto gr¨oßer ist der Projekterfolg. Hypothese 11: Je gr¨oßer die Stabilit¨at des Projektprozesses, desto gr¨oßer ist der Projekterfolg. Hypothese 12: Die positive Wirkung des Coalignments der Planungsprozessdimensionen auf den Projekterfolg wird nicht vom Innovationsgrad beeinﬂusst. Hypothese 13: Die positive Wirkung des Coalignments der Planungsprozessdimensionen auf den Projekterfolg f¨allt in einem dynamischen Branchenumfeld h¨oher aus als in einem stabilen. Hypothese 14: Die positive Wirkung des Coalignments der Planungsprozessdimensionen auf den Projekterfolg f¨allt in einem Projekt mit hoher Komplexit¨at h¨oher aus als in einem Projekt, das lediglich geringe Komplexit¨at aufweist.

4 Empirische Untersuchung zur Erfolgswirksamkeit der Projektplanung von Innovationsprojekten Im Rahmen dieses Kapitels wird die empirische Untersuchung der Planung von Innovationsprojekten in ihrer Konzeptionierung und Durchf¨ uhrung geschildert. Hierzu wird in Abschnitt 4.1 zun¨achst auf das Untersuchungsdesign eingegangen und die Operationalisierung der Modellvariablen, das Erhebungsdesign und die realisierte Stichprobenstruktur beschrieben, bevor die eingesetzten Methoden der Datenauswertung n¨aher betrachtet werden. Im n¨achsten Schritt erfolgt die Aufbereitung der ¨ Daten, welche in Abschnitt 4.2 beschrieben wird. Die empirische Uberpr¨ ufung der in Kapitel 3 hergeleiteten Untersuchungshypothesen erfolgt schließlich in Abschnitt 4.3.

4.1 Untersuchungsdesign Dieser Abschnitt widmet sich der Operationalisierung der in Kapitel 3 beschriebenen Modellvariablen, dem Erhebungsdesign und den Methoden der Datenauswertung. Hierf¨ ur wird zun¨achst auf die der Operationalisierung zugrundeliegende Messtheorie eingegangen um ein tieferes Verst¨andnis f¨ ur die Zusammenh¨ange zwischen den theoretisch identiﬁzierten Modellvariablen und deren Messung im Rahmen der empirischen Untersuchung zu entwickeln. Anschließend wird der Prozess der Datenerhebung dargestellt, der erforderliche Stichprobenumfang abgesch¨atzt und die realisierte Stichprobenstruktur beschrieben, bevor die f¨ ur diese Arbeit relevanten statistischen Analyseverfahren, die Faktorenanalyse, die Regressionsanalyse sowie Strukturgleichungsmodelle, vorgestellt werden.

122

Empirische Untersuchung

4.1.1 Operationalisierung der Modellvariablen Das in dieser Arbeit verfolgte Forschungsziel, das Zusammenspiel und die Wirkung verschiedener Projektplanungsprozessdimensionen und der Projektdurchf¨ uhrung auf den Erfolg von Neuproduktentwicklungsprojekten zu untersuchen, erfordert hohe Anspr¨ uche an die Leistungsf¨ahigkeit der hierzu einzusetzenden statistischen Verfahren, da hierbei komplexe Wirkungszusammenh¨ange zwischen einer Vielzahl an Variablen gepr¨ uft werden. Da sich die f¨ ur diese Untersuchung betrachteten Variablen einer direkten Messung entziehen, werden sie auch als latente Variablen, Konstrukte, Faktoren, unbeobachtete Variablen oder True Scores bezeichnet (Bagozzi und Phillips, 1982; Bollen, 2002). In der Literatur werden vor allem drei Aspekte latenter Variablen diskutiert (Bollen, 2002): Zun¨achst ist hierbei der bereits genannte Umstand der Unbeobachtbarkeit latenter Variablen, also der fehlenden M¨oglichkeit, diese direkt zu messen oder zu beobachten, zu nennen (Homburg und Giering, 1998). Ebenfalls wird h¨auﬁg diskutiert, ob es sich bei latenten Variablen um reale Gr¨oßen oder aber vielmehr um imagin¨are, hypothetische bzw. theoretische Gebilde handelt. Dieser letzteren Sichtweise folgen beispielsweise Bagozzi und Phillips (1982), f¨ ur die Konstrukte nicht real sind, sondern nur den Versuch darstellen, reale Ph¨anomene zu erfassen. Schließlich werden latente Variablen h¨auﬁg als Instrumente der Datenreduktion beschrieben, die eine Reihe von Variablen zu einer geringeren Zahl von Faktoren oder gar Faktoren zweiter Ordnung verdichten (vgl. z. B. Albers und G¨otz, 2006; Giere, Wirtz und Schilke, 2006). Hier wird also vor allem die deskriptive Funktion latenter Variablen, bzw. die sachlogische Zusammengeh¨origkeit einzelner Indikatoren betont (Backhaus, Erichson, Plinke und Weiber, 2000). Hieraus wird deutlich, dass es eine Vielzahl verschiedener Arten von Konstrukten gibt, die sich unterschiedlich modellieren lassen. So lassen sich latente Variablen erster und h¨oherer Ordnung sowie ein- und mehrdimensionale ¨ Konstrukte unterscheiden. Einen Uberblick u ¨ ber die verschiedenen M¨oglichkeiten bietet Abbildung 4.1. Um latente Variablen in einem Forschungsvorhaben untersuchen zu k¨onnen, m¨ ussen diese zun¨achst empirisch greifbar“ (Homburg und Giering, 1998) und damit ” messbar gemacht werden. Hierzu ist es in einem ersten Schritt erforderlich, festzulegen, was inhaltlich unter dem Konstrukt zu verstehen ist und welche Dimensionen

Untersuchungsdesign

123

Einfaktorieller Fall

Mehrfaktorieller Fall

Konstrukt = Faktor

Eindimensionaler Fall

Mehrdimensionaler Fall

Konstrukt

Konstrukt

…

Faktor 1

…

..

Faktor m

…

Dimension 1

Dimension n

… Faktor 1.1

Faktor 1.m1

Faktor n.1

Faktor n.ma

..

..

..

..

Abbildung 4.1: Arten von Konstrukten. Quelle: Homburg und Giering (1998)

bzw. Komponenten es umfasst (Hildebrandt und Temme, 2006). Je nach Komplexit¨at der zugrundeliegenden latenten Variable unterscheidet man dabei zwischen einfaktoriellen Konstrukten (der einfachsten Form einer latenten Variable) und mehrfaktoriellen Konstrukten, welche wiederum ein- bzw. mehrdimensional sein k¨onnen. Dieser Vorgang wird als Konzeptualisierung bezeichnet (Homburg und Giering, 1998). Im n¨achsten Schritt werden die Konstrukte und ihre Dimensionen durch ausgew¨ahlte Indikatoren, d. h. durch beobachtbare Variablen, operationalisiert, die das Vorliegen der betrachteten, aber nicht direkt erfassbaren Variable signalisieren (Backhaus et al., 2000). Somit kann im Rahmen der Messung latenter Variablen lediglich versucht werden, den mittels des Messinstrumentes erhobenen Wert m¨oglichst nah an den tats¨achlichen Wert“ der latenten Variable anzugleichen. Da sich die empirisch beob” achteten Werte jedoch aufgrund systematischer und Zufallsfehler von den wahren Werten unterscheiden werden, ist dieses Ziel kaum jemals vollst¨andig zu erreichen (Churchill, 1979). Insofern kann eine aussagekr¨aftige Messung komplexer latenter Konstrukte nur unter der gleichzeitigen Verwendung mehrerer Indikatoren erfolgen, wie die Zitate von Jacoby (1978, S. 93) und Blalock (1970, S. 111) verdeutlichen: Given the complexity of our subject matter, what makes us think we ” can use responses to single items (or even two or three items) as measures

124

Empirische Untersuchung of these concepts, then relate these scores to a host of other variables, arrive at conclusions based on such an investigation, and get away calling what we have done ’quality research’ ?“ With a single measure of each variable, one can remain blissfully ” unaware of the possibility of measurement error, but in no sense will this make his inferences more valid. [...] In the absence of better theory about our measurement procedures, I see no substitute for the use of multiple measures of our most important variables.“

Die hier geschilderte Messtheorie basiert aus wissenschaftstheoretischer Sicht auf der Zweisprachentheorie von Carnap (1986). Im Rahmen dieser Theorie wird bei ¨ der Entwicklung, Darstellung und Uberpr¨ ufung wissenschaftlicher Theorien zwischen zwei Sprachebenen unterschieden (Fassott und Eggert, 2005), die in Abbildung 4.2 dargestellt sind.

Theoretische Sprache

Theoretische Variablen

Korrespondenzregeln

Sprachen

Beobachtungssprache

Beobachtbare Variablen

Abbildung 4.2: Schematische Darstellung der Zweisprachentheorie. Quelle: Fassott und Eggert (2005)

Auf der theoretischen Sprachebene arbeitet die Forschung dabei mit theoretischen Begriﬀen, die wie bereits dargestellt, als hypothetische Konstrukte oder latente Variablen bezeichnet werden, da sie sich einer unmittelbaren Messung entziehen. ¨ Eine Theorie kann und muss zu einer empirischen Uberpr¨ ufung nicht nur auf der theoretischen Sprachebene, sondern auch auf der Ebene der Beobachtungssprache

Untersuchungsdesign

125

formuliert werden. Diese manifestiert sich, wie oben geschildert, in den beobachtbaren Variablen (Indikatoren). Da die Indikatoren als Signal f¨ ur das Vorliegen der latenten Variablen dienen, m¨ ussen diese mittels einer Korrespondenzregel in einen Zusammenhang gebracht werden. Erst wenn dies der Fall ist, kann von einer empirisch gehaltvollen, positiven“ Theorie gesprochen werden (Bagozzi, 1998). Dieser ” Zusammenhang und die Umsetzung der Zweisprachentheorie werden in Abbildung 4.3 mittels eines ﬁktiven Beispiels dargestellt.

Theoretische Ebene

η1

Korrespondenzregeln

Beobachtungsebene

γ1

η2

H

γ2

x1

γ3

x2 r1

x3 r2

r3

Abbildung 4.3: Umsetzung der Zweisprachentheorie in der empirischen Forschung. Quelle: Fassott und Eggert (2005)

Im Rahmen der Hypothese H wird auf theoretischer Ebene ein Zusammenhang zwischen den Begriﬀen η1 und η2 hergestellt. Auf der Beobachtungsebene wird der theoretische Begriﬀ η1 durch die beiden beobachtbaren Variablen x1 und x2 abgebildet. In gleicher Weise wird η2 durch die beobachtbare Variable x3 repr¨asentiert. Die Variablen auf den unterschiedlichen Ebenen werden mittels der Korrespondenzregeln γ1 , γ2 und γ3 miteinander verbunden. Zwischen den beobachtbaren Variablen x1 und x2 , die den theoretischen Begriﬀ η1 repr¨asentieren, besteht eine Kovarianz, die als r1 bezeichnet wird. Die Kovarianzen r2 und r3 wiederum stellen den beobachtbaren Zusammenhang der auf theoretischer Ebene in der Hypothese H formulierten Aussage dar. Als Grundlage f¨ ur die folgenden statistischen Analysen dient die Annahme, undeter Zusammenhang zwischen dass ein zunehmend st¨arkerer, theoretisch begr¨

126

Empirische Untersuchung

den Begriﬀen η1 und η2 zu einer st¨arkeren Auspr¨agung der empirisch beobachtbaren Kovarianzen r2 und r3 f¨ uhrt. Dies setzt selbstverst¨andlich die Eignung der formulierten Korrespondenzregeln γ1 , γ2 und γ3 voraus (Fassott und Eggert, 2005). Von besonderer Bedeutung ist dabei die Frage danach, welche Richtung die Korrespondenzregeln besitzen (MacKenzie, Podsakoﬀ und Jarvis, 2005; Jarvis, MacKenzie und Podsakoﬀ, 2003): Verursacht ein theoretischer Begriﬀ die ihm zugeordneten empirischen Variablen, wirkt die Korrespondenzregel also von der theoretischen Ebene zur Beobachtungsebene, wird von einem reﬂektiven Messmodell gesprochen. Wird der theoretische Begriﬀ hingegen als das Resultat der ihm zugeordneten beobachtbaren Variablen aufgefasst, wirkt die Korrespondenzregel von der Beobachtungsebene hin zur theoretischen Ebene und man spricht von einem formativen Messmodell. Reﬂektive Messmodelle basieren auf der sog. Domain-Sampling Theorie (Rossiter, 2002), nach der ein Messinstrument durch Indikatoren gebildet wird, welche alle der gleiche konzeptionellen Grundgesamtheit entstammen, die als Dom¨ane oder Universum bezeichnet wird (MacKenzie et al., 2005). Die messtheoretische Fundierung reﬂektiver Messmodelle basiert auf der klassischen Testtheorie und setzt daher unter anderem voraus, dass die ein Konstrukt gemeinsam erfassenden Indikatoren intern konsistent sind und untereinander deutlich h¨oher korrelieren als mit den Indikatoren anderer Konstrukte (Bollen und Lennox, 1991). Da die Indikatoren von den latenten Variablen, die sie repr¨asentieren, beeinﬂusst werden und deren Facetten gleichermaßen gut erfassen sollten, ist die Konstruktvalidit¨at idealerweise invariant gegen¨ uber dem Austausch oder der Elimination einzelner Indikatoren (MacKenzie et al., 2005; Bollen und Lennox, 1991). Formative Messmodelle gehen hingegen davon aus, dass Ver¨anderungen der gemes¨ senen Indikatoren zu einer Anderung der latente Variable f¨ uhren, da die erstgenannten einen direkten Einﬂuss auf das latente Konstrukt haben, bzw. dieses verursachen (Rossiter, 2002, S. 314): They ’make the attribute appear’“. Hieraus wird gleich” zeitig deutlich, dass eine Ver¨anderung eines Indikators nicht notwendigerweise mit ¨ einer Anderung der anderen Indikatoren der latenten Variable einher gehen muss (Jarvis et al., 2003) Die Items m¨ ussen also nicht notwendigerweise untereinander korrelieren oder intern konsistent sein (Bollen und Lennox, 1991). Rossiter (2002) merkt daher kritisch an, dass man im Zusammenhang mit formativen Messmodellen nicht l¨anger von Indikatoren und latenten Variablen sprechen sollte. Da den Items

Untersuchungsdesign

127

hier keine indikative, sondern eine formative Funktion zukommt handelt es sich bei formativ gemessenen Konstrukten auch nicht um latente Variablen, so dass Begriﬀe ¨ wie Kompositvariable“ verwendet werden sollten. Aus diesen Uberlegungen folgt ” unmittelbar, dass im Gegensatz zu reﬂektiven Messmodellen die Items einer Skala in einem formativen Messmodell nicht ohne weiteres weggelassen oder ersetzt werden ohne dass sich das Konstrukt inhaltlich ver¨andert. F¨ ur die empirische Forschung bedeutet dies, dass eine Beurteilung der Modellg¨ ute anhand der internen Konsistenz der Indikatoren im oﬀensichtlichen Widerspruch zu den Pr¨amissen formativer Messmodelle steht und somit anstelle der klassischen Beurteilungskriterien wie dem Cronbach’schen Alpha andere Aspekte in den Vordergrund treten (Fassott und Eggert, 2005; Rossiter, 2002). Die Beurteilung formativer Konstrukte verlangt aufgrund ihres verursachenden Charakters vor allem eine Bewertung in Bezug auf die vollst¨andige inhaltlich-semantische Erfassung des Konstrukts (Inhaltsvalidit¨at) und in Hinblick darauf, in welchem Umfang sich die theoretisch vorhergesagten Wirkungsbeziehungen zu kausal vor- und nachgelagerten Konstrukten empirisch nachweisen lassen (nomologische Validit¨at) (Jarvis et al., 2003; Diamantopoulos und Winklhofer, 2001; Bollen und Lennox, 1991). Insofern kann es bei Fehlspeziﬁkationen zu erheblichen Verzerrungen kommen, so dass einer Identiﬁkation reﬂektiver bzw. formativer Messmodelle erhebliche Bedeutung zukommt (MacKenzie et al., 2005). Da die Entscheidung, ob ein latentes Konstrukt reﬂektiv oder formativ ¨ gemessen werden sollte, vor allem auf der Grundlage inhaltlicher Uberlegungen zu treﬀen ist, haben Jarvis et al. (2003) einen Katalog aus sieben Indizien formuliert, ¨ der diese Uberlegungen leiten soll (Huber, Herrmann, Meyer, Vogel und Vollhardt, 2007, S. 19): • Sind die Indikatoren deﬁnierende Merkmale oder Erscheinungsformen des Konstrukts? • F¨ uhren Ver¨anderungen der Indikatorauspr¨agungen zu Ver¨anderungen des Konstrukts? • F¨ uhren Ver¨anderungen des Konstrukts zu Ver¨anderungen der Indikatorauspr¨agungen?

128

Empirische Untersuchung

• Sollten die Indikatoren denselben oder ¨ahnlichen Inhalt haben? Haben die Indikatoren ein gemeinsames Thema? • Ver¨andert der Ausschluss eines Indikators den konzeptionellen Rahmen des Konstrukts? ¨ ¨ eines Indikators zur Anderung der anderen Indikatoren • Sollte eine Anderung f¨ uhren? • Sollten die Indikatoren dieselben Antezedenzien und Konsequenzen haben? Aufbauend auf diesen Ausf¨ uhrungen werden in den folgenden Abschnitten die Operationalisierungen der Modellvariablen erl¨autert, wobei im Rahmen dieser Arbeit grunds¨atzlich eine reﬂektive Messung der latenten Konstrukte angestrebt wird. Im Zuge ihrer Validierung in Abschnitt 4.3.1 wird aufgrund der geschilderten Problematik jedoch neben den u ¨ blichen Beurteilungskriterien zus¨atzlich die Vertr¨aglichkeit der Daten mit einem reﬂektiven Messmodell getestet.

Untersuchungsdesign

129

4.1.1.1 Planungsausmaß Das Planungsausmaß kann als Ausdruck der Rationalit¨at aufgefasst werden und beschreibt, inwieweit Entscheidungs- und Planungsprozesse auf der Sammlung von f¨ ur die Entscheidung relevanten Informationen sowie deren Auswertung im Rahmen der Entscheidung bzw. Planung basieren (Dean und Sharfman, 1996). Unter anderem ﬁnden sich Operationalisierungen bei Dean und Sharfman (1996), Segars et al. (1998), Atuahene-Gima und Murray (2004), Atuahene-Gima und Li (2004), B¨ uschelberger (2004) und Segars (1994). Das Konstrukt wird in Anlehnung an die Ausf¨ uhrungen in Abschnitt 3.2.1 und die dort von Janis und Mann (1977) genannten Kriterien ur die genannten Operationalisierungen operationalisiert, die inhaltlich als Basis f¨ angesehen werden k¨onnen. Die Formulierung orientiert sich dabei an den Arbeiten von B¨ uschelberger (2004) und Segars (1994).

Planungsausmaß Dimensionen

Indikatoren

intensive Informationssuche

Wir haben versucht, alle relevanten Informationen f¨ ur die Planung des Innovationsprojekts zu sammeln.

Betrachtung aller m¨oglichen Alternativen

Vor jeder Entscheidung wurden m¨ ogliche Alternativen gr¨ undlich untersucht.

zielkonforme Auswahl

Wir haben versucht, die optimale aus den identiﬁzierten Alternativen zu ermitteln.

gewissenhafte und objektive Bewertung

In unserer Planungs- und Konzeptionsphase wurde wenig dem Zufall u ¨berlassen.

gr¨ undliche Pr¨ ufung

Entscheidungen wurden solange vertagt, bis alle Alternativen ausreichend gepr¨ uft waren.

Tabelle 4.1: Operationalisierung des Planungsausmaßes

4.1.1.2 Formalisierung Wie in Abschnitt 3.2.2 erl¨autert, beschreibt Formalisierung den Umfang an Strukturen, Techniken und schriftlich ausgearbeiteten Arbeitsabl¨aufen, die den Planungsprozess unterst¨ utzen. Operationalisierungen der Formalisierung ﬁnden sich beispielsweise in

130

Empirische Untersuchung

den Untersuchungen von Dutton und Duncan (1987), B. S. Chakravarthy (1987), Pearce, Robbins und Robinson (1987), Segars et al. (1998), Tatikonda und MontoyaWeiss (2001), Ayers et al. (2001), B¨ uschelberger (2004) und Naveh (2007). Hier wird f¨ ur die Operationalisierung auf die Arbeiten von Segars et al. (1998) und Tatikonda und Montoya-Weiss (2001) zur¨ uckgegriﬀen, wobei die Formulierungen teilweise auf die Projektebene angepasst werden.

Formalisierung Dimensionen

Indikatoren

prozedurale Richtlinien

Richtlinien und Prozeduren bestimmen weitgehend den Prozess der Planung von Innovationsprojekten in unserem Unternehmen.

Methodeneinsatz

Wir haben stark formalisierte Planungsmethoden bei der Planung des Innovationsprojektes verwendet.

dokumentierte Vorgaben

Es existieren schriftliche Richtlinien zur Strukturierung der Innovationsprojektplanung in unserem Unternehmen.

strukturierter Prozess

Der Planungsprozess war sehr strukturiert.

Einhaltung von Richtlinien

Die formalen Richtlinien und Prozeduren wurden bei der Planung des Innovationsprojektes eingehalten.

Prozess- und Ergebnisdokumentation

Der Planungsprozess und die -ergebnisse wurden schriftlich dokumentiert.

Tabelle 4.2: Operationalisierung der Formalisierung der Planung

4.1.1.3 Partizipation In Abschnitt 3.2.4 wurde erl¨autert, dass unter Partizipation der Umfang gemeinschaftlicher Entscheidungsﬁndung bzw. das Teilen von Befugnissen verstanden wird. Diese Beteiligung bezieht sich auf die Anzahl der an der Planung beteiligten Personen, die Menge der beteiligten Unternehmensbereiche sowie den Umfang lateraler Kommunikation im Unternehmen. Operationalisierungen des Partizipationsbegriﬀs ﬁnden sich unter anderem bei Dutton und Duncan (1987), B. S. Chakravarthy (1987), Segars (1994) und B¨ uschelberger (2004). Im Rahmen dieser Arbeit wird auf die Operationalisierung von Segars (1994) zur¨ uckgegriﬀen und die Formulierungen

Untersuchungsdesign

131

werden auf den Untersuchungsgegenstand angepasst. Die so entwickelten Indikatoren sind in Tabelle 4.3 dargestellt.

Partizipation Dimensionen

Indikatoren

Beteiligung leitender Angestellter

Eine Reihe verschiedener Funktionsbereichsleiter war in die Planung des Innovationsprojekts intensiv involviert.

Beteiligung operativer Mitarbeiter

Operative Mitarbeiter aus allen betroﬀenen Abteilungen waren in der Planungsphase des Innovationsprojekts beteiligt.

allgemeine Beteiligung

Die Planungsphase war ein relativ isolierter Prozess und wurde von wenigen Personen getragen. (invers kodiert)

Beteiligung der Fachabteilun- An der Konzeptentwicklung f¨ ur das Innovationsvorhaben gen waren alle relevanten Fachabteilungen beteiligt. Beteiligung des Projektteams

Die Projektziele wurden in starker Interaktion mit dem Projektteam vereinbart.

Tabelle 4.3: Operationalisierung der Beteiligung an der Planung

4.1.1.4 Planungskonsistenz Wie in Abschnitt 3.2.3 beschrieben, wird unter der Konsistenz und Regelm¨aßigkeit der Planung verstanden, wie kontinuierlich ein Planungsprozess abl¨auft. Die regelm¨aßige und kritische Reﬂexion der bestehenden Planung gestattet es, diese an ge¨anderte Umfeldbedingungen anzupassen und bildet somit eine wichtige Basis f¨ ur hohe Leistungsf¨ahigkeit im Rahmen komplexer Aufgaben (Gurtner et al., 2007). Neben kontinuierlicher Planung geh¨oren hierzu stetige Kommunikation unter den ¨ Beteiligten sowie eine regelm¨aßige Uberpr¨ ufung und ggf. Modiﬁkation der Planung. Operationalisierungen ﬁnden sich bei Segars (1994), Tjosvold et al. (2004), Hoegl und Parboteeah (2006) und Schippers und Den Hartog (2007). Im Rahmen dieser Arbeit wird die Operationalisierung von Segars (1994) genutzt, die hierf¨ ur auf die Ebene von Entwicklungsprojekten angepasst wurde.

132

Empirische Untersuchung

Planungskonsistenz Dimensionen

Indikatoren

regelm¨aßige Kontrolle

¨ Die Ubereinstimmung der Projektentwicklung mit dem Projektplan wurde st¨ andig u uft und bewertet ( Meilen¨ berpr¨ ” steintrendanalyse“).

Planungsanpassungen

Die Planung wurde regelm¨ aßig korrigiert, um sie besser an sich ¨ andernde Gegebenheiten anzupassen.

Planungsverst¨andnis

Die Planung des Innovationsprojektes war kein einmaliger sondern ein kontinuierlicher Prozess.

regelm¨aßige Kommunikation

Zur Erstellung / Aktualisierung der Projektplanung wurden regelm¨ aßige pers¨ onliche Teamgespr¨ ache angesetzt. Wir planen Innovationsprojekte formal, wenn die Notwendigkeit dazu besteht.

Tabelle 4.4: Operationalisierung der Planungskonsistenz

4.1.1.5 Coalignment Im Hinblick auf die Operationalisierung nimmt das Coalignment eine besondere Rolle im Rahmen dieser Arbeit ein. Wie in Abschnitt 3.2.5 beschrieben, wird mit dem Begriﬀ des Coalignment das Zusammenwirken der unterschiedlichen Dimensionen des Planungsprozesses beschrieben, durch das eine Struktur entsteht, die die unterschiedurfnisse der Organisation widerspiegelt. Hierbei kann nicht wie in lichen Planungsbed¨ uckgegriﬀen werden, den vorangegangenen F¨allen auf eine Gruppe von Indikatoren zur¨ da sich das Coalignment auf die bereits vorgestellten latenten Variablen bezieht. Dadurch ergeben sich Herausforderungen f¨ ur die Operationalisierung (Venkatraman, 1990, S. 21): The basic theme of strategic coalignment is generally understood in its metaphoric form, but the derivation of a precise conceptualization (with its operationalization) is rather complex. This is largely because of the multiplicity of meanings and uses for the term coalignment that can be found in the strategy literature. Methodisch lassen sich verschiedene Ans¨atze zur Modellierung des Coalignment unterscheiden, die in ihrem inhaltlichen Verst¨andnis diﬀerieren, so dass die Modellierung

Untersuchungsdesign

133

an dieser Stelle zwar nicht u ¨ ber repr¨asentative Indikatoren, aber doch u ¨ ber eine inhaltlich repr¨asentative Methode vorgenommen wird (vgl. Venkatraman, 1989, 1990).

Interaktionsperspektive Coalignment ist in der Forschung vielfach aus einer Interaktionsperspektive betrachtet worden. Die Bedeutung dieser Perspektive wird von Schoonhoven (1981, S. 351) betont, die ausf¨ uhrt when contingency theorists assert ” that there is a relationship between two variables [...] which predicts a third variable [...] they are stating that an interaction exists between the ﬁrst two variables“ und damit unterstreicht, dass eine Vielzahl von Fragestellungen der Organisationsforschung auf Basis der Interaktionsperspektive untersucht wird. Diese Perspektive wird typischerweise in Form von Interaktions- oder gemeinsamen Eﬀekten speziﬁziert, jedoch gibt es auch erweiterte analytische Ans¨atze wie z. B. von Joyce, Slocum und von Glinow (1982). Die Verfasser diﬀerenzieren in ihrer Arbeit im Zusammenwirken von Akteur/Aktion und Umwelt/Kontext zwischen drei verschiedenen Formen des alignment“ bzw. der congruence“, die sie als eﬀect“, general“ und func” ” ” ” ” tional“ bezeichnen. Diese unterscheiden sich in ihrer theoretischen Fundierung des Zusammenhangs zwischen Akteur/Aktion und Umwelt/Kontext. Das eﬀect“ Modell ” untersucht lediglich direkte Eﬀekte, w¨ahrend das general“ Modell Interaktionseﬀekte ” ¨ untersucht, dabei aber die Ahnlichkeit und das Zusammenpassen der unabh¨angigen Variablen betrachtet, w¨ahrend im functional“ Modell Substitutions- und Hinde” rungseﬀekte untersucht werden. Diese Unterscheidung gestattet es den Autoren, eine ¨ diﬀerenziertere Uberpr¨ ufung der Coalignmenthypothese vorzunehmen und konkurrierende Modelle f¨ ur die Erkl¨arung des Coalignment innerhalb eines analytischen Ansatzes zu vergleichen.14

Perspektive der Proﬁlabweichung Im Rahmen dieser Perspektive wird Coalign¨ ment als der Grad an Ubereinstimmung mit einem vorab deﬁnierten Proﬁl aufgefasst, worin diese Perspektive der von Drazin und Van de Ven (1985) beschriebenen pat” tern analysis“ ¨ahnelt. Die Argumentation aus dieser Perspektive nimmt an, dass ex ante ein ideales Planungsproﬁl speziﬁziert werden kann (beispielsweise in der 14

F¨ ur eine detaillierte Darstellung der Vorgehensweise wird auf den Artikel von Joyce et al. (1982) verwiesen.

134

Empirische Untersuchung

Vorgabe bestimmter Werte f¨ ur die hier betrachteten Planungsdimensionen), so dass ¨ der Grad an Ubereinstimmung einer Projektplanung mit diesem mehrdimensionalen Proﬁl sich positiv auf den Projekterfolg auswirkt. Im Umkehrschluss w¨ urde nach dieser Perspektive eine starke Abweichung von diesem Proﬁl als ein geringes Maß an Coalignment aufgefasst werden und sollte sich negativ auf den Projekterfolg auswirken. Kovarianzperspektive Die Kovarianzperspektive betrachtet Coalignment als ein Muster der Kovarianz oder der internen Konsistenz der verschiedenen Planungsprozessdimensionen. In diesem Fall ist der Referenzpunkt somit nicht ein ex ante deﬁniertes Planungsproﬁl, sondern der Grad an interner Konsistenz unter den Dimensionen. Im Rahmen dieser Betrachtungsweise wird unterstellt, dass jeweils einzelne Dimensionen nicht ausreichen, um eine eﬀektive Planung durchf¨ uhren zu k¨onnen, ussen und es daher von besonderer weshalb alle Dimensionen beachtet werden m¨ Bedeutung ist, die Kovarianz zwischen ihnen zu untersuchen. Diese Konzeptualisierung ¨ahnelt dem Konzept der Metastrategy“ von Mintzberg (1978) bzw. der ” Beschreibung von Strategie als ein Muster oder eine Reihe von gr¨oßeren und kleineren Entscheidungen (Miles, Snow, Meyer und Coleman, 1978; Mintzberg, 1978). Die Speziﬁkation des Coalignment u ¨ber die Kovarianz bedarf einer Erl¨auterung der zugrundegelegten sachlogischen Verkn¨ upfung der Planungsprozessdimensionen, wie sie mittels des ressourcenbasierten Ansatzes in Abschnitt 3.2.5 dargelegt wurde. Allgemeine lineare Modelle oder Regressionsanalysen sind in diesem Fall nur begrenzt n¨ utzlich, da sie nicht in der Lage sind, das Konzept einer internen Konsistenz oder eines u ¨bergeordneten roten Fadens“ einzufangen (Hambrick, 1980, S. 571): ” However, such an approach runs the risk of missing the concept of a ” central thread or internal logic underlying a strategy. The regression coeﬃcients may have statistical signiﬁcance, but may indicate no apparent logical linkages among the various independent variables. In fact, the regression results point to the statistical eﬀect of each independent variable on the criterion, but they are neither calculated from nor suggestive of ’strategies’, as normativists would use the term.“ Insofern liegt eine wesentliche Herausforderung dieser Perspektive in der Wahl geeigneter statistischer Modelle, um diese theoretische Perspektive zu u ufen. ¨ berpr¨

Untersuchungsdesign

135

Grunds¨atzlich geeignet sind in diesem Zusammenhang kovarianzbasierte Strukturgleichungsmodelle, die auch als Kausalanalysen bezeichnet werden. Da diese Perspektive dem in Abschnitt 3.2.5 dargestellten Verst¨andnis des Coalignments am n¨achsten ¨ kommt, wird eine Uberpr¨ ufung der dort formulierten Hypothese mittels eines kovarianzbasierten Strukturgleichungsmodells vorgenommen.15 4.1.1.6 Projektdurchf¨ uhrung Wie in Abschnitt 3.3 dargestellt wurde, k¨onnen Ziel- und Prozessstabilit¨at als ur die Planungs- und Umsetzungsqualit¨at aufgefasst werden. Zudem Indikatoren f¨ best¨atigen empirische Untersuchungen immer wieder die negativen Eﬀekte von Projektziel- und -plan¨anderungen auf den Projekterfolg. Operationalisierungen von Ziel- und Prozessstabilit¨at ﬁnden sich bei Salomo et al. (2007), Weise (2005) und Dvir und Lechler (2004). Im Rahmen dieser Arbeit werden die Operationalisierungen von Weise (2005) und Dvir und Lechler (2004) genutzt. Der erstgenannte Autor betrachtet lediglich die Prozessstabilit¨at, w¨ahrend Dvir und Lechler (2004) beide Variablen betrachten, die Prozessstabilit¨at allerdings nur u ¨ber einen Indikator messen, so dass hierf¨ ur auf die Operationalisierung von Weise (2005) zur¨ uckgegriﬀen wird.

15

Eine Darstellung dieses statistischen Verfahrens ﬁndet sich in Abschnitt 4.1.3.1.

136

Empirische Untersuchung

Projektdurchf¨ uhrung Dimensionen

Indikatoren

Prozessstabilit¨at

Zeitplan und Zielvorgaben wurden nur selten explizit ge¨ andert. Ressourcenentscheidungen wurden nur selten explizit revidiert. Das Top-Management griﬀ nur selten direkt in Projektarbeiten ein.

Projektzielstabilit¨ at

Die Projektziele wurden h¨ auﬁg ge¨ andert. (invers kodiert) Mindestens ein Hauptziel des Projektes wurde erheblich ge¨ andert. (invers kodiert) Die zentralen Projektziele stimmen im Wesentlichen noch mit denen u unglichen Businessplan nie¨berein, die im urspr¨ dergelegt waren.

Tabelle 4.5: Operationalisierung des Projektdurchf¨ uhrung

4.1.1.7 Innovationsgrad Wie in den Abschnitten 2.2 und 3.4.1 herausgearbeitet wurde, handelt es sich beim Innovationsgrad um ein multidimensionales Konstrukt, bei dessen Messung sowohl der Technologie-Innovationsgrad, der Organisations-Innovationsgrad, der Markt-Innovationsgrad als auch der Umfeld-Innovationsgrad ber¨ ucksichtigt werden sollte. Eine solch umfassende Operationalisierung ﬁndet sich in den Arbeiten von Salomo et al. (2007), Weise (2005), Krieger (2005), Billing (2003), Salomo (2003) und Garcia und Calantone (2002). Im Rahmen dieser Arbeit wird auf die Operationalisierung von Salomo et al. (2007) zur¨ uckgegriﬀen, die sich neben ihrer Aktualit¨at auch durch ihre statistische Sparsamkeit auszeichnet, da diese Skala bei einer vergleichsweise geringen Anzahl von Indikatoren sehr gute statistische G¨ utewerte erzielt.

Untersuchungsdesign

137

Innovationsgrad Dimensionen

Indikatoren

Technischer Neuheitsgrad

Bei dieser Innovation wird ein v¨ ollig neues technologisches Prinzip angewendet. Diese Technologie erm¨ oglicht eine sprunghafte Leistungssteigerung. Existierende Technologien werden durch die Innovation verdr¨ angt (z. B. DVD vs. Video).

Neuheitsgrad f¨ ur das eigene Unternehmen

Mit der Umsetzung des Innovationsvorhabens war eine Neuorientierung der Unternehmensstrategie verbunden. Die Umsetzung der Innovation verlangte eine vollkommen neue Organisationsstruktur. Zur Umsetzung der Innovation mussten Unternehmensprozesse grundlegend ver¨ andert werden. Das gesamte Innovationsvorhaben hat die bisher in dem Unternehmen vorhandene Kultur sehr stark ver¨ andert.

Neuheitsgrad f¨ ur den Markt

Die Innovation verlangt vom Kunden umfangreiche Einstellungs- und Verhaltens¨ anderungen. Die Innovation erfordert einen hohen Lernaufwand f¨ ur den Kunden.

Neuheitsgrad f¨ ur das Unternehmensumfeld

F¨ ur die Durchsetzung der Innovation am Markt musste eine neue Infrastruktur geschaﬀen werden (z. B. Errichtung eines neuen Tankstellennetzwerkes f¨ ur die Versorgung wasserstoﬀbetriebener PKW). F¨ ur die Durchsetzung der Innovation am Markt mussten regulatorische Rahmenbedingungen erheblich angepasst / geschaﬀen werden. Die Innovation steht im Kreuzfeuer gesellschaftlicher Kritik.

Tabelle 4.6: Operationalisierung des Innovationsgrades

4.1.1.8 Branchenumfeld Wie in Abschnitt 3.4.2 ausgef¨ uhrt wurde, wird sich jede Branche irgendwann zumindest vor¨ ubergehend mit einem mehr oder minder turbulenten Umfeld auseinandersetzen m¨ ussen (Calantone et al., 2003). Ein solches ist dadurch charakterisiert, dass

138

Empirische Untersuchung

sich in kurzer Zeit massive Ver¨anderungen ergeben k¨onnen, die ein hohes Maß an Unsicherheit und Unvorhersagbarkeit schaﬀen (Bourgeois und Eisenhardt, 1988; Dess und Beard, 1984). Ein solches Branchenumfeld ist in der Forschung vielfach als dynamisch bezeichnet worden (vgl. z. B. D. Miller, 1987b; Dess und Beard, 1984; D. Miller und Friesen, 1982; Duncan, 1972; Emery und Trist, 1965). Die Ausf¨ uhrungen haben zudem gezeigt, dass zwischen verschiedenen Eigenschaften des Branchenumfelds, wie z. B. Unsicherheit, Komplexit¨at, Feindlichkeit und Schnelllebigkeit unterschieden werden kann. Im Rahmen dieser Arbeit wird insbesondere die Schnelllebigkeit des Unternehmensumfeldes betrachtet, da die Analyse der Literatur in Kapitel 2 gezeigt hat, dass diese einen wesentlichen Einﬂuss auf die Planung haben kann. Zu diesem Zweck wird die Operationalisierung von D. Miller und Friesen (1982) genutzt, die ussen unterscheiden, so dass in ihrer Arbeit verschiedene Formen von Umwelteinﬂ¨ davon ausgegangen werden kann, dass die Verfasser ein besonderes Augenmerk auf die diﬀerenzierte Formulierung der verschiedenen Indikatoren gelegt haben.

Dynamik des Unternehmensumfeldes stabil

dynamisch

Unser Unternehmen muss nur selten mit Ver¨anderungen der Marketingaktivit¨ aten auf den Markt / die Konkurrenz reagieren.

Unser Unternehmen muss seine Marketingaktivit¨ aten sehr h¨ auﬁg als Reaktion auf den Markt / die Konkurrenz ver¨ andern.

Die Taktrate, mit der Produkte und Services in unserer Industrie obsolet werden, ist sehr gering.

Die Taktrate, mit der Produkte und Services in unserer Industrie obsolet werden, ist sehr hoch.

Aktivit¨aten von Konkurrenten sind einfach vorherzusehen.

Aktivit¨ aten von Konkurrenten sind nicht vorhersehbar.

Geschmack und Nachfrage von Kunden sind einfach vorherzusagen.

Geschmack und Nachfrage von Kunden sind nicht vorhersagbar.

Fertigungs- und Servicetechnologien in unserer Branche unterliegen keinen großen Ver¨anderungen und sind weit entwickelt.

Fertigungs- und Servicetechnologien in unserer Branche ver¨ andern sich stark und h¨ auﬁg.

Tabelle 4.7: Operationalisierung der Umweltdynamik

Untersuchungsdesign

139

4.1.1.9 Projektkomplexit¨ at Gem¨aß der Ausf¨ uhrungen in Abschnitt 3.4.3 wird die Komplexit¨at in Anlehnung an die Erkenntnisse aus der Theorie der Informationsverarbeitung operationalisiert. Hierbei wird auf die Arbeiten von Tatikonda und Rosenthal (2000b) und Tatikonda (1999) zur¨ uckgegriﬀen, in welchen die Komplexit¨at anhand der drei Dimensionen Interdependenzen zwischen den verschiedenen Technologien“, Neuheitsgrad der ” ” Ziele“ und Projektschwierigkeit“operationalisiert wird. ” Projektkomplexit¨ at Dimensionen

Indikatoren

Technische Interdependenzen

Technologien k¨ onnen Interdependenzen aufweisen, so dass ¨ ¨ z.B. Anderungen in einem Produktmodul Anderungen in anderen Modulen nach sich ziehen. Wie hoch sch¨ atzten Sie zu Projektbeginn die Interdependenzen... ...zwischen den Modulen des Produktes (der Anlage, des Systems) ein? ...zwischen den Arbeitsprozessen in den verschiedenen Fertigungsschritten ein? ...zwischen Produkt- und Fertigungstechnologie ein?

Neuheit der Projektziele

Wie viel Erfahrung hatte das Projektteam zu Projektbeginn mit... ...der Zielvorgabe f¨ ur die technischen Leistungsmerkmale des Produkts (der Anlage, des Systems)? ...der Zielvorgabe f¨ ur die St¨ uckkosten? ...der Zielvorgabe f¨ ur die Projektlaufzeit?

Schwierigkeit des Projektes

Projektziele sind unterschiedlich schwer zu erreichen. F¨ ur wie schwierig hielt das Projektteam das Erreichen der folgenden Ziele: Vorgaben f¨ ur die technische Leistungsf¨ ahigkeit des Produktes Zielkosten Projektlaufzeit Projekt als Ganzes

Tabelle 4.8: Operationalisierung der Projektkomplexit¨ at

Damit stellt das von den Verfassern entwickelte Messkonzept der Komplexit¨at uber anderen Ans¨atzen durch seine Mehrdimensionalit¨at eine Erweiterung gegen¨

140

Empirische Untersuchung

dar, welche lediglich auf die Projektgr¨oße abstellen (vgl. Tatikonda und Rosenthal, 2000b) oder nur begrenzt eine diﬀerenzierte Messung gestatten.16 F¨ ur die vorliegende Arbeit wurden die Formulierungen der Indikatoren an den Untersuchungsgegenstand angepasst.

4.1.1.10 Projekterfolg Bereits in Abschnitt 3.5 wurde auf die Vielschichtigkeit des Erfolgsbegriﬀes hingewiesen und verdeutlicht, welche Probleme sich daraus f¨ ur dessen Messung ergeben. So sind nach Hauschildt (1991) im Rahmen eines Messkonzeptes f¨ ur den Innovationserfolg der Messbereich, die Messdimensionen, der Messzeitpunkt, die Referenzgr¨oßen der Messung und das Messsubjekt zu speziﬁzieren. Entsprechend des Untersuchungsziels der vorliegenden Arbeit wird der Messbereich auf die Ebene des Einzelprojektes festgelegt. Als Messdimensionen werden die in der Untersuchung von Salomo et al. (2007) genutzten Indikatoren verwendet, welche den Innovationserfolg in die drei Dimensionen Produkterfolg, Markterfolg und Projektefﬁzienz unterteilen. Bez¨ uglich des Messzeitpunktes wurden die Informanten gebeten, die Beantwortung des Fragebogens auf das letzte abgeschlossene Projekt, welches das Unternehmen in den Markt eingef¨ uhrt hat und an dem sie beteiligt waren, zu beziehen. Hinsichtlich der Referenzgr¨oße f¨ ur die Messung wurde ausgef¨ uhrt, dass zeitund branchen¨ ubergreifende Erfolgsvergleiche mittels eines absoluten Referenzmaßstabs aufgrund der damit verbundenen Willk¨ ur problematisch erscheinen (vgl. z. B. Zhang und Doll, 2001; Song und Parry, 1997a; Hauschildt, 1991). Da die vorliegende Arbeit jedoch Innovationsvorhaben in mehreren Branchen miteinander vergleicht, wird dem Hinweis von Hauschildt (2004) gefolgt, der den Vergleich von Innovationsprojekten mit einem zuvor deﬁnierten Ziel als einzig rationale Vorgehensweise zur Erfolgsbewertung ansieht. Insofern werden im Rahmen dieser Arbeit die w¨ahrend der Fr¨ uhphasenplanung urspr¨ unglich deﬁnierten Vorhabensziele als Referenzgr¨oße f¨ ur die Erfolgsbeurteilung herangezogen. Auf der Ebene des Messsubjektes, also der Frage 16

So stellen beispielsweise Clift und Vandenbosch (1999) in ihrer Untersuchung einen Zusammenhang zwischen dem Innovationsgrad und der Projektkomplexit¨ at her und setzen in Anlehnung an das in Abschnitt 2.2 dargestellte Klassiﬁkationsschema von Booz, Allen & Hamilton Kostenreduktionsprojekte und Repositionierungen mit einfachen Projekten gleich, w¨ ahrend weitreichende Ver¨anderungen und Weltneuheiten als komplexe Projekte eingestuft werden.

Untersuchungsdesign

141

Projekterfolg Dimensionen

Indikatoren

Produkterfolg

Wie hoch war die Zielerreichung f¨ ur die folgenden produktbezogenen Zielgr¨ oßen in Ihrem Entwicklungsvorhaben? Erreichung der technischen Leistungsziele Erreichung der angestrebten Qualit¨ at Produktionsfreundlichkeit des Produktes

Markterfolg

Wie hoch war die Zielerreichung f¨ ur die folgenden marktbezogenen Zielgr¨ oßen in Ihrem Entwicklungsvorhaben? Erreichung des Zielumsatzes Erreichung des Ziel-Marktanteils Erzielung eines nachhaltigen Wettbewerbsvorteils

Projekteﬃzienz

Wie hoch war die Zielerreichung f¨ ur die folgenden projektbezogenen Zielgr¨ oßen in Ihrem Entwicklungsvorhaben? Budgeteinhaltung Einhaltung der Time-to-Market Zeitplaneinhaltung

Tabelle 4.9: Operationalisierung des Projekterfolgs

danach, wer um eine Erfolgsbewertung gebeten wird, muss sich die vorliegende Arbeit auf das Urteil von Schl¨ usselinformanten verlassen.17 Auch wenn dieses Vorgehen eigene Schwierigkeiten birgt, wurde von dem Versuch, objektive Kennzahlen f¨ ur die einzelnen Erfolgsdimensionen zu erheben, abgesehen, da auch dieses Vorgehen mit erheblichen Problemen behaftet sein kann, wie Dess und Robinson (1984) und Dawes (1999, S. 67 f.) verdeutlichen: [...] managers may be reluctant to disclose actual performance data if ” they consider it commercially sensitive or conﬁdential. Second, subjective measures may be more appropriate than objective measures for comparing proﬁt performance in cross-industry studies. This is because proﬁt levels can vary considerably across industries, obscuring any relationship between the independent variables and company performance. Subjective measures might be more appropriate in this situation because managers 17

Zur Eignung von Schl¨ usselinformanten als Datenquelle siehe auch Abschnitt 4.1.2.1

142

Empirische Untersuchung can take the relative performance of their industry into account when providing a response (ie ’rate the proﬁt performance of your ﬁrm relative to others in your industry’). Third, performance measures such as proﬁtability may not accurately indicate the underlying ﬁnancial health of a company. Proﬁtability may vary due to reasons such as the level of investment in R&D or marketing activity, that might have longer term eﬀects. Last, there have been several studies that show a strong correlation between objective and subjective measures.“

Angesichts dieser potenziellen Probleme, der vergleichsweise einfach durchzuf¨ uhrenden subjektiven Erfolgseinsch¨atzung durch die Informanten und dem breiten Industriequerschnitt der Untersuchung in der vorliegenden Arbeit, der die Vergleichbarkeit objektiver Kennzahlen stark einschr¨anken k¨onnte, wird daher auf die subjektiven Urteile der Schl¨ usselinformanten zur¨ uckgegriﬀen.

