Desktop-Version

Start arrow Betriebswirtschaft & Management arrow Erfolgsfaktoren für Innovation in Unternehmen

< Zurück   INHALT   Weiter >

7.6 Regionale und industrielle Unterschiede

Im Folgenden wird untersucht werden, ob die Regionen oder die Industrien in denen die untersuchten Unternehmen agieren einen Einfluss auf die Modelle haben. Außerdem stellt sich die Frage, ob die gefundenen Ergebnisse sich konsistent über Regionen und Industrien erstrecken. Dabei gibt es sowohl für Regionen als auch Industrien zwei Dimensionen, in denen ihr Einfluss überprüft werden soll.

Erstens soll untersucht werden, ob sie Störfaktoren darstellen und sich damit das Ergebnis der Regression verändert, wenn die Industrien oder die Regionen als DummyVariablen mit einbezogen werden in die Regression. Wäre dies so, dann wäre es notwendig, diese Dummy-Variablen beizubehalten und in das Modell mit einzubeziehen, denn es würde bedeuten, dass ein signifikanter Einfluss auf die Innovationsfähigkeit auf industriellen und regionalen Unterschieden beruht.

Zweitens wird untersucht, ob die Ergebnisse stabil für einzelne Regionen und Industrien sind oder ob die Ergebnisse variieren. Zur Überprüfung dieser Stabilität wird die Datenbasis aufgeteilt nach Regionen respektive Industrien und diese Cluster einzeln ausgewertet.

Im Folgenden werden nun erst die Einflüsse der Region und danach die Einflüsse der Industrie untersucht.

7.6.1 Regional bedingte Einflüsse

7.6.1.1 Störfaktoren

Zur Überprüfung, ob die Regionen Störfaktoren im Regressionsmodell darstellen, sollen diese in die Modelle als eigener Prädiktor, als unabhängige Variable, mit einbezogen werden. Dabei sollte dieser neue Prädiktor nicht signifikant werden und die Betas der anderen unabhängigen Variablen nicht beeinträchtigen. Würde sich eine stärkere Auswirkung zeigen, würde das heißen, dass sich die erklärte Varianz der betroffenen Variable und der regionalen Unterschiede deutlich überschneiden. In diesem Fall wäre nicht mehr gewährleistet, dass die Auswirkung auf die Innovationsfähigkeit, ob selbsteingeschätzt oder durch die Experten bewertet, durch den betroffenen Faktor hervorgerufen wird.

Dabei können die Regionen aber nicht als eine neue Variable mit den Werten 1–4 hinzugefügt werden; dies würde die Annahmen für das Modell verletzten. Die Regionen werden in sogenannte Dummyoder Hilfsvariablen umgewandelt. Diese sind binär, haben also die Ausprägung 1 oder 0.

Wenn alle vier Ausprägungen (Europa, Asien&Pazifik, Amerika, Andere) jeweils eine eigene Variable bekommen mit binärer Ausprägung, dann könnten nicht alle vier gleichzeitig in der Modell integriert werden. Eine Variable wäre immer 1 alle anderen 0, das wäre eine lineare Abhängigkeit. In diesem Fall kann aber die Variable „Andere“ ausgespart werden, denn diese umfasst nur einen Fall der 84 betrachteten Fälle.

7.6.1.1.1 Grundüberlegungen

Das heißt mit anderen Worten, dass in das Modell nun zehn unabhängige Variablen eingehen, nicht mehr sieben. Wie bereits weiter oben festgestellt, ist es für eine Regressionsanalyse wichtig, dass ausreichend viele Datenpunkte zur Verfügung stehen, damit ein vertrauenswürdiges und stabiles Regressionsmodell entsteht. Dabei gilt weiterhin als Faustregel, dass es mindestens zehn Datenpunkte pro unabhängiger Variable sein sollten. Im vorliegenden Fall werden weiterhin 84 Unternehmen betrachtet, damit 84 Datenpunkte. Bei zehn unabhängigen Variablen bedeutet dies hier nur noch 8,4 Datenpunkte pro Variable, was eigentlich unterhalb der Regel liegt. Nachdem es sich hier aber lediglich um einen Gegentest handelt und die Anzahl nahe dem Wert der Faustregel liegt, ist das Modell ausreichend genau.

