Einfluss komplexitätsbezogener Faktoren auf Innovation. Eine ... - AFA

Angaben zur wissenschaftlichen Arbeit
Name (Copyrightinhaber): Christian Mayrhofer, MSc. BSc.
Titel der Arbeit: Einfluss komplexitätsbezogener Faktoren auf
Innovation. Eine empirische Analyse
Sprache: Deutsch
Verfasst bei (Professor/in, LV-Leiter/in): Univ.-Prof. Dr. Franz Tödtling
Titel des Seminars/Kurses: Räumliche Ökonomie/ Spatial Economics
Semester: SS 2012
Universität / Fachhochschule: Wirtschaftsuniversität Wien (WU)
Institut: Institut für Regional- und Umweltwirtschaft
Erlangte Note: Sehr gut
Mailadresse für evtl. Rückfragen: chrisimay[at]hotmail.com
Der Verfasser / Die Verfasserin stellt diese Arbeit dem Akademischen Forum für
Außenpolitik (AFA) zur Verfügung, um diese auf der Plattform International-
Relations.at zu veröffentlichen. Das Copyright bleibt dadurch unberührt. Alle
Angaben zur Arbeit (wie etwa Note, Seminar und Universität) wurden vom
AFA auf deren Richtigkeit durch dementsprechende Nachweise geprüft. Die
Arbeit darf unter Hinweis auf den Verfasser / die Verfasserin zitiert werden,
wobei der Link zur Arbeit in jedem Fall anzugeben ist. Das Akademische Forum
für Außenpolitik (AFA) übernimmt keine Verantwortung für den Inhalt der
Arbeit.

EINFLUSS
KOMPLEXITÄTSBEZOGENER
FAKTOREN AUF INNOVATION.
EINE EMPIRISCHE ANALYSE
M A S T E R - T H E S I S
WIRTSCHAFTSUNIVERSITÄT WIEN
INSTITUT FÜR REGIONAL- UND UMWELTWIRTSCHAFT
BETREUER:
A.O. UNIV.-PROF. DR. GUNTHER MAIER, INSTITUTSVORSTAND
UNIV.-PROF. DR. FRANZ TÖDTLING
KANDIDAT:
CHRISTIAN MAYRHOFER
MATR.-NR.: 0750901
STUDIUM: MASTER VOLKSWIRTSCHAFT
WIEN, 2013

Inhaltsverzeichnis
Master-Thesis, Mayrhofer (2013)
1 Danksagungen ................................................................................................... 5
2 Abstract ............................................................................................................ 5
3 Hintergrund ....................................................................................................... 5
4 Ablauf und Methodik ........................................................................................ 6
4.1 Kurzdarstellung .......................................................................... 6
4.2 Detaillierter Ablauf .................................................................... 7
5 Zielsetzung und Hypothese ............................................................................... 8
6 Innovationsmodelle und -systeme ..................................................................... 9
6.1 Innovationsmodelle ..................................................................... 9
6.2 Innovationssysteme .................................................................. 13
6.3 CIS - Corporate Innovation System ......................................... 14
6.4 Beschreibung der gewählten Wirkungsbereiche eines
Innovationssystems ................................................................. 16
6.4.1 Akteure ........................................................................ 16
6.4.2 Aktivitäten ................................................................... 16
6.4.3 Ressourcen ................................................................... 17
6.4.4 Institutionen ................................................................ 17
6.5 Innovationsindikatoren ............................................................. 17
7 Komplexität .................................................................................................... 19
7.1 Gewählte Indikatoren der Komplexität .................................... 25
8 Komplexe Systeme und Innovation ................................................................ 26
9 Kombination CIS & Komplexität ................................................................... 30
10 Empirische Analyse ....................................................................................... 33
10.1 Datenverfügbarkeit ................................................................. 34
10.2 Untersuchungsdesign .............................................................. 34
10.2.1 Zum Wesen komplexer Innovationsuntersuchungen.. 34
10.2.2 Untersuchungsmethode .............................................. 35
10.2.3 Faktoren für die Gruppenrecherche ........................... 36
10.2.4 Faktoren für Datenbankrecherche und systematische
Ableitungen ................................................................ 37
10.2.5 Faktoren für die Befragung ........................................ 38
10.2.6 Stichprobe, Größe und Zeitraum ............................... 39
10.3 Modell ..................................................................................... 39
10.3.1 Regressionsanalyse ..................................................... 42
11 Ergebnisse ..................................................................................................... 44
2

Master-Thesis, Mayrhofer (2013)
11.1 Deskriptive Statistiken ........................................................... 44
11.1.1 Verteilungen komplexitätsbezogener Faktoren .......... 52
11.2 Regressionsoutputs ................................................................. 57
12 Interpretation ................................................................................................ 59
13 Rankings........................................................................................................ 62
14 Schlussbemerkungen ...................................................................................... 62
15 Quellen .......................................................................................................... 64
15.1 Literaturverzeichnis ................................................................ 64
15.2 Abbildungsverzeichnis: ........................................................... 71
15.3 Tabellenverzeichnis ................................................................. 71
Abb. 1 Schwarm als Beispiel eines komplexen Systems
Quelle: Miller, 2007
„Chaos is found in greatest abundance wherever order is being sought. It
always defeats order because it is better organized“
3
Terry Prachett

Master-Thesis, Mayrhofer (2013)
Ehrenwörtliche Erklärung
Hiermit versichere ich, dass ich die eingereichte Master-Thesis selbstständig
verfasst, andere als die angegebenen Quellen und Hilfsmittel nicht benutzt und
mich auch sonst keiner unerlaubten Hilfsmittel bedient habe. Ich versichere
ferner, dass ich diese Master-Thesis bisher weder im In-, noch im Ausland in
irgendeiner Form als wissenschaftliche Arbeit vorgelegt habe.
Wien, am 23. Jänner 2013
Christian Mayrhofer
4

1 Danksagungen
Master-Thesis, Mayrhofer (2013)
Univ.-Prof. Dr. Gunther Maier und Univ.-Prof. Dr. Franz Toedtling -
Wirtschaftsuniversität Wien; Dr. Sonja Embst - Technische Universität Graz;
Mag. Heidrun Schöfnagel - FFG; Michael Pfeifer - Akademisches Forum für
Außenpolitik; Jakob Hager, Anna Mikulan, Bsc.; Viktor Ludwig, Clemens
Oberhofer, BSc.
2 Abstract
Diese Thesis untersucht den Einfluss komplexitätsbezogener Faktoren auf
Innovation. Nach Begriffsbestimmungen in den Bereichen Innovation und
Komplexität und der Festlegung entsprechender Faktoren wurde hierzu mit
Partnern eine Erhebung durchgeführt, die Daten über die Ausprägungen der
Komplexität in den Innovationssystemen österreichischer (Groß)unternehmen
liefert. Die Ergebnisse wurden zu Komplexitätsfaktoren aggregiert und diese im
Rahmen einer logistischen binären Regression neben weiteren Parametern auf
die Innovationschancen der Unternehmen regressiert. Die Ergebnisse
veranschaulichen, dass neben klassischen Erklärungsfaktoren der Innovation wie
F&E-Aufwendungen oder der Patentanzahl, auch einzelne komplexitätsbezogene
Faktoren einen signifikanten Einfluss auf die Chance, dass
Innovationen entstehen, zeigen. Vor allem die Begriffe Freiheit und Dynamik
spielen hier eine entscheidende Rolle. Unternehmerische Innovationssysteme
unter der Perspektive der Komplexitätstheorie zu untersuchen, bietet somit
zusätzlichen Erklärungswert.
3 Hintergrund
„Aus der Betrachtung von Volkswirtschaften oder Organisationen als komplexe,
sich entwickelnde Systeme resultiert eine neue Herangehensweise an das Thema
Innovation. Sie ermöglicht Entscheidungsträgern eine bessere Einschätzung,
welche Bedeutung Beziehungen und Interaktionen innerhalb eines
Unternehmens für erfolgreiche Innovationsprozesse haben“ [1] , so Curt Lindberg,
Chief Learning & Science Officer des Plexus Institutes in New Jersey, USA in
einem im Jahr 2010 erschienenen Interview.
[1] Performance, 2010: 39
5

Master-Thesis, Mayrhofer (2013)
Viele neuere Literaturbeiträge [2][3][4] erkennen wirtschaftliche Einheiten wie
Unternehmen, die Volkswirtschaft in ihrer Gesamtheit oder Prozesse wie
Innovationen als komplexe Systeme und betonen den Nutzengewinn, der aus
dieser neuen Perspektive entsteht. Die Verbindung der Forschungsbereiche
Innovation und Komplexität stellt ein noch junges und hochinteressantes
Forschungsfeld mit viel Potential dar. Dass sich die Ansätze zur Evaluierung
von Innovation, die in den existierenden Literaturbeiträgen wiederzufinden
sind, bisher nur selten auf die Komponente Komplexität beziehen, bestätigt
auch Embst (2010) von der Technischen Universität Graz [5] . In der Forschung
wird die Analyse und Messung von Innovation heute in den unterschiedlichsten
Disziplinen und unter verschiedensten Methoden durchgeführt. Eine
Forschungslücke bei der Kombination von Komplexität und Innovation besteht
aus wirtschaftswissenschaftlicher Perspektive u.a. darin, die Theorie komplexer
Systeme mit der Praxis von Innovationssystemen zu verbinden und diese zu
quantifizieren.
Vor diesem Hintergrund ist es zweckmäßig eine Erhebung österreichischer
Betriebe im Bereich unternehmerischer Innovationssysteme, mit besonderer
Berücksichtigung des Einflusses des Faktors Komplexität durchzuführen. Somit
soll ermöglicht werden, die Bedeutung, die die Komplexität hier hat, besser
einschätzen zu können. Zunächst ist es dafür notwendig, sich ein detailliertes
Bild über unternehmerischen Innovationssysteme und Komplexität in der
Literatur zu verschaffen, bevor die Faktoren gemessen werden können. Im
Anschluss finden die Ergebnisse der Erhebung Eingang in eine logistische
Regression, die Aufschluss darüber gibt, in welchem Ausmaß die Komplexität
der Innovationssysteme die Chancen auf Innovation dieser Unternehmen
beeinflusst. Abschließend kann damit ein Ranking erstellt werden, das unter
verschiedenen Gesichtspunkten und Faktoren darstellbar ist.
4 Ablauf und Methodik
4.1 Kurzdarstellung
Der Ablauf der Thesis ist in mehrere theoretische und empirische Schritte
unterteilt. In der ersten Hälfte erfolgen eine Literaturrecherche, die Analyse
relevanter Begriffe in den Bereichen Innovation und Komplexität und die
Entwicklung eines neuen Modells, welches im empirischen Teil der Arbeit
[2] Vgl. Faggini/Lux, 2009
[3] Vgl. Finch/Orillard, 2005
[4] Vgl. Goergen et al., 2010
[5] Vgl. Embst, 2010: 5
6

Master-Thesis, Mayrhofer (2013)
angewandt wird. In der zweiten Hälfte folgen die Darstellung der Ergebnisse der
Unternehmenserhebung, die dazugehörigen deskriptiven Statistiken, die
statistische Auswertung mithilfe einer logistischen Regressionsanalyse und
dessen Interpretationen.
4.2 Detaillierter Ablauf
Nach einer Einfürhung in den Kapiteln 1 bis 5, erfolgt in Kapitel 6
Innovationensmodelle und -systeme zunächst die Definition die Begriffe der
Innovation, der Innovationsmodelle (lineare und komplexe-interaktive), der
Innovationssysteme (NIS, CIS, RIS, TIS) und der Innovationsindikatoren. Es
werden hier auch die Definitionsmerkmale von Innovationssystemen und ihre
Wirkungsbereiche, wie sie in der Thesis verwendet werden, festgelegt. In
Kapitel 7 Komplexität erfolgen Definition und Diskussion der Begriffe der
Komplexität, eines Systems und der komplexen Systeme. Nach einer
wissenschaftlichen Orientierung wird der Komplexitätsbegriff, so wie er im
Rahmen dieser Arbeit verwendet wird und seine Attribute und Indikatoren
definiert und festgelegt. Bereits vorhandene, diesbezügliche wissenschaftliche
Konzepte werden dazu verglichen und schließlich eine Auswahl der Indikatoren
für die Thesis getroffen (CIS). Dies ist vor allem für die später erstellten
Komplexitätsfaktoren notwendig, welche Eingang finden in die Regressions-
analyse zur Bestimmung der Innovationschancen österreichischer (Groß)
unternehmen. Im Anschluss daran erfolgt in Kapitel 9 Kombination CIS &
Komplexität eine systematische Kombination der Indikatoren für Komplexität
mit den Wirkungsbereichen eines unternehmerischen Innovationssystems (CIS).
Die Methode dieser systematischen Kombination wird aus einer Dissertation
von Embst (2010) der Technischen Universität Graz übernommen [6] . Dieser
entscheidende Schritt ermöglicht die Erstellung neuer Dimensionen der
Komplexität in unternehmerischen Innovationssystemen, welche nun skalierbar
sind und anschließend operationalisiert und im Rahmen einer Unternehmens-
befragung erhoben werden können. Die Struktur und das Design dieser
empirischen Erhebung werden im Unterkapitel 10.2 Untersuchungsdesign
erläutert.
Den Kern der Arbeit bildet eine logistische binäre Regression zur Erklärung der
Innovationschancen österreichischer (Groß)unternehmen mit einer binären,
dualen abhängigen Variable und insgesamt 8 erklärenden, unabhängigen
Variablen, die im betreffenden Teil der Arbeit eingehend diskutiert und
[6] Vgl. Embst, 2010: 89
7

Master-Thesis, Mayrhofer (2013)
analysiert werden. Das Modell und die Variablen werden ab dem Kapitel 10
Empirische Analyse und in den folgenden Unterkapitel beschreiben. Eine der 9
erklärenden Variablen ist der eben beschriebene Komplexitätsfaktor, präziser
ausgedrückt der „komplexitätsbezogene“ Faktor, dessen Werte aus der
Unternehmenserhebung stammen. Diese Werte finden, wie oben erwähnt, als
zusätzliche erklärende Variablen Eingang in die Logit-Regression. Die sich
ergebenden Koeffizienten, die die Einflüsse der unabhängigen Variablen auf die
binäre, abhängige Variable darstellen, können auch als Gewichtungsfaktoren
interpretiert werden. Werden diese mit den Variablen selbst multiplikativ
verknüpft und alle gewichteten Faktoren geeignet aggregiert, kann im
Anschluss der Thesis ein Unternehmensranking erstellt werden, das unter vielen
Perspektiven und unter unterschiedlichen Faktoren dargestellt werden kann.
Zur grafischen Darstellung des Ablaufes der Arbeit sei auf Abb. 2 verwiesen:
Indikatoren
der
Komplexität
Quelle: eigene Darstellung
Abb.2: Ablauf der Master-Thesis
Wirkungsb.
Operation-
Befragung/
Innovationsalisierung
&
Komplexitäts
+ Erhebung
system
Skalierung
werte
Systematische
Kombination
Logit-
Regression
Koeffizienten
=
Gewichte
5 Zielsetzung und Hypothese
…ergibt…
Diese Thesis verfolgt zwei Zielsetzungen: Die erste stellt der neuartige
wissenschaftliche Beitrag dar, in dessen Rahmen zunächst neue
Komplexitätsfaktoren (durch die Kombination in Kaptiel 9) erstellt werden, um
sie im Anschluss daran zusätzlich dazu verwenden zu können, den Einfluss
komplexitätsbezogener Faktoren auf die Innovationschancen zu untersuchen.
Die zweite Zielsetzung ist der empirische Teil, der die Praxis der Innovations-
systeme von österreichischen (Groß)unternehmen unter der Perspektive der
8
…ermöglicht…
Mögliche
Ranking(s)

Master-Thesis, Mayrhofer (2013)
Komplexitätstheorie darstellt. Da eine derartige Untersuchung in Österreich
zuvor noch nicht stattgefunden hat, gilt sie ebenfalls als neuartig. Für die
Forschungsfrage, deren Antwort stark von den empirischen Ergebnissen
abhängt, ist bei der Hypothesenerstellung zu beachten, ob die empirische
Befragung eher auf eine Ersterforschung (exploration), eine Beschreibung
(description) oder vorwiegend auf Erklärung (explanation) von Sachverhalten
abzielt [7] . „Analysis stimulated by descriptive questions is meant to ascertain
facts, not to test theory“ [8] . In dieser Thesis hingegen wird die Theorie des
Einflusses komplexitätsbezogener Faktoren auf die Innovationschancen getestet
und damit versucht, kausale Zusammenhänge nachzuweisen. „The purpose of
survey research in explanation is to test theory and causal relations. Survey
research aimed at explanation asks about the relationships between variables.
It does so from theoretically grounded expectations about how and why the
variables ought to be related“ [9] . Eine Analyse, wie sie in dieser Thesis verfolgt
wird, bezieht sich also auf letzteres. Die hier zu überprüfende Hypothese ist eine
Kausalhypothese, die einer Darstellung des Zusammenhangs zwischen Ursache
und Wirkung folgt. Das bedeutet aber nicht, dass hier von direkten
Abhängigkeiten, sondern lediglich von zu überprüfenden Einflüssen im Sinne
eines multidimensionales Problems auf einen Sachverhalt zu sprechen ist [10] . Die
hier zu überprüfende Hypothese lautet unter diesen Annahmen somit:
Hypothese: Komplexitätsbezogene Faktoren haben einen signifikanten
Einfluss auf die Innovationschancen österreichischer (Groß)unternehmen.
6 Innovationsmodelle und -systeme
6.1 Innovationsmodelle
Der Begriff der Innovation hat seit Schumpeter (1935) eine lange Tradition. Er
verstand darunter die diskontinuierliche Kombination von Produktionsmitteln
(im Sinne der Produktinnovation, Verfahrens- und Prozessinnovation, sowie die
Erschließung neuer Märkte und die Einführung neuer Organisationen) [11] . Nach
dem Ausmaß der Neuerung und ihrer Auswirkung [12] kann außerdem u.a.
unterschieden werden zwischen inkrementalen Neuerungen, die meist klein sind
und kontinuierlich stattfinden und radikalen Innovationen, die seltener
[7] Vgl. Pinsonneault/Kraemer, 1993: 10f
[8] Pinsonneault/Kraemer, 1993: 10
[9] Pinsonneault/Kraemer, 1993: 10
[10] Vgl. Paier, 2010: 13
[11] Vgl. Maier/Tödtling/Trippl , 2012: 108
[12] Vgl. Maier/Tödtling/Trippl , 2012: 108
9

Master-Thesis, Mayrhofer (2013)
auftreten, jedoch als herausragend gelten. Wenn diese radikalen Innovationen
zur „Einführung einer größeren Zahl von weiteren neuen Produkten und
Verfahren führen, die Entwicklung neuer Industrien zur Folge haben und auf
eine Vielzahl von anderen Branchen ausstrahlen, indem sie deren
Produktionsverfahren und Kostenstrukturen verändern, spricht man von
technologischen Revolutionen und Basisinnovationen“ [13] . In der Innovationsliteratur
werden nicht nur Arten von Innovationen unterschieden, sondern auch
Modelle, nach denen diese ablaufen.
Da es das Ziel dieser Thesis ist, eine analytische Aussage über das gesamte
Innovationssystem eines Unternehmens zu generieren und welche Rolle
komplexitätsbezogene Faktoren darin spielen, müssen wir uns zunächst mit dem
Begriff des Innovationssystems näher auseinandersetzen. Ein solches System [14]
kann aber nur dann richtig verstanden werden, wenn klar ist, nach welchem
Modell Innovationen prinzipiell ablaufen. Dafür werfen wir einen Blick darauf,
wie Innovationsmodelle gestaltet und gedacht werden können.
Abb. 3: Das simple lineare Modell der Innovation
Research
&
Creativity
Quelle: Swann, 2009: 23
Invention
Die schemenhafte Darstellung eines Innovationsablaufes innerhalb eines
Innovationsprozesses nach Swann (2009), wie in Abb. 3, zeigt, wie fixiert und
unabänderlich die Kanäle in einem Modell gestaltet sein können, um zu
beschreiben wie eine Innovation verlaufen muss. Eine Innovation per se muss in
diesem simplifizierten linearen Modell im Forschungs- oder Kreativitätsbereich
eines Unternehmens (bei volkswirtschaftlicher Betrachtung mehrerer
Unternehmen) seinen Ausgang finden, um dann zu einer Erfindung und über
Design & Entwicklung schließlich zur Innovation entwickelt werden zu können.
Andere Möglichkeiten lässt das Modell nicht zu. Wird nun das Produkt/der
Prozess/die organisatorische Innovation, etc., dann noch für den Markt
vorbereitet und schließlich eingeführt, hat ein Innovationsprozess stattgefunden.
Dass dieses Innovationsmodell und dessen Ablauf nicht immer der Realität
entsprechen, meint auch Swann (2009). In diesem linearen Modell entstünden
Innovationen nur „with luck and hard work“ [15] . Die Vorstellung, dass
Innovation an einem bestimmten Ort, zu einem bestimmten Zeitpunkt, in
[13] Maier/Tödtling/Trippl , 2012: 108
[14] Diskussion des Systembegriffs erfolgt in Kapitel 8: Komplexe Syteme und Innovation
[15] Swann, 2009: 23
10
Design &
Development
Innovation