4.1.2 Erhebungsdesign und Stichprobenstruktur Nachdem in Kapitel 3 die zu testenden Hypothesen formuliert wurden und die Operationalisierung der Konstrukte in Abschnitt 4.1.1 und den zugeh¨origen Unterabschnitten dargestellt wurde, widmen sich die folgenden Punkte der praktischen Durchf¨ uhrung der Datenerhebung. Hierzu wird zun¨achst auf die Datengrundlage und die Erhebung eingegangen, bevor anschließend die Stichprobenstruktur n¨aher beschrieben wird. 4.1.2.1 Datengrundlage, erforderlicher Stichprobenumfang und Datenerhebung Den Ausgangspunkt einer empirischen Untersuchung bildet die Wahl einer der Fragestellung angemessenen Datenerhebungsmethode. Im Rahmen der vorliegenden Untersuchung, die den Anspruch erhebt, die entwickelten Hypothesen anhand der betrieblichen Planungspraxis von Innovationsprojekten zu u ufen, ist es erfor¨ berpr¨ derlich, eine Prim¨arerhebung durchzuf¨ uhren. Vor dem Hintergrund der Zielsetzung, die Planung von Innovationsprojekten mit unterschiedlichen Neuheitsgraden und in unterschiedlichen Umfeldsituationen zu

Untersuchungsdesign

143

untersuchen, wurde entschieden, die Erhebung nicht nur innerhalb einer Branche durchzuf¨ uhren, sondern durch eine Streuung u ¨ ber mehrere Branchen ein breiteres Spektrum hinsichtlich des Branchenumfelds einzufangen, um zu m¨oglichst allgemeing¨ ultigen Aussagen kommen zu k¨onnen. Zur Identiﬁkation der Branchen wurden uhrt. Um eine Expertengespr¨ache mit Vertretern aus Wissenschaft und Praxis gef¨ Vergleichbarkeit der Planungsprozesse in den Projekten zu gew¨ahrleisten, wurde entschieden, die Untersuchung auf das verarbeitende Gewerbe einzuschr¨anken, da in der Innovationsforschung neben den Gemeinsamkeiten der Entwicklung neuer Dienstleistungen und Produkte auch immer wieder auf bedeutende Unterschiede hingewiesen wird (vgl. z. B. Nijssen, Hillebrand, Vermeulen und Kemp, 2006; I. Drejer, 2004; A. Johne und Storey, 1998). Zudem wurden Branchen wie die Pharmaindustrie, Medizintechnik oder die Luftfahrt(zulieferer)industrie von der Untersuchung urchten war, dass besonders strenge gesetzliche ausgeschlossen, bei denen zu bef¨ Vorschriften und Dokumentationspﬂichten eine Vergleichbarkeit des Planungsverhaltens mit anderen Branchen erschweren w¨ urde. Als Grundlage f¨ ur die empirische Untersuchung wurden schließlich die Branchen Maschinenbau (Nace18 -Schl¨ ussel 29), Herstellung von Ger¨aten der Elektrizit¨atserzeugung und Elektrizit¨atsverteilung19 (Nace-Schl¨ ussel 31), Medizin-, Mess-, Steuer- und Regelungstechnik, Optik20 (NaceSchl¨ ussel 332, 333, 334) und Herstellung von Kraftwagen und Kraftwagenteilen (Nace-Schl¨ ussel 34) ausgew¨ahlt. F¨ ur die vorliegende Arbeit wurden zudem nur Unternehmen mit mindestens 100 Mitarbeitern ausgew¨ahlt, um sicherzustellen, dass dort etablierte Planungs- und Entwicklungsprozesse existieren, und zu vermeiden, dass Prozesse kleiner und junger Unternehmen, die viele Eigenheiten aufweisen k¨onnen und damit schwer vergleichbar w¨aren, Gegenstand der Analyse werden (vgl. auch Eisenhardt und Tabrizi, 1995). In r¨aumlicher Hinsicht wurde die Untersuchung auf die Bundesrepublik Deutschland eingeschr¨ankt. In Hinblick auf die Identiﬁkation konkreter Ansprechpartner in den identiﬁzierten Unternehmen war es von besonderer Relevanz, dass diese in die Planung von Innovationsprojekten eingebunden waren. Um insbesondere hinsichtlich der Gestaltungsdimension Partizipation“ ein umfassendes empirisches Bild zu erhalten, ” 18 19 20

Nomenclature g´en´erale des activit´es ´economiques Im Folgenden wird diese Branche aus Gr¨ unden der besseren Lesbarkeit als Elektrotechnik bezeichnet. Im Folgenden wird von der Mess-, Steuer- und Regelungstechnik gesprochen.

144

Empirische Untersuchung

w¨are eine Befragung ganzer Projektteams und evtl. weiterer, in die Planung eingebundener Personen aus verschiedenen Unternehmensfunktionen vorteilhaft. Eine derartige Vorgehensweise ließ sich allerdings aus Gr¨ unden der Erhebungseﬃzienz nicht realisieren, so dass auf die Methode der Befragung von Schl¨ usselinformanten, sog. Key-Informants, zur¨ uckgegriﬀen werden musste (vgl. z. B. Berekoven, Eckert und Ellenrieder, 2006). Diese zeichnen sich dadurch aus, dass sie in Bezug auf die die zu untersuchende Fragestellung u ugen und daher ¨ber ein herausragendes Wissen verf¨ als Repr¨asentanten“ der Zielgruppe fungieren k¨onnen. Auf Basis der Ausf¨ uhrungen ” in Abschnitt 3.2 l¨asst sich die Person des Projektleiters als ein m¨oglicher Schl¨ usselinformant identiﬁzieren. Zudem wurde im Rahmen der Expertengespr¨ache der Frage nachgegangen, welche weiteren Personen die f¨ ur die zu untersuchende Fragestellung zu stellenden Anforderungen erf¨ ullen. Als potenziell geeignete Ansprechpartner wurden so dar¨ uber hinaus Projektingenieure bzw. Konstrukteure, Projekt- bzw. ur F&E-Controller, Produktmanager, Technische Leiter, Entwicklungsleiter und f¨ kleinere Unternehmen die Gesch¨aftsleitung identiﬁziert. Aufgrund der gegen die Befragung von Schl¨ usselinformanten vorgebrachten Bedenken hinsichtlich systematischer oder zuf¨alliger Fehler insbesondere bei komplexen Beurteilungsaufgaben wurden die Experten zudem um die Bewertung der Komplexit¨at der vorliegenden Befragung gebeten. Dabei herrschte die Meinung vor, dass ein einzelner Informant in der Lage w¨are, die Fragen vollst¨andig und verl¨asslich zu beantworten. Nachdem sowohl die zu untersuchenden Branchen als auch die potenziellen Ansprechpartner in den Unternehmen identiﬁziert wurden, ist im n¨achsten Schritt ur die Untersuchung notwendige Stichprobenumfang zu ermitteln. Wird von der f¨ einer Vollerhebung abgesehen, die vielfach aus Kosten- und Zeitgr¨ unden nicht realisierbar ist, muss die Analyse auf Basis einer Teilerhebung durchgef¨ uhrt werden. In Abh¨angigkeit von den gew¨ahlten statistischen Analyseverfahren bedarf es dabei einer mehr oder minder großen Stichprobe. Insbesondere die in Abschnitt 4.1.1.5 bereits erw¨ahnten Strukturgleichungsmodelle verlangen nach großen Stichproben (vgl. z. B. Hair, Black, Babin, Anderson und Tatham, 2006; Backhaus et al., 2000). In der Literatur werden diesbez¨ uglich immer wieder Faustformeln genannt, wobei die Angaben zum Stichprobenumfang variieren: So werden N ≥ 100, N ≥ 200 oder auch N ≥ Anzahl der zu sch¨atzenden Parameter + 50 als Untergrenzen f¨ ur den Stich-

Untersuchungsdesign

145

probenumfang genannt (vgl. z. B. Backhaus et al., 2000; Bearden, Sharma und Teel, 1982; Bagozzi, 1981). Diese Regeln stoßen jedoch mit einer zunehmenden Komplexit¨at des zu sch¨atzenden Modells an ihre Grenzen, da sie, wenn u ¨ berhaupt, lediglich die Anzahl der zu sch¨atzenden Parameter als Einﬂussfaktor auf den erforderlichen Stichprobenumfang ber¨ ucksichtigen und andere Treiber vernachl¨assigen (Bearden et al., 1982). Sie sind daher kritisch zu betrachten und werden in einigen Ver¨oﬀentlichungen bereits als veraltet bezeichnet (vgl. z. B. McQuitty, 2004). Um auf Basis der Teilstichprobe inferenzstatistische Aussagen u ¨ ber die gesamussen f¨ ur den Forscher akzeptable statistische te Population treﬀen zu k¨onnen, m¨ Fehlerwahrscheinlichkeiten speziﬁziert werden (Hair et al., 2006). Hierbei wird typischerweise zwischen dem Fehler erster Art (α) und dem Fehler zweiter Art (β) unterschieden (Kleinbaum, Kupper, Muller und Nizam, 1998): Der Fehler erster Art beschreibt die Wahrscheinlichkeit, die Nullhypothese zur¨ uckzuweisen, obwohl sie eigentlich angenommen werden m¨ usste, oder mit anderen Worten die Wahrscheinlichkeit, dass ein Test statistische Signiﬁkanz anzeigt, obwohl diese in Wahrheit nicht vorliegt. Der Fehler zweiter Ordnung hingegen beschreibt die Wahrscheinlichkeit, eine Nullhypothese nicht zur¨ uckzuweisen, obwohl sie eigentlich zur¨ uckgewiesen werden m¨ usste. Ein statistisch hoch interessantes Maß stellt die Wahrscheinlichkeit 1 − β dar, die auch als statistische Power bezeichnet wird. Sie beschreibt die ability of ” correctly rejecting the null hypothesis when it should be rejected. Thus, power is the probability that statistical signiﬁcance will be indicated if it is present“ (Hair et al., 2006, S. 10). Diese Zusammenh¨ange der verschiedenen Fehlerwahrscheinlichkeiten sind noch einmal in Abbildung 4.4 zusammengefasst:

Realität

H0: kein Unterschied statistische Entscheidung Ha: Unterschied

kein Unterschied

Unterschied

1-α

Fehler zweiter Art

α Fehler erster Art

β 1-β statistische Power

Abbildung 4.4: Wahrscheinlichkeiten der Ergebnisse bei Hypothesentests. In Anlehnung an Kleinbaum et al. (1998)

146

Empirische Untersuchung

F¨ ur gew¨ohnlich wird α als derjenige Wert angegeben, bei dem statistische Zusammenh¨ange als signiﬁkant erachtet werden, jedoch zeigt Abbildung 4.4, dass es die statistische Power ist, die die Erfolgswahrscheinlichkeit bestimmt, mit der Unterschiede gefunden werden, wenn diese tats¨achlich existieren. Allerdings lassen sich α und β nicht zeitgleich auf besonders niedrige Werte setzen, da sie invers miteinander verbunden sind: Je restriktiver der Fehler erster Art kontrolliert wird, umso h¨oher ist die Wahrscheinlichkeit f¨ ur das Auftreten eines Fehlers zweiter Art. Somit verringert eine st¨arkere Restriktion des Fehlers erster Art die Power eines statistischen Tests. Insofern muss abgewogen werden, wie ein Gleichgewicht zwischen der Wahrscheinlichkeit α und der Power eines statistischen Test realisiert werden kann (Hair et al., 2006). Diese Wahrscheinlichkeiten sind von Bedeutung, da sie es gestatten, gemeinsam mit der Eﬀektgr¨oße, dem Grad zu dem angenommen wird, dass die Nullhypothese H0 nicht zutriﬀt, im Rahmen einer sogenannten Poweranalyse einen mindestens erforderlichen Stichprobenumfang rechnerisch zu ermitteln (MacCallum, Browne und Sugawara, 1996).21 Im Rahmen einer Poweranalyse f¨ ur ein Strukturgleichungsmodell muss neben den genannten Gr¨oßen zus¨atzlich die Anzahl der Freiheitsgrade des Modells ber¨ ucksichtigt werden (McQuitty, 2004). In der resultierenden Formel steigt der erforderliche Stichprobenumfang mit einer abnehmenden Fehlerwahrscheinlichkeit α, einer h¨oheren gew¨ unschten Power, einer geringeren Eﬀektgr¨oße sowie einer geringeren Zahl an Freiheitsgraden (MacCallum et al., 1996; Cohen, 1992). Somit ist auch dieses Verfahren nicht frei von Problemen, da bei Einbeziehung einer hohen Anzahl an Indikatoren und einer sich daraus ergebenden hohen Zahl an Freiheitsgraden sehr kleine Mindeststichprobenumf¨ange entstehen k¨onnen, welche kaum noch Aussagekraft besitzen (McQuitty, 2004; MacCallum et al., 1996). Insofern ist der ermittelte Wert als Untergrenze anzusehen, und es sollte trotzdem eine m¨oglichst hohe Fallzahl angestrebt werden. Im Rahmen der vorliegenden Arbeit wurde wurde die Poweranalyse mit dem SAS Makro csmpower“ von Michael Friendly durchgef¨ uhrt, welches auf dem von ” 21

Problematisch ist allerdings, dass die Wahrscheinlichkeit, mit der eine Nullhypothese falsch ist, eine f¨ ur den Forscher unbekannte Gr¨ oße darstellt. Diese Wahrscheinlichkeit kann jedoch in Abh¨angigkeit von der zugrundegelegten Eﬀektst¨ arke und dem statistischen Testverfahren aus der Literatur entnommen werden (vgl. z. B. MacCallum et al., 1996; Cohen, 1992, 1988).

Untersuchungsdesign

147

MacCallum et al. (1996) entwickelten Verfahren basiert.22 Die hierf¨ ur erforderliche Lizenz f¨ ur die Statistiksoftware SAS konnte im Rahmen eines Projektantrages u ¨ber das Rechenzentrum der Universit¨at Hamburg genutzt werden. Basierend auf den Ausf¨ uhrungen in Abschnitt 3.6 und der Operationalisierung der latenten Variablen in ur Abschnitt 4.1.1 ergibt sich ein Strukturgleichungsmodell mit 514 Freiheitsgraden. F¨ den Fehler erster Ordnung α wird im Rahmen der Poweranalyse ein g¨angiger Wert von 0,05 angenommen. Als Wert f¨ ur die statistische Power wird u ¨ blicherweise 0,8 gew¨ahlt (vgl. f¨ ur beide Werte Cohen, 1992). F¨ ur die vorliegende Untersuchung wird jedoch ein Wert von 0,9 gew¨ahlt, um eine vorsichtigere Sch¨atzung des minimalen Stichprobenumfangs zu erhalten. Schließlich ist f¨ ur eine Durchf¨ uhrung der Poweranalyse noch die Eﬀektst¨arke zu speziﬁzieren. Diese wird nach dem Verfahren von MacCallum et al. (1996) f¨ ur Poweranalysen f¨ ur Strukturgleichungsmodelle u ¨ber die 23 RMSEA-Werte der Null- und der Alternativhypothese ermittelt. Hierbei werden u ur die Nullhypothese und 0,08 f¨ ur die Alternativhypo¨blicherweise Werte von 0,05 f¨ these gew¨ahlt. Im Rahmen dieser Arbeit wird jedoch eine vorsichtigere Sch¨atzung vorgenommen, so dass ein Wert von 0,07 f¨ ur die Alternativhypothese zugrundegelegt wird. Aufbauend auf diesen Werten liefert die Poweranalyse einen minimalen Stichprobenumfang von 101. Da es jedoch im Zuge der Reliabilit¨ats- und Validit¨atspr¨ ufung der Konstrukte zur Elimination einzelner Indikatoren kommen kann und sich hieraus ¨ Anderungen f¨ ur die Zahl der Freiheitsgrade erg¨aben, wurde zus¨atzlich eine Berechnung durchgef¨ uhrt, in der gem¨aß der three indicator rule“ (vgl. z. B. Hair et al., ” 2006) angenommen wurde, dass jede latente Variable lediglich mit drei Indikatoren gemessen wird.24 Hieraus ergibt sich ein Modell mit 311 Freiheitsgraden, so dass sich ur eine statistische ein notwendiger minimaler Stichprobenumfang von 113 bzw. 140 f¨ Power von 0,8 bzw. 0,9 ergibt.

22 23 24

Michael Friendly stellt das Makro im Internet u ¨ber die Homepage der York University unter der Adresse http://www.math.yorku.ca/SCS/sasmac/csmpower.html zur Verf¨ ugung. Root Mean Square Error of Approximation Nach der three indicator rule“ sollten latente Variablen m¨ oglichst mit drei oder mehr Indi” katoren gemessen werden, um Identiﬁkationsproblem im Rahmen der Modellspeziﬁkation zu vermeiden. Bei signiﬁkanten Zusammenh¨ angen zwischen den latenten Variablen ist jedoch auch eine Operationalisierung mit zwei Indikatoren pro Konstrukt m¨ oglich (Hair et al., 2006).

148

Empirische Untersuchung

Eine pers¨onliche bzw. telefonische Befragung von mindestens 101 Unternehmensvertretern war aufgrund begrenzter ﬁnanzieller und zeitlicher Ressourcen nicht praktikabel, so dass die Daten f¨ ur die vorliegende Arbeit in Form einer schriftlichen, standardisierten Befragung erhoben wurden. Neben pragmatischen Gr¨ unden, wie ¨ der Kosten- und Zeitersparnis, sprechen jedoch auch methodische Uberlegungen f¨ ur dieses Vorgehen. Beispielsweise k¨onnen durch diese Art der Datenerhebung Antwortverzerrungen, die aus einem Interviewereinﬂuss erwachsen k¨onnen, vermieden werden. Dar¨ uber hinaus ist die Zusicherung von Anonymit¨at der Informanten im Rahmen einer schriftlichen Befragung in der Regel glaubhafter als bei pers¨onlichen Interviews. Schließlich k¨onnen sich Personen, die beruﬂich oder privat stark eingebunden sind, leichter an einer schriftlichen Befragung beteiligen da sie zeitlich ﬂexibler gestaltet werden kann und die Terminkoordination f¨ ur ein Gespr¨ach entf¨allt (Kuß, 2007). ur die vorliegende Untersuchung von Bedeutung, Insbesondere dieser Aspekt ist f¨ da die identiﬁzierten Schl¨ usselinformanten erfahrungsgem¨aß zu einer, vor allem aus Termingr¨ unden, nur schwer erreichbaren Zielgruppe z¨ahlen. Berekoven et al. (2006) verdeutlichen allerdings auch, dass die Erhebungsmethode der schriftlichen Befragung mit potenziellen Problemen behaftet ist: So k¨onnen Kommunikationsprobleme entstehen, da im Gegensatz zu einer m¨ undlichen oder teleur etwaige R¨ uckfragen fonischen Befragung keine oder nur beschr¨ankte M¨oglichkeiten f¨ bestehen. Insofern ist im Rahmen der Ausarbeitung des Fragebogens mit besonderer Sorgfalt vorzugehen und es ist u. a. auf die Formulierung verst¨andlicher Fragen, einen m¨oglichst knappen Fragebogenumfang und eine gute Strukturierung zu achten.25 Diesen Aspekten wurde Rechnung getragen, indem die potenziellen Informanten im Anschreiben ausdr¨ ucklich ermutigt wurden, f¨ ur R¨ uckfragen mit dem Verfasser in Kontakt zu treten und sich dar¨ uber hinaus mit ihm u ¨ber aus ihrer Sicht bestehende Probleme oder Forschungsbedarfe auszutauschen. Bei der Erstellung des Fragebogens wurden zudem die einschl¨agigen Empfehlungen der Methodenforschung beachtet (vgl. z. B. Kuß, 2007; Aaker, Kumar und Day, 2001). F¨ ur die in den Messmodellen genutzten Indikatoren wurde zudem versucht, auf bereits bew¨ahrte Skalen und Formuuckzugreifen, um eine m¨oglichst hohe Verst¨andlichkeit zu gew¨ahrleisten. lierungen zur¨ Der Fragebogen wurde in einem iterativen Prozess entwickelt, in dessen Verlauf er wiederholt mit Wissenschaftlern und Praktikern in Hinblick auf Sinnhaftigkeit, 25

F¨ ur eine ausf¨ uhrlichere Darstellung vgl. z. B. Berekoven et al. (2006) und Kuß (2007).

Untersuchungsdesign

149

Eindeutigkeit und Verst¨andlichkeit der Fragen und der Gestaltung diskutiert wurde. Abschließend wurde mit 15 Schl¨ usselinformanten aus den Branchen Maschinenbau, Optik und Herstellung von Kraftwagenteilen ein Pretest durchgef¨ uhrt, in dessen ullen, den hierf¨ ur Rahmen die Probanden gebeten wurden, den Fragebogen auszuf¨ ben¨otigten Zeitaufwand zu dokumentieren sowie Anmerkungen und Verbesserungsvorschl¨age zu unterbreiten. Auf Basis des Feedbacks wurden lediglich geringf¨ ugige Modiﬁkationen vorgenommen, um einzelne Fragen noch weiter zur pr¨azisieren. Ein weiteres Problem schriftlicher Befragungen besteht in der im Vergleich zu pers¨onlichen oder telefonischen Interviews geringen R¨ ucklaufquote (Berekoven et al., 2006). Diese k¨onnen in Abh¨angigkeit von der Untersuchung erheblichen Schwankungsbreiten unterliegen: So spricht Meﬀert (1992) von einer durchschnittlichen ucklaufquote schriftlicher Befragungen von 5-30 Prozent, w¨ahrend Aaker et al. R¨ (2001) eine Spannweite von 10-90 Prozent angeben. Berekoven et al. (2006) weisen zudem darauf hin, dass die Auskunftsbereitschaft seit geraumer Zeit r¨ uckl¨auﬁg ist, so dass sich zunehmend nur noch geringere Aussch¨opfungsquoten realisieren lassen. Dies ist insofern problematisch, als sich bei einer geringen R¨ ucklaufquote Repr¨asentanzprobleme ergeben k¨onnen. Insofern ist einerseits eine ausreichend große Grundgesamtheit f¨ ur die Befragung zu bestimmen und andererseits sind Maßnahmen zur Erh¨ohung der R¨ ucklaufquote zu ergreifen. Auf Basis einer angenommenen R¨ ucklaufquote von ca. 10 Prozent der Frageb¨ogen,26 von denen ca. 10 Prozent als nicht f¨ ur die Datenauswertung nutzbar angenommen werden, wurde ein minimaler Umfang von 1.700 f¨ ur die Befragungsgesamtheit festgelegt.27 Als Grundlage f¨ ur die Auswahl der Befragungsgesamtheit wurde die HoppenstedtDatenbank gew¨ahlt. Diese umfasst nach eigenen Angaben Daten zu 250.000 deutschen Unternehmen. Die Unternehmensproﬁle enthalten neben Adressdaten wie ussel kodierten BranAnschrift und Telefonnummer und der u ¨ ber die NACE-Schl¨ chenzugeh¨origkeiten auch Angaben zu verschiedenen Entscheidungstr¨agern in den 26

27

Aufgrund des ungl¨ ucklichen Zeitpunktes der Datenerhebung ab Juni und der Gefahr, ferienbedingt nicht alle Ansprechpartner erreichen zu k¨ onnen, wurde mit 10 Prozent ein vorsichtiger Wert f¨ ur den angenommenen R¨ ucklauf zugrundegelegt. Aus Termingr¨ unden war eine Verschiebung der Datenerhebung auf einen geeigneteren Zeitpunkt ab September leider ausgeschlossen. Auf Basis dieser Annahmen w¨ urde sich ein Nettostichprobenumfang von 153 ergeben, der damit die erforderlichen 140 Datens¨ atze u urde. ¨bersteigen w¨

150

Empirische Untersuchung

Unternehmen.28 Damit bieten diese Firmenproﬁle nicht nur die erforderlichen Adressdaten, sondern gestatten auch eine pers¨onliche Ansprache der Schl¨ usselinformanten. Unter Nutzung der bereits genannten Branchenschl¨ ussel und einer Mindestanzahl von 100 Mitarbeitern als weiteren Filter wurden insgesamt 3077 Datens¨atze identiﬁziert. Diese wurden zun¨achst um Doppelnennungen bereinigt, da eine Reihe von Unternehmen in mehreren der untersuchten Branchen gef¨ uhrt wurden. Ebenso wurden reine Holding- und Beteiligungsgesellschaften ausgeschlossen. Anschließend wurden die Datens¨atze hinsichtlich der ben¨otigten Informationen auf Vollst¨andigkeit u uft. ¨berpr¨ F¨ ur 88 Unternehmen waren keine Angaben zu Entscheidungstr¨agern im Unternehmen verf¨ ugbar. In 12 F¨allen konnten diese auch nicht u ¨ber weitere Recherchen ermittelt werden, so dass diese Unternehmen von der Untersuchung ausgeschlossen wurden. Die Schl¨ usselinformanten wurden anhand einer Reihe synonymer Suchbegriﬀe aus den Datens¨atzen herausgeﬁltert.29 Konnte auf diesem Wege kein geeigneter Ansprechpartner identiﬁziert werden, wurde in kleinen Unternehmen ein Mitglied der Gesch¨aftsleitung als Ansprechpartner ausgew¨ahlt.30 F¨ ur mittlere und große Unternehmen wurden mittels Internetrecherchen und des Gesch¨aftskontaktnetzwerkes Xing31 geeignete Schl¨ usselinformanten identiﬁziert. Wenn sich auch hierdurch keine zufriedenstellende L¨osung erzielen ließ, wurde schließlich ein Mitglied der Gesch¨aftsleitung als Ansprechpartner gew¨ahlt. Im Zuge dieser Datenaufbereitung wurde festgestellt, dass zu einer Reihe von Mehrfachnennungen einiger Ansprechpartner kam. Eine weitere Betrachtung der Daten zeigte, dass in mehreren F¨allen unterschiedliche Unternehmen unter der gleichen Anschrift und mit dem gleichen Ansprechpartner aufgef¨ uhrt waren. Aufgrund der verschiedenen Unternehmensnamen war diese Doppelung im ersten Bereinigungsschritt nicht feststellbar. Wenn m¨oglich, wurde in diesen F¨allen ein alternativer Ansprechpartner recherchiert. Zudem stellte sich im Rahmen der Datenaufbereitung heraus, dass im Zuge des Datenexports aus der Datenbank und der Portierung in eine Excel Datei einige Fehler bei der Darstellung von Umlauten auftraten, so dass der Datensatz noch einmal einer Rechtschreibpr¨ ufung unterzogen 28 29 30

31

F¨ ur die Informationen zur Hoppenstedt-Datenbank vgl. http://www.ﬁrmendatenbank.de. Hierf¨ ur wurden Begriﬀe wie Forschung, Entwicklung, Technik, Research, Development, Produkt, technisch, F&E, R&D, etc. genutzt. Hier wurden nach M¨ oglichkeit die Verantwortlichen f¨ ur die Bereiche Marketing oder Business Development gew¨ahlt, da unterstellt wurde, dass diese eine gewisse N¨ ahe zur Neuproduktentwicklung aufweisen w¨ urden. http:/www.xing.de

Untersuchungsdesign

151

wurde. Am Ende dieses Prozesses standen 2784 Datens¨atze zur Verf¨ ugung. Da sich der ermittelte minimale Stichprobenumfang damit bereits auf ca. zwei Drittel der ugung stehenden Grundgesamtheit belief, entschloss sich der Verfasser zu zur Verf¨ einer Vollerhebung.32 Um eine zufriedenstellende R¨ ucklaufquote zu erreichen, wurden die folgenden Maßnahmen ergriﬀen:33 • personalisierte Adresse und Versand des Fragebogen als Brief (nicht als Drucksache) • pers¨onliches und handschriftlich unterzeichnetes Anschreiben, in dem das Anliegen erl¨autert, vertrauliche Behandlung zugesichert und gegebenenfalls um Weiterleitung gebeten wurde • Angebot der kostenlosen Zusendung einer Zusammenfassung der Ergebnisse sowie eines individuellen Benchmarkings als Gegenleistung“ f¨ ur die Teilnahme ” • sorgf¨altige und u ¨ bersichtliche Gestaltung des Fragebogens sowie Fragebogenl¨ange unter 12 Seiten34 • M¨oglichkeit der Fragebogenbeantwortung online oder in Papierform • Durchf¨ uhrung einer zweistuﬁgen Nachfassaktion: (1) Zusendung eines Erinnerungsschreibens mit einem Hinweis auf den online-Fragebogen ca. 3 Wochen nach Versand der Frageb¨ogen an diejenigen Ansprechpartner, die bis dahin noch nicht geantwortet hatten. Da sich abzeichnete, dass aufgrund der Sommerferien nur wenig R¨ ucklauf auf die erste Nachfassaktion folgte, wurden nach weiteren vier Wochen (2) die Ansprechpartner noch einmal per E-Mail kontaktiert 32

33 34

Dieser Entschluss erfolgte auch aufgrund der von verschiedenen Autoren formulierten Anforderungen an den Stichprobenumfang f¨ ur die Analyse von Strukturgleichungsmodellen, da die genannten Werte mehrfach den mittels der Poweranalyse berechneten Wert u ¨berschreiten (vgl. z. B. Backhaus et al., 2000; Bearden et al., 1982; Bagozzi, 1981). ¨ F¨ ur eine Ubersicht u oglichkeiten zur Steigerung der R¨ ucklaufquote siehe Kuß (2007) und ¨ber M¨ Aaker et al. (2001). Aaker et al. (2001) nennen bereits 6-8 Seiten als Obergrenze f¨ ur den Umfang schriftlicher Befragungen, wenn diese nur mittelm¨ aßig interessant f¨ ur die Respondenten ist. Der f¨ ur diese Arbeit genutzte Fragebogen umfasste insgesamt 8 Seiten, von denen ca. 6,5 f¨ ur Fragen genutzt wurden.

152

Empirische Untersuchung und mit dem erneuten Hinweis auf den online-Fragebogen sowie die bereits eingegangenen Frageb¨ogen um die Teilnahme an der Befragung gebeten.

Im Fragebogen wurden die Befragten gebeten, ihre Antworten auf das letzte Neuproduktentwicklungsprojekt zu beziehen, an dem sie beteiligt waren und das uhrt hat. Dabei wurde das Unternehmen abgeschlossen und in den Markt eingef¨ bewusst auf die Frage nach einem typischen“ Projekt verzichtet, da sich im Rahmen ” des Pre-Tests zeigte, dass die Unternehmensvertreter die in ihren Unternehmen durchgef¨ uhrten Neuproduktentwicklungsprojekte als zu unterschiedlich empfanden, um von einem typischen Vorgehen zu sprechen. Zum Abschluss des Befragungszeitraumes (September 2008) waren 151 ausgef¨ ullte Frageb¨ogen eingegangen. Zudem stellte sich heraus, dass bei 62 Unternehmen die Adressdaten erloschen waren, es sich bei 17 Unternehmen um T¨ochter ausl¨andischer Unternehmen handelte, die in Deutschland keine Forschung und Entwicklung betreiben, 8 Unternehmen lediglich Auftragsentwicklung betrieben und somit keine eigenen Projekte planten und 5 Unternehmen in der Zwischenzeit Insolvenz angemeldet hatten. Hieraus ergab sich eine Bruttostichprobe von 2692 Unternehmen. Auf dieser Basis betr¨agt die R¨ ucklaufquote somit 5,61 Prozent. Um eine Verzerrung der Ergebnisse zu vermeiden, wurden die Frageb¨ogen auf konsistentes Antwortverhalten hin gepr¨ uft und Frageb¨ogen von der Analyse ausgeschlossen, bei denen fehlende Werte bei der abh¨angigen Variablen zu beobachten waren.35 Auf diese Weise wurden 14 Frageb¨ogen von der folgenden Analyse ausgeschlossen, wodurch sich eine Nettostichprobe von 137 Frageb¨ogen und eine bereinigte R¨ ucklaufquote von 5,1 Prozent ergaben. Auch wenn mit Ausnahme der besonders konservativen Sch¨atzung der im Rahmen der Power-Analyse bestimmte erforderliche Stichprobenumfang u ¨ bertroﬀen wurde und sich das erzielte Ergebnis in der Spannweite durchschnittlich zu erwartender Werte beﬁndet, ist es insgesamt aber als gering zu beurteilen.

35

W¨ahrend die Entfernung von Datens¨ atzen mit fehlenden Werten aufgrund des damit verbundenen hohen Informationsverlustes grunds¨ atzlich kritisch zu betrachten ist, wird im Falle fehlender Werte bei den abh¨angigen Variablen empfohlen, diese Datens¨ atze von der Analyse auszuschließen, um eine k¨ unstliche Verst¨ arkung der Beziehung zwischen unabh¨ angigen und abh¨ angigen Variablen zu vermeiden (vgl. z. B. Hair et al., 2006). Auf die Behandlung fehlender Werte bei den unabh¨angigen Variablen wird in Abschnitt 4.2.2 eingegangen.

Untersuchungsdesign

153

4.1.2.2 Stichprobenstruktur Der folgende Abschnitt dient einer genaueren Beschreibung der erzielten Stichprobe um im Anschluss daran m¨ogliche Repr¨asentativit¨atsprobleme zu diskutieren. Abbildung 4.5 zeigt die Verteilung der Branchenzugeh¨origkeit der Unternehmen in der Grundgesamtheit sowie in der erzielten Stichprobe: Realisierte Stichprobe

Grundgesamtheit

2,2%

12,54%

10,9%

11,28% 13,87%

59,85%

15,23%

60,94%

13,14%

Maschinenbau

Elektrotechnik

Automobilzulieferer

Mess-/Steuer-/Regelungstechnik

nicht genannt

Abbildung 4.5: Vergleich von realisierter Stichprobe und Grundgesamtheit hinsichtlich der Branchenverteilung

Zun¨achst ist zu konstatieren, dass Unternehmen aus allen angeschriebenen Branchen an der Untersuchung teilgenommen haben.36 Jedoch gibt es gegen¨ uber der Grundgesamtheit leichte Abweichungen in der Verteilung, so dass einzelne Branchen u ¨ber- bzw. unterrepr¨asentiert sind. Die Unternehmen aus dem Maschinenbau machen mit jeweils ca. 60 Prozent in der Grundgesamtheit und der erzielten Stichprobe die absolute Mehrheit aus. Die Elektrotechnikbranche hingegen ist in der erzielten Stichprobe leicht unterrepr¨asentiert. W¨ahrend sie in der Grundgesamtheit mit 15,2 Prozent vertreten ist, liegt ihr Anteil in der Stichprobe lediglich bei 13,1 Prozent. Die Hersteller von Kraftwagen und Kraftwagenteilen hingegen sind in der Stichprobe u ¨ berrepr¨asentiert: In der Grundgesamtheit liegt ihr Anteil mit 11,3 Prozent unter dem erzielten Anteil von 13,9 Prozent. Die Unternehmen aus dem Bereichen Mess-, 36

Zur u ussels 33 ¨bersichtlicheren Darstellung wurden die verschiedenen Unterklassen des Nace-Schl¨ zu einem Block Mess-, Steuer- und Regelungstechnik“ zusammengefasst. Hierin sind auch die ” unter dem Nace-Schl¨ ussel 334 gef¨ uhrten Unternehmen der Optikbranche enthalten.

154

Empirische Untersuchung

Steuer- und Regelungstechnik sowie Optik hingegen sind in der Stichprobe unteruber einem Anteil von 12,5 Prozent in der Grundgesamtheit repr¨asentiert. Gegen¨ repr¨asentieren sie nur 10,9 Prozent der erzielten Stichprobe. Insgesamt ist damit zu konstatieren, dass die Stichprobe hinsichtlich der Bran¨ chenverteilung der Unternehmen weitgehende Ahnlichkeit mit der Grundgesamtheit aufweist. Die Unternehmensgr¨oße wurde in Form einer oﬀenen Frage erhoben und die ur eine einfachere Darstellung an dieser Stelle zu einzelnen GrupUnternehmen f¨ pen zusammengefasst. Die sich hieraus ergebende Verteilung der Unternehmen ist in Abbildung 4.6 dargestellt. An dieser Stelle wird von einem Vergleich zwischen ¨ der Grundgesamtheit und der erzielten Stichprobe abgesehen, da ein Uberpr¨ ufung der Angaben zeigte, dass die Ausk¨ unfte der Schl¨ usselinformanten und die in der Hoppenstedt- Datenbank hinterlegten Werte teilweise erheblich voneinander abwichen. Weiterf¨ uhrende Recherchen im Internet ergaben, dass dies zumindest teilweise darauf zur¨ uckzuf¨ uhren ist, dass die Antworten sich auf unterschiedliche Unterneh¨ mensbereiche zu beziehen scheinen.37 Die Uberpr¨ ufung ergab zudem, dass die in der Hoppenstedt-Datenbank enthaltenen Angaben zur Mitarbeiterzahl teilweise acht Jahre alt waren, so dass ein Vergleich an dieser Stelle wenig sinnvoll erscheint. Hinsichtlich der befragten Personen ist insbesondere zu u ufen, ob die zu¨ berpr¨ vor identiﬁzierten Schl¨ usselinformanten mit den tats¨achlich antwortenden Personen u ¨ bereinstimmen. Deutliche Abweichungen zwischen den eigentlichen Zielpersonen und den tats¨achlich Antwortenden k¨onnen zu Ergebnisverf¨alschungen f¨ uhren, da nicht ohne weiteres angenommen werden kann, dass die Aussagen der Nichtadressaten mit usselinformanten u denen der eigentlichen Schl¨ ¨bereinstimmen (Berekoven et al., 2006). Neben der Position des Antwortenden im Unternehmen wurde zudem dessen Berufserfahrung in der Neuproduktentwicklung sowie die Anzahl der Innovationsprojekte, die die antwortende Person in ihrer aktuellen Position begleitet hat, abgefragt. Ein Abgleich der Angaben auf den Frageb¨ogen mit den zuvor identiﬁzierten potenziellen ¨ Schl¨ usselinformanten wies weitreichende Ubereinstimmung auf. 37

Manche Mitarbeiterzahlen scheinen sich auf konkrete (Produktions-)Standorte zu beziehen, w¨ahrend andere sich auf Deutschland und weitere wiederum auf die weltweiten Mitarbeiter eines Unternehmens beziehen.

Untersuchungsdesign

155

35% 30%

25% 20%

15% 10%

5% 0% 100-250

251-500

501-1000

1001-5000

>5000

keine Angabe

Anzahl der Mitarbeiter

Abbildung 4.6: Verteilung der Unternehmen in der erzielten Stichprobe nach Gr¨ oßenklassen

Die Befragten verf¨ ugten u ¨ ber durchschnittlich 13,7 Jahre Berufserfahrung in der Neuproduktentwicklung und waren in ihrer aktuellen Position an durchschnittlich 19,7 Innovationsprojekten beteiligt. Somit ist davon auszugehen, dass die antwortenden Personen sowohl aufgrund ihrer Position im Unternehmen als auch aufgrund ihre beruﬂichen Erfahrung im Bereich Neuproduktentwicklung tats¨achlich als Schl¨ usselinformanten angesehen werden k¨onnen und die Gefahr der Ergebnisverf¨alschung durch ungeeignete Nichtadressaten somit als gering einzustufen ist.

Nachdem die Unternehmen sowie die Schl¨ usselinformanten beschrieben wurden, sollen im Folgenden die Projekte n¨aher betrachtet werden, die die Basis f¨ ur die ¨ Antworten der Informanten bilden. Abbildung 4.7 gibt einen Uberblick u ¨ ber die verschiedenen Gesch¨aftstypen, denen sich die Innovationsprojekte zuordnen lassen. Bei 66 Projekten (48 Prozent) handelte es sich um Produktgesch¨afte. 38 Projekte (28 Prozent) entstanden aus Zulieferergesch¨aften, 18 Projekte (13 Prozent) lassen sich dem Anlagengesch¨aft zuordnen und 15 Projekte (11 Prozent) dem Systemgesch¨aft. Die Projekte dauerten im Schnitt ca. 24 Monate und wurden von Teams durchgef¨ uhrt, die eine durchschnittliche Gr¨oße von 11 Personen hatten.

156

Empirische Untersuchung 13% 28% 11%

Zulieferergeschäft Produktgeschäft Systemgeschäft Anlagengeschäft

48%

Abbildung 4.7: Gesch¨ aftstypen der untersuchten Innovationsprojekte

Bez¨ uglich des Innovationsgrades zeigt sich, dass die meisten Projekte einen moderaten bis mittleren Innovationsgrad aufweisen und nur wenige als radikal bezeichnet werden k¨onnen. Zur graphischen Veranschaulichung wurde der Mittelwert der Indikatoren gebildet und auf die jeweils n¨achste ganze Zahl auf- bzw. abgerundet. Die Ergebnisse sind in Abbildung 4.8 zusammengefasst. 45% 40% 35% 30% 25% 20% 15% 10% 5% 0% 1

2

3

4

5

6

7

Innovationsgrad (gerundet)

Abbildung 4.8: Neuheitsgrad der untersuchten Innovationsprojekte

Basierend auf dieser Betrachtung der Stichproben- und Probandencharakteristika l¨asst sich konstatieren, dass die Anforderungen an die Schl¨ usselinformanten f¨ ur die Beantwortung des Fragebogens weitgehend erf¨ ullt sind. Zudem ist auch auf Basis

Untersuchungsdesign

157

der unternehmensdemographischen Daten keine Verzerrung der Ergebnisse durch die ¨ Uberoder Unterrepr¨asentanz einzelner Branchen zu erwarten. Jedoch k¨onnen Ergebnisverzerrungen auch daraus entstehen, dass sich die an der Befragung teilnehmenden Unternehmen (Respondents) von den nicht antwortenden Unternehmen (Non Respondents) in f¨ ur die Untersuchung wesentlichen Merkmalen unterschieden. Allerdings wird ein systematischer Vergleich beider Unternehmensgruppen durch den in der Regel geringen Informationsstand u ¨ber die Merkmale der nicht antwortenden Unternehmen erschwert. Eine M¨oglichkeit zur Identiﬁkation potenzieller Verzerrungen durch Nichtbeantwortung des Fragebogens bestimmter Unternehmensgruppen bietet das Verfahren von J. S. Armstrong und Overton (1977) zur Sch¨atzung des Nonresponse Bias. Dem Verfahren liegt der Idee zugrunde, die Stichprobe in fr¨ uh Antwortende ( early respon” dents“) und sp¨at Antwortende ( late respondents“) zu unterteilen und diese beiden ” Gruppen auf systematische Unterschiede in ihrer demographischen Struktur und ihrem Antwortverhalten zu untersuchen. Hierbei wird angenommen, dass mittels der sp¨at Antwortenden eine Extrapolation auf die nicht antwortenden Unternehmen m¨oglich ist, da die sp¨at antwortenden Unternehmen den nicht antwortenden ¨ahnlicher sind als den fr¨ uh antwortenden Unternehmen. Zu diesem Zweck wurde die Stichprobe anhand des Medians des R¨ ucklaufdatums des Fragebogens in zwei Gruppen unterteilt. Anschließend wurden die Mittelwerte der abgefragten Unternehmensdaten mittels eines t-Tests f¨ ur zwei unabh¨angige Stichproben miteinander verglichen. Die Ergebnisse sind in Tabelle 4.10 zusammengefasst.

Levene’s Test for Equality of Variances

t-Test for Equality of Means

F

Sig.

t

df

Sig. (2-tailed)

Mitarbeiterzahl

2,636

0,107

-1,200

125

0,232

Jahresumsatz in Mio Euro

3,307

0,072

-1,146

116

0,254

¨ Tabelle 4.10: Uberpr¨ ufung auf Nonresponse Bias durch t-Test auf Gleichheit der Mittelwerte zwischen fr¨ uh Antwortenden und sp¨at Antwortenden

158

Empirische Untersuchung

Bei Betrachtung der Tabelle wird deutlich, dass die zu pr¨ ufende Nullhypothese Es besteht kein Unterschied in den Mittelwerten zwischen den Gruppen der fr¨ uh ” Antwortenden und der sp¨at Antwortenden“ auf einem Signiﬁkanzniveau von 5 Prozent nicht verworfen werden kann. Zudem zeigt der Levene-Test, dass auf einem Signiﬁkanzniveau von 5 Prozent auch keine signiﬁkanten Unterschiede in den Varianzen der betrachteten Variablen zwischen den Gruppen bestehen. Insofern kann im Rahmen der vorliegenden Arbeit davon ausgegangen werden, dass kein Nonresponse Bias vorliegt. Abschließen wurde der Datensatz mittels der Tests nach Komolgoroﬀ-Smirnov und Shapiro-Wilk auf eine multivariate Normalverteilung u uft. F¨ ur beide Verfahren ¨berpr¨ musste die Hypothese u ¨ber die multivariate Normalverteilung der Daten verworfen werden.

4.1.3 Methodik der Datenauswertung Im Rahmen dieses Abschnitts wird auf die f¨ ur die vorliegende Arbeit wesentlichen statistischen Verfahren eingegangen. Hierbei handelt es sich insbesondere um Strukturgleichungsmodelle, die in Abschnitt 4.1.3.1 behandelt werden sowie um die hierar¨ ufung von Interaktionseﬀekten chische moderierte Regressionsanalyse, die zur Uberpr¨ genutzt werden kann und in Abschnitt 4.1.3.2 n¨aher erl¨autert wird. 4.1.3.1 Strukturgleichungsmodelle Die Ausf¨ uhrungen in Kapitel 2 und 3 haben gezeigt, dass es sich bei der Planung von Innovationsprojekten um ein komplexes Ph¨anomen handelt, f¨ ur dessen Analyse die Betrachtung einer Vielzahl von Variablen erforderlich ist. Zudem bedarf es f¨ ur eine Untersuchung der Erfolgswirksamkeit der Projektplanung sowohl der Betrachtung von Beziehungen zwischen unabh¨angigen Variablen (z. B. zwischen Planung und Umsetzung) als auch zwischen unabh¨angigen und der abh¨angigen Variable (z. B. zwischen Planung und Erfolg sowie zwischen Umsetzung und Erfolg). In Abschnitt 4.1.1 wurde zudem verdeutlicht, dass es sich bei den hierbei zu betrachtenden Variablen um latente Konstrukte handelt, die sich einer direkten Messung entziehen und daher mittels beobachtbarer Variablen operationalisiert werden m¨ ussen. Folglich m¨ ussen im Rahmen dieser Arbeit solche Analysetechniken genutzt werden, die die beiden folgenden Eigenschaften bieten: Die Analysemethode muss es erlauben, eine Vielzahl

Untersuchungsdesign

159

unabh¨angiger Variablen und deren Beziehungen untereinander simultan zu pr¨ ufen. Die Analysetechnik muss in der Lage sein, explizit zwischen beobachtbaren Variablen und latenten Konstrukten zu unterschieden, aber trotzdem beide Variablentypen in der Untersuchung ber¨ ucksichtigen. Diesen Anspr¨ uchen werden grunds¨atzlich die modernen Verfahren der Kausalanalyse (engl. structural equation modeling (SEM), causal modeling), h¨auﬁg auch als Strukturgleichungsmodelle bezeichnet, gerecht: [...] various theoretical models can be tested in SEM that hypothesize how sets ” of variables deﬁne constructs and how these constructs are related to each other“ (Schumacker und Lomax, 2004, S. 2).38 Die Analyse von Strukturgleichungsmodellen vollzieht sich in mehreren Schritten, wobei insbesondere die Modellspeziﬁkation, die Sch¨atzung, die Modellbewertung und eventuell erforderliche Modellmodiﬁkationen von Bedeutung sind (vgl. z. B. Kline, 2005; Schumacker und Lomax, 2004; Hoyle, 1995). Der Ablauf dieser Schritte ist in Abbildung 4.9 dargestellt. Im Folgenden wird vor allem n¨aher auf die ersten drei von ihnen eingegangen.

Modellspezifikation und Identifikationsprüfung

Parameterschätzung ggf. Modellmodifikation Modellbeurteilung

Ergebnisinterpretation

Abbildung 4.9: Vorgehensweise im Rahmen der Kausalanalyse. Quelle: Homburg und Pﬂesser (2000)

Modellspeziﬁkation Im ersten Schritt einer Kausalanalyse muss das zu untersuchende Modell speziﬁziert werden. Unter einem Modell ist dabei eine statistische 38

Im Folgenden wird ausschließlich auf kovarianzbasierte Strukturgleichungsmodelle eingegangen. Neben diesen existieren varianzbasierte Verfahren wie die Partial Least Squares (PLS) Methode, auf deren Darstellung hier jedoch verzichtet wird. Sie wird beispielsweise ausf¨ uhrlich in den B¨ uchern von Huber et al. (2007) und Bliemel, Eggert, Fassott und Henseler (2005) behandelt.

160

Empirische Untersuchung

Aussage u ¨ ber die Beziehungen von Variablen zu verstehen (Hoyle, 1995). Im Rahmen der Speziﬁkation wird zun¨achst ein theoriegeleitetes Modell aus latenten und beobachtbaren Variablen entwickelt (Schumacker und Lomax, 2004, S. 62): Model speciﬁcation involves using all of the available relevant theory, ” research, and information and developing a theoretical model. Thus, prior to any data collection or analysis, the researcher speciﬁes a speciﬁc model that should be conﬁrmed with variance-covariance data.“ Innerhalb des Modells werden lineare Zusammenh¨ange zwischen den verschiedenen Variablen postuliert, wobei zwischen gerichteten und nicht gerichteten Beziehungen unterschieden wird. Die gerichteten Zusammenh¨ange beschreiben die in den Hypothesen formulierten Wirkungen einer Variable auf andere Variablen, w¨ahrend die nicht gerichteten Beziehungen die Kovarianzen zwischen den Variablen darstellen. Diese Beziehungen werden als nicht gerichtet bezeichnet, da keine Wirkungsrichtung speziﬁziert wird. Jeder dieser Beziehungen kann gedanklich ein numerischer Wert zugewiesen werden, so dass sie wesentliche Modellparameter darstellen (MacCallum, 1995), die ebenfalls speziﬁziert werden m¨ ussen (Schumacker und Lomax, 2004, S. 62): Model speciﬁcation involves determining every relationship and para” meter in the model that is of interest to the researcher.“ Typischerweise wird im Rahmen der Speziﬁkation zwischen ﬁxierten, eingeschr¨ankten und freien Modellparametern unterschieden, wobei die erstgenannten nicht auf Basis der Daten gesch¨atzt werden, sondern vom Forscher festgelegt werden, w¨ahrend die beiden letztgenannten aus den Daten gesch¨atzt werden. Eingeschr¨ankte Parameter werden dabei so speziﬁziert, dass sie dem Wert eines oder mehrerer anderer Parameter entsprechen m¨ ussen. Die Kombination aus ﬁxen, eingeschr¨ankten und freien Modellparametern beschreibt die zwei wesentlichen Komponenten eines Strukturgleichungsmodells: das Messmodell und das Pfadmodell39 (Hoyle, 1995). Das Messmodell ist der Teil des Gesamtmodells, der - meist in Form eines konﬁrmatorischen Faktorenmodells - die linearen Beziehungen zwischen den latenten und 39

Das Pfadmodell wird h¨ auﬁg auch als Strukturmodell im engeren Sinne bezeichnet. Von dieser Nomenklatur wird hier jedoch Abstand genommen, um Missverst¨ andnisse zu vermeiden.

