Show Less
Open access

Myopische Steuerungsperspektive versus Nachhaltigkeitsorientierung: Einfluss auf den langfristigen Markterfolg

Eine empirische Analyse deutscher Unternehmen

Series:

Frank Tiefenbeck

Einen wohl nicht ganz unwesentlichen Beitrag zur Finanzkrise von 2008 und deren Folgen leisteten kurzfristige Anreize für Manager, Gewinne zu realisieren, die die langfristigen Entwicklungen von Unternehmen beeinträchtigen. Ziel des Autors ist es, Impulse zur Gestaltung, ggf. auch verpflichtenden Gestaltung, von Unternehmensplanung und -controlling zu geben, um eine kontinuierliche nachhaltige Unternehmensentwicklung zu fördern. Dabei gilt es insbesondere zu prüfen, ob bestimmte Designs von Planung, Controlling und Nachhaltigkeitsorientierung, die eine übermäßige Kurzfristorientierung von Managern fördern oder verhindern, negativ bzw. positiv auf den langfristigen Markterfolg von Unternehmen wirken. Daraus wird ein Leitbild zur nachhaltigen Unternehmensplanung abgeleitet.
Show Summary Details
Open access

C. Forschungsdesign

C. Forschungsdesign

1. Bisher offene Forschungsfragen

1.1 Management Myopie

Die Betrachtung von Management Myopie in der Literatur erfolgt unter dem Aspekt der Beschreibung des theoretischen Kontexts und von betriebswirtschaftlichen Ansätzen zur Verhinderung von Management Myopie. Die empirische Forschung im Bereich der Management Myopie hat sich dabei bisher insbesondere mit dem Nachweis von Management Myopie als Phänomen an sich und der Wirkung der Ausgestaltung des Controllings (Budgetdruck und Performance Measurement Systeme) und der variablen Vergütung auf die Langfristorientierung von Managern beschäftigt.

Der Nachweis der Existenz von Management Myopie erfolgt dabei über die empirische Untersuchung der beiden management-myopischen Verhaltensarten (1) Periodenverschiebungen von Aufwänden und Erträgen bzw. Investitionen und (2) Real Activity Manipulation. Es konnte gezeigt werden, dass sowohl die Periodenverschiebung als auch die Real Activity Manipulation als Formen management-myopischer Verhaltensweisen genutzt werden. Die Auswirkung von Periodenverschiebungen auf die Unternehmensperformance konnte empirisch nicht geklärt werden. Die negative persistente Auswirkung von Real Activity Manipulation konnte für ausgewählte Samples von Unternehmen empirisch belegt werden.

Hinsichtlich der Ansätze zur Verhinderung von Management Myopie werden in der Literatur in Bezug auf die unternehmerische Praxis insbesondere die Themen Reduktion des Budgetdrucks, Performance Measurement Systeme und die Vergütung des Managements betrachtet. Eine Reduktion von Budgetdruck wirkt sich auf die Langfristorientierung von Managern positiv aus, ein Einfluss auf die Unternehmensperformance konnte nicht nachgewiesen werden. Performance Measurement Systeme verstärken, wenn vorauslaufende Indikatoren integriert werden, die Langfristorientierung von Managern. Eine Integration von langfristig orientierten Kennzahlen kann einen positiven Einfluss auf den Wert von Unternehmen haben. Die Wirkung von variabler Vergütung auf die Langfristorientierung von Managern und die Unternehmensperformance ist uneinheitlich.

1.2 Nachhaltigkeitsorientierung

Die Betrachtung von Nachhaltigkeit erfolgt in der Literatur bisher unter dem Blickwinkel einer Integration von Nachhaltigkeitsorientierung in die rationale ← 31 | 32 → klassische mikroökonomische Entscheidungswelt eines Unternehmens. Die Forschung im Bereich des Themas Nachhaltigkeit im Rahmen der Betriebswirtschaftslehre hat sich erst in den letzten Jahren begonnen zu intensivieren. Ziel ist es, durch Internalisierung von Effekten der unternehmensexternen Umwelt Nachhaltigkeit in der unternehmensinternen Entscheidungsfindung zu berücksichtigen.

Als in der Praxis derzeit dominierender Ansatz konnte die Integration von Nachhaltigkeitsindikatoren in das Unternehmensberichtwesen in Form eines Nachhaltigkeitsreportings identifiziert werden. Empirische Studien mit betriebswirtschaftlichem Hintergrund untersuchen bislang vor allem die Nutzung und den Umfang eines solchen Nachhaltigkeitsreportings sowie die Verankerung von Nachhaltigkeitsthemen in der Strategie. Die Wirkung von Nachhaltigkeitsorientierung auf den Unternehmenserfolg ergibt bisher ein uneinheitliches Bild, Kausalitäten lassen sich nicht ableiten.

2. Integratives Forschungsdesign

2.1 Zielstellung

In der Literaturschau wurde gezeigt, dass Aussagen insbesondere zur Wirkung von Management Myopie und Nachhaltigkeitsorientierung auf den Erfolg von Unternehmen, wenn überhaupt, nur für Teilbereiche getroffen werden können. Die Wirkung von Management Myopie und Nachhaltigkeitsorientierung wird dabei jeweils isoliert betrachtet. Die Wirkung der Management Myopie verhindernden Designs (Reduktion von Budgetdruck, Performance Measurement Systeme und variable Vergütung) wird in der Literatur mit Schwerpunkt auf die Zeitorientierung von Managern beschrieben.