Master-Thesis, Mayrhofer (2013)
optimierter Art und Weise entsteht, mag zwar möglich, aber eher unrealistisch
sein [16] . Kann es also nicht sein, dass sich ein in einer wirtschaftlichen Einheit,
wie einem Unternehmen, abspielender Innovationsprozess innerhalb eines
-systems mannigfaltiger und komplexer darstellt?
Um der Realität eines Innovationsablaufs und -modells eher entgegenzukommen
fügt Swann (2009) nun zwei weitere Faktoren hinzu, die die Perspektive
zusätzlich erweitern (Abb. 4). Er modifiziert dazu vor allem den ersten Punkt,
der zuvor rein auf den Forschungs- und Kreativitätsbereich bezogen war, hin zu
einem Kreativitäts- und Erfindungspunkt. Jegliche Erfindung oder kreative Idee
ist bereits eine Innovation. Es gibt Innovationen bevor Erfindungen einen
Markteintritt erleben und dies wirkt sich zunächst auf das Unternehmen selbst
(workplace) aus. Dann erst wird in den Produktmarkt (hier: bezogen auf
Produktinnovationen) integriert und anschließend konsumiert. Ziel des
Prozesses in diesem erweiterten Modell ist die Erhöhung von Reichtum und
Wohlstand (wealth & welfare), also der Wohlfahrt. Die Innovationen werden
somit zum Kernargument gesellschaftlicher Wohlfahrtserhöhung und dem
Erreichen von Wohlstand.
Creativity &
Invention
Abb. 4: Erweitertes simples lineares Model
Quelle: Swann, 2009: 236
Innovation
Viele Ökonomen haben sich in ihrer Lehre auf diesen Aspekt so stark bezogen,
dass sie meinen Innovationen hätten nur mehr die Aufgabe die Produktivität zu
erhöhen. Für Swann (2009) ist dies jedoch ein Irrglaube - Innovation beinhalte
weit mehr Funktionen als lediglich die Erhöhung der Produktivität [17] . Ein
Innovationssystem, wie es in Unternehmen Anwendung findet ist komplexer
Natur. Prinzipiell ist alles mit allem verbunden [18] , also alle Bereiche, Akteure
und Prozesse interagieren miteinander. Er unterstellt dem simplen linearen und
dem erweiterten linearen Modell, dass sie Innovationen nur aus einer Richtung
zulassen und die reine Fixiertheit auf Produktivitätssteigerung durch diese
[16] Vgl. Hauschildt, Salomo, 2011: 366
[17] Vgl. Swann, 2009: 236
[18] Vgl. Swann, 2009: 236
11
Workplace
Wealth &
Welfare
Product
Market
Consumption

Master-Thesis, Mayrhofer (2013)
lineare Konstellation entsteht. Um diese Fehler zu vermeiden fürht Swann
(2009) ein komplex interaktives Modell ein [19] . Auch Maier/Tödtling/Trippl
(2012) diskutieren ein nicht-lineares Innovationsmodell nach Kline/Rosenberg
(1986). Sie betonen dabei, dass in der Literatur argumentiert wird, dass
Innovation „nicht notwendigerweise ihren Ausgangspunkt in der Wissenschaf
und Forschung haben müssen“ [20] und dass „Innovationsprozesse häufig durch
vielfältige ‚feedback„-Schleifen charakterisiert sind“ [21] . Diese durchbrechen dann
den linearen Ablauf, da u.a. starke Interdependezen im gesamten
Innovationsprozess auftreten. Schließlich weisen Maier/Tödtling/Trippl (2012)
auch auf die politischen Konsequenzen der Perspektiven hin. Während bei
linearen Verläufen des Innovationsmodells lediglich die „Investitionen in die
Grundlagenforschung“ für die Entstehung von Innovationen relevant sind,
spielen beim nicht-linearen, interaktiven Modell auch andere Einflüsse, wie etwa
Kundenkonakt, Lieferantenbeziehungen oder Kooperationen eine entscheidende
Rolle [22] . Ein Unternehmen und sein Innovationsprozess sind unter
Berücksichtigung dieser Punkte somit komplex. Präziser ausgedrückt sind sie
von Komplexität beeinflusste Einheiten. Genau hier beginnt der Ansatz dieser
Thesis: Um den Einfluss der Komplexität auf die Einheit eines
unternehmerischen Innovationssystems zu untersuchen, werden die Subsysteme
eines Innovationssystems mit den Attributen von Komplexität systematisch
verwoben, um die komplexe Natur von Innovationssystemen zu untersuchen.
Auch Swann (2009) hat sich der Herausforderung der Komplexität gestellt und
die beiden oben erwähnten Modelle zu komplexen, interaktiven Modellen
gemacht, indem er ein Modell schuf, bei dem der Austausch jeder Subeinheit
mit jeder anderen Subeinheit ermöglicht wird. Konkret ergibt sich daraus ein
völlig neues Bild, bei dem die Anzahl der Subeinheiten nur um einen Faktor,
(Environment) erhöht, das Modell aber trotzdem zusätzlich um den Faktor
Komplexität erweitert wurde. Bei der Erhöhung um nur einen Faktor gibt es
im komplexen interaktiven Modell nun statt 5 (Abb. 4) insgesamt 21 (Abb. 5)
Interaktionsbeziehungen (Pfeile). Dies erhöht die Qualität des beschriebenen
Modells [23] .
[19] Vgl. Swann, 2009: 236
[20] Maier/Tödtling/Trippl, 2012: 110
[21] Maier/Tödtling/Trippl, 2012: 110
[22] Vgl. Maier/Tödtling/Trippl, 2012: 110f
[23] Hinweis: Swann (2009) beschreibt die Gründe für die Erweiterung des Modell um den
Faktor „Environment“ folgendermaßen: „First we shall note (…) that some innovations,
unintentionally perhaps, can have adverse effects on the environment. Second (…), the
environment itself is still an essential source of Ruskinian wealth for many people. And
third, there is some evidence that a favourable environment can have a beneficial effect on
some oft he other activities (…)“ (Swann, 2009: 237)
12

Innovation
Master-Thesis, Mayrhofer (2013)
Abb. 5: Komplexes interaktives Modell
Creativity
&
Invention
Workplace
Quelle: Swann, 2009: 237
In diesem neuen Modell werden komplexe Zusammenhänge nun begreifbar. Eine
Innovation kann von allen Seiten entstehen und/oder von jedem Subelement
(weiter)entwickelt werden. Der Einfluss der Komplexität in diesem Modell ist
evident. Worum es sich bei Komplexität genau handelt, folgt in Kapitel 7.
6.2 Innovationssysteme
Da nun dargelegt wurde, wie Prozesse innerahalb von Innovationsmodellen
ablaufen können, kann nun der Fokus auf unterschiedliche Innovationssysteme
gerichtet werden. Der Systembegriff selbst wird im Kapitel 8: Komplexe
Systeme und Innovation beschrieben und diskutiert. Innovationssysteme
können prinzipiell sein: „(…) Innovation system concepts in different variants:
national (NIS: Lundvall 1992, Nelson 1993, Edquist 1997, 2005), sectoral and
technological (SIS: Breschi and Melerba 1997, Malerba 2005) and regional
innovation systems (RIS: Cooke et al. 2000, 2004, Doloreux 2002, Asheim and
Gertler 2005), (…)“ [24] , fassen Tödtling/Lehner/Kaufmann (2008) zusammen.
Sie zeigen die Dimensionen für Innovationen und somit die unterschiedlichen
Innovationssysteme auf: Der Fokus der Untersuchungen in diesen
unterschiedlichen Innovationssystemen kann sein: ein spezifischer Sektor (SIS -
Sectoral Innovation System), ein Land (NIS - National Innovation System)
oder eine Region (RIS - Regional Innovation System). Vor allem die Institutionen,
die in den einzelnen Dimensionen relevant sind für Innovation, sind hier
von Bedeutung. In den unterschiedlichen Innovationssystemen sind diese
wiederum ebenfalls unterschiedlich, je nach Fokus: Im SIS sind dies die
[24] Tödtling/Lehner/Kaufmann, 2008: 4
Environment
13
Product
Market
Wealth &
Welfare
Consump
-tion

Master-Thesis, Mayrhofer (2013)
Schlüsselakteure wie Firmen oder Organisationen, Regulierungen oder
Institutionen in bestimmten Sektoren. Das Technological Innovation System
(TIS) ist ein Netzwerk aus Akteuren und Institutionen, die in einem
spezifischen Technologiefeld interagieren und zur Generierung, Diffusion und
Verwendung von neuen Varianten von Technologie und/oder Produkten
beitragen [25] . Im NIS und RIS sind dies die nationalen und regionalen
Institutionen [26] . Im NIS wird vor allem dem Umstand Rechnung getragen, dass
nationale Volkswirtschaften sich hinsichtlich der Struktur der
Produktionssysteme und den allgemeinen Begebenheiten unterscheiden [27] . Ein
NIS nach Lundvall (1992) meint demnach „all interrelated, institutional and
structural factors in a nation, which generate, select, and diffuse innovation“ [28] .
Das RIS nach Cooke et al. (2000) wurde zunächst verstanden als „a regional
innovation system consists of interacting knowledge generation and explotation
sub-systems linked to global, national and other regional systems for
commercialising new knowledge“ [29] . Da in einer erweiterten Sicht neben der
Kommerzialisierung des Wissens weitere Faktoren als relevant angesehen
werden, werden im sogenannten IRIS - Institutional Regional Innovation
System auch öffentliche Wissensgenerierung und Institutionen wie öffentliche
Bibliotheken, Universitäten, Technologie-transfer, Ämter, Investoren, Lehrer
und andere Intermediäre in das System einbezogen [30] . In der vorliegenden
Arbeit wird das Innovationsystem CIS - Corporate Innovation System
verwendet.
6.3 CIS - Corporate Innovation System
Da wir uns in unserer Analyse u.a. damit beschäftigten, wie die „Blackbox“
eines Innovationssystems in Bezug auf den Einfluss der Komplexität aussieht,
muss diese Blackbox Schritt für Schritt erhellt werden. Dafür benötigen wir den
ersten Baustein unseres Komplexitätsfaktors: die Merkmale und
Wirkungsbereiche eines Innovationssystems. Da wir uns im unternehmerischen
Feld damit auseinandersetzen und auf der Suche nach genauen Abgrenzungen
sind, ist die Definition der sog. Corporate Innovation Systems (CIS) für diese
Arbeit passend. CIS werden, wie auch die anderen Systembegriffe mannigfaltig
definiert. Grandstrand (2000) untersucht im Vorfeld seiner empirischen Arbeit
zur Analyse der CIS in Japan, Schweden und den USA unterschiedliche
wissenschaftliche Auffassungen der CIS. Ausgehend vom schumpeterischen
[25] Vgl. Markard/Truffer, 2008: 611
[26] Vgl. Tödtling/Lehner/Kaufmann, 2008: 4f
[27] Vgl. Lundvall, 1992: 13
[28] Lundvall, 1992: 39
[29] Cooke/Heidenreich/Braczyk, 2004: 3
[30] Vgl. Cooke/Heidenreich/Braczyk, 2004: 4
14

Master-Thesis, Mayrhofer (2013)
Innovationsbegriff [31] werden einige Sichtweisen herausgegriffen und verglichen,
wie bspw. Edquist (1997), Freeman (1987), Lundvall (1992), Metcalfe (1992),
Nelson & Rosenberg (1993), Breschi & Malerba (1995), Freeman, Clark &
Soete (1982), Carlsson & Stankiewics (1991), Hughes (1994) und Gardner
(1988) [32] . Viele dieser Definitionsbegriffe ähneln einander, unterscheiden sich
aber vor allem in der Auffassung der „Neuigkeit“ einer Innovation und ergänzen
sich wiederum in einem technischen Verständnis in Bezug auf innovative
Prozesse. Andere der genannten Autoren verstehen darunter zusätzlich
Innovationen im Organisations- und Managementbereich [33] . Im Laufe seiner
Studie entwickelt Grandstrand (2000) ein CIS aus den bisher genannten
Definitionen und verwendet diese Auffassung in seinen Berechnungen zum
Vergleich der CIS in den genannten Ländern. Diese Definition des Begriffs
Innovationssystem, wie Grandstrand„s (2000) sie auffasst, wird auch in dieser
Thesis verwendet, da sie ein unternehmerisches Innovationssystem treffend und
vor allem fokussiert benennt. Grandstrand (2000) definiert: „A „corporate
innovation system is the set of actors, activities, resources and institutions and
the causal interrelations that are in some sense important for the innovative
performance of a corporation“ [34] . Die 4 genannten Elemente Akteure,
Aktivitäten, Ressourcen & Institutionen und kausale Wechselbeziehung sind
also entscheidend, bei der Bezeichnung von Wirkungsbereichen eines
Innovationssystems (siehe Abb. 6). Damit wurde der erste Baustein des zu
erstellenden Komplexitätsfaktors gefunden und benannt.
Abb. 6: Das CIS nach Grandstrand
CIS
Akteure Aktivitäten Ressourcen
Institutionen
Quelle: Eigene Darstellung nach Grandstrand (2000)
In Kapitel 9 werden die Indikatoren von Komplexität systematisch mit den
Wirkungsbereichen eines unternehmerischen Innovationssystems kombiniert.
Da der Wirkungsbereich „kausale Wechselbeziehungen“ aus der Beschreibung
eines unternehmerischen Innovationssystems bereits in inhaltlich gleichwertiger
[31] Vgl. Schumpeter, 1939: 101
[32] Vgl. Edquist (1997), Freeman (1987), Lundvall (1992), Metcalfe (1992), Nelson &
Rosenberg (1993), Breschi & Malerba (1995), Freeman, Clark & Soete (1982), Carlsson &
Stankiewics (1991), Hughes (1994) und Gardner (1988), (In: Grandstrand, 2000: 10ff)
[33] Vgl. Grandstrand, 2000: 14
[34] Grandstrand, 2000: 14
15

Master-Thesis, Mayrhofer (2013)
Form im Komplexitätsindikator „Interaktion“ [35] vorkommt, wird der
Wirkungsbereich „kausale Wechselbeziehungen“ an dieser Stelle für diese Thesis
vernachlässigt, da er ansonsten an zwei Stellen in der Definition vorkäme. Dafür
wird der Wirkungsbereich „Ressourcen & Institutionen“ aufgeteilt in
„Ressourcen“ und „Institutionen“, wie aus Abb. 6 ersichtlich wird. Dies
ermöglicht eine noch genauere Differenzierung beim Einsatz dieser Begriffe in
der Operationalisierung für die Unternehmenserhebung. Zur genauen
Abgrenzung der nun ausgewählten Wirkungsbereiche eines Innovationssystems
werden diese in den folgenden Punkten detailliert beschrieben.
6.4 Beschreibung der gewählten Wirkungsbereiche eines
Innovationssystems
6.4.1 Akteure
Alle Wirkungsbereiche sind gleichzeitig Subsysteme des gesamten
Innovationssystems eines Unternehmens. Der Wirkungsbereich „Akteure“ meint
das System der Akteure innerhalb eines Unternehmens und es umgebend, wenn
diese in die Innovation miteinbezogen sind, wie die F&E-Abteilung, F&E-
Kooperationen, etc. [36] . Das Fraunhofer Institut für System- und Innovationsforschung
(ISI) erkennt unter Akteure im Innovationssystem Unternehmen,
angewandte Forschung, Grundlagenforschung, Technologietransfer &
Ausbildung und Interessensverbände & Kammern [37] . Forschungsfaktoren und
Kooperationen mit Interessensverbänden sind im später gerechneten Modell der
logistischen Regression als Variablen bereits berücksichtigt. Für unsere Zwecke
werden wir uns hauptsächlich auf den Bereich des Unternehmens konzentrieren
und die Akteure innerhalb des unternehmerischen Innovationssystems. Dieser
Wirkungsbereich bezieht sich in dieser Thesis somit vorwiegend auf die
Menschen, die im Innovationssystem eines Unternehmens tätig sind.
6.4.2 Aktivitäten
Der Wirkungsbereich „Aktivitäten“ beschreibt sämtliche Aktivitäten, die im
Rahmen eines Innovationssystems durchgeführt werden, wie etwa Paten-
tierungsaktivitäten oder F&E-Aktivitäten, etc. Grandstrand (2000): „[…] the
R&D, production, marketing and outsourcing systems, where R&D, production
etc. are activities“ [38] . Wir verstehen darunter für diese Thesis alle Aktivitäten,
[35] Im Sinne von Tab. 3 und Beschreibung auf S. 26
[36] Vgl. Grandstrand, 2000: 14
[37] Vgl. Fraunhofer ISI, 2008: 8
[38] Grandstrand, 2000: 14
16

Master-Thesis, Mayrhofer (2013)
die innerhalb des Innovationssystems dazu führen, dass Innovationen im
Unternehmen geschehen.
6.4.3 Ressourcen
Ressourcen sind notwendige umgebende Elemente, ohne die Innovationen nicht
entstehen könnten. “[…] the resource structure with the system of technologies
(seen as intellectual resources) in particular“ [39] , kann als Ressourcen innerhalb
eines Innovationssystems verstanden werden. Ressourcen beziehen aber auch
finanzielle Aspekte mit ein. Innerhalb dieser Arbeit fokussieren wir bei diesem
Begriff auf alle Mittel (vor allem Know-How und Finanzen), die dafür
eingesetzt werden, Innovationen zu generieren.
6.4.4 Institutionen
Bei dem Begriff Institutionen sind ebenfalls mehrere Begriffsdeutungen möglich,
wie etwa Organisationen, Firmen, Universitäten oder staatliche Institutionen.
Daneben kann darunter auch das Konzept der Institutionen als Regelsystem,
also Routinen, Regeln, Gewohnheiten, Tabus, Normen, Praktiken oder formales
Recht, etc. verstanden werden. Es können aber auch F&E-Labore, Schulen,
Patentsysteme, Bankensysteme, etc. gemeint sein, Begriffsauslegungen, die in
der Literatur allerdings oft schwächer vertreten sind [40] . Grandstrand (2000)
meint damit „the institutional structure (or system or infrastructure)“ [41] das
hinter einem Innovationssystem liegt. Das Fraunhofer ISI erkennt darunter
Spielregeln, Anreize und Sanktionen für Wettbewerb, neues Wissen,
Finanzierung von Innovationen, Ausbildung am Arbeitsmarkt und
Umweltschutz und Ressourceneffizienz [42] . In dieser Thesis orientieren wir uns
am konzeptionellen Begriff von de la Mothe (1997) der Regeln, Gewohnheiten,
Tabus, Normen, Praktiken oder formales Recht einbezieht [43] . Die Entscheidung
für die hier verfolgte Definition liegt, wie auch bei den anderen Punkten, an der
Abgrenzung der Begriffe gegenüber anderen Wirkungsbereichen.
6.5 Innovationsindikatoren
Die Messung von Innovation ist eines der meistdiskutiertesten Themen in der
Innovationsliteratur. Interdisziplinäre Beiträge fanden stets neue Zugänge für
die Analyse von Innovationsprozessen oder -systemen. Mit der Analyse stellen
[39] Grandstrand, 2000: 14
[40] Vgl. de la Mothe, 1997: 42f
[41] Grandstrand, 2000: 14
[42] Vgl. Fraunhofer ISI, 2008: 9
[43] Vgl. de la Mothe, 1997: 41f
17

Master-Thesis, Mayrhofer (2013)
sich auch die Fragen der geeigneten Messung und somit der Faktorenauswahl
und deren Aggregationsformen, um etwa einen Innovationsindikator zu
entwickeln. „Für die Ermittlung des Innovationserfolgs ist die Aggregation
dieser einzelnen Bewertungen zu einem Gesamtindikator vorzunehmen. Eine
eindeutige Aggregationsvorschrift existiert hierfür jedoch nicht“ [44] . Es ist hier
Kreativität vom/von der Forscher/in gefragt, bei gleichzeitiger
Aufrechterhaltung der wissenschaftlichen Verantwortung. Jedenfalls ist es
diskussionswürdig, in welcher Art ein Innovationserfolg am besten zu messen
ist, da er sich in vielerlei Situationen sehr unterschiedlich ausprägt. Die
Befragung als geeignetes Mittel, um direkt an die Stakeholder von
Innovationsprozessen zu gelangen, ist in den Studien prominent vertreten.
Einer der wichtigsten Innovationsindikatoren Deutschlands etwa, der INSM-
Innovationsmonitor [45] wird durch eine breit angelegte Befragung entwickelt.
„Eine Möglichkeit den technischen Innovationserfolg bzw. allgemeiner die
technische Wirkung der Gesamtheit der Innovationstätigkeiten zu erfassen, die
dem technometrischen Verfahren nahe kommt, besteht darin, im Rahmen von
Innovationserhebungen direkt nach den technischen Wirkungen zu fragen” [46] ,
bestätigt Janz (2003). Entscheidend ist aber, dass alle relevanten Alternativen
in den Dimensionen der Befragung enthalten sind [47] . Dies ist die Kunst des
richtigen Befragens.
Um dem Ergebnis einer Befragung auch interpretativen Ausdruck zu verleihen,
muss dieses bewertbar werden. Dazu müssen die förmlich festgestellten
Ergebnisse mit einem Referenzzustand verglichen werden, um ein Urteil über
die erbrachte Leistung abgeben zu können [48] . Insgesamt müssen die Ergebnisse
mit einem zuvor definierten Ziel verglichen werden, da eine Referenz die einzige
rationale Messform ist, die ein Ergebnis in befriedigender Art abbilden kann [49] .
Hauschildt/Salomo (2011) gehen auf die unterschiedlich verwendeten Konzepte
ein und darauf, wie diese bei der Messung des Innovationserfolges in
wissenschaftlichen Untersuchungen angewandt werden. Sie unterscheiden 3
Formen: den qualitativen Ansatz, quantitative Techniken und semiquantitative
Techniken, wobei letztere die Vielfalt der Befragung mit einer
Konzentration auf wenig inhaltliche Aussagen verbindet [50] .
Hauschildt/Salomo (2011) erwähnen auch eine bedeutende Eigenschaft, die den
Unternehmen in Innovationsprozessen zugrunde liegt: Ein Innovationsprozess
hat zwar fest vorgegebene Zyklen und ein Produkt gilt mit der
[44] Grupp, 1997: 140f
[45] Vgl. INSM-Innovationsmonitor, Die Innovationskraft Deutschlands im internationalen
Vergleich, Jüngste Auflage: 2012
[46] Janz: 2003: 81
[47] Vgl. Janz, 2003: 81
[48] Vgl. Hauschildt/Salomo, 2011: 338
[49] Vgl. Hauschildt/Salomo, 2011: 346
[50] Vgl. Hauschildt/Salomo, 2011: 343f
18