Untersuchungsdesign

161

beobachtbaren Variablen beschreibt, also den Zusammenhang zwischen den latenten Konstrukten und den ihnen zugeh¨origen Indikatoren charakterisiert. Das Pfadmodell ist der Teil des Gesamtmodells, der die linearen Zusammenh¨ange zwischen den latenten Variablen und ggf. den beobachtbaren Variablen, die nicht Indikatoren sind, beschreibt. Der Kern der Kausalanalyse liegt somit in der Kombination der ¨ Entwicklungen aus Okonometrie (Pfadmodell) und Psychometrie zur Messung nicht direkt beobachtbarer Konstrukte (Homburg und Klarmann, 2006). Mathematisch wird das Pfadmodelle wie folgt beschrieben: η = Bη + Γξ + ζ

(4.1)

wobei η die latente endogene Variable, ξ die latente exogene Variable beschreibt. B ist die Matrix der Pfadkoeﬃzienten βi der endogenen auf die endogenen Variablen. Γ ist die Matrix mit den Pfadkoeﬃzienten, die die Zusammenh¨ange zwischen den exogenen und den endogenen Variablen darstellen. ζ beschreibt den zus¨atzlichen Fehlerterm, der aus zuf¨alligen St¨orungen und Fehlspeziﬁkationen besteht. Die φix schließlich beschreiben die Kovarianzen zwischen den latenten Konstrukten Die Messmodelle f¨ ur die latenten exogenen und die latenten endogenen Variablen werden mathematisch wie folgt beschrieben: (4.2) x = Λx ξ + δ

y = Λy η + ε

(4.3)

Hierbei werden die Indikatoren zur Messung der latenten exogenen Variablen mit x und die der latenten endogenen Variablen mit y bezeichnet. Die Messfehler zu den Indikatoren sind mit δ bzw. ε bezeichnet. Die Matrizen Λx und Λy sind die Matrizen der Ladungen der Indikatoren x bzw. y auf die latenten Variablen ξ und η. Die Elemente dieser Matrizen werden mit λ bezeichnet. Diese Zusammenh¨ange sind in Abbildung 4.10 zusammengefasst. Im Rahmen der Modellspeziﬁkation ist insbesondere auch darauf zu achten, dass das Modell identiﬁziert ist (Hoyle, 1995, S. 4)40 : 40

Ein Modell kann entweder genau identiﬁziert, unteridentiﬁziert oder u ¨beridentiﬁziert sein. Ein Modell ist dann identiﬁziert und damit eindeutig l¨ osbar, wenn es gerade identiﬁziert oder u ur eine ausf¨ uhrliche Darstellung siehe Kline (2005). ¨beridentiﬁziert ist. F¨

162

δ1

Empirische Untersuchung

x1

λx11 ξ1

δ2 δ3

x2 x3

λx21 φ21

λx32

γ 12 ξ2

δ4 δ5

x4 x5

λx42 λx53

φ32 φ31

x6

λy11

y1

ε1

λy21

y2

ε2

λy32

y3

ε3

λy42

y4

ε4

η1 β21

γ 22

ξ3 δ6

ζ1

γ 11

ζ2

η2

γ 23

λx63

Messmodell der latenten exogenen Variablen

Messmodell der latenten endogenen Variablen Pfadmodell

Abbildung 4.10: Strukturgleichungsmodell mit Messmodell und Pfadmodell

A fundamental consideration when specifying models in SEM is iden” tiﬁcation. Identiﬁcation concerns the correspondence between the information to be estimated - the free parameters - and the information from which it is to be estimated - the observed variances and covariances. More speciﬁcally, identiﬁcation concerns whether a single, unique value for each and every free parameter can be obtained from the observed data.“ Ist ein Modell nach der urspr¨ unglichen Speziﬁkation unteridentiﬁziert und damit nicht eindeutig l¨osbar, k¨onnen durch die Einschr¨ankung oder Fixierung weiterer ugung gestellt werden, um so das Modellparameter mehr Informationen zur Verf¨ Modell zu identiﬁzieren (Schumacker und Lomax, 2004). Parametersch¨ atzung Nachdem ein identiﬁziertes Modell speziﬁziert wurde, kann es im n¨achsten Schritt gesch¨atzt werden. Hierf¨ ur stehen eine Reihe meist iterativer

Untersuchungsdesign

163

Verfahren zur Verf¨ ugung, deren gemeinsame Grundidee darin besteht, die Kovarianzmatrix der Indikatorvariablen bestm¨oglich zu reproduzieren, also die Diﬀerenz zwischen der modellimplizierten Kovarianzmatrix und der aus den Daten beobachteten Kovarianzmatrix zu minimieren (Hoyle, 1995). Diese unterscheiden sich im wesentlichen hinsichtlich der Voraussetzungen, auf denen sie basieren, sowie im Hinblick auf die statistischen Eigenschaften der resultierenden Sch¨atzer (Homburg und Baumgartner, 1995). Merkmal

ML

GLS

ja

ja

nein

ja

ja

ja

ja

ja

nein

Skaleninvarianz

ja

ja

nein

44

ja

ja

nein

Normalverteilungsannahme konsistente Sch¨ atzer

41

asymptotisch eﬃziente Sch¨ atzer 43

Skalenfreiheit

42

ULS

Tabelle 4.11: Eigenschaften verbreiteter Sch¨ atzverfahren. Eigene Darstellung in Anlehnung an Krane und Slaney (2005), Schumacker und Lomax (2004) und Kaplan (2000)

Das am weitesten verbreitete Sch¨atzverfahren ist die Maximum-Likelihood Sch¨atzung (ML), welche als Standardmethode in den meisten Computerprogrammen zur Analyse von Strukturgleichungsmodellen voreingestellt ist (Kline, 2005). Weitere relevante Methoden sind die General-Least-Squares Sch¨atzung (GLS) und die UnweightedLeast-Squares Sch¨atzung (ULS) (vgl. z. B. Ogasawara, 2003; Schumacker und Beyer¨ lein, 2000). Eine Ubersicht u ¨ber die Eigenschaften dieser Sch¨atzverfahren ﬁndet sich in Tabelle 4.11. 41

42

43

44

Konsistenz beschreibt die Eigenschaft der Sch¨ atzer, bei einem hinreichend großen Stichprobenumfang den wahren“ Wert beliebig exakt zu sch¨ atzen (Bortz, 2005). ” Man spricht von einem eﬃzienten Parameter, wenn er erwartungstreu (d. h. unverzerrt) ist und gleichzeitig den geringsten Sch¨ atzfehler aller unverzerrt gesch¨ atzten Parameter aufweist (Schneeweiß, 1990). Man spricht von Skaleninvarianz, wenn der Wert der Zielfunktion bei Ver¨ anderung der Maßeinheiten der Indikatorvariablen unver¨ andert bleibt (Kaplan, 2000). Skalenfreiheit liegt vor, wenn bei Ver¨ anderungen der Maßeinheiten der Indikatorvariablen die Parametersch¨atzer entsprechend angepasst werden (Kaplan, 2000).

164

Empirische Untersuchung

Wie aus der Tabelle ersichtlich wird, besitzen insbesondere die Methoden ML und GLS eine Reihe statistisch w¨ unschenswerter Eigenschaften. Insofern wird h¨auﬁg zu ihrem Einsatz geraten (Chou und Bentler, 1995, S. 54): When the data are multivariate normally distributed and when the ” sample size is large enough, the ML and GLS methods are certainly preferred because of computational simplicity, accuracy, and correctness of statistical results, but when data are nonnormal, the situation changes completely.“ 45 Die Ausf¨ uhrungen von Chou und Bentler (1995) verdeutlichen jedoch gleichzeiur den Einsatz dieser Methoden. Wie die tig die erforderlichen Voraussetzungen f¨ Ausf¨ uhrungen in Abschnitt 4.1.2.2 gezeigt haben, erf¨ ullt die vorliegende Stichprobe nicht die Anforderung multivariater Normalverteilung der Daten. Obwohl in der Literatur eine Vielzahl verschiedener Stichprobenumf¨ange als Mindestanforderung f¨ ur den Einsatz der ML-Methode genannt werden (vgl. z. B. Gaul und Homburg, 1988), ist der Umfang der vorliegenden Stichprobe mit 137 so dimensioniert, dass Verzerrungen aufgrund einer m¨oglicherweise zu geringen Anzahl an Datens¨atzen nicht ausgeschlossen werden k¨onnen. Der hieraus resultierenden Problematik f¨ ur die Wahl des Sch¨atzverfahrens kann auf vier verschiedene Weisen begegnet werden (Kline, 2005; S. G. West et al., 1995): • Normalisierung der Daten mittels Transformationen und Anwendung des MLVerfahrens46 • Verwendung des ML-Verfahrens mit Korrekturverfahren47 • Verwendung eines Sch¨atzverfahrens, das keine oder nur geringe Verteilungsannahmen voraussetzt48 45 46 47 48

F¨ ur eine ausf¨ uhrliche Darstellung der Probleme, die sich beim Einsatz von ML und GLS mit nicht normalverteilten Daten ergeben siehe S. G. West, Finch und Curran (1995). F¨ ur die Vorgehensweise und aus der Datentransformation resultierende Probleme siehe Kline (2005) Siehe hierf¨ ur zum Beispiel Satorra und Bentler (2001). Neben der bereits genannten ULS-Methode ist in dieser Situation auch die Sch¨ atzung mittels der Weighted Least Squares (WLS) Methode m¨ oglich, welche allerding extrem große Stichproben erfordert und daher auch als Asymptotically Distribution Free (ADF) bezeichnet wird. Komplexe Modelle bed¨ urfen f¨ ur die Sch¨ atzung mittels ADF oft mehrere tausend Datens¨ atze (Kline, 2005; Krane und Slaney, 2005; Schumacker und Lomax, 2004).

Untersuchungsdesign

165

• Verwendung des ML-Verfahrens und Durchf¨ uhrung eines nicht-parametrischen Bootstrapping49 Im Rahmen der vorliegenden Arbeit wird vor diesem Hintergrund die Parametersch¨atzung mittels der ULS-Methode vorgenommen. Von Datentransformationen wird aufgrund der damit verbundenen Probleme Abstand genommen. Die von Satorra ur die ML-Sch¨atzung sind und Bentler (2001) entwickelten Korrekturverfahren f¨ ugar, so dass nicht auf diesen Ansatz nicht in der genutzten Software AMOS verf¨ zur¨ uckgegriﬀen werden kann.50 Von der Verwendung eines Bootstrapping wird neben der Problematik des Stichprobenumfangs auch aufgrund fehlender Erfahrungswerte abgesehen (Kline, 2005, S. 197): Because there are at present few other studies of ” the bootstrap method as a way to deal with nonnormality in SEM, it is diﬃcult to recommend it now with conﬁdence.“ Die ADF-Methode schließlich scheidet aufgrund der erheblichen Anforderungen an den Stichprobenumfang als Sch¨atzverfahren aus. Trotz der im Vergleich zur ML-Methode oder dem GLS-Verfahren weniger w¨ unschenswerten statistischen Eigenschaften bietet die ULS-Sch¨atzung jedoch auch einige Vorteile. Die mittels des Verfahrens vorgenommene Minimierung der Zielfunktion und die zugeh¨orige Deﬁnition eines guten Modell Fits sind besonders intuitiv (Krane und Slaney, 2005). Simulationsstudien zeigen zudem, dass das ULS-Verfahren der ML-Methode bei der Aufdeckung schwacher Wirkungszusammenh¨ange u ¨berlegen ist, insbesondere wenn der Stichprobenumfang gering ist (Xim´enez, 2006). Von geringerer Bedeutung ist heutzutage der im Vergleich zur ML-Methode geringere Bedarf an Rechenleistung und Computerhardwareanforderungen (Kline, 2005). Simulationsstudien zeigen zudem eine hohe Korrelation von ML-basierten und ULS-basierten Sch¨atzern, wenn einheitliche Skalen verwendet werden (Ogasawara, 2003). Modellbeurteilung Im Rahmen der Modellbeurteilung wird der sogenannte Fit des Modells, also die Anpassung der Daten an das Modell, bewertet (Hoyle, 1995, S. 6): A model is said to ﬁt the observed data to the extent that the covariance matrix it ” implies is equivalent to the observed covariance matrix.“ Der Fit l¨asst sich auf zwei 49

50

Simulationsstudien von Nevitt und Hancock (2001) zeigen, dass ein Bootstrapping f¨ ur Stichprobenumf¨ange von N ≥ 200 zu einer Verringerung der Verzerrung von ML Sch¨ atzungen bei nicht normalverteilten Daten f¨ uhrt. F¨ ur kleinere Stichprobenumf¨ ange konnten jedoch keine zufriedenstellenden Ergebnisse erzielt werden. Die von Satorra und Bentler vorgeschlagenen Korrekturverfahren sind hingegen in den Statistikpakten LISREL und EQS in den aktuellen Versionen verf¨ ugbar.

166

Empirische Untersuchung

verschiedene Arten betrachten: Einerseits kann die Anpassung des gesamten Modells (global) betrachtet werden, andererseits auch die Anpassung einzelner Modellparameter (lokal) (Schumacker und Lomax, 2004). F¨ ur gew¨ohnlich wird zur Bewertung der Anpassungsg¨ ute der sogenannte χ2 goodness-of-ﬁt Index genutzt. Aufgrund verschiedener Probleme mit diesem Test wurden allerdings eine Reihe weiterer Fit-Indizes entwickelt, die sich oft intuitiver interpretieren lassen. Ihnen ist gemeinsam, dass sie nicht die modellimplizierte mit der beobachteten Kovarianzmatrix vergleichen, sondern den Fit durch einen Vergleich des speziﬁzierten Modells mit einem sogenannten Nullmodell, in dem keine Zusammenh¨ange zwischen den Variablen speziﬁziert sind, ermitteln. Insofern spiegeln die meisten dieser Indizes die Verbesserung der Anpassung des speziﬁzierten Modells im Vergleich zum Nullmodell wider. Da diese Indizes selbst keine Statistiken sind, gestatten sie keine formal-statistischen Tests der Modellanpassung, sondern werden als globale Indizes der Modeleignung aufgefasst (Hoyle, 1995). Im Gegensatz zu anderen statistischen Verfahren, die u ¨ ber einen einzelnen besonders aussagekr¨aftigen Anpassungstest verf¨ ugen, steht zur Beurteilung von Strukturgleichungsmodellen eine mittlerweile schwer u ¨ berschaubare Vielzahl von Indizes zur Verf¨ ugung (Schumacker und Lomax, 2004; Hu und Bentler, 1995).51 ¨ Einen Uberblick u ¨ber die Einordnung einer Auswahl dieser Anpassungsmaße bietet Abbildung 4.11. Da bei Verwendung der ULS-Methode nicht alle von Hu und Bentler empfohleugung stehen, werden u nen Anpassungsmaße zur Verf¨ ¨ ber die von Hu und Bentler 52 (1999) empfohlene 2-Index-Strategie“ hinaus weitere, zus¨atzliche Anpassungsmaße ” genutzt. ¨ Einen Uberblick u ¨ber die im Rahmen dieser Arbeit verwendeten Anpassungsmaße liefert Tabelle 4.12.

51 52

¨ Ein Uberblick ﬁndet sich bei Hu und Bentler (1995) sowie Hu und Bentler (1999). Hu und Bentler (1999) untersuchen die Eignung einer Reihe von Paaren von Anpassungsmaßen. Die jeweils gemeinsame Nutzung von zwei Anpassungsmaßen wird von den Autoren als 2-Index” Strategie“ bezeichnet.

Untersuchungsdesign

167

Anpassungsmaße

Globale Anpassungsmaße

Anpassungsmaße mit Vergleichsstandards

Lokale Anpassungsmaße

(Relative globale Anpassungsmaße)

Anpassungsmaße für das Strukturgleichungsmodell Beispiel: • Quadrierte multiple Korrelation

St d Alone Stand Al Anpassungsmaße

Inferenzstatistische Anpassungsmaße Beispiele: • F2-Teststatistik • RMSEA (root mean squared error of approximation)

Anpassungsmaße für das Messmodell Beispiele: • Indikatorreliabilität • t-Wert der Faktorladungen • Faktorreliabilität • Durchschnittlich erfasste Varianz

Despkriptive Anpassungsmaße

Anpassungsmaße, die Freiheitsgrade nicht berücksichtigen Beispiel: • GFI

Anpassungsmaße, die Freiheitsgrade berücksichtigen Beispiele: • F2/df • AGFI

Inkrementelle Anpassungsmaße

Anpassungsmaße, die Freiheitsgrade nicht berücksichtigen Beispiel: • NFI

Anpassungsmaße, die Freiheitsgrade berücksichtigen Beispiel: • CFI

¨ Abbildung 4.11: Ubersicht zu Anpassungsmaßen zur Beurteilung von Kausalmodellen. Quelle: Homburg und Pﬂesser (2000)

Anpassungsmaß

Schwellenwert

Gesamtmodell GFI (Goodness of Fit Index) AGFI (Adjusted Goodness of Fit Index) NFI (Normed Fit Index) RFI (Relative Fit Index) PNFI (Parsimonious Normed Fit Index)

≥ 0, 9 ≥ 0, 9 ≥ 0, 9 ≥ 0, 9 ≥ 0, 7

Messmodell Indikatorreliabilit¨at Konstruktreliabilit¨at durchschnittlich erfasste Varianz

≥ 0, 4 ≥ 0, 6 ≥ 0, 5

Strukturgleichungsmodell quadrierte multiple Korrelation f¨ ur Erfolgsgr¨ oßen

≥ 0, 2

Tabelle 4.12: Anpassungsmaße und Schwellenwerte. In Anlehnung an Verworn (2005)

168

Empirische Untersuchung

4.1.3.2 Analyse von Moderationseﬀekten Wie in Kapitel 3 ausgef¨ uhrt wurde soll neben den komplexen Wirkungsbeziehungen zwischen Projektplanung, -umsetzung und -erfolg auch der Einﬂuss verschiedener Kontextfaktoren wie dem Innovationsgrad, der Projektkomplexit¨at und dem Unternehmensumfeld auf die Planungsaktivit¨aten von Innovationsprojekten untersucht werden. Hieraus ergeben sich Wechselwirkungen, die auch als Moderationseﬀekte bezeichnet werden. Die Variable, die die Wirkungsbeziehung zweier anderer Variablen beeinﬂusst wird daher auch als Moderator bezeichnet (Baron und Kenny, 1986, S. 1174): In general terms, a moderator is a qualitative (e.g., sex, race, class) ” or quantitative (e.g., level of reward) variable that aﬀects the direction and/or strength of the relation between an independent or predictor variable and a dependent or criterion variable.“ Moderationseﬀekte k¨onnen auf unterschiedliche Weise analysiert werden. Grund¨ s¨atzlich kann eine solche Uberpr¨ ufung auch im Rahmen der bereits beschriebenen Strukturgleichungsmodelle vorgenommen werden (Huber, Heitmann und Herrmann, 2006). Da diese jedoch in aller Regel lineare Wirkungszusammenh¨ange betrachten sind hierf¨ ur erweiterte Ans¨atze erforderlich, die aufgrund ihrer Komplexit¨at und der Unkenntnis der Anwender hinsichtlich des Einsatzes dieser Methoden bislang wenig genutzt werden (Scholderer, Balderjahn und Paulssen, 2006). Vor diesem Hintergrund erscheint insbesondere der von Klein und Muthen (2007) entwickelte Quasi-ML-Ansatz viel versprechend, der mittlerweile in der Statistiksoftware Mplus integriert ist. Da diese dem Verfasser jedoch nicht zur Verf¨ ugung stand, wird im Rahmen dieser Arbeit auf andere Analyseverfahren zur¨ uckgegriﬀen. Sharma, Durand und Gur-Arie (1981) nennen hierbei insbesondere die Untergruppenanalyse (Subgroup Analysis) als auch die moderierte Regressionsanalyse. Die erstgenannte ﬁndet Anwendung, wenn es sich beim Moderator um eine kategoriale Variable handelt, w¨ahrend die letztgenannnte f¨ ur die Untersuchung metrisch bzw. kontinuierlich skalierter Variablen eingesetzt wird. Zum Zwecke einer Untergruppenanalyse werden die Daten anhand der Auspr¨agung der Moderatorvariablen in verschiedene Gruppen unterteilt, f¨ ur die jeweils die Wir-

Untersuchungsdesign

169

¨ kungsbeziehungen zwischen den weiteren betrachteten ermittelt werden. Zur Uberpr¨ ufung des Moderationseﬀekts wird anschließend u uft, ob sich die ermittelten ¨berpr¨ Beziehungen signiﬁkant von einander unterscheiden. Wenn dies der Fall ist, kann der Moderationseﬀekt als best¨atigt angesehen werden.

Moderierte Regressionsanalyse Die Verwendung der Regressionsanalyse zur Untersuchung von Moderationseﬀekten f¨ ur metrisch bzw. kontinuierlich skalierte Variablen bietet den Vorteil, dass ein m¨oglichst hoher Informationsgehalt der Daten ur eine Untergruppenanalyse erforderliche Verdichtung dieser gewahrt wird. Die f¨ Variablen zu einer kategorialen Gruppenvariable w¨ urde hingegen zu erheblichen Informationsverlusten f¨ uhren (Sharma et al., 1981). Um zu u ufen, ob die Beziehung ¨berpr¨ zwischen einer unabh¨angigen Variable x (Regressor, engl. predictor variable) und einer abh¨angigen Variable y (Regressand, engl. criterion variable) von einer weiteren Variable z (Moderator, engl. moderator variable) beeinﬂusst wird, wird u ¨blicherweise das Produkt von x und z, das auch als Interaktionsterm bezeichnet wird, gebildet und dieses in die Regressionsgleichung eingeschlossen (Irwin und McClelland, 2001; Aiken und West, 1991; Venkatraman, 1989). Es wird jedoch empfohlen, nicht nur eine einzelne Regressionsgleichung mit dem Produkt von x und z zu berechnen, sondern es sollte ein mehrstuﬁges, h¨auﬁg auch als hierarchisch bezeichnetes, Vorgehen gew¨ahlt uft und erst danach schrittweise werden, bei dem zun¨achst die direkten Eﬀekte u ¨berpr¨ die Interaktionsterme hinzugef¨ ugt werden (P. D. Allison, 1977). Im Rahmen einer ¨ regressionsanalytischen Uberpr¨ ufung eines einfachen Moderationseﬀekts sollten daher die folgenden drei Regressionsgleichungen berechnet und analysiert werden (Zedeck, 1971):

y = a + bx

(4.4)

y = a + b1 x + b2 z

(4.5)

y = a + b1 x + b2 z + b3 xz

(4.6)

Die Gleichungen 4.4 und 4.5 ermitteln die direkten Eﬀekte von x und z, w¨ahrend Gleichung 4.6 den Moderationseﬀekt enth¨alt. Zur Kl¨arung des moderierenden Einﬂusses werden in der Literatur verschiedene Vorgehensweisen vorgeschlagen: W¨ahrend

170

Empirische Untersuchung

Bedeian und Mossholder (1994) und Sharma et al. (1981) ausschließlich auf die Signiﬁkanz der Koeﬃzienten in den verschiedenen Regressionsmodellen abstellen, untersuchen Carte und Russell (2003) und C. H. Anderson (1986) die Regressions¨ modelle auf signiﬁkante Anderungen der erkl¨arten Varianz R2 .53 Diesem Verfahren soll auch im Rahmen der vorliegenden Arbeit gefolgt werden, so dass die Regressionsmodelle anhand der folgenden Formel auf signiﬁkante Unterschiede bez¨ uglich der von ihnen erkl¨arten Varianz u uft werden (C. H. Anderson, 1986): ¨berpr¨

FΔR2 =

2 /dfF − dfR RF2 − RR 2 (1 − RF )/(N − k − 1)

(4.7)

wobei FΔR2 den F-Wert f¨ ur die Diﬀerenz der R2 -Werte des umfassenderen Modells 2 (RF2 ) und des reduzierten Modells (RR ), dfF und dfR die Anzahl der Freiheitsgrade des umfassenderen bzw. des reduzierten Modells, N die Anzahl der Respondenten und k die Anzahl der unabh¨angigen Variablen im umfassenderen Modell beschreibt. Damit ein Moderationseﬀekt vorliegt, muss FΔR2 bei einem Vergleich der Regressionen 4.6 und 4.5 signiﬁkant sein. Anschließend kann mittels eines Vergleichs der Regressionen 4.5 und 4.4 ermittelt werden, welchen Anteil der Varianz von y durch z direkt erkl¨art wird. Ergibt sich ein nicht signiﬁkanter Wert f¨ ur FΔR2 , so hat z lediglich einen signiﬁkanten moderierenden Einﬂuss und man spricht von einem echten Moderator. Ist FΔR2 hingegen signiﬁkant, so u ¨ bt z neben dem signiﬁkanten moderierenden Einﬂuss auch einen signiﬁkanten direkten Einﬂuss auf y aus und wird als Quasi-Moderator bezeichnet (Sharma et al., 1981). Vor der Durchf¨ uhrung der moderierten Regressionsanalyse wird empfohlen, die unabh¨angigen Variablen zu zentrieren (Aiken und West, 1991).54 Diese Vorgehensweise bietet dem Forscher zwei wesentliche Vorteile und wird daher auch im Rahmen dieser Arbeit befolgt: Die Integration eines Interaktionsterms in eine Regression kann zu 53 54

F¨ ur eine ausf¨ uhrliche Darstellung der Probleme, die sich aus einer ausschließlichen Betrachtung der Regressionskoeﬃzienten ergeben kann siehe Carte und Russell (2003). Eine Variable wird zentriert, indem ihr Mittelwert von der jeweiligen Auspr¨ agung subtrahiert wird. W¨ahrend aufgrund der nachstehend genannten Vorteile eine Zentrierung der Regressoren als sinnvoll zu erachten ist, muss die abh¨ angige Variable nicht zentriert werden (Aiken und West, 1991).

Datenaufbereitung

171

einer ausgepr¨agten Korrelation der unabh¨angigen Variablen untereinander und damit zu Multikollinearit¨atsproblemen (lineare Abh¨angigkeit der Regressoren) f¨ uhren.55 Dieses Problem kann durch eine Zentrierung der unabh¨angigen Variablen minimiert werden (Aiken und West, 1991). Ein weiteres Problem besteht in der Interpretation der Regressionskoeﬃzienten in Gleichung 4.6. Die Werte b1 und b2 beschreiben die Steigung der Regressionsgeraden von y auf x bzw. z wenn der jeweils andere Wert 0 ist. Der Wert 0 ist jedoch im Rahmen sozialwissenschaftlicher Forschung h¨auﬁg nicht sinnvoll interpretierbar. Auf den vielfach genutzten Likert-Skalen mit Werten von 1 bis 7 ist er nicht einmal deﬁniert. Hier verschaﬀt eine Zentrierung Abhilfe, indem Sie den Wert 0 als Mittelwert der Skala jedes Regressors interpretierbar macht (Aiken und West, 1991). W¨ahrend also die Werte b1 und b2 aus Gleichung 4.6 durch die Zentrierung neu interpretiert werden, ¨andert sich weder der zu sch¨atzende Wert von b3 noch die ihm zugeh¨origen statistischen Tests (Irwin und McClelland, 2001; Aiken und West, 1991).56 Zur vereinfachten Darstellung und Interpretation der aufgedeckten, signiﬁkanten Moderationseﬀekte wird empfohlen, diese zu visualisieren (Aiken und West, 1991): Hierzu sollten die sog. simple slopes dargestellt werden, die die Steigung der Regressiur ﬁxe Werte f¨ ur z beschreiben. F¨ ur diese Darstellung wird z onsgeraden von y auf x f¨ auf drei Werte ﬁxiert: den Mittelwert von z (¯ z ) sowie z¯ ± eine Standardabweichung, so dass insgesamt drei simple slopes pro Moderationseﬀekt dargestellt werden sollten.

4.2 Datenaufbereitung ¨ 4.2.1 Uberpr¨ ufung auf Kodierungsfehler und nicht akzeptable F¨ alle Vor der eigentlichen quantitativen Analyse wurden die Rohdaten auf Kodierungsfehler u uft. Da die Antworten aus dem online- Fragebogen direkt in Excel bzw. ¨ berpr¨ SPSS exportiert werden konnten, wurden zun¨achst nur die postalisch beantworteten 55 56

Mit steigender Multikollinearit¨ at nimmt der Standardfehler der Regressionskoeﬃzienten zu, so dass deren Sch¨atzung unzuverl¨ assiger wird (Backhaus et al., 2000). Der Wert b1 wird wie bereits im Text angedeutet nach der Zentrierung als Steigung der Regressionsgeraden beim Mittelwert von z interpretiert. Dies gilt analog f¨ ur b2 . F¨ ur eine Herleitung der Auswirkungen der Zentrierung siehe (Irwin und McClelland, 2001).

172

Empirische Untersuchung

Frageb¨ogen u uft. Zun¨achst wurden die Daten mittels H¨auﬁgkeitsverteilungen ¨ berpr¨ auf Kodierungsfehler in Form von Variablenwerten, die außerhalb des zul¨assigen uft. Im Anschluss erfolgte eine detaillierte Beantwortungsbereiches liegen, u ¨ berpr¨ ¨ Uberpr¨ ufung der manuell kodierten Antworten. Auf diese Weise konnten 8 Kodierungsfehler ermittelt und die Eingaben entsprechend korrigiert werden. Zudem wurden, wie bereits in Abschnitt 4.1.2.1 beschrieben, 13 Frageb¨ogen aufgrund fehlender Daten bei den abh¨angigen Variablen von der weiteren Analyse ausgeschlossen. Ein Fragebogen wies zudem ein stark inkonsistentes Antwortverhalten auf, das sich wiederholt in einem Alternieren zwischen den Extremwerten der Skala innerhalb eines Messmodells ur die weitere Analyse ber¨ ucksichtigt werden manifestierte, so dass auch dieser nicht f¨ konnte.

4.2.2 Behandlung fehlender Werte Empirische Untersuchungen sehen sich h¨auﬁg mit dem Problem fehlender Werte (engl. missing values) in Datens¨atzen konfrontiert. Hierbei wird zwischen zwei verschiedenen Formen von fehlenden Werten unterschieden. Zun¨achst k¨onnen diese entstehen, wenn Probanden nicht erreicht werden k¨onnen, sie die Teilnahme an der Untersuchung verweigern oder der beantwortete Fragebogen durch Verlust oder Verlegen nicht in die Analyse der Daten einbezogen werden kann. Diese Form wird auch als unit nonresponse bezeichnet (Lessler und Kalsbeek, 1992) und wurde bereits in Abschnitt 4.1.2.1 betrachtet. Zudem treten fehlende Werte auf, wenn im Rahmen der Untersuchung eine oder mehrere Fragen nicht oder nur unvollst¨andig beantwortet werden. In diesem Fall wird von item nonresponse gesprochen (Groves, 1989). M¨ogliche Ursachen f¨ ur beide Formen fehlender Daten k¨onnen in der Art der Datenerhebung, dem Fragebogen, dem Probanden oder dem Interviewer begr¨ undet sein (De Leeuw, 2001). Unvollst¨andiges Datenmaterial kann im Rahmen der Datenauswertung zu Problemen f¨ uhren, da zahlreiche Analyseverfahren wie beispielsweise die Regressions-, Faktoren oder Clusteranalyse nicht mehr unmittelbar auf die Daten angewandt werden k¨onnen (Huisman, 1999). Der f¨ ur diese Arbeit genutzte Datensatz weist einen Anteil fehlender Werte in H¨ohe von 1,25 Prozent aus. Dieser Wert ist als sehr gering einzustufen. So ermittelt Schnell (1986) in einer Aufarbeitung empirischer Studien Werte, die h¨auﬁg zwischen 7 und 15 Prozent, teilweise sogar u ¨ber 30 Prozent liegen.

Datenaufbereitung

173

Eine wesentliche Rolle kommt den sogenannten Fehlendmechanismen zu, die beschreiben ob und wie der Datenausfall mit dem Untersuchungsinhalt zusammenh¨angt (Schafer und Graham, 2002; P. D. Allison, 2001). Die im Folgenden zu erl¨auternden Strategien zur Behandlung fehlender Werte basieren auf Annahmen bez¨ uglich des in den Daten vorliegenden Fehlermechanismus, so dass sie nur nach einer entsprechenden ¨ Uberpr¨ ufung angewandt werden k¨onnen (Huisman, 1999; Little und Rubin, 1987). Die strengste Annahme bildet das komplett zuf¨allige Fehlen von Daten, welches als missing completely at random MCAR bezeichnet wird (P. D. Allison, 2001, S. 3): Suppose there are missing data on a particular variable Y. The data on Y are said ” to be missing completely at random (MCAR) if the probability of missing data on Y is unrelated to the value of Y itself or to the values of any other variables in the data set.“ Folglich ist den erhobenen Daten in diesem Fall keine Information u ¨ ber den Fehlermechanismus zu entnehmen. Eine wesentlich schw¨achere Annahme ist das missing at random (MAR) genannte zuf¨allige Fehlen von Daten (Little, 1988): Unter dieser Annahme h¨angen fehlende Daten bei einer Variable Y nicht von deren Wert ab, k¨onnen jedoch durch Werte urden im Rahmen einer anderer Variablen im Datensatz hervorgerufen werden. W¨ Untersuchung beispielsweise das Einkommen und der Ehestand erhoben und eine Analyse der Daten w¨ urde zeigen, dass fehlende Angaben zum Einkommen vom Ehestand abhingen, jedoch innerhalb der Gruppen verheirateter und nicht verheirateter Personen jeweils kein Zusammenhang zwischen fehlenden Einkommensangaben und der H¨ohe des Einkommens best¨ unde, so w¨ urden die Daten der missing at random Annahme gen¨ ugen. F¨ ur Datens¨atze, bei denen die fehlenden Daten die MAR Annahme erf¨ ullen und bei denen die den Fehlendmechanismus beeinﬂussenden Variablen nicht mit den zu sch¨atzenden Parametern in Beziehung stehen, werden die fehlenden Werte als ignorable (ignorierbar) bezeichnet (P. D. Allison, 2001). Erf¨ ullen die Daten die MAR Annahme nicht, so werden sie als nonignorable oder missing not at random (MNAR) bezeichnet (G¨othlich, 2007). In diesem Fall ist das Fehlen der Daten wie der Name bereits verr¨at nicht zuf¨allig und wirkt damit verzerrend, da eine Antwortwahrscheinlichkeit vom Wert der betrachteten Variable abh¨angt (P. D. Allison, 2001). Ein Beispiel hierf¨ ur w¨are eine sinkende Bereitschaft, sein Einkommen anzugeben, je h¨oher dieses ist.

174

Empirische Untersuchung

4.2.2.1 Strategien zur Behandlung fehlender Werte Aufgrund der eingangs beschriebenen Situation hat sich eine Reihe verschiedener ur den Umgang mit fehlenden Werten entwickelt (vgl. z. B. G¨othlich, Strategien f¨ 2007; De Leeuw, 2001; Huisman, 2000). Diese Strategien sind im Rahmen empirischer Untersuchungen und Simulationsstudien verglichen worden, jedoch hat sich keine von ihnen als durchg¨angig u ¨berlegen herauskristallisiert (vgl. z. B. Huisman, 1999; Schulte Nordholt, 1998; Malhotra, 1987; Schnell, 1986). Die Methodenauswahl muss daher stets unter Ber¨ ucksichtigung der mit den Verfahren verbundenen Vor- und Nachteile, der ihnen zugrundeliegenden Annahmen, der Zielsetzung der Datenanalyse und der Aufw¨andigkeit der Verfahren erfolgen (G¨othlich, 2007; Schnell, 1986). Abbildung ¨ 4.12 bietet einen Uberblick u ¨ber die verschiedenen Klassen von Verfahren. Verfahren zur Behandlung fehlender Daten

Fallreduktion

Sample-Selection-Modelle

Gewichtungsverfahren

Imputationsverfahren

Complete Case Analysis

Konventionelle oder Ad hoc Verfahren

Available Case Analysis

Modellbasierte Verfahren Einfache Imputation (single imputation) Mehrfache Imputation (multiple imputation)

¨ Abbildung 4.12: Ubersicht u ¨ber Verfahren zur Behandlung fehlender Daten. In Anlehnung an G¨othlich (2007)

Bei den Verfahren der Fallreduktion bleiben die fehlenden Werte als solche erhalten und die Datenanalyse wird auf Basis einer unvollst¨andigen Datenmatrix vorgenommen. Hierbei wird zwischen den Verfahren der Complete Case Analysis (CC) und der Available Case Analysis (AC) unterschieden. Im Rahmen der erstgenannten Methode, auch als listwise deletion“ bezeichnet, werden s¨amtliche Datens¨atze, die ” fehlende Werte aufweisen gel¨oscht bzw. ignoriert, so dass lediglich vollst¨andige Datens¨atze (complete cases) in die Auswertung einbezogen werden. Im Rahmen der zweiten Methode, die auch als pairwise deletion“ bezeichnet wird, wird lediglich die ”

Datenaufbereitung

175

betroﬀene Variable des Datensatzes von der Analyse ausgeschlossen (G¨othlich, 2007). W¨ahrend diese Verfahren einfach anwendbar sind und somit h¨auﬁg zu den Standardeinstellungen statistischer Softwarepakete geh¨oren, weisen sie auch Nachteile auf. Der Ausschlusses von ganzen Datens¨atzen oder einzelnen Variablen kann zu erheblichen Informationsverlusten, verringerter Eﬃzienz von Sch¨atzungen und geringerer Aussagekraft von statistischen Tests f¨ uhren (De Leeuw, 2001). Im Fall der listwise deletion kann es zudem dazu kommen, dass einzelne Analysen auf unterschiedlichen Teilstichproben basieren und somit inkonsistent sind (Lessler und Kalsbeek, 1992). Beide Verfahren setzen die MCAR Annahme voraus. Sample-Selection-Modelle Die Sample-Selection-Modelle bem¨ uhen sich um die Behandlung fehlender Werte, wenn diese nicht zuf¨allig (MNAR) fehlen. Allerdings ist es hierf¨ ur erforderlich, den Ausfallmechanismus zu speziﬁzieren und zu modellieren, so dass f¨ ur eine eﬀektive Parametersch¨atzung a priori ein sehr detailliertes Wissen u ¨ber das Wesen der fehlenden Daten vorhanden sein muss (P. D. Allison, 2001). Dies erscheint h¨auﬁg kaum m¨oglich, so dass die Anwendbarkeit dieser Verfahren kritisch betrachtet wird (vgl. z. B. Schnell, 1997). Dementsprechend ist im Gegensatz zu den anderen hier diskutierten Methoden kaum Software f¨ ur die Implementierung eines Sample-Selection-Modells verf¨ ugbar und die mit diesem Ansatz verbundenen Modelle verlangen nach einem erheblichen Maß an statistischem Wissen (P. D. Allison, 2001, S. 77 f.): ...it is no accident that there is little software available for estimating ” nonignorable models [...] I will not go so far as to say, ’Don’t go there,’ but I will say this: ’If you choose to go there, do so with extreme caution.’ In addition, if you do not have much statistical expertise, make sure you ﬁnd a collaborator who does.“ Der Ansatz von Gewichtungsverfahren besteht darin, Datens¨atze mit fehlenden Werten vor der Auswertung zu entfernen und stattdessen vollst¨andige Datens¨atze mit einem st¨arkeren Gewicht innerhalb der Stichprobe in die Auswertung einﬂießen zu lassen (G¨othlich, 2007). Gewichtungsverfahren eignen sich daher lediglich f¨ ur Unit-Nonresponse-Probleme oder Item-Nonresponse-Probleme mit einer interessierenden Variablen. Im Falle multivariabler Analysen entst¨ unde das Problem, dass einer Variable mehrere Gewichte zugewiesen w¨ urden, so dass Gewichtungsverfahren lediglich f¨ ur Sch¨atzung univariater Statistiken von Bedeutung sind (Lessler und Kalsbeek, 1992; Schnell, 1986). Aufgrund des hier gew¨ahlten Forschungsdesigns sind diese Verfahren f¨ ur die vorliegende Arbeit daher nicht von Bedeutung.

176

Empirische Untersuchung

Imputationsverfahren weisen gegen¨ uber den bisher geschilderten Verfahren den Vorteil auf, dass durch ihren Einsatz eine Reduzierung des Stichprobenumfangs und der damit verbundene Informationsverlust vermieden wird, da sie zur Auﬀ¨ ullung der fehlenden Werte in der Datenmatrix genutzt werden (G¨othlich, 2007). Hierf¨ ur wurde eine Reihe verschiedener Verfahren entwickelt, die alle das Ziel verfolgen, einen Ersatzwert zu bestimmen, der dem fehlenden Wert so nah wie m¨oglich kommt (Lessler und Kalsbeek, 1992). Im Rahmen konventioneller Verfahren werden z. B. Expertensch¨atzungen oder Mittelwerterg¨anzungen vorgenommen, w¨ahrend modellbasierte Verfahren auf Maximum-Likelihood-Sch¨atzungen oder Bayes-Sch¨atzungen zur¨ uckgreifen (G¨othlich, 2007)57 . In Abh¨angigkeit davon, ob pro leerem Feld in der Datenmatrix ein oder mehrere Werte gesch¨atzt werden wird zwischen einfacher Imputation und multipler Imputation unterschieden. Die letztgenannten Verfahren tragen der Unsicherheit der Sch¨atzung fehlender Werte Rechnung, indem sie pro leerem Feld mehrere Werte sch¨atzen, so dass man mehrere Datenmatrizen erh¨alt, die dann mittels der statistischen Analysen untersucht werden k¨onnen (Rubin, 1987).

4.2.2.2 Umsetzung eines Verfahrens Basierend auf dem von Little vorgeschlagenen Testverfahren (Little, 1988; Little und Rubin, 1987) wurden die Daten mit dem Missing Value Analysis Modul von uft. Das von Little vorSPSS zun¨achst auf ihren Fehlendmechanismus hin u ¨ berpr¨ ¨ ufung der MCAR Annahme. Bei geschlagene Verfahren ist ein χ2 -Test zur Uberpr¨ einem nichtsigniﬁkanten Testergebnis kann angenommen werden, dass die Daten die ¨ missing completely at random Annahme erf¨ ullen. Die Uberpr¨ ufung des gesamten 2 Datensatzes ergab einen χ -Wert von 1608,245, der bei 1578 Freiheitsgraden ein Signiﬁkanzniveau von 0,292 aufweist. Damit kann die Annahme, dass die Daten der MCAR Annahme gen¨ ugen nicht zur¨ uckgewiesen werden. Folglich sind s¨amtliche dargestellten Strategien zur Behandlung fehlender Werte grunds¨atzlich anwendbar. Wie bereits erw¨ahnt, weist die Arbeit mit 1,25 Prozent einen sehr geringen Anteil an fehlenden Werten auf. Jedoch w¨ urde ein Einsatz der verbreiteten Complete Case Analysis und dem damit verbundenen listenweisen Ausschluss von F¨allen mit fehlen57

F¨ ur eine ausf¨ uhrlichere Darstellung von Imputationsverfahren siehe auch Huisman (2000), Schulte Nordholt (1998) und Schnell (1986).

Datenaufbereitung

177

den Werten zu einer Reduktion des Datensatzes von 137 auf 97 F¨alle f¨ uhren. Dieses Verfahren w¨ urde in der vorliegenden Arbeit somit zu erheblichen Informationsverlusten f¨ uhren, so dass hiervon Abstand genommen wird. Der Einsatz einer Available Case Analysis und der damit verbundene paarweise Ausschluss von Daten kann zu Problemen bei nachgelagerten Analysen, insbesondere bei Strukturgleichungsmodellen, f¨ uhren (Kline, 2005). Insofern wird auch die Verwendung dieses Verfahrens ausgeschlossen. Die vorangegangenen Ausf¨ uhrungen haben zudem bereits deutlich gemacht, dass sowohl die Sample-Selection Modelle als auch die Gewichtungsverfahren auf anderen Annahmen basieren bzw. f¨ ur die vorliegende Arbeit nicht geeignet sind. Daher wird stattdessen ein modellbasiertes Imputationsverfahren gew¨ahlt, welches als Expectation-Maximization (EM) Algorithmus bezeichnet wird (Dempster, Laird und Rubin, 1977). Mit Hilfe des EM Algorithmus k¨onnen Maximum Likelihood (ML) basierte Sch¨atzungen der fehlenden Datenpunkte vorgenommen werden. Der Name des Verfahrens leitet sich aus seiner zweistuﬁgen Funktionsweise ab, bei der zun¨achst im Rahmen des expectation Schrittes die fehlenden Parameter gesch¨atzt werden. F¨ ur die ersten Iteration werden nach paar- oder listenweisem Ausschluss die Mittelwerte, Standardabweichungen und Korrelationen auf Basis der verbleibenden Daten berechnet. Diese werden als Ausgangspunkt f¨ ur den zweiten Schritt, die maximization, genutzt. Hier werden neue Werte auf Basis der beobachteten und im ersten Schritt imputierten Werte berechnet. In der n¨achsten Iteration wird die Sch¨atzung im expectation Schritt dann auf Basis der zuvor berechneten Werten durchgef¨ uhrt usw. Diese Schleife wird solange durchlaufen, bis der Algorithmus konvergiert, sich die Parameterwerte also nicht mehr ver¨andern (P. D. Allison, 2001). Ein großer Vorteil des EM Algorithmus ist, dass er im Gegensatz zu normalen ugung stehenden Inregressionsbasierten Imputationsverfahren s¨amtliche zur Verf¨ formationen nutzt. Der Forscher muss also nicht speziﬁzieren, welche Variablen als Pr¨adikatoren f¨ ur die fehlenden Werte genutzt werden sollen. So hat das Verfahren in verschiedenen Simulationsstudien gerade auch im Hinblick auf Strukturgleichungsmodelle sehr gute Ergebnisse erzielt (vgl. z. B. Enders und Bandalos, 2001; Schnell, 1986). ML basierte Imputationsverfahren liegt allerdings die Annahme einer multivariaten Normalverteilung zugrunde (P. D. Allison, 2001). In Abschnitt 4.1.2.2 wurde gezeigt, ullt ist. Jedoch zeigt sich, dass diese Voraussetzung im vorliegenden Datensatz nicht erf¨ dass das Verfahren gegen Verst¨oße dieser Annahme recht stabil ist und Beale und

178

Empirische Untersuchung

Little (1975) weisen nach, dass die Annahme der multivariaten Normalverteilung f¨ ur den EM Algorithmus nicht notwendig ist. Da der Anteil fehlender Werte zudem sehr klein ist, sind somit trotz nicht multivariat normalverteilter Daten keine wesentlichen Verzerrungen zu bef¨ urchten. Schließlich spricht P. D. Allison (2001, S. 85) f¨ ur die Berechnung von Strukturgleichungsmodellen eine ausdr¨ uckliche Empfehlung f¨ ur den Einsatz ML basierter Verfahren aus: If the goal is to estimate a linear model that ” falls within the class of models estimated by LISREL and similar packages, then maximum likelihood is probably the preferred method.“

¨ 4.3 Empirische Uberpr¨ ufung der Untersuchungshypothesen 4.3.1 Analyse des Messmodells Nachdem in Abschnitt 4.1.1 die Operationalisierung der Konstrukte beschrieben wurde, wird im Folgenden die Analyse des Messmodells und damit die Validierung der Konstrukte dargestellt. Hierzu wird zun¨achst die Vorgehensweise erl¨autert bevor diese im zweiten Schritt umgesetzt wird. 4.3.1.1 Vorgehensweise ¨ Wie bereits in Abschnitt 4.1.1 erl¨autert wurde, muss die Uberpr¨ ufung reﬂektiver und formativer Messmodelle auf unterschiedliche Arten und Weisen vorgenommen werden. Insofern wird im Rahmen der Validierung der Konstrukte analysiert, ob die Daten mit einem reﬂektiven Messmodell vertr¨aglich sind. Da diese Arbeit, wie an gleicher Stelle erw¨ahnt, eine reﬂektive Messung der Konstrukte anstrebt, wird zun¨achst einer diesem Messansatz entsprechenden Vorgehensweise gefolgt, welche ¨ anhand der Ergebnisse der Uberpr¨ ufung auf Vertr¨aglichkeit ggf. abgewandelt werden muss. ¨ Daher wird zun¨achst eine Uberpr¨ ufung der Unidimensionalit¨at vorgenommen. uhrt diese in Verbindung mit eventuell erforderlichen Bereinigungen der IndikaF¨ torstrukturen zu einer statistisch und inhaltlich akzeptablen L¨osung, wird diese auf ihre Vertr¨aglichkeit mit einem reﬂektiven Messmodell gepr¨ uft. Ist ein solches nicht abzulehnen, werden im n¨achsten Schritt die Reliabilit¨at und Validit¨at des Messmo-

¨ Empirische Uberpr¨ ufung der Untersuchungshypothesen

179

dells beurteilt (vgl. z. B. Ahire und Devaraj, 2001). Ist ein reﬂektives Messmodell abzulehnen, wird das formative Modell anhand von Inhalts- und Indikatorspeziﬁkation, Indikatorrelevanz sowie der externen Validit¨at der Konstrukte beurteilt (vgl. z. B. Kraﬀt, G¨otz und Liehr-Gobbers, 2005; Diamantopoulos und Winklhofer, 2001). Diese Vorgehensweise wird im Folgenden n¨aher erl¨autert:

¨ Uberpr¨ ufung auf Unidimensionalit¨ at Unidimensionalit¨at beschreibt den Umstand, dass ein Konstrukt von mehreren Indikatoren gemessen wird und jeder Indikator dieses Messmodells nur ein gemeinsames Konstrukt misst (J. C. Anderson und Gerbing, 1982): Unidimensionality refers to the existence of a single trait or construct ” underlying a set of measures“ (Gerbing und Anderson, 1988, S. 186). Unidimensionalit¨at stellt eine grundlegende Annahme der klassischen Messtheorie dar (Lumsden, 1976) und ist f¨ ur diese von wesentlicher Bedeutung: One of the most critical and ” basic assumptions of measurement theory is that a set of items forming an instrument all measure just one thing in common. This assumption provides the basis of most mathematical measurement models.“(Hattie, 1985, S. 139). In der Literatur sind ¨ eine Reihe von Verfahren zur Uberpr¨ ufung der Unidimensionalit¨at eines Messmodells vorgeschlagen worden, jedoch hat sich keines davon als genereller Standard etablieren k¨onnen (J. C. Anderson, Gerbing und Hunter, 1987; Kumar und Dillon, 1987; Hattie, 1985; J. C. Anderson und Gerbing, 1982). Auf Basis eines empirischen Vergleichs verschiedener Validierungsmethoden empfehlen Ahire und Devaraj (2001) den Einsatz explorativer und konﬁrmatorischer Faktoranalysen. Hierbei sollten zudem ¨ ufung mehrere Konstrukte parallel getestet werden, da bei einer individuellen Uberpr¨ nicht ermittelt werden kann, ob ein Indikator nicht gleichzeitig Facetten zweier verschiedener Konstrukte misst (O’Leary-Kelly und Vokurka, 1998). Die explorative Faktoranalyse gestattet einen Einblick in die den Indikatoren zugrundeliegende Faktorenstruktur und bildet somit die Basis f¨ ur die Elimination derjenigen Indikatoren, die entweder nur niedrige Faktorladungen oder deutliche Querladungen aufweisen (Gerbing und Anderson, 1988). Wird im Zuge der explorativen Faktoranalyse einer vorab deﬁnierten Itembatterie nach dem Kaiser-Kriterium nur ein Faktor extrahiert, kann dies als Nachweis f¨ ur die Unidimensionalit¨at der Itembatterie aufgefasst werden (Homburg und Giering, 1998; Hattie, 1985).