Darauf aufbauend werden im Folgenden drei Forschungslücken identifiziert:

  • (1) Untersuchung der Wirkung von Maßnahmen zu Verhinderung von Management Myopie und dem zufolge des damit verbundenen theoretischen Hintergrunds auf den langfristigen Markterfolg von Unternehmen,
  • (2) Berücksichtigung einer indirekten Wirkung von Nachhaltigkeitsorientierung auf den langfristigen Markterfolg vor dem Hintergrund der ambivalenten Ergebnisse der bisherigen Untersuchungen der direkten Wirkung, sowie
  • (3) Integrative Untersuchung der Wirkung von Maßnahmen zur Verhinderung von Management Myopie und Nachhaltigkeitsorientierung auf den langfristigen Markterfolg. ← 32 | 33 →

Insgesamt ist es so das Ziel dieser Arbeit, in Ergänzung zu den bestehenden Forschungssträngen Management Myopie und Nachhaltigkeitsorientierung sowie deren Wirkung auf den langfristigen Markterfolg von Unternehmen in einem integrativen empirischen Modell zu untersuchen und Aussagen abzuleiten.

Zur Beantwortung dieser Frage werden zunächst Konstrukte gebildet, die die interessierenden Variablen abbilden. Konstrukte verstehen sich dabei als implizit auf Basis von gruppierten Fragen, auch Items genannt, gemessene Gedankengebilde.98 Die Wirkungszusammenhänge zwischen den Konstrukten werden theoriegeleitet über die Formulierung von Hypothesen in ein Strukturmodell überführt

Das im weiteren Verlauf so zu bildende Strukturmodell verfolgt den Ansatz, die Wirkung von Management Myopie in einem Unternehmen, modelliert als Myopische Steuerungsperspektive von Unternehmen, direkt bzw. indirekt über Nachhaltigkeitsorientierung auf den Langfristigen Markterfolg von Unternehmen zu prüfen. Dazu werden im Strukturmodell die Konstrukte Kurzfristorientierung, Mangelnde Integration der Planungsprozesse, Kurzfristorientierung der Planung, Ergebnisdruck, Nachhaltigkeitsorientierung, Strategische Konsistenz, Anpassungsfähigkeit und Langfristiger Markterfolg in einen integrativen Bezug gesetzt (vgl. Abbildung 1).

Abbildung 1: Überblick über das Strukturmodell

fig1.jpg

← 33 | 34 →

Die Myopische Steuerungsperspektive wird durch die Konstrukte Kurzfristorientierung der Planung und Ergebnisdruck beschrieben.

Die Kurzfristorientierung der Planung setzt sich als Second-Order-Konstrukt aus Kurzfristorientierung von Unternehmen und Mangelnder Integration der Planungsprozesse von Unternehmen zusammen. Kurzfristorientierung von Unternehmen umfasst dabei den Fokus auf Finanzkennzahlen sowie die Betonung von kurzfristigen Zielen eines Unternehmens und die mangelnde Wertschätzung von Engagement in Langfristthemen. Somit sind in diesem Konstrukt insbesondere Items enthalten, die das Thema Budgetdruck in einem Konstrukt zusammenführen. Das zweite Konstrukt des Second-Order-Konstrukts zur Kurzfristorientierung der Planung stellt eine Beschreibung der Mangelnden Integration von Planungsprozessen dar. Planung ist die Grundlage für die Umsetzung von Zielen. Ziele können dabei durchaus langfristig orientiert sein, ohne Konkretisierung der Ziele durch eine Planung ist eine Umsetzung jedoch nicht möglich. Dazu werden die Ziele an Hand von Mittelfristplanungen und Budgetierungsprozessen operationalisiert.99 Sind Mittelfristplanung und Budgetprozesse nicht mit dem langfristig orientierten Strategie- und Risikomanagementprozess verbunden, besteht die Gefahr einer kurzfristigen Operationalisierung von Zielen trotz möglicher grundsätzlicher Langfristorientierung des Unternehmens. Planung sollte zudem einen Bezug zur Unternehmenswirklichkeit aufweisen. Die Konkretisierung von Planungsszenarien auf Basis der operativen Geschäftseinheiten, also dem Grad des Herunterbrechens von Szenariobetrachtungen im Rahmen der jährlichen Planungsprozesse auf operative Geschäftseinheiten bildet dafür einen Indikator. Somit sind in diesem Konstrukt insbesondere Items enthalten, die das Thema Integration von Planung als Bestandteil eines Performance Measurement Systems in einem Konstrukt zusammenführen. Das Second-Order-Konstrukt Kurzfristorientierung der Planung vereint somit die Themen: Kurzfristorientierung im Rahmen der Betrachtung von Budgetdruck sowie Mangelnde Integration der Planung als Art der Operationalisierung von Zielsetzungen, die Kurzfristorientierung fördert, im Sinne einer kurzfristig orientierten Planungsperspektive eines Performance Measurement Systems.

Neben der Kurzfristorientierung der Planung stellt Ergebnisdruck das zweite Konstrukt der myopischen Steuerungsperspektive dar. Ergebnisdruck umfasst den Anteil der variablen Vergütung von Entscheidungsträgern und die Abhängigkeit der variablen Vergütung von der Erreichung finanzieller Ziele. Die Widerspiegelung des Themas der variablen Vergütung als wesentlicher Vergütungsbestandteil ← 34 | 35 → von Managern auf Basis der Erreichung von Finanzgrößen im Konstrukt folgt insbesondere der intensiven Diskussion der Verkürzung des Zeithorizonts von Managern und den damit verbundenen Auswirkungen im Rahmen der Finanzkrise von 2008 und der Folgejahre.

