Joachim Weise Planung Und Steuerung Von Innovationsprojekten

Joachim Weise
Planung und Steuerung von Innovationsprojekten

Betriebswirtschaftslehre für Technologie und Innovation,
Band 59
Herausgegeben von Prof. Dr. Dr. h.c. Sönke Albers,

Prof. Dr. Dr. h.c. Klaus Brockhoff (em.),
Prof. Dr. Holger Ernst,
Prof. Dr. Hans Georg Gemünden,
Prof. Dr. Dr. h. c. Jürgen Hauschildt,
Prof. Dr. Thorsten Teichert
Geschäftsführender Herausgeber:
Professor Dr. Dr. h.c. Sönke Albers,
Institut für betriebswirtschaftliche Innovationsforschung,
Christian-Albrechts-Universität zu Kiel
In der Schriftenreihe werden Ergebnisse von Forschungsarbeiten

veröffentlicht, die sich in herausragender Weise mit Fragen des
Managements neuer Technologien, der industriellen Forschung und
Entwicklung und von Innovationen aus betrieblicher Perspektive
beschäftigen. Die Reihe richtet sich an Leser in Wissenschaft und
Praxis, die Anregungen für die eigene Arbeit und Problemlösungen
suchen. Sie ist nicht auf Veröffentlichungen aus den Instituten der
Herausgeber beschränkt.
Joachim Weise
Planung und Steuerung

von Innovationsprojekten
Mit einem Geleitwort von Prof. Dr. Hans Georg Gemünden
Deutscher Universitäts-Verlag
Bibliografische Information Der Deutschen Nationalbibliothek
Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der
Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über
<http://dnb.d-nb.de> abrufbar.
Dissertation Technische Universität Berlin, 2007
D83
D 17
.
.. Auflage Dezember 1997
1. Auflage Oktober 2007

Alle Rechte vorbehalten
© Deutscher Universitäts-Verlag | GWV Fachverlage GmbH, Wiesbaden 2007
Lektorat: Frauke Schindler / Sabine Schöller
Der Deutsche Universitäts-Verlag ist ein Unternehmen von Springer Science+Business Media.
www.duv.de
Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt.

Jede Verwertung außerhalb der engen Grenzen des Urheberrechtsgesetzes
ist ohne Zustimmung des Verlags unzulässig und strafbar. Das gilt insbe-
sondere für Vervielfältigungen, Übersetzungen, Mikroverfilmungen und die
Einspeicherung und Verarbeitung in elektronischen Systemen.
Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem

Werk berechtigt auch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche
Namen im Sinne der Warenzeichen- und Markenschutz-Gesetzgebung als frei zu betrachten
wären und daher von jedermann benutzt werden dürften.
Umschlaggestaltung: Regine Zimmer, Dipl.-Designerin, Frankfurt/Main
Gedruckt auf säurefreiem und chlorfrei gebleichtem Papier
Printed in Germany
ISBN 978-3-8350-0736-9
Geleitwort
Für die Praxis des Innovationsmanagements spielen formale Planungs- und Steuerungsin-
strumente eine große Rolle, und dabei insbesondere die Frage nach der richtigen Intensität
des Einsatzes dieser Instrumente im Innovationsprozess. Der effektivitäts- und effizienz-
steigernden Wirkung von Planung und Steuerung stehen die für Innovationsvorhaben
grundsätzlich notwendigen Bedingungen wie Kreativität, Flexibilität und Entscheidungs-
freiräume gegenüber, die potentiell durch zu starke formale Steuerung eingeschränkt wer-
den. Eine empirische Analyse zur Annäherung an die Frage, bis zu welchem Grad noch
formelle Projektsteuerung und Fortschrittskontrolle zulässig sind, ohne dass Dysfunktio-
nalitäten eintreten, ist somit von großem Interesse für die betriebliche Praxis des Innova-
tionsmanagements.
Obwohl bereits in der Vergangenheit eine Vielzahl empirischer Studien die Erfolgsfak-
toren bei der Planung und Steuerung von Innovationsprojekten untersucht haben, kann
die Dissertation von Herrn Weise doch unseren Erkenntnisstand auf diesem Gebiet in
wesentlichen Punkten erweitern. Diese Erweiterung bezieht sich sowohl auf inhaltliche
als auch methodische Aspekte. Während die überwiegende Mehrzahl der Studien Pla-
nung und Steuerung als voneinander unabhängige Prädiktoren des Vorhabenserfolges be-
trachtet, legt Herr Weise ein schlüssig abgeleitetes Pfadmodell vor, das eine differenzierte
Analyse der Mediatorbeziehungen zwischen Planung, Steuerung und Innovationserfolg
erlaubt. Hinzu tritt die Analyse des multidimensional erfassten Innovationsgrads als kri-
tische Randbedingung (Moderatorvariable) für die Erfolgswirkung von Planungs- und
Steuerungsaktivitäten in Innovationsprozessen. Methodisch besonders hervorzuheben ist
die quantitative Meta-Analyse der bisherigen Forschungsergebnisse, die über die sonst
übliche qualitative Literaturkritik weit hinausgeht. Übertroffen wird diese noch durch die
äußerst anspruchsvolle empirische Studie, in der Herr Weise eindrucksvoll seine methodi-
sche Kompetenz belegt und Analyseansätze präsentiert, die in der betriebswirtschaftlichen
Forschung bisher kaum diffundiert sind.
Die Ergebnisse der Analysen von Herrn Weise zeigen, dass die Businessplanung zu
Projektbeginn wesentlich zur Strukturierung und Qualität der späteren Vorhabenspha-
sen beiträgt und damit ein unverzichtbarer Erfolgsfaktor für Innovationsprojekte ist, und
zwar auch für hochgradige Innovationen, die sich scheinbar einer solchen Planung entzie-
hen. Stark operativ orientierte Projektplanung und eine entsprechend an Meilensteinen
vi GELEITWORT
ausgerichtete Steuerung sollten dagegen nur bei Vorhaben mit vergleichsweise niedriger
Innovationshöhe betont werden, da sie sich bei hochgradigen Innovationen als Ressour-
cenverschwendung oder gar Hindernis erweisen können. Wichtiger als ablauforientierte
Projektplanung sind Aspekte der Risikoidentifikation, -analyse und -vermeidung. Solche
Aktivitäten helfen bei der Stabilisierung des späteren Projektverlaufs und haben darüber
hinaus eine direkte Erfolgswirkung. Häufige Anpassungen der zentralen Vorhabenszie-
le und der Ressourcenausstattung eines Projektes sollten unbedingt vermieden werden.
Selbst bei hochinnovativen Projekten erweisen sich Konstanz und Stabilität der Projekt-
steuerung als wesentliche Erfolgsfaktoren.
Die Dissertation von Herrn Weise kombiniert einen theoretisch schlüssig abgeleiteten
Bezugsrahmen mit einer außergewöhnlich anspruchsvollen und umfassend dokumentierten
empirischen Studie. Neben dem beachtlichen wissenschaftlichen Beitrag zur Innovations-
forschung hat die Arbeit auch eine hohe Relevanz für die praktische Ausgestaltung der
Planung und Steuerung von Innovationsprojekten im Unternehmensalltag - ein nicht
häufig zu beobachtender Tatbestand. Daher wünsche ich mir eine weite Verbreitung der
hier dokumentierten Erkenntnisse in Wissenschaft und Praxis. Es wäre ein echter Gewinn,
nicht nur für den Autor, sondern vor allem für die Leser und Nutzer seiner Ergebnisse.
Hans Georg Gemünden

Vorwort
Diese Arbeit entstand im Rahmen des Forschungsprojekts Innovationskompass“, das

”
an den Lehrstühlen Technologie- und Innovationsmanagement, Prof. Dr. Hans Georg
Gemünden, sowie Marketing, Prof. Dr. Volker Trommsdorff, der Technischen Universität
Berlin durchgeführt wurde.
Mein Dank gebührt zunächst meinem Doktorvater, Herrn Prof. Dr. Hans Georg
Gemünden, für die stets konstruktive Förderung des Dissertationsvorhabens und die sehr
angenehme Forschungsatmosphäre an seinem Lehrstuhl. Wesentlichen Anteil an diesem
Forschungsgeist und der guten Atmosphäre hatte auch sein ehemaliger Habilitand Prof.
Dr. Sören Salomo, der die gesamte Untersuchung mit viel Engagement begleitet und we-
sentlich zu ihrem Gelingen beigetragen hat. Prof. Dr. Volker Trommsdorff danke ich für
die Übernahme des Korreferates und seine wertvollen Anregungen im Verlauf der Arbeit.
Neben den beteiligten Lehrstühlen möchte ich vor allem meiner Projektkollegin Frau
Dr. Katrin Talke für die vielen konstruktiven Diskussionen und den gemeinsamen Einstieg
in die Welt der Strukturgleichungsmodelle danken. Weiterhin soll an dieser Stelle den zahl-
reichen Respondenten der untersuchten Innovationsprojekte gedankt werden, ohne deren
Auskunftsbereitschaft die Datenbasis der vorliegenden Untersuchung nicht zustande ge-
kommen wäre. Der The Boston Consulting Group danke ich dafür, dass sie zwei Jahre lang
auf meine Arbeitskraft verzichtete und mir dadurch den nötigen Freiraum zum Forschen
ließ.
Ein besonders herzlicher Dank gilt meiner Familie. Meine Frau Kirsten zeigte viel
Verständnis für die Arbeit und hielt mir stets den Rücken frei. Meinen Eltern, Dr.
Hans-Peter und Gabriele Weise, danke ich schließlich für ihre langjährige Unterstützung
während Studium und Promotion sowie die kritische Korrektur des Manuskripts, durch
die noch zahlreiche Fehler getilgt werden konnten.
Joachim Weise
Inhaltsverzeichnis
I Theoretischer Teil 1
1 Einführung in die Problemstellung 3

1.1 Motivation und zentrale Forschungsfragen . . . . . . . . . . . . . . . . . . 3
1.2 Aufbau der Arbeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2 Begriffliche Grundlagen: Innovation und Innovationsgrad 11

2.1 Begriff der Innovation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1.1 Funktionaltypologie von Innovationen . . . . . . . . . . . . . . . . . 13
2.1.2 Dichotomische Charakterisierung von Innovationen . . . . . . . . . 16
2.1.3 Notwendigkeit der Operationalisierung . . . . . . . . . . . . . . . . 20
2.2 Der Innovationsgrad und seine Dimensionen . . . . . . . . . . . . . . . . . 20
2.2.1 Makroperspektive des Innovationsgrads . . . . . . . . . . . . . . . . 22
2.2.2 Mikroperspektive des Innovationsgrads . . . . . . . . . . . . . . . . 24
3 Theoretische Bezugspunkte der Arbeit 27

3.1 Einordnung in die Forschung zur Neuproduktentwicklung . . . . . . . . . . 27
3.2 Ressourcenbasierter Ansatz . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2.1 Konzeptionelle Grundlagen . . . . . . . . . . . . . . . . . . . . . . . 31
3.2.2 Kritische Würdigung und Relevanz für die vorliegende Arbeit . . . 33
3.3 Situativer Ansatz der Organisationsforschung . . . . . . . . . . . . . . . . 35
3.3.2 Fit und seine Konzeptualisierung . . . . . . . . . . . . . . . . . . . 39
3.3.3 Kritische Würdigung und Relevanz für die vorliegende Arbeit . . . 42
3.4 Situative Theorie der Informationsverarbeitung . . . . . . . . . . . . . . . 45
3.4.2 Relevanz für die vorliegende Arbeit . . . . . . . . . . . . . . . . . . 51
3.5 Fazit der theoretischen Diskussion . . . . . . . . . . . . . . . . . . . . . . . 52
4 Planung, Steuerung und Erfolg von Innovationsprojekten 55

4.1 Überblick . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.2 Planung von Innovationsvorhaben . . . . . . . . . . . . . . . . . . . . . . . 58
x INHALTSVERZEICHNIS
4.2.1 Businessplanung . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.2.2 Zieldefinition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.2.3 Projektplanung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.2.4 Risikomanagement . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.3 Steuerung von Innovationsvorhaben . . . . . . . . . . . . . . . . . . . . . . 75
4.3.1 Methoden formeller Projektsteuerung . . . . . . . . . . . . . . . . . 75
4.3.2 Formelle versus organische Steuerung bei innovativen Projekten . . 78
4.3.3 Kontinuität versus Flexibilität bei innovativen Projekten . . . . . . 80
4.4 Erfolgsbeurteilung von Innovationsvorhaben . . . . . . . . . . . . . . . . . 81
4.4.1 Perspektiven der Erfolgsbeurteilung . . . . . . . . . . . . . . . . . . 81
4.4.2 Abgrenzung Innovationserfolg und Projekteffizienz . . . . . . . . . . 84
4.4.3 Empirische Befunde zu Dimensionen und Maßen des Innovationser-
folgs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.4.4 Kongruenz subjektiver und objektiver Erfolgsbeurteilung . . . . . . 94
5 Metaanalyse der empirischen Forschung zur Planung und Steuerung 97

5.1 Ziele der Metaanalyse und Auswahl der Studien . . . . . . . . . . . . . . . 97
5.2 Ergebnisse allgemeiner NPD- und NSD-Studien . . . . . . . . . . . . . . . 99
5.3 Studien mit Fokus auf Projektplanung . . . . . . . . . . . . . . . . . . . . 112
5.4 Studien mit Fokus auf Projektsteuerung . . . . . . . . . . . . . . . . . . . 121
5.5 Quantitative Metaanalyse . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
5.5.1 Methodik der Metaanalyse . . . . . . . . . . . . . . . . . . . . . . . 137
5.5.2 Ergebnisse der Metaanalyse . . . . . . . . . . . . . . . . . . . . . . 141
5.6 Zusammenfassung der Befunde . . . . . . . . . . . . . . . . . . . . . . . . 147
6 Hypothesen der empirischen Untersuchung 151
II Empirischer Teil 161
7 Untersuchungsdesign 163
7.1 Vorgehen bei der Datenerhebung . . . . . . . . . . . . . . . . . . . . . . . 163
7.2 Abschätzung möglicher Methodenfehler . . . . . . . . . . . . . . . . . . . . 165
7.3 Beschreibung der Stichprobe . . . . . . . . . . . . . . . . . . . . . . . . . . 167
8 Methodik der Datenauswertung 169

8.1 Strukturgleichungsmodelle mit latenten Variablen . . . . . . . . . . . . . . 169
8.2 Exploratorische Faktorenanalysen . . . . . . . . . . . . . . . . . . . . . . . 174
8.3 Grundlagen des LISREL-Modells . . . . . . . . . . . . . . . . . . . . . . . 180
8.4 Gütebeurteilung von LISREL-Modellen . . . . . . . . . . . . . . . . . . . . 185
INHALTSVERZEICHNIS xi
8.5 Vorgehen bei der Analyse des Messmodells . . . . . . . . . . . . . . . . . . 190

8.5.1 Reflexive und formative Indikatoren . . . . . . . . . . . . . . . . . . 191
8.5.2 Tetraden-Test nach Bollen und Ting (2000) . . . . . . . . . . . . . 193
8.5.3 Behandlung reflexiver Konstrukte . . . . . . . . . . . . . . . . . . . 196
8.5.3.1 Unidimensionalität . . . . . . . . . . . . . . . . . . . . . . 197
8.5.3.2 Reliabilität . . . . . . . . . . . . . . . . . . . . . . . . . . 199
8.5.3.3 Validität . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
8.5.4 Behandlung formativer Konstrukte . . . . . . . . . . . . . . . . . . 204
8.5.5 Mehrdimensionale Konstrukte und Faktorenanalysen zweiter Ord-
nung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206
8.5.6 Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
8.6 Vorgehen bei der Analyse des Pfadmodells . . . . . . . . . . . . . . . . . . 211
8.6.1 Beurteilung fundamentaler Modellbestandteile . . . . . . . . . . . . 211
8.6.2 Separate Gütebeurteilung für Mess- und Pfadmodell . . . . . . . . . 212
8.6.3 Untersuchung von Alternativmodellen mittels Veripath . . . . . . . 213
8.6.4 Moderatoreffekte . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
8.6.4.1 Moderierte Regressionsanalysen . . . . . . . . . . . . . . . 215
8.6.4.2 Strukturgleichungsmodelle mit Interaktionstermen . . . . 217
9 Operationalisierung und Validierung der Konstrukte 219

9.1 Businessplanung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
9.2 Projektplanung und Risikomanagement . . . . . . . . . . . . . . . . . . . . 228
9.3 Projektsteuerung (Prozessformalisierung und -stabilität) . . . . . . . . . . 232
9.4 Vorhabenserfolg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
9.5 Innovationsgrad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
9.6 Vollständiges Messmodell und Diskriminanzvalidität . . . . . . . . . . . . . 253
10 Wirkungszusammenhänge: Überprüfung der Hypothesen 259

10.1 Basismodell mit Faktoren zweiter Ordnung . . . . . . . . . . . . . . . . . . 259
10.2 Alternativmodell ohne Faktoren zweiter Ordnung . . . . . . . . . . . . . . 264
10.3 Alternativmodell mit formativer Konstruktmessung . . . . . . . . . . . . . 268
10.4 Untersuchung des Basismodells auf Wahrheitsähnlichkeit . . . . . . . . . . 271
10.5 Erweiterung des Basismodells um Moderatoreffekte . . . . . . . . . . . . . 276
10.6 Ergänzende Analysen zur Zieldefinition . . . . . . . . . . . . . . . . . . . . 281
11 Zusammenfassung und Ausblick 291

11.1 Zusammenfassung der Untersuchung . . . . . . . . . . . . . . . . . . . . . 291
11.2 Methodische Aspekte und Ansatzpunkte für zukünftige Forschung . . . . . 293
11.3 Konsequenzen für die Unternehmenspraxis . . . . . . . . . . . . . . . . . . 295
xii INHALTSVERZEICHNIS
III Anhänge 297
A Algorithmus zum Tetradentest 299
B Ergänzende Angaben zur Strukturmodellprüfung 307
C Ergänzende Erläuterungen zur Veripath-Analyse 313

Abbildungsverzeichnis
1.1 Aufbau der Arbeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1 Innovationstypen nach Henderson und Clark . . . . . . . . . . . . . . . . . 17

2.2 Dimensionen des Innovationsgrads . . . . . . . . . . . . . . . . . . . . . . . 22
3.1 Grundmodell des situativen Ansatzes . . . . . . . . . . . . . . . . . . . . . 37

3.2 Modell der organisationalen Informationsverarbeitung . . . . . . . . . . . . 50
3.3 Theoretisches Grundmodell der Arbeit . . . . . . . . . . . . . . . . . . . . 54
4.1 Modell der Planung und Steuerung im Front End von Innovationsprojekten 56
4.2 Core Measures auf Projektebene nach Griffin und Page (1993) . . . . . . . 86
6.1 Zentrale Hypothesen der empirischen Untersuchung . . . . . . . . . . . . . 159
7.1 Segmentierung der Stichprobe nach Mitarbeiterzahl . . . . . . . . . . . . . 168

7.2 Segmentierung der Stichprobe nach Umsatz . . . . . . . . . . . . . . . . . 168
8.1 Reflexive und formative Messmodelle . . . . . . . . . . . . . . . . . . . . . 191

8.2 Identifizierte formative Messmodelle . . . . . . . . . . . . . . . . . . . . . . 205
8.3 Faktoranalysen höherer Ordnung . . . . . . . . . . . . . . . . . . . . . . . 209
9.1 Vollständiges Messmodell . . . . . . . . . . . . . . . . . . . . . . . . . . . . 256
10.1 Basismodell mit Faktoren zweiter Ordnung . . . . . . . . . . . . . . . . . . 261

10.2 Alternativmodell ohne Faktoren zweiter Ordnung . . . . . . . . . . . . . . 265
10.3 Strukturmodelle mit reflexiver und formativer Abbildung der Projektplanung269
10.4 Strukturmodelle mit reflexiver und formativer Abbildung des Risikomana-
gement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
10.5 Alternativmodelle aus Veripath-Analyse . . . . . . . . . . . . . . . . . . . 274
10.6 Alternativmodelle aus Veripath-Analyse . . . . . . . . . . . . . . . . . . . 275
10.7 Moderatorwirkung des Innovationsgrads auf die Beziehung zwischen Pro-
zessformalisierung und Erfolg. (a) Reiner Moderator im Regressionsmodell.
(b) Quasi-Moderator im LISREL-Modell. . . . . . . . . . . . . . . . . . . 280
C.1 Fitmaße der von Veripath erzeugten Alternativmodelle . . . . . . . . . . . 316

Tabellenverzeichnis
3.1 Klassifikation von Fit-Konzepten . . . . . . . . . . . . . . . . . . . . . . . 42
4.1 Studien zur Erfolgsmessung bei Innovationsvorhaben . . . . . . . . . . . . 89

4.2 Studien zur Korrelation zwischen subjektiven Einschätzungen und objek-
tiven Performance-Maßen auf Unternehmensebene . . . . . . . . . . . . . . 95
5.1 Übersicht über allgemeine NPD- und NSD-Studien . . . . . . . . . . . . . 101

5.2 Erfolgswirkung der in allgemeinen NPD- und NSD-Studien untersuchten
Faktoren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
5.3 Übersicht über Studien mit Fokus auf Projektplanung . . . . . . . . . . . . 113
5.4 Erfolgswirkung der Planung – Zusammenfassung der Befunde für Projekte
unterschiedlichen Innovationsgrads . . . . . . . . . . . . . . . . . . . . . . 120
5.5 Übersicht über Studien mit Fokus auf Projektsteuerung . . . . . . . . . . . 124
5.6 Erfolgswirkung der Projektsteuerung – Zusammenfassung der Befunde für
Projekte unterschiedlichen Innovationsgrads . . . . . . . . . . . . . . . . . 137
5.7 Übersicht über die Studien zur Metaanalyse hinsichtlich Businessplanung . 142
5.8 Übersicht über die Studien zur Metaanalyse hinsichtlich formeller Projekt-
steuerung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
5.9 Innovationsgrad als Moderator für die Stärke des Effekts von formeller
Projektsteuerung auf den Projekterfolg . . . . . . . . . . . . . . . . . . . . 145
5.10 Übersicht über die Studien zur Metaanalyse hinsichtlich Zielstabilität . . . 145
5.11 Ergebnisse der Metaanalyse . . . . . . . . . . . . . . . . . . . . . . . . . . 146
6.1 Aussagen, Befunde und Hypothesen zur Planung . . . . . . . . . . . . . . . 155

6.2 Aussagen, Befunde und Hypothesen zur Projektsteuerung . . . . . . . . . . 157
6.3 Aussagen, Befunde und Hypothesen zur Zieldefinition . . . . . . . . . . . . 158
7.1 Charakterisierung der Stichprobe nach Industrien . . . . . . . . . . . . . . 167
9.1 Messkonzept für die Qualität der Businessplanung . . . . . . . . . . . . . . 220

9.2 Exploratorische Faktorenanalyse zur Businessplanung . . . . . . . . . . . . 223
9.3 Tetradentest zur Businessplanung . . . . . . . . . . . . . . . . . . . . . . . 224
9.4 Vergleich geschachtelter Messmodelle zur Businessplanung . . . . . . . . . 224
xvi TABELLENVERZEICHNIS
9.5 Konfirmatorische Faktorenanalyse zur Businessplanung . . . . . . . . . . . 225

9.6 Konvergenz- und Diskriminanzvalidität der Businessplanung . . . . . . . . 227
9.7 Messkonzept zu Projektplanung und Risikomanagement . . . . . . . . . . . 229
9.8 EFA zu Projektplanung und Risikomanagement . . . . . . . . . . . . . . . 230
9.9 Tetradentest zu Projektplanung und Risikomanagement . . . . . . . . . . . 230
9.10 Konfirmatorische Faktorenanalyse zu Projektplanung und Risikomanagement231
9.11 Messkonzept zur Projektsteuerung . . . . . . . . . . . . . . . . . . . . . . . 233
9.12 Exploratorische Faktorenanalyse zur Projektsteuerung . . . . . . . . . . . . 234
9.13 Tetradentest zur Projektsteuerung . . . . . . . . . . . . . . . . . . . . . . . 235
9.14 Konfirmatorische Faktorenanalyse zur Projektsteuerung . . . . . . . . . . . 236
9.15 Messkonzept für den Vorhabenserfolg . . . . . . . . . . . . . . . . . . . . . 237
9.16 Operationalisierung des Vorhabenserfolgs . . . . . . . . . . . . . . . . . . . 240
9.17 Exploratorische Faktorenanalyse zum Vorhabensserfolg . . . . . . . . . . . 241
9.18 Tetradentest zum Vorhabenserfolg . . . . . . . . . . . . . . . . . . . . . . . 242
9.19 Vergleich geschachtelter Messmodelle zum Vorhabenserfolg . . . . . . . . . 242
9.20 Konfirmatorische Faktorenanalyse zum Vorhabenserfolg . . . . . . . . . . . 243
9.21 Konvergenz- und Diskriminanzvalidität des Vorhabenserfolgs . . . . . . . . 244
9.22 Messkonzept für die Makro-Perspektive des Innovationsgrads . . . . . . . . 246
9.23 Messkonzept für die Mikro-Perspektive des Innovationsgrads . . . . . . . . 247
9.24 Exploratorische Faktorenanalyse zum Innovationsgrad . . . . . . . . . . . . 249
9.25 Tetradentest zum Innovationsgrad . . . . . . . . . . . . . . . . . . . . . . . 250
9.26 Vergleich geschachtelter Messmodelle zum Innovationsgrad . . . . . . . . . 250
9.27 Konfirmatorische Faktorenanalyse zum Innovationsgrad . . . . . . . . . . . 251
9.28 Konvergenz- und Diskriminanzvalidität des Innovationsgrads . . . . . . . . 252
9.29 Konfirmatorische Faktorenanalyse des gesamten Messmodells. . . . . . . . 255
9.30 Beurteilung der Diskriminanzvalidität anhand von χ2 -Differenztests . . . . 257
9.31 Beurteilung der Diskriminanzvalidität nach dem Fornell-Larcker-Kriterium 258
10.1 Basismodell: Geschätzte Parameter zwischen latenten Variablen . . . . . . 260

10.2 Basismodell: Totale, direkte und indirekte Effekte der latenten Variablen . 262
10.3 Basismodell: Anpassungsgüte von Mess-, Pfad- und Gesamtmodell . . . . . 264
10.4 Alternativmodell ohne Faktoren zweiter Ordnung: Totale, direkte und in-
direkte Effekte der latenten Variablen. . . . . . . . . . . . . . . . . . . . . 266
10.5 Alternativmodell ohne Faktoren zweiter Ordnung: Anpassungsgüte von
Mess-, Pfad- und Gesamtmodell . . . . . . . . . . . . . . . . . . . . . . . . 267
10.6 Vergleich der durch LISREL und Veripath geschätzten Pfadkoeffizienten . . 273
10.7 Moderatormodelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279
TABELLENVERZEICHNIS xvii
10.8 Moderierte Regressionsanalyse zum Einfluss von Zielwichtigkeit auf Tech-

nischen Erfolg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 282
10.9 Moderierte Regressionsanalyse zum Einfluss von Zielwichtigkeit auf Mark-
terfolg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 282
10.10Moderierte Regressionsanalyse zum Einfluss von Zielwichtigkeit auf Finan-
zerfolg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 283
10.11Moderierte Regressionsanalyse zum Einfluss von Zielwichtigkeit auf Zeit-
planeinhaltung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 283
10.12Moderierte Regressionsanalyse zum Einfluss von Zielspezifität auf den
Technischen Erfolg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 285
10.13Moderierte Regressionsanalyse zum Einfluss von Zielspezifität auf den
Markterfolg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 285
10.14Moderierte Regressionsanalyse zum Einfluss von Zielspezifität auf den Fi-
nanzerfolg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 286
10.15Moderierte Regressionsanalyse zum Einfluss von Zielspezifität auf die Zeit-
planeinhaltung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 286
10.16Moderierte Regressionsanalyse zum Einfluss von Steuerungsgrößen auf den
Technischen Erfolg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 287
Markterfolg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 288
Finanzerfolg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289
10.19Moderierte Regressionsanalyse zum Einfluss von Steuerungsgrößen auf die
Zeitplaneinhaltung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 290
B.1 Messmodell: Kovarianzen und Korrelationen der latenten Variablen . . . . 308

B.2 Basismodell: Kovarianzen und Korrelationen der latenten Variablen . . . . 309
B.3 Basismodell: Geschätzte Parameter des Messmodells . . . . . . . . . . . . . 310
B.4 Alternativmodell ohne Faktoren zweiter Ordnung: Kovarianzen und Kor-
relationen der latenten Variablen . . . . . . . . . . . . . . . . . . . . . . . 311
Teil I
Theoretischer Teil
Kapitel 1
Einführung in die Problemstellung
1.1 Motivation und zentrale Forschungsfragen
Die historische Entwicklung hin zur gegenwärtigen Industrielandschaft ist stark durch
technologische Revolutionen und die Fokussierung auf Innovationen als Quelle von Wett-
bewerbsvorteilen determiniert.1 Empirische Studien belegen, dass der Aufbau von Wettbe-
werbsvorteilen durch innovative Neuprodukte wesentlich zu Wachstum und Profitabilität
von Firmen beiträgt.2 Schätzungsweise 25 Prozent der Unternehmensumsätze werden heu-
te von Produkten generiert, die innerhalb der letzten drei Jahre in den Markt eingeführt
wurden.3 Daneben deuten Untersuchungen auf einen positiven Zusammenhang zwischen
der Einführung neuer Produkte und dem Marktwert von Unternehmen hin.4
Obwohl die strategische Bedeutung von Produktinnovationen weithin anerkannt ist,
sehen sich viele Firmen bei ihrer Umsetzung mit schweren Problemen konfrontiert, die
u. a. die Wahl effizienter und effektiver Prozesse und Managementmethoden betreffen.5 So
zeigen Studien zu Neuprodukt-Erfolgsraten, dass diese unbefriedigend sind und sich im
Zeitverlauf auch nicht verbessern.6 Die tatsächlich festgestellten Misserfolgsraten schwan-
ken dabei stark, jedoch wurden in der Vergangenheit meist Werte zwischen 30 und 45 Pro-
1
Leifer et al. (2001), S. 102.
2
Vgl. u. a. Crépon et al. (1998), S. 135f.; Geroski et al. (1993), S. 208f.; Hall und Mairesse (1995),
S. 287f.; Lööf und Heshmati (2002), S. 14ff. Ittner und Larcker. (1997, S. 21) können dagegen zwar
für die Computerindustrie einen direkten Zusammenhang zwischen Innovationsaktivität und Profita-
bilität nachweisen, nicht aber für die Automobilindustrie.
3
Ayers et al. (1997), S. 107; Urban und Hauser (1993), S. 3f.
4
Vgl. u. a. Blundell et al. (1999), S. 550; Chaney und Devinney (1991), S. 590ff.; Chaney und Devinney
(1992), S. 678; Deeds (2001), S. 42.
5
Gupta und Wilemon (1990), S. 28ff.; Wheelwright und Clark (1992a), S. 70.
6
Solche Übersichten zu Neuprodukt-Erfolgsraten finden sich u. a. bei Crawford (1977), S. 51 und Urban
und Hauser (1993), S. 4f.
4 1. Einführung in die Problemstellung
zent genannt und eher ein Zu- als ein Abnehmen der Rate vermutet.7 Produktentwicklung
scheint insbesondere dann schwierig zu sein, wenn Firmen nur geringe Erfahrung mit den
verwendeten Produkt- und Prozesstechniken haben.8 Gerade solche hochgradigen Innova-
tionen werden jedoch zunehmend wichtig, da Unternehmen heute immer stärker Gefahr
laufen, ihre Wettbewerbsfähigkeit einzubüßen, wenn sie nicht auf die – häufig durch radi-
kale technische Neuerungen hervorgerufenen – diskontinuierlichen Veränderungen in ihrer
Industrie reagieren können.9 So bemerken Lynn et al. (1996, S. 9):
[. . . ] a careful reading of recent industrial history leads to the conclusion

”
that in competitive, technology-intensive global markets, advantage is built
and revenewed through the more discontinuous form of innovation – through
the creation of entirely new families of products and businesses. Continuous,
incremental product line extensions and improvements are essential for main-
taining leadership, but only after it has first been established through the more
discontinuous form of innovation.“
Natürlich handelt es sich nicht bei jedem neuen Produkt um eine hochgradige Innovation,
vielmehr lässt sich ein breites Spektrum von inkrementellen Produktmodifikationen bis
hin zu radikalen technischen Neuerungen identifizieren.10 Nach dem heutigen Stand der
Wissenschaft erscheint es fraglich, ob sich weitläufig eingesetzte Best Practices, die ein ef-
fizientes Management kontinuierlicher Produktverbesserungen versprechen, ohne weiteres
auch auf radikale Innovationen übertragen lassen.11 Vielmehr kann es als eine der Grund-
thesen des Innovationsmanagement angesehen werden, dass sich Innovationen nicht durch
wiederholte Routineentscheidungen zum Erfolg führen lassen, sondern einer gesonderten
Behandlung bedürfen.12 So zeigen empirische Studien, dass Neuproduktentwicklungen,
die auf sehr hohe Innovationsgrade abzielen, anderer Managementmethoden bedürfen als
mittel- oder niedriginnovative Entwicklungsprojekte,13 und dass sich die Übertragung der
bei normalen Produktentwicklungen erprobten Praktiken auf radikale Innovationen als
kontraproduktiv erweisen kann.14
7
Booz, Allen & Hamilton, Inc. (1982); Boulding et al. (1997), S. 164.; Crawford (1977), S. 51.
8
Ayers et al. (2000), S. 133; Tatikonda und Rosenthal (2000), S. 74.
9
Christensen und Overdorf (2000), S. 73; Tushman und O’Reilly (1996), S. 8ff.
10
Der Innovationsbegriff und Fragen der Innovationsgradmessung werden in Abschnitt 2.1 ausführlich
erläutert.
11
Song und Montoya-Weiss (1998), S. 126f.; Veryzer (1998a), S. 305f.
12
Hauschildt (2004), S. 27.
13
Salomo et al. (2003b); Salomo et al. (2003a); Song und Montoya-Weiss (1998), S. 130ff.
14
Leifer et al. (2000); Veryzer (1998a), S. 317.
1.1. Motivation und zentrale Forschungsfragen 5
Der Prozess der Neuproduktentwicklung ist komplex und erfordert zumeist die Betei-
ligung einer Reihe von Personen aus unterschiedlichen funktionalen und hierarchischen
Positionen innerhalb eines Unternehmens.15 In der Vergangenheit sind zahlreiche empi-
rische Untersuchungen mit dem Ziel durchgeführt worden, die kritischen Erfolgsfaktoren
im Rahmen von Neuprodukt-Entwicklungsprozessen zu identifizieren.16 Meta-Analysen
dieser Arbeiten zeigen, dass zu den Faktoren, die dabei immer wieder als erfolgswirksam
identifiziert werden, u. a. die methodische Ideengenerierung und -evaluation, die Entwick-
lung eines Produktkonzeptes und des darauf basierenden Business-Planes, die operative
Projektplanung und schließlich die stringente Steuerung des Entwicklungsprozesses gemäß
dieser Planung gehören.17 Die Relevanz dieser Prozessschritte wird v. a. in der Rational-
Plan-Literatur18 zur Neuproduktforschung hervorgehoben, die davon ausgeht, dass die
einzelnen Produktentwicklungsschritte relativ zuverlässig planbar sind und als Top-Down-
Prozess, beispielsweise im Rahmen eines Stage-Gate Systems ,19 gesteuert werden soll-
ten. Prozessüberwachung, -bewertung und -steuerung erfolgen in einem systematischen
Feedback-Zyklus. Meilensteine helfen dem Team, den Projektfortschritt systematisch zu
überwachen, formelle Reviews ermöglichen eine Bewertung des Projektstatus und bilden
die Grundlage für strategische Projektentscheidungen. Weisungsorientierte Projektsteue-
rung schließlich erlaubt es dem Management, Zielvorgaben und Projektressourcen bei
Bedarf anzupassen.20 Obwohl auch allgemein ein gewisses Maß an Flexibilität und Ent-
scheidungsspielräumen als wichtige Voraussetzung für erfolgreiche Produktentwicklung
angesehen wird,21 bilden nach wie vor die traditionellen Methoden formeller Projektsteue-
rung das zentrale Managementinstrument, um die Erreichung strategischer wie operativer
Projektziele zu gewährleisten.22 Dabei stellt sich jedoch gerade im Zusammenhang mit
innovativen Forschungs- und Entwicklungsprojekten die kritische Frage, bis zu welchem
Grad noch formelle Projektsteuerung und Fortschrittskontrollen zulässig sind, ohne dass
Dysfunktionalitäten eintreten.23
Während Montoya-Weiss und Calantone (1994) in ihrer umfassenden Meta-Analyse
15
Högl und Gemünden (2001), S. 436ff.
16
Vgl. hierzu Kapitel 5, insbesondere Abschnitt 5.2.
17
Vgl. u. a. Balachandra und Friar (1997); Brown und Eisenhardt (1995); Ernst (2001, 2002); Gerwin
und Barrowman (2002); Griffin und Hauser (1996); Henard und Szymanski (2001); Johne und Snelson
(1988); Krishnan und Ulrich (2001); Lilien und Yoon (1989); Montoya-Weiss und Calantone (1994).
18
Vgl. Brown und Eisenhardt (1995), S. 348ff., und Abschnitt 3.1 dieser Arbeit.
19
Das Konzept des Stage-Gate Systems wird in der Literatur v. a. von Cooper und Kleinschmidt dis-
kutiert, vgl. beispielsweise Cooper (1990); Cooper und Kleinschmidt (1990); Cooper (1991).
20
Rosenau und Moran (1993); Wheelwright und Clark (1992b).
21
Burns und Stalker (1961); Moorman und Miner (1998).
22
Cooper und Kleinschmidt (1995), S. 384.
23
Eisenhardt und Tabrizi (1995), S. 106.
der empirischen Literatur zur Neuproduktentwicklung noch feststellten, dass Faktoren

wie Proficiency of Predevelopment Activities und Financial/Business Analysis nur von
einer geringen Zahl von Studien untersucht wurden,24 sind in den letzten Jahren eine
Reihe empirischer Arbeiten erschienen, die explizit die Erfolgswirkung von Planungs-
und Steuerungsaktivitäten im Rahmen von Produktentwicklungsprojekten untersuchen
und dabei inhaltlich und methodisch deutliche Fortschritte gegenüber älteren, breiter ge-
fassten Erfolgsfaktorenstudien erzielen.25 Insbesondere berücksichtigt zumindest ein Teil
dieser Studien, wie wichtig die Einbeziehung zentraler Projektcharakteristika als Kon-
tingenzfaktoren ist,26 indem sie Moderatorwirkungen des Innovationsgrads untersuchen.
Betrachtet man allerdings die Befunde dieser Untersuchungen, so fällt es z. T. schwer,
einen gemeinsamen Nenner zu identifizieren, und in einigen Aspekten treten sogar ekla-
tante Widersprüche zu Tage. Während beispielsweise die Studie von Shenhar et al. (2002)
feststellt, dass Projektplanung vor allem bei komplexen, mit hoher Unsicherheit konfron-
tierten Projekten wichtig ist, kommen Song und Montoya-Weiss (1998) zu dem Ergebnis,
dass detaillierte Projektplanung bei hochinnovativen Projekten geradezu kontraproduktiv
ist. Ähnliche Widersprüche sind auch hinsichtlich der Projektsteuerung zu konstatieren:
Folgt man den Befunden von Tatikonda und Montoya-Weiss (2001), so hat formelle Pro-
jektsteuerung unabhängig vom Grad der technischen Unsicherheit eine positive Erfolgs-
wirkung. Im Gegensatz dazu finden Lewis et al. (2002) einen negativen Interaktionsef-
fekt zwischen Planned Style-Projektmanagement und technischer Unsicherheit, während
schließlich Griffin (1997) überhaupt keinen Zusammenhang zwischen Prozessformalisie-
rung und Entwicklungsdauer feststellen kann.
Vor dem Hintergrund dieser Widersprüche ist es das zentrale Anliegen der vorlie-
genden Arbeit, im Rahmen einer großzahligen empirischen Untersuchung zunächst die
bereits angesprochenen Aspekte von Projektplanung, -steuerung und -erfolg sowie Inno-
vationshöhe multidimensional zu messen, um auf dieser Grundlage differenzierte Aussagen
über mögliche Kausalzusammenhänge treffen zu können. Im Mittelpunkt stehen dabei die
folgenden Forschungsfragen:
1. Welchen Einfluss haben unterschiedliche Aspekte der Vorhabensplanung sowie der

formellen Projektsteuerung auf den Erfolg von Innovationsprojekten?
2. Welcher Zusammenhang besteht dabei zwischen den Planungs- und den Steuerungs-
aktivitäten, inwiefern übt also die Projektsteuerung eine Mediator -Rolle für die Be-
ziehung zwischen Planung und Erfolg aus?
24
Montoya-Weiss und Calantone (1994), S. 411.
25
Vgl. hierzu Kapitel 5, insbesondere Tabelle 5.3 (S. 113ff.) und Tabelle 5.5 (S. 124ff.).
26
Shenhar (2001); Song und Montoya-Weiss (1998)
1.2 Aufbau der Arbeit
Die Arbeit gliedert sich entsprechend Abbildung 1.1 in einen theoretischen und einen
empirischen Teil.
Der theoretische Teil beginnt mit der Vorstellung der zentralen Forschungsfragen und
der wissenschaftstheoretischen Grundhaltung der vorliegenden Untersuchung. Im folgen-
den Kapitel 2 werden die Begriffe Innovation“ und Innovationsgrad“ erläutert, die für
” ”
das Verständnis der Arbeit von zentraler Bedeutung sind. Neben einer kurzen Erörterung
der Bezugspunkte zu Strömungen der Neuproduktforschung dient Kapitel 3 vor allem der
Ableitung eines theoretischen Grundmodells, das die Forschungsfragen vor dem Hinter-
grund betriebswirtschaftlicher Theoriebildung integriert, wobei der situative Ansatz, die
Theorie der Informationsverarbeitung sowie der ressourcenbasierte Ansatz herangezogen
werden. Entsprechend der grundsätzlichen Differenzierung des Grundmodells in Infor-
mationserzeugung und -verarbeitung werden in Kapitel 4 die für Innovationsvorhaben
relevanten Elemente der Projektplanung und -steuerung näher untersucht, wobei neben
der Literatur zur Neuproduktentwicklung auch auf allgemeinere Arbeiten zum Projekt-
management und zur strategischen Planung zurückgegriffen wird. In Kapitel 5 erfolgt eine
systematische Bestandsaufnahme der empirischen Forschung zur Planung und Steuerung
von Innovations- und Produktentwicklungsprojekten sowie eine meta-analytische Verdich-
tung der relevanten Befunde. Kapitel 6 stellt den Bezugsrahmen sowie die Hypothesen
für den empirischen Teil dieser Arbeit vor. Dieser Abschnitt kann relativ kurz gehalten
werden, da hier im wesentlichen auf die in den Kapiteln 3 und 4 systematisch abgeleiteten
Aussagen sowie auf die in Kapitel 5 aggregierten Befunde zurückgegriffen wird.
Der empirische Teil der Arbeit beginnt in Kapitel 7 mit einer Erläuterung des Unter-
suchungsdesigns, insbesondere des Vorgehens bei der Datenerhebung, und einer Beschrei-
bung der Stichprobencharakteristika. Kapitel 8 geht zunächst auf methodische Fragen
der Konstruktbildung ein, bevor der Ablauf der statistischen Datenanalyse und die dabei
verwendeten Verfahren näher beschrieben werden. Die in der vorliegenden Arbeit verwen-
deten Konstrukte werden in Kapitel 9 operationalisiert und validiert, bevor die eigentliche
Hypothesenprüfung in Kapitel 10 durch Ermittlung von direkten Zusammenhängen, Me-
diatorbeziehungen und Moderatoreffekten erfolgt. Im abschließenden Kapitel 11 werden
die gewonnenen Erkenntniss diskutiert, wobei sowohl konkrete Handlungsempfehlungen
für die Praxis als auch wichtige Implikationen der Arbeit für die Forschung dargelegt
werden.
1.2. Aufbau der Arbeit 9
Teil I – Theoretischer Teil
Kap. 1 Einführung in die Problemstellung
Begriffliche Grundlagen:
Kap. 2
Innovation und Innovationsgrad
Theoretische Bezugspunkte
Kap. 3
der Arbeit
Planung, Steuerung und Er- Metaanalyse der empirischen For-

Kap. 4 Kap. 5
folg von Innovationsprojekten schung zur Planung und Steuerung
Hypothesen der
Kap. 6
empirischen Untersuchung
Teil II – Empirischer Teil
Kap. 7 Untersuchungsdesign Kap. 8 Methodik der Datenauswertung
Operationalisierung und
Kap. 9
Validierung der Konstrukte
Wirkungszusammenhänge:
Kap. 10
Überprüfung der Hypothesen
Kap. 11 Zusammenfassung und Ausblick
Abbildung 1.1: Aufbau der Arbeit

1.1. Motivation und zentrale Forschungsfragen 7
3. Welchen Einfluss hat die Innovationshöhe auf die Beziehungen zwischen Vorhabens-
planung, -steuerung und -erfolg, inwiefern übt also der Innovationsgrad eine Mode-
rator -Rolle aus?
Im einzelnen soll die vorliegende Arbeit den derzeitigen Stand der Forschung wie folgt
erweitern:
1. Die zentralen Konstrukte der Untersuchung werden als mehrdimensionale Konstruk-

te operationalisiert, um eine umfassende Erfassung des Erkenntnisgegenstandes si-
cherzustellen. Entsprechend der Empfehlung von Dougherty (1996) wird dabei ein
starker Fokus auf die tatsächlichen Aktivitäten von Produktentwicklungsprozessen
gelegt.27 Zwar wird dadurch die Verallgemeinerbarkeit der Befunde tendenziell ge-
ringer ausfallen als bei sehr allgemein gefassten, abstrakten Operationalisierungen,
auf der anderen Seite steigen jedoch Praxisrelevanz und Nachprüfbarkeit der postu-
lierten Beziehungen und damit letztlich der Erkenntnisgehalt der Untersuchung.
2. Der Bezugsrahmen der empirischen Untersuchung berücksichtigt, dass unter dem

theoretischen Gesichtspunkt der Informationsverarbeitung von Organisationen so-
wohl die Informationsgenerierung als auch die -verarbeitung wesentlich für den Er-
folg von Innovationsprojekten sind.28 Im Gegensatz zu früheren Studien auf dem
Gebiet der Neuproduktentwicklung werden daher Planung und Steuerung nicht als
voneinander unabhängige Prädiktoren des Vorhabenserfolgs betrachtet, sondern ihre
Wechselwirkungen explizit im Rahmen eines vergleichsweise komplexen Pfadmodells
untersuchen.
3. Da der Grad der Produktneuheit als zentraler Kontingenzfaktor im Rahmen der

Neuproduktentwicklung angesehen wird, werden alle postulierten Kausalzusam-
menhänge konsequent auf mögliche Interaktionen mit dem Innovationsgrad hin un-
tersucht. Dabei erfolgt die Operationalisierung des Innovationsgrads in Anlehnung
an aktuelle Messkonzepte, die davon ausgehen, dass er am besten als ein mehrdi-
mensionales Phänomen zu verstehen und messen ist.29 Um die Identifikation von
Moderatoreffekten zu erleichtern, wurde besonderer Wert darauf gelegt, Projekte
mit einem breiten Spektrum an Produktinnovationsgraden zu erfassen und insbe-
sondere auch hochinnovative Vorhaben in die Erhebung einzubeziehen.
27
Dougherty (1996), S. 424
28
Vgl. Abschnitt 3.4 (S. 45ff.).
29
Solche Messkonzepte werde u. a. von Danneels und Kleinschmidt (2001), Garcia und Calantone (2002),
Gatignon et al. (2002), Salomo (2003), und Schlaak (1999) entwickelt.
Kapitel 2
Begriffliche Grundlagen: Innovation

und Innovationsgrad
2.1 Begriff der Innovation
Jedes Unternehmen unterliegt, ebenso wie sein Umfeld, einem ständigen technischen, wirt-
schaftlichen und sozialen Wandel. Um erfolgreich sein zu können, müssen Firmen den
Anforderungen dieses Wandels durch Innovationen entsprechen, die damit als richtige
”
Antworten der Unternehmen auf Veränderungen in ihrer Aufgabenumwelt“ angesehen
werden können.1 Der durch die Veränderungen hervorgerufene Grad an Neuigkeit ist folg-
lich auch das konstitutive Merkmal von Innovationen, wie eine etymologische Analyse
zeigt (lat.: innovatio = Neuerung).
Dabei muss Innovation jedoch von Invention und Imitation unterschieden werden. Al-
len ist gemeinsam, dass es sich um etwas Neues handelt, dessen Ursprung eine Idee zur
Befriedigung eines unmittelbar feststellbaren oder auch nur vermuteten Bedürfnisses ist.2
Eine Imitation bezeichnet zunächst nur eine Nachahmung, also die wiederholte Anwen-
dung einer neuen Problemlösung in einem anderen Unternehmen. Dennoch kann es sich
dabei aus der subjektiven Sicht des imitierenden Unternehmens um eine Neuerung handeln
(vgl. hierzu die Ausführungen zur Mikroperspektive des Innovationsgrads in Abschnitt
2.2.2).3 Der Begriff Invention bedeutet Erfindung“. Er beinhaltet die gedankliche Konzi-
”
pierung und technische Realisierung einer Neuheit auf der Basis neuer wissenschaftlicher
Erkenntnisse bzw. durch neue Kombination bestehender Erkenntnisse.4 Eine Erfindung
muss nicht zwangsläufig geplantes Ergebnis von Forschung und Entwicklung sein, sie kann
1
Zahn und Weidler (1995), S. 352; Pleschak und Sabisch (1996), S. 1.
2
Brockhoff (1999), S. 35ff.
3
Pleschak und Sabisch (1996), S. 6.
4
Haß (1983), S. 2.
12 2. Begriffliche Grundlagen: Innovation und Innovationsgrad
auch als Zufallsprodukt“ abfallen.5

”
Innovation schließlich ist ein schillernder“ Begriff, für den in der Literatur eine Viel-
”
zahl uneinheitlicher Definitionen verwendet wird.6 Gemeinsam ist diesen Definitionen je-
doch, dass mit einer Innovation untrennbar eine tatsächliche Nutzung bzw. Marktdiffusion
verbunden ist. Das Vorliegen einer Erfindung ist hier also nicht hinreichend – Innovation
ist mehr als Invention.7 Im Folgenden soll der Begriff Innovation“ für die Zwecke dieser
”
Arbeit definiert werden, wobei zum einen der Prozess der Neuerung betrachtet wird, zum
anderen das Objekt bzw. Ergebnis dieses Prozesses.
Die prozessuale Betrachtung läßt sich eng und weit abgegrenzen:8 Bei enger Abgren-
zung9 versteht man unter einer Innovation die Durchsetzung einer Invention am Markt
bzw. deren wirtschaftliche Nutzung, während eine Innovation im weiteren Sinne den ge-
samten Prozess der Invention und Marktdurchsetzung umfasst.10 Da die vorliegende Ar-
beit Aspekte des Planungs- und Steuerungssystems v. a. in frühen Projektphasen betrach-
tet, wird hier in Anlehnung an Uhlmann (1978, S. 41) und Goldhar (1980, S. 284) folgende
weitgefasste Definition gewählt:
Prozessuale Definition von Innovation Eine Innovation ist der Pro-
zess, den eine neuartige Problemlösung von der Ideenfindung über die Entwick-
lung bis hin zur Marktdurchsetzung oder Verwendung im eigenen Unternehmen
durchläuft. Die Phasen dieses Prozesses werden durch formale Entscheidungs-
punkte verbunden, an denen Entscheidungen über die zukünftige Ressourcen-
allokation getroffen werden.
Auf die Frage, inwiefern sich bei hochgradigen Innovationen wirklich typische Prozesspha-
sen und Entscheidungspunkte identifizieren lassen, wird in Kapitel 4 näher eingegangen,11
dennoch liefert diese Herangehensweise ein fruchtbares Gedankenmodell für die Untersu-
chung von Planungs- und Steuerungsprozessen. Neben der prozessbezogenen Definition
des Innovationsbegriffes wird in der Literatur meist auch eine objektbezogene verwendet,
nämlich dann, wenn auf das Ergebnis des Innovationsprozesses, z. B. ein neu entwickeltes
Produkt, referenziert wird:
Objektbezogene Definition von Innovation Innovationen sind qualita-
tiv neuartige Produkte oder Verfahren, die sich gegenüber dem vorhergehenden
5
Specht und Beckmann (1996), S. 15.
6
Hauschildt (2004), S. 4ff.; Zahn und Weidler (1995), S. 353; Pleschak und Sabisch (1996), S. 1.
7
8
Marr (1980), Sp. 948.
9
So z. B. bei Specht und Beckmann (1996), S. 15
10
So z.B. bei Souder (1987), S. 6; Kupsch et al. (1991), S. 1073.
11
Vgl. hierzu auch Veryzer (1998a).
2.1. Begriff der Innovation 13
Zustand merklich unterscheiden, von einer Unternehmung erstmalig im Markt

oder eigenen Betrieb eingeführt werden und sich dort bewähren müssen. Die
Neuartigkeit besteht darin, dass Zwecke und Mittel in einer bisher nicht be-
kannten Form verknüpft werden.12
Eine Innovation liegt also nur bei neuartigen Zweck-Mittel-Beziehungen vor. Werden neue
Mittel zur Erfüllung vorhandener oder neuer Zwecke angeboten, so kann man von einer
mittelinduzierten Innovation sprechen, entsteht dagegen ein neuer Zweck, der mit un-
veränderten oder neuen Mitteln befriedigt wird, liegt eine zweckinduzierte Innovation vor.
Bei einer eigentlichen Innovation schließlich sind die Zwecke neu gesetzt, und es werden
zugleich neue Mittel zur Erfüllung dieser Zwecke eingesetzt.13 Bereits hier wird deutlich,
dass bei Innovationen unterschiedliche Grade der Neuartigkeit auftreten können und ihre
Messung anhand verschiedener Dimensionen zu erfolgen hat.
Bevor auf dieses mehrdimensionale Messproblem näher eingegangen wird, soll im
nächsten Abschnitt zunächst anhand einer Funktionaltypologie näher beleuchtet werden,
welche Arten von Innovationen eigentlich auftreten können, d. h. welche Objekte einer
Neuerung“ unterliegen. Obwohl die dabei vorgestellten Innovationstypen teilweise deut-
”
lich über den Rahmen hinausgehen, der durch die oben stehenden Definitionen gegeben
ist, verdeutlichen sie doch die Reichweite, die die Diskussion des Phänomens Innovation“
”
in der Betriebswirtschaftslehre mittlerweile angenommen hat.
2.1.1 Funktionaltypologie von Innovationen
Die Unterscheidung von Innovationstypen hinsichtlich ihrer Zugehörigkeit zu Funktions-

bereichen geht auf die Theorie der wirtschaftlichen Entwicklung“ von Schumpeter (1931)
”
zurück. Schumpeter verwendet hier zwar den Begriff Innovation“ noch nicht explizit,14
”
geht aber auf die Durchsetzung neuer, diskontinuierlicher Kombinationen von Produk-
tionsmitteln ein. Solch neuartige Mittelkombinationen können nach Schumpeter durch
Herstellung eines für einen bestimmten Konsumentenkreis neuen Produktes, durch An-
wendung eines für einen bestimmten Industriezweig neuen Produktionsverfahrens, durch
Erschließung neuer Beschaffungsquellen oder Absatzmärkte sowie durch Änderung von
Wettbewerbsstrukturen hervorgerufen werden.15 In Anlehnung an Zahn und Weidler
12
Hauschildt (1992), Sp. 1029; Hauschildt (2004), S. 11.
13
14
Dieser findet sich erst bei Schumpeter (1939), S. 87.
15
Schumpeter (1931), S. 100f. Diese Beschreibung nimmt bereits eine Reihe von im Folgenden noch zu
besprechenden Aspekten vorweg, so den Verzicht auf eine rein technische Betrachtungsweise zugun-
sten einer betriebswirtschaftlichen Perspektive, die Unterscheidung von Produkt- und Prozessinno-
vationen und die Einbeziehung von wettbewerbsbezogenen Innovationen.
(1995, S. 362ff.) sowie Hauschildt (2004, S. 13) können diese Perspektiven systemati-
siert und in vier Dimensionen zusammengefasst werden:16 Technische, organisationale,
wettbewerbsbezogene und soziale Innovationen.
Technische Innovationen resultieren aus der Erweiterung naturwissenschaftlich-
technischen Wissens als Ergebnis erfolgreicher Forschungs- und Entwicklungstätigkeiten.
Technischer Fortschritt verändert die Bestimmungsgrößen für Qualität, Quantität und
Wirtschaftlichkeit einzelner Leistungsprozesse und beeinflusst damit auch das Leistungs-
ergebnis. Die resultierenden Produkt- und Prozessinnovationen sind Ursprung der wirt-
schaftlichen Dynamik.17 Produktinnovationen liegen vor, wenn eine Unternehmung Pro-
dukte in ihr Leistungsprogramm aufnimmt, die es dem Benutzer erlauben, neue Zwecke
zu erfüllen oder vorhandene Zwecke in einer völlig neuartigen Weise zu erfüllen.18 Da-
mit Produktinnovationen den Nutzer überhaupt erreichen können, müssen sie sich am
Markt durchsetzen können. Prozessinnovationen dagegen müssen sich nur innerbetrieb-
lich durchsetzen. Bei ihnen handelt es sich um neuartige Faktorkombinationen, durch die
die Produktion eines bestimmten Gutes kostengünstiger, qualitativ hochwertiger, sicherer
oder schneller erfolgen kann. Ziel dieser Innovation ist also eine Effizienzsteigerung.19
Der Zusammenhang zwischen Produkt- und Prozessinnovationen wird in der Literatur
sowohl auf Branchen- als auch auf Firmenebene untersucht, wobei häufig ein Produkt-
Prozess-Muster unterstellt wird, bei dem Organisationen zunächst Produktinnovationen
implementieren, bevor sie sich verstärkt der Durchführung von Prozessinnovationen zu-
wenden.20
Organisationen spielen im Rahmen des Innovationsmanagement eine zentrale Rolle, da
sie die Effektivität und Effizienz der in ihnen ablaufenden Neuerungsprozesse bestimmen.
Vor diesem Hintergrund müssen Unternehmen selbst das Objekt sog. organisationaler In-
novationen werden, um ihr Innovationspotential als Quelle technischer und wettbewerbs-
bezogener Innovationen zu sichern.21 Organisationale Innovationen stehen oft in Zusam-
menhang mit Produkt- bzw. Prozessinnovationen oder Unternehmensgründungen, können
jedoch auch als gesonderte Organisationsmaßnahme durchgesetzt werden.22 Sie können
struktureller Natur sein (z. B. bei der Bildung neuer Organisationseinheiten), durch eine
16
Andere Autoren unterscheiden dagegen nur zwischen Produkt-, Prozess- und Sozialinnovationen, vgl.
u. a. Thom (1980), S. 7 und Whipp und Clark (1986).
17
Marr (1980), Sp. 950.; Utterback und Abernathy (1975), S. 645ff.
18
19
Ettlie und Reza (1992), S. 796; Gopalakrishnan et al. (1999), S. 148.
20
Damanpour und Gopalakrishnan (2001), S. 50; Gopalakrishnan et al. (1999), S. 148ff.; Utterback und
Abernathy (1975), S. 645.
21
Zahn und Weidler (1995), S. 363.
22
Änderung in den Managementsystemen hervorgerufen werden (z. B. bei der Einführung

eines neuen ERP-Systems) oder durch eine Veränderung der Unternehmenskultur bedingt
sein (z. B. in Form größerer Eigenverantwortung und Motivation auf unteren Hierarchie-
ebenen23 ).24
Im Falle der wettbewerbsbezogenen Innovationen sind die Neuerungsobjekte nicht mehr
allein die Technik oder die Organisation, sondern die für das Unternehmen relevanten
Märkte und Branchenstrukturen sowie die im Geschäft geltenden Spielregeln“.25 Die Un-
”
ternehmensumwelt wird damit nicht statisch betrachtet, sondern wird Objekt einer dyna-
mischen Neugestaltung. Auslöser solcher Veränderungen können wiederum Produkt- und
Prozessinnovationen sein, beispielsweise wenn sie es ermöglichen, durch veränderte Preis-
Leistungs-Verhältnisse oder Nutzenstrukturen neue Marktsegmente oder sogar Märkte zu
bearbeiten. Nachhaltiger als die Ansprache neuer Marktsegmente ist meist eine Innovation
in den grundlegenden Spielregeln des Marktes, so beispielsweise wenn die in der Branche
entscheidenden Wettberbsvorteile nicht länger über Preis- oder Leistungsvorteile, sondern
über Servicequalität erzielt werden.26
Da es sich bei betriebswirtschaftlichen Organisationen um soziotechnische Systeme27
handelt, werden sie schließlich auch von sozialen Innovationen beeinflusst. Soziale In-
novationen sind Reaktion auf den ständigen Entwicklungsprozess, dem das Werte- und
Normensystem einer Gesellschaft unterworfen ist, und stimulieren diesen wiederum.28 Sie
können sich z. B. in Änderungen im politischen System oder in neuen Lebensstilen äußern
und führen damit zu veränderten Rahmenbedingungen, unter denen das Unternehmen zu
agieren hat.29 Im Gegensatz zu den drei anderen Funktionaltypen sind soziale Innovatio-
nen vom Einzelunternehmen praktisch nicht zu beeinflussen, sondern stellen ein datum
dar, auf das es reagieren muss.
Die in diesem Abschnitt überblicksartig beschriebenen Innovationstypen gehen z. T.
deutlich über den vergleichsweise engen Rahmen hinaus, der durch die beiden Definitionen
auf S. 12 abgesteckt wurde. Den zentralen Fragestellungen dieser Arbeit entsprechend wird
jedoch im weiteren Verlauf, insbesondere im empirischen Teil, praktisch ausschließlich auf
23
Kieser und Kubicek (1992), S. 389.
24
Pleschak und Sabisch (1996, S. 23) und Thom (1992, S. 8) bezeichnen alle organisatorischen In-
novationen, die den Humanbereich des Unternehmens betreffen, als Sozialinnovation. Dieser Defini-
tion wird hier nicht gefolgt, stattdessen wird der Begriff soziale Innovation“ auf gesellschaftliche
”
Veränderungen bezogen (siehe unten).
25
Zahn und Weidler (1995), S. 365.
26
Robert (1991), S. 53ff.
27
Neidhardt (1980).
28
Marr (1980), Sp. 949.
29
Zapf (1989).
Produktinnovationen Bezug genommen.
2.1.2 Dichotomische Charakterisierung von Innovationen
Es reicht nicht aus, die Neuartigkeit einer Innovation zu postulieren, vielmehr sollte man
den graduellen Unterschied gegenüber dem bisherigen Zustand durch Bestimmung ei-
nes Innovationsgrads“ mess- und bewertbar machen. Bevor jedoch solche intersubjektiv
”
überprüfbaren Messungen auf Kardinal- oder wenigstens Ordinalskalen konzipiert wur-
den, lag der Fokus der wissenschaftlichen Diskussion auf einer Reihe von Dichotomien,
die zumindest eine nominale Unterscheidung von Innovationen ermöglichen.30 Ohne An-
spruch auf Vollständigkeit sollen hier nur vier Begriffspaare vorgestellt werden, die eine
besondere Bedeutung für die Entwicklung der Innovationsgradmessung hatten.31
Innovation in Kern- und peripheren Systemen Betrachtet man Produkte als eine
hierarchisch geordneten Menge von Subsystemen und Schnittstellen,32 so lassen sich In-
novationen unterscheiden, die die Kernkomponenten eines Produkts betreffen, und solche,
die Veränderungen in eher peripheren Komponenten bewirken. Vor dem Hintergrund die-
ser Unterscheidung konnte in einer Reihe von Untersuchungen33 festgestellt werden, dass
es zunächst meist die zentralen Komponenten eines Produktes sind, in denen technische
Veränderungen erfolgen. Diese Kernkomponenten fungieren anschließend als Impulsgeber
für den technischen Fortschritt in eher peripheren Komponenten, sie bilden also strategi-
sche Engpassfaktoren. So beschreibt z. B. Constant (1980), wie die Einführung des Strahl-
triebwerks weitreichende Veränderungen in fast allen anderen Teilsystemen des Flugzeugs
nach sich zog.
Die Unterteilung in zentrale und periphere Komponenten kann nach dem Kriterium er-
folgen, wie fest ein Teilsystem mit den anderen Systemen eines Produktes verbunden ist.34
Kernkomponenten, wie z. B. der Oszillationsmechanismus einer Uhr, sind enger verbun-
den mit anderen Teilsystemen, stärker abhängig von diesen und von höherer Bedeutung
für die zentralen Leistungsparameter eines Produktes als die peripheren Komponenten.35
Änderungen in diesen zentralen Komponenten ziehen zwangsläufig Änderungen in den
meisten anderen Komponenten nach sich. Werden dagegen Änderungen an peripheren
Komponenten, wie z.B. dem Armband einer Uhr, vorgenommen, so hat dies höchstens
30
Hauschildt (2004), S. 14f.
31
Vgl. Gatignon et al. (2002), S. 1105ff. für eine ähnliche Darstellung.
32
Clark (1985); Schilling (2000).
33
Vgl. u. a. Constant (1980); Landes (1983); Henderson (1993); Henderson (1995).
34
Gatignon et al. (2002), S. 1106.
35
Landes (1983).
geringe Auswirkungen auf den Rest des Systems.
Architektonische und modulare Innovationen Auf der Grundlage der Definition

eines Produktes als einer Hierachie von Teilsystemen und Schnittstellen kann man Inno-
vationen noch nach einem weiteren Kriterium differenzieren, das auf Henderson und Clark
(1990) zurückgeht. Sie unterscheiden modulare Innovationen, die zu Änderungen in einzel-
nen Teilsystemen eines Produktes führen, und architektonische Innovationen, die nur die
Schnittstellen zwischen den Komponenten eines Produktes betreffen.36 Architektonische
Innovationen ändern also die Art, auf die die Bestandteile eines Produktes miteinander
verbunden sind, lassen jedoch das wesentliche Designkonzept, das den Komponenten zu-
grundeliegt, unberührt.37 Ausgehend von diesen beiden Dimensionen – Änderungen bzgl.
Produktarchitektur und Änderungen bzgl. Komponentendesign – definieren Henderson
und Clark (1990) mit imkrementellen“ und radikalen“ Innovationen zwei weitere Ty-
” ”
pen (vgl. Abbildung 2.1).
Kernkomponenten
Beibehalten Ersetzt
Verbindung zwischen
Unver- Inkrementelle Modulare

Kernkomponenten
ändert Innovationen Innovationen
Ge- Architektonische Radikale

ändert Innovationen Innovationen
Abbildung 2.1: Innovationstypen nach Henderson und Clark (1990, S. 12)
Innovationen sind nach dieser Klassifikation dann radikal“, wenn sie in einer neuen Pro-
”
duktarchitektur Komponenten miteinander verbinden, die selbst wieder auf neuen Gestal-
tungskonzepten beruhen. Inkrementelle Innovationen dagegen verbessern und erweitern
bestehende Produkte, ohne Veränderungen an der grundsätzlichen Gestaltung der Kom-
ponenten und der verbindenden Architektur vorzunehmen. Die Verwendung des Begriffs
36
Henderson und Clark (1990), S. 10.
37
Dies heißt jedoch nicht notwendigerweise, dass architektonische Innovationen die Komponenten selbst
vollkommen unverändert lassen. Oft werden architektonische Innovationen von Änderungen in einzel-
nen Leistungsparametern der Komponenten ausgelöst, die neuartige Wechselwirkungen in der Pro-
duktarchitektur auslösen bzw. ermöglichen.
radikale Innovation“ ist jedoch in der einschlägigen Literatur alles andere als einheitlich,
”
was im folgenden Abschnitt diskutiert wird.
Radikale und inkrementelle Innovationen In der umfangreichen Literatur zu Inno-

vationsmanagement und Neuproduktentwicklung wird der Begriff der radikalen Innova-
”
tion“ meist wesentlich weiter als bei Henderson und Clark (1990) gefasst und dabei auch
um nicht-technische Aspekte bereichtert. So definiert beispielsweise Utterback (1994, S.
200) radikale Innovationen dadurch, dass sie einen wesentlichen Teil der von einer Firma
geleisteten Investitionen in technische Fähigkeiten, Produktdesign sowie Produktionstech-
nologie und -anlagen obsolet machen. Weiterhin werden radikale Innovationen häufig da-
durch charakterisiert, dass sie mit sehr langen Entwicklungszeiten und hohen Investitionen
verbunden sind,38 dass sie einen wesentlich höheren Kundennutzen generieren als frühere
Produkte derselben Industrie39 , dass sie nachhaltige Wettbewerbsvorteile schaffen40 und
dass sie meist von diskontinuierlichen Veränderungen auf Firmen- oder Industrieebene be-
gleitet werden, während inkrementelle Innovationen dort eher zu einer Standardisierung
und der Herausbildung eines stabilen status quo führen. Alternativ werden für solche In-
novationen auch die Bezeichnungen discontinuous“ 41 , breakthrough“ 42 , pioneering“ 43
” ” ”
und really new“ 44 verwendet.
”
Da es das Ziel dieses Abschnittes ist, eine möglichst klare Abgrenzung der vier ge-
nannten Klassifikationsdimensionen zu erreichen, wird hier in Anlehnung an Gatignon
et al. (2002) eine Innovation dann als radikal bezeichnet, wenn sie das derzeitige Preis-
Leistungs-Verhältnis viel stärker steigert als dies durch normalen technischen Fortschritt
möglich wäre. Dabei wird die bis zu diesem Zeitpunkt in der Industrie vorherrschende
technologische Trajektorie verlassen und eine neue etabliert.45 Im Gegensatz dazu ist ei-
38
McDermott und O’Connor (2002), S. 425.
39
Meyers und Tucker (1989), S. 73; Chandy und Tellis (2000), S. 2.
40
Chandy und Tellis (1998), S. 474
41
Veryzer (1998a), S. 305; Veryzer (1998b), S. 137.
42
Wind und Mahajan (1997), S. 3.
43
Ali (1994), S. 48.
44
Schmidt und Calantone (1998), S. 112f.; Song und Montoya-Weiss (1998), 126.
45
Das Konzept der technologischen Trajektorie geht auf institutionenökonomische Betrachtungen
von Dosi (1982) zurück. Dosi fasst Innovationen als paradigmengebundene Problemlösungsprozesse
auf, die im wesentlichen von zwei Faktoren beeinflusst werden: Den technologischen Chancen und
den Aneignungsmöglichkeiten der Innovationsrenten durch die Institution der Unternehmen. Das
technologische Paradigma umfasst also nicht nur ein naturwissenschaftliches Prinzip oder eine
Schlüsseltechnologie, sondern auch ein bestimmtes Muster von Such- und Lösungsmethoden sowie
die Definition der wirtschaftlich relevanten Probleme. Der tatsächliche technische Wandel verläuft
nach Dosi wie auf einer technologischen Bahn (Trajektorie) entlang den ökonomischen und techni-
schen Zielkonflikten innerhalb des Paradigmas.
ne Innovation inkrementell, wenn sie zu Leistungssteigerungen entlang einer bestehenden

Technologietrajektorie führt.
Inkrementelle Innovationen untermauern tendenziell die Wettbewerbsposition etablier-
ter Firmen, da sie auf bestehenden Kernkompetenzen aufbauen, während radikale Innova-
tionen solche Kompetenzen häufig obsolet werden lassen.46 Da hier jedoch kein eindeutiger
Zusammenhang vorliegt, haben Tushman und Anderson (1986) als weiteres Begriffspaar
die Unterscheidung zwischen kompetenzvernichtenden“ und kompetenzverstärkenden“
” ”
Innovationen etabliert.
Kompetenzvernichtende und -verstärkende Innovationen In bewusster Abgren-

zung zur Dichotomie zwischen inkrementellen und radikalen Innovationen unterscheiden
Tushman und Anderson zwischen Innovationen, die auf bestehenden Kompetenzen eines
Unternehmens aufbauen und diese erweitern, und Innovationen, die bestehende Kom-
petenzen zerstören.47 Die Unterscheidung entlang dieser Dimension ist firmenspezifisch
vorzunehmen, sie liegt in der historischen Entwicklung der einzelnen Firma und den dar-
aus erwachsenen Kompetenzen begründet und ist damit unabhängig von der Einteilung
in radikale und inkrementelle Innovationen. Jede Innovation hat das Potenzial, bei be-
stimmten Firmen Kompetenzen zu erweitern, während sie Kompetenzen anderer Firmen
vernichtet.
Kompetenzvernichtende Produktinnovationen generieren entweder vollständig neue
Produktkategorien oder lösen existierende ab (beispielsweise beim Übergang von Dampf-
zu Diesellokomotiven oder bei der Substitution von Verstärkerröhren durch Transisto-
ren48 ), während kompetenzvernichtende Prozessinnovationen eine neue Methode etablie-
ren, um bestehende Produkte herzustellen (beispielsweise durch die Einführung des Pla-
narprozesses in der Halbleiterfertigung).49 Kompetenzverstärkende Innovationen dage-
gen bauen auf demselben Know-How auf, das auch bereits den Produkten zugrundelag,
die sie ersetzen. Bestehende Kompetenzen werden also nicht hinfällig, sondern können
dafür verwendet werden, bestimmte Leistungsparameter mit z.T. neuen Technologien um
46
Abernathy und Clark (1985).
47
Anderson und Tushman (1990), S. 609; Tushman und Anderson (1986), S. 442.
48
Gerade beim Übergang von Verstärkerröhren zu Transistoren wird deutlich, welches Ausmaß die
Kompetenzvernichtung bei etablierten Firmen annehmen kann. Während Mitte der fünfziger Jahre
Firmen wie RCA, Sylvania, Raytheon und Westinghouse zu den Marktführern im Röhrengeschäft
zählten, mussten sie mit der zunehmenden Verbreitung des Transistors ihre Stellung an Firmen wie
Texas Instruments, Motorola und Fairchield abgeben, bevor diese im Zuge höchstintegrierter ULSI-
Schaltkreise wiederum durch Firmen wie Intel, NEC, Toshiba und Hitachi abgelöst wurden. Vgl.
Tushman und O’Reilly (1996), S. 9ff.
49
Tushman und Anderson (1986), S. 442.
Größenordnungen zu steigern.50 So basieren beispielsweise Mantelstrom- und Propfan-