180

Empirische Untersuchung

Im Rahmen einer konﬁrmatorischen Faktoranalyse kann die Unidimensionalit¨at eines Messmodells, das so speziﬁziert ist, dass alle Indikatoren auf genau einen Faktor laden, anhand der Anpassungsg¨ ute an die Daten u uft werden (vgl. z. B. Ahire ¨berpr¨ und Devaraj, 2001). Gute Anpassungsmaße gelten dabei als Indiz f¨ ur die Unidimensio¨ nalit¨at der durch die Indikatoren gebildeten Skala. Liefert die Uberpr¨ ufung hingegen schlechte Anpassungsmaße, so k¨onnen anhand der Residual-Kovarianzmatrix diejenigen Indikatoren identiﬁziert werden, die nur unzureichend vom Modell ber¨ ucksichtigt werden (Schumacker und Lomax, 2004). Diese k¨onnen gegebenenfalls eliminiert oder das Modell respeziﬁziert werden. ¨ Uberpr¨ ufung auf Vertr¨ aglichkeit mit einem reﬂektiven Messmodell In Abschnitt 4.1.1 wurde erl¨autert, dass die Entscheidung f¨ ur ein formatives oder reﬂektives ¨ Messmodell vielfach auf Basis inhaltlicher Uberlegungen getroﬀen wird. So st¨ utzen sich viele Empfehlungen zur Bestimmung der Speziﬁkationsart haupts¨achlich auf die Beurteilung von Experten (vgl. z. B. Rossiter, 2002; Diamantopoulos und Winklhofer, 2001) oder subjektive Entscheidungen des Forschers anhand von Entscheidungsfragen wie sie im genannten Abschnitt dargestellt sind (vgl. z. B. Huber et al., 2007; Jarvis et al., 2003). Jedoch sind diese Empfehlungen kritisch zu hinterfragen, da die Autoren gleichzeitig anmerken, dass viele Konstrukte je nach Kontext sowohl formativ als auch reﬂektiv speziﬁzierbar sind (Jarvis et al., 2003; Rossiter, 2002), so dass sich ur beide Speziﬁkationen begr¨ undete Argumente ﬁnden lassen. Zudem kann eine f¨ ausschließlich auf inhaltlichen Betrachtungen basierende Entscheidung erheblich durch die Subjektivit¨at des Forschers determiniert werden (Huber et al., 2007). Folglich erscheint es w¨ unschenswert, diese Entscheidung methodisch zu unterst¨ utzen ur bietet der von Bollen und Ting entwickelte und abzusichern. Eine M¨oglichkeit hierf¨ Tetrad-Test, der auch als konﬁrmatorische Tetrad Analyse bezeichnet wird (Huber et al., 2007; Hipp, Bauer und Bollen, 2005; Bollen und Ting, 2000, 1993). Das Verfahren nutzt die einem reﬂektiven Messmodell zugrundeliegende Restriktion, dass die Indikatoren korrelieren sollten, w¨ahrend dies bei formativen Indikatoren nicht notwendigerweise der Fall ist (Huber et al., 2007). Ermittelt der Test nur geringe oder gar keine Korrelationen, spricht dies gegen die Nullhypothese eines reﬂektiven Messmodells (Bollen und Ting, 2000). Der Test ist somit nur zur Widerlegung eines reﬂektiven Messkonzeptes geeignet. Auch kann er nicht zwischen einem formativen Modell mit hoch korrelierenden Indikatoren und einem reﬂektiven Modell unterschei-

¨ Empirische Uberpr¨ ufung der Untersuchungshypothesen

181

¨ den. Insofern sollte der Test nicht ohne eine vorab auf inhaltlichen Uberlegungen entwickelte Hypothese durchgef¨ uhrt werden (Huber et al., 2007). Das Verfahren setzt implizit die Existenz von mindestens vier Indikatoren pro Messmodell voraus, f¨ ur die die Diﬀerenzen ihrer Kovarianzprodukte - diese werden als Tetraden bezeichnet - berechnet werden (Bollen und Ting, 1993).58 Modellbedingt m¨ ussen bei einer reﬂektiven Messung einzelne dieser Diﬀerenzen den Wert Null annehmen. Diese Tetraden werden als vanishing tetrads“ bezeichnet (Bollen und ” Ting, 1993, S. 148). F¨ ur eine genaue Darstellung der hierf¨ ur erforderlichen tedious ” covariance algebra“ (Hipp et al., 2005, S. 77) wird auf die genannten Arbeiten von Bollen, Hipp und Ting verwiesen. Im Rahmen dieser Arbeit wird das von John R. Hipp entwickelte SAS Makro ctanest1“ genutzt.59 Das Ergebnis kann mit einer von ” Bollen (1990) entwickelten Teststatistik verglichen werden. Wird eine nichtsigniﬁkante Teststatistik ermittelt, deutet dies darauf hin, dass die beobachteten vanishing tetrads nicht signiﬁkant von Null abweichen und die Daten folglich mit dem postulierten reﬂektiven Messmodell vertr¨aglich sind.

G¨ utebeurteilung reﬂektiver Konstrukte Die Qualit¨at der Erfassung eines latenten Konstrukts mittels eines Messmodells wird im wesentlichen anhand der Reliabilit¨at (Zuverl¨assigkeit) und der Validit¨at (G¨ ultigkeit) der Messung beurteilt (Homburg und Giering, 1998). Das Verh¨altnis dieser beiden Gr¨oßen im Rahmen einer Messung l¨asst sich durch die folgende Gleichung beschreiben (Homburg und Giering, 1998; Churchill, 1979): Xo = XT + XS + XR

(4.8)

Hierbei beschreibt Xo den im Rahmen der Messung ermittelten Wert (observed score) einer Variablen, XT deren tats¨achlichen, wahren“ Wert (true score) und XS bzw. ” XR den systematischen Fehler (systematic error) bzw. den Zufallsfehler (random error) der Messung. So deﬁniert Churchill (1979, S. 65): 58 59

Es lassen sich auch Modelle mit weniger als vier Indikatoren analysieren. F¨ ur eine detaillierte Darstellung der hierf¨ ur n¨ otigen Vorgehensweise siehe Bollen und Ting (2000). John R. Hipp stellt das Makro im Internet u ¨ ber die Homepage der University of California at Irvine unter der Adresse https://webﬁles.uci.edu/hippj/johnhipp/ctanest1.htm zur Verf¨ ugung.

182

Empirische Untersuchung A measure is valid when the diﬀerences in observed scores reﬂect ” true diﬀerences on the characteristic one is attempting to measure and nothing else, that is, Xo = XT .“ A measure is reliable to the extent that independent but comparable ” measures of the same trait or construct of a given object agree. Reliability depends on how much of the variation in scores is attributable to random or chance errors. If a measure is perfectly reliable, XR = 0.“

Eine Messung ist somit reliabel, wenn sie frei von Zufallsfehlern ist (Peter und Churchill, 1986). Von einer validen Messung kann jedoch erst gesprochen werden, wenn diese konzeptionell richtig ist, also der Messgegenstand gemessen wird, der tats¨achlich gemessen werden soll, so dass auch der systematische Fehler XS = 0 sein muss (Homburg und Giering, 1998). Somit wird deutlich, dass Reliabilit¨at eine notwendige, aber keine hinreichende Bedingung f¨ ur die Validit¨at darstellt. Im Folgenden werden die Methoden vorgestellt, mittels derer sich die Reliabilit¨at und Validit¨at der Messmodelle analysieren lassen.

Reliabilit¨ atspr¨ ufung Nach O’Leary-Kelly und Vokurka (1998) und Peter (1979) ¨ lassen sich drei verschiedene Methoden zur Uberpr¨ ufung der Reliabilit¨at einer Messska¨ la nutzen: das Test-Retest Verfahren, das Paralleltestverfahren und die Uberpr¨ ufung der internen Konsistenz. Die Verfahren verfolgen grunds¨atzlich einen gleichen Ansatz, unterscheiden sich jedoch in dessen Umsetzung (Peter, 1979, S. 8): Basically, these methods correlate scores obtained from a scale with ” scores from some form of replication of the scale. If the correlation is high, most of the variance is of the systematic type and, with some degree of consistency, the measures can be depended upon to yield the same results. The basic diﬀerence among the three methods is in what the scale is to be correlated with to compute the reliability coeﬃcient.“ Im Rahmen des Test-Retest Verfahrens wird das selbe Messinstrument zu zwei verschiedenen Zeitpunkten eingesetzt und die Ergebnisse der beiden Messungen werden miteinander korreliert. Das Paralleltestverfahren ¨ahnelt dem Test-Retest

¨ Empirische Uberpr¨ ufung der Untersuchungshypothesen

183

Verfahren weitestgehend. Allerdings werden hier zwei ¨aquivalente, nicht aber die selben Messinstrumente zu den verschiedenen Zeitpunkten genutzt. Wiederum wird deren Korrelation als Maß f¨ ur die Reliabilit¨at der Messinstrumente interpretiert. ¨ ufung der internen Konsistenz wird ein Messinstrument lediglich Bei der Uberpr¨ einmal genutzt. Im Anschluss werden Teilmengen der Indikatoren gebildet und diese miteinander korreliert. Auch in diesem Fall wird eine hohe Korrelation als Zeichen hoher Reliabilit¨at angesehen. Diese Verfahren sind mit verschiedenen Vor- und Nachteilen behaftet: So lassen sich in der empirischen Sozialforschung oft nur sehr schwer wirklich ¨aquivalente Messinstrumente deﬁnieren und auch wiederholte Messungen sind h¨auﬁg nicht ohne ¨ weiteres m¨oglich, so dass in der Praxis vor allem die Uberpr¨ ufung der internen ufverfahren genutzt wird (O’Leary-Kelly und Vokurka, 1998). Konsistenz als Pr¨ Hierf¨ ur stehen eine Reihe verschiedener Verfahren zur Verf¨ ugung (vgl. z. B. Ahire und Devaraj, 2001; D. R. Bacon, Sauer und Young, 1995), von denen das Cronbachsche Alpha das am h¨auﬁgsten genutzte ist (Peterson, 1994). Es misst die Reliabilit¨at einer Menge von Indikatoren, die ein Konstrukt messen als deren interne Konsistenz (Homburg und Giering, 1998). Alpha berechnet sich wie folgt: α=

k k−1

k 2 i=1 σi 1− σs2

(4.9)

wobei k die Anzahl der Indikatoren, σi2 die Varianz des Indikators i und σs2 die Varianz der Messskala beschreibt. Alpha kann Werte von Null bis Eins annehmen, wobei hohe Werte auf eine hohe Reliabilit¨at hinweisen. Auch wenn keine klare Grenze f¨ ur eine hohe Reliabilit¨at existiert (vgl. z. B. Peterson, 1994), werden f¨ ur gew¨ohnlich Werte von α ≥ 0, 7 als akzeptabel angesehen (Ahire und Devaraj, 2001). Dieser Empfehlung wird auch im Rahmen der vorliegenden Arbeit gefolgt. Zus¨atzlich kann die Item-to-Total Korrelation einer Indikatorvariablen berechnet werden. Diese ist als die Korrelation dieses Indikators mit der Summe aller Indikatoren, die demselben Faktor zugeordnet sind, deﬁniert (Homburg und Giering, 1998). Im Falle eines geringen Wertes f¨ ur Alpha k¨onnen so, basierend auf den Werten der Item-to-Total Korrelation, diejenigen Indikatoren eliminiert werden, die sich negativ auf die Reliabilit¨at des Konstrukts auswirken.

184

Empirische Untersuchung

Validit¨ atspr¨ ufung Nachdem Unidimensionalit¨at und Reliabilit¨at als notwendige uft wurden, ist diese im n¨achsten Schritt zu Voraussetzungen der Validit¨at u ¨ berpr¨ begutachten. Es wird hierbei zwischen Inhaltsvalidit¨at (content validity, face validity), Kriteriumsvalidit¨at (criterion validity) und Konstruktvalidit¨at (construct validity) unterschieden (Hair et al., 2006): ¨ mit und die AbdeInhaltsvalidit¨ at beschreibt die inhaltliche Ubereinstimmung ckung der Facetten des Konstrukts durch die Indikatoren, die zu dessen Messung herangezogen werden. Die Kriteriumsvalidit¨ at beschreibt, wie weit die Messergebnisse eines Messinstruments mit denen einer Messung eines anderen, inhalts¨ahnlichen Kriteriums u ur werden oft bereits etablierte Messinstrumente ¨ bereinstimmen. Hierf¨ oder objektivierbare Daten als Referenzkriterium herangezogen. Wird das Alternativkriterium zeitgleich mit dem zu u ufenden Messinstrument erhoben, spricht ¨berpr¨ man von Concurrent Validity. Wird das Alternativkriterium hingegen nach dem zu u ufenden Messinstrument erhoben, so wird von Predictive Validity gesprochen. ¨berpr¨ ¨ Die Konstruktvalidit¨ at schließlich beschreibt die Ubereinstimmung zwischen dem auf theoretischer Ebene formulierten Konstrukt und dessen Operationalisierung durch die Indikatoren auf der Beobachtungsebene (Peter, 1981, S. 134): The term ’construct validity’ generally is used to refer to the vertical ” correspondence between a construct which is at an unobservable, conceptual level and a purported measure of it which is at an operational level. In an ideal sense, the term means that a measure assesses the magnitude and direction of (1) all of the characteristics and (2) only the characteristics of the construct it is purported to assess.“ Die Konstruktvalidit¨at ist folglich ein Indikator f¨ ur die Genauigkeit der Messung (Hair et al., 2006) und kann im Vergleich zu den beiden vorgenannten Validit¨atsbegriffen als aussagekr¨aftiger angesehen werden (Weise, 2005). Da ein Konstrukt per Deﬁnition nicht direkt messbar ist und somit keine Korrelation zwischen einem Konstrukt und dessen Indikatoren berechnet werden kann (Peter, 1981), wird anstelle einer direkten Messung auf die Konvergenzvalidit¨at, die Diskriminanzvalidit¨at und die nomologische Validit¨at zur¨ uckgegriﬀen (vgl. z. B. Peter, 1981; D. T. Campbell und Fiske, 1959; Cronbach und Meehl, 1955).

¨ Empirische Uberpr¨ ufung der Untersuchungshypothesen

185

Die Konvergenzvalidit¨ at beschreibt the extent to which varying approaches to ” construct measurement yield the same results“ (Ahire und Devaraj, 2001, S. 322). Zur Beurteilung der Konvergenzvalidit¨at schlugen D. T. Campbell und Fiske (1959) den Einsatz von Multitrait-Multimethod Matrizen, bei dem u ¨ ber die Korrelation von Messergebnissen, die mittels verschiedener Messmethoden erhoben wurden, eine Aussage u ¨ber die Konvergenzvalidit¨at getroﬀen werden kann. Aufgrund verschiedener methodischer Probleme und des hohen Aufwands, der mit diesem Ansatz verbunden ist, wird inzwischen der Einsatz konﬁrmatorischer Faktoranalysen zur Beurteilung der Konvergenzvalidit¨at empfohlen (Bagozzi, Yi und Phillips, 1991). Die in dieser usselinformanten schließt einen Einsatz Arbeit vorgenommene Befragung von Schl¨ unterschiedlicher Messmethoden aus, so dass hier die verschiedenen Indikatoren eines Messmodells als unterschiedliche Messmethoden zur Messung eines Konstrukts aufgefasst werden und deren Konvergenz ermittelt werden kann (vgl. z. B. Ahire und Devaraj, 2001). Dies kann zun¨achst anhand der Faktorladungen geschehen. Diese sollten ausreichend hoch und signiﬁkant sein (Hair et al., 2006).60 Des Weiteren kann die durchschnittlich erfasste Varianz (DEV) zur Messung der Konvergenzvalidit¨at herangezogen werden (Fornell und Larcker, 1981). Sie beschreibt den Varianzanteil des Faktors, der im Durchschnitt durch die Indikatoren erfasst wird und ist auf das Intervall von Null bis Eins normiert. Sie sollte mehr als 0,5 betragen (Hair et al., 2006). Die durchschnittlich erfasste Varianz berechnet sich nach Homburg und Giering (1998) wie folgt: k

λ2ij φjj k 2 i=1 λij φjj + i=1 θii

DEV (ξj ) = k

i=1

(4.10)

Dar¨ uber hinaus k¨onnen Reliabilit¨atsmaße wie die Faktorreliabilit¨at oder Alpha als ¨ Maße zur Uberpr¨ ufung der Konvergenzvalidit¨at genutzt werden, da Reliabilit¨at ein Indikator f¨ ur die Konvergenzvalidit¨at darstellt (Hair et al., 2006). Die Diskriminanzvalidit¨ at ist the degree to which measures of distinct con” cepts diﬀer“ (Bagozzi und Phillips, 1982, S. 469). Betrachtet wird also, inwieweit sich die verschiedenen Konstrukte tats¨achlich unterscheiden (Hair et al., 2006). Zur 60

Im Rahmen dieser Arbeit kann aufgrund der Verwendung des ULS Verfahrens lediglich auf die H¨ohe der Faktorladungen abgestellt werden, da das Verfahren keine M¨ oglichkeit eines Signiﬁkanztests der Faktorladungen bietet.

186

Empirische Untersuchung

¨ Uberpr¨ ufung der Diskriminanzvalidit¨at stehen verschiedene Methoden zur Verf¨ ugung (Ahire und Devaraj, 2001). Zun¨achst kann mittels χ2 -Diﬀerenztests eine Aussage u ur zwei ¨ ber die Diskriminanzvalidit¨at getroﬀen werden. Hierzu wird ein χ2 -Wert f¨ frei korrelierende Faktoren berechnet und dieser anschließend mit dem χ2 -Wert verglichen, der sich ergibt, wenn die Korrelation der beiden Faktoren auf Eins ﬁxiert wird. Signiﬁkante Verschlechterungen des χ2 -Wertes deuten auf Diskriminanzvalidit¨at hin (Homburg und Giering, 1998; Bagozzi und Phillips, 1982). Diese Berechnung ur alle Paare von Faktoren des Gesamtmodells durchgef¨ uhrt. Aufgrund des wird f¨ im Rahmen dieser Arbeit genutzten ULS-Sch¨atzverfahrens ist diese Vorgehensweise jedoch nicht anwendbar. Ein wesentlich strengeres Kriterium ist das von Fornell und Larcker (1981) formulierte Kriterium, nach dem die DEV eines Faktors gr¨oßer als jede quadrierte Korrelation dieses Faktors mit einem anderen Faktor sein soll. Nach den Autoren wird es h¨auﬁg auch als Fornell/Larcker-Kriterium bezeichnet. Zus¨atzlich sollte im Sinne der Diskriminanzvalidit¨at darauf geachtet werden, dass die Indikatoren des Messmodells lediglich auf ein Konstrukt laden sollten. Hohe Querladungen gelten daher als Indikator f¨ ur eine unzureichende Diskriminanzvalidit¨at (Hair et al., 2006). Die nomologische Validit¨ at schließlich beschreibt the degree that the sum” mated scale makes accurate predictions of other concepts in a theoretically based model“ (Hair et al., 2006, S. 138). Hierzu wird das Konstrukt in einen u ¨bergeordneten Rahmen bzw. in eine u bergeordnete Theorie eingebunden, die auch als nomologi¨ sches Netz bezeichnet wird (Cronbach und Meehl, 1955). Hierzu muss der Forscher theoretisch begr¨ undete Wirkungsbeziehungen oder akzeptierte Wirkmechanismen zwischen den Konstrukten aus vorangegangenen Forschungsvorhaben identiﬁzieren und u ufen, ob zwischen den von ihm genutzten Messmodellen entsprechende ¨ berpr¨ ¨ Zusammenh¨ange bestehen (Hair et al., 2006). Somit ist die Uberpr¨ ufung auf nomologische Validit¨at letztlich eine des Wahrheitsgehalts der Theorie und der daraus postulierten Hypothesen (Cronbach und Meehl, 1955). utebeG¨ utebeurteilung formativer Konstrukte Wie bereits erl¨autert muss die G¨ urteilung formativer Konstrukte abweichend von den eben geschilderten Verfahren vorgenommen werden. Diamantopoulos und Winklhofer (2001) identiﬁzieren in ihrer Arbeit vier wesentliche Problemkreise bei der Bildung formativer Messmodelle:

¨ Empirische Uberpr¨ ufung der Untersuchungshypothesen

187

Inhalts- und Indikatorspeziﬁkation, Indikatorkollinearit¨at sowie die externe Validit¨at der Messmodelle. Diese bilden gleichzeitig wesentliche Ansatzpunkte der G¨ utebeurteilung formativer Konstrukte. So sollte im Rahmen der Speziﬁkation eines formativen Messmodells ¨ dessen Uberpr¨ ufung auf Expertenvalidit¨at erfolgen (Kraﬀt et al., 2005): Hierzu sollte ein Pretest durchgef¨ uhrt werden, bei dem die Experten eine Menge zuf¨allig angeordneter Indikatoren den einzelnen Konstrukten zuordnen sollen. Anschließend k¨onnen anhand der von J. C. Anderson und Gerbing (1991) vorgeschlagenen Formeln f¨ ur die proportion of substantive agreement (psa ) und den substantive-validity coeﬃcient (csv ) die Eindeutigkeit der Zuordnung und die inhaltliche Relevanz der Indikatoren ermittelt werden.61 : psa =

nc N

(4.11)

n c − no (4.12) N wobei nc die Anzahl der Experten ist, die einen Indikator dem postulierten Konstrukt zurordnen und N die Anzahl der Experten. Hingegen stellt no die Anzahl der Experten dar, die den Indikator dem am h¨auﬁgsten genannten falschen Konstrukt zugeordnet haben.62 ¨ Es wird deutlich, dass diese Uberpr¨ ufung der Expertenvalidit¨at bereits w¨ahrend csv =

der Speziﬁkation der Konstrukte erfolgen sollte. Ist dies gegeben, ist im Zuge der G¨ utebeurteilung nicht mit kritischen Abweichungen zu rechnen. Im Anschluss wird die Indikatorrelevanz betrachtet (Kraﬀt et al., 2005). Dabei werden die Gewichte der einzelnen Indikatoren verglichen um zu bestimmen, welchen Betrag jeder einzelne Indikator zur Konstruktbildung leistet. Diesem Schritt kommt eine wesentliche Bedeutung zu (Huber et al., 2007, S. 38): Zur Beurteilung der ” ute interessieren bei formativen Konstrukten in erster Linie die multiplen ReG¨ gressionskoefﬁzienten zwischen dem Konstrukt und den Indikatoren sowie deren 61 62

Die Formeln f¨ ur die Berechnung von psa und csv sind in Tabelle 4.13 auf Seite 189 dargestellt. Angenommen es g¨abe drei Konstrukte A, B und C. Ein Indikator x wird vom Forscher als zu Konstrukt A zugeh¨orig postuliert. Sieben Experten ordnen x tats¨ achlich dem Konstrukt A zu, zwei hingegen dem Konstrukt B und vier dem Konstrukt C. In diesem Fall erg¨ abe sich nc = 7 und no = 4.

188

Empirische Untersuchung

Signiﬁkanz.“ Da die Indikatoren jedoch nicht beliebig austauschbar sind und daher nicht einfach einem Messmodell zugef¨ ugt oder aus ihm entfernt werden k¨onnen, darf die H¨ohe der Regressionskoeﬃzienten nicht als Eliminationskriterium f¨ ur einen Indikator gelten (Rossiter, 2002, S. 315): Item selection to increase the ’reliability’ ” of the formed scale is deﬁnitely not appropriate.“ Der Grund hierf¨ ur liegt darin, dass s¨amtliche Facetten eines latenten Konstrukts durch die Indikatoren abgedeckt werden sollen, so dass eine Elimination einzelner Items zu einer inhaltlichen Ver¨anderung des Konstrukts f¨ uhren k¨onnte. Eine Elimination sollte lediglich erfolgen, wenn zwischen den Indikatoren hohe Multikollinearit¨at besteht. Da formative Messmodelle auf Basis multipler Regressionsanalysen berechnet werden, ist eine eventuell vorhandene Multikollinearit¨at zwischen den formativen Indikatoren problematisch, weil sie zu zunehmend unzuverl¨assigen Sch¨atzungen f¨ uhrt und die multiple Regression der Indikatoren auf das Konstrukt im Extremfall rechnerisch nicht mehr durchf¨ uhrbar ist (Huber et al., 2007; Kraﬀt et al., 2005). Ein Maß zur Pr¨ ufung auf Multikollinearit¨at stellt der Variance Inﬂation Factor (VIF) dar. Er nimmt einen Mindestwert von Eins an und steigt mit zunehmender Multikollinearit¨at. Werte gr¨oßer 10 deuten auf hohe Multikollinearit¨at hin (Hair et al., 2006).

Reinartz, Kraﬀt und Hoyer (2004) f¨ uhren zudem die externe Validit¨at als m¨ogliches utekriterium f¨ ur die Bewertung formativer Konstrukte an. Basierend auf den EmpG¨ fehlungen von Diamantopoulos und Winklhofer (2001) f¨ uhren sie hierf¨ ur Berechnungen von Multiple Indicators and Multiple Causes (MIMIC) Modellen durch, bei denen ein Konstrukt gleichzeitig u ¨ber formative und reﬂektive Indikatoren gemessen wird: Da die im Rahmen von Partial Least Squares Modellen genutzten formativen Messmodelle generell eine fehlerfreie Messung des formativen Konstrukts unterstellen, diese jedoch nicht immer m¨oglich ist, werden zus¨atzlich reﬂektive Indikatoren zur Bestimmung der Fehlerterme erhoben, die zur externen Validierung des Messmodells herangezogen werden k¨onnen (Kraﬀt et al., 2005). Alternativ kann mittels einer reﬂektiv gemessenen latenten Phantomvariablen ein Modell mit zwei latenten Variablen berechnet werden. Gelingt es hierbei, den postulierten starken und signiﬁkanten Zusammenhang zwischen dem latenten formativen Konstrukt und der Phantomvariaur externe Validit¨at erbracht (Rindskopf, 1984). blen zu best¨atigen, ist ein Nachweis f¨ Tabelle 4.13 fasst diese Vorgehensweise noch einmal zusammen:

¨ Empirische Uberpr¨ ufung der Untersuchungshypothesen

189

G¨ uteart

Deﬁnition

Methoden (Kriterien)

Expertenvalidit¨at

¨ Ausmaß der Ubereinstimmung zwischen a priori beabsichtigachlicher ter und tats¨ Indikatorzuordnung

Im Rahmen des Pretest Eindeutigkeit der Zuordnung: psa = −no Inhaltliche Relevanz: csv = ncN

Indikatorrelevanz

¨ Uberpr¨ ufung der Indikatoren auf ihren Beitrag zur Konstruktbildung

Interpretation der Gewichte (nicht der Ladungen) Indikatorelimination nur bei Multikollinearit¨ at Pr¨ ufung auf Multikollinearit¨ at durch: - Korrelationsmatrix (paarweise) - Variance Inﬂation Factor - Konditionsindex - Varianzzerlegung

Externe bzw. nomologische Validit¨at

Evaluation der G¨ ultigkeit der Konstruktmessung

Redundante reﬂektive Operationalisierung (MIMIC-Modell bzw. Zwei-Konstrukt-Modell) ¨ Uberpr¨ ufung der nomologischen Validit¨ at Jeweils anhand der St¨ arke und Richtung sowie der Signiﬁkanz des Zusammenhangs

nc N

Tabelle 4.13: G¨ utebeurteilung formativer Messmodelle. Quelle: In Anlehnung an Kraﬀt et al. (2005)

4.3.1.2 Validierung der Konstrukte Im Folgenden wird entsprechend der Ausf¨ uhrungen in Abschnitt 4.3.1.1 die Validierung der Konstrukte vorgenommen. Hierbei werden gem¨aß der Forderung von O’Leary-Kelly und Vokurka (1998) entweder die Dimensionen komplexer Konstrukte gemeinsam betrachtet oder inhaltlich verwandte Konstrukte kombiniert um parallel u uft zu werden. ¨berpr¨ Projektplanung Die explorative Faktoranalyse der Indikatoren der Projektplanungsdimensionen ergab die Extraktion von f¨ unf Faktoren anhand des Kaiser-Kriteriums. Zudem ergaben sich verschiedene Querladungen. Dieses Ausgangsergebnis ist in Tabelle A.1 in Anhang 1 auf Seite 282 dargestellt. Im n¨achsten Schritt wurden iterativ diejenigen Indikatoren eliminiert, die die h¨ochsten Querladungen aufwiesen, bis eine Einfachstruktur erreicht wurde. In dieser L¨osung wurden nach dem Kaiser-Kriterium vier Faktoren extrahiert und die verblei-

190

Empirische Untersuchung

PCA/Varimax 1

Indikator Informationssuche Informationsbewertung

2

3

4

MSA

0,175 −0,020

0,732

0,179

0,767

0,082

0,173

0,892

0,076

0,708

−0,009

0,269

0,768 −0,014

0,745

prozedurale Richtlinien

0,797

0,076

0,092

0,085

0,780

Methodeneinsatz

0,861

0,165

0,012

0,146

0,816

dokumentierte Vorgaben

0,817

0,093 −0,029

0,122

0,869

zielkonforme Auswahl

strukturierter Prozess

0,718

0,260

0,245

0,160

0,875

Richtlinieneinhaltung

0,677

0,201

0,079

0,164

0,826

regelm¨aßige Kontrolle

0,241

0,683

0,272

0,080

0,746

Planungsanpassungen

0,175

0,830 −0,015

0,162

0,756

Planungsverst¨andnis

0,232

0,720

0,041

0,127

0,905

Kommunikation

0,039

0,701

0,242

0,175

0,733

−0,066

0,081

0,297

0,729

0,858

Beteiligung operativer Mitarbeiter

0,243

0,083

0,069

0,748

0,801

allgemeine Beteiligung

0,263

0,145 −0,132

0,639

0,823

Beteiligung der Fachabteilungen

0,165

0,237

0,090

0,727

0,898

Eigenwert

5,326

2,128

1,520

1,387

33,3%

13,3%

9,5%

8,7%

Beteiligung leitender Angestellter

Erkl¨arte Varianz 2

KMO: 0,809; Bartlett-Test: χ = 932, 05; df = 120; p = 0, 00

Tabelle 4.14: Explorative Faktoranalyse zur Projektplanung

benden Indikatoren luden alle auf die postulierten Faktoren. Das Ergebnis dieses Prozesses ist in Tabelle 4.14 zusammengefasst. Der Bartlett-Test weist signiﬁkante Korrelationen auf und sowohl der KMO-Wert als auch die MSA Werte sind mit 0,809 bzw. 0,708 - 0,905 hoch. Im n¨achsten Schritt wurden die 16 Indikatoren mittels des Makros ctanest1 in SAS auf ihre Vertr¨aglichkeit mit einem reﬂektiven Messmodell u uft. Dies f¨ uhrte zu einer nicht signiﬁkanten ¨berpr¨ Teststatistik (χ2 = 28.96; df = 98; p = 1), so dass ein reﬂektives Messmodell nicht abgelehnt werden kann. Anschließend wurde eine konﬁrmatorische Faktoranalyse

¨ Empirische Uberpr¨ ufung der Untersuchungshypothesen

191

mit vier frei korrelierenden Faktoren durchgef¨ uhrt, die sehr gute Anpassungsmaße lieferte (vgl. Tabelle 4.15). Der Koeﬃzient α liegt mit Werte von 0,74 - 0,87 u ¨ ber der geforderten Mindestgrenze, so dass die Reliabilit¨at als gew¨ahrleistet angesehen werden kann. Neben α u ¨ bersteigt auch die Faktorreliabilit¨at ρW LJ das geforderte Mindestmaß von 0,6 mit Werten von 0,74 - 0,87 deutlich. Diese wird im Vergleich zur Indikatorreliabilit¨at als bedeutsamer eingestuft (Homburg und Giering, 1998). Daher werden trotz teilweise geringer Item-to-Total Korrelationen und der in drei F¨allen nicht erf¨ ullten Anforderungen an die Indikatorreliabilit¨at aufgrund dieser guten Ergebnisse keine weiteren Modiﬁkationen vorgenommen. Hingegen liegt die durchschnittlich erfasste Varianz in zwei F¨allen unter dem geforderten Mindestwert von 0,5. Im Fall der Planungskonsistenz wird dieser Wert jedoch nur sehr knapp verfehlt, so dass insgesamt von ausreichender Konvergenzvalidit¨at ausgegangen werden kann. Die ¨ Dimensionen werden daher zur Uberpr¨ ufung der weiteren Hypothesen beibehalten. Das Fornell-Larcker Kriterium ist mit quadrierten Konstruktinterkorrelationen (φ) ur alle Faktoren erf¨ ullt, so dass von von 0,07 -0,27 und einer DEV von 0,42 - 0,58 f¨ Diskriminanzvalidit¨at ausgegangen werden kann.

0,72 0,85 0,72 0,82 0,69 0,72 0,75 0,70 0,62 0,50 0,72 0,60 0,73

prozedurale Richtlinien Methodeneinsatz dokumentierte Vorgaben strukturierter Prozess Richtlinieneinhaltung

regelm¨ aßige Kontrolle Planungsanpassungen Planungsverst¨ andnis Kommunikation

Beteiligung leitender Angestellter Beteiligung operativer Mitarbeiter allgemeine Beteiligung Beteiligung der Fachabteilungen

Formalisierung

Planungskonsequenz

Partizipation

0,47 0,58 0,46 0,59

0,55 0,71 0,59 0,55

0,68 0,80 0,70 0,69 0,60

0,52 0,76 0,58

I-t-T K

0,25 0,51 0,36 0,54

0,52 0,56 0,49 0,38

0,52 0,73 0,52 0,67 0,47

0,48 0,74 0,45

ρi

Indikatorreliabilit¨ at

0,74

0,79

0,87

0,78

α

0,74

0,79

0,87

0,79

ρW LJ

Faktorreliabilit¨ at

Tabelle 4.15: Konﬁrmatorische Faktoranalyse zur Projektplanung

GFI: 0,97; AGFI: 0,96; NFI: 0,95; RFI: 0,94

0,69 0,86 0,67

Informationssuche Informationsbewertung zielkonforme Auswahl

Planungsausmaß

Ladung

standard.

Indikator

Faktor

0,42

0,49

0,58

0,56

DEV

0,26 0,25 0,09

0,27 0,26 0,19

0,07 0,27 0,25

0,07 0,19 0,09

φ

192 Empirische Untersuchung

¨ Empirische Uberpr¨ ufung der Untersuchungshypothesen

193

Projektdurchf¨ uhrung Die explorative Faktoranalyse der Indikatoren des Innovationsgrades ergab nach dem Kaiser-Kriterium die Extraktion von zwei Faktoren. F¨ ur die Indikatoren geringe Managementinterventionen“ und generelle Zielkonstanz“ ” ” sind wesentliche Querladung zu beobachten. Dieses Ausgangsergebnis ist in Tabelle A.2 in Anhang 1 auf Seite 283 dargestellt.

PCA/Varimax 1

Indikator

2

MSA

geringe Plan¨ anderungen

0,173

0,862

0,600

geringe Ressourcen¨ anderungen

0,087

0,885

0,585

¨ Anderungsh¨ auﬁgkeit

0,867

0,192

0,591

¨ Anderungsumfang

0,897

0,074

0,572

Eigenwert

2,041

1,121

51,0%

28,0%

Erkl¨arte Varianz 2

KMO: 0,587; Bartlett-Test: χ = 122, 331; df = 6; p = 0, 000

Tabelle 4.16: Explorative Faktoranalyse zur Projektdurchf¨ uhrung

Diese beiden Indikatoren wurden im Folgenden eliminiert, wodurch eine Einfachstruktur erreicht wurde und die verbleibenden Indikatoren alle auf die postulierten Faktoren luden. Das Ergebnis dieses Prozesses ist in Tabelle 4.16 zusammengefasst. Der Bartlett-Test weist signiﬁkante Korrelationen auf und sowohl der KMO-Wert als auch die MSA Werte erf¨ ullen mit Werten von 0,587 bzw. 0,572 - 0,600 die von Kaiser und Rice (1974) formulierten Mindestanforderungen. Im n¨achsten Schritt wurden die 4 Indikatoren auf ihre Vertr¨aglichkeit mit einem reﬂektiven Messmodell u uft. Dies f¨ uhrte zu einer nicht signiﬁkanten Teststatistik (χ2 = 0.03; df = 1; ¨ berpr¨ p = 0.86), so dass ein reﬂektives Messmodell nicht abgelehnt werden kann. Anschließend wurde eine konﬁrmatorische Faktoranalyse mit zwei frei korrelierenden Faktoren durchgef¨ uhrt, die sehr gute Anpassungsmaße lieferte (vgl. Tabelle 4.17). Der Koeﬃzient α liegt mit Werte von 0,72 und 0,73 u ¨ber der geforderten Mindestgrenze, so dass die Reliabilit¨at als gew¨ahrleistet angesehen werden kann. Neben α u ¨bersteigt auch die Faktorreliabilit¨at ρW LJ das geforderte Mindestmaß von 0,6 mit Werten von 0,73 und 0,76 deutlich. Auch die Indikatorreliabilit¨at und die Item-to-Total

194

Empirische Untersuchung

Korrelation u ¨bersteigen in allen F¨allen den geforderten Mindestwert von 0,5. Gleiches gilt f¨ ur die durchschnittlich erfasste Varianz, so dass insgesamt von gegebener Konvergenzvalidit¨at ausgegangen werden kann. Das Fornell-Larcker Kriterium ist mit einer quadrierten Konstruktinterkorrelationen (φ) von 0,15 und einer DEV von 0,58 bzw. 0,62 f¨ ur alle Faktoren erf¨ ullt, so dass von Diskriminanzvalidit¨at ausgegangen werden kann. Aufgrund dieser guten Ergebnisse werden keine weiteren Modiﬁkationen vorgenommen.

0,66 0,89

¨ Anderungsh¨ auﬁgkeit ¨ Anderungsumfang

Projektzielstabilit¨ at

0,59 0,59

0,56 0,56

I-t-T K

0,44 0,80

0,45 0,70

ρi

Indikatorreliabilit¨ at

0,73

0,72

α

0,76

0,73

ρW LJ

Faktorreliabilit¨ at

Tabelle 4.17: Konﬁrmatorische Faktoranalyse zur Projektdurchf¨ uhrung

GFI: 1,00; AGFI: 1,00; NFI: 1,00; RFI: 1,00

0,67 0,84

geringe Plan¨ anderungen geringe Ressourcen¨ anderungen

Prozessstabilit¨ at

Ladung

standard.

Indikator

Faktor

0,62

0,58

DEV

0,15

0,15

φ

¨ Empirische Uberpr¨ ufung der Untersuchungshypothesen 195

196

Empirische Untersuchung

Innovationsgrad Die explorative Faktoranalyse der Indikatoren des Innovationsgraur des ergab nach dem Kaiser-Kriterium die Extraktion von vier Faktoren. Lediglich f¨ den Indikator neue Infrastruktur“ ist eine wesentliche Querladung zu beobachten. ” Dieses Ausgangsergebnis ist in Tabelle A.3 in Anhang 1 auf Seite 284 dargestellt. Allerdings weist der Indikator gesellschaftliche Kritik“ sowohl einen vergleichsweise ” geringen MSA Wert als auch als einziger mit 0,481 eine ¨außerst geringe Kommunalit¨at auf. Diese sollte mindestens 0,5 betragen, da dann die H¨alfte der Varianz des Indikators durch den Faktor erkl¨art wird (Hair et al., 2006). Aus diesem Grund wurde der Indikator gesellschaftliche Kritik“ eliminiert und die Faktoranalyse erneut ” durchgef¨ uhrt. Es ergab sich eine Einfachstruktur ohne wesentliche Querladungen. Diese ist in Tabelle 4.18 zusammengefasst.

PCA/Varimax 1

Indikator

−0,004

neue Technologie

2 0,785

3

4

0,217 −0,067

MSA 0,647

Leistungssteigerung

0,167

0,822 −0,038

0,041

0,682

Technologieverdr¨ angung

0,074

0,716

0,217

0,149

0,804

strategische Neuorientierung

0,775

0,207

0,058

0,045

0,776

neue Organisationsstruktur

0,877

0,049

0,027

0,138

0,714

ge¨anderte Unternehmensprozesse

0,820

0,081

0,092

0,141

0,826

ver¨anderte Unternehmenskultur

0,765 −0,030

0,149

0,126

0,876

Verhaltens¨anderungen

0,087

0,146

0,922

0,151

0,610

hoher Lernaufwand

0,173

0,211

0,907

0,063

0,625

neue Infrastruktur

0,278

0,006

0,078

0,823

0,630

regulatorische Anpassungen

0,071

0,088

0,117

0,870

0,564

Eigenwert

3,709

1,937

1,336

1,098

33,7%

17,6%

12,1%

10,0%

Erkl¨arte Varianz 2

KMO: 0,705; Bartlett-Test: χ = 589, 346; df = 55; p = 0, 000

Tabelle 4.18: Explorative Faktoranalyse zum Innovationsgrad

¨ Empirische Uberpr¨ ufung der Untersuchungshypothesen

197

Der Bartlett-Test weist signiﬁkante Korrelationen auf und sowohl der KMO-Wert als auch die MSA Werte liegen mit 0,705 bzw. 0,564 - 0,876 gr¨oßtenteils deutlich u ¨ber den geforderten Mindestwerten. Daher wurden die 11 Indikatoren anschließend auf ihre Vertr¨aglichkeit mit einem reﬂektiven Messmodell u uft. Dies f¨ uhrte ¨ berpr¨ 2 zu einer nicht signiﬁkanten Teststatistik (χ = 16.32; df = 38; p = 1), so dass ein reﬂektives Messmodell nicht abgelehnt werden kann. Im n¨achsten Schritt wurde eine konﬁrmatorische Faktoranalyse mit vier frei korrelierenden Faktoren durchgef¨ uhrt, die sehr gute Anpassungsmaße lieferte (vgl. Tabelle 4.19). α liegt f¨ ur drei Faktoren u ur den Faktor Umfeld-Fit“, ¨ ber dem geforderten Mindestwert von 0,7. Lediglich f¨ ” der einen Wert von 0,69 erreicht, wird die Grenze knapp verfehlt. Insgesamt kann die Reliabilit¨at damit jedoch als gew¨ahrleistet angesehen werden. Neben α u ¨ bersteigt auch die Faktorreliabilit¨at ρW LJ das geforderte Mindestmaß von 0,6 mit Werten ur die Indikatorreliabilit¨at und die Itemvon 0,7 - 0,9 deutlich. Auch die Werte f¨ to-Total Korrelationen sind zufriedenstellend, so dass insgesamt keine weiteren Modiﬁkationen vorgenommen wurden. Leider liegt die durchschnittlich erfasste Varianz f¨ ur den Faktor Technologiedimension“ unter dem geforderten Mindestwert ” von 0,5. Aufgrund der erf¨ ullten Anforderungen hinsichtlich der Reliabilit¨atskriterien kann jedoch insgesamt von einer ausreichender Konvergenzvalidit¨at ausgegangen werden kann, so dass der Faktor beibehalten wird, um diese inhaltlich wichtige Facette des Innovationsgrades zu ber¨ ucksichtigen. Das Fornell-Larcker Kriterium ist mit quadrierten Konstruktinterkorrelationen (φ) von 0,03 -0,21 und einer DEV von 0,4 - 0,82 f¨ ur alle Faktoren erf¨ ullt, so dass von Diskriminanzvalidit¨at ausgegangen werden kann.

0,73 0,83 0,78 0,69 0,83 0,98

0,82 0,65

strategische Neuorientierung neue Organisationsstruktur ge¨ anderte Unternehmensprozesse ver¨ anderte Unternehmenskultur

Verhaltens¨ anderungen hoher Lernaufwand

neue Infrastruktur regulatorische Anpassungen

interner Ressourcen-Fit

Marktdimension

Umfeld-Fit

0,53 0,53

0,81 0,81

0,64 0,76 0,69 0,62

0,52 0,55 0,50

I-t-T K

0,66 0,43

0,69 0,96

0,54 0,69 0,61 0,47

0,40 0,43 0,49

ρi

Indikatorreliabilit¨ at

0,69

0,90

0,84

0,71

α

0,70

0,90

0,84

0,70

ρW LJ

Faktorreliabilit¨ at

Tabelle 4.19: Konﬁrmatorische Faktoranalyse zum Innovationsgrad

GFI: 0,99; AGFI: 0,97; NFI: 0,97; RFI: 0,95

0,64 0,66 0,70

neue Technologie Leistungssteigerung Technologieverdr¨ angung

Technologiedimension

Ladung

standard.

Indikator

Faktor

0,55

0,82

0,58

0,44

DEV

0,09 0,20 0,03

0,09 0,21 0,09

0,08 0,09 0,20

0,08 0,21 0,03

φ

198 Empirische Untersuchung

¨ Empirische Uberpr¨ ufung der Untersuchungshypothesen

199

Umweltdynamik Die explorative Faktoranalyse der Indikatoren der Umweltdynamik ergab nach dem Kaiser-Kriterium die Extraktion von einem Faktor. Dieses Ausgangsergebnis ist in Tabelle A.4 in Anhang 1 auf Seite 285 dargestellt. Allerdings ergab sich f¨ ur den Indikator Konkurrenzaktivit¨aten“ eine Kommunalit¨at von ” lediglich 0,291, so dass dieser Indikator eliminiert wurde. Anschließend wurde die Faktoranalyse erneut durchgef¨ uhrt. Wiederum wurde nach dem Kaiser-Kriterium ein Faktor extrahiert, wobei die Indikatoren durchweg hohe Faktorladungen aufwiesen. Dieses Ergebnis ist in Tabelle 4.20 zusammengefasst.