Nachhaltigkeitsorientierung umfasst die Konstrukte Nachhaltigkeitsorientierung, Strategische Konsistenz und Anpassungsfähigkeit. Das Konstrukt Nachhaltigkeitsorientierung bildet die Intensität der Berücksichtigung des Themas Nachhaltigkeit im Reporting, bei der Strategiediskussion bzw.-definition und bei Investitions- und Ausgabenentscheidungen sowie die Verankerung des Themas Nachhaltigkeit bei den Mitarbeitern ab und folgt somit inhaltlich dem Ansatz des Nachhaltigkeitsreportings. Strategische Konsistenz steht für die Existenz einer Strategie sowie deren Konsistenz zur Unternehmenskultur, zu Führungsleitlinien, zu Entscheidungen und zu den abgeleiteten Teilaufgaben. Nachhaltigkeitsorientierung bildet gemeinsam mit Strategischer Konsistenz eine Verstärkung der Nachhaltigkeitsorientierung im Sinne eines Bezugs zur Unternehmenskultur, damit verbundenen Leitlinien sowie damit verbundenen Entscheidungen. Zusätzlich dient das Konstrukt Anpassungsfähigkeit als Transmission für die positive Wirkung von Strategischer Konsistenz auf den Langfristigen Markterfolg. Dabei wird unterstellt, dass Strategische Konsistenz erst in Verbindung mit der Fähigkeit, sich an Veränderungen anzupassen, seine positive Wirkung auf den Langfristigen Markterfolg entfaltet. Ohne die Berücksichtigung von Anpassungsfähigkeit steht Strategische Konsistenz in keinem dynamischen Bezug zur Veränderung des Unternehmensumfeldes. So könnte Strategische Konsistenz ohne Verbindung zur Anpassungsfähigkeit in einem sich stetig wandelnden Umfeld eines Unternehmens auch strategische Erstarrung eines Unternehmens repräsentieren. Strategische Erstarrung steht dabei für eine hohe strategische Konsistenz bei gleichzeitiger Ignoranz oder Unfähigkeit eines Unternehmens, sich auf veränderte Marktbedingungen einzustellen und an diese anzupassen.

Der Langfristige Markterfolg wird durch das Wachstum und die Profitabilität der letzten fünf Jahre relativ zur Branche abgebildet.

Zur Erhebung des Untersuchungsgegenstands werden im Rahmen der empirischen Untersuchung Merkmale einer Organisation erhoben. Individuelle Eigenschaften von Managern werden nicht untersucht.100 ← 35 | 36 →

2.2 Hypothesen

Der theoretischen Fundierung folgend wird grundsätzlich angenommen, dass eine Myopische Steuerungsperspektive einen negativen Einfluss auf die Nachhaltigkeitsorientierung und den Langfristigen Markterfolg hat. Dabei folgen die Hypothesen der Wirkung der Konstrukte der Myopischen Steuerungsperspektive, Kurzfristorientierung der Planung und Ergebnisdruck, dem theoretischen Kontext myopischen Verhaltens – Informationsasymmetrie, Verlustminimierung und Per-Se-Kurzfristorientierung – und der damit verbundenen negativen Wirkung auf den Langfristigen Markterfolg entsprechend der im Kapitel B dargestellten Dysfunktionalitäten im Rahmen ökonomischer Entscheidungsrationalität.

Die Konstrukte der Nachhaltigkeitsorientierung wirken annahmegemäß positiv auf den Langfristigen Markterfolg. Das Konstrukt der Nachhaltigkeitsorientierung wirkt dabei direkt und indirekt über Strategische Konsistenz und Anpassungsfähigkeit positiv auf den Langfristigen Markterfolg. Der indirekte Effekt wurde wie bereits beschrieben zusätzlich in das Modelldesign aufgenommen, um neben dem in der bisherigen Literatur ambivalenten Bild der direkten Wirkung von Nachhaltigkeitsorientierung auf Erfolgsparameter von Unternehmen eine weitere Perspektive zu erfassen. Nachhaltigkeitsorientierung kann annahmegemäß in ihrer Wirkung auf den Langfristigen Markterfolg durch konsistentes strategisches Verhalten im Rahmen der Unternehmens- und Entscheidungskultur unter Berücksichtigung von Anpassungsfähigkeit eines Unternehmens zusätzlich positiv beeinflusst werden. Grundsätzlich liegt den Hypothesen in Bezug auf die Wirkung von Nachhaltigkeitsorientierung auf den Langfristigen Unternehmenserfolg der Ansatz der Kompatibilitätsbetonung in Verbindung mit der Theorie der freiwilligen Berichterstattung zu Grunde.

Da Nachhaltigkeitsorientierung hypothetisch direkt und indirekt über die Strategische Konsistenz und die Anpassungsfähigkeit einen positiven Einfluss auf den Langfristigen Markterfolg aufweist, die indirekten Wirkungen von Kurzfristorientierung der Planung und Ergebnisdruck über die Konstrukte Nachhaltigkeitsorientierung und Strategische Konsistenz auf den Langfristigen Markterfolg jedoch hypothetisch negativ sein sollten, ergeben sich für die Konstrukte Kurzfristorientierung der Planung und Ergebnisdruck auf Basis der bereits definierten Hypothesen negative Wirkungen auf die Konstrukte Nachhaltigkeitsorientierung und Strategische Konsistenz. ← 36 | 37 →

In der folgenden Abbildung sind die Hypothesen, die im Rahmen der vorliegenden Arbeit empirisch getestet werden sollen, im Strukturmodell grafisch dargestellt:

Abbildung 2: Strukturmodell und Hypothesen

fig2.jpg

← 37 | 38 →

Tabelle 1 stellt die zu prüfenden Hypothesen noch einmal zusammenfassend dar.