Triebwerke auf den gleichen Entwicklungs- und Produktionsfähigkeiten wie klassische
Strahltriebwerke, haben aber einen sehr viel niedrigeren spezifischen Krafstoffverbrauch.51
2.1.3 Notwendigkeit der Operationalisierung
Die Darstellung der verschiedenen Innovations-Dichotomien hat gezeigt, dass es sich

durchaus um unterschiedliche Konzepte handelt. Dennoch bestehen zwischen ihnen z. T.
Überschneidungen, und es ist nicht immer eindeutig, wie die Konzepte im Interesse einer
klaren Abgrenzung operationalisiert werden können.
Gatignon et al. (2002) haben daher in ihrer wegweisenden Arbeit Multi-Item-Skalen
für die beschriebenen Innovationstypen entwickelt. Die empirische Überprüfung zeigt, dass
es sich bei den Typen z. T. zum mehrdimensionale Konstrukte handelt und die Diskri-
minanzvalidität für alle Faktoren gegeben ist. Zwischen den Konstrukten bestehen zwar
z. T. deutliche Korrelationen,52 interessanterweise jedoch nicht zwischen kompetenzver-
nichtenden und radikalen Innovationen. Wie oben schon angedeutet, können radikale In-
novationen also tatsächlich sowohl kompetenzverstärkend als auch -vernichtend wirken.
Die Radikalitätsdimension korreliert ebenfalls nicht mit den Faktoren, die den Grad der
Veränderungen im technischen Produktdesign (Architektur, Komponenten) messen.
Das Messkonzept von Gatignon et al. (2002) ist also insgesamt als sehr differenziert
zu beurteilen, vernachlässigt aber praktisch vollkommen die Marktseite des Innovations-
prozesses: Radikalität“ und Kompetenzvernichtung“ werden nur sehr sparsam opera-
” ”
tionalisiert und enthalten keine Marktaspekte, dagegen beziehen sich 75 Prozent aller von
den Autoren verwendeten Items auf Produkttechnologie, -architektur und -komponenten.
Da sich dieser Fokus nur zum Teil mit den inhaltlichen Bedürfnisse der vorliegenden
Arbeit deckt, sollen im folgenden Abschnitt Forschungsergebnisse einer Reihe von Unter-
suchungen vorgestellt werden, die die Innovationshöhe als ein mehrdimensionales Kon-
strukt messen, das auch in umfassender Weise den von der Innovation verursachten An-
passungsbedarf im eigenen Unternehmen, im Markt sowie im gesellschaftlichen Umfeld
berücksichtigt.
2.2 Der Innovationsgrad und seine Dimensionen
Wie im letzten Abschnitt deutlich wurde, kann die Bestimmung des Innovationsgehalts
eines betrieblichen Entscheidungs- und Durchsetzungsproblems anhand verschiedener Di-
50
Anderson und Tushman (1990), S. 609.
51
Hünecke (1983), S. 20.
52
Vgl. Gatignon et al. (2002), Tabelle 2.
2.2. Der Innovationsgrad und seine Dimensionen 21
mensionen erfolgen. In der Literatur finden sich zahlreiche Ansätze zur Messung eines
Innovationsgrads, die sich hinsichtlich ihres Messkonzeptes und ihrer Detaillierung von-
einander unterscheiden.53 Eine Reihe relativ neuer Studien54 vergleicht im Rahmen von
Literaturanalysen die unterschiedlichen Verwendungen des Begriffs Innovationsgrad“, um
”
über die Identifizierung übereinstimmender, charakteristischer Dimensionen zu einem um-
fassenden Konzept für seine Definition und Messung zu gelangen. Da auch diese Metaana-
lysen bereits an anderer Stelle vergleichend gegenübergestellt wurden,55 sollen hier nur
die für die vorliegende Arbeit wichtigsten Ergebnisse zusammengefasst werden.
Gemeinsam ist den erwähnten neueren Studien, dass sie den Innovationsgrad als ein
komplexes mehrdimensionales Konstrukt definieren. Bei der Bildung von Dimensionen
muss dabei zunächst beachtet werden, dass die Einschätzung der qualitativen Unterschie-
de einer Innovation gegenüber dem vorhergehenden Zustand naturgemäss subjektgebun-
den ist und bestenfalls objektiviert, aber nicht objektiv bestimmt werden kann.56 Es ist
daher von zentraler Bedeutung, aus welcher Perspektive die Neuheit beurteilt werden soll.
Vor diesem Hintergrund differenzieren Garcia und Calantone (2002) sowie Danneels und
Kleinschmidt (2001) auf Basis der von ihnen analysierten Untersuchungen grundsätzlich
nach einem Innovationsgrad hinsichtlich des Marktes und einem Innovationsgrad hinsicht-
lich des Unternehmens.57 Die erste Dimension, die von Garcia und Calantone als Makro-
Perspektive bezeichnet wird, misst, inwieweit eine Innovation einen Paradigmenwechsel
in Wissenschaft und Technik bzw. in der Struktur eines Marktes oder einer ganzen Indu-
strie herbeizuführen vermag. Die unternehmensspezifische Dimension (Mikroperspektive)
dagegen drückt aus, wie weit sich ein Unternehmen durch eine Innovation von bekann-
ten und bewährten Strategien und Kompetenzen in Marketing und Technologie entfernen
muss.58 Aus diesen Definitionen geht hervor, dass eine auf Makro-Ebene ermittelte Neuar-
tigkeit auch eine Neuartigkeit auf Mikro-Ebene bedingt, wohingegen eine auf Mikro-Ebene
bestimmte Neuheit nicht hinreichend für eine Neuheit auf Makro-Ebene ist. Die Dimen-
sionen des Innovationsgrads und ihre Komponenten sind in Abbildung 2.2 dargestellt und
werden in den folgenden Abschnitten näher erläutert.
53
Hauschildt und Schlaak (2001).
54
Avlonitis et al. (2001); Danneels und Kleinschmidt (2001); Garcia und Calantone (2002); Green et al.
(1995); Schlaak (1999).
55
Billing (2003), S. 19ff.; Salomo (2003).
56
57
Auch die Untersuchungen Avlonitis et al. (2001) und Green et al. (1995) identifizieren diese beiden
Dimensionen, ergänzen jedoch auf gleicher Gliederungsebene noch weitere Dimensionen des Innova-
tionsgrads.
58
Garcia und Calantone (2002), S. 113.
Innovationsgrad
Makro-Perspektive Mikro-Perspektive
Markt Technologie Umfeld-Fit Markt Technologie Ressourcenfit
Neuer Kunden- Neues techn. Infrastruktur Neuer Markt Neues techn. Strategie
nutzen Prinzip Prinzip
Regulation Neue Kunden Organisations-
Adoptions- Leistungs- Leistungs- struktur
Gesellschaftl. Neue Markt-
risiko steigerung steigerung
Bedingungen position Prozesse
Verhaltens-
Informale
änderung
Organisation
Lernaufwand
Abbildung 2.2: Dimensionen des Innovationsgrads. Quelle: Salomo (2003)
2.2.1 Makroperspektive des Innovationsgrads
Die Makroperspektive des Innovationsgrads beurteilt eine Innovation anhand von Firmen-
exogenen Faktoren, die anzeigen, wie neuartig sie für einen Markt, eine Industrie oder so-
gar die Welt an sich ist. Dabei ist es unerheblich, in welchem Verhältnis die Innovation zu
Strategie, Organisation, Fähigkeiten und Ressourcen des einzelnen Unternehmens steht.
Im Zusammenhang mit dieser Makroperspektive werden häufig zwei Quellen bzw. Trieb-
kräfte identifiziert, nämlich marktbezogene und technologiebezogene Diskontinuitäten.59
Als dritte Quelle des Makro-Innovationsgrads wird daneben in neueren Arbeiten auch der
Umfeldinnovationsgrad, also der Fit einer Innovation in das Makro-Umfeld (z. B. Bran-
chenstruktur), konzeptualisiert.60
Marktbezogene Diskontinuitäten treten dann auf, wenn eine Innovation aus Sicht des
Kunden neu ist.61 Diese Kundensicht wird im Rahmen der umfangreichen Forschung
zur Diffusion und Adoption von Innovationen behandelt,62 auf deren Ergebnisse die Er-
folgsfaktorenforschung zur Neuproduktentwicklung häufig zurückgreift. Insbesondere der
Aspekt eines relativen Produktvorteils bzw. eines völlig neuen Kundennutzens wird hier
59
Moriarity und Kosnik (1989), S. 8; Beard und Easingwood (1996), S. 96ff; Garcia und Calantone
(2002), S. 119.
60
Billing (2003), S. 35; Salomo (2003).
61
Danneels und Kleinschmidt (2001), S. 360.
62
Vgl. hierzu grundlegend Rogers (1995).
intensiv diskutiert und zur Kennzeichnung von marktbezogenen Diskontinuitäten verwen-

det. So grenzt O’Connor (1998) wirklich neue“ Produkte von inkrementellen“ Verbes-
” ”
serungen durch einen deutlichen Sprung in ihrer Leistungsfähigkeit und Funktionalität
ab. Rice et al. (2001) definieren radikale Innovationsprojekte durch ihr Potential, entwe-
der eine Reihe von grundlegend neuen Leistungsmerkmalen zu etablieren oder eine bis
zu fünffache Steigerung der Leistung in bestehenden Produktmerkmalen zu erzielen. Sie
heben an anderer Stelle die Kundensicht ihrer Definition hervor, indem sie sie als driven
”
by new value added to the marketplace rather than by technical novelty or newness to
the firm“ charakterisieren.63 Andere Autoren betonen im Rahmen der Kundensicht vor
allem das Risiko, das durch die Entscheidung zur Adoption und den hierfür gewählten
Zeitpunkt hervorgerufen wird.64 Gatignon und Robertson (1991) unterscheiden hier un-
ter anderem ein Risiko, dessen Auslöser die Unsicherheit darüber ist, anhand welcher
Standards die Innovation beurteilt werden soll, eine Risikokomponente hinsichtlich der
von der Innovation erreichten Leistungsmerkmale und eine Risikokomponente, die aus
möglichen Einbußen am Sozialstatus resultiert. Weitere Aspekte, die im Zusammenhang
mit marktbezogenen Diskontinuitäten häufig diskutiert werden, sind vom Kunden zu lei-
stende Verhaltensänderungen, v. a. Änderungen in seinem Kaufverhalten,65 sowie ein vom
neuen Produkt verursachter Lernaufwand.66
Technologiebezogene Diskontinuitäten treten allgemein dann auf, wenn es zu einem
Paradigmenwechsel in einer für ein Produkt wesentlichen Technologie oder Wissenschaft
kommt (Makro-Perspektive) oder wenn eine Firma neue Forschungs- und Entwicklungs-
kompetenzen aufbauen bzw. für die Umsetzung der Innovation neue Produktionsver-
fahren einführen muss (Mikro-Perspektive).67 Die meisten der oben erwähnten Unter-
suchungen zum Innovationsgrad beschränken sich auf die Diagnose technologischer Neu-
artigkeit aus der Mikro-Perspektive,68 nur Green et al. (1995) bilden eine Dimension
technological uncertainty“, die sich inhaltlich von der Firmensicht löst.69 Danach ist der
”
Technologie-Innovationsgrad auf Makro-Ebene dann besonders hoch, wenn eine für ein
Produkt wesentliche Technologie sich noch in einem sehr frühen Entwicklungsstadium be-
findet, der wissenschaftliche Erkenntnisstand noch relativ ungesichert ist, die Technologie
sich sehr schnell weiterentwickelt und ihre Erforschung mit schwer kalkulierbaren Kosten
verbunden ist. Als Grund für die geringe Verwendung der Makro-Ebene des Technologie-
63
Leifer et al. (2000), S. 6.
64
Gatignon und Robertson (1991); Schmidt und Calantone (1998), S. 113.
65
Atuahene-Gima (1996), S. 38; Veryzer (1998b), S. 138.
66
Lee und O’Connor (2003), S. 8.
67
Abernathy und Clark (1985), S. 6; Garcia und Calantone (2002), S. 119.
68
Salomo (2003), S. 5.
69
Green et al. (1995), S. 210.
Innovationsgrads ist vermutet worden, dass sich diese theoretisch ableitbare Kategorie
in der Realität mit Messprobleme konfrontiert sieht.70 Zum einen lässt sich die objekti-
ve Neuheit einer Technologie nur schwer ermitteln, zum anderen sind beide Kategorien
stark korreliert: Ein hoher Makro-Innovationsgrad führt automatisch zu einem hohen
Mikro-Innovationsgrad, bei einem niedrigen Makro-Innovationsgrad dagegen werden Fir-
men tendenziell zögern, eine für sie individuell vollkommen neue Technologie auch als
solche einzustufen.71
Neben markt- und technologiebezogenen Diskontinuitäten stellt der Umfeld-Fit einen
dritten Treiber für den Makro-Innovationsgrad dar.72 Innovationen können einen signifi-
kanten Einfluss auf ganze Industrien ausüben und Wettbewerbsstrukturen revolutionie-
ren.73 Sie können Wertschöpfungsketten verändern und den Aufbau vollkommen neuer
Infrastruktur erforderlich machen, beispielsweise die Errichtung eines neuen Tankstellen-
netzwerkes für die Versorgung wasserstoffbetriebener PKW.74 Neben solchen Infrastruk-
turerfordernissen können innovative Produkte jedoch auch weiterreichende soziale und
gesellschaftliche Diskussionen auslösen und Anpassungsprozesse erfordern – der Erfolg
einer Produktinnovation hängt hier also vom Eintreten einer Sozialinnovation ab.75 Bil-
ling (2003, S. 35) führt in diesem Zusammenhang das Beispiel der Kernenergie an, deren
mangelnde gesellschaftliche Akzeptanz letztlich ihre nachhaltige Etablierung im Energie-
erzeugungsmarkt beeinträchtigt hat.
2.2.2 Mikroperspektive des Innovationsgrads
Die Mikro-Perspektive des Innovationsgrads drückt aus, wie weit sich ein Unternehmen
durch eine Innovation von bekannten und bewährten Strategien und Kompetenzen in
Marketing und Technologie entfernen muss. Sie wird von Danneels und Kleinschmidt
(2001) in eine Vertrautheitskomponente und eine Fitkomponente gegliedert.76
Die Vertrautheitskomponente bezieht sich auf die Beziehungen zwischen einer Un-
ternehmung und ihrer Umwelt. Nach Thompson (1967) etabliert jede Organisation eine
Domäne, die durch die Menge all jener Punkte eingegrenzt ist, an denen die Organisation
70
Billing (2003), S. 32.
71
Salomo (2003), S. 5.
72
Der Umfeld-Fit wird von Salomo (2003, S. 6) als externer Ressourcenfit“ bezeichnet, Billing (2003,
”
S. 35) verwendet den Begriff Umfeldinnovationsgrad“.
”
73
Green et al. (1995), S. 204; Johannessen et al. (2001), S. 23; Robert (1991), S. 53ff.; Song und
Montoya-Weiss (1998), S. 126.
74
Billing (2003), S. 35; Salomo (2003), S. 6.
75
Vgl. Abschnitt 2.1.1 zum Begriff der Sozialinnovation.
76
Danneels und Kleinschmidt (2001), S. 360f.
auf externen Input angewiesen ist.77 Normann (1971) interpretiert eine solche Domäne als
den Bereich des Markt- und Technologieumfelds, mit dem das Unternehmen permanent in
Wechselwirkung steht. Der Teil der Umwelt, der nicht in die Domäne des Unternehmens
fällt, wird als Sekundärumfeld bezeichnet.78 Produktinnovationen erweitern die Domäne
des Unternehmens, so dass eine Auseinandersetzung mit einem Teil der Sekundärumwelt
erfolgen muss, die eine Herausforderung für die Mitarbeiter darstellt und eventuell ei-
ne Anpassung vorhandener kognitiver Strukturen erforderlich macht. In marktbezogener
Hinsicht kann dies beispielsweise die Auseinandersetzung mit neuen Kundensegmenten
und Wettbewerbern umfassen, in technologiezogener Hinsicht das Erlernen neuer Tech-
nologien und Produktionsprozesse.79
Die Fitkomponente des Innovationsgrads kann aus dem ressourcenbasierten Ansatz
hergeleitet werden, der die Erzielung nachhaltiger Wettbewerbsvorteile durch das Vorhan-
densein firmenspezifischer, einzigartiger Ressourcen erklärt.80 Materielle wie immaterielle
Ressourcen sind eine unverzichtbare Voraussetzung für die Entwicklung neuer Produk-
te. Insbesondere immaterielle Ressourcen, wie z. B. ein besonders ausgeprägtes Markt-
Know-How, unterliegen dabei keinem Verbrauch, sind nur schwer imitierbar und können
immer wieder neuen Produkten zum Erfolg verhelfen. Je besser das Produkt zu den ei-
genen Kompetenzen passt, desto niedriger ist der subjektiv empfundene Innovationsgrad.
Entsprechend kann die Fitkomponente des Mikro-Innovationsgrads als Grad an Synergie
bestimmt werden, der zwischen den Kompetenzen des Unternehmens und den Anforde-
rungen des Produkts besteht.81 Dabei kann zunächst wieder eine Unterscheidung nach
markt- und technologiebezogenen Kompetenzen vorgenommen werden, wichtiger dürften
hier jedoch dynamische, integrative Fähigkeiten sein, also Prozesse, Systeme und Struk-
turen, die die Verarbeitung technischer und marktbezogener Informationen ermöglichen
und so letztendlich zur Erzielung von Innovationsrenten beitragen.82
77
Thompson (1967), S. 27.
78
Normann (1971), S. 206.
79
80
Hauschildt und Schlaak (2001), S. 167. Vgl. zum ressourcenbasierten Ansatz auch die Ausführungen
in Abschnitt 3.2 (S. 30ff.) der vorliegenden Arbeit.
81
82
Vgl. Verona (1999), S. 134 sowie den Abschnitt 3.2.2 (S. 33ff.) der vorliegenden Arbeit.
Kapitel 3
Theoretische Bezugspunkte der

Arbeit
Im vorliegenden Kapitel erfolgt die theoretische Einordnung der Arbeit. Verschiedene

Ansätze aus der Organisationstheorie sowie der Theorie zum Strategischen Management
werden herangezogen, um die theoretischen Bezugspunkte der Untersuchung zu verdeutli-
chen, ein Grundmodell zur Planung und Steuerung von Innovationsprojekten aufzustellen
sowie vorläufige Kontingenz- und Effizienzaussagen abzuleiten. Bei diesen Aussagen han-
delt es sich allerdings noch nicht um die eigentlichen Hypothesen für den empirischen Teil
der Arbeit. Vor deren Aufstellung werden zunächst in Kapitel 4 die relevanten Elemente
von Planungs- und Steuerungssystemen anhand der Literatur zur Neuproduktentwicklung
und zum Projektmanagement aufgearbeitet sowie in Kapitel 5 die bisherigen empirischen
Befunde zum Untersuchungsgegenstand zusammengefasst. Erst im Anschluss daran er-
folgt in Kapitel 6 die Darstellung des empirischen Bezugsrahmens sowie die Zusammen-
fassung der zu untersuchenden Hypothesen.
3.1 Einordnung in die Forschung zur Neuproduktentwicklung
Die umfangreichen Forschungsergebnisse zur Neuproduktentwicklung sind in der jüngeren

Vergangenheit in einer Reihe von Übersichtsarbeiten zusammengefasst worden.1 Insbeson-
dere die Arbeiten von Brown und Eisenhardt (1995) sowie Krishnan und Ulrich (2001)
haben dabei auch wesentlich zur Strukturierung des Forschungsgebietes beigetragen und
sollen daher im folgenden genutzt werden, um die vorliegende Untersuchung anhand der
unterschiedlichen Forschungsrichtungen einzuordnen.
1
Vgl. u. a. Balachandra und Friar (1997); Brown und Eisenhardt (1995); Ernst (2001, 2002); Gerwin
und Barrowman (2002); Griffin und Hauser (1996); Henard und Szymanski (2001); Johne und Snelson
(1988); Krishnan und Ulrich (2001); Lilien und Yoon (1989); Montoya-Weiss und Calantone (1994).
28 3. Theoretische Bezugspunkte der Arbeit
Krishnan und Ulrich analysieren die Literatur zur Neuproduktentwicklung aus ei-
ner Entscheidungsperspektive heraus, d. h. sie definieren Produktentwicklung als einen
Geschäftsprozess, in dessen Verlauf eine große Zahl spezifischer Entscheidungen zu treffen
ist. Sie begründen die Wahl dieses Standpunktes damit, dass sich zwar die Art und Weise,
wie Produkte entwickelt werden, sehr stark zwischen unterschiedlichen Unternehmen un-
terscheiden kann oder sogar innerhalb einer Firma über den Zeitverlauf sehr stark variieren
kann, dass aber die generischen Entscheidungen, die dabei getroffen werden müssen, ten-
denziell gleich bleiben.2 Um die gesamte Breite an Entscheidungen behandeln zu können,
die im Laufe eines Produktentwicklungsprozesses zu treffen sind, greifen die Autoren auf
die Ergebnisse von vier Forschungsrichtungen zurück, die sie als Marketing“, Engi-
” ”
neering Design“, Operations Management“ und Organizations“ bezeichnen. Während
” ”
sich die ersten drei Strömungen stark auf ihre funktionsspezifischen Erfolgsfaktoren, Ent-
scheidungsvariablen und Erfolgsgrößen fokussieren, ist es die Operations-Perspektive, die
die breiteste Betrachtungsweise wählt. Ein Produkt wird hier als Ergebnis eines Orga-
nisationsprozesses angesehen, den es so zu konfigurieren gilt, dass ein möglichst hoher
Projekterfolg erzielt wird.3
Da es das Ziel der vorliegenden Untersuchung ist, erfolgreiche Gestaltungsmöglichkeiten
für Planungs- und Kontrollprozesse bei hochgradigen Innovationen zu ermitteln, also eine
typische Organisationsfrage im Vordergrund steht, wird stark auf die Erkenntnisse der
Organizations-Perspektive zurückgegriffen. Ihre zentralen Ergebnisse sind in dem umfas-
senden Übersichtsartikel von Brown und Eisenhardt (1995) dargestellt. Auch Brown und
Eisenhardt differenzieren wiederum zwischen mehreren Theorieströmungen, die anhand
ihrer jeweiligen Zitationsmuster und zentralen Konstrukte identifiziert werden: Ratio-
”
nal Plan“, Communication Web“ und Disciplined Problem Solving“. Dabei betonen
” ”
sie jedoch, dass es sich bei dieser Einteilung um eine gewisse Idealisierung handelt und
Überlappungen zwischen den drei Kategorien unvermeidlich sind.4
Die sog. Rational Plan-Forschung hat ihren Ursprung in einer Reihe von breit-
gefächerten Studien zu Erfolgsfaktoren in der Produktentwicklung.5 Solche Erfolgsfak-
torenstudien haben oft einen explorativen Fokus und untersuchen ein breites Spektrum
an Variablen hinsichtlich ihrer Wirkung auf den (weit gefassten) Projekterfolg. Vor- und
2
Krishnan und Ulrich (2001), S. 3.
3
Projekterfolg wird hier im Gegensatz zu den drei anderen Forschungsrichtungen als ein umfassendes
Maß verstanden, zielt also nicht auf einzelne Messgrößen, wie z. B. Kundenzufriedenheit, technische
Leistung oder Lead time ab.
4
Brown und Eisenhardt (1995), S. 345 und 348.
5
Die wichtigsten frühen Arbeiten sind Myers und Marquis (1969); Rothwell (1972); Rothwell et al.
(1974); Rubenstein et al. (1976). Zentrale spätere Arbeiten sind u. a. Cooper (1979a); Cooper und
Kleinschmidt (1987a); Maidique und Zirger (1984); Maidique und Zirger (1985); Zirger und Maidique
(1990).
3.1. Einordnung in die Forschung zur Neuproduktentwicklung 29
Nachteile eines solchen Zugangs werden von Brown und Eisenhardt pointiert charakteri-
siert:
This broad-brush approach leads to an excellent and a comprehensive over-

”
view of the product-development process [. . . ]. This same breadth, however,
also somewhat undermines the contributions of the stream. To use a collo-
quialism, it is often difficult to observe the new product development“ forest
”
amid myriad results“ trees. The findings of many studies read like a fishing
” ”
expedition“ – too many variables and too much factor analysis. [. . . ] Further,
extensive bivariate analysis is commonplace, and this blurs possible multiva-
riate relationships.“ 6
Ein weiterer Kritikpunkt der Autorinnen besteht darin, dass die Arbeiten der Rational
Plan-Forschung bei ihrem Untersuchungsdesign oft wenig theoriegeleitet vorgehen und es
versäumen, ihre empirischen Befunde an theoretischen Erkenntnissen widerzuspiegeln.
Die beiden anderen von Brown und Eisenhardt umrissenen Forschungsrichtungen ar-
beiten tendenziell stärker theoriebasiert und nehmen im weitesten Sinne Bezug auf die
Information Processing Theory. Die Communication Web-Forschung betrachtet stark fo-
kussiert die Wirkung von interner und externer Kommunikation des Produktentwick-
lungsteams auf zumeist psychosoziale Erfolgsmaße.7 Die Disciplined Problem Solving-
Richtung erweitert diesen informationstheoretischen Ansatz inhaltlich, indem sie Produkt-
entwicklung – stark vereinfacht ausgedrückt – als eine Gratwanderung zwischen relativ
eigenständigen Problemlösungsprozessen des Projektteams auf der einen Seite und der dis-
ziplinierenden Rolle einer übergreifenden Produktvision und eines Heavyweight Project
”
Manager“ 8 auf der anderen Seite interpretiert. Untersuchungen dieser Forschungsrichtung9
arbeiten oft fallstudienbasiert und bilden Prozessaspekte der Produktentwicklung reali-
stischer ab als die Arbeiten des Rational Plan, abstrahieren auf der anderen Seite aber
von den psychosozialen Aspekten, die in der Communication Web-Forschung behandelt
werden.
Vor diesem Hintergrund kann die vorliegende Arbeit in die Organisationsforschung zur
Neuproduktentwicklung eingeordnet werden. Der empirische Teil der Arbeit untersucht,
6
Brown und Eisenhardt (1995), S. 353.
7
Zentrale Arbeiten dieser Forschungsrichtung sind u. a. Allen (1971); Allen (1977); Katz und Tushman
(1981); Katz (1982); Katz und Allen (1985); Ancona und Caldwell (1990); Ancona und Caldwell
(1992a); Ancona und Caldwell (1992b); Dougherty (1990); Dougherty (1992).
8
Clark und Fujimoto (1991), S. 247ff..
9
Zentrale Arbeiten sind u. a. Imai et al. (1985); Takeuchi und Nonaka (1986); Hayes et al. (1988); Clark
und Fujimoto (1991); Womack et al. (1990); Iansiti (1992); Iansiti (1993); Eisenhardt und Tabrizi
(1995).
wie einzelne Faktoren des Planungs- und Steuerungssystems gestaltet werden sollten, um
einen möglichst hohen Projekterfolg zu erzielen, behandelt also eine typische Forschungs-
frage des Rational Plan-Zugangs zur Neuproduktentwicklung. Auf der anderen Seite wird
jedoch großer Wert auf die theoretische Ableitung der Hypothesen anhand der Theorie
der Informationsverarbeitung10 sowie auf die damit verbundene Konzeptualisierung und
Operationalisierung der betrachteten Konstrukte gelegt. Die Arbeit greift also auch direkt
auf die Methoden der beiden anderen Forschungsströmungen zurück. Im Interesse klarer
Fokussierung werden allerdings die für die Communication Web-Forschung charakteristi-
schen psychosozialen Aspekte des Teamprozesses und damit verbundene Konstrukte, wie
z. B. die Teamwork Quality, im Weiteren nicht vertieft betrachtet, diese sind beispielsweise
von Högl und Gemünden (2001) umfassend analysiert worden.
Auf der Grundlage dieser Einordnung in das Forschungsfeld zur Neuproduktentwick-
lung wird in den nächsten Abschnitten auf verschiedene Ansätze der Organisationstheorie
und der Forschung zum Strategischen Management zurückgegriffen, um ein theoretisches
Grundmodell für die vorliegenden Untersuchung abzuleiten.
3.2 Ressourcenbasierter Ansatz
Der ressourcenbasierte Ansatz, der vor allem in der Literatur zum strategischen Mana-
gement stark diskutiert und als komplementäre Sichtweise zur Industrieökonomik ver-
wendet wird, stellt die internen Ressourcen einer Unternehmung in den Mittelpunkt der
Analyse. Obwohl die Bedeutung der internen Ressourcenausstattung schon länger in der
ökonomischen Theorie11 und der strategischen Managementliteratur12 betont wurde, war
es vor allem Wernerfelt (1984), der den ressourcenbasierten Ansatz als potentielle Grund-
lage für die Forschung im strategischen Management etabliert hat.13
Die Bedeutung des ressourcenbasierten Ansatzes wird insbesondere dann deutlich,
wenn man die Ausrichtung der amerikanischen Managementforschung während der 80er
Jahre unter dem Einfluss von Vertretern der Harvard Business School berücksichtigt. Ins-
besondere von Porter (1980) wurden unternehmensexterne Faktoren als wesentliche Ein-
flussfaktoren des Unternehmensverhaltens betrachtet, so dass der wirtschaftliche Erfolg
10
Vgl. Abschnitt 3.4 der vorliegenden Arbeit.
11
Vgl. u. a. Penrose (1959), Nelson und Winter (1982).
12
Vgl. u. a. Christensen et al. (1982), Rumelt (1991).
13
Die Aufmerksamkeit, die dieser Forschungsansatz in den letzten Jahren erfahren hat, kann man
z. B. an einer Reihe von Sonder- oder Schwerpunktheften international führender Management-
Zeitschriften erkennen, u.a. Organization Science (Sept./Okt. 1996), Strategic Management Journal
(Special Issue Okt. 2003) und Journal of Management (Frühzahr 1991 und Special Issue Nov./Dez.
2001). Einflussreiche Artikel im Harvard Business Review zeigen zudem, dass das Thema auch für
Praktiker von hoher Relevanz ist, vgl. v. a. Prahalad und Hamel (1990) und Stalk et al. (1992).
3.2. Ressourcenbasierter Ansatz 31
eines Unternehmens letztlich als Funktion der Branchenattraktivität und seiner relati-
ven Wettbewerbsposition in dieser Branche betrachtet werden kann.14 Das Grundkonzept
dieser umweltorientierten Forschungsrichtung wird oft in Anlehnung an Bain (1956) als
Structure-Conduct-Performance-Paradigma oder als Market-Based View 15 bezeichnet. An
dieser branchenzentrierten Sichtweise setzt nun die Kritik des ressourcenbasierten Ansat-
zes an. Die Dominanz umweltorientierter Faktoren als Prädiktoren des unternehmerischen
Erfolgs wird bezweifelt, stattdessen versuchen die Vertreter des ressourcenbasierten An-
satzes, den Erfolg eines Unternehmens und die Performance-Unterschiede zwischen mehre-
ren Unternehmen einer Branche durch das Vorhandensein firmenspezifischer, einzigartiger
Ressourcen zu erklären.16
3.2.1 Konzeptionelle Grundlagen
Nach dem ressourcenbasierten Ansatz besteht die zentrale Aufgabe des Management
zunächst darin, ausgehend von der spezifischen Ressourcensituation des Unternehmens
adäquate Wettbewerbsstrategien für dessen Tätigkeitsbereiche zu entwickeln. Dabei stellt
eine sorgfältige Analyse der unternehmensinternen Ressourcen den Ausgangspunkt aller
folgenden Überlegungen und Maßnahmen dar. Das spezifische Ressourcenprofil eines Un-
ternehmens kann sich im Vergleich zur Konkurrenz als entscheidender Wettbewerbsvor-
oder -nachteil erweisen. Folglich müssen die Ressourcen dergestalt weiterentwickelt wer-
den, dass sie eine Form der Einzigartigkeit erlangen und zur Sicherung längerfristiger
Wettbewerbsvorteile beitragen. Die Nutzung des Ressourcenpotentials wird somit zur
wesentlichen Quelle von Wettbewerbsvorteilen und substituiert damit z. T. Maßnahmen
zur Wettbewerbsbeschränkung (z.B. Eintritts- und Mobilitätsbarrieren), die in den indu-
strieökonomischen Ansätzen Wettbewerbsvorteile begründen.17
Die Frage, was genau unter einer Ressource zu verstehen ist, kann noch nicht als ab-
schließend geklärt betrachtet werden. Für Wernerfelt (1984) sind Ressourcen anything
”
which could be thought of as a strength or weakness of a given firm“. Dabei kann zwischen
materiellen und immateriellen Ressourcen unterschieden werden. Materielle Ressourcen
bezeichnen Kapital, das handelbar ist und der Erzeugung von Endprodukten dient, also
z. B. Produktionsanlagen und Standort, EDV-Systeme, aber auch Humankapital, Paten-
te und Lizenzen. Immaterielle ( intangible“, tacit“) Ressourcen dagegen bezeichnen das
” ”
Vermögen, Ressourcen zu einem gewünschten Zweck einzusetzen. Sie umfassen u. a. die
14
Porter (1980), S. 142f.
15
Vgl. zur Unterscheidung zwischen Resource Based View und Market Based View u. a. Makhija (2003),
S. 433, Mehra (1996), S. 307f. und Peteraf und Bergen (2003), S. 1028.
16
Barney (1991), S. 100f.; Wernerfelt (1984), S. 172.
17
Barney (1991); Teece et al. (1997).
Organisationskultur und organisatorische Fähigkeiten, z. B. Koordinations-, Integrations-

und Lernfähigkeiten. Bei immateriellen Ressourcen handelt es sich um informationsbasier-
te Prozesse, die durch komplexe Wechselwirkungen zwischen den Ressourcen einer Firma
entstehen.18 Sie können nur im Unternehmen selbst entwickelt werden und sind damit
unternehmensspezifisch.19 Obwohl für diese beiden fundamentalen Ressourcenkategorien
in der einschlägigen Literatur teilweise abweichende Bezeichnungen und geringfügig un-
terschiedliche Zuordnungen verwendet werden,20 ist doch das Vorliegen der zweiten Kate-
gorie, nämlich der nicht handelbaren, unternehmensspezifischen Ressourcen die Basis für
die grundlegenden Prämissen des ressourcenbasierten Ansatzes.21
Die Generierung und Umsetzung von Strategien kann als kontinuierliche Suche nach so-
genannten Renten verstanden werden, also nach Erträgen, die die Opportunitätskosten des
Eigentümers der Ressource übersteigen.22 Diese Erzielung überdurchschnittlicher Renten
steht im Mittelpunkt theoretischer Untersuchungen zu Wettbewerbsvorteilen.23 Im Gegen-
satz zu neoklassischen Theorien, die von effizienten Märkten ausgehen, wird im Rahmen
ressourcenbasierter Ansätze meist angenommen, dass Rentenerzielung kurzfristig, wenn
nicht sogar langfristig, möglich ist,24 was durch die beiden zentralen Prämissen der Res-
sourcenheterogenität und der Ressourcenimmobilität zusammengefasst werden kann.25
Die Prämisse der Ressourcenheterogenität besagt, dass Unternehmungen durch asymme-
trische Ressourcenausstattungen gekennzeichnet sind, denn ein Großteil ihrer Ressourcen
ist spezifischer Natur. Die Prämisse der Ressourcenimmobilität besagt, dass wichtige, ins-
besondere immaterielle Ressourcen der Unternehmung nicht handelbar und damit immobil
sind.
Um aus den Prämissen des ressourcenbasierten Ansatzes Leitlinien für erfolgreiches
Management abzuleiten, muss die Frage beantwortet werden, wie Unternehmen aus ihren
Ressourcen dauerhafte, nachhaltige Wettbewerbsvorteile generieren können. Dabei werden
unter dauerhaften Vorteilen solche verstanden, die nicht durch Imitation der Konkurren-
18
Amit und Schoemaker (1993), S. 35.
19
Dierickx und Cool (1989); Knyphausen (1993).
20
So bezeichnen z.B. Amit und Schoemaker (1993) materielle Ressourcen schlicht als Ressourcen
(i.e.S.) während sie für immaterielle Ressourcen den Begriff Fähigkeiten“ (capabilities) verwenden.
”
In Abhängigkeit von der Frage, ob eher die Dinghaftigkeit oder die Handelbarkeit der Ressourcen in
den Vordergrund gestellt wird, unterscheiden sich verschiedene Klassifikationen auch in ihrer Zuord-
nung des Humankapitals sowie von Patenten und Lizenzen. Daher führt z.B. Barney (1991), S. 101,
das Humankapital als eigene Kategorie.
21
Barney (1991), S. 101.
22
Bowman (1974), S. 47.
23
Porter (1985).
24
Schoemaker (1990), S. 1180.
25
Barney (1991), S. 101.
3.2. Ressourcenbasierter Ansatz 33
ten zunichte gemacht werden können.26 In der Literatur werden häufig vier Bedingungen
dafür genannt, dass auf asymmetrische Ressourcenausstattungen zurückzuführende Wett-
bewerbsvorteile entstehen und aufrechterhalten werden können.27 Danach müssen Res-
sourcen erstens einen deutlichen Wert schaffen, es also beispielsweise der Unternehmung
erlauben, Möglichkeiten im Unternehmsumfeld zu nutzen oder Bedrohungen abzuwehren.
Zweitens müssen Ressourcen knapp sein, denn wenn eine große Zahl von Wettbewerbern
sie ebenfalls besäße, würden sie keine Wettbewerbsvorteile generieren. Ressourcen dürfen
drittens nicht substituierbar sein, es darf also keine ähnlichen oder alternativen Ressourcen
geben, die die zum Aufbau von Wettbewerbsvorteilen notwendigen Leistungen gleichwer-
tig erbringen können. Viertens können Ressourcen nur dann eine Quelle zum Aufbau
von Wettbewerbsvorteilen sein, wenn sie schwer imitierbar sind.28 Diese letzte und wich-
tigste Bedingung der Nichtimitierbarkeit kann dann als erfüllt angesehen werden, wenn
die vorteilhafte Ressourcenposition eines Unternehmens auf seine charakteristische histori-
sche Entwicklung zurückzuführen ist ( Pfadabhängigkeit“),29 wenn der Kausalzusammen-
”
hang zwischen bestimmten Ressourcen und einem Wettbewerbsvorteil für die Konkurrenz
schwer zu erkennen ist ( kausale Ambiguität“) oder wenn die Ressourcen aus einem kom-
”
plexen System von Elementen besteht, die miteinander interagieren und kaum isoliert
voneinander analysiert werden können ( soziale Komplexität“).30
”
3.2.2 Kritische Würdigung und Relevanz für die vorliegende Arbeit
Trotz der weiten Verbreitung, die der ressourcenbasierte Ansatz erfahren hat, ist er teil-
weise auch deutlicher Kritik ausgesetzt gewesen. So wurde in Bezug auf diese Forschungs-
richtung geäußert, dass sie konzeptionell vage und tautologisch sei und sich damit einer
empirischen Überprüfung entziehe.31 Der zentrale Vorwurf lässt sich dahingehend zusam-
menfassen, dass die wertvollen, nicht imitierbaren Ressourcen in der Praxis häufig dadurch
identifiziert würden, dass man bei einem Unternehmen zunächst Wettbewerbsvorteile fest-
stelle, die dann ex post auf die Wirkung der jeweils wertvoll erscheinenden Ressourcen
zurückgeführt würden.32 Charakterisiert man jedoch Ressourcen genau dann als wertvoll,
wenn sie die Implementation effizienz- und effektivitätssteigernder Strategien ermöglichen
26
Barney (1991), S. 103.
27
Vgl. z. B. Grant (1991), S. 123ff; Barney (1991), S. 105ff.; Mahoney und Pandian (1992); Peteraf
(1993), S. 180.
28
Vgl. hierzu grundlegend Lippmann und Rumelt (1982).
29
Dierickx und Cool (1989).
30
Barney (1991), S. 110.
31
Williamson (1999); Priem und Butler (2001a); Priem und Butler (2001b).
32
Eisenhardt und Martin (2000), S. 1108.
(Barney, 1991, S. 106), läuft man leicht Gefahr tautologische, nicht-falsifizierbare Aussa-
gen zu generieren.33
Diese Gefahr lässt sich nach Ansicht von Eisenhardt und Martin (2000, S. 1108) da-
durch mindern, dass man weniger auf den derzeitigen Ressourcenbestand abstellt als viel-
mehr auf die dynamischen Fähigkeiten (Dynamic Capabilities) zur Ressourcenänderung,
also auf die konkreten organisatorischen Prozesse, durch die die Integration externer und
die Rekonfiguration interner Ressourcen erfolgt.34 Produktentwicklungs- und Innovations-
prozesse sind ein zentrales Beispiel für solche dynamischen Fähigkeiten, da sie die Kom-
bination vielfältiger Begabungen und funktioneller Hintergründe zur Erzeugung gewinn-
bringender Produkte und Dienstleistungen ermöglichen.35 Sie können damit als Routinen
zur Transformation von Ressourcen beschrieben werden.36 Obwohl der ressourcenbasierte
Ansatz vor allem im Rahmen der strategischen Theoriebildung entwickelt wurde, kann
er also durch die Betrachtung dynamischer Fähigkeiten (d. h. organisatorischer Prozes-
se) auch herangezogen worden, um Determinanten für die Effizienz und Effektivität von
Entwicklungs- und Innovationsvorhaben abzuleiten.37 Die besondere Qualität eines Pro-
duktentwicklungsprozesses kann danach zur Quelle nachhaltiger, überdurchschnittlicher
Renten werden.38 Im ressourcenbasierten Modell der Produktentwicklung von Verona
(1999) werden dabei neben technischen und marketingbezogenen Fähigkeiten, die stark
funktionsorientiert sind, integrative Fähigkeiten betont, von denen insbesondere die in-
ternen Integrationsfähigkeiten für die vorliegende Arbeit relevant sind. Verona (1999)
versteht hierunter die Prozesse, Systeme und Strukturen, die die Verarbeitung techni-
scher und marktbezogener Informationen ermöglichen und zur Reduktion von Unsicher-
heit führen. Diese lassen sich als dynamische Fähigkeiten auffassen, die die Differenz zwi-
schen den bestehenden und den zur Innovation erforderlichen Kompetenzen ausgleichen
und so letztendlich zur Erzielung von Innovationsrenten beitragen.39 Als Beispiel führt
Verona (1999) ausdrücklich Planungs- und Steuerungsfähigkeiten an, so dass die folgende
Aussage festgehalten werden soll:
Aussage 3.1: Je stärker die Fähigkeiten zum Management von Innovati-
33
Priem und Butler (2001a), S. 27.
34
Die Notwendigkeiten, neben Ressourcen als Bestandsgrößen auch die Fähigkeit zur Ressourcenakku-
mulation als Stromgröße zu betrachten, wird bereits von Penrose (1959), S. 25 sowie Dierickx und
Cool (1989) hervorgehoben. Das Konzept der Dynamic Capabilities als Erweiterung des ressourcen-
basierten Ansatzes wurde vor allem von Teece et al. (1997), S. 515ff. ausgearbeitet.
35
Eisenhardt und Martin (2000), S. 1107.
36
Mahoney (1995), S. 93; Moenaert et al. (1995), S. 244.
37
McGrath et al. (1996), S. 390.
38
Verona (1999), S. 134.
39
Amit und Schoemaker (1993), S. 40; McGrath et al. (1996), S. 390f.; Verona (1999), S. 137.
3.3. Situativer Ansatz der Organisationsforschung 35
onsprojekten ausgeprägt sind, je größer also beispielsweise die Planungs- und

Steuerungsfähigkeiten sind, desto größer sind die nachhaltigen, überdurch-
schnittlichen Renten, die von Innovationsprojekten generiert werden können.
3.3 Situativer Ansatz der Organisationsforschung
Im vorhergehenden Abschnitt wurde auf der Grundlage des ressourcenbasierten Ansatzes

die generelle Aussage hergeleitet, dass Unternehmen, die ausprägte Kompetenzen hinsicht-
lich der Planung und Steuerung von Innovationsprojekten erworben haben, auch höhere
Erfolge bei diesen Projekten erzielen. Eine solche Aussage legt zunächst die Suche nach
sogenannten Best Practices nahe, also nach allgemein gültigen Leitlinien, wie diese Kom-
petenzen konkret ausgestaltet sein sollten, um den Projekterfolg zu sichern. Bei näherer
Überlegung erscheint es jedoch unwahrscheinlich, dass es einen einzigen optimalen Weg
für das Management von Innovationsvorhaben mit unterschiedlichen Neuigkeitsgraden in
unterschiedlichen Organisationen und Industrien geben kann. Vielmehr sollte die Theorie-
bildung eben diesen Unterschieden Rechnung tragen und differenziertere Aussagen hin-
sichtlich verschiedener Innovationsgrade und Umfeldsituationen erlauben.40 Solche und
ähnliche Kontingenzbetrachtungen werden in der Organisationstheorie allgemein unter
der Bezeichnung situativer Ansatz subsumiert.
Der situative Ansatz (alternativ: Kontingenzansatz) geht von der zentralen Prämisse aus,
dass sich die Effizienz und Effektivität von Organisationen aus ihrer Anpassung an äußere
Situationen bzw. Kontingenzen ableitet. Da eine Übereinstimmung mit diesen Kontingen-
zen erfolgssteigernd wirkt, streben Organisationen aktiv danach, ihre strukturellen Eigen-
schaften so lange anzupassen, bis ein Fit erreicht ist, ihre Organisationsstruktur wird also
– unter der Voraussetzung rationaler, erfolgsmaximierender Akteure – zu einem gewissen
Grade direkt von externen Kontingenzen determiniert.41
Untersuchungen, die auf den Grundannahmen des situativen Ansatzes basieren, postu-
lieren – im Gegensatz zur älteren Organisationslehre – nicht mehr generelle Gültigkeit be-
anspruchende Organisationsprinzipien, sondern formulieren Bedingtheitsaussagen, gemäß
derer die Ausprägung und die Effizienz organisatorischer Regelungen von der jeweiligen
Situation abhängig sind.42 Das zentrale Ziel solcher Studien besteht also darin, Bezie-
hungszusammenhänge zwischen den Strukturen von Organisationen und ihren äußeren
40
Tidd (2001), S. 173; Tidd und Bodley (2002), S. 128.
41
Donaldson (2001), S. 1f.
42
Ebers (1992), Sp. 1818.
Bedingungen aufzuzeigen sowie darzulegen, welche Organisationsstrukturen unter welchen

Bedingungen effizient sind.43 Das Forschungsprogramm des situativen Ansatzes kann da-
mit durch die folgenden Fragegestellungen näher umrissen werden (vgl. auch Abbildung
3.1):44
1. Wie können Organisationsstrukturen operationalisiert werden, um eventuelle Un-

terschiede zwischen ihnen in empirischen Untersuchungen feststellen zu können?
2. Welche situativen Einflussfaktoren erklären eventuell festgestellte Unterschiede zwi-

schen Organisationsstrukturen?
3. Welche Auswirkungen haben unterschiedliche Situation-Struktur-Konstellationen

auf die Effizienz der Organisation und damit auf das Verhalten der Organisati-
onsmitglieder? Lässt sich für jede Situation eine effiziente Organisation finden?
Aus der letzten Fragestellung geht bereits hervor, dass die mangelnde Anpassung einer
Organisation an ihre Umwelt Verhaltensänderungen bei ihren Mitgliedern hervorrufen
kann, die auf eine Beseitigung der Diskrepanzen ausgerichtet ist. Ein auf diese Weise
dynamisierter Kontingenzansatz, der auch als SARFIT (Structural Adaptation to Regain
Fit) bezeichnet wird, geht also davon aus, dass im Falle eines mangelhaften Leistungs-
niveaus, das beispielsweise durch veränderte Umfeldbedingungen hervorgerufen worden
sein kann, ein Feedback-Mechanismus in Gang gesetzt wird, in dessen Rahmen bestimmte
Gestaltungsparameter verändert werden, um so wieder eine zufriedenstellende Anpassung
der Organisation an ihre Kontingenzen herzustellen.45 Das dementsprechend erweiterte
Grundmodell des situativen Ansatzes ist in Abbildung 3.1 zusammengefasst.
Obwohl damit die generelle Fragestellung des Forschungsansatzes umrissen ist, bleibt
noch zu klären, welche Kontextfaktoren als besonders einflussreich und untersuchenswert
erachtet werden. Zwei Forschungsrichtungen, die das Bild der kontingenztheoretischen
Forschung in besonderer Weise geprägt haben, betrachten jeweils die Umwelt bzw. die
eingesetzte Technologie als wesentliche Determinante der Organisationsstruktur.46
Die Betrachtung des Kontextfaktors Umwelt geht vor allem auf die einflussreiche Pio-
nierarbeit von Burns und Stalker (1961) zurück. Sie stellen in ihrer Untersuchung 20 bri-
tischer Industriebetriebe fest, dass die Unternehmen mit wenig bürokratisierten, organi-
”
schen“ Organisationsstrukturen und Managementsystemen Änderungen in ihrer Mark-
tumwelt und in der technologischen Entwicklung erfolgsreicher bewältigen als stärker
43
Fieten (1980), Sp. 1613.
44
Kieser (1993), S. 163f.
45
Donaldson (1987), S. 2ff.
46
Schreyögg (1998), S. 333.
Kontingenz- Andere
faktoren Ursachen
Fit Erfolg
Organisations-
struktur
SARFIT: Dynamische Anpassung
bei mangelhaftem Erfolg
Abbildung 3.1: Das Grundmodell des situativen Ansatzes (durchgezogene Linien) leitet den Erfolg von
Organisationen aus einem Fit zwischen deren Organisationsstruktur und externen Kontingenzfaktoren
ab. Der erweiterte SARFIT-Ansatz (Structural Adaptation to Regain Fit, gestrichelte Linien) beschreibt,
wie Unternehmen auf mangelnden Fit und mangelnde Performance durch Strukturanpassungen reagieren.
Darstellung in Anlehnung an Donaldson (2001, S. 12).
bürokratisierte Unternehmen. Bei stabilen Umweltbedingungen erweisen sich hingegen

stärker bürokratisierte, mechanistische“ Strukturen und Managementsysteme als erfolg-
”
reicher.47 Dieser Ansatz wurde von Lawrence und Lorsch weiterentwickelt und messtheo-
retisch verfeinert.48 Ihnen wird auch die Prägung des Begriffs Kontingenztheorie“ zu-
”
geschrieben.49 Im Gegensatz zu Burns und Stalker (1961) und vielen späteren Studien
betrachten Lawrence und Lorsch nicht Merkmale der Gesamtorganisation, sondern der
verschiedenen organisatorischen Einheiten in Beziehung zu ihren jeweils relevanten Um-
weltsektoren.50 Hierbei wird angenommen, dass sich organisatorische Subsysteme ten-
denziell an den spezifischen Gegebenheiten ihres Umweltsektors orientieren und als Fol-
ge davon analog zu den unterschiedlich ausgeprägten Umweltsektoren variierende Cha-
rakteristika aufweisen. Die Ergebnisse der empirischen Untersuchung zeigen, dass Ab-
teilungen in vergleichsweise sicheren Umweltsektoren (z. B. Produktion) generell stärker
strukturiert und formalisiert sind als solche mit unsicheren Umweltbedingungen (z. B.
Forschung).51 Dabei weisen Subsysteme in erfolgreichen Unternehmen eine bedeutend
bessere Übereinstimmung mit den jeweiligen Umweltbedingungen auf als solche in weni-
47
Zu ähnlichen Ergebnissen gelangen auch Schoonhoven (1981) und Leblebici und Salancik (1981).
48
Lawrence und Lorsch (1967a); Lawrence und Lorsch (1967b). Vgl. auch die ausführliche Diskussion
dieser Untersuchung bei Schreyögg (1994), S. 24-53.
49
Donaldson (1996b), S. 60.
50
Lawrence und Lorsch (1967a), S. 4f. und S. 13-16.
51
Lawrence und Lorsch (1967a), S. 18.
ger erfolgreichen. Erfolgreiche Unternehmen in unsicheren Umweltsektoren sind stärker

differenziert, weniger formalisiert, haben einen längerfristigen Planungshorizont und ver-
wenden in stärkerem Maße Integrationsmechanismen.52
Die Untersuchung der Technologie als Determinante der Organisationsstruktur bildet
eine zweite Forschungsrichtung im Rahmen der kontingenztheoretischen Ansätze.53 Die
Hauptthese dieser Schule läuft – grob vereinfachend – darauf hinaus, dass bestimmte tech-
nologische Konstellationen eher flexible, dezentrale Organisationsstrukturen erfordern, an-
dere dagegen eher straffe, bürokratische Strukturen.54 Die Pionierarbeit von Woodward
(1958; 1965) untersuchte Organisationsstruktur und Fertigungstechnologie in 100 engli-
schen Industriebetrieben. Der zentrale Befund ist, dass es bei angepassten (d. h. erfolg-
reichen) Firmen wohldefinierte Beziehungen zwischen den Organisationsstrukturen und
Managementpraktiken gibt. So weisen die Unternehmen bei zunehmender Komplexität
des Fertigungsverfahrens mehr Hierarchieebenen auf. Bei geringer und hoher Komple-
xität der Fertigungstechnologie implementieren Firmen tendenziell organische, im mittle-
ren Bereich der Technologie-Skala dagegen eher formale Managementsysteme.55 Während
sich Woodward noch eng an industrieller Fertigungstechnik orientiert, fasst Perrow (1967)
Technologie als ein allgemeines Konzept zur Beschreibung von Transformationsprozessen
auf.56 Er schlägt zwei Dimensionen zur Klassifikation von Technologien vor:
1. Aufgabenänderung (task variability), d. h. der Grad an Ausnahme- und Pro-

blemfällen, die sich einer Routinebehandlung entziehen.
2. Analysierbarkeit der Aufgabe (task analyzability), d. h. das Ausmaß an Pro-

blemlösungsaktivitäten, die zur Erfüllung der Aufgabe notwendig sind. Je stärker
eine Aufgabe analysierbar ist, desto eher kann sie durch Routineprozeduren erfüllt
werden.
Perrow definiert anhand der Ausprägungen hoch“ und niedrig“ entlang dieser beiden
” ”
Dimensionen vier Technologietypen, für die er strukturelle Gestaltungsempfehlungen gibt.
Danach erfordert der Extremtyp Non-Routine“ (hohe Aufgabenänderung, geringe Ana-
”
lysierbarkeit) organische Managementsysteme während für den Typ Routine“ (gerin-
”
ge Aufgabenänderung, hohe Analysierbarkeit) eher mechanistische Managementsysteme
52
Lawrence und Lorsch (1967a), S. 28f.
53
Miller et al. (1991) führen eine umfassende Metaanalyse der Befunde hinsichtlich des Verhältnisses
von Technologie und Organisationsstruktur durch.
54
Schreyögg (1998), S. 61.
55
Woodward (1965), S. 51-67.
56
Staehle (1994), S. 451.
angebracht sind. Diese vornehmlich theoretisch begründeten Empfehlungen von Perrow

konnten später in einer Reihe empirischer Untersuchungen tendenziell bestätigt werden.57
Da sowohl die Ergebnisse des Umwelt- als auch des Technologieansatzes z. T. wider-
sprüchlich geblieben sind, haben sich spätere Studien, vor allem die der Aston-Gruppe,
darauf konzentriert, unter einer ganzen Reihe von Kontingenzfaktoren diejenigen Faktor-
kombinationen zur ermitteln, die am meisten Strukturvarianz zu erklären vermögen.58
3.3.2 Fit und seine Konzeptualisierung
Fit bzw. Misfit stellen zentrale Begriffe des situativen Ansatzes dar. Sie geben allge-
mein an, ob sich zwei Variablengruppen (z. B. Umwelt und Organisationsstruktur) in
ihren Merkmalen entsprechen, ob sie aufeinander abgestimmt sind.59 In Kontingenz-
modellen folgt der organisationale (unternehmerische) Erfolg als Konsequenz aus der
Übereinstimmung der beiden Variablengruppen.60 Als eines der zentralen Probleme des
situativen Ansatzes kann jedoch die Tatsache angesehen werden, dass das Fit-Konzept
nie in einer allgemeinen, d. h. von der jeweiligen Untersuchung unabhängigen Form cha-
rakterisiert wurde.61 So schreiben Galbraith und Nathanson (1979, S. 266):
Although the concept of fit is a useful one, it lacks the precise definition

”
needed to test and recognize whether an organization has it or not.“
Obwohl in vielen Studien durch die Verwendung von Begriffen wie contingent upon“,
”
matched with“, consistent with“, fit“ oder coalignment“ eine Fit-Beziehung zum Aus-
” ” ” ”
druck kommt, wird nur in wenigen Fällen eine analytische Konzepualisierung des jeweils
verwendeten Fit-Konzepts vorgenommen und daraus die Wahl der mathematischen Un-
tersuchungsmethode abgeleitet.62 Eine explizite Benennung des gewählten Fit-Konzepts
ist jedoch notwendig, da hiervon sowohl die theoretische Argumentationslogik abhängt als
auch die Frage, welche Daten genau zu erheben sind und wie sie statistisch ausgewertet
werden müssen.63
Van de Ven und Drazin unterscheiden mit dem Selektionsansatz, dem Interaktions-
ansatz sowie dem Systemansatz drei grundlegend unterschiedliche Verständnisse des Fit-
57
Hage und Aiken (1969); Van de Ven und Delbecq (1974); Tushman und Nadler (1978).
58
Schreyögg (1998), S. 62.
59
Staehle (1994), S. 47.
60
Drazin und Van de Ven (1985), S. 515.
61
Galbraith und Nathanson (1979), S. 266; Van de Ven und Drazin (1985), S. 333.
62
Venkatraman (1989), S. 423.
63
Schoonhoven (1981), S. 351ff.; Wolf (2000), S. 41.
Konzeptes.64 Beim Selektionsansatz wird implizit angenommen, dass aus einer festge-
stellten Kongruenz zwischen Kontext und Organisationsstruktur auch die Effizienz folgt,
ohne dass diese Effizienz durch Erfolgsmaße operationalisiert und gemessen wird. Als
beispielhaft für diesen Ansatz werden die Arbeiten von Woodward (1965) und Perrow
(1967) sowie darauf aufbauende Folgeuntersuchungen angesehen.65 Die Effizienz der fest-
gestellten Kongruenz ist später v. a. dadurch begründet worden, dass es langfristig im
Rahmen von evolutionären Prozessen zu einer Auslese kommt, durch die sichergestellt
wird, dass nur angepasste (d. h. effiziente) Unternehmen fortbestehen.66 Das vorrangige
Interesse beim Interaktionsansatz besteht dagegen weniger in der Aufdeckung einer Kau-
salstruktur zwischen Kontext und Gestaltung, sondern vielmehr in der Erklärung von
Erfolgsunterschieden durch die Wechselwirkung von Kontext- und Gestaltungsvariablen.
Regressionen mit multiplikativen Interaktionstermen stellen hier eine typische Analyseme-
thode dar, wobei Schoonhoven (1981, S. 351f.) die damit verbundene starke Einschränkung
der Wechselwirkungsform auf lineare Modelle hinweist.67 Beim System- oder Gestaltansatz
schließlich handelt es sich um eine neuere Forschungsrichtung, die die Notwendigkeit mul-
tivariater Analysen der Zusammenhänge zwischen vielfältigen Kontext-, Struktur- und
Erfolgsdimensionen betont und davon ausgeht, dass es mehrere, gleichermaßen günstige
Gestaltungsmöglichkeiten geben kann:
There is too much emphasis given to making minor modifications to atomi-

”
stic hypotheses, a process that has often been prompted by conflicting findings
concerning the linear associations among small sets of variables. But the my-
riad conflicts in the field seem to be pointing to the need for more than minor
adjustments. [. . . ] We shall argue that researchers should search for different
organizational configurations or adaptive patterns that are richly described by
the dynamic interaction among variables of environment, organization, and
strategy. [. . . ] When such configurations represent very commonly occurring
and, therefore, predictively useful, adaptive patterns or scenarios, they will be
called Gestalts.“ 68
Diese unterschiedlichen Gestaltungsmöglichkeiten haben jeweils unterschiedliche Implika-

tionen für die Organisationstruktur, und die Reaktion auf mehrfache Umweltkontingenzen
64
Van de Ven und Drazin (1985), S. 334ff.; Drazin und Van de Ven (1985), S. 515ff.
65
Drazin und Van de Ven (1985), S. 516.
66
Hannan und Freeman (1977); DiMaggio und Powell (1983).
67
Wechselwirkungseffekte müssen nicht linearer Natur sein, so stellte ja Woodward (1965) einen um-
gekehrt U-förmigen Zusammenhang zwischen der Komplexität der Fertigungstechnologie und dem
Formalisierungsgrad der Managementsysteme fest, siehe oben S. 38.
68
Miller (1981), S. 1-3.
kann zu Inkonsistenzen in der Organisation führen. Neben der Forderung, dass Gestal-
ten typische, häufig anzutreffende Variablenkombinationen darstellen, gilt daher häufig
die interne Stimmigkeit des Beziehungsgefüges als ein weiteres Kriterium für das Vorlie-
gen einer Gestalt.69 In verschiedenen empirischen Untersuchungen konnte nachgewiesen
werden, dass ein positiver Zusammenhang zwischen der internen Konsistenz unterschied-
licher Organisationsvariablen und der Effizienz einer Organisation besteht.70 Vor diesem
Hintergrund unterscheidet Mintzberg (1979, S. 219ff.) zwischen Kongruenz- und Konfi-
gurationshypothesen. Kongruenzhypothesen entsprechen dem klassischen Denkmodell des
situativen Ansatzes: Eine Struktur ist effizient, wenn ein Fit zwischen Kontingenzfaktoren
und Gestaltungsparametern besteht. Konfigurationshypothesen fordern darüberhinaus,
dass eine interne logische Konsistenz zwischen den Gestaltungsparametern besteht. Die
Suche nach einer begrenzten Anzahl in sich konsistenter Konfigurationen71 oder Gestal-
ten wird dabei nicht als Alternative, sondern als Erweiterung des ursprünglichen Kontin-
genzansatzes verstanden.72 Bei dem gleichzeitigen Streben nach externem Fit und interner
Konsistenz kann es dabei zwar teilweise zu Zielkonflikten kommen, die beiden Ziele sind
jedoch nicht grundsätzlich inkompatibel.73
Die Klassifikation von Van de Ven und Drazin (1985) wurde später von Venkatraman
(1989) erweitert und v. a. hinsichtlich der statistischen Operationalisierung der verschie-
denen Ansätze präzisiert, vgl. Tabelle 3.1. Venkatraman geht davon aus, dass bei jeder
mit einem Fit-Konzept arbeitenden Untersuchung zwei grundlegende Entscheidungen zu
treffen sind.74 Auf der einen Seite muss aufgrund theoretischer Überlegungen bestimmt
werden, durch welchen funktionalen Zusammenhang der Fit zwischen Variablen erfasst
werden soll, also ob z. B. ein sehr spezifischer multiplikativer Interaktionsterm angebracht
ist, oder ob der Fit eher durch einen einfachen euklidischen Abstand gemessen werden
sollte. Dabei gilt tendenziell, dass der Funktionszusammenhang umso spezifischer gewählt
werden kann, je weniger Variablen in die Analyse einbezogen werden. Auf der anderen
Seite muss – wie oben bereits erwähnt – entschieden werden, ob die Auswirkung von Fit
auf ein bestimmtes Effizienzkriterium untersucht wird, oder ob die Variablenkongruenz
als eine Qualität an sich betrachtet wird, aus der über Selektionsargumente direkt auf
Effizienz geschlossen werden kann.75
69
Macharzina (1995), S. 69.
70
Khandwalla (1973); Child (1975).
71
Meyer et al. (1993).
72
Staehle (1994), S. 62.
73
Miller (1992), S. 175.
74
Venkatraman (1989), S. 424.
75
Wolf (2000), S. 46.
Eigenschaften der Fitfunktion
Grad der Zahl der

Fitkonzept Spezifikation Variablen Verankerung
Profilabweichung niedrig viele kriteriumsspezifisch

Mediation mittel mittel kriteriumsspezifisch
Moderation hoch wenige kriteriumsspezifisch
Gestalt niedrig viele kriteriumsfrei
Kovariation mittel mittel kriteriumsfrei
Matching hoch wenige kriteriumsfrei
Tabelle 3.1: Klassifikation von Fit-Konzepten anhand der Eigenschaften ihrer jeweiligen Fitfunktion.
Eigene Darstellung in Anlehnung an Venkatraman (1989, S. 425).
Venkatraman (1989) diskutiert die konzeptionellen Grundlagen der sechs in Abb. 3.1
dargestellten Fit-Konzepte und operationalisiert sie, indem er jeweils geeignete Moglichkei
¨ -
ten zur statistischen Analyse vorschlägt.76 Diese Diskussion soll hier nicht im Einzelnen
nachvollzogen werden, sondern wird im Zusammenhang mit Moderatormodellen im Absc-
hnitt 8.6.4 wieder aufgegriffen.
3.3.3 Kritische Würdigung und Relevanz für die vorliegende Arbeit
Der situative Ansatz hat eine Reihe von methodischen und inhaltlichen Innovationen in
die Organisationsforschung eingeführt.77 Die wesentliche methodische Neuerung des Kon-
tingenzansatzes besteht darin, dass sich seine Aussagen nicht mehr vornehmlich auf die
Autorität und Erfahrungsberichte einzelner Autoren stützen, sondern auf systematisch
durchgeführte, empirisch-quantitative Untersuchungen mehrerer Organisationen. Inhalt-
lich erweitert er die Perspektive der Organisationsforschung, indem er den Strukturunter-
schieden von Organisationen mehr Beachtung schenkt und die organisatorische Bedeutung
zuvor nicht berücksichtigter Situationseinflüsse auf die organisatorische Gestaltung, Ef-
fektivität und Effizienz aufzeigt.
Obwohl der situative Ansatz also wesentlich dazu beigetragen hat, dass die Organi-
sationsforschung ein differenzierteres und empirisch informierteres Bild der Struktur von
76
Im Fall des Gestaltansatzes ist die Frage der statistische Operationalisierung noch nicht abschließend
geklärt, für einen aktuellen Ansatz vgl. Veliyath und Srinivasan (1995), S. 212ff.
77
Vgl. hierzu Ebers (1992), Sp. 1817ff.
Organisationen und deren möglicher Einflussfaktoren entwickelt hat,78 wird er mittlerwei-

le von zahlreichen Organisationstheoretikern z. T. heftig kritisiert und v. a. von Donaldson
immer wieder ebenso engagiert verteidigt.79 An dieser Stelle sollen nur einige der wichtig-
sten Kritikpunkte kurz erwähnt werden:
1. Mit Hinblick auf die Grundannahmen des situativen Ansatzes wird eingewendet,
dass die Organisationsstruktur nicht eindeutig durch die externe Situation deter-
miniert sei: In der Realität sei es ex ante nicht möglich, eine optimale Organisa-
tionsstruktur zu identifizieren.80 Darüberhinaus handelten Manager nur begrenzt
rational und hätten auch die Möglichkeit, ihre externe Umwelt zu beeinflussen.81
2. Das Fehlen einer theoretischen Fundierung wird bemängelt: Der situative Ansatz
erkläre nicht die grundlegenden Mechanismen, durch die die Anpassung der Or-
ganisationsstruktur an die Situation erfolgt. Es handelte sich also mehr um eine
Metatheorie“ bzw. einen Denkansatz als eine Theorie im eigentlichen Sinne.82
”
3. Inhaltlich wird kritisiert, dass wichtige Struktur- und Umweltmerkmale nicht
berücksichtigt würden und der Informationsgehalt der empirischen Ergebnisse ge-
ring sei.83
4. Hinsichtlich der Methodik wird kritisiert, dass die Operationalisierung der Kon-
strukte teilweise unangemessen sei, dass die Stichproben nicht immer repräsentativ
und vergleichbar seien und dass die Autoren sich bei der statistischen Analyse zu
unkritisch auf lineare Modelle verließen und oft nur Korrelationen betrachteten.84
Die inhaltlichen Kritikpunkte sind nicht spezifisch für den situativen Ansatz, sondern
treffen in ähnlicher Form auf den größeren Teil der empirischen Wirtschafts- und Sozial-
forschung zu. Organisationen sind als offene soziale Systeme durch Komplexität und Dy-
namik gekennzeichnet.85 Dieser Tatsache tragen systemtheoretische Organisationstheorien
dadurch Rechnung, dass sie analytisch-isolierende Betrachtungsweisen durch eine stärkere
78
Ebers (1992), Sp. 1829.
79
Ausführliche Zusammenfassungen der Kritikpunkte liefern u. a. Schreyögg (1994), S. 141-193,
Schreyögg (1998), S. 356-370, Kieser (1993), S. 175-184. Auf eine Präsentation der Gegenargumente
von Vertretern des situativen Ansatzes wird dort verzichtet. Am nachhaltigsten verteidigt wird der
situative Ansatz von Donaldson (1985; 1996a); vgl. auch die Debatte in Hinings et al. (1988).
80
Meyer et al. (1993), S. 1178.
81
Miller (1981), S. 6ff.; Schreyögg (1994), S. 184-191; Schreyögg (1998), S. 367-369.
82
Schoonhoven (1981), S. 350; Staehle (1994), S. 51.
83
Kieser (1993), S. 175-177.
84
Aldrich (1972), S. 28; Mitchell (1985); Kieser (1993), S. 176; Meyer et al. (1993), S. 1177.
85
Bronner (1992), Sp. 1123.
Akzentuierung ganzheitlicher Aspekte ergänzen. Dabei waren es gerade die oben kurz
vorgestellen frühen Kontingenzuntersuchungen, die eine Öffnung und stärkere Umweltori-
entierung der Organisationstheorie bewirkt haben.86 Obwohl die neueren Gestalt- bzw.
Konfigurationsansätze der Kontingenzforschung den Versuch unternehmen, zunehmend
größere Variablenkomplexe in die Analyse einzubeziehen, sind der empirischen Forschung
dabei durch den Datenerhebungsaufwand natürliche Grenzen gesetzt – empirische Sozi-
alforschung muss sich zu einem gewissen Grade immer auf Partialanalysen und ceteris
paribus-Betrachtungen verlassen.
Die methodischen Einwände mögen auf einen Teil der früheren Kontingenzforschung
zutreffen, allerdings haben Konstruktvalidierung und Kausalanalyse in den letzten Jahr-
zehnten deutliche Fortschritte gemacht und sollen auch in der vorliegenden Arbeit
sorgfältig dokumentiert werden (vgl. Kapitel 9 und 10).
Schwerer wiegen die beiden Einwände gegen die grundsätzliche Logik des Kontin-
genzansatzes. Die Kritik an den Grundannahmen ist sicher dann gerechtfertigt, wenn von
Seiten der Kontingenzforscher ein Absolutheitsanspruch erhoben wird, wenn also behaup-
tet wird, es gäbe für jede Umweltsituation eine eindeutig identifizierbare Optimalstruktur,
die folglich auch realisiert würde. Eine solch deterministische Sichtweise weisen allerdings
Kieser und Kubicek (1992) als ein – durch die Kontingenztheoretiker selbst verursachtes –
Missverständnis zurück. Sie vertreten die Auffassung, dass kontingenztheoretische Aussa-
gen nur angeben, in welchem Umfang Organisationsgestalter auf die gleiche Situation mit
den gleichen Maßnahmen reagieren.87 Entsprechend beschränkt sich auch die vorliegen-
de Untersuchung auf die Identifizierung bestimmter Konfigurationen des Planungs- und
Steuerungssystems, die tendenziell zu höherem Innovationserfolg führen, verzichtet dabei
jedoch angesichts der großen Anzahl in der Analyse nicht berücksichtigter Umwelt- und
Gestaltungsparameter bewusst auf einen Absolutheitsanspruch. Da der situative Ansatz
weiterhin keine geschlossene theoretische Begründung für den Anpassungsprozess liefert,
über den die Organisation auf bestimmte Kontextfaktoren reagiert, soll er hier eher als
ein Forschungsansatz denn als eine Theorie im eigentlichen Sinne aufgefasst werden.88
Dennoch sollen an dieser Stelle bereits zwei grundsätzliche Aussagen der Kontin-
genzforschung festgehalten und auf die Fragestellung der vorliegenden Untersuchung
übertragen werden. Wie oben dargestellt wurde, führen sowohl die Untersuchungen der
Umwelt- als auch der Technik-Schule zu dem generellen Ergebnis, dass unsichere Kon-
textfaktoren besser durch wenig formalisierte Organisationsstrukturen und Management-
systeme behandelt werden können:
86
Lehmann (1992), Sp. 1844.
87
Kieser und Kubicek (1992). Vgl. Schreyögg (1994), S. 152f. zu einer Kritik an dieser Sichtweise.
88
Vgl. zu dieser Sichtweise Schoonhoven (1981), S. 350; Staehle (1994), S. 51.
3.4. Situative Theorie der Informationsverarbeitung 45
Aussage 3.2: Je höher der Innovationsgrad eines Vorhabens ist, desto größer
ist die Erfolgswirkung organischer Planungs- und Steuerungssysteme.89
Die zweite Aussage leitet sich aus den neueren Konfigurations- und Gestaltansätzen her,
bei denen – wie oben erläutert – neben der Kongruenz zwischen externen Kontingenzfak-
toren und internen Gestaltungsparametern auch eine interne Konsistenz der Gestaltungs-
parameter gefordert wird:
Aussage 3.3: Je höher die interne Konsistenz der für den Innovationsprozess
relevanten Managementsysteme ist, je besser also ihre Elemente aufeinander
abgestimmt sind, desto höher ist der Innovationserfolg.
Zur Ableitung konkreterer Aussagen für das theoretische Grundmodell der vorlie-
genden Arbeit wird im folgenden Abschnitt auf die Information Processing Theory
zurückgegriffen, die zwar auf dem situativen Ansatz beruht, diesen jedoch um Aspekte
von Informationsbedarf und -verarbeitung bereichert und damit schlüssige Kontingenz-
und Effizienzaussagen ableiten kann.
3.4 Situative Theorie der Informationsverarbeitung
Ein grundlegendes Problem des oben vorgestellten situativen Ansatzes besteht darin, dass
es sehr schwer fällt, den Fit zwischen einer Organisationsstruktur und der jeweils re-
levanten Umwelt ex ante zu ermitteln, da es sich hier um zwei abstrakte, nicht direkt
vergleichbare Konstrukte handelt.90 So bemerkt Aldrich (1979):
We know the physics of air, water, and light to which flying, swimming,
”
and seeing creatures must conform. We need much better knowledge of or-
ganizational types and appropriate environments before we can do as well in
understanding organizational change.“ 91
Egelhoff (1991, S. 345) sieht als diese fehlende Physik“ die Informationsverarbeitung von
”
Organisationen an, die von Galbraith (1969; 1973; 1977) und anderen Autoren92 im Rah-
men einer als Information Processing Theory bezeichneten Forschungsrichtung analysiert
89
Trotz der angeführten Kritik am situativen Ansatz kann diese Aussage als unkritisch betrachtet wer-
den. So widersprechen sich zwar beispielsweise die Befunde der Technologie-Schule z. T. auf der Ebene
der Gesamtorganisation, sie sind aber viel enger und konsistenter hinsichtlich der Zusammenhänge
auf Abteilungs- und Arbeitsplatzebene (Ebers (1992), Sp. 1827).
90
Egelhoff (1991), S. 345; West (2000), S. 350.
91
Aldrich (1979), S. 45.
92
Neben den Arbeiten von Galbraith stammen weitere zentrale Veröffentlichungen u. a. von Tushman
und Nadler (1978), Egelhoff (1982) sowie Daft und Lengel (1986).
wird.93 Die Theorie der Informationsverarbeitung führt die betrachtete Organisations-

struktur und ihre Kontingenzen dadurch auf vergleichbare Kategorien zurück, dass sie die
Art und den Umfang an Informationen, die für die Ausführung einer bestimmten Aufgabe
benötigt werden, mit dem Informationverarbeitungspotential der mit der Ausführung der
Aufgabe betrauten Organisationseinheit vergleicht. Die Operationalisierung des Informa-
tionsbegriffes wird von Galbraith indirekt vorgenommen – statt Information direkt zu
messen, verwendet er den Begriff der Unsicherheit (uncertainty), um Prozesse der Infor-
mationsverarbeitung zu beschreiben.94 Unsicherheit kann dabei als Mangel an Information
aufgefasst werden:
Uncertainty is defined as the difference between the amount of information

”
required to perform a particular task, and the amount of information already
possessed by the organization.“ 95
Unsicherheit entsteht also als Resultat der Kombination einer bestimmten Aufgabe mit
einer bestimmten Organisationskonfiguration. Je höher die hierdurch hervorgerufene Un-
sicherheit ist, desto größer ist der Informationsbedarf, den die Organisation aktiv befrie-
digen muss:
Therefore, the greater the task uncertainty, the greater the amount of infor-
”
mation that must be processed among decision makers during task execution
in order to achieve a given level of performance.“ 96
Neben Unsicherheit haben Daft und Lengel (1986) später auch das Konzept der Mehr-
deutigkeit (equivocality) herangezogen, um die Notwendigkeit der Informationsverarbei-
tung theoretisch zu begründen: Während Unsicherheit auf einen Mangel an Information
zurückgeführt werden kann, der dazu führt, dass auf bestehende Fragen keine Antwor-
ten gegeben werden können, lässt sich Mehrdeutigkeit als das grundlegendere Problem
beschreiben, dass nicht einmal klar ist, welche Fragen überhaupt zu beantworten sind.97
93
Ähnlich bezeichnen Rogers und Agarwala-Rogers (1976, S. 7) Kommunikation, also den interperso-
nellen Informationstransfer, als lifeblood of an organization“.
”
94
Kmetz (1998), S. 6. Der zentrale Einfluss von Unsicherheit auf die Gestaltung von Organisationen
wird schon von Thompson (1967, S. 13) hervorgehoben: [. . . ] the central problem for complex orga-
”
nizations is one of coping with uncertainty. As a point of departure, we suggest that organizations
cope with uncertainty by creating certain parts specifically to deal with it, specializing other parts
in operating under conditions of certainty or near certainty. [. . . ] We also suggest that technologies
and environments are major sources of uncertainty for organizations, and that differences in those
dimensions will result in differences in organizations.“
95
Galbraith (1973), S. 5.
96
Galbraith (1973), S. 5.
97
Daft und Lengel (1986), S. 556f.
Mehrdeutige Organisationssituationen können auf widersprüchliche Art interpretiert wer-

den, und dieser Informationsdefekt lässt sich auch dadurch nicht beheben, dass zusätzliche
Informationen beschafft werden.98
Auslöser der Informationsnachfrage Nachdem Unsicherheit und Mehrdeutigkeit als

Auslöser der Informationsverarbeitungsaktivitäten einer Organisation identifiziert wur-
den, ist im nächsten Schritt zu klären, wodurch diese hervorgerufen werden. Als eine we-
sentliche Ursache von Unsicherheit und Mehrdeutigkeit werden in der Literatur zunächst
häufig die Charakteristika der von einer Organisationseinheit zu erfüllenden Aufgabe ge-
nannt.99 So haben Daft und MacIntosh (1981) sowie Daft und Lengel (1986) das im Ab-
schnitt 3.3.1 vorgestellte Modell von Perrow (1967) herangezogen, um aus der Änderung
und Analysierbarkeit von Aufgaben auf den damit verbundenen Informationsverarbei-
tungsbedarf zu schließen.
Treten im Arbeitsprozess nur wenige Probleme oder Ausnahmesituationen auf, so
besitzen die Organisationsmitglieder ein vergleichsweise vollständiges Verständnis der
zugrundeliegenden Zusammenhänge und sind in der Lage, Aufgaben ohne umfangrei-
che Informationsverarbeitung vorauszuplanen.100 Ändern sich dagegen Aufgabestellungen
häufig, so werden Individuen regelmäßig mit unerwarteten, neuartigen Ereignissen kon-
frontiert. Bestehende mentale Repräsentationen decken diese Kontingenzen nicht mehr ab,
so dass ein gesteigerter Informationsbedarf entsteht. Zusammenfassend ist also zu vermu-
ten, dass mit einem zunehmendem Grad an Aufgabenänderungen auch ein steigender
Bedarf an Informationsverarbeitung einhergeht.101
Die Analysierbarkeit einer Aufgabe kann mit dem Grad an Mehrdeutigkeit der In-
formationen in Verbindung gebracht werden, die zu ihrer Ausführung benötigt wird. Je
komplexer ein System wird, desto weniger ist es möglich, präzise und gleichzeitig aus-
sagekräftige Aussagen über das Systemverhalten zu treffen. Vielmehr muss eine geeigne-
te Repräsentation einer unscharfen Situation ebenfalls unscharf ausfallen.102 Trifft man
in komplexen, unklaren Situationen scharfe Aussagen, so besteht eine hohe Gefahr der
Vereinfachung. Unscharfe Aussagen in klaren Situation bergen dagegen die Gefahr von
Fehlinterpretationen und falschen Entscheidungen. Folglich sollte der Grad der Mehrdeu-
tigkeit der verarbeiteten Informationen im umgekehrten Verhältnis zur Analysierbarkeit
der zu vollrichtenden Aufgabe stehen.103
98
Daft und MacIntosh (1981), S. 211; Kmetz (1998), S. 26.
99
Galbraith (1973), S. 5; Perrow (1967); Van de Ven et al. (1976), S. 324.
100
Galbraith (1973), S. .
101
Daft und MacIntosh (1981), S. 211.
102
Zadeh (1973), S. 28ff.
103
Daft und MacIntosh (1981), S. 212.
Ein weiterer Auslöser organisationaler Informationsverarbeitung ist in der externen