Master-Thesis, Mayrhofer (2013)
Markteinführung als sich nicht mehr im Innovationsprozess befindlich [51] ,
dennoch ist bei einer geeigneten Messung über Innovationserfolg oder
-chancen auch die Black Box zu beachten, die zwischen der Anfangsidee und
der schließlichen Markteinführung steht. Der Erfolg entsteht nicht erst am
Schluss dieses Prozesses. Innovationsprozesse sind komplexe Systeme [52] , die sich
in ihrer Entstehung mehrmals erneuern müssen, um zu bestehen. Daher ist
ebenfalls die Messung und Evaluierung von Teilprozessen von hoher
Wichtigkeit [53] .
„Das Entscheidungsverfahren im Innovationsprozess ähnelt […] dem
vorsichtigen Vorantasten in dichtem Nebel: Das Innovationsmanagement wird
den nächsten Schritt nicht tun, wenn es nicht eine subjektive Gewissheit
erlangt, noch auf dem richtigen Weg zu sein“ [54] . Ein Innovationsmodell mit fix
vorgegebenen Strukturen, kennt jedoch keine spontan aus der Struktur fallende
Überprüfungen von Teilprozessen oder spontan notwendige gewordene
subjektive Gewissheiten. Diese Möglichkeiten innerhalb eines Innovationssystems
ergeben sich nur bei der Perspektive dieses Systems als komplexes
System, welches die Komplexitätstheorie bei der Messung als zusätzlichen
erklärenden Faktor einbezieht. Die Natur von Innovation selbst hat sich mit
der Zeit gewandelt. Es ist daher entscheidend, dass Messindikatoren dieser
Entwicklung auch gerecht werden, da sie ansonsten Innovationssysteme oder -
prozesse im heutigen Sinne nicht mehr begreifen können. Innovationen sind
kollektive Anstrengungen in einem globalen Markt. Sie müssen nicht mehr nur
technisch, sondern können auch im nicht-technischen Bereich auftreten. Es gilt
auch zu erwähnen, dass bei der Messung die existierenden statistischen
Methoden in diesem Sinne auch oft falsch eingesetzt werden und die Ergebnisse
verzerren können. [55]
7 Komplexität
Im Laufe eines Studium der Ökonomie muss sich ein/e Studierende/r für eine
Vertiefung im mathematischen oder im angewandten, wirtschaftspolitischen
Bereich entscheiden. Es stellt sich hier seit jeher die Frage, ob beides als
Ökonomie verstanden werden kann und ob nicht jeweils bei einer Definition
Teile der anderen fehlen oder ob der/die besagte Studierende durch die
Entscheidung für die eine oder die andere Vertiefung nicht u.U. einen Teil der
Wissenschaft auslässt. „Die Wirtschaftswissenschaft […] bietet sich der
[51] Vgl. Koen et al., 2002: 6
[52] Vgl. Embst, 2010: 1
[53] Vgl. Hauschildt/Salomo, 2011: 338
[54] Hauschildt, Salomo, 2011: 366
[55] Vgl. Earl/Gault, 2006: 168
19

Master-Thesis, Mayrhofer (2013)
Mathematisierung […] an und feiert in der Vermeidung der großen zyklischen
Krisen und in ‚maßgeschneiderter„ Konjunkturpolitik Triumphe, die an die
Triumphe der Naturwissenschaft erinnern. Doch bleibt ihr Gegenstand, mit
dem Auge des Naturwissenschaftlers betrachtet, fast hoffnungslos komplex“ [56] .
Ist also nicht mathematisch formalisierte Wirtschaftswissenschaft begriffsimmanent
komplex? Seit dem Ausbruch der Finanzkrise im Jahr 2008, die vor
allem die Industrieländer stark in Mitleidenschaft zog, erleben wir weltweit
verstärkte Diskussionen zum Thema ökonomische Theorie. Große
Kreditinstitute und/oder Unternehmen sind systemrelevant geworden, also so
stark im Marktsystem integriert, dass die volkswirtschaftlichen Kosten eines
Verschwindens vom Markt die Rettung der betreffenden Institutionen
übersteigen würden. Unser System scheint so komplex geworden zu sein, dass es
sich als schwer kontrollierbar herausstellt. „Systemrelevante Finanzinstitute,
kurz SIFIs, sind so groß, komplex, vernetzt, global tätig oder in der Art ihrer
Geschäftstätigkeit so schwer ersetzbar, dass ihr Zusammenbruch das ganze
Finanzsystem in Mitleidenschaft ziehen kann“ [57] , schreibt etwa die Deutsche
Bank. Spätestens nach den Geschehnissen im Jahre 2008 sollte uns bewusst
sein, wie komplex gesamtwirtschaftliche Zusammenhänge sind und wie sehr sich
hier daher eine analytische Perspektive aus der Sicht der Komplexitätstheorie
lohnt. Dies bezieht sich nicht nur auf volkswirtschaftliche Größen, sondern vor
allem auch auf private Unternehmen oder Innovationsprozesse, da diese im
Einflussbereich vieler und komplexer Stakeholder-Netzwerke stehen und
darüber hinaus in ihrer Summe für das Funktionieren einer Volkswirtschaft als
Gesamtheit ausschlaggebend sind. Das Untersuchungsfeld ist also ein sehr
breites, während die noch immer vorherrschende ökonomische Theorie der
Neoklassik bei der Erklärung eigentlich komplexer Zusammenhänge auf
scheinbar zu einfache Mittel setzt. „Die Reversibilität, das damit beschworene
zeitlose Phänomen, die Linearität, die mit einfachen Erklärungsmustern
aufwartet und Störungen nur exogen erklären kann, stoßen an ihre Grenzen,
wenn Ökonomie in Turbulenzen gerät […]“ [58] . Die prominenten wissenschaftlichen
Methoden der vergangenen Jahrzehnte ging stets davon aus, dass
lediglich die Reduktion von Dingen auf seine kleinsten Bestandteile einen
Erkenntnisgewinn bringt [59] . Von einem Reduktionismus dieser Art ist man stets
ausgegangen, da man sich der Vorstellung hingab und teils auch heute noch
hingibt, dass sich „Komplexität aus einer unübersehbaren Vielfalt simpler
Formen aufbaut“ [60] . Komplexe Systeme jedoch setzen sich zwar sehr wohl aus
Subsystemen und einzelnen simplen Bestandteilen zusammen, doch scheint es
[56] Von Weizsäcker, 1974: 31
[57] Weidmann, 2011: 3
[58] Liening, 1999: 210
[59] Vgl. Liening, 1999: 58
[60] Liening, 1999: 58
20

Master-Thesis, Mayrhofer (2013)
bei weitem wichtiger zu sein, nicht nur auf die Summe der Bestandteile zu
achten, sondern auf Knoten und Verknüpfungen, die sich durch Dynamisierung
im System ergeben [61] . Kausalitäten zwischen Subsystemen sind unter dieser
Perspektive nicht mehr länger linear erklärbar: „Linear systems respond to big
changes in a big and proportionate manner and linear systems respond to small
changes in an equally small and proportionate way. Most real life situations, on
the other hand, are complex. Small changes in initial conditions, and later
interventions of whatever size, can result in disproportionately large effects“ [62] .
Unterschiedliche Anfangsbedingungen zweier Elemente können also genauso zu
unterschiedlichen Ergebnissen führen, wie gleiche Anfangsbedingungen, wenn
der Verlauf in anderer Form beeinflusst wird. Schließlich sollte die Kenntnis
komplexer Zusammenhänge für Unternehmen auch einen Vorteil auf diversen
Märkten bedeuten, da sie im Hintergrund laufende Prozesse tiefer verstehen
können als mögliche Konkurrenten und sich mannigfaltiger auf Änderungen der
Umgebung vorbereiten und einstellen können. Wie lässt sich der Einfluss von
Komplexität bei der Beschreibung von Systemen wie dem Innovationssystem
nun beschreiben? Bedienen wir uns dazu des klassischen „Standing Ovation
Problems“ von Miller/Page (2004). In einem Auditorium wird nach einer
Vorstellung applaudiert und die Zuhörer/innen müssen sich die nicht einfache
Frage stellen, ob sie aufstehen (Standing Ovations), wenn andere auch
aufstehen. Lassen wir die Schwelle sein, ab der aufgestanden wird, weil die
individuell wahrgenommene Qualität der Vorführung so hoch ist. In diesem
kleinen Modell steht nun für ein Signal der Qualität der Vorführung; ist
eine normalverteilte random-variable mit Mittelwert Null und einer
Standardabweichung ; ist die Anzahl der Zuhörer/innen und ( ) ist das
individuelle Signal, dass eine/r Zuhörer/in empfängt. Eine Person steht hier
nur auf, wenn ( ) . Betrachten wir nun das Modell als Signalprozess
( ) und fragen uns dann, was und über ( ) aussagen können,
dann stellen wir fest, dass gewichtige Faktoren, wie etwa eine mögliche die
„Welle“ der Aufsteher/innen nicht in das Modell einbezogen werden. Es könnte
nun ein Parameter einbezogen werden, der für jenen Prozentsatz der Leute
steht, die stehen müssen, damit ein Individuum unabhängig von seiner eigenen
Wahrnehmung ebenfalls aufsteht. Dieser Parameter beschreibt die Situation
zwar nun etwas genauer, allerdings nicht vollständig. Wir wissen, dass Standing
Ovations in der Praxis sich nicht immer an Schätzergebnisse eines solchen
Modells halten. Es gibt bspw. sukzessive Aufstehwellen, die regionale
Schwerpunkte im Publikumsraum bilden. Was in dieser Modellierung
entscheidend wäre, ist also der Einfluss oder Eigenschaften komplexer Systeme
[61] Vgl. Liening, 1999: 62
[62] Rogers et al., 2005: 3
21

Master-Thesis, Mayrhofer (2013)
oder komplexitätsbezogener Faktoren [63] . Auch ein Innovationssystem kann mit
dem Standing Ovation Problem verglichen werden. Es finden hier ebenfalls
subliminale Prozesse statt, die über Erfolg/Misserfolg oder die Performance des
Systems und dessen Output entscheiden. Erkenntnisse der Komplexität nicht in
die Innovationsanalyse miteinzubeziehen, hätte weitreichende Konsequenzen bei
der Beschreibung der vor sich gehenden Prozesse. Wie kann die Komplexität
eines Systems nun gemessen werden um Systeme untereinander vergleichen?
Um unterschiedliche Auffassungen der Messung von Komplexität in der
Literatur gegenüberzustellen, ziehen wir den Ansatz von Delorme (2010) heran.
Er hat in seinem Buch „Deep Complexity and the Social Sciences” einen
interessanten Vergleich für Messkonzepte von Komplexität unterschiedlicher
Autoren dargestellt, in dem er einen gemeinsamen Nenner, einen Maßstab
einführt, anhand dessen es möglich wird, unterschiedliche Messformen für
Komplexität einander gegenüberzustellen. Er untersucht die folgenden
Konzepte:
Tab. 1: Autoren und Maße von Komplexität
Autor(en)/Jahr Maß für Komplexität
Ashby (1972) Quantity of information
required to describe a system
and compare it to two different
operators
Rosen/Casti (1977/94) Number of ways available to
interact with a system
Gell-Mann (1994) Length of the shortest program
describing the regularities of a
system
Albin/Foley (1998) Richness of the language to
describe a system
Quelle: Delorme, 2010: 114ff
Diese unterschiedlichen Messformen zeigen interessante Dimensionen komplexer
Systeme. Die Frage, die sich bei seiner Gegenüberstellung stellt ist, ob sich der
Grad an Komplexität eines Systems am besten messen lässt durch die Quantität
an Information, die man zu dessen Beschreibung braucht; durch die Anzahl der
Wege, durch die es möglich ist mit einem System zu interagieren; durch die
Länge des kürzesten Programms (z.B. Computerprogramms), um die
Gesetzmäßigkeiten eines Systems zu beschreiben oder durch die Reichhaltigkeit
der Sprache, die notwendig ist, um ein System zu beschreiben? Um diese
Messformen miteinander zu vergleichen und eine referenzielle Aussage machen
[63] Vgl. Miller/Page, 2007: 10ff
22

Master-Thesis, Mayrhofer (2013)
zu können, führt Delorme (2010) einen quantitativen Maßstab (Threshold) ein,
der sich auf die Reduzierbarkeit von Systemen bezieht. In Abb. 7 sind
Schwankungen der Komplexität im Sinne der jeweiligen Messkonzepte der
Autoren auf der Vertikalen abgetragen. Diese erhalten die folgende Notation:
Ashby ( ), Gell-Mann ( ), Albin und Foley ( ), sowie ( ) als „inequivalent
descriptions“ [64] von Rosen/Casti (1977/94). Das Ergebnis ist ein heuristisches
und vergleicht die Konzepte anhand eines Maßstabs , der in
Informationseinheiten misst. 1 bedeutet volle Reduzierbarkeit und ab 2 beginnt
die Unreduzierbarkeit bis unendlich. hat drei Ausprägungen: und
misst die Reduzierbarkeit: : total komplex, : mittel komplex und : nicht
komplex. Die Eigenschaften für das Vergleichsmodell sind [65] :
Durch diese Spezifikation der Reduzierbarkeit und der Einführung eines
Maßstabs wird nach Delorme (2010) der Vergleich ermöglicht. „This treshold
cannot but be based on an explicit recogniction of the actor‟s role. It is
rendered possible through referring to a level of aspiration and to satisficing“ [66] .
Für unser Vorhaben, den Einfluss komplexitätsbezogener Faktoren auf die
Wahrscheinlichkeit von Innovation zu untersuchen, müssen wir die Komplexität
zunächst an handfesten Merkmalen beschreiben, auch wenn eine solche
begriffliche Abgrenzung der Komplexität per Definition zu widerstreben scheint.
[64] „Two descriptions are inequivalent if they cannot be transformed one to the other by a
simple relabelling of the variables used to formulate them“ (Delorme, 2010: 116)
[65] Vgl. Delorme, 2010: 120ff
[66] Delorme, 2010: 125
23

Master-Thesis, Mayrhofer (2013)
Tab. 2: Attribute von Komplexität lt. Embst und Simplifizierung
Attribute lt. Embst Simplifizierung
Die Zahl der Elemente eines Systems Vielzahl
Divergenz zwischen Homogenität und
Heterogenität
Änderbarkeit der Eigenschaften von
Einflussnahme von Entwicklungen
25
Vielfalt
Veränderlichkeit
Die nicht-lineare Dynamik eines Systems Interaktion
Vernetzung, Zirkularität i.
Wechselwirkungen
Quelle: Liening, 1999: 57f und eigene Darstellung
Vieldeutigkeit
Embst (2010) benennt aus den Konzepten der genannten Autoren eine
Zusammenfassung der Indikatoren für Komplexität. Diese Indikatoren werden
auch zum Aufbau eines komplexitätsbezogenen Faktors in dieser Thesis
verwendet. Es werden zusätzlich die Ausprägungen definiert, die die
Dimensionen von nicht-komplex bis komplex in den jeweiligen Indikatoren
festlegen. Dies ist ein unabdingbarer Schritt, um die Indikatoren in weiterer
Folge im Rahmen der Erhebung skalieren zu können. Schließlich ergeben sich
damit die im folgenden Punkt dargestellten relevanten Indikatoren und
Ausprägungen.
7.1 Gewählte Indikatoren der Komplexität
Tab. 3: Indikatoren und Ausprägungen der Komplexität lt. Embst
Indikatoren von
Komplexität
Ausprägung
Vielzahl Einzahl Mehrzahl
Vielfalt Gleichartigkeit Verschiedenartigkeit
Veränderlichkeit
Statik Dynamik
Interaktion Independenz Interdependenz
Vieldeutigkeit Transparenz Intransparenz
Quelle: vgl. Embst, 2010: 87
Nicht komplex
Eine zusätzliche Beschreibung der Ausprägungen von Tab. 3 ergibt lt. Embst
(2010): Unter Vielzahl wird die Anzahl beteiligter Elemente, sowie deren
Wechselwirkungen verstanden. Vielfalt meint Charaktermöglichkeiten unter
den Elementen. Veränderlichkeit bezieht sich auf Statik oder Dynamik als
komplex

Master-Thesis, Mayrhofer (2013)
Extrempunkte im Sinne von Bezugnahmen der Elemente untereinander und
deren kontinuierliche Veränderung. Interaktion meint eine maximale
Bewegungsfreiheit eines Elements oder gegenseitige Abhängigkeit aller
Elemente voneinander als Extrempunkte und Wechselbeziehungen.
Vieldeutigkeit schließlich lässt sich mit dem Grad von Transparenz erklären [68] .
Mit der Festlegung dieser Indikatoren für Komplexität ist der zweite Teil des zu
erstellenden Komplexitätsfaktors für die Logit-Regression gefunden. Bevor die
beiden Teile in Kapitel 9 systematisch miteinander kombiniert werden, werden
im folgenden Kapitel 8 Gemeinsamkeiten von komplexen Systeme und
Innovationsprozessen diskutiert und Regeln für eine Beurteilbarkeit festgelegt.
8 Komplexe Systeme und Innovation
Ein komplexes System ist ein System, das von Komplexität beeinflusst wird.
Komplexe Systeme können aufgefasst werden als dynamische Darstellungen, die
eine gewisse Anzahl an dynamischen Verhaltensweisen zeigen, welche u.a. auch
Unregelmäßigkeiten beinhalten [69] . Wir sehen also bereits in dieser Auffassung
den nicht-linearen Charakter. Komplexe Systeme bestehen darüber hinaus aus
mehr als der einfachen Summe seiner Teile, was die physikalischen
Grundpfosten der letzten Jahrzehnte auf den Kopf zu stellen scheint. Diese
neuere wissenschaftliche Welt ist nur mit neuen Modellen zu erklären,
ansonsten bleibt sie dem/der Forscher/in verschlossen [70] . Für eine Annäherung
an eine geeignete Definition eines komplexen Systems ist zunächst die Klärung
des aus der Systemtheorie stammenden Systembegriffs selbst notwendig. Die
Systemtheorie kann als eine allgemeine Theorie des Zusammenhangs zwischen
Strukturen und Verhalten von Systemen verstanden werden [71] . „Ein System ist
eine Menge von Elementen mit Attributen, die miteinander in Beziehung
stehen, wobei unter Beibehaltung der Kohärenz ein System Bestandteil eines
umfassenderen Systems sein kann“ [72] . Zu dieser Definition müssen zu einem
System nun bestimmte weitere Attribute hinzugefügt werden, um als komplex
zu gelten. Sie werden in Tab. 3 aufgezählt.
Wie wir bereits festgestellt haben, gibt es viele unterschiedliche Arten, wie die
Komplexität, die ein System in seiner Entwicklung beeinflusst, definiert werden
kann. Jedenfalls ist zu klären, dass Komplexität nichts mit Kompliziertheit zu
tun hat. Komplexität ist eine tiefgreifende Eigenschaft eines Systems,
[68] Vgl. Embst, 2010: 88
[69] Vgl. Nijkamp/Reggiani, 1998: 12
[70] Vgl. Miller/Page, 2007: 41f
[71] Vgl. Liening, 1999: 24
[72] Liening, 1999: 54
26