Tabelle 1: Hypothesen

fig3.jpg

← 38 | 39 →

3. Statistische Methodik

3.1 Auswahl der statistischen Analysemethode

3.1.1 Ansatz der Kausalanalyse

Die Kausalanalyse dient vor allem der konfirmatorischen Analyse von Wirkungszusammenhängen. Dabei werden Strukturgleichungsmodelle verwendet, die die statistische Methodik zur Analyse der Zusammenhänge beinhalten.101 Strukturgleichungsmodelle erlauben es, Konstrukte zu messen und die Wirkungen der Konstrukte aufeinander zu schätzen. Konstrukte repräsentieren dabei i.d.R. nicht direkt messbare gedankliche Aggregate, wie zum Beispiel Intelligenz eines Individuums oder Lebensqualität einer Region.

Dazu gliedern sich Strukturgleichungsmodelle in zwei Teilmodelle: Zum einen in das Messmodell, auch Äußeres Modell genannt, zum anderen in das Strukturmodell, auch als Inneres Modell bezeichnet.

Im Rahmen des Messmodells erfolgt die Spezifikation der Messgrößen für das Konstrukt. Dazu werden dem Konstrukt Fragen, d. h. Items in Form beobachtbarer Größen, zugeordnet, die in einem stochastischen Zusammenhang mit dem jeweiligen Konstrukt stehen. Die Stärke des Zusammenhangs zwischen Items und Konstrukt wird pro Item im Messmodell geschätzt. Da die Konstrukte selbst nicht beobachtbar sind, wird es auch als latente Variable bezeichnet. Im Folgenden werden ausschließlich reflektiv gemessene Konstrukte verwendet, d. h. es wird unterstellt, dass ein großer Teil der Varianz in der Ausprägung der Items durch die dahinter stehende latente Variable im Sinne eines gemeinsamen Faktors erklärt wird (vgl. hierzu ausführlich Abschnitt C.3.1.2). Umgekehrt bedeutet dies, dass alle Items als stochastische Ausprägungen der nicht beobachtbaren latenten Variable zu verstehen sind.

Das Strukturmodell dient der Schätzung der Zusammenhänge zwischen den Konstrukten. Dabei werden im Rahmen des Strukturmodells Konstrukte, auf die kein weiteres Konstrukt wirkt, als exogen bezeichnet. Konstrukte, auf die andere Konstrukte wirken, als endogen. Die Schätzung der Zusammenhänge im Rahmen des Messmodells und des Strukturmodells kann dabei je nach Wahl der spezifischen Methodik zur Schätzung des Strukturgleichungsmodells sukzessive oder simultan erfolgen.

In der folgenden Grafik sind die Bestandteile eines Strukturgleichungsmodells dargestellt. ← 39 | 40 →

Abbildung 3: Bestandteile eines Strukturgleichungsmodells

fig4.jpg

Die Abbildung stellt ein Strukturgleichungsmodell mit drei Konstrukten dar, nämlich einer exogenen latenten Variablen und zwei endogenen latenten Variablen. Für jede der latenten Variablen existiert ein Messmodell. Die Beziehung zwischen den latenten Variablen bildet das Strukturmodell. Die verwandten Symbole seien wie folgt erklärt:

Messmodell:
– X1, X2, X3Items zur Messung von EXL1
– Y1, Y2, Y3Items zur Messung von ENDL1
– Y4, Y5Items zur Messung von ENDL2
– ß11, ß12, ß13Ladung der Items auf EXL1
– ß21, ß22, ß23Ladung der Items auf ENDL1
– ß31, ß32Ladung der Items auf die latente Variable ENDL2
– d1, d2, d3Fehlerterm pro Item bei Ladung auf EXL1
– e1, e2, e3Fehlerterm pro Item bei Ladung auf ENDL1
– e4, e5Fehlerterm pro Item bei Ladung auf ENDL2 ← 40 | 41 →
Strukturmodell:
– EXL1exogene latente Variable
– ENDL1endogene latente Variable mit Wirkung auf eine zweite endogene latente Variable
– ENDL2endogene latente Variable
– γ1Ladung von EXL1 auf ENDL1
– γ2Ladung von EXL1 auf ENDL2
– γ3Ladung von ENDL1 auf ENDL2
– f1Fehlerterm auf die latente Variable ENDL1
– f2Fehlerterm pro Item der latenten Variable ENDL2

Zur Analyse von Daten mit Hilfe von Strukturgleichungsmodellen wird zunächst das Messmodell analysiert und bewertet. Im zweiten Schritt werden dann die eigentlich interessierenden Ladungen – hier γ1 und γ2 ermittelt.102

3.1.2 Reflektive versus formative Konstruktmessung

Neben der oben schon kurz angesprochenen reflektiven Messung latenter Variablen besteht grundsätzlich auch die Option, Konstrukte über eine formative Messung aus den Items abzuleiten.

Eine reflektive Messung unterstellt grundsätzlich, dass die Items, mit denen das Konstrukt gemessen wird, eine Erscheinung sind, die mit dem Konstrukt in kausalem Zusammenhang stehen, den gemessenen Zustand des Konstrukts jedoch nicht verursachen. Im Falle einer formativen Messung hingegen stehen die Items in kausalem Zusammenhang mit dem Konstrukt und eine Veränderung der Items führt ursächlich zu einer Veränderung des gemessenen Zustandes des Konstrukts.103

Beispielhaft wird häufig die Messung des Alkoholgehalts im Blut im Rahmen einer Verkehrskontrolle angeführt. So kann der Alkoholgehalt approximativ in Form verschiedener Übungen festgestellt werden. Die Items würden dabei die Übungen darstellen, deren korrekte Erfüllung durch den kontrollierenden Beamten bewertet würde. Items könnten in diesem Fall sein: (1) Gelingt es der Person, für die der Grad des Alkoholgehalts im Blut festgestellt werden soll, zehn Meter auf einer Linie geradeaus zu laufen, ohne von der Linie abzuweichen? (2) Gelingt es der Person, den Zeigefinger problemlos zur Nasenspitze zu führen und (3) Riecht der Atem der zu kontrollierenden Person nach Alkohol? ← 41 | 42 →