PCA/Varimax Indikator ¨ Anderung der Marketingaktivit¨ aten

1 0,734

MSA 0,675

Dauer des Produktlebenszyklus

0,778

0,665

Nachfrage¨anderungen

0,689

0,723

Prozess¨anderungen

0,726

0,700

Eigenwert Erkl¨arte Varianz

2,145 53,6%

KMO: 0,687; Bartlett-Test: χ2 = 102, 737; df = 6; p = 0, 000

Tabelle 4.20: Explorative Faktoranalyse zur Umweltdynamik

Im n¨achsten Schritt wurde die Indikatormenge auf ihre Vertr¨aglichkeit mit einem reﬂektiven Messmodell u uft. Dies f¨ uhrte zu einer signiﬁkanten Teststatistik ¨ berpr¨ 2 (χ = 7.59; df = 2; p = 0.02), so dass ein reﬂektives Messmodell verworfen werden muss. Da folglich ein formatives Messmodell beurteilt wird, muss von der bis hierher genutzten Verfahrensweise abgewichen werden und das Messmodell anhand von Expertenvalidit¨at, Indikatorrelevanz und externer Validit¨at u uft werden. ¨berpr¨ Wie in Abschnitt 4.3.1.1 ausgef¨ uhrt wurde, sollte die Expertenvalidit¨at bereits w¨ahuft werden. Da der Fragebogen in mehreren Abstimmungsrend des Pre-Tests u ¨berpr¨ runden und unter Ber¨ ucksichtigung der Hinweise von Experten aus Wissenschaft und Praxis entwickelt wurde und die Indikatoren des Messmodells zur Umweltdynamik dabei keinerlei Kritik hervorriefen, ist davon auszugehen, dass die Expertenvalidit¨at

200

Empirische Untersuchung

als erf¨ ullt angesehen werden kann. Die Betrachtung der Gewichte der einzelnen ¨ Indikatoren weist die Items Anderung der Marketingaktivit¨aten“, Dauer des Pro” ” duktlebenszyklus“ und Nachfrage¨anderungen“ als besonders einﬂussreich aus. Im ” Rahmen der Indikatorrelevanz ist zudem insbesondere eine m¨ogliche Multikollinearit¨at zwischen den Indikatoren zu untersuchen. Diese liegt nach Huber et al. (2007, S. 98) in perfekter Form vor, wenn die Werte einer unabh¨angigen Variablen aus ” den anderen unabh¨angigen Variablen exakt vorhergesagt werden kann.“ Um dies zu u ufen wurden f¨ ur jeden einzelnen Indikator Regressionsmodelle berechnet, in ¨ berpr¨ denen untersucht wurde, inwieweit der jeweilige Indikator durch die anderen Indikatoren vorhergesagt wurde. Dies bildete die Basis zur Berechnung des Variance Inﬂation Factors f¨ ur jeden Indikator. Die Ergebnisse sind in Tabelle 4.21 zusammengefasst:

Indikator

Variance Inﬂation Factor

¨ Anderung der Marketingaktivit¨ aten

1,479

Dauer des Produktlebenszyklus

1,527

Konkurrenzaktivit¨ aten

1,166

Nachfrage¨ anderungen

1,316

Prozess¨ anderungen

1,416

Tabelle 4.21: Variance Inﬂation Factors der Indikatoren zur Messung der Umweltdynamik

Die Ergebnisse zeigen, dass die Werte f¨ ur alle Indikatoren nahe der Untergrenze von Eins liegen und damit deutlich von dem als problematisch geltenden Bereich von V IF ≥ 10 entfernt sind. Insofern ist keine wesentliche Multikollinearit¨at festzustellen und folglich sind keine Indikatoren zu eliminieren. Abschließend wurde die nomologische Validit¨at mittels des von Diamantopoulos und Winklhofer (2001) vorgeschlagenen Zwei-Konstrukt-Modells u uft, da keine zus¨atzliche reﬂektive In¨berpr¨ dikatormenge f¨ ur eine MIMIC Operationalisierung verf¨ ugbar war. Problematisch bei ¨ der Uberpr¨ ufung mittels eines Zwei-Konstrukt-Modells ist allerdings, dass zwischen den Konstrukten eine vorab postulierte enge Verbindung bestehen soll, die mittels des Modells u uft wird. Da im Rahmen dieser Arbeit keine Gr¨oße erhoben wurde, ¨berpr¨ auf die eine direkte Wirkung der Umweltdynamik erwartet wird, muss auf den Projekterfolg abgestellt werden, da die Ausf¨ uhrungen in Abschnitt 3.4.2 gezeigt haben,

¨ Empirische Uberpr¨ ufung der Untersuchungshypothesen

201

dass einige Untersuchungen einen direkten Zusammenhang zwischen dem Unternehmensumfeld und einem Erfolgsmaß analysiert haben. Allerdings haben sich diese empirischen Befunde als uneinheitlich herausgestellt. Der vorliegenden Problematik entspricht am ehesten die Arbeit von Bstieler (2005), der einen positiven Einﬂuss der Marktunsicherheit auf die Zeiteﬃzienz ermittelt. Daher wurde der Test unter Verwendung der Erfolgsdimension Projekteﬃzienz“ durchgef¨ uhrt. Hieraus ergab sich ” ein positiver allerdings nicht signiﬁkanter Zusammenhang zwischen Umweltdynamik und Projekteﬃzienz. Zus¨atzlich wurden die beiden weiteren Erfolgsdimensionen sowie der Erfolg als Faktor zweiter Ordnung mit allen drei Dimensionen getestet. In allen F¨allen wurde ein positiver aber nicht signiﬁkanter Zusammenhang ermittelt. Insofern kann die externe Validit¨at nicht eindeutig best¨atigt werden. Projektkomplexit¨ at Die explorative Faktoranalyse der Indikatoren der Projektkomplexit¨at ergab nach dem Kaiser-Kriterium die Extraktion von drei Faktoren. In dieser L¨osung waren f¨ ur die Indikatoren Zeitzielanspruch“ und Anspruch des Gesamtpro” ” jektes“ allerdings wesentliche Querladungen zu beobachten. Dieses Ausgangsergebnis ist in Tabelle A.5 in Anhang 1 auf Seite 286 dargestellt. Daher wurden die beiden Indikatoren eliminiert und die Faktoranalyse erneut durchgef¨ uhrt. Wiederum wurden nach dem Kaiser-Kriterium drei Faktoren, diesmal jedoch in Einfachstruktur, extrahiert. Diese sind in Tabelle 4.22 dargestellt. Der KMO Wert ist mit 0,605 akzeptabel ullen bis auf den Indikator Kostenzielanspruch“ die Anfordeund die MSA Werte erf¨ ” rungen. Dieser wurde jedoch zun¨achst beibehalten, um die Schwierigkeitsdimension weiter untersuchen zu k¨onnen. Die verbleibenden acht Indikatoren wurden anschließend auf ihre Vertr¨aglichkeit mit einem reﬂektiven Messmodell u uft. Hierbei ¨ berpr¨ 2 ergab sich eine nicht signiﬁkante Teststatistik (χ = 11.82; df = 17; p = 0.81.), so dass ein reﬂektives Messmodell nicht verworfen werden kann. Die Ergebnisse der anschließenden konﬁrmatorischen Faktoranalyse sind in Tabelle 4.23 dargestellt. Insgesamt weist das Modell trotz guter globaler G¨ utewerte einige nicht zufriedenstellende Befunde auf. F¨ ur die beiden Dimensionen Interdependenzen“ und Neuheit der ” ” Projektziele“ ergeben sich teilweise ausreichende, teilweise jedoch auch ungen¨ ugende G¨ utewerte. Da insbesondere die Werte der Faktorreliabilit¨at jedoch ausreichend sind bzw. die geforderte Mindestgrenze nur knapp verfehlen, wird f¨ ur die weitere Analyse zun¨achst an diesen beiden Dimensionen festgehalten. Die Dimension Schwierig” keit der Projektziele“ hingegen weist fast durchweg nicht akzeptable Werte f¨ ur die

202

Empirische Untersuchung

G¨ utemaße aus, so dass diese von der weiteren Betrachtung ausgeschlossen werden muss.

PCA/Varimax 1

Indikator

2

3

0,004

MSA

Produktmodulinterdependenzen

0,684

0,227

0,644

Prozessschrittinterdependenzen

0,848 −0,065 −0,029

0,627

Produkt-Prozess-Interdependenzen

0,784

0,134

0,073

0,637

−0,108

0,772

0,147

0,569

Neuheit des Qualit¨ atsziels Neuheit des Kostenziels

0,064

0,780 −0,221

0,607

Neuheit des Zeitziels

0,111

0,745

0,007

0,630

Qualit¨atszielanspruch

0,285 −0,292

0,583

0,593

Kostenzielanspruch

0,024

0,150

0,878

0,440

Eigenwert

2,059

1,895

1,086

25,7%

23,7%

13,6%

Erkl¨arte Varianz 2

KMO: 0,605; Bartlett-Test: χ = 181, 809; df = 28; p = 0, 000

Tabelle 4.22: Explorative Faktoranalyse zur Projektkomplexit¨at

Indikator

0,75 0,29

Qualit¨ atsziel Kostenziel

Schwierigkeit

0,63 0,80

0,45 0,53 0,47

0,44 0,56 0,52

I-t-T K

0,57 0,08

0,32 0,58 0,35

0,35 0,53 0,43

ρi

Indikatorreliabilit¨ at

0,38

0,67

0,69

α

0,45

0,68

0,70

ρW LJ

Faktorreliabilit¨ at

Tabelle 4.23: Konﬁrmatorische Faktoranalyse zur Projektkomplexit¨at

GFI: 0,98; AGFI: 0,95; NFI: 0,91; RFI: 0,86

0,56 0,76 0,59

Qualit¨ atsziel Kostenziel Zeitziel

0,59 0,73 0,65

Ladung

Neuheit

Produktmodule Interdependenzen Prozessschritte Produkt-Prozess

Faktor

standard.

0,33

0,42

0,43

DEV

0,06 0,18

0,00 0,06

0,00 0,18

φ

¨ Empirische Uberpr¨ ufung der Untersuchungshypothesen 203

204

Empirische Untersuchung

Projekterfolg Die explorative Faktoranalyse der Indikatoren der Erfolgsdimensionen ergab nach dem Kaiser-Kriterium die Extraktion von drei Faktoren. Lediglich f¨ ur den Indikator Technische Leistung“ war hierbei eine wesentliche Querladung zu ” beobachten. Dieses Ausgangsergebnis ist in Tabelle A.6 in Anhang 1 auf Seite 287 dargestellt. Auch hier wurde der fragliche Indikator eliminiert und die Faktoranalyse erneut durchgef¨ uhrt. In diesem Fall wurden drei Faktoren in Einfachstruktur extrahiert, die in Tabelle 4.24 dargestellt sind.

PCA/Varimax 1

2

Qualit¨at

0,279

0,060

0,832

0,725

Produktionsfreundlichkeit

0,059

0,191

0,860

0,722

Umsatz

0,270

0,860

0,018

0,734

Marktanteil

0,170

0,922

0,109

0,672

Wettbewerbsvorteil

0,023

0,824

0,210

0,759

Budgeteinhaltung

0,821

0,045

0,124

0,884

Time-to-Market

0,865

0,261

0,139

0,723

Zeitplaneinhaltung

0,901

0,165

0,152

0,697

Indikator

Eigenwert Erkl¨arte Varianz

3

3,628

1,574

1,167

45,3%

19,7%

14,6%

MSA

KMO: 0,729; Bartlett-Test: χ2 = 581, 752; df = 28; p = 0, 00

Tabelle 4.24: Explorative Faktoranalyse zum Projekterfolg

Der Bartlett-Test weist signiﬁkante Korrelationen auf und sowohl der KMO-Wert als auch die MSA Werte liegen mit 0,729 bzw. 0,672 - 0,884 alle deutlich u ¨ ber den geforderten Mindestwerten. Die 8 Indikatoren wurden daher im n¨achsten Schritt auf ihre Vertr¨aglichkeit mit einem reﬂektiven Messmodell u uft, welches aufgrund ¨ berpr¨ einer nicht signiﬁkanten Teststatistik (χ2 = 14.17; df = 17; p = 0.66) nicht abgelehnt werden konnte. Anschließend wurde eine konﬁrmatorische Faktoranalyse mit drei uhrt, die sehr gute Anpassungsmaße lieferte frei korrelierenden Faktoren durchgef¨ (vgl. Tabelle 4.25). Der Koeﬃzient α verfehlt nur in einem Fall mit 0,69 sehr knapp

¨ Empirische Uberpr¨ ufung der Untersuchungshypothesen

205

die geforderte Mindestgrenze, so dass insgesamt die Reliabilit¨at als gew¨ahrleistet angesehen werden kann, da die Faktorreliabilit¨at ρW LJ das geforderte Mindestmaß von 0,6 in allen F¨allen deutlich u ¨berschreitet. Sowohl die Item-to-Total Korrelationen als auch die Indikatorreliabilit¨at sind durchweg hoch und liegen u ¨ber den geforderten Mindestwerten. Auch die H¨ohe der durchschnittlich erfassten Varianz ist in allen F¨allen zufriedenstellend, so dass von Konvergenzvalidit¨at ausgegangen werden kann. Das Fornell-Larcker Kriterium schließlich ist mit quadrierten Konstruktinterkorrelationen (φ) von 0,13 -0,21 und einer DEV von 0,54 - 0,71 f¨ ur alle Faktoren erf¨ ullt, so dass die Diskriminanzvalidit¨at gew¨ahrleistet ist.

0,89 0,94 0,68 0,65 0,94 0,91

Umsatz Marktanteil Wettbewerbsvorteil

Budgeteinhaltung Time-to-Market Zeitplaneinhaltung

Markterfolg

Projekteﬃzienz

0,63 0,80 0,83

0,75 0,86 0,66

0,53 0,53

I-t-T K

0,42 0,89 0,82

0,79 0,88 0,46

0,64 0,43

ρi

Indikatorreliabilit¨ at

0,87

0,87

0,69

α

0,88

0,88

0,70

ρW LJ

Faktorreliabilit¨ at

Tabelle 4.25: Konﬁrmatorische Faktoranalyse zum Projekterfolg

GFI: 0,99; AGFI: 0,99; NFI: 0,99; RFI: 0,98

0,80 0,66

Qualit¨ at Produktionsfreundlichkeit

Produkterfolg

Ladung

Indikator

Faktor

standard.

0,71

0,71

0,54

DEV

0,17 0,21

0,13 0,17

0,13 0,21

φ

206 Empirische Untersuchung

¨ Empirische Uberpr¨ ufung der Untersuchungshypothesen

207

¨ 4.3.2 Kausalanalytische Uberpr¨ ufung der Untersuchungshypothesen Nachdem im vorangegangenen Abschnitt die Validierung der Konstrukte vorge¨ nommen wurde, dient der folgende Abschnitt der Uberpr¨ ufung der in Kapitel 3 hergeleiteten Untersuchungshypothesen. Hierzu wird zun¨achst der direkte Einﬂuss der Planung auf den Projekterfolg untersucht. Im n¨achsten Schritt wird das Modell um die Dimensionen der Umsetzung erweitert und es werden sowohl direkte als auch indirekte Wirkungsbeziehungen zwischen Projektplanung und -erfolg analysiert. 4.3.2.1 Coalignment der Planungsprozessdimensionen und Projekterfolg ¨ Zur Uberpr¨ ufung der Hypothese zum Coalignment der Planungsprozessdimensionen wird der Vorgehensweise von Segars et al. (1998) gefolgt. Hierbei werden zwei verschiedene Strukturmodelle speziﬁziert: In einem ersten Schritt werden zun¨achst die direkten Wirkungen der einzelnen Planungsprozessdimensionen auf den Projekterfolg untersucht (sog. Basismodell“ oder Modell der direkten Eﬀekte“). Im ” ” zweiten Schritt werden die Planungsprozessdimensionen zu einem u ¨ bergeordnetem Planungsfaktor zweiter Ordnung, dem Coalignment, zusammengefasst und es wird dessen Wirkung auf den Projekterfolg betrachtet ( Coalignment-Modell“). Mittels ” eines Vergleichs der Ergebnisse kann anschließend bestimmt werden, welches Modell die empirisch erhobenen Daten besser repr¨asentiert. Die von Segars et al. (1998) vorgenommene Bestimmung eines Target-Koeﬃzienten zum Modellvergleich kann aufgrund des im Rahmen dieser Arbeit genutzten ULS Sch¨atzverfahrens nicht durchgef¨ uhrt werden. Stattdessen erfolgt der Modellvergleich anhand der in Abschnitt 4.1.3.1 dargestellten G¨ utemaße sowie unter Ber¨ ucksichtigung zus¨atzlicher Parsimoniemaße.63

63

Parsimoniemaße k¨onnen zum Vergleich verschiedener konkurrierender Modelle herangezogen werden und bewerten deren Anpassung im Verh¨ altnis zu ihrer Komplexit¨ at. Sie stellen damit ein Maß der Sparsamkeit dar (Hair et al., 2006, S. 749 f.): A parsimony ﬁt measure is improved ” either by a better ﬁt or by a simpler model. In this case, a simpler model is one with fewer estimated parameters paths.[...] More complex models are expected to ﬁt the data better, so ﬁt measures must be relative to model complexity before comparisons between models can be made. The indices are not useful in assessing the ﬁt of a single model, but are quite useful in comparing the ﬁt of two models, one more complex than the other.“

208

Empirische Untersuchung

Abbildung 4.13 zeigt das Basismodell, in dem die Planungsprozessdimensionen direkt auf den Projekterfolg wirken.64 Gem¨aß der in Kapitel 3 formulierten Hypothesen wirken alle Dimensionen positiv auf den Projekterfolg. Das Modell besitzt 245 Freiheitsgrade.

Planungsausmaß

0,38

Formalisierung

0,22

Produkterfolg

0,65

Projekterfolg

0,28 , Planungskonsistenz

Partizipation

AGFI: 0,74

Markterfolg

0,63

0,22

GFI: 0,79

0,65

Projekteffizienz

NFI: 0,65

RFI: 0,61

PNFI: 0,58

Abbildung 4.13: Wirkung der einzelnen Planungsdimensionen auf den Projekterfolg

Abbildung 4.14 stellt das Coalignment Modell dar, welches 244 Freiheitsgrade aufweist.65 Auch das Coalignment wirkt sich, wie in der Hypothesen in Kapitel 3 formuliert, positiv auf den Projekterfolg aus. Zudem weisen die Pfade h¨ohere Pfadkoeﬃzienten als im Basismodell auf. Ein Vergleich der G¨ utemaße zeigt eindeutig, dass das Coalignment Modell wesentlich bessere Werte erzielen kann. W¨ahrend das Basismodell f¨ ur alle betrachteten G¨ utemaße die geforderten Mindestkriterien verfehlt, werden diese im Coalignment Modell ausnahmslos u ¨bertroﬀen. Zudem zeigt ein Vergleich der Parsimoniemaße, dass das Coalignment Modell eine wesentlich bessere Anpassung im Verh¨altnis zur Modellkomplexit¨at liefert. Insofern ist das Basismodell zugunsten des Coalignment Modells 64 65

Im Sinne einer u ¨bersichtlicheren Darstellung wird lediglich das Strukturmodell abgebildet. Die angegeben Pfadkoeﬃzienten entstammen der standardisierten L¨ osung. ¨ Aus Ubersichtlichkeitsgr¨ unden wird wiederum ausschließlich das Strukturmodell in der standardisierten L¨osung dargestellt.

¨ Empirische Uberpr¨ ufung der Untersuchungshypothesen

209

Planungsausmaß

Produkterfolg

0,49

0,65

Formalisierung 0,68 Coalignment Planungskonsistenz

0,37

0,69

0,63

Markterfolg

0,64

Partizipation

GFI: 0,95

Projekterfolg

0 78 0,78

AGFI: 0,93

Projekteffizienz

NFI: 0,91

RFI: 0,90

PNFI: 0,81

Abbildung 4.14: Wirkung des Coalignments der Planungsdimensionen auf den Projekterfolg

zu verwerfen, da dieses die empirisch erhobenen Daten erheblich besser repr¨asentiert. Auf Basis des Modellvergleichs zeigt sich, dass das erfolgversprechendste Planungsverhalten mit einer gleichzeitigen hohen Auspr¨agungen aller Planungsprozessdimensionen gegeben ist, wobei die Auspr¨agungen der Dimension Planungskonsistenz das h¨ochste Gewicht aufweist und die Dimension Planungsausmaß das geringste. Insgesamt werden durch das Coalignment Modell allerdings nur 13,6 Prozent des Projekterfolgs erkl¨art. Dies verdeutlicht, dass, wie bereits angedeutet wurde, nicht nur die Planung sondern auch deren Umsetzung betrachtet werden sollte. Daher wird im Folgenden das Coalignment Modell um die Konstrukte der Prozess- und Projektzielstabilit¨at als Dimensionen der Planungsumsetzung erweitert. 4.3.2.2 Gesamtmodell Im Rahmen des folgenden Abschnitts werden die weiteren in Kapitel 3 formulierten Hypothesen anhand der Pfadkoeﬃzienten des Gesamtmodells u uft. Jedoch ¨ berpr¨ werden an dieser Stelle zun¨achst noch die moderierenden Eﬀekt der in Kapitel 3 genannten Einﬂussfaktoren ausgeklammert. Abbildung 4.15 zeigt das Strukturmodell des Gesamtmodells. Alle Konstrukte werden gem¨aß ihrer Validierung in Abschnitt 4.3.1.2 reﬂektiv gemessen. Das Modell weist 337 Freiheitsgrade auf. Es wird deutlich, dass die Projektplanung sowohl direkt als auch indirekt auf den Projekterfolg wirkt. Insgesamt werden 59,7 Prozent der Varianz des Projekterfolgs

210

Empirische Untersuchung

durch das Modell erkl¨art. Die hierf¨ ur verantwortlichen direkten und indirekten Eﬀekte der latenten Variablen sind in Tabelle 4.26 zusammengefasst.

Planungsausmaß

Projektzielstabilität 0,48

-0,06

Produkterfolg g

0,21

0,59

Formalisierung , 0,69 Coalignment Planungskonsistenz

Projekterfolg

0 61 0,61

Markterfolg

0,76 0,41 0,27

0,70

AGFI: 0,92 0 92

0,59 Prozessstabilität

Partizipation

GFI: 0,93 0 93

0 23 0,23

NFI: 0,89 0 89

0,70

Projekteffizienz

RFI: 0,88 0 88

Abbildung 4.15: Direkte und indirekte Wirkung des Coalignments der Planungsdimensionen auf den Projekterfolg

Eine genauere Betrachtung von Tabelle 4.26 zeigt, dass die Hypothesen 6, 7 und 8 nicht widerlegt werden k¨onnen. Mit Pfadkoeﬃzienten von 0,23 weist das Coalignment der Planungsprozessdimensionen auch in diesem Modell einen direkten positiven Wirkungszusammenhang mit dem Projekterfolg auf. Dar¨ uber hinaus wirkt sich die Projektplanung auch indirekt positiv auf den Projekterfolg aus. Auch die Umsetzungsqualit¨at in Form von Projektzielstabilit¨at und Prozessstabilit¨at wirkt mit Pfadkoeﬃzienten von 0,21 und 0,59 direkt positiv auf den Projekterfolg. In gleicher Weise best¨atigt sich mit einem Pfadkoeﬃzienten von 0,41 ein deutlicher positiver Zusammenhang von Projektzielstabilit¨at und Prozessstabilit¨at. Hingegen sind die Ergebnisse f¨ ur die Wirkungsbeziehungen von Projektplanung und Projektziel- bzw. Prozessstabilit¨at uneinheitlich. Hypothese 8, die einen positiven Zusammenhang zwischen Projektplanung und Prozessstabilit¨at postuliert, kann aufgrund eines positiven Pfadkoeﬃzienten von 0,27 nicht widerlegt werden. Jedoch muss Hypothese 7 zur positiven Wirkungsbeziehung zwischen Projektplanung und Projektzielstabilit¨at abgelehnt werden. Wenngleich die im Gesamtmodell gesch¨atzten Pfadkoeﬃzienten die zentralen Un¨ tersuchungshypothesen weitestgehend zu best¨atigen scheinen, muss zur Uberpr¨ ufung der Stichhaltigkeit der zugrunde liegenden Theorie letztendlich vor allem die Anpas-

¨ Empirische Uberpr¨ ufung der Untersuchungshypothesen

abh¨ angige Variable Projekterfolg - Produkterfolg - Markterfolg - Projekteﬃzienz Prozessstabilit¨at Projektzielstabilit¨at

211

Prozessstab. dir. indir. ges.

Projektzielstab. dir. indir. ges.

Coalignment dir. indir. ges.

0,59

0,21

0,23

0,35 0,36 0,41

0,59 0,35 0,36 0,41

0,41

0,24 0,27 0,28 0,32

0,45 0,27 0,28 0,32 0,41

0,13 0,36 0,21 0,21 0,22 0,22 0,25 0,25 0,27 −0,02 0,25 −0,06 −0,06

Tabelle 4.26: Gesamtmodell: direkt, indirekte und gesamte Eﬀekte der latenten Variablen

sungsg¨ ute des Modells beurteilt werden. W¨ahrend der Goodness of Fit Index (GFI) und der Adjusted Goodness of Fit Index (AGFI) mit Werten von 0,93 bzw. 0,92 den geforderten Mindestwert von 0,9 u ¨bertreﬀen, wird dieser vom Normed Fit Index (NFI) und Relative Fit Index (RFI) mit Werten von 0,89 bzw. 0,88 knapp verfehlt. Aufgrund der hohen Anzahl zu sch¨atzender Parameter sowie dem vergleichsweise geringen Stichprobenumfang ist die Modellanpassung insgesamt als gut zu bewer¨ ten, so dass die dem Modell zugrundeliegenden theoretischen Uberlegungen nicht zur¨ uckgewiesen werden.

¨ 4.3.3 Regressionsanalytische Uberpr¨ ufung der Moderationseﬀekte Nachdem in den vorangegangenen Abschnitten die formulierten Hypothesen zum Coalignment der Projektplanungsprozessdimensionen sowie zum Zusammenwirken von Projektplanung und -umsetzung auf den Projekterfolg u uft wurden, werden ¨berpr¨ im Folgenden die Hypothesen zum Einﬂuss der Kontextfaktoren Innovationsgrad, ur werden gem¨aß der Projektkomplexit¨at und Branchenumfeld untersucht. Hierf¨ uhrungen in Abschnitt 4.1.3.2 verschiedene Regressionsmodelle analysiert, in Ausf¨ denen der Einﬂuss der Kontextfaktoren in Form von Moderationseﬀekten ber¨ ucksichtigt wird. Da die Kovarianz der Planungsprozessdimensionen, die das Coalignment im Strukturgleichungsmodell beschreibt, auf Basis einer Matrix berechnet wird, so dass keine individuellen Werte f¨ ur jedes Projekt ermittelt werden k¨onnen, war es zun¨achst erforderlich, einen N¨aherungswert f¨ ur das Coalignment zu berechnen. Hierf¨ ur wurde der

212

Empirische Untersuchung

Kehrwert der Varianz der Indikatoren der Planungsprozessdimensionen gew¨ahlt, um ¨ eine weitestgehende inhaltliche und mathematische Ubereinstimmung zu realisieren. Trotzdem ist anzumerken, dass hierbei Informationsverluste in Kauf zu nehmen sind. Anschließend wurden die so ermittelten Werte sowie die weiteren abh¨angigen Variablen, wie in Abschnitt 4.1.3.2 beschrieben, zentriert und die Regressionsanalysen durchgef¨ uhrt. Einﬂuss des Innovationsgrades Tabelle 4.27 fasst die Ergebnisse der hierarchischen moderierten Regression zum Einﬂuss des Innovationsgrades zusammen. Es wird ersichtlich, dass lediglich das Modell 1a einen signiﬁkanten F -Wert erreicht. In diesem Modell sowie dem Modell 1b weist das Coalignment jeweils einen signiﬁkant positiven Eﬀekt auf den Projekterfolg auf. Der Innovationsgrad zeigt in den Modellen 1b und 1c einen negativen jedoch nicht signiﬁkanten direkten Zusammenhang mit dem Projekterfolg und moderiert auch die Wirkungsbeziehung zwischen Coalignment und Projekterfolg nicht. Sowohl die Regressionkoeﬃzienten als auch FΔR2 f¨ ur den Vergleich von Modell 1c und 1b sind nicht signiﬁkant. Somit ist ein moderierender Einﬂuss des Innovationsgrades nicht nachweisbar und Hypothese 12, die keine moderierende Wirkung des Innovationsgrades auf den Wirkungszusammenhang von Coalignment und Projekterfolg postuliert, kann nicht widerlegt werden. Projekterfolg Modell 1a Haupteﬀekte Coalignment Moderator Innovationsgrad Interaktionsterm Coalignment x Innovationsgrad R2 Adjusted R2 ΔR2 F ∗

0,15∗

Modell 1b

Modell 1c

0,14∗ −0,07

0,12 −0,10 −0,09

0,02 0,02 0,02 3,10∗

0,03 0,01 0,01 1,90

0,03 0,01 0,00 1,55

p ≤ 0, 1; es werden standardisierte Betawerte angegeben

Tabelle 4.27: Hierarchische moderierte Regressionsanalyse mit dem Innovationsgrad

¨ Empirische Uberpr¨ ufung der Untersuchungshypothesen

213

Einﬂuss der Projektkomplexit¨ at Im n¨achsten Schritt wurde die moderierende Wirkung der Projektkomplexit¨at untersucht. Die Ergebnisse der hierarchischen moderierten Regressionsanalyse zu deren Einﬂuss auf die Wirkungsbeziehung zwischen Coalignment und Projekterfolg sind in Tabelle 4.28 zusammengefasst. Wie ersichtlich wird, weisen die Modelle 2a und 2c signiﬁkante F -Werte auf. In allen Modellen wird ein positiver, signiﬁkanter Einﬂuss des Coalignments auf den Projekterfolg nachgewiesen. Jedoch kann auch in dieser Analyse kein signiﬁkanter direkter Eﬀekt der Projektkomplexit¨at nachgewiesen werden. Der Regressionskoeﬃzient f¨ ur den Moderationseﬀekt ist negativ, aber ebenfalls nicht signiﬁkant. Auch FΔR2 ist f¨ ur die Vergleich von Modell 2a und 2b sowie f¨ ur den von Modell 2b und 2c nicht signiﬁkant, so dass ein moderierender Einﬂuss der Projektkomplexit¨at auf den Wirkungszusammenhang von Coalignment und Projekterfolg nicht nachgewiesen werden kann. Hypothese 14 u ¨ ber den positiven moderierenden Einﬂuss der Projektkomplexit¨at auf den Projekterfolg ist damit abzulehnen. Projekterfolg Modell 2a Haupteﬀekte Coalignment Moderator Projektkomplexit¨ at Interaktionsterm Coalignment x Projektkomplexit¨ at R2 Adjusted R2 ΔR2 F ∗

0,15∗

Modell 2b

Modell 2c

0,15∗

0,17∗

0,10

0,06 −0,13

0,02 0,02 0,02 3,10∗

0,03 0,02 0,01 2,28

0,05 0,03 0,02 2,24∗

p ≤ 0, 1; es werden standardisierte Betawerte angegeben

Tabelle 4.28: Hierarchische moderierte Regressionsanalyse mit der Projektkomplexit¨at

In einem n¨achsten Schritt wurde zus¨atzlich der Gesch¨aftstyp, der den jeweiligen Projekten zugrundeliegt, als ein weiteres Merkmal der Projektkomplexit¨at herangezogen. Entsprechend der Ausf¨ uhrungen in Abschnitt 4.1.3.2 wurde, da es sich beim Gesch¨aftstyp um eine kategoriale Variable handelt, auf eine Untergruppenanalyse uckgegriﬀen. Hierbei wird der Datensatz anhand der potenziell moderierenden zur¨

214

Empirische Untersuchung

Variable in Subgruppen unterteilt und f¨ ur jede Subgruppe die Korrelation zwischen Coalignment und Projekterfolg ermittelt. Anschließend werden die Ergebnisse unter Verwendung von Formel 4.13 auf signiﬁkante Unterschiede u uft. Die Nullhypo¨berpr¨ these lautet hierbei, dass die beiden Korrelationen identisch sind. z=

Z 1 − Z2 1 n1 −3

+

1 n2 −3

(4.13)

wobei Z1 und Z2 die z-transformierten Korrelationen von Coalignment und Projekterfolg zweier Untergruppen und n1 bzw. n2 die Anzahl der Projekte in der jeweiligen Untergruppe beschreiben. Der f¨ ur eine Irrtumswahrscheinlichkeit von p ≤ 0, 05 erforderliche z-Wert von 1,65 wird bei keinem Gruppenvergleich u ¨berschritten, so dass die Nullhypothese, dass die Korrelationen zwischen Coalignment und Projekterfolg f¨ ur alle Untergruppen identisch sind, nicht verworfen werden kann. Auch auf Basis dieser Analyse l¨asst sich kein moderierender Eﬀekt der Projektkomplexit¨at best¨atigen, so dass Hypothese 14 u ¨ ber einen positiven moderierenden Einﬂuss der Projektkomplexit¨at auf die Wirkungsbeziehung von Coalignment und Projekterfolg auch im Rahmen dieser Analyse abzulehnen ist.

Einﬂuss des Branchenumfelds Abschließend wird der moderierende Einﬂuss des Branchenumfelds auf die Wirkungsbeziehung von Coalignment und Projekterfolg u uft. Die Ergebnisse der hierarchischen moderierten Regressionsanalysen sind ¨berpr¨ in Tabelle 4.29 dargestellt. Alle drei Modelle weisen teilweise hochsigniﬁkante F -Werte auf. Das Coalignment wirkt sich in allen drei Modellen signiﬁkant positiv auf den Projekterfolg aus. Modell 2b weist zudem einen hochsigniﬁkanten positiven direkten Einﬂuss der Umfelddyur den Vergleich von Modell 3a namik auf den Projekterfolg nach. Auch FΔR2 f¨ und 3b ist signiﬁkant. Die Umfelddynamik leistet somit einen signiﬁkanten direkten Erkl¨arungsbeitrag zur Varianz des Projekterfolgs. Hingegen ist der schwach negative Moderationseﬀekt der Umfelddynamik auf den Wirkungszusammenhang zwischen Coalignment und Projekterfolg nicht signiﬁkant und auch FΔR2 erreicht f¨ ur den Vergleich von Modell 3b und 3c keinen signiﬁkanten Wert, so dass die Hypothese 13 zum positiven moderierenden Einﬂuss des Branchenumfelds abzulehnen ist.

¨ Empirische Uberpr¨ ufung der Untersuchungshypothesen

215

Projekterfolg Modell 3a Haupteﬀekte Coalignment Moderator Umfelddynamik Interaktionsterm Coalignment x Umfelddynamik 2

R Adjusted R2 ΔR2 F

0,15∗

Modell 3b

Modell 3c

0,15∗

0,14∗

0,29∗∗∗

0,27∗∗ −0,09

0,02 0,02 0,02 3,10∗

0,10 0,09 0,08 7,78∗∗∗

0,11 0,09 0,01 5,53∗∗∗

∗∗∗ p ≤ 0, 01,∗∗ p ≤ 0, 05,∗ p ≤ 0, 1; es werden standardisierte Betawerte angegeben

Tabelle 4.29: Hierarchische moderierte Regressionsanalyse mit der Umfelddynamik

Zusammenfassend ist zu konstatieren, dass keine der drei potenziellen Moderatorvariablen einen signiﬁkanten Einﬂuss auf die Wirkungsbeziehung zwischen Coalignment und Projekterfolg aus¨ ubt. Damit kann auf Basis dieser Ergebnisse festgehalten werden, dass eine Projektplanung, die sowohl formale als auch ﬂexible Planungselemente miteinander verbindet, nicht nur besonders erfolgversprechend ist, sondern zudem auch a¨ußerst stabil u ¨ ber verschiedene Arten von Projekten hinweg positiv auf den Projekterfolg wirkt und insofern als eine Art best practice bezeichnet werden kann. Um das Zusammenspiel der verschiedenen Planungsprozessdimensionen im Projektablauf zu analysieren und damit das Verst¨andnis u ¨ber die Art und Weise, in der diese Gestaltungsdimension miteinander kombiniert werden, zu verbessern, wird in der folgenden explorativen Erweiterung der empirischen Untersuchung u uft, ob sich ¨berpr¨ bestimmte Muster und Zusammenh¨ange zwischen den Planungsprozessdimensionen im Projektablauf aufdecken lassen.

4.3.4 Explorative Erweiterungen Die in den Abschnitten 4.3.2 und 4.3.3 durchgef¨ uhrten Analysen haben auf Grundlage einer ganzheitlichen Prozessbetrachtung eine hinreichende Basis zur Erkl¨arung des Projekterfolgs geliefert und gezeigt, dass f¨ ur eine erfolgversprechende Planung

216

Empirische Untersuchung

eine Verbindung der potenziell konﬂiktion¨aren Anforderungen der Flexibilit¨at und Eﬃzienz erforderlich ist. Jedoch kann auf Grundlage dieser Ergebnisse keine Aussage dar¨ uber getroﬀen werden, ob und gegebenenfalls wie die einzelnen Planungsprozessdimensionen im Laufe des Projektes unterschiedlich ausgepr¨agt sind und wie sie sich zueinander verhalten. Diese Fragen sollen im aktuellen Abschnitt n¨aher untersucht werden, um die gewonnenen Erkenntnisse weiter zu detaillieren. Die Forschung auf Gesamtorganisationsebene hat sich in einem ¨ahnlich gelagerten Diskurs mit dem paradox of administration“ (Thompson, 1967) und dem Konﬂikt ” zwischen mechanistischen Strukturen zur eﬃzienten Nutzung bestehender Ressourcen und organischen Strukturen zur F¨orderung von Innovation, Kreativit¨at und Flexibilit¨at besch¨aftigt (vgl. z. B. Sarkees und Hulland, 2009; Raisch, 2008; Volberda, Baden-Fuller und van den Bosch, 2001; Damanpour, 1991). Die entwickelten ¨ dieses Wiederspruchs lassen sich im wesentlichen auf L¨osungen zur Uberwindung drei Ans¨atze reduzieren (Raisch, 2008): Zeitliche Trennung von Exploitation und Innovation, also ein zeitlich sequenzielles Alternieren zwischen ﬂexiblen und starren Strukturen; strukturelle Trennung von Exploitation und Innovation, so dass die beiden Aufgaben von unterschiedlichen Personen in unterschiedlichen Unternehmenseinheiten wahrgenommen werden; parallele Strukturen, bei denen Exploitation und Innovation von denselben Personen, aber in unterschiedlichen strukturellen Kontexten wahrgenommen werden. Die so f¨ ur Organisationen entwickelten L¨osungen entsprechend damit in bemerkenswerter Weise den von Altschuller formulierten ¨ elementaren Umformungen zur Uberwindung von Widerspr¨ uchen, die im Rahmen der Invention von wesentlicher Bedeutung sind (vgl. z. B. Altschuller, 1998; M¨ohrle und Pannenb¨acker, 1997b, 1997a). Wie bereits in den Ausf¨ uhrungen in Kapitel 2 deutlich wurde, ist dieser Widerspruch auch auf der Ebene des einzelnen Innovationsprojektes thematisiert worden (vgl. z. B. Naveh, 2007; Tatikonda und Rosenthal, 2000a; Verganti, 1999). Mit Ausnahme der Untersuchung von Lewis et al. (2002) liegen jedoch keine Erkenntnisse dar¨ uber vor, wie ﬂexible und eﬃzienzf¨ordernde Elemente im Projektablauf eingesetzt werden. Daher wird im Rahmen der vorliegenden Arbeit untersucht, wie die einzelnen Planungsprozessdimensionen in den unterschiedlichen Phasen der betrachteten Projekte ausgestaltet waren. Hierzu wurden die Probanden gebeten, auf Basis des Phasenschemas des Innovationsprozesses in Abbildung 4.16, das dem Innovationskompass (Brennecke et al., 2001) entstammt, ein Gesamturteil u ¨ ber die jeweilige

¨ Empirische Uberpr¨ ufung der Untersuchungshypothesen

217

Auspr¨agung der Planungsprozessdimensionen w¨ahrend dieser Phasen abzugeben. Um verschiedene Strategien zum Umgang mit der Ausgestaltung der Planungsprozessdimensionen zu identiﬁzieren, wurden die Daten einer Clusteranalyse (vgl. z. B. Hair et al., 2006; Backhaus et al., 2000) unterzogen.66

Idee / Initiative / Forschung

I • Initiative zum Vorhaben („Funke“) • Konkretisierung der Idee • Technische Fähigkeiten identifiziert • Mögliche Anwendungen und Kundensegmente weitgehend unbekannt

Business Plan / Konzept

Geschäftsaufbau / Vorentwicklung

II • Generierung und Test von Alternativen • Iterative Entwicklung mit „Lead Customers“ • Festlegung Produktfunktionen und Design Freeze • Kundensegmente identifiziert… • … aber Produktnutzen und Kundenakzeptanz weitgehend unbekannt

Design Freeze

Markterschließung / Produkt- / Serienentwicklung

III • Effiziente Gestaltung der operativen Prozesse im Vordergrund • Produktänderungen nur marginal • Kommerzialisierung im Massenmarkt • Kundensegmente gut bekannt… • Produkte im Markt etabliert

Abbildung 4.16: Prozessmodell in Anlehnung an den Innovationskompass

Mittels einer Clusteranalyse k¨onnen Objekte (in diesem Fall die Projekte) grup¨ piert werden, so dass die Objekte in einem Cluster Ahnlichkeit im Hinblick auf die ausgew¨ahlten Charakteristika aufweisen (Hair et al., 2006). Hierf¨ ur muss zun¨achst ¨ ein Ahnlichkeitsbzw. Distanzmaß67 ausgew¨ahlt werden, anhand dessen die Unter¨ schiede bzw. Ubereinstimmungen zwischen verschiedenen Objekten messbar gemacht uber hinaus ist ein Fusionierungsalgorithmus zu w¨ahlen, der die Objekte werden. Dar¨ ¨ basierend auf den Ahnlichkeitswerten in Gruppen zusammenfasst, die weitgehend u ¨ bereinstimmende Eigenschaftsstrukturen aufweisen (Backhaus et al., 2000). Das zentrale Problem der Clusteranalyse besteht in der Bestimmung der Anzahl der Cluster, die gebildet werden sollen, die wiederum von der Wahl des Distanzmaßes, des Fusionierungsalgorithmuses und einer vom Forscher zu bestimmenden Regel ur die Festlegung der Clusteranzahl (engl. stopping rule) abh¨angt (Dubes, 1987; f¨ Milligan und Cooper, 1985; Begovich und Kane, 1982). Da es keine allgemeing¨ ultigen Empfehlungen oder statistische Tests f¨ ur die Auswahl des Distanzmaßes und des Fusionierungsalgorithmuses sowie der stopping rule gibt, wird empfohlen, die Anzahl 66 67

F¨ ur eine ausf¨ uhrliche Darstellung der Methodik wird insbesondere auf Hair et al. (2006) verwiesen. In der Regel werden im Rahmen einer Clusteranalyse Distanzmaße verwendet, so dass im Folgenden zur sprachlichen Vereinfachung nur noch von Distanzmaßen gesprochen wird und der ¨ Begriﬀ des Ahnlichkeitsmaßes vernachl¨ assigt wird (Hair et al., 2006).

218

Empirische Untersuchung

der zu bildenden Cluster sowie deren Struktur anhand mehrerer Distanzmaße, Fusionierungsalgorithmen und stopping rules zu berechnen und die Ergebnisse durch die ¨ ¨ Uberpr¨ ufung der Ubereinstimmung der L¨osungen zu validieren (Hair et al., 2006). Die vorliegende Arbeit folgt dieser Empfehlung, so dass nach einer ebenfalls empfohlenen Standardisierung der Variablen zun¨achst anhand der Distanzmaße euklidische ” Distanz“ und quadrierte euklidische Distanz“ sowie der Fusionierungsalgorithmen ” Ward“, Average Linkage between Groups“ und Average Linkage within Groups“, ” ” ” die als besonders leistungsf¨ahig gelten (Hair et al., 2006), f¨ unf hierarchische Clusuhrt wurden, im Rahmen derer s¨amtliche m¨oglichen teranalysen in SPSS durchgef¨ Clusterungsl¨osungen berechnet wurden.68 Da SPSS als Entscheidungskriterium lediglich einen absoluten Heterogenit¨atswert f¨ ur jede Clusterl¨osung liefert, wurden als zus¨atzliches Entscheidungskriterium die prozentuale Ver¨anderung der Heterogenit¨at ¨ beim Ubergang von einer zur n¨achsten Clusterl¨osung berechnet.69 Auf Basis dieser Methoden wurden die folgenden, n¨aher zu untersuchenden m¨oglichen Clusterl¨osungen ermittelt, die in Tabelle 4.30 dargestellt sind: Ward-Verfahren eukl. Distanz 4 3 2

2

Average Linkage zw. Gruppen

Average Linkage in Gruppen

eukl. Distanz

eukl. Distanz 2

5 4

4

5 4

4

2

2

2

2

eukl. Distanz

2

eukl. Distanz

Tabelle 4.30: M¨ogliche Anzahl von Gruppen auf Basis der Clusteranalyse

Anschließend wurden diese 13 L¨osungen n¨aher betrachtet und Proﬁle f¨ ur die Projekte erstellt. Hinsichtlich der Anzahl der Projekte in den verschiedenen Clustern lieferten die Verfahren sehr unterschiedliche Werte, wie die folgende Tabelle 4.31 verdeutlicht: 68

69

Da das Ward-Verfahren mit dem Distanzmaß der quadrierten euklidischen Distanz durchgef¨ uhrt werden soll, wurde auf die Kombination aus Ward-Verfahren und euklidischer Distanz verzichtet (Backhaus et al., 2000). SPSS gestattet es nicht, Maße f¨ ur die Ver¨ anderung der Varianz wie die root mean square standard deviation (RMSSTD), statistische Maße f¨ ur die Ver¨ anderung der Heterogenit¨ at wie Pseudo F Statistiken oder pseudo T 2 Werte oder ein direktes Heterogenit¨ atsmaß wie das cubic clustering criterion (CCC) zu berechnen, so dass zur weiteren Validierung nicht auf diese Maße zur¨ uckgegriﬀen werden konnte.

¨ Empirische Uberpr¨ ufung der Untersuchungshypothesen

Ward-Verfahren eukl. Dist.2 4 3 2 47 26 25 39

47 65 25

72 65

Average Linkage zw. Gruppen eukl. Dist.2 5 4 2

eukl. Dist. 4 2

95 36 2 3 1

131 2 3 1

131 2 3 1

136 1

136 1

219

Average Linkage in Gruppen 5

eukl. Dist.2 4 2

44 16 32 35 10

44 16 42 35

79 58

eukl. Dist. 4 2 45 39 39 14

84 53

Tabelle 4.31: Anzahl der Projekte je m¨oglicher Clusterl¨ osung

Aus Tabelle 4.30 ist ersichtlich, dass alle Verfahren zu m¨oglichen L¨osungen von zwei oder vier Clustern kommen. Diese potenziellen L¨osungen scheinen daher besonders stabil zu sein. F¨ unf bzw. drei Cluster wurden jedoch nur ein- respektive zweimal als potenzielle L¨osungen ermittelt, so dass diese L¨osungen aufgrund mangelnder Validierung von der weiteren Betrachtung ausgeschlossen wurden. Die erarbeiteten Proﬁle zeigten zudem, dass die L¨osung mit zwei Clustern in allen F¨allen zu einer uhrte, die in allen Projektphasen hohe Werte f¨ ur die PlaGruppe von Projekten f¨ nungsprozessdimensionen und zu einer weiteren, die in allen Phasen niedrige Werte aufwies. Aufgrund der eingeschr¨ankten Aussagekraft dieser L¨osung entschloss sich der Verfasser, sich auf die L¨osungen mit vier Clustern zu konzentrieren. Aus Tabelle 4.31 kann entnommen werden, dass die L¨osungen, die anhand des Verfahrens Average Linkage zwischen Gruppen ermittelt wurden, in beiden F¨allen vier Cluster enthielten, die durch erhebliche Gr¨oßenunterschiede gekennzeichnet waren. Da auf Basis einer solchen Verteilung anzuzweifeln ist, dass hieraus allgemeing¨ ultigere Aussagen abgeleitet werden k¨onnen, wurden auch diese beiden L¨osungen verworfen, so dass schließlich drei m¨ogliche L¨osungen mit jeweils vier Gruppen von Projekten weiter betrachtet wurden. Im n¨achsten Schritt wurden gem¨aß der Empfehlungen von Hair et al. (2006) die Mittelwerte der einzelnen Variablen f¨ ur jeden Cluster dieser drei L¨osungen ermittelt, um diese als Ausgangswerte f¨ ur eine anschließende nicht hierarchische k-means Clusteranalyse (Clusterzentrenanalyse) zur weiteren Validierung der Ergebnisse zu nutzen. Diese hat den Vorteil, dass ein Objekt w¨ahrend der Analyse auch von einem Cluster in einen anderen umsortiert werden kann, wenn sich im Ablauf der Analyse die

220

Empirische Untersuchung

Cluster soweit verschieben, dass es besser in einen anderen Cluster passt. W¨ahrend einer hierarchischen Clusteranalyse hingegen verbleibt ein Objekt grunds¨atzlich in dem Cluster, dem es zun¨achst zugeordnet wurde. Die Ergebnisse dieser Analyse wurden erneut zur Erstellung von Clusterproﬁlen genutzt, die in Abbildung 4.17 dargestellt sind.70

comp_1 7 part_3

6

comp_1 7 comp_2

part_3

5 comp_3

4

part_2

3

3

2

2

1 part_1

comp_3

1 f orm_1

0

const_3

f orm_2

const_2

comp_2

5

4

part_2

6

form_3

part_1

f orm_1

0

const_3

f orm_2

const_2

f orm_3

const_1

const_1

Auf Basis: Ward + quadr. eukl. Distanz

Auf Basis: Average Linkage in Gruppen + quadr. eukl. Distanz

comp_1 7 part_3

6

comp_2

5 4

part_2

comp_3

3 2 1 0

part_1

f orm_1

const_3

f orm_2

const_2

form_3 const_1

Auf Basis: Average Linkage in Gruppen + eukl. Distanz

Abbildung 4.17: Clusterproﬁle f¨ ur die L¨osung mit vier Clustern

Es ist zu erkennen, dass alle drei L¨osungen ein sehr ¨ahnliches Bild liefern. In allen F¨allen wird ein Cluster (1) von Projekten ermittelt, der u ¨ber alle Phasen und f¨ ur alle Planungsprozessdimensionen hohe Werte aufweist (schwarze durchgezogene 70

Die Achsenbeschriftungen beschreiben die Planungsprozessdimensionen Planungsausmaß (comp), Formalisierung (form), Planungskonsistenz (const) und Partizipation (part). Die jeweilige Zahl beschreibt die Prozessphase gem¨ aß Abbildung 4.16.

¨ Empirische Uberpr¨ ufung der Untersuchungshypothesen

221

Linie). Eine zweite Gruppe von Projekten (2) ist dadurch gekennzeichnet, dass sie f¨ ur alle vier Planungsdimensionen einen jeweils starken Anstieg von der Phase 1 u ¨ber die Phase 2 bis zur Phase 3 aufweist (graue durchgezogene Linie). Ein weiterer Cluster (3) umfasst Projekte, die f¨ ur alle Planungsprozessdimensionen mittlere und nur vereinzelt hohe Werte aufweisen. Mit Ausnahme der Dimension Formalisierung und der Partizipation in der Ward-L¨osung“ nimmt die St¨arke der Auspr¨agung der ” Planungsprozessdimensionen u ¨ber die verschiedenen Phasen ab. Hingegen ist die Formalisierung in allen L¨osungen in der zweiten Projektphase am st¨arksten ausgepr¨agt. Zudem f¨allt auf, dass f¨ ur diesen Cluster in allen L¨osungen die Formalisierung die am schw¨achsten ausgepr¨agte Gestaltungsdimension ist (schwarze gestrichelte Linie). Die vierte Gruppe (4) schließlich weist u ¨ ber alle Planungsprozessdimensionen und Projektphasen geringe Werte auf, wobei auch diese leicht von der ersten u ¨ ber die zweite bis zur dritten Projektphase ansteigen. In allen L¨osungen ist die Gestaltungsdimension Planungsausmaß am st¨arksten ausgepr¨agt (schwarze gepunktete Linie). Zur abschließenden Validierung der Ergebnisse wurde die Zuordnung der Projekte zu den verschiedenen Gruppen f¨ ur die unterschiedlichen Clusterungsvorgehen untersucht. Insgesamt wurden 120 der 137 Projekte (87,6 Prozent) mit allen drei Ans¨atzen der gleichen Gruppe zugeordnet. Dies spricht f¨ ur eine außerordentliche Stabilit¨at dieser L¨osung. Aus den Proﬁlen lassen sich keinerlei zeitliche Trennungen erkennen. Es gibt folglich keine Projektphasen, in denen verst¨arkt ﬂexible oder formale Planungselemente vorherrschen. Die fr¨ uhen Phasen eines Innovationsprojektes, das sogenannte Fuzzy Front End (vgl. z. B. Herstatt und Verworn, 2004; Herstatt et al., 2004), wird also nicht wesentlich anders geplant als die sp¨ateren Projektphasen, die h¨auﬁg mit weit weniger Unsicherheit behaftet sind. In diesem Fall m¨ usste das Clusterproﬁl durch gegens¨atzliche Linienverl¨aufe f¨ ur die einzelnen Gestaltungsdimensionen u ¨ ber die Projektphasen gekennzeichnet sein. Ebenfalls l¨asst sich keine strukturelle Trennung erkennen. In den Projekten wird, wie es bereits die Analyse zum Coalignment gezeigt hat, sowohl mit formalen als auch ﬂexiblen Planungselementen gearbeitet. Insofern entsprechen die identiﬁzierten Muster am ehesten dem Ansatz der parallelen Struktur, in der die gleichen Personen sowohl um Innovation als auch Exploitation bem¨ uht sind. Dieses Bild wird auch durch die Untersuchung von Lewis et al. (2002) best¨atigt, die u ¨ber den Projektablauf hinweg die Bedeutung geplanter und emergenter Projektmanagementpraktiken nachweisen.