Komplexitätsgrad
Master-Thesis, Mayrhofer (2013)
wohingegen Kompliziertheit im Sinne von Komplikation keine Eigenschaft eines
Systems darstellt [73] . Eine der fundamentalen Mechanismen, die ein komplexes
System besitzt, ist die Instabilität, die sich manifestiert in Verzweigungen
mannigfaltiger Zustände bis hin zum Chaos [74] . Auch Fisher (2009) spricht von
der Grenze zum Chaos. Soziale Strukturen werden bei ihm nicht nur durch
Individuen selbst (als die Elemente des Systems) verursacht, sondern auch
durch alles was zwischen ihnen geschieht, wie etwa gegenseitige Abstoßung und
Anziehung. Da wir in der Wirtschafts- und Sozialwissenschaft von der Analyse
von vom Menschen beeinflussten komplexen Systemen ausgehen, müssen wir
anerkennen, dass diese nicht so regulär erfassbar und beschreibbar sind, wie
etwa Atome in Kristallen. Soziale Strukturen befinden sich an der Grenze zum
Chaos (edge of chaos [75] ). Diese in der Literatur verwendete Beschreibung mag
anfangs irreführend erscheinen und fälschlicherweise anzeigen, dass Strukturen
komplexer Systeme stets an der Kippe zum Chaos stünden. Eigentlich jedoch
stehen sie genau zwischen Ordnung und Chaos. Somit geht es bei der
Beschreibung komplexer Systeme stark darum, die zu beschreibenden
Strukturen in einem Grad zwischen Ordnung und Chaos zu sehen [76] . Der
Komplexitätsgrad und das Maß, das sich daraus für die Beschreibung von
Komplexität ergibt, macht das Phänomen der Komplexität schließlich
interpretierbar. Abb.8 beschreibt ein Optimum dieses Maßes.
Abb. 8: Komplexe (adaptive) Systeme zwischen Ordnung und Chaos
1 A
Ordnung Ordnungsgrad Chaos
Quelle: Rogers et al., 2005: 12
Eine Beschreibung, wie sie in Abb. 8 dargestellt ist, ist charakteristisch für
komplexe Systeme und korrespondiert lt. Rogers et al. (2005) mit der Diffusion
eines Innovationsmodells aus Abb. 9. Die Verbindung dieser Charakteristika ist
entscheidend für die Beurteilung einer komplexen Situation, also wie der
[73] Vgl. Miller/Page, 2007: 9
[74] Vgl. Nijkamp/Reggiani, 1998: 12
[75] Vgl. Fisher, 2009: 3
[76] Vgl. Fisher, 2009: 3
2 A
27
3 A

Anzahl neuer Anwender
Master-Thesis, Mayrhofer (2013)
Komplexitätsgrad für das zu untersuchende System, in unserem Fall des
Innovationssystems, zu interpretieren und zu „beurteilen“ ist.
1 B
Abb. 9: Diffusion eines Innovationsmodells
Früh Art der Anwender Spät
Quelle: Rogers et al., 2005: 12
Rogers et al. (2005) verbindet die Phasen der Diffussion eines
Innovationsmodells, die durch die Anzahl und die Art der Anwender (der
Innovation) beschrieben wird (Abb.8 ), mit der Beschreibung eines komplexen
(adaptiven) Systems (Abb. 9), das durch seinen Komplexitäts- und
Ordnungsgrad beschrieben wird. Rogers et al. (2005) kombiniert die beiden
Modelle, da in beiden Fällen: „local interactions in networks lead to the
emergence of global structures and behaviors at the next-higher level of
organization [77] “. Er weist weiter darauf hin, dass bei beiden Modellen die
jeweiligen Netzwerke [78] ihr globales Verhalten trotz „individual turnover“ stets
beibehalten [79] . Wie aus den beiden oben dargestellten Abbildungen 8 und 9
ersichtlich wird, korrespondieren die beiden Kurven, d.h. die Punkte
2 B
. Die Form der Glockenkurven lassen darauf schließen,
dass es in diesen Prozessen nur einen einzigen Extremwert gibt, der ein
Maximum darstellt. Wie sind die Punkte auf den Kurven des komplexen
(adaptiven) Systems und des Diffusionsmodells nun gemeinsam zu
interpretieren? In den ersten Punkten herrscht vollkommene Ordnung
( ) und noch kein Anwender findet Zugang zu einer Innovation ( ). Mit der
Lockerung der Ordnung in Richtung Chaos ( in Richtung ), nimmt auch
die Anzahl der neuen Anwender und der risikoreichen Anwender einer
Innovation zu, wobei aber zunächst die risikolosen Anwender in der Überzahl
bleiben ( in Richtung ). Der Anstieg folgt bis zum zweiten Punkt, der als
[77] Rogers et al., 2005: 11
[78] Hinweis: „Netzwerk“ im Modell der komplexen (adaptiven) Systeme meint das Netzwerk
an Individuen, ohne das es nicht bestehen könnte. „Netzwerk“ im Innovationsdiffussionsmodell
meint das Netzwerk der Anwender einer Innovation (z.B. Kunden). (Vgl. Rogers et
al., 2005: 10)
[79] Vgl. Rogers et al., 2005: 10
28
3 B

Master-Thesis, Mayrhofer (2013)
einziger Extremwert das Maximum in beiden Kurven darstellt, der dritte
Punkt steht für Chaos ( ) und für keine weiteren Anwender ( ). In den
Punkten liegt der schmale Grat zwischen Chaos und Ordnung ( ), an
dem die meisten Anwender die Innovation annehmen und auch risikoreiche
Anwender stabilisiert sind ( ). „This is the location of complexity where
heterogeneity exists at the border of chaos - that area between simple systems
and chaotic systems“ [80] . Die Verbindung der Abbildungen 8 und 9 hat
interpretatives Potential: So ist es für Unternehmen unter dieser Perspektive
das Ziel, den Gewinn zu maximieren und ein Maximum an Anwender zu
gewinnen. Dazu ist für sie das Gleichgewicht zwischen Ordnung und Chaos, in
Abb. 8 der Punkt und in Abb. 9 der Punkt , wo risikoreiche Anwender
stabilisiert sind und ein Maximum an Anwendern herrscht, anzustreben. Jedes
Abfallen links oder rechts vom Maximum, bedeutet eine Einbuße des
Optimums (d.h. weniger Anwender der Innovation und entweder ein Abfallen
in Richtung Ordnung oder Chaos). Mithilfe dieser Eigenschaften lassen sich im
späteren Verlauf der Thesis komplexe Zustände in den Innovationssystemen von
Unternehmen und die Ergebnisse der Erhebung in geeigneter Art beurteilen.
Nicht nur Rogers et al. (2005) erkennt die Mitte zwischen Ordnung und Chaos
als stabilsten Punkt an. Auch Ebeling/Schweitzer (2007) erkennen diesen
entscheidenden Punkt, in ihrer Analyse jedoch aus einer ästhetisch
physikalischen Sich heraus. Sie verweisen zunächst auf Birkhoff (1932), der das
„ästhetische Empfinden bei der Wahrnehmung von Objekten“ [81] in drei Größen
unterteilt: Die Ordnung O, die Komplexität C und das ästhetische Maß M. Er
bringt die Größen in den Zusammenhang . Die Ordnung, als „Gefühl
des Gefallens am ästhetischen Objekt“ [82] , erhöht das Maß, wohingegen die
Komplexität, als die „Zeichenmenge, aus der ein Objekt besteht“ [83] das Maß
verringert. In weiterer Folge beschreibt Birkhoff (1932) mit Hilfe des
physikalischen Begriffs der Entropie ein Maß für Komplexität. Die Entropie ist
danach eine „Zustandsgröße, die in einem abgeschlossenen System solange
ansteigt, bis der Maximalwert erreicht ist. Dieser Gleichgewichtswert entspricht
einem Systemzustand mit der größten molekularen Unordnung. Der Abstand
von diesem Gleichgewichtswert kann somit (für abgeschlossene Systeme) als ein
Maß der im System vorhandenen Ordnung gesehen werden“ [84] . Mit Hilfe des
Begriffs der Informationsentropie, als „ein Maß für die Unbestimmtheit in einem
System“ [85] oder „ein Maß für die Information, die man benötigen würde, um den
[80] Rogers et al., 2005: 17
[81] Birkhoff (1932), In: Ebeling/Schweitzer, 2002: 47
[82] Birkhoff (1932), In: Ebeling/Schweitzer, 2002: 47
[83] Birkhoff (1932), In: Ebeling/Schweitzer, 2002: 47
[84] Birkhoff (1932), In: Ebeling/Schweitzer, 2002: 47
[85] Birkhoff (1932), In: Ebeling/Schweitzer, 2002: 48
29

Master-Thesis, Mayrhofer (2013)
Zustand des Systems vollständig zu beschreiben“ [86] , stellt er ein Maß für
Komplexität her. Birkhoff (1932) nimmt also schließlich die Entropiedifferenz
als Maß für Ordnung und die Informationsentropie als Maß für Komplexität. In
Abb. 10 ergibt dies zwei Extrempunkte: Beim ersten, also bei Ordnung wird
das Ordnungsmaß (Entropiedifferenz) maximal und das Komplexitätsmaß
(Informationsentropie) minimal. Im Chaos ist der Zusammenhang genau
umgekehrt [87] . A.A. Moles (1966) vergleicht die Ordnung als Banalität mit dem
Chaos als Originalität und erkennt, dass dabei nur ein Maximum entstehen
kann, welches genau in der Mitte der beiden Begriffe liegt, da in den beiden
Extrempunkten der Informationsgehalt bei null liegt und es zwischen den Polen
aber ein Mindestmaß an Strukturierung der Information gibt [88] (ebenfalls in
Abb. 10 dargestellt). „Das Ästhetische, das Schöne findet sich auf der Grenze
zwischen Ordnung und Chaos“ [89] .
Abb. 10: Chaos und Ordnung nach Moles
Informationsgehalt
Ordnung
„Banalität“
Quelle: Moles, 1966, In: Ebeling/Schweitzer, 2002: 49
9 Kombination CIS & Komplexität
Da nun beide Bausteine für den gewünschten Regressionskoeffizienten
Komplexität (Komplexitätsfaktor) bestehen, können diese verwoben werden.
Dazu werden nun die gewählten Wirkungsbereiche eines Innovationssystems
mit den Indikatoren von Komplexität systematisch miteinander kombiniert. Für
die systematische Kombination wird die wissenschaftliche Kreativitätsmethode
der semantischen Intuition angewandt. Bei der semantischen Intuition werden
zwei bisher nicht kombinierte Wörter zu einem Wort verbunden. Dadurch
[86] Birkhoff (1932), In: Ebeling/Schweitzer, 2002: 48
[87] Vgl. Birkhoff (1932), In: Ebeling/Schweitzer, 2002: 48
[88] Vgl. Birkhoff (1932), In: Ebeling/Schweitzer, 2002: 49
[89] Vgl. Birkhoff (1932), In: Ebeling/Schweitzer, 2002: 49
30
Chaos
„Originalität“

Master-Thesis, Mayrhofer (2013)
entstehen neue Vorstellungsbereiche, die zu neuen Ideen verschmelzen [90] und
neuartige Dimensionen entstehen lassen. In unserem Fall werden die beiden
oben erwähnten Bestandteile des Komplexitätsfaktors miteinander kombiniert,
wie dies in Abb. 11 ersichtlich wird. Durch die 4 gewählten Wirkungsbereiche
des unternehmerischen Innovationssystems und die 5 Indikatoren für
Komplexität ergeben sich bei multiplikativer Kombination insgesamt 20 (5x4)
neue Dimensionen. Diese Dimension (z.B. Interaktion/Akteure oder
Aktivitäten/ Vielfalt, etc.) können nun operationalisiert werden, indem sie
ausformuliert werden. Es werden also die systematischen Kombinationen der
semantischen Intuition operationalisiert und im Sinne der Erhebung
ausformuliert. Embst (2010) nennt denselben Vorgang die Zusammenstellung
von Statements, wobei sie Statements als Aussagen zu Situationsbeschreibungen
definiert [91] . In der Form als Statements sind sie dann für den
Einsatz im Fragebogen verwendbar. Eine Skalierung folgt im letzten Schritt.
Diese Skalierung orientiert sich an den Ausprägungen der Indikatoren von
Komplexität (vgl. Tab. 3), die durch die systematische Kombination ebenfalls
auf die gewählten Wirkungsbereiche eines unternehmerischen Innovationssystems,
also auf die Kombination aus beiden Bestandteilen, angewandt
werden. Durch die Verwendung der schon von Embst (2010) formulierten
Ausprägungen werden so messbare Dimensionen erhebbar.
Abb. 11: Kombination CIS & Komplexität
Wirkungsbereiche
Innovationssystem
Akteure
Aktivitäten
Ressourcen
Institutionen
Quelle: Eigene Darstellung aus Abb. 6 und Tab. 3
[90] Vgl. Kannenberg, 2003: 15
[91] Vgl. Embst, 2010: 80
31
Indikatoren
Komplexität
Vielzahl
Vielfalt
Veränder-
lichkeit
Interaktion
Vieldeutig-
keit

Master-Thesis, Mayrhofer (2013)
Für jede Kombination wird nun eine geeignete Operationalisierung gesucht, um
die Dimension in Unternehmen erhebbar zu machen (siehe Tab. 4). Die
genauen Formulierungen wurden mit Hilfe eines Pre-Tests feingeschliffen. Es
wird darauf hingewiesen, dass die Dimensionen möglichst befragungsfreundlich
und unternehmensbezogen formuliert wurden, daher klingt der Wortlaut für die
Fragen, die sich aus den kombinierten Dimensionen ergeben, nicht immer
wissenschaftlich. Für die Erstellung solcher neuen Dimensionen werden in der
Literatur unterschiedliche Möglichkeiten und/oder Regeln genannt: Durch die
Spezifikation von Konzepten und deren Operationalisierungen werden Begriffe,
die zunächst abstrakt scheinen mögen, möglichst in eindeutig erfassbare und
messbare Dimensionen konvertiert. [92] „In sozial- und wirtschaftswissenschaftlichen
Theorien sind [...] viele verwendete Begriffe komplex, sie
können mehrere unterschiedliche Bedeutungsdimensionen besitzen und, noch
komplizierter, in der Regel nicht direkt erfassbar bzw. beobachtbar sein“ [93] .
Schließlich verweist Paier (2010) auf einen essentiellen Punkt: „Entscheidend
ist, dass im Zuge der Konzeptspezifikation die Mehrdimensionalität von
abstrakten Begriffen durch Konkretisierung ihrer empirischen Bezüge auf
möglichst konkret beobachtbare Sachverhalte überwunden wird“ [94] .
Tab. 4: Kombinationen und operationalisierte Fragen [95]
Akteure/Vielzahl Wir haben ausreichend Mitarbeiter/innen im
Innovationsbereich.
Akteure/Vielfalt Unsere Mitarbeiter/innen wenden unterschiedliche
Methoden an.
Akteure/Veränderlichkeit Unsere Mitarbeiter/innen können sich rasch auf
neue Gegebenheiten einstellen.
Akteure/Interaktion Unsere Mitarbeiter/innen haben große Gestaltungsfreiheit.
Akteure/Vieldeutigkeit Jede/r Mitarbeiter /in bei uns kennt das
größere Bild hinter seinen/ihren Aufgaben.
Aktivitäten/Vielzahl Wir setzen ausreichend Aktivitäten, um Innovationen
zu realisieren.
Aktivitäten/Vielfalt Die Aktivitäten, die wir setzen um Inno-
vationen zu starten, sind vielfältig.
Aktivitäten/Veränder- Unsere Innovationsaktivitäten passen sich rasch
[92] Vgl. Paier, 2010: 51
[93] Paier, 2010: 51
[94] Paier, 2010: 53
[95] Kombinationen nach Abb. 6 und Tab. 3 (wie in Abb. 11)
32

Master-Thesis, Mayrhofer (2013)
lichkeit an sich ändernde Gegebenheiten an.
Aktivitäten/Interaktion Unsere Innovationsaktivitäten richten sich
insgesamt stark an Rahmenbedingungen aus.
Aktivitäten/Vieldeutigkeit Die Ziele unserer Innovationsaktivitäten sind
stets allen Mitarbeiter/innen klar.
Ressourcen/Vielzahl Wir haben ausreichend Know-How und Budget,
um Innovationen zu starten.
Ressourcen/Vielfalt Wir wenden im Innovationsbereich vielfältige
Ressourcen/Veränder-
lichkeit
Finanzierungsformen und Kreativität an.
Wir passen Know-How und Budget an geänderte
Rahmenbedingungen rasch an.
Ressourcen/Interaktion Rahmenbedingungen haben bei uns einen
starken Einfluss auf die Strategie. [96]
Ressourcen/Vieldeutigkeit Der Einsatz von Ressourcen (Budget, Wissen,
etc.) ist für alle Mitarbeiter/innen nachvollziehbar.
Institutionen/Vielzahl Bei uns gibt es viele Normen und Regeln, die
den Innovationsprozess begleiten.
Institutionen/Vielfalt Bei uns gibt es viele Ausnahmen der
bestehenden Regeln und Normen.
Institutionen/Veränderlichkeit
Normen und Regeln können bei uns unbüro-
kratisch geändert werden.
Institutionen/Interaktion Im Innovationsbereich gelten bei uns dieselben
Regeln und Normen, wie im Rest des
Unternehmens.
Institutionen/Vieldeutigkeit
Quelle: Eigene Erstellung
10 Empirische Analyse
Alle Regeln und Normen sind für das ganze
Innovationsteam nachvollziehbar.
In den vorangegangenen Kapiteln wurden Zielsetzung und Hypothese
formuliert, sowie die entscheidenden Faktoren des unternehmerischen
Innovationssystems und der Komplexität beschrieben, diskutiert und
kombiniert. Die nun folgende empirische Analyse untersucht in mehreren
Schritten den Einfluss komplexitätsbezogener Faktoren auf die Innovations-
chancen österreichischer (Groß)unternehmen.
[96] Hinweis: Da Know-How und Budget als Ressourcen für eine Strategie ursächlich sind.
33

10.1 Datenverfügbarkeit
Master-Thesis, Mayrhofer (2013)
Wird nicht das Ziel verfolgt international vergleichbare Innovationsindikatoren
anzufertigen, die darauf abzielen in erster Linie volkswirtschaftlich relevante
Größen untereinander zu vergleichen, für die die Datenverfügbarkeit zumeist
eine gute ist [97] , sondern unternehmerische Innovationssysteme für die
Vergleichbarkeit konkreter Unternehmen zu analysieren, steht man vor dem
Problem der primären Datengenerierung [98] . Man ist darauf angewiesen, durch
Unternehmensbefragungen auf freiwilliger Basis detaillierte Zahlenangaben zu
generieren. Innovationen sind aber zumeist „strategisch wichtige Unternehmens-
aktivitäten, die einem besonderen Geheimhaltungsbedürfnis unterliegen“ [99] . Für
die Erhebung durch Befragung ist also ein geeigneter, geschützter und
attraktiver Rahmen zu schaffen. Von der Generierung der Daten hängt
schließlich der Gesamterfolg des Projektes ab. Für die geplanten statistischen
Auswertungsmethoden ist eine Mindestzahl an Beobachtungen/Daten
notwendig. In unserem Fall ist durch den Einsatz einer binären logistischen
Regression (Logit) eine absolute Untergrenze von 50 Beobachtungen/
Datenpunkte zur Durchführbarkeit notwendig [100] . Die Erhebung wird vom
Akademischen Forum für Außenpolitik - Hochschulliga für die Vereinten
Nationen (AFA) durchgeführt [101] .
10.2 Untersuchungsdesign
10.2.1 Zum Wesen komplexer Innovationsuntersuchungen
Ein Untersuchungs- oder Forschungsdesign ist wie das methodische
Arrangement einer Studie oder Arbeit, es hat erhebliche Bedeutung für das
Gelingen eines Forschungsprojektes. [102] Für ein Untersuchungsdesign in den
Bereichen Innovation und Komplexität stellt sich zu allererst die Frage, welche
Aussagen über Komplexität überhaupt möglich sind, wenn die angewandten
statistischen Methoden die Komplexität bis zu einem gewissen Grade
reduzieren, um sie kalkulierbar und berechenbar zu machen und damit
eigentlich das Gegenteil von dem tun, was die Komplexität verlangt, nämlich
keinen Reduktionismus anzuwenden [103] . Ebenso muss sich die Innovations-
ökonomik „die Frage gefallen lassen, was sie sich über die Feststellung
[97] Vgl. bspw. diverse Datenbanken der OECD oder nationale Innovationsstatistiken
[98] Vgl. Schwitalla, 1993: 99
[99] Schwitalla, 1993: 99
[100] Vgl. Fromm, 2005: 6
[101] Zusätzlich veranstaltet das AFA weitere Veranstaltungen und Berichte zum Thema.
[102] Vgl. Paier, 2010: 32
[103] Vgl. Liening, 1999: 62
34