Würde der Alkoholgehalt des Blutes hingegen formativ gemessen, so müsste die Menge verschiedener alkoholischer Getränke und die seit dem Alkoholkonsum vergangene Zeit erhoben werden. Unabhängig von der reflektiven vs. formativen Messung wird in beiden Fällen der Alkoholgehalt im Blut nicht explizit als manifeste Variable gemessen werden. Es verbleiben Störgrößen, wie zu Beispiel im Fall der reflektiven Messung gesundheitlich bedingter Gleichgewichtsprobleme oder im Fall der formativen Messung etwa das Körpergewicht, das bei einer gleichen Menge zu sich genommener alkoholischer Getränke den Alkoholgehalt des Bluts ebenfalls beeinflusst.104

In der nachfolgenden Übersicht sind die wesentlichen Unterschiede zwischen reflektiven und formativen Messmodellen dargestellt, die für die konkrete Auswahl des Messmodells heranzuziehen sind.105 ← 42 | 43 →

Tabelle 2: Reflektives versus formatives Messmodell

fig64.jpg

← 43 | 44 →

Abschließend ist zu betonen, dass ein Konstrukt nur vollständig reflektiv oder formativ gemessen werden kann. Eine Kombination von reflektiver und formativer Messung für ein Konstrukt ist nicht möglich.106 Im Rahmen eines Strukturgleichungsmodells können jedoch grundsätzlich sowohl reflektiv als auch formativ gemessene Konstrukte verwendet werden.107

3.1.3 Kovarianz- vs. varianzbasiertes Strukturgleichungsmodell

Grundsätzlich stehen zur Analyse von Strukturgleichungsmodellen zwei statistische Ansätze zur Verfügung, nämlich kovarianzbasierte und varianzbasierte Verfahren.108 Methodisch unterscheiden sich beide Ansätze wie folgt:

  • Kovarianzbasiert: Die Schätzung der Ladungen im Messmodell und im Strukturmodell erfolgt für alle Variablen des Modells simultan. Die Modellparameter, d. h. die Ladungen im Messmodell und im Strukturmodell werden gerade so bestimmt, dass der Unterschied zwischen der empirischen der im Modell erzeugten theoretischen Kovarianzmatrix minimiert wird. Auf diese Weise lässt sich über die Abweichung beider Kovarianzmatrizen auch die Modellgüte (‚Fit‘) insgesamt bestimmen. Softwarepakete für die Arbeit mit kovarianzbasierten Verfahren sind u. a. AMOS oder LISREL.109
  • Varianzbasiert: Die Schätzung der Ladungen für das Messmodell und das Strukturmodell erfolgt sukzessive. Dabei werden zunächst die Ladungen des Messmodells über eine lineare Regression und Linearkombination der jeweiligen Items geschätzt. Der Algorithmus wird dabei iterativ durchlaufen, wobei die regressierten Werte immer wieder Eingang in eine neue Linearkombination finden. Diese Iteration wird so oft wiederholt, bis die Änderungen der berechneten Ladungen des Messmodells zwischen zwei Iterationen geringer sind als eine zu definierende Grenze, i.d.R. der absolute Wert 0,001. Anschließend erfolgt die Schätzung der Ladungen für das Strukturmodell auf Basis einer weiteren linearen Regression zwischen den Konstrukten. Aufgrund dieses Vorgehens gibt es keine Gütekriterien für die Beurteilung der Modellierung insgesamt in Relation zu den empirischen Daten. Für die varianzbasierte Strukturgleichungsmodellierung wird häufig das Software-Paket SmartPLS ← 44 | 45 → (Partial Least Squares) verwendet.110 Der Mechanismus wird im nächsten Kapitel detaillierter beschrieben.

Hinsichtlich der Auswahl der Methoden für eine konkrete Fragestellung sind die in der folgenden Tabelle dargestellten Kriterien zu beachten.111

Tabelle 3: Kovarianz- versus Varianzbasiert

fig65jpg

Aufgrund der unbekannten Verteilung der Daten, der Existenz von 172 Datensätzen in der Stichprobe sowie der mit dem Strukturmodell verbundenen Anzahl von latenten Variablen und Wirkungsmechanismen wurde als Methode zur Analyse der Daten im Rahmen dieser Arbeit PLS gewählt.112 Die Analysen erfolgten für PLS mit dem Softwareprogramm SmartPLS. Die Auswahl von SmartPLS113 erfolgte auf Grund seiner benutzerfreundlichen Bedienbarkeit. Die Ergebnisse wurden mit einem zweiten PLS-Softwareprogramm XLSTAT114 validiert.

3.1.4 PLS

PLS ist ein rekursiv-iterativer Mechanismus, der Regression über die Kleinste Quadrate Methode und Linearkombination nutzt, um die Ladungen des Mess- und Strukturmodells zu bestimmen. Auf Basis der Konnotation der folgenden Abbildung werden die einzelnen Schritte des Mechanismus dargestellt. Zur vereinfachten Darstellung wurde ein Modell mit nur einer exogenen und einer endogenen latenten Variablen, Konstrukt, angenommen. Grundsätzlich gilt alles Weitere auch für komplexere Modelle mit mehreren Variablen und Wirkbeziehungen. Voraussetzung ist lediglich, dass es innerhalb des Strukturmodells keine rekursiven Kausalbezüge, d. h. Zirkelbezüge zwischen latenten Variablen, gibt. ← 45 | 46 → Das Vorgehen ist unabhängig davon, ob latente Variablen reflektiv oder formativ gemessen werden.