222

Empirische Untersuchung

Um zu u ufen, wie sich diese vier Strategien auf den Projekterfolg auswirken, ¨berpr¨ wurden die Mittelwert der Indikatoren f¨ ur den Projekterfolg f¨ ur jedes Projekt berechnet und diese mittels einer einfaktoriellen Varianzanalyse (engl. ANOVA: Analysis of Variance) auf systematische Unterschiede der Projekte in den verschiedenen Clustern u uft.71 F¨ ur alle drei L¨osungen ergeben sich signiﬁkante Unterschiede (p ≤ 0, 05) ¨berpr¨ zwischen den Mittelwerten des Projekterfolgs der einzelnen Gruppen. So ist der Projekterfolg im Cluster (1) f¨ ur alle drei L¨osungen am h¨ochsten, gefolgt von Cluster (2), Cluster (3) und Cluster (4). Auch diese Reihenfolge wird in allen drei L¨osungen best¨atigt. Dies spiegelt die in Abschnitt 4.3.2 ermittelten Befunde wider, nach denen die einzelnen Planungsprozessdimensionen in ihrer H¨ohe genau wie ein hoher Grad an Coalignment positiv auf den Projekterfolg wirken.

71

F¨ ur eine ausf¨ uhrliche Darstellung der Varianzanalyse siehe Kleinbaum et al. (1998).

5 Schlussbetrachtung Im Rahmen dieses Abschnitts werden zun¨achst die zentralen Ergebnisse der theoretischen Aufarbeitung in den Kapiteln 2 und 3 und der empirischen Untersuchung in Kapitel 4 zusammengefasst und abschließend diskutiert. Aufbauend hierauf werden im Abschnitt 5.2 Implikationen f¨ ur die Planung und Umsetzung von Innovationsprojekten dargestellt und Handlungsempfehlungen f¨ ur die Unternehmenspraxis abgeleitet. Abschließend wird in Abschnitt 5.3 noch einmal auf die Grenzen der vorliegenden Arbeit eingegangen und es werden die sich daraus ergebenden Ansatzpunkte f¨ ur zuk¨ unftige Forschungsbem¨ uhungen herausgearbeitet.

5.1 Zusammenfassung wesentlicher Ergebnisse Den Ausgangspunkt der vorliegenden Arbeit bilden die konﬂiktion¨aren Anforderungen an Flexibilit¨at und Eﬃzienz in der Planung von Innovationsprojekten, die f¨ ur die Unternehmenspraxis aufgrund zunehmend k¨ urzerer Produktlebenszyklen und einem steigenden Wettbewerbsdruck von wachsender Bedeutung sind und denen es gilt, gleichzeitig gerecht zu werden. In der Literatur zur Innovationsforschung sind diesbez¨ uglich eine Reihe widerspr¨ uchlicher Perspektiven, empirischer Befunde und daraus abgeleiteter Handlungsempfehlungen zu beobachten. Angesichts der notwendigen Verkn¨ upfung von Eﬃzienz und Flexibilit¨at in der Planung von Innovationsprojekten und einem Mangel an Untersuchungen, die sich detailliert mit der Planung von Neuproduktentwicklungsvorhaben besch¨aftigen, war somit eine Forschungsl¨ ucke zu konstatieren, die in die folgende u ¨bergeordnete Forschungsfrage m¨ undete: Wie m¨ ussen Neuproduktentwicklungsprojekte im Spannungsfeld von ” Eﬃzienz und Flexibilit¨at geplant werden, damit sie m¨oglichst erfolgreich umgesetzt und abgeschlossen werden k¨onnen?“

224

Schlussbetrachtung

Zur Beantwortung der Frage befasste sich die Arbeit auf theoretischer Ebene zun¨achst mit den Begriﬀen der Innovation und des Innovationsgrades sowie der Planung, um die zwei wesentlichen Kernbegriﬀe der Forschungsfrage zu erfassen. Die ¨ gewonnenen Erkenntnisse wurden schließlich in einem Uberblick u ¨ ber die Planung von Innovationen auf verschiedenen betrieblichen Ebenen zusammengef¨ uhrt und im Hinblick auf die Planung von Innovationsprojekten konkretisiert. Diese Aufarbeitung theoretischer und empirischer Ergebnisse der Innovationsforschung wurde genutzt, um die anf¨anglich formulierte u ¨ bergeordnete Forschungsfrage weiter zu pr¨azisieren und sie in einzelne Untersuchungsschritte zu strukturieren: 1. Welchen Beitrag leisten formale, eﬃzienzbezogene Planungselemente zum Projekterfolg? 2. Welchen Beitrag leisten ﬂexible Planungselemente zum Projekterfolg? 3. Ist ein Planungsprozess, der sowohl formale als auch ﬂexible Elemente miteinander vereint, erfolgswirksamer, als ein Planungsprozess, der prim¨ar formal oder prim¨ar ﬂexibel ist? 4. Wie wirken sich Planungsgegenstand - im Sinne der Charakteristika des zugrundeliegenden Projekts - und Planungskontext - im Sinne der Umweltdynamik auf die Erfolgswirksamkeit des Planungsprozesses aus? Aus den gewonnenen Erkenntnissen wurde im n¨achsten Schritt ein Untersuchungsmodell der Planung und Umsetzung von Innovationsvorhaben abgeleitet. In Anlehnung an die Forschung zur strategischen Unternehmensf¨ uhrung und zur Planung betrieblicher Informationssysteme wurde die Projektplanung anhand von Gestaltungsdimensionen konzeptualisiert, die eﬃzienzbezogene bzw. ﬂexible Planungsverhalten beschreiben. Unter Verwendung theoretischer und empirischer Forschungsergebnisse wurden Hypothesen zur individuellen und gemeinsamen Erfolgswirksamkeit der einzelnen Gestaltungsdimensionen formuliert. Des Weiteren wurden Hypothesen zur Mediatorwirkung der Planungsumsetzung auf die Wirkungsbeziehung zwischen Projektplanung und Projekterfolg abgeleitet. Ferner wurden Hypothesen zum moderierenden Einﬂuss von Planungsgegenstand und Planungskontext auf den Wirkungszusammenhang zwischen Planung und Erfolg entwickelt. Im Rahmen der anschließenden

Zusammenfassung wesentlicher Ergebnisse

225

empirischen Untersuchung wurden diese Hypothesen mittels verschiedener statistischer Verfahren u uft. ¨berpr¨ ¨ Die Ergebnisse der statistischen Uberpr¨ ufung der Untersuchungshypothesen anhand von 137 Innovationsprojekten best¨atigen die postulierten Wirkungszusammenh¨ange zwischen den einzelnen Gestaltungsdimensionen der Projektplanung und dem Projekterfolg. Sowohl die eﬃzienzbezogenen Dimensionen Planungsausmaß“ ” und Formalisierung“ als auch die ﬂexibilit¨atssteigernden Dimensionen Planungskon” ” sistenz“ und Partizipation“ wirken positiv auf den Projekterfolg (Forschungsfragen ” 1 und 2). Auch die Hypothese zum Coalignment der Planungsprozessdimensionen, also der Kombination eﬃzienzbezogener und ﬂexibler Planungsverhalten zu einer komplexen Planungsstrategie im Sinne einer rational adaptation“, kann nicht wider” legt werden. Zudem zeigt sich, dass eine derartige Planung nicht nur direkt positiv auf den Projekterfolg wirkt, sondern auch indirekt zum Erfolg beitr¨agt, indem sie sich in der Umsetzungsphase positiv auf die Stabilit¨at des Projektprozesses auswirkt, die wiederum erfolgssteigernd wirkt (Forschungsfrage 3). Hingegen kann ein positiver Einﬂuss der Planung auf die Projektzielstabilit¨at nicht nachgewiesen werden. Jedoch tr¨agt auch diese hypothesenkonform direkt und indirekt u ¨ ber die Prozessstabilit¨at zum Projekterfolg bei. Die weiterf¨ uhrenden Analysen zeigen zudem, dass ein Planungsprozess, der durch ein hohes Maß an Coalignment der Gestaltungsdimensionen gepr¨agt ist, unabh¨angig vom Innovationsgrad, der Projektkomplexit¨at und der Branchendynamik positiv auf den Projekterfolg wirkt (Forschungsfrage 4). Damit schl¨agt die vorliegende Arbeit eine Br¨ ucke zwischen den eingangs skizzierten Forschungsstandpunkten und unterstreicht die Notwendigkeit einer gleichzeitigen Betrachtung ﬂexibler und eﬃzienzbezogener Planungsverhalten. Um ein besseres Verst¨andnis u ¨ ber das Zusammenspiel der ﬂexiblen und eﬃzienzbezogenen Gestaltungsdimensionen im Projektablauf zu entwickeln, wurde die Planung w¨ahrend verschiedener Projektphasen n¨aher untersucht. Hierbei konnten vier verschiedene Gruppen von Projekten identiﬁziert werden, die sich anhand ihres Planungsverhaltens im Projektablauf unterschieden. Die Ergebnisse unterstreichen die Notwendigkeit einer kontinuierlichen Verkn¨ upfung eﬃzienzbezogener und ﬂexibler Planungsverhalten. Die Projekte, in denen es gelang, den unterschiedlichen Anforderungen im gesamten Projektablauf m¨oglichst gut gerecht zu werden, konnten mit dem gr¨oßten Erfolg abgeschlossen werden.

226

Schlussbetrachtung

5.2 Implikationen f¨ ur die Unternehmenspraxis Neben der wissenschaftlichen Zielsetzung, ein umfassenderes Verst¨andnis der Erfolgswirksamkeit ﬂexibler und eﬃzienzbezogener Planungsverhalten in Neuproduktentwicklungsprojekten allein und in ihrem Zusammenspiel zu erlangen, ist die vorliegende Arbeit auch um einen Transfer der gewonnenen Erkenntnisfortschritte in die unternehmerische Praxis bem¨ uht. Die Untersuchungsergebnisse belegen die Bedeutung upfung ﬂexibler und eﬃzienzbezogener Planungselemente im Sinne eieiner Verkn¨ ner rational adaptation“ f¨ ur den erfolgreichen Abschluss von Innovationsprojekten. ” Hieraus lassen sich einige wesentliche Erkenntnisse f¨ ur die Planungspraxis von Innovationsprojekten ableiten. Wie in Abschnitt 3.2 ausgef¨ uhrt, beschreiben die Planungsprozessdimensionen eine Art Planungsinfrastruktur“, auf Basis derer konkrete Methoden und Pla” nungstechniken eingesetzt werden k¨onnen. Damit ist zun¨achst eine grunds¨atzliche ¨ Bereitschaft zur Ubernahme dieser Infrastruktur erforderlich. Da diese auf den Wer¨ ten, Uberzeugungen und Erfahrungen des Managements im Hinblick auf Planung ¨ beruht, kann dies hohe Anforderungen an die Anderungsbereitschaft der beteiligten Personen stellen, wenn sich diese auf neu gestaltete Prozesse einlassen m¨ ussen. F¨ ur die Verkn¨ upfung ﬂexibler und eﬃzienzbezogener Planungselemente und die damit ¨ verbundene Uberwindung dieses Paradoxons ist eine Unternehmenskultur von Vorteil, in der stark problemorientiert gedacht wird, unterschiedliche Meinungen gefordert und gef¨ordert werden und geringe Machtgef¨alle vorherrschen (Lewis, 2000). Insofern ist zun¨achst grunds¨atzlich eine dergestalte Unternehmenskultur zu f¨ordern. Ein hohes Planungsausmaß, also eine strukturierte, stringente und gr¨ undliche uhen Beschaffung und Analyse von Informationen ist insbesondere w¨ahrend der fr¨ Innovationsphasen aufgrund deren inh¨arenter Unsicherheit problematisch. Die Analysen zeigen jedoch, dass in erfolgreichen Projekten diese Aufgabe gerade auch w¨ahrend der fr¨ uhen Phasen besser durchgef¨ uhrt wurde. Vor diesem Hintergrund bietet sich eine Reihe von Methoden und Techniken an, die eine m¨oglichst fr¨ uhzeitige Gewinnung und Bewertung von Informationen unterst¨ utzen. In diesem Zusammenhang ist insbesondere das Front-loading (Thomke und Fujimoto, 2000) zu nennen, im Rahmen uh im Projekt identiﬁziert dessen m¨ogliche (technische) Probleme bereits m¨oglichst fr¨

Implikationen f¨ ur die Unternehmenspraxis

227

werden sollen.72 Hierzu wird versucht, mittels Wissenstransfers aus abgeschlossenen Projekten und unter Einsatz von IT-gest¨ utzten Simulationen, Experimenten und uhen Prototypen Probleme m¨oglichst fr¨ uh zu erkennen und in schneller Abfolge fr¨ zu l¨osen. In Hinblick auf m¨oglicherweise bestehende Marktunsicherheiten k¨onnen der Einsatz von Information Acceleration“ (Urban et al., 1997; Urban, Weinberg ” und Hauser, 1996) oder Need Assessment Techniken (Herstatt und Geschka, 2002) f¨ ur inkrementale oder der Lead User Methodik (von Hippel, 1986) f¨ ur radikalere Innovationsvorhaben zu deren Abbau beitragen (L¨ uthje und Herstatt, 2004). Die Gestaltungsdimension Formalisierung beschreibt den Umfang an Strukturen, Techniken und schriftlich ausgearbeiteten Arbeitsabl¨aufen, die den Planungsprozess unterst¨ utzen, indem sie zur Einhaltung von Standards beitragen, klare Verantwortlichkeiten und Priorit¨aten deﬁnieren, eine rationale und analytische Vorgehensweise f¨ordern sowie zur Koordination der einzelnen Aktivit¨aten beitragen. Hierbei haben sich insbesondere klare Verantwortlichkeiten und Priorit¨aten als wesentlicher Erfolgsfaktor f¨ ur Innovationsprojekte hervorgetan (Brown und Eisenhardt, 1997). Auch die Nutzung von Meilensteinen innerhalb des Projekts wird als wichtiger Faktor hervorgehoben, w¨ahrend von einer allzu detaillierten Ausarbeitung von Arbeitsabl¨aufen und damit einer Vorabplanung konkreter Aktivit¨aten abgeraten wird (Lewis et al., 2002; Andersen, 1996). Dies gilt insbesondere f¨ ur radikalere Innovationsvorhaben. Im Sinne einer hohen Planungskonsistenz sollten Planungsprozesse kontinuierlich und nicht nur einmalig erfolgen. Ferner sollten sie durch stetige Kommunikation ¨ unter den Beteiligten und eine regelm¨aßige Uberpr¨ ufung und ggf. Modiﬁkation der Ursprungsplanung gekennzeichnet sein. Diese Gestaltungsdimension kann folglich mit upft werden. Hierder Prozessformalisierung im Sinne einer Meilensteinplanung verkn¨ ¨ ufungskriterien an den jeweiligen Meilensteinen eine besondere bei kommt den Uberpr¨ Bedeutung zu. In Abh¨angigkeit vom Innovationsgrad sollten hierbei entweder neue Erkenntnisse bewertet oder aber ein strikterer Abgleich mit vorab deﬁnierten Zielen vorgenommen werden (Lewis et al., 2002). Brown und Eisenhardt (1997) schildern zudem, wie erfolgreich innovierende Unternehmen klare Verantwortlichkeiten und 72

Die Autoren verstehen hierunter a strategy that seeks to improve development performance ” by shifting the identiﬁcation and solving of [design] problems to earlier phases of a product development process.“ (Thomke und Fujimoto, 2000, S. 129)

228

Schlussbetrachtung

Priorit¨aten mit intensiver Kommunikation und regelm¨aßigen Besprechungen kombinieren, um einerseits klare Strukturen zu etablieren, gleichzeitig aber durch raschen Informationsaustausch ﬂexibel reagieren zu k¨onnen. Die Dimension der Beteiligung bezieht sich auf die Anzahl der an der Planung beteiligten Personen, die Menge der beteiligten Unternehmensbereiche sowie den Umfang lateraler Kommunikation im Unternehmen. Die Bedeutung des letztgenannten Punktes ist bereits hervorgehoben worden. Zudem tr¨agt ein hohes Maß an Beteiligung verschiedener Personen bzw. Unternehmensbereiche zu einer Verbreiterung der Informationsbasis bei, so dass sie sich positiv auf das Planungsausmaß auswirken kann. Dieser Eﬀekt ist umso gr¨oßer, je st¨arker das Projekt von Unsicherheit und Komplexit¨at gekennzeichnet ist. Insofern kommt der Partizipation bei radikalen Innovationen eine noch h¨ohere Bedeutung zu. Unter aﬀektiven Gesichtspunkten ist weiterhin die motivierende Wirkung von Beteiligung auf die Mitarbeiter zu nennen. Vor diesem Hintergrund ist eine Beteiligung des Projektteams an der Planung zu ¨ empfehlen. Dies setzt jedoch die Bereitschaft zum Teilen bzw. zur Ubernahme von Verantwortung auf Seiten des Projektleiters und des Projektteams voraus. Die vorangegangenen Ausf¨ uhrungen verdeutlichen die bestehenden Synergien zwischen den betrachteten Planungsprozessdimensionen und unterstreichen damit die besondere Bedeutung einer gleichzeitigen Ber¨ ucksichtigung aller Dimensionen: Der gesamte Planungsprozess kann gr¨oßer als die Summe seiner Teile sein. Ausgehend von der Analyse zum moderierenden Einﬂuss des Innovationsgrades kann konstatiert werden, dass die auf diese Weise geschaﬀene Planungsinfrastruktur sehr stabil ist und f¨ ur eine ganze Reihe von Projekten erfolgswirksam ist. Hingegen scheint es, dass, wie in den vorangegangenen Abs¨atzen geschildert, die auf Basis dieser Infrastruktur genutzten Techniken und Methoden deutlich st¨arker vom Innovationsgrad beeinﬂusst werden. Gerade hier scheint es auf Unternehmensseite jedoch erheblichen Nachholbedarf zu geben, wie die Untersuchung von Sandau und Herstatt (2006) dokumentiert. Die durchgef¨ uhrte Untersuchung best¨atigt dar¨ uber hinaus die Bedeutung der Umsetzung des Projektplans als wesentlichen Erfolgsfaktor. So haben sowohl die Stabilit¨at der Projektziele als auch des Projektprozesses einen erheblichen Einﬂuss ¨ auf den Projekterfolg. Insofern sollten Anderungen der Projektziele wenn m¨oglich

Limitierungen und Ansatzpunkte f¨ ur weitere Forschungsbem¨ uhungen

229

vermieden werden. M¨oglicherweise ließen sich die daraus resultierenden negativen uhzeitige Entwicklung von Szenarien und entsprechenden Folgen auch durch die fr¨ Alternativplanungen lindern, auf die dann bei Bedarf zur¨ uckgegriﬀen werden k¨onnte. Zusammengefasst liefert die Arbeit somit drei wesentliche Empfehlungen f¨ ur die Planung von Innovationsprojekten in der unternehmerischen Praxis: 1. Die Entwicklung einer Planungsinfrastruktur auf Basis des Gedankens der rational adaptation, d.h. einer Planungskultur, die u ¨ber den gesamten Projektprozess upfung eﬃzienzbezogener und ﬂexibler Planungsverhalten hinweg auf eine Verkn¨ ausgerichtet ist. 2. Die Auswahl von konkreten Methoden und Techniken, wie sie hier exemplarisch genannt wurden, auf Basis der jeweiligen Projekteigenschaften und unter Ber¨ ucksichtigung der Synergien, die sich aus den Planungsprozessdimensionen ergeben k¨onnen. 3. Die m¨oglichst stabile Umsetzung der Projektplanung sowie die Entwicklung von Alternativpl¨anen, um die negativen Auswirkungen von Projektziel- und -prozess¨anderungen zu minimieren.

5.3 Limitierung der Analyse und Ansatzpunkte f¨ ur weitere Forschungsbem¨ uhungen Neben den bereits geschilderten Implikationen f¨ ur die Unternehmenspraxis bietet die vorliegende Arbeit eine Reihe von Ankn¨ upfungspunkten f¨ ur zuk¨ unftige Foruhungen. Die statistische Analyse in Abschnitt 4.3.2 hat gezeigt, dass schungsbem¨ das abgeleitete Untersuchungsmodell rund 60 Prozent der Varianz des Projekterfolgs erkl¨art. Obwohl dieses Ergebnis durchaus positiv zu bewerten ist, liegt es doch nahe, dass dieser Wert durch Modellerweiterungen, die u ¨ber den Rahmen der vorliegenden Untersuchung hinausgehen und neue Forschungsfragen aufgreifen, gesteigert werden kann. Ein erster Ansatz bietet sich bei der Auswahl der betrachteten Gestaltungsdimensionen der Projektplanung. Die Ausf¨ uhrungen in Abschnitt 3.2 zeigen, dass neben den hier betrachteten eine Anzahl weiterer Dimensionen identiﬁziert worden

230

Schlussbetrachtung

ist, von denen einige ebenfalls auf ihre Relevanz f¨ ur die Planung von Innovationsufen sind. In gleicher Art und Weise bietet eine umfassendere projekten zu u ¨ berpr¨ Operationalisierung der Umsetzung Ansatzpunkte f¨ ur weitere Forschungsvorhaben. Lohnenswert erscheint ebenfalls, die im Rahmen dieser Arbeit aufgeworfene Frage nach dem Zusammenspiel ﬂexibler und eﬃzienzbezogener Planungsverhalten im Projektablauf detaillierter zu analysieren. Da sich die hier durchgef¨ uhrte explorative Erweiterung der Untersuchung auf Gesamtbewertungen der einzelnen Gestaltungsdimensionen w¨ahrend der verschiedenen Projektphasen st¨ utzt, k¨onnte ein auf diesen Aspekt fokussiertes Forschungsvorhaben mit einer umfassenderen Operationalisierung der Planung in den einzelnen Projektphasen diﬀerenziertere Ergebnisse erzielen. Die Arbeit beschr¨ankt sich zudem auf die Ebene des Einzelprojekts. Wie in Abschnitt 2.4 dargestellt, muss die Planung von Innovationen daneben jedoch auch auf der Multiprojekt-, der taktischen und der strategischen Ebene erfolgen. Die einzelnen Projekte sind somit in einen Kontext zu integrieren. Auf diese Weise k¨onnte beispielsweise der Einﬂuss der Unternehmens- oder Innovationsstrategie auf die Planung einzelner Innovationsprojekte n¨aher untersucht werden. Auch die bisher wenig betrachtete Ebene der taktischen Innovationsplanung mit ihrem Einﬂuss auf die Personalrekrutierung und -entwicklung, die Allokation von Ressourcen auf verschiedene Projekte und die Bereitstellung einer erforderlichen Infrastruktur kann mit diesbez¨ uglichen Entscheidungen erheblichen Einﬂuss auf die Planung und Umsetzung einzelner Projekte haben. Diese Verkn¨ upfungen k¨onnten Gegenstand weiterer, zuk¨ unftiger Untersuchungen werden. Auch unter methodischen Gesichtspunkten bietet die vorliegende Arbeit Ansatzpunkte f¨ ur zuk¨ unftige Forschungsprojekte. Ein Forschungsdesign, das sich statt usselinformanten auf die Erhebung von Daten aus ganzen Projektteams auf Schl¨ konzentrieren w¨ urde, k¨onnte nicht nur m¨ogliche Verzerrungen, die aus der Befragung einer einzelnen Person je Projekt resultieren k¨onnten, vermeiden, es k¨onnte zudem die Planungs- und Probleml¨osungsprozesse innerhalb des Teams und die Rollen der beteiligten Personen st¨arker beleuchten. In Hinblick auf die eingesetzten statistischen Verfahren w¨are es w¨ unschenswert, eine Maximum Likelihood basierte Sch¨atzung der Untersuchungsmodelle vorzunehmen, um zu Aussagen u ¨ ber die Signiﬁkanz der ermittelten Eﬀekte zu gelangen. Diese war aufgrund der mangelnden multivariaten Normalverteilung der zugrundeliegenden Daten in dieser Arbeit nicht zu leisten. Wie geschildert, bieten ausgew¨ahlte Statistikprogramme mittlerweile zu-

Limitierungen und Ansatzpunkte f¨ ur weitere Forschungsbem¨ uhungen

231

dem die M¨oglichkeit, Strukturgleichungsmodelle mit nicht linearen Zusammenh¨angen und Interaktionseﬀekten zu berechnen. Auf diese Weise k¨onnte z. B. der in der Innovationsforschung h¨auﬁg untersuchte moderierende Einﬂuss des Neuheitsgrades gleichzeitig mit weiteren Zusammenh¨angen innerhalb eines Modells getestet werden und nicht, wie weit verbreitet, mittels moderierter Regressionsanalysen außerhalb des Strukturgleichungsmodells. Dar¨ uber hinaus zeigen die Ergebnisse der Validierung der im Rahmen der vorliegenden Untersuchung verwendeten mehrdimensionalen Konstrukte, dass auch ¨ diesbez¨ uglich weiterer Forschungsbedarf besteht. W¨ahrend die Uberpr¨ ufung der Konstrukte weitgehend akzeptable Werte lieferte, ergaben sich insbesondere im Hinblick auf die Operationalisierung der Projektkomplexit¨at eine Reihe nicht befriedigender Ergebnisse, die letztlich zur Eliminierung der Dimension Schwierigkeit der Pro” uhrte. Da es sich hierbei um ein Konstrukt handelt, f¨ ur das w¨ahrend jektziele“ f¨ der Aufarbeitung der Forschungsliteratur nur sehr wenige umfassende Operationalisierungsans¨atze identiﬁziert werden konnten, erscheint eine weitere empirische ¨ Uberpr¨ ufung ¨außerst w¨ unschenswert. Zusammenfassend ist festzuhalten, dass die vorliegende Arbeit trotz der geschilderten Limitationen das gesteckte Ziel erreicht. Die durchgef¨ uhrten Analysen auf Basis von 137 Innovationsprojekten haben eine Reihe von Antworten darauf gegeben, wie Neuproduktentwicklungsprojekte im Spannungsfeld von Eﬃzienz und Flexibilit¨at geplant werden m¨ ussen, damit sie m¨oglichst erfolgreich umgesetzt und abgeschlossen werden k¨onnen. Die Konzeptualisierung der Projektplanung anhand von Planungsprozessdimensionen hat es erm¨oglicht, Eﬃzienz und Flexibilit¨at nicht im Sinne einer entweder oder Entscheidung als die Endpunkte eines einzigen Kontinuums zu betrachten, sondern sie als eigenst¨andige Aspekte der Planung zu erfassen. Zuk¨ unftige Forschungsvorhaben in diesem Bereich k¨onnen auf diesen Ergebnisse aufbauen.

Literaturverzeichnis Aaker, D. A., Kumar, V. und Day, G. S. (2001). Marketing research (7. Auﬂ.). New York, NY: Wiley. Abernathy, W. J. und Clark, K. B. (1985). Innovation: Mapping the winds of creative destruction. Research Policy, 14 (1), 3-22. Ahire, S. L. und Devaraj, S. (2001). An Empirical Comparison of Statistical Construct Validation Approaches. IEEE Transactions on Engineering Management, 48 (3), 319-329. Aiken, L. S. und West, S. G. (1991). Multiple Regression: Testing and Interpreting Interactions. Newbury Park, CA: Sage. Albers, S. und G¨otz, O. (2006). Messmodelle mit Konstrukten zweiter Ordnung in der betriebswirtschaftlichen Forschung. Die Betriebswirtschaft, 66 (6), 669-677. Ali, A. (1994). Pioneering Versus Incremental Innovation: Review and Research Propositions. Journal of Product Innovation Management, 11 (1), 46-61. Allison, G. T. und Zelikow, P. D. (1999). Essence of decision : explaining the Cuban Missile Crisis (2. Auﬂ.). New York, NY: Longman. Allison, P. D. (1977). Testing for Interaction in Multiple Regression. American Journal of Sociology, 83 (1), 144-153. Allison, P. D. (2001). Missing Data (M. S. Lewis-Beck, Hg.) (Nr. 07-136). Thousand Oaks, CA: Sage. Altschuller, G. S. (1998). Erﬁnden - Wege zur L¨osung technischer Probleme (Limitierter Nachdruck der 2. Auﬂ.; M. G. M¨ohrle, Hg.). Berlin: VEB Verlag Technik. Ancona, D. G. und Caldwell, D. (1990). Beyond boundary spanning: managing external dependence in product development teams. Journal of High Technology Management Research, 1 (2), 119-135. Andersen, E. S. (1996). Warning: Activity planning is hazardous to your project’s health. International Journal of Project Management, 14 (2), 89.

234

Literaturverzeichnis

Andersen, E. S., Grude, K. V. und Haug, T. (1999). Goal directed project management. New Delhi: Kogan Page. Anderson, C. H. (1986). Hierarchical Moderated Regression Analysis: A Useful Tool for Retail Management Decisions. Journal of Retailing, 62 (2), 186-203. Anderson, J. C. und Gerbing, D. W. (1982). Some Methods for Respecifying Measurement Models to Obtain Unidimensional Construct Measurement. Journal of Marketing Research, 19 (4), 453-460. Anderson, J. C. und Gerbing, D. W. (1991). Predicting the Performance of Measures in a Conﬁrmatory Factor Analysis With a Pretest Assessment of Their Substantive Validities. Journai of Applied Psychology, 76 (5), 732-740. Anderson, J. C., Gerbing, D. W. und Hunter, J. E. (1987). On the Assessment of Unidimensional Measurement: Internal and External Consistency, and Overall Consistency Criteria. Journal of Marketing Research, 24 (4), 432-437. Anderson, P. und Tushman, M. L. (1990). Technological Discontinuities and Dominant Designs: A Cyclical Model of Technological Change. Administrative Science Quarterly, 35 (4), 604-633. Anderson, Jr., E. G. und Joglekar, N. R. (2005). A Hierarchical Product Development Planning Framework. Production and Operations Management, 14 (3), 334-361. Archer, N. und Ghasemzadeh, F. (2004). Project Portfolio Selection and Management. In P. W. G. Morris und J. K. Pinto (Hg.), The Wiley Guide to Managing Projects (S. 237-255). Hoboken, NJ: John Wiley & Sons, Inc. Armstrong, J. S. und Overton, T. S. (1977). Estimating Nonresponse Bias in Mail Surveys. Journal of Marketing Research, 14 (3), 396-402. Armstrong, S. J. (1982). The Value of Formal Planning for Strategic Decisions: Review of Empirical Research. Strategic Management Journal , 3 (3), 197-211. Ashley, D. B., Lurie, C. S. und Jaselskis, E. J. (1987). Determinants of Construction Project Success. Project Management Journal , 18 (2), 69-79. Atkinson, R. (1999). Project management: cost, time and quality, two best guesses and a phenomenon, its time to accept other success criteria. International Journal of Project Management, 17 (6), 337-342. Atuahene-Gima, K. (1995). An Exploratory Analysis of the Impact of Market Orientation on New Product Performance: A Contingency Approach. Journal of Product Innovation Management, 12 (4), 275-293.

Literaturverzeichnis

235

Atuahene-Gima, K. und Li, H. (2004). Strategic decision comprehensiveness and new product development outcomes in new technology ventures. Academy of Management Journal , 47 (4), 583-597. Atuahene-Gima, K. und Murray, J. Y. (2004). Antecedents and Outcomes of Marketing Strategy Comprehensiveness. Journal of Marketing, 68 (4), 33-46. Avlonitis, G. J., Papastahopoulou, P. G. und Gounaris, S. P. (2001). An empiricallybased typology of product innovativeness for new ﬁnancial services: Success and failure scenarios. Journal of Product Innovation Management, 18 (5), 324-342. Ayers, D. J., Gordon, G. L. und Schoenbachler, D. D. (2001). Integration and new product development success: The role of formal and informal controls. Journal of Applied Business Research, 17 (2), 133-148. Baccarini, D. (1996). The concept of project complexity - a review. International Journal of Project Management, 14 (4), 201-204. Baccarini, D. (1999). The Logical Framework Method for Deﬁning Project Success. Project Management Journal , 30 (4), 25-32. Backhaus, K., Erichson, B., Plinke, W. und Weiber, R. (2000). Multivariate Analysemethoden. Berlin: Springer. Bacon, D. R., Sauer, P. L. und Young, M. (1995). Composite Reliability in Structural Equations Modeling. Educational and Psychological Measurement, 55 (3), 394406. Bacon, G., Beckman, S., Mowery, D. und Wilson, E. (1994). Managing product deﬁnition in high-technology industries: A pilot study. California Management Review , 36 (3), 32-56. Bagozzi, R. P. (1981). Evaluating Structural Equation Models With Unobservable Variables and Measurement Error: A Comment. Journal of Marketing Research, 18 (3), 375-381. Bagozzi, R. P. (1998). A Prospectus for Theory Construction in Marketing: Revisited and Revised. In L. Hildebrandt und C. Homburg (Hg.), Die Kausalanalyse als Instrument der Empirischen Betriebswirtschaftlichen Forschung (S. 45-81). Stuttgart: Poeschel Verlag. Bagozzi, R. P. und Phillips, L. W. (1982). Representing and testing organisational theories - A holistic construal. Administrative Science Quarterly, 27 , 459-489. Bagozzi, R. P., Yi, Y. und Phillips, L. W. (1991). Assessing Construct Validity in Organizational Research. Administrative Science Quarterly, 36 (3), 421-458.

236

Literaturverzeichnis

Bailetti, A. J., Callahan, R. und DiPietro, P. (1994). A coordination structure approach to the management of projects. IEEE Transaction on Engineering Management, 41 (4), 394-403. Baker, B. N., Murphy, D. C. und Fisher, D. (1988). Factors Aﬀecting Project Success. In D. I. Cleland und W. R. King (Hg.), Project Management Handbook (2nd Auﬂ., S. 902-919). New York: Van Nostrand Reinhold. Balachandra, R. (1984). Critical Signals for Making Go/NoGo Decisions in New Product Development. The Journal of Product Innovation Management, 1 (2), 92-100. Balachandra, R. und Friar, J. H. (1997). Factors for success in R&D projects and new product innovation: A contextual framework. IEEE Transactions on Engineering Management, 44 (3), 276-287. Balachandra, R. und Raelin, J. A. (1984). When to Kill That R&D Project. Research Management, 27 (4), 30-33. Balbontin, A. und Yazdani, B. (1999). New product development success factors in American and British ﬁrms. International Journal of Technology Management, 17 (3), 259-280. Barczak, G. und Wilemon, D. L. (2003). Team member experiences in new product development: views from the trenches. R&D Management, 33 (5), 463-479. Barney, J. (1991). Firm Resources and Sustained Competitive Advantage. Journal of Management, 17 (1), 99-120. Baron, R. M. und Kenny, D. A. (1986). The moderator-mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51 (6), 1173-1182. Barrett, F. J. (1998). Creativity and Improvisation in Jazz and Organizations: Implications for Organizational Learning. Organization Science, 9 (5), 605-622. Bart, C. K. (1993). Controlling new product R&D projects. R&D Management, 23 (3), 187-197. Baur, W. (1967). Neue Wege der betrieblichen Planung. Berlin u.a.: Springer. Beale, E. M. L. und Little, R. J. A. (1975). Missing Values in Multivariate Analysis. Journal of the Royal Statistical Society. Series B (Methodological), 37 (1), 129-145.

Literaturverzeichnis

237

Bearden, W. O., Sharma, S. und Teel, J. E. (1982). Sample Size Eﬀects on Chi Square and Other Statistics Used in Evaluating Causal Models. Journal of Marketing Research, 19 (4), 425-430. Bedeian, A. G. und Mossholder, K. W. (1994). Simple Question, Not So Simple Answer: Interpreting Interaction Terms in Moderated Multiple Regression. Journal of Management, 20 (1), 159-165. Beer, M. und Eisenstat, R. A. (2000). The Silent Killers of Strategy Implementation and Learning. Sloan Management Review , 41 (4), 29-40. Begovich, C. L. und Kane, V. E. (1982). Estimating the Number of Groups and Group Membership Using Simulation Cluster Analysis. Pattern Recognition, 15 (4), 335-342. Benkenstein, M. (1987). F&E und Marketing: Eine Untersuchung zur Leistungsf¨ahigkeit von Koordinationskonzeptionen bei Innovationsentscheidungen. Gabler. Berekoven, L., Eckert, W. und Ellenrieder, P. (2006). Marktforschung : Methodische Grundlagen und praktische Anwendung (11. Auﬂ.). Wiesbaden: Betriebswirtschaftlicher Verlag Dr. Th. Gabler. Bettis, R. A. und Hitt, M. A. (1995). The New Competitive Landscape. Strategic Management Journal , 16 (Special Issue), 7-19. Billing, F. (2003). Koordination in radikalen Innovationsvorhaben. Wiesbaden: Gabler DUV. Bircher, B. (1989). Planungssystem. In N. Szyperski und U. Winand (Hg.), Handw¨orterbuch der Planung (S. 1503-1515). Stuttgart: C. E. Poeschel Verlag. Blalock, H. M., Jr. (1970). Estimating Measurement Error Using Multiple Indicators and Several Points in Time. American Sociological Review , 35 (1), 101-110. Bliemel, F., Eggert, A., Fassott, G. und Henseler, J. (Hg.). (2005). Handbuch PLS-Pfadmodellierung. Stuttgart: Sch¨aﬀer-Poeschel. Bodewes, W. E. J. (2002). Formalization and innovation revisited. European Journal of Innovation Management, 5 (4), 214-223. Bollen, K. A. (1990). Outlier Screening and a Distribution-Free Test for Vanishing Tetrads. Sociological Methods & Research, 19 (1), 80-92. Bollen, K. A. (2002). Latent Variables in Psychology and the Social Sciences. Annual Review of Psychology, 53 , 605-634.

238

Literaturverzeichnis

Bollen, K. A. und Lennox, R. (1991). Conventional Wisdom on Measurement: A Structural Equation Perspective. Psychological Bulletin, 110 (2), 305-314. Bollen, K. A. und Ting, K.-F. (1993). Conﬁrmatory Tetrad Analysis. Sociological Methodology, 23 , 147-175. Bollen, K. A. und Ting, K.-F. (2000). A Tetrad Test for Causal Indicators. Psychological Methods, 5 (1), 3-22. Bonner, J. M., Ruekert, R. W. und Walker, O. C., Jr. (2002). Upper management control of new product development projects and project performance. Journal of Product Innovation Management, 19 , 233-245. Bonoma, T. V. (1984). Making your marketing strategy work. Harvard Business Review , 62 (2), 69-76. Booz, Allen & Hamilton. (1982). New product management for the 1980’s. New York. Borko, H. und Livingston, C. (1989). Cognition and Improvisation: Diﬀerences in Mathematics Instruction by Expert and Novice Teachers. American Educational Research Journal , 26 (4), 473-498. Bortz, J. (2005). Statistik f¨ ur Human- und Sozialwissenschaftler (6. Auﬂ.). Heidelberg: Springer. Bourgeois, L. J., III. (1985). Strategic goals, perceived uncertainty, and economic performance in volatile environments. Academy of Management Journal , 28 (3), 548-573. Bourgeois, L. J., III und Eisenhardt, K. M. (1988). Strategic decision processes in high velocity environments: four cases in microcomputer industry. Management Science, 34 (7), 816-835. Boyd, B. K. (1991). Strategic Planning and Financial Performance: A Meta-Analytic Review. Journal of Management Studies, 28 (4), 353-374. Boyd, B. K. und Reuning-Elliott, E. (1998). Research Notes and Communications: A Measurement Model of Strategic Planning. Strategic Manangement Journal , 19 (2), 181-192. Braybrooke, D. und Lindblom, C. E. (1963). A Strategy of Decision: Policy Evaluation as a Social Process. New York: Free Press. Brennecke, V. M., Dr¨ uner, M., Gem¨ unden, H. G., Kassner, S., Langen, R., Richter, K. et al. (2001). Innovationskompass 2001. D¨ usseldorf: VDI-Verlag.

Literaturverzeichnis

239

Brockhoﬀ, K. (1999). Forschung und Entwicklung - Planung und Kontrolle. M¨ unchen: Oldenbourg. Brockhoﬀ, K. (2006). On the Novelty Dimension in Project Management. Project Management Journal , 37 (3), 26-36. Brockner, J. (1992). The escalation of commitment to a failing course of action: Toward theoretical progress. Academy of Management Review , 17 (1), 39-61. Brown, S. L. und Eisenhardt, K. M. (1995). Product Development: Past Research, Present Findings, and Future Directions. The Academy of Management Review , 20 (2), 343-378. Brown, S. L. und Eisenhardt, K. M. (1997). The Art of Continuous Change: Linking Complexity Theory and Time-paced Evolution in Relentlessly Shifting Organizations. Administrative Science Quarterly, 42 (1), 1-34. Bryde, D. J. und Robinson, L. (2005). Client versus contractor perspectives on project success criteria. International Journal of Project Management, 23 (8), 622-629. Bryson, J. M. und Bromiley, P. (1993). Critical factors aﬀecting the planning and implementation of major projects. Strategic Management Journal , 14 (5), 319. Bstieler, L. (2005). The moderating eﬀect of environmental uncertainty on new product development and time eﬃciency. Journal of Product Innovation Management, 22 (3), 267-284. Bullinger, H.-J. (1990). IAO-Studie: F&E heute - Industrielle Forschung und ur Entwicklung in der Bundesrepublik Deutschland. M?nchen: Gesellschaft f¨ Management und Technologie Verlag. B¨ uschelberger, A. (2004). Planungsqualit¨at bei Prozessinnovationen - Theoretischer Ansatz und empirische Analyse am Beispiel von Call Centern. Wiesbaden: Gabler DUV. Calantone, R. J., Garcia, R. und Dr¨oge, C. (2003). The eﬀects of environmental turbulence on new product development strategy planning. The Journal of Product Innovation Management, 20 (2), 90-103. Campbell, D. J. (1988). Task Complexity: A Review and Analysis. Academy of Management Review , 13 (1), 40-52. Campbell, D. T. und Fiske, D. W. (1959). Convergent and Discriminant Validation by the Multitrait-Multimethod Matrix. Psychological Bulletin, 56 (2), 81-105.

240

Literaturverzeichnis

Cardinal, L. B. (2001). Technological Innovation in the Pharmaceutical Industry: The Use of Organizational Control in Managing Research and Development. Organization Science, 12 (1), 19-36. Carnap, R. (1986). Einf¨ uhrung in die Philosophie der Naturwissenschaft. Frankfurt am Main: Ullstein. Carte, T. A. und Russell, C. J. (2003). In Pursuit of Moderation: Nine Common Erros and Their Solutions. MIS Quarterly, 27 (3), 479-501. Carter, S. M. und West, M. A. (1998). Reﬂexivity, Eﬀectiveness, and Mental Health in BBC-TV Production Teams. Small Group Research, 29 (5), 583-601. Cespedes, F. V. und Piercy, N. F. (1996). Implementing Marketing Strategy. Journal of Marketing Management, 12 (1-3), 135-160. Chakravarthy, B. (1997). A new strategy framework for coping with turbulence. Sloan Management Review , 38 (2), 69-82. Chakravarthy, B. S. (1987). On tailoring a strategic planning system to its context: some empirical evidence. Strategic Management Journal , 8 (6), 517-534. Chamanski, A. und Waagø, S. J. (2001). Organizational Performance of TechnologyBased Firms - the Role of Technology and Business Strategies. Enterprise & Innovation Management Studies, 2 (3), 205-223. Chan, C.-L., Jiang, J. J. und Klein, G. (2008). Team Task Skills as a Facilitator for Application and Development Skills. IEEE Transactions on Engineering Management, 55 (3), 434-441. Chandy, R. K. und Tellis, G. J. (1998). Organizing for Radical Product Innovation: The Overlooked Role of Willingness to Cannibalize. Journal of Marketing Research, 35 (4), 474-487. Chandy, R. K. und Tellis, G. J. (2000). The Incumbent’s Curse? Incumbency, Size, and Radical Product Innovation. Journal of Marketing, 64 (3), 1-17. Chou, C.-P. und Bentler, P. M. (1995). Estimates and Tests in Structural Equation Modeling. In R. H. Hoyle (Hg.), Structural Equation Modeling - Concepts, Issues, and Applications (S. 37-55). Thousand Oaks, CA: Sage. Churchill, J., Gilbert A.. (1979). A Paradigm for Developing Better Measures of Marketing Constructs. Journal of Marketing Research, 16 (1), 64-73. Clark, K. B. (1985). The interaction of design hierarchies and market concepts in technological evolution. Research Policy, 14 (5), 235-251.

Literaturverzeichnis

241

Clarke, K., Ford, D., Saren, M. und Thomas, R. (1995). Technology Strategy in UK Firms. Technology Analysis & Strategic Management, 7 (2), 169-190. Clegg, S. R., Cunha, J. V. d. und Cunha, M. P. e. (2002). Management paradoxes: A relational view. Human Relations, 55 (5), 483-503. Cleland, D. I. (2004). Strategic Management: The Project Linkages. In P. W. G. Morris und J. K. Pinto (Hg.), The Wiley Guide to Managing Projects (S. 206-222). Hoboken, NJ: John Wiley & Sons, Inc. Cleland, D. I. und King, W. R. (1988). Project Owner Strategic Management of Projects. In D. I. Cleland und W. R. King (Hg.), Project Management Handbook (2. Auﬂ., S. 165-188). New York, NY: Van Nostrand Reinhold. Clift, T. B. und Vandenbosch, M. B. (1999). Project Complexity and Eﬀorts to Reduce Product Development Cycle Time. Journal of Business Research, 45 (2), 187-198. Cobbenhagen, J. (2000). Successful innovation: towards a new theory for the management of small and medium-sized enterprises. Cheltenham: Elgar. Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2. Auﬂ.). Hillsdale, NJ: Lawrence Erlbaum Associates. Cohen, J. (1992). A Power Primer. Psychological Bulletin, 12 (1), 155-159. Cohenca-Zall, D., Laufer, A., Shapira, A. und Howell, G. A. (1994). Process of planning during construction. Journal of Construction Engineering and Management, 120 (3), 561-578. Cooper, K. G. und Sklar Reichelt, K. (2004). Project Changes: Sources, Impacts, Mitigation, Pricing, Litigation, and Excellence. In P. W. G. Morris und J. K. Pinto (Hg.), The Wiley Guide to Managing Projects (S. 743-772). Hoboken, NJ: John Wiley & Sons, Inc. Cooper, R., Aouad, G., Lee, A. und Wu, S. (2004). Process and Product Modeling. In P. W. G. Morris und J. K. Pinto (Hg.), The Wiley Guide to Managing Projects (S. 471-497). Hoboken, NJ: John Wiley & Sons, Inc. Cooper, R. G. (1979). The dimensions of industrial new product success and failure. Journal of Marketing, 43 (3), 93-103. Cooper, R. G. (1994). Third-generation new product processes. Journal of Product Innovation Management, 11 (1), 3-14. Cooper, R. G. (1999). The invisible Success Factors in Product Innovation. Journal of Product Innovation Management, 16 (2), 115-133.

242

Literaturverzeichnis

Cooper, R. G. und de Brentani, U. (1991). New industrial ﬁnancial services: What distinguishes the winners. Journal of Product Innovation Management, 8 (2), 75-90. Cooper, R. G. und Kleinschmidt, E. J. (1986). An investigation into the new product process: steps, deﬁciencies, and impact. Journal of Product Innovation Management, 3 (2), 71-85. Cooper, R. G. und Kleinschmidt, E. J. (1987a). Success factors in product innovation. Industrial Marketing Management, 16 (3), 215-223. Cooper, R. G. und Kleinschmidt, E. J. (1987b). What makes a new product a winner: success factors at the project level. R&D Management, 17 (3), 175-189. Cooper, R. G. und Kleinschmidt, E. J. (1990a). New products: the key factors in success. Chicago: American Marketing Association. Cooper, R. G. und Kleinschmidt, E. J. (1990b). New product success factors: a comparison of ’kills’ versus successes and failures. R&D Management, 20 (1), 47-63. Covin, J. G. und Slevin, D. P. (1989). Strategic management of small ﬁrms in hostile and benign environments. Strategic Management Journal , 10 (1), 75-87. Covin, J. G. und Slevin, D. P. (1998). Adherence to Plans, Risk Taking, and Environment as Predictors of Firm Growth. Journal of High Technology Management Research, 9 (2), 207-237. Covin, J. G., Slevin, D. P. und Schultz, R. L. (1994). Implementing strategic missions: Eﬀective strategic, strucutural and tactical choices. The Journal of Management Studies, 31 (4), 481-505. Cronbach, L. J. und Meehl, P. E. (1955). Construct Validity in Psychological Tests. Psychological Bulletin, 52 (4), 281-302. Crossan, M. M. (1998). Improvisation in action. Organization Science, 9 (5), 593-599. Crossan, M. M., Pina e Cunha, M., Vera, D. und Vieira da Cunha, J. (2005). Time and Organizational Improvisation. Academy of Management Review , 30 (1), 129-145. Crossan, M. M. und Sorrenti, M. (1997). Making Sense of Improvisation. In Advances in Strategic Management (Bd. 14, S. 155-180). JAI Press Inc. Crossan, M. M., White, R. E., Lane, H. W. und Klus, L. (1996). The improvising organization: Where planning meets opportunity. Organizational Dynamics, 24 (4), 20-35.