Des Weiteren gelten die gleichen Prämissen für ein lineares Regressionsmodell wie in Kapitel 7.3. Die Testergebnisse können teilweise übernommen werden, da es sich hier um die gleiche Datenbasis handelt wie bei der Erarbeitung des Modells. Multikollinearität muss aber beispielsweise noch mal überprüft werden, da neue unabhängige Variablen hinzugekommen sind.

In einem ersten Schritte werden die Korrelationen der neuen Dummy-Variablen mit den bestehenden Variablen gegeneinander aufgetragen (Tabelle 32, s. S. 94). Dabei wird ersichtlich, dass Multikollinearität praktisch ausgeschlossen werden kann. Nur eine Korrelation ist überhaupt signifikant und auch nur mit einem Korrelationskoeffizient von 0,2.

Tabelle 32: Korrelationen der Dummy-Variablen mit den Faktoren

Faktor 1

Faktor 2

Faktor 3

Faktor 4

Faktor 5

Faktor 6

Faktor 7

Europa

Korrelationskoeffizient

–0,1

0,0

–0,1

0,2

–0,1

0,0

0,0

Sig. (2-seitig)

0,56

0,82

0,48

0,12

0,59

0,17

0,94

Asien &

Korrelationskoeffizient

0,0

0,1

0,1

–0,2

0,0

0,0

0,1

Pazifik

Sig. (2-seitig)

0,86

0,65

0,47

0,10

0,98

0,96

0,60

Amerika

Korrelationskoeffizient

0,0

0,0

0,0

0,0

0,2

–0,1

–0,1

Sig. (2-seitig)

1,00

0,77

0,76

0,99

0,03

0,44

0,19

Im zweiten Schritt wird die Korrelation der Dummy-Variablen der Regionen untereinander getestet. Wie in Tabelle 33 ersichtlich, sind zwei der drei Korrelationen signifikant. Bei Korrelationskoeffizienten von –0,5 und -0,7 sind diese aber nicht so hoch, dass Multikollinearität zu vermuten wäre.

Tabelle 33: Korrelationen der Dummy-Variablen untereinander

Europa

Asien & Pazifik

Amerika

Europa

Korrelationskoeffizient

1,0

–0,7

–0,5

Sig. (2-seitig)

0,00

0,00

Asien &

Korrelationskoeffizient

–0,7

1,0

–0,2

Pazifik

Sig. (2-seitig)

0,00

0,08

Amerika

Korrelationskoeffizient

–0,5

–0,2

1,0

Sig. (2-seitig)

0,00

0,08

Die übrigen Prämissen, wie Homoskedastie und Linearität, werden im Falle von signifikanten Regressionsmodellen am Ende überprüft werden.

7.6.1.1.2 Auswertung

Die Auswertung erfolgt analog zu Kapitel 7.4. Es werden wieder beide Modelle erst das mit der Fremdeinschätzung durch die Experten und dann das mit der Selbsteinschätzung untersucht werden.

Modell 1: Fremdeinschätzung

Als unabhängige Variablen gehen die sieben potentiellen Erfolgsfaktoren plus die drei Dummy-Variablen für die Regionen in das Modell ein. Als Regressionsmethode wird auch hier die Least-squares-Methode angewendet.

Der Multiple Korrelationskoeffizient (R) beträgt 0,44, das Bestimmtheitsmaß (R2) liegt bei 0,19. Das heißt, dass 19% der Varianz von Innovationsfähigkeit durch die sieben Faktoren und drei Dummy-Variablen erklärt werden könnten. Dabei ist auffällig, dass nur knapp 2% mehr erklärt werden könnten, als im Modell ohne die drei zusätzlichen Variablen. Das korrigierte Bestimmtheitsmaß (korr. R2) ist mit 0,08 sogar etwas geringer verglichen mit dem Modell ohne Dummy-Variablen.

Wichtig ist hier die ANOVA zu betrachten, denn bei einem F-Wert von 1,76 ist die Regression nicht signifikant. Das Signifikanzniveau liegt bei 0,08 und damit oberhalb der Grenze von 0,05, wenn auch knapp. Das spiegelt sich auch in der Statistik für die einzelnen Koeffizienten wider. Keine der neuen Variablen ist signifikant. Die Betas wären positiv, aber bei Signifikanzen von 0,4 für die EU, von 0,58 für Asien & Pazifik und von 0,56 für Amerika sind die Einflüsse nicht zu unterscheiden von keinem Einfluss.