Umwelt der Organisation zu suchen.104 Organisation können sich als offene soziale Systeme
nicht von ihrer Umwelt isolieren, sondern müssen Informationsmechanismen entwickeln,
die es ihnen erlauben, die für ihr Überleben und Fortkommen relevanten Markttrends,
Technologiesprünge und Wettbewerberreaktionen zu erfassen und zu interpretieren.105 Auf
der einen Seite ist es notwendig, dass sie Informationen beschaffen, die die Unsicherheit
über objektive Indikatoren, wie z. B. Marktanteile oder demographische Kundenmerkmale,
verringern. Auf der anderen Seite gilt es, unter den Organisationsmitgliedern eine gemein-
same Interpretation mehrdeutiger Ereignisse und Umweltbedingungen zu erzielen, um so
ein besseres Verständnis möglicher Ursache-Wirkungsbeziehungen in der externen Umwelt
zu erreichen. Folglich können sich Manager in tendenziell eindeutig analysierbaren Um-
weltsituationen auf die Beschaffung objektiver Informationen als Entscheidungsgrundlage
konzentrieren. Sind dagegen Kausalzusammenhänge ex ante nur schwer zu identifizieren,
so muss der Fokus der Informationsverarbeitung eher auf eine Reduktion der Mehrdeu-
tigkeit durch Meinungsaustausch und Diskussionen gerichtet sein.106
Neben den Charakteristika der zu erfüllenden Aufgaben und dem Einfluss der exter-
nen Umwelt wird in der Literatur zur organisationalen Informationsverarbeitung vor allem
noch die Abhängigkeit der Informationsbedürfnisse von aufbauorganisatorischen Merkma-
len diskutiert.107 Da die vorliegende Arbeit von der Einbindung der Innovationsprojekte
in die Aufbauorganisation der Unternehmen weitgehend abstrahiert, soll jedoch auf diesen
Punkt hier nicht näher eingegangen werden.108
Mechanismen der Informationsverarbeitung Die vorhergehende Diskussion hat

gezeigt, dass die externe Umwelt der Organisation sowie die Charakteristika der von den
Organisationsmitgliedern zu leistenden Aufgaben einen starken Einfluss auf das Ausmaß
sowie die Art der erforderlichen Informationsverarbeitung haben. Hier schließt sich nun
unmittelbar die Frage an, wie sich diese Kontingenzen auf die effiziente Gestaltung der
Organisationsstruktur und der Managementsysteme auswirken, wie also die Informati-
onsverarbeitung einer Organisationseinheit so gestaltet werden kann, dass sie den Infor-
mationsverarbeitungsbedarf befriedigen kann. Die Grundhypothese der Informationsvear-
beitungstheorie besteht dabei darin, dass Organisationen nur dann erfolgreich operieren
104
Downey et al. (1975); Downey und Slocum (1975); Duncan (1972); Galbraith (1977), Kapitel 14 und
15; Leblebici und Salancik (1981).
105
Daft und Weick (1984), S. 285; Tushman und Nadler (1978), S. 615f.
106
Daft und Lengel (1986), S. 566.
107
Vgl. allgemein Galbraith (1973; 1977) sowie für den Sonderfall internationaler Unternehmen Egelhoff
(1982; 1991).
108
Vgl. zu diesem Punkt Gemünden et al. (2005) sowie ausführlich Krieger (2005).
können, wenn ihre Informationsverarbeitungsfähigkeiten an den jeweiligen Informations-

verarbeitungsbedürfnissen ausgerichtet sind (vgl. Abbildung 3.2):109
Aussage 3.4: Je besser die Informationsverarbeitungsfähigkeiten einer Orga-

nisationseinheit an den von ihr zu befriedigenden Informationsverarbeitungs-
bedarf angepasst sind, desto effektiver wird die Organisationseinheit operieren.
Dieser Zusammenhang konnte u. a. von Keller (1994) direkt nachgewiesen werden. Bei
einer Stichprobe von 98 F&E-Projektgruppen hat er Unsicherheit und Informationsver-
arbeitung anhand von Multi-Item-Skalen erhoben und anschließend den Fit als Abstand
aus beiden Größen ermittelt. In Regressionen auf mehrere Erfolgmaße ging dieses Fitmaß
als starker Prädiktor für die eigentlichen Outcome-Dimensionen des Projektes ein, die
Wirkung auf Maße der Projekteffizienz war dagegen nicht signifikant.110
Hinsichtlich organisatorischer Informationsverarbeitungsmechanismen soll hier vor al-
lem die Frage diskutiert werden, wie die effiziente Gestaltung der Managementsysteme, al-
so beispielsweise der Koordinations- und Kontrollmechanismen, erfolgen sollte. Galbraith
(1973) diskutiert in diesem Zusammenhang eine Reihe organisatorischer Mechanismen,
die später von Tushman und Nadler (1978) sowie Daft und Lengel (1986) anhand ihres
Potentials, Unsicherheit und Mehrdeutigkeit zu reduzieren, angeordnet wurden.111 Die
letztgenannten Autoren untersuchen dafür den medialen Reichtum“ (media richness)
”
der einzelnen Mechanismen, also ihre Fähigkeit, innerhalb eines bestimmten Zeitinter-
valls durch Informationsverarbeitung zu einem Verständnisgewinn beizutragen.112
Reiche Medien (Gespräche, Gruppen-Meetings, etc.) erfolgen persönlich, von Angesicht
zu Angesicht, erlauben unmittelbares Feedback und übermitteln Informationen sprachlich
wie auch über sekundäre Kanäle, beispielsweise Stimmlage und Körpersprache. Kommu-
nikationsmittel mit geringerem medialen Reichtum (Memos, Pläne, Regeln, Datenbanken
etc.) sind dagegen unpersönlich und eignen sich weniger zum Abbau von Mehrdeutigkeit,
sind dafür aber ein effizientes Mittel, um große Mengen klarer, wohlverstandener Da-
ten zu verarbeiten. Diese Zusammenhänge konnten z. T. auch empirisch belegt werden.
So haben Van de Ven et al. (1976) nachgewiesen, dass mit zunehmender Unsicherheit –
speziell: Komplexität und Variabilität – der Aufgaben die Verwendung von Plänen und
Regeln zur Koordination stark nachlässt und diese vor allem durch spontane Meetings
substituiert werden.113 Tushman (1979) hat gezeigt, dass mündliche Kommunikation und
109
Tushman und Nadler (1978), S. 619.
110
Keller (1994), S. 174.
111
Galbraith (1973), S. 10ff.; Tushman und Nadler (1978), S. 618; Daft und Lengel (1986), S. 560ff.
112
Daft und Lengel (1986), S. 559f.
113
Van de Ven et al. (1976), S. 329.
Unsicherheit und Neuartigkeit und

Andere
Mehrdeutigkeit Komplexität
Ursachen
der Umwelt der Aufgaben
Bedarf an
Informations-
vearbeitung
Fit Erfolg
Potential zur
Informations-
verarbeitung
Anpassung bei
Koordinations- mangelhaftem Erfolg
Organisations-
und Kontroll-
struktur
mechanismen
Abbildung 3.2: Das Modell der organisationalen Informationsverarbeitung leitet den Erfolg von Or-
ganisationen aus einem Fit von deren Informationsverarbeitungspotenzial und dem durch Komplexität,
Unsicherheit und Mehrdeutigkeit hervorgerufenen Informationsbedarf ab. Das Unternehmen kann auf
mangelhafte Performance durch Strukturanpassungen reagieren. Darstellung in Anlehnung an Tushman
und Nadler (1978), S. 622.
dezentralisierter Informationsaustausch in Forschungsprojekten weiter verbreitet sind als

in technischen Wartungsprojekten.114 Randolph (1978) berichtet, dass die Flexibilität der
verwendeten Kommunikationsmittel mit steigender technischer Unsicherheit zunimmt.
Die Tatsache, dass reiche Medien trotzt ihrer Flexibilität nicht generell den Vorzug
finden, lässt sich ökonomisch begründen. Die Verwendung organischer Strukturen verur-
sacht höheren Aufwand, ist zeitintensiver und entzieht sich tendenziell der unternehme-
rischen Kontrolle – verursacht also insgesamt höhere Kosten. Diese Kosten sind mit dem
Nutzen der gegenüber mechanistischen Strukturen gesteigerten Mehrdeutigkeitsreduktion
abzuwägen.115 Zusammenfassend kann daher die folgende Aussage festgehalten werden:
Aussage 3.5: Je höher die Unsicherheit hinsichtlich der externen Umwelt

oder der von einer Organisationseinheit zu leistenden Aufgabe ist, desto größer
ist die Erfolgswirkung organischer Kommunikations- und Kontrollmechanis-
men mit hohem medialen Reichtum.
114
Tushman (1979), S. 89.
115
Leifer und Mills (1996), S. 121f.; Tushman und Nadler (1978), S. 618.
3.4.2 Relevanz für die vorliegende Arbeit
Die Informationsverarbeitungstheorie lässt sich ohne weiteres auf Innovationsprojekte an-

wenden, da ein wesentlicher Teil der relevanten empirischen Untersuchungen gerade F&E-
Projekte heranzieht, um die postulierten Beziehungen zu überprüfen.116 Als relevante Or-
ganisationseinheit wird hier das Projektteam betrachtet, das sowohl intern kommunizie-
ren als auch mit dem Umfeld Informationen austauschen muss, so u. a. mit seinen Steue-
rungsorganen (Projektleiter, Lenkungsausschuss, etc.), mit Fachabteilungen, mit externen
Forschungspartnern oder mit zukünftigen Kunden. Die aufgaben- und umweltbezogenen
Unsicherheitskompontenten von Innovationen wurden bereits im Abschnitt 2.2 spezifi-
ziert: Die aufgabenbezogene Unsicherheit wird durch den internen Ressourcenfit und die
Technologiekomponenten des Innovationsgrads bestimmt, die umweltbezogene Unsicher-
heit dagegen vor allem durch den Umfeldfit und die Marktkomponenten. Eine zentrale
Herausforderung bei der Planung und Durchführung von Innovationsprojekten besteht
darin, diese Unsicherheit weitestmöglich zu reduzieren, um so die Wahrscheinlichkeit des
Innovationserfolgs zu erhöhen:117
Aussage 3.6: Innovationsvorhaben können als Prozesse der Informationsver-

arbeitung aufgefasst werden. Die Unsicherheit, die es dabei zu reduzieren gilt,
wird durch die Dimensionen des Innovationsgrads bestimmt.
Innovations- und Produktentwicklungsprozesse werden häufig durch hybride Model-

le118 beschrieben, die sowohl Aktivitäten (Stages) als auch Entscheidungspunkte (Gates)
enthalten.119 Während die Aktivitäten als diskrete Entscheidungsverarbeitungsaktivitäten
aufgefasst werden können, stellen die Entscheidungspunkte organisationale Wahlhandlun-
gen dar, die auf den Aktivitäten beruhen und den Entscheidungsfluss zwischen diesen
Aktivitäten beeinflussen. In stark abstrahierenden Betrachtungen wird häufig eine Zwei-
Stufen-Taxonomie verwendet. In der ersten Stufe, der Initiierungs- oder Planungsphase,
werden Informationen gesammelt und analysiert, die als Grundlage für ihre Bewertung
am darauffolgenden Entscheidungspunkt dienen.120 Die hiermit verbundenen Aktivitäten
werden dementsprechend auch als Predecision Planning bezeichnet.121 Fällt die Bewer-
tung der Innovation positiv aus, schließt sich eine Implementierungsphase an, in deren
116
So beispielsweise die Untersuchungen von Keller (1994), Moenaert et al. (1994), Moenaert et al.
(1995) und Tushman (1978).
117
Souder und Moenaert (1992), S. 488.
118
Saren (1984).
119
So beispielsweise die bei Cooper (1990; 1991) und Rosenthal (1992), S. 18ff. dargestellten Modelle.
120
121
Rogers et al. (1999), S. 568.
Verlauf die zur Implementierung und Kontrolle der getroffenen Innovationsentscheidun-

gen benötigten Informationen bereitgestellt werden. Dieser Tätigkeitenkomplex wird als
Postdecision Planning oder Programming bezeichnet.122
Der Nutzen der Informationsgenerierung und -verarbeitung ist tendenziell am höchsten
in der Initiierungs- oder Planungsphase, da hier durch den hohen Neuigheitsgrad und die
geringe Analysierbarkeit der Aufgabe besonders hohe Unsicherheit herrscht.123 Je effizien-
ter diese Unsicherheit abgebaut werden kann, desto strukturierter wird die Implementie-
rungsphase ablaufen und desto weniger unliebsame Überraschungen“ werden dort zutage
”
treten:124
Aussage 3.7: Höherer Abbau von Unsicherheit in der Planungsphase des In-
novationsprojektes führt zu einem strukturierteren Implementierungsprozess
und weniger unplanmäßigen Änderungen.
In der Implementierungsphase sind die Koordinations- und Kontrollmechanismen am

Ausmaß der nach der Planungsphase verbleibenden Unsicherheit auszurichten. Liegen
weitreichende Kenntnisse über Marktgegebenheiten, Kundenpräferenzen, Wettbewerber-
verhalten und technische Aspekte des Produktes vor, ist der Grad an Unsicherheit und
Mehrdeutigkeit also gering, so ist die Analysierbarkeit der im Rahmen der Implemen-
tierung zu leistenden Aufgaben hoch. Da hiermit weniger eine interpretative Aufgabe,
sondern vielmehr die Koordination des Projektablaufes im Vordergrund steht, sollten im
Interesse effizienter Ressourcennutzung formelle Steuerungsmechanismen mit geringem
medialen Reichtum eingesetzt werden.125 Entsprechend kann die folgende Aussage festge-
halten werden:
Aussage 3.8: Je geringer das Ausmaß an Unsicherheit und Mehrdeutig-

keit im Rahmen der Implementierungsphase ist, desto stärker tragen formelle
Koordinations- und Kontrollmechanismen zum Innovationserfolg bei.
3.5 Fazit der theoretischen Diskussion
Die Behandlung unterschiedlicher betriebswirtschaftlicher Theorien in den letzten Ab-

schnitten erlaubt es, ein vorläufiges theoretisches Grundmodell für die vorliegende Unter-
suchung aufzustellen (vgl. Abbildung 3.3).
122
Mintzberg (1981), S. 322.
123
Browning et al. (2002), S. 443.
124
125
Leifer und Mills (1996), S. 125f.; Souder und Moenaert (1992), S. 500.
3.5. Fazit der theoretischen Diskussion 53
In Anlehnung an Arbeiten des ressourcenbasierten Ansatzes lässt sich zunächst fest-

stellen, dass der Erfolg eines Innovationsvorhabens zu einem wesentlichen Grad von den
Kompetenzen und Fähigkeiten der ausführenden Organisation abhängt, so u. a. von der
Fähigkeit des innovierenden Unternehmens oder Projektteams, das Vorhaben zielgerich-
tet zu planen und durchzuführen. Da es jedoch angesichts der durch unterschiedliche
Industrien, Innovationsgrade und Zielgrößen hervorgerufenen Vielfalt an denkbaren Pro-
jektsituationen nicht möglich ist, allgemeingültige Erfolgsfaktoren oder Best Practices zu
identifizieren, muss ein Kontingenzansatz verfolgt werden, der die Abhängigkeit der ver-
muteten Wirkungsbeziehungen von wesentlichen Einflussgrößen explizit berücksichtigt.
Angesichts der zentralen Forschungsfragen dieser Untersuchung fällt diese Rolle hier dem
Innovationsgrad zu.
Nach den Ausführungen in Abschnitt 2.2 erfassen die Dimensionen des Innovations-
grads zumindest teilweise den mit einer Innovation verbundenen Grad an Unsicherheit.
Nach der situativen Theorie der Informationsverarbeitung können Innovationsprozesse
damit auch als Prozesse der Informationsbeschaffung und -verarbeitung interpretiert wer-
den, die dem Abbau von Unsicherheit dienen. Je effektiver die frühen Planungsphasen
eines Vorhabens zur Unsicherheitsreduktion beitragen, desto geradliniger wird die Pro-
jektdurchführung ablaufen und desto höher wird letztlich auch der erzielte Innovations-
erfolg sein. Hochinnovative Projekte erfordern dabei aufgrund der mit ihnen verbunde-
nen Unsicherheit tendenziell größere Planungsaktivitäten als weniger innovative Projekte.
Umgekehrt wäre es kontraproduktiv, inkrementelle Innovationsvorhaben unter Einsatz
massiver Informationsverarbeitungsprozesse mit hohem medialem Reichtum zu steuern,
da die bei ihnen zu verrichtenden Aufgaben ja tendenziell gut analysierbar und teilweise
programmierbar“ sind.
”
Schließlich lässt sich noch aus den über den klassischen situativen Ansatz hinausge-
henden Konfigurations- bzw. Gestaltansätzen die Forderung ableiten, dass eine innere
logische Konsistenz zwischen den beeinflussbaren Gestaltungsparametern bestehen soll.
In Hinblick auf das Management von Innovationsvorhaben kann eine solche Konsistenz
beispielsweise dadurch zum Ausdruck kommen, dass der mediale Reichtum bzw. Formali-
sierungsgrad der Informationsverarbeitung im Rahmen der Projektsteuerung auf den der
ursprünglichen Projektplanung abgestimmt ist.
Fit
Projekt-
Planung
Fit Fit erfolg
Steuerung
Unsicherheit = Innovationsgrad
Abbildung 3.3: Das theoretische Grundmodell der Arbeit leitet den Erfolg von Innovationsvorhaben
aus den im Projektverlauf zum Tragen kommenden Planungs- und Steuerungsfähigkeiten her. Nach der
situativen Theorie der Informationsverarbeitung hängt deren optimale Ausprägung vom Grad der Unsi-
cherheit ab, hier als Innovationsgrad des Vorhabens erfasst. Weiterhin fordern Konfigurationsansätze die
interne Konsistenz der Gestaltungsparameter, hier der Planungs- und Steuerungsaktivitäten.
Kapitel 4
Planung, Steuerung und Erfolg von

Innovationsprojekten
4.1 Überblick
Nachdem im letzten Kapitel Elemente betriebswirtschaftlicher Theoriebildung herangezo-

gen wurden, um ein theoretisches Grundmodell für die vorliegende Arbeit zu konstruieren,
sollen in den folgenden Abschnitten verschiedene Aspekte der Vorhabensplanung und -
steuerung stärker konkretisiert werden, um so den Brückenschlag zur betriebswirtschaftli-
chen Unternehmenspraxis und damit auch zur empirischen Untersuchung im zweiten Teil
der Arbeit vorzunehmen. Auf der einen Seite wird dabei auf die häufig normative Pro-
jektmanagementliteratur zurückgegriffen, auf der anderen Seite werden deren Aussagen
an der meist fallstudienbasierten Literatur zum Innovationsmanagement gespiegelt, um so
die Übertragbarkeit der Aussagen auf Innovationsprojekte abschätzen zu können. Auf eine
Präsentation der Befunde großzahliger empirischer Untersuchungen wird jedoch zunächst
verzichtet, da diese im folgenden Kapitel 5 systematisch zusammengefasst werden.
Im Interesse der Übersichtlichkeit und der klaren Präsentation vermuteter Kausalzu-
sammenhänge werden die betrachteten Planungs-, Steuerungs- und Erfolgsvariablen in
einem Prozessschema angeordnet, das sich an die Fuzzy Front End -Modelle1 von Khura-
na und Rosenthal (1997) und Veryzer (1998a) anlehnt (vgl. Abbildung 4.1). Dabei stellt
sich zunächst die Frage, inwieweit sich Innovationsprojekte überhaupt anhand eines ak-
tivitätenorientierten Phasenmodells, wie es beispielsweise durch den Stage-Gate-Prozess2
1
Der Begriff Fuzzy Front End geht auf Smith und Reinertsen (1991) zurück und bezeichnet allgemein
die früheste Phase des Produktentwicklungsprozesses, in der engsten Abgrenzung sogar den Zeitab-
schnitt, der noch vor dem ersten Team-Meeting und dem damit einsetzenden Strategiebildungsprozess
liegt, vgl. u. a. Khurana und Rosenthal (1997), S. 104, Moenaert et al. (1995), S. 243, Reid und de
Brentani (2004), S. 171.
2
Cooper (1990); Cooper und Kleinschmidt (1990).
56 4. Planung, Steuerung und Erfolg von Innovationsprojekten
Businessplanung Operative Planung

Go/No-Go Projekt-
(Pre-Decision (Post-Decision
Entscheidung steuerung
Planning) Planning)
Projekt-
planung
Prozess-
Ideen- und Produkt-
formalisierung
Alternativen- konzept,
generierung, Business Case,
Ziel-
’’Vision’’ Zielfestlegung
änderungen
Risiko-
management
Portfoliostrategie, Multiprojektmanagement
Abbildung 4.1: Modell der Planung und Steuerung im Front End von Innovationsprojekten. Eigene
Darstellung in Anlehnung an Khurana und Rosenthal (1997, S. 105) und Veryzer (1998a, S. 317).
realisiert wird, beschreiben lassen. Auf der einen Seite zeigen empirische Untersuchungen,
dass gerade bei neuartigen, schlecht strukturierten Entscheidungsproblemen nur selten ein
im Voraus definierter geradliniger Entscheidungsprozess verfolgt werden kann.3 Auf der
anderen Seite kommt Veryzer (1998a) in seiner Untersuchung des Entwicklungsprozesses
von acht hochgradigen Innovationen zu dem Ergebnis, dass diese zwar nicht nach einem
ausgesprochen formellen Schema gesteuert werden, insgesamt aber doch einem konsisten-
ten Muster folgen.4
Hochinnovative Projekte beginnen danach häufig mit einer Phase des Dynamic Drif-
ting, in der zunächst Ideen und alternative Lösungswege entwickelt und wieder verworfen
werden, bis sich, beispielsweise unter dem Einfluss von Promotoren, eine erste Projektvisi-
on herauskristallisiert. Als eine unter vielen möglichen Quellen für Projektideen kann da-
bei beispielsweise die Identifikation strategischer Lücken im Rahmen des Projektportfolio-
Management dienen. In der Folge werden potenzielle Produktkonzepte, Anwendungen und
Kundengruppen identifiziert, Kundennutzendimensionen und Produktspezifikationen de-
finiert sowie erste Marktanalysen und Business Case-Betrachtungen durchgeführt. Obwohl
3
Vgl. beispielsweise Mintzberg et al. (1976), S. 246ff; Witte (1968), S. 625ff.
4
Veryzer (1998a), S. 313.
4.1. Überblick 57
diese mit großer Unsicherheit verbunden sind, bilden sie doch eine notwendige Vorausset-
zung für eine formelle Projektevaluation, die in Koordination mit dem Projektportfolio-
Management vorzunehmen ist und die Entscheidung über eine eventuelle Aufnahme der
eigentlichen Produktentwicklung herbeiführt.5 Da diese Phase v. a. Planungsaktivitäten
vor der eigentlichen Go-/No-Go-Entscheidung umfasst, handelt es sich nach Mintzberg
(1981), S. 322 um Pre-Decision Planning, die im weiteren Verlauf der Untersuchung als
Businessplanung“ bezeichnet werden soll. Mit der Entscheidung zur Fortführung des
”
Vorhabens werden strategische Ziele festgelegt, die als Grundlage für die Steuerung und
Erfolgsbeurteilung des weiteren Projektverlaufes dienen. Die zur Erreichung der Ziele
notwendigen Arbeitspakete und Aktivitäten werden, soweit sie bereits absehbar sind, im
Rahmen einer eher operativ ausgerichteten Planung (Post-Decision Planning bzw. Pro-
gramming 6 ) erarbeitet. Diese umfasst einerseits die klassische Projektplanung, anderer-
seits aber auch das projektbezogene Risikomanagement, da gerade bei Innovationsprojek-
ten mit dem Eintreten unvorhergesehener Ereignisse zu rechnen ist, die zu identifizieren
und quantifizieren sind, damit Pläne zur Schadensvermeidung bzw. -minderung entwickelt
werden können. In Erweiterung des in Abbildung 3.3 zusammengefassten theoretischen
Grundmodells soll vorhabensbezogene Planung im Folgenden also in die zwei Bereiche
Businessplanung (Pre-Decision Planning) und operative Planung (Post-Decision Plan-
ning) differenziert werden, zwischen denen die kritische Entscheidung über die Aufnahme
der eigentlichen Produktentwicklung fällt.
Die Vorhabenssteuerung baut idealerweise direkt auf den so erstellten Plänen auf. An
zentralen Meilensteinen des Projektes kann in formellen Reviews der Status des Projektes
mit der ursprünglichen Planung verglichen und so der Grad der Zielerreichung hinsichtlich
der wesentlichen Projektziele ermittelt werden. Für den Fall, dass hier wesentliche Ab-
weichungen festgestellt werden oder sich die Ausprägung kritischer Umfeldfaktoren stark
verändert hat, kann es zu Zielanpassungen kommen, die zu einer veränderten Ressourcen-
ausstattung des Projektes oder sogar zum Abbruch oder Einfrieren des Vorhabens führen
können. Diese zentralen Vorhabensentscheidungen sind wiederum in Koordination mit
dem Projektportfolio-Management zu treffen.
Die hier kurz erwähnten Aspekte der Vorhabensplanung und -steuerung werden in den
folgenden Abschnitten näher beleuchtet und insbesondere hinsichtlich ihrer Anwendbar-
keit bei innovativen Projekten untersucht. Dabei wird – ähnlich wie im vorhergehenden
Kapitel – wiederum eine Reihe zentraler Aussagen abgeleitet, die die Grundlage für die
Metaanalyse bisheriger empirischer Forschung in Kapitel 5 und die Hypothesenformulie-
5
Veryzer (1998a), S. 314f.
6
rung für den empirischen Teil in Kapitel 6 bilden.
4.2 Planung von Innovationsvorhaben
Planung kann als Durchführung formalisierter Prozeduren aufgefasst werden, die eine
Organisation einsetzt, um Entscheidungen zu treffen, zu integrieren und zu artikulieren.7
Die im Rahmen dieser Prozeduren entwickelten Pläne sollten weitestmöglich objektiv,
logisch und sachlich sein, realistische Zielsetzungen enthalten und Wege aufweisen, um
diese Ziele zu erreichen.8
Planung umfasst zunächst die Entwicklung und Analyse von Handlungsalternativen,
die als Grundlage für eine Entscheidung über das weitere Vorgehen dienen.9 Solche Ent-
scheidungen können mit Hilfe formeller Planungsmethoden erheblich beschleunigt wer-
den, da durch sie fehlende Informationen wesentlich effizienter beschafft werden können
als durch zufällige Suchstrategien.10 Planung stellt weiterhin einen wichtigen Bezugspunkt
für anschließende Handlungen dar, ermöglicht also nicht nur die Setzung von Zielen, son-
dern erleichtert zugleich auch deren Erreichung, indem sie definiert, was zu tun ist, wie
etwas zu tun ist, und wer für die Durchführung verantwortlich ist.11
Mintzberg (1981) nimmt, wie bereits erwähnt, eine konzeptionelle Unterteilung des
Planungsprozesses in zwei Phasen vor: Eine eher visionäre erste Phase, in der Ziele und
Handlungsalternativen entwickelt und abgewogen werden (Pre-Decision Planning), und
eine zweite Phase, deren Fokus auf der Ausarbeitung der Konsequenzen und operativen
Umsetzungsschritte einer gewählten Handlungsalternative liegt (Post-Decision Planning,
Programming).12 Dieser Zweiteilung wird in den nächsten Abschnitten gefolgt, indem
zunächst Businessplanung (Abschnitt 4.2.1) und die damit verbundene Zieldefinition (Ab-
schnitt 4.2.2) behandelt werden, bevor mit Projektplanung (Abschnitt 4.2.3) und Risiko-
management (Abschnitt 4.2.4) näher auf die operative, umsetzungsorientierte Phase der
Planung eingegangen wird.
4.2.1 Businessplanung
Im Rahmen der Frühphasenplanung von Innovationsprojekten ist es erforderlich, dass

das zu lösende Problem erkannt und definiert wird, dass Ziele aus dem Vergleich der
7
8
Steiner (1969), S. 20.
9
Koontz und O’Donnell (1976), S. 70; Snyder und Glueck (1980), S. 73.
10
Delmar und Shane (2003), S. 1167
11
Snyder und Glueck (1980), S. 73.
12
Mintzberg (1981), S. 322f.
4.2. Planung von Innovationsvorhaben 59
gegenwärtigen Situation mit dem erforderlichen Sollzustand abgeleitet werden und dass
mögliche Problemlösungen gesucht und bewertet werden, damit eine hinreichende Ent-
scheidungsgrundlage für einen etwaigen Eintritt in die eigentliche Entwicklungsphase be-
reitsteht.13 Der zeitliche Ablauf dieser Frühphasenplanung wird im Rahmen der Discipli-
ned Problem Solving-Forschung14 als ein System iterativer Problemlösungszyklen beschrie-
ben. Ein Problemlösungszyklus besteht dabei aus einer Abfolge von Informationsverarbei-
tungsschritten, zu denen im wesentlichen die Punkte Problem- und Zieldefinition, Alter-
nativengenerierung, Evaluation und Entscheidungsfindung gehören.15 In einem zyklischen
Durchlaufen von Situationsanalyse, Problemstellung und möglichen Lösungen nähert sich
ein Entwicklungsvorhaben seiner Realisierung, wobei der Detaillierungsgrad zu- und der
Entscheidungsspielraum abnimmt.16 Es handelt sich dabei um einen alles andere als li-
nearen Prozess, dessen Phasen auch im Rahmen von Concurrent Engineering-Ansätzen
überlappen können.17
In den folgenden Absätzen werden zunächst mit der Ideen- und Alternativengenerie-
rung sowie der methodischen Businesscase-Analyse einzelne Aspekte der Businessplanung
erörtert, bevor auf die Anwendbarkeit der Businessplanung bei innovativen Projekten
eingegangen wird. Aspekte der Zielfestlegung werden dann in Abschnitt 4.2.2 untersucht.
Trotz der so festgelegten Reihenfolge ist zu betonen, dass es sich hier um interdependente
Aktivitäten handelt: Alternativkonzepte können nicht ohne die Existenz erster Global-
ziele generiert werden, und Zielveränderungen im Innovationsprozess ziehen wiederum
Konzeptänderungen nach sich.18
Ideengenerierung und Alternativenabwägung Das Entwickeln neuer Ideen und

das Suchen und Finden alternativer Lösungskonzepte kann als eigentliche Leistung ei-
nes Innovators angesehen werden.19 Konkrete Innovationsvorhaben entstehen dabei aus
einer Phase des Dynamic Drifting heraus, die bei hochgradigen Innovationen häufig mit
der Erforschung neuer Technologien verbunden ist, ohne dass deren Vermarktung in ei-
nem Produkt bereits im Vordergrund steht.20 Neben einem solchen eher mittelorientier-
ten Technologieschub der unternehmensinternen Leistungspotenziale (Technology Push)
13
14
Vgl. Abschnitt 3.1 der vorliegenden Arbeit.
15
Clark und Fujimoto (1991), S. 206f.
16
17
Vgl. Gerwin und Barrowman (2002) für eine aktuelle Metaanalyse empirischer Befunde der Concur-
rent Engineering-Forschung.
18
Marks et al. (2001), S. 365; Urban und Hauser (1993), S. 50f.
19
20
Veryzer (1998a), S. 313.
können innovative Ideen generell auch durch den eher zweckorientierten Nachfragesog
des Kunden (Demand Pull ) induziert werden.21 Die Quelle der Initialidee ist letztlich
weniger entscheidend als vielmehr ihre technische Realisierbarkeit, ihre wirtschaftliche
Tragfähigkeit und ihr Fit mit den Kernkompetenzen und der Strategie des Unterneh-
mens.22
Innovative Lösungskonzepte sind meist ebenso das Ergebnis systematischen Vorgehens
wie überraschender Einfälle, erfordern also eine Mischung aus Kreativität, analytischer
Systematik und harter Arbeit“.23 Bevor eine begründete Auswahl unter den Initialide-
”
en vorgenommen werden kann, müssen diese durch Detaillierung und Ausarbeitung zu
groben Produktkonzepten verdichtet werden.24 Die Generierung alternativer Konzepte
im Innovationsprozess kann in Anlehnung an Hauschildt (2004) in multiple und muta-
tive Entwicklungen differenziert werden. Erzeugt man immer neue Kombinationen der
unterschiedlichen Ausprägungen bestehender Produkteigenschaften, so werden multiple“
”
Alternativen generiert. Fügt man einem Produkt dagegen völlig neue Eigenschaften hinzu,
liegt eine mutative Alternativenentwicklung vor. In diesem Fall ist der realisierte Innova-
tionsgrad deutlich höher, und erst hier liegt wohl eine eigentliche Innovation vor.25
Mit der Alternativengenerierung ist immer auch eine erste Alternativenselektion ver-
bunden, da sich einzelne Konzepte häufig schon im Prozess der Lösungssuche als nicht
tragfähig erweisen. Damit können bereits im Verlauf der Lösungssuche viele Gestaltungs-
optionen verworfen werden, und der Raum möglicher Problemlösungen wird immer stärker
eingegrenzt, je näher das Projekt dem ersten zentralen Entscheidungspunkt, also dem
möglichen Eintritt in die Entwicklungsphase, kommt.26 Am Ende des Suchprozesses lie-
gen schließlich mehrere alternative Grobkonzepte zur Auswahl vor, die einer detaillierten
methodischen Analyse zu unterziehen sind, um ihre technischen, marktbezogenen und
finanziellen Implikationen deutlich und vergleichbar zu machen.
Eine solche systematische Generierung und Evaluation alternativer, z. T. konträrer
Gestaltungs- und Handlungsoptionen ist im allgemeinen gut geeignet, um schlechtstruk-
turierte Probleme ( messes“) zu behandeln. Je gegensätzlicher dabei die Optionen ausge-
”
staltet werden, desto eher gelingt es, die den verschiedenen Ansätzen zugrundeliegenden
Annahmen aufzudecken und infragezustellen.27 Neben der Tatsache, dass diese dialek-
tische Alternativenanalyse kritische Annahmen und Hypothesen explizit machen kann,
21
Rosenthal (1992), S. 128ff.
22
23
24
25
26
Morris (1998), S. 10.
27
Mitroff und Emshoff (1979), S. 2.
hilft sie auch, das Management-Commitment für einzelne Alternativen zu reduzieren und
damit die Gefahr zu senken, dass später eine offensichtlich aussichtslose Option blind
weiterverfolgt wird ( commitment to a loosing course of action“, vgl. auch Abschnitt
”
4.3.1).28
Methodische Businessplan-Analyse Ist der Lösungsraum auf eine geringe Zahl von
Alternativen eingegrenzt, deren technische und wirtschaftliche Realisierbarkeit auf den
ersten Blick nicht utopisch erscheint, so muss die Auswahlentscheidung vor Aufnahme der
eigentlichen Produktentwicklung und dem damit verbundenen Ressourcen-Commitment
vorbereitet werden. Hierfür ist ein Businessplan bzw. Detailkonzept zu erarbeiten, in
dem eine konsistente Projektstrategie zur Erreichung der Innovationsziele entwickelt und
als spätere Entscheidungsgrundlage aufbereitet wird.29 Erfahrungen zeigen, dass diese
Validierungsphase von eminenter Wichtigkeit zur Vermeidung späterer Fehlschläge ist und
– bei gründlicher Ausführung – zwischen drei und sechs Prozent der späteren aggregierten
Projektkosten verursachen kann.30
Ausgangspunkt der Konzeptentwicklung ist idealtypischerweise zunächst die Identifi-
zierung eines attraktiven Markt- oder Geschäftsfelds durch die Analyse der eigenen Lei-
stungspotenziale sowie der Marktchancen und -risiken. Hierunter fallen beispielsweise die
Untersuchung und Prognose von Kundenbedürfnissen, Technologielebenszyklen oder regu-
latorischen Rahmenbedingungen.31 Aus den identifizierten Kundenbedürfnissen sind dann
im nächsten Schritt die zentrale Value Proposition und die geforderten Leistungsmerkmale
des zukünftigen Produktes abzuleiten.32 Für jedes der relevanten Alternativkonzepte ist
ein vorläufiges technisches Lösungskonzept zu erarbeiten, das zwar noch nicht die detail-
lierten Design-Spezifikationen umfasst, aber bereits die wesentlichen Funktionsstrukturen,
Technologien und Wirkprinzipien beschreibt.33
Abschließend sind die finanziellen und strategischen Implikationen der Konzeptvari-
anten zu erarbeiten, da nur deren Vergleich untereinander bzw. mit dem bestehenden
Zustand ein Urteil über die Vorteilhaftigkeit des Innovationsvorhabens erlaubt.34 Da-
bei stellt vor allem die Übersetzung des realwirtschaftlichen Geschäftsmodells in harte
28
Eisenhardt (1989), S. 558.
29
30
Morris (1998), S. 11.
31
Bacon et al. (1994), S. 33ff.; Khurana und Rosenthal (1997), S. 104f.; Rosenau und Moran (1993), S.
60ff.; Urban und Hauser (1993), S. 130ff. und 222ff.
32
Chesbrough und Rosenbloom (2001), S. 58f.; Khurana und Rosenthal (1997), S. 105.
33
34
Finanzzahlen im Innovationskontext eine besondere Herausforderung dar.35 Die hierfür

durchzuführenden Modellrechnungen sollten zwar aufgrund der hohen Unsicherheiten
tendenziell pragmatisch gehandhabt werden, aber doch die Simulation unterschiedli-
cher Markt- und Umfeldszenarien und die Analyse der Ergebnis-Sensitivität hinsicht-
lich zentraler Planungsparamter erlauben.36 Ein anspruchsvolles Beispiel für solche Sen-
sitivitätsbetrachtungen bildet die bei Browning et al. (2002) dargestellte Performance
Risk-Analyse.37 Neben der Betrachtung harter Finanzzahlen muss vor einer Entschei-
dung über die Aufnahme der eigentlichen Produktentwicklung aber auch der Fit des
Vorhabens mit der strategischen Ausrichtung des Unternehmens oder Geschäftsbereiches
sowie den grundlegenden Kernkompetenzen des Unternehmens beurteilt werden.38 So
zeigt die Analyse zahlreicher Fallstudien, dass innovative Vorhaben, die auf bereits be-
stehenden Kompetenzen aufsetzen und einen klar definierten Beitrag zur strategischen
Geschäftsentwicklung erbringen sollen, im späteren Prozessverlauf weniger Zieländerungen
unterworfen sind und insgesamt höhere Erfolgsraten besitzen.39
Fit Weiterhin ist es bei wirklich neuen Produkten wegen der mit ihnen verbundenen
hohen finanziellen Risiken und der meist sehr langen Zeit bis zur Markteinführung beson-
ders wichtig, dass ihre Integration in die langfristige Unternehmensplanung und ihr Fit mit
der Unternehmensstrategie sichergestellt wird. Nur wenn diese speziellen Produktinnova-
tionen als zentral für die Unternehmensstrategie gelten, werden hinreichende Ressourcen
eingesetzt und das notwendige Durchhaltevermögen aufgebracht, um solche schwierigen
Projekte zum Erfolg zu führen.40 Ausgehend von der zuvor erfolgten methodischen Analy-
se des Geschäftsplanes muss daher noch vor Eintritt in die eigentliche Entwicklungsphase
untersucht werden, inwieweit das Vorhaben zur Umsetzung strategischer Unternehmens-
ziele beiträgt und ob es dabei von den eigenen Kernkompetenzen profitieren kann.41
Erfolgswirkung bei innovativen Projekten Die im letzten Abschnitt dargestellten

Elemente systematischer Businessplanung sollen im Folgenden auf ihre Erfolgswirkung
im Rahmen von Innovationsprojekten untersucht werden. Dabei muss allerdings weit-
35
Chesbrough und Rosenbloom (2001), S. 59.
36
Jovanović (1999), S. 218ff.; Morris (1998), S. 11; Rosenau und Moran (1993), S. 57. Eine ausführliche
Beschreibung von Sensitivitätsanalysen als Bestandteil der Modellanalyse findet sich bei Saltelli et al.
(2000).
37
Browning et al. (2002), S. 446f.
38
Khurana und Rosenthal (1997), S. 112.
39
Bacon et al. (1994), S. 39f.
40
Deszca et al. (1999), S. 616.
41
Hamilton (2002), S. 132.
gehend auf Analogieschlüsse auf der Basis von Arbeiten der Gründungsforschung und
dem strategischen Management zurückgegriffen werden, da die positive Erfolgswirkung
der Businessplanung zwar in allgemeinen empirischen Studien der Neuproduktforschung
tendenziell belegt werden konnte,42 konzeptionelle Arbeiten zu dem Themenkreis bisher
allerdings kaum existieren.
Die Durchführung von Aktivitäten der Businessplanung dient zunächst der Befriedi-
gung von Informationsbedürfnissen und hilft dem Projektteam, potentielle zukünftige Pro-
bleme zu antizipieren. Eine solche analytische Vorbereitung ermöglicht es relativ schnell,
gangbare Lösungen und Kontingenz-Szenarien zu definieren, ohne dass sich das Pro-
jektteam auf zeitintensives Trial-and-Error Lernen verlassen muss.43 Die Vorabplanung
fördert proaktives Lernen, also das Erkennen kausaler Zusammenhänge, bevor Handlungen
eingeleitet werden, und führt zu Zeiteinsparungen, da schon vor Beginn der Implementa-
tionsphase wichtige Fragen detailliert analysiert werden können.44
Vor dem Hintergrund dieser Überlegungen erscheint daher die Vermutung plausi-
bel, dass Planungsaktivitäten generell eine positive Erfolgswirkung haben. Übersichten
über die empirische Planungsforschung zeigen jedoch, dass hinsichtlich solcher und
ähnlicher Wirkungsbeziehungen häufig die jeweiligen Kontextfaktoren, also die relevan-
ten Moderator- und Mediatorvariablen, vernachlässigt werden und damit die eigentlichen
Wirkungszusammenhänge unverstanden bleiben.45 So konnten Studien und Metaanaly-
sen der strategischen Managementforschung sowohl positive als auch negative Wirkungen
von strategischer Planung auf den Unternehmenserfolg nachweisen.46 Weiterhin erweisen
Studien auf dem Gebiet der Gründungsforschung, dass sich Geschäftsgründungen auch
ohne vorherige formale Planung als sehr erfolgreich erweisen können (so z. B. im Fall
der Firma Apple), während andere Firmen trotz intensiver Vorabplanung einen Fehlstart
erleiden können.47 Nach Ansicht von Castrogiovanni (1996) besteht folglich kein direkter
logischer Zusammenhang zwischen Planungsaktivitäten und Erfolgsgrößen. Stattdessen
sei immer eine transitive Wirkung über Mediatorvariablen zu unterstellen.48
Als eine Mediatorgröße zwischen Planung und Erfolgsgrößen im engeren Sinnen postu-
42
Vgl. hierzu die Zusammenfassung der Befunde in Tabelle 5.7 auf S. 142.
43
Delmar und Shane (2003), S. 1168.
44
Castrogiovanni (1996), S. 808.
45
Pearce et al. (1987a), S. 671.
46
Positive Zusammenhänge werden u. a. von Bracker et al. (1988), S. 597, Capon et al. (1994), 109,
und Robinson und Pearce (1984) berichtet. Robinson und Pearce (1983), S. 202, finden keinen Zu-
sammenhang zwischen formeller Planung und Erfolg, während Rue und Fulmer (1973), S. 72, sogar
einen negativen Zusammenhang berichten.
47
Castrogiovanni (1996), S. 802.
48
Castrogiovanni (1996), S. 803f.
liert Castrogiovanni (1996) die Effizienz der Projektplanung und -implementation. Ist eine
Frühphasenplanung erfolgt, so kann die Kommunikation ihrer Ergebnisse zu verbesserter
Koordination und damit letztendlich zu verminderten Kosten führen.49 Die Kommunika-
tion des Businessplans und der zentralen Vorhabensziele bildet den Ausgangspunkt für
die operative Projektplanung, indem sie die Definition zentraler Meilensteine vorberei-
tet und die Erwartungen der zentralen Stakeholder des Vorhabens auf die Erreichung
dieser Meilensteine hin fokussiert.50 Daneben stellt die Businessplanung auch die Grund-
lage zur Ressourcenplanung bereit, indem sie zentrale Ziele fixiert und damit Prioritäten
für einzelne Projektphasen herausarbeitet. Hierdurch kann der jeweilige Ressourcenbedarf
frühzeitig abgeschätzt und Engpässe nach Möglichkeit vermieden werden.51 Durch die Be-
trachtung von Kontingenz-Szenarien und die Vorbereitung der Meilensteindefinion bildet
die Businessplanung also die Grundlage für Risikomanagement und Projektplanung, so
dass zusammenfassend die folgenden Aussagen festgehalten werden können:
Aussage 4.1: Die Durchführung von Aktivitäten der Businessplanung führt

zu gesteigerter Intensität der Projektplanung.
Aussage 4.2: Die Durchführung von Aktivitäten der Businessplanung führt

zu gesteigerter Intensität des Risikomanagement.
Im Zusammenhang mit hochgradig innovativen Vorhaben, die sich ausgiebiger Planung

im Wesentlichen zu entziehen scheinen, stellt sich hieran anschließend die Frage, ob diese
Aussagen einer Qualifikation hinsichtlich des Innovationsgrads bedürfen. Zur Untersu-
chung dieser Frage soll Businessplanung wiederum als Prozess zur Reduktion von Unsi-
cherheiten interpretiert werden, mit denen sich das Management konfrontiert sieht. Die
Entwicklung wirklich neuer Produkte erfordert ein besonderes Maß an Veränderungen
und Lernanstrengungen von Seiten des innovierenden Unternehmens und geht mit einem
hohen Grad an Unsicherheit einher.52 Dies gilt insbesondere für Produkte, die sich als
grundlegend neu für das innovierende Unternehmen erweisen oder den Einsatz völlig neu-
er Technologien erfordern. Je größer die hier herrschende Unsicherheit ist, desto wichtiger
sind die durch Planungs- und Marktforschungstätigkeiten induzierten Lernprozesse.53 So
stellt Armstrong (1982, S. 202) fest:
49
Grinyer et al. (1986).
50
Bird (1992), S. 15.
51
Delmar und Shane (2003), S. 1168; MacMillan und Narasimha (1987).
52
Lawton und Parasuraman (1980); Moenaert und Souder (1990).
53
Ottum und Moore (1997), S. 263.
As uncertainties increase, the organization can benefit by planning to deal

”
with these uncertainties . . . My hypothesis is that over a practical range for
uncertainty, high uncertainty would require more planning.“
Unsicherheit kann also Planungsprozesse stimulieren, so dass grundsätzlich davon auszu-

gehen ist, dass mit steigendem Innovationsgrad eines Projektes erhöhte Anforderungen an
das Planungssystem gestellt werden. Dabei darf jedoch nicht vernachlässigt werden, dass
mit steigender Unsicherheit auch die Kosten für ihre Beseitigung zunehmen, beispielswei-
se aufgrund der von Managern oder Planungsexperten aufgewendeten Arbeitszeit, und
sich eventuell auch ein optimaler Grad an Planung herleiten ließe.54 Dennoch soll hier die
zunächst die folgende Vermutung festgehalten werden:
Aussage 4.3: Je höher der Innovationsgrad eines Projektes ist, desto wich-
tiger ist die Businessplanung als Vorbereitung für Projektplanung und Risiko-
management (positiver Interaktionseffekt).
4.2.2 Zieldefinition
Unter Zielen55 sollen hier in Anlehnung an Hauschildt (1977) normative Aussagen von
Entscheidungsträgern verstanden werden, die einen gewünschten, von ihnen oder ande-
ren anzustrebenden, zukünftigen Zustand der Realität beschreiben.56 Mit der Entschei-
dung zur Aufnahme der eigentlichen Produktentwicklung werden in der Regel auch stra-
tegische Zielvorgaben formuliert, die sich auf einzelne Dimensionen des Businessplanes
zurückführen lassen. Dabei handelt es sich in der hier betrachteten frühen Phase der
Produktplanung meist noch um die Etablierung übergeordneter, eher visionäre Ziele,57
die beim Entwurf der Produktkomponenten schrittweise zu operationalen Zielen konkre-
tisiert werden.58 Gerade bei innovativen, komplexen Projekten sind die Ziele in dieser
Projektphase weder vollständig, noch klar, noch wohlgeordnet,59 sondern müssen in enger
Verzahnung mit dem eigentlichen Problemlösungsprozess operationalisiert werden.60
54
Ramanujam et al. (1986), S. .
55
Ergänzen mit Simon (1964) und Heath et al. (1999).
56
57
Vgl. beispielsweise Latham und Locke (1995), Sp. 2223f. zur Unterscheidung übergeordneter und
spezifischer Ziele.
58
59
Gemünden (1995), S. 252; Greenwood (1981), S. 226.
60
Drucker (1976), S. 19. Vgl. für eine umfassende Behandlung der Zielbildung in innovativen Entschei-
dungsprozessen auch Hauschildt (1977).
Der Zielfindungsprozess übt in frühen Projektphasen eine Koordinationsfunktion aus,

indem er dem Projektteam hilft, ein gemeinsames Verständnis für die Strategie zu ent-
wickeln, die im Rahmen des Vorhabens zu verfolgen ist, sowie für mögliche Wege, diese
Strategie umzusetzen.61 Teams entwickeln auf diese Weise gemeinsame mentale Model-
le, die zu einer Formalisierung bestimmter Rollen, Standards und Arbeitsabläufe führen
und damit das Potential für Missverständnisse und den Bedarf an kontinuierlicher In-
formationsinterpretation senken.62 Daneben besitzen Ziele auch eine verhaltenssteuernde
Wirkung, beispielsweise als Motivation, eine erlebte Diskrepanz zwischen Soll und Ist zu
überwinden, als Einschränkung des Raumes möglicher Problemlösungsmöglichkeiten (ko-
gnitive Funktion) oder als Ausgleich unterschiedlicher Interessen (Konfliktregulierungs-
funktion).63 Allerdings kann ein hierarchischer Zielplanungsprozess häufig auch zu starre
und enge Vorgaben nach sich ziehen. Zu geringer Handlungsspielraum demotiviert, er
beeinträchtigt die Flexibilität und Reagibilität des Systems, weil aufwendige Zielrevisi-
onsprozesse durchlaufen werden müssen. Außerdem ist es nicht ökonomisch, unter hoher
Unsicherheit zu genau zu planen – es ergibt sich ein Optimierungsproblem hinsichtlich der
Zielklarheit.64 Vor diesem Hintergrund zählt es zu den wichtigsten Führungsaufgaben, bei
der Zielformulierung jeweils den richtigen Grad an Zielhöhe, Zielspezifität und Partizipa-
tion der Mitarbeiter zu realisieren.65
Zielhöhe Die Motivationsfunktion anspruchsvoller Ziele und ihr Einfluss auf die Ziel-
erreichung zählt zu den am intensivsten untersuchten Zusammenhängen in der Organi-
sationstheorie.66 Einen zentralen Beitrag hat hier die Zielsetzungstheorie von Locke und
Latham geleistet, deren Kernaussage darin besteht, dass höher gesetzte Ziele auch zu
höheren realisierten Leistungen führen, wenn sie nur hinreichend präzise und innerhalb
realistischer Leistungsgrenzen formuliert sind.67 Der Zusammenhang zwischen Zielsetzung
und Leistung wird durch eine Reihe von Moderatoren beeinflusst, von denen im Zusam-
menhang mit Innovationsvorhaben wiederum die Aufgabenkomplexität von besonderer
Bedeutung ist:68 Mit steigender Komplexität der Aufgabe steht die Entwicklung neuer
61
McComb et al. (1999), S. 7.
62
Carley und Palmquist (1992), Weick (1993).
63
Gemünden (1995), S. 254.
64
Gemünden (1995), S. 259.
65
Gebert (1995), Sp. 428ff.
66
So bemerken Mento et al. (1987, S. 74): If there is ever to be a viable candidate from the organizatio-
”
nal scienes for elevation to the lofty status of a scientific law of nature, then the relationships between
goal difficulty, difficulty/specificity and task performance are most worthy of serious considerations.“
67
Vgl. hierzu u. a. Locke und Latham (1990), S. 27ff.
68
Gemünden (1995), S. 255.
Problemlösungsstrategien im Vordergrund, während Faktoren wie Anstrengung und Aus-

dauer an Bedeutung verlieren und der Zusammenhang zwischen Zielniveau und Leistung
folglich schwächer wird. Dieser Moderatoreffekt konnte – wie bereits oben im Fall der Ziel-
spezifität – auf individualpsychologischer Ebene durch die Metaanalysen von Wood et al.
(1987) und Wright (1990) belegt werden, während auf der Ebene der Gruppenziele wie-
derum nur der Haupteffekt nachgewiesen wurde.69 Da jedoch die Entwicklung neuer Pro-
blemlösungsstrategien gerade im Rahmen von Innovationsprojekten, bei denen oft starke
Unsicherheit hinsichtlicher technischer Zusammenhänge und funktioneller Präferenzen der
zukünftigen Käufer besteht, von besonderer Relevanz ist, wird hier die Übertragbarkeit
des Zusammenhanges vermutet und daher die folgende Aussage festgehalten:
Aussage 4.4: Je höher das Anspruchsniveau hinsichtlich bestimmter Vorha-

bensziele gesetzt wird, desto höher fällt auch die Zielerreichung in der entspe-
chenden Erfolgsdimension aus. Mit zunehmendem Innovationsgrad wird dieser
Zusammenhang schwächer ausgeprägt sein (negativer Interaktionseffekt).
Zielspezifität In den frühen Phasen von Innovationsvorhaben können meist nur

übergeordnete Ziele oder Visionen formuliert werden, die vergleichsweise abstrakt und
allgemein gehalten sind. Diese Allgemeinheit erschwert die Messung der Zielgrößen und
damit die Beurteilung des erreichten Fortschrittes in Richtung der Ziele, die folglich
Gefahr laufen, als leeres Gerede“ betrachtet zu werden und Zynismus bei Mitarbeitern
”
auszulösen.70 Im Gegensatz dazu kann vermutet werden, dass mit zunehmender inhalt-
licher Spezifizierung des Zieles auch die Leistung der Mitarbeiter steigt. Theoretisch
lässt sich dies dadurch begründen, dass über eine hohe Zielspezifizierung die Ableitbar-
keit zielförderlicher Handlungspläne steigt, so dass auch das Zielcommitment und damit
die Zielerreichungswahrscheinlichkeit zunehmen.71 Die erfolgssteigernde Wirkung spezi-
fischer Ziele konnte zwar zunächst in zahlreichen empirischen Studien auf dem Gebiet
der angewandten Psychologie tendenziell bestätigt werden,72 dennoch wird die Allge-
meingültigkeit dieses Zusammenhanges mittlerweile zunehmend bezweifelt. Insbesondere
für den Fall komplexer Aufgaben wird hervorgehoben, dass zu spezifische Zielsetzungen
die Verfolgung subobtimaler Lösungsprozesse nach sich ziehen können,73 statt den not-
wendigen Raum für die Entwicklung einer Meta-Strategie“, also einer Strategie zum
”
69
Wood et al. (1987), S. 420; Wright (1990), S. 230; O’Leary-Kelly et al. (1994), S. 1294.
70
Latham und Locke (1995), Sp. 2223f.
71
Gebert (1995), Sp. 428.
72
Vgl. hierzu unter anderem den Überblicksartikel Locke et al. (1981).
73
Baumler (1971); Huber (1985); Klein (1989), S. 155.
explorativem Erlernen der Aufgabe, zu lassen.74 Empirische Bestätigung erfahren diese

Argumente – zumindest auf der Ebene von Individualzielen – durch die umfassende Me-
taanalyse von Wood et al. (1987), in der ein negativer Interaktionseffekt zwischen der
Zielspezifität und der Aufgabenkomplexität nachgewiesen werden kann: Die positiven
Leistungseffekte spezifischer Ziele sind bei einfachen Aufgaben höher als bei komplexen.75
Weniger gut untersucht wurde dieser Zusammenhang auf der Ebene von Gruppenzielen:
So bestätigt die Metaanalyse von O’Leary-Kelly et al. (1994) zwar die generell leistungs-
steigernde Wirkung spezifischer Ziele, untersucht jedoch nicht die Interaktion mit der
Aufgabenkomplexität.76 Dennoch wird hier die Übertragbarkeit der Aussagen auf die für
Innovationsprojekte typische Gruppenkonstellation vermutet und die folgende Aussage
festgehalten:
Aussage 4.5: Je spezifischer die zentralen Ziele des Vorhabens formuliert wer-
den, desto höher fällt die Zielerreichung in den entspechenden Erfolgsdimen-
sionen aus. Mit zunehmendem Innovationsgrad wird dieser Zusammenhang
jedoch schwächer ausgeprägt sein (negativer Interaktionseffekt).
Partizipation Neben der erfolgssteigernden Wirkung spezifischer, anspruchsvoller Zie-

le kann aufgrund verschiedener theoretischer Argumente auch vermutet werden, dass die
Partizipation von Teammitgliedern bei der Zielbildung und -festlegung erfolgsfördernd
wirkt, beispielsweise über die höhere erzielte Qualität bei der Zielformulierung, die Ver-
bindlichkeit der Zielvorgaben und die Reduktion der im Team auftretenden Konflikte.77
Im Rahmen kognitiver Modelle wird u. a. hervorgehoben, dass Mitarbeiter in partizipa-
tiven Entscheidungsprozessen ihren speziellen Erfahrungshintergrund stärker einbringen
können, wodurch eine breitere Wissenbasis zur Verfügung steht und besser informierte
Entscheidungen getroffen werden können. Daneben sind die Mitarbeiter durch die Teil-
nahme an der Entscheidungsvorbereitung bereits besser auf die Umsetzungsphase vor-
bereitet.78 Affektive Ansätze stellen dagegen Motivationseffekte in den Vordergrund. Die
Grundannahme besteht zunächst darin, dass Partizipation im Entscheidungsprozess zur
Befriedigung höherer Bedürfnisse, wie z. B. Selbstwertgefühl und Anerkennung von ande-
ren, führt. Die Befriedigung dieser Bedürfnisse führt wiederum zu höherer Zufriedenheit
der Mitarbeiter und stärkt dadurch ihre Motivation und Produktivität.79
74
Earley et al. (1989), S. 32.
75
Wood et al. (1987), S. 420.
76
O’Leary-Kelly et al. (1994), S. 1294.
77
Gemünden (1995), S. 258.
78
Miller und Monge (1986), S. 730.
79
French et al. (1960), S. 5; Ritchie und Miles (1970), S. 348.
Betrachtet man allerdings die tatsächlich vorliegenden empirischen Befunde der Orga-
nisationsforschung und angewandten Psychologie, so ist zu konstatieren, dass bislang keine
Einigkeit darüber erzielt werden konnte, ob Partizipation tatsächlich zu höherer Leistung
führt und welche Mediatorvariablen diesen Effekt eventuell vermitteln.80 Die Metaanaly-
se von Miller und Monge (1986) zur partizipativen Entscheidungsfindung81 identifiziert
zunächst mit einer mittleren Effektstärke ρ = 0, 34 einen starken Zusammenhang zwi-
schen Partizipation und Zufriedenheit.82 Die Wirkung der Partizipation auf die Produkti-
vität fällt dagegen mit ρ = 0, 15 vergleichsweise gering aus und beträgt insbesondere bei
Studien, die speziell die Wirkung von Zielsetzung untersuchen, nur ρ = 0, 11.83 Die Un-
tersuchung von Wagner und Gooding (1987) stellt eine methodische Erweiterung früherer
Metaanalysen zu diesem Thema dar, indem sie zwischen Arbeiten mit Percept-Percept-
Inflation84 und solchen, die Informationen aus verschiedenen Quellen erheben, unterschei-
det. Im Ergebnis der Arbeit zeigt sich, dass ein deutlicher Unterschied zwischen den Ar-
beiten der ersten und denen der zweiten Kategorie festzustellen ist: Während die mittlere
Effektstärke im Percept-Percept-Paradigma ρ = 0, 454 beträgt, lassen sich Studien, die
verschiedene Informationsquellen heranziehen, durch die deutlich niedrigere Effektstärke
ρ = 0, 108 zusammenfassen. Ein sehr ähnliches Resultat ergibt sich auch beim Effekt
der Partizipation auf die Mitarbeiterzufriedenheit (ρ = 0, 423 vs. ρ = 0, 109), während
die Ergebnisse hinsichtlich des Motivationseffektes ausgeglichener sind (ρ = 0, 347 vs.
ρ = 0, 252).85
Die Wirkung partizipativer Entscheidungsfindung und Zielsetzung auf die Produkti-
vität von Mitarbeitern kann also nach dem derzeitigen Stand der Forschung als gering
eingestuft werden, was auch eine Reihe gezielter Experimente zur Klärung der wider-
sprüchlichen Befunde zeigt.86 Hinsichtlich des möglichen Einflusses situationsbezogener
Moderatorvariablen, wie z. B. Aufgabenkomplexität oder -neuartigkeit, liegen keine si-
gnifikanten Befunde vor.87 Dagegen kann es als gesicherte Tatsache angesehen werden,
dass partizipative Entscheidungsfindung zumindest die Informationsbasis bei der Ent-
scheidungsfindung bereichert und somit letztendlich zu besseren Entscheidungen führt:
Aussage 4.6: Partizipation im Prozess der Planung und Entscheidungsfin-
80
Gebert (1995), Sp. 429f.; Latham und Locke (1995), Sp. 2224f.
81
Dieser Forschungszweig wird im englischsprachigen Raum auch als PDM (Participation in Decision
Making) bezeichnet.
82
83
84
Vgl. Abschnitt 7.2
85
Wagner und Gooding (1987), S. 532.
86
Latham et al. (1988), S. 767.
87
Wagner und Gooding (1987), S. 532.
dung führt zu besser informierten Entscheidungen und steigert dadurch die

Planungsqualität. Partizipation im Rahmen der eigentlichen Zielsetzung hat
jedoch keinen direkten Einfluss auf die Erreichung der Vorhabensziele. Beide
Zusammenhänge sind unabhängig von der Höhe des Innovationsgrads.
4.2.3 Projektplanung
Ausgehend von der zentralen Projektvision, die im Rahmen der Businessplanung in kon-
kretere Technologie-, Markt- und Finanzzielen übersetzt wird, ist es das zentrale Anliegen
der Projektplanung, die zur operativen Durchführung notwendige Aufgabenstrukturie-
rung, Ablaufplanung und Ressourcenplanung vorzunehmen. Zunächst ist es notwendig,
das Vorhaben durch einen Projektstrukturplan systematisch in zweckmäßige Teilaufga-
ben zu gliedern. Hierauf bauen sowohl die Ablauf- und Terminplanung als auch die Res-
sourcenzuweisung zu einzelnen Arbeitspaketen auf. Diese Elemente der Projektplanung
werden in den folgenden Absätzen näher dargestellt.
Projektstrukturplanung Für die Planung und Bearbeitung von Projekten ist es er-
forderlich, die globale Aufgabenstellung in sinnvolle Teilaufgaben bzw. Arbeitspakete zu
gliedern. Als Grundlage der Gliederung wird ein Projektstrukturplan (Work Breakdown
Structure) erstellt, der den Ausgangspunkt für die gesamte weiterführende Projektpla-
nung bildet.88 Damit der Projektstrukturplan diese Rolle erfüllen kann, muss zunächst
sichergestellt werden, das er tatsächlich alle wesentlichen Aufgabenbereiche umfasst, da
ansonsten die Gefahr besteht, dass die Produktspezifikation in wesentlichen Punkten ver-
fehlt werden könnte.89
Das Projekt kann durch die Gliederung in Aufgaben und Teilaufgaben bis hin zu
Arbeitspaketen als voneinander abgegrenzte und damit unabhängige Teilschritte hierar-
chisch dargestellt werden.90 Ein Arbeitspaket ist eine in sich geschlossene Arbeitsmenge
mit einem vordefinierten, eindeutigen und nachweisbaren Ergebnis. Es bildet die Basis
für Planung, Vorgabe, Kontrolle, Abnahme und Freigabe von Ergebnissen im Projekt
und meist die kleinste Einheit, auf der Kosten geplant und gesammelt werden. Durch die
hierarchische Systematisierung der Leistungsstruktur stellt der Projektstrukturplan ge-
wissermaßen das Organigramm des Projektes dar und kann als zentrales Managementin-
strument fungieren.91 Die strukturierte Zusammenfassung aller zur Projektdurchführung
88
Bullinger (1996a), S. 37
89
Rosenau und Moran (1993), S. 83.
90
Bullinger (1996a), S. 37
91
Simons und Lucarelli (1998), S. 159f.
zu erbringenden Leistungen bildet zunächst die Grundlage der Projektfortschrittskontrol-

le, des Berichtswesens und der Projektdokumentation und kann schließlich auch für den
Aufbau von Projektdatenbanken herangezogen werden.92
Daneben bildet der Projektstrukturplan den Ausgangspunkt für das Schnittstellen-
management innerhalb des Projektes: Indem für jedes Arbeitspaket Hauptverantwor-
tung, Zustimmungspflicht, Beratungsrolle, etc. verschiedener Mitarbeiter festgestellt wird,
können Schnittstellen und Kommunikationsbedarf zwischen Projektgruppen oder ein-
zelnen Projektmitgliedern ermittelt werden. Schließlich dient er als Grundlage für die
Berücksichtigung zeitlicher Interdendenzen im Rahmen der Ablaufplanung.93
Ablauf- und Terminplanung Die aufgabenlogischen Zusammenhänge der definierten

Arbeitspakete und die meist knappen Personalressourcen grenzen den Spielraum ein, der
für die Planung des Projektablaufes bleibt. Darüber hinaus soll häufig die Gesamtdauer
des Vorhabens minimiert werden.94 Vor diesem Hintergrund muss die logische Struktur
des Projektstrukturplanes unter rein zeitlichen Gesichtspunkten aufgeschlüsselt und damit
einer zeitlichen Optimierung des entstehenden Netzwerkes zugänglich gemacht werden.95
Zunächst ist ein Ablaufplan zu erstellen, der die Arbeitspakete logisch von Projekt-
beginn bis -ende anordnet und ihre wechselseitigen Abhängigkeiten abbildet. Im darauf-
folgenden Schritt können die so definierten Aktivitätssequenzen mit Zeitdauern belegt
werden und der Zeitverlauf berechnet werden, wobei je nach Komplexität des Projektes
Balkendiagramme oder verschiedene Netzplantechniken zum Einsatz kommen können.96
Allerdings erschwert die geringe Determinierbarkeit von Innovationsprojekten die exakte
Ausarbeitung von Netzplänen, und ein mit großem Aufwand erstellter Netzplan spiegelt
nicht notwendigerweise den tatsächlichen Projektverlauf wider.97 Unverzichtbar für eine
spätere Leistungskontrolle ist aber zumindest die Festlegung von Meilensteinen, die wich-
tige Ereignisse im Projektverlauf sowie oft auch das Ende wohldefinierter Projektphasen
kennzeichnen und im Rahmen der Projektsteuerung Freigabecharakter haben, also zur
Fällung der zentralen Go/No-Go-Entscheidungen bzw. zur Ressourcenanpassung genutzt
werden.98
92
Madauss (1994), S. 193f.
93
Meredith und Mantel (1995), S. 221ff.
94
Seibt (1989), Sp. 1669.
95
Bullinger (1996a), S. 38.
96
Gido und Clements (1998), S. 177ff.; Meredith und Mantel (1995), S. 207ff. und S. 332ff.
97
Bullinger (1996b), S. 45.
98
Hart et al. (2003), S. 22ff.
Ressourcenplanung Arbeitspakete werden geeigneten Aufgabenträgern zur Abwick-

lung übertragen. Voraussetzung für eine erfolgreiche Abwicklung ist, dass genügend der-
artige Aufgabenträger für die Zwecke des Projektes zur Verfügung gestellt werden und
ihre Kapazität ausreicht, um ein Projekt in einem bestimmten gewünschten Zeitraum
abzuwickeln.99 Diese Voraussetzungen werden mittels der Ressourcen- bzw. Einsatzmit-
telplanung geschaffen, die auf der Struktur-, Ablauf- und Terminplanung aufbaut und die
Grundlage für den Kosten- und Finanzierungsplan bildet. Hierzu müssen die im Projekt
benötigten Kapazitäten erhoben und mit der Linie sowie anderen Projekte abgeglichen
werden, um eventuelle Engpässe zu identifizieren.100
Die Engpassanalyse ist von eminenter Wichtigkeit, da sich hier zeigt, ob zentrale Res-
sourcen, beispielsweise Entwicklungsingenieure mit besonderer Kompetenz auf einem für
die Innovation relevanten Technologiesektor, zum geforderten Zeitpunkt überhaupt zur
Verfügung stehen oder eventuell bereits anderweitig eingesetzt sind. Eventuell auftre-
tende Ressourcenkonflikte könnten den gesamten Projektplan gefährden und in letzter
Konsequenz ein Scheitern des Projektes nach sich ziehen.101 Ein Nachteil vieler Netzplan-
methoden besteht gerade darin, dass sie vorrangig auf Ablaufaspekte fokussiert sind und
dabei die Ressourcenallokation nicht oder nur unvollständig berücksichtigen. Daher sind
bei komplexen Projekten gesonderte Techniken einzusetzen, um die Ressourcenauslastung
und -verteilung – insbesondere im Multiprojekt-Umfeld – zu planen.102
Erfolgswirkung bei innovativen Projekten Im Gegensatz zur Businessplanung

kann bei der Projektplanung davon ausgegangen werden, dass die Elemente der Struktur-,
Ablauf- und Ressourcenplanung unabhängig vom Innovationsgrad eine wichtige Vorberei-
tung für die eigentliche Projektdurchführung darstellen. Zum einen strukturieren sie den
weiteren Prozess und zeichnen Projekt-Reviews an zentralen Meilensteinen vor, zum an-
deren kann ein formelles Durchdenken“ der Durchführungsphase ex ante dazu führen,
”
dass der Implementationsprozess geradliniger verläuft und weniger Plan- und Ressour-
cenänderungen mit sich bringt. Eine direkte Wirkung der Projektplanung auf den Vorha-
benserfolg wird allerdings nicht unterstellt. Somit liegen die folgenden Aussagen nahe:
Aussage 4.7: Je intensiver die Projektplanung durchgeführt wird, desto struk-

turierter kann die Projektsteuerung in der eigentlichen Durchführungsphase
erfolgen. Dieser Zusammenhang ist unabhängig von der Höhe des Innovati-
onsgrads.
99
Seibt (1989), Sp. 1668.
100
Bullinger (1996a), S. 39f.
101
Rosenau und Moran (1993), S. 105f.
102
Meredith und Mantel (1995), S. 395ff. und 412ff.
Aussage 4.8: Je intensiver die Projektplanung durchgeführt wird, desto we-

niger Plan- und Ressourcenänderungen werden im Laufe der Durchführungs-
phase notwendig. Dieser Zusammenhang ist unabhängig von der Höhe des In-
novationsgrads.
4.2.4 Risikomanagement
Der Terminus Risiko“ ist zunächst von Unsicherheit“ zu unterscheiden. Der forma-
” ”
le Risikobegriff, der sich in der Entscheidungstheorie durchgesetzt hat, knüpft an das
Vorhandensein objektiver statistischer Wahrscheinlichkeiten für den Eintritt zukünftiger
Datenkonstellationen an und beschreibt Risiko als messbare Unsicherheit. Liegen dagegen
keine oder nur subjektive Wahrscheinlichkeitsinformationen vor, so ist eine Entscheidungs-
situation unter Unsicherheit gegeben.103 Stärker als dieser entscheidungstheoretische Risi-
kobegriff hat sich in der betriebswirtschaftlichen Praxis die pragmatische Auffassung von
Risiko als Maß der potentiellen Schäden durchgesetzt, die auch im Folgenden verwendet
werden soll.104 Hierbei wird Risiko einseitig als ungünstige Abweichung“, also als Ziel-
”
verfehlung zur negativen Seite hin, beschrieben, günstige Abweichungen“ dagegen meist
”
als Chance bezeichnet.105
Gerade Innovationsprojekte sind von Natur aus mit hohen Risiken verbunden, bei-
spielsweise hinsichtlich der Fragen, ob das zukünftige Produkt die gewünschten Leistungs-
merkmale erreichen wird, ob die Bedürfnisse potentieller Kunden angesprochen werden
können oder ob der Projektzeitplan eingehalten werden kann. Dieser Umstand ist nicht
nur darauf zurückzuführen, dass Innovationen Gebrauch von neuen, z. T. unvollständig
verstandenen Technologien machen und die Nachfrage, die sie befriedigen wollen, erst
noch generieren müssen, sondern auch darauf, dass sie gerade auf die Destabilisierung
von Märkten und die Erzielung überdurchschnittlicher Erträge ausgerichtet sind.106
Die zentrale Aufgabe des projektbezogenen Risikomanagement liegt im Erkennen und
Analysieren potentieller Projektrisiken sowie in der Risikohandhabung, d. h. dem Initiieren
und Implementieren von Maßnahmen zur Minimierung dieser Risiken und ihrer möglichen
Folgen.107 Diese beiden Aufgabenbündel werden in folgenden Absätzen näher betrachtet.
103
Kupsch (1995), S. 530.
104
von Werder (1992), Sp. 2212.
105
Farny (1989), Sp. 1751.
106
Branscomb und Auerswald (2001), S. 3.
107
Farny (1989), Sp. 1751ff.; Keizer und Vos (2003), S. 5; Kupsch (1995), S 534ff.; von Werder (1992),
Sp. 2213f.; Wideman (1998), S. 138f.
Risikoerkennung und -analyse Die Risikoerkennung dient der Identifizierung bisher

noch unbekannter Gefahren. Angesichts der Neuartigkeit der zu entdeckenden Schadens-
quellen ist die Erkennung von Risiken zum einen ein kreativer Prozess, der beispielsweise
durch Kreativitätstechniken unterstützt werden kann, erfordert zum anderen aber auch
die systematische Sammlung und Auswertung von Informationen über mögliche Risiken,
beispielsweise anhand von Checklisten.108
Erkannte Risiken sind im Rahmen des Projekt-Risikomanagement anschließend zu
analysieren und zu bewerten. Im Vordergrund steht hier idealtypischerweise die Ermitt-
lung der Lage- und Streuungsparameter von Ergebnisverteilungen, d. h. Wahrscheinlich-
keitsverteilungen der Ergebnisse wirtschaftlichen Handelns.109 In der Praxis ist dieser
Aspekt jedoch aufgrund unvollkommener Informationen mit großen Schwierigkeiten ver-
bunden, so dass häufig auf eine Bestimmung von Wahrscheinlichkeitsverteilungen verzich-
tet wird und stattdessen diskrete Schadensszenarien, beispielsweise die aus einer bestimm-
ten Ursache resultierenden Maximalschäden (Worst Case), quantifiziert werden.110 Zur
systematischen Risikoanalyse ist neben Fachkenntnissen aus den verschiedensten Diszipli-
nen auch ein zuverlässiges Urteilsvermögen für die Quantifizierung von Risikowahrschein-
lichkeiten erforderlich. Hierfür wurden eine Reihe unterstützender Methoden entwickelt,
so z. B. Potential Problem Analysis, Fault Tree Analysis oder Failure Mode and Effects
Analysis (FMEA).111
Risikohandhabung Im Rahmen der Risikohandhabung erfolgt die Auswahl, Durch-

führung und Kontrolle der Maßnahmen zur Bewältigung der identifizierten Risiken, wobei
zwischen ursachenbezogener und wirkungsbezogener Risikopolitik zu unterscheiden ist.
Die ursachenbezogene Risikopolitik zielt auf die Beseitigung von Schadensursachen ab.
Dies kann durch zusätzliche Informationsgewinnung, bespielsweise intensivere Marktbe-
obachtung, geschehen, durch Risikomeidung, also den Verzicht auf bestimmte Handlungs-
alternativen, oder aber durch Risikoverhütung.112 Risikoverhütung ist darauf ausgerichtet,
die Eintrittswahrscheinlichkeit des Risikofalles zu mindern, indem sie die Ausgangsrisikola-
ge in eine als minder gefährlich eingeschätzte Risikolage überführt, ohne dabei vollständig
auf die risikobehaftete Handlungsalternative zu verzichten.113
Wirkungsbezogene Risikopolitik ist auf Verlustverkürzung im Risikofall sowie auf Ver-
108
von Werder (1992), Sp. 2213.
109
Vgl. Browning et al. (2002), S. 446f. für ein Anwendungsbeispiel, das kontinuierliche Wahrscheinlich-
keitsverteilungen zur Risikoquantifizierung verwendet.
110
Farny (1989), Sp. 1751f.; Madauss (1995), S. 683f.
111
Keizer und Vos (2003), S. 3f.
112
Kupsch (1995), S. 536.
113
Farny (1989), Sp. 1754.
4.3. Steuerung von Innovationsvorhaben 75
lustvorsorge zur Herabsetzung von Verlustwirkungen ausgerichtet. Eine Verlustverkürzung

kann beispielsweise dadurch erfolgen, dass Risiken durch Garantiebedingungen, Ver-
tragstrafen, etc. begrenzt werden, dass sie mit anderen Geschäftspartner geteilt werden
oder dass sie auf Versicherungen übertragen werden.114 Eine Verlustvorsorge dagegen kann
u. a. dadurch erfolgen, dass ein Verlustausgleich geplant wird, beispielsweise durch die
Zusammenfassung mehrerer gegenläufiger Risiken, die sich in ihrer Wirkung tendenziell
ausgleichen (Hedging).115
Erfolgswirkung bei innovativen Projekten Wie die Businessplanung stellt auch

die Risikoerkennung und -analyse einen Prozess der Informationsbeschaffung und -ver-
arbeitung dar. Damit ist zu vermuten, dass Maßnahmen des Risikomanagement gerade
bei hochinnovativen, von hoher Unsicherheit gekennzeichneten Projekten eine besondere
Erfolgswirkung ausüben. Dies kommt auf der einen Seite dadurch zum Ausdruck, dass
Maßnahmen der Risikoanalyse und -handhabung zu einem strukturierteren und stabile-
ren Implementationsprozess führen und damit indirekt den Vorhabenserfolg steigern, auf
der anderen Seite aber auch dadurch, dass speziell die Maßnahmen der Risikohandha-
bung durch Verlustvermeidung und -verkürzung direkt einen positiven Einfluss auf den
Projekterfolg ausüben. Somit können die folgenden Aussagen festgehalten werden:
Aussage 4.9: Je intensiver das Risikomanagement erfolgt ist, desto struktu-

rierter und stabiler kann die Projektsteuerung in der Durchführungsphase ab-
laufen. Mit zunehmendem Innovationsgrad wird dieser Zusammenhang stärker
ausgeprägt sein (positiver Interaktionseffekt).
Aussage 4.10: Je intensiver das Risikomanagement erfolgt ist, desto höher

fällt der Projekterfolg aus. Mit zunehmendem Innovationsgrad wird dieser Zu-
sammenhang stärker ausgeprägt sein (positiver Interaktionseffekt).
4.3 Steuerung von Innovationsvorhaben
4.3.1 Methoden formeller Projektsteuerung
Fortschrittskontrolle und Steuerungsgrößen Die fortlaufende Beobachtung und