Master-Thesis, Mayrhofer (2013)
ökonometrischer Sachverhalte hinaus zutraut, wenn sie relevante, über die
Daten hinausgehende Antworten geben will“ [104] . Zu dieser Frage stellt Grupp
(1997) zunächst fest, dass es keine genauen und allgemeingültigen Argumente
für die Messung von Innovation und Fortschritt gibt, egal aus welcher
wissenschaftlichen Lehrmeinung [105] . „Dies stellt für die angewandte Innovations-
forschung das Problem dar, zu ungenügend ,zugerichteten‟ theoretischen
Konstrukten passende Indikatoren konstruieren zu müssen” [106] . Grupp (1997)
legt jedoch diese Verantwortung in die Hände des/der untersuchenden
Wissenschaftler/in und beantwortet damit auch einen Teil der im Prinzip
unbeantwortbaren Frage der statistischen Aussagefähigkeit bei der Analyse
komplexer Innovationssysteme. Er meint, dass ein wissenschaftliches
Untersuchungsobjekt nicht von vornherein vorgegeben ist, sondern dass es die
Aufgabe des/der Forscher/in ist, eine geeignete Konzeption zu finden, wie
dieses Untersuchungsobjekt am besten zu messen ist. Es gibt dafür a priori
keine vorgefertigten Konstrukte oder Konstruktionen [107] . Dieses Aufstellen einer
geeigneten Konstruktion oder Messform hat daher für ihn “viele Qualitäten
einer Erfindung” [108] . Diese wissenschaftliche Verantwortung in erfinderischer
Art nach bestem Wissen und Gewissen alle notwendigen Faktoren für die
Erklärung der Innovationschancen aufzunehmen, soll in weiterer Folge der
wissenschaftliche Geist dieser Thesis sein. Auf die Erstellung und Konstruktion
eines Komplexitätsfaktors, wie er hier als zusätzlicher erklärender Parameter
eingesetzt wird, wurde bereits in den vorangegangenen Kapiteln eingegangen.
10.2.2 Untersuchungsmethode
Die Daten unterschiedlichen Ursprungs und Zwecks, die für die binäre
logistische Regression benötigt werden, werden grundsätzlich über drei
Methoden generiert: Gruppenrecherche („Kleingruppenprojekt“ [109] ), Datenbankrecherche
& systematische Ableitungen und eine schriftliche Online-Befragung
inklusive einer Non-Response Analyse. Zunächst zur ersten Methode: In einer
Gruppenrecherche werden Inhalte im Beisein aller Gruppenmitglieder
recherchiert, um auf diese Art Vorteile des Arbeitens in Gruppen nutzen zu
können. Die Daten, die als Vektoren der folgenden Regressionsparameter
eingesetzt werden, wurden im Rahmen solch einer Gruppenrecherche
gemeinsam von 4 Personen innerhalb von 4 Werktagen recherchiert. Die
Quellen für diese Informationen sind u.a. Geschäfts-/Jahres- und Nachhaltig-
[104] Grupp, 1997: 37
[105] Vgl. Grupp, 1997: 93
[106] Grupp, 1997: 93
[107] Vgl. Grupp, 1997: 38
[108] Grupp, 1997: 38
[109] Vgl. Konrad, 2004: 102ff
35

Master-Thesis, Mayrhofer (2013)
keitsberichte von Unternehmen, Firmenwebsites, sowie telefonische Auskünfte
[110] . Die Regressionsparameter, für die die Daten im Rahmen der
Gruppenrecherche generiert werden, sind:
Forschungs- und Entwicklungs-Aufwendungen (F&E-Aufwendungen)
Forschungs- und Entwicklungs-Personal (F&E-Personal)
Unternehmensgröße (Gesamtbeschäftigtenanzahl)
Exportleistung
Zusätzlich wurden Ansprechpersonen für den Innovationsbereich in den zu
untersuchenden Unternehmen und der volkswirtschaftliche Sektor, in den das
zu untersuchende Unternehmen fällt (für die Ableitungen der F&E-
Förderungen), recherchiert. Im Folgenden werden die einzelnen Variablen
beschrieben, unterteilt in die drei Erhebungsmethoden: Gruppenrecherche,
Datenbankenrecherche & systematische Ableitungen und schriftliche online
Befragung.
10.2.3 Faktoren für die Gruppenrecherche
F&E-Aufwendungen
Aufwendungen für Forschung und Entwicklung wurden primär über die
Jahresabschlüsse, Geschäfts- und Nachhaltigkeitsberichte, Websites und
telefonischen Auskünfte der Unternehmen generiert. F&E-Aufwendungen sind
Prozentualwerte, gemessen am Gesamtumsatz eines Unternehmens. Hier
wurde mit den letzten verfügbaren Daten und keinen Differenzen (etwa Zu-
und Abnahmen im Vergleich zu Vorjahren) gerechnet. Da die
Gruppenrecherche hier aber unzufriedene Ergebnisse lieferte, wurde die Höhe
der F&E-Aufwendungen zusätzlich in die Erhebung aufgenommen.
F&E-Personal
Das Personal des Forschungs- und Entwicklungsbereichs bezieht sich auf die
absolute Zahl der Angestellten im F&E-Bereich eines Unternehmens. Auch
hier wurde mit den letzten verfügbaren absoluten Werten und keinen
Differenzen gerechnet. Dieser Faktor wurde ebenfalls zusätzlich in den
Fragebogen übernommen.
[110] Mitarbeiter/innen dieser Gruppenrecherche waren im April 2012: Jakob Hager, Anna
Mikulan, Bsc.; Clemens Oberhofer, BSc. und Viktor Ludwig vom AFA.
36

Unternehmensgröße
Master-Thesis, Mayrhofer (2013)
Die Unternehmensgröße bezieht sich auf den absoluten Wert der Gesamt-
beschäftigten (Arbeiter/innen und Angestellten) eines zu untersuchenden
österreichischen (Groß)unternehmens zum letzten verfügbaren Zeitpunkt.
Exportleistung
Die Exportleistung meint hier die Exportquote, gemessen am Gesamtumsatz
eines Unternehmens, zum letzten verfügbaren Zeitpunkt. Gemeint sind
Exporte in die gesamte Welt. Dieser Wert war schwer verfügbar und wurde
daher ebenfalls in die Erhebung mit aufgenommen.
10.2.4 Faktoren für Datenbankrecherche und systematische
Ableitungen
Patente
Patente meint hier die absolute Anzahl an Patentanmeldungen eines betreffenden
Unternehmens (letzte verfügbare Information). Als Quellen wurden
Patentdatenbanken genutzt, die über Suchalgorithmen die Häufigkeit der
Patentanmeldungen in einem bestimmten Zeitraum ausweisen. Hier wurden
Online-Daten der Europäischen Patentdatenbank (2012) [111] verwendet.
Öffentliche F&E-Förderungen
Öffentliche F&E-Förderungen werden vom Bundesministerium für Verkehr,
Innovation und Technologie (BMVIT) vergeben und von der Österreichischen
Forschungsförderungsgesellschaft (FFG) verwaltet. Da die Daten für
Förderungen im F&E-Bereich für Unternehmen aus Datenschutzgründen auf
Unternehmensebene nicht verfügbar sind, war es notwendig die Daten
selbstständig herzuleiten. Hierzu wurde jedes der untersuchten Unternehmen
in einen volkswirtschaftlichen Sektor eingeteilt. Die Daten öffentlicher F&E-
Förderungen für den privaten Sektor in Österreich sind nur sektorenspezifisch
abrufbar. Die Gesamtfördersumme eines Sektors wurde durch die
Gesamtbeschäftigung in diesem Sektor geteilt, was die Fördersumme pro
sektoral Beschäftigten ergibt. Dieser Wert wurde mit der Beschäftigtenzahl
eines zu untersuchenden Unternehmens (als Interpretation der Unternehmens-
[111] Vgl. Europäische Patentdatenbank, 2012
37

Master-Thesis, Mayrhofer (2013)
größe) multipliziert und ergab so einen Näherungswert für die Förderung dieses
Unternehmens. Bei der Konstruktion dieses Faktors muss allerdings angenommen
werden, dass alle einbezogenen Unternehmen öffentliche Förderungen
in Anspruch genommen haben, was nicht der Realität entsprechen muss. Es
werden durch diesen Faktor in erster Linie sektorale Unterschiede in der
Förderung von Unternehmen abgebildet. Hier wurde mit dem letzten
verfügbaren Wert (2009) der Statistik Austria [112] gerechnet.
10.2.5 Faktoren für die Befragung
Innovationsaktivität(en)
Als abhängige Variable werden die Innovationschancen [113] gewählt. Um diese
zu bestimmen, müssen die Unternehmen zunächst befragt werden, ob sie
innovieren, d.h. ob sie im vergangenen Jahr Innovationsaktivität(en)
durchgeführt haben. Dabei gehen wir von der Innovationsdefinition der
Statistik Austria aus dem Jahr 2012 aus: „Die Unternehmen haben entweder
neue oder merklich verbesserte Produkte auf den Markt gebracht, neue oder
merklich verbesserte Prozesse in ihrem Unternehmen eingeführt,
organisatorische Innovationen oder Marketinginnovationen eingeführt oder
zumindest Innovationsaktivitäten durchgeführt, die auf die Einführung von
Produkt- oder Prozessinnovationen abzielten“ [114] . Um die Definition von
Innovationsaktivität eng zu halten, damit nicht alle Unternehmen der
Befragung auf die innovationsaktive (oder -passive) Seite fallen, wurden nur
jene Unternehmen als innovationsaktiv definiert, die im Jahr 2011 von den
drei Innovationsarten: Produkt-, Prozess- und organisatorische Innovationen/
Marketinginnovationen zumindest zwei eingeführt/durchgeführt haben.
F&E-Kooperationen
Forschungs- und Entwicklungskooperationen beziehen sich auf Kooperationen,
die ein gegebenes Unternehmen im Innovationsbereich in/seit dem Jahr 2011
mit anderen Unternehmen hatte/hat. Da diese Angabe bei Unternehmen als
sehr heikel gilt (Ergebnis des Pre-Tests), wurde hier nicht nach der absoluten
Anzahl der Unternehmen, mit denen kooperiert wird, gefragt, sondern eine
stufenweise Befragung durchgeführt. Die 4 Stufen sind: Das Unternehmen
kooperiert: 1) mit sehr vielen Unternehmen, 2) mit vielen Unternehmen, 3) mit
wenigen Unternehmen, 4) mit gar keinen Unternehmen.
[112] Vgl. Statistik Austria, 2009
[113] Hinweis: Gerechnet wird jedoch mit logarithmierten Odds als abhängige Variable. (siehe
Gleichung 1.3 im Kaptiel 10.3 Modell)
[114] Statistik Austria, 2012
38

Master-Thesis, Mayrhofer (2013)
10.2.6 Stichprobe, Größe und Zeitraum
Die Erhebung wurde unter österreichischen (Groß)unternehmen durchgeführt.
Dazu wurden sämtliche Firmen aus der zweijährlich durchgeführten
Leitbetriebe-Studie des Industriewissenschaftlichen Instituts (IWI) in Wien,
plus alle ATX-notierten Unternehmen in die Befragungsliste aufgenommen. Die
erwähnte Leitbetriebe-Studie beinhaltet eine gut gemischte Unternehmensliste
und hat bei der letzten Durchführung insgesamt 106 Unternehmen befragt.
Inklusive zusätzlicher ATX-Unternehmen wurde eine Liste von insgesamt 118
Unternehmen [optional +2 weitere (Groß)unternehmen für Ausfälle], also 120
Unternehmen erstellt. Für den Erhebungszeitraum wurde Mai und Juni 2012
gewählt, noch vor Beginn der eigentlichen Sommerzeit, um die Response-
Wahrscheinlichkeit nicht zu sehr zu gefährden. Dieser Zeitraum beinhaltet auch
bereits die Durchführung der Non-Response-Analyse, die ab einem Monat nach
dem Start der Erhebung durchgeführt wurde.
Als Befragungsmethode wurde der Online-Fragebogen gewählt. „Online-
Befragungen zählen zweifellos zu den günstigsten, effizientesten und auch - für
die Befragungsteilnehmer/innen - attraktivsten Erhebungsformen. Zudem
können innerhalb kurzer Zeit relativ große Fallzahlen erzielt werden“ [115] . Dazu
wurde ein geeigneter Anbieter verwendet und die Fragen dort formuliert und
hochgeladen. Im Ergebnis ergab sich eine Response-Rate von 45% (54
Beantwortungen).
10.3 Modell
Zur Erklärung der Innovationschancen österreichischer (Groß)unternehmen
wurde ein Logit-Modell gerechnet. De facto handelt es sich bei der logistischen
Regression um die Erklärung einer binären Abhängigen durch erklärende
Variablen. Ein Logit-Modell, wie es in Gleichung 1.3 dargestellt ist, basiert auf
der Idee der Odds (1.1). Dabei handelt es sich auf der ganz rechten Seite der
Gleichung 1.2 um den Logarithmus der Ratio der Wahrscheinlichkeiten des
Ereignisses und dessen Gegenwahrscheinlichkeit. Dieses Verhältnis
wird als Odds tituliert, was einem Chancenverhältnis gleichkommt (Odds-
Ratio). Wenn ( ) dann ( )
39
⁄ . Werden diese Odds
durch Logarithmieren in Logits transformiert, können diese nun unendliche
positive und negative Werte annehmen.
[115] Paier, 2010: 99

Master-Thesis, Mayrhofer (2013)
Wenn also die Wahrscheinlichkeit des Eintretens eines Ereignisses ,
( ) ist und Gegenwahrscheinlichkeit, also das Nicht-Eintreten des
Ereignisses , ( ) ist, erhalten wir formal bei der Division
der Wahrscheinlichkeiten die Odds (1.1):
( )
( )
( ( )) ( )
( )
Werden die Odds logarithmiert, erhalten wir das Logit (1.2):
( ) ( ( )) ( )
( )
40
(1.1)
( )
Dieses Logit kann nun in eine multivariate Regressionsgleichung eingesetzt
werden und wir erhalten (1.3):
( ( )
( ) )
Auflösen nach ( ) ergibt (1.4):
mit
und der Umformung:
( )
( ) ( )
wobei in der Literatur als Effekt-Koeffizient bezeichnet wird [116] . Dieser spielt
bei der Interpretation der Ergebnisse der Logit-Regression eine erhebliche Rolle.
[116] Vgl. z.B. Diaz-Bone/Künemund, 2003: 8
(1.2)
(1.3)
(1.4)
(1.5)

Master-Thesis, Mayrhofer (2013)
Für eine standardisierte logistische Funktion
Kurve, wie in Abb. 12:
Abb. 12: Standardisierte logistische Funktion
1.0
0.0
Quelle: Fromm, 2005: 7
41
ergibt sich eine S-förmige
Besonders zu berücksichtigen ist in einer binären Logit-Regression, dass der
Störterm nicht wie bei einer linearen Regression oder wie bei einer Probit-
Regression normalverteilt ist, sondern Gumbel-verteilt. Eine Gumbel-Verteilung
hat die Dichtefunktion (bei Skalierungsparameter und Lageparameter )
(1.6):
Der Erwartungswert ist
( )
( )
( )
(1.6)
wobei γ die Euler-Mascheroni Konstante
darstellt, mit einem Wert von ≈ 0,577 [117] . Die Varianz des Fehlerterms ist
Werden die Variablen im Logit-Modell als alternativenspezifische Variablen
bezeichnet dann kann jeder unabhängigen Variable ein eigenes (spezifisches)
Regressionsgewicht zugeordnet werden. Damit können die Regressionskonstanten
als Koeffizienten von alternativenspezifischen Variablen mit dem
konstanten Wert Eins interpretiert werden. Dies sind die alternativenspezifischen
Konstanten. Sie geben die Wahrscheinlichkeitsverteilungen der
abhängigen Variablen wieder, wenn alle übrigen und alternativenspezifischen
Variablen den Wert Null aufweisen. [118]
In der hier durchgeführten Logit-Schätzung wird eine iterative Methode
angewandt um durch die Maximierung der Maximum-Likelihood (ML)-
Funktion die optimierenden Parameterwerte zu erhalten.
[117] Vgl. Maier/Weiss, 1990: 135
[118] Vgl. Andreß/Hagenaars/Kühnel, 1997: 310
0.0

10.3.1 Regressionsanalyse
Master-Thesis, Mayrhofer (2013)
Anhand unserer Vorarbeiten und der Definitionen der geeigneten Faktoren,
kann nun ein Modell zur statistischen Auswertung des Einflusses aller
unabhängigen Variablen auf die binäre abhängige Variable erstellt werden. Die
Auswahl der sich im Modell befindlichen Faktoren, Parameter und Indikatoren,
die zur Erklärung der Innovationschancen beitragen, sind jene, die am
häufigsten in der Innovationsliteratur verwendet werden, dennoch „muss
festgestellt werden, dass Messungen nur selten vollständig theoretisch begründet
sind, und zwar meistens deshalb, weil für das Indikatorenuniversum eine
erschöpfende inhaltliche Begründung nicht gegeben ist (bzw. gegeben werden
kann)“ [119] . Dies gilt insbesondere für die Bereiche Komplexität und Innovation.
Dem Logit-Konzept folgend, als das „wohl am häufigsten angewandte
multinominale Entscheidungsmodell“ [120] , wird in dieser Thesis das folgende
binäre Modell gerechnet (2.1):
wobei: ( ( )
( ) )
beschreibt eine Innovation und beschreibt keine Innovation der
untersuchten Unternehmen. Definition siehe oben.
K i ist eine Matrix, mit 5 Vektoren aus den Kombinationen der
Wirkungsbereiche eines Innovationssystems mit den Indikatoren von
Komplexität (=Komplexitätsfaktoren). Die 5 Vektoren sind die aggregierten
Werte für Vielzahl, Vielfalt, Veränderlichkeit, Interaktion und Vieldeutigkeit
( ). sind die dazugehörigen Koeffizienten ( ). Zur besseren
Darstellung hier das Modell in Matrix-Schreibweise (2.2):
( )
Bei Ausschreibung der Matrizen folgt (2.3):
[119] Paier, 2010: 55
[120] Maier/Weiss, 1990: 135
42
(
)
(2.1)
(2.2)

(
) (
Master-Thesis, Mayrhofer (2013)
(
Die Beschreibung aller Parameter und Koeffizienten folgt in Tab. 5:
43
) (
Tab. 5: Legende für die logistische Regression
Innovationsodds
Alternativen spezifische Konstante
Koeffizient für FEA
F&E-Aufwendungen
Koeffizient für Pa
Patente
Quelle: Eigene Erstellung
Koeffizient für FEK
F&E-Kooperationen
Koeffizient für FEP
F&E-Personal
Koeffizient für UG
Unternehmensgröße
Koeffizient für FOR
Öffentliche Förderungen
Koeffizienten für
Komplexitätsfaktoren (Vektoren)
Störterm (i.i.d. ~ Gumbel)
)
) (
)
(2.3)

11 Ergebnisse
11.1 Deskriptive Statistiken
Master-Thesis, Mayrhofer (2013)
Das folgende Kapitel beschreibt die Ergebnisse der Erhebung, die im Mai und
Juni 2012 vom AFA [121] durchgeführt wurde und die Daten für die spätere
Regression lieferte. Vor allem die deskriptiven Beschreibungen der
komplexitätsbezogenen Faktoren im hinteren Teil dieses Abschnitts sind in
dieser Arbeit entscheidend für einen neuartigen Forschungsbeitrag.
9000000
8000000
7000000
6000000
5000000
4000000
3000000
2000000
1000000
0
Quelle: eigene Erhebung
Abb. 13: Deskr. Statistik: Förderungen
0 10 20 30 40 50 60
Die deskriptive Auswertung der Förderungshöhen lässt den Schluss zu, dass
bestimmte Branchen stärker gefördert werden als andere. Nicht nur die größten
Unternehmen erhalten, in Relation gesetzt, die höchsten Förderbeträge. Auch
bei kleineren Unternehmen gibt es Unterschiede, die erwartungsgemäß auf die
unterschiedlichen Förderhöhen in unterschiedlichen Sektoren zurück zu führen
sind. In der Berechnung dieses Faktors wurden die Förderquoten nach
Wirtschaftszweigen/-sektoren zunächst heruntergebrochen auf eine Einheit, also
einen Beschäftigten im betreffenden Wirtschaftszweig [122] . Dieser Wert, also die
Förderquote pro sektoral Beschäftigten, wurde schließlich um die
Unternehmensgröße gewichtet. Dies implizierte bei der Berechnung, dass alle
der einbezogenen Unternehmen öffentliche Förderungen beziehen. Der Faktor
zeigt uns nicht mehr als einen Näherungswert, der die öffentliche Förder-
struktur in Österreich mit den Unternehmensgrößen verbindet. Der Plot (Abb.
[121] Akademisches Forum für Außenpolitik – Hochschulliga für die Vereinten Nationen (AFA)
[122] Hinweis: Als Klassifizierung der Wirtschaftszweige wurde der ÖNACE 2008 Code
verwendet. Sowohl für Daten der Beschäftigen pro Wirtschaftszweig nach ÖNACE 2008, als
auch der Förderquoten nach ÖNACE 2008 wurden die aktuellsten Daten der Statistik
Austria herangezogen.
44
Förderungen:
Deskr. Statistik
Min. : 0
1st Qu. : 41.404
Median : 228.390
Mean : 1.047.177
3rd Qu. : 1.613.481
Max. : 7.913.362