Wichtig ist noch zu beobachten, dass trotz der neuen Variablen das ursprüngliche Modell stabil ist, es weiterhin die drei identifizierten Variablen Faktor 4 (Klare Organisation und Rollenverteilung), Faktor 5 (Gelebte Ziel- und Erfolgsorientierung) und Faktor 7 (Bewusste Bereitschaft, sinnvolle Risiken einzugehen) sind, die die niedrigsten Signifikanzniveaus haben. Auch die standardisierten Betas sind kaum verändert.

Damit kann festgehalten werden, dass das ursprüngliche Modell ohne die Regionen als Dummy-Variablen der richtige Ansatz war und nicht um diese ergänzt werden muss.

Modell 2: Selbsteinschätzung

Das Regressionsmodell über die Selbsteinschätzung unterscheidet sich nur durch die Wahl der abhängigen Variablen vom ersten Modell. Anstatt der von den Experten eingeschätzten Innovationsfähigkeit wird die Selbsteinschätzung der Führungskräfte zu ihrem Unternehmen verwendet, wie erhoben in Frage Q179 im Fragebogen. Als unabhängige Variablen gehen die sieben potentiellen Erfolgsfaktoren und die drei Dummy-Variablen für die Regionen in das Modell ein.

Der Multiple Korrelationskoeffizient (R) beträgt 0,76, das Bestimmtheitsmaß (R2) liegt bei 0,58. Das heißt, dass 58% der Varianz von Innovationsfähigkeit durch die sieben Faktoren und drei Dummy-Variablen erklärt werden könnten. Verglichen mit den Werten des Regressionsmodells ohne die drei Dummy-Variablen fällt auf, dass sich die Werte nur marginal geändert haben (Ursprüngliches Modell: R = 0,76; R2 = 0,57; korr. R2 = 0,53). Damit ist der Erklärungswert gerade mal 1% höher. Das korrigierte Bestimmtheitsmaß (korr. R2) ist mit 0,53 das Gleiche wie bei der ursprünglichen Regression.

Betrachtet man die ANOVA, insbesondere die F-Statistik, dann fällt auf, dass der Wert von 14,53 beim ursprünglichen Regressionsmodell auf 10,23 beim Modell mit den regional Variablen gefallen ist. Die F-Statisik weist aber immer noch einen signifikanten Wert aus. Theoretisch ist es demnach möglich, die Regression zu betrachten. Stellt sich die Frage, ob das erweiterte Regressionsmodell im Vergleich zu dem ursprünglichen Regressionsmodell weitere Aussagekraft bringt. Auf Basis der globalen Kennzahlen ist dies bereits in Frage zu stellen.

Ein Blick auf die Koeffizienten zeigt, dass diese Zweifel angebracht sind. Keine der drei neuen Variablen ist signifikant, mit Signifikanzniveaus von 0,32 für Europa, 0,35 für Asien & Pazifik und 0,50 für Amerika sind alle auch weit davon entfernt. Auch hier sind es weiterhin die gleichen zwei Variablen, die den höchsten Erklärungswert haben, Faktor 1 (Zukunftsgerichtete, unterstützende Unternehmenskultur) und Faktor 3 (Koordinierte Markt- und Kundenorientierung). Die Stabilität des Modells zeigt sich auch darin, dass deren standardisierten Betas praktisch gleich geblieben sind.

Damit kann festgehalten werden, dass es auch hier keinen Sinn macht, die drei neuen regional Variablen in das Regressionsmodell zu integrieren. Nachdem die neuen Modelle nicht weiter verwendet werden, wird darauf verzichtet, die Prämissentests hier ausführlich aufzuführen, aber das Ergebnis wurde nicht durch Ausreißer verzerrt. Auch lag keine andere Prämissenverletzung durch Nicht-linearität oder Heteroskedastie vor.

Bleibt die Frage, ob die Regressionsmodelle für die Regionen einzeln sich verändern, beziehungsweise der globalen Aussage widersprechen.

 
< Zurück   INHALT   Weiter >

Related topics