Abbildung 4: Schritte des PLS-Algorithmus

fig5.jpg

Die verwandten Symbole seien wie folgt erklärt:

Messmodell:
– X1, X2, X3Item zur Messung von EXL
– Y1, Y2Item zur Messung von ENDL
– ß11, ß12, ß13 Ladung der Items auf EXL
– ß21, ß22Ladung der Items auf ENDL
– d1, d2, d3 Fehlerterm pro Item der latenten Variable EXL
– e1, e2Fehlerterm pro Item der latenten Variable ENDL
Strukturmodell:
– EXL exogene latente Variable
– ENDL endogene latente Variable
– γLadung von EXL auf ENDL
– f1Fehlerterm auf die latente Variable ENDL

Die Ermittlung der Modellparameter, d. h. insbesondere der Faktorladungen – hier interessiert im Wesentlichen γ, aus den vorliegenden empirischen Daten vollzieht sich nun wie folgt. Im ersten Schritt erfolgt die Berechnung von ß11, ß12, ß13 auf Basis einer Regression der Beobachtungen für X1, X2, X3 und ENDL. Da zum Startzeitpunkt des Algorithmus ENDL unbekannt ist, wird für ENDL ein Startwert definiert, der Y1 oder Y2 sein kann. Die Regression zwischen X1, X2, X3 und ENDL zur Bestimmung von ß11, ß12, ß13 impliziert für γ einen Startwert von eins. ← 46 | 47 →

Im zweiten Schritt erfolgt auf Basis der im Schritt 1 regressierten ß11, ß12, ß13 die Bestimmung von EXL durch Linearkombination von X1, X2, X3 und ß11, ß12, ß13. In Schritt drei werden ß21, ß22 auf Basis einer Regression der Beobachtungen für Y1, Y2 und der in Schritt zwei berechneten Werte für die exogene latente Variable EXL bestimmt. Auf dieser Basis kann im Schritt vier ENDL neu auf Basis einer Linearkombination von Y1, Y2 und ß21, ß22 berechnet werden.

Dieser Mechanismus wird iterativ wiederholt bis die Änderungen für ß11, ß12, ß13, ß21, ß22 nach einer weiteren Iteration kleiner als ein vorgegebenes Abbruchkriterium sind. In einem letzten und fünften Schritt erfolgt auf Basis der in den Schritten eins bis vier iterativ ermittelten Werte für ß11, ß12, ß13, ß21, ß22 und den Beobachtungen für X1, X2, X3, Y1, Y2 sowie den sich daraus rechnerisch ergebenden Werten für EXL und ENDL die Bestimmung von γ, somit die Bestimmung des Messmodells durch eine Regression.

Voraussetzung der PLS-Methodik ist die Konvergenz bei der Berechnung der Ladungen des Messmodells im Rahmen der Iterationen, d. h. die Änderungen der im Rahmen der Schritte eins bis vier berechneten Werte für das Messmodell müssen mit jeder weiteren Iteration kleiner werden und gegen Null streben. Dies ist allerdings bei nahezu allen Anwendungsfällen von PLS der Fall.115

3.2 Statistische Gütemaße

3.2.1 Messmodell

Reflektive Messmodelle

Im Rahmen des reflektiven Messmodells werden zunächst Items definiert, aus denen ein Konstrukt auf Basis von konkreter empirischer Messungen abgeleitet wird. Die Items eines Messpunkts, z. B. eines einzelnen Antwortsatzes in einer fragebogengestützten Survey, reflektieren dabei den jeweiligen Zustand des Konstrukts in diesem Antwortsatz.

Um die Qualität der Messung zu prüfen, ist zunächst festzustellen, ob die Items, die einem Konstrukt zugeordnet sind, dieses Konstrukt tatsächlich konsistent messen.

Als Qualitätskriterium wird hierzu häufig Cronbach’s Alpha herangezogen116. Es drückt die durchschnittliche Korrelation der Items aus. Wenn Cronbach’s ← 47 | 48 → Alpha größer als 0,7 ist, kann unterstellt werden, dass die Items – wenn auch messfehlerbehaftet – jeweils das gleiche Konstrukt messen.117 Alternativ bzw. ergänzend ist die Konstrukt Reliabilität (teilweise auch als Composite Reliability bezeichnet) zu prüfen, die die Relation aller quadrierten Faktorladungen durch die Summe der quadrierten Gesamtabweichungen beinhaltet.118 Die Konstrukt Reliabilität sollte mindestens 0,6 betragen und berücksichtigt, dass – anders als im Verständnis von Cronbach’s Alpha – der Zusammenhang zwischen den Items und der dahinter stehenden latenten Variable unterschiedlich stark sein kann.119

Im nächsten Schritt werden Gütemaße herangezogen, mit denen beurteilt werden kann, inwieweit ein Konstrukt durch die ihm zugeordneten Items valide gemessen wird. Mithilfe der durchschnittlich erfassten Varianz (DEV oder englisch AVE – Average Variance Extracted) wird evaluiert werden, wie hoch der durch die latente Variable erklärte Varianzanteil in Relation zum Messfehler ist.120 Eine durchschnittlich erfasste Varianz von 0,5 gilt als ausreichend.121 Man spricht dann von einer hinreichend hohen Konvergenzvalidität. Daneben gilt es, die Abgrenzung der Messung eines Konstrukts zu anderen latenten Variablen im Sinne von Diskriminanzvalidität zu prüfen. Der Erklärungszusammenhang zwischen den Items, die einem Konstrukt zugeordnet sind, sollte nämlich deutlich größer sein als der mögliche Zusammenhang zu anderen Konstrukten. Dazu wird wiederum die DEV betrachtet, diese sollte für ein Konstrukt stets größer sein als jede quadrierte Korrelation dieses Konstrukts mit jedem anderen Konstrukt des Strukturmodells. Dies wird als Fornell-Larcker-Kriterium bezeichnet.122 Als weiteres Kriterium zur Prüfung der Abgrenzung der im Rahmen eines Strukturmodells verwendeten Konstrukte gelten die Cross Loadings. Dabei sollten die Items des jeweiligen Konstrukts stärker auf jedes Item des eigenen Konstrukts laden als auf alle anderen Items der weiteren im Strukturmodell enthaltenen Konstrukte.123