Bewertung des Projektfortschrittes ist eine der zentralen Aufgaben im Rahmen der Pro-
jektsteuerung.116 Da nicht grundsätzlich davon ausgegangen werden kann, dass gesetzte
114
Kupsch (1995), S. 538f.
115
Brealey und Myers (1996), S. 707ff.
116
Gerwin und Moffat (1997); Pinto und Prescott (1988); Pinto und Prescott (1990); Steckler und Fondas
(1995).
Ziele auch erreicht werden, muss eine Erhebung des aktuellen Zielerreichungsgrads sowie
ein Vergleich mit den ursprünglich gesetzten Anspruchsniveaus erfolgen, um Abweichun-
gen zu ermitteln. Inakzeptable Planabweichungen oder Planrevisionen aufgrund neuer
Erkenntnisse können eine umfassende Neubewertung auslösen und dadurch zu einer deut-
lichen Anpassung der Ressourcenausstattung des Projektes oder sogar zu seinem Abbruch
führen.117
Bei der Gestaltung der Projektsteuerung ist grundsätzlich zu klären, zu welchen Zeit-
punkten Innovationsvorhaben beurteilt werden sollten, damit jeweils ein wohlbegründetes
Urteil über den erzielten Fortschritt sowie eine Entscheidung über Weiterführung, Res-
sourcenanpassung oder Abbruch des Projektes gefällt werden kann.118 Nach den obenste-
henden Ausführungen zur Projektplanung bieten sich hierfür die Meilensteine an, die für
jedes Innovationsvorhaben individuell zu bestimmen sind und sich nicht aus einem allge-
meingültigen Prozessschema ableiten lassen. Zur Verfolgung des Projektverlaufes werden
diese Meilensteine häufig samt der sie vorbereitenden Aktivitäten in Balken- oder Netz-
plänen zusammengefasst. Zwar kann der Einsatz dieser Methoden – wie oben erwähnt
– aufgrund der geringen Determinierbarkeit von Innovationsprojekten mit Schwierigkei-
ten verbunden sein. Wurden sie jedoch im Rahmen der Planung eingesetzt, dann muss
auch tatsächlich anhand dieser Pläne geführt werden; der Einsatz als Alibifunktion zur
Dokumentation der bisher geleisteten Aufgabenpakete würde sich schnell als zeit- und
kostenintensives Instrumentarium erweisen.119
Die Fortschrittskontrolle erstreckt sich über die gesamte Laufzeit des Entwicklungs-
vorhabens und erfasst als Beurteilungsdimensionen meist produkt-, markt- und zeitbezo-
gene Zielgrößen.120 Hart et al. (2003) haben systematisch untersucht, welche Größen von
Unternehmen in der Praxis zur Steuerung von Entwicklungs- und Innovationsvorhaben
eingesetzt werden, und konnten nachweisen, dass sich deren Verwendung und Gewichtung
über den Projektverlauf stark verändert. Werden anfangs noch insbesondere das Markt-
potenzial und die technische Realisierbarkeit einer Innovation beurteilt, gewinnt mit fort-
schreitender Projektrealisierung und Informationsverfügbarkeit an späteren Meilensteinen
zunehmend die Kontrolle von Produktleistung, Qualität und Budgeteinhaltung an Be-
deutung. Soll mit anderen Worten ein mehrdimensionaler Vorhabenserfolg erzielt werden,
muss auch eine entsprechend differenzierte Menge von Steuerungsgrößen eingesetzt wer-
den, da durch die Verwendung einer bestimmten Steuerungsgröße die Zielerreichung in der
117
Lange (1993), S. 15.
118
Brown und Svenson (1988), S. 12; von Hippel (1990), S. 407ff.
119
Bullinger (1996b), S. 45.
120
Tymon (1986), S. 236.
entsprechenden Erfolgsdimension gefördert wird.121 Dabei ist wiederum davon auszuge-

hen, dass dieser Zusammenhang mit zunehmendem Innovationsgrad schwächer ausgeprägt
ist, so dass die folgende Aussage gerechtfertigt erscheint:
Aussage 4.11: Je stärker bestimmte Steuerungsgrößen im Rahmen der Pro-

jektsteuerung verwendet werden, desto höher ist die Zielerreichung in den kor-
respondierenden Erfolgsdimensionen. Je höher der Innovationsgrad eines Pro-
jektes ist, desto schwächer wird dieser Zusammenhang ausgeprägt sein (nega-
tiver Interaktionseffekt).
Klare Abbruchkriterien Im Einführungskapitel der vorliegenden Arbeit wurde

herausgestellt, dass Ertragskraft und Marktwert einer Firma durch die Initiierung
von Neuproduktvorhaben gesteigert werden können. Während die Identifikation und
Ausschöpfung von Innovationspotentialen damit eine zentrale Managementaufgabe dar-
stellt, ist es ebenso wichtig, wenig aussichtsreiche Projekte rechtzeitig als solche zu
identifizieren und zu beenden, um unnötige Ressourcenbindung zu minimieren.122
Entscheidungen über den Abbruch wichtiger, prestigeträchtiger Projekte erfolgen in
der Praxis meist nicht nach einem objektiven entscheidungstheoretischen Kalkül, da sie
mit besonderen Probleme behaftet sind. Ein Projektabbruch wird oft als Fehler des Ma-
nagement hingestellt – ein Makel, den dieses ungern in Kauf nimmt, sondern stattdessen
eher an wenig aussichtsreichen Projekten festhält.123 Verschiedene Ursachen stoßen einen
Prozess an, der als Throwing Good Money after the Bad“ bzw. Commitment to a Lo-
” ”
sing Course of Action“ bezeichnet wird.124 Eine dieser Ursachen kann in der fälschlichen
Berücksichtigung von Sunk Costs begründet liegen, die einen Entscheidungsträger da-
zu führen kann, in der schwachen Hoffnung auf zukünftige Gewinne an einer Enschei-
dung festzuhalten, die sich bis zu diesem Zeitpunkt als verlustreich erwiesen hat.125 In
ähnlicher Weise kann Selbstrechtfertigung dazu führen, dass ein Manager lieber an einem
wahrscheinlich aussichtlosen Produktentwicklungsprojekt festhält, als eine frühere Ent-
scheidung zu revidieren und damit einen möglicherweise karriereschädigenden Mißerfolg
einzugestehen.126
121
Hart et al. (2003), S. 24f.
122
Avlonitis et al. (1999), S. 41.
123
Balachandra (1994), S. 451.
124
Vgl. Simonson und Staw (1992) für eine grundlegende Übersicht.
125
Whyte (1986).
126
Schmidt und Calantone (2002), S. 106; Staw und Ross (1987), S. 70.
Im Rahmen empirischer Studien und Experimente konnte gezeigt werden, dass die
Gefahr solche Fehlentscheidungen mittels verschiedener Entscheidungshilfen deutlich ver-
ringert werden kann.127 Zu den effizientesten Mechanismen gehört dabei die Definition
einer objektiven Entscheidungsregel, die vor Beginn des Entscheidungsprozesses festzu-
legen ist und eindeutig ermittelt, wann eine Abbruchentscheidung zu treffen ist.128 Als
Konsequenz für die erfolgsorientierte Steuerung von Innovationsprojekten kann damit die
Forderung abgeleitet werden, dass bereits im Rahmen der Projektplanung unter Partizi-
pation des Projektteams eindeutige Kriterien oder Szenarien zu definieren sind, die einen
Abbruch des Vorhabens nach sich ziehen. Hierdurch kann das Risiko gemindert werden,
dass unternehmerische Wahrnehmungsverzerrungen die Fortführung aussichtsloser Pro-
jekte verursachen. Dieser Aspekt der Risikominderung kann auch herangezogen werden,
um die folgende, statistisch geprägte Aussage zu formulieren:
Aussage 4.12: Die Formulierung klarer Abbruchkritieren und ihre Berück-

sichtigung im Rahmen der Projektsteuerung steigert im statistischen Mittel
über eine große Zahl von Innovationsvorhaben den durchschnittlich realisierten
Finanzerfolg dieser Projekte.
Diese Aussage ist aus zwei Gründen bewusst restriktiv formuliert. Erstens lässt sich für
abgebrochene Projekte kein umfassendes Erfolgsmaß ermitteln, da sich die tatsächliche
Erreichung von Markt-, Technik- und Zeitzielen durch den Abbruch vor Beginn der
Markteinführung nicht beurteilen lässt. Einzig ein Finanzerfolg“ lässt sich auf der Ba-
”
sis der bereits durch das Projekt verursachten Kosten beurteilen. Zweitens lässt sich im
Rahmen eines weit verbreiteten und auch im Rahmen dieser Arbeit verwendeten Unter-
suchungsdesigns, das den Erfolg tatsächlich durchgeführter, nicht abgebrochener Projekte
untersucht, kein direkter Erfolgszusammenhang auf Einzelprojektebene feststellen. Abge-
brochene Projekte werden im Rahmen einer solchen Untersuchung nicht berücksichtigt,
während die Formulierung von Abbruchkriterien keinen Einfluss auf die Zielerreichung bei
erfolgreich verlaufenden Vorhaben hat.
4.3.2 Formelle versus organische Steuerung bei innovativen Projekten
Im letzten Abschnitt wurden verschiedene Aspekte formeller Projektsteuerung vorgestellt,

deren Verwendung bei der Führung von Projekten im Allgemeinen sowie von Technologie-
und Innovationsprojekten im Speziellen gemeinhin als erfolgsförderlich angesehen wird.
Gerade bei hochinnovativen Vorhaben stellt sich jedoch die Frage, inwieweit ein hoher
127
Vgl. u. a. Boulding et al. (1997), S. 171ff.
128
Boulding et al. (1997), S. 166; Simonson und Staw (1992), S. 420.
Formalisierungsgrad der Projektsteuerung mit dem Bedürfnis nach Flexibilität und krea-
tivem Freiraum im Rahmen des Innovationsprozesses verträglich ist.129 Unter Formalisie-
rung der Projektsteuerung soll dabei im Folgenden der Grad verstanden werden, zu dem
Zielvorgaben, Prozeduren und Entscheidungsregeln den Ablauf des Innovationsvorhabens
bestimmen. Ein hoher Formalisierungsgrad äußert sich meistens durch die Verwendung ei-
nes Stage-Gate Prozessmodells, das den Entwicklungsprozess in klare Phasen gliedert und
formelle Bewertungen des Projektfortschrittes an bestimmten Meilensteinen beinhaltet.
Prozessformalisierung kann die Effektivität eines Innovationsprozesses dadurch stei-
gern, dass regelmäßige Kontrollen und Reviews den Projektmitgliedern ein Gefühl von
Struktur und Ordnung vermitteln und die Unsicherheit darüber verringern, wer welche
Aufgaben mit welcher Dringlichkeit zu erfüllen hat.130 Zielvorgaben und Bewertungen
können weiterhin motivierende Wirkung haben und geben den Projektmitgliedern die
Möglichkeit, den Status des Vorhabens und den bisher erreichten Fortschritt zu beurtei-
len. Auf der anderen Seite können sich konkrete Zielvorgaben und Arbeitspläne jedoch
auch als hinderlich erweisen, da sie das Innovationsvorhaben in eine vorgegebene Rich-
tung lenken und es nur in eingeschränktem Maße zulassen, auf die unvorhergesehenen
Umstände zu reagieren, die häufig im Rahmen solcher Projekte auftreten können.131
Angesichts dieser Spannungen wurde zuletzt in einer Reihe von Veröffentlichungen die
Erfolgswirkung von tendenziell formell-mechanistischen“ Steuerungsmechanismen mit
”
der von eher organisch-partizipativen“ Methoden zur Führung von Innovationsprojek-
”
ten kontrastiert, so u. a. von Olson et al. (1995), Tatikonda und Montoya-Weiss (2001),
Bonner et al. (2002) und Lewis et al. (2002). Organisch-partizipative Steuerungsmodel-
le verlassen sich weniger auf plan- und weisungsorientiertes Vorgehen, sondern stellen
stärker die Kreativität, Flexibilität und Improvisationsgabe der Projektmitglieder in den
Vordergrund, wobei die betriebswirtschaftliche Theoriebildung vor allem Erkenntnisse
aus eklektischen Studien des Gruppenverhaltens im Rahmen von Jazz- und Theater-
aufführungen, Mannschaftssportarten oder Feuerwehreinsätzen bezieht.132 Im Rahmen der
theoretischen Diskussion kommen die genannten Veröffentlichungen zu dem Ergebnis, dass
ein hoher Grad der Prozessformalisierung dann angemessen ist, wenn Ursache-Wirkungs-
Zusammenhänge bekannt und zeitlich stabil sind.133 Unter dieser Voraussetzung können
formelle Steuerungsmethoden eine motivierende Wirkung ausüben und eine effiziente Pro-
jektdurchführung bewirken. Da bei hochinnovativen Projekten hingegen die relevante Wis-
129
Bonner et al. (2002), S. 234.
130
Tatikonda und Montoya-Weiss (2001), S. 156.
131
Eisenhardt und Tabrizi (1995), S.
132
Vgl. u. a. Dougherty (1992), Moorman und Miner (1998) und Weick (1998).
133
Ouchi (1979), S. 838ff.
senbasis des Unternehmens oft klein ist und in nur sehr geringem Maße Erfahrungen aus
vergleichbaren Projekten übertragen werden können, kann sich hier ein hoher Grad der
Prozessformalisierung sogar deutlich negativ auf den Vorhabenserfolg ausüben, da er die
Handlungsfreiheit des Projektteams und die Kreativität der Problemlösung zu stark ein-
schränkt.134 Zusammenfassend soll daher die folgende Aussage festgehalten werden:
Aussage 4.13: Ein hoher Grad der Prozessformalisierung wirkt erfolgsstei-

gernd bei inkrementellen Innovationsvorhaben und erfolgshemmend bei hoch-
innovativen Vorhaben.
4.3.3 Kontinuität versus Flexibilität bei innovativen Projekten
Vor Beginn der Durchführungsphase sollten nach Möglichkeit die strategische Stoßrich-
tung sowie die zentralen Projektziele festgelegt sein.135 Gerade bei innovativen Vorhaben
treten jedoch im Projektverlauf häufig umweltbedingte Veränderungen und technische
Unwägbarkeiten auf, die einen gewissen Grad an Zielflexibilität erforderlich erscheinen
lassen.136 Wesentliche Planungsgrößen, die ursprünglich in die Produktdefinition einge-
flossen sind, können sich im Laufe des Projektes ändern. Wettbewerber können Konkur-
renzprodukte in den Markt einführen, Kundenbedürfnisse können sich verschieben, und
regulatorische Auflagen können erleichtert oder verschärft werden. Solche Veränderungen
stellen große Herausforderungen an die Projektsteuerung, da voreilige bzw. ungeschickte
Änderungen einzelner Zielgrößen und Aspekte der Produktdefinition zu Verzögerungen bei
der Markteinführung, zu Überschreitungen des Projektbudgets oder sogar zum Scheitern
des Gesamtprojektes führen können.137
Projektteams sollten daher grundsätzlich in die Lage versetzt werden, die ur-
sprünglichen Ziele im Projektverlauf kritisch zu hinterfragen und gegebenenfalls an
geänderte Randbedingungen anzupassen.138 Ändern sich die Projektziele jedoch wie-
derholt im Projektverlauf, so kann dies Konfusion und Frustration bei den Projektmit-
gliedern auslösen, die Teamkreativität mindern sowie die Qualität und den Markterfolg
des resultierenden Produktes beeinträchtigen.139 So ist beispielsweise im Rahmen von
Produktentwicklungsprojekten sorgfältig abzuwägen, ob Änderungen am aktuellen Pro-
duktkonzept noch gerechtfertigt sind oder eher Anpassungen in Nachfolgeprodukten nach
134
Bonner et al. (2002), S. 238; Lewis et al. (2002), S. 552.
135
McDonough (2000), S. 223.
136
Barczak und Wilemon (1989).
137
Bacon et al. (1994), S. 47.
138
Marks et al. (2001), S. 365; Urban und Hauser (1993), S. 50f.
139
Bonner et al. (2002), S. 238; Lynn und Akgün (2001), S. 382.
4.4. Erfolgsbeurteilung von Innovationsvorhaben 81
sich ziehen sollten. Es kommt also wesentlich darauf an, die richtige Balance zwischen in-
tensiver Frühphasenplanung und fortlaufenden Zielanpassungen, zwischen endgültigen“
”
Entscheidungen und absichtlich verfolgten Parallelentwicklungen zu finden.140 Die Suche
nach einer solchen Balance ähnelt der Gratwanderung zwischen formeller und organischer
Projektsteuerung, die im letzten Abschnitt dargestellt wurde.
Bei Innovationsprojekten stellt sich dabei die grundsätzliche Frage, ob stabile Zie-
le überhaupt realisierbar und wichtig sind.141 Aufgrund der typischerweise hohen Un-
sicherheiten können sich anfänglich entwickelte Pläne schnell als obsolet erweisen und
Änderungen unterliegen. Fehlende Kontinuität im Rahmen der Projektimplementation er-
weist sich in einem solchen Umfeld unter Umständen dann nicht als erfolgskritisch, wenn
sich ein Innovationsprojekt auch auf anderen, zu Projektbeginn noch nicht absehbaren
Wegen zum Erfolg führen lässt.142 Auf der anderen Seite können mit hoher Unsicherheit
konfrontierte Entscheidungsträger nur schwer Vorhersagen über ihre Umwelt treffen und
tendieren dazu, auf Signale, die sie aus dieser Umwelt empfangen, überzureagieren. Es
besteht damit die Gefahr, dass Projekte unter solch unsicheren Rahmenbedingungen zu-
nehmend von reaktionären Verhaltensweisen geprägt sind und ihren strategischen Fokus
verlieren. Vorhaben, die es hier schaffen, ihren strategischen Fokus zu bewahren, sind
als erfolgsträchtiger einzuschätzen als solche, die zum Spielball spontaner Strategiewech-
sel werden.143 Verschiedene Fallstudienuntersuchungen können entsprechend belegen, dass
auch hochgradige Innovationen von stabilen, im Projektverlauf möglichst konstanten Ziele
profitieren.144 Damit kann die folgende Vermutung festgehalten werden:
Aussage 4.14: Die Kontinuität der Projektsteuerung im Sinne von geringen

Ziel-, Plan- und Ressourcenänderungen hat unabhängig vom Innovationsgrad
des Vorhabens eine positive Erfolgswirkung.
4.4 Erfolgsbeurteilung von Innovationsvorhaben
4.4.1 Perspektiven der Erfolgsbeurteilung
Für die vorliegende Untersuchung ist der Innovationserfolg – oder genauer: der Erfolg
von Innovationsprojekten – insofern eine zentrale Größe, als sie im empirischen Teil zur
Effizienzbeurteilung der Planungs- und Steuerungsaktivitäten herangezogen wird. Hierbei
140
Khurana und Rosenthal (1997), S. 114.
141
Lynn und Akgün (2001), S. 381.
142
Dutton und Webster (1988), S. 664.
143
Covin und Slevin (1998), S. 217; Romanelli (1987), S. 174.
144
Billing (2003); Lynn und Akgün (2001), S. 381; Rice et al. (2001), S. 54.
steht zunächst das wissenschaftliche Interesse aus dem Blickwinkel der Erfolgsfaktoren-
forschung im Vordergrund. Angesichts der hohen Investitionen, die mit der Entwicklung
neuer Produkte oder mit Innovationsvorhaben im allgemeineren Sinne verbunden sind,
ist es jedoch auch für Unternehmen und ihre Stakeholder wichtig, den Erfolg der Inno-
vationsaktivitäten auf Unternehmens-, Abteilungs- und Projektebene messen zu können.
Ähnlich wie beim Innovationsgrad handelt es sich also auch beim Innovationserfolg um
ein vielschichtiges Konzept, das aus einer Reihe unterschiedlicher Perspektiven betrachtet
werden kann.
Um ein vollständiges Messkonzept für den Innovationserfolg zu definieren, müssen

der Messbereich, das Messsubjekt, der Messzeitpunkt sowie die Messdimensionen und ih-
re Referenzgrößen spezifiziert werden.145 Hinsichtlich des Messbereichs ist zu klären, auf
welches Objekt Bezug genommen wird und auf welcher Ebene der Erfolg bestimmt wer-
den soll. Volkswirtschaftliche oder industrieökonomische Ansätze beziehen sich auf ganze
Nationen oder Branchen und messen dort als zentrale Erfolgsgrößen beispielsweise den
technischen Fortschritt.146 In der Betriebswirtschaftslehre sind dagegen in der Vergangen-
heit insbesondere Maße für die Effizienz und Effektivität von Forschung und Entwicklung
auf Unternehmensebene diskutiert worden. In einer mittlerweile schwer überschaubaren
Vielzahl von Veröffentlichungen hat sich hierbei das Hauptinteresse v. a. auf Kennzahlen-
systeme gerichtet, die eine schnelle Erfassung der R&D Productivity“ und ihrer Treiber
”
erlauben sollen.147 In deutlich geringerem Umfang sind dagegen die Dimensionen des In-
novationserfolgs auf Projektebene in der betriebswirtschaftlichen Diskussion thematisiert
worden, was angesichts der großen Zahl der auf dieser Ebene angesiedelten Erfolgsfakto-
renstudien erstaunlich ist.148 In Anbetracht der zentralen Forschungsfragen der vorliegen-
den Arbeit wird im Folgenden ausschließlich diese Vorhabensebene des Innovationserfolgs
weiter diskutiert.
Auch wenn man sich ausschließlich auf das Einzelvorhaben fokussiert, bleibt der Inno-
vationserfolg ein vielschichtiges Konstrukt, das zu unterschiedlichen Zeitpunkten aus den
145
Gemünden (1990), S. 8f.; Hauschildt (1991), S. 466; Kerssens-van Drongelen und Cook (1997), S.
351ff.
146
Vgl. hierzu Grupp (1994) sowie Grupp (1997), v. a. Kapitel 3 und 4. Beispiele für solche Analysen
sind u. a. Solow (1957); Henderson (1993); Henderson und Cockburn (1996); Iansiti und West (1999).
147
Vgl. hierzu u. a. Brown und Svenson (1988); Cordero (1990); Kerssens-van Drongelen und Cook
(1997); Foster et al. (1985); Hertenstein und Platt (2000); McGrath und Romeri (1994); Pappas und
Remer (1985); Pearson et al. (2000); Schoenecker und Swanson (2002); Schumann et al. (1995).
148
Hauschildt (2004), S. 501. Diese überproportionale Fokussierung der Forschung auf die Erfolgsbe-
urteilung auf Unternehmensebene wird auch durch die empirischen Befunde von Griffin und Page
(1993), S. 303 bestätigt.
unterschiedlichen Perspektiven diverser Messsubjekte heraus beurteilt werden kann.149

Betrachtet man beispielsweise Innovationen als mit hoher Unsicherheit behaftete Inve-
stitionen, so kann man aus einer Investorenperspektive schon vor Eintritt in das Projekt
nach dem erwarteten finanziellen Ergebnis fragen. Ein Innovator oder Innovationsmanager
wird dagegen den Erfolg eher in späten Projektphasen anhand von technischen Indika-
toren beurteilen, während ein Controller eine vermittelnde Funktion einnimmt: Für die
fortlaufende Kontrolle der Leistungs- und Zeitziele muss er zwangsläufig auch technische
Informationen berücksichtigen, ohne dass er dabei aber seine ökonomische Grundperspek-
tive aufgeben darf. Neben den in der betriebswirtschaftlichen Praxis vertretenen Perspek-
tiven lässt sich noch eine Wissenschaftsperspektive identifizieren, die das Konstrukt In-
”
novationserfolg“ als abhängige Variable zur Effizienzbeurteilung der jeweils untersuchten
Managementpraktiken heranzieht.150
Bevor jedoch wissenschaftlich valide Aussagen über mögliche Erfolgsfaktoren getrof-
fen werden können, muss zunächst genau definiert werden, was unter Erfolg“ zu verste-
”
hen ist.151 Hierbei kann die Auswahl der relevanten Erfolgsdimensionen in Abhängigkeit
von den jeweiligen Forschungsinteressen stark unterschiedlich ausfallen.152 Die Interakti-
on zwischen Unternehmenspraxis und empirischer Wirtschaftsforschung führt zwar dazu,
dass die wissenschaftliche Erfolgsmessung z. T. auf die Kategorien und Beurteilungsstan-
dards der Praxis zurückgreift,153 dennoch bestehen systematische Differenzen zwischen
den von Wissenschaftlern und Praktikern verwendeten Erfolgsmaßen. Griffin und Page
(1993) konnten in einer maßgeblichen Veröffentlichung zu diesem Themenkreis nachwei-
sen, dass zwar beide Gruppen gleichermaßen die Erreichung von Umsatz- und Renta-
bilitätszielen nachhalten, Firmenvertreter jedoch daneben insbesondere Marktanteil und
Kundenzufriedenheit messen, während Wissenschaftler stärkeren Wert auf die Produkt-
leistung und die Entwicklungsgeschwindigkeit legen.154
Es wird also deutlich, dass kein Konsens darüber besteht, welche Dimensionen für die
Beurteilung des Innovationserfolgs auf Vorhabensebene relevant sind und durch welche
Messgrößen sie zu operationalisieren sind. Daher soll im folgenden Abschnitt zunächst ei-
ne Abgrenzung unterschiedlicher Erfolgsdimensionen auf Vorhabensebene vorgenommen
149
Vgl. Freeman und Beale (1992), S. 8 sowie Hauschildt (1991), S. 452f. zur folgenden Darstellung
idealtypischer Perspektiven.
150
Vgl. March und Sutton (1997) zu einer grundlegenden Kritik an der Verwendung von Performance
als abhängige Variable. Vgl. hierzu auch die Anmerkungen in Abschnitt ??.
151
Gemünden (1990), S. 8.
152
Vgl. hierzu die entsprechenden Angaben in den Tabellen 5.1, 5.3 und 5.5 der vorliegenden Arbeit sowie
Hauschildt (1991), Tabelle 1 für Gegenüberstellungen verschiedener Erfolgsoperationalisierungen in
empirischen Innovationsstudien.
153
154
Griffin und Page (1993), S. 299.
werden, bevor in Abschnitt 4.4.3 eine Übersicht über empirische Studien zur Erfolgsmes-
sung gegeben wird.
4.4.2 Abgrenzung Innovationserfolg und Projekteffizienz
Eine unabdingbare Voraussetzung für die Erfolgsbeurteilung von Innovationsvorhaben ist

zunächst eine begriffliche Präzisierung dessen, was unter Erfolg verstanden werden soll.155
Obwohl gerade Innovationsprojekte von zentraler Bedeutung für die strategische Entwick-
lung von Organisationen sind (vgl. Abschnitt 1.1), gehen die Erfolgsdefinitionen hier weit
auseinander und orientieren sich nur selten an übergeordneten Ziele, wie beispielsweise
dem Unternehmenserfolg.156 So ist es in der Literatur zum Projektmanagement üblich, den
Projekterfolg verkürzend durch die Dimensionen Zeit, Kosten und Qualität zu erfassen,
die auch als Zieltrio“, goldenes Dreieck“ oder magisches Dreieck“ bezeichnet werden.157
” ” ”
Dabei gibt es eine Vielzahl von Beispielen, die belegen, dass auch Projekte, die diese Ef-
fizienzziele deutlich verfehlen, sich langfristig als einzigartig erfolgreich erweisen können,
so beispielsweise die erste Generation des Windows-Betriebssystems von Microsoft oder
das Sydney Opera House.158 Die Fokussierung auf die durch das Zieltrio“ erfasste Pro-
”
jekteffizienz kann zu einer starken Betonung kurzfristiger Ziele unter Vernachlässigung
der längerfristig entscheidenden Interessen unterschiedlicher Stakeholder führen.159
Statt nur auf die Effizienz der Projektausführung zu achten, sollte der eigentliche
Innovationserfolg weiter gefasst sein und die tatsächlichen Resultate des Vorhabens be-
urteilen, also als Beurteilungsmaßstab die zentralen Zielen heranziehen, die ursprünglich
für das Projekt definiert wurden.160 Nur dadurch kann unterschiedlichen Beurteilungsob-
jekten und -perspektiven Rechnung getragen werden. So wird die Erfolgsbeurteilung bei
Projekten strategischer Natur nach anderen Kriterien erfolgen als bei solchen mit operati-
ver Ausrichtung, und entsprechend können auch die Ziele der zentralen Stakeholder u. U.
stark divergieren.161 Setzt man die ursprünglichen Projektziele als Referenzgrößen zur
Erfolgsbeurteilung an, so kann es allerdings eventuell als problematisch angesehen wer-
den, wenn der Erfolg als Grad der Zielerreichung – also relativ zu den selbst gesteckten
Zielen – gemessen wird. Sind beispielsweise die Gewinn- oder Umsatzziele von vornherein
155
Gemünden (1990), S. 8.
156
Liu und Walker (1998), S. 209; Shenhar et al. (2001), S. 700.
157
Vgl. u. a. Gardiner und Stewart (2000), S. 251ff.; Platz und Schmelzer (1986), S. 134ff.; Pleschak und
Sabisch (1996), S. 6.
158
Shenhar et al. (2001), S. 700.
159
Baccarini (1999), S. 25f.; Wateridge (1998).
160
Gemünden (1990), S. 9; Lechler (1997), S. 42.
161
Freeman und Beale (1992), S. 8; Hauschildt (1991), S. 452f.; Lim und Mohamed (1999), S. 243f.;
Shenhar et al. (2001), S. 703.
sehr niedrig gewählt, so gibt ihre Erreichung nicht notwendigerweise Aufschluss darüber,
ob das betreffende Projekt als erfolgreicher einzustufen ist als ein anderes Vorhaben des-
selben Unternehmens oder gar eines Wettbewerbers.162 Auf der anderen Seite erscheint
ein Zeit- oder Betriebsvergleich nicht weniger problematisch, da hier durch die Auswahl
eines geeigneten Vergleichsprojektes der Referenzzustand praktisch willkürlich bestimmt
werden kann. Hauschildt (2004) sieht daher in einem Vergleich des Innovationserfolgs mit
einem zuvor definierten Ziel den einzig rationalen Messvorgang.163
4.4.3 Empirische Befunde zu Dimensionen und Maßen des Innovationserfolgs
Um das komplexe Konstrukt Innovationserfolg“ besser zu verstehen, sind vor allem seit
”
Anfang der neunziger Jahre eine Reihe von Studien durchgeführt worden, die anhand
unterschiedlicher Methoden eine Sammlung und Klassifikation der verwendeten Mess-
größen vornehmen, vgl. Tabelle 4.1. Zwar kann eine solche Konzeptualisierung durch
”
Messung“ eine umfassende theoretische Diskussion nicht ersetzen und bleibt wahrschein-
lich unvollständig, dennoch kann die kritische Betrachtung der Messung einzelner Bereiche
des Konstrukts zu einem tiefergehenden Verständnis beitragen.164
Die Studien von Hauschildt (1991) und Griffin und Page (1993) ziehen für die Dis-
kussion relevanter Erfolgsdimensionen die von anderen Wissenschaftlern im Rahmen von
Erfolgsfaktorenstudien verwendeten Erfolgsmaße heran. Eine solche Vorgehensweise wird
auch in verschiedenen Studien zur Organizational Effectiveness auf Unternehmensebene165
gewählt und von Steers (1975, S. 546) wie folgt charakterisiert:
The perspective taken here is one of measurement; that is, it is argued that
”
a meaningful way to understand the abstract idea of effectiveness is to consi-
der how researchers have operationalized and measured the construct in their
work.“
Hauschildt (1991) stellt in einer vergleichenden Literaturanalyse die Erfolgsmessung bei

35 Studien zu Erfolgsfaktoren der Neuproduktentwicklung gegenüber und führt auf die-
ser Grundlage eine heuristische Bildung von Erfolgsdimensionen durch. Er unterscheidet
zunächst zwischen technischen und ökonomischen Effekten, die er jeweils in direkt und
indirekt untergliedert.166 In einer dritten Dimension fasst er sonstige“ Effekte zusammen,
”
162
Ernst (2001), S. 168.
163
164
Cameron und Whetten (1983), S. 267.
165
Vgl. u. a. Kanter und Brinkerhoff (1981) sowie Venkatraman und Ramanujam (1986) für eine Syste-
matisierung und Zusammenfassung der Forschung zum Erfolgsbegriff auf Unternehmensebene.
166
die vor allem die Erfüllung individueller Sozialziele betreffen. Inhaltlich kann an dieser
Systematik bemängelt werden, dass sie das Spektrum an Erfolgsmaßen, das in den unter-
suchten Veröffentlichungen verwendet wird, nur unvollständig erfasst. So werden Aspekte
der Projekteffizienz, also beispielsweise die Einhaltung von Projektzeitplan und -budget,
nicht berücksichtigt und der marktbezogene Erfolg nur in Form des Umsatzes erfasst,
Maße für die Kundenzufriedenheit werden dagegen gar nicht berücksichtigt. Hinsichtlich
der Methodik dieser Arbeit haben Griffin und Page (1993) kritisiert, dass keine statisti-
sche Validierung der Ergebnisse erfolgt.167 Dieser Vorwurf ist jedoch nur bedingt haltbar,
da eine quantitative Auswertung nur durch eine meta-analytische Zusammenfassung ver-
schiedener Faktorenanalysen zum Vorhabenserfolg erfolgen könnte. Voraussetzung für eine
solche Analyse ist jedoch, dass in den Veröffentlichungen jeweils die Korrelationsmatrizen
berichtet werden,168 was aber in älteren Arbeiten der einschlägigen Fachzeitschriften nur
selten der Fall ist – zumal auf der Ebene einzelner Items.
Project-level core measures
Product Customer Financial
Launch on time Met revenue goals Profit goals

Met quality specs Met share goals Margin goals
Development cost Met unit volume goals Break-even time
Perform to specs Customer acceptance ROI / IRR
Speed to market Customer satisfaction
Revenue growth
Abbildung 4.2: Core Measures auf Projektebene nach Griffin und Page (1993). Die Häufigkeit, mit der
die Maße verwendet werden, nimmt je Dimension von oben nach unten ab. Quelle: Eigene Darstellung
basierend auf den Daten von Griffin und Page (1993), S. 297f.
Interessanterweise sehen sich Griffin und Page mit dem gleichen Problem konfrontiert.
Zwar führen die Autoren anhand einer Literaturanalyse eine umfangreiche Sammlung der
in der Wissenschaft verwendeten Erfolgsmaße durch, verdichten sie jedoch zunächst nur
durch Konsensbildung im Rahmen von Gruppendiskussionen mit anderen Wissenschaft-
lern zu Dimensionen. Die statistische Überprüfung dieser Dimensionen mittels Faktoren-
analysen basiert dagegen auf Fragebögen, die von 50 Managern während der PDMA-
167
Griffin und Page (1993), S. 295.
168
Vgl. Hunter und Schmidt (1990), S. 503. Die Durchführung einer Meta-Analyse von Faktoranalysen
wird von Becker (1996) erläutert.
Konferenz 1991 ausgefüllt wurden.169 Griffin und Page kommen im Ergebnis zu einer
produktbezogenen, einer kundenbezogenen und einer finanziellen Dimension des Innova-
tionserfolgs auf Vorhabensebene, denen sie insgesamt 16 sog. Core Measures zuordnen,
vgl. Abbildung 4.2.170 Als Core Measures bezeichnen sie dabei die Maße, die sowohl von
Innovationsforschern als auch von Firmen derzeit verwendet werden und die die Firmen
auch in Zukunft weiter verwenden wollen. Durch die umfassende Sammlung von Erfolgs-
maßen sowie die gleichzeitige Einbindung von Wissenschaftlern und Firmenpraktikern
haben Griffin und Page ein vergleichsweise breites und gut fundiertes Messkonzept für
den Vorhabenserfolg entwickelt, das den Ausgangspunkt für mehrere Nachfolgeuntersu-
chungen gebildet hat, die im wesentlichen Kontingenzüberprüfungen anstellen.171
Betrachtet man die von Griffin und Page gebildeten Erfolgsdimensionen, so fällt auf,
dass zwar die kundenbezogene (oder umfassender: marktbezogene) und die finanzielle
Dimension jeweils relativ homogen sind und ihr zugrundeliegendes Konzept weitgehend
abbilden, der produktbezogene Faktor dagegen eigentlich zwei separate Aspekte erfasst,
nämlich die Projekteffizienz (Entwicklungszeit und -kosten) auf der einen Seite und die
Erreichung von Produktzielen auf der anderen Seite. Dieser Eindruck wird tendenziell
durch die Untersuchung von DeCotiis und Dyer (1979) bestätigt, die ebenfalls eine Fakto-
renanalyse über Items zum Projekterfolg durchführen und dabei einen Faktor Projektef-
”
fizienz“ identifizieren, der eben die Zeitplan- und Budgeteinhaltung im Projektablauf
misst. Unglücklicherweise berichten Griffin und Page (1993) nicht das Faktorladungsmu-
ster, anhand dessen sie die drei Erfolgsdimensionen abgeleitet haben, so dass eine objektive
Beurteilung der Unidimensionalität ihrer Teilskalen nicht möglich ist.
Besser dokumentiert sind die Ergebnisse der Faktorenanalysen von Shenhar et al.
(2001), die anhand einer Stichprobe von 172 israelischen Projekten mit starkem Schwer-
punkt im Produktentwicklungsbereich vier Dimensionen des umfassend verstandenen
Konstrukts Projekterfolg“ ableiten. Vergleicht man anhand von Tabelle 4.1 die iden-
”
tifizierten Erfolgsdimensionen mit denen von Griffin und Page (1993), so tritt zunächst
am deutlichsten die neue Dimension Preparing for the Future hervor, deren Items zwar
inhaltlich über den von Griffin und Page (1993) gesteckten Rahmen hinausgehen, jedoch
teilweise keine echten Erfolgsaspekte, sondern eher Indikatoren der Innovationshöhe um-
fassen. Die Kundendimension fällt bei beiden Untersuchungen zwar grundsätzlich ähnlich
aus, ermittelt bei Shenhar et al. (2001) jedoch auch die Einhaltung der funktionellen
169
Griffin und Page (1993), S. 292f.
170
Das letzte der 16 Core Measures von Griffin und Page ist allerdings auf Firmenbene angesiedelt.
171
So untersuchen Story et al. (2001) die Anwendbarkeit des Messkonzeptes auf die (britische) Auto-
mobilzulieferindustrie, Hultink und Robben (1995) den Einfluss von Zeitperspektive, Markt, Inno-
vationsgrad und Strategie sowie Griffin und Page (1996) ebenfalls den Einfluss der Strategie auf die
jeweilige Wichtigkeit der Erfolgsgrößen.
und technischen Produktspezifikation, die bei Griffin und Page (1993) einen Aspekt des
produktbezogenen Faktors bilden. Die beiden übrigen Faktoren – Projekteffizienz und
Business Success – ähneln in ihrer Struktur stärker den entsprechenden Resultaten in der
Untersuchung von DeCotiis und Dyer (1979), da ihre jeweiligen Inhalte bei Griffin und
Page (1993) entweder gar nicht oder aber in anderen Faktoren berücksichtigt werden.
Insgesamt geht aus dem Vergleich der in Tabelle 4.1 aufgestellten Studien deutlich her-
vor, dass sich die verwendeten Erfolgsmaße zwar oft ähneln, ihre Verdichtung zu Dimen-
sionen jedoch immer wieder unterschiedlich ausfällt. Dass eine dimensionale Abgrenzung
der Erfolgsdimensionen mit Problemen verbunden ist, deuten dabei auch schon die hohen
Querladungen an, die bei der von Shenhar et al. (2001) berichteten Faktorenanalyse zu
Tage treten. Vor diesem Hintergrund soll im Rahmen der Konstruktoperationalisierung in
Kapitel 9 der vorliegenden Arbeit eine vergleichsweise große Zahl von Erfolgsindikatoren
untersucht und statistisch zu Dimensionen verdichtet werden. Durch methodische Itemse-
lektion soll dabei versucht werden, eine möglichst klare Trennung und Charakterisierung
der einzelnen Dimensionen zu erreichen.
Tabelle 4.1: Studien zur Erfolgsmessung bei Innovationsvorhaben
Publikation Ziel der Studie Empirische Basis Verfahren Befunde
DeCotiis Konzeptualisierung und Ope- 20 strukturierte In- Inhaltsanalyse der In- 5 Erfolgsdimensionen identifiziert:
und Dyer rationalisierung des Erfolgs terviews mit F&E- terviews, dann Fakto- (1) Manufacturability and Business Perfor-
(1979) von F&E-Projekten Mitarbeitern eines US- ranalyse über identifi- mance (u. a. Time-to-market, Profitabilität);
amerikanischen Großun- zierte Erfolgsitems (2) Technical Performance; (3) Efficiency
ternehmens (u. a. Zeitplaneinhaltung, Budgeteinhaltung,
Produktivität); (4) Personal Growth Experi-
ence (Projekt stellt interessante, herausfor-
dernde Erfahrung dar etc.); (5) Technologi-
cal innovativeness (u. a. entscheidender tech-
nischer Fortschritt)
Griffin und Identifikation aller verwende- 77 Publikationen aus 61 Group consensus pro- 75 unterschiedliche Erfolgsmaße wurden iden-
Page (1993) ten Erfolgsmaße sowie Bil- Forschungsprojekten cess, Faktorenanalyse tifiziert (46 aus Veröffentlichungen, 34 von Fir-
4.4. Erfolgsbeurteilung von Innovationsvorhaben
dung und Validierung zusam- 50 Fragebögen, ausfüllt men verwendet, 45 von Firmen als erstrebens-
menfassender Dimensionen von Managern auf der PD- wert eingeschätzt)
Einteilung der Maße danach, MA Konferenz 1991 16 Maße ( Core Measures“) sind in allen drei
”
ob sie von Innovationsfor- Kategorien vertreten
schern genutzt werden, ob sie Zuordnung der Maße zu 5 Kategorien: Firm
von Firmen tatsächlich ge- Benefit, Program Level, Product, Financial
nutzt werden oder ob Firmen Performance, Customer Acceptance
sie gern nutzen würden
Firmen nutzen im Mittel 4 Maße: 2 Custo-
mer Acceptance, 1 Financial, 1 Firm oder
Product Level. Innovationsforscher gewichten
Firm und Program Level stärker
(wird fortgesetzt)
89
90
(Fortsetzung)
Griffin und Analyse des Zusammenhangs 80 Manager aus dem Fragebögen beschrei- Met Profit Goals“, Competitive Advantage“
” ”
Page (1996) zwischen Projektstrategie Tätigkeitsfeld Produkt- ben Projekt- und und Customer Satisfaction“ gehören über al-
”
und verwendeten Maßen für entwicklung, die aktive Firmenstrategien, zu le Typen von Projektstrategien zu den meist-
Projekterfolg Mitglieder der PDMA denen die Studien- genutzten Maßen, daneben werden je nach
Analyse des Zusammenhangs oder der NPD Common teilnehmer jeweils die Projekttyp weitere Maße herangezogen
zwischen Firmenstrategie Interest Group der APQC Maße nennen, die sie Empfohlene Maße für Programmerfolg unter-
und verwendeten Maßen für sind am ehesten verwenden scheiden sich z. T. signifikant entlang der Stra-
Programmerfolg würden tegietypen von Miles und Snow (1978): Pro-
spectors betonen v. a. Sales“ und Opportu-
” ”
nities“, die anderen Kategorien v. a. Strategy
”
Fit“ und Program ROI“
”
Hart (1993) Hauptziel ist die Analyse der 69 Fragebögen, ausgefüllt Faktorenanalyse Innovationserfolg wird auf Projektebene
wechselseitigen Beziehungen von Mitarbeitern bri- durch 3 relativ heterogene Dimensionen mit
von Erfolgsmaßen auf Pro- tischer Manufacturing z. T. hohen Querladungen erfasst:
”
grammebene Companies“ diverser Technology Race: Technological Break-
Branchen ”
Daneben sollen auch Dimen- through“, Beaten the competition technical-
”
sionen des Erfolgs auf Projek- ly“, Beaten the competition to market“
”
tebene identifiziert werden Price/Cost: Reduced production costs“,
”
Beaten the competition on costs“, Met the
” ”
objectives set“, Launched into new markets“
”
ROI: Profits in excess of costs“, Beaten the
” ”
competition to market“, Met the objectives
”
set“
(wird fortgesetzt)
4. Planung, Steuerung und Erfolg von Innovationsprojekten
(Fortsetzung)
Hauschildt Vergleich der Konzepte zur 35 Erfolgsfaktorenstudien, Heuristische Gruppie- Innovationserfolg wird durch 3 Dimensionen
(1991) Messung des Innovationser- die den Innovationserfolg rung der Erfolgsmaße erfasst:
folgs in wissenschaftlichen als Variable verwenden Technische Effekte: Direkt: technische
Veröffentlichungen Messwerte; Indirekt: Know-How-Aufbau,
Werbeeffekte, Abwehreffekte, etc.
Ökonomische Effekte: Direkt: Umsatz, Ge-
winn, Kosten; Indirekt: Umsatzverringerung
oder Kostenerhöhung der Konkurrenz
Sonstige Effekte: Umwelteffekte, wissen-
schaftliche Anerkennung, etc.
Hultink und Analyse, wie die Verwen- 80 Fragebögen, aus- t-Tests Kurzfristig sind v. a. Time-to-market und Ent-
Robben dung der 16 Core Mea- gefüllt von Marketing- wicklungskosten wichtig, langfristig sind v. a.
(1995) sures von Griffin und Pa- und F&E-Managern Profitabilitätsmaße und Umsatzziele wichtig
ge (1993) von Zeitperspek- niederländischer Großun- Keine signifikanten Ergebnisse hinsichtlich der
tive, Markt, Strategie, Inno- ternehmen anderen Kontingenzfaktoren
vationsgrad und funktioneller
Orientierung anhängt
Kerssens-van Analyse des in der Pra- 44 Fragebögen, ausgefüllt Deskriptive Statistik Maße zur Projektbeurteilung werden mit der
Drongelen xis eingesetzten Systems zur von F&E-Managern folgenden Frequenz von Firmen eingesetzt:
und Erfolgsbeurteilung von NPD niederländischer Fir- 74% Zeitplaneinhaltung, 42% Qualität, 26%
Bilderbeek auf Projekt-, Programm- und men, Vertiefung durch 9 Budgeteinhaltung, 21% Kundenzufriedenheit,
(1999) Unternehmensebene mit dem strukturierte Interviews 11% ROI
Ziel, Kontingenz- und Effizi-
enzaussagen zu treffen
(wird fortgesetzt)
91
92
(Fortsetzung)
Lipovetsky Bestimmung der relativen Jeweils 3 Fragebögen Round Robin Tourna- Alle 3 Bewertergruppen priorisieren die 4 Er-
et al. (1997) Wichtigkeit verschiedender ausgefüllt von End ment, AHP folgsdimensionen gleich: (1) Benefits to the cu-
”
Dimensionen des Projekter- User“, Customer“ und stomer, (2) Meeting design goals, (3) Benefits
”
folgs Developer“ für 110 to the defense infrastructure, (4) Benefits to
”
NPD-Projekte in der the developing organizsation
israelischen Verteidi-
gungsindustrie
Shenhar Identifikation der Dimensio- 127 Fragebögen von Pro- Erste Stufe: Fallstu- Projekterfolg wird durch 4 Dimensionen er-
et al. (2001) nen des Konstrukts Projekt- jekten aus 76 israelischen dieninterviews bei 15 fasst:
”
erfolg“ Firmen, davon ca. 75% Firmen zur Sammlung Project Efficiency: Budget- und Zeitplanein-
aus dem Bereich Produkt- potentieller Erfolgsma- haltung
Analyse der jeweiligen Wich- entwicklung ße und -dimensionen
tigkeit der Erfolgsdimensio- Impact on the Customer: Einhaltung funktio-
nen für unterschiedliche Pro- Zweite Stufe: Fakto- neller und technischer Spezifikationen, Lösung
jekttypen renanalysen über die eines Kundenproblemes, Erfüllung der Kun-
in den Fragebögen auf- denbedürfnisse, Der Kunde nutzt das Pro-
geführten Erfolgsitems dukt, Kundenzufriedenheit
Business Success: Wirtschaftlicher Erfolg und
Erlangung eines großen Marktanteils
Preparing for the Future: Entwicklung einer
neuen Technologie, Schaffung einer neuen Pro-
duktlinie, Schaffung eines neuen Marktes
(wird fortgesetzt)
4. Planung, Steuerung und Erfolg von Innovationsprojekten
(Fortsetzung)
Storey und Analyse, wie Firmen den Er- Fragebögen beantwor- Deskriptive Statistik 56% aller Firmen messen den NSD-Erfolg an-
Kelly (2001) folg neuer Dienstleistungen tet von 43 Managern hand von Gewinn und Umsatz, 28% mes-
auf Projekt- und Programme- britischer Diensleistungs- sen Kundenzufriedenheit, nur gut 10% messen
bene messen firmen jeweils Projektrentabilität, Kosteneinhaltung
und strategischen Fit
Story et al. Überprüfung der 16 Core Strukturierte Interviews Deskriptiv Financial measures: Gewinn, ROI und Bud-
(2001) Measures von Griffin und Pa- mit jeweils einem NPD- geteinhaltung werden häufig gemessen, nicht
ge (1993) auf Vollständigkeit Manager aus 10 britischen dagegen Break-even-time.
und Relevanz für eine speziel- Automobilzulieferfirmen Customer/market measures: Marktanteil,
le Branche Stückzahl und Kundenzufriedenheit werden
häufig gemessen, nicht dagegen Umsatz.
Technical: Qualität wird häufig als wichtige
Zielgröße genannt, weniger häufig dagegen

das strategische Potential des Projekts
93
4.4.4 Kongruenz subjektiver und objektiver Erfolgsbeurteilung
Dass subjektive Erfolgseinschätzungen weitgehend valide Ergebnisse liefern, konnte zu-

mindest für Erfolgsmaße auf Unternehmensebene durch die in Tabelle 4.2 zusammenge-
stellten Studien nachgewiesen werden, bei denen sowohl subjektive als auch objektive
Erfolgsmaße erhoben wurden. Zentrales Ergebnis der Pionierstudie von Dess und Ro-
binson (1984) sind relativ hohe Korrelationen zwischen den objektiv ermittelten Wer-
ten für Umsatzwachstum und Return On Assets nach Steuern auf der einen Seite und
den entsprechenden subjektiven Einschätzungen durch Firmenmitarbeiter auf der ande-
ren Seite. Weiterhin zeigt sich, dass die objektiven Finanzmaße auch deutlich mit einem
stark aggregierten, subjektiven Erfolgsmaß Overall Performance“ korrelieren.172 Diese
”
Ergebnisse konnten in den Folgestudien weitgehend repliziert werden, wobei tendenziell
zu erkennen ist, dass jeweils absolute Zahlen (z. B. Umsatz) präziser geschätzt wurden
als Verhältniszahlen (z. B. Profitabilität) und diese wiederum präziser geschätzt wurden
als Wachstumszahlen (z. B. Umsatzwachstum und Marktanteilswachstum). Die Zahlen-
werte der berichteten Korrelationskoeeffizienten machen jedoch deutlich, dass subjektive
Erfolgsmaße kein vollständiges Substitut für objektive Maße sein können, so dass letztere
– wann immer möglich – vorzuziehen sind.173
172
Dess und Robinson (1984), S. 269.
173
Dess und Robinson (1984), S. 271.
Studie Stichprobe Korr. Untersuchte Maße
Chamanski 115 norwegische 0,57 Aggregierte Maße aus Umsatz,

und Waagö New-Technology Based Firms Marktanteil und Profitabilität
(2001)
Covin et al. 91 US-amerikanische Firmen 0,44 Umsatzwachstum

(1994) ( Advanced Manufacturing“)
”
Dawes 45 australische Firmen (davon 0,51 ROI des aktuellen Jahres
(1999) 23 produzierendes Gewerbe) 0,48 ROI des Vorjahres
Dess und 26 US-amerikanische Firmen 0,69 Umsatz

Robinson (produzierendes Gewerbe) 0,61 ROA nach Steuern
(1984) 0,56 Performance (subj.) und Umsatz
0,48 Performance (subj.) und ROA
Hart und Ca. 240 US-amerikanische 0,55 ROA

Banbury Firmen (breiter 0,44 Umsatzwachstum
(1994) Industriequerschnitt)
Pearce et al. 92 US-amerikanische Firmen 0,74 ROA

(1987b) (produzierendes Gewerbe) 0,77 Umsatz
Zahra (1996) 112 US-amerikanische junge 0,67 ROE

Biotechnologieunternehmen 0,64 Umsatzwachstum
0,59 Marktanteilswachstum
Tabelle 4.2: Studien zur Korrelation zwischen subjektiven Einschätzungen und objektiven Performance-
Maßen auf Unternehmensebene
Kapitel 5
Metaanalyse der empirischen

Forschung zur Planung und
Steuerung
5.1 Ziele der Metaanalyse und Auswahl der Studien
In diesem Kapitel sollen die Ergebnisse bisheriger empirischer Forschung in Bezug auf
die Planung und Steuerung von Innovations- und NPE-Projekten aufgearbeitet werden.
Hierfür werden 39 empirische Untersuchungen, die in 45 Aufsätzen veröffentlicht wur-
den, einer detaillierten Analyse unterzogen. Die Metaanalyse dieser Studien verfolgt im
wesentlichen drei Ziele:
1. Anhand einer umfassenden Sichtung der Literatur zur Planung und Steuerung von
Innovationsprojekten soll eine möglichst vollständige Zusammenstellung und Syste-
matisierung des relevanten empirischen Forschungsfeldes erreicht werden. Neben der
Erfassung der jeweils gewählten Operationalisierungen zentraler Variablen betrifft
dies vor allem die Befunde hinsichtlich der Erfolgswirkung verschiedener Planungs-
und Steuerungsaspekte.
2. Um eine zuverlässige Synthese der Forschungsergebnisse zu erzielen, wird eine quan-

titative Aggregation der Befunde angestrebt, soweit es die Datenqualität der zu-
grundliegenden Studien zulässt. Hedges und Olkin (1980) haben gezeigt, dass sich
dies nur sehr begrenzt durch Abzählmethoden (Vote Counting) erreichen lässt, da
diese mit einem hohen Fehler 2. Art verbunden sind. Stattdessen werden hier ag-
gregierte Effektstärken nach der Methode von Hunter und Schmidt (1990) ermittelt
(vgl. Abschnitt 5.5.1).
3. Die Rolle des Innovationsgrads als zentraler Kontingenzfaktor im Rahmen von Pro-
98 5. Metaanalyse der empirischen Forschung zur Planung und Steuerung
duktentwicklungsprojekten soll herausgearbeitet werden. Hierfür wird zunächst sy-

stematisch untersucht, ob jeweils die Befunde innerhalb einer Studie Rückschlüsse
auf Unterschiede in den Wirkungsbeziehungen für Projekte mit hohem bzw. niedri-
gem Neuheitsgrad zulassen. Im Rahmen der quantitativen Metaanalyse wird dann
überprüft, ob sich widersprüchliche Befunde eventuell auf Unterschiede in den mitt-
leren realisierten Innovationsgraden zwischen den Studien zurückführen lassen.
Die Suche nach relevanten Studien erfolgte zunächst in Form von Datenbankabfragen mit
logisch verknüpften Stichworten (innovation, new product development, planning, control,
formality, etc.) in Datenbanken zur wirtschaftswissenschaftlichen Literatur (EBSCO, ABI-
INFORM). Ergänzend wurden die Inhaltsverzeichnisse derjenigen deutsch- und englisch-
sprachigen Zeitschriften durchsucht, in denen am ehesten Veröffentlichungen zu Fragen
des Innovationsmanagement auf Projektebene erscheinen.1 Als weitere Quelle einzube-
ziehender Studien dienten die Zitationen bereits ermittelter Veröffentlichungen. Studien
mussten die folgenden Kriterien erfüllen, um in die Metaanalyse einbezogen zu werden:
1. Die Ebene der Analyse muss das Einzelprojekt sein. Nicht berücksichtigt werden also
Arbeiten, die sich ausschließlich auf das Innovationssystem auf Projektprogramm-
oder Gesamtunternehmensebene beziehen.
2. Der Zusammenhang zwischen Aspekten der Planung und Steuerung auf der einen
Seite und dem Projekterfolg auf der anderen Seite muss auf der Basis großzahliger
Stichproben untersucht werden. Ergebnisse von Arbeiten, die reine Existenzaussagen
treffen oder auf Fallstudien basieren, wurden im letzten Kapitel berichtet.
3. Die Stichprobe muss sich zum größten Teil aus wirklichen Entwicklungsprojekten
rekrutieren. Untersuchungen, bei denen Innovationsprojekte nur beispielsweise 20
Prozent der Stichprobe ausmachen, müssen so zugunsten der Homogenität ausge-
schlossen werden.
4. Basieren mehrere Veröffentlichungen auf derselben Datenbasis, so werden deren Er-

gebnisse zusammenfassend dargestellt. Von dieser Regel wird abgewichen, wenn
spätere Arbeiten aufgrund unterschiedlicher Auswertungsmethoden zu differieren-
den Ergebnissen kommen bzw. neue Themenbereiche abdecken.
Im Rahmen der Literatursuche musste festgestellt werden, dass sich im Vergleich zu ande-
ren, thematisch weiter gefassten Metaanalysen nur eine relativ geringe Zahl von Studien
1
Bei den folgenden Zeitschriften wurden die Jahres-Inhaltsverzeichnisse ab 1990 auf relevante Stu-
dien hin untersucht: Academy of Management Journal, Administrative Science Quarterly, Die Be-
triebswirtschaft, Journal of Management, Journal of Product Innovation Management, Management
Science, R&D Management, Zeitschrift für Betriebswirtschaft, Zeitschrift für betriebswirtschaftliche
Forschung.
5.2. Ergebnisse allgemeiner NPD- und NSD-Studien 99
mit diesem Themenkreis befasst. Zudem berichtet nur ein kleinerer Teil der Arbeiten die
für eine quantitative Metaanalyse geeignete Effektstärken . Um dennoch eine möglichst
umfassende Darstellung des empirischen Forschungsfeldes zu gewährleisten, wird zunächst
eine qualitative Gegenüberstellung der zentralen Befunde durchgeführt. Dabei bietet sich
unter inhaltlichen und methodischen Gesichtspunkten die folgende Dreiteilung an: In Ab-
schnitt 5.2 werden die Untersuchungen analysiert, die sich in ihrer Methodik an die frühe
Studie von Cooper (1979a) anlehnen und auf eher abstrakter Ebene sowohl Planungs- als
auch Steuerungsaspekte behandeln. Abschnitt 5.3 behandelt Studien, die gezielt Aspek-
te der Projektplanung betrachten, und Abschnitt 5.4 analysiert schließlich Studien, die
den Fokus auf Projektsteuerung setzen. Die quantitative Metaanalyse erfolgt dann im
Abschnitt 5.5 bevor die zentralen Befunde in Abschnitt 5.6 zusammengefasst werden.
5.2 Ergebnisse allgemeiner NPD- und NSD-Studien
Die in diesem Abschnitt vorgestellten Studien sind dadurch gekennzeichnet, dass sie ein
relativ breit gefächertes Spektrum organisationaler Gestaltungsmerkmale auf ihren Ein-
fluss auf den Innovationserfolg hin untersuchen. Sie gehen dabei stark exploratorisch vor
und identifizieren über Diskriminanzanalysen, Korrelationsrechnungen oder einfache Mit-
telwertvergleiche eine oft relativ große Zahl sogenannter Erfolgsfaktoren“, stellen also
”
typische Beispiele für den Rational Plan-Zugang zur Neuproduktforschung dar.2 Konzep-
tionell lehnen sich nahezu alle Arbeiten stark an die beiden Pionierstudien von Cooper
(1979a) sowie Cooper und Kleinschmidt (1987a) an und übernehmen in großen Teilen de-
ren Frageblöcke. Die wesentlichen Merkmale der Studien werden in Tabelle 5.1 dargestellt
sowie in Tabelle 5.2 verdichtet.
In den ersten Arbeiten von Cooper (1979a; 1979b; 1980a; 1980b), die auf der Untersu-
chung NewProd“ vom Ende der siebziger Jahre basieren, werden 77 Variablen durch ex-
”
ploratorische Faktorenanalysen zu 18 Dimensionen verdichtet. Die Diskriminanzanalyse in
der methodisch ausgefeiltesten der vier Veröffentlichungen (1979a, S. 100f.) zeigt, dass der
Erfolg neuer Produkte vor allem durch drei Aspekte signifikant positiv beeinflusst wird:
die Überlegenheit des Produktes“ 3 , die Professionalität der Marktforschung“ und die
” ”
Professionalität der technischen Produktentwicklung“. Projektplanung und -steuerung
”
werden von Cooper nicht untersucht, dagegen werden Aspekte der Businessplanung durch
2
Vgl. Abschnitt 3.1 (S. 27ff.) sowie Brown und Eisenhardt (1995), S. 348ff. Eine Sonderstellung nimmt
jedoch die Arbeit von Ernst (2001) ein, der zunächst umfassend die einschlägigen Erfolgsfaktorenstu-
dien gegenüberstellt, um dann anhand einer eigenen Erhebung deren Validität, v. a. hinsichtlich des
sog. informant bias , abzuschätzen.
3
Dieser Faktor enhält auch mindestens zwei Items, die die Makro-Perspektive des Innovationsgrads
messen: Highly innovative product, new to market“ und Product had unique features for customer“.
” ”
einen Faktor Proficiency of Precommercialization Acitivities erfasst. Dieser trägt jedoch

nur sehr gering zur Varianzerklärung in der Faktorenanalyse bei, hat durchweg Faktor-
ladungen unter 0,5 und umfasst zwei Items, die deutlich höher auf den Faktor Profes-
”
sionalität der Marktforschung“ laden. In die Diskriminanzfunktion zwischen Erfolg und
Misserfolg geht dieser Faktor nicht ein.
In den späteren Arbeiten von Cooper und Kleinschmidt ( NewProd II“: 1987a; 1987b;
”
1987c) übernehmen die Autoren zum großen Teil die schon früher verwendeten Variablen,
nehmen jedoch teilweise Ergänzungen vor und strukturieren die Inhalte anhand des von
ihnen entwickelten Stage-Gate-Prozesses4 . Cooper und Kleinschmidt – sowie zahlreiche
Forscher, die auf ihrem Konzept aufbauen – erfassen damit mögliche Erfolgsfaktoren als
Proficiencies of New Product Activities, also als Professionalität“ in der Ausführung einer
”
chronologisch angeordneten Reihe von Produktentwicklungstätigkeiten.
Ernst (2001, S. 27) übt zurecht Kritik an der Methodik dieser Untersuchungen: Cooper
und Kleinschmidt (1987a) verdichten die 11 Erfolgsitems nicht zu Dimensionen, führen
keine Faktorenanalysen für die postulierten Gestaltungsdimensionen durch und ordnen –
wie schon bei NewProd – einzelne Fragebogenitems mehreren Dimensionen zu, so dass im
Ergebnis die berichteten Werte für Cronbach’s Alpha und die Item-to-Total-Korrelationen
z. T. sehr niedrig sind.5 Dies wird auch gerade an dem Faktor deutlich, der für die vor-
liegende Arbeit von größtem Interesse ist. Unter Proficiency of Predevelopment Activi-
ties (α = 0, 5) fassen die Autoren fünf Items zusammen, die eher durch die ihre zeitli-
che Einordnung in den Produktentwicklungsprozess zusammenfallen als durch inhaltliche
Kongruenz: Initial Screening, Preliminary Market Assessment, Preliminary Market As-
sessment, Detailed marketing research und Business/Financial Analysis.
4
Vgl. u. a. Cooper und Kleinschmidt (1986).
5
Bei vier von zehn Faktoren liegt Cronbach’s Alpha unter 0.6, ein Drittel der Items hat Item-to-Total-
Korrelationen unter 0.4. Vgl. Cooper und Kleinschmidt (1987a), Tabelle 2 auf S. 176-177.
Tabelle 5.1: Übersicht über allgemeine NPD- und NSD-Studien
Publikation Stichprobe Messung von Erfolg sowie Wesentliche Befunde hinsichtlich Projektplanung
ggf. Innovationsgrad und -steuerung
Ali et al. 243 nordamerikanische Erfolgsmessung anhand von NPD cycle ti- Gute Up-front homework (u. a. Marktstudie, Ideenevaluation und
(1995) NPE-Projekte aus klei- me sowie die Break-even time. Business Case) wirkt stark positiv auf die NPD cycle time, die
nen Fertigungsbetrie- (positive) Wirkung auf die Break-even time ist dagegen nicht si-
ben gnifikant.
Atuahene- 275 australische In- Innovationsleistung als Faktor mit 12 Proficiency of predevelopment activities (u. a. Ideenevaluation und
Gima novationsprojekte aus Items operationalisiert (u. a. Grad der Ziel- Business Case) hat bei Produktinnovationen eine vergleichsweise
(1996) 158 produzierenden erreichung hinsichtlich Umsatz, Marktan- geringe positive Wirkung auf den Innovationserfolg, bei Dienstlei-
und 117 Dienstlei- teil, Profitabilität, Wettbewerbsvorteil). stungsinnovation wirkt sie gar nicht signifikant.
stungfirmen
Cooper 195 kanadische Erfolgsmessung: Einteilung in erfolgreiche Proficiency of precommercialization activities durch 7 Items er-
(1979a; NPE-Projekte aus und nicht erfolgreiche Projekte durch die fasst, u. a. durch Marktstudie, Ideenevaluation und Businesspla-
5.2. Ergebnisse allgemeiner NPD- und NSD-Studien
1979b; 103 Unternehmen Respondenten (102 erfolgreiche, 93 nicht nung.

1980a; verschiedener erfolgreiche Projekte). Im Rahmen einer Diskriminanzanalyse zwischen erfolgreichen und
1980b) Industrien (Mikro-) Innovationsgrad ( newness to the erfolglosen Projekten mit insgesamt 18 Faktoren erscheint dieser
”
firm“) wird durch 7 items gemessen: Neu- Faktor nicht erfolgswirksam.
artigkeit von Kunden, Produkt, Produkt-
nutzen, Technik, Produktionsprozess, Ver-
trieb, Marketing, Wettbewerbern.
Cooper und 203 NPE-Projekte aus Erfolgsmessung anhand von 11 Items, Proficiency of predevelopment activities (u. a. Ideenevaluation,
Klein- 125 kanadischen Indu- die Profitabilität, Payback Period, Umsatz Marktforschung, finanzieller Business Case) zeigt signifikante po-
schmidt strieunternehmen. und Window of Opportunity“ erfassen. sitive Korrelationen mittlerer Höhe mit allen Erfolgsmaßen außer
”
(1987a; mit der Payback Period, mit der sie negativ korreliert.
1987b;
1987c)
(wird fortgesetzt)
101
(Fortsetzung)
102
Cooper 103 nordamerikanische Erfolgsmessung: Clusterung der Projekte Up-front homework (Pre-development activities) enthält als we-
(1994a, und britische in Top, Mid und Bottom anhand von 6 Di- sentliche Punkte Marktstudie, Ideenevaluation und sowie Buil-
”
1994b) NPE-Projekte aus 21 mensionen: ding the business case“ vor dem Entscheidungspunkt Go to De-
”
Unternehmen der 1. Overall success velopment“.
chemischen Industrie 2. Profit rating Firmen mit besonders guter Up-front homework gehören entlang
3. Tech success rating allen Erfolgsdimensionen zu den Top-Performern.
4. Impact on company
5. Time efficiency
6. Adherence to schedule
Cooper und Gleiche Datenbasis Timeliness gemessen durch 2 Items: Up-front homework (Marktstudie, Ideenevaluation und Building
”
Klein- wie bei Cooper 1. Zeitplaneinhaltung the business case“ vor dem Entscheidungspunkt Go to Develop-
”
schmidt (1994a, 2. Zeiteffizienz (tatsächliche Projektdauer ment“) ist der zweitwichtigste Erfolgsfaktor für die Timeliness.
(1994) 1994b) im Verhältnis zu theoretisch effizienter Product definition (Zielmarkt und -positionierung, Kundennut-
Projektdauer) zendimensionen und Produktspezifikation) hat ein vergleichsweise
geringe Wirkung auf die Timeliness.
Cooper und 135 Neuproduktpro- Erfolg des Projektprogramms wird über 10 Solid performers“ heben sich von den anderen drei Clustern u. a.
”
Klein- gramme von Firmen Items erhoben, die auf 2 Faktoren laden: durch ihre Projektsteuerung ab. Sie verfolgen ein umfassendes
schmidt aus Nordamerika und 1. Program impact Prozessschema, dass sorgfältig und flexibel umgesetzt wird, hal-
(1995) Europa (v. a. 2. Program profitability ten an Steuerungsgrössen fest und nutzen diese für wohldefinierte
Deutschland und Go/Kill-Entscheidungen.
Dänemark) Anhand dieser zwei Dimensionen werden
vier Erfolgscluster gebildet: Solid perfor-
”
mers“, Technical winners“, Low-impact
” ”
performers“ und Dogs“.
”
(wird fortgesetzt)
5. Metaanalyse der empirischen Forschung zur Planung und Steuerung
(Fortsetzung)
de Brentani 276 kanadische Erfolgsmessung: Einteilung in erfolgreiche Qualität des NSD-Prozesses hat von allen Faktoren die höchste
(1991) Dienstleistungsinnova- und nicht erfolgreiche Projekte durch die Wirkung auf die Cost performance und die zweithöchste Wirkung
tion aus 115 Firmen, Respondenten (150 erfolgreiche, 126 nicht auf die Sales performance, zeigt jedoch nur eine schwache Wirkung
breites Spektrum an erfolgreiche Projekte). auf die Competitive Performance. Qualität des NSD-Prozesses be-
Sektoren (Finanz, Daneben Erhebung diverser Erfolgsitems, steht dabei aus den 2 Faktoren
Professional, Logistik die zu 4 Dimensionen verdichtet wurden: 1. Formale Planung und Steuerung (Marktstudie, Ideenevalua-
und Kommunikation) tion, Finanzplan, Alternativenabwägung, Markttest,
1. Sales performance (6 Items)
2. Competitive performance (4 Items) Launch)
3. Cost performance (3 Items) 2. Effektivität des NSD-Management (u. a. Teambeteiligung in der
4. Other booster“ (2 Items) Planungsphase)
”
(Mikro-) Innovationsgrad wurde anhand
der beiden Faktoren Market newness to
”
the firm“ (5 Items) und Service newness
”
to the firm“ (3 Items) erhoben.
de Brentani Gleiche Stichprobe wie Erfolgsmessung: Einteilung in erfolgreiche Formelle Planung und Steuerung (Marktstudie, Ideenevaluation,
(1995) bei de Brentani (1991) und nicht erfolgreiche Projekte durch die Finanzplan, Alternativenabwägung, Markttest, Launch) hat bei
Respondenten (150 erfolgreiche, 126 nicht kleinen Firmen eine schwache, bei großen Firmen eine sehr schwa-
erfolgreiche Projekte). che Erfolgswirkung.
(Mikro-) Innovationsgrad wurde anhand Service newness to the firm“ hat eine negative Erfolgswirkung
”
der beiden Faktoren Market newness to bei kleinen Firmen, Moderatoreffekte wurden nicht untersucht.
”
the firm“ (5 Items) und Service newness
”
to the firm“ (3 Items) erhoben.
de Brentani Gleiche Stichprobe wie Gleiche Operationalisierung wie bei de Formelle Planung und Steuerung (Marktstudie, Ideenevaluation,
(2001) bei de Brentani (1995) Brentani (1995) Finanzplan, Alternativenabwägung, Markttest, Launch) hat bei
niedriginnovativen Projekten nur geringe Erfolgswirkung und ist
bei hochinnovativen gar nicht signifikant.
103
(wird fortgesetzt)
(Fortsetzung)
104
Dwyer und 95 NPE-Projekte aus Einteilung in erfolgreiche und nicht er- Korrelationsanalyse zeigt, dass Ideenevaluation sowohl mit Um-
Mellor 75 australischen folgreiche Projekte durch die Responden- satz als auch mit Profitabilität signifikant korreliert; Marktstudie
(1991) Firmen ten (61 erfolgreiche, 32 nicht erfolgreiche und Business Case korrelieren mit dem Umsatz.
Projekte), daneben Erhebung von Umsatz,
Profitabilität und Window of opportuni-
”
ty“.
Edgett und 118 Dienstleistungsin- Einteilung in erfolgreiche und nicht erfolg- Businessplanung und Prozessformalisierung gehen in Diskrimi-
Parkinson novationen aus 67 bri- reiche Projekte durch die Respondenten nanzfunktion als relativ schwache Prädiktoren für Projekterfolg
(1994) tischen Bausparkassen (62 erfolgreiche, 56 nicht erfolgreiche Pro- ein.
jekte). Businessplanung umfasst dabei schriftliches Niederlegen der Pro-
jektziele, die Erstellung eines ersten Business Case, eine formel-
le Go/No Entscheidung und einen weiteren Business Case vor
Launch.
Prozessformalisierung erfasst, wie formell Projektselektion und
-ausführung erfolgten.
Edgett 148 Dienstleistungsin- Einteilung in erfolgreiche und nicht erfolg- Mittelwertvergleiche ohne Skalenbildung zeigen, dass hinsichtlich
(1994) novationen aus 88 bri- reiche Projekte durch die Respondenten der formellen Projektselektion nur schwach signifikante Unter-
tischen Bausparkassen (78 erfolgreiche, 70 nicht erfolgreiche Pro- schiede zwischen erfolgreichen nur nicht erfolgreichen Projekten
und Banken jekte). bestehen, hinsichtlich der Items zur Business Planung (schriftli-
ches Niederlegen der Projektziele, Erstellung eines ersten Business
Case, formelle Go/No-Go Entscheidung und weiterer Business Ca-
se vor Launch) dagegen sehr hohe.
(wird fortgesetzt)
(Fortsetzung)
Ernst (2001) 258 Informanten (je- Erfolgsmessung in 3 Dimensionen: Vorarbeiten mit kommerzieller Projektbewertung umfasst projekt-
weils 129 aus der 1. Umsatzwachstum (3 Items) vorbereitende Arbeiten, frühzeitige Definition der Produkteigen-
Leitungs- und Pro- 2. Profitabilität (3 Items) schaften und Leistungsmessung.
jektebene) über die 3. Zielerreichung (2 Items) Prozessbegleitende Bewertung und Steuerung umfasst Steuerung
NPE-Programme von des NPE-Prozesses und Kriterien für Projektfortführung.
43 Unternehmen bzw.
SGEs Vorarbeiten mit kommerzieller Projektbewertung und Prozessbe-
gleitende Bewertung und Steuerung haben einen signifikant posi-
tiven Einfluss auf die Profitabilität des NPE-Programms.
Huang et al. 276 australische NPE- Erfolgsmessung anhand der 16 Core Mea- Diskriminanzanalyse zwischen erfolgreichen und nicht erfolgrei-
(2002) Projekte aus den Be- sures von Griffin und Page (1993). Danach chen Projekten zeigt, dass Analyse des finanziellen Business Ca-
reichen Maschinenbau Einteilung in erfolgsreiche und nicht erfolg- se ein signifikanter Erfolgsfaktor ist. Hinsichtlich des Idea Scree-
und chemische Indu- reiche Projekte. ning unterscheiden sich erfolgreiche und nicht erfolgreiche Projek-
strie te nicht.
Kotzbauer 120 deutsche NPE- Einteilung in erfolgreiche und nicht erfolg- Planungsqualität wirkt positiv auf den Neuprodukterfolg.
(1992) Projekte reiche Projekte durch die Respondenten. Planungsqualität wird gemessen als Güte der Planungsaktivitäten
Daneben Erfolgsmessung in 3 Dimensio- vor Eintritt in die Entwicklungsphase (Vorabdefinition des Ziel-
nen: marktes, der Kundenwünsche, des Produktkonzeptes, der techni-
1. Markterfolg schen Produktanforderungen).
2. Finanzieller Erfolg
3. Strategischer Erfolg
Mishra et al. 288 koreanische Einteilung in erfolgreiche und nicht erfolg- Marktstudie und Ideenevaluation korrelieren relativ hoch mit dem
(1996) NPE-Projekte aus 144 reiche Projekte durch die Respondenten so- Projekterfolg, finanzielle Analyse dagegen geringer.
Firmen wie Erhebung eines Items Projekterfolg“
”
auf 10er Skala.
(wird fortgesetzt)
105
(Fortsetzung)
106
Parry und 258 chinesische Einteilung in erfolgreiche und nicht erfolg- Finanzielle Analyse und Alternativenabwägung gehören zu den
Song (1994) NPE-Projekte aus 129 reiche Projekte durch die Respondenten so- Prozessfaktoren, die am höchsten mit dem Erfolg korrelieren.
Firmen wie Erhebung eines Items Projekterfolg“
”
auf 10er Skala.
Simpson 151 NPE-Projekte aus Einteilung in erfolgreiche und nicht erfolg- Die Qualität des Projektprozesses (3 items) hat positive Erfolgs-
et al. (2002) High-Tech Firmen, reiche Projekte durch die Respondenten. wirkung in der deutschen Teilstichprobe, in der amerikanischen
davon 111 aus den (79 erfolgreiche und 72 nicht-erfolgreiche dagegen ist die Beziehung nicht signifikant.
USA und 40 aus Projekte, davon 21 bzw. 19 aus Deutsch-
Deutschland land).
Song und 788 japanische Erfolgsmessung in 4 Dimensionen: Proficiency of concept development and evaluation (u. a. Ideen-
Parry (1996) NPE-Projekte aus 404 1. Product advantage (7 Items) entwicklung, Alternativenabwägung, Businessplanung, Machbar-
Firmen. 2. Relative profitability (4 Items) keitsstudie) gehört zu den Faktoren, die eher stark mit den vier
Die Stichprobe wird 3. Relative sales (3 Items) Erfolgsfaktoren korrelieren.
auch in Song und 4. Relative market share (4 Items) Proficiency of the predevelopment planning process (u. a. Projekt-
Parry (1997) strukturplan und Meilensteinplanung) gehört zu den Faktoren, die
verwendet. weniger stark mit den vier Erfolgsfaktoren korrelieren.
(wird fortgesetzt)
(Fortsetzung)
Song und 788 japanische und Positionierungsvorteil durch Differenzie- Proficiency in the Business and Market Opportunity Analysis
Parry (1997) 612 nordamerikanische rung als vorgelagertes Erfolgsmaß. Hierin Stage (u. a. Marktstudie, Machbarkeitsstudie sowie Investitions-,
NPE-Projekte aus 404 sind tatsächliche Differenzierungsaspekte Zeit- und Risikoplanung) wirkt in beiden Stichproben stark posi-
bzw. 312 Firmen. enthalten (u. a. superior to competing pro- tiv auf den Positionierungsvorteil.
Die japanische ducts, higher quality, first into the market), Proficiency in the Idea Development and Screening Stage (u. a.
Stichprobe wird auch aber auch Innovationsgradaspekte (highly Ideenentwicklung, Alternativenabwägung, Businessplanung, Do-
in Song und Parry innovative, first of its kind, technology ne- kumentation) dagegen hat in der amerikanischen Stichprobe einen
(1996) verwendet. ver used before, changes the whole indu- signifikant negativen Einfluss auf den Positionierungsvorteil, in
stry). der japanischen Stichprobe keinen signifikanten Einfluss.
Aus Positionierungsvorteil folgt Relative
product performance mit 3 Dimensionen:
1. Relative profitability (4 Items)
2. Relative sales (3 Itesm)
3. Relative market share (4 Items)
Thamhain 74 Projektteams aus Innovative team performance gemessen Ein klarer Projektplan wirkt positiv auf alle Erfolgsdimensionen,
(2003) 27 internationalen durch 4 Items: v. a. auf die Ressourceneffektivität.
Technologiefirmen 1. Predicting change Prozessstabilität und wenig Änderungen zeigen dagegen keine si-
2. Market focus gnifikante Erfolgswirkung.
3. Communication effectiveness
4. Resource effectiveness
5. Overall innovative performance
Thieme 64 japanische und 128 Einteilung in erfolgreiche und nicht er- Prozessqualität (Güte der Durchführung von 8 Prozessphasen)
et al. (2003) koreanische folgreiche Produkte anhand einer survival wirkt positiv auf den Projekterfolg.
”
Neuprodukte aus den classification“. Planungsqualität (detaillierte Projektplanung und -kontrolle, Par-
Bereichen Elektronik tizipation des Projektteams, klare Berichtswege) wirkt positiv auf
und Kommunikation Prozessqualität und Projekterfolg.
107
(wird fortgesetzt)
(Fortsetzung)
108
Zirger und 148 nordamerikanische Einteilung in erfolgreiche und nicht erfolg- R&D Excellence (7 Items) wirkt positiv auf den Produkterfolg.
Maidique NPE-Projekte im reiche Projekte durch die Respondenten Dieser Faktor enthält auf der einen Seite Aspekte des Projekt-
(1990) Bereich Elektronik, (77 erfolgreiche, 71 nicht erfolgreiche Pro- management (gute Prozessplanung und Koordination, gute Un-
v. a. Computer-, Mess- jekte). terstützung durch Projektleitung und Promotoren), auf der an-
und Kommunikations- deren Seite aber auch Produktaspekte (hohe Qualität und Zu-
technik verlässigkeit, Ausrichtung auf Kundenbedürfnisse).
Der Verzicht auf eine bessere statistische Bestätigung bzw. Bereinigung der Faktorstruk-
tur ist umso bedauerlicher, als sie im Rahmen der Chemiestudie von Cooper und Klein-
schmidt (1993a; 1993b; 1993c; 1994) wieder verwendet wurde und als Vorbild für die
Arbeiten anderer Autoren diente, die die in Kanada entwickelte NewProd II-Systematik
auf andere Länder übertrugen. In der vorliegenden Analyse werden davon die folgen-
de Studien berücksichtigt: Australien – Dwyer und Mellor (1991) sowie Atuahene-Gima
(1996), China – Parry und Song (1994), Japan – Song und Parry (1996), Korea – Mishra
et al. (1996) sowie USA – Song und Parry (1997). Mit Ausnahme von Song und Parry
(1997) kommen alle genannten Untersuchungen zu dem Ergebnis, dass sorgfältige Markt-
forschung, bewusste Ideengenerierung und Alternativenabwägung sowie die Erstellung
eines finanziellen Business Case positiv auf die jeweils gewählten Erfolgsmaße wirken.
Neben den bisher vorgestellten Studien enthalten die Tabellen 5.1 und 5.2 mit de Bren-
tani (1991; 1995; 2001), Edgett (1994) sowie Edgett und Parkinson (1994) auch fünf
Arbeiten, die die Erfolgsfaktoren bei der Entwicklung neuer Dienstleistungen untersu-
chen. Dienstleistungen unterscheiden sich von Produkten durch eine Reihe besonderer
Charakteristika,6 die die Vergleichbarkeit der jeweiligen Erfolgsfaktoren zunächst fraglich
erscheinen lassen. Da die vorliegende Arbeit jedoch Planungs- und Steuerungmechanismen
untersucht, die stark vom eigentlichen Ergebnis des Innovationsprozesses abstrahieren und
im Schwerpunkt deutlich vor der Markteinführung ablaufen, sollen auch diese Dienstlei-
stungsstudien zur Verbreiterung des empirischen Fundaments herangezogen werden.7
6
Häufig werden in Anlehnung an Zeithaml et al. (1985) Intangibility, Inseparability, Heterogenity,
Perishability genannt.
7
Darüberhinaus wird es in einigen Industrien zunehmend schwieriger, eine klare Trennung zwischen
Produkt und Dienstleistung vorzunehmen, vgl. Johne und Storey (1998, S. 185-187). Dies trifft auch
auf einige der Innovationen zu, die im empirischen Teil dieser Arbeit untersucht werden.
Relevante Erfolgsfaktoren
ng
ng
ru
ng
e
nu
as
ue
ie
ni
la
ud
te
ee
tp
ss
ts
cr
st
ek
ek
ns
kt
Erfolgs-
in
oj
oj
ar
ee
us
Pr
Pr
Studie messung
Id
B
Ali et al. (1995) Zeit
Atuahene-Gima (1996) Multidim.
Cooper (1979a) S/F
Cooper und Kleinschmidt (1987a) Multidim.
Cooper und Kleinschmidt (1993a) S/F
Cooper und Kleinschmidt (1994) Zeit
Cooper (1994a) S/F
Cooper und Kleinschmidt (1995) S/F
de Brentani (1991) Multidim.
de Brentani (1995; 2001) S/F
Dwyer und Mellor (1991) Multidim.
Edgett (1994) S/F
Edgett und Parkinson (1994) S/F
Ernst (2001) Multidim.
Huang et al. (2002) Multidim.
Kotzbauer (1992) S/F
Mishra et al. (1996) S/F
Parry und Song (1994) S/F
Simpson et al. (2002) S/F
Song und Parry (1996) Multidim.
Song und Parry (1997) Multidim.
Thamhain (2003) Multidim.
Thieme et al. (2003) S/F
Zirger und Maidique (1990) S/F
Erläuterung. Drei Arten der Erfolgsmessung werden verwendet: Dichotome oder trichotome
Erfolgsklassifikation ( S/F“ = Success/Failure); Projektplaneinhaltung bzw. Time-to-market
”
( Zeit“); mehrdimensionale Erhebung ( Multidim.“). Erfolgswirkung der Planungs- und Steue-
” ”
rungsfaktoren wie folgt kodiert: = stark positiv; = schwach positiv; = keine signifikante
Wirkung; = schwach negativ.
Tabelle 5.2: Erfolgswirkung der in allgemeinen NPD- und NSD-Studien untersuchten Faktoren
Die Veröffentlichungen von de Brentani (1991; 1995; 2001) beruhen alle auf dersel-
ben Stichprobe von 276 kanadischen Dienstleistungsinnovationen verschiedener Branchen.