Literaturverzeichnis

243

Cutler, L. S. (2000). Creativity: Essential to Technological Innovation. Research Technology Management, 43 (6), 39-30. Daft, R. L. und Lengel, R. H. (1986). Organizational Information Requirements, Media Richness and Structural Design. Management Science, 32 (5), 554-571. Daft, R. L. und Macintosh, N. B. (1981). A Tentative Exploration into the Amount and Equivocality of Information Processing in Organizational Work Units. Administrative Science Quarterly, 26 (2), 207-226. Daft, R. L. und Weick, K. E. (1984). Toward a Model of Organizations as Interpretation Systems. Academy of Management Review , 9 (2), 284-295. Damanpour, F. (1991). Organizational innovation: A meta-analysis of eﬀects of determinants and moderators. Academy of Management Journal , 34 (3), 555590. Damanpour, F. (1996). Organizational complexity and innovation: Developing and testing multiple contingency models. Management Science, 42 (5), 693-716. Danneels, E. und Kleinschmidt, E. J. (2001). Product innovativeness from the ﬁrm’s perspective: Its dimensions and their relation with project selection and performance. Journal of Product Innovation Management, 18 (6), 357-373. Davenport, S., Campbell-Hunt, C. und Solomon, J. (2003). The dynamics of technology strategy: an exploratory study. R&D Management, 33 (5), 481-499. Dawes, J. (1999). The relationship between subjective and objective company performance measures in market orientation research. Marketing Bulletin, 10 , 65-75. Dawson, R. J. und Dawson, C. W. (1998). Practical proposals for managing uncertainty and risk in project planning. International Journal of Project Management, 16 (5), 299-310. Day, G. S. (1994). The Capabilities of Market-Driven Organizations. Journal of Marketing, 58 (4), 37-52. de Brentani, U. (1989). Success and Failure in New Industrial Services. Journal of Product Innovation Management, 6 (4), 239-258. de Brentani, U. (2001). Innovative versus incremental new business services: Diﬀerent keys fo achieving success. Journal of Product Innovation Management, 18 (3), 169-187.

244

Literaturverzeichnis

De Dreu, C. K. W. (2007). Cooperative Outcome Interdependence, Task Reﬂexivity, and Team Eﬀectiveness: A Motivated Information Processing Perspective. Journal of Applied Psychology, 92 (3), 628-638. De Leeuw, E. D. (2001). Reducing Missing Data in Surveys: An Overview of Methods. Quality & Quantity, 35 (2), 147-160. De Meyer, A., Loch, C. H. und Pich, M. T. (2002). Managing Project Uncertainty: From Variation to Chaos. Sloan Management Review , 60-67. de Wit, A. (1998). Measurement of project success. International Journal of Project Management, 6 (3), 164-170. Dean, J. W., Jr. und Sharfman, M. P. (1996). Does decision process matter? a study of strategic decision-making eﬀectiveness. Academy of Management Journal , 39 (2), 368-396. Delfmann, W. (1993). Planungs- und Kontrollprozesse. In W. Wittmann, W. Kern, R. K¨ohler, H.-U. K¨ upper und K. von Wysocki (Hg.), Handw¨orterbuch der Betriebswirtschaft (5th Auﬂ., Bd. 2, S. 3232-3251). Stuttgart: Sch¨aﬀer-Poeschel Verlag. Dempster, A. P., Laird, N. M. und Rubin, D. B. (1977). Maximum Likelihood from Incomplete Data via the EM Algorithm. Journal of the Royal Statistical Society. Series B (Methodological), 39 (1), 1-38. Dess, G. G. und Beard, D. W. (1984). Dimensions of organizational task environments. Administrative Science Quarterly, 29 (1), 52-73. Dess, G. G., Lumpkin, G. T. und Covin, J. G. (1997). Entrepreneurial strategy making and ﬁrm performance: Tests of contingency and conﬁgurational models. Strategic Management Journal , 18 (9), 677-695. Dess, G. G. und Robinson, J., Richard B. (1984). Measuring Organizational Performance in the Absence of Objective Measures: The Case of the Privatelyheld Firm and Conglomerate Business Unit. Strategic Management Journal , 5 (3), 265-273. Deutsch, M. S. (1991). An exploratory analysis relating the software project management process to project success. IEEE Transactions on Engineering Management, 38 (4), 365-375. Diamantopoulos, A. und Winklhofer, H. M. (2001). Index Construction with Formative Indicators: An Alternative to Scale Development. Journal of Marketing Research, 38 (2), 269-277.

Literaturverzeichnis

245

Doherty, N. F., Marples, C. G. und Suhaimi, A. (1999). The relative success of alternative approaches to strategic information systems planning: an empirical analysis. Journal of Strategic Information Systems, 8 (3), 263-283. Dosi, G. (1988). The nature of the innovation process. In G. Dosi, C. Freeman, R. Nelson, G. Silverberg und L. Soete (Hg.), Technical Change and Economic Theory (S. 221-238). London and New York: Pinter Publishers. Dougherty, D. (1996). Organizing for Innovation. In S. R. Clegg, C. Hardy und W. Nord (Hg.), Handbook of organizational studies (S. 424-439). Thousand Oaks, CA: Sage. Downs, G. W., Jr. und Mohr, B., Lawrence. (1976). Conceptual Issues in the Study of Innovation. Administrative Science Quarterly, 21 (4), 700-714. Drazin, R. und Van de Ven, A. H. (1985). Alternative Forms of Fit in Contingency Theory. Administrative Science Quarterly, 30 (4), 541-539. Drejer, A. (2002). Situations for innovation management: towards a contingency model. European Journal of Innovation Management, 5 (1), 4-17. Drejer, I. (2004). Identifying innovation in surveys of services: a Schumpeterian perspective. Research Policy, 33 (3), 551-562. Dubes, R. C. (1987). How Many Cluster are Best? - An Experiment. Pattern Recognition, 20 (6), 645-663. D¨ ulfer, E. (1982). Projekte und Projektmanagement im internationalen Kontext. In E. D¨ ulfer (Hg.), Projektmanagement international (S. 2-30). Stuttgart: Sch¨aﬀer-Poeschel. Duncan, R. B. (1972). Characteristics of organizational environments and perceived environmental uncertainties. Administrative Science Quarterly, 17 (3), 313-327. Duncan, R. B. (1974). Modiﬁcations in Decision Structure in Adapting to the Environment: Some Implications for Organizational Learning. Decision Sciences, 5 (4), 705-725. Dutton, J. E. und Duncan, R. B. (1987). The inﬂuence of the stratgic planning process on strategic change. Strategic Management Journal , 8 (2), 103-116. Dvir, D. und Lechler, T. (2004). Plans are nothing, changing plans is everything: the impact of changes on project success. Research Policy, 33 (1), 1-15. Dvir, D., Lipovetsky, S., Shenhar, A. J. und Tishler, A. (2003). What is really important for project success? a reﬁned, multivariate, comprehensive analysis. International Journal of Management & Decision Making, 4 (4), 382-404.

246

Literaturverzeichnis

Dvir, D., Raz, T. und Shenhar, A. J. (2003). An empirical analysis of the relationship between project planning and project success. International Journal of Project Management, 21 (2), 89 - 95. Dyson, R. G. und Foster, M. J. (1982). The Relationship of Participation and Eﬀectiveness in Strategic Planning. Strategic Management Journal , 3 (1), 77-88. Edvinsson, L., Dvir, R., Roth, N. und Pasher, E. (2004). Innovations: the new unit of analysis in the knowledge era. Journal of Intellectual Capital , 5 (1), 40-58. Ehrmann, H. (1995). Planung. Ludwigshafen (Rhein): Friedrich Kiehl Verlag. Eisenhardt, K. M. (1989). Making fast strategic decisions in high-velocity environments. Academy of Management Journal , 32 (3), 543-476. Eisenhardt, K. M. und Martin, J. A. (2000). Dynamic capabilities: What are they? Strategic Management Journal , 21 (10/11), 1105-1121. Eisenhardt, K. M. und Tabrizi, B. N. (1995). Accelerating adaptive processes: Product innovation in the global computer industry. Administrative Science Quarterly, 40 (1), 84-110. Embrey, D. G., Guthrie, M. R., White, O. R. und Dietz, J. (1996). Clinical Decision Making by Experienced and Inexperienced Pediatric Physical Therapists for Children With Diplegic Cerebral Palsy. Physical Therapy, 76 (1), 20-33. Emery, F. und Trist, E. (1965). The Causal Texture of Organizational Environments. Human Relations, 18 (1), 21-32. Enders, C. K. und Bandalos, D. L. (2001). The Relative Performance of Full Information Maximum Likelihood Estimation for Missing Data in Structural Equation Models. Structural Equation Modeling, 8 (3), 430-457. Ernst, H. (2001). Erfolgsfaktoren neuer Produkte: Grundlagen f¨ ur eine valide empirische Forschung. Wiesbaden: Gabler DUV. Ettlie, J. E. und Subramaniam, M. (2004). Changing strategies and tactics for new product development. Journal of Product Innovation Management, 21 (2), 95-109. Eybl, D. (1984). Instrumente und Orientierungsgrundlagen zur Planung wettbewerbsorientierter Unternehmensstrategien. Frankfurt am Main: Peter Lang.

Literaturverzeichnis

247

Fassott, G. und Eggert, A. (2005). Zur Verwendung formativer und reﬂektiver Indikatoren in Strukturgleichungsmodellen: Bestandsaufnahme und Anwendungsempfehlungen. In F. Bliemel, A. Eggert, G. Fassott und J. Henseler (Hg.), Handbuch PLS-Pfadmodellierung (S. 31-47). Stuttgart: Sch¨aﬀer-Poeschel. Forbes, D. P. (2007). Reconsidering the strategic implications of decision comprehensiveness. Academy of Management Review , 32 (2), 361-376. Fornell, C. und Larcker, D. F. (1981). Evaluating Structural Equation Models with Unobservable Variables and Measurement Error. Journal of Marketing Research, 18 (1), 39-50. Fredrickson, J. W. (1984). The Comprehensiveness of Strategic Decision Processes: Extension, Observations, Future Directions. Academy of Management Journal , 27 (3), 445-466. Fredrickson, J. W. und Mitchell, T. R. (1984). Strategic Decision Processes: Comprehensiveness and Performance in an Industry with an Unstable Environment. Academy of Management Journal , 27 (2), 399-423. Freeman, C. (1994). The economics of technical change. Cambridge Journal of Economics, 18 (5), 463-514. Freeman, M. und Beale, P. (1992). Measuring project success. Project Management Journal , 10 (1), 8-17. Gaddis, P. O. (1959). The Project Manager. Harvard Business Review , 37 (3), 89-97. Galbraith, J. R. (1973). Designing Complex Organizations. Reading (MA): AddisonWesley. Galbraith, J. R. (1977). Organization Design. Reading, MA: Addison-Wesley. Gales, L., Porter, P. und Mansour-Cole, D. (1992). Innovation project technology, information processing and performance: a test of the Daft and Lengel conceptualization. Journal of Engineering and Technology Management, 9 (3,4), 303-338. Garcia, R. und Calantone, R. (2002). A critical look at technological innovation typology and innovativeness terminology: a literature review. Journal of Product Innovation Management, 19 (2), 110-132. Gardiner, P. D. und Stewart, K. (2000). Revisiting the golden triangle of cost, time and quality: the role of NPV in project control, success and failure. International Journal of Project Management, 18 (4), 251-256.

248

Literaturverzeichnis

Gareis, R. und Titscher, S. (1992). Projektarbeit und Personalwesen. In E. Gaugler und W. Weber (Hg.), Handw¨orterbuch des Personalwesens (2. Auﬂage Auﬂ., S. 1938-1953). Stuttgart: C. E. Poeschel Verlag. Gatignon, H., Tushman, M. L., Smith, W. und Anderson, P. (2002). A Structural Approach to Assessing Innovation: Construct Development of Innoation Locus, Type, and Characteristics. Management Science, 48 (9), 1103-1122. Gaul, W. und Homburg, C. (1988). The Use of Data Analysis Techniques by German Market Research Agencies. Journal of Business Research, 17 (1), 67-79. Gebert, D. (1995). F¨ uhrung im MbO-Prozeß. In A. Kieser, G. Reber und R. Wunderer uhrung (S. 426-436). Stuttgart: Sch¨aﬀer-Poeschel. (Hg.), Handw¨orterbuch der F¨ Gem¨ unden, H. G. (1995). Zielbildung. In H. Corsten und M. Reiß (Hg.), Handbuch Unternehmensf¨ uhrung (S. 251-266). Wiesbaden: Gabler. Gerbing, D. W. und Anderson, J. C. (1988). An Updated Paradigm for Scale Development Incorporating Unidimensionality and Its Assessment. Journal of Marketing Research, 25 (2), 186-192. Gersick, C. J. G. (1988). Time and transition in work teams: Toward a new model of group development. Academy of Management Journal , 31 (1), 9-41. Gersick, C. J. G. (1989). Marking time: Predictable transitions in task groups. Academy of Management Journal , 32 (2), 274-309. Gerwin, D. und Moﬀat, L. (1997). Authorizing processes changing team autonomy during new product development. Journal of Engineering and Technology Management, 14 (3,4), 291-313. Gevers, J. M. P., van Erde, W. und Rutte, C. G. (2001). Time pressure, potency, and progress in project groups. European Journal of Worka nd Organizational Psychology, 10 (2), 205-221. Giere, J., Wirtz, B. W. und Schilke, O. (2006). Mehrdimensionale Konstrukte. Die Betriebswirtschaft, 66 (6), 678-695. Glazer, R. und Weiss, A. M. (1993). Marketing in Turbulent Environments: Decision Processes and the Time-Sensitivity of Information. Journal of Marketing Research, 30 (4), 509-521. Glick, W. H., Miller, C. C. und Huber, G. P. (1993). The impact of upper echelon diversity on organizational performance. In G. P. Huber und W. H. Glick (Hg.), Organizational change and redesign: Ideas and insights for improving peformance (S. 176 -214). New York, NY: Oxford University Press.

Literaturverzeichnis

249

Glismann, H. H. und Horn, E.-J. (1988). Comparative invention performance of major industrial countries: patterns and explanations. Management Science, 34 (10), 1169-1187. Gluck, F. W. (1984). Vision and Leadership. In A. C. Hax (Hg.), Readings on Strategic Management (S. 9-18). Cambridge, MA: Ballinger Publishing Company. Goeldel, H. (1997). Gestaltung der Planung. Wiesbaden: Gabler DUV. Goldhar, J. D. (1980). Some modest conclusions. In B. V. Dean und J. D. Goldhar (Hg.), Management of research and innovation (S. 283-284). Amsterdam et al.: North-Holland. Goll, I. und Rasheed, A. M. A. (1997). Rational decision-making and ﬁrm performance: The moderating role of environment. Strategic Management Journal , 18 (7), 583-591. G¨othlich, S. E. (2007). Zum Umgang mit fehlenden Daten in großzahligen empirischen Erhebungen. In S. Albers, D. Klapper, U. Konradt, A. Walter und J. Wolf (Hg.), Methodik der empirischen Forschung (2. Auﬂage Auﬂ., S. 119-134). Wiesbaden: Gabler. Grant, R. M. (1991). The Resource-Based Theory of Competitive Advantage: Implications for Strategy Formulation. California Management Review , 33 (3), 114-135. Grant, R. M. (2003). Strategic Planning in a Turbulent Environment: Evidence from the Oil Majors. Strategic Management Journal , 24 (6), 491-517. Green, S. G., Gavin, M. B. und Aiman-Smith, L. (1995). Assessing a Multidimensional Measure of Radical Technological Innovation. IEEE Transactions on Engineering Management, 42 (3), 203-214. Griﬃn, A. (1997a). The eﬀect of project and process characteristics on product development cycle time. Journal of Marketing Research, 34 (1), 24-35. Griﬃn, A. (1997b). PDMA Research on New Product Development Practices: Updating Trends and Benchmarking Best Practices. Journal of Product Innovation Management, 14 (6), 429-458. Griﬃn, A. (2002). Product development cycle time for business-to-business products. Industrial Marketing Management, 31 (4), 291-304. Griﬃn, A. und Page, A. L. (1993). An Interim Report on Measuring Product Development Success and Failure. Journal of Product Innovation Management, 10 (4), 291-308.

250

Literaturverzeichnis

Griﬃn, A. und Page, A. L. (1996). PDMA Success Measurement Project: Recommended Measures for Product Development Success and Failure. Journal of Product Innovation Management, 13 (6), 478-496. Groves, R. M. (1989). Survey Errors and Survey Costs. New York, NY: Wiley. Gr¨ un, O. (1992). Projektorganisation. In E. Frese (Hg.), Handw¨orterbuch der Organisation (3. Auﬂage Auﬂ., S. 2102-2116). Stuttgart: C. E. Poeschel Verlag. Gupta, A. K. und Wilemon, D. L. (1990). Accelerating The Development Of Technology-Based New Products. California Management Review , 32 (2), 24-44. Gurtner, A., Tschan, F., Semmer, N. K. und N¨agele, C. (2007). Getting groups to develop good strategies: Eﬀects of reﬂexivity interventions on team process, team performance, and shared mental models. Organizational Behavior and Human Decision Processes, 102 (2), 127-142. Guth, W. D. und MacMillan, I. C. (1986). Strategy Implementation Versus Middle Management Self-Interest. Strategic Management Journal , 7 (4), 313-327. Hackman, J. R. und Oldham, G. R. (1980). Work redesign. Reading, MA: AddisonWesley. Hage, J. T. (1999). Organizational innovation and organizational change. Annual Review of Sociology, 25 (1), 597-622. Hahn, D. (1989). Integrierte Planung. In N. Szyperski und U. Winand (Hg.), Handw¨orterbuch der Planung (S. 770-788). Stuttgart: C. E. Poeschel Verlag. Hahn, D. (1993). Planung und Kontrolle. In W. Wittmann, W. Kern, R. K¨ohler, H.U. K¨ upper und K. von Wysocki (Hg.), Handw¨orterbuch der Betriebswirtschaft (5th Auﬂ., Bd. 2, S. 3185-3200). Stuttgart: Sch¨aﬀer-Poeschel Verlag. Hair, J. F., Jr., Black, W. C., Babin, B. J., Anderson, R. E. und Tatham, R. L. (2006). Multivariate Data Analysis (6. Auﬂ.). Upper Saddle River, NJ: Prentice Hall. Hambrick, D. C. (1980). Operationalizing the Concept of Business-Level Strategy in Research. Academy of Management Review , 5 (4), 567-576. Hamprecht, M. (1996). Controlling von Konzernplanungssystemen. Wiesbaden: Gabler DUV. Hart, S. und Banbury, C. (1994). How strategy-making processes can make a diﬀerence. Strategic Management Journal , 15 (4), 251-269.

Literaturverzeichnis

251

Hatch, M. J. (1997). Jazzing up the Theory of Organizational Improvisation. In J. P. Walsh und A. S. Huﬀ (Hg.), Advances in Strategic Management (Bd. 14, S. 181-191). JAI Press Inc. Hattie, J. (1985). Methodology Review: Assessing Unidimensionality of Tests and Items. Applied Psychological Measurement, 9 (2), 139-164. Hauptman, O. und Hirji, K. K. (1999). Managing integration and coordination in cross-functional teams: An international study of Concurrent Engineering product development. R&D Management, 29 (2), 179-191. Hauschildt, J. (1991). Zur Messung des Innovationserfolgs. ZfB Zeitschrift f¨ ur Betriebswirtschaft, 61 (4), 451-476. Hauschildt, J. (1992). Innovationsmanagement. In E. Frese (Hg.), Handw¨orterbuch der Organisation (3rd Auﬂ., S. 1029-1041). Stuttgart: Sch¨aﬀer-Poeschel. Hauschildt, J. (2004). Innovationsmanagement. M¨ unchen: Vahlen. Hauschildt, J. und Pulczynski, J. (1992). Rigidit¨at oder Flexibilit¨at der Zielbildung in Innovationsprozessen? zfo, 61 (2), 74-81. Hauschildt, J. und Salomo, S. (2005). Je innovativer, desto erfolgreicher? Eine kritische Analyse des Zusammenhangs zwischen Innovationsgrad und Innovationserfolg. Journal f¨ ur Betriebswirtschaft, 55 (1), 3-20. Hayward, T. B. (1986). An Ex-CNO’s Reﬂection on the Garbage Can Theory of Naval Decision Making. In J. G. March und R. Weissinger-Baylon (Hg.), Ambiguity and Command (S. 258-268). Marshﬁeld, MA: PitmanPublishing Inc. Henard, D. H. und Szymanski, D. M. (2001). Why Some New Products Are More Successful Than Others. Journal of Marketing Research, 38 (3), 362-375. Henderson, R. M. (1993). Underinvestment and incompetence as responses to radical innovation: evidence from the photolithographic alignment equipment industry. RAND Journal of Economics, 24 (2), 248-270. Henderson, R. M. (1995). Of life cycles real and imaginary: The unexpectedly long old age of optical lithography. Research Policy, 24 (4), 631-643. Henderson, R. M. und Clark, K. B. (1990). Architectural Innovation: The Reconﬁguration of Existing Product Technologies and the Failure of Established Firms. Administrative Science Quarterly, 35 (1), 9-30. Herroelen, W. (2005). Project Scheduling - Theory and Practice. Production and Operations Management, 14 (4), 413-432.

252

Literaturverzeichnis

Herroelen, W. und Leus, R. (2004). Robust and reactive project scheduling: a review and classiﬁcation of procedures. International Journal of Production Research, 42 (8), 1599-1620. Herstatt, C. und Geschka, H. (2002). Need assessment in practice. Theory, methods and experiences. International Journal of Entrepreneurship and Innovation Management, 2 (6), 56-70. Herstatt, C. und Verworn, B. (2004). The Fuzzy Front End of Innovation. In EITIM (Hg.), Bringing Technology and Innovation into the Boardroom (S. 347-373). Houndmills and New York: Palgrave MacMillan. Herstatt, C., Verworn, B. und Nagahira, A. (2004). Reducing project related uncertainty in the ”fuzzy front end¨of innovation - a comparison of german and japanese product innovation projects. International Journal of Product Development, 1 (1), 43-65. Hildebrandt, L. und Temme, D. (2006). Probleme der Validierung mit Strukturgleichungsmodellen. Die Betriebswirtschaft, 66 (6), 618-639. Hipp, J. R., Bauer, D. J. und Bollen, K. A. (2005). Conducting Tetrad Tests of Model Fit and Contrasts of Tetrad-Nested Models: A New SAS Macro. Structural Equation Modeling, 12 (1), 76-93. Hoegl, M. und Gem¨ unden, H. G. (2001). Teamwork Quality and the Success of Innovative Projects: A Theoretical Concept and Empirical Evidence. Organization Science, 12 (4), 435-449. Hoegl, M. und Parboteeah, K. P. (2006). Team reﬂexivity in innovative projects. R&D Management, 36 (2), 113-125. Hoﬀmann, J. (1989). Integration strategischer und operativer Planung. In N. Szyperski und U. Winand (Hg.), Handw¨orterbuch der Planung (S. 763-770). Stuttgart: C. E. Poeschel. Homburg, C. und Baumgartner, H. (1995). Die Kausalanalyse als Instrument der Marketingforschung. Zeitschrift f¨ ur Betriebswirtschaft, 65 (10), 1091-1108. Homburg, C. und Giering, A. (1998). Konzeptualisierung und Operationalisierung komplexer Konstrukte - Ein Leitfaden f¨ ur die Marketingforschung. In L. Hildebrandt und C. Homburg (Hg.), Die Kausalanalyse (S. 111-146). Stuttgart: Sch¨aﬀer Poeschel.

Literaturverzeichnis

253

Homburg, C. und Klarmann, M. (2006). Die Kausalanalyse in der empirischen betriebswirtschaftlichen Forschung - Problemfelder und Anwendungsbereiche. Die Betriebswirtschaft, 66 (6), 727-749. Homburg, C. und Pﬂesser, C. (2000). Strukturgleichungsmodelle mit latenten Variablen: Kausalanalyse. In A. Herrmann und C. Homburg (Hg.), Marktforschung: Methoden, Anwendungen, Praxisbeispiele (2. Auﬂ., S. 635-659). Gabler. Hough, J. R. und White, M. A. (2003). Environmental dynamism and strategic decision-making rationality: An examination at the decision level. Strategic Management Journal , 24 (5), 481-489. Hoyle, R. H. (1995). The Structural Equation Modeling Approach: Basic Concepts and Fundamental Issues. In R. H. Hoyle (Hg.), Structural Equation Modeling Concepts, Issues, and Applications (S. 1-15). Thousand Oaks, CA: Sage. Hu, L.-t. und Bentler, P. M. (1995). Evaluating Model Fit. In R. H. Hoyle (Hg.), Structural Equation Modeling - Concepts, Issues, and Applications (S. 76-99). Thousand Oaks, CA: Sage. Hu, L.-t. und Bentler, P. M. (1999). Cutoﬀ Criteria for Fit Indexes in Covariance Structure Analysis: Conventional Criteria Versus New Alternatives. Structural Equation Modeling, 6 (1), 1-55. Huber, F., Heitmann, M. und Herrmann, A. (2006). Ans¨atze zur Kausalmodellierung mit Interaktionseﬀekten. Die Betriebswirtschaft, 66 (6), 696-710. Huber, F., Herrmann, A., Meyer, F., Vogel, J. und Vollhardt, K. (2007). Kausalmodellierung mit Partial Least Squares - Eine anwendungsorientierte Einf¨ uhrung. Wiesbaden: Gabler. Huchzermeier, A. und Loch, C. H. (2001). Project Management Under Risk: Using the Real Options Approach to Evaluate Flexibility in R&D. Management Science, 47 (1), 85-101. Huisman, J. M. E. (1999). Item nonresponse: occurrence, causes, and imputation of missing answers to test items. Leiden: DSWO Press. Huisman, J. M. E. (2000). Imputation of Missing Item Responses: Some Simple Techniques. Quality & Quantity, 34 (4), 331-351. Hultink, E. J. und Robben, H. S. J. (1995). Measuring New Product Success: The Diﬀerence that Time Perspective Makes. Journal of Product Innovation Management, 12 (5), 392-405.

254

Literaturverzeichnis

Iansiti, M. (1998). Technology Integration: Making Critical Choices in an Dynamic World. Boston, MA: Harvard Business School Press. Irby, D. M. (1992). How Attending Physicians Make Instructional Decisions When Conducting Teaching Rounds. Academic Medicine, 67 (10), 630-638. Irwin, J. R. und McClelland, G. H. (2001). Misleading Heuristics and Moderated Multiple Regression Models. Journal of Marketing Research, 38 (1), 100-109. Ittner, C. D. und Larcker, D. F. (1997). Product development cycle time and organizational performance. Journal of Marketing Research, 34 (1), 13-23. Jaafari, A. (2004). Modeling of Large Projects. In P. W. G. Morris und J. K. Pinto (Hg.), The Wiley Guide to Managing Projects (S. 288-320). Hoboken, NJ: John Wiley & Sons, Inc. Jacoby, J. (1978). Consumer Research: A State of the Art Review. Journal of Marketing, 42 (2), 87-96. Janis, I. L. und Mann, L. (1977). Decision making: A psychological analysis of conﬂict, choice and commitment. New York: Free Press. Jarvis, C. B., MacKenzie, S. B. und Podsakoﬀ, P. M. (2003). A Critical Review of Construct Indicators and Measurement Model Misspeciﬁcation in Marketing and Consumer Research. Journal of Consumer Research, 30 (2), 199-218. Jelinek, M. und Schoonhoven, C. B. (1990). The innovation marathon: Lessons from high technology ﬁrms. Oxford: Blackwell. Jin, Z. (2000). How Product Newness Inﬂuences ’Learning and Probing’ and the Linearity of its Development Process. Creativity and Innovation Management, 9 (1), 21-45. Johne, A. und Storey, C. (1998). New service development: a review of the literature and annotated bibliography. European Journal of Marketing, 32 (3/4), 184-251. Johne, F. und Snelson, P. (1988). Success factors in product innovation: A selective review of the literature. Journal of Product Innovation Management, 5 (2), 114-128. Johnson, S. C. und Jones, C. (1957). How to Organize for New Products. Harvard Business Review , 35 (3), 49-62. Joyce, W., Slocum, J. W., Jr. und von Glinow, M. A. (1982). Person-Situation Interaction: Competing Models of Fit. Journal of Occupational Behaviour , 3 (4), 265-280.

Literaturverzeichnis

255

Judge, W. Q. und Miller, A. (1991). Antecedents and Outcomes of Decision Speed in Diﬀerent Environmental Contexts. Academy of Management Journal , 34 (2), 449-463. Kaiser, H. F. und Rice, J. (1974). Little Jiﬀy, Mark IV. Educational and Psychological Measurement, 34 (1), 111-117. Kamoche, K. und Pina e Cunha, M. (2001). Minimal Structures: From Jazz Improvisation to Product Innovation. Organization Studies, 22 (5), 733-764. Kamoche, K., Pina e Cunha, M. und Vieira da Cunha, J. (2003). Towards a Theory of Organizational Improvisation: Looking Beyond the Jazz Metaphor. Journal of Management Studies, 40 (8), 2023-2051. Kaplan, D. (2000). Structural Equation Modeling: Foundations and Extensions. Thousand Oaks, CA: Sage. Kavadias, S. und Loch, C. H. (2003). Optimal Project Sequencing With Recourse at a Scarce Resource. Production and Operations Management, 12 (4), 433-444. Keil, M., Truex III, D. P. und Mixon, R. (1995). The eﬀects of sunk cost and project completion on information technology project escalation. IEEE Transactions on Engineering Management, 42 (4), 372-381. Kenny, J. (2003). Eﬀective Project Management for Strategic Innovation and Change in an Organizational Context. Project Management Journal , 34 (1), 43-53. Keplinger, W. (1991). Merkmale erfolgreichen Projektmanagements. Graz: dbvVerlag. Kerssens-van Drongelen, I. C. und Bilderbeek, J. (1999). R&D performance measurement: more than choosing a set of metrics. R&D Management, 29 (1), 35-46. Kerssens-van Drongelen, I. C., Nixon, B. und Pearson, A. (2000). Performance measurement in industrial R&D. International Journal of Management Reviews, 2 (2), 111-143. Kessler, E. H. und Chakrabarti, A. K. (1999). Speeding Up the Pace of New Product Development. Journal of Product Innovation Management, 16 (3), 231-247. Khurana, A. und Rosenthal, S. R. (1998). Towards holistic “front ends” in new product development. Journal of Product Innovation Management, 15 (1), 57-74. Kieser, A. (1974). Der Einﬂuß der Umwelt auf die Organisationsstruktur der Unternehmung. Zeitschrift f¨ ur Organisation, 43 (6), 302-314.

256

Literaturverzeichnis

Kim, J. und Wilemon, D. L. (2003). Sources and assessment of complexity in NPD projects. R & D Management, 33 (1), 15-30. King, W. R. (1983). Evaluating strategic planning systems. Strategic Management Journal , 4 (3), 263-277. Klein, A. G. und Muthen, B. O. (2007). Quasi-Maximum Likelihood Estimation of Structural Equation Models With Multiple Interaction and Quadratic Eﬀects. Multivariate Behavioral Research, 42 (4), 647-673. Kleinbaum, D. G., Kupper, L. L., Muller, K. E. und Nizam, A. (1998). Applied Regression Analysis and Other Multivariate Methods (2. Auﬂ.). Paciﬁc Grove, CA: Duxbury Press. Kleinschmidt, E. J. und Cooper, R. G. (1991). The Impact of Product Innovativeness on Performance. Journal of Product Innovation Management, 8 (4), 240-251. Kline, R. B. (2005). Principles and Practice of Structural Equation Modeling (2. Auﬂ.). New York, NY: Guilford Press. Koch, H. (1982). Integrierte Unternehmensplanung. Wiesbaden: Gabler. Koch, H. (1993). Planungssysteme. In W. Wittmann, W. Kern, R. K¨ohler, H.U. K¨ upper und K. von Wysocki (Hg.), Handw¨orterbuch der Betriebswirtschaft (5th Auﬂ., Bd. 2, S. 3251-3262). Stuttgart: Sch¨aﬀer-Poeschel Verlag. Kotzbauer, N. (1992). Erfolgsfaktoren neuer Produkte: Der Einﬂuß der Innovationsh¨ohe auf den Erfolg technischer Produkte. Frankfurt am Main: Peter Lang. Kraﬀt, M., G¨otz, O. und Liehr-Gobbers, K. (2005). Die Validierung von Strukturgleichungsmodellen mit Hilfe des Partial-Least-Squares (PLS)-Ansatzes. In F. Bliemel, A. Eggert, G. Fassott und J. Henseler (Hg.), Handbuch PLSPfadmodellierung (S. 71-86). Stuttgart: Sch¨aﬀer-Poeschel. Krane, W. P. und Slaney, K. L. (2005). A General Introduction to the Common Factor Model. In A. Maydeu-Olivares und J. J. McArdle (Hg.), Contemporary Psychometrics: A Festschrift for Roderick P. McDonald. Mahwah, NJ: Lawrence Erlbaum Associates. Kreikebaum, H. (1989). Strategische Unternehmensplanung (3. Auﬂ.). Stuttgart u.a.: Verlag W. Kohlhammer. Krieger, A. (2005). Erfolgreiches Management radikaler Innovationen - Autonomie als Schl¨ usselvariable. Wiesbaden: Gabler DUV.

Literaturverzeichnis

257

Krishnan, V. und Ulrich, K. T. (2001). Product Development Decisions: A Review of the Literature. Management Science, 47 (1), 1-21. Krystek, U. und Zumbrock, S. (1993). Planung und Vertrauen. Stuttgart: Sch¨aﬀerPoeschel Verlag. Kukalis, S. (1991). Determinants of Strategic Planning Systems in Large Organizations: A Contingency Approach. The Journal of Management Studies., 28 (2), 143-160. Kumar, A. und Dillon, W. R. (1987). The Interaction of Measurement and Structure in Simultaneous Equation Models with Unobservable Variables. Journal of Marketing Research, 24 (1), 98-105. Kuß, A. (2007). Marktforschung : Grundlagen der Datenerhebung und Datenanalyse (2. Auﬂ.). Wiesbaden: Betriebswirtschaftlicher Verlag Dr. Th. Gabler. Kuster, J., Huber, E., Lippmann, R., Schmid, A., Schneider, E., Witschi, U. et al. (2008). Handw¨orterbuch Projektmanagement (2. Auﬂ.). Berlin, Heidelberg: Springer. Langley, A. (1989). In Search of Rationality: The Purpose behind the Use of Formal Analysis in Organizations. Administrative Science Quarterly, 34 (4), 598-531. Latham, G. P. und Locke, E. A. (1995). Zielsetzung als F¨ uhrungsaufgabe. In uhrung A. Kieser, G. Reber und R. Wunderer (Hg.), Handw¨orterbuch der F¨ (S. 2222-2234). Stuttgart: Sch¨aﬀer-Poeschel. Latham, G. P. und Winters, D. C. (1994). Cognitive and motivational eﬀects of participation: a mediator study. Journal of Organizational Behavior , 15 (1), 49-63. Laufer, A. (1991). Project planning: Timing issues and path of progress. Project Management Journal , 22 (2), 39-45. Laufer, A. (1992). A micro view of the project planning process. Construction Management and Economics, 10 (1), 31-43. Leavitt, H. J. (1965). Applied Organizational Change in Industry: Structural, Technological and Humanistic Approaches. In J. G. March (Hg.), Handbook of Organizations (Bd. II). New York: Garland Publishing Inc. Lechler, T. (1997). Erfolgsfaktoren des Projektmanagements (W. Gaul und H. G. Gem¨ unden, Hg.). Frankfurt am Main et al.: Lang.

258

Literaturverzeichnis

Lee, M. und Na, D. (1994). Determinants of Technical Success in Product Development When Innovative Radicalness Is Considered. Journal of Product Innovation Management, 11 (1), 62-68. Leifer, R., McDermott, C. M., Colarelli O’Connor, F., Peters, L. S., Rice, M. und Veryzer, R. W. (2000). Radical Innovation - How Mature Companies can Outsmart Upstarts. Boston, MA: Harvard Business School Press. Lessler, J. T. und Kalsbeek, W. D. (1992). Nonsampling Error in Surveys. New York, NY: Wiley. Lettl, C. (2004). Die Rolle von Anwendern bei hochgradigen Innovationen. Wiesbaden: Gabler-DUV. Leus, R. und Herroelen, W. (2004). Stability and resource allocation in project planning. IIE Transactions, 36 (7), 667-682. Lewis, M. W. (2000). Exploring paradox: Toward a more comprehensive guide. Academy of Management Review , 25 (4), 760-776. Lewis, M. W., Welsh, M. A., Dehler, G. E. und Green, S. G. (2002). Product development tensions: Exploring contrasting styles of project management. Academy of Management Journal , 45 (3), 546. Li, S., Loulou, R. und Rahman, A. (2003). Technological Progress and Technology Acquisition: Strategic Decision Under Uncertainty. Production and Operations Management, 12 (1), 102-119. Liberatore, M. und Titus, G. J. (1989). The R&D Planning-Business Strategy Connection. Journal of the Socienty of Research Administrators, 20 (4), 17-26. Lim, C. S. und Mohamed, M. Z. (1999). Criteria of project success: an exploratory re-examination. International Journal of Project Management, 17 (4), 243-248. Little, R. J. A. (1988). A Test of Missing Completely at Random for Multivariate Data with Missing Values. Journal of the American Statistical Association, 83 (404), 1198-1202. Little, R. J. A. und Rubin, D. B. (1987). Statistical analysis with missing data (1. Auﬂ.). New York, NY: Wiley. Liu, A. M. M. und Walker, A. (1998). Evaluation of project outcomes. Construction Management and Economics, 16 (2), 209-219. Lorange, P. und Vancil, R. F. (1976). How to design a strategic planning system. Harvard Business Review , 54 (5), 75-81.

Literaturverzeichnis

259

Lovelace, R. F. (1987). R&D Planning Techniques. R&D Management, 17 (4), 241-251. Lukas, B. A., Menon, A. und Bell, S. J. (2002). Organizing for new product development speed and the implications for organizational stress. Industrial Marketing Management, 31 (4), 349-355. Lumsden, J. (1976). Test Theory. Annual Review of Psychology, 27 , 251-280. L¨ uthje, C. und Herstatt, C. (2004). The Lead User method: an outline of empirical ﬁndings and issues for future research. R&D Management, 34 (5), 553-568. Lynn, G. S. (1993). Understanding products and markets for radical innovations. Unver¨oﬀentlichte Dissertation, Rensselaer Polytechnic Institute. Lynn, G. S. und Akg¨ un, A. E. (1998). Innovation strategies under uncertainty: A contingency approach for new product development. Engineering Management Journal , 10 (3), 11-17. Lynn, G. S., Morone, J. G. und Paulson, A. S. (1996). Marketing and discontinuous innovation: The probe and learn process. California Management Review , 38 (3), 8-37. MacCallum, R. C. (1995). Model Speciﬁcation: Procedures, Strategies, and Related Issues. In R. H. Hoyle (Hg.), Structural Equation Modeling - Concepts, Issues, and Applications (S. 16-36). Thousand Oaks, CA: Sage. MacCallum, R. C., Browne, M. W. und Sugawara, H. M. (1996). Power analysis dnd determination of sample size for covariance structure modeling, , 2(1), 130-149. Psychological Methods, 1 (2), 130-149. MacCormack, A. und Verganti, R. (2003). Managing the sources of uncertainity: Matching process and context in software development. The Journal of Product Innovation Management, 20 (3), 217-232. MacCormack, A., Verganti, R. und Iansiti, M. (2001). Developing Products on ’Internet Time’: The Anatomy of a Flexible Development Process. Management Science, 47 (1), 133-150. MacKenzie, S. B., Podsakoﬀ, P. M. und Jarvis, C. B. (2005). The Problem of Measurement Model Misspeciﬁcation in Behavioral and Organizational Research and Some Recommended Solutions. Journal of Applied Psychology, 90 (4), 710-730.

260

Literaturverzeichnis

Mag, W. (1993). Planung und Unsicherheit. In W. Wittmann, W. Kern, R. K¨ohler, H.U. K¨ upper und K. von Wysocki (Hg.), Handw¨orterbuch der Betriebswirtschaft (5th Auﬂ., Bd. 2, S. 3200-3216). Stuttgart: Sch¨aﬀer-Poeschel Verlag. Maidique, M. und Zirger, B. (1984). A study of success and failure in product innovation: The case of the U.S. electronics industry. IEEE Transactions on Engineering Management, 31 (4), 192-203. Malhotra, N. K. (1987). Analyzing Marketing Research Data with Incomplete Information on the Dependent Variable. Journal of Marketing Research, 24 (1), 74-84. Mansﬁeld, E. und Wagner, S. (1975). Organizational and Strategic Factors Associated with Probabilities of Success in Industrial R&D. Journal of Business, 48 (2), 179-198. Marks, M. A. und Mathieu, S. J., John E.and Zaccaro. (2001). A Temporally Based Framework and Taxonomy of Team Processes. Academy of Management Review , 26 (3), 356-376. Martino, R. L. (1964a). Applied Operational Planning (Bd. II). New York, NY: American Management Assocation. Martino, R. L. (1964b). Finding the Critical Path (Bd. I). New York, NY: American Management Assocation. Matthes, W. (1989). Maßnahmen- und Ressourcenplanung. In N. Szyperski und U. Winand (Hg.), Handw¨orterbuch der Planung (S. 1059-1065). Stuttgart: C. E. Poeschel Verlag. McCarthy, I. P., Tsinopoulos, C., Allen, P. und Rose-Andersen, C. (2006). New Product Development as a Complex Adaptive System of Decisions. Journal of Product Innovation Management, 23 (5), 437-456. McComb, S. A., Green, S. G. und Compton, W. D. (2007). Team ﬂexibility’s relationship to staﬃng and performance in complex projects: An empirical analysis. Journal of Engineering and Technology Management, 24 (4), 293-313. McDermott, C. M. und Colarelli O’Conner, G. (2002). Managing radical innovation: an overview of emergent strategy issues. Journal of Product Innovation Management, 19 (6), 424-438. McDonough, E. F., III. (2000). Investigation of Factors Contributing to the Success of Cross-Functional Teams. Journal of Product Innovation Management, 17 (3), 221-235.

Literaturverzeichnis

261

McDonough, E. F., III und Leifer, R. P. (1986). Eﬀective Control of New Product Projects: The Interaction of Organization Culture and Project Leadership. Journal of Product Innovation Management, 3 (3), 149-157. McGinnis, M. A. und Ackelsberg, M. R. (1983). Eﬀective innovation management: Missing link in strategic planning? Journal of Business Strategy, 4 (1), 59. McQuitty, S. (2004). Statistical power and structural equation models in business research. Journal of Business Research, 57 (2), 175-183. Meﬀert, H. (1988). Strategische Unternehmensf¨ uhrung und Marketing. Wiesbaden: Gabler. Meﬀert, H. (1992). Marketingforschung und K¨auferverhalten (2. Auﬂ.). Wiesbaden: Gabler. Menon, A., Bharadwaj, S. G., Adidam, P. T. und Edison, S. W. (1999). Antecedents and Consequences of Marketing Strategy Making: A Model and a Test. Journal of Marketing, 63 (2), 18-40. Meyer, J. W. und Rowan, B. (1977). Institutionalized Organizations: Formal Structure as Myth and Ceremony. American Journal of Sociology, 83 (2), 340-363. Meyer, M. H. und Utterback, J. M. (1995). Product Development Cycle Time and Commercial Success. IEEE Transactions on Engineering Management, 42 (4), 297-304. Meyers, P. W. und Tucker, F. G. (1989). Deﬁning Roles for Logistics During Routine and Radical Technological Innovation. Journal of the Academy of Marketing Science, 17 (1), 73-82. Miles, R. E., Snow, C. C., Meyer, A. D. und Coleman, H. J., Jr. (1978). Organizational Strategy, Structure, and Process. Academy of Management Review , 3 (3), 546562. Miller, D. (1987a). Strategy Making and Structure: Analysis and Implications for Performance. Academy of Management Journal , 30 (1), 7-32. Miller, D. (1987b). The structural and environmental correlates of business strategy. Strategic Management Journal , 8 (1), 55-76. Miller, D. und Friesen, P. H. (1982). Innovation in Conservative and Entrepreneurial Firms: Two Models of Strategic Momentum. Strategic Management Journal , 3 (1), 1-25.

262

Literaturverzeichnis

Miller, D. und Friesen, P. H. (1983). Strategy-Making and Environment: The Third Link. Strategic Management Journal , 4 (3), 221-235. Miller, K. I. und Monge, P. R. (1986). Participation, Satisfaction, and Productivity: A Meta-Analytic Review. Academy of Management Journal , 29 (4), 727-753. Milligan, G. W. und Cooper, M. C. (1985). An Examination of Procedures for Determining the Number of Clusters in a Data Set. Psychometrika, 50 (2), 159-179. Milosevic, D. Z. (2004). Managing New Product Development Projects. In P. W. G. Morri und J. K. Pinto (Hg.), The Wiley Guide to Managing Projects (S. 1287-1314). Hoboken, NJ: John Wiley & Sons, Inc. Miner, A. S., Bassoﬀ, P. und Moorman, C. (2001). Organizational Improvisation and Learning: A Field Study. Administrative Science Quarterly, 46 (2), 304-337. Miner, A. S., Moorman, C. und Bassoﬀ, P. (1997). Organizational Improvisation in New Product Development (Bericht Nr. 97-110). Marketing Science Institute. Mintzberg, H. (1973). Strategy-making in three modes. California Management Review , 16 (2), 44-53. Mintzberg, H. (1978). Patterns in Strategy Formation. Management Science, 24 (9), 934-948. Mintzberg, H. (1981). What is Planning Anyway? Strategic Management Journal , 2 (3), 319-324. Mintzberg, H. (1990). Strategy Formation: Schools of Thought. In J. W. Fredrickson (Hg.), Perspectives on strategic management (S. 105-235). New York, NY: Harper Business. Mintzberg, H. (1999). Five Ps for Strategy. In H. Mintzberg, J. B. Quinn und S. Ghoshal (Hg.), The Strategy Process (S. 13-21). Harlow u.a.: Financial Times Prentice Hall. Mintzberg, H., Quinn, J. B. und Ghoshal, S. (1999). The Strategy Process. Harlow u.a.: Financial Times Prentice Hall. Mintzberg, H., Raisinghani, D. und Theoret, A. (1976). The structure of unstructured decision processes. Administrative Science Quarterly, 21 (2), 246-275. Mitchell, T. R. (1973). Motivation and Participation: An Integration. Academy of Management Journal , 16 (4), 670-679.

Literaturverzeichnis

263

Moder, J. J. (1988). Network Techniques in Project Management. In D. I. Cleland und W. R. King (Hg.), Project Management Handbook (2nd Auﬂ., S. 324-373). New York: Van Nostrand Reinhold. M¨ohrle, M. G. und Isenmann, R. (Hg.). (2007). Technologie-Roadmapping: Zukunftsstrategien f¨ ur Technologieunternehmen (3. Auﬂ.). Berlin: Springer. M¨ohrle, M. G. und Pannenb¨acker, T. (1997a). Das Konzept der Problemzentrierten Invention. Wissenschaftsmanagement, 3 (5), 232-240. M¨ohrle, M. G. und Pannenb¨acker, T. (1997b). Problem-Driven Inventing: a Concept for Strong Solutions to Inventive Tasks. Creativity and Innovation Management, 6 (4), 234-248. Montoya-Weiss, M. M. und Calantone, R. (1994). Determinants of new product performance: A review and meta-analysis. Journal of Product Innovation Management, 11 (5), 397-417. Moorman, C. und Miner, A. S. (1995). Walking the Tightrope: Improvisation and Information Use in New Product Development (Bericht Nr. 95-101). Marketing Science Institute. Moorman, C. und Miner, A. S. (1998a). The convergence of planning an execution: Improvisation in new product development. Journal of Marketing, 62 (3), 1-20. Moorman, C. und Miner, A. S. (1998b). Organizational Improvisation and Organizational Memory. Academy of Management Review , 23 (4), 698-723. Morris, P. W. G. und Hough, G. H. (1993). The anatomy of major projects. Chichester: Wiley. Mueser, R. (1985). Identifying Technical Innovations. IEEE Transactions on Engineering Management, 32 (4), 158-176. M¨ uller, D. (2008). Bestimmungsfaktoren der Improvisation im Unternehmen. Zeitschrift f¨ ur Planung & Unternehmenssteuerung, 18 (3), 255-277. Myers, C. W. und Devey, M. R. (1984). How Management Practices can Aﬀect Project Outcomes: An Exploration of the PPS Database (Bericht). Santa Monica, CA: Rand Corporation. Naveh, E. (2005). The eﬀect of integrated product development on eﬃciency and innovation. International Journal of Production Research, 43 (13), 2789-2808. Naveh, E. (2007). Formality and discretion in successful R&D projects. Journal of Operations Management, 25 (1), 110-125.