Master-Thesis, Mayrhofer (2013)
13) zeigt uns, dass der Großteil der Förderungen im unteren Bereich liegt und
nur einige wenige Unternehmen in den Genuss von hohen Förderungen
kommen. Dies mag u.a. durch die KMU-Struktur der österreichischen
Wirtschaft erklärt werden. Auch bei dieser Studie, die sich zwar auf
Großunternehmen fokussiert, wurden mittlere Unternehmen mit in das Sample
einbezogen, solange sie in die Definition der Leitbetriebe fallen. Dies ist
dadurch zustande gekommen, da viele internationale und große Unternehmen
in Österreich nur mittlere Tochterunternehmen betreiben. Im österreichischen
Unternehmenssektor wurden für die „Finanzierung der Ausgaben für Forschung
und experimentelle Entwicklung (F&E) 2009“ vom öffentlichen Sektor
insgesamt 560.282.000 € ausgegeben, die als Förderungen interpretiert werden
können [123] .
Abb. 14: Deskr. Statistik: Patente
1000
900
800
700
600
500
Unternehmensgröße
400
300
200
100
0
0 10 20 30 40 50 60
Quelle: eigene Erhebung
Ähnlich dem Plot der Förderungen, sind die Ergebnisse der Patente zu
interpretieren. Sowohl bei Abb. 13 der Förderungen, als auch in diesem Fall
(Abb. 14), liegt der Median erheblich unter dem Mittelwert, was auf eine
Verteilung schließen lässt, die sich stark am unteren Feld orientiert. Der Plot
(Abb. 14) zeigt, dass ein großer Teil der Unternehmen eher wenig bis keine
Patente angemeldet hat. Die Quelle ist hier die Europäische Patentdatenbank.
Es muss allerdings erwähnt werden, dass bei firmenbezogenen Recherchen
manche Patente doppelt ausgegeben werden, wenn sie in verschiedenen Ländern
angemeldet wurden. Es kann nicht gänzlich sichergestellt werden, dass hier die
Anzahl der entsprechenden firmenbezogenen Patentanmeldungen mit der
Realität übereinstimmt, sondern tendenziell darüber liegen könnte. Um dies
auszugleichen wurden bei der Recherche soweit es möglich war länderbezogene
[123] Vgl. Statistik Austria, 2009: 1
45
Patente:
Deskr. Statistik
Min. : 0,0
1st Qu. : 4,0
Median : 33,0
Mean : 145,9
3rd Qu. : 228,0
Max. : 936,0

Master-Thesis, Mayrhofer (2013)
Recherchen verwendet, was durch den Umstand erschwert wurde, dass
innerhalb der EU die Patente häufig kontinentweit angemeldet werden. In
diesem Fall lassen sich die Anmeldungen nur sehr schwer auf einzelne Länder
beziehen.
90.000
80.000
70.000
60.000
50.000
40.000
30.000
20.000
10.000
0
Quelle: eigene Erhebung
Abb. 15: Deskr. Statistik: Unternehmensgröße
0 10 20 30 40 50 60
Die deskriptive Statistik der Unternehmensgröße der untersuchten
Unternehmen zeigt die größte Differenz zwischen Maximum und Median. Das
unterstreicht u.U. wieder die Struktur der österreichischen Wirtschaft, die stark
auf mittleren und kleineren Unternehmen aufgebaut ist. Es ist weiter zu
erwähnen, dass viele dieser Unternehmen Töchter oder Landesvertretungen
internationaler Konzerne sind. Die größten Unternehmen in diesem Plot sind
international agierende, österreichische Unternehmen, da in diesem Fall die
Gesamtgröße dieser Betriebe in die Berechnung mit aufgenommen wurde. Dies
ist deshalb möglich, da es sich bei dem Parameter Unternehmensgröße um
tatsächlich österreichische Unternehmen handelt. Das Maß der Unternehmens-
größe ist hier die Gesamtbeschäftigtenanzahl. Wichtig ist dabei die Gesamt-
beschäftigten eines Unternehmens innerhalb Österreichs von den Gesamt-
beschäftigten österreichischer Unternehmen zu unterschieden. In dieser
Untersuchung wird das zweite Konzept angewandt. Dies bringt es auch mit
sich, dass international agierende Betriebe, die in Österreich eine im Vergleich
zur Gesamtgröße des betreffenden Unternehmens kleine Ländervertretung oder
ein Tochterunternehmen unter selben Namen betreiben, auch im Datensatz der
Unternehmensgröße als klein gewertet werden, obwohl das Mutterunternehmen
u.U. hochgradig innovativ ist. Betreibt z.B. ein internationaler Großkonzern in
Österreich nur seinen Vertrieb im Rahmen einer eigenen Rechtsform, so zählt
nur dieses Team des Vertriebs als österreichisches Unternehmen. Wird dieser
Vertriebsprozess u.U. innovativ gestaltet, ergibt sich das Gegenteil des
46
Unternehmensgröße:
Deskr. Statistik
Min. : 230,0
1st Qu. : 562,5
Median : 1.459,5
Mean : 6.332,7
3rd Qu. : 3.949,5
Max. : 76.900,0

Master-Thesis, Mayrhofer (2013)
erwarteten Zusammenhangs: Kleine Unternehmen scheinen plötzlich hochgradig
innovativ.
12,00
10,00
8,00
6,00
4,00
2,00
0,00
Quelle: eigene Erhebung
Abb. 16: Deskr. Statistik: F&E-Aufwendungen
0 10 20 30 40 50 60
F&E-Aufwendungen zählen in der Literatur zu den wichtigsten
Erklärungsfaktoren für Innovation. Die F&E-Aufwendungen im Plot (Abb. 16)
sind prozentuelle Werte, gemessen am Gesamtumsatz der Unternehmen. Die
Verteilung der Datenpunkte gestaltet sich im Vergleich zu den beiden
vorhergehenden Statistiken gleichmäßiger. Zwar wenden einige Unternehmen
keine Mittel für F&E auf, die Anzahl jener jedoch, die in Forschung und
Entwicklung investieren, überwiegt. Wenn die Verteilung der Datenpunkte
gleichverteilter ist, als jene der Unternehmensgröße oder jene der Förderungen,
würde dies dafür sprechen, dass nicht nur die größten und förderungsstärksten
Unternehmen in das eigene F&E investieren, sondern weitere Einflüsse dafür
entscheidend sind, die im Rahmen dieser Arbeit aber nicht identifiziert werden
können. In Österreich wurden im Unternehmenssektor von den Unternehmen
selbst insgesamt im Rahmen der „Ausgaben für F&E 2009“ 5.092.902.000 € für
interne F&E Ausgaben ausgegeben [124] .
[124] Vgl. Statistik Austria, 2009: 1
47
F&E-Aufwendungen:
Deskr. Statistik
Min. : 0,00
1st Qu. : 0,10
Median : 1,00
Mean : 2,24
3rd Qu. : 3.45
Max. : 10,00

800
700
600
500
400
300
200
100
0
Quelle: eigene Erhebung
Master-Thesis, Mayrhofer (2013)
Abb. 17: Deskr. Statistik: F&E-Beschäftigte
0 10 20 30 40 50 60
Bei den F&E-Beschäftigten tritt ein ähnliches Phänomen wie bei der
Unternehmensgröße auf. Bei der Erhebung stellte sich für die Befragten die
Zurechnung der F&E-Beschäftigten als oft schwierig heraus. Welche F&E-
Beschäftigen für eine österreichische Ländervertretung zugerechnet werden
sollen und ob eine ausländisches F&E-Abteilung auch für die Arbeit in
Österreich relevant ist, stellten hier Problemfelder dar. Auch sieht ein
Innovationssystem in jedem Unternehmen anders aus. Diese Probleme kommen
somit aus den internen Strukturen der untersuchten Unternehmen und konnten
beinahe nicht verhindert werden, was u.U. eine mögliche Erklärung für die
Insignifikanz des Parameters in der später folgenden Logit-Regression sein
könnte. Die Anzahl der F&E-Beschäftigten im österreichischen Unternehmens-
sektor beträgt im Rahmen der „Beschäftigten in Forschung und experimenteller
Entwicklung (F&E) 2002-2009“ im Jahr 2009 insgesamt 38.302,9 € und stieg
seit 2002 von 26.727,5 € um 43,31% [125] . Der größte Teil der F&E-Beschäftigten
findet sich dabei traditionell im Wirtschaftszweig Herstellung von Waren [126]
und hier in den Bereichen Elektrische Ausrüstungen und Maschinenbau. Auch
im Bereich der Dienstleistungen [127] sind viele F&E-Beschäftigte tätig, hier vor
allem in den Bereichen „Sonstige Forschung und Entwicklung im Bereich
Natur-, Ingenieur-, Agrarwissenschaften und Medizin“ und „Architektur- und
Ingenieurbüros; technische, physikalische und chemische Untersuchung“ [128] .
[125] Vgl. Statistik Austria, 2009: 1
[126] ÖNACE Code 10-33
[127] ÖNACE Code 45-96
[128] Vgl. Statistik Austria, 2009: 1
48
F&E-Beschäftigte:
Deskr. Statistik
Min. : 0.00
1st Qu. : 4.25
Median : 25.50
Mean : 77.30
3rd Qu. : 68.75
Max. : 687.00

Master-Thesis, Mayrhofer (2013)
Abb. 18: Diagramm: F&E-Kooperationen
Quelle: eigene Erhebung
Bei der Erhebung wurden auch die Tendenzen in Bezug auf die Kooperationen
erhoben, die ein Unternehmen im F&E-Bereich mit anderen Unternehmen
unterhält. Da die absolute Anzahl zu erheben, von den befragten Unternehmen
die Preisgabe von zu sensiblen Daten bedeutet hätte (Ergebnis des Pre-Tests)
wurden Kooperationsstufen erhoben. Diese gingen von der Kooperation „mit
gar keinen Unternehmen“ bis hin zur Kooperation „mit sehr vielen
Unternehmen“ (siehe oben). Abb. 18 zeigt ein eindeutiges Ergebnis. Deutlich
über die Hälfte der Befragten Unternehmen, 57,4% gaben an, mit wenigen
Unternehmen zu kooperieren. Mit vielen Unternehmen kooperiert knapp ein
Viertel. Mit sehr vielen kooperiert etwas mehr als ein Zehntel (11.1%). Nur
5,5% geben an mit gar keinen Unternehmen im F&E-Bereich zu kooperieren.
Jedenfalls lässt dieses Ergebnis darauf schließen, dass F&E-Kooperationen in
Österreich eine nicht zu unterschätzende Rolle spielen. Daten für die Industrie
Deutschlands zumindest sprechen davon, dass 31,5% bzw. 29,4% der
Industrieunternehmen F&E-Kooperationen unterhalten. Je größer darüber
hinaus ein Industrieunternehmen in Deutschland ist, desto eher tendiert es
dazu im F&E-Bereich mit anderen Unternehmen zu kooperieren [129] .
[129] Vgl. BDI, 2005: 29ff
49
Mit gar keinen
Unternehmen
(5,5%)
Mit sehr vielen
Unternehmen
(11,1%)
Mit vielen Unternehmen
(25,9%)
Mit wenigen Unternehmen
(57,4%)

18
16
14
12
10
8
6
4
2
0
Quelle: eigene Erhebung
Master-Thesis, Mayrhofer (2013)
Abb. 19: Deskr. Statistik: Standort
W OOE NOE BGL SBG V ST K T
Die Auswahl der Unternehmen orientierte sich von Beginn der Konzeption an
auf ganz Österreich. Leitbetriebe finden sich im gesamten Bundesgebiet in
unterschiedlichen Ausprägungen bezüglich Gesamtwertschöpfung, Größe, etc..
So ist das Bruttoregionalprodukt 2009 je Einwohner in Wien mit 42.600 € am
höchsten und im Burgenland mit 22.200 € (52,11% vom Wert Wiens) am
niedrigsten [130] . Die Forschungsquote 2009 ist jedoch in der Steiermark mit
4,32% die höchste in Österreich, Schlusslicht ist auch hier das Burgenland mit
0,71% [131] . Die Verteilung, die sich aus den Ergebnissen der hier durchgeführten
Erhebung ergeben hat, ist stark Wien-lastig, was zu einem dementsprechenden
geografischen Bias führt. Das Diagramm in Abb. 19 und die dazugehörende
Tab. 6 zeigen, dass Wien bei den Unternehmen, welche die Erhebung
beantworteten mit 31,48% den höchsten Wert aufweist. Es folgen
Oberösterreich und Niederösterreich mit 9 und 7 Unternehmen. Salzburg,
Steiermark und Kärnten konnten nur mit 5 bzw. 6 Unternehmen in die
Erhebung aufgenommen werden, Tirol, Vorarlberg und das Burgenland gar nur
mit 1 bzw. 2 Unternehmen (Tab. 6). Diese Werte ergaben sich zufällig aus allen
angefragten Unternehmen. Es ist interessant, dass Wien einen so deutlichen
Vorsprung zeigt, da selbst die Non-Response Analyse mit allen relevanten
Unternehmen in ganz Österreich durchgeführt wurde. Dennoch muss dabei auch
fairerweise erwähnt werden, dass in der Liste der Leitbetriebe und ATX-
Unternehmen die Bundeshauptstadt etwas stärker repräsentiert ist, als andere
Bundesländer. Da der Parameter Standort den Erklärungswert für das
gerechnete Regressionsmodell nicht erhöhte, wurde er nicht aufgenommen.
[130] Hinweis: Beim Wert für das Burgenland sind Pendler-Effekte nicht berücksichtigt.
[131] Vgl. Statistik Austria, 2009: 1
50

Master-Thesis, Mayrhofer (2013)
Tab. 6: Häufigkeitstabelle: Standort
Bundesland abs. Häufigkeit (54) %
Wien 17 31,48
Oberösterreich 9 16,67
Niederösterreich 7 12,96
Burgenland 1 1,85
Salzburg 6 11,11
Vorarlberg 1 1,85
Steiermark 6 11,11
Kärnten 5 9,26
Tirol 2 3,70
Quelle: eigene Erhebung
Die Exportleistung oder -quote auf Unternehmensebene scheint, wenn die
Unternehmen sie nicht im Rahmen der Erhebung selbst angeben, sehr schwer
recherchierbar zu sein. Diese Quoten sind, wie sich gezeigt hat, auch kein
essentieller Wert in Geschäfts- oder Nachhaltigkeitsberichten. Zumindest
kommen sie nur in den wenigsten Berichten vor. In dieser Thesis wurde als
Maß die Exportquote, gemessen am Gesamtumsatz eines Unternehmens,
gewählt. Insgesamt konnte der Faktor leider nicht planmäßig in die spätere
Regression aufgenommen werden, da über die Erhebung zu wenige Datenpunkte
generiert werden konnten. In Abb. 20 wird das vorhandene Ergebnis dennoch
dargestellt. Es zeigt, wie international die befragten Unternehmen agieren.
Einige Unternehmen liegen bei 100% Exportquote, was u.U. mit der bereits
oben diskutierten Ländervertretung größerer Unternehmen in Österreich zu tun
haben kann. Werden nur einzelne Teile im Inland gefertigt oder nur einzelne
Prozesse im Inland ausgeführt, mit der Grundidee sie sofort wieder zu
exportieren, dann zeigen diese Unternehmen natürlich eine erhöhte Exportquote
von bis zu 100%. Nur drei der befragten Unternehmen geben an, eine
Exportquote von null aufzuweisen. Dies stimmt mit der ersten Frage der
Erhebung überein, bei der gefragt wurde, ob das betreffende Unternehmen auch
international tätig sei (statistische Frage), was genau von drei verneint wurde.
Der Großteil, wie aus Abb. 20 ersichtlich wird, bewegt sich bei Exportquoten
von über 50%, nur wenige haben ein schwach ausgeprägtes Auslandsgeschäft.
Österreich gilt traditionell als kleine, offene Volkswirtschaft. Im Land ist die
Exportquote insgesamt (Waren- und Dienstleistungsexporte gemessen am BIP)
seit 1995 (34,8%) bis 2011 (56,6%) um 62,64% gestiegen. Österreich liegt damit
deutlich über dem EU-Durchschnitt von 43,5% [132] .
[132] Vgl. Statistik Austria, 2011
51

120
100
80
60
40
20
Master-Thesis, Mayrhofer (2013)
Abb. 20: Deskr. Statistik: Exporte
Quelle: eigene Erhebung
11.1.1 Verteilungen komplexitätsbezogener Faktoren
In diesem Abschnitt werden die Ergebnisse der komplexitätsbezogenen
Faktoren aus der Erhebung beschrieben. Dabei gibt es zwei Arten, wie die
Bestandteile dieser Faktoren aggregiert wurden. Die erste Art aggregierte die
Werte über die Achse der Indikatoren von Komplexität (Vielzahl, Vielfalt,
Veränderlichkeit, Interaktion und Vieldeutigkeit), die zweite Art aggregierte die
Werte über die Achse der gewählten Wirkungsbereiche eines Innovations-
systems (Akteure, Aktivitäten, Ressourcen und Institutionen) [133] . In beiden
Arten wurden zunächst die Antworten aus der Erhebung quantifiziert und über
arithmetische Mittelwerte zu je einem Indikator aggregiert, die später in zwei
getrennten Regressionen als unabhängige Parameter in die Logit-Regressionen
eingesetzt wurden. Die beiden Indikatoren werden von nun an Indikator (A)
und (B) genannt. Zur Aggregation ist es entscheidend die Fragen aus der
Erhebung genau in Richtung komplex oder in Richtung nicht komplex
einzuordnen. Dies war hier allerdings kein Problem, da die Ausprägungen der
Fragen sich durch die systematische Kombination stets zwischen komplex und
nicht komplex im Sinne von Tab. 3 befinden. Um die Ergebnisse für den/die
Leser/in so einfach verständlich wie möglich darzustellen, wurde ein
Tachometer-Diagrammtyp gewählt, der den Grad zwischen komplex und nicht
komplex anzeigt. Die Mitte ist als Optimum definiert [134] . Die Werte zwischen 1
und 6 stammen aus der Erhebung. Als Optimum gilt somit der Wert:
3,5 {=[(6-1)/2]+1}.
0
0 10 20 30 40 50 60
[133] Vgl. beide Arten mit Abb. 11
[134] Vgl. Abb. 8 und Seite 27/28
52

Komplex
(1)
Komplex
(1)
Komplex
(1)
Quelle: eigene Erhebung
Master-Thesis, Mayrhofer (2013)
Abb. 21: Komplexitätsgrade des Indikators (A)
In Abb. 21 sind die Tachometer-Diagramme des ersten Indikators (A)
dargestellt. Die Grafik unten rechts in Abb. 21 mit der Beschriftung „Indikator
(A): 2,06“, stellt den Wert des arithmetischen Mittelwerts der 5 Bestandteile
des Indikators (A), also Vielzahl, Vielfalt, Veränderlichkeit, Interaktion und
Vieldeutigkeit dar. Man sieht bei diesem Wert, dass die untersuchten
Unternehmen nach dieser Aggregationsform dazu tendieren, in ihren
Innovationssystemen komplex zu sein (Wert: 2,06). Ein genauerer Blick auf die
Faktoren lohnt sich: So kann man feststellen, dass die Faktoren Vielzahl,
Vielfalt und Veränderlichkeit im stark komplexen Bereich liegen, mit Werten
von 1,35; 1,49 und 1,41. Zur Erinnerung: Diese Faktoren bewegen sich zwischen
bestimmten Ausprägungen, die sie zwischen komplex und nicht komplex
unterscheiden [135] : Vielzahl bewegt sich zwischen den Ausprägungen Einzahl und
[135] Siehe Tab. 3
Optimum
(3,5)
Vielzahl: 1,35
Optimum
(3,5)
Nicht
komplex
(6)
53
Komplex
(1)
Optimum
(3,5)
Vielfalt: 1,49
Veränderlichkeit: 1,41 Interaktion: 3,00
Optimum
(3,5)
Nicht
komplex
(6)
Nicht
komplex
(6)
Komplex
(1)
Komplex
(1)
Optimum
(3,5)
Optimum
(3,5)
Vieldeutigkeit: 3,71 Indikator (A): 2,06
Nicht
komplex
(6)
Nicht
komplex
(6)
Nicht
komplex
(6)

Master-Thesis, Mayrhofer (2013)
Mehrzahl, wobei Mehrzahl als komplex gilt. Das Ergebnis zeigt hier eindeutig
auf Mehrzahl (1,35). Das bedeutet, dass die Unternehmen mehrzahlige
Komponenten in der Struktur ihrer Innovationssysteme zeigen. Der Faktor
Vielfalt bewegt sich zwischen den Ausprägungen Gleichartigkeit und
Verschiedenartigkeit, wobei Verschiedenartigkeit die komplexe Ausprägung
darstellt. Das Ergebnis zeigt, dass die untersuchten österreichischen Betriebe
hier stark zur Verschiedenartigkeit tendieren, wenn es um ihre
unternehmerischen Innovationssysteme geht (1,49). Bezüglich des Faktors
Veränderlichkeit lässt sich ebenfalls eine komplexitäts-orientierte Neigung
feststellen. Wenn wir betrachten, dass dieser Faktor sich zwischen den
Ausprägungen Statik und Dynamik bewegt, wobei Dynamik die komplexe
Ausprägung darstellt, dann sehen wir, dass die untersuchten Unternehmen zur
Dynamik in Innovationssystemen neigen. Beim Faktor Interaktion ist ein
Ergebnis beim Wert von 3,00 zu beobachten. Interaktion bewegt sich zwischen
den Ausprägungen Independenz und Interdependenz, wobei Interdependenz als
komplex gilt. Die Interpretation des Ergebnisses sagt uns, dass die
Unternehmen eine Mischung aus Freiheit und Abhängigkeit zu praktizieren
scheinen, die in Richtung Abhängigkeit tendiert. Schließlich finden wir einen
knapp in Richtung nicht komplex tendierenden Wert beim Faktor
Vieldeutigkeit, der sich zwischen den Ausprägungen Transparenz und
Intransparenz bewegt, wobei Intransparenz als komplex gilt. Der Wert von 3,71
zeigt, dass die Unternehmen in ihren unternehmerischen Innovationssystemen
zur Transparenz neigen.
Die zweite Aggregationsform nach den Wirkungsbereichen eines Innovationssystems,
also nach: Akteure, Aktivitäten, Ressourcen und Institutionen, ergibt
den Indikator (B). Bei den Ergebnissen des Indikators (B), dargestellt in Abb.
22, können durchwegs komplexe Tendenzen beobachtet werden. Die Grafik
ganz unten zeigt wieder den arithmetischen Mittelwert der Faktoren Akteure,
Aktivitäten, Ressourcen und Institutionen, der aggregiert den selben Wert wie
Indikator (A) ergeben muss, also 2,06. Wenn wir nun die einzelnen Faktoren
beobachten und interpretieren möchten, ist hier darauf hinzuweisen, dass die
Interpretation nicht auf dieselbe Art zulässig ist, wie das bei Indikator (A) der
Fall war, da die Wirkungsbereiche eines Innovationssystems selbst (also
Akteure, etc.) keine eigenen Ausprägungen zwischen komplex und nicht
komplex besitzen, sondern diese erst im Zuge der systematischen Kombination
mit den Indikatoren von Komplexität erhielten [136] und den Wirkungsbereichen
eines Innovationssystems (Akteure, etc.) erst auf diese Weise Dimensionen der
Komplexität zugewiesen wurden. Jede der 4 Wirkungsbereiche enthält somit
Ausprägungen der Komplexität aus den 5 Indikatoren von Komplexität
[136] Siehe Abb. 11 und Kapitel 10
54