Die Studie übernimmt die Fragenblöcke von Cooper (1979a) und kommt zu den gleichen
Ergebnissen wie die produktbezogenen Erfolgsfaktorenstudien: Marktforschung, Ideene-
valuation und Business Case wirken positiv auf den Vorhabenserfolg. Von den in diesem
Abschnitt vorgestellten Arbeiten ist de Brentani (2001) die einzige, die Moderatorwirkun-
gen des Innovationsgrads untersucht. Dabei zeigt sich, dass die Proficiency of Predevelop-
ment Activities 8 bei inkrementellen Innovationen schwach positiv auf den Vorhabenserfolg
wirkt, bei diskontinuierlichen“ Innovationen dagegen keine signifikante Erfolgswirkung
”
hat.9 Die Untersuchungen von Edgett und Parkinson (1994) sowie Edgett (1994) zeigen
im Ergebnis wiederum eine positive Erfolgswirkung der Predevelopment Activities (ohne
nach dem Innovationsgrad zu kontrollieren) und stellen ergänzend fest, dass sich eine for-
melle Projektsteuerung mit klaren Go/No-Go-Entscheidungen ebenfalls positiv auf den
Erfolg auswirkt.
Dass formelle Projektsteuerung einen positiven Einfluss auf den Projekterfolg hat, wird
auch im Rahmen der Untersuchungen von Cooper und Kleinschmidt (1995) sowie Ernst
(2001) nachgewiesen. Die Operationalisierungen der Projektsteuerung erfassen dabei vor
allem, inwieweit anhand eines klaren Prozessschemas gesteuert wird und ob klare Kri-
terien für Go/No-Go-Entscheidungen vorliegen. Zu ähnlichen Ergebnissen gelangen auch
Simpson et al. (2002) sowie Thieme et al. (2003), zielen jedoch in ihrer Operationalisierung
stärker auf die Frage ab, wie vollständig die Aufgabenpakete der einzelnen Prozessschritte
abgearbeitet werden.10 Thamhain (2003) untersucht, inwieweit ein stabiler Projektprozess
mit möglichst geringen Ziel- und Ressourcenänderungen erfolgswirksam ist, kann jedoch
keine Korrelation mit den verschiedenen Erfolgsmaßen feststellen.11
Ebenso wie die Projektsteuerung wurde auch die eigentliche Projektplanung im ur-
sprünglichen NewProd-Ansatz von Cooper und Kleinschmidt nicht berücksichtigt, son-
dern wird erst in einer Reihe neuerer Untersuchungen untersucht. Die Arbeiten von Song
und Parry (1996; 1997), Thamhain (2003), Thieme et al. (2003) sowie Zirger und Maidique
(1990) kommen dabei übereinstimmend zu dem Ergebnis, dass eine klare Projektplanung
eine signifikant positive Wirkung auf den Vorhabenserfolg hat. Damit lassen sich die zen-
tralen Befunde der breit gefächerten Erfolgsfaktorenstudien wie folgt zusammenfassen:
1. Businessplanung – operationalisiert durch sorgfältige Marktforschung, bewusste Ide-
8
Dieser Faktor wird bei de Brentani (2001, S. 187) als NSD: formal evaluation and design bezeichnet
und enthält u. a. die Items In-depth Market Study, Formal Idea Screening und In-depth Financial
Analysis.
9
de Brentani (2001), S. 179.
10
Simpson et al. (2002), S. 199; Thieme et al. (2003), S. 118.
11
Vgl. Thamhain (2003), Tabelle 4 auf S. 305. Werte mit τ 0, 2 sind dabei nicht signifikant.
engenerierung und Alternativenabwägung sowie die Erstellung eines finanziellen

Business Case – wirkt positiv auf den Vorhabenserfolg.
2. Die Erfolgswirkung der Businessplanung wird negativ durch den Innovationsgrad

moderiert, tritt also v. a. bei Projekten mit niedrigem Innovationsgrad zutage.
3. Klare Projektplanung wirkt positiv auf den Vorhabenserfolg.
4. Die Steuerung von Innovationsprojekten anhand eines klaren Prozessschemas mit

wohldefinierten Kriterien für Go/No-Go-Entscheidungen wirkt positiv auf den Vor-
habenserfolg.
5. Ein Einfluss von Prozessstabilität (bzw. invers kodiert: Zieländerungen) auf den
Vorhabenserfolg kann nicht nachgewiesen werden.
Die Präsentation dieser Befunde ist jedoch als vorläufig anzusehen, da einige der Untersu-
chungen methodisch nicht auf dem aktuellen Stand der Forschung sind (siehe oben), die
Operationalisierung der Konstrukte aus einem Teil der Veröffentlichungen nicht klar her-
vorgeht und die Punkte (2) und (5) nur auf den Ergebnissen jeweils einer Studie beruhen.
In den beiden nächsten Abschnitten werden weitere Studien vorgestellt, die z. T. deutlich
detailliertere Ergebnisse zur Planung und Steuerung von Innovationsprojekten enthalten.
5.3 Studien mit Fokus auf Projektplanung
Im ersten Teil dieses Abschnitts werden drei Arbeiten der israelischen Forschergruppe um
Dvir und Shenhar vorgestellt, die gezielt die Erfolgswirkung von Projektplanung anhand
langer Tätigkeitenlisten untersuchen. Der Verdienst dieser Arbeiten ist es, einzelne Pla-
nungsaktivitäten unter die Lupe zu nehmen“, eine Konstruktbildung wird jedoch nicht
”
vorgenommen. Im Anschluss werden zwei Arbeiten diskutiert, die eine geringe Anzahl
kritischer Entwicklungsaktivitäten“ betrachteten (darunter jeweils mehrere Planungs-
”
faktoren), um ihre Erfolgswirkung bei hoch- und niedriginnovativen Projekten zu un-
tersuchen. Sie arbeiten also fokussierter als die in Abschnitt 5.2 (S. 99ff.) vorgestellten
Untersuchungen, können aber im Gegensatz zu den Arbeiten von Dvir und Shenhar keine
Aussage über Einzelaktivitäten treffen (vgl. Tabelle 5.3).
Tabelle 5.3: Übersicht über Studien mit Fokus auf Projektplanung
ggf. Innovationsgrad
Avlonitis 100 griechische Dienst- Erfolgsmessung: Gesamterfolg durch ein Businessplanung (u. a. Alternativenabwägung, Produktkonzept,
und leistungsinnovationen Item auf 5er-Skala erhoben, danach Ein- Business Case) hat bei innovativen Projekten sehr hohe Erfolgs-
Papastatho- aus dem Finanzsektor teilung in erfolgreiche und nichterfolgreiche wirkung, bei nicht innovativen Projekten gar keine Erfolgswir-
poulou Projekte (54 erfolgreiche, 46 nicht erfolg- kung.
(2001) reiche Projekte). Projektplanung (u. a. Setzung von Leistungszielen, Abschätzung
Innovationsgrad : Multidimensional erho- von Zeit-, Personal- und allg. Ressourcenbedarf) hat bei nicht in-
ben, in der vorliegenden Arbeit wird aber novativen Projekten hohe Erfolgswirkung, bei innovativen Projek-
nur eine Einteilung in innovative bzw. nicht ten niedrige Erfolgswirkung.
innovative Projekte anhand eines zusam-
5.3. Studien mit Fokus auf Projektplanung
menfassenden Items vorgenommen.
Dvir et al. 110 israelische Ein Item Gesamterfolg des Projekts“. Da- Projektplanung wird durch 3 Dimensionen erfasst:
”
(2003) Verteidigungsprojekte, neben 3 Multi-Item Erfolgsdimensionen: 1. Entwicklung funktionaler Anforderungen (6 Items)
vgl. Dvir et al. (1998) 1. Meeting planning goals (5 Items) 2. Entwicklung technischer Spezifikationen (9 Items)
2. End-user benefits (7 Items) 2. Implementation des Projektmanagement (17 Items)
3. Contractor benefits (9 Items) Keine Korrelation zwischen der Implementation des Projektma-
nagement und den Erfolgsdimensionen. Dagegen korrelieren die
Anforderungs- und Spezifikationsentwicklung hoch mit dem End-
user Benefit und dem Gesamterfolg.
(wird fortgesetzt)
113
(Fortsetzung)
114
Raz et al. 127 israelische Erfolgsmessung über 4-Item Skala: Projekt-Risikomanagement wird durch 5 Items erfasst:
(2002) NPE-Projekte, v. a. 1. Einhaltung funktioneller 1. Systematische Risiko-Identifizierung
aus den den Bereichen Spezifikationen 2. Probabilistische Risikoanalyse
Elektronik, Computer, 2. Einhaltung technischer 3. Planung zur Risikoreduktion
Maschinenbau, Spezifikationen 4. Planung zur Risikobewältigung
Chemie und Bau 3. Einhaltung Zeitplan 5. Ernennung eines Risikomanagers
4. Einhaltung Plan-Budget Items 1, 4 und 5 sind bei allen Projekten positiv mit der Bud-
Technische Unsicherheit wird durch Zu- geteinhaltung korreliert. Bei Projekten mit hoher technischer Un-
ordnung zu einer von 4 Unsicherheitsklas- sicherheit korrelieren Items 1 und 4 auch positiv mit der Zeitplan-
sen ermittelt. einhaltung.
Shenhar Gleiche Stichprobe wie Erfolgsmessung in 3 Dimensionen: Alternativenabwägung und Machbarkeitsstudien sind unabhängig
et al. (2002) bei Raz et al. (2002) 1. Meeting design goals (Erreichung der vom Unsicherheitsgrad des Projektes erfolgswirksam.
Leistungsziele, Zeitplaneinhaltung, Dokumentation der Planung ist vor allem bei Projekten mit hoher
Budgeteinhaltung) Komplexität und niedriger Unsicherheit wichtig.
2. Benefits to the customer (4 Items) Erstellung eines Projektstrukturplans ist unabhängig vom Projekt-
3. Commercial success and future potential typ erfolgswirksam.
(5 Items)
Meilensteinplanung und Netzplantechniken sind vor allem bei
Technische Unsicherheit und Projektum- komplexen Projekten mit hoher Unsicherheit wichtig.
fang werden jeweils durch die Aus-
prägungen hoch“ und niedrig“ beschrie-
” ”
ben.
(wird fortgesetzt)
(Fortsetzung)
Song und 331 NPE-Projekte Erfolgsmessung: Grad, zu dem das Pro- Idea development and screening (5 Items) hat weder bei hoch-
Montoya- US-amerikanischer dukt die Gewinnziele des Unternehmens noch bei niedriginnovativen Produkten eine signifikante Wirkung
Weiss High-Tech erfüllt auf den Projekterfolg.
(1998) Unternehmen Innovationsgrad: Einteilung der Produk- Business and market analysis (7 Items) wirkt bei wenig innovati-
ten in really new“ (163) und incremen- ven Projekten positiv auf den Erfolg, ist jedoch bei hochinnovati-
” ”
tal“ (169) durch die Respondenten. ven Projekten kontraproduktiv.
Projektplanung ( Proficiency in the Strategic Planning Stage“,
”
8 Items) hat dagegen positive Erfolgswirkung bei hochinnova-
tiven Projekten und ist kontraproduktiv bei niedriginnovativen.
Hierunter fallen u. a. Items zur Zeit- und Meilensteinplanung, zur
5.3. Studien mit Fokus auf Projektplanung
Investitions- und Kostenplanung sowie zum Risikomanagement.

115
Shenhar et al. (2002) und Raz et al. (2002) Beide Veröffentlichungen der For-
schergruppe um Dvir und Shenhar basieren auf einer Stichprobe von 127 israelischen Pro-
duktentwicklungsprojekten, die einen breiten Industriequerschnitt widergeben. Ein Inno-
vationsgrad im Sinne von Kapitel 2.2 wird nicht erhoben, stattdessen werden die Projekt
anhand einer von den Autoren entwickelten Projekttypologie mit den zwei Dimensionen
Technische Unsicherheit“ und Projektumfang“ klassifiziert.12
” ”
Die Arbeit von Shenhar et al. (2002) nimmt eine inhaltlich fast erschöpfende Untersu-
chung der Verwendung und Erfolgswirkung operativer Techniken des Projektmanagement
vor, betrachtet jedoch weder Aspekte der Businessplanung noch psychosoziale Aspekte der
Teamarbeit. Insgesamt werden fünf Variablengruppen mit 22 Untergruppen und insgesamt
172 Items betrachtet, die jedoch nicht statistisch zu Faktoren und Dimensionen verdichtet
werden. Zur Erfolgsbeurteilung werden die drei Variablen Meeting design goals“, Custo-
” ”
mer benefits“ und Commercial success and future potential“ verwendet. Angesichts der
”
Variablenzahl und der unterschiedlichen Projekttypen liefert die Datenauswertung mit-
tels kanonischer Korrelationsanalyse eine Fülle an Einzelbefunden, die sich hinsichtlich
der Projektplanung wie folgt aggregiert lassen:
1. Unabhängig vom Projekttyp sind sorgfältige Alternativenabwägung und Machbar-

keitsstudien in frühen Projektphasen wichtig.
2. Die Erstellung eines detaillierten Projektstrukturplans ist grundsätzlich wichtig, vor

allem aber bei Projekten mit hoher Unsicherheit.
3. Die sorgfältige Identifikation wichtiger Meilensteine und ihre Abbildung in einem

Meilensteinplan ist vor allem für Projekte mit hohem Unsicherheitsgrad wichtig, in
geringerem Maße auch für solche mit hoher Komplexität.
Insgesamt zeigt sich also, dass formelle Methoden der Projektplanung grundsätzlich eine
positive Erfolgswirkung haben, insbesondere bei Projekten mit hohem Unsicherheitsgrad.
Die Veröffentlichung von Raz et al. (2002) setzt auf der eben beschriebenen Unter-
suchung auf, indem sie einen der 22 Faktoren des Projektmanagement herausgreift und
näher untersucht. Die zentrale Fragestellung lautet hier, zu welchem Grad fünf Aktivitäten
des Risikomanagement bei den verschiedenen Projekttypen eingesetzt werden und wel-
che Auswirkung dies auf den Projekterfolg hat. Bei den fünf Aktivitäten handelt es sich
um (1) Risikoidentifikation, (2) Probabilistische Analyse der Risikohöhe, (3) Vorbeugende
Planung zur Reduktion der Eintrittswahrscheinlichkeit, (4) Maßnahmenplanung für den
12
Vgl. zu dieser Typologie Shenhar et al. (1995) sowie Shenhar und Dvir (1996), S. 610ff.; Dvir et al.
(1998), S. 917ff.; Shenhar (2001), S. 397ff.
5.3. Studien mit Fokus auf Projektplanung 117
Eintritt des Risikofalls sowie (5) Ernennung eines Risikomanagers. Die Erfolgsmessung er-
folgt im Gegensatz zu Shenhar et al. (2002) nur anhand von vier Items, nämlich Budget-
und Zeitplaneinhaltung sowie Einhaltung technischer und funktioneller Spezifikationen.
Die empirischen Ergebnisse zeigen zunächst, dass im Rahmen der untersuchten Pro-
jekte nur in relativ geringem Umfang Methoden der Risikobewältigung verwendet wer-
den. Projekte, die sich mit hoher technischer Unsicherheit konfrontiert sehen, investieren
signifikant mehr Ressourcen in Risikoidentifikation und vorbeugende Planung, die den
Eintritt des Risikofalls vermeiden. Bei Projekten mit niedrigem Unsicherheitsgrad zeigt
keine der Maßnahmen eine positive Erfolgswirkung, die Ernennung eines Risikomanagers
korreliert sogar deutlich negativ mit der Erreichung technischer und funktioneller Spezifi-
kationen. Bei Projekten mit hoher technischer Unsicherheit fördern die Maßnahmen (1),
(2) und (5) die Budgeteinhaltung, die Maßnahmen (1) und (4) die Zeitplaneinhaltung.
Zusammenfassend lässt sich also sagen, dass sich Aktivitäten zum Risikomanagement bei
Projekten hoher Unsicherheit zwar positiv auf die Projekteffizienz auswirken, aber keinen
Effekt auf Outcome-Dimensionen haben. Bei Projekten mit niedriger Unsicherheit können
Risikomanagement-Methoden sogar kontraproduktiv wirken.
Dvir et al. (2003) Die neueste Veröffentlichung der israelischen Forschungsgruppe

untersucht die Erfolgswirkung der Projektplanung an einer Stichprobe von 110 Entwick-
lungsprojekten aus dem militärischen Sektor. Die Anzahl der berücksichtigen Manage-
mentaktivitäten wird hier kürzer gehalten, was die Ergebnisse übersichtlicher gestaltet,
allerdings wird auch auf die Differenzierung zwischen unterschiedlichen Projekttypen ver-
zichtet, so dass keine Kontingenzaussagen möglich sind. Die vier bei Raz et al. (2002)
verwendeten Erfolgsitems werden unter der Rubrik Meeting planning goals“ zusammen-
”
gefasst, daneben werden die Erfolgsdimensionen End user benefits“ und Contractor
” ”
benefits“ verwendet sowie ein zusammenfassendes Item Overall success“.
”
Ein zentraler Befund der Studie ist die Tatsache, dass keine signifikante Korrelati-
on zwischen den Erfolgsdimensionen und der Implementation of project management“
”
besteht. Diese Variablengruppe umfasst insgesamt 17 Items, darunter auch Fragen zum
Risikomanagement sowie zur Zeit- und Ressourcenplanung. Methodisch ist hier einzuwen-
den, dass wiederum keine Faktorbildung vorgenommen wird, sondern stattdessen über eine
große Anzahl z. T. sehr unterschiedlicher Items gemittelt wird. Sieht man über diesen Ein-
wand hinweg und berücksichtigt, dass nicht nach Unsicherheitsgrad oder Innovationshöhe
kontrolliert wird, so kann dieser Befunde durchaus mit den Ergebnissen der beiden zu-
vor besprochenen Studien in Einklang gebracht werden: Detaillierte Projektplanung und
Maßnahmen des Risikomanagement zahlen sich tendenziell nur bei Projekten mit hohem
Unsicherheitsgrad aus. Ein weiteres Resultat der Untersuchung besteht darin, dass die
sorgfältige Spezifikation funktioneller und technischer Anforderungen zu hohen Contrac-
”
tor benefits“ führt, die durch eine Reihe von Kundennutzen-Dimensionen erfasst werden.
Song und Montoya-Weiss (1998) Die Autoren dieser Studie untersuchen die Erfolgs-
wirkung von sechs ausgewählten Aktivitäten des Produktentwicklungsprozesses, gehen
also stärker fokussiert vor als die im Abschnitt 5.2 vorgestellten Untersuchungen. Durch
eine Unterscheidung von wirklich neuen“ gegenüber inkrementellen“ Produkten zielen
” ”
sie zudem darauf ab, eine Moderatorwirkung des dichotomisch gemessenen Innovations-
grads hinsichtlich einzelner Prozessaktivitäten zu identifizieren. Zu den sechs untersuchten
Entwicklungstätigkeiten zählen auch drei Faktoren, die Planungstätigkeiten umfassen.13
Bei der Betrachtung der drei von Song und Montoya-Weiss untersuchten Planungs-
faktoren muss zunächst kritisch angemerkt werden, dass die für die Faktoren gewählten
Bezeichnungen z. T. dem Inhalt der dahinterliegenden Fragebogenitems deutlich zuwider-
laufen.14 So enthält der Faktor Strategic Planning Proficiency zwar ein Item Assessing
”
of the required investment, time, and risk of the product concept“, daneben aber auch
Meilensteindefinition, Zeit- und Kostenplanung, also typische Aspekte operativer Pro-
jektplanung. Der Faktor Idea Development and Screening dagegen beinhaltet Items zur
Entwicklung des Produktkonzeptes sowie zur Analyse des finanziellen Business Case. Der
Faktor Business and Market Opportunity Analysis schließlich erfasst neben Aspekten der
Markt- und Wettbewerberanalyse auch verschiedene Aktivitäten zur Ableitung von Kun-
dennutzendimensionen, betrifft also wie auch der zweite Faktor die Produktkonzeption.
Erst vor diesem Hintergrund lassen sich die empirischen Ergebnisse interpretieren, die
Song und Montoya-Weiss anhand von zwei separaten Regressionsmodellen für die wirk-
”
lich neuen“ sowie die inkrementellen“ Produkte ermitteln.
”
Die Befunde zur operativen Projektplanung (Faktor 1) sind eindeutig: Bei hochinno-
vativen Produkten wirken Meilensteindefinition, Zeit- und Kostenplanung stark positiv
auf den finanziellen Erfolg des Projektes, bei niedriginnovativen Produkten haben sie je-
doch eine deutlich negative Wirkung. Der zweite Faktor zeigt weder bei hoch- noch bei
niedriginnovativen Projekten eine statistisch signifikante Wirkung, die Erfolgswirkung des
dritten Faktors ist dagegen genau reziprok zu der des ersten: Die Analyse von Umfeld und
Kundennutzen-Dimensionen ist der größte Erfolgsfaktor bei niedriginnovativen Produk-
ten, wirkt aber kontraproduktiv bei den hochinnovativen. Während also klare Aussagen
hinsichtlich der Projektplanung vorliegen, wird die Interpretation der Befunde zur Busi-
nessplanung durch die inhaltliche Überschneidung der Faktoren 2 und 3 erschwert. Eine
mögliche Kernaussage könnte darin bestehen, dass es sich bei der Alternativenabwägung,
13
Die sechs Faktoren wurden von den Autoren anhand von Fallstudien und Fokusgruppen als beson-
ders erfolgskritisch identifiziert. Neben den drei Planungsfaktoren zählen dazu noch Produkttest,
technische Entwicklung und Kommerzialisierung.
14
Vgl. Song und Montoya-Weiss (1998), Appendix auf S. 134f.
5.3. Studien mit Fokus auf Projektplanung 119
Produktkonzeption und Analyse des daraus erwachsenden Business Case im Allgemeinen

um Hygienefaktoren“ handelt, dass aber das Verstehen des Marktes“ und eine stringen-
” ”
te Ableitung von Kundennutzen-Dimensionen die wahren Erfolgsfaktoren bei der Planung
hochinnovativer Produkte sind.
Avlonitis und Papastathopoulou (2001) Ähnlich wie Song und Montoya-Weiss

(1998) nehmen auch Avlonitis und Papastathopoulou eine dichotomische Einteilung in
hoch- und niedriginnovative Projekte vor und ermitteln dann die Erfolgsfaktoren der jewei-
ligen Kategorie entlang einzelner Schritte des Produktentwicklungsprozesses. Grundlage
für ihre Untersuchung bildet jedoch eine Stichprobe von 100 Dienstleistungsinnovationen
aus dem Finanzsektor, was die Vergleichbarkeit mit anderen hier berichteten Befunden
einschränkt.15
Die Autoren leiten aus einer Literaturanalyse sechs kritische Prozessbestandteile ab,
von denen zwei Planungsbezug haben: Idea generation and screening deckt mit Prozess-
schritte von Idea screening“ bis Translating the product concept into business terms“
” ”
die Businessplanung ab, während der Faktor Technical development entgegen seiner Be-
zeichnung v. a. Aspekte der operativen Projektplanung umfasst.16 Die Regressionsmodelle
für die beiden Projektkategorien liefern klare Ergebnisse: Businessplanung ( Idea gene-
”
ration . . .“) ist der wichtigste Erfolgsfaktor bei den niedriginnovativen Produkten, zeigt
aber bei den hochinnovativen keine signifikante Erfolgswirkung. Die operative Projektpla-
nung wirkt bei beiden Projektkategorien positiv auf den Erfolg, besonders stark jedoch
bei Projekten mit niedrigem Innovationsgrad.
Diskussion Zur schnelleren Übersicht werden die Befunde der in diesem Abschnitt
beschriebenen Studien noch einmal in stark abstrahierter Form in Tabelle 5.4 ge-
genüberstellt. Dabei fällt unmittelbar auf, dass sich die Arbeiten von Avlonitis und
Papastathopoulou (2001) sowie Song und Montoya-Weiss (1998) hinsichtlich ihrer Kon-
tingenzaussagen fundamental widersprechen: Folgt man den Ergebnissen von Avloni-
tis und Papastathopoulou, so ist bei hochinnovativen Projekten besonderer Wert auf
sorgfältige Businessplanung zu legen, während detaillierte Projektplanung bei Vorhaben
mit niedrigem Innovationsgrad im Vordergrund stehen sollte. Eine solche Konstellation
ist jedoch nach Song und Montoya-Weiss gerade als erfolgsschädigend einzustufen. Die
mögliche Ursache dieses Widerspruches könnte natürlich in der Tatsache zu suchen sein,
15
Vgl. hierzu die Anmerkungen im vorigen Abschnitt.
16
Hierunter fallen z. B. die Items Exploring implications on operating/delivery systems“, Assessing
” ”
time, personnel and investment requirements“ und Setting performance objectives“, vgl. Avlonitis
”
und Papastathopoulou (2001), Appendix 1.
Businessplanung Projektplanung
Hoch- Niedrig- Hoch- Niedrig-

innovative innovative innovative innovative
Studie Projekte Projekte Projekte Projekte
Avlonitis und Papastathopoulou (2001)

Dvir et al. (2003)
Raz et al. (2002)
Shenhar et al. (2002)
Song und Montoya-Weiss (1998)
Erläuterung. Erfolgswirkung der Planung wie folgt kodiert: = stark positiv; = schwach
positiv; = keine signifikante Wirkung; = schwach negativ.
Tabelle 5.4: Erfolgswirkung der Planung – Zusammenfassung der Befunde für Projekte unterschiedlichen
Innovationsgrads
dass die von Avlonitis und Papastathopoulou betrachteten Dienstleistungsinnovationen

eben doch ein grundsätzlich anderes Planungssystem benötigen als Produktinnovationen
– eine Vermutung, die jedoch durch die im vorigen Abschnitt dargestellten Befunde nicht
unterstützt wird. Schwerer wiegen wohl eher die Unterschiede in der Operationalisie-
rung der Planungskonstrukte. So messen Avlonitis und Papastathopoulou die Qualität
der Businessplanung durch einen Faktor, der die Aspekte Ideenevaluation, Definition
des Produktkonzeptes und Erstellung eines Business Case umfasst, während Song und
Montoya-Weiss hier zwei Faktoren bilden: Ihr Idea Screening“-Faktor enthält genau
”
dieselben Items, zeigt aber weder bei hoch- noch bei niedriginnovativen Projekten ei-
ne signifikante Erfolgswirkung. Der Business and Market Analysis“-Faktor dagegen,
”
der zu den konträren Befunden führt, erfasst vor allem, wie sorgfältig Marktstudien,
Wettbewerberanalysen und Machbarkeitsstudien durchgeführt werden.
Ähnliche Differenzen treten zutage, wenn man die Operationalisierung der Projekt-
planung vergleicht. Beide Arbeiten enthalten zunächst jeweils ein Item zur Zeit- und Res-
sourcenplanung. Daneben erfassen jedoch die weiteren Fragen bei Avlonitis und Papasta-
thopoulou stärker inhaltliche Gesichtspunkte, nämlich wie die vom Innovationsvorhaben
verursachten Veränderungen operativer Geschäftsprozesse untersucht und geplant werden,
während Song und Montoya-Weiss stärker auf die eigentlichen Mechanismen der Pro-
jektplanung abstellen. Die zentrale Aussage von Avlonitis und Papastathopoulou (2001)
hinsichtlich der Projektplanung besteht darin, dass es sich vor allem bei den weniger in-
novativen Vorhaben auszahlt, schon in frühen Projektphasen detailliert die notwendigen
Anpassungen in operativen Geschäftsabläufen vorzubereiten, während dies bei hochin-
5.4. Studien mit Fokus auf Projektsteuerung 121
novativen Vorhaben nur in geringem Maße erfolgssteigernd wirkt. Dagegen weisen Song
und Montoya-Weiss (1998) sowie Shenhar et al. (2002) übereinstimmend nach, dass sich
fortgeschrittene Methoden der Projektplanung, also Meilen- und Netzplantechniken sowie
Risikomanagement, vor allem bei hochinnovativen Projekten auszahlen.
Abstrahiert man pragmatisch von den eben dargestellten Differenzen in Detailbefun-
den und Fragen der Operationalisierung, so kann festgehalten werden, dass Business-
planung – operationalisiert durch sorgfältige Marktforschung, bewusste Ideenevaluation
sowie die Erstellung eines finanziellen Business Case – positiv auf den Vorhabenserfolg
wirkt. Diese Wirkung wird tendenziell negativ durch den Innovationsgrad moderiert, Busi-
nessplanung wirkt also v. a. bei Projekten mit niedrigem Innovationsgrad erfolgssteigernd.
Die Moderatoraussage ist nicht unstrittig, scheint jedoch insofern vertretbar zu sein, als
sie die Mehrzahl der Studien widerspiegelt und der stärkste Widerspruch von einer Stu-
die über Dienstleistungsinnovationen (Avlonitis und Papastathopoulou, 2001) herrührt.
Projektplanung wirkt generell positiv auf den Vorhabenserfolg. Die Wirkung fortgeschrit-
tener Projektplanungsmethoden (v. a. Meilensteinplanung, Netzplantechniken, Risikoma-
nagement) auf den Vorhabenserfolg wird positiv durch den Innovationsgrad moderiert,
komplexe Projektplanungstechniken wirken also v. a. bei Projekten mit hohem Innova-
tionsgrad erfolgssteigernd. Auch im Fall der Projektplanung ist es wiederum nur die
Veröffentlichung von Avlonitis und Papastathopoulou (2001), die hinsichtlich des Modera-
toreffektes zu gegensätzlichen Aussagen gelangt. Da sie zudem einen anderen Schwerpunkt
bei der Konstruktoperationalisierung setzt, scheint die Aussage gerechtfertigt zu sein.
5.4 Studien mit Fokus auf Projektsteuerung
Die Arbeiten, die in diesem Abschnitt besprochen werden sollen, lassen sich in drei Kate-
gorien einteilen. Die beiden Arbeiten der Gruppe um Lynn et al. (1999; 2000) betrachten
schwerpunktmäßig das Zusammenspiel von Projektvision, Team Learning und Teampro-
zess und generieren dabei auch Erkenntnisse über die Erfolgswirkung von Projektsteue-
rung und Zielstabilität . In die zweite Kategorie fallen die Studien Dvir et al. (1998) sowie
Shenhar et al. (2002), die zwar wenig theoriegeleitet vorgehen und keine Konstruktbildung
durchführen, dafür aber für die betrachteten Projekttypen sehr detaillierte Informatio-
nen mit überdurchschnittlicher Praxisrelevanz liefern. Alle übrigen Arbeiten lassen sich
einer dritten Kategorie zuordnen, deren gemeinsames Ziel es ist, Kontingenz- und Effi-
zienzaussagen hinsichtlich der Verwendung von formell-mechanistischen“ Steuerungsin-
”
strumenten im Gegensatz zu organisch-partizipativen“ zu machen. Diese Arbeiten gehen
”
überwiegend theoriegeleitet vor, kommen aber zum Teil zu widersprüchlichen Ergebnissen
und können kaum konkrete Gestaltungsempfehlungen für das Management von Innova-
tionsprojekten geben. Forschungsdesign und die zentralen Befunde aller Studien sind in
Tabelle 5.5 gegenübergestellt und werden im Folgenden analysiert.
Lynn et al. (1999; 2000) Beide Veröffentlichungen von Lynn et al. gehen im Schwer-
punkt der Frage nach, inwieweit eine klare Projektvision und organisationales Lernen im
Projektteam wichtige Determinanten des Vorhabenserfolgs sind, der jeweils durch einen
umfassenden Faktor New Product Success und das speziellere Kriterium Speed gemessen
wird. In der ersten Arbeit, die auf einer Stichprobe von 95 amerikanischen Hochtecholo-
gieprojekten basiert, wird daneben auch die Erfolgswirkung formeller Projektsteuerung
untersucht. Die Operationalisierung erfolgt durch Items, die u. a. die Verfolgung eines
Meilensteinplanes sowie Mechanismen der Fortschritts- und Kostenkontrolle ermitteln.
Durch Regressionsanalysen können die Autoren signifikant positive Wirkungen der Pro-
jektsteuerung auf beide Erfolgskriterien nachweisen.
Die zweite Arbeit erweitert die Analyse der Projektvision, indem sie neben der Klar-
heit der Vision auch deren Stabilität über den Projektverlauf untersucht. Vision Stabi-
”
lity“ wird dabei anhand konkreter Projektziele operationalisiert, erfasst also vor allem,
in welchem Ausmaß Design-, Produktions- oder sonstige technische Ziele Änderungen
unterworfen waren. Eine Pfadanalyse, die auf einer Stichprobe von 280 amerikanischen
Produktentwicklungsprojekten basiert, weist einen positiven Einfluss der Ziel- bwz. Visi-
onsstabilität auf das Kriterium Speed nach, der Zusammenhang mit dem umfassenden New
Product Success wird im Pfadmodell dagegen nicht untersucht. Allerdings lässt sich der
angegebenen Korrelationsmatrix ein hoher Korrelationskoeffizient zwischen diesen Größen
entnehmen, so dass auch dieser Effekt im Rahmen der quantitativen Metaanalyse in Ab-
schnitt 5.5 berücksichtigt werden kann.
Dvir et al. (1998) Im Rahmen dieser Arbeit werden zunächst die 110 untersuchten
Projekte aus der israelischen Verteidigungindustrie mittels linearer Diskriminanzanaly-
se anhand verschiedener Prädiktor-Dimensionen17 in sechs Projektkategorien eingeteilt.
Über kanonische Korrelationsanalyse wird anschließend für die sechs Projektkategorien
untersucht, wie groß die Erfolgswirkung von insgesamt 106 Items zum Projektmanage-
ment bei den sechs Projektkategorien auf die beiden Erfolgsdimensionen Meeting design
goals und Benefits to the customer ist.
Aufgrund der Tatsache, dass keine Wirkungszusammenhänge auf aggregierter Fak-
torebene untersucht, sondern 1272 Einzelkorrelationen betrachtet werden, lassen sich aus-
sagekräftige Befunde nur schwer identifizieren.18 Zudem sind die Ergebnisse wegen der
17
Zu diesen zählen u. a. Projektumfang, technische Unsicherheit, Technologietyp, Hard- vs. Software,
etc.
18
Die von Brown und Eisenhardt (1995) gewählte Bezeichnung Fishing Expedition“ charakterisiert
”
diese Herangehensweise treffend, vgl. das auf S. 29 der vorliegenden Arbeit wiedergegebene Zitat.
sehr untersuchungsspezifischen Definition der Projekttypen kaum mit denen anderer Ar-
beiten vergleichbar. Mittelt man die Aussagen über die verschiedenen Projekttypen, so
zeigt sich, dass das Steuern anhand eines Meilensteinplanes positiv mit der Realisierung
der Customer benefits 19 korreliert. Für das Erreichen der Design goals 20 sind ebenfalls
Meilensteinsteuerung sowie strikte Budgetkontrolle wichtig. Bei sehr umfangreichen und
komplexen Projekten sind darüber hinaus Massnahmen zum Risikomanagement erfolgs-
kritisch.21
Shenhar et al. (2002) Ähnlich wie die früheren Veröffentlichungen Shenhar und Dvir
(1996) sowie Dvir et al. (1998) untersuchen auch Shenhar et al. (2002) Erfolgsfaktoren im
Prozessablauf von Neuproduktentwicklungen mit Hilfe von langen Itembatterien, fassen
aber die betrachteten 127 NPE-Projekte anhand von Komplexität und Unsicherheitsgrad
zu nur vier Klassen zusammen. Die Suche nach Treibern des Projekterfolgs wird hier
ebenfalls über eine kanonische Korrelationsanalyse durchgeführt, die unter den insgesamt
170 berücksichtigten Items 96 Erfolgsfaktoren“ identifiziert.
”
Angesichts der großen Zahl betrachteter Einzelkorrelationen sind verallgemeinerbare
Aussagen wiederum nur schwer zu treffen. In den frühen Projektphasen sind v. a. Al-
ternativengenerierung, Durchführung von Machbarkeitsstudien sowie die Erstellung eines
Projektstrukturplans unabhängig vom Projekttyp erfolgswirksam. Die Steuerung anhand
von Meilenstein- bzw. Netzplänen wird dagegen v. a. bei Projekten mit hoher Unsicherheit
empfohlen, sorgfältige Projektdokumentation ist dort ebenfalls wichtig. Bei Projekten ho-
her Unsicherheit sollte verstärkt die Zeitplaneinhaltung überwacht werden, bei Projekten
niedriger Sicherheit dagegen die Budgeteinhaltung.
19
Customer benefits liegen nach Dvir et al. dann vor, wenn das Produkt in Betrieb genommen wurde,
eine lange Nutzungsdauer erreicht sowie Kundenzufriedenheit erzielt hat.
20
Hierunter fallen u. a. Budgeteinhaltung, Zeitplaneinhaltung sowie die Einhaltung technischer und
funktionaler Spezifikationen.
21
Dvir et al. (1998), S. 924.
Tabelle 5.5: Übersicht über Studien mit Fokus auf Projektsteuerung
124
Publikation Stichprobe Messung von Erfolg sowie Wesentliche Befunde hinsichtlich Projektsteuerung
Bonner et al. 95 nordamerikanische Erfolgsmessung über 4-Item Skala: Projektsteuerung wird durch formelle Steuerungsmechanismen
(2002) NPE-Projekte, davon 1. Einhaltung Projektzeitplan und interaktive Steuerungsmechanismen erfasst:
ca. 1/3 Konsumgüter 2. Einhaltung Projektbudget Formelle Steuerungsmechanismen umfassen Projektsteuerung (4
3. Einhaltung Produkt-Leistungsziele items), outputorientierte Steuerung (4 items) und Anreizsystem
4. Zufriedenheit mit der Leistung des (3 items)
Teams Interaktive Steuerungsmechanismen umfassen den Einfluss des
Innovationsgrad als dichotome Variable: Projektteams auf die operative Steuerung (4 items), den Einfluss
Entsprechend Systematik von Booz, Al- des Teams auf die Projektstrategie (4 items) sowie Interventionen
len & Hamilton, Inc. (1982) wurden die des Management (6 items).
Projekttypen New-to-the-World und New- Einflussnahme des Teams auf die operative Steuerung hat positi-
to-the-Firm als innovativ, alle anderen als ve Wirkung auf den Projekterfolg, Managementintervention und
nicht-innovativ eingestuft. formelle Projektsteuerung haben negative Erfolgswirkung.
Dvir et al. 110 israelische Erfolgsmessung in 2 Dimensionen: Die Projekte wurden nach mehreren Kriterien, u. a. Projektum-
(1998) Verteidigungsprojekte 1. Meeting design goals (Budgeteinhal- fang, in 6 Kategorien eingeteilt.
tung, Zeitplaneinhaltung sowie Einhal- Für das Erreichen der Design goals wichtig sind Budgetkontrolle
tung technischer und funktionaler und das Steuern anhand eines Meilensteinplans. Risikomanage-
Spezifikationen) ment ist nur für sehr umfangreiche und komplexe Projekte wich-
2. Benefits to the customer (u. a. Produkt tig.
wurde in Betrieb gesetzt, Nutzungs- Für das Erreichen der Customer benefits ist das Steuern anhand
dauer, Kundenzufriedenheit) eines Meilensteinplans von mittlerer Wichtigkeit für alle Projekt-
typen.
(wird fortgesetzt)
(Fortsetzung)
Griffin 343 Entwicklungspro- Erfolgskriterium ist die NPD cycle time“ Formelle Projektsteuerung gemessen durch ein Item: Having and
” ”
(1997) jekte (Produkte und in 3 Ausprägungen: following a well-documented product development process“.
Dienstleistungen) aus 1. Development time Moderierte Regressionen auf die drei Zeitkenngrößen ergibt, dass
21 Geschäftsbereichen 2. Concept to customer time formelle Projektsteuerung keine direkte Erfolgswirkung hat. Der
von 11 Firmen (Elek- 3. Total time Interaktionsterm zwischen formeller Projektsteuerung und Pro-
tromaschinenbau, duktkomplexität wirkt negativ auf die Development time, d. h.
Chemie, Konsumgüter, Produktkomplexität gemessen durch die
Anzahl an Funktionen, die ein Produkt komplexe Projekte sollten formeller gesteuert werden, um kurze
Medizintechnik, Kom- Entwicklungszeiten zu erreichen.
munikation) erfüllen muss (ein Item).
Lewis et al. 80 NPE-Projekte aus 4 Erfolgsmessung in 4 Dimensionen: Zwei Arten des Projektmanagement werden unterschieden: Emer-
5.4. Studien mit Fokus auf Projektsteuerung
(2002) Geschäftsbereichen ei- 1. Technical knowledge:“ Aufbau von gent Style und Planned Style. Der Emergent Style stellt Aspekte
nes US-amerikanischen ” des Lernens, Verstehens, Experimentierens und Improvisierens in
Markt- und technischem Know-how,
Chemie-Konzerns Erzielung eines Wettbewerbsvorteils den Vordergrund. Der Planned Style sieht Projektmanagement als
(7 Items) einen rationalen top-down Prozess. Methodische Kontrolle bildet
2. Commercial objectives:“ Einhaltung die Grundlage für Go/Kill- und Ressourcen-Entscheidungen bei
” Meilenstein-Reviews.
von Time-to-market und Zielkosten,
Erreichung der Ergebnisziele (4 Items) Der Planned Style wirkt v. a. positiv auf Budgeteinhaltung und
3. On time“ (2 Items) Technical knowledge, der Emergent Style wirkt v. a. positiv auf
”
4. Within budget“ (3 Items) Zeitplaneinhaltung und die Commercial objectives. Einzelne Mo-
”
Uncertainty in 2 Dimensionen: deratoreffekte konnten identifiziert werden: Commercial uncer-
tainty moderiert die Erfolgswirkung der Items des Emergent Sty-
1. Technical uncertainty (10 Items) ”
le“ tendenziell positiv, technical uncertainty moderiert die Erfolgs-
2. Commercial uncertainty (5 Items) wirkung des Planned Style“ tendenziell negativ.
”
Lynn et al. 95 US-amerikanische Erfolgsmessung in 2 Dimensionen: NPD Process, d. h. Steuerung anhand Meilenplan, Mechanismen
(1999) NPE-Projekte ( high 1. Speed to Market (4 Items) zur Fortschrittskontrolle und Mechanismen zur Kostenkontrolle,
”
technology“) 2. New Product Success (8 Items wirkt signifikant positiv sowohl auf Speed to Market als auch auf
verschiedener Dimensionen New Product Success.
125
(wird fortgesetzt)
(Fortsetzung)
126
Lynn et al. 280 US-amerikanische Erfolgsmessung in 2 Dimensionen: Vision Clarity, erfasst als Klarheit hinsichtlich Geschäftszielen,
(2000) NPE-Projekte, 1. Speed to Market (4 Items) technische Zielen, Produkteigenschaften, Zielmarkt und Kunden-
(breiter Querschnitt 2. New Product Success (6 Items präferenzen, wirkt signifikant positiv auf Vision Stability und New
von Industrien mit hinsichtlich Profitabilität und Product Success.
Schwerpunkt auf Erreichung der Marktziele Vision Stability, erfasst als Stabilität von Designzielen, Produk-
Elektronik und Kom- tionszielen sowie technischen Zielen, wirkt signifikant positiv auf
munikationstechnik) Speed to Market (korreliert aber auch sehr hoch mit New Product
Success).
Moenaert 78 Projekte aus 40 Commercial Success wird durch Items ge- Project Formalization erfasst, inwieweit der Prozess anhand ei-
et al. (1994; belgischen Firmen messen. nes Projektplans mit definierten Aktivitäten, Zeitvorgaben und
1995) verschiedener Innovationsgrad wird durch die Dimen- Meilensteinen gesteuert und der Fortschritt überwacht wurde (5
Industrien sionen Technological Newness“ (5 Items) Items).
”
und Market Newness“ (5 Items) erfasst. Zwischen Project Formalization und Commercial Success besteht
”
eine schwach signifikante positive Korrelation.
(wird fortgesetzt)
(Fortsetzung)
Olson et al. 45 NPE-Projekte aus Erfolgsmessung in 3 Dimensionen: Gestaltung der Projektsteuerung: Projekte mit geringem Innova-
(1995) 15 Geschäftsbereichen 1. Product and financial outcomes tionsgrad werden tendenziell mechanistischer und hierarchischer
von 12 Firmen (breiter (Qualität, Zufriedenheit mit Produkt- gesteuert als solche mit hohem Innovationsgrad.
Querschnitt von design, Time-to-break-even, Umsatz- Erfolgswirkung: Je besser der Innovationsgrad des Projekts und
Industrien) zielerreichung) der Formalisierungsgrad der Steuerungsmechanismen zueinander
2. Efficiency outcomes (Entwicklungszeit, passen, desto höher ist die Zielerreichung, v. a. hinsichtlich Um-
Launchdauer, Budgeteinhaltung) satz, Zeitplaneinhaltung und den psychosozialen Maßen.
3. Psychosocial outcomes (Gefühl von
Zufriedenheit, eigenem Beitrag und Ziel-
erfüllung)
Innovationsgrad in Form der Klassifikation
5.4. Studien mit Fokus auf Projektsteuerung
von Booz, Allen & Hamilton, Inc. (1982)

erhoben.
Shenhar 127 israelische Erfolgsmessung in 4 Dimensionen: Projektplanung: Alternativenabwägung und Machbarkeitsstudien

et al. (2002) Industrieprojekte, v. a. 1. Meeting design goals (Erreichung der sind unabhängig vom Unsicherheitsgrad des Projektes erfolgswirk-
aus den den Bereichen Leistungsziele, Zeitplaneinhaltung, sam. Dokumentation der Planung ist vor allem bei Projekten mit
Elektronik, Computer, Budgeteinhaltung) hoher Komplexität und niedriger Unsicherheit wichtig.
Maschinenbau, 2. Benefits to the customer (4 Items) Projektsteuerung: Erstellung eines Projektstrukturplans ist un-
Chemie und Bau. 3. Commercial success and future potential abhängig vom Projekttyp erfolgswirksam. Detaillierte Meilen-
Gleiche Stichprobe wie (5 Items) steinplanung und Netzplantechniken sind vor allem bei komplexen
bei Raz et al. (2002). Technische Unsicherheit und Projektum- Projekten mit hoher Unsicherheit wichtig. Bei Projekten hoher
fang werden jeweils durch die Aus- Unsicherheit sollte tendenziell die Zeitplaneinhaltung überwacht
prägungen hoch“ und niedrig“ beschrie- werden, bei Projekten niedriger Unsicherheit die Budgeteinhal-
” ” tung.
ben.
(wird fortgesetzt)
127
(Fortsetzung)
128
Tatikonda 120 nordamerikanische Operational outcomes als 3-Item Skala: Process formality (Projektmanagement durch Regeln und Proze-
und NPE-Projekte von 57 1. Erreichung Produktleistung duren, Befolgung dieser Prozeduren, Durchführung formeller Re-
Montoya- Firmen, 2. Einhaltung Produktzielkosten views) wirkt stark auf die Operational outcomes.
Weiss schwerpunktmäßig aus 3. Einhaltung Time-to-market Process adaptibility (Ausmaß, zu dem die Projektleitung Vorge-
(2001) den Bereichen hen, Zeitplanung und Art der Reviews bestimmen kann) wirkt
Medizintechnik, Market outcomes als 2-Item Skala:
stark positiv auf die Time-to-market sowie bei hochinnovativen
Imaging, 1. Kundenzufriedenheit mit Produkt Produkten auch positiv auf die Einhaltung der Produktzielkosten
Informations- und 2. Erreichung Umsatzziel (Interaktionseffekt).
Kommunikationselek- Produktinnovationsgrad operationalisiert
tronik Erreichung der Produktleistung und Einhaltung der Time-to-
als Neuigkeitsgrad der Produkttechnolo- market wirken positiv auf die Kundenzufriedenheit, wobei die
gien, -module und -architektur.
Wirkung der Produktleistung auf die Kundenzufriedenheit wird
Marktneuartigkeit für die Firma durch ein leicht negativ durch die Marktneuartigkeit moderiert wird. Die
Item erfasst. Produktleistung und die Einhaltung der Produktzielkosten wir-
ken positiv auf die Umsatzzielerreichung.
Griffin (1997) Die Arbeit von Griffin hat einen etwas engeren Fokus als die anderen in
diesem Abschnitt vorgestellten Studien. Die Autorin untersucht anhand einer Stichpro-
be von 343 Entwicklungsprojekten (sowohl Produkt- als auch Dienstleistungsinnovatio-
nen), welchen Einfluss der Grad der Prozessformalisierung auf die Entwicklungsdauer in
drei verschiedenen Abgrenzungen hat, andere Erfolgsdimensionen werden nicht erhoben.
Zudem wird der Formalisierungsgrad der Projektsteuerung nur durch ein einziges Item
operationalisiert, das nicht sonderlich scharf gefasst ist.22 Als charakterisierendes Element
der Projekte wird im Gegensatz zu anderen Arbeiten nicht der Innovationsgrad, sondern
die Produktkomplexität“ erhoben, die als Anzahl der vom Produkt zu erfüllenden Funk-
”
tionen operationalisiert wird.
Der zentrale Befund der Arbeit von Griffin besteht darin, dass von der Existenz und
Befolgung eines formellen Projektprozesses im Allgemeinen keine direkte Erfolgswirkung
ausgeht.23 Erst die Überprüfung auf Moderatoreffekte zeigt, wann formelle Projektsteue-
rung Erfolg zeitigt: Bei Produkten hoher Komplexität führt ein formeller Produktentwick-
lungsprozess zu einer signifikanten Verringerung der Entwicklungszeit im engeren Sinne,
Auswirkungen auf die Concept to customer time oder Total NPD cycle time können jedoch
nicht nachgewiesen werden. Hinsichtlich der Signifikanz dieses Moderatoreffektes muss je-
doch kritisch angemerkt werden, dass die Autorin in die moderierte Regression nur den
direkten Effekt der Produktkomplexität sowie den Interaktionsterm mit der Prozessfor-
malisierung aufnimmt, nicht jedoch den direkten Effekt der Prozessformalisierung.24 Dies
entspricht nicht dem empfohlenen Standardvorgehen für moderierte Regressionen (vgl.
Abschnitt 8.6.4). Sie begründet dieses Vorgehen ausdrücklich mit der Tatsache, dass die
Interaktionsterme bei der Schätzung des vollständigen Modells nur noch schwach signifi-
kant sind.
Olson et al. (1995) Die Studie von Olson et al. zielt explizit darauf ab, die mode-
rierende Rolle des Innovationsgrads auf Koordinationsaspekte im Rahmen der Neupro-
duktentwicklung zu untersuchen. Die zentrale Kontingenzhypothese der Arbeit besagt,
dass bei geringer Erfahrung mit den verwendeten Produkt- und Prozesstechnologien ein
hoher Bedarf an Informations- und Ressourcenfluss zwischen verschiedenen Abteilungen
(v. a. Marketing und F+E) besteht und daher organische Koordinationsformen Verwen-
dung finden, während bei geringen Innovationsgraden mechanistische Formen bevorzugt
werden. Daran schließt sich die zentrale Erfolgshypothese an, nämlich dass ein Fit zwi-
22
Das Item lautet Having and following a well-documented product development process“. Man ver-
”
gleiche dagegen beispielsweise die ausführlichen, theoretisch fundierten Ableitungen in den Arbeiten
von Lewis et al. (2002) sowie Tatikonda und Montoya-Weiss (2001), siehe unten.
23
Dieser Befund wird in der Arbeit von Griffin (1997) nur in einer Fussnote auf S. 31 berichtet.
24
Vgl. Griffin (1997), Tabelle 6 auf S. 31.
schen der Neuartigkeit des Produktes und dem Formalisierungsgrad der Projektsteuerung
notwendige Voraussetzung für die Erreichung der Projektziele ist.
Um den Formalisierungsgrad der Projektsteuerung zu operationalisieren, greifen die
Autoren auf frühere Arbeiten von Galbraith und Nathanson (1978) sowie Mintzberg
(1979) zurück und definieren insgesamt sieben Typen organisatorischer Koordinations-
mechanismen, die das Kontinuum von mechanistischen, fest gekoppelten Strukturen bis
hin zu organischen, locker gekoppelten Strukturen abdecken.25 Im Rahmen der empi-
rischen Untersuchung von 45 NPE-Projekten aus 12 amerikanischen Firmen wird der
Formalisierungsgrad der Projektsteuerung erhoben, indem die Respondenten ihr Projekt
einer dieser sieben Koordinationsmechanismen zuordnen. Der Innovationsgrad der Pro-
jekte wird über die zweidimensionale Typologie von Booz, Allen & Hamilton, Inc. (1982)
ermittelt, zur Erfolgsmessung werden Effizienzmaße, Produkt- und Finanzzielerreichung
sowie psychosoziale Erfolgsgrößen erhoben.
Die empirischen Befunde von Olson et al. (1995) bestätigen zunächst die Kontingenz-
hypothesen, hochinnovative Projekte führen zu erhöhten funktionellen Interdepenzen und
damit tendenziell zur Bevorzugung organischer Organisationsformen. Dieser Fit zwischen
Innovationsgrad und Koordinationsmechanismen ist jedoch bei vielen Projekten alles an-
dere als perfekt, so dass hinreichend Varianz in der Stichprobe vorhanden ist, um die Effi-
zienzhypothesen mittels multivariater Varianzanalysen (MANOVA) zu überprüfen. Diese
führen zum Ergebnis, dass Projekte mit hohem Fit in allen Dimensionen erfolgreicher sind
als Projekte, die entweder zu formal“ oder zu organisch“ gesteuert werden.
” ”
Bonner et al. (2002) Die Autoren untersuchen anhand einer Stichprobe von 95 nord-
amerikanischen NPE-Projekten den Einfluss, den verschiedene Elemente der Projektsteue-
rung des oberen Management“ auf den Projekterfolg haben. Dabei wird zum einen ein
”
differenziertes Spektrum an steuerungsrelevanten Faktoren abgeleitet und operationali-
siert, zum anderen werden Interaktionseffekte mit dem Innovationsgrad der Vorhaben
und ihrer Einbindung in das Projektprogramm berücksichtigt.
Bonner et al. differenzieren grundsätzlich zwischen formellen Steuerungsaspekten, die
in der Literatur traditionell stark betont werden, und sog. interaktiven Steuerungsmecha-
nismen. Formelle Steuerungsaspekte umfassen dabei die Frage, inwieweit das obere Mana-
gement Vorgaben bezüglich des Innovationssprozesses und der zu bearbeitenden Schritte
und Aufgabenpakete gemacht hat (formelle Projektsteuerung), inwieweit vom Manage-
ment klare Zielvorgaben gemacht wurden (outputorientierte Steuerung) und die Frage,
inwieweit das Projektteam ein attraktives Anreizsystem (Entlohnung, Beförderungen, An-
25
Diese sieben Koordinationsmechanismen sind Bureaucratic control, Individual liaisions, Temporary
task forces, Integrating managers, Matrix structures, Design teams und Design center.
erkennung) vorfand. Interaktive Steuerungsmechanismen dagegen entstehen dadurch, dass

es im Verlauf von Entscheidungsprozessen zu aktiven Wechselwirkungen zwischen oberem
Management und Projektteam kommt. Dies kann zum einen darauf zurückzuführen sein,
dass Management und Projektteam im Rahmen der Projektplanung eng zusammenar-
beiten, beispielsweise bei der Festlegung der strategischen Stoßrichtung des Projekts und
der operativen Abbildung in einem Projektplan. Zum anderen kann interaktive Steuerung
aber auch dadurch entstehen, dass das obere Management direkt in den Projektverlauf
eingreift, indem es die Projektziele ändert, neue Prozessschritte zur Zielerreichung vorgibt
oder sogar bei Entscheidungen des Projektteams interveniert.
Vor diesem theoretischen Hintergrund untersuchen Bonner et al., welche Erfolgswir-
kung die Betonung einer dieser unterschiedlichen Steuerungsmechanismen hat und wie
die Erfolgswirkung vom Innovationsgrad des Projektes und seiner Einbindung in das Pro-
jektprogramm beeinflusst wird. Sie führen dazu eine moderierte Regression des Faktors
Projekterfolg (Durchschnitt über vier Erfolgs-Items) auf die insgesamt sechs Steuerungs-
faktoren, den Innovationsgrad, die Programm-Einbindung sowie verschiedene Interakti-
onsterme durch. Vier unabhängige Variablen zeigen im Ergebnis eine signifikante Erfolgs-
wirkung:26
1. Die direkte Intervention des oberen Management im Projektprozess wirkt stark

negativ auf den Erfolg. Unter diesen Faktor fallen u. a. Items, die messen, wie häufig
im Projektverlauf Ziele und Meilensteine verändert wurden, in welchem Ausmaß die
Ressourcenzuteilung angepasst wurde und wie stark das obere Management direkt
und indirekt in Entscheidungsfindungsprozesse eingriff.
2. Einflussmöglichkeiten des Teams auf die operative Projektsteuerung und -kontrolle,

d. h. Mitwirkung hinsichtlich Projektzielen, -budget und -zeitplan, wirken stark po-
sitiv auf den Erfolg.
3. Wird vom oberen Management dagegen der Projektprozess samt Arbeitsschritten

dezidiert vorgegeben (Process control), so wirkt dies im allgemeinen negativ auf die
Erreichung der Projektziele.
4. Die negativen Auswirkungen strikter Prozesskontrolle durch das Management wer-

den zumindest dann gemildert, wenn das Projekt in ein übergeordnetes Projektpro-
gramm integriert ist und damit Abhängigkeiten zwischen mehreren Projekten zu
berücksichtigen sind.
Die Vorgabe zu starrer Prozessschemata als Bestandteil formeller Steuerung zieht also
häufig negative Konsequenzen nach sich: Kostenüberschreitungen, Terminverzögerungen
26
Bonner et al. (2002), S. 240.
und Nichterreichung der spezifizierten Leistungsziele. Um dies zu verhindern, sollten

Teams im NPE-Prozess in die Lage versetzt werden, die operative Prozessgestaltung selbst
mit zu bestimmen. Dieses Ergebnis zeigt sich in der Untersuchung von Bonner et al. un-
abhängig vom Innovationsgrad, was angesichts der Befunde von Griffin (1997) sowie Olson
et al. (1995) bemerkenswert ist.27 Eine aktive Mitwirkung des Teams an der strategischen
Projektplanung hat dagegen keine Erfolgswirkung, da hier eventuell nicht der adäquate
Erfahrungshintergrund vorhanden ist.28
Ebenfalls bemerkenswert ist der Befund, dass die direkte Intervention des oberen Ma-
nagement im Projektverlauf häufig negative Auswirkungen hat. Die aktive Beteiligung
des Top-Management an NPE-Projekten konnte in einer Vielzahl von Untersuchungen
als Erfolgsfaktor identifiziert werden.29 Bonner et al. interpretieren ihren Befund so, dass
dem oberen Management v. a. eine anregende, motivierende, integrierende und wegberei-
tende Rolle zukommen sollte, während zu häufiges, evtl. inkonsistentes Intervenieren im
Projektverlauf negative Folgen nach sich zieht.30
Lewis et al. (2002) Ähnlich wie Bonner et al. (2002) unterscheidet auch die Unter-
suchung von Lewis et al. zwei unterschiedliche Grundhaltungen des Projektmanagement.
In Anlehnung an theoretische Überlegungen, v. a. von Dougherty31 , operationalisieren sie
die Ausprägungen, die die drei Bereiche Projektsteuerung, -überwachung und -beurteilung
(control, monitoring and evaluation) im Rahmen eines planorientierten Projektmanage-
ment ( planned style“) sowie im Rahmen eines improvisatorischen Projektmanagement
”
( emergent style“) annehmen.
”
Befürworter eines improvisatorischen Projektmanagement sehen Produktentwicklungs-
und Innovationsvorhaben als komplexe, tendenziell chaotische Prozesse an, die nur schwer
im Voraus planbar sind. Zentrale Aufgabe des oberen Management ist es, Projektteams
mit der Freiheit und Fähigkeit zur Improvisation und zum Lernen durch eigene Erfah-
rung zu versehen.32 Lewis et al. operationalisieren diese Grundhaltung für ihre Studie
anhand der drei oben genannten Bereiche des Projektmanagement: Projektüberwachung
als Überwachung des Verstehens, Projektbeurteilung als Informationssammlung ( Boun-
”
27
Ein zentraler Befund der Untersuchung von Olson et al. (1995) besagt ja, dass der Projekterfolg
stark davon abhängt, wie gut der Innovationsgrad des Projektes und der Formalisierungsgrad der
Steuerungsmechanismen zusammenpassen.
28
Bonner et al. (2002), S. 242.
29
Vgl. z. B. die zusammenfassenden Übersichten in den Arbeiten von Balachandra und Friar (1997),
S. 281, Brown und Eisenhardt (1995), S. 346, Montoya-Weiss und Calantone (1994), S. 406.
30
Bonner et al. (2002), S. 242.
31
Dougherty (1992); Dougherty (1996).
32
Vgl. für diese Grundhaltung beispielsweise Dougherty (1996), Barrett (1998) und Weick (1998).
dary Spanning“ 33 und Environmental Scanning“) 34 und partizipative Steuerung mit viel
”
Entscheidungsspielraum für das Team. Vertreter eines planorientierten Vorgehens sehen
dagegen Projektmanagement als vergleichsweise rationalen, deterministischen Prozess
an. Erfolgreiche Manager leiten Projektziele aus Unternehmenszielen her und stellen die
notwendigen Strukturen zur Verfügung, damit Projektteams ihre individuellen Ziele er-
reichen können. Projektmanagement stellt hier einen festen Regelkreis dar, den Lewis
et al. als Projektüberwachung anhand von Meilensteinen, formelle Projektbeurteilung
sowie weisungsorientierte Steuerung durch das obere Management operationalisieren.35
Die Datenbasis für den empirischen Teil von Lewis et al. (2002) bilden 80 NPE-
Projekte aus verschiedenen Geschäftsbereichen eines US-amerikanischen Chemie-Konzerns,
die z. T. im Längsschnitt bis zu zwei Jahre lang begleitet wurden. Anhand der erhobenen
Stichprobe wird zunächst über konfirmatorische Faktorenanalysen und χ2 -Differenztests
die Diskriminanzvalidität der drei Aktivitätenpaare des Projektmanagement nachgewie-
sen.36 Entgegen der ursprünglichen Hypothese, dass die Verwendung improvisatorischer
Elemente im Projektverlauf abnimmt, die der planorientierten dagegen konstant bleibt,
sinkt mit zunehmender Projektdauer die Bedeutung der planorientierten Aktivitäten,
bei den improvisatorischen Elementen ist teilweise eine schwach signifikante Abnahme zu
beobachten. Im Ergebnis kommt es also über den Projektverlauf zu keiner signifikanten
Verschiebung im Schwerpunkt der Projektmanagementaktivitäten.
Um Kontingenz- und Effizienzaussagen zu den beschriebenen Grundhaltungen des Pro-
jektmanagement machen zu können, werden zwei Dimensionen der Projektunsicherheit
(technische und kommerzielle) sowie vier Erfolgsdimensionen (Aufbau von Know-How,
Erreichung kommerzieller Ziele sowie Zeitplan- und Budgeteinhaltung) erhoben. Die vier
moderierten Regressionen der Erfolgsdimensionen auf Prozessvariablen, Projektunsicher-
heit und Interaktionsterme liefern z. T. überraschende Befunde:
1. Partizipatorische Projektsteuerung hat als einziger der improvisatorischen“ Fak-

”
toren eine signifikante Erfolgswirkung. Sie wirkt positiv auf die Zeitplaneinhaltung
und die Erreichung der kommerziellen Ziele.
2. Weisungsorientierte Projektsteuerung begünstigt dagegen den Aufbau von Know-

How im Projektverlauf sowie bei hochgradig unsicheren Projekten die Einhaltung
des Zeitplans.
33
Aldrich und Herker (1977); Ancona und Caldwell (1990); Ancona und Caldwell (1992a); Leifer und
Delbecq (1978).
34
Aguilar (1967)
35
Vgl. für diese Grundhaltung beispielsweise die praxisorientierten Monographien von Wheelwright und
Clark (1992b) sowie Rosenau und Moran (1993).
36
Vgl. zu diesem Vorgehen Abschnitt 8.5.3.3 der vorliegenden Arbeit.
3. Regelmäßige formelle Projektreviews wirken negativ auf die Budgeteinhaltung, bei

Projekten hoher Unsicherheit jedoch stark positiv auf den Aufbau von Know-How.
4. Bei Projekten mit hohem Unsicherheitsgrad wirkt die Projektüberwachung anhand

von Meilensteinen positiv auf die Zeitplaneinhaltung und die Erreichung der kom-
merziellen Ziele, jedoch negativ auf die Budgeteinhaltung und den Aufbau von
Know-How.
Zunächst ist anzumerken, dass bei 24 möglichen Kombinationen zwischen den sechs
Prozess- und den vier Erfolgsdimensionen vergleichsweise wenige direkte Zusammenhänge
identifiziert werden können, dagegen jedoch eine Reihe von Moderationseffekten, was für
eine Verwendung von Kontingenzmodellen im Rahmen der Forschung zur Steuerung in-
novativer Projekte spricht. Die Befunde zeigen, dass weder die improvisatorische noch die
planorientierte Ausrichtung grundsätzlich der jeweils anderen vorzuziehen ist. Improvisa-
torisches Projektmanagement fördert grundsätzlich die Projekteffizienz, da partizipative
Projektsteuerung positiv auf die Zeitplaneinhaltung wirkt, formelle Projektreviews dage-
gen negativ auf die Budgeteinhaltung. Schließlich sollte bei Projekten mit hoher Unsi-
cherheit eher planorientierten Aktivitäten der Vorrang gegeben werden. Insgesamt decken
sich diese Ergebnisse mit den Befunden von Griffin (1997): Formelle Projektsteuerung ist
für sich genommen kein Garant für kurze Projektlaufzeiten, wird bei Projekten mit hoher
Unsicherheit und Komplexität aber zu einem wesentlichen Erfolgsfaktor.37
Tatikonda und Montoya-Weiss (2001) Die Studie von Tatikonda und Montoya-
Weiss (2001) verbindet in ihrem Design Ansatzpunkte aus zwei unterschiedlichen For-
schungsrichtungen zur Neuproduktentwicklung. Zum einen wird die Information Proces-
sing Theorie 38 herangezogen, um Hypothesen zum effizienten Management der operativen
Produktenwicklung abzuleiten, zum anderen werden über den Ressourcenbasierten An-
satz39 Hypothesen über die Wirkung von Fähigkeiten in der operativen Produktentwick-
lung auf den Markterfolg abgeleitet. Diese Hypothesen werden anhand einer Stichprobe
von 120 nordamerikanischen NPE-Projekten aus Firmen verschiedener Hochtechnologie-
branchen überprüft.
Zur Untersuchung des operativen Produktentwicklungsprozesses werden drei Faktoren
gebildet, zum einen die Prozessparallelität ( Simultaneous Engineering“), zum anderen
”
die auch für diese Arbeit relevanten Faktoren Prozessformalisierung und -anpassbarkeit.
Tatikonda und Montoya-Weiss operationalisieren die Prozessformalisierung als Grad, zu
37
Es sei jedoch wieder auf die gegenläufigen Ergebnisse von Olson et al. (1995) hingewiesen.
38
Vgl. hierzu Abschnitt 3.4 der vorliegenden Arbeit.
39
Vgl. hierzu Abschnitt 3.2 der vorliegenden Arbeit.
dem das operative Projektmanagement durch das Aufstellen und Befolgen fester Regeln
und Prozeduren sowie das Durchführen planmäßiger Überprüfungen bzw. Revisionen er-
folgt. Ein zentraler Befund ihrer Untersuchung ist, dass die so definierte Prozessforma-
lisierung nahezu gleichermaßen stark positiv auf die drei betrachteten Erfolgsdimensio-
nen Produktleistung, -zielkosten und Time-to-market wirkt, und zwar unabhängig vom
Innovationsgrad des Vorhabens. Dieser Befund ist insofern bemerkenswert, als die Un-
tersuchung von Bonner et al. (2002) eine negative Wirkung formeller Projektsteuerung
auf die Erfolgsitems Budgeteinhaltung, Zeitplaneinhaltung, Produktleistung und Team
Performance nachweist. Da der Erfolg in beiden Studien ähnlich operationalisiert ist, sind
die widersprüchlichen Befunde vermutlich auf geringfügige Unterschiede in der Operatio-
nalisierung der Projektsteuerungsdimension zurückzuführen: Bonner et al. betonen v. a.
die Vorgabe spezifischer Arbeitsschritte durch das obere Management während Tatikonda
und Montoya-Weiss stärker das Vorliegen eines strukturierte Prozessschemas bzw. Regel-
werks in den Vordergrund stellen.40
Tatikonda und Montoya-Weiss operationalisieren die Prozessanpassbarkeit als den
Grad, zu dem die Projektleitung Vorgehen, Zeitplanung und Art der Revisionen im Pro-
jektverlauf selbst bestimmen kann. Dieser Faktor wirkt stark positiv auf die Einhaltung
der Time-to-market, hat jedoch zunächst keinen signifikanten Einfluss auf die beiden an-
deren Erfolgsdimensionen. Erst durch Miteinbeziehung eines Interaktionsterms mit dem
Produktinnovationsgrad in die Regressionsmodelle wird deutlich, dass Prozessanpassbar-
keit bei hochinnovativen Produkten tatsächlich auch stark positiv auf die Einhaltung der
Produktzielkosten wirkt.
Direkte Effekte der Prozessfaktoren auf den Markterfolg werden in der Studie nicht
untersucht, obwohl zumindest die Prozessanpassbarkeit signifikant mit den beiden Markt-
zielen Kundenzufriedenheit und Umsatzzielerreichung korreliert.41 Das Erreichen der ope-
rativen Ziele Produktleistung, -zielkosten und Time-to-market wird von Tatikonda und
Montoya-Weiss stattdessen als Vorhandensein von Produktentwicklungsfähigkeiten inter-
pretiert, von denen nach dem Ressourcenbasierten Ansatz positive Impulse auf die Markt-
zielerreichung ausgehen.42 Die moderierte Regression der Kundenzufriedenheit auf die
operativen Leistungsziele ergibt, dass die Produktleistung und die Einhaltung der Time-
40
Vgl. Bonner et al. (2002), S. 243, sowie Tatikonda und Montoya-Weiss (2001), S. 168.
41
Tatikonda und Montoya-Weiss (2001), S. 162.
42
Für Tatikonda und Montoya-Weiss ist also die Erreichung der operativen Leistungsziele ein Indikator
dafür, dass besondere immaterielle Ressourcen vorliegen, nämlich die notwendigen Fähigkeiten, um
Produktentwicklung so durchzuführen, dass die Voraussetzungen zur Erreichung der Marktziele gege-
ben sind. Aufgabe des Management ist es dann, unter gegebenen Ressourcenbeschränkungen einzelne
Ziele zu priorisieren und negativen Effekten technischer und externer Unsicherheiten vorzubeugen
(vgl. Tatikonda und Montoya-Weiss (2001), S. 154).
to-market wesentliche Determinanten für die Kundenzufriedenheit sind.43 Der Einfluss

der Produktleistung auf die Kundenzufriedenheit wird leicht negativ durch die Marktneu-
artigkeit für das Unternehmen moderiert, d. h. die Firma kann in für sie neuen Märkten
dem Kunden die Leistungsmerkmale des eigenen Produktes schwerer vermitteln. Die Re-
gressionsgleichung für die Umsatzzielerreichung identifiziert v. a. die Produktleistung als
Umsatztreiber, die Einhaltung der Zielkosten hat nur eine geringe, schwach signfikante
Wirkung.
Diskussion Zur besseren Übersicht über die z. T. widersprüchlichen Befunde werden

diese in vereinfachter Form in Tabelle 5.6 gegenübergestellt. Offensichtlich unstrittig
sind die Ergebnisse hinsichtlich der Zielstabilität : Beide Studien, die diesen Faktor
berücksichtigen, können eine deutliche Erfolgswirksamkeit nachweisen.
Ein ganz anderes Bild zeigt sich hinsichtlich der formellen Projektsteuerung. Vier der
acht Veröffentlichungen, die diesen Aspekt untersuchen, differenzieren nicht nach dem In-
novationsgrad und decken in ihren Ergebnissen das gesamte Spektrum von stark positiver
bis hin zu stark negativer Erfolgswirkung ab. Die vier Arbeiten, die den Innovationsgrad
berücksichtigen, liefern ebenfalls kein klares Bild, da einige zu dem Ergebnis kommen,
dass sich formelle Methoden des Projektmanagement nur für niedriginnovative Vorhaben
eignen, während andere Untersuchungen gerade den gegenteiligen Befund ermitteln, dass
insbesondere hochinnovative Projekte dieser Methoden bedürfen.
Über die Ursache dieser Diskrepanzen kann an dieser Stelle nur spekuliert werden.
Zum einen könnten die Differenzen aus den jeweils unterschiedlichen Methoden zur
Überprüfung der Moderatorwirkung des Innovationsgrads herrühren.44 Olson et al. (1995)
lehnen sich methodisch an ältere Arbeiten des Kontingenzansatzes an und gehen ex ante
davon aus, dass innovativere Projekte organischer Steuerungsmethoden bedürfen. An-
schließend wird nachgewiesen, dass ein solchermaßen definierter Fit mit höherem Vor-
habenserfolg korreliert. Dagegen verwenden Shenhar et al. (2002) kanonische Korrelati-
onsanalysen und leiten dadurch Kontingenzaussagen ab, dass sie die Höhe von Korrela-
tionskoeffizienten bei unterschiedlichen Projekttypen vergleichen. Die übrigen Arbeiten
verwenden schließlich moderierte Regressionen, wobei zumindest Griffin (1997) diese Me-
thode inkorrekt einsetzt. Ein weiterer Grund für die Diskrepanzen kann in der Verwendung
unterschiedlicher Erfolgsmaße sowie unterschiedlicher Operationalisierungen des Innova-
43
Ein kausaler Zusammenhang zwischen Time-to-market und Kundenzufriedenheit lässt sich nach An-
sicht des Autors nur dann begründen, wenn der Kunde in Ermangelung von Substitutionsprodukten
mit ähnlichem Image und Leistungsmerkmalen keine Möglichkeit hat, seiner Unzufriedenheit durch
Wahl eines anderen Produktes vorzubeugen. Daher wäre es zu untersuchen, ob die Time-to-market
wirklich als vorgelagertes Ziel betrachtet werden kann oder nicht vielmehr auf einer Ebene mit den
Marktzielen stehen sollte.
44
Vgl. hierzu die Ausführungen in Abschnitt 3.3.2 der vorliegenden Arbeit.
5.5. Quantitative Metaanalyse 137
tionsgrads vermutet werden. Während Bonner et al. (2002) und Olson et al. (1995) die
Innovationstypologie von Booz, Allen & Hamilton, Inc. (1982) verwenden, nehmen Lewis
et al. (2002) sowie Tatikonda und Montoya-Weiss (2001) mehrdimensionale Operationa-
lisierungen des Innovationsgrads vor. Griffin (1997) und Shenhar et al. (2002) schließlich
fokussieren vor allem auf die Unsicherheit hinsichtlich wichtiger Projektparameter.
Entsprechend kann hier also kein Fazit hinsichtlich der Erfolgswirkung von formellen
Projektsteuerungstechniken gezogen werden, allerdings sei auf die Diskussion im Rahmen
der quantitativen Metaanalyse verwiesen, in der der Stichprobenmittelwert des Innova-
tionsgrads als Moderatorvariable im Vergleich zwischen den Studien herangezogen wird,
um diese offene Frage näher zu beleuchten.
Formelle Projektsteuerung
Ziel- Hoch- Niedrig-

stabili- Alle innovative innovative
Studie tät Projekte Projekte Projekte
Bonner et al. (2002)