Folgende Tabelle stellt die statistischen Qualitätsmaße des Messmodells im Überblick dar. ← 48 | 49 →

Tabelle 4: Statistische Qualitätskriterien reflektiver Messmodelle

fig6.jpg

← 49 | 50 →

Formative Messmodelle

Im Rahmen formativer Messmodelle werden Items definiert, die den Zustand des Konstrukts direkt beeinflussen, d. h. den Zustand des Konstrukts formieren. Die Qualitätsmaße eines formativen Messmodells unterscheiden sich deshalb von den Qualitätsmaßen eines reflektiven Messmodells.124

Ziel der Gütemessung eines formativen Messmodells ist die Beurteilung der inhaltlichen Validität, des Beitrags der Items zur Erklärung des Konstrukts und die Nichtexistenz von Multikollinearität.

Die inhaltliche Validität eines formativen Konstrukts ist zunächst hinsichtlich der theoretischen Fundierung auf Basis der Literatur und der Diskussion mit Experten zu prüfen.125 Die äußeren Gewichte der formativen Items auf das Konstrukt sollten wesentlich und signifikant sein. Die Effekte auf andere Konstrukte sollten im Rahmen des Strukturmodells ebenfalls wesentlich und signifikant sein. Der Beitrag eines formativen Items zur Erklärung des Konstrukts kann geschätzt werden, indem ein formatives Item aus dem Gesamtkonstrukt herausgelöst wird. Die Wirkung, welche das aus dem Konstrukt herausgelöste Item hat, wird mittels einer PLS-Schätzung ermittelt. Die Ladung des formativen Items auf das reflektiv gemessene Konstrukt sollte wesentlich und signifikant126 sein. Die Prozedur wird für jedes formative Item einzeln wiederholt.127

Inwieweit das Messmodell Multikollinearität aufweist, zeigt der Varianz-Inflationsfaktor (VIF) an. Multikollinearität versteht sich dabei als Möglichkeit ein Item über eine lineare Kombination anderer Items des Konstrukts abzuleiten. In diesem Falle wäre das linear abgeleitete Item vollständig durch andere Items des Konstrukts erklärt und somit zur Messung des Konstrukts überflüssig.128 Auch der VIF wird für jedes Item formativer Konstrukte einzeln berechnet. Es wird wiederum eine Regression von einem Item auf alle anderen Items des Konstrukts durchgeführt. Das dabei pro Item resultierende Bestimmtheitsmaß R2 wird genutzt, um den VIF für die betrachteten Items durch die Formel VIF = 1/(1-R2) zu berechnen.129

Folgende Tabelle fasst die Qualitätskriterien eines formativen Messmodells zusammen. ← 50 | 51 →

Tabelle 5: Statistische Qualitätskriterien formativer Messmodelle

fig7.jpg

← 51 | 52 →

3.2.2 Strukturmodell

Das Strukturmodell bildet die eigentliche Hypothese des Wirkungszusammenhangs zwischen den Konstrukten ab. Ziel von Gütemaßen in einem varianzbasierten Verfahren ist es, die Stärke von Zusammenhängen, den Erklärungsbeitrag der Wirkung der exogenen Konstrukte im Rahmen des Modells auf endogene Konstrukte und die Übertragbarkeit der Erkenntnis auf die Allgemeinheit zu bewerten.

Die Stärke der Wirkungszusammenhänge zeigt sich in den Werten der Pfadkoeffizienten, d. h. der Wirkungen (Ladungen) der exogenen auf die endogenen Konstrukte, und der jeweiligen Effektstärke (f2)130. Den Beitrag zur Erklärung endogener Variablen zeigt das Bestimmtheitsmaß (R2)131. Die Übertragbarkeit der Ergebnisse auf die Allgemeinheit repräsentieren der Test auf Signifikanz132 und die prognostische Relevanz, das Stone-Geisser-Kriterium (Q2)133.

Die Pfadkoeffizienten sind die bereits eingangs beschriebenen Regressionskoeffizienten, die bei der varianzbasierten Schätzung des Strukturmodells ermittelt werden. Die Effektstärken werden kalkuliert, um den tatsächlichen Einfluss eines exogenen auf ein endogenes Konstrukt zu ermitteln. Trotz eines hohen Pfadkoeffizienten kann nämlich die eigentliche Effektstärke niedrig sein. Die Effektstärke wird dabei aus der Veränderung der Bestimmtheitsmaße (R2) bei einem endogenen Konstrukt abgeleitet, die sich ergibt, wenn das interessierende exogenes Konstrukt weggelassen wird. Je höher diese Veränderung, umso höher ist auch die Effektstärke.134

Da PLS keine normalverteilten Daten in der Grundgesamtheit voraussetzt, ist ein parametrischer Signifikanztest nicht möglich. Um trotzdem Signifikanztests zu ermöglichen, findet im Rahmen von PLS-Modellen das Bootstrapping-Verfahren Anwendung. Dieses Verfahren basiert auf der Schaffung einer Grundgesamtheit aus der Stichprobe selbst heraus. Für diese erschaffene Grundgesamtheit wird eine Verteilung festgestellt, so dass nun ein Signifikanztest erfolgen kann.