Master-Thesis, Mayrhofer (2013)
(Vielzahl, etc.). Auf diese Weise sind diese Werte auch zu interpretieren: Sie
zeigen die Komplexitätsausprägungen der einzelnen Wirkungsbereiche. Beim
Indikator (A) hingegen wurden die Wirkungsbereiche auf die einzelnen
Komplexitätsindikatoren aggregiert.
Komplex
(1)
Komplex
(1)
Quelle: eigene Erhebung
Abb. 22: Komplexitätsgrade des Indikators (B)
Optimum
(3,5)
Alle Faktoren, also Akteure, Aktivitäten, Ressourcen und Institutionen zeigen
eine Neigung in Richtung komplex. In Abb. 23 ist der arithmetische Mittelwert
der beiden Indikatoren (A) und (B), der wichtigste komplexitätsbezogene
Ergebniswert dieser Arbeit, dargestellt. Insgesamt tendieren die untersuchten
österreichischen Unternehmen also dazu stark in ihren Innovationssystemen
komplex zu sein. Es fehlen ihnen zum theoretischen Optimum [137] nach unserem
Maß im Mittel 1,44 Einheiten. Um diese Differenzen zu den Optima genauer zu
[137] Siehe Abb. 8 und Seite 27/28
Nicht
komplex
(6)
Akteure: 2,28 Aktivitäten: 1,68
Optimum
(3,5)
Ressourcen: 1,89
Komplex
(1)
Nicht
komplex
(6)
Optimum
(3,5)
Indikator (B): 2,06
55
Komplex
(1)
Komplex
(1)
Optimum
(3,5)
Optimum
(3,5)
Institutionen: 2,41
Nicht
komplex
(6)
Nicht
komplex
(6)
Nicht
komplex
(6)

Master-Thesis, Mayrhofer (2013)
beurteilen, sind in Abb. 24 die Optimumsdifferenzen aller Fragen der Erhebung
zusammengefasst.
Abb. 23: Komplexitätsgrad Indikatoren (A) und (B)
Quelle: eigene Erhebung
Die Optimumsdifferenzen zeigen die nach arithmetischen Mittelwerten
aggregierten Werte der untersuchten Unternehmen. Egal ob nach der ersten
Art zu Indikator (A) oder nach der zweiten Art zu Indikator (B) aggregiert
wird, es zeigen beide Indikatoren die gleichen Optimumsdifferenzen, da beide ja
aggregiert die gleichen Ergebnisse zeigen müssen [138] . In Abb. 24 wird das
ursprüngliche Optimum, also 3,5 als 0 interpretiert um die absoluten
Abweichungen von diesem Optimum darzustellen. Die Grafik zeigt uns, dass
die Abweichungen sich bei ca. 1,5 bewegen. Unser gerade eben festgestellter
Wert von 1,44 [=(3,5-2,06)] ist hier präzise.
Abb. 24: Optimumsdifferenzen der Indikatoren (A) und (B)
-0,5
-1
-1,5
-2
-2,5
Komplex
(1)
Quelle: eigene Erhebung
Optimum
(3,5)
[138] Siehe Werte der Ergebnisse der Indikatoren (A) und (B)
56
Nicht
komplex
(6)
Indikatoren (A) & (B): 2,06
0
0 10 20 30 40 50 60

11.2 Regressionsoutputs
Master-Thesis, Mayrhofer (2013)
Die in R gerechnete Logit-Regression weicht vom geplanten Modell in zwei
Punkten ab, da sie schließlich ohne die Parameter Exportquote und Standort
gerechnet wurde. Für die Exportquoten konnten nicht genügend Daten
generiert werden, weder in der Gruppenrecherche, noch in der Erhebung. Viele
Unternehmen wollten vermutlich auf die Angabe dieser Daten verzichten.
Unternehmensbezogene Exportquoten werden von manchen (Groß)unternehmen
in ihren Berichten standardmäßig angegeben. Bei anderen Unternehmen ist dies
nicht der Fall, die Daten sind dann auch kaum auffindbar. Jedenfalls musste
der Parameter Exportquote daher als unabhängige Variable aus dem Modell
ausscheiden. Bei der Regression inklusive dem Parameter Standort als
Unabhängige, die sich in Form von 8 Dummy-Variablen äußert, treten
durchgehend ökonomisch irrelevante und statistisch insignifikante Koeffizienten
auf, die dem Modell in hohem Maße Erklärungswert rauben. Auch wenn der
Standort in der Literatur häufig eine wichtige Rolle spielt, ist dies bei dieser
Erhebung und dem dadurch generierten Datensatz nicht der Fall. Der
Parameter Standort wurde daher ebenfalls nicht in die Logit-Regression
aufgenommen. Im Modell gerechnet wurde nun mit den abhängigen Variablen
F&E-Aufwendungen, F&E-Kooperationen, F&E-Personal, Förderungen,
Patente, Unternehmensgröße und den Faktoren des Indikators (A), also
Interaktion, Veränderlichkeit, Vieldeutigkeit, Vielfalt und Vielzahl in Form
ihrer arithmetischen Mittelwerte.
Wie aus Tab. 7 ersichtlich ist, ergeben sich bei einigen Parametern signifikante
Koeffizienten. Aus den klassischen Erklärungsvariablen für Innovation, sind hier
vor allem die F&E-Aufwendungen mit dem Koeffizienten von -1,013 (=
-1.013e+00) und einer Signifikanz unter dem 5%-Level als p-Wert zu nennen.
Ebenfalls zeigt der für Innovationen heute klassische Erklärungsfaktor Patente
mit dem Koeffizienten 0,0164 [=(1.164e-02)] einen signifikanten Einfluss
zwischen dem 5%- und 10%-Level als p-Wert. Dass die weiteren klassischen
Variablen keine Signifikanz zeigen, kann einerseits an der Response der
Erhebung (n=54) liegen, andererseits, wie häufig bei dementsprechenden
Erhebungen, kann ein Bias und Verzerrungen in den Antworten der Befragten
entstehen, wenn sich diese im „selfassessment“ selbst beurteilen müssen.
Besonders signifikant aus den komplexitätsbezogenen Variablen ist der
Koeffizient des Parameters Interaktion mit dem Koeffizienten 3,085
[=(3.085e+00)]. Er zeigt mit 0,027 eine starke statistische Bedeutung unter
dem 5%-Level als p-Wert. Schließlich finden wir neben einer signifikanten
Konstante (-14,88=-1.488e+01) auch die Signifikanz des Parameters
57

Master-Thesis, Mayrhofer (2013)
Veränderlichkeit unter dem 10%-Level als p-Wert mit dem Koeffizienten 2,265
[=(2.265e+00)].
Tab. 7: Logit mit Indikator (A)
glm(formula = Innovation ~ F.E.Aufwendungen + F.E.Kooperationen + F.E.Personal +
Förderungen + Patente + Unternehmensgröße + Interaktion + Veränderlichkeit + Vieldeutigkeit
+ Vielfalt + Vielzahl, family = binomial(logit), data = Logit)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.84536 -0.66177 -0.00618 0.50989 2.35609
Coefficients:
Quelle: eigene Berechnung
Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.488e+01 8.051e+00 -1.849 0.0645 *
F.E.Aufwendungen -1.013e+00 4.118e-01 -2.461 0.0139 **
F.E.Kooperationen 8.382e-01 8.733e-01 0.960 0.3371
F.E.Personal -8.447e-03 8.640e-03 -0.978 0.3283
Förderungen 2.242e-07 3.653e-07 0.614 0.5395
Patente 1.164e-02 6.321e-03 1.842 0.0655 *
Unternehmensgröße -1.085e-04 7.113e-05 -1.526 0.1270
Interaktion 3.085e+00 1.395e+00 2.212 0.0270 **
Veränderlichkeit 2.265e+00 1.249e+00 1.813 0.0698 *
Vieldeutigkeit 1.537e+00 1.028e+00 1.495 0.1348
Vielfalt 4.250e-01 8.112e-01 0.524 0.6003
Vielzahl -4.012e-01 7.736e-01 -0.519 0.6041
AIC: 57.409 * 0.1; ** 0.05
Die Logit-Regression inklusive des Indikators (B) ist in Tab. 8 dargestellt. Als
unabhängige Variablen sind nun wieder die klassischen Parameter F&E-
Aufwendungen, F&E-Kooperationen, F&E-Personal, Förderungen, Patente und
die Unternehmensgröße inkludiert. Durch die andere Art der Aggregation des
Indikators (B) werden nun als komplexitätsbezogene Parameter Akteure,
Aktivitäten, Institutionen und Ressourcen aufgenommen. Auffällig in diesem
Output ist, dass wir es mit weniger signifikanten Koeffizienten zu tun haben,
als zuvor. Die F&E-Aufwendungen zeigen dafür einen noch signifikanteren
Einfluss auf die abhängige Variable mit einem Koeffizienten von 0,8587
(=8.587e-01) und einem p-Wert unter 1%. Allerdings kommt dazu nur mehr
der signifikante Einfluss der Ressourcen mit einem Koeffizient von -2,553
[=(-2.553e+00)] und einem p-Wert unter dem 10%-Level. Da sich bei der
ersten Regression bessere Erklärungswerte [bei fast gleichem AIC (Maß für
Modellgüte), wegen F&E-Aufwendungen] zeigen, wird bei der Interpretation
auch das erste Logit-Modell mit dem Indikator (A) als zusätzliche erklärende
Variablen vorgezogen.
58

Master-Thesis, Mayrhofer (2013)
Tab. 8: Logit mit Indikator (B)
glm(formula = Innovation ~ F.E.Aufwendungen + F.E.Kooperationen + F.E.Personal +
Förderungen + Patente + Unternehmensgröße + Akteure + Aktivitäten + Institutionen +
Ressourcen, family = binomial(logit), data = Logit)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.9044 -0.4889 0.0434 0.7492 2.2633
Coefficients:
Quelle: eigene Berechnungen
12 Interpretation
Estimate Std. Error z value Pr(>|z|)
(Intercept) 6.286e+00 6.318e+00 -0.995 0.31979
F.E.Aufwendungen 8.587e-01 3.327e-01 -2.581 0.00986 ***
F.E.Kooperationen 5.620e-01 8.581e-01 -0.655 0.51250
F.E.Personal 1.323e-02 1.447e-02 -0.914 0.36055
Förderungen 1.460e-07 3.700e-07 -0.395 0.69307
Patente -5.593e-03 4.779e-03 1.170 0.24188
Unternehmensgröße 3.553e-05 5.256e-05 -0.676 0.49903
Akteure 1.496e+00 1.349e+00 -1.109 0.26736
Aktivitäten 4.525e-01 1.528e+00 -0.296 0.76709
Institutionen -2.543e+00 1.640e+00 1.551 0.12087
Ressourcen -2.553e+00 1.369e+00 1.865 0.06216 *
AIC: 56.595 * 0.1; ** 0.05; ***0,01
Für eine geeignete Interpretation der Koeffizienten müssen diese zunächst
transformiert werden. Im Rahmen dieser Transformation wollen wir die sog.
Effektkoeffizienten erhalten, die bereits in der Modell-Herleitung erläutert
wurden. Dies ist bei der Interpretation von Logit-Regressionen üblich. Dazu ist
es zunächst notwendig, die Koeffizienten der Regressoren zu exponenzieren, d.h.
in unserem Fall ( ) für die Konstante, ( ) für die Koeffizienten der
klassischen Erklärungsvariablen für Innovation (F&E-Aufwendungen, F&E-
Kooperationen, F&E-Personal, Förderungen, Patente und Unternehmensgröße)
und ( ) für die komplexitätsbezogenen Regressoren.
Die Ergebnisse der Transformation der Koeffizienten der Logit-Regression mit
Indikator (A) sind in Tab. 9 aufgelistet. Werte unter eins ( ) der
Effektkoeffizienten wirken sich mit einem negativen Einfluss auf die Odds, auf
die regressiert wurde, aus. Sind sie größer als eins ( ), gilt das Gegenteil, ein
positiver Einfluss tritt auf.
59

Master-Thesis, Mayrhofer (2013)
Tab. 9: Effektkoeffizienten
Regressor Koeffizient ( ) Signifik.
Konstante -2.488e+01 63862616766
F&E-Aufwendungen -1.013e+00 2,7539
F&E-Kooperationen 8.382e-01 0,4325
F&E-Personal -8.447e-03 1,0085
Förderungen 2.242e-07 0,9999
Patente 1.164e-02 0,9884
Unternehmensgröße -1.085e-04 1,0001
Interaktion 3.085e+00 0,04573
Veränderlichkeit 2.265e+00 0,1038
Vieldeutigkeit 1.537e+00 0,2150
Vielfalt 4.250e-01 0,6538
Vielzahl 4.012e-01 1,4936
Quelle: eigene Berechnungen, * = 0,1; ** = 0,05
Zur Interpretation: Die Koeffizienten der unabhängigen Variablen sind die
Differenzen der logarithmierten Odds. Wenn z.B. die F&E-Aufwendungen um
eine Einheit steigen, ändern sich die logarithmierten Odds um -1,013. Es muss
eine Rücktransformation von den Änderungen der logarithmierten Odds zu den
Änderungen der Odds erfolgen. Dies geschieht mit Hilfe der Effektkoeffizienten,
die die exponenzierten Koeffizienten wiedergeben. Nach dieser Transformation
kann interpretiert werden, dass bei einem Anstieg der F&E-Aufwendungen um
eine Einheit die Chancen auf Innovation um 175,40% (2,7539-1) sinken, was auf
einen deutlichen Bias hinsichtlich der Angaben der F&E-Aufwendungen (oder
der Innovationsaktivität) durch die Befragten hindeuten lässt (mehr dazu in
den Schlussbemerkungen). Tab. 10 zeigt die Chancenveränderungen genau. Das
Patentergebnis zeigt einen geringen positiven Einfluss auf die Innovationschancen
bei einer Erhöhung der Patentanzahl eines Unternehmens.
Tab. 10: Änderungen der Odds
F&E-Aufwendungen Patente Interaktion Veränderlichkeit
-175,40% 1,15% 95,40% 89,60%
Quelle: eigene Berechnungen
60
*
**
*
**
*

Master-Thesis, Mayrhofer (2013)
Die Ergebnisse der beiden signifikanten komplexitätsbezogenen Faktoren sind
im Gegenzug hochinteressant. Bei der Erhöhung der Interaktion [139] um eine
Einheit steigen die Innovationschancen um 95,40%. Eine Einheit der
Interaktion meint in diesem Fall eine Einheit in Richtung nicht komplex (da
nicht komplex mit 6 codiert ist), was bei den Ausprägungen der Interaktion
eine Einheit in Richtung Independenz (Abhängigkeit) [140] bedeutet. Also lässt
sich zusammengefasst interpretieren: Bei der Erhöhung der Abhängigkeit im
Innovationssystem eines Unternehmens steigen die Chancen auf Innovation um
95,40%, was einen interessanten Teil der Ergebnisse darstellt, insbesondere weil
dies zum richtigen Verständnis einer weiteren Erklärung bedarf: Die
deskriptiven Ergebnisse der komplexitätsbezogenen Faktoren in der Erhebung
zeigen den Faktor Interaktion deutlich im komplexen Bereich bei dem Wert
3,00. Da Unternehmen nun im Optimalfall danach streben sollten, zum
Optimum (Wert: 3,50) zu gelangen, bewegen sie sich in Richtung nicht
komplex (also hier in Richtung Abhängigkeit).
Beim Faktor Veränderlichkeit tritt der selbe Fall noch stärker auf: Bei der
Erhöhung einer Einheit von Veränderlichkeit steigen die Innovationschancen
um 89,60%. Eine Einheit mehr in Richtung nicht komplex heißt bei der
Veränderlichkeit eine Einheit mehr in Richtung Statik. Da die deskriptive
Statistik der komplexitätsbezogenen Faktoren aus der Erhebung zeigt, dass die
Veränderlichkeit der Unternehmen stark im komplexen Bereich (Dynamik) bei
dem Wert 1,41 liegt und die Unternehmen zum Optimum (3,50) tendieren,
bringt eine Erhöhung um eine Einheit in Richtung des Optimums (= in
Richtung nicht komplex = in Richtung Statik) die gemessene Erhöhung der
Chance auf Innovation. Es lässt sich hier also interpretieren, dass bei der
Erhöhung der Statik die Chancen auf Innovation um 89,60% steigen.
Diese beiden Aussagen markieren die Hauptaussagen der vorliegenden Arbeit.
Sie sind in Tab. 11 noch einmal zusammengefasst.
Tab. 11: Hauptaussagen der Thesis
1) Die Erhöhung von Abhängigkeit (Interdependenz, als Gegenteil von
Independenz, also Freiheit) im Innovationssystem eines untersuchten öster-
reichischen Unternehmens um eine Einheit, lässt die Chance darauf, dass
dieses Unternehmen innoviert, um 95,40% steigen.
2) Die Erhöhung der Statik (als Gegenteil von Dynamik) im Innovations-
system eines untersuchten österreichischen Unternehmens um eine Einheit,
[139] Im Sinne von Tab. 3 und Beschreibung auf S. 26
[140] Im Sinne von Tab. 3. und Beschreibung auf S. 26. Abhängigkeit meint hier nach Embst
(2010) eine Ausprägung von Komplexität als Gegenteil von Independenz.
61

Master-Thesis, Mayrhofer (2013)
lässt die Chance darauf, dass dieses Unternehmen innoviert, um 89,60%
steigen.
Dynamik und Freiheit sind somit aus der Sicht der Komplexitätstheorie für die
Performance des Innovationssystems eines der untersuchten österreichischen
Unternehmens entscheidende Faktoren.
13 Rankings
Für die Erstellung eines Rankings ist zunächst ein Index zu bilden. Ein Index
wird aus den gemessenen Werten mehrerer Indikatoren zusammengefügt. Nach
der Zusammenfügung dieser Indikatoren ist ein neuer Faktor oder eine neue
Variable entstanden, die für weitere Zwecke eingesetzt werden kann [141] . „Genau
das ist das Ziel der Bildung eines Index: komplexe Merkmale bzw. Konstrukte
auf Basis der Zusammenfassung von Indikatorwerten zu einer neuen,
anschaulichen und aussagekräftigen Variable zusammenzufassen“ [142] . Um nun
einen Indikator zu entwerfen, der auf unterschiedliche Arten darstellbar ist und
ein Ranking zwischen österreichischen Großunternehmen ermöglicht, werden
die Koeffizienten aus der Logit Regression mit den dazugehörigen Werten der
Unternehmen in den einzelnen Bereichen multipliziert. Es erfolgt also eine
Multiplikation der ökonomischen Realität eines Faktors innerhalb des
Innovationssystems eines Unternehmens mit der statistischen Bedeutung dieses
Faktors in unserer Schätzung. Dies ermöglicht die Gewichtung der einzelnen
Faktoren, nach dem sich ein Indikator/Ranking bilden lässt. Die Ergebnisse
werden den Unternehmen schließlich übermittelt, jedoch im Rahmen dieser
Thesis aus Datenschutzgründen nicht dargestellt.
14 Schlussbemerkungen
Die Ergebnisse der Arbeit weisen, wenn auch bei einer überschaubaren Anzahl
an Datenpunktenn und dem „selfassessment“ der Befragten (welches sich als
Bias äußert), einen signifikanten Einfluss einzelner komplexer Faktoren auf die
Innovationschancen der untersuchten Unternehmen auf. Das Innovationssystem
eines der untersuchten österreichischen (Groß)unternehmens hat also neben
klassischen Innovationsaktivitäten, wie der Aufrechterhaltung von F&E-
Aufwendungen und der angemeldeten Patentanzahl auch auf Faktoren aus der
Komplexitätstheorie zu achten. Hinsichtlich des negativen Einflusses der F&E-
Aufwendungen auf die Innovationschancen, muss man hier von einem
[141] Vgl. Paier, 2010: 59
[142] Paier, 2010: 59
62