Dvir et al. (1998)
Griffin (1997)
Lewis et al. (2002)
Lynn et al. (1999)
Lynn et al. (2000)
Moenaert et al. (1994, 1995)
Olson et al. (1995)
Shenhar et al. (2002)
Tatikonda und Montoya-Weiss (2001)
Erläuterung. Erfolgswirkung der Planung wie folgt kodiert: = stark positiv; = schwach
positiv; = stark negativ; = schwach negativ.
Tabelle 5.6: Erfolgswirkung der Projektsteuerung – Zusammenfassung der Befunde für Projekte unter-
schiedlichen Innovationsgrads
5.5 Quantitative Metaanalyse
5.5.1 Methodik der Metaanalyse
Als Assoziationsmaß zwischen den Gestaltungs- und den Erfolgsvariablen wird hier der
Pearson-Korrelationskoeffizient gewählt, da diese Effektstärke noch am ehesten in den hier
untersuchten Studien berichtet wurde, allgemein wohl am häufigsten im Rahmen von Me-
taanalysen eingesetzt wird und damit auch die zur Verfügung stehenden Rechenverfahren
am breitesten dokumentiert sind.45
Im Folgenden werden die von Hunter und Schmidt (1990) vorgeschlagenen Verfahren
der Metaanalyse verwendet, da ihre heuristische Natur Probleme mit der statistischen
Teststärke bei kleiner Studienanzahl vermeidet und die Korrektur verschiedener Fehler-
quellen ermöglicht, die zu einer Verzerrung der Korrelationen führen können. Beispiele
für solche Fehlerquellen, die von Hunter und Schmidt auch als Studien-Artefakte be-
zeichnet werden, sind mangelnde Reliabilität (Messfehler), mangelnde Validität, Skalen-
beschränkungen (Range Restrictions) oder künstliche Dichotomisierung der abhängigen
und unabhängigen Variablen.46 Eine Metaanalyse kann damit in den folgenden in drei
Schritten durchgeführt werden:47 (1) Der Stichprobenfehler wird ermittelt, (2) die mittle-
re Effektstärke wird geschätzt und um den verzerrenden Einfluss von Studien-Artefakten
(hier: die jeweilige Variablen-Reliabilität, gemessen durch Cronbach’s Alpha) korrigiert
und (3) die Heterogenität der zugrundeliegenden Studien wird überprüft um festzustel-
len, ob die Suche nach einem Moderator notwendig erscheint, der die Varianz zwischen
den Studien erklären könnte.
Ermittlung des Stichprobenfehlers Im Folgenden bezeichnen r1 , . . . , rk die Stich-

probenkorrelationen von k unabhängigen Studien und ρ1 , . . . , ρk die zugehörigen Popu-
lationseffektstärken. Bei der Abschätzung des Stichprobenfehlers geht man analog zur
klassischen Testtheorie von dem Ansatz aus, dass die Stichprobeneffektstärke ri der Stu-
die i von der tatsächlichen Populationseffektstärke ρi um einen Stichprobenfehler ei ab-
weicht,48 ri = ρi + ei , wobei ρi und ei als unkorreliert angenommen werden. Damit
kann die Effektstärken-Varianz nach σ 2 (ri ) = σ 2 (ρ) + σ 2 (ei ) zerlegt werden, wobei σ 2 (ρ)
die Varianz der Verteilung ist, die den ρ1 , . . . , ρk zugrunde liegt. Die Varianz der Po-
pulationseffektstärke kann dann nach σ2 (ρ) = σ2 (r) − σ2 (e) geschätzt werden, wobei
σ 2 (r) durch die Stichprobenvarianz S 2 (r) und σ 2 (e) approximativ als Mittelwert von
σ2 (ei ) = (1 − ri2 )2 /(ni − 1) geschätzt werden.49 Als Schätzer für die um den Stichproben-
45
Vgl. die Darstellungen bei Hunter et al. (1982), Kapitel 3, Hunter und Schmidt (1990), Kapitel 3-5.
46
Hunter und Schmidt (1990), S. 44-72; Hunter und Schmidt (1994), S. 325f.
47
Vgl. Hunter et al. (1982), S. 35ff. und Schwarzer (1996), S. 35ff. zur Methodik sowie Gerwin und
Barrowman (2002), S. 942f. für ein aktuelles Anwendungsbeispiel.
48
Fricke und Treinies (1985), S. 124; Hunter et al. (1982), S. 43.
49
Hedges (1989), S. 470. Alternativ leitet Hedges einen erwartungstreuen Schätzer für σ(ρ) ab, der
jedoch schwieriger zu berechnen ist und in der praktischen Anwendung nur bei sehr kleiner Gesamt-
stichprobengröße Vorteile bietet, vgl. Hedges (1989), S. 473ff.
fehler korrigierte Varianz erhält man folglich
1 (1 − ri2 )2
k
σ2 (ρ) = S 2 (r) −
k i=1 ni − 1 (5.5.1)
∼ k
= S 2 (r) − (1 − r2 )2 .
N
In der letzten Gleichung wurde r2 ≈ r2 und ni /(ni − 1) ≈ 1 für große ni verwendet.50

N = ki=1 ni bezeichnet hier den Gesamtstichprobenumfang der Metaanalyse, d. h. die
Summe über die Stichprobenumfänge ni der k Studien.
Schätzung der Effektstärke Zur Charakterisierung der Effektstärke werden in den

hier untersuchten Studien Pearson-Korrelationskoeffizienten verwendet, auf deren Grund-
lagen jetzt der Populations-Korrelationskoeffizient ρ geschätzt werden soll. Geht man da-
von aus, dass die unbekannte Populationskorrelation über alle Studien konstant ist, und
berücksichtigt man, dass die empirischen Effektstärken von Studien mit großer Stichpro-
bengröße die tatsächtliche Populationskorrelation präziser schätzen als solche mit kleinem
N , so sollte der beste Schätzer einen gewichteten Durchschnitt der einzelnen Korrelations-
koeffizienten bilden.51 Hunter und Schmidt (1990, S. 150) verwenden daher die folgenden
Schätzer r für die Populationskorrelation ρ sowie S 2 (r) für die Stichprobenvarianz σ 2 (r),
wobei sie als Gewicht wi den jeweiligen Stichprobenumfang ni verwenden:
k k
wi ri wi (ri − r)2
r = i=1
k
; S 2 (r) = i=1
k . (5.5.2)
i=1 wi i=1 wi
Zwar ist S 2 streng genommen kein erwartungstreuer Schätzer, dennoch kann auf eine
Anwendung der Fisher-Z-Transformation verzichtet werden, da die resultierenden Diffe-
renzen im Normalfall unterhalb des Rundungsfehlers liegen und selbst bei sehr kleinen
Stichprobengrößen trivial gegenüber dem Stichprobenfehler sind.52
Berücksichtigung von Messfehlern Ausgehend von der unkorrigierten Effektstärke

sollen im nächsten Schritt die Reliabilität der Variablenmessung und ihre Auswirkung
auf die Populationseffektstärke berücksichtigt werden. Dabei muss nicht nur zwischen
Populations- und Stichprobenstatistiken, sondern auch zwischen beobachteten und unbe-
obachteten wahren“ Größen unterschieden werden. Für jede Studie existieren zwei unbe-
”
kannte Populationskorrelationen ρ und ρtrue sowie eine bekannte Stichprobenkorrelation r.
50
Hunter et al. (1982), S. 44.
51
Hunter et al. (1982), S. 40f.; Schwarzer (1996), S. 35.
52
Hunter und Schmidt (1990), S. 71.
Messfehler werden durch Cronbach’s αP für die Projektmanagementvariablen sowie αE für

die Erfolgsvariablen erfasst. Idealerweise würde jede Studie Reliabilitätsmaße berichten,
so dass die Messfehlerkorrektur individuell erfolgen könnte. Da dies jedoch in der Praxis
nicht der Fall ist, wird hier das Artefakt-Verteilungsverfahren von Hunter und Schmidt
verwendet, das in drei Schritten abläuft.53 Zuerst werden die Mittelwerte αP und αE so-
wie die Varianzen σ 2 (αP ) und σ 2 (αE ) anhand der Studien berechnet, die die jeweiligen
Alpha-Koeffizienten berichten. Im zweiten Schritt werden wiederum die Schätzer ρ = r
sowie σ2 (ρ) = S 2 (r) nach Gl. 5.5.2 mit dem Gewicht wi = ni berechnet.54 Im dritten
Schritt werden die in den beiden ersten Schritten errechneten Größen herangezogen, um
die Schätzer ρ 2
true und σtrue (ρ) zu berechnen:
55
ρ σ2 (ρ) − ρ 2 2 2 2 2
true (αP σ (αE ) + αE σ (αP ))
ρ
true = √ √ ; σ
2
true (ρ) = 2 2
. (5.5.3)
αP αE σ (αE ) σ (αP )
In dem Maße, in dem die abhängigen oder unabhängigen Variablen mit Messfehlern ver-
sehen sind, liegen also die beobachteten Korrelationen unter den wahren“ Werten. Die
”
Interpretation der wahren“ Werte muss jedoch mit Vorsicht erfolgen, da die dargestellte
”
Prozedur bei sehr geringen Reliabilitäten zu einem sehr hohen Schätzer für die Relia-
bilität führen kann. Eine vernünftige Variablenmessung sollte jedoch eigentlich immer
den Ausgangspunkt einer Untersuchung bilden und ist einer nachträglichen Korrektur
vorzuziehen, jedoch kann eine Metaanalyse nicht die Qualität der ihr zugrunde liegen-
den Studien verbessern. Daher sollten neben der wahren“ Effektstärke auch immer die
”
gewichtete, jedoch nicht korrigierte Effektstärke nach Gl. 5.5.2 berichtet werden.56
Test auf Homogenität Eine Populations-Effektstärke kann nur dann zuverlässig in-
terpretiert werden, wenn die zugrunde liegenden Datensätze hinreichend homogen sind.
Werden beispielsweise Studien mit starkem negativen und starkem positiven Effekt inte-
griert, kann eine durchschnittlich Effektstärke von Null resultieren, obwohl die einzelnen
Populationseffektstärken signifikant von Null verschieden sind.57 Liegen solch inhomoge-
ne Effektstärken vor, muss im Rahmen der Metaanlyse nach Moderatorvariablen gesucht
werden, die die starken Unterschiede zwischen den Studien erklären können. Die Voraus-
setzung der Homogenität kann dann als erfüllt angesehen werden, wenn der größte Teil
53
Hunter et al. (1982), S. 74ff.
54
Für den Fall, dass alle Studien vollständige Angaben bzgl. beider Alpha-Koeffizienten machen, könnte
man als Gewicht wi = ni /(αP,i αE,i ) verwenden, das den Studien, die mit höheren Messfehlern
behaftet sind, ein kleineres Gewicht beimisst, vgl. Hunter und Schmidt (1994), S. 329.
55
Hunter et al. (1982), S. 78f.
56
Schwarzer (1996), S. 36.
57
Fricke und Treinies (1985), S. 85.
der Varianz der beobachteten Korrelationen auf den Stichprobenfehler zurückzuführen ist
und nicht auf systematische Differenzen zwischen den Ausgangsstudien. Hierfür sind drei
Kriterien gebräuchlich:58
1. Die Varianz der Populationseffektstärke σ 2 (ρ), also die Residualvarianz nach Ab-
zug der Stichprobenvarianz, sollte höchstens 25 Prozent der beobachteten Varianz
betragen.59
2. Die Standardabweichung σ(ρ) sollte höchstens 25 Prozent der Populationsef-

fektstärke ρ betragen.60
3. Die Teststatistik χ2k−1 = S 2 (r)N/(1 − r2 )2 sollte nicht signifikant sein.61
Der zuletzt angegebene Test besitzt jedoch eine sehr hohe Teststärke und lehnt die Null-
hypothese, dass Homogenität besteht, schon bei sehr kleiner Variation ab. Ist der χ2 -Wert
also nicht signifikant, kann dies als sehr starke Bestätigung der Homogenität aufgefasst
werden, während ein signifikanter Wert dennoch auf eine zu vernachlässigende Variation
zwischen den Studien zurückzuführen sein kann.62 Aus diesem Grund empfiehlt Schwar-
zer (1996, S. 37) vor allem die Verwendung der beiden ersten Kriterien zur Beurteilung
der Studienhomogenität. Es handelt sich dabei allerdings um Faustregeln“, deren Ak-
”
zeptanzgrenzen sich nicht theoretisch begründen lassen und bislang auch nur bedingt im
Rahmen von Simulationsstudien untersucht wurden.63
5.5.2 Ergebnisse der Metaanalyse
Elf der insgesamt 39 im Rahmen der Literaturanalyse analysierten Studien haben ihre
Datenbasis in hinreichender Qualität dokumentiert, um in die quantitative Metaanaly-
se miteinbezogen werden zu können. Die restlichen Studien berichten für die relevanten
Beziehungen weder Korrelationskoeffizienten noch Signifikanztests zwischen erfolgreichen
und nicht erfolgreichen Produkten, sondern enthalten ausschließlich Regressionskoeffizi-
enten oder Angaben wie hoch/niedrig“, die sich zur metaanalytischen Auswertung nicht
”
eignen. Anhand der elf Studien kann die jeweilige mittlere Erfolgswirkung von Business-
planung, formeller Projektsteuerung und Zielstabilität errechnet werden, dagegen kann
58
Schwarzer (1996), S. 37.
59
Hunter und Schmidt (1990), S. 68 und 440. Siehe auch Schmidt und Hunter (1977) sowie Hunter und
Schmidt (1994), S. 335.
60
Stoffelmayr et al. (1983), S. 343.
61
Hunter et al. (1982), S. 47.
62
63
Vgl. jedoch Rasmussen und Loher (1988) für eine Diskussion des ersten Kriteriums.
die Erfolgswirkung der anderen Aspekte der Vorhabensplanung und -steuerung von In-
novationsprojekten sowie die Wechselwirkung zwischen Planung und Steuerung aufgrund
der begrenzten empirischen Basis nicht untersucht werden.
Die für die vorliegende Untersuchung relevanten Korrelationskoeffizienten wurden zu-
sammen mit Angaben über die jeweilige Studie, Stichprobengröße sowie eventuell vorhan-
dene Angaben über Reliabilitätkoeffizienten und die in der Stichprobe durchschnittlich
realisierte Innovationshöhe systematisch in Microsoft EXCEL erfasst, dort mittels Pivot-
Tabellen aggregiert und anhand der im vorherigen Abschnitt beschriebenen Methodik
ausgewertet. Anschließend wurden die Ergebnisse mit der Software Meta-Analysis Pro-
grams von Schwarzer (1996) überprüft. Die Ausgangsdaten sind in den Tabellen 5.7 bis
5.10 zusammengefasst, die statistische Auswertung ist in Tabelle 5.11 dokumentiert.
Erfolgsmaß Studie n Korr. αE αP
Cooper (1979a) 195 0,34 – –

Gesamterfolg Mishra et al. (1996) 288 0,57 – –
Parry und Song (1994) 258 0,70 – –
Cooper und Kleinschmidt (1987a) 203 0,36 – 0,50

Profitabilität
Song und Parry (1996) 788 0,42 0,96 0,88
Cooper und Kleinschmidt (1987a) 203 0,29 – 0,50

Umsatz
Song und Parry (1996) 788 0,40 0,96 0,88
Zeit Cooper und Kleinschmidt (1994) 103 0,41 – 0,75
Tabelle 5.7: Übersicht über die Studien zur Metaanalyse hinsichtlich Businessplanung
Businessplanung Tabelle 5.7 zeigt die sechs Studien, die den Effekt von Businesspla-
nung auf den Vorhabenserfolg messen. Da bei den Veröffentlichungen von Cooper (1979b),
Mishra et al. (1996) sowie Parry und Song (1994) die relevanten Facetten der Business-
planung auf mehrere Faktoren verteilt sind, werden hier Durchschnittskorrelationen aus
jeweils drei Korrelationskoeffizienten zwischen dem Erfolgsmaß Vorhabenserfolg“und den
”
Planungsfaktoren Initial Screening, Preliminary Market Assessment und Financial Analy-
sis errechnet.64 Eine Betrachtung der Ausgangsdaten zeigt zunächst, dass die berichteten
Korrelationskoeffizienten weitgehend homogen erscheinen, wobei allerdings die sehr hohen
Werte r = 0, 70 bei Parry und Song (1994) sowie r = 0, 57 bei Mishra et al. (1996) aus
64
Vgl. zu diesem Vorgehen Hunter und Schmidt (1990), S. 467.
dem Rahmen fallen. Diese beiden Studien berichten durchweg ungewöhnlich hohe Kor-
relationen, ohne dass den Veröffentlichungen ein möglicher Grund dafür zu entnehmen
wäre.
In der aggregierten Betrachtung erhält man zunächst eine mittlere Effektstärke ρ =
0, 435 bzw. ρtrue = 0, 534 nach Artefakt-Korrektur (vgl. Tabelle 5.11). Die aggregierte
Stichprobe ist jedoch als stark heterogen einzustufen, da die Varianz der Populationskor-
relationen 83 Prozent der beobachteten Varianz ausmacht und der χ2k−1 -Wert signifikant
ist. Aus diesem Grunde werden separate Metaanalysen für die einzelnen Erfolgsmaße
durchgeführt. Die Analyse der drei Studien, die den Vorhabenserfolg schlicht durch ein
übergreifendes Items erfassen, ergibt eine sehr hohe Effektstärke ρ = ρtrue = 0, 551. Al-
lerdings sind die entsprechenden Konfidenzintervalle sehr groß und alle Homogenitätstest
verletzt, da in diese Teilstichprobe neben der von Cooper (1979b) berichteten normalen“
”
Korrelation auch die erwähnten atypischen Resultate von Parry und Song (1994) sowie
Mishra et al. (1996) enhalten sind. Aufgrund der geringen Studienzahl ist eine Suche nach
Moderatoren nicht möglich. Die Betrachtung der beiden anderen Erfolgsmaße, Profitabi-
lität und Umsatz, führt jeweils zu homogenen Teilstichproben mit mittleren Effektstärken
ρ = 0, 409 (ρtrue = 0, 507) bzw. ρ = 0, 377 (ρtrue = 0, 467), nur in der Teilstichprobe zum
Erfolgsmaß Umsatz“ macht die Populationsvarianz 30 Prozent der beobachteten Varianz
”
aus und liegt damit geringfügig über dem von Hunter und Schmidt (1990) empfohlenen
Grenzwert. In Hinblick auf die Analyse zur Profitabilität sowie zwei weiter unten berichte-
te Analysen ist anzumerken, dass aufgrund der approximativen Natur des Verfahrens von
Hunter und Schmidt die Varianz des Stichprobenfehlers über der beobachteten Varianz
liegt. Da Varianzen kleiner Null nicht interpretierbar sind, wird die Populationsvarianz
auf Null fixiert.65
Formelle Projektsteuerung Aufschlussreicher noch als im Fall der Businessplanung

fällt die Metaanalyse hinsichtlich der Erfolgswirkung formeller Projektsteuerungsmetho-
den aus. Die qualitative Gegenüberstellung der relevanten Studien im Abschnitt 5.4 hatte
gezeigt, dass nicht nur Uneinigkeit über die Stärke des Zusammenhangs besteht, sondern
dass noch nicht einmal die Frage als geklärt betrachtet werden kann, ob formelle Projekt-
steuerung erfolgsfördernd oder kontraproduktiv wirkt. Betrachtet man in Tabelle 5.11
zunächst wiederum die aggregierte Metaanalyse, die nicht nach Erfolgsmaßen differen-
ziert, so stellt man positive Effektstärken ρ = 0, 289 bzw. (ρtrue = 0, 357) fest. Aller-
dings grenzen die zugehörigen Konfidenzintervalle an Null bzw. schließen sie ein, und
alle Homogenitätskriterien sind deutlich verletzt, so dass dies nicht als Nachweis für eine
positive Erfolgswirkung gewertet werden kann. Bei der Aufteilung der Gesamtstichprobe
65
Bonner et al. (2002) 95 -0,35 0,73 0,70

Gesamterfolg
Lynn et al. (1999) 95 0,48 0,94 0,83
Lewis et al. (2002) 80 0,27 0,90 0,69

Profitabilität Moenaert et al. (1994, 1995) 78 0,20 0,88 0,86
Song und Parry (1996) 788 0,37 0,96 0,88
Song und Parry (1996) 788 0,34 0,93 0,88

Umsatz
Tatikonda und Montoya-Weiss (2001) 120 0,03 – 0,83
Lewis et al. (2002) 80 0,19 0,75 0,69

Zeit Lynn et al. (1999) 95 0,34 0,53 0,83
Tatikonda und Montoya-Weiss (2001) 120 0,14 – 0,83
Tabelle 5.8: Übersicht über die Studien zur Metaanalyse hinsichtlich formeller Projektsteuerung
nach Erfolgsmaßen erhält man für Profitabilität“ und Umsatz“ jeweils homogene Teil-
” ”
stichproben. Dabei ist interessanterweise die Effektstärke hinsichtlich der Profitabilität
deutlich höher als die hinsichtlich der zeitlichen Effizienz des Projektes, ohne dass sich die
entsprechenden Konfidenzintervalle überschneiden. Die Metaanalysen für die Beziehungen
zwischen formeller Projektsteuerung und die Erfolgsmaße Umsatz“ sowie Gesamterfolg“
” ”
sind stark heterogen, wobei die Effektstärken bei letzterer praktisch Null betragen und die
Konfidenzintervalle fast den ganzen Wertebereich des Korrelationskoeffizienten abdecken.
Eine statistisch solide Suche nach möglichen Moderatoren erscheint aufgrund der ge-
ringen Studienzahl nicht möglich, da diese beispielsweise durch Stichprobenteilung anhand
der vermuteten Moderatoren und anschließende Differenztests oder durch eine Regression
der Effektstärken auf die möglichen Moderatoren erfolgen müsste. Dennoch ist es an-
gesichts der zentralen Fragestellung dieser Arbeit notwendig, wenigstens näherungsweise
den möglichen Effekt der unterschiedlicher Innovationsgrade, die jeweils in den Studien
realisiert werden, zu untersuchen. Drei Studien berichten neben der Korrelation zwischen
Projektsteuerung und Erfolg auch den ihrer Studie realisierten Mittelwert des Innovati-
onsgrads, vgl. Tabelle 5.9. Bei Betrachtung der Daten stellt man umittelbar fest, dass
die Verwendung formeller Projektsteuerungsmethoden mit zunehmendem Innovations-
grad geringere Wirkung auf den Vorhabenserfolg zeigt und schließlich gar zu einem Hin-
dernis wird. Dieser Zusammenhang ist sehr stark (r = −0, 88).
Studie Effektstärke Innovationsgrad
Bonner et al. (2002) -0,35 5,36

Tatikonda und Montoya-Weiss (2001) 0,03 4,89
Moenaert et al. (1994, 1995) 0,20 3,64
Erläuterung: Als Effektstärke wird der Korrelationskoeffizient zwischen formeller Projektsteue-

rung und Projekterfolg berichtet. Als Innovationsgrad werden die Mittelwerte der jeweils in
den Studien verwendeten Innovationsgradvariablen berichtet, wobei alle Werte auf den Ska-
lenbereich 1 – 7 umgerechnet wurden.
Tabelle 5.9: Innovationsgrad als Moderator für die Stärke des Effekts von formeller Projektsteuerung
auf den Projekterfolg
Zielstabilität Die Metaanalyse hinsichtlich der Erfolgswirkung der Zielstabilität

schließlich stützt sich auf nur zwei Studien (vgl. Tabelle 5.10). Obwohl sie mit Ge-
”
samterfolg“ und Zeit“ durchaus unterschiedliche Schwerpunkte in der Erfolgsmessung
”
setzen, sind doch die Befunde hochgradig homogen. Die mittlere Effektstärke liegt bei
ρ = 0, 443 bzw. ρtrue = 0, 543 und ist in ihrer Höhe damit vergleichbar mit den hinsichtlich
der Businessplanung erhaltenen Ergebnisse.
Gesamterfolg Bonner et al. (2002) 95 0,45 0,73 0,77

Zeit Lynn et al. (2000) 280 0,44 0,81 0,96
Tabelle 5.10: Übersicht über die Studien zur Metaanalyse hinsichtlich Zielstabilität
146
σ 2 (ρ) σ(ρ)
Analysierte Beziehungen k N ρ CIρ95% ρtrue CIρ95%
true
σ 2 (r) σ 2 (e) σ 2 (ρ) σ 2 (r) ρ χ2k−1 df
BUSINESSPLANUNG
Alle Erfolgsmaße 8 2826 0,435 0,246 – 0,624 0,534 0,343 – 0,725 0,0111 0,0019 0,0093 0,83 0,22 47,85∗∗ 7
— Gesamterfolg 3 741 0,551 0,290 – 0,813 0,551 0,294 – 0,821 0,0198 0,0020 0,0178 0,90 0,24 30,16∗∗ 2
— Profitabilität 2 991 0,409 0,409 – 0,409 0,507 0,507 – 0,507 0,0005 0,0014 0,0000 0,00 0,00 0,73 1
— Umsatz 2 991 0,377 0,327 – 0,426 0,467 0,467 – 0,467 0,0021 0,0015 0,0006 0,30 0,07 2,85 1
FORMELLE PROJEKTSTEUERUNG
Alle Erfolgsmaße 10 2339 0,289 0,007 – 0,585 0,357 -0,002 – 0,715 0,0264 0,0036 0,0228 0,86 0,52 73,54∗∗ 9
— Gesamterfolg 2 190 0,064 -0,722 – 0,849 0,080 -0,906 – 1,000 0,1710 0,0104 0,1605 0,94 6,31 32,75∗∗ 1
— Profitabilität 3 946 0,348 0,315 – 0,380 0,405 0,405 – 0,405 0,0027 0,0025 0,0003 0,10 0,05 3,33 2
— Umsatz 2 908 0,299 0,111 – 0,487 0,335 0,125 – 0,546 0,0110 0,0110 0,0018 0,83 0,32 12,07∗∗ 1
— Zeit 3 295 0,218 0,218 – 0,218 0,309 0,309 – 0,309 0,0074 0,0092 0,0000 0,00 0,00 2,41 2
ZIELSTABILITÄT
Alle Erfolgsmaße 2 375 0,443 0,443 – 0,443 0,543 0,543 – 0,543 0,0000 0,0034 0,0000 0,00 0,00 0,01 1
Erläuterung. k = Anzahl berichteter Effektstärken; N = aggregierte Stichprobengröße; ρ = aggregierte Effektstärke; CIρ95% = Konfidenzintervall
für ρ; ρtrue = aggregierte Effektstärke nach Artefaktkorrektur; CIρ95% true
= Konfidenzintervall für ρtrue ; σ 2 (r) = Stichprobenvarianz; σ 2 (e) =
Varianz des Stichprobenfehlers; σ 2 (ρ) = Populations- oder Residualvarianz; σ 2 (ρ)/σ 2 (r) sollte 0, 25 für homogene Stichproben sein; σ(ρ)/ρ
sollte 0, 25 für homogene Stichproben sein; χ2k−1 (df ) sollte bei homogenen Stichproben nicht signifikant sein.
∗∗
p 0, 01
Tabelle 5.11: Ergebnisse der Metaanalyse
5.6. Zusammenfassung der Befunde 147
5.6 Zusammenfassung der Befunde
Nach der qualitativen Gegenüberstellung der Studien in den Abschnitten 5.2 bis 5.4 sowie
der quantitativen Metaanalyse im letzten Abschnitt werden hier noch einmal die wesentli-
chen Befunde kurz zusammengefasst und in Beziehung zu den theoretischen Überlegungen
der beiden letzten Kapitel gesetzt.
Hinsichtlich der Businessplanung konnten sowohl die Studien im Abschnitt 5.2 als auch
die fokussierten Arbeiten im Abschnitt 5.3 generell einen positiven Effekt auf den Vor-
habenserfolg feststellen. Die quantitative Metaanalyse ergab eine aggregierte Effektstärke
von ρ = 0, 435. Dies berechtigt zur folgenden Aussage:
Befund 5.1: Businessplanung wirkt im allgemeinen positiv auf den Vorha-

benserfolg.
Hinsichtlich der Moderatorwirkung des Innovationsgrads sind die Ergebnisse weniger

gut gesichert. Der größere Teil der Untersuchungen kommt zu dem Ergebnis, dass sich
ausgiebige Businessplanung vor allem bei Projekten mit niedrigem Innovationsgrad aus-
zahlt, allerdings gibt es auch entgegengesetzte Resultate, die allerdings von einer Studie
über Dienstleistungsinnovationen herrühren. Daher soll der folgende Befund festgehalten
werden:
Befund 5.2: Die Wirkung der Businessplanung auf den Vorhabenserfolg wird
tendenziell negativ durch den Innovationsgrad moderiert, sie wirkt also v. a.
bei Projekten mit niedrigem Innovationsgrad erfolgssteigernd.
Während die Befunde zur Businessplanung für sich genommen interessant sind, stützen sie
doch nicht direkt die in Abschnitt 4.2.1 abgeleiteten Aussagen zur Businessplanung. Dieser
Umstand ist darauf zurückzuführen, dass alle analysierten Studien die Variablen Business-
planung, Projektplanung und Projektsteuerung als voneinander unabhängige Prädiktoren
des Vorhabenserfolgs betrachten und ihre Wechselwirkung daher nicht untersuchen. Eines
der in der Einleitung der vorliegenden Untersuchung definierten Ziele ist es jedoch gera-
de, Mediatorbeziehungen zwischen diesen Variablen aufzudecken, so dass im Rahmen der
Hypothesenformulierung in Kapitel 6 zumindest im Fall der Businessplanung nicht auf
die Befunde der Metaanalyse zurückgegriffen werden kann.
Die operative Projektplanung wurde von einer Reihe von Studien als ein wichtiger Er-
folgsfaktor für Innovationsprojekte identifiziert, eine quantitative Erhärtung im Rahmen
der Metaanalyse war allerdings nicht möglich, da keiner der relevanten Veröffentlichungen
verwertbare Effektstärken (z. B. Korrelationskoeffizienten) zu entnehmen waren.
Befund 5.3: Projektplanung wirkt generell positiv auf den Vorhabenserfolg.

Der Einfluss des Innovationsgrads auf die Erfolgswirkung fortgeschrittener Projekt-

planungsmethoden (v. a. Meilensteinplanung, Netzplantechniken, Risikomanagement)
verhält sich interessanterweise – und wohl entgegen den Erwartungen – invers zum Fall
der Businessplanung, Projektplanung scheint also gerade bei innovativen, mit hoher
Unsicherheit behafteten Projekten von Nutzen zu sein:66
Befund 5.4: Der Einfluss fortgeschrittener Projektplanungsaktivitäten auf

den Vorhabenserfolg wird positiv durch den Innovationsgrad moderiert, sie wir-
ken also v. a. bei Projekten mit hohem Innovationsgrad erfolgssteigernd.
Wie bereits im Fall der Businessplanung ist hier festzustellen, dass die analysierten Stu-
dien nur die direkte Erfolgswirkung der Projektplanung untersuchen, jedoch keine Media-
toreffekte. Die Befunde sind damit für die Hypothesenableitung wiederum nur begrenzt
aussagefähig, da sie keine Aussage über den Zusammenhang zwischen Projektplanung und
-steuerung ermöglichen. Dennoch ist der identifizierte Moderatoreffekt für sich genommen
bemerkenswert. Während in Kapitel 4 eine indirekte Erfolgswirkung der Projektplanung
über die Projektsteuerung mit negativer Moderation des Pfads von Projektsteuerung auf
Innovationserfolg abgeleitet wurde, präsentiert der Befund 5.4 eine positiv moderierte
(direkte) Erfolgswirkung. Ein solcher Zusammenhang widerspricht deutlich der in Ab-
schnitt 4.3.2 dargelegten Argumentation. Danach sind formelle Planungs- und Steuerungs-
mechanismen v. a. dann angemessen, wenn Ursache-Wirkungs-Zusammenhänge bekannt
und zeitlich stabil sind. Da bei hochinnovativen Projekten jedoch die relevante Wissen-
basis des Unternehmens oft klein ist und in nur sehr geringem Maße Erfahrungen aus
vergleichbaren Projekten übertragen werden können, kann sich hier ein hoher Planungs-
und Formalisierungsgrad deutlich negativ auf den Vorhabenserfolg ausüben, da er die
Handlungsfreiheit des Projektteams und die Kreativität der Problemlösung zu stark ein-
schränkt. Der Befund 5.4 ist von daher als überraschend zu werten.
Im Rahmen der quantitativen Metaanalyse im Abschnitt 5.4 konnte weiterhin gezeigt
werden, dass die Stabilität der zentralen Projektziele eine wesentliche Voraussetzung für
die erfolgreiche Durchführung von Innovationsvorhaben ist. Mit einer Effektstärke von
ρ = 0, 443 ist sie von vergleichbarer Wichtigkeit wie sorgfältige Businessplanung:
Befund 5.5: Die Stabilität zentraler Vorhabensziele hat einen positiven Ein-
fluss auf den Vorhabenserfolg.
66
Auch im Fall der Projektplanung ist es wiederum nur eine Studie über Dienstleistungsinnovationen,
die hinsichtlich dieses Moderatoreffektes zu gegensätzlichen Aussagen gelangt. Da sie zudem einen
anderen Schwerpunkt bei der Konstruktoperationalisierung setzt, scheint diese Feststellung gerecht-
fertigt zu sein.
5.6. Zusammenfassung der Befunde 149
Differenziert sind die Ergebnisse hinsichtlich der formellen Projektsteuerung zu be-

trachten. Zwar konnte im Rahmen der Metaanalyse über zehn Studien ein positiver Effekt
ρ = 0, 289 ermittelt werden – deutlich niedriger als bei Businessplanung oder Zielstabi-
lität , allerdings basiert diese Analyse auf einer sehr heterogenen Stichprobe, die zu sehr
breiten Konfidenzintervallen der Effektstärken führt, insbesondere wenn man nach den
Erfolgsmaßen differenziert. Diese Heterogenität ist wohl im wesentlichen auf den Einfluss
des Innovationsgrads zurückzuführen: Den Daten in Tabelle 5.9 ist eine hohe negative
Korrelation zwischen der Erfolgswirkung formeller Projektsteuerungsaktivitäten und dem
Innovationsgrad zu entnehmen. Entsprechend kann festgestellt werden:
Befund 5.6: Die Wirkung formeller Projektsteuerungsmethoden auf den Vor-

habenserfolg hängt stark vom Innovationsgrad ab. Während sie sich bei niedri-
ginnovativen Vorhaben positiv auswirken, führen sie bei neuartigen Projekten
zu starken Dysfunktionalitäten. Über den mittleren Effekt“ kann keine sichere
”
Aussage getroffen werden.
Kapitel 6
Hypothesen der empirischen

Untersuchung
In diesem Kapitel werden die Hypothesen für die empirische Untersuchung im zweiten
Teil der Arbeit abgeleitet. Die Darstellung kann vergleichsweise knapp gehalten werden,
da sich diese Hypothesen als direkte Folgerung aus dem theoretischen Grundmodell der
Arbeit (vgl. Abschnitt 3.4 und 3.5), aus den in Kapitel 4 abgeleiteten Aussagen zur
Planung und Steuerung von Innovationsvorhaben sowie aus den Befunden der empirischen
Metaanalyse (vgl. Abschnitt 5.6) ergeben. Die Tabellen 6.1 bis 6.3 auf den Seiten 155ff.
fassen noch einmal die zentralen Aussagen und Befunde zusammen und stellen ihnen die
daraus abgeleiteten Hypothesen gegenüber. Die logische Struktur der Hypothesen wird
darüber hinaus in Abbildung 6.1 auf S. 159 veranschaulicht.
Businessplanung Gemäß der in Abschnitt 3.4 präsentierten Theorie der Informati-

onsverarbeitung steigert der Abbau von Unsicherheit durch Planungstätigkeiten in der
Frühphase eines Innovationsvorhabens einerseits direkt den Vorhabenserfolg, führt ande-
rerseits aber auch zu einer strukturierteren Projektsteuerung mit weniger unplanmäßigen
Änderungen und damit indirekt zu einem höheren Vorhabenserfolg. Diese starke Erfolgs-
wirkung von Planungstätigkeiten scheint im Fall der Businessplanung bei oberflächlicher
Betrachtung durch empirische Untersuchungen klar bestätigt zu werden. Ein Blick auf die
dabei geprüften Modelle zeigt allerdings, dass diese im Allgemeinen nur direkte Erfolgswir-
kungen analysieren und eventuell relevante Mediatorvariablen vernachlässigen. Konzeptio-
nelle Arbeiten zur Frühphasenplanung aus der Innovations- und Gründungsforschung he-
ben jedoch gerade die Mediatorwirkung der sich anschließenden operativen Planung (Pro-
jektplanung und Risikomanagement) hervor und postulieren, dass durch sie die gesamte
Erfolgswirkung vermittelt wird, ein direkter Zusammenhang zwischen Frühphasenplanung
und Vorhabenserfolg also nicht besteht. Dieser empirisch bislang kaum untersuchte Media-
152 6. Hypothesen der empirischen Untersuchung
toreffekt soll darüberhinaus gerade für hochinnovative Projekte von besonderer Bedeutung
sein, so dass in der vorliegenden Arbeit die beiden folgenden Hypothesen geprüft werden
sollen:
H1: (a) Die Durchführung von Aktivitäten der Businessplanung hat einen
positiven Effekt auf die Qualität der Projektplanung. (b) Je höher der Innova-
tionsgrad eines Projektes ist, desto stärker tritt dieser Effekt zutage (positiver
Interaktionseffekt).
H2: (a) Die Durchführung von Aktivitäten der Businessplanung hat einen
positiven Effekt auf das Risikomanagement. (b) Je höher der Innovationsgrad
eines Projektes ist, desto stärker tritt dieser Effekt zutage (positiver Interak-
tionseffekt).
Projektplanung und Risikomanagement In Abschnitt 4.2.3 wurde gezeigt, dass

die Elemente der Struktur-, Ablauf- und Ressourcenplanung unabhängig vom Innovati-
onsgrad eine wichtige Vorbereitung für die eigentliche Projektdurchführung darstellen.
Gemäß der Theorie der Informationsverarbeitung lässt sich dies wiederum dadurch er-
klären, dass der Abbau von Unsicherheit in der Planungsphase zu einem strukturierteren
Implementierungsprozess und einer geringeren Anzahl unplanmäßiger Änderungen führt.
Die empirische Metaanalyse zeigt, dass auch hier, ähnlich wie im Fall der Businessplanung,
die Mediatorrolle der Projektdurchführung als Bindeglied zwischen Projektplanung und
Vorhabenserfolg in früheren Veröffentlichungen nicht untersucht wurde und stattdessen
nur der direkte bivariate Zusammenhang zwischen Planung und Erfolg geprüft wurde.
Dennoch werden die theoretischen Argumente aus den Kapiteln 3 und 4 als stark genug
erachtet, dass die folgenden Hypothesen aufgestellt werden können:
H3: Die Intensität der Projektplanung hat einen positiven Effekt auf die Pro-
zessformalisierung.
H4: Die Intensität der Projektplanung hat einen positiven Effekt auf die Pro-
zessstabilität.
Auch bei der Risikoerkennung und -analyse (vgl. Abschnitt 4.2.4) handelt es sich um
Prozesse der Informationsbeschaffung und -verarbeitung, die gerade bei hochinnovati-
ven, von hoher Unsicherheit gekennzeichneten Projekten eine besondere Erfolgswirkung
ausüben. Diese kommt auf der einen Seite, ähnlich wie im Fall der Projektplanung, durch
die Mediatorwirkung von Projektsteuerungsvariablen zum Tragen, da Maßnahmen der
Risikoanalyse und -handhabung zu einem strukturierteren und stabileren Implementati-
onsprozess führen und damit indirekt den Vorhabenserfolg steigern. Auf der anderen Seite
153
aber üben speziell die Maßnahmen der Risikohandhabung durch Verlustvermeidung und
-verkürzung auch direkt einen positiven Einfluss auf den Projekterfolg aus. Entsprechend
werden für die empirische Untersuchung die folgenden Hypothesen aufgestellt:
H5: Die Intensität des Risikomanagement hat einen positiven Effekt auf die
Prozessformalisierung.
H6: Die Intensität des Risikomanagement hat einen positiven Effekt auf die
Prozessstabilität.
H7: (a) Die Intensität des Risikomanagement hat einen positiven Effekt auf
den Vorhabenserfolg. (b) Je höher der Innovationsgrad eines Projektes ist,
desto stärker tritt dieser Effekt zutage (positiver Interaktionseffekt).
Prozessformalisierung und -stabilität Folgt man der in Abschnitt 3.4 diskutierten

Theorie der Informationsverarbeitung, so sind die Koordinations- und Kontrollmechanis-
men in der Implementierungsphase am Ausmaß der nach der Planungsphase verbleiben-
den Unsicherheit auszurichten. Je geringer der Grad an Unsicherheit und Mehrdeutigkeit
ist, desto stärker sollten im Interesse effizienter Ressourcennutzung formelle Steuerungs-
mechanismen mit geringem medialen Reichtum eingesetzt werden. Da diese Behauptung
sowohl durch konzeptionelle Arbeiten aus der Innovations- und Gründungsforschung als
auch durch die empirische Metaanalyse (vgl. v. a. Tabelle 5.9 auf S. 145) gestützt wird,
liegt die folgende Hypothese nahe:
H8: (a) Der Grad der Prozessformalisierung hat im Mittel“ über die Pro-
”
jekte unterschiedlicher Innovationsgrade keinen signifikanten Einfluss auf den
Vorhabenserfolg. (b) Bei niedriginnovativen Projekten wirkt ein hoher For-
malisierungsgrad erfolgssteigernd, bei hochinnovativen Projekten dagegen er-
folgshemmend (negativer Interaktionseffekt).
Als zweiter Aspekt der Projektsteuerung wurde in Abschnitt 4.3.3 die Stabilität der Pro-
jektsteuerung behandelt. Dabei hatte sich gezeigt, dass Projektteams bei innovativen
Vorhaben zwar immer ein gewisses Maß an Flexibilität benötigen, um beispielsweise auf
sich ändernde Randbedingungen reagieren zu können, dass aber andererseits wiederholte
Änderungen der Zielsetzung, Projektplanung und Ressourcenausstattung zu Konfusion
und Frustration bei den Projektmitgliedern führen und den Vorhabenserfolg negativ be-
einflussen können. Zumindest im Hinblick auf die Stabilität der Vorhabensziele konnte
diese Aussage auch durch die empirische Metaanalyse gestützt werden, so dass die folgen-
de Hypothese gerechtfertigt erscheint:
H9: Prozessstabilität hat unabhängig vom Innovationsgrad eines Vorhabens
einen positiven Effekt auf den Vorhabenserfolg.
154 6. Hypothesen der empirischen Untersuchung
Ergänzende Untersuchungen zur Zieldefinition Aspekte der Zieldefinition wur-

den zwar in den Abschnitten 4.2.2 und 4.3.1 konzeptionell behandelt, im Rahmen der
Metaanalyse in Kapitel 5 allerdings nicht berücksichtigt. Der Zusammenhang zwischen
Zielsetzung und Leistungshöhe ist individualpsychologisch wie gruppenpsychologisch gut
belegt, die negative Moderation dieser Beziehung durch die Komplexität der gestellten
Aufgabe zumindest individualpsychologisch. Interpretiert man den Innovationsgrad als
Aufgabenkomplexität, lässt sich die folgende Hypothese aufstellen:
H10: (a) Je höher das Anspruchsniveau hinsichtlich bestimmter Vorhabens-

ziele gesetzt wird, desto höher fällt auch die Zielerreichung in der entspechen-
den Erfolgsdimension aus. (b) Je höher der Innovationsgrad eines Projektes
ist, desto schwächer wird dieser Zusammenhang ausgeprägt sein (negativer
Entsprechend den Ausführung in den Abschnitten 4.2.2 und 4.3.1 unterliegt diese Bezie-
hung zwischen Zielsetzung und -erreichung zumindest zwei wichtigen Randbedingungen:
Auf der einen Seite ist zu berücksichtigen, dass mit zunehmender inhaltlicher Spezifizie-
rung von Zielen auch die Wahrscheinlichkeit der Zielerreichung steigt, da hierdurch die Ab-
leitbarkeit konkreter Handlungspläne zunimmt. Auf der anderen Seite ist die Erreichung
bestimmter Ziele immer auch an eine darauf ausgerichtete Projektsteuerung gebunden, die
die Erreichung spezifischer Ziele durch die Verwendung entsprechender Steuerungsgrößen
forciert. Dementsprechend sollen im empirischen Teil dieser Arbeit zusätzlich noch die
zwei folgenden Hypothesen untersucht werden:
H11: (a) Je spezifischer die zentralen Ziele des Vorhabens formuliert werden,
desto höher fällt die Zielerreichung in den entspechenden Erfolgsdimensionen
aus. (b) Je höher der Innovationsgrad eines Projektes ist, desto schwächer
wird dieser Zusammenhang ausgeprägt sein (negativer Interaktionseffekt).
H12: (a) Je stärker bestimmte Steuerungsgrößen im Rahmen der Projekt-

steuerung verwendet werden, desto höher ist die Zielerreichung in den kor-
respondierenden Erfolgsdimensionen. (b) Je höher der Innovationsgrad eines
Projektes ist, desto schwächer wird dieser Zusammenhang ausgeprägt sein (ne-
gativer Interaktionseffekt).
Tabelle 6.1: Aussagen, Befunde und Hypothesen zur Planung
Theorie der Informations- Veröffentlichungen zu Innovations- und Pro- Empirische Metaanalyse Hypothesen
verarbeitung jektmanagement
Aussage 3.7 (vgl. Aussage 4.1 (vgl. S. 64): Die Durchführung Befund 5.1 (vgl. S. 147): Busi- H1: (a) Die Durchführung von Akti-
S. 52): Höherer Abbau von Aktivitäten der Businessplanung führt zu nessplanung wirkt im allgemei- vitäten der Businessplanung hat einen
von Unsicherheit in der gesteigerter Intensität der Projektplanung. nen positiv auf den Vorhabens- positiven Effekt auf die Intensität der
Planungsphase des Inno- erfolg. Projektplanung. (b) Je höher der In-
vationsprojektes führt zu Aussage 4.2 (vgl. S. 64): Die Durchführung novationsgrad eines Projektes ist, desto
einem strukturierteren von Aktivitäten der Businessplanung führt zu Befund 5.2 (vgl. S. 147): Die stärker tritt dieser Effekt zutage (posi-
Implementierungsprozess, gesteigerter Intensität des Risikomanagement. Wirkung der Businessplanung tiver Interaktionseffekt).
weniger unplanmäßigen auf den Vorhabenserfolg wird
Aussage 4.3 (vgl. S. 65): Je höher dabei tendenziell negativ durch den H2: (a) Die Durchführung von Akti-
Änderungen und einem der Innovationsgrad eines Projektes ist, desto
höheren Innovationser- Innovationsgrad moderiert, sie vitäten der Businessplanung hat einen
wichtiger ist die Businessplanung als Vorbe- wirkt also v. a. bei Projekten positiven Effekt auf die Intensität des
folg. reitung für Projektplanung und Risikomana- mit niedrigem Innovationsgrad Risikomanagement. (b) Je höher der
gement (positiver Interaktionseffekt). erfolgssteigernd. Innovationsgrad eines Projektes ist, de-
Aussage 4.7 (vgl. S. 72): Je intensiver sto stärker tritt dieser Effekt zutage
Befund 5.3 (vgl. S. 147): Pro- (positiver Interaktionseffekt).
die Projektplanung durchgeführt wird, desto jektplanung wirkt generell posi-
strukturierter kann die Projektsteuerung in tiv auf den Vorhabenserfolg. H3: Die Intensität der Projektplanung
der eigentlichen Durchführungsphase erfolgen. hat einen positiven Effekt auf die Pro-
Befund 5.4 (vgl. S. 148): zessformalisierung.
Aussage 4.8 (vgl. S. 73): Je intensiver die Der Einfluss fortgeschrittener
Projektplanung durchgeführt wird, desto we- Projektplanungsaktivitäten auf H4: Die Intensität der Projektplanung
niger Plan- und Ressourcenänderungen werden Vorhabenserfolg wird positiv hat einen positiven Effekt auf die Pro-
den im Laufe der Durchführungsphase not- durch den Innovationsgrad mo- zessstabilität.
wendig. deriert, sie wirken also v. a. bei
Projekten mit hohem Innovati-
onsgrad erfolgssteigernd.
(wird fortgesetzt)
155
(Fortsetzung)
156
Aussage 4.9 (vgl. S. 75): Je intensiver das H5: Die Intensität des Risikomanage-
Risikomanagement erfolgt ist, desto struktu- ment hat einen positiven Effekt auf die
rierter und stabiler kann die Projektsteuerung Prozessformalisierung.
in der Durchführungsphase ablaufen. Mit zu-
nehmendem Innovationsgrad wird dieser Zu- H6: Die Intensität des Risikomanage-
sammenhang stärker ausgeprägt sein (positi- ment hat einen positiven Effekt auf die
ver Interaktionseffekt). Prozessstabilität.
Aussage 4.10 (vgl. S. 75): Je intensiver H7: (a) Die Intensität des Risikomana-
das Risikomanagement erfolgt ist, desto höher gement hat einen positiven Effekt auf
fällt der Projekterfolg aus. Mit zunehmendem den Vorhabenserfolg. (b) Je höher der
Innovationsgrad wird dieser Zusammenhang Innovationsgrad eines Projektes ist, de-
stärker ausgeprägt sein (positiver Interakti- sto stärker tritt dieser Effekt zutage
onseffekt). (positiver Interaktionseffekt).
6. Hypothesen der empirischen Untersuchung
Tabelle 6.2: Aussagen, Befunde und Hypothesen zur Projektsteuerung
Aussage 3.8 (vgl. S. 52): Aussage 4.13 (vgl. S. 80): Ein hoher Grad Befund 5.5 (vgl. S. 148): Die H8: (a) Der Grad der Prozessformali-
Je geringer das Aus- der Prozessformalisierung wirkt erfolgsstei- Stabilität zentraler Vorhabens- sierung hat im Mittel“ über die Pro-
”
maß an Unsicherheit gernd bei inkrementellen Innovationsvorhaben ziele hat einen positiven Einfluss jekte unterschiedlicher Innovationsgra-
und Mehrdeutigkeit im und erfolgshemmend bei hochinnovativen Vor- auf den Vorhabenserfolg. de keinen signifikanten Einfluss auf den
Rahmen der Implemen- haben. Vorhabenserfolg. (b) Bei niedriginno-
tierungsphase ist, desto Befund 5.6 (vgl. S. 149): Die vativen Projekten wirkt ein hoher For-
stärker tragen formelle Aussage 4.14 (vgl. S. 81): Kontinuität der Wirkung formeller Projektsteue- malisierungsgrad erfolgssteigernd, bei
Koordinations- und Kon- Projektsteuerung im Sinne von geringen Ziel- rungsmethoden auf den Vorha- hochinnovativen Projekten dagegen er-
trollmechanismen zum , Plan- und Ressourcenänderungen hat un- benserfolg hängt stark vom Inno- folgshemmend (negativer Interaktions-
Innovationserfolg bei. abhängig vom Innovationsgrad des Vorhabens vationsgrad ab. Während sie sich effekt).
eine positive Erfolgswirkung. bei niedriginnovativen Vorhaben
positiv auswirken, führen sie bei H9: Prozessstabilität hat unabhängig
neuartigen Projekten zu starken vom Innovationsgrad eines Vorhabens
Dysfunktionalitäten. Über den einen positiven Effekt auf den Vorha-
mittleren Effekt“ kann keine si- benserfolg.
”
chere Aussage getroffen werden.
157
Tabelle 6.3: Aussagen, Befunde und Hypothesen zur Zieldefinition
158
Theorie der Informati- Veröffentlichungen zu Innovations- und Pro- Empirische Metaanalyse Hypothesen
onsverarbeitung jektmanagement
Aussage 4.4 (vgl. S. 67): Je höher das An- H10: (a) Je höher das Anspruchsni-
spruchsniveau hinsichtlich bestimmter Vorha- veau hinsichtlich bestimmter Vorhabens-
bensziele gesetzt wird, desto höher fällt auch ziele gesetzt wird, desto höher fällt auch
die Zielerreichung in der entspechenden Erfolgs- die Zielerreichung in der entspechenden
dimension aus. Mit zunehmendem Innovati- Erfolgsdimension aus. (b) Je höher der
onsgrad wird dieser Zusammenhang schwächer Innovationsgrad eines Projektes ist, de-
ausgeprägt sein (negativer Interaktionseffekt). sto schwächer wird dieser Zusammen-
hang ausgeprägt sein (negativer Interak-
Aussage 4.5 (vgl. S. 68): Je spezifischer die tionseffekt).
zentralen Ziele des Vorhabens formuliert wer-
den, desto höher fällt die Zielerreichung in den H11: (a) Je spezifischer die zentralen
entspechenden Erfolgsdimensionen aus. Mit zu- Ziele des Vorhabens formuliert werden,
nehmendem Innovationsgrad wird dieser Zu- desto höher fällt die Zielerreichung in den
sammenhang jedoch schwächer ausgeprägt sein entspechenden Erfolgsdimensionen aus.
(negativer Interaktionseffekt). (b) Je höher der Innovationsgrad eines
Projektes ist, desto schwächer wird die-
Aussage 4.11 (vgl. S. 77): Je stärker bestimm- ser Zusammenhang ausgeprägt sein (ne-
te Steuerungsgrößen im Rahmen der Projekt- gativer Interaktionseffekt).
steuerung verwendet werden, desto höher ist die
Zielerreichung in den korrespondierenden Er- H12: (a) Je stärker bestimmte Steue-
folgsdimensionen. Je höher der Innovationsgrad rungsgrößen im Rahmen der Projekt-
eines Projektes ist, desto schwächer wird dieser steuerung verwendet werden, desto höher
Zusammenhang ausgeprägt sein (negativer In- ist die Zielerreichung in den korrespon-
teraktionseffekt). dierenden Erfolgsdimensionen. (b) Je
höher der Innovationsgrad eines Projek-
tes ist, desto schwächer wird dieser Zu-
sammenhang ausgeprägt sein (negativer
6. Hypothesen der empirischen Untersuchung
159
Innovationsgrad (Moderatorvariable)
Projekt- Prozess-
planung H3 formali-
sierung
H1 H8
H4
Business- Erfolg
planung
H7
H5
H9
H2
Risiko- Prozess-
mgmt. H6 stabili-
tät
H10
Ziel-
wichtigkeit
H11
Ziel-
spezifität
H12
Steuerungs-
größen
Abbildung 6.1: Zentrale Hypothesen der empirischen Untersuchung

Teil II
Empirischer Teil
Kapitel 7
Untersuchungsdesign
7.1 Vorgehen bei der Datenerhebung
Die Auswahl der Datenerhebungsmethode sollte von der Zielsetzung der Untersuchung
abhängig gemacht werden. Da die Art der im theoretischen Teil aufgestellten Hypothesen
die Anwendung multivariater statistischer Verfahren erfordert, zielte die Datenerfassung
auf eine großzahlige Erhebung standardisierter Indikatoren von Produktinnovationspro-
jekten ab. Unter Ressourcengesichtspunkten wurde hierfür eine schriftliche Befragung
mit einem voll standardisierten Fragebogen als geeignetes Erhebungsinstrument gewählt.
Neben pragmatischen sprachen aber auch methodische Aspekte für die Wahl dieser Er-
hebungsform. So wird bei schriftlichen Befragungen die Gefahr einer Antwortverzerrung
aufgrund sozialer Erwünschtheitseffekte als geringer eingestuft1 und vermutet, dass die
zeitliche Flexibilität zu konzentrierterem und überlegterem Antwortverhalten der Respon-
denten führt.2
Auf der Grundlage des ersten Fragebogenentwurfes erfolgte zunächst eine interne Re-
vision, durch die die Variablenzahl reduziert und die effektive Länge des Fragebogens
auf 12 Seiten beschränkt werden konnte.3 Im Anschluss wurde ein Pretest mit insge-
samt 4 Firmenvertretern durchgeführt, um die Brauchbarkeit und Gültigkeit des Erhe-
bungsinstruments zu überprüfen. Insbesondere sollte geklärt werden, ob die gestellten
Fragen verständlich waren, ob Schwierigkeiten bei der Beantwortung auftraten und ob
die Fragen tatsächlich variierende Antworten produzierten. Die Teilnehmer der Vorstu-
die wurden persönlich aufgesucht, wobei die Gespräche im Mittel 90 Minuten dauerten.
Insgesamt zeigte es sich, dass der Fragebogen logisch aufgebaut war und keine wesentli-
chen Verständnisprobleme auftraten. Einige Fragebogenitems wurden auf Anregung der
1
Bradburn und Sudman (1979), S. 166.
2
Schnell et al. (1995), S. 333.
3
Vgl. Hippler (1988), S. 245.
164 7. Untersuchungsdesign
Interviewpartner umformuliert, um sie leichter verständlich zu machen.

Die Untersuchungsstichprobe rekrutiert sich aus drei Teilgesamtheiten, die jeweils
dadurch gekennzeichnet sind, dass die ihnen zugehorenden
¨ Unternehmen in einem Hoch -
technologie-Segment tatig
¨ ¨ selbst Innovationsvorhaben durchfuhren.
sind und regelmaßig ¨
Zunächst zählen hierzu Unternehmen, die im Jahre 2001 am Forschungsvorhaben Inno-
”
vationsKompass“ teilgenommen haben, das als Kooperationsprojekt zwischen der Tech-
nischen Universität Berlin, dem Verein Deutscher Ingenieure sowie McKinsey&Company
durchgeführt wurde.4 Weiterhin wurden Bewerber auf den Innovationspreis der Deut-
schen Wirtschaft des Jahres 2001 angesprochen. Der Preis wird jährlich von der Zeit-
schrift Wirtschaftswoche“ und dem Wirtschaftsclub Rhein-Main e.V. ausgeschrieben.
”
Auch andere Untersuchungen haben diese Datenquelle in der Vergangenheit verwendet.5
Die Grundgesamtheit der Bewerber auf diesen Preis ist dadurch gekennzeichnet, dass es
sich um klar abgegrenzte, bereits reflektierte Projekte handelt, die ein breites Spektrum
von Anwendungsfeldern und technischen Lösungen abdecken und in ihrer Größe sehr un-
terschiedlich sind.6 Schließlich wurden lokale Kontaktnetzwerke aus dem Umfeld der TU
Berlin gezielt verwendet, um kleinere Hochtechnologiefirmen aus Berlin und Brandenburg
anzusprechen, bei denen die Ansiedlung hochinnovativer Projekte vermutet wurde.
Die ausgewählten Unternehmen wurden telefonisch kontaktiert, um einen adäquaten
Ansprechpartner zu identifizieren und diesen zur Teilnahme zu bewegen. Hierbei wur-
den Personen ausgewählt, die als Projektleiter selbst ein Innovationsvorhaben gesteuert
hatten und damit als Schlüsselinformant sämtliche Teile des Fragebogens kompetent be-
antworten konnten. Im Rahmen der Kontaktaufnahme wurde das Forschungsprojekt kurz
beschrieben und auf die Inhalte des Fragebogens sowie die zu seiner Bearbeitung vor-
aussichtlich erforderliche Zeit eingegangen. Weiterhin wurde auf die Anonymisierung der
Daten hingewiesen und als Anreiz zur Teilnahme ein umfangreiches, individuell auf jedes
teilnehmende Projekt zugeschnittenes Feedback-Dokument in Aussicht gestellt. Zielper-
sonen, die während des Telefongespräches Interesse an der Untersuchung signalisierten,
bekamen im Anschluss den Fragebogen zusammen mit einem kurzen Anschreiben und
einer erläuternden Präsentation zugeschickt. Um eine zufriedenstellende Rücklaufquote
zu erzielen, wurden die potentiellen Teilnehmer zwei bis drei Wochen nach Zusendung
der Unterlagen erneut kontaktiert, falls sie den Fragebogen bis zu diesem Zeitpunkt noch
nicht zurückgeschickt hatten.
4
Vgl. hierzu unter anderem die Veröffentlichungen Brennecke et al. (2002) und Billing (2003).
5
Vgl. u. a. Littkemann (1997), Hauschildt (1999) und Schlaak (1999).
6
Vgl. Hauschildt (1999), S. 6 für diese Einschätzung.
7.2. Abschätzung möglicher Methodenfehler 165
7.2 Abschätzung möglicher Methodenfehler
Der empirische Test theoretischer Überlegungen bringt insbesondere in der Sozialfor-

schung unweigerlich das Auftreten von Messfehlern mit sich, die sich aus einer zufälligen
und einer systematischen Komponente zusammensetzen.7 Als Hauptquelle systematischer
Messfehler sind sog. Methodenfehler (im Englischen als common method bias bzw. method
variance bezeichnet) identifiziert worden, die insofern problematisch sind, als sie einen sy-
stematischen Einfluss auf die beobachtete Korrelation zwischen zwei Variablen ausüben
und dadurch möglicherweise zu einer Über- bzw. Unterschätzung ihres theoretisch wah-
”
ren“ Zusammenhangs führen.8
Methodenfehler können auf eine Vielzahl von Ursachen zurückgeführt werden.9 Diese
werden in einem aktuellen Übersichtsartikel von Podsakoff et al. (2003) zusammengefasst
und den vier Kategorien Itemmerkmale, Itemkontext, Messkontext und Informantenein-
flüsse zugeordnet. Unter den ersten Punkt fallen Einflüsse, die aus der spezifischen Ge-
staltung von Items herrühren und somit Aspekte wie z. B. Formulierung, Verständlichkeit,
soziale Erwünschtheit, Skalierung oder die Möglichkeit einer inversen Kodierung umfas-
sen. Der Itemkontext bezieht sich im wesentlichen auf die Frage, in welcher Reihenfolge
und Gruppierung Items innerhalb eines Fragebogens angeordnet werden, während un-
ter dem Messkontext die Frage verstanden wird, ob Prädiktor- und Kriteriumsvariablen
zur gleichen Zeit, am gleichen Ort und durch das gleiche Messinstrument erhoben wer-
den. Die vierte und vielleicht wichtigste Kategorie fasst Informanteneinflüsse zusammen,
also methodische Artefakte, die darauf zurückzuführen sind, dass Prädiktor- und Kriteri-
umsvariablen in empirischen sozialwissenschaftlichen Untersuchungen nur selten objektiv
messbar sind, sondern meist durch Befragung ein- und desselben Respondenten erhoben
werden.
Im Rahmen der Datenerhebung für die vorliegende Untersuchung wurde versucht, die
erwähnten Methodenfehler so weit wie möglich zu vermeiden. Hinsichtlich der Itemmerk-
male wurde so v. a. die Verständlichkeit der Items im Rahmen von Pretests sichergestellt
und soziale Erwünschtheitseffekte durch neutrale Formulierungen und die schriftliche Be-
fragungsform minimiert.10 Auf invers kodierte Items wurde verzichtet, da diese häufig
separate Methodenfaktoren bilden, die verschwinden, wenn die Fragen positiv umformu-
liert werden.11 Ebenso wurde darauf verzichtet, Kontexteffekte durch die Umsortierung
von Fragen zu kontrollieren, da dadurch der logische Aufbau des Fragebogens und der
7
Vgl. hierzu auch Abschnitt 8.5.3 der vorliegenden Arbeit.
8
Bagozzi et al. (1991), S. 421.
9
Fiske (1982), S. 81-84; Podsakoff et al. (2003), S. 881-885.
10
Bradburn und Sudman (1979), S. 166.
11
Idaszak und Drasgow (1987).
Übergang von allgemeinen zu spezifischen Fragen zerstört worden wäre.12 Die Befragung
von Schlüsselinformanten konnte jedoch unter den Randbedingungen des hier gewählten
Untersuchungs-Designs nicht vermieden werden. Inwieweit ein solcher Ansatz bei der Ana-
lyse institutioneller Phänomene adäquat ist, war und ist Gegenstand intensiver Diskus-
sionen.13 Das Vertrauen in subjektive Bewertungen von Informanten kann zu erheblichen
Messproblemen führen, die auf beschränkte Informationsverarbeitungskapazitäten, Wahr-
nehmungsunterschiede und divergierende Informationsstände zwischen Informanten und
eine Vielzahl unterschiedlicher Motive, wie z. B. das Streben nach Zielerreichung, An-
erkennung und Sicherheit, zurückgeführt werden können.14 Empirische Untersuchungen
zeigen, dass ein solcher Informant Bias mitunter über 30 Prozent der gesamten Varianz
ausmachen kann und bei vielen Konstrukten höher als die inhaltlich durch das Konstrukt
erklärte Varianz ist.15
Für die Diagnose, Abschätzung und Elimination von Methodenfehlern sind eine Rei-
he statistischer Techniken entwickelt worden, die von Podsakoff et al. (2003, S. 887ff.)
zusammengefasst werden. Bei Untersuchungsdesigns, die Prädiktor- und Kriteriumsva-
riablen im gleichen Kontext aus derselben Quelle erheben und die genaue Ursache des
Methodenfehlers ex ante nicht spezifizieren können, bieten sich grundsätzlich zwei Ana-
lysemöglichkeiten an. Eine einfache Diagnose möglicher Methodenfehler kann durch den
sog. Einfaktoren-Test nach Harman (1978) erfolgen, bei dem alle Items in eine explo-
ratorische Faktorenanalyse geladen werden. Ein Methodenfehler äußert sich hier darin,
dass die unrotierte Lösung entweder nur einen Faktor enthält oder dass zumindest ein
Methodenfaktor den größten Teil der Item-Varianzen erklärt. Für die vorliegende Arbeit
wurden bei diesem Test insgesamt neun Faktoren mit einem Eigenwert größer Eins ex-
trahiert, wobei der Abfall der Eigenwerte im Scree-Plot bzw. die Abnahme der erklärten
Varianz relativ flach verläuft, so dass offensichtlich kein schwerwiegender Methodenfehler
vorliegt. Da Podsakoff et al. (2003, S. 889) dieser Methode jedoch nur geringe Aussage-
kraft zuschreiben und ein Ausgleich eines potenziellen Methodenfehlers durch sie nicht
möglich ist, empfehlen sie stattdessen die Verwendung eines Strukturgleichungsmodells,
bei dem jede manifeste Variable nicht nur auf ihren jeweiligen Faktor lädt, sondern auch
auf einen generellen Methodenfaktor. Dieses Modell ist jedoch häufig unteridentifiziert,
wenn die Zahl der Indikatoren pro Faktor niedrig ist, und konnte auch für die vorliegende
Arbeit nicht gelöst werden.
12
Podsakoff et al. (2003), S. 888.
13
Vgl. u. a. Seidler (1974), Phillips (1981), Podsakoff und Organ (1986), Kumar et al. (1993), Ernst
(2001).
14
Ernst (2001), S. 87f.
15
Cote und Buckley (1987), S. 317; Ernst (2003), S. 1260.
7.3. Beschreibung der Stichprobe 167
7.3 Beschreibung der Stichprobe
Bis zur Beendigung der Datenerhebungsphase im Januar 2003 wurden 136 ausgefüllte
Fragebögen zurückgesendet und mit Hilfe der Statistiksoftware SPSS Version 11.0 er-
fasst. Nach Ausschluss von zwei stark unvollständigen Datensätzen bilden 134 auswertbare
Produktinnovationen die Stichprobe für die empirischen Analysen, was einer korrigierten
Rücklaufquote von 42 Prozent entspricht.
Die Stichprobe spiegelt einen breiten Querschnitt von Produktentwicklungsaktivitäten
in Deutschland wider und ist damit als vergleichsweise heterogen einzustufen. Die Ver-
teilung der teilnehmenden Unternehmen nach Industrien wird in Tabelle 7.1 zusam-
men mit Angaben zur durchschnittlichen Mitarbeiterzahl und zum durchschnittlichen
Umsatz berichtet. Neben den zu erwartenden Schwerpunkten in den Bereichen Elektro-
nik/Kommunikation und Maschinenbau fällt vor allem auf, dass die Automobilindustrie
verhältnismäßig stark vertreten ist sowie Firmen, die überwiegend mittels Lasertechnik
Werkstoffbearbeitung durchführen.
Die Größenverteilung der teilnehmenden Unternehmen ist in den Abbildungen 7.1
und 7.2 widergegeben. Über die Hälfte aller Firmen hat weniger als 500 Mitarbeiter und
erzielt weniger als 100 Mio. Euro Umsatz, wobei allein die kleinste Größenklasse mit bis
zu 50 Mitarbeitern und bis zu 10 Mio. Euro Umsatz schon fast ein Drittel der Stichprobe
konstituiert.
Industrie Zahl der Durchschn. Durchschn.

Unternehmen Mitarbeiterzahl Umsatz [in
[in Tsd.] Mrd. Euro]
Elektronik und Kommunikation 27 14,7 3,2

Maschinenbau 27 7,9 1,3
Chemie, Pharma, Medizintechnik 20 9,3 2,9
Werkstoff- und Lasertechnik 14 1,7 0,3
Software 14 27,3 1,1
Automobilindustrie 12 52,3 18,2
Sonstige 12 4,8 1,1
Summe (Σ) bzw. Durchschnitt (∅) Σ = 134 ∅ = 14,7 ∅ = 3,9
Tabelle 7.1: Charakterisierung der Stichprobe nach Industrien

Anzahl 50
Unternehmen
40
30
20
10
0
0 50 500 5.000 grösser Anzahl
bis bis bis bis als Mitarbeiter
50 500 5.000 50.000 50.000
Abbildung 7.1: Segmentierung der Stichprobe nach Mitarbeiterzahl
Anzahl 50
Unternehmen
40
30
20
10
0
0 10 100 1.000 grösser Umsatz in
bis bis bis bis als Mio. EURO
10 100 1.000 10.000 10.000
Abbildung 7.2: Segmentierung der Stichprobe nach Umsatz in Mio. EURO