Um die Grundgesamtheit bereitzustellen, werden dazu aus dem vorliegenden Datensatz Stichproben mit Zurücklegen gezogen, die alle Items des Datensatzes beinhalten. Auf diese Weise werden i.d.R. 500 Stichproben gezogen, die in ← 52 | 53 → ihrer Gesamtheit eine Grundgesamtheit repräsentieren.135 Theoretisch ist die Menge der möglichen ziehbaren Stichproben begrenzt, praktisch ist die Menge von 500 einzelnen Stichproben wahrscheinlich immer erfüllt, wie folgendes Beispiel zeigt: Sind in einem Datensatz 100 Antworten für zehn Fragen mit nur zwei Antwortkategorien (ja/nein) enthalten, so ergeben sich theoretisch bereits 2.000 (100×10×2) mögliche Stichproben. Auf Grund der multiplikativen Verknüpfung wächst die Anzahl der möglichen Stichproben exponentiell mit der Anzahl der Antworten, der Anzahl der Fragen und der Anzahl der möglichen Antwortkategorien. Folgende Abbildung enthält einen Auszug der T-Wertetabelle zur einseitigen Prüfung des Signifikanzniveaus (90 bis 99,9%) für 90 bis zu unendlich vielen Datensätzen in einer Stichprobe.

Abbildung 5: T-Werte im Rahmen des Signifikanztests136

fig8.jpg

Um die Aussagekraft des Modells zusätzlich zum Signifikanztest auf Basis des Bootstrappings zu prüfen, steht das Stone-Geisser-Kriterium zur Verfügung. Das Kriterium prüft, inwieweit der Datensatz und das Modell in der Lage sind, sich selbst zu reproduzieren. Dazu findet ein Blindfolding-Verfahren Anwendung. Blindfolding heißt dabei, einen Teil der Daten des Datensatzes zu eliminieren, zum Beispiel jeden siebenten Datensatz. Anschließend wird geprüft, inwieweit das Modell in Verbindung mit den verbleibenden Daten in der Lage ist, die eliminierten Datensätze wieder zu repräsentieren. Das Stone-Geisser-Kriterium in Verbindung mit dem Blindfolding-Verfahren ermöglicht also eine Aussage zur Fähigkeit des Modells, die eliminierten Datensätze zu prognostizieren. Es kann positive und negative Werte annehmen – aber nur im Fall eines positiven Werts gilt die Prognoserelevanz als erfüllt.137

In der folgenden Tabelle sind die Kriterien zur Prüfung des Strukturmodells zusammenfassend dargestellt. ← 53 | 54 →

Tabelle 6: Statistische Qualitätskriterien von Strukturmodellen auf Basis von PLS

fig9.jpg

← 54 | 55 →

                                                   

 98 Vgl. Albers/Klapper/Konradt/Walter/Wolf (2009).

 99 Schäffer/Weber/Mahlendorf (2012) und BearingPoint-Projekterfahrung.

100 Vgl. Laverty (1996).

101 Vgl. hierzu und im Folgenden ausführlich Homburg/Klarmann (2006), Homburg (1992).

102 Vgl. Homburg/Giering (1996).

103 Vgl. Eberl (2006), Jarvis/Mackenzie/Podsakoff (2003), Diamantopolous/Winklhofer (2001), Diamantoplolous (1999).

104 Vgl. Ringle/Boysen/Wende/Will (2006).

105 Vgl. Wolf (2011), Eberl (2006), Jarvis/Mackenzie/Podsakoff (2003).

106 Vgl. Diamantopolous/Winklhofer (2001).

107 Vgl. Fornell/Bookstein (1982).

108 Vgl. Homburg/Klarmann (2006).

109 Vgl. Homburg/Klarmann (2006) und Scholderer/Balderjahn (2006).

110 Vgl. Henseler (2005).

111 Vgl. Wolff (2010), Chin/Newsted (1999).

112 Vgl. Reinartz/Heanlein/Henseler (2009).

113 Vgl. Temme/Kreis/Hildebrandt (2006) und www.smartpls.de.

114 Vgl. www.xlstat.com.

115 Im Rahmen der Forschung von Henseler konnten bisher nur sechs Samples identifiziert werden, die nicht konvergieren, vgl. Henseler (2010).

116 Vgl. Cronbach (1951).

117 Vgl. Nunnally/Bernstein (1994).

118 Vgl. Werts/Linn/Jöreskog (1974).

119 Vgl. Hensler/Ringl/ Sinkovic (2009), Ringle/Spreen (1997) und Bagozzi/Yi (1988).

120 Vgl. Fornell/Larcker (1981).

121 Vgl. Götz/Liehr-Gobbers/Krafft (2009).

122 Vgl. Fornell/Larcker (1981).

123 Vgl. Chin (1998) und Götz/Liehr-Gobbers/Krafft (2009).

124 Vgl. Bollen (1989) und Bagozzi (1994).

125 Vgl. Rossiter (2002).

126 Auf die Vorgehensweise zur Durchführung von Signifikanztests im Rahmen von PLS-Modellen wird im Kapitel 3.2.2 eingegangen.

127 Vgl. Hensler/Ringle/Sinkovic (2009).

128 Vgl. Diamantopoulos (1999), Diamantopoulos/Winklhofer (2001), Cassel/Hackl/Westlund (2000) und Grewal/Cote/Baumgartner (2004).

129 Vgl. Engelen (2007).

130 Vgl. Cohen (1988).

131 Vgl. Chin (1998).

132 Vgl. Ringle/Spreen (2007).

133 Vgl. Stone (1974), Geisser (1975).

134 Vgl. Wolf (2011).

135 Vgl. Ringle/Spreen (2007).

136 Vgl. T-Werte-Tabelle, zum Beispiel vgl. Field (2009).

137 Vgl. Tenenhaus (2005).