264

Literaturverzeichnis

Nevitt, J. und Hancock, G. R. (2001). Performance of Bootstrapping Approaches to Model Test Statistics and Parameter Standard Error Estimation in Structural Equation Modeling. Structural Equation Modeling, 8 (3), 353-377. Nijssen, E. J., Hillebrand, B., Vermeulen, P. A. und Kemp, R. G. (2006). Exploring product and service innovation similarities and diﬀerences. International Journal of Research in Marketing, 23 (3), 241-251. Normann, R. (1971). Organizational Innovativeness: Product Variation and Reorientation. Administrative Science Quarterly, 16 (2), 203-215. Novak, S. und Eppinger, S. D. (2001). Sourcing By Design: Product Complexity and the Supply Chain. Management Science, 47 (1), 189-204. Nutt, P. C. (1977). An experimental comparison of the eﬀectiveness of three planning methods. Management Science, 23 (5), 499. Nutt, P. C. (1982). Hybrid planning methods. Academy of Management Review , 7 (3), 442. Nutt, P. C. (1984). Types of organizational decision processes. Administrative Science Quarterly, 29 (3), 414-450. Ogasawara, H. (2003). Correlations Among Maximum Likelihood and Weighted/Unweighted Least Squares Estimators in Factor Analysis. Behaviormetrika, 30 (1), 63-86. O’Leary-Kelly, S. W. und Vokurka, R. J. (1998). The empirical assessment of construct validity. Journal of Operations Management, 16 (4), 387-405. Olson, E. M., Walker, O. C. und Ruekert, R. W. (1995). Organizing for eﬀective new product development: The moderating role of product innovativeness. Journal of Marketing, 59 (1), 48-62. Organ, D. W. und Greene, C. N. (1981). The Eﬀects of Formalization on Professional Involvement: A Compensatory Process Approach. Administrative Science Quarterly, 26 (2), 237-252. Papadakis, V. M. (1998). Strategic investment decision processes and organizational performance. British Journal of Management, 9 (2), 115-132. Pascale, R. T. (1999). Surﬁng the Edge of Chaos. Sloan Management Review , 40 (3), 83-94. Pearce, J. A., II, Freeman, B., Elizabeth und Robinson, R. B., Jr. (1987). The Tenuous Link Between Formal Strategic Planning and Financial Performance. Academy of Management Review , 12 (4), 658-675.

Literaturverzeichnis

265

Pearce, J. A., II, Robbins, D. K. und Robinson, R. B., Jr. (1987). The impact of grand strategy and planning formality on ﬁnancial performance. Strategic Management Journal , 8 (2), 125-134. Penrose, E. E. T. (1959). The Theory of the Growth of the Firm. Oxford: Blackwell. Perrow, C. (1967). A Framework for the Comparative Analysis of Organizations. American Sociological Review , 32 (2), 194-208. Peter, J. P. (1979). Reliability: A Review of Psychometric Basics and Recent Marketing Practices. Journal of Marketing Research, 16 (1), 6-17. Peter, J. P. (1981). Construct Validity: A Review of Basic Issues and Marketing Practices. Journal of Marketing Research, 18 (2), 133-145. Peter, J. P. und Churchill, J., Gilbert A. (1986). Relationships Among Research Design Choices and Psychometric Properties of Rating Scales: A Meta-Analysis. Journal of Marketing Research, 23 (1), 1-10. Peterson, R. A. (1994). A Meta-analysis of Cronbach’s Coeﬃcient Alpha. Journal of Consumer Research, 21 (2), 381-391. Pich, M. T., Loch, C. H. und De Meyer, A. (2002). On Uncertainty, Ambiguity, and Complexity in Project Management. Management Science, 48 (8), 1008-1023. Pina e Cunha, M. und Vieira da Cunha, J. (2002). To plan and not to plan: Toward a synthesis between planning and learning. International Journal of Organization Theory and Behavior , 5 (3/4), 299-315. Pina e Cunha, M., Vieira da Cunha, J. und Kamoche, K. (1999). Organizational improvisation: what, when, how and why. International Journal of Management Reviews, 1 (3), 299-341. Pinch, T. und Bijker, W. E. (1989). The social construction of facts and artifacts. In W. E. Bijker, T. Hughes und T. Pinch (Hg.), The social construction of technological systems: new directions in the sociology and history of technology. Cambridge, MA: MIT Press. Pinkenburg, H. F. W. (1980). Projektmanagement als F¨ uhrungskonzeption in Prozessen tiefgreifenden organisatorischen Wandels. M¨ unchen: Planungs- und Organisationswissenschaftliche Schriften. Pinto, J. K. (1986). Project Implementation: A Determination of its Critical Success Factors, Moderators, and Their Relative Importance Across the Project Life Cycle. Unver¨oﬀentlichte Dissertation, University of Pittsburgh.

266

Literaturverzeichnis

Pinto, J. K. und Prescott, J. E. (1990). Planning and tactical factors in the project implementation process. Journal of Management Studies, 27 (3), 305-327. Pinto, J. K. und Slevin, D. P. (1988a). Critical success factors across the project life cycle. Project Management Journal , 19 (3), 67-75. Pinto, J. K. und Slevin, D. P. (1988b). Critical Success Factors in Eﬀective Project Implementation. In D. I. Cleland und W. R. King (Hg.), Project Management Handbook (2nd Auﬂ., S. 479-512). New York: Van Nostrand Reinhold. Pleschak, F. und Sabisch, H. (1996). Innovationsmanagement. Stuttgart: Sch¨aﬀerPoeschel. Prescott, J. E. (1986). Environments as Moderators of the Relationship Between Strategy and Performance. Academy of Management Journal , 29 (2), 329. Priem, R. L., Rasheed, A. M. A. und Kotulic, A. G. (1995). Rationality in strategic decision processes, environment dynamism, and performance. Journal of Management, 21 (5), 913-929. Quinn, J. B. (1978). Strategic change: ’Logical Incrementalism’. Sloan Management Review , 20 (1), 7-21. Raisch, S. (2008). Balanced Structures: Designing Organizations for Proﬁtable Growth. Long Range Planning, 41 (5), 483-508. Ramanujam, V. und Venkatraman, N. (1987a). Planning and Performance: A New Look at an Old Question. Business Horizons, 30 (3), 19-25. Ramanujam, V. und Venkatraman, N. (1987b). Planning System Characteristics and Planning Eﬀectiveness. Strategic Management Journal , 8 (5), 453-468. Ramanujam, V., Venkatraman, N. und Camillus, J. C. (1986). Multi-objective assessment of eﬀectiveness of strategic planning: A discriminant analysis approach. Academy of Management Journal , 29 (2), 347-372. Regier, S. (2007). Markterfolg radikaler Innovationen. Wiesbaden: Gabler-DUV. Rehesaar, H. und Beames, E. (1998). Project plans and time budgets in information systems projects. In Software Engineering: Education & Practice (S. 120-124). Dunedin, New Zealand. Reinartz, W., Kraﬀt, M. und Hoyer, W. D. (2004). The Customer Relationship Management Process: Its Measurement and Impact on Performance. Journal of Marketing Research, 41 (3), 293-305. Rice, M. P., O’Connor, G. C., Peters, L. S. und Morone, J. G. (1998). Managing discontinuous innovation. Research Technology Management, 41 (3), 52-58.

Literaturverzeichnis

267

Rieck, R. M. und Dickson, K. E. (1993). A Model of Technology Strategy. Technology Analysis & Strategic Management, 5 (4), 397-412. Rindskopf, D. (1984). Using phantom and imaginary latent variables to parameterize constraints in linear structural models. Psychometrika, 49 (1), 37-47. Roberts, T. L., Cheney, P. H. und Sweeney, P. D. (2002). Project Chararcteristics and Group Communication: An Investigation. IEEE Transactions on Professional Communication, 45 (2), 84-98. Roberts, T. L., Cheney, P. H., Sweeney, P. D. und Hightower, R. T. (2005). The Eﬀects of Information Technology Project Complexity on Group Interaction. Journal of Management Information Systems, 21 (3), 223-247. Robertson, D. und Allen, T. J. (1993). CAD Use and Engineering Performance. IEEE Transactions on Engineering Management, 40 (3), 274-282. Robertson, T. S. (1967). The Process of Innovation and the Diﬀusion of Innovation. Journal of Marketing, 31 (1), 14-19. Rogelberg, S. G., Barnes-Farrell, J. L. und Lowe, C. A. (1992). The Stepladder Technique: An Alternative Group Structure Facilitating Eﬀective Group Decision Making. Journal of Applied Psychology, 77 (5), 730-737. Rogers, E. M. (1995). Diﬀusion of innovations. New York: Free Press. Rosenau, M. D., Jr. (1992). Successful Project Management. New York, NY: Van Nostrand Reinhold. Rossiter, J. R. (2002). The C-OAR-SE procedure for scale development in marketing. International Journal of Research in Marketing, 19 (4), 305-335. Rothwell, R., Freeman, C., Horlsey, A., Jervis, V. T. P., Robertson, A. B. und Townsend, J. (1974). SAPPHO updated - project SAPPHO phase II. Research Policy, 3 (3), 258-291. Rothwell, R. und Gardiner, P. (1988). Re-Innovation and Robust Designs: Producer and User Beneﬁts. Journal of Marketing Management, 3 (3), 372-387. Roussel, P. A., Saad, K. N. und Erickson, T. J. (1991). Third Generation R&D. Boston, MA: Harvard Business School Press. Roux-Dufort, C. und Vidaillet, B. (2003). The Diﬃculties of Improvising in a Crisis Situation. International Studies of Management & Organization, 33 (1), 86-115.

268

Literaturverzeichnis

Rubenstein, A. H., Chakrabarti, A. K., O’Keefe, R. D., Souder, W. E. und Young, H. C. (1976). Factors Inﬂuencing Innovation Success at the Project Level. Research Management, 19 , 15-20. Rubin, D. B. (1987). Multiple Imputation for Nonresponse in Surveys. New York u.a.: John Wiley & Sons. R¨ uhli, E. (1989). Funktionen der Planung. In N. Szyperski und U. Winand (Hg.), Handw¨orterbuch der Planung (S. 566-578). Stuttgart: C. E. Poeschel Verlag. R¨ usberg, K.-H. (1976). Praxis des Project- und Multiproject-Management (3. Auﬂ.). M¨ unchen: Verlag Moderne Industrie. Sabherwal, R. und King, W. R. (1995). An Empirical Taxonomy of the DecisionMaking Processes Concerning Strategic Applications of Information Systems. Journal of Management Information Systems, 11 (4), 177-214. Salaman, G. und Storey, J. (2002). Managers’ theories about the process of innovation. The Journal of Management Studies, 39 (2), 147-165. Salomo, S. (2003). Konzept und Messung des Innovationsgrades - Ergebnisse einer empirischen Studie zu innovativen Entwicklungsvorhaben. In M. Schwaiger und D. Harhoﬀ (Hg.), Empirie und Betriebswirtschaft (S. 399-427). Stuttgart: Sch¨aﬀer-Poeschel. Salomo, S., Weise, J. und Gem¨ unden, H. G. (2007). NPD Planning Activities and Innovation Performance: The Mediating Role of Process Management and the Moderating Eﬀect of Product Innovativeness. Journal of Product Innovation Management, 24 (4), 285-302. Sandau, J. und Herstatt, C. (2006). Eﬀectiveness of R&D project selection in uncertain environments: An empirical study in the German Automotive Supplier industry. In Proceedings of the R&D Management Conference 2006. Lake Windermere, Cumbria. Sarkees, M. und Hulland, J. (2009). Innovation and eﬃciency: It is possible to have it all. Business Horizons, 52 (1), 45-55. Sashittal, H. C. und Tankersley, C. (1997). The Strategic Market PlanningImplementation Interface in Small and Midsized Industrial Firms: An Exploratory Study. Journal of Marketing Theory and Practice, 5 (3), 77-92. Satorra, A. und Bentler, P. M. (2001). A Scaled Diﬀerence Chi-Square Test Statistic for Moment Structure Analysis. Psychometrika, 66 (4), 507-514.

Literaturverzeichnis

269

Schafer, J. L. und Graham, J. W. (2002). Missing Data: Our View of the State of the Art. Psychological Methods, 7 (2), 147-177. Sch¨aﬀer, U. und Willauer, B. (2002). Kontrolle, Eﬀektivit¨at der Planung und Erfolg von Gesch¨aftseinheiten - Ergebnisse einer empirischen Erhebung. Zeitschrift f¨ ur Planung, 13 (1), 73-97. Schenkel, B. (2006). Die Qualit¨at der marktbezogenen Planung. Wiesbaden: Gabler DUV. Schewe, G. (1992). Imitationsmanagement. Stuttgart: Sch¨aﬀer-Poeschel. Schilling, M. A. (2008). Strategic Management of Technological Innovation. New York: McGraw-Hill. Schilling, M. A. und Hill, C. W. L. (1998). Managing the new product development process: Strategic imperatives. Academy of Management Executive, 12 (3), 67-81. Schippers, M. C. und Den Hartog, D. N. (2007). Reﬂexivity in Teams: A Measure and Correlates. Applied Psychology: An International Review , 56 (2), 189-211. usselvariable. Wiesbaden: Gabler Schlaak, T. M. (1999). Der Innovationsgrad als Schl¨ DUV. Schmidheiny, S. (1992). Changing course: a global business perspective on development and the environment. Cambridge, MA: MIT-Press. ¨ Schneeweiß, H. (1990). Okonometrie (4. Auﬂ.). Heidelberg: Physica-Verlag. Schnell, R. (1986). Missing-Data-Probleme in der empirischen Sozialforschung. Bochum. Schnell, R. (1997). Nonresponse in Bev¨olkerungsumfragen: Ausmaß, Entwicklung und Ursachen. Opladen: Leske + Budrich. Scholderer, J., Balderjahn, I. und Paulssen, M. (2006). Kausalit¨at, Linearit¨at, Reliabilit¨at: Drei Dinge, die Sie nie u ¨ ber Strukturgleichungsmodelle wissen wollten. Die Betriebswirtschaft, 66 (6), 640-650. Schoonhoven, C. B. (1981). Problems with Contingency Theory: Testing Assumptions Hidden within the Language of Contingency ’Theory’. Administrative Science Quarterly, 26 (3), 349-377. Schulte Nordholt, E. (1998). Imputation: Methods, Simulation Experiments and Practical Examples. International Statistical Review , 66 (2), 157-180.

270

Literaturverzeichnis

Schumacker, R. E. und Beyerlein, S. T. (2000). Conﬁrmatory Factor Analysis With Diﬀerent Correlation Types and Estimation Methods. Structural Equation Modeling, 7 (4), 629-636. Schumacker, R. E. und Lomax, R. G. (2004). A Beginner’s Guide to Structural Equation Modeling (2. Auﬂ.). Mahwah, NJ: Lawrence Erlbaum Associates. Schwartz, M. A. (1978). The Imitation and Diﬀusion of Industrial Innovations. Unver¨oﬀentlichte Dissertation, University of Pennsylvania. Scott, G. (2001). Strategic Planning for High-Tech Product Development. Technology Analysis & Strategic Management, 13 (3), 343-364. Segars, A. H. (1994). Strategic information systems planning: The coalignment of planning system design, its relationship with organizational context, and implications for planning system success. Unver¨oﬀentlichte Dissertation, University of South Carolina. Segars, A. H., Grover, V. und Teng, J. T. C. (1998). Strategic Information Systems Planning: Planning system dimensions, Internal Coalignment, and Implications for Planning Eﬀectiveness. Decision Sciences, 29 (2), 303-345. Senge, P. M. (1997). The Fith Discipline - The Art & Practice of The Learning Organization. London: Century. Sethi, R. und Nicholson, C. Y. (2001). Structural and contextual correlates of charged behavior in product development teams. Journal of Product Innovation Management, 18 (3), 154-168. Shapira, A. und Laufer, A. (1993). Evolution of involvement and eﬀort in construction planning throughout project life. International Journal of Project Management, 11 (3), 155. Shapira, A., Laufer, A. und Shenhar, A. J. (1994). Anatomy of decision making in project planning teams. International Journal of Project Management, 12 (3), 172. Sharma, S., Durand, R. M. und Gur-Arie, O. (1981). Identiﬁcation and Analysis of Moderator Variables. Journal of Marketing Research, 18 (3), 291-300. Shenhar, A. J. (2001). One Size Does Not Fit All Projects: Exploring Classical Contingency Domains. Management Science, 47 (3), 394-414. Shenhar, A. J. und Dvir, D. (1996). Toward a typological theory of project management. Research Policy, 25 (4), 607-632.

Literaturverzeichnis

271

Shenhar, A. J. und Dvir, D. (2004). How Projects Diﬀer, and What to do About it. In P. W. G. Morris und J. K. Pinto (Hg.), The Wiley Guide to Managing Projects (S. 1265-1286). Hoboken, NJ: John Wiley & Sons, Inc. Shenhar, A. J., Dvir, D., Levy, O. und Maltz, A. C. (2001). Project Success: A Multidimensional Strategic Concept. Long Range Plannning, 34 (6), 699-725. Shenhar, A. J., Tishler, A., Dvir, D., Lipovetsky, S. und Lechler, T. (2002). Reﬁning the search for project success factors: a multivariate, typological approach. R&D Management, 32 (2), 111-126. Shrivastava, P. und Grant, J. H. (1985). Empirically Derived Models of Strategic Decision-making Processes. Strategic Management Journal , 6 (2), 97-113. Sicotte, H. und Langley, A. (2001). Integration mechanisms and R&D project performance. Journal of Engineering and Technology Management, 17 (1), 1-37. Simons, T., Pelled, L. H. und Smith, K. A. (1999). Making use of diﬀerence: Diversity, debate, and decision comprehensiveness in top management teams. Academy of Management Journal , 42 (6), 662-673. Sinha, K., Deepak. (1990). The Contribution of Formal Planning to Decisions. Strategic Management Journal , 11 (6), 479-492. Slevin, D. P. und Covin, J. G. (1997). Strategy formation patterns, performance, and the signiﬁcance of context. Journal of Management, 23 (2), 189. Smith, P. G. und Reinertsen, D. G. (1992). Shortening the Product Development Cycle. Research Technology Management, 35 (3), 44-59. Sniezek, J. A. (1992). Groups under Uncertainty: An Examination of Conﬁdence in Group Decision Making. Organizational Behavior and Human Decision Processes, 52 (1), 124-155. Song, M. X. und Montoya-Weiss, M. M. (1998). Critical development activities for really new versus incremental products. Journal of Product Innovation Management, 15 (2), 124-135. Song, M. X. und Montoya-Weiss, M. M. (2001). The eﬀects of perceived technological uncertainty on japanese new product development. Academy of Management Journal , 44 (1), 61-80. Song, M. X. und Parry, M. E. (1997a). A cross-national comparative study of new product development processes: Japan and the united states. Journal of Marketing, 61 (2), 1-18.

272

Literaturverzeichnis

Song, M. X. und Parry, M. E. (1997b). The determinants of Japanese new product successes. Journal of Marketing Research, 34 (1), 64-76. Souder, W. E. (1987). Managing New Product Innovations. Lexington, MA: Lexington Books. Souder, W. E. und Chakrabarti, A. K. (1978). The R&D/Marketing Interface: Results from an Empirical Study of Innovation Projects. IEEE Transactions on Engineering Management, 25 (4), 88-93. Souder, W. E., Sherman, J. D. und Davies-Cooper, R. (1998). Environmental Uncertainty, Organizational Integration, and New Product Development Effectiveness: A Test of Contingency Theory. Journal of Product Innovation Management, 15 (6), 520-533. Souder, W. E. und Song, M. X. (1997). Contingent product design and marketing strategies inﬂuencing new product success and failure in u.s. and japanese electronics ﬁrms. Journal of Product Innovation Management, 14 (1), 21-34. Souder, W. E. und Song, M. X. (1998). Analyses of U.S. and Japanese management processes associated with new product success and failure in high and low familiarity markets. Journal of Product Innovation Management, 15 (3), 208223. Specht, G. und Beckmann, C. (1996). F&E-Management. Stuttgart: Sch¨aﬀerPoeschel. Speed, R. (1994). Environmental Context and Marketing Planning Processes. Journal of Marketing Management, 10 (7), 667-677. Spinner, M. P. (1992). Elements of Project Management - Plan, Schedule & Control (2. Auﬂ.). Englewood Cliﬀs: Prentice Hall. Stalk, G. und Hout, T. M. (1990). Zeitwettbewerb: Schnelligkeit entscheidet auf den M¨arkten der Zukunft. Frankfurt/Main: Campus-Verlag. Stein, J. (1981). Strategic Decision Methods. Human Relations, 34 (11), 917-933. Steinhoﬀ, F. (2006). Kundenorientierung bei hochgradigen Innovationen. Wiesbaden: Gabler DUV. Steinmann, H. und Schrey¨ogg, G. (1989). Mitwirkungsmuster an Planung. In N. Szyperski und U. Winand (Hg.), Handw¨orterbuch der Planung (S. 11511161). Stuttgart: C. E. Poeschel Verlag. Stockstrom, C. und Herstatt, C. (2008). Planning and uncertainty in new product development. R&D Management, 38 (5), 480-490.

Literaturverzeichnis

273

Story, V., Smith, G. und Saker, J. (2001). Developing Appropriate Measures of New Product Development: A Contingency-Based Approach. International Journal of Innovation Management, 5 (1), 21-47. Sullivan, J., Cornelius H. (1985). Systems Planning in the Information Age. Sloan Management Review , 26 (2), 3-12. Tatikonda, M. V. (1999). An Empirical Study of Platform and Derivative Product Development Projects. Journal of Product Innovation Management, 16 (1), 3-26. Tatikonda, M. V. und Montoya-Weiss, M. M. (2001). Integrating operations and marketing perspectives of product innovation: The inﬂuence of organizational process factors and capabilities on development performance. Management Science, 47 (1), 151-172. Tatikonda, M. V. und Rosenthal, S. R. (2000a). Successful execution of product development projects: Balancing ﬁrmness and ﬂexibility in the innovation process. Journal of Operations Management, 18 (4), 401-425. Tatikonda, M. V. und Rosenthal, S. R. (2000b). Technology novelty, project complexity, and product development project execution success: A deeper look at task uncertainty in product innovation. IEEE Transactions on Engineering Management, 47 (1), 74-87. Teece, D. J., Pisano, G. und Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic Management Journal , 18 (7), 509-533. Thamhain, H. J. (1990). Managing Technologically Innovative Team Eﬀorts Toward New Product Success. Journal of Product Innovation Management, 7 (1), 5-18. Thamhain, H. J. und Wilemon, D. L. (1987). Building High Performing Engineering Project Teams. IEEE Transactions on Engineering Management, 34 (3), 130137. Thieme, J. R., Song, M. X. und Shin, G.-C. (2003). Project Management Characteristics and New Product Survival. Journal of Product Innovation Management, 20 , 104-119. Thiry, M. (2004). Program Management: A Strategic Decision Management Process. In P. W. G. Morris und J. K. Pinto (Hg.), The Wiley Guide to Managing Projects (S. 257-287). Hoboken, NJ: John Wiley & Sons, Inc.

274

Literaturverzeichnis

Thomas, L. C. (2002). The nature and dynamics of counter-implementation in strategic marketing: a propositional inventory. Journal of Strategic Marketing, 10 (3), 189-204. Thomke, S. (1997). The role of ﬂexibility in the development of new products: An empirical study. Research Policy, 26 (1), 105-119. Thomke, S. und Fujimoto, T. (2000). The Eﬀect of ”Front-Loading”ProblemSolving on Product Development Performance. Journal of Product Innovation Management, 17 (2), 128-142. Thomke, S. und Reinertsen, D. (1998). Agile Product Development: Managing Development Flexibility in Uncertain Environments. California Management Review , 41 (1), 8-30. Thompson, J. D. (1967). Organizations in Action: Social Science Bases of Administrative Theory. New York, NY: McGraw-Hill. Tidd, J. (1995). Development of Novel Products Through Intraorganizational and Interorganizational Networks. The Case of Home Automation. Journal of Product Innovation Management, 12 (4), 307-322. Tidd, J. (2001). Innovation management in context: environment, organization and performance. International Journal of Management Reviews, 3 (3), 169-183. Tidd, J. und Bodley, K. (2002). The inﬂuence of project novelty on the new product development process. R & D Management, 32 (2), 127-138. Tjosvold, D., Tang, M. M. L. und West, M. A. (2004). Reﬂexivity for Team Innovation in China: The Contribution of Goal Interdependence. Group Organization Management, 29 (5), 540-559. Tonicha, S. (2008). Industrial Project Management. Berlin, Heidelberg: Springer. Tuman, Jr., J. (1988). Development and Implementation of Project Management Systems. In D. I. Cleland und W. R. King (Hg.), Project Management Handbook (2. Auﬂ., S. 652-691). New York, NY: Van Nostrand Reinhold. Turner, J. R. und Cochrane, R. A. (1993). Goals-and-methods matrix: coping with projects with ill deﬁned goals and/or methods of achieving them. International Journal of Project Management, 11 (2), 93-102. Tushman, M. L. und Anderson, P. (1986). Technological Discontinuities and Organizational Environments. Administrative Science Quarterly, 31 (3), 439465.

Literaturverzeichnis

275

Tushman, M. L. und Nadler, D. A. (1978). Information Processing as an Integrating Concept in Organizational Design. Academy of Management Review , 3 (3), 613-624. Tushman, M. L. und Nadler, D. A. (1986). Organizing for Innovation. California Management Review , 28 (3), 74-92. Uhlmann, L. (1978). Der Innovationsprozeß in westeurop¨aischen Industriel¨andern. Berlin: Duncke & Humblot. Ulrich, K. T. und Eppinger, S. D. (2004). Product design and development (3. Auﬂ.). New York: McGraw-Hill. Urban, G. L., Hauser, J. R., Quals, W. J., Weinberg, B. D., Bohlmann, J. D. und Chicos, R. A. (1997). Information acceleration: validation and lessons from the ﬁeld. Journal of Marketing Research, 34 (1), 143-153. Urban, G. L., Weinberg, B. D. und Hauser, J. R. (1996). Premarket forecasting of really-new products. Journal of Marketing, 60 (1), 47-60. Utterback, J. M. und Abernathy, W. J. (1975). A dynamic model of process and product innovation. Omega, 3 (6), 639-656. Utterback, J. M., Allen, T. J., Hollomon, J. H. und Sirbu, Jr., M. A. (1976). The Process of Innovation in Five Industries in Europe and Japan. IEEE Transactions On Engineering Management, 23 (1), 3-9. Van de Ven, A. H., Delbecq, A. L. und Koenig, R., Jr. (1976). Determinants of Coordination Modes within Organizations. American Sociological Review , 41 (2), 322-338. Van de Ven, A. H., Polley, D. E., Garud, R. und Venkataraman, S. (1999). The Innovation Journey. New York, NY: Oxford University Press. van Genuchten, M. (1991). Why is Software Late? An Empirical Study of Reasons For Delay in Software Development. IEEE Transactions on Software Management, 17 (6), 582-590. Venkatraman, N. (1989). The Concept of Fit in Strategy Research: Toward Verbal and Statistical Correspondence. Academy of Management Review , 14 (3), 432-444. Venkatraman, N. (1990). Performance Implications of Strategic Coalignment: A Methodological Perspective. Journal of Management Studies, 27 (1), 19-41. Vera, D. und Crossan, M. M. (2004). Theatrical Improvisation: Lessons for Organizations. Organization Studies, 25 (5), 727-749.

276

Literaturverzeichnis

Vera, D. und Crossan, M. M. (2005). Improvisation and Innovative Performance in Teams. Organization Science, 16 (3), 203-224. Verganti, R. (1999). Planned ﬂexibility: Linking anticipation and reaction in product development projects. Journal of Product Innovation Management, 16 (4), 363-376. Verona, G. (1999). A resource-based view of product development. Academy of Management Review , 24 (1), 132-142. Verworn, B. (2005). Die fr¨ uhen Phasen der Produktentwicklung: Eine empirische Analyse in der Mess-, Steuer- und Regelungstechnik. Wiesbaden: Gabler DUV. Verworn, B. und Herstatt, C. (2002). The innovation process: an introduction to process models (Bericht). Hamburg: TU Hamburg-Harburg. (Arbeitspapier Nr. 12) Verworn, B., Herstatt, C. und Nagahira, A. (2008). The fuzzy front end of Japanese new product development projects: impact on success and diﬀerences between incremental and radical projects. R&D Management, 38 (1), 1-19. Veryzer, J., Robert W. (1998). Discontinuous Innovation and the New Product Development Process. Journal of Product Innovation Management, 15 (4), 304-321. Vieira Da Cunha, J., Kamoche, K. und Pina e Cunha, M. (2003). Organizatinoal improvisation: a contextual approach. International Review of Sociology, 13 (3), 567-589. Voigt, K.-I. (1993). Strategische Unternehmensplanung - Grundlagen, Konzepte, Anwendungen. Wiesbaden: Gabler. Volberda, H. W., Baden-Fuller, C. und van den Bosch, F. A. J. (2001). Mastering Strategic Renewal: Mobilising Renewal Journeys in Multi-unit Firms. Long Range Planning, 34 (2), 159-178. von Hippel, E. (1986). Lead users: a source of novel product concepts. Management Science, 32 (7), 791-805. Wagner III, J. A. und Gooding, R. Z. (1987). Shared inﬂuence and organizational behavoir: a meta-analysis of situational variables expected to moderate participation-outcome relationships. Academy of Management Journal , 30 (3), 524-541. Walsh, J. P. und Dewar, R. D. (1987). Formalization and the Organizational Life Cycle. Journal of Management Studies, 24 (3), 215-231.

Literaturverzeichnis

277

Ward, A., Liker, J. K., Cristiano, J. J. und Sobeck II, D. K. (1995). The second Toyota paradox: How delaying decisions can make better cars faster. Sloan Management Review , 36 (3), 43-61. Weber, J. (2004). Einf¨ uhrung in das Controlling. Stuttgart: Sch¨aﬀer-Poeschel. Weick, K. E. (1993). The Collapse of Sensemaking in Organizations: The Mann Gulch Disaster. Administrative Science Quartlery, 38 (4), 628-652. Weick, K. E. (1998). Improvisation as a Mindset for Organizational Analysis. Organization Science, 9 (5), 543-555. Weick, K. E. (2001). Making Sense of the Organization. Malden, MA: Blackwell. Weise, J. (2005). Planung und Steuerung von Innovationsprojekten. Wiesbaden: Gabler DUV. Welge, M. K. und Al-Laham, A. (2001). Strategisches Management - Grundlagen, Prozesse, Imlementierung (3. Auﬂ.). Wiesbaden: Gabler. Wernerfelt, B. (1984). A Resource-based View of the Firm. Strategic Management Journal , 5 (2), 171-180. West, M. A. (1996). Handbook of Work Group Psychology. In M. A. West (Hg.), (S. 555-579). Chichester: John Wiley & Sons. West, S. G., Finch, J. F. und Curran, P. J. (1995). Structural Equation Models With Nonnormal Variables: Problems and Remedies. In R. H. Hoyle (Hg.), Structural Equation Modeling - Concepts, Issues, and Applications (S. 56-75). Thousand Oaks, CA: Sage. Whalen, P. J. (2007). Strategic and Technology Planning on a Roadmapping Foundation. Research Technology Management, 50 (3), 40-51. Wheelwright, S. C. und Clark, K. B. (1992a). Creating Project Plans to Focus Product Development. Harvard Business Review , 70 (2), 70-82. Wheelwright, S. C. und Clark, K. B. (1992b). Revolutionizing Product Development. New York, NY: Free Press. Wild, J. (1974). Grundlagen der Unternehmensplanung. Reinbek: Rowohlt. Williams, T. M. (1999). The need for new paradigms for complex projects. International Journal of Project Management, 17 (5), 269-273. Wiskow, B. (1999). Die Verk¨ urzung der Produktentwicklungszeit aus anreiztheoretischer Sicht. M¨ unchen et al.: Hampp.

278

Literaturverzeichnis

Witte, E. (1988). Lehrgeld f¨ ur empirische Forschung. In E. Witte, J. Hauschildt und O. Gr¨ un (Hg.), Innovative Entscheidungsprozesse: Ergebnisse des Projektes Columbus“ (S. 312-321). T¨ ubingen: Mohr. ” W¨ohe, G. (1996). Einf¨ uhrung in die Allgemeine Betriebswirtschaftslehre (19. Auﬂ.). M¨ unchen: Vahlen. Womack, J. P., Jones, D. T. und Roos, D. (1990). The Machine that Changed the World. New York, NY: HarperCollins. Wonglimpiyarat, J. (2005). Does complexity aﬀect the speed of innovation? Technovation, 25 (8), 865-882. Wozniak, T. M. (1993). Signiﬁcance vs. Capability: “Fit for Use“ Project Controls. Transactions of AACE International , 37 (1), A.2.1-A2.8. Wysocki, R. K. (2003). Eﬀective Project Management. Indianapolis: Wiley. Xim´enez, C. (2006). A Monte Carlo Study of Recovery of Weak Factor Loadings in Conﬁrmatory Factor Analysis. Structural Equation Modeling, 13 (4), 587-614. Yoon, E. und Lilien, G. L. (1985). New Industrial Product Performance: The Eﬀects of Market Characteristics and Strategy. Journal of Product Innovation Management, 2 (3), 134-144. Zack, M. H. (2000). Jazz Improvisation and Organizing: Once More from the Top. Organization Science, 11 (2), 227-234. Zahn, E. (1991). Innovation und Wettbewerb. In D. M¨ uller-B¨oling, D. Seibt und U. Winand (Hg.), Innovations- und Technologiemanagement. Stuttgart: C. E. Poeschel Verlag. Zahn, E. und Weidler, A. (1995). Integriertes Innovationsmanagement. In E. Zahn (Hg.), Handbuch Technologiemanagement (S. 351-376). Stuttgart: Sch¨aﬀerPoeschel. Zahra, S. A. (1996). Technology strategy and new venture performance: A study of corporate-sponsored and independent biotechnology ventures. Journal of Business Venturing, 11 (4), 289-321. Zahra, S. A., Neubaum, D. O. und El-Hagrassey, G. M. (2002). Competitive analysis and new venture performance: Understanding the impact of strategic uncertainty and venture origin. Entrepreneurship Theory and Practice, 27 (1), 1-28. Zedeck, S. (1971). Problems with the use of ’moderator’ variables. Psychological Bulletin, 76 (4), 295-310.

Literaturverzeichnis

279

Zeithaml, V. A., Parasuraman, A. und Berry, L. L. (1985). Problems and Strategies in Services Marketing. Journal of Marketing, 49 (2), 33-46. Zeithaml, V. A., Varadarajan, P. R. und Zeithaml, C. P. (1988). The Contingency Approach: Its Foundations and Relevance to Theory Building and Research in Marketing. European Journal of Marketing, 12 (7), 37-64. Zhang, Q. und Doll, W. J. (2001). The fuzzy front end and success of new product development: a causal model. European Journal of Innovation Management, 4 (2), 95-112. Ziamou, P. (1999). The Eﬀect of the Degree of Newness of a ”Really New”Product on Consumers’ Judgments. Advances in Consumer Research, 26 (1), 368-371. Zirger, M. A., B. J. und Maidique. (1990). A model of new product development: an empirical test. Management Science, 36 (7), 867-883. Zmud, R. W. (1982). Diﬀusion of modern software practices: Inﬂuence of Centralization and Formalization. Management Science, 28 (12), 1421-1431. Zwikael, O. und Bar-Yoseph, B. A. (2004). Improving the capabilities of project team management using the Gestalt cycle of experience. Team Performance Management, 10 (7/8), 137-144. Zwikael, O. und Globerson, S. (2004). Evaluating the quality of project planning: a model and ﬁeld results. International Journal of Production Research, 42 (8), 1545-1556. Zwikael, O. und Globerson, S. (2006). From Critical Success Factors to Critical Success Processes. International Journal of Production Research, 44 (17), 3433-3449.

A Anhang 1

282

Anhang 1

PCA/Varimax 1

Indikator

2

3

4

5

MSA

Informationssuche

0,182

0,789

0,044

0,190 −0,134

0,802

Informationsbewertung

0,000

0,838

0,195

0,101

0,122

0,782

−0,139

0,629

0,282

0,034

0,258

0,786

zielkonforme Auswahl Betrachtung aller m¨ oglichen Alternativen

0,154

0,552 −0,011

0,035

0,491

0,770

gr¨ undliche Pr¨ ufung

0,201

0,628 −0,042 −0,039

0,312

0,819

prozedurale Richtlinien

0,837

0,151

0,162

0,102 −0,121

0,795

Methodeneinsatz

0,833

0,029

0,158

0,149

0,801

dokumentierte Vorgaben

0,795 −0,019

0,109

0,138

0,138

0,855

strukturierter Prozess

0,621

0,249

0,164

0,142

0,486

0,877

Richtlinieneinhaltung

0,582

0,094

0,068

0,130

0,529

0,879

Prozess- und Ergebnisdokumentation

0,171

0,185

0,137

0,135

0,755

0,870 0,754

0,192

regelm¨aßige Kontrolle

0,131

0,180

0,595

0,076

0,480

Planungsanpassungen

0,205

0,017

0,843

0,163

0,052

0,854

Planungsverst¨andnis

0,299

0,107

0,764

0,118 −0,081

0,825

Kommunikation

−0,039

0,225

0,614

0,174

0,386

0,887

Beteiligung leitender Angestellter

−0,041

0,294

0,129

0,743 −0,116

0,844

Beteiligung operativer Mitarbeiter

0,246

0,091

0,059

0,740

0,075

0,761

allgemeine Beteiligung

0,217 −0,148

0,030

0,604

0,348

0,757

Beteiligung der Fachabteilungenen

0,134

0,019

0,222

0,731

0,168

0,863

Beteiligung des Projektteams

0,027

0,299

0,219

0,336

0,412

0,545

Eigenwert

6,347

2,340

1,716

1,427

1,237

31,7%

11,7%

8,6%

7,1%

6,2%

Erkl¨arte Varianz 2

KMO: 0,826; Barlett-Test: χ = 1219, 730; df = 190; p = 0, 000

Tabelle A.1: Exploratorische Faktorenanalyse zur Projektplanung

283

PCA/Varimax 1

Indikator

2

MSA

geringe Plan¨ anderungen

0,835

0,129

0,672

geringe Ressourcen¨ anderungen

0,854

0,039

0,657

geringe Managementinterventionen

0,454

0,416

0,821

¨ Anderungsh¨ auﬁgkeit

0,208

0,854

0,646

¨ Anderungsumfang

0,076

0,871

0,630

generelle Zielkonstanz

0,369

0,167

0,879

Eigenwert

2,401

1,125

40,0%

18,7%

Erkl¨arte Varianz 2

KMO: 0,68; Barlett-Test: χ = 156, 35; df = 15; p = 0, 00

Tabelle A.2: Explorative Faktoranalyse zur Projektdurchf¨ uhrung

284

Anhang 1

PCA/Varimax 1

Indikator

−0,015

neue Technologie

2 0,766

3

4

MSA

0,223 −0,044

0,648

Leistungssteigerung

0,185

0,828 −0,033 −0,054

0,666

Technologieverdr¨ angung

0,071

0,717

0,213

0,147

0,809

strategische Neuorientierung

0,774

0,203

0,060

0,029

0,766

neue Organisationsstruktur

0,883

0,053

0,027

0,108

0,722

ge¨anderte Unternehmensprozesse

0,807

0,068

0,091

0,200

0,796

ver¨anderte Unternehmenskultur

0,764 −0,027

0,146

0,125

0,875

Verhaltens¨anderungen

0,090

0,159

0,915

0,161

0,615

hoher Lernaufwand

0,176

0,216

0,905

0,069

0,627

neue Infrastruktur

0,322

0,086

0,041

0,673

0,642

regulatorische Anpassungen

0,082

0,146

0,074

0,860

0,579

gesellschaftliche Kritik

0,041 −0,158

0,107

0,665

0,562

Eigenwert

3,761

1,962

1,496

1,112

31,3%

16,3%

12,5%

9,3%

Erkl¨arte Varianz 2

KMO: 0,698; Barlett-Test: χ = 624, 016; df = 66; p = 0, 000

Tabelle A.3: Explorative Faktoranalyse zum Innovationsgrad

285

PCA/Varimax 1

Indikator

MSA

¨ Anderung der Marketingaktivit¨ aten

0,723

0,685

Dauer des Produktlebenszyklus

0,730

0,671

Konkurrenzaktivit¨ aten

0,540

0,755

Nachfrage¨anderungen

0,682

0,771

Prozess¨anderungen

0,722

0,720

Eigenwert

2,334

Erkl¨arte Varianz

46,7% 2

KMO: 0,712; Barlett-Test: χ = 122, 873; df = 10; p = 0, 000

Tabelle A.4: Explorative Faktoranalyse zur Umweltdynamik

286

Anhang 1

PCA/Varimax 1

Indikator

2

3

MSA

Modulinterdependenzen

0,210

0,655

0,033

0,754

Prozessschrittinterdependenzen

0,125

0,842 −0,070

0,687

Produkt-Prozess-Interdependenzen

0,110

0,768

0,150

0,671

0,011 −0,105

Erfahrung mit Qualit¨ atsziel

0,775

0,609

Erfahrung mit Kostenziel

−0,159

0,095

0,748

0,578

Erfahrung mit Zeitziel

−0,069

0,111

0,748

0,611

0,177 −0,206

0,680

Qualit¨atszielanspruch

0,625

Kostenzielanspruch

0,765 −0,094

Zeitzielanspruch Anspruch des Gesamtprojektes Eigenwert Erkl¨arte Varianz

0,250

0,611

0,679

0,317 −0,236

0,703

0,796

0,341 −0,149

0,666

3,009

1,919

1,193

30,1%

19,2%

11,9%

2

KMO: 0,664; Barlett-Test: χ = 370, 348; df = 45; p = 0, 000

Tabelle A.5: Explorative Faktoranalyse zur Projektkomplexit¨at

287

PCA/Varimax Indikator

1

Technische Leistung

0,408

2 0,143

3 0,558

MSA 0,824

Qualit¨at

0,243

0,048

0,848

0,728

Produktionsfreundlichkeit

0,015

0,195

0,808

0,771

Umsatz

0,278

0,854

0,059

0,721

Marktanteil

0,167

0,922

0,112

0,670

Wettbewerbsvorteil

0,017

0,822

0,215

0,768

Budgeteinhaltung

0,812

0,041

0,149

0,905

Time-to-Market

0,856

0,259

0,158

0,745

Zeitplaneinhaltung

0,890

0,163

0,169

0,719

Eigenwert Erkl¨arte Varianz

3,936

1,610

1,205

43,7%

17,8%

13,4%

KMO: 0,747; Barlett-Test: χ2 = 636, 838; df = 36; p = 0, 000

Tabelle A.6: Explorative Faktoranalyse zum Projekterfolg

Lebenslauf Christoph Stockstrom Pers¨ onliche Daten Name Geburtsdatum Geburtsort Staatsb¨ urgerschaft Familienstand

Christoph Stephan Stockstrom 25.11.1975 Hamburg deutsch verheiratet

Ausbildung 08/1986 - 06/1995 07/1995 - 04/1996 08/1996 - 06/1998 10/1998 - 07/2003 09/2004 10/2003 - 09/2008

Gymnasium Oberalster in Hamburg Grundwehrdienst Ausbildung zum Bankkaufmann bei der Commerzbank AG in Hamburg Studium der Betriebswirtschaftslehre an der Universit¨ at Hamburg Visiting special research student bei Prof. Akio Nagahira an der Tohoku Universit¨ at, Sendai, Japan Doktorand am Institut f¨ ur Technologie- und Innovationsmanagement der TU Hamburg-Harburg

Beruﬂicher Werdegang 06/1998 - 10/1998 11/1998 - 05/1999 08/1999 - 09/1999 08/2000 - 10/2000 11/1999 - 09/2003 06/2001 - 08/2004 04/2002 - 07/2002 01/2002 - 09/2004 10/2002 - 04/2003 10/2004 - 08/2008 09/2008 - 01/2009

Commerzbank AG Personalzentrum Nord, Fachbereich Auszubildendenbetreuung Commerzbank AG Abteilung f¨ ur Privatkunden / Personalkredite (Teilzeit) Praktikum bei der Holsten Brauerei AG, Hamburg Praktikum bei der Otto GmbH & Co. KG, Hamburg studentischer Mitarbeiter am Arbeitsbereich Internationales Management der Universit¨ at Hamburg freier Mitarbeiter bei Buse Krieger Business Development Tutor f¨ ur die Grundstudiumsvorlesung VWL I von Prof. Dr. W. Pf¨ ahler, Arbeitsbereich Wirtschaftspolitik und Industrie¨ okonomik freier Mitarbeiter beim Brand Science Institute Tutor f¨ ur die Grundstudiumsvorlesung BWL II von Dr. Haas, Arbeitsbereich Industrielles Management Wissenschaftlicher Mitarbeiter am Institut f¨ ur Technologie- und Innovationsmanagement der TU Hamburg-Harburg Selbst¨ andiger Berater und Dozent

Planung und Steuerung von Innovationsprojekten

Koordination von Innovationsprojekten

Innovation und Beteiligung in der betrieblichen Praxis: Strategien, Modelle und Erfahrungen in der Umsetzung von Innovationsprojekten

Stromungsmechanischer Beitrag zur Planung von Herzoperationen

Der Strategieprozess: Praxishandbuch zur Umsetzung im Unternehmen: Praxishandbuch zur Umsetzung im Unternehmen. Initiierung, Marktanalyse, ... einer Vision, Umsetzung, Leistungskontrolle

Planung und Umsetzung von Innovationsprojekten: Zur Wirkung des Coalignment

Planung und Steuerung von Innovationsprojekten

Koordination von Innovationsprojekten

Innovation und Beteiligung in der betrieblichen Praxis: Strategien, Modelle und Erfahrungen in der Umsetzung von Innovationsprojekten

Stromungsmechanischer Beitrag zur Planung von Herzoperationen

Handbuch Unternehmensorganisation: Strategien, Planung, Umsetzung (VDI-Buch)

Planung von Photovoltaik-Anlagen

Nietzsche. Krankheit und Wirkung

Produktions- und Logistikmanagement: Planung und Gestaltung von Wertschopfungsprozessen (Lehrbuch)

Seehäfen: Planung und Entwurf

Das Vorschlagswesen: Von der Mitarbeiteridee bis zur erfolgreichen Umsetzung

Zen und die Kunst des CSS-Design. Inspiration und Umsetzung

Qualität in Organisationen der Weiterbildung: Eine Studie zur Akzeptanz und Wirkung von LQW

Der Strategieprozess: Praxishandbuch zur Umsetzung im Unternehmen: Praxishandbuch zur Umsetzung im Unternehmen. Initiierung, Marktanalyse, ... einer Vision, Umsetzung, Leistungskontrolle

Die Wirkung von Licht und Farben auf den Menschen

Wirkstoffdesign: Entwurf und Wirkung von Arzneistoffen, 2. Auflage

Praxisguide Wissensmanagement: Qualifizieren in Gegenwart und Zukunft. Planung, Umsetzung und Controlling in Unternehmen

Sprache und Regeln: Zur Normativitat von Bedeutung

Zur Chemie von Siloxenen und zur Darstellung von Polysilinen und nanodimensionierten Siliciumteilchen

Von der Arbeits- zur Selbstbildungs- und Eigenleistungsgesellschaft

Entwicklung und Abwicklung von Bauprojekten im Bestand: Analyse - Planung - Ausführung

Wasserkraftanlagen: Planung, Bau und Betrieb

Bauaufnahme und Planung im Bestand

Untersuchungen zur Struktur und zur Beladungskinetik von Tiefenfiltern German

Erfahrung und Erzählung: Zur Topologie des Wissens

Erfahrung und Erzählung: Zur Topologie des Wissens

Management von IT-Projekten: Von der Planung zur Realisierung, 3. Auflage (Xpert.press)

Kreislauf und zur Stärkung von Herz und Immunsystem

Management von IT-Projekten: Von der Planung zur Realisierung, Vierte Auflage

Management von IT-Projekten: Von der Planung zur Realisierung, 2.Auflage GERMAN

Staat und Migration: Zur Steuerbarkeit von Zuwanderung und Integration

Planung und Umsetzung von Innovationsprojekten: Zur Wirkung des Coalignment

Planung und Steuerung von Innovationsprojekten

Koordination von Innovationsprojekten

Innovation und Beteiligung in der betrieblichen Praxis: Strategien, Modelle und Erfahrungen in der Umsetzung von Innovationsprojekten

Stromungsmechanischer Beitrag zur Planung von Herzoperationen

Handbuch Unternehmensorganisation: Strategien, Planung, Umsetzung (VDI-Buch)

Planung von Photovoltaik-Anlagen

Nietzsche. Krankheit und Wirkung

Produktions- und Logistikmanagement: Planung und Gestaltung von Wertschopfungsprozessen (Lehrbuch)

Seehäfen: Planung und Entwurf

Das Vorschlagswesen: Von der Mitarbeiteridee bis zur erfolgreichen Umsetzung

Zen und die Kunst des CSS-Design. Inspiration und Umsetzung

Qualität in Organisationen der Weiterbildung: Eine Studie zur Akzeptanz und Wirkung von LQW

Der Strategieprozess: Praxishandbuch zur Umsetzung im Unternehmen: Praxishandbuch zur Umsetzung im Unternehmen. Initiierung, Marktanalyse, ... einer Vision, Umsetzung, Leistungskontrolle

Die Wirkung von Licht und Farben auf den Menschen

Wirkstoffdesign: Entwurf und Wirkung von Arzneistoffen, 2. Auflage

Praxisguide Wissensmanagement: Qualifizieren in Gegenwart und Zukunft. Planung, Umsetzung und Controlling in Unternehmen

Sprache und Regeln: Zur Normativitat von Bedeutung

Zur Chemie von Siloxenen und zur Darstellung von Polysilinen und nanodimensionierten Siliciumteilchen

Von der Arbeits- zur Selbstbildungs- und Eigenleistungsgesellschaft

Entwicklung und Abwicklung von Bauprojekten im Bestand: Analyse - Planung - Ausführung

Wasserkraftanlagen: Planung, Bau und Betrieb

Bauaufnahme und Planung im Bestand

Untersuchungen zur Struktur und zur Beladungskinetik von Tiefenfiltern German

Erfahrung und Erzählung: Zur Topologie des Wissens

Erfahrung und Erzählung: Zur Topologie des Wissens

Management von IT-Projekten: Von der Planung zur Realisierung, 3. Auflage (Xpert.press)

Kreislauf und zur Stärkung von Herz und Immunsystem

Management von IT-Projekten: Von der Planung zur Realisierung, Vierte Auflage

Management von IT-Projekten: Von der Planung zur Realisierung, 2.Auflage GERMAN

Staat und Migration: Zur Steuerbarkeit von Zuwanderung und Integration

Recommend Documents