Kapitel 8
Methodik der Datenauswertung
Das zentrale Ziel der Datenauswertung ist die empirische Überprüfung der im letzten Ab-
schnitt zusammengefassten Hypothesen. Hierzu sind zwei Schritte notwendig: Zunächst
müssen die theoretischen Konstrukte des Bezugsrahmens, bei denen es sich um latente
(nicht direkt beobachtbare) Variablen handelt, empirisch greifbar, d. h. messbar gemacht
werden. Erst im Anschluss daran können die Wirkungszusammenhänge zwischen den la-
tenten Variablen untersucht werden. In beiden Schritten wird bei der statistischen Analyse
auf Strukturgleichungsmodelle mit latenten Variablen zurückgegriffen, deren Erläuterung
im Mittelpunkt dieses Kapitels steht. Der folgende Abschnitt enthält dementsprechend
zunächst eine kurze Einführung zu latenten Variablen und Strukturgleichungsmodellen
, bevor in Abschnitt 8.2 auf die Anwendung exploratorischer Faktorenanalysen in der
ersten Stufe der Messung latenter Variablen eingegangen wird. In den Abschnitten 8.3
und 8.4 werden die Grundlagen und Anpassungsmaße des weit verbreiteten Struktur-
gleichungsmodells LISREL erläutert. Abschnitt 8.5 behandelt die Konstruktmessung im
Rahmen von Strukturgleichungsmodellen, wobei zunächst die Unterscheidung zwischen
reflexiven und formativen Konstrukten erläutert wird, bevor näher auf die Abbildung von
reflexiven, formativen und multidimensionalen Messmodellen eingegangen wird. Die ei-
gentliche Überprüfung der Wirkungszusammenhänge im Pfadmodell wird schließlich in
Abschnitt 8.6 behandelt, wobei nach einem kurzen Überblick insbesondere auf die Ana-
lyse von Alternativmodellen mittels des Veripath-Algorithmus und die Abbildung von
Moderatormodellen eingegangen wird.
8.1 Strukturgleichungsmodelle mit latenten Variablen
Latente Variablen Unter latenten Variablen versteht man Größen, die zwar Eingang
in – zumeist sozialwissenschaftliche – Modelle finden, sich jedoch nicht direkt einer empi-
risch ermittelten Datenbasis entnehmen lassen. Sie werden alternativ auch als Konstrukte,
170 8. Methodik der Datenauswertung
Faktoren, unbeobachtete Variablen oder True Scores bezeichnet.1 Vergleicht man unter-
schiedliche Definitionen von latenten Variablen, so lassen sich zumindest drei Aspekte
feststellen, die häufig diskutiert werden.2 Zunächst stellen verschiedene Definitionen auf
den Umstand der Unbeobachtbarkeit ab, heben also hervor, dass latente Variablen nicht
direkt beobachtbar oder messbar sind.3 An zweiter Stelle wird häufig die Frage erörtert,
ob es sich bei latenten Variablen um reale Größen oder aber vielmehr um imaginäre,
hypothetische“ Gebilde handelt. Der letzteren Sichtweise folgen beispielsweise Edwards
”
und Bagozzi (2000, S. 156f.), für die Konstrukte nicht real sind, sondern nur den Versuch
darstellen, reale Phänomene zu erfassen. Ähnlich kennzeichnen Bentler (1980, S. 420) und
Nunnally (1978, S. 96) Konstrukte als etwas, das Wissenschaftler nur in ihrer Vorstellung
entwickeln. Drittens werden latente Variablen häufig als Instrumente der Datenreduktion
beschrieben, die eine Reihe von Variablen zu einer geringeren Zahl von Faktoren verdich-
ten.4 Hier wird also vor allem die deskriptive Funktion latenter Variablen betont, weniger
die theoretischen Überlegungen, die der Wissenschaftler vor der Datenerhebung anstellt.
Um eine latente Variable empirisch greifbar zu machen, muss zunächst geklärt wer-
den, welche Dimensionen sie hat, d. h. welche theoretischen Aspekte eines bestimmten
Gegenstandsbereiches das hinter ihr stehende Konzept umfasst. Diese Erarbeitung der
Konstruktdimensionen bezeichnet man als Konzeptspezifikation oder – in Anlehnung an
das Englische – als Konzeptualisierung.5 Aufbauend auf den hypothetischen Konstruktdi-
mensionen ist im nächsten Schritt ein Mess-System aus manifesten Variablen bzw. Indi-
katoren zu entwickeln, das der Operationalisierung des hypothetischen Konstrukts dient.
Als Indikatoren bezeichnet man dabei direkt messbare Sachverhalte, die das Vorliegen
der gemeinten, aber nicht direkt erfassbaren Phänomene anzeigen.6 Das grundlegende
Ziel des Messens latenter Variablen ist es also, den beobachteten Wert des Meßinstru-
ments möglichst nah an den wahren“ der latenten Variable anzugleichen. Dieses Ziel
”
wird kaum jemals vollständig zu erreichen sein, da sich die beobachteten Werte aufgrund
von systematischen und Zufallsfehlern von den wahren“ Werten unterscheiden werden.7
”
Strukturgleichungsmodelle Bei einem Strukturgleichungsmodell handelt es sich ge-

nerell um eine komplexe, zusammengesetzte statistische Hypothese über die – meist als
linear angenommenen – gerichteten und ungerichteten Beziehungen einer Menge von la-
1
Bagozzi und Phillips (1982), S. 45; Bollen (2002), S. 607.
2
Bollen (2002), S. 607f.
3
So beispielsweise Jöreskog und Sörbom (1979).
4
Harman (1978), S. 4.
5
Homburg und Giering (1996), S. 5.
6
Backhaus et al. (2000), S. 393.
7
Churchill (1979), S. 65.
8.1. Strukturgleichungsmodelle mit latenten Variablen 171
tenten und manifesten Variablen.8 Ein lineares Strukturgleichungsmodell besteht im All-

gemeinen aus zwei Teilen, einem Messmodell und einem Pfadmodell, die in der Folge zu-
sammenfassend als Strukturmodell bezeichnet werden. Dadurch können Missverständnisse
vermieden werden, die durch die Bezeichnung des Pfadmodells als Strukturmodell im en-
”
geren Sinne“ entstehen können.9 Das Messmodell (alternativ: äußere Modell) umfasst –
meist in Form eines konfirmatorischen Faktorenmodells – die Beziehungen zwischen den
latenten und den manifesten Variablen, charakterisiert also den Zusammenhang zwischen
unbeobachteten Konstrukten und den zugehörigen Indikatoren, die zu ihrer Messung die-
nen. Das Pfadmodell (alternativ: innere Modell) setzt sich aus einem System von inter-
dependenten linearen Gleichungen zusammen, die die Beziehungen zwischen den latenten
Variablen spezifizieren.
Durch die simultane Spezifikation eines Pfadmodells und eines faktorenanalyti-
schen Modells führen Strukturgleichungsmodelle mit latenten Variablen die Entwick-
lungen von Ökonometrie und Psychometrie zusammen. Diese vergleichsweise große Rea-
litätsnähe wird jedoch durch kompliziertere Identifikationsprobleme und aufwendigere
Schätzaufgaben als bei den beiden Einzelkomponenten erkauft, so dass für ihre Behand-
lung eine Reihe spezialisierter Computerprogramme entwickelt wurden, die jeweils leicht
unterschiedliche Modellstrukturen abbilden. Durch die Verbreitung dieser leicht zu be-
dienenden Programme haben Strukturgleichungsmodelle mit latenten Variablen in den
letzten Jahren zunehmend an Popularität gewonnen und werden heute in vielen Berei-
chen der Psychologie, Soziologie, Wirtschaftswissenschaften sowie vereinzelt sogar in den
Naturwissenschaften angewendet.10 Ausgangspunkt war zunächst das Jöreskog-Keesling-
Wiley Modell,11 das mit insgesamt acht Matrizen operiert und heute unter dem Namen
LISREL bekannt ist. Später wurden von Bentler und Weeks (1980) mit dem Drei-Matrix
EQS-Modell sowie von McArdle und McDonald (1984) mit dem Zwei-Matrix RAM-Modell
alternative Darstellungen für Strukturgleichungsmodelle entwickelt, die sich jedoch als im
Wesentlichen äquivalent erwiesen haben.12 Aufgrund seiner weiten Verbreitung wird in
der vorliegenden Arbeit das LISREL-Modell verwendet, dessen Struktur in Abschnitt 8.3
näher erläutert wird.
8
MacCallum und Austin (2000), S. 202.
9
Bollen (1989), S. 11; McDonald und Ho (2002), S. 65.
10
Gegenwärtige Anwendung: Williams et al. (2003), Steenkamp und van Trijp (1991), Steenkamp und
Baumgartner (2000), Hershberger (2003), Shook et al. (im Druck), Hulland et al. (1996), Medsker
et al. (1994), MacCallum und Austin (2000), McDonald und Ho (2002), Baumgartner und Homburg
(1996).
11
Jöreskog (1973); Keesling (1972); Wiley (1973).
12
Bollen (1989), S. 8; Browne (1982), S. 120; McDonald und Ho (2002), S. 64.
Modellierungsstrategie Lineare Strukturgleichungsmodelle mit latenten Variablen

ermöglichen es, eine simultane Schätzung von Messmodell und Pfadmodell vorzunehmen,
also gleichzeitig die Beziehungen zwischen den latenten Variablen und ihren gemessenen
Indikatoren sowie die Beziehungen der latenten Variablen untereinander zu ermitteln.
Die Fähigkeit zu einer solchen Ein-Schritt-Prozedur kann als einer der entscheidenden
Vorteile moderner Strukturgleichungsmodelle angesehen werden.13 Dennoch ist es in der
einschlägigen Literatur nach wie vor umstritten, ob eine solche Ein-Schritt-Prozedur auch
notwendigerweise den bevorzugten Weg der Modellbildung darstellt oder ob sich nicht
durch eine separate Analyse und Respezifikation des Messmodells vor seiner Einbindung
in das Pfadmodell viel bessere Resultate erzielen lassen.14
Die zentralen Argumente, die gegen eine Ein-Schritt-Prozedur vorgebracht werden,
betreffen im Wesentlichen die Wechselwirkung zwischen Mess- und Pfadmodell. Auf Burt
(1976) geht der Aspekt des Interpretational Confounding zurück, der dann vorliegt, wenn
einer latenten Variable eine andere empirische Bedeutung zugeordnet wird als die, die
ein unvoreingenommener Forscher vor Durchführung der Parameterschätzung definieren
würde.15 Da bei der Schätzung eines Strukturgleichungsmodells im Ein-Schritt-Verfahren
alle freien Parameter – also sowohl Pfadkoeffizienten als auch Faktorladungen – simultan
geschätzt werden, können unterschiedlich spezifizierte Pfadmodelle mitunter zu deutlich
veränderten Faktorladungsmustern und damit zu interpretatorischen Verschiebungen der
latenten Variablen führen.16 Ein weiteres Argument, das häufig gegen die Verwendung
einer Ein-Schritt-Prozedur angeführt wird, ist die Tatsache, dass sich die Folgen eventuel-
ler Fehlspezifikationen nicht auf den jeweils verursachenden Modellteil eingrenzen lassen,
sondern Auswirkungen im gesamten Modell nach sich ziehen können.17 Analysiert man
dagegen das Messmodell zunächst separat und respezifiert es (falls erforderlich), so kann
man vermeiden, dass sich eventuelle Probleme in diesem Teilmodell auf das Gesamtmodell
ausbreiten.
Um dem Problem des Interpretational Confounding zu begegnen, sind eine Reihe von
Modellierungsstrategien vorgeschlagen worden, die eine sequentielle Analyse von Mess-
und Pfadmodell vornehmen und damit mindestens zwei, zum Teil sogar drei oder vier
Analyseschritte umfassen. Ein früher, vergleichsweise radikaler Vorschlag von Burt (1976)
bestand darin, in einem ersten Schritt für jede latente Variable der Untersuchung eine
separate Faktorenanalyse durchzuführen und die geschätzten Faktorladungen dann bei
13
Bollen (2000), S. 74; Fornell und Yi (1992), S. 292.
14
Anderson und Gerbing (1988), S. 411; Lance et al. (1988), S. 171.
15
Burt (1976), S. 4.
16
Anderson und Gerbing (1988), S. 418.
17
Kumar und Dillon (1987), S. 103f.; Lance et al. (1988), S. 173; MacCallum (1986), S. 110.
8.1. Strukturgleichungsmodelle mit latenten Variablen 173
Analyse des vollen Strukturmodells im zweiten Schritt zu fixieren.18 Demgegenüber schla-

gen Anderson und Gerbing (1988) eine simultane konfirmatorische Faktorenanalyse aller
in der Untersuchung betrachteten latenten Variablen vor, ohne dass die Faktorladungen
bei der anschließenden Untersuchung des vollen Strukturmodells fixiert werden sollten.
Mulaik und Millsap (2000) haben diesen Ansatz zu einer Vier-Schritt-Prozedur erweitert,
der auch im Rahmen der vorliegenden Arbeit gefolgt werden soll.
Im Rahmen der Vier-Schritt-Prozedur konstruiert man sukzessive eine Reihe inein-

ander geschachtelter Modelle19 und vergleicht sie mittels χ2 -Differenztests.20 Das Aus-
gangsmodell ist ein saturiertes Messmodell, in dem die Ladungen aller manifesten auf alle
latenten Variablen sowie die Kovarianzen aller latenten Variablen untereinander geschätzt
werden, entspricht also einer exploratorischen Faktorenanalyse mit obliquer Rotation, bei
der die Zahl der Faktoren aufgrund theoretischer Überlegungen vorgegeben ist.21 Das
zweite Modell ist eine konfirmatorische Faktorenanalyse, bei der nur die theoretisch an-
tizipierten Faktorladungen geschätzt und alle übrigen auf Null fixiert werden. Im dritten
Schritt wird das theoretische Basismodell der Untersuchung abgebildet: Hier werden die
Kovarianzen zwischen den latenten Variablen gemäß den Substanzhypothesen teilweise
durch gerichtete Pfade ersetzt, teilweise auf Null fixiert oder – im Fall der exogenen
Konstrukte – als zu schätzende Kovarianzen belassen. Im vierten und letzten Schritt
werden die Substanzhypothesen näher untersucht, beispielsweise durch die Betrachtung
geschachtelter Modelle mit einer größeren Zahl an Freiheitsgraden, die durch das Aufer-
legen zusätzlicher Restriktionen erzeugt werden, oder durch die im Abschnitt 8.6.3 näher
erläuterte Analyse von Alternativmodellen.22
Obwohl die sukzessive Analyse von Mess- und Pfadmodell nach wie vor nicht unum-
18
Burt (1976), S. 17f.
19
Zwei ineinander geschachtelte Modelle entstehen dadurch, dass man an ein uneingeschränktes Mo-
dell Mu Restriktionen stellt, aus denen ein eingeschränktes Modell Me hervorgeht mit dfe > dfu
Freiheitsgraden.
20
Steiger et al. (1985) haben gezeigt, dass die χ2 -Differenztests beim Übergang vom allgemeineren
zum spezifischeren Modell voneinander unabhängig sind, dass es also statistisch angemessen ist, die
mit den jeweils auferlegten Einschränkungen verbundenen Nullhypothesen zu überprüfen. Vgl. auch
Bentler (2000), S. 83.
21
Die Untersuchung dieses Modells kann entweder mit einem Programm zur Kovarianzstrukturanalyse
(z.B. LISREL) erfolgen oder aber mit einem Programm zur exploratorischen Faktorenanalyse, dem
sich Werte für die χ2 -Teststatistik entnehmen lassen, so z.B. mit dem Programm CEFA von Browne
et al. (1998), das unter http://quantrm2.psy.ohio-state.edu/browne/software.htm heruntergeladen
werden kann.
22
Eine ausführlichere Darstellung der Vier-Schritt-Prozedur findet sich bei Mulaik und Millsap (2000),
S. 43-52.
stritten ist,23 wird sie in einer Vielzahl von Veröffentlichung eingesetzt und von Exper-
ten auf dem Gebiet der Strukturgleichungsmodellierung empfohlen, so beispielsweise von
Bentler (2000, S. 86) und Jöreskog (1993, S. 297). Dementsprechend werden in der vorlie-
genden Arbeit zunächst exploratorische Faktorenanalysen zur Überprüfung und eventuel-
len Bereinigung der Itemstrukturen durchgeführt, wobei entweder jeweils die Dimensionen
eines komplexen Konstrukts oder aber ein Aggregat inhaltlich verwandter Konstrukte si-
multan untersucht wird (vgl. Abschnitt 8.2). Im zweiten Schritt werden konfirmatorische
Faktorenanalysen zunächst für alle Konstrukte separat, dann für das gesamte Messmodell
parallel vorgenommen, um die Messung auf Reliabilität und Validität hin zu untersuchen
(vgl. Abschnitt 8.5). In den Schritten drei und vier werden dann – wie oben angedeutet
– das Basismodell der vorliegenden Arbeit sowie mögliche Alternativmodelle analysiert
(vgl. Abschnitt 8.6).
8.2 Exploratorische Faktorenanalysen
Im Rahmen von Faktorenanalysen werden latente Variablen identifiziert, die die beob-
achteten Kovarianzen der manifesten Variablen erklären. Dabei werden die Varianzen
der manifesten Variablen in einen Anteil zerlegt, den sie gemeinsam mit allen anderen
Variablen haben (common variance), und eine sog. Einzelrestvarianz, die spezifisch für
die jeweilige manifeste Variable ist (unique oder specific variance). Beide Varianztypen
werden separat geschätzt, wobei der Schätzwert für die von den gemeinsamen Faktoren
erklärte Varianz einer beobachteten Variable als deren Kommunalität bezeichnet wird
und die durch die spezifischen Faktoren bedingte Varianz sich aus tatsächlich variablen-
spezifischer Varianz und Messfehlern zusammensetzt.24 Die Zerlegung in gemeinsame und
spezifische Varianz kommt in der Grundgleichung der Faktorenanalyse zum Ausdruck,
die auch Bestandteil des LISREL-Modells ist und unten in Gleichung (8.3.11) abgeleitet
wird. Die folgenden Absätze gehen kurz auf die im Rahmen von Faktorenanalysen zu
beachtenden Punkte und zu treffenden Entscheidungen ein und erläutern das Vorgehen
im Rahmen der vorliegenden Untersuchung. Die Ausführungen orientieren sich dabei an
einer Reihe aktueller Übersichtsartikel zu diesem Themenbereich.25
23
Die prominenteste Kritik wurde von Fornell und Yi (1992) sowie Hayduk und Glaser (2000) vorge-
bracht, bezieht sich jedoch z. T. auf eher periphere Aspekte der jeweils kritisierten Veröffentlichungen.
Darüberhinaus konnten einzelne Kritikpunkte später widerlegt werden, vgl. hierzu u. a. Anderson und
Gerbing (1992), Herting und Costner (2000) und Mulaik und Millsap (2000).
24
Fabrigar et al. (1999), S. 275; Hair et al. (1998), S. 102.
25
Vgl. v. a. die Veröffentlichungen Fabrigar et al. (1999), Floyd und Widaman (1995), Ford et al. (1986),
Gorsuch (1997), Hurley et al. (1997) sowie Preacher und MacCallum (2003).
8.2. Exploratorische Faktorenanalysen 175
Überprüfung der Voraussetzungen Vom statistischen Standpunkt aus gesehen stel-

len die meisten Verfahren der exploratorischen Faktorenanalyse – mit Außnahmen der
Maximum-Likelihood-Faktorenanalysen – keine hohen Anforderungen an die zugrunde
liegenden Daten, so dass sich Abweichungen von Normalität, Homoskedastizität und
Linearität nur in einem niedrigeren Niveau der beobachteten Korrelationen bemerkbar
machen. Ein gewisser Grad an Multikollinearität ist ja bei reflexiver Konstruktmessung
gerade wünschenswert, da Gruppen assoziierter Variablen gebündelt werden sollen.26
Dennoch soll hier eine Überprüfung der uni- und multivariaten Normalität den An-
fang der Analysen bilden, da sie ein besseres Verständnis der Datenstruktur ermöglicht
und notwendige Vorbedingung für die Durchführung des Bartlett-Tests (siehe unten) wie
auch für die Wahl einer geeigneten LISREL-Fitfunktion im Rahmen der konfirmatorischen
Faktorenanalysen darstellt. Die Beurteilung der uni- und multivariaten Normalität der ge-
messenen Variablen erfolgt generell über die Momente dritter und vierter Ordnung, also
die Schiefe und Kurtosis der empirischen Verteilung.27 Univariate Schiefe und Kurtosis
können jedoch nur einen ersten Hinweis auf die Datenqualität liefern, da univariate Nor-
malität zwar eine notwendige, jedoch keine hinreichende Bedingung für multivariate Nor-
malität ist.28 Auch wenn alle univariaten Verteilungen für sich genommen normal verteilt
sind, kann ihre gemeinsame Verteilung deutlich von einer multivariaten Normalverteilung
abweichen. Mardia (1970) hat einen Koeffizienten entwickelt, der diesem Umstand Rech-
nung trägt und durch Summation multivariater Schiefe- und Kurtosis-Maße einen Test auf
Multinormalität der gemeinsamen Verteilung ermöglicht.29 Die komplexe Teststatistik ist
u. a. in den Programmen PRELIS und EQS implementiert. Werte der relativen multivaria-
ten Kurtosis über 1,96 weisen auf deutliche Verletzungen der Normalverteilungsannahme
hin.
Weiterhin sollten bei exploratorischen Faktorenanalysen – ähnlich wie bei Struktur-
gleichungsmodellen – gewisse Richtwerte hinsichtlich des Verhältnisses zwischen der Stich-
probengröße und der Anzahl zu schätzender Parameter eingehalten werden, da ansonsten
die Gefahr des Overfitting“ besteht. Als Faustregel wird hier meist ein Minimum von fünf
”
26
Hair et al. (1998), S. 99.
27
Mittelwert und Varianz einer Verteilung werden auch als Momente erster und zweiter Ordnung be-
zeichnet. Im Falle einer Normalverteilung nehmen die standardisierten Momente dritter und vierter
Ordnung die Werte 0 bzw. 3 an. Zur vereinfachten Interpretation subtrahieren allerdings manche
Softwarepakete (u. a. das in LISREL integrierte Data-Screening-Tool PRELIS) den Wert 3 vom stan-
dardisierten Moment vierter Ordnung, so dass die Kurtosis einer Normalverteilung hier Null beträgt.
Vgl. West et al. (1995), S. 60.
28
DeCarlo (1997), S. 296.
29
Bollen (1989), S. 423f.; Mardia (1970), S. 519ff.; Rencher (2002), S. 98f.
Beobachtungen pro analysierter Variable bei einer Stichprobengröße über 100 genannt.30
Um die Eignung der beobachteten Korrelationsmatrix für eine Faktorenanalyse zu
überprüfen, sind eine Reihe von Kriterien entwickelt worden, die auf jeweils unterschied-
liche Art das Niveau der Korrelationskoeffizienten beurteilen. Zunächst sollten höchstens
25 Prozent der Außerdiagonalelemente der Anti-Image-Kovarianzmatrix größer als 0,1
sein.31 Zur Präzisierung dieser Faustregel haben Kaiser, Mayer und Olkin eine Prüfgröße
entwickelt, die nach ihnen als Kaiser-Mayer-Olkin-Maß (KMO) bezeichnet wird.32 Der
Wertebereich dieser Größe liegt zwischen 0 und 1, wobei Werte größer als 0,8 als erstre-
benswert angesehen werden.33 Dabei ist jedoch zu beachten, dass der KMO nicht nur mit
der durchschnittlichen Korrelationshöhe steigt, sondern auch mit der Anzahl der beobach-
teten Variablen, der Anzahl der extrahierten Faktoren sowie der Stichprobengröße. Daher
empfiehlt es sich, zunächst ein ähnliches Maß, den MSA (Measure of Sampling Adequacy)
jeweils für die einzelnen Variablen zu berechnen und diejenigen Variablen mit einem in-
akzeptabel niedrigen Wert (beispielsweise kleiner als 0,5) zu eliminieren, bevor der KMO
für die gesamte Faktorenanalyse interpretiert wird.34 Als weiteres Kriterium kann der
Bartlett Test of Sphericity herangezogen werden, der die Nullhypothese überprüft, dass
die Stichprobe aus einer Grundgesamtheit stammt, in der die Variablen unkorreliert sind.
Unter der Voraussetzung, dass die analysierten Daten einer Normalverteilung folgen, ist
die entsprechende Prüfgröße χ2 -verteilt, wobei (1 − p) die Wahrscheinlichkeit angibt, dass
die Korrelationsmatrix signifikante Korrelationen enthält.35
Wahl des Analyseverfahrens Bei der Durchführung einer Faktorenanalyse kann

zwischen verschiedenen Verfahren der Faktorenextraktion gewählt werden, wobei grund-
sätzlich die Hauptkomponentenanalyse und Faktorenanalysen im engeren Sinne zu
unterscheiden sind.36 Die Hauptkomponentenanalyse versucht, die Gesamtvarianz der
Ausgangsvariablen durch die Extraktion von Faktoren zu erklären, die möglichst we-
30
Floyd und Widaman (1995), S. 5; Hair et al. (1998), S. 98f.; MacCallum et al. (1999); Velicer und
Fava (1998).
31
Das Anti-Image bezeichnet in der Anti-Image-Analyse von Guttmann (1953) den Anteil der Varianz
einer Variablen, der sich im Rahmen einer multiplen Regressionsanalyse als unabhängig von den
übrigen Variablen erweist. Vgl. Backhaus et al. (2000), S. 268.
32
2
2

Dieses Maß berechnet sich nach der Formel KMO = ( i=j rij )/( i=j rij + i=j a2ij ), wobei rij den
einfachen Korrelationskeffizienten zwischen der Variablen i und j bezeichnet sowie aij den partiellen
Korrelationskoeffizienten.
33
Vgl. Kaiser (1970), S. 405 und Kaiser (1974), S. 111ff.
34
Hair et al. (1998), S. 98f. Der MSA der i-ten Variable berechnet sich analog zum KMO, wobei jedoch
nur über den Index j (für alle j = i) summiert wird. SPSS gibt die MSA-Werte in der Hauptdiagonale
der Anti-Image Korrelationsmatrix aus.
35
Backhaus et al. (2000), S. 268.
36
Vgl. u. a. Velicer und Jackson (1990), Widaman (1993).
nig spezische Varianz enthalten, und wählt als Startwerte für die iterative Kommuna-
litätenschätzung daher immer den Wert Eins.37 Bei der eigentlichen Faktorenanalyse
wird die Varianz einer Variablen dagegen immer in Kommunalität und Einzelrestva-
rianz aufgeteilt und Startwerte für die Kommunalitäten kleiner als Eins vorgegeben,
um in der anschließenden Iteration tatsächlich nur die gemeinsame Varianz zu erklären.
Während das Ziel einer Hauptkomponentenanalyse also vor allem in einer möglichst
vollständigen Datenreproduktion bzw. Varianzerklärung ohne kausale Interpretation der
Hauptkomponenten liegt, ist es die Aufgabe der eigentlichen Faktorenanalyse, in Situa-
tionen, bei denen von signifikanten spezifischen Varianzanteilen auszugehen ist, latente
Variablen zu identfizieren, die als kausale Einflussfaktoren für die manifesten Variablen
interpretiert werden können.38 Da in der vorliegenden Arbeit überwiegend die Identifika-
tion tatsächlicher latenter Variablen im Vordergrund steht, werden für alle Konstrukte
zunächst Maximum-Likelihood-Faktoranalysen39 gerechnet und im Anschluß mit den
Ergebnissen der häufiger eingesetzten Hauptkomponentenanalyse verglichen. Auf die
Hauptkomponentenanalyse soll unter anderem aus dem Grunde nicht verzichtet wer-
den, dass bei der ML-Faktorenanalyse häufig Heywood-Fälle40 auftreten können, die die
Interpretation des resultierenden Modells nur eingeschränkt zulassen.
Zahl der Faktoren Für die Bestimmung der Zahl der zu extrahierenden Faktoren
existieren keine objektiven Kriterien, vielmehr kommt es darauf an, die richtige Balance
zwischen statistischer Sparsamkeit (wenige Faktoren) und Plausibilität (adäquate Varian-
zerklärung) des Modells zu erreichen.41 Dabei zeigen Studien, dass durch die Extraktion
einer zu geringen Faktorenzahl (Underfactoring) tendenziell schwerwiegendere Verzerrun-
37
Werden ebenso viele Faktoren wie Variablen extrahiert, so werden die Kommunalitäten von Eins
auch immer vollständig reproduziert, während sich bei einer geringeren Zahl extrahierter Faktoren
auch bei der Hauptkomponentenanalyse ein nicht erklärter Varianzanteil ergibt, der jedoch eher als
Informationsverlust denn als Einzelrestvarianz zu interpretieren ist. Vgl. Backhaus et al. (2000), S.
284ff.
38
Backhaus et al. (2000), S. 285f.; Hair et al. (1998), S. 102.
39
ML-Faktorenanalysen haben gegenüber anderen Typen der exploratorischen Faktorenanalyse den
Vorteil, dass für sie die aus LISREL bekannten Fitindizes berechnet werden können, setzen aller-
dings die Überprüfung der Normalverteilungsannahmen voraus, vgl. Fabrigar et al. (1999), S. 283.
Weiterhin sind sie bei der Identifikation schwacher Faktoren weniger zuverlässig als Kleinstquadrate-
Faktorenanalysen, vgl. Briggs und MacCallum (2003), S. 36ff.
40
Ein Heywood-Fall liegt dann vor, wenn die Kommunalität einer gemessenen Variable als größer oder
gleich Eins geschätzt wird. Da nicht mehr als 100 Prozent der Varianz einer Variablen erklärt werden
können, ist eine solche Schätzung problematisch. Die Tatsache, dass solche Fälle mitunter bei ML-
Faktorenanalysen auftreten, ist nicht notwendigerweise als Nachteil ggü. Hauptkomponentenanalysen
zu werten, da sie auf potentielle Fehlspezifikationen oder Verletzungen der Verteilungsannahmen
hindeuten können und damit einen diagnostischen Wert haben, vgl. Fabrigar et al. (1999), S. 275f.
41
Fabrigar et al. (1999), S. 277.
gen in den Faktorladungsmustern enstehen als durch die Extraktion zu vieler Faktoren
(Overfactoring).42 Die vielleicht am weitesten verbreitete Heuristik zur Bestimmung der
Faktorenzahl, das sog. Kaiser-Kriterium, bestimmt, wieviele Eigenwerte der Korrelati-
onsmatrix größer als Eins sind, und extrahiert die entsprechende Anzahl an Faktoren.
Ein Eigenwert ist dabei genau die Summe der quadrierten Ladungen aller Variablen auf
den jeweiligen Faktor.43 In Hinblick auf dieses Kriterium ist kritisiert worden, dass der
Wert Eins eine beliebige Grenze darstellt und ein Faktor mit dem Eigenwert 0,99 prak-
tisch den gleichen Erklärungswert besitzt wie einer mit dem Eigenwert 1,01. Weiterhin
zeigen Simulationsstudien, dass das Kaiser-Kriterium bei einer Betrachtung von weni-
ger als 20 Variablen tendenziell zu wenige Faktoren extrahiert (Underfactoring).44 Daher
wird in der vorliegenden Arbeit zusätzlich auch immer der Scree-Plot betrachtet, bei dem
die Eigenwerte in absteigender Reihenfolge grafisch dargestellt werden und die Zahl der
zu extrahierenden Faktoren aus der Position desjenigen Eigenwertes bestimmt wird, der
nach dem letzten steilen Abfall der Kurve den Übergang in eine Asymptote zur Abszisse
kennzeichnet. Hiernach ist meistens ein Faktor mehr als nach dem Kaiser-Kriterium zu
extrahieren.45 Dieses Kriterium ist wiederum v. a. von Kaiser (1970) wegen seiner Sub-
jektivität hinsichtlich der Identifikation eines wirklich steilen“ Abfalles kritisiert worden.
”
Simulationsstudien zeigen jedoch, dass das Verfahren bei der Präsenz starker Faktoren gut
funktioniert.46 Da es sich bei exploratorischen Faktorenanalysen um einen Spezialfall von
Strukturgleichungsmodellen mit latenten Variablen handelt, kann schließlich neuerdings
in verschiedenen Software-Implementationen47 auch auf die LISREL-typischen Fitmaße
zurückgegriffen werden, um die Anpassungsgüte unterschiedlicher Faktorlösungen mit der
empirischen Korrelationsmatrix zu überprüfen. Für die Analysen in Kapitel 9 wird auf
den RMSEA und den χ2 -Wert der ML-Faktorenanalyse zurückgegriffen.
Wahl der Rotationsmethode Ziel der Faktorration ist es, durch Rotation der Koordi-
natenachsen eine sog. Einfachstruktur sichtbar zu machen, bei der die Variablen möglichst
42
Fava und Velicer (1992); Wood et al. (1996).
43
Gorsuch (1983), S. 97f. Der Eigenwert ist damit von der Kommunalität zu unterscheiden, die sich als
Summe der quadrierten Ladungen aller Faktoren auf jeweils eine Variable errechnet.
44
Hair et al. (1998), S. 103f.
45
Backhaus et al. (2000), S. 289; Hair et al. (1998), S. 104.
46
47
So bei dem kostenlos erhältlichen Programm CEFA (Browne et al., 1998) und dem unter
http://koko15.hus.osaka-u.ac.jp/∼harada/factor/stepwise/ zugänglichen Webtool, das von Kano und
Harada (2000) beschrieben wird.
immer nur auf einen Faktor hoch und auf alle anderen Faktoren niedrig laden.48 Je nach
Wahl des neuen Koordinatensystems unterscheidet man dabei orthogonale (rechtwink-
lige) Rotationen, bei denen die Faktoren untereinander nicht korrelieren, und oblique
(schiefwinklige) Rotationen, bei denen eine Korrelation zwischen den Faktoren zugelassen
wird. Während in der Vergangenheit häufig die Verwendung orthogonaler Rotationsme-
thoden empfohlen wurde, setzt sich mittlerweile zunehmend die Meinung durch, dass die
Verwendung obliquer Rotationen im Allgemeinen angebrachter ist.49 So ist es für viele so-
zialwissenschaftliche Konstrukte typisch, dass ihre Dimensionen sowohl untereinander als
auch mit anderen Konstrukten deutliche Korrelationen aufweisen und daher durch eine
schiefwinklige Faktorlösung besser repräsentiert werden. Die Faktorkorrelationen können
wichtige Hinweise darauf geben, ob das Konstrukt sinnvoll durch einen Faktor höherer
Ordnung erfasst werden kann. Selbst für den Fall unkorrelierter Konstrukte liefern oblique
Rotationen Lösungen, die den orthogonalen sehr ähnlich sind und Faktorkorrelationen na-
he Null aufweisen.50 In Kapitel 9 wird daher die oblique Promax-Rotation in Verbindung
mit der ML-Faktorenanalyse eingesetzt und die Ergebnisse mit denen der häufig verwende-
ten Little-Jiffy 51 -Kombination, also einer Hauptkomponentenanalyse mit anschließender
orthogonaler Varimax-Rotation, verglichen.
Interpretation und Respezifikation Die Faktorlösungen werden zunächst anhand

des Faktorladungsmusters und der Höhe der Faktorladungen52 beurteilt. Wie oben
erwähnt ergibt sich idealerweise eine Einfachstruktur, bei der die Variablen möglichst
immer nur auf einen Faktor hoch und auf alle anderen Faktoren niedrig laden. Für die
in dieser Arbeit erzielte Stichprobengröße können dabei Faktorladungen über 0,5 als
signifikant angesehen werden.53 Konnte eine solche Einfachstruktur nicht auf Anhieb
erzielt werden, so muss im Interesse klar dimensionierter Skalen eine Variablenselektion
erfolgen.54 Dieser Prozess sollte zwar maßgeblich durch inhaltliche Erwägungen geleitet
sein, kann allerdings auch durch verschiedene datengetriebene Heuristiken unterstützt
48
Preacher und MacCallum (2003), S. 25. Die Definition der Einfachstruktur geht auf Thurstone (1947,
S. 328ff.) zurück: Danach liegt eine Einfachstruktur dann vor, wenn durch Rotation fast alle oder sehr
viele Variablenvektoren in oder nahe an die Koordinatenhyperebenen gebracht werden können. Da die
Konfiguration der Variablenvektoren im gemeinsamen Faktorenraum durch die Korrelationsmatrix
bestimmt wird, handelt es sich bei der Einfachstruktur also um eine Eigenschaft des Datenkörpers.
Vgl. auch Harman (1978), S. 99 und Ueberla (1968), S. 183.
49
50
51
Kaiser (1970).
52
Faktorladungen berechnen sich als Korrelation zwischen der Originalvariable und dem Faktor.
53
Vgl. Hair et al. (1998), Tabelle 3.2, S. 112.
54
Kano und Harada (2000), S. 7.
werden. Eliminationskandidaten sind danach zunächst Variablen, die entweder auf meh-
rere Faktoren gleichzeitig oder auf keinen der Faktoren stark laden. Desweiteren wird oft
die Höhe der Kommunalitäten als Kriterium zur Variablenselektion herangezogen: Sie
sollten zumindest über 0,5 liegen, da ansonsten die extrahierten Faktoren weniger als 50
Prozent der Variablenvarianz erklären.55 Kano und Harada (2000) heben jedoch hervor,
dass auch Variablen mit niedrigen Kommunalitäten vollständig mit den Daten verträglich
sein können und ihre Elimination daher nicht zu einer Verbesserung der Anpassungsgüte
führen würde. Vor diesem Hintergrund haben sie eine Teststatistik entwickelt, die auf dem
Lagrange-Multiplikatoren-Test56 basiert und im Rahmen einer schrittweisen Variablen-
selektion die Änderung der Modellanpassung in Form des erwarteten neuen χ2 -Wertes
angibt, der aus der Elimination jeweils einer Variablen resultiert. Damit ist ein effizien-
tes Verfahren implementiert, mit dem sich unmittelbar diejenige Variable identifizieren
lässt, deren Ausschluss zur größten Verbesserung der Anpassungsgüte führt, ohne dass
dafür die Evaluation sämtlicher alternativer Faktormodelle mit reduzierter Variablenzahl
notwendig wäre.57
8.3 Grundlagen des LISREL-Modells
In den folgenden Absätzen werden kurz die Grundgleichungen und -annahmen des
LISREL-Modells vorgestellt, soweit sie für das Verständnis der weiteren Arbeit, ins-
besondere der Abschnitte 8.5.2 und 8.6, erforderlich sind. Die Ausführungen orientieren
sich dabei an den Darstellungen bei Bollen (1989, S. 13ff. und 319ff.), Browne und
Arminger (1995, S. 205ff.) und Fahrmeir et al. (1996, S. 732ff.).
Pfadmodell Im Pfadmodell wird der Zusammenhang zwischen dem m×1 Zufallsvektor

η der endogenden Variablen und dem n × 1 Vektor ξ der exogenen Variablen in der
folgenden Form spezifiziert:
η = Bη + Γξ + ζ (8.3.1)
Dabei ist B die m × m Matrix mit den Regressionsgewichten bzw. Pfadkoeffizienten der
endogenen auf die endogenen Variablen. Die Hauptdiagonalelemente dieser Matrix sind
immer gleich Null, da angenommen werden kann, dass eine Variable nicht unmittelbare,
instantane Ursache ihrer selbst ist.58 Γ ist die n × n Matrix mit den Pfadkoeffizienten, die
die Wirkung der exogenen auf die endogenen Variablen messen, und ζ ist ein m × 1 Zu-
55
Hair et al. (1998), S. 113.
56
Buse (1982), S. 155ff.
57
Kano und Harada (2000), S. 7.
58
Bollen (1989), S. 15.
8.3. Grundlagen des LISREL-Modells 181
fallsvektor, der sowohl zufällige Störungen als auch Fehlspezifikationen in den Gleichungen
abbildet. Da die latenten Variablen η und ξ als intervallskaliert vorausgesetzt und nicht
beobachtbar sind, ist ihr Nullpunkt noch frei wählbar.59 Deshalb wird ohne Beschränkung
der Allgemeinheit angenommen, dass sie den Erwartungswert Null besitzen,
E(η) = 0 , E(ξ) = 0 . (8.3.2)
Über die Störvariablen ζ wird angenommen, dass die den Erwartungswert Null besitzen
und mit den unabhängigen Variablen ξ unkorreliert sind,
cov(ζ, ξ) = E(ζξ ) = 0 . (8.3.3)
Untereinander dürfen die Störvariablen aber korrelieren und bilden eine symmetrische
Kovarianzmatrix Ψ,
Ψ = cov(ζ, ζ) = E(ζζ ) . (8.3.4)
Schließlich wird angenommen, dass (I − B) regulär ist, so dass (I − B)−1 existiert und
Gleichung (8.3.1) in die reduzierte Form umgeformt werden kann, bei der η nur auf der
linken Seite der Gleichung auftritt,
η = (I − B)−1 (Γ ξ + ζ) . (8.3.5)
Messmodell Da die Vektoren η und ξ nicht beobachtbar sind, müssen sie durch ma-
nifeste Zufallsvariablen y und x operationalisiert werden. Dabei ist y der p × 1 Vektor
der Indikatoren endogener Variablen und x der q × 1 Vektor der Indikatoren exogener
Variablen, die über den folgenden faktoranalytischen Ansatz mit den latenten Variablen
verknüpft sind:
y = Λy η + (8.3.6)
x = Λx ξ + δ (8.3.7)
Die p × m Matrix Λy und die q × n Matrix Λx enthalten die Ladungen der manifesten auf
die latenten Variablen. Die Zufallsvariablen und δ repräsentieren die in den manifesten
Variablen y und x enthaltenen Messfehler. Die Gleichungsstruktur setzt dabei implizit
voraus, dass die y-Variablen nicht auf die ξ-Faktoren und die x-Variablen nicht auf die
η-Faktoren laden. Weiterhin wird angenommen, dass die Fehlervariablen des Messmodells
59
Fahrmeir et al. (1996), S. 733.
den Erwartungswert Null besitzen, dass sie mit den latenten Variablen unkorreliert sind
und dass sie mit den Fehlervariablen des Pfadmodells unkorreliert sind,
cov(, η) = cov(δ, ξ) = cov(, ξ) = cov(δ, η) = 0

(8.3.8)
cov(, δ) = cov(, ζ) = cov(δ, ζ) = 0 .
Dagegen dürfen die Messfehler selbst aber korrelieren und symmetrische Kovarianzmatri-
zen bilden, die im Gegensatz zum klassischen faktorenanalytischen Modell nicht notwen-
digerweise diagonal sein müssen,
Θ = cov(, ) = E( )
(8.3.9)
Θδ = cov(δ, δ) = E(δδ ) .
Kovarianzstruktur In den Gleichungen (8.3.1), (8.3.6) und (8.3.7) sind die un-
abhängigen Variablen jeweils nicht beobachtbar. Ähnlich wie beim faktorenanalytischen
Modell können daher auch beim LISREL-Modell die Modellparameter nicht direkt da-
durch geschätzt werden, dass die Beobachtungen der abhängigen Variablen auf die zu-
gehörigen Beobachtungen der unabhängigen regressiert werden.60 Stattdessen betrachtet
man Σ(θ), die Kovarianzmatrix des Vektors aller beobachteten Variablen in Abhängigkeit
vom Vektor aller unbekannten Modellparameter:61
⎡ ⎤
⎢Σyy (θ) Σyx (θ)⎥
⎢ ⎥
Σ(θ) = ⎢
⎢
⎥
⎥ (8.3.10)
⎣ ⎦
Σxy (θ) Σxx (θ)
⎡ ⎤
⎢Λy (I − B)−1 (ΓΦΓ + Ψ) [(I − B)−1 ] Λ + Θ Λy (I − B)−1 ΓΦΛ ⎥
⎢ y x⎥
= ⎢
⎢
⎥
⎥
⎣ ⎦
Λx ΦΓ [(I − B)−1 ] Λ
y

Λx ΦΛx + Θδ .
Dabei ist die Matrix Σxy (θ) im linken unteren Quadranten dieser Gleichung die Trans-
ponierte der Matrix Σyx (θ) im rechten oberen Quadranten. Die Teilmatrizen lassen sich
unter Verwendung der Rechenregeln für Erwartungswerte und Kovarianzen sowie der Glei-
60
61
Bollen (1989), S. 323ff.; Hayduk (1987), S. 106ff.
8.3. Grundlagen des LISREL-Modells 183
chungen (8.3.1) bis (8.3.9) herleiten,62 wie das folgende Beispiel illustriert:

Σxx (θ) = E xx

= E (Λx ξ + δ) ξ Λ
x +δ

(8.3.11)
= Λx E ξξ Λx + E δδ
= Λx ΦΛ
x + Θδ
Diese Umformung zeigt unter anderem, wie die Fehlervariablen δ in die Kovarianzmatrix
der Fehler Θδ übergehen, weiterhin wurde das neue Symbol Φ für die Kovarianzmatrix der
exogenen latenten Variablen eingeführt. Gleichung (8.3.11) wird auch als Grundgleichung
der Faktorenanalyse bezeichnet und spiegelt die Zerlegung der Varianz der manifesten
Variablen in gemeinsame und Einzelrestvarianz wider für den allgemeinen Fall, dass die
Faktoren korrelieren und eine Varianz ungleich Eins besitzen können.63
Die oben erläuterten Annahmen des LISREL-Modells führen zu einer vergleichsweise
strengen Struktur, die durch acht Matrizen vollständig spezifiziert werden kann.64 Vier
dieser Matrizen enthalten Regressionsgewichte: Λy und Λx die Ladungen manifester Varia-
blen auf die endogenen bzw. exogenen Faktoren, B die Regressionsgewichte der endogenen
auf die endogenen Faktoren und Γ die Regressionsgewichte der endogenen auf die exo-
genen Faktoren. Zusätzlich müssen vier Kovarianzmatrizen spezifiziert werden: Φ ist die
Kovarianzmatrix der exogenen Faktoren, Ψ die Kovarianzmatrix der Regressionsfehler;
Θδ und Θ sind die Kovarianzmatrizen der zu den exogenen bzw. endogenen Faktoren
gehörenden Fehlervariablen.
Wahl der Fitfunktion Für die Messung des Anpassungsgrads zwischen einer theo-
retischen Kovarianzmatrix Σ(θ) und der zugehörigen empirischen Kovarianzmatrix S
werden in der Literatur verschiedene Diskrepanzfunktionen F (S, Σ(θ)) vorgeschlagen.
Diese Diskrepanzfunktionen erfüllen drei Eigenschaften: (1) Sie sind nichtnegativ, (2) sie
nehmen den Wert Null genau dann an, wenn eine perfekte Anpassung S = Σ(θ) vor-
für
liegt, und (3) sie sind zweimal stetig differenzierbar in S und Σ(θ). Schätzwerte θ
die Modellparameter eines LISREL-Modells enthält man dadurch, dass man eine Dis-
62
Vgl. die ausführlichen Darstellungen bei Bollen (1989), S. 323ff. und Hayduk (1987), S. 106ff.
63
Lawley und Maxwell (1971), S. 13.
64
Browne und Arminger (1995), S. 206. Diese Struktur wird von einigen Forschern als zu rigide empfun-
den. So weist u. a. Bentler (2000), S. 85 darauf hin, dass es in der Praxis durchaus der Fall sein kann,
dass eine manifeste Variable einen direkten Einfluss auf eine andere manifeste Variable hat oder dass
die Fehlervariable einer manifesten Variable mit dem Regressionsfehler des ihr zugeordneten Faktors
korreliert. Solche Effekte lassen sich in LISREL nur über bestimmte Modellierungstricks“ abbilden,
”
fügen sich jedoch natürlich in das von Bentler und Weeks (1980) vorgeschlagene EQS Modell ein, in
dem sich beliebige Modellvariablen gegenseitig beeinflussen können.
krepanzfunktion F über alle im Rahmen der vorliegenden Modellspezifikation zulässigen

Paramterwerte θ minimiert. Am weitesten verbreitet sind die ML-, die GLS- und die
WLS-Diskrepanzfunktion.65 Gleichung (8.3.12) zeigt anhand der ML-Diskrepanzfunktion
beispielhaft, wie die Modell-Matrizen in einen Skalar transformiert werden:

FML (S, Σ(θ)) = ln Σ(θ) + Sp S Σ−1 (θ) − ln S − (p + q) . (8.3.12)
Wenn das hypothetisierte Modell korrekt spezifiziert ist und die manifesten Variablen
multivariat normalverteilt sind, lässt sich analytisch zeigen, dass die unterschiedlichen
Schätzprozeduren gegen dasselbe Optimum konvergieren und ähnliche asymptotische Ei-
genschaften haben.66 Unter Idealbedingungen ist die Wahl der Diskrepanzfunktion also
beliebig. Da diese jedoch in der Realität nur selten vorliegen, stellt sich die berechtigte Fra-
ge, welche der Prozeduren sich unter bestimmten Bedingungen als vorteilhaft gegenüber
den anderen erweist. Zur Beantwortung dieser Frage sind eine Reihe von Untersuchungen
durchgeführt worden, die im wesentlichen zeigen, dass ML bei fehlspezifizierten Model-
len realistischere globale Anpassungsmaße produziert als GLS. Dagegen ist WLS nur in
den seltensten Fällen vorzuziehen und liefert nur bei sehr großen Fallzahlen ( 1.000)
Anpassungsmaße, die denen der anderen Methoden nahe kommen.67
Festlegung der Skalen Ein LISREL-Modell ist erst dann vollständig spezifiziert, wenn
für alle latenten Variablen eine Maßeinheit fixiert wurde.68 Eine Möglichkeit der Skalenfi-
xierung besteht darin, dass man die Maßeinheit der latenten Variable gleich der eines sog.
Referenzindikators setzt, dass man also in jeder der Ladungsmatrizen Λx und Λy genau ein
Element auf Eins fixiert.69 Die zu einer bestimmten Spalte einer Ladungsmatrix gehörende
latente Variable besitzt dann genau die gleiche Maßeinheit wie der Referenzindikator, in
dessen Zeile das Spaltenelement gleich Eins gesetzt wurde.70 Die zweite Möglichkeit zur
Skalenfixierung besteht darin, dass man die Varianzen der latenten Variablen auf Eins
fixiert. Dadurch entfällt die Notwendigkeit, Parameter in den Λ-Matrizen zu fixieren, und
alle Faktorladungen können frei geschätzt werden. Diese Lösung wird von LISREL ab
Version 8.0 automatisch realisiert, falls vom Benutzer keine der Faktorladungen fixiert
65
66
Browne (1982).
67
Curran et al. (1996), S. 20ff.; Olsson et al. (2000), S. 577ff. Vergleiche hierzu auch die Ausführungen
zu inferenzstatistischen Anpassungsmaßen im nächsten Abschnitt.
68
Long (1983), S. 49ff.
69
Marsh und Hocevar (1985), S. 566.
70
Bollen (1989), S. 183.
8.4. Gütebeurteilung von LISREL-Modellen 185
wurde.71
8.4 Gütebeurteilung von LISREL-Modellen
Im Anschluss an die Parameterschätzung stellt sich die Frage, inwieweit das spezifizierte
Modell geeignet ist, um die Assoziation zwischen den beobachteten Variablen zu beschrei-
ben. Diese Fragestellung wird als globale Gütebeurteilung bezeichnet.72 Grundsätzlich
werden zur globalen Gütebeurteilung zwei Arten von Anpassungsmaßen (Fitindizes)
herangezogen: Inferenzstatistische Anpassungsmaße, die einen statistischen Test auf die
Übereinstimmung zwischen der empirischen und der geschätzten Kovarianzmatrix erlau-
ben, und deskriptive Anpassungsmaße, die – statt ein dichotomes Testergebnis zu liefern
– die Modellanpassung anhand von kontinuierlichen Gütemaßen beschreiben.73
χ2 -Anpassungstest Die konventionelle inferenzstatistische Beurteilung von Struktur-

gleichungsmodellen basiert letztendlich auf einem Vergleich zwischen der empirischen
und der vom Modell geschätzten Kovarianzmatrix. Die verwendete Teststatistik T =
(N − 1)F folgt asymptotisch einer χ2 -Verteilung und bedient sich der Diskrepanzfunktion
F (S, Σ(θ)), die ein Maß für die Unterschiedlichkeit der empirischen Kovarianzmatrix S
und der geschätzten Kovarianzmatrix Σ(θ) ist. Damit ist im Prinzip die Frage nach der
Anpassungsgüte des Modells abschließend beantwortet, da das Strukturgleichungsmodell
auf einem gegebenen Signifikanzniveau α inferenzstatistisch geprüft werden kann. Die
Nullhypothese des Tests besteht darin, dass die empirische exakt der modelltheoretischen
Kovarianzmatrix entspricht, also S = Σ(θ). Sie wird dann abgelehnt, wenn die T -Statistik
den Wert Tα der χ2 -Verteilung auf einem Signifikanzniveau α überschreitet.74
Der χ2 -Test erfreute sich anfangs großer Beliebtheit, da es schien, dass seine Anwen-
dung im Rahmen konfirmatorischer Faktorenanalysen viele der subjektiven Entscheidun-
gen ersetzen könnte, die im Rahmen exploratorischer Faktorenanalysen zu treffen sind
(z.B. Rotationsmethode und Anzahl zu extrahierender Faktoren). Ein objektiver Test
würde damit subjektive Urteile ersetzen. Von diesem Standpunkt ist man heute weitge-
hend abgerückt. Zum einen ist dies auf die sehr restriktive Nullhypothese zurückzuführen,
nämlich dass H0 : S = Σ(θ) exakt erfüllt ist, zum anderen aber auch auf die restriktiven
71
Byrne (1998), S. 30.
72
Während globale Anpassungsmaße ermitteln, ob das Gesamtmodell eine zufriedenstellende Anpas-
sung an die Daten liefert, existieren daneben noch lokale Gütemaße, die sich nur auf einzelne Teil-
strukturen beziehen. Diese werden nach Mess- und Pfadmodell differenziert in den Abschnitten 8.5
und 8.6 behandelt.
73
Hu und Bentler (1998), S. 426.
74
Annahmen, unter denen die χ2 -Asymptotik gilt, nämlich dass die Beobachtungen multi-
normal verteilt sind, die Stichprobe groß ist und die Analyse auf der Kovarianzmatrix,
nicht der Korrelationsmatrix basiert.75
Im Rahmen von Strukturgleichungsmodellen überprüft der χ2 -Test, ob das Modell die
Wirklichkeit vollständig abbildet. Man kann jedoch davon ausgehen, dass dies praktisch
niemals der Fall ist, sondern ein Modell eher das bescheidenere Ziel verfolgt, die wesentli-
chen Wirkungsbeziehungen aufzuzeigen und eine vernünftige“ Anpassung an die Daten
”
zu erzeugen.76 Eine perfekte Anpassung ist also im Zweifel ein wenig geeigneter Maßstab,
und hohe χ2 -Werte spiegeln wider, dass H0 eben nur näherungsweise erfüllt ist.
Die Anwendbarkeit des χ2 -Tests ist von der Stichprobengröße und der Erfüllung
von Verteilungsannahmen abhängig. Da die Teststatistik T nur asymptotisch χ2 -verteilt
ist, genügt sie bei kleinen Stichproben eventuell nicht der χ2 -Verteilung und ist daher
für die Modellbeurteilung nicht anwendbar. Desweiteren ist nach T = (N − 1)F der
geschätzte χ2 -Wert proportional zur Fallzahl, so dass die Teststärke77 mit steigendem N
zunimmt. Als Folge können bei großen Stichproben schon kleine, inhaltlich irrelevante
Abweichungen zwischen der empirischen und der geschätzten Kovarianzmatrix zur Ab-
lehnung des Modells führen, während es umgekehrt die bei kleinen Fallzahlen geringe
Teststärke sehr schwer macht, selbst deutliche Abweichungen zwischen S und Σ(θ) nach-
zuweisen.78 Neben großen Fallzahlen setzen sowohl die Maximum-Likelihood (ML) als
auch die Generalized-Least-Square (GLS) Schätzung multivariat normalverteilte Daten
voraus, damit die Schätzer TML bzw. TGLS jeweils χ2 -verteilt sind. In der Praxis erhobene
Datensätze erfüllen jedoch nur in den seltensten Fällen die Normalverteilungsannahme,79
was im Allgemeinen zu überschätzten χ2 -Werten und zu stark unterschätzten Standard-
abweichungen der Strukturkoeffizienten führt.80 Um diesem Problem zu begegnen, sind
verschiedene Methoden und Korrekturfaktoren vorgeschlagen worden, so u. a. von Browne
(1982) ein asymptotisch verteilungsfreier Schätzer, der im LISREL-Programm als WLS
(Weighted Least Squares) bezeichnet wird.81 Dieser kann jedoch in der vorliegenden Un-
tersuchung nicht verwendet werden, da Simulationsstudien gezeigt haben, dass er erst bei
75
Bollen (1989), S. 266; Sobel und Bohrnstedt (1985), S. 153.
76
Jöreskog und Sörbom (1982), S. 408; Bollen (1989), S. 268.
77
Die Teststärke bezeichnet die Gegenwahrscheinlichkeit 1 − β des Fehlers 2. Art (β-Fehler). Sie gibt
an, mit welcher Wahrscheinlichkeit ein Signifikanztest zugunsten einer spezifischen Alternativhypo-
these entscheidet, sofern diese wahr ist, d.h. mit welcher Wahrscheinlichkeit ein Unterschied oder
Zusammenhang entdeckt wird, wenn er existiert. Vgl. Bortz (1999), S. 122.
78
Bollen (1989), S. 268; Hu und Bentler (1995), S. 78.
79
Micceri (1989), S. 161.
80
West et al. (1995), S. 62f.
81
Browne (1982), S. 90ff.
sehr großen Fallzahlen zu zuverlässigen Ergebnissen führt.82 Damit sind für kleine und
mittlere Stichproben die durch eine moderate Verletzung der Normalverteilungsannah-
me verursachten Verzerrungen bei einer ML/GLS-Schätzung als geringer einzustufen als
die durch zu kleine Stichprobengrößen verursachten Probleme einer ADF-Schätzung.83
Um dennoch eventuelle Probleme aufgrund nicht-normaler Beobachtungen abschätzen zu
können, wird bei der Validierung des Messmodells in der vorliegenden Arbeit routinemäßig
Mardia’s Maß für Nichtnormalität berechnet.
Die vierte Voraussetzung für die Anwendbarkeit des χ2 -Tests ist die Forderung, dass
eine Kovarianz-, nicht eine Korrelationsmatrix analysiert wird. Der wesentliche Grund
für diese Forderung liegt darin begründet, dass die Maximum-Likelihood Schätzung auf
Kovarianzmatrizen basiert und bei der Verwendung von Korrelationsmatrizen unter be-
stimmten Bedingungen zu inkorrekten χ2 -Werten und Standardabweichungen für die Pa-
rameterschätzungen führen kann.84 Der Übergang von Kovarianzen zu Korrelationen bein-
haltet eine Reskalierung der Variablen, die in der statistischen Behandlung von Struktur-
gleichungsmodellen berücksichtigt werden müsste und diese deutlich komplizierter ma-
chen würde. Auf der anderen Seite sind viele der im Rahmen von Strukturgleichnungs-
modellen erfolgenden Schätzungen und Tests skaleninvariant,85 wodurch die χ2 -Werte in
praktischen Anwendungen oft kaum voneinander abweichen. Allerdings sind selbst bei
skaleninvarianten Modellen die auf der Basis von Korrelationsmatrizen geschätzten Stan-
dardabweichungen der Modellparameter im Allgemeinen inkorrekt86 und müssen manuell
korrigiert werden.87 Starke praktische Einwände gegen die Verwendung von Korrelations-
matrizen sind v. a. dann vorzubringen, wenn sich bei wiederholten Messungen die Varian-
zen systematisch über die Zeit verändern (z.B. bei Wachstumseffekten) oder bei multiplen
Gruppenvergleichen, da in diesen Fällen die Unterschiede der Varianzen die wesentliche
82
Die Simulationen von Curran et al. (1996, S. 24) erreichen ab einer Stichprobengröße N = 500
eine stabile ADF-Schätzung. Dagegen führen die Simulationen von Hu et al. (1992, S. 355) erst
ab N = 5.000 zu zufriedenstellenden Ergebnissen für eine konfirmatorische Faktorenanalyse mit 15
Indikatoren und 3 korrelierenden Faktoren. Zu einem ähnlichen Ergebnis kommen auch Boomsma
und Hoogland (2001, S. 159), die für eine konfirmatorische Faktorenanalyse mit 15 Indikatoren und
5 korrelierenden Faktoren eine minimale Stichprobengröße von N = 3.600 ermitteln.
83
McDonald und Ho (2002), S. 70.
84
Cudeck (1989), S. 317.
85
Ein Modell Σ ist skaleninvariant, wenn für jede Diagonalmatrix Dα (αi = 0) und jeden Parametervek-
tor γ ein weiterer Parametervektor γ ∗ existiert, so dass Σ(γ ∗ ) = Dα Σ(γ)Dα erfüllt ist, vgl. Browne
(1982), S. 75ff. Ein Beispiel sind konfirmatorische Faktorenanalysen ohne Gleichheits-Restriktionen,
vgl. Bollen (1989), S. 267 und Cudeck (1989), S. 318f.
86
Eine Ausnahme stellen sog. skaleninvariante Parameter dar, vgl. Cudeck (1989), S. 323.
87
Entsprechende Rechnungen werden von Lawley und Maxwell (1971), S. 59ff. und 100ff. sowie Brow-
ne (1982), S. 90ff. demonstriert. Sie sind in den aktuellen Versionen von LISREL und EQS nicht
implementiert, vgl. Steiger (2001), S. 334.
Grundlage für das Verständnis des Zeiteffektes bzw. der Gruppenunterschiede bilden.88
Aufgrund dieser sehr restriktiven Annahmen ist es mittlerweile gängige Praxis, χ2 nicht
mehr als Teststatistik im eigentlichen Sinn zu verwenden, sondern als Maß für die Anpas-
sungsgüte.89 Ein Modell ist danach dann anzunehmen, wenn der χ2 -Wert im Verhältnis zu
den Freiheitsgraden df einen bestimmten Schwellenwert unterschreitet, wobei das Spek-
trum der Empfehlungen von der vergleichsweise leicht zu erfüllenden Forderung χ2 /df 3
bis zur sehr anspruchsvollen Forderung χ2 /df 1 reicht.90
Deskriptive Anpassungsmaße Vor dem Hintergrund der im letzten Abschnitt be-

schriebenen Probleme mit dem χ2 -Test wurde eine schwer überschaubare Vielfalt deskrip-
tiver Anpassungsmaße entwickelt, die auf einen statistischen Test verzichten und relativ
robust gegenüber Verletzungen der Multinormalverteilungsannahme sind.91 Deskriptive
Anpassungmaße können zunächst in absolute und inkrementelle (komparative) unterteilt
werden.92 Ein absolutes Anpassungsmaß ermittelt direkt, wie gut ein a priori definiertes
Modell die empirisch ermittelten Daten reproduziert. Obwohl kein Referenzmodell zur
Beurteilung herangezogen wird, kann doch implizit oder explizit ein Vergleich mit einem
saturierten Modell vorgenommen werden, das die beobachtete Kovarianzmatrix exakt re-
produziert. Dagegen bestimmen inkrementelle Fitindizes eine relative Verbesserung in der
Anpassungsgüte durch den Vergleich des hypothetisierten Modells mit einem geschachtel-
ten Referenzmodell, das sich durch Auferlegung weiterer Restriktionen erzeugen lässt. Als
Referenzmodell wird dabei häufig ein Nullmodell verwendet, bei dem zwar die Varianzen
der manifesten Variablen geschätzt werden, die Kovarianzen der Variablen untereinander
jedoch auf Null fixiert werden.93
Ähnlich wie bei den inferenzstatistischen Anpassungsmaßen erweist sich jedoch auch
die Verwendung der deskriptiven Fitindizes als nicht unproblematisch. Da den deskripti-
ven Anpassungsmaßen eine den inferenzstatistischen Maßen ebenbürtige mathematische
Basis fehlt, existieren keine klaren Kriterien, die die Bevorzugung weniger ausgewählter
Indizes gegenüber den übrigen Maßen rechtfertigen würde. Verschiedene Untersuchungen
zeigen darüber hinaus, dass häufig keine zufriedenstellende Korrelation zwischen unter-
schiedlichen Anpassungmaßen besteht, so dass die Verwendung unterschiedlicher Fitindi-
zes mitunter zu gegenläufigen Aussagen über die Güte der Modellanpassung führen kann.94
88
Netemeyer et al. (2001), S. 85.
89
Fahrmeir et al. (1996), S. 759; Jöreskog und Sörbom (1982), S. 408.
90
Letzterer Wert wird von Backhaus et al. (2000), S. 466, angegeben.
91
Eine Übersicht lässt sich den Beiträgen im Sammelband von Bollen und Long (1993).
92
93
Hu und Bentler (1999), S. 2; McDonald und Ho (2002), S. 72.
94
Vgl. hierzu auch Abbildung C.1 auf S. 316 der vorliegenden Arbeit.
Um diesen Missstand zu beheben und eine begründete Auswahl zu ermöglichen, haben

Hu und Bentler (1998) Simulationen durchgeführt, die die Sensitivität verschiedener abso-
luter und inkrementeller Fitindizes u. a. gegenüber Fehlspezifikationen des Modells, Ver-
letzungen der Verteilungsannahmen sowie Verzerrungen durch kleine Stichprobengrößen
untersuchen. Damit ein Anpassungmaß sinnvoll zur Modellbeurteilung und zum Vergleich
unterschiedlich spezifizierter Modelle eingesetzt werden kann, sollte es möglichst sensitiv
gegenüber Fehlspezifikationen des Modells und möglichst insensitiv gegenüber Verletzun-
gen der Verteilungsannahmen und dem Vorliegen kleiner Stichprobenumfänge sein.
Im Ergebnis zeigt sich zunächst, dass die Fitindizes unter ML-Schätzung diese Kri-
terien deutlich besser erfüllen als unter GLS- oder ADF-Schätzung. Eine Reihe häufig
verwendeter Maße, darunter der GFI und der AGFI, liefern insgesamt unbefriedigende
Ergebnisse, da sie häufig stärker auf Verteilungsspezifika oder die Stichprobengröße rea-
gieren als auf unterschiedliche Modellstrukturen. Hu und Bentler (1998) empfehlen daher,
die Modellbeurteilung anhand von zwei Arten von Maßen vorzunehmen: Grundsätzlich
sollte immer der SRMR berichtet werden, da er die größte Sensitivität gegenüber Fehls-
pezifikationen im Pfadmodell aufweist. Daneben sollte ein weiteres Gütemaß verwendet
werden, das insbesondere sensitiv gegenüber Fehlspezifikationen im Messmodell ist.95 Für
die vorliegende Arbeit wird dabei der CFI ausgewählt, da er zu den am häufigsten verwen-
deten Fitindizes gehört und damit eine Vergleichbarkeit mit anderen Veröffentlichungen
gewährleistet.96 Hu und Bentler (1999) haben auf der Basis ihrer Simulationen Grenzwerte
für diese beiden Gütemaße abgeleitet, die auch als Grundlage für die Modellbeurteilung in
den folgenden Kapiteln 9 und 10 dienen sollen. Danach sollte der SRMR Werte unterhalb
von 0,08 annehmen, der CFI möglichst Werte oberhalb von 0,95.
Obwohl durch die Analysen von Hu und Bentler (1998) objektive Kriterien für die
Auswahl von Fitindizes bereitgestellt werden, sehen es McDonald und Ho (2002) weiter-
hin als gravierendes Problem an, dass die Fitindizes keine Information darüber liefern,
wie ein gegebenes Maß an Anpassungsgüte zustande kommt, ob also der festgestellte
Grad an Modellabweichung durch wenige korrigierbare Fehlspezifikationen hervorgerufen
wird oder auf die mangelhafte Reproduktion zahlreicher Parameter im gesamten Modell
zurückzuführen ist.97 Um ein besseres Verständnis für die Anpassungsqualität einzelner
Modellbestandteile zu entwickeln, empfehlen sie daher, zunächst die standardisierten Re-
siduen der manifesten Variablen zu betrachten, die routinemäßig in Verbindung mit der
Korrelations- bzw. Kovarianzmatrix berichtet werden sollten.98 Im Anschluss sollte unter-
95
96
97
98
McDonald (1999), S. 388f.
sucht werden, in welcher Weise die Korrelationen der latenten Variablen im Messmodell
von den Korrelationen abweichen, die unter den Restriktionen des Pfadmodells reprodu-
ziert werden.
8.5 Vorgehen bei der Analyse des Messmodells
Das Messmodell stellt als Bestandteil eines Strukturgleichungsmodells die Verknüpfung

zwischen latenten und manifesten Variablen (Indiktoren) her und erklärt damit aus for-
schungslogischer Sicht die Verbindung zwischen empirischen und theoretischen Größen.99
Eine aussagekräftige Messung komplexer sozialwissenschaftlicher Konstrukte kann nur
unter der gleichzeitigen Verwendung mehrerer Indikatoren erfolgen. Die Beweggründe für
die Verwendung dieser sogenannten Multi-Item-Skalen werden in den folgenden Zitaten
zum Ausdruck gebracht:
Given the complexity of our subject matter, what makes us think we can
”
use responses to single items (or even two or three items) as measures of
these concepts, then relate these scores to a host of other variables, arrive at
conclusions based on such an investigation, and get away calling what we have
done quality research‘?“ (Jacoby, 1978, S. 93)
’
With a single measure of each variable, one can remain blissfully unaware
”
of the possibility of measurement [error], but in no sense will this make his
inferences more valid. [. . . ] In the absence of better theory about our measu-
rement procedures, I see no substitute for the use of multiple masures of our
most important variables.“ (Blalock, 1970, S. 111)
Zum einen ist ein einzelner Indikator nur sehr begrenzt in der Lage, verschiedene Facetten
eines Konstrukts zu erfassen, zum anderen ist jede Messgröße mit zufälligen und syste-
matischen Fehlern behaftet, deren verzerrender Einfluss erst durch die Mittelung über
einen Satz alternativer Indikatoren verringert werden kann.100 So ist die Reliabilität von
Skalen größer als die einzelner Indikatoren, da im Zuge der Addition die gemeinsame Vari-
anz aggregiert wird, während sich Zufallsfehler tendenziell ausgleichen. Weiterhin ist mit
praktisch jedem Item ein spezifischer, systematischer Varianzanteil verbunden, der bei-
spielsweise auf idiosynkratische Frageformulierungen zurückzuführen sein kann. Da diese
systematischen Verzerrungen ebenfalls im Zuge der Addition mehrerer Indikatoren ten-
denziell ausgeglichen werden, besitzen Skalen auch eine höhere Validität . Schließlich kor-
relieren Skalen stärker miteinander als einzelne Indikatoren, da sie weniger grobkörnig“
”
99
Klein (2000), S. 234.
100
Churchill (1979), S. 66f.; Zeller und Carmines (1980), S. 48f.
8.5. Vorgehen bei der Analyse des Messmodells 191
als die Likert-Skalen individueller Items sind und eine weniger schiefe Verteilung aufweisen
als die jeweiligen Items, aus denen sie gebildet wurden.101
In den folgenden Abschnitten wird zunächst eine Unterscheidung zwischen reflexi-
ver und formativer Konstruktmessung vorgenommen, bevor methodische Aspekte dieser
beiden Messmodelle näher erläutert werden. Im Anschluss daran werden noch multidi-
mensionale Konstrukte diskutiert, bei denen nicht nur ein Konstrukt durch mehrere Indi-
katoren gemessen wird, sondern darüberhinaus eine Reihe inhaltlich verwandter Faktoren
zu einem komplexen mehrdimensionalen Konstrukt zusammengefasst wird.
8.5.1 Reflexive und formative Indikatoren
Hinsichtlich der Beziehung zwischen latenten Variablen und Indikatoren sind zwei Fälle
zu unterscheiden:102 Von reflexiven Indikatoren (Effektindikatoren) spricht man, wenn ein
Faktor die ihm zugeordneten beobachtbaren Variablen verursacht“, d.h. die Indikatoren
”
werden hier als (in der Regel fehlerbehaftete) Messungen des wahren“ Konstrukts be-
”
trachtet. Die Entwicklung einer Menge von reflexiven Messgrößen für eine latente Variable
bezeichnet man auch als Skalenbildung. Eine alternative Messperspektive, die mitunter als
Indexbildung bezeichnet wird, basiert auf formativen Indikatoren (Kausalindikatoren) und
geht davon aus, dass es die Indikatoren sind, die einen kausalen Einfluss auf die latente
Variable ausüben (vgl. Abbildung 8.1).
(a) (b)
Abbildung 8.1: (a) Reflexives Messmodel, bei dem eine latente Variable ξ vier Indikatoren x1 , . . . , x4 be-
einflusst. Die Messfehler δ1 , . . . , δ4 werden auf der Itemebene erfasst. (b) Formatives Messmodel, bei dem
vier Items x1 , . . . , x4 eine Kompositvariable ξ definieren. Der Messfehler ζ wird auf der Konstruktebene
erfasst.
Reflexive Messmodelle basieren auf dem sog. Domain-Sampling Modell, nach dem
ein Messinstrument durch eine zufällige Stichprobe aus einer hypothetischen, unendlich
101
Gorsuch (1997), S. 537f.
102
Bollen und Lennox (1991); Diamantopoulos und Winklhofer (2001).
großen Grundgesamtheit von Items gebildet wird, die als Domäne oder Universum be-
zeichnet wird.103 Die messtheoretische Fundierung reflexiver Messmodelle beruht auf den
Annahmen der klassischen Testtheorie und setzt unter anderem voraus, dass die ein Kon-
strukt gemeinsam erfassenden Indikatoren intern konsistent sind und untereinander deut-
lich höher korrelieren als mit den Indikatoren anderer Konstrukte.104 Da die Indikatoren
von den dahinter liegenden latenten Variablen beeinflusst werden und deren Facetten glei-
chermaßen gut erfassen sollten, ist die Konstruktvalidität idealerweise invariant gegenüber
dem Austausch oder Eliminieren einzelner Indikatoren.105
Formative Messmodelle gehen dagegen nicht davon aus, dass die Ausprägungen der
gemessenen Indikatoren durch eine einzelne, dahinter liegende latente Variable beeinflusst
werden. Hier sind es umgekehrt die empirisch beobachteten Variablen, die das Konstrukt
beeinflussen, die Kausalität fließt“ m.a.W. von den Items zum Konstrukt.106 Rossiter
”
(2002) weist zurecht darauf hin, dass man im Zusammenhang mit formativen Messmodel-
len nicht länger von Indikatoren sprechen sollte, da den Items hier gerade keine indikative,
sondern eine formative Funktion zukommt. Entsprechend handelt es sich bei formativ ge-
messenen Konstrukten auch nicht um latente Variablen , so dass hier z. T. der Begriff
Kompositvariable“ verwendet wird.107 Im Gegensatz zu reflexiven Messmodellen folgen
”
formative Modelle nicht dem Domain-Sampling Modell, die Items eines Index können
also, anders als die Items einer Skala, nicht ohne weiteres weggelassen oder ersetzt wer-
den, ohne dass sich das Konstrukt inhaltlich verändert.108 Da die Items eines formativen
Messmodells nicht durch einen gemeinsamen Faktor beeinflusst werden, ist es im Ge-
gensatz zu reflexiven Messmodellen auch nicht notwendig, dass die Items untereinander
deutliche Korrelationen aufweisen und intern konsistent sind.109 Damit ist es bei forma-
tiven Konstrukten auch unangebracht, eine Skalenbereinigung unter dem Gesichtspunkt
der internen Konsistenz, beispielsweise unter Verwendung von Cronbach’s Alpha, durch-
zuführen, da hierbei im Zweifelsfall gerade diejenigen Items eliminiert würden, die die
geringste Überschneidung mit den anderen Items aufweisen und damit entscheidend zur
inhaltlichen Definition des Konstrukts beitragen.110 Vor diesem Hintergrund müssen for-
103
Nunnally und Bernstein (1994), S. 216ff.
104
Bollen und Lennox (1991), S. 305. Vgl. hierzu im einzelnen auch Abschnitt 8.5.5.
105
Dies gilt zumindest für den Fall einer wirklich unidimensionalen Operationalisierung des Konstrukts.
Leidet dagegen die Inhaltsvalidität einer Skala deutlich unter der Elimination oder dem Austausch
eines Indikators, so ist sie im Zweifel als multidimensional einzustufen. Vgl. Bollen und Lennox (1991),
S. 308 sowie unten, Abschnitt 8.5.3.
106
Jarvis et al. (2003), S. 201.
107
MacCallum und Browne (1993), S. 534.
108
Jarvis et al. (2003), S. 202; Rossiter (2002), S. 315.
109
Bollen und Lennox (1991), 312; Heise (1973), S. 6.
110
Rossiter (2002), S. 315.
mativ gebildete Konstrukte vor allem danach beurteilt werden, wie vollständig sie den
inhaltlich-semantischen Bereich des Konstrukts repräsentieren (Inhaltsvalidität) und in-
wieweit sich die theoretisch vorhergesagten Wirkbeziehungen zu kausal vor- und nachge-
lagerten Konstrukten empirisch nachweisen lassen (nomologische Validität).111
Die Frage, ob ein Konstrukt durch ein reflexives oder ein formatives Modell abgebil-
det werden sollte, muss vor allem auf der Grundlage inhaltlicher Erwägungen entschieden
werden. Aus der erläuterten Unterscheidung zwischen reflexiven und formativen Kon-
strukten lassen sich sechs Indizien ableiten, die für die Verwendung eines formativen Mo-
dells sprechen:112 (1) Die Items definieren die Facetten des Konstrukts, (2) den Items liegt
nicht notwendigerweise ein gemeinsamer inhaltlicher Kern zu Grunde, (3) veränderte Aus-
prägungen der Items ziehen eine veränderte Ausprägung der Kompositvariable nach sich,
(4) veränderte Ausprägungen der Kompositvariable gehen nicht notwendigerweise mit
veränderten Ausprägungen aller Items einher, (5) veränderte Ausprägungen eines Items
gehen nicht notwendigerweise mit veränderten Ausprägungen der anderen Items einher
und (6) die Items sind nicht notwendigerweise durch dieselben Ursachen und Wirkungen
gekennzeichnet.
8.5.2 Tetraden-Test nach Bollen und Ting (2000)
Aus der Darstellung im letzten Abschnitt geht hervor, dass die Unterscheidung zwischen
reflexiven und formativen Indikatoren durch inhaltliche Erwägungen geleitet werden muss.
Dennoch ist es sicherlich erstrebenswert, statistische Tests zu entwickeln, die die Unter-
scheidung dadurch erleichtern, dass sie Verträglichkeit des jeweils gewählten statistischen
Modells mit den erhobenen Daten überprüfen. Bei der Durchführung einer konfirmatori-
schen Faktorenanalyse im Rahmen des LISREL-Modells stellt die Maximum-Likelihood
Fitfunktion genau eine solche Entscheidungsunterstützung dar und kann als Likelihood-
Ratio- bzw. χ2 -Differenztest zum Vergleich geschachtelter Modelle verwendet werden.113
Obwohl der Likelihood-Ratio Test von zentraler Bedeutung für die Beurteilung alterna-
tiver LISREL-Modelle ist, gibt es doch eine Reihe von Fragen, die er nicht beantworten
kann. So ist er beispielsweise insensitiv gegenüber bestimmten Fehlspezifikationen des
Gleichungssystems, kann nur für den Vergleich geschachtelter Modelle verwendet werden
und setzt eine Überidentifizierung des Gleichungssystems voraus.114
Vor diesem Hintergrund haben Bollen (1990) sowie Bollen und Ting (1993) einen Test
111
Bollen und Lennox (1991), S. 312; Bagozzi (1994), S. 333; Diamantopoulos und Winklhofer (2001),
S. 272; Jarvis et al. (2003), S. 202.
112
Jarvis et al. (2003), S. 203.
113
Bollen (1989), S. 292; Bollen und Ting (1993), S. 149.
114
Bollen und Ting (1993), S. 149.
entwickelt, der die Tatsache ausnutzt, dass modellbedingt bestimmte Kombinationen von
Kovarianzen, sog. Tetraden, verschwinden müssen. Die Entdeckung und Verwendung die-
ser verschwindenden Tetradendifferenzen geht bereits auf frühe Arbeiten von Spearman
(1904) und Kelley (1928) zurück und wird auch in den strukturfindenden Algorithmen
von Spirtes et al. (1993) ausgenutzt, allerdings haben erst Bollen und Ting (1993) die
Elimination redundanter Tetraden implementiert und einen statistisch wohldefinierten
Omnibus-Test für die nichtredundanten Tetraden entwickelt (siehe Anhang A der vorlie-
genden Arbeit für eine ausführliche Beschreibung). Eine Tetrade bzw. Tetradendifferenz
τghij bezeichnet dabei ein Objekt mit vier Indizes, das als Differenz zwischen zwei Pro-
dukten jeweils zweier Kovarianzen gebildet wird,
τghij = σgh σij − σgi σhj . (8.5.13)
Hier bezeichnet σ die Populationskovarianz der beiden durch die Indizes gekennzeichneten
Variablen, also σgh = cov(xg , xh ).115 Das Konzept der verschwindenden Tetraden lässt sich
am einfachsten am Beispiel des in Abbildung 8.1 dargestellten Messmodells mit vier refle-
xiven Indikatoren erläutern. Wählt man entsprechend Gleichung (8.3.7) die x-Darstellung
x = Λx ξ + δ und bildet nach Gleichung (8.3.11) die Kovarianzmatrix, so erhält man die
Modellstruktur
⎡ ⎤
2
⎢λ1 var(ξ) + var(δ1 ) λ1 λ2 var(ξ) λ1 λ3 var(ξ) λ1 λ4 var(ξ) ⎥
⎢ ⎥
⎢ ⎥
⎢ λ λ var(ξ) λ 2
var(ξ) + var(δ ) λ λ var(ξ) λ λ var(ξ) ⎥
⎢ 2 1 2 2 2 3 2 4 ⎥
Σ(θ) = ⎢ ⎥. (8.5.14)
⎢ ⎥
⎢ λ3 λ1 var(ξ) λ3 λ2 var(ξ) λ23 var(ξ) + var(δ3 ) λ3 λ4 var(ξ) ⎥
⎢ ⎥
⎣ ⎦
λ4 λ1 var(ξ) λ4 λ2 var(ξ) λ4 λ3 var(ξ) λ24 var(ξ) + var(δ4 )
Berücksichtigt man jetzt, dass sowohl σgh σij als auch σgi σhj gleich λg λh λi λj var2 (ξ) sind,
so lassen sich Gleichung (8.5.14) drei Tetraden entnehmen, die nichttrivial identisch ver-
schwinden,116
τ1234 = σ12 σ34 − σ13 σ24 = 0

τ1342 = σ13 σ42 − σ14 σ32 = 0 (8.5.15)
τ1423 = σ14 σ23 − σ12 σ43 = 0 .
115
Aus der Definition der Tetrade und der Identität σij = σji sind verschiedene Symmetrieeigenschaften
direkt ersichtlich, beispielsweise τghij = τijgh = τhgji oder τghij = −τgihj .
116
Triviale Fälle sind beispielsweise τiiii oder Tetraden, die – unabhängig von der konkreten Modell-
struktur – allein schon wegen der Symmetrie der Kovarianzmatrix verschwinden, also beispielsweise
τijji .
Allerdings sind diese Gleichungen nicht unabhängig voneinander: Substituiert man

beispielsweise die erste in die zweite Gleichung, so erhält man die dritte Tetradenglei-
chung. Diese Redundanz muss vor Durchführung des Tetradentests beseitigt werden (sie-
he Anhang A). Die Gleichungen (8.5.15) sind unabhängig von den konkreten Werten der
Pfadkoeffizienten und der Varianz der latenten Variable erfüllt, drücken also Eigenschaf-
ten des Modells, nicht der geschätzten Parameter aus. Hierin liegt gerade die besondere
Bedeutung der Tetradendifferenzen für die Unterscheidung zwischen reflexiven und for-
mativen Messmodellen: Im letzteren Fall verschwindet im Allgemeinen keine der Tetraden
in den Gleichungen (8.5.15). Das formative Messmodell