Master-Thesis, Mayrhofer (2013)
zusätzlichen Bias in den Angaben der Unternehmen ausgehen. Am ehesten ist
dies zu erklären mit Falschangaben nicht so sehr im Bereich der F&E-
Aufwendungen, sondern bei der Frage nach der Innovationsaktivität. Fällt ein
Unternehmen nicht auf die innovationsaktive Seite (mind. 2 Arten von
Innovationen) und gibt aber ein hohen Wert bei seinen F&E-Aufwendungen an,
dann kommt dieser Effekt zustande und ein Unternehmen mit hohen F&E-
Aufwendungen innoviert nicht. Es kann also sein, dass die Durchlässigkeit, ab
wann ein Unternehmen als innovativ gilt, zu restriktiv ausgestaltet war. Anders
bei den komplexitätsbezogenen Faktoren: Wie in den Hauptaussagen formuliert,
ist es für die untersuchten Unternehmen signifikant von Interesse, wie sie ihr
Innovationssystem hinsichtlich der Faktoren Veränderlichkeit und
Interaktion [143] gestalten. Was hier nachgewiesen werden konnte, ist, dass
Freiheit und Dynamik, analysiert, durch die Brille der Komplexitätstheorie, die
wichtigsten Einflussfaktoren auf die Innovationschancen eines der untersuchten
Unternehmens sind. Hier liegen diese Unternehmen, der deskriptiven
Auswertung der Ergebnisse zufolge, im komplexen Bereich. Die beiden
Faktoren Interaktion und Veränderlichkeit gilt es in der deskriptiven Analyse
jedoch zu unterscheiden. Die Unternehmen sind im Bereich Veränderlichkeit
sehr komplex aufgestellt, wobei komplex hier die Ausprägung „Dynamik“ meint.
Sie sind also durchwegs dynamisch, was aber u.U. auch auf zu dynamische
Innovationssysteme deuten könnte, nachdem das Ergebnis nicht im Optimum,
also in der Mitte zwischen komplex und nicht-komplex, liegt. Nach diesem
Kriterium des Optimums, stehen die Unternehmen beim Faktor
„Interaktion“ [144] etwas besser da und bewegen sich hier fast im Optimum
zwischen Independenz und Interdependenz [145] mit einem Hang zur
Interdependenz, also zur Abhängigkeit. Vor allem die Ergebnisse der
deskriptiven Statistiken der komplexitäts-bezogenen Faktoren dieser Thesis sind
neuartig und zeigen einen guten Überblick über die österreichische Wirtschaft
aus der Perspektive der Komplexitätstheorie. Es bleibt zu hoffen, dass in
diesem hoch interessanten Bereich weiterhin und vor allem auf
gesamteuropäischer Ebene mehr geforscht wird.
[143] „Interaktion“ und „Veränderlichkeit“ im Sinne von Tab. 3 und Beschreibung auf S. 26
[144] Im Sinne von Tab. 3 und Beschreibung auf S. 26
[145] Im Sinne von Tab. 3
63

15 Quellen
15.1 Literaturverzeichnis
Master-Thesis, Mayrhofer (2013)
Andreß, Hans-Jürgen; Hagenaars, Jacques A.; Kühnel, Steffen; Analyse von
Tabellen und kategorialen Daten, Log-lineare Modelle, latente Klassenanalyse,
logistische Regression und GSK-Ansatz, Springer-Verlag Berlin Heidelberg,
1997
Arentzen, U.; Winter, E.: Gabler Wirtschaftslexikon, Band SP-Z,
Wiesbaden, 1997, In: Embst Sonja, Komplexitätsmanagement im Fron End of
Innovation, Monographic Series TU Graz, Verlag der Technischen Universität
Graz, Graz, 2010
Börner, S., Führungsverhalten und Führungserfolg – ein Beitrag zu einer
Theorie der Führung am Beispiel des Musiktheaters, Habilitation, Technische
Universität Berlin, Berlin 2001, In: Embst Sonja, Komplexitätsmanagement im
Fron End of Innovation, Monographic Series TU Graz, Verlag der Technischen
Universität Graz, Graz, 2010
Breschi, S.; Malerba, F.; Sectoral Innovation Systems. Technological
Regimes, Schumpeterian Dynamics and Spatial Boundaries. Konferenzpapier
für: Systems of Innovation Research Network, Söderköping, Schweden, 1995, In:
Grandstrand, Ove, Corporate Innovation Systems, A Comparative Study of
Multi-Technology Corporations in Japan, Sweden and the USA, Chalmers
University of Technology, Göteborg, Schweden, 2000
Carlsson, B.; Stankiewicz, R.; On the nature, function and composition o
technological Systems, Journal of Evolutionary Economics, 1991, In:
Grandstrand, Ove, Corporate Innovation Systems, A Comparative Study of
Multi-Technology Corporations in Japan, Sweden and the USA, Chalmers
University of Technology, Göteborg, Schweden, 2000
Cooke, Philip; Heidenreich, Martin; Braczyk, Hans-Joachim, Regional
Innovation Systems, The role of governance in a globalized world, Second
Edition, Routledge, London, 2004
CSSPL, KAIST - Complex systems and Statistical Physics Lab. Hawoong
Jeong, http://stat.kaist.ac.kr/OurWork.php, 2012
64

Master-Thesis, Mayrhofer (2013)
De la Mothe, John, Systems of Innovation, Technologies, Institutions and
Organizations, Science, Technology and the International Political Economy,
Charles Edquist and contributors, 1997
Delorme, Robert, Deep Complexity and the Social Sciences, Experience,
Modelling and Operationality, Edward Elgar Publishing Limited, UK, 2010
Diaz-Bone, Rainer; Künemund, Harald; Einführung in die binäre
logistische Regression, Mitteilungen aus dem Schwerpunktbereich
Methodenlehre, Heft Nr. 56, Freie Universität Berlin, Berlin, 2003
Dörner, D., Die Kunst des Misslingens. Strategisches Denken in komplexen
Situationen, 5. Auflage, Reinbek bei Hamburg 2006, In: Embst Sonja,
Komplexitätsmanagement im Fron End of Innovation, Monographic Series TU
Graz, Verlag der Technischen Universität Graz, Graz, 2010
Earl, Louise; Gault, Fred; National Innovation, Indicators and Policy,
Statistics Canada, Edward Elgar Publishing Limited, 2006
Ebeling, Werner; Schweitzer, Frank; Zwischen Ordnung und Chaos.
Komplexität und Ästhetik aus physikalischer Sicht, In: Gegenworte, Zeitschrift
für den Disput über Wisse. Berlin-Brandenburgische Akademie der
Wissenschaften Heft Wissenschaft und Kunst, Berlin, 2002
Edquist, C.; Johnson, B.; Institutions and organizations in systems of
innovation, In: Edquist, 1997, In: Grandstrand, Ove, Corporate Innovation
Systems, A Comparative Study of Multi-Technology Corporations in Japan,
Sweden and the USA, Chalmers University of Technology, Göteborg,
Schweden, 2000
Embst, Sonja, Komplexitätsmanagement im Fron End of Innovation,
Monographic Series TU Graz, Verlag der Technischen Universität Graz, Graz,
2010
Europäische Patentdatenbank, http://www.epo.org/searching/free/
espacenet.html, 2012
Faggini, Marisa; Lux, Thomas; Coping with the Complexity of Economics,
New Economic Windows, Springer Verlag Italia, Milano, 2009
Finch, John; Orillard, Magali; Complexity and the Economy, Implications
for Economic Policy, European Association for Evolutionary Political Economy,
Edward Elgar Publishing Inc., 2005
65

Master-Thesis, Mayrhofer (2013)
Fisher, Len, The Perfect Swarm, The Science of Complexity in Everyday Life,
Basic Books, A member of the Perseus Books Group, USA, 2009
Fraunhofer Institut System- und Innovationsforschung (ISI), Innovationssysteme
und Roadmapping: Prozesse und Handlungsempfehlungen, Marion,
Weissenberger-Eibl, Präsentationsunterlagen, Berlin, 2008,
http://www.preagro.de/docs/Grundsatzreferat_Weissenberger-Eibl.pdf
Freeman, C., Technology Policy and Economic Performance. Lessons from
Japan, London: Pinter, 1987, In: Grandstrand, Ove, Corporate Innovation
Systems, A Comparative Study of Multi-Technology Corporations in Japan,
Sweden and the USA, Chalmers University of Technology, Göteborg,
Schweden, 2000
Freeman, C.; Clark, J.; Soete, L.; Unemployment and Technical
Innovation, London: Pinter, 1982, In: Grandstrand, Ove, Corporate Innovation
Systems, A Comparative Study of Multi-Technology Corporations in Japan,
Sweden and the USA, Chalmers University of Technology, Göteborg,
Schweden, 2000
Fromm, Sabine, Binäre logistische Regressionsanalyse, Eine Einführung für
Sozialwissenschaftler mit SPSS für Windows, Bamberger Beiträge zur
empirischen Sozialforschung, Hrsg: Schulze, Gerhard; Akremi, Leila, Nr. 11,
2005
Gardner, H.S., Comparative Economic Systems, Chicago, IL: Dryden, 1988,
In: Grandstrand, Ove, Corporate Innovation Systems, A Comparative Study of
Multi-Technology Corporations in Japan, Sweden and the USA, Chalmers
University of Technology, Göteborg, Schweden, 2000
Georgen, Marc; Mallin, Christine; Mitleton-Kelly, Eve; Al-Hawamdeh,
Ahmed; Hse-Yu Chiu, Iris; Corporate Governance and Complexity Theory,
Edward Elgar Publishing Inc., Northhampton, 2010
Grandstrand, Ove, Corporate Innovation Systems, A Comparative Study of
Multi-Technology Corporations in Japan, Sweden and the USA, Chalmers
University of Technology, Göteborg, Schweden, 2000
Grupp, Hariolf, Messung und Erklärung des technischen Wandels, Grundzüge
einer empirischen Innovationsökonomik, Springer-Verlag, Berlin, Heidelberg,
New York, Barcelona, Budapest, Hongkong, London, Mailand, Paris, Santa
Clara, Singapur, Tokio, 1997
66

Master-Thesis, Mayrhofer (2013)
Hauschildt, Jürgen; Salomo, Sören; Innovationsmanagement, 5. Auflage,
Verlag Franz Vahlen GmbH, 2011
Hughes, T., Beyond the economics of technology, In: Grandstrand, 1994, In:
Grandstrand, Ove, Corporate Innovation Systems, A Comparative Study of
Multi-Technology Corporations in Japan, Sweden and the USA, Chalmers
University of Technology, Göteborg, Schweden, 2000
IFM Bonn, Institut für Mittelstandsforschung Bonn, BDI-Mittelstandspanel,
Ergebnisse der Online-Mittelstandsbefragung, Bonn, 2005
Janz, Norbert, Innovationserfolge und die Aneignung von Innovationserträgen,
In: Janz Norbert, Licht Georg, ZEW Wirtschaftsanalysen, Innovationsforschung
heute, Band 63, Nomos Verlagsgesellschaft, Baden-Baden,
2003
Kannenberg, Axel, Kreativitätstechniken und theoretische Fundierung,
GRIN Verlag, 2003
Katz, Sylvan J., Indicators for complex innovation systems, University of
Sussex, East Sussex, University of Saskatchewan, Department of Mathematics
and Statistics, 2006, http://www.sussex.ac.uk/Users/sylvank/pubs/ICIS-
RP.pdf
Kline, S.J.; Rosenberg, N., An Overview of Innovation. In: Landau, R.;
Rosenberg, N. ‚(Hrsg.), The Positive Sum Strategy, National Academy Press,
Washington, 1986
Koen P. et al., New concept development model: providing clarity and a
common language to the ‚fuzzy front end„ of innovation, In: Research
Technology Management, Vol. 44, No. 2, 2001
Konrad, Klaus, Kleingruppenprojekte, In: Huber, Anne A. (Hrsg.),
Kooperatives Lernen - kein Problem, Effektive Methoden der Partner- und
Gruppenarbeit (für Schule und Erwachsenenbildung), Ernst Klett
Schulbuchverlag, Leipzig, 2004
Liening, Andreas, Komplexe Systeme zwischen Ordnung und Chaos: Neuere
Entwicklungen in der Theorie nicht-linearer dynamischer Systeme und die
Bedeutung für die Wirtschaftswissenschaft und ihre Didaktik, LIT Verlag,
Münster, 1999
67

Master-Thesis, Mayrhofer (2013)
Luhmann, N., Komplexität, in: von Grochla, E. (Hrsg.): Handwörterbuch der
Organisation, 2. Auflage, Stuttgart 1980, Sp. 1064-1070, zitiert in: Schreyögg,
G.; von Werder, A.: Handwörterbuch Unternehmensführung und Organisation,
4. Auflage, Stuttgart 2004, In: Embst Sonja, Komplexitätsmanagement im Fron
End of Innovation, Monographic Series TU Graz, Verlag der Technischen
Universität Graz, Graz, 2010
Lundvall, Bengt-Ake, National Systems of Innovation. Towards a Theory of
Innovation and Interactive Learning, London: Pinter, 1992, In: Grandstrand,
Ove, Corporate Innovation Systems, A Comparative Study of Multi-
Technology Corporations in Japan, Sweden and the USA, Chalmers University
of Technology, Göteborg, Schweden, 2000
Lundvall, Bengt-Ake, National Systems of Innovation, Towards a Theory of
Innovation and Interactive Learning, Pinter Publishers, London, 1992
Maier, Gunther; Tödtling, Franz; Trippl, Michaela, Regional- und
Stadtökonomik 2, Regionalentwicklung und Regionalpolitik, Vierte Auflage,
Springer-Verlag/Wien, Wien, 2012
Maier, Gunther; Weiss, Peter; Modelle diskreter Entscheidungen, Theorie
und Anwendung in den Sozial- und Wirtschaftswissenschaften, Springer-Verlag
Wien, Wien, 1990
Markard, J; Truffer, B., Technological innovation systems and the multilevel
perspective: towards an integrated framework, Research Policy 37 (4),
2008
Metcalfe, J.S., The Economic Foundations of Technology Policy: Equilibrium
and Evolutionary Perspectives, Mimeo, University of Manchester, UK, 1992,
In: Grandstrand, Ove, Corporate Innovation Systems, A Comparative Study of
Multi-Technology Corporations in Japan, Sweden and the USA, Chalmers
University of Technology, Göteborg, Schweden, 2000
Miller, John H.; Page, Scott, E.; Complex Adaptive Systems: An
Introduction to Computational Models of Social Life, Princeton University
Press, Princeton, New Jersey, USA, 2007
Miller, Peter, Swarm Theory, National Geographic, Vol. 212, Iss.1,
Washington, 2007
Nelson, R.R.; Rosenberg, N.; Technical Innovation and National Systems,
In: Nelson, 1993, In: Grandstrand, Ove, Corporate Innovation Systems, A
68

Master-Thesis, Mayrhofer (2013)
Comparative Study of Multi-Technology Corporations in Japan, Sweden and
the USA, Chalmers University of Technology, Göteborg, Schweden, 2000
Nijkamp, Peter; Reggiani, Aura; The Economics of Complex Spatial
Systems, Elsevier Science B.V., Niederlande, 1998
Paier, Dietmar, Quantitative Sozialforschung, Eine Einführung, 1. Auflage,
Facultas Verlags- und Buchhandels AG, Wien, 2010
Performance, Schwerpunkt Komplexitätsmanagement, Ausgabe 2.2010, New
Jersey, 2010
Pinsonneault, A.; Kraemer, K. L.; Survey research methodology in
management information systems, An assessment, In: Journal of Management
& Information Systems, Vol. 10, I.T. in Governement, Center for Research on
Information Technology and Organisations, UC Irvine, 1993
Reiß, M., Komplexitätsmanagement I, in: WISU, Nr. 1, 1993, In: Embst
Sonja, Komplexitätsmanagement im Fron End of Innovation, Monographic
Series TU Graz, Verlag der Technischen, 1993
Rogers, Everett M.; Medina, Una E.; Rivera, Mario A.; Wiley, Cody J.,
Complex Adaptive Systems and the Diffusion of Innovations, The University of
New Mexico, Albuquerque, New Mexico, 2005
Schuh, G., Produktkomplexität managen – Strategien-Methoden-Tools, 2.
Auflage, München/Wien 2005, In: Embst Sonja, Komplexitätsmanagement im
Fron End of Innovation, Monographic Series TU Graz, Verlag der Technischen,
2005
Schumpeter, Joseph A., Konjunkturzyklen: Eine Theoretische, Historische
und Statistische Analyse, Originalausgabe erschienen unter Business Cycles. A
Theoretical, Historical and Statistical Analysis of the Capitalist Process,
McGraw-Hill Book Company Inc. New York und London, 1939, diese Ausgabe:
Vandenhoeck & Ruprecht GmbH & Co KG, Göttingen, 2008
Schumpeter, Joseph A., Theorie der wirtschaftlichen Entwicklung: eine
Untersuchung über Unternehmergewinn, Kapital, Kredit, Zins und den
Konjunkturzyklus, Duncker & Humblot, München, 1935
Schwitalla, Beatrix, Messung und Erklärung industrieller Innovations-
aktivitäten, Physica-Verlag Heidelberg, 1993
69

Master-Thesis, Mayrhofer (2013)
Statistik Austria, Innovationsstatistiken, 2012,
http://www.statistik.at/web_de/statistiken/forschung_und_innovation/innovatio
n_im_unternehmenssektor/index.html
Statistik Austria, Unternehmenssektor: Ausgaben für Forschung und
experimentelle Entwicklung (F&E) 2009 nach Wirtschaftszweigen und
Forschungsarten, Wien, 2009
Statistik Austria, Unternehmenssektor: Finanzierung der Ausgaben für
Forschung und experimentelle Entwicklung (F&E) 2009 nach
Wirtschaftszweigen und Finanzierungssektoren, Wien, 2009
Statistik Austria, Wichtige wirtschaftliche Eckdaten im Bundesländervergleich,
Wien, 2009
Statistik Austria, Unternehmenssektor: Beschäftigte in Forschung und
experimenteller Entwicklung (F&E) 2002-2009 nach Wirtschaftszweigen, Wien,
2009
Swann, G. M. P., The Economics of Innovation: An Introduction, Edward
Elgar Publishing Limited, UK, 2009
Tödtling, Franz; Lehner, Patrick; Kaufmann, Alexander, Do Different
Types of Innovation Rely on Specific Kinds of Knowledge Interaction?,
Wirtschaftsuniversität Wien (WU), Austrian Research Centers GmbH – ARC,
Wien, 2008
Ulrich, H.; Probst, G.; Anleitung zum ganzheitlichen Denken und Handel,
Bern/Stuttgart 1988, In: Embst Sonja, Komplexitätsmanagement im Fron End
of Innovation, Monographic Series TU Graz, Verlag der Technischen, 1998
Universität Hamburg, Diagnostik von Regressionsmodellen, Folien,
http://www2.jura.unihamburg.de/instkrim/kriminologie/Mitarbeiter/Enzmann
/Lehre/StatIKrim/Regressionsdiagnostik.pdf
Weidmann, Jens, Systemrelevante Finanzinstitute und Schattenbanken: Wie
werden systemische Risiken begrenzt. Eingangsstatement auf dem CDU/CSU-
Kongress zur Finanzmarktregulierung in Berlin, Berlin, 2011,
http://www.bundesbank.de/download/presse/reden/2011/20110629.weidmann.
pdf
Weizsäcker, Carl Friedrich von, Die Einheit der Natur, München, 1974
70

15.2 Abbildungsverzeichnis:
Master-Thesis, Mayrhofer (2013)
Abb. 1: Schwarm als Beispiel eines komplexen Systems
Abb. 2: Ablauf der Master-Thesis
Abb. 3: Das simple lineare Modell der Innovation
Abb. 4: Erweitertes simples lineares Model
Abb. 5: Komplexes interaktives Modell
Abb. 6: Das CIS nach Grandstrand
Abb. 7: Messformen für Komplexität im Vergleich
Abb. 8: Komplexe (adaptive) Systeme zwischen Ordnung und Chaos
Abb. 9: Diffusion eines Innovationsmodells
Abb. 10: Chaos und Ordnung nach Moles
Abb. 11: Kombination CIS & Komplexität
Abb. 12: Standardisierte logistische Funktion
Abb. 13: Deskriptive Statistik: Förderungen
Abb. 14: Deskriptive Statistik: Patente
Abb. 15: Deskriptive Statistik: Unternehmensgröße
Abb. 16: Deskriptive Statistik: F&E-Aufwendungen
Abb. 17: Deskriptive Statistik: F&E-Beschäftigte
Abb. 18: Diagramm: F&E-Kooperationen
Abb. 19: Deskriptive Statistik: Standort
Abb. 20: Deskriptive Statistik: Exporte
Abb. 21: Komplexitätsgrade des Indikators (A)
Abb. 22: Komplexitätsgrade des Indikators (B)
Abb. 23: Komplexitätsgrad Indikatoren (A) und (B)
Abb. 24: Optimumsdifferenzen der Indikatoren (A) und (B)
15.3 Tabellenverzeichnis
Tab. 1: Autoren und Maße von Komplexität
Tab. 2: Attribute von Komplexität lt. Embst und Simplifizierung
Tab. 3: Indikatoren und Ausprägungen der Komplexität lt. Embst
Tab. 4: Kombinationen und operationalisierte Fragen
Tab. 5: Legende für die logistische Regression
Tab. 6: Häufigkeitstabelle: Standort
Tab. 7: Logit mit Indikator (A)
Tab. 8: Logit mit Indikator (B)
Tab. 9: Effektkoeffizienten
Tab. 10: Änderungen der Odds
Tab. 11: Hauptaussagen der Thesis
© Christian Mayrhofer, 2013
71