ξ= γi xi + ζ (8.5.16)
i
bildet die Kompositvariable ξ als Linearkombination der manifesten Variablen xi zuzüglich

einem Störterm ζ ab, der den Einfluss all derjenigen Variablen umfasst, die zwar ξ be-
einflussen, aber im Modell nicht enhalten sind. Die manifesten Variablen xi sind hier also
exogene Größen, deren Assoziation im Modell nicht untersucht wird, folglich werden auch
keine Einschränkungen hinsichtlich der Populationskovarianzen σij = E(xi xj ) gemacht.
Damit können Tetraden im formativen Fall nur dann verschwinden, wenn auf jeder Sei-
te der Tetradendifferenzen mindestens je eine Kovarianz gleich Null oder zufällig σgh σij
gleich σgi σhj ist.
Die in der Stichprobe realisierten Schätzer tghij der verschwindenden Grundgesamtheits-
Tetraden τghij werden aufgrund des Stichprobenfehlers im Allgemeinen von Null abwei-
chen. Mit einer von Bollen (1990) entwickelten Teststatistik kann für einen maximalen
Satz nichtredundanter verschwindender Tetraden simultan ein Test auf die Hypothesen
H0 : τ = 0 und H1 : τ = 0 durchgeführt werden. Die Teststatistik ist χ2 -verteilt, wobei
die Zahl der Freiheitsgrade gleich der Zahl der nichtredundant verschwindenden Tetra-
den ist.117 Eine nichtsignifikante Teststatistik deutet darauf hin, dass die beobachteten
Tetraden nicht signifikant von Null abweichen und somit die Daten mit dem betrachteten
reflexiven Messmodell verträglich sind, stellt also eine notwendige Bedingung für eine
reflexive Konstruktmessung dar.
Die Berechnung der Teststatistik und vor allem die Ermittlung redundanter verschwin-
dender Tetraden ist aufwändig, so dass Ting (1995) den gesamten Algorithmus, also die
Ermittlung verschwindender Tetraden, die Elimination redundanter Tetraden sowie die
Errechnung des Testers, in einem SAS-Makro implementiert hat. Da die Statistik-Software
SAS dem Autor der vorliegenden Arbeit nicht zur Verfügung stand, wurde der Algo-
rithmus im Computeralgebra-System Mathematica programmiert, vgl. Anhand A. Ein
117
Bollen und Ting (2000), S. 12.
wesentlicher Vorteil dieser Implementierung besteht darin, dass mit Mathematica die ver-
schwindenden Tetraden symbolisch direkt anhand von Gleichung (8.3.11) ermittelt wer-
den können, während in SAS zunächst die Erzeugung eines künstlichen Datensatzes aus
der unterstellten Modellstruktur heraus notwendig ist, um anschließend numerisch die
veschwindenden Tetraden zu bestimmen.118
8.5.3 Behandlung reflexiver Konstrukte
Ausgangspunkt der Skalenbildung, d. h. der Operationalisierung eines Konstrukts durch

ein reflexives Messmodell, ist zunächst die Generierung eines umfassenden Itempools.
Hierbei müssen möglichst alle Facetten erfasst werden, die im vorangegangenen Prozess
der Konzeptualisierung definiert wurden, wobei in der Auswahl der Items im Zweifelsfall
sogar noch die vom Forscher definierte inhaltliche Domäne des Konstrukts überschritten
werden kann.119 Die Elimination derjenigen Indikatoren, die nur einen schwachen Zusam-
menhang mit dem Rest der Skala aufweisen, kann im Zuge der Datenauswertung leicht
durch psychometrische Analysen erfolgen, wohingegen die Identifikation fehlender Aspekte
auf diese Weise natürlich nicht möglich ist.120
Die Güte, mit der ein Konstrukt durch ein reflexives Messmodell erfasst wird, lässt sich
vor allem anhand der Dimensionen Reliabilität und Validität erfassen, die ihre statistische
Fundierung im Rahmen der klassischen Testtheorie erfahren. Deren Ausgangspunkt ist die
Annahme, dass sich eine Beobachtung x aus einem wahren Wert t und einem Messfehler
e zusammensetzt, wobei der Erwartungswert der Fehlervariablen Null ist sowie die Korre-
lationen zwischen wahren Werten und Fehlern und die Korrelationen der Fehlervariablen
untereinander gleich Null sind.121 Um den Unterschied zwischen Reliabilität und Validität
einer Messung definieren zu können, muss diese Grundstruktur der klassischen Testtheo-
rie dadurch modifiziert werden, dass der Messfehler e gedanklich in einen systematischen
Messfehler s sowie einen zufälligen Messfehler r zerlegt wird,122
x=t+s+r . (8.5.17)
Ein Messinstrument ist dann vollständig valide, wenn die beobachteten Größen exakt den
118
Vgl. Bollen und Ting (1993), S. 156.
119
Loevinger (1957, S. 659) bringt dies wie folgt zum Ausdruck: The items of the pool should be chosen
”
so as to sample all possible contents which might comprise the putative trait according to all known
alternative theories of the trait“.
120
Clark und Watson (1995), S. 311.
121
Lord und Novick (1968), S. 36. Vgl. für die entsprechende Formulierung im Rahmen des LISREL-
Modells auch Gleichung (8.3.8).
122
Zeller und Carmines (1980), S. 12.
wahren Größen entsprechen, x = t, wenn also weder systematische noch zufällige Messfeh-
ler vorliegen.123 Ist das Messinstrument dagegen mit systematischen Messfehlern behaftet,
aber keinen Zufallsfehlern unterworfen, so ist es zumindest reliabel (zuverlässig). Reliabi-
lität ist damit eine notwendige, jedoch keine hinreichende Bedingung für Validität.124 Die
Methoden zur Beurteilung von Reliabilität und Validität einer Messung werden in den
folgenden Abschnitten näher erläutert, zunächst soll jedoch noch das verwandte Konzept
der Unidimensionalität eingeführt werden.
8.5.3.1 Unidimensionalität
Eine grundlegende Annahme der Messtheorie besteht darin, dass alle Indikatoren eines
Messinstruments nur ein gemeinsames Konstrukt messen.125 Der Umstand, dass nur eine
latente Variable einer Reihe von manifesten Variablen zugrunde liegt, wird als Unidimen-
sionalität bezeichnet.126 Obwohl vielfältige Maßgrößen für die Überprüfung einer Skala auf
Unidimensionalität vorgeschlagen wurden, haben sich im Gegensatz zur Reliabilitäts- und
Validitätsbeurteilung bislang keine weithin akzeptierten Standards durchsetzen können.127
Eine zuverlässige Beurteilung scheint am ehesten im Rahmen von Latent-Trait-Modellen
möglich zu sein.128
Eindeutig nachgewiesen ist mittlerweile jedoch, dass Reliabilitätskennzahlen nicht zur
Beurteilung der Unidimensionalität einer Skala eingesetzt werden können. Reliabilität
(gemessen als interne Konsistenz) stellt eine Aussage über den Grad dar, zu dem die
Items einer Skala frei von zufälligen Messfehlern sind, während Unidimensionalität ein
Ausdruck dafür ist, dass sämtliche Indikatoren nur einen dahinterliegenden Faktor ab-
bilden. Green et al. (1977) sowie Cortina (1993) haben Simulationen durchgeführt, die
zeigen, dass auch Items, die unter einem mehrdimensionalen Modell erzeugt wurden, je
nach Höhe ihrer mittleren Korrelationen zu befriedigenden bis hohen Werten für Cron-
bach’s Alpha führen können.129 Eine solche Konstellation liegt gerade dann vor, wenn es
mehrere Bündel von Items gibt, die einer Dimension entstammen und untereinander stark
korrelieren, während zwischen den Items verschiedener Dimensionen nur geringe Korre-
lationen bestehen. Umgekehrt kann auch aus niedrigen Reliabilitätskennzahlen nicht auf
123
In diesem Fall wird also die gesamte beobachtete Varianz der Messgröße allein durch die Varianz im
zugrunde liegenden Konstrukt erklärt. Vgl. Peter (1981), S. 134
124
125
Lumsden (1976), S. 266.
126
Anderson und Gerbing (1982), S. 453; Hattie (1985), S. 139.
127
Vgl. dazu u. a. den Diskurs in den Veröffentlichungen Anderson und Gerbing (1982), Kumar und
Dillon (1987) und Anderson et al. (1987).
128
Hattie (1985), S. 158.
129
Cortina (1993), S. 102.
die Mehrdimensionalität einer Skala geschlossen werden, obwohl dies oft in der Literatur
behauptet wird.130
Damit ist interne Konsistenz also weder eine notwendige noch eine hinrei-
chende Bedingung für die Unidimensionalität einer Skala.
Als pragmatische Methode zur Beurteilung der Unidimensionalität einer Skala hat sich
mittlerweile die Verwendung exploratorischer und konfirmatorischer Faktorenanalysen
durchgesetzt.131 Sowohl im Rahmen einer exploratorischen als auch einer konfirmatori-
schen Faktorenanalyse stellt sich jeweils die zentrale Frage, ob die Analyse simultan über
mehrere latente Variablen oder aber für jede Variable separat ausgeführt werden sollte.
Analysiert man jede latente Variable separat, so kann man zwar feststellen, ob die jewei-
ligen Indikatoren signifikant mit der latenten Variable, die sie erfassen sollen, assoziiert
sind, erhält jedoch keine Informationen über die zweite notwendige Bedingung für Uni-
dimensionalität, nämlich dass die Indikatoren nicht gleichzeitig auch die Facetten einer
weiteren latenten Variable widerspiegeln.132
Exploratorische Faktorenanalysen können zum einen zur Konstruktion von unidi-
mensionalen Skalen durch Itemselektion verwendet werden. Hierbei werden aus einem
anfänglich gewählten Pool diejenigen Indikatoren eliminiert, die nur niedrige Faktorla-
dungen bezüglich einer latenten Variable aufweisen bzw. – im Fall mehrerer extrahierter
Faktoren – deutliche Querladungen“ auf weitere latente Variablen aufweisen. Zum an-
”
deren kann eine exploratorische Faktorenanalyse auch dazu verwendet werden, die Unidi-
mensionalität einer ex ante definierten Itembatterie dadurch nachzuweisen, dass im Zuge
der Faktorenanalyse nach dem Kaiser-Kriterium nur ein Faktor extrahiert wird.133
Im Rahmen konfirmatorischer Faktorenanalysen kann ein Test auf Unidimensiona-
lität anhand der Anpassungsgüte von Modellen erfolgen, die so spezifiziert sind, dass alle
Indikatoren auf genau einen Faktor laden. Eine nicht signifikante χ2 -Teststatistik bzw.
gute Fitmaße deuten auf eindimensionale Skalen hin. Erhält man dagegen nur eine un-
befriedigende Anpassungsgüte, so kann man v. a. anhand der Residual-Kovarianzmatrix
diejenigen Indikatoren identifizieren, die am schlechtesten mit dem eindimensionalen Mo-
dell verträglich sind.134 Mit einem χ2 -Differenztest kann dann überprüft werden, ob sich
die Indikatoren-Menge eventuell besser durch ein Zwei-Faktor-Modell erklären lässt.135
130
So unter anderem von Clark und Watson (1995), S. 315 und Cortina (1993), S. 100.
131
Ahire und Devaraj (2001), S. 321f.
132
O’Leary-Kelly und Vokurka (1998), S. 391f.
133
Homburg und Giering (1996), S. 12.
134
Bollen (1989), S. 262; McDonald (1981), S. 102.
135
Hattie (1985), S. 147.
8.5.3.2 Reliabilität
Als Reliabilität (Zuverlässigkeit) bezeichnet man nach den obigen Ausführungen den
Grad, zu dem die Indikatoren eines Konstrukts frei von zufälligen Messfehlern sind.136 In
der empirischen Sozialforschung werden drei klassische Standardformen von Reliabilitäts-
prüfungen unterschieden:137 (1) Test-Retest-Reliabilität, d. h. Korrelation mit einer Ver-
gleichsmessung desselben Messinstruments zu einem zweiten Zeitpunkt, (2) Paralleltest-
Reliabilität, d. h. Korrelation mit einer Vergleichsmessung auf einem äquivalenten Mess-
instrument und (3) Interne-Konsistenz- oder Split-Half-Reliabilität, d. h. Korrelation zwi-
schen zwei Hälften der Items eines Messinstruments. Da in der empirischen Sozialforschung
wirklich äquivalente Messinstrumente nur schwer zu definieren und wiederholte Messun-
gen nur selten zu realisieren sind, werden in der Praxis vor allem Reliabilitätsmaße der
dritten Kategorie verwendet.138
Split-Half-Reliabilitätsmaße erfassen die Homogenität einer Skala, indem sie die be-
obachteten Werte der Indikatoren hälftig teilen und die so entstandenen Halbskalen mit-
einander korrelieren. Dabei stellt sich allerdings die grundlegende Frage, nach welchem
Kriterium die Skala geteilt werden soll. Meist geschieht dies durch die Trennung von
gerade und ungerade numerierten Items oder nach einem Zufallsprinzip, wobei diese Vari-
anten jeweils zu einem anderen Zahlenwert führen, was nicht als erstrebenswert angesehen
werden kann.139 Diesen Mangel behebt Cronbachs Alpha-Koeffizient, der die Reliabilität
einer Skala mit k Items als Mittelwert aller möglichen Split-Half-Korrelationen wie folgt
bestimmt:140
k
k var(xi )
α= 1 − i=1
k−1 var(xt )
k (8.5.18)
k i=1 var(xi )
= 1 − k k
k−1 i=1 var(xi ) + 2 i>j cov(xi , xj )
Alpha kann Werte zwischen Null und Eins annehmen; empirische Werte über 0,7 bzw. 0,8
werden häufig als akzeptabel betrachtet. Aus Gleichung (8.5.18) geht jedoch hervor, dass
Alpha eine Funktion der Itemzahl sowie ihrer wechselseitigen Korrelationen ist. Durch eine
große Zahl von Indikatoren kann somit auch bei einer niedrigen mittleren Korrelation der
136
Peter (1979), S. 7; Peter und Churchill (1986), S. 4.
137
Bollen (1989), S. 209ff.; O’Leary-Kelly und Vokurka (1998), S. 395ff.; Peter (1979), S. 8ff.; Schnell
et al. (1995), S. 145ff.; Zeller und Carmines (1980), S. 52ff.
138
O’Leary-Kelly und Vokurka (1998, S. 395) stellen unterschiedliche Methoden der Reliabilitäts-
schätzung mit ihren jeweiligen Voraussetzungen sowie Vor- und Nachteilen tabellarisch gegenüber.
139
Bollen (1989), S. 215ff., Peter (1979), S. 8.
140
Cronbach (1951), S. 299; Lord und Novick (1968), S. 87-95.
Skalenitems und dem Vorliegen zufälliger Messfehler ein hoher Alpha-Koeffizient erzielt
werden.
Neben den klassischen Formen der Reliabilitätsprüfung setzen sich in letzter Zeit
verstärkt Methoden durch, die von schwächeren Voraussetzungen ausgehen und auf In-
formationen basieren, die im Rahmen konfirmatorischer Faktorenanalysen ermittelt wer-
den.141 Diese Kennzahlen gehen von der klassischen Definition von Reliabilität als qua-
drierter Korrelation zwischen den beobachteten Werten x und den wahren Werten t aus.142
Die Reliabilität ρi für einen Indikator xi einer latenten Variable ξ berechnet sich damit
als quadrierte Korrelation zwischen Indikator und latenter Variable.143 Unter den in Ab-
schnitt 8.3 genannten Voraussetzungen kann eine äquivalente Darstellung der Indikator-
reliabilität als Quotient zwischen der durch das Konstrukt erklärten Varianz λ2i · var(ξ)
und der den Messfehler beinhaltenden Gesamtvarianz von xi hergeleitet werden,144
[cov(xi , ξ)]2 λ2i · var(ξ)

ρi = = 2 , (8.5.19)
var(xi ) · var(ξ) λi · var(ξ) + var(δi )
wobei λi die geschätzte Faktorladung und δi der geschätzte Messfehler des Indikators
sind.145 Die Indikatorreliabilität ist auf den Bereich von Null bis Eins normiert. Ab wann
ihre Werte als befriedigend angesehen werden können, ist in der Literatur umstritten,
allerdings wird häufig eine Indikatorreliabilität von wenigstens 0,4 gefordert.146 Wichtiger
als die Frage, wie gut einzelne Indikatoren eine latente Variable messen, ist die Frage,
wie gut sie durch die Gesamtheit der ihr zugeordneten Indikatoren abgebildet wird. Der
von Werts, Linn und Jöreskog angegebene Index ρWLJ für die Faktorreliabilität ermittelt
ähnlich wie Cronbach’s Alpha eine aggregierte Reliabilität als Anteil der durch die latente
Variable erklärten Varianz an der Gesamtvarianz,147

[cov( i xi , ξ)]2 ( i λi )2 · var(ξ)
ρWLJ = = , (8.5.20)
var( i xi ) · var(ξ) ( i λi )2 · var(ξ) + i var(δi )
wobei hier Werte oberhalb von 0,6 als erstrebenswert gelten.148 Fornell und Larcker (1981)
schlagen daneben ein ähnlich berechnetes Maß für die durchschnittlich erklärte Varianz
141
Fornell und Larcker (1981), S. 45f.; O’Leary-Kelly und Vokurka (1998), S. 398f.
142
Lord und Novick (1968), S. 61.
143
Wiley und Wiley (1970), S. 112.
144
Bei der Herleitung wird von den Gleichungen (8.3.7) und (8.3.8) sowie den Rechenregeln für Varianzen
und Kovarianzen Gebrauch gemacht.
145
Bagozzi und Baumgartner (1994), S. 402; Fornell und Larcker (1981), S. 45; Ping (2004), S. 129.
146
Bagozzi und Baumgartner (1994), S. 402.
147
Werts et al. (1974), S. 29.
148
Fornell und Larcker (1981), S. 46; Bagozzi und Yi (1988).
vor, das zur Beurteilung der Konvergenzvalidität verwendet werden kann und in Ab-
schnitt 8.5.3.3 näher beschrieben wird, vgl. Gleichung (8.5.21) auf S. 202.
8.5.3.3 Validität
Die Validität (Gültigkeit) eines Messinstruments bezeichnet das Ausmaß, in dem das
Messinstrument tatsächlich das misst, was es messen sollte, also den Grad, zu dem die
gemessenen Werte x den wahren Werten t entsprechen. Wie bereits oben erwähnt, sind
Unidimensionalität und Reliabilität nur notwendige, aber nicht hinreichende Vorausset-
zungen für die Validität eines Messinstruments, da auch eine (praktisch) zufallsfehlerfreie
Messung eines Faktors eben den falschen Faktor messen und damit invalide sein kann.149
Die Validität eines Instruments wird in der Praxis anhand von drei Kriterien definiert,
nämlich Inhaltsvalidität, Kriteriumsvalidität und Konstruktvalidität.150
Inhaltsvalidität Inhaltsvalidität bezieht sich darauf, dass möglichst alle Aspekte der
Dimension, die gemessen werden sollte, berücksichtigt wurden. Da diese Definition wenig
operational ist, wird Inhaltsvalidität häufig mit der sog. Face-Validity, der logischen und
fachlichen Beurteilung einer Skala durch Experten, gleichgesetzt.151 Bohrnstedt (1970, S.
92) kennzeichnet Inhaltsvalidität durch den Grad, zu dem die eine Skala konstituieren-
den Items den inhaltlich-semantischen Bereich des Konstrukts repräsentieren und seine
inhaltlichen Facetten vollständig erfassen.152
Kriteriumsvalidität Die Kriteriumsvalidität eines Messinstruments ist dann gegeben,

wenn zwischen den empirisch gemessenen Ergebnissen des Messinstruments und einem
anders gemessenen Kriterium ein starker Zusammenhang besteht. Wird das Alternativ-
kriterium zur gleichen Zeit wie das eigentliche Messinstrument erhoben, so wird das Zu-
sammenhangsmaß auch als Concurrent Validity bezeichnet; ist die Messung des Alter-
nativkriteriums zu einem späteren Zeitpunkt erfolgt, so gibt der Zusammenhang beider
Ergebnisse Auskunft über die Predictive Validity (Prognosevalidität). Die praktische An-
wendbarkeit der Kriteriumsvalidität als Gütekriterium einer Skala ist allerdings – ähnlich
wie im Falle der oben erwähnten Paralleltest-Reliabilität – dadurch stark eingeschränkt,
dass es nur selten möglich ist, eine hinreichend genau messbare Kriteriumsvariable für die
Validierung der Messung zu identifizieren.153
Konstruktvalidität
149
Nunnally (1978), S. 103; Zeller und Carmines (1980),S. 77f.
150
Cronbach und Meehl (1955), S. 281.
151
152
Vgl. auch Haynes et al. (1995) und Rossiter (2002).
153
Schnell et al. (1995), S. 150.
Aussagekräftiger als die beiden vorher genannten Merkmale ist das Konzept der Kon-
struktvalidität, das auf Cronbach und Meehl (1955) zurückgeht. Unter Konstruktvalidität
versteht man die Beziehung zwischen einem abstrakten, begrifflich festgelegten Konstrukt
und seiner operativen Messkonzeption. Sie kann dann als ideal erfüllt angesehen werden,
wenn ein Messinstrument Größe und Richtung aller Charakteristika eines Konstrukts
erfasst und nicht daneben noch durch zufällige oder systematische Einflüsse anderer Va-
riablen geprägt wird.154 Bei der Beurteilung der Konstruktvalidität wird oft wiederum
zwischen Konvergenz- und Diskriminanzvalidität155 sowie nomologischer Validität156 un-
terschieden.
Konvergenzvalidität kann als Korrelation zweier Messungen bestimmt werden, die mit
maximal unterschiedlichen Messmethoden erhoben wurden. Traditionell wurde die Kon-
vergenzvalidität anhand sog. Multitrait-Multimethod-Matrizen nach Campbell und Fiske
(1959) beurteilt, wobei sich mittlerweile eine methodisch verlässlichere Variante im Rah-
men hierarchisch geschachtelter konfirmatorischer Faktorenanalysen durchgesetzt hat.157
Da die vorliegende Arbeit jedoch einen Key-Informant-Ansatz verfolgt und damit keine
separaten Messmethoden zur Verfügung stehen, kann hier keine MTMM-Analyse durch-
geführt werden. Stattdessen ist es in den weitverbreiteten Monomethoden-Studien gängige
Praxis, die einzelnen Indikatoren einer Skala als separate Methoden der Konstruktmessung
zu betrachten und auf ihre Konvergenz zu prüfen.158 Ein Minimalkriterium für die Kon-
vergenzvalidität eines Messinstruments stellt dabei zunächst die Forderung dar, dass alle
Faktorladungen hinreichend groß und signifikant sind, was durch einen t-Test überprüft
werden kann.159 Ein schärferes Kriterium fordert, dass die durchschnittlich erfasste Vari-
anz ρave einer latenten Variable ξ,
2
i λi · var(ξ)
ρave = 2
, (8.5.21)
i λi · var(ξ) + i var(δi )
wenigstens 0,5 beträgt, dass also der Varianzanteil, der auf Fehlervariablen zurückzuführen
ist, unter 50 Prozent liegt.160 Die Konvergenzvalidität eines mehrdimensionalen Kon-
strukts lässt sich daneben durch die paarweise Untersuchung seiner einzelnen Dimen-
sionen überprüfen. Dabei wird jeweils über einen χ2 -Differenztest ein Modell, bei dem
die Korrelation zwischen beiden Faktoren frei geschätzt wird, mit einem solchen vergli-
154
Peter (1981), S. 134.
155
Campbell und Fiske (1959), S. 81.
156
Cronbach und Meehl (1955), S. 290ff.
157
Vgl. hierzu die grundlegenden Arbeiten von Widaman (1985) sowie Bagozzi et al. (1991).
158
Ahire und Devaraj (2001), S. 322; Ping (2004), S. 131.
159
Bagozzi und Phillips (1982), S. 434; Homburg und Giering (1996), S. 11.
160
Fornell und Larcker (1981), S. 46; Ping (2004), S. 131.
chen, das die Korrelation auf Null fixiert. Ist die Anpassungsgüte bei frei korrelierenden
Faktoren jeweils signifikant höher als bei den restringierten Alternativmodellen, so deutet
dies auf die enge Verbindung der Dimensionen und damit die Konvergenzvalidität des
multidimensionalen Konstrukts hin.161
Diskriminanzvalidität liegt dann vor, wenn empirisch gezeigt werden kann, dass ein
Messinstrument andere Sachverhalte misst, als andere Instrumente. Zur praktischen
Überprüfung können verschiedene Kriterien herangezogen werden, die die Korrelationen
des betrachteten Messinstruments mit anderen Skalen untersuchen.162 Zunächst lassen
sich χ2 -Differenztests durchführen, die den χ2 -Wert eines Ausgangsmodells mit denen
von hierarchisch geschachtelten Modellen vergleichen, bei denen jeweils die Korrelation
zweier Modellfaktoren auf Eins fixiert wurde. Die Nullhypothese des χ2 -Tests mit ei-
nem Freiheitsgrad besteht darin, dass sich die Anpassungsgüte des Modells durch die
zusätzliche Restriktion nicht signifikant verschlechtert, dass die beiden Faktoren also das
Gleiche messen. Ist die χ2 -Differenz dagegen signifikant, kann die Diskriminanzvalidität
der beiden Konstrukte als gewährleistet angesehen werden.163 Weiterhin haben Fornell
und Larcker (1981, S. 46) vorgeschlagen, die durchschnittlich erfasste Varianz ρave eines
Faktors i mit den quadrierten Korrelationen Φij zwischen diesem Faktor und allen wei-
teren Faktoren j zu vergleichen. Ist die durchschnittlich erfasste Varianz ausnahmslos
größer als die quadrierten Korrelationen, kann dies als Bestätigung der Diskriminanzva-
lidität angesehen werden. Ergänzend kann man schließlich noch das Konfidenzintervall
für den Korrelationskoeffizienten zwischen zwei Skalen ermitteln, um festzustellen, ob
darin der Wert Eins enthalten ist. Dies wäre als Mangel an Diskriminanzvalidität zu
interpretieren.164
Nomologische Validität bezeichnet schließlich den Grad, zu dem die auf einem Kon-
strukt basierenden Vorhersagen im Rahmen einer umfassenderen Theorie bestätigt wer-
den. Die Betrachtung der nomologischen Validität erfordert also die Einbindung des Kon-
strukts in einen übergeordneten theoretischen Rahmen, ein sog. nomologisches Netz,165
aus dem sich empirisch überprüfbare Hypothesen ableiten lassen. Ein Test auf nomolo-
gische Validität läuft im Endeffekt also auf die empirische Überprüfung des Wahrheits-
gehaltes der Theorie und ihrer Substanzhypothesen hinaus und ist von dieser nicht zu
trennen.166
161
Gatignon (2003), S. 179; Gatignon et al. (2002), S. 1109.
162
Ahire und Devaraj (2001), S. 322; Ping (2004), S. 131.
163
Bagozzi und Phillips (1982), S. 475.
164
Anderson und Gerbing (1988), S. 416.
165
Cronbach und Meehl (1955), S. 290.
166
Cronbach und Meehl (1955), S. 320; Schwab (1980), S. 2.
8.5.4 Behandlung formativer Konstrukte
Obwohl formative Messmodelle seit den siebziger Jahren diskutiert werden und inhaltlich
häufig eher angebracht sind als reflexive Modelle, haben sie in wirtschafts- und sozialwis-
senschaftlichen Studien bislang kaum Verwendung gefunden.167 Die Bevorzugung reflexi-
ver Messmodelle mag einerseits durch die spezifisch auf die Skalenbildung zugeschnittenen
methodischen Anforderungen einschlägiger Fachzeitschriften begünstigt werden, kann an-
dererseits aber auch auf methodische Schwierigkeiten zurückzuführen sein, die sich bei der
Spezifikation formativer Modelle im Rahmen von Strukturgleichungsmodellen ergeben.168
Zum einen ist die Grundform eines formativen Messmodells, wie sie in Abbildung 8.1b dar-
gestellt ist, wegen des Fehlerterms auf Konstruktebene und der fehlenden Skalenfixierung
nicht identifiert, zum anderen muss eine Entscheidung darüber getroffen werden, wie die
Kovarianzen der formativen Items untereinander und mit anderen exogenen Konstrukten
zu behandeln sind.
Um die Identifikation eines formativen Messmodells zu erreichen, müssen mehrere Be-
dingungen erfüllt sein. Zunächst muss, wie auch bei reflexiven Konstrukten, die Skala des
Messmodells festgelegt werden, indem entweder der Pfad eines Items auf das Konstrukt
hin auf Eins fixiert wird oder die Residualvarianz des Konstrukts auf Eins fixiert wird.169
Weiterhin müssen von einer formativ gebildeten Variable wenigstens zwei Pfade ausge-
hen, die jeweils entweder auf eine latente Variable mit Effektindikatoren oder auf eine
direkt beobachtete Variable gerichtet sind.170 Abbildung 8.2 präsentiert einen Überblick
über verschiedene Strukturmodelle mit formativen Konstrukten: (a) Ein formatives Kon-
strukt, das für sich allein nicht identifiziert ist, (b) ein formatives Konstrukt, das durch
zwei Strukturbeziehungen identifiziert ist, (c) ein formatives Konstrukt, das durch einen
zusätzlichen reflexiven Indikator und eine Strukturbeziehung identifiziert ist und (d) ein
formatives Konstrukt, das durch zwei zusätzliche reflexive Indikatoren identifiziert ist.
Letzteres Modell ist in der Literatur als MIMIC (multiple indicators and multiple causes)-
Modell171 bekannt und hat gegenüber den beiden anderen den Vorteil, dass es unabhängig
von anderen Konstrukten identifiziert ist und damit an beliebigen Stellen des Pfadmodells
167
Frühe Unterscheidungen zwischen reflexiven und formativen Messmodellen finden sich beispielsweise
bei Blalock (1971), S. 336 und Heise (1973), S. 6. Diamantopoulos und Winklhofer (2001), S. 275 sowie
Jarvis et al. (2003), S. 205ff. demonstrieren anhand zahlreicher Beispiele aus der Marketingliteratur,
dass Konstrukte, die eigentlich als formativ aufzufassen sind, in der Forschungspraxis meist durch
reflexive Messmodelle abgebildet werden.
168
Jarvis et al. (2003), S. 213.
169
Jarvis et al. (2003), S. 213
170
171
Hauser und Goldberger (1971), S. 95ff.; Jöreskog und Goldberger (1975), S. 631ff.; Winklhofer und
Diamantopoulos (2002), S. 152ff.
platziert werden kann.172
(a) (b)
(c) (d)
Abbildung 8.2: Idenfizierung verschiedener formativer Messmodelle: (a) Nicht identifiziert, (b) Identifi-
zierung durch zwei Strukturbeziehungen, (c) Identifizierung durch zwei zusätzliche reflexive Indikatoren,
(d) Identifizierung durch einen zusätzlichen reflexiven Indikator und eine Strukturbeziehung.
Eine weitere Entscheidung, die im Zusammenhang mit formativen Konstrukten gefällt

werden muss, betrifft Frage, wie die Kovarianzen der formativen Items untereinander und
mit anderen exogenen Konstrukten zu modellieren sind. Bei formativen Items handelt
es sich um exogene Variablen, da sie zwar andere Modellvariablen über gerichtete Pfade
beeinflussen, selbst jedoch keine gerichteten Pfade empfangen. Auf Grund der Tatsache,
dass auch exogene Variablen über nicht im Modell abgebildete Größen gemeinsamen Ein-
flüssen ( spurious causes“ 173 ) unterliegen und korreliert sein können, besteht daher im
”
Rahmen von Strukturgleichungsmodellen die Konvention, alle Kovarianzen zwischen exo-
genen Variablen als freie Modellparameter schätzen zu lassen. Vor diesem Hintergrund
172
Allerdings haftet dem MIMIC-Modell eine gewisse konzeptionelle Mehrdeutigkeit an. Das Modell
lässt sich auf drei verschiedene Weisen interpretieren, nämlich (1) als ein Konstrukt mit mehreren
formativen und zwei reflexiven Indikatoren, (2) als mehrere exogene Variablen, die ein endogenes
Konstrukt mit zwei reflexiven Indikatoren beeinflussen und (3) als ein formativ gemessenes Konstrukt,
das zwei manifeste Variablen anderer Konstrukte beeinflusst. Vgl. Jarvis et al. (2003), S. 213.
173
Simon (1954), S. 467ff.
unterscheiden MacCallum und Browne (1993) zwei Strategien zur Behandlung formati-
ver Konstrukte. Im Rahmen der ersten Strategie werden nur die Kovarianzen formativer
Items eines Konstrukts untereinander geschätzt, die Kovarianzen mit anderen manifesten
und latenten exogenen Variablen werden dagegen auf Null fixiert. Die zweite Strategie
entspricht demgegenüber dem üblichen Vorgehen bei der Strukturgleichungsanalyse und
behandelt alle Kovarianzen exogener Variable als frei zu schätzende Modellparameter.174
Der erste Ansatz hat den Vorteil, dass die statistische Sparsamkeit des Modells nicht durch
eine große Zahl von nicht mit Hypothesen untermauerten Kovarianzpfaden gefährdet wird,
trifft andererseits aber die sehr starke Annahme einer vollständigen Unkorreliertheit der
formativen Konstrukte untereinander und mit anderen Konstrukten. Dagegen zeichnet
sich der zweite Ansatz, der von MacCallum und Browne (1993) empfohlen wird, durch
den Vorteil aus, dass die Anpassungsgüte nicht durch eine große Zahl auf Null fixierter
Modellparameter gefährdet wird, ist jedoch statistisch alles andere als sparsam, so dass der
Modell-Fit zu einem guten Teil durch Parameter bestimmt wird, denen keine theoretisch
belastbare Hypothese zu Grunde liegt.
Um hier eine begründete Entscheidung treffen zu können, empfehlen Jarvis et al.
(2003) die Betrachtung einer Reihe ineinander geschachtelter Modelle. Ausgehend vom
sparsamen ersten Modell können sukzessive weitere Kovarianzen aufgenommen werden
und durch χ2 -Differenztests überprüft werden, ob die zusätzlichen Freiheitsgrade den Er-
klärungswert des Modells signifikant verbessern.175
8.5.5 Mehrdimensionale Konstrukte und Faktorenanalysen zweiter Ordnung
Die Diskussion hat sich bislang auf die Beziehung zwischen empirisch beobachteten Indi-
katoren und latenten Variablen erster Ordnung beschränkt. Die konzeptionelle Definition
von Konstrukten erfolgt jedoch oft auf einer abstrakteren Ebene, die mehrere reflexive
oder formative Dimensionen erster Ordnung umfassen kann. Können diese verschiedenen
Facetten oder Dimensionen auf einer abstrakteren Ebene so zusammengefasst werden,
dass sich die Abstraktion als inhaltlich sinnvoll erweist und darüber hinaus eine spar-
same statistische Modellierung ermöglicht, so kann das Konstrukt als multidimensional
angesehen werden.176 Die Dimensionen korrelieren dabei untereinander im Allgemeinen
nur moderat und repräsentieren das multidimensionale Konstrukt nur unvollkommen. Sie
werden jedoch zusammengefasst, da jede Dimension eine bestimmte Facette des allgemei-
neren Konstrukts erfasst.177
174
175
Jarvis et al. (2003), S. 215.
176
Law et al. (1998), S. 741.
177
Law und Wong (1999), S. 144.
Der Nutzen multidimensionaler Konstrukte wird z. T. kontrovers diskutiert. Kritiker

wenden gegen ihre Verwendung ein, dass nur konzeptionell wie empirisch eindimensionale
Konstrukte inhaltlich aussagekräftig seien. Multidimensionale Konstrukte seien dagegen
konzeptionell oft mehrdeutig, erklärten weniger Varianz als ihre einzelnen Dimensionen
und verschleierten die Beziehungen zwischen diesen Dimensionen und anderen Konstruk-
ten. Advokaten multidimensionaler Konstrukte argumentieren dagegen, dass Theorien
möglichst umfassend sein sollen und damit auch umfassende Variablen erfordern, die kom-
plexe Phänomene erfassen können und für die Theoriebildung bedeutungsvoller sind, als
ihre einzelnen, teilweise sehr spezifischen Dimensionen.178 Bei der Auswertung empirischer
Daten im Rahmen von Strukturgleichungsmodellen äußert sich nach Ansicht von Gerbing
und Anderson (1984) die Vernachlässigung multidimensionaler Konstrukte häufig darin,
dass korrelierende Fehlervarianzen zwischen mehreren Faktoren auftreten, die anzeigen,
dass eine diese Variablen beeinflussende Größe, also beispielsweise ein Faktor zweiter Ord-
nung, nicht im Modell berücksichtigt wurde.179
Für die eindeutige Spezifikation eines mehrdimensionalen Konstrukts ist es notwendig,
die Beziehung zwischen dem Konstrukt und seinen einzelnen Dimensionen zu definieren.
Hierzu werden in der Literatur latente Modelle, aggregierte Modelle und Profilmodelle un-
terschieden.180 Das latente bzw. übergeordnete (superordinate) Modell kann dann als reali-
siert angesehen werden, wenn das multidimensionale Konstrukt auf einer übergeordneten,
abstrakteren Ebene existiert als seine Einzeldimensionen und diesen inhaltlich zu Grunde
liegt. Die Dimensionen eines übergeordneten mehrdimensionalen Konstrukts sind also den
reflexiven Indikatoren eines eindimensionalen Konstrukts ähnlich, wobei zu beachten ist,
dass es sich bei den Indikatoren um direkt beobachtbare Größen handelt, während die Di-
mensionen eines latenten Konstrukts selbst latente Variablen sind, die als Manifestationen
des übergeordneten Konstrukts fungieren. Im Gegensatz dazu können aggregierte Kon-
strukte als Kombination ihrer Dimensionen dargestellt werden, die hier also eine ähnliche
Funktion wie die Indikatoren eines formativen Konstrukts erfüllen.181 Bei Profilmodel-
len ist das multidimensionale Konstrukt wie auch beim aggregierten Konstrukt auf der
Ebene der Dimensionen angesiedelt, lässt sich jedoch nicht durch deren algebraische Ver-
knüpfung erfassen. Vielmehr wird das multidimensionale Konstrukt durch die Stärke der
Ausprägung der unterschiedlichen Dimensionen charakterisiert.182
Latente mehrdimensionale Konstrukte lassen sich am besten durch Faktorenanalysen
178
Edwards (2001), S. 145; Jarvis et al. (2003), S. 204.
179
Gerbing und Anderson (1984), S. 576.
180
Law et al. (1998), S. 742f.
181
Edwards (2001), S. 146f.
182
Law et al. (1998), S. 742f.
zweiter Ordnung erfassen, die das übergeordnete Konstrukt als Faktor zweiter Ordnung,
seine Dimensionen als Faktoren erster Ordnung und deren Indikatoren als beobachtete
Variablen abbilden.183 Hierdurch lassen sich die Messfehler in den beobachteten Varia-
blen von der spezifischen, nicht durch das übergeordnete Konstrukt erklärten Varianz
der Dimensionen differenzieren. Dies ist nicht mehr möglich, wenn man beispielsweise
das übergeordnete Konstrukt als Faktor erster Ordnung und seine Dimensionen durch
Summation über die jeweiligen Indikatoren als beobachtete Variablen abbildet.184 Der we-
sentliche Unterschied aggregierter multidimensionaler Konstrukte gegenüber den latenten
Konstrukten besteht im Rahmen von Strukturgleichungsmodellen darin, dass die Pfade
beim latenten Modell vom übergeordneten Konstrukt auf die Dimensionen hin gerichtet
sind, während sie beim aggregierten Modell von den Dimensionen auf das zusammenge-
setzte Konstrukt weisen.185
Die Entscheidung, ob verschiedene Facetten zu einem multidimensionalen Konstrukt
zusammengefasst werden sollten, und welches der beschriebenen Modelle sich dafür am
besten eignet, muss vor allem durch inhaltliche Überlegungen getrieben sein. So ist zwar
beispielsweise das Vorliegen deutlicher Korrelationen zwischen den Dimensionen eine not-
wendige Voraussetzung für die Anwendbarkeit des latenten Modells, jedoch nicht hin-
reichend, da korrelierte Dimensionen auch mit dem aggregierten und dem Profilmodell
verträglich sind.186 Dennoch kann die statistische Untersuchung im Rahmen von Struk-
turgleichungsmodellen hier zumindest in zweierlei Hinsicht Hilfestellung leisten. Zunächst
ist die nomologische Validität der unterschiedlichen Konstruktbildungen zu prüfen, da die
unterschiedlichen Abstraktionen meist auch zu unterschiedlich stark ausgeprägten Wirk-
beziehungen im nomologischen Netzwerk führen. Die durch die Zusammenfassung der Di-
mensionen erfolgende Abstraktion kann nur dann als sinnvoll erachtet werden, wenn das
fragliche Konstrukt nach wie vor die erwarteten Beziehungen zu kausal vor- und nachgela-
gerten Konstrukten aufweist. Daneben geben die Anpassungsmaße der unterschiedlichen
Strukturgleichungsmodelle einen Hinweis auf die relative Vorteilhaftigkeit der Dimensi-
onszusammenfassung.
Insbesondere kann die χ2 -Anpassungsstatistik bei latenten multidimensionalen Kon-
strukten dazu herangezogen werden, um eine Reihe ineinander geschachtelter Modelle
durch χ2 -Differenztests zu vergleichen und damit die Dimensionalität der Konstrukte zu
überprüfen. Man beginnt dabei mit einem möglichst allgemeinen Messmodell und erlegt
ihm sukzessive weitere Restriktionen auf, so dass jedes neue Modell ein Spezialfall des
183
Hunter und Gerbing (1982); Marsh und Hocevar (1985); Rindskopf und Rose (1988).
184
Edwards (2001), S. 146.
185
Law und Wong (1999), S. 146.
186
Law et al. (1998), S. 752.
(a) (b)
(c) (d)
Abbildung 8.3: Durch den Vergleich verschiedener ineinander geschachtelter Messmodelle kann die
Dimensionalität eines Konstrukts untersucht werden: (a) Faktorenanalyse erster Ordnung, (b) Fakto-
renanalyse zweiter Ordnung, (c) Gruppen-Faktormodell, (d) Bi-Faktormodell.
vorangegangenen ist, vgl. Abbildung 8.3. Rindskopf und Rose (1988) empfehlen, mit ei-
nem Bi-Faktormodell zu beginnen, bei dem jeder Indikator sowohl einem Faktor aus einer
Gruppe korrelierender Faktoren zugeordnet ist als auch einem allgemeinen bzw. Metho-
denfaktor. Restringiert man die Ladungen des Methodenfaktors auf Null, erhält man als
Spezialfall ein reines Gruppen-Faktormodell. Schränkt man die Kovarianzen zwischen den
Faktoren dadurch ein, dass man einen Faktor zweiter Ordnung einführt, erhält man wie-
derum als Spezialfall eine Faktorenanalyse zweiter Ordnung. Setzt man bei dieser die
Einzelrestvarianzen der Faktoren erster Ordnung gleich Null, erhält man schließlich eine
Faktorenanalyse erster Ordnung.187
Die Anpassungsgüte wird zwar im Übergang vom Bi-Faktormodell zur Faktorenana-
lyse erster Ordnung immer weiter abnehmen, allerdings benötigen die Modelle auch im-
mer weniger Freiheitsgrade zur Erklärung der empirischen Datenbasis und vermeiden
daher zunehmend die Gefahr eines Overfitting“. Durch χ2 -Differenztests lässt sich je-
”
weils überprüfen, ob der Verlust an Anpassungsgüte signifikant ist oder im Interesse einer
sparsameren statistischen Modellierung in Kauf genommen werden kann. Um die relative
Anpassungsgüte der unterschiedlichen Messmodelle schnell erfassbar zu machen, haben
187
Rindskopf und Rose (1988), S. 55f.
Marsh und Hocevar (1985) den sog. Target-Koeffizienten vorgeschlagen, der als Quoti-
ent zwischen dem χ2 -Wert der Faktorenanalyse erster Ordnung und dem χ2 -Wert eines
allgemeineren Vergleichsmodells gebildet wird.188
8.5.6 Zusammenfassung
Im Rahmen der vorliegenden Arbeit wird grundsätzlich der Versuch unternommen, für
alle verwendeten Konstrukte eine mit reflexiven Messmodellen verträgliche Operationali-
sierung zu erreichen. Daher sollen alle Konstrukte zunächst nach der im Abschnitt 8.5.3
dargestellten Methodik untersucht werden. Zunächst werden exploratorische Faktoren-
analysen zur Überprüfung und eventuellen Bereinigung der Itemstrukturen durchgeführt,
wobei entweder jeweils die Dimensionen eines komplexen Konstrukts oder aber ein Aggre-
gat inhaltlich verwandter Konstrukte simultan analysiert wird. Obwohl dabei jeweils eine
Hypothese für die Anzahl der zu extrahierenden Faktoren besteht, werden Scree-Plot und
Kaiser-Kriterium zur Überprüfung herangezogen. Die Faktorlösungen werden zunächst
anhand des Faktorladungsmusters und der Höhe der Faktorladungen beurteilt. Idealer-
weise wird hier eine Einfachstruktur angestrebt, bei der die Variablen möglichst immer
nur auf einen Faktor hoch und auf alle anderen Faktoren niedrig laden. Weiterhin sollten
die beobachteten Variablen näherungsweise einer Multinormalverteilung folgen, ihr MSA
über 0,5 liegen, das Kaiser-Mayer-Olkin Maß einen Wert größer als 0,8 aufweisen und der
Bartlett Test of Sphericity auf die Existenz signifikanter Korrelationen hinweisen. Können
diese Kriterien nicht auf Anhieb erfüllt werden, erfolgt eine Variablenselektion, bei der die
Höhe der Kommunalitäten, die von Kano und Harada (2000) vorgeschlagene Teststatistik
und inhaltliche Gesichtspunkte berücksichtigt werden.
Sobald eine statistisch wie inhaltlich zufriedenstellende Faktorlösung ermittelt wurde,
wird anhand des Tetradentests nach Bollen und Ting (1993, 2000) überprüft, ob die resul-
tierende Variablenmenge wie vorausgesetzt mit einem reflexiven Messmodell verträglich
ist. Ist dies der Fall, werden Unidimensionalität, Reliabilität und Validität der Konstrukt-
messung gemäß der Ausführungen in Abschnitt 8.5.3 überprüft. Das Vorliegen einer Ein-
fachstruktur im Rahmen der exploratorischen Faktorenanalyse kann bereits als erster
Hinweis auf die Unidimensionalität des Faktormodells gewertet werden. Führt auch eine
konfirmatorische Faktorenanalyse, bei der alle Indikatoren auf genau einen Faktor laden,
zu zufriedenstellenden Anpassungsmaßen bzw. einer nicht signifikanten χ2 -Teststatistik,
kann dies als weitere Bestätigung der Unidimensionalität gewertet werden. Die Reliabi-
lität der Messung wird anhand von Cronbach’s Alpha und den aus dem LISREL-Output
zu errechnenden Indikator- und Faktorreliabilitäten überprüft. Alpha sollte Werte über
188
Marsh und Hocevar (1985), S. 570f.
8.6. Vorgehen bei der Analyse des Pfadmodells 211
0,7 annehmen, die Indikatorreliabilitäten sollten über 0,4 liegen und der WLJ-Koeffizient
größer als 0,6 sein. Zur Beurteilung der Konstruktvalidität wird zunächst geprüft, ob die
durchschnittlich extrahierte Varianz der latenten Variable als Maß ihrer Konvergenzva-
lidität über 0,5 liegt. Die Diskriminanzvalidität wird schließlich im Zusammenhang mit
den übrigen latenten Variablen der Untersuchung über χ2 -Differenztests und das Fornell-
Larcker-Kriterium beurteilt. Bei multidimensionalen Konstrukten werden darüberhinaus
Bi-Faktormodelle, Gruppen-Faktormodelle und Faktorenanalysen zweiter Ordnung mit-
einander verglichen und die Konvergenz der Faktoren beurteilt.
8.6 Vorgehen bei der Analyse des Pfadmodells
Eine der bemerkenswertesten Eigenschaften von Strukturgleichungsmodellen ist die Tat-

sache, dass sie die Anpassungsgüte eines komplexen Geflechts simultaner Wirkungsbe-
ziehungen durch globale Fitindizes bewertbar machen, während alternative statistische
Methoden (z. B. Regressionsanalysen) meist nur die individuelle Untersuchung einzelner
Modellgleichungen ermöglichen.189 Dass eine hohe globale Anpassungsgüte jedoch nicht
zur kritiklosen Akzeptanz eines Modells führen sollte, ist das zentrale Thema dieses Ab-
schnitts. Selbst bei hohem Gesamtfit kann es vorkommen, dass Probleme in einzelnen
fundamentalen Modellbestandteilen (Gleichungen) oder Teilmodellen (z. B. Pfadmodell)
auftreten, dass Alternativmodelle mit deutlich höherer Anpassungsgüte existieren oder
dass die Einbeziehung nichtlinearer Terme (z. B. Interaktionseffekte) zu einem verbesser-
ten Erklärungsgehalt führen kann. Diese Aspekte werden in folgenden Abschnitten 8.6.1
bis 8.6.4 näher ausgeführt.
8.6.1 Beurteilung fundamentaler Modellbestandteile
Unter fundamentalen Modellbestandteilen sollen hier Größen verstanden werden, die sich
spezifisch auf einzelne Modellgleichungen beziehen, wie z. B. die direkten, indirekten und
totalen Effekte einer gegebenen Variable auf eine andere oder der Varianzanteil, den die
Prädiktoren einer endogenen Variable erklären können. Zwischen der globalen Anpas-
sungsgüte eines Strukturgleichungsmodells und der Qualität fundamentaler Modellbe-
standteile besteht kein unmittelbarer Zusammenhang. So kommt es einerseits vergleichs-
weise häufig vor, dass Modelle mit sehr guten Fitmaßen nur kleine Pfadkoeffizienten auf-
weisen und kaum zur Varianzerklärung der endogenen Variablen beitragen, während mit-
unter auch Fälle auftreten, bei denen Modelle mit exzellenter Varianzerklärung zu einer
unbefriedigenden Anpassungsgüte führen.190
189
Tomarken und Waller (2003), S. 578.
190
Vgl. hierzu auch die bei Tomarken und Waller (2003), S. 586 präsentierten Beispiele.
Vor diesem Hintergrund soll bei der Analyse des Pfadmodells hinreichendes Augen-
merk auf die angesprochenen fundamentalen Modellbestandteile gelegt werden. Zunächst
wird neben Betrag und Vorzeichen aller Pfadkoeffizienten auch die statistische Signi-
fikanz in Form des t-Wertes berichtet. Weiterhin werden neben den direkten Effekten
einer Variablen auf eine andere Variable auch die indirekten Effekte berichtet, da sich
erst dadurch ihre vollständige Wechselwirkung beurteilen lässt.191 Schließlich werden
noch Angaben zur Varianzerklärung im Pfadmodell gemacht: Zur Beschreibung der Ef-
fektstärke wird für jede endogene Variable ηi die von LISREL ermittelte multiple Kor-
relation Rη2i = 1 − var(ζi )/var(ηi ) angegeben, während als Maß für die Varianzerklärung
aller Pfadgleichungen gemeinsam der Determinationskoeffizient 1 − |Ψ|/| Σ ηη | berichtet
192
wird.
8.6.2 Separate Gütebeurteilung für Mess- und Pfadmodell
Die Ausführungen in Abschnitt 8.1 dieser Arbeit haben gezeigt, dass es sich bei einem
Strukturgleichungsmodell um eine komplexe statistische Hypothese über die gerichteten
und ungerichteten Beziehungen einer Mengen von latenten und manifesten Variablen han-
delt, die im Allgemeinen aus zwei Teilen, einem Messmodell und einem Pfadmodell, be-
steht. Obwohl durch die häufig praktizierte sukzessive Analyse von Mess- und Pfadmodell
bereits ein gewisses Maß an Information über die Güte der beiden Teilmodelle vorliegt,
kann eine belastbare Aussage erst dann getroffen werden, wenn der Fit für den Mess- und
Pfadanteil separat ausgewiesen wird.
Das entsprechende Vorgehen wird von Anderson und Gerbing (1988, S. 418ff.) sowie
McDonald und Ho (2002, S. 73ff.) beschrieben: Ausgangspunkt ist die Tatsache, dass die
asymptotische Verteilung einer ML-Diskrepanzfunktion nach Steiger et al. (1985) in un-
abhängige additive Komponenten für das Mess- und das Pfadmodell zerlegt werden kann.
Die Pfadkomponente kann als Differenz aus der Diskrepanzfunktion des vollständigen
Strukturmodells und der des Messmodells geschätzt werden. Die Anzahl der Freiheitsgrade
df ist ebenfalls additiv, so dass separate χ2 -Tests für Mess- und Pfadmodell durchgeführt
werden können. Hierbei erweist sich häufig die Anpassungsgüte der Pfadkomponente als
kritisch, da die Anzahl der Freiheitsgrade dort wesentlich niedriger als im Messmodell ist.
Die in der vorliegenden Untersuchung hauptsächlich verwendeten globalen Fitindizes
SRMR und CFI lassen sich zwar für die beiden Teilmodelle nicht separat ausweisen,
jedoch ist dies für den RMSEA möglich. Der RMSEA gehört ebenfalls zu den von Hu und
Bentler (1998; 1999) ausdrücklich empfohlenen Anpassungsmaßen und lässt sich nach
191
Bollen (1989), S. 376ff.; Bollen (1987), S. 38.
192
Backhaus et al. (2000), S. 462ff.; Bollen (1989), S. 337.

RMSEA = F0 /dfT berechnen mit F0 = max[(Fmin − df )/(N − 1), 0], wobei Fmin den
minimalen Wert der χ2 -Fitfunktion bezeichnet und N die Stichprobengröße.193 Da der
RMSEA offensichtlich nicht additiv ist, muss diese Berechnung jeweils für die Teilmodelle
separat durchgeführt werden.
8.6.3 Untersuchung von Alternativmodellen mittels Veripath
Abgesehen von äquivalenten Modellen lässt sich meist durch geringfügige Änderungen
(z. B. Hinzufügen, Eliminieren oder Umkehren von Pfaden) eine Vielzahl nichtäquivalenter
Alternativmodelle aufstellen, die von der zu Grunde liegenden Theorie ebenfalls getragen
werden. Da die hierbei auftretenden Modelle häufig von gleicher Komplexität sind, aber
stark unterschiedliche Kausalzusammenhänge aufweisen, lassen sie sich nicht durch χ2 -
Differenztests vergleichen, wie sie im Abschnitt 8.5.5 beschrieben wurden. Um zumindest
für die große Zahl von Modellen gleicher Komplexität einen systematischen Modellver-
gleich zu ermöglichen, haben Meehl und Waller (2002) einen von ihnen als Veripath be-
zeichneten Algorithmus in Mathematica implementiert, der die Wahrheitsähnlichkeit eines
gegebenen Zielmodells aus einem Vergleich mit der Menge gleich komplexer Alternativ-
modelle ermittelt.194
Der Veripath-Algorithmus basiert auf der folgenden Grundüberlegung:195 Obwohl je-
des Diagramm D, das die Substanzhypothesen eines Strukturgleichungsmodells grafisch
repräsentiert, strenggenommen inkorrekt ist, kann man davon ausgehen, dass die unter-
suchte Theorie T ein bevorzugtes Diagramm D∗ motiviert und darüberhinaus eine Menge
von Diagrammen {DT } toleriert. Falls Elemente der nicht tolerierten Menge {−DT } zu
einer deutlich besseren Modellanpassung führen als D∗ , wird die untersuchte Theorie
T diskreditiert. Ziel der Veripath-Untersuchung ist es, das präferierte Modell D∗ und
eine möglichst kleine Menge geduldeter Diagramme {DT } mit der Menge {−DT } der
von der Theory T ausgeschlossenen Diagramme zu vergleichen. Hierdurch wird indirekt
die Stichhaltigkeit der Theorie T mit der von möglichen Alternativtheorien verglichen.
Die Untersuchung erfasst allerdings nur die topologische Struktur der Theorie, die durch
das Pfaddiagramm erfasst wird, nicht dagegen einzelne Strukturkomponenten. Direkte
Aussagen über die Signifikanz oder Wahrheitsähnlichkeit einzelner Pfade sind also nicht
möglich, sondern nur Aussagen über die Wahrheitsähnlichkeit des präferierten Modells
D∗ im Vergleich zur Menge der nicht tolerierten Diagramme {−DT }.
Für die eigentliche Modellbeurteilung geht die Veripath-Analyse von der folgen-
193
Jöreskog (1993), S. 310; Hu und Bentler (1998), S. 428.
194
Das Mathematica-Notebook kann unter http://www.vanderbilt.edu/quantmetheval samt einer kurz-
en Anleitung heruntergeladen werden.
195
Vgl. Meehl und Waller (2002), S. 286f. sowie Waller (2002), S. 3f.
den mathematischen Überlegung aus: Ein Diagramm D stellt eine komplexe Beziehung
Rel({ci }, {rj }) zwischen den Pfadkoeffizienten ci und den beobachteten Korrelationen rj
her. Diese Beziehung kann in zwei Mengen Rel1 ({ci }, {rj }) und Rel2 ({ci }, {rl }) zerlegt
werden, die sich zwar auf die gleichen Pfade beziehen, jedoch disjunkt hinsichtlich der
Korrelationen sind. Diese Zerlegung erfolgt vor dem folgenden Hintergrund: Die Menge
Rel1 ({ci }, {rj }) kann verwendet werden, um die k unbekannten Pfadkoeffizienten des
Diagrammes durch Lösung von k Polynom-Gleichungen unter Verwendung der beob-
achteten Korrelationen rj zu bestimmen. Die so ermittelten k Pfadkoeffizienten können
im Folgenden in die in Rel2 enthaltenen Polynom-Gleichungen eingesetzt werden, um
die nicht verwendeten Korrelationen rl vorherzusagen. Aus der Differenz zwischen den
vorhergesagten und den beobachteten Korrelationen kann ein globales Anpassungsmaß
ermittelt werden, das dem in LISREL verwendeten SRMR ähnelt, aber nur über die in
Rel2 enthaltenen, nicht verwendeten Korrelationen summiert:

1
SRMRVeri = (rij − rij )2 . (8.6.22)
m i=j
Anders als bei den in LISREL verwendeten Full-Information-Methoden, die zur Mo-
dellschätzung alle Korrelationen heranziehen, verwendet Veripath also ein Limited Infor-
mation-Verfahren. Dennoch besteht eine hohe Korrelation zwischen den durch Veripath
und LISREL erzielten Parameterschätzungen.196
Auf dieser Basis ermittelt Veripath die Wahrheitsähnlichkeit des präferierten Dia-
grammes D∗ wie folgt: Aus D∗ wird zunächst ein korrumpiertes Diagramm D erzeugt,
indem einer der Pfade in D∗ elimiert wird und dafür eine der Leerstellen“ des Diagram-
”
mes durch einen neuen Pfad gefüllt wird. Diese von Meehl und Waller (2002) als Delete
1 – Add 1 (D1A1) bezeichnete Regel wird anschließend wiederum auf das korrumpier-
te Modell angewendet, um ein weiteres Alternativmodell zu erzeugen. Auf diese Weise
werden alle durch Ersetzung eines Pfades ableitbaren Modelle generiert und anhand des
SRMRVeri hinsichtlich ihrer Anpassungsgüte untersucht. Obwohl noch zahlreiche ande-
re Methoden zur Erzeugung von Alternativmodellen denkbar wären, hat die D1A1-Regel
den Vorteil, dass sie strukturell benachbarte Alternativmodelle mit der gleichen Anzahl an
Freiheitsgraden und gerichteten Pfaden erzeugt. Dies ist eine notwendige Voraussetzung
zum Modellvergleich, da sich die durch den SRMR gemessene empirische Anpassungsgüte
eines Modells beim Hinzufügen neuer Modellpfade ohne Elimination bestehender Pfade
nur verbessern kann, obwohl der theoretische Fit, d. h. die Anpassung des theoretischen
Modells an die (unbekannten) wahren Strukturen, eventuell sogar nachlässt.197
196
Vgl. Anhang C, insbesondere Tabelle C.1 auf S. 316 sowie Waller und Meehl (2002), S. 323ff.
197
Olsson et al. (1999), S. 34ff.
Durch den Vergleich der Anpassungsgüte zwischen präferiertem Modell D∗ und sei-
nen Alternativmodellen kann abschließend die Wahrheitsähnlichkeit des Modells beurteilt
werden. Die risikoreichste Prognose besteht in der Vorhersage, dass das präferierte Modell
einen besseren Fit aufweist als alle seine Alternativmodelle. Daneben lässt sich aber auch
die weniger risikoreiche Vorhersage testen, dass das beste Diagramm aus der tolerierten
Menge {DT } stammt.
8.6.4 Moderatoreffekte
Die Idee des Moderatorvariablenansatzes entstand aus einer generellen Skepsis gegenüber
linear-additiven Modellen, die in vielen Fällen der Erklärung und Vorhersage menschli-
chen Verhaltens nicht gerecht werden. Ein linear-additives Modell gestattet nur die Mo-
dellierung einer additiven Überlagerung von Effekten, nicht aber die Modellierung einer
Wechselwirkung (Interaktion) zwischen Prädiktorvariablen.198 In Abschnitt 3.3.2 wurde
jedoch bereits deutlich, dass die Einbeziehung nichtlinearer Interaktionen eine wesentli-
che Voraussetzung ist, um den Fit von Variablengruppen (z. B. Prozessformalisierung und
Innovationsgrad) zu untersuchen. Will man beispielsweise nachweisen, dass der Innovati-
onsgrad einen signifikanten Einfluss auf den Zusammenhang zwischen Prozessformalisie-
rung und Erfolg hat, so liegt ein typisches Beispiel für eine Moderationshypothese vor.
Allgemein liegt eine Moderation des Zusammenhangs zwischen zwei Variablen X und Y
durch die Drittvariable Z dann vor, wenn sich die Stärke dieses Zusammenhangs mit den
Ausprägungen die Variablen Z verändert. Dabei wird Z als Moderatorvariable oder auch
als Moderator bezeichnet.
8.6.4.1 Moderierte Regressionsanalysen
Zur Modellierung eines Moderatoreffekts mit kontinuierlichen Moderator- und Prädik-

torvariablen hat sich seit den grundsätzlichen Überlegungen von Saunders (1956) ein re-
gressionsanalytischer Moderatorbegriff etabliert.199 Der Zusammenhang zwischen einem
Kriterium Y und zwei Prädiktoren X und Z wird im Rahmen einer multiplen Regressi-
onsanalyse durch die beiden Steigungen β1 und β2 und die Konstante β0 gemessen:
Y = β1 X + β2 Z + β0 (8.6.23)
In dieser Gleichung hat die Steigung von Y in Abhängigkeit von X einen konstanten Wert
für alle Werte von Z. Fügt man Gleichung (8.6.23) dagegen einen Interaktionsterm XZ
198
Klein (2000), S. 1.
199
Vgl. u. a. Jaccard et al. (1990) und Aiken und West (1991).
hinzu, so hängt die Regression von Y auf X vom spezifischen Wert von Z ab, für den sie
erfolgt:
Y = β1 X + β2 Z + β3 XZ + β0
= (β1 + β3 Z)X + (β2 Z + β0 ) (8.6.24)
= (β2 + β3 X)Z + (β1 X + β0 )
Die Gleichung wurde suggestiv strukturiert, um zwei Sachverhalte zu verdeutlichen: Zum

einen ändert sich jetzt die Steigung (β1 + β3 Z) der Regression von Y auf X von Stufe
zu Stufe der Moderatorvariablen Z, zum anderen ist die Gleichung symmetrisch in den
Variablen X und Z, es kann also nur auf inhaltlicher Basis entschieden werden, welche
der beiden Variablen als Moderatorvariable bezeichnet wird.200
Für die praktische Durchführung einer moderierten Regressionsanalyse sollten die Va-
riablen X und Z zentriert werden, da sie ansonsten stark mit dem Produktterm XZ korre-
lieren, ein hohes Maß an Multikollinearität in die Regressionsgleichung einbringen und zu
numerischen Problemen bei der Parameterschätzung führen können.201 Da dieses Multi-
kollinearitätsproblem nur auf die Skalierung der Variablen erster Ordnung zurückzuführen
ist und durch Zentrierung umgangen werden kann, spricht Marquardt (1980) von non-
essential ill-conditioning. Das Ausmaß an verbleibender Multikollinearität, die durch hohe
Korrelation von vermeintlich unabhängigen Variablen verursacht werden kann (essential
ill-conditioning), kann durch den sog. Variance Inflation Factor (VIF) eines Koeffizien-
ten beurteilt werden, der nach einer weithin verwendeten Faustregel den Wert 10 nicht
übersteigen sollte.202
Für den Nachweis von Moderatoreffekten muss eine Reihe von Regressionsmodellen
getestet werden.203 Zunächst wird nur der Haupteffekt untersucht, bevor in einem zweiten
Modell die Moderatorvariable und in einem dritten Modell der Interaktionsterm hinzu-
gefügt werden. Zeigt sich im Rahmen dieser stufenweisen Regression ein signifikanter
Anstieg des Determinationskoeffizienten R2 beim Übergang vom ersten zum zweiten Mo-
dell, so übt die Moderatorvariable einen signifikanten Einfluss auf die abhängige Variable
aus. Steigt der Determinationskoeffizient R2 signifikant beim Übergang vom zweiten zum
dritten Modell, so gilt der Moderatoreffekt als empirisch nachgewiesen.
Obwohl die regressionsanalytische Überprüfung eines theoretisch postulierten Mode-
200
Aiken und West (1991), S. 9f.; Sharma et al. (1981), S. 294. Vgl. zur grafischen Veranschaulichung
auch Abbildung 10.7 auf Seite 280 der vorliegenden Arbeit.
201
Aiken und West (1991), S. 35.
202
Myers (1990), S. 369; DeMaris (2004), S. 110.
203
Vgl. Anderson (1986), S. 191 sowie Zedeck (1971).
ratoreffektes mittlerweile weite Verbreitung erfahren hat, weist sie doch eine Reihe me-
thodischer Mängel auf. So wird bei der Regressionsanalyse implizit vorausgesetzt, dass die
erfassten Regressoren messfehlerfrei sind, d. h. vollständig reliable Messungen der durch
sie repräsentierten Konstrukte darstellen. In der Praxis wird diese Annahme jedoch meist
verletzt, so dass die Regressionsparameter weder erwartungstreu noch effizient geschätzt
werden. Diese Problematik verschärft sich bei einer moderierten Regression gegenüber ei-
nem rein linearen Modell zusätzlich dadurch, dass die Reliabilität eines Produktterms XZ
unter der Reliabilität der Ausgangsvariablen X und Z liegt.204 Es kann gezeigt werden,
dass das Inkrement des Produktterms in direkter Beziehung zu seiner Reliabilität steht
und sich bei sinkender Reliabilität ebenfalls deutlich vermindert.205 Um dieses Problem zu
vermeiden, wurde in der Vergangenheit verstärkt die Abbildung von Moderatormodellen
im Rahmen von Strukturgleichungsmodellen diskutiert, die im nächsten Abschnitt kurz
vorgestellt werden sollen.
8.6.4.2 Strukturgleichungsmodelle mit Interaktionstermen
Die Abbildung von Moderatoreffekten im Rahmen von Strukturgleichungsmodellen ist

vor allem in der jüngeren Vergangenheit intensiv in der einschlägigen Literatur diskutiert
worden,206 hat sich aber bislang in der angewandten Forschung noch nicht nachhaltig
durchsetzen können, was u. a. auf die Vielzahl vorgeschlagener Methoden und Schwie-
rigkeiten bei ihrer Implementierung zurückgeführt worden ist.207 Dabei zeichnet sich die
Abbildung von Moderatormodellen in LISREL durch eine Reihe von Vorteilen aus, so die
Berücksichtigung von Messfehlern und die damit verbundene Verbesserung der Variablen-
messung, aber auch die Möglichkeit, im Gegensatz zu Regressionsmodellen eine simultane
Schätzung komplexer Pfadmodelle durchzuführen.
Ausgehend von der bahnbrechenden Arbeit von Kenny und Judd (1984) sind in der
Literatur eine Reihe von Modellen zur Abbildung von Moderatormodellen mit latenten Va-
riablen entwickelt worden. Zentrales Unterscheidungsmerkmal der verschiedenen Ansätze
ist die Frage, wie sie die Indikatoren der latenten Hauptvariablen kombinieren, um Indika-
toren für den latenten Produktterm bereitzustellen. Im ursprünglichen Modell von Kenny
und Judd (1984) werden die Kreuzprodukte aller Indikatoren der beiden Hauptvariablen
gebildet, so dass der Produktterm zweier latenter Variablen mit jeweils vier Indikatoren
204
Sind X und Z vollständig unkorreliert, so entspricht die Reliabilität des Produktterms dem Produkt
der Reliabilitäten der Ausgangsvariablen.
205
Busemeyer und Jones (1983); Jaccard und Wan (1995).
206
Vgl. für eine Übersicht v. a. die Arbeiten von Cortina et al. (2001), Jaccard und Wan (1996), Li et al.
(1998), Moulder und Algina (2002) sowie den Sammelband Schumacker und Marcoulides (1998).
207
Cortina et al. (2001), S. 324f.
bereits durch 16 Indikatoren zu messen wäre. Neben der resultierenden hohen Parameter-
zahl erfordert das Modell die Schätzung nichtlinearer Terme, die sich vor der Einführung
von LISREL 8.0 nur unter Zuhilfenahme zahlreicher Phantomvariablen realisieren lie-
ßen.208 Als Folge wurden später einfachere Modelle entwickelt,209 die sich im Rahmen
von Simulationsstudien bewährt haben und zu jeweils ähnlichen Parameterschätzungen
führen.210
In dieser Arbeit soll ein einfaches Modell mit nur einem Indikator für den Interak-
tionsterm in Anlehnung an Mathieu et al. (1992) und Ping (1995) verwendet und mit
den Ergebnissen der moderierten Regressionsanalysen verglichen werden. Um das Mo-
dell abbilden zu können, wird zunächst eine Kovarianzmatrix generiert, die alle latenten
Variablen erster Ordnung durch nur einen Indikator erfasst, im Rahmen einer Pfadana-
lyse die gleichen Strukturbeziehungen wie das vollständige LISREL-Modell liefert und
darüberhinaus einen Indikator für den Interaktionsterm enthält. Im ersten Schritt wer-
den dazu in SPSS Summenvariablen für die latenten Variablen erster Ordnung errechnet,
wobei als Gewichte die von LISREL für das vollständige Messmodell errechneten Fak-
torwerte verwendet werden. Anschließend werden die für den Moderatoreffekt relevanten
Variablen zentriert, der Indikator des Interaktionsterms durch Multiplikation errechnet
und die Kovarianzmatrix gebildet. Im zweiten Schritt wird in LISREL ein Pfadmodell auf
Basis der so errechneten Kovarianzmatrix geschätzt und die Signifikanz des Moderatoref-
fekts beurteilt.
208
Die Anwendung von Phantomvariablen für latente Moderatormodelle geht auf Hayduk (1987) zurück
und wird dort ausführlich in Kapitel 7 beschrieben.
209
Jaccard und Wan (1995); Jöreskog und Yang (1996); Mathieu et al. (1992); Ping (1995); Ping (1996).
210
Cortina et al. (2001), S. 354ff.; Li et al. (1998), S. 21ff.
Kapitel 9
Operationalisierung und Validierung

der Konstrukte
Im vorliegenden Kapitel werden zunächst alle Konstrukte separat operationalisiert und

validiert. Bevor die latenten Variablen gemäß der in Abschnitt 8.5 dargestellten Methodik
gebildet werden, wird jeweils die Zusammensetzung des zugrunde liegenden Itempools
erläutert. Die Itemwahl lehnt sich dabei stark an die inhaltlichen Ausführungen in den
Kapiteln 2.2 und 4 an und greift häufig auf existente Skalen zurück.1 In Abschnitt 9.6 wird
zusammenfassend die Anpassungsgüte und Diskriminanzvalidität des gesamten Messmo-
dells beurteilt.
9.1 Businessplanung
Gemäß der konzeptionellen Ausführungen in Abschnitt 4.2.1 wird Businessplanung hier

anhand der vier Dimensionen Alternativenabwägung, Methodik, Fit und Partizipation
modelliert, vgl. Tabelle 9.1. Alternativenabwägung wird durch 2 Items erfasst, die in An-
lehnung an Hauschildt (2004), S. 374 und Morris (1998), S. 10 die gezielte Suche nach
alternativen Lösungsoptionen und die systematische Auswahl der vorteilhaftesten die-
ser Optionen erfassen. Diese Items werden auch von Atuahene-Gima und Li (2004) in
einem inhaltlich ähnlichen Konstrukt verwendet, das sie als Strategic Decision Compre-
hensiveness bezeichnen.2 Die Methodik dimension untersucht anhand von drei Items, wie
systematisch im Rahmen der Businessplanung die wesentlichen Werttreiber identifiziert
1
Obwohl hierdurch an aktuelle Forschungsergebnisse angeknüpft wird, zeigt die Meta-Analyse von
Churchill und Peter (1984, S. 367), dass dies nicht notwendigerweise zu einer höheren Reliabilität
der Messung führt. Aus diesem Grund werden im vorliegenden Kapitel alle Konstrukte mit den in
Kapitel 8.5.3 beschriebenen Methoden validiert.
2
Atuahene-Gima und Li (2004), S. 597.
220 9. Operationalisierung und Validierung der Konstrukte
Item Item
Faktor
(Kurzbezeichnung) (vollständige Formulierung)
Der finanzielle Teil des Geschäftsplans wurde intensiv

Analyse auf
auf seine Haupt-Werttreiber untersucht (z.B. durch
Werttreiber
Sensitivitätsanalysen)
Der Businessplan enthält Szenarien mit
Methodik Analyse von
Handlungsoptionen, um die Unsicherheit bzgl.
Szenarien
zukünftiger Entwicklungen aufzufangen
Methodisches
Insgesamt sind wir sehr methodisch vorgegangen
Vorgehen
Suche nach Alter- Eine gezielte Suche nach Alternativkonzepten hat

Alternativen- nativkonzepten stattgefunden
abwägung Auswahl aus Alter- Aus den alternativen Konzepten wurde methodisch
nativkonzepten versucht, das optimale auszuwählen
Fit mit Unterneh- Der Fit des Vorhabens mit der Unternehmensstrategie
mensstrategie wurde untersucht
Fit
Fit mit Der Fit des Vorhabens mit eigenen Kernkompetenzen
Kernkompetenzen wurde untersucht
Einbindung von An der Konzeptentwicklung waren alle relevanten

Fachabteilungen Fachabteilungen beteiligt
Partizipation
Partizipative Vorhabensziele wurden in starker Interaktion mit dem
Zielvereinbarung Projektteam vereinbart
Tabelle 9.1: Messkonzept für die Qualität der Businessplanung
und unterschiedliche Handlungsoptionen für alternative Szenarien untersucht wurden.3

Die Fitdimension erfasst anhand zweier Items, inwieweit im Rahmen der Businesspla-
nung auf die Übereinstimmung des Vorhabens mit der Unternehmensstrategie und den
zentralen Kompetenzen des eigenen Unternehmens geachtet wurde,4 während unter Par-
tizipation hier die breite, organisatorische Verankerung der Planung durch die Einbindung
relevanter Fachabteilungen sowie die Interaktion mit den Projektmitgliedern im Rahmen
der Zielfestlegung verstanden wird.
Die Ergebnisse der exploratorischen Faktorenanalysen sind in Tabelle 9.2 zusammen-
gefasst. Sowohl bei der PCA/Varimax als auch bei der ML-FA/Promax werden nach dem
Kaiser-Kriterium drei Faktoren extrahiert, die jedoch auch nach Rotation keine zufrieden-
stellende Einfachstruktur aufweisen und inhaltlich schwer zu interpretieren sind. Da der
vierte Eigenwert nur knapp unter Eins liegt, wird daher im Folgenden die Faktorenzahl
auf Vier restringiert. Sowohl PCA/Varimax als auch ML-FA/Promax extrahieren dabei
3
Jovanović (1999), S. 218ff.; Morris (1998), S. 11.
4
Deszca et al. (1999), S. 616.
9.1. Businessplanung 221
die hypothetisierten Faktoren in sauberer Einfachstruktur, wobei der Bartlett-Test auf si-
gnifikante Korrelationen hinweist und die KMO- und MSA-Maße zufriedenstellende Werte
annehmen. Auf eine Itemselektion kann daher verzichtet werden. Beide Faktorlösungen
zeigen ähnliche Ladungsmuster, wobei die ML-FA/Promax allerdings Heywood-Fälle auf-
weist und daher mit Vorsicht zu interpretieren ist.
Um die Verträglichkeit der insgesamt neun Indikatoren mit einem reflexiven Messmo-
dell zu überprüfen, werden die vier korrelierenden Faktoren in Einfachstruktur in Mathe-
matica abgebildet und der Tetradentest durchgeführt. Die 21 nichtredundant verschwin-
denden Tetraden führen zu einer nicht signifikanten Teststatistik (χ2 = 15,87; df = 21;
p = 0,78), so dass die Verwendung eines reflexiven Modells nicht abgelehnt werden kann,
vgl. Tabelle 9.3. In Vorbereitung auf die konfirmatorische Faktorenanalyse wird die mul-
tivariate Normalität der neun Variablen überprüft. Die mit PRELIS ermittelte relative
multivariate Kurtosis beträgt 1,2, so dass keine wesentlichen Verzerrungen bei der Ver-
wendung der ML-Fitfunktion in LISREL zu erwarten sind.
Im Rahmen der konfirmatorischen Faktorenanalyse wurde zunächst ein Gruppen-
Faktormodell mit vier frei korrelierenden Faktoren geschätzt. Das Modell zeigt sehr gute
Fitmaße (SRMR = 0,037; CFI = 0,98) und macht keine Modellmodifikationen notwendig,
vgl. Tabelle 9.5. Da die durchschnittlich erklärte Varianz aller Faktoren über 50 Prozent
liegt, kann ihre Konvergenzvalidität als gewährleistet angesehen werden. Um weiterhin
die Güte des multidimensionalen Messmodells gegenüber alternativen Modellen beurtei-
len zu können, werden entsprechend der in Abschnitt 8.5.5 dargestellten Methodik durch
Aufhebung und Hinzufügung von Restriktionen mehrere ineinander geschachtelte Modelle
konstruiert und durch χ2 -Differenztests verglichen.
Die geringsten Restriktionen weist ein Bi-Faktormodell auf, das dadurch entsteht,
dass dem Gruppen-Faktormodell ein allgemeiner Faktor hinzugefügt wird, der auf alle
manifesten Variablen lädt, mit dem Gruppenfaktoren jedoch nicht korrelieren soll (vgl.
Abbildung 8.3d). Das Bi-Faktormodell liefert eine sehr gute Anpassung an die Daten
(χ2 = 17,11; df = 15; p = 0,34), vgl. Tabelle 9.4, wobei die ursprüngliche Lösung jedoch
drei negative Fehlervarianzen enthielt, die auf positive Werte fixiert werden mussten.5 Eine
mögliche Erklärung für die negativen Fehlervarianzen besteht darin, dass entweder der all-
gemeine oder einer der spezifischen Faktoren zur Beschreibung der Daten nicht notwendig
ist und die daraus resultierende Kollinearität der Faktoren zur empirischen Unteridenti-
fikation führt.6 Ein Vergleich des Bi-Faktormodells mit dem Gruppen-Faktormodell ist
äquivalent zu einem Test darauf, dass alle Faktorladungen des allgemeinen Faktors gleich
5
Dies ist auch der Grund dafür, dass für das Bi-Faktormodell 15 Freiheitsgrade berichtet werden statt
der 12, die sich ceteris paribus durch Hinzufügen von 9 weiteren zu schätzenden Faktorladungen zum
Gruppen-Faktormodell mit 21 Freiheitsgraden ergeben würden.
6
Rindskopf und Rose (1988), S. 59.
Null sind. Die signifikante χ2 -Differenz (∆χ2 = 13,74; df = 6; p = 0,03) zwischen beiden
Modellen zeigt zwar, dass das Bi-Faktormodell besser an die Daten angepasst ist, dies
wird allerdings durch seine schwerere Interpretierbarkeit erkauft.
9.1. Businessplanung
PCA/Varimax ML-EFA/Promax
Indikator 1 2 3 4 1 2 3 4 MSA Com. LMT
Analyse auf Werttreiber 0,81 0,20 0,07 0,08 0,73 0,05 -0,06 -0,02 0,84 0,52 1,00
Analyse von Szenarien 0,81 0,13 0,15 0,08 0,70 0,02 -0,05 -0,04 0,80 0,52 2,66
Methodisches Vorgehen 0,80 0,12 0,19 0,25 0,80 -0,04 0,01 0,09 0,83 0,68 3,82
Suche nach Alternativkonzepten 0,17 0,93 0,12 0,16 0,01 0,83 -0,01 0,09 0,65 0,73 1,99
Auswahl aus Alternativkonzepten 0,24 0,91 0,21 0,03 0,03 0,99 0,03 -0,07 0,65 0,99 3,00
Fit mit Unternehmensstrategie 0,11 0,18 0,92 0,12 -0,04 0,09 0,81 -0,05 0,64 0,65 0,36
Fit mit Kernkompetenzen 0,24 0,14 0,88 0,24 0,03 -0,07 0,99 0,05 0,68 0,99 1,52
Einbindung von Fachabteilungen 0,21 0,04 0,11 0,86 0,19 -0,04 0,00 0,54 0,73 0,39 4,36
Partizipative Zielvereinbarung 0,10 0,13 0,20 0,86 -0,10 0,04 -0,01 1,03 0,70 0,99 4,73
Eigenwert 3,93 1,31 1,20 0,97 3,33 1,19 0,81 1,15

Erklärte Varianz 44,5% 14,0% 13,2% 10,9% 37,0% 13,3% 9,1% 12,8%
Erläuterung. KMO = 0,71. Barlett-Test: χ2 = 518,8; df = 36; p=0,00. Die Kommunalitäten beziehen sich auf die ML-FA/Promax. Fett
gedruckte Faktorladungen kennzeichnen Werte über 0,3. Die Korrelationen der Faktoren nach Promax-Rotation betragen r12 = 0,46; r13
= 0,46; r14 = 0,39; r23 = 0,41; r24 = 0,25; r34 = 0,42.
Tabelle 9.2: Exploratorische Faktorenanalyse zur Businessplanung
223
Tetrade Wert Tetrade Wert Tetrade Wert
t1234 −0.1055 t1426 0.0894 t1879 0.2830

t1423 0.3885 t1429 0.1183 t2437 0.0400
t1235 −0.2865 t1729 −0.0996 t2457 −0.1312
t1325 0.0498 t1538 0.3179 t2849 0.2579
t1237 −0.0400 t1459 −0.3351 t2679 −0.0226
t1238 0.1925 t1657 −0.2095 t3657 −0.3735
t1923 −0.4165 t1678 −0.0209 t4759 −0.3336
Tabelle 9.3: Nichtredundante verschwindende Tetraden und zugehörige Tetradenwerte zur Businesspla-
nung. Die Daten sind mit einem reflexiven Messmodell verträglich: χ2 (21) = 15,87 (p = 0, 78).
Anpassungsgüte χ2 -Differenztest
Modell SRMR CFI χ2 df p ∆χ2 df p
Bi-Faktormodell 0,030 0,99 17,11 15 0,34 — — —

Gruppen-Faktormodell 0,037 0,98 30,85 21 0,08 13,74 6 0,03
Faktorenanalyse 2. Ordnung 0,043 0,98 34,25 23 0,06 3,40 2 0,18
Tabelle 9.4: Vergleich geschachtelter Messmodelle zur Businessplanung
Der Übergang vom Gruppen-Faktormodell zur Faktorenanalyse zweiter Ordnung zeigt

eine nicht signifikante Verschlechterung der Anpassungsgüte (∆χ2 = 3,40; df = 2; p =
0,18), so dass im Rahmen der im nächsten Kapitel untersuchten Pfadmodelle die Abbil-
dung der Businessplanung als Faktor zweiter Ordnung aus Gründen der modelltechnischen
Sparsamkeit vorzuziehen ist. Den Übergang zu einer Faktorenanalyse erster Ordnung voll-
zieht man, indem man in der Faktorenanalyse zweiter Ordnung die Einzelrestvarianzen
der Faktoren erster Ordnung auf Null fixiert. Die Zusammenfassung aller neun manife-
sten Variablen unter einen Faktor führt allerdings zu einer extremen Verschlechterung der
Anpassungsgüte (∆χ2 = 220,60; df = 4; p = 0,00), die Erfassung der Businessplanung als
Faktor erster Ordnung ist folglich nicht mit den Daten verträglich.
Standard. Lösung Indikatorreliabilität Faktorreliabilität
Faktor Indikator Ladung t-Wert rit ρi α ρWLJ ρave
Analyse auf Werttreiber 0,71 8,51 0,62 0,50

Methodik Analyse von Szenarien 0,71 8,61 0,61 0,51 0,79 0,80 0,57
Methodisches Vorgehen 0,83 10,36 0,68 0,69
Alternativen- Suche nach Alternativkonzepten 0,87 10,79 0,84 0,76

0,91 0,92 0,84
abwägung Auswahl aus Alternativkonzepten 0,97 12,16 0,84 0,93
Fit mit Unternehmensstrategie 0,79 9,73 0,79 0,63

Fit 0,88 0,90 0,82
Fit mit Kernkompetenzen 1,00 12,70 0,79 1,00
Einbindung von Fachabteilungen 0,71 7,50 0,68 0,51

Partizipation 0,74 0,75 0,60
Partizipative Zielvereinbarung 0,83 8,43 0,73 0,68
Erläuterung. Analyse der Kovarianzmatrix. Faktorladungen zeigen die standardisierte Lösung ohne Skalenfixierung. Die Korrelationen der
Faktoren betragen r12 = 0,48; r13 = 0,49; r14 = 0,48; r23 = 0,38; r24 = 0,27; r34 = 0,51. Die Anpassungsmaße betragen SRMR=0,037;
CFI=0,98; χ2 = 30,85; df = 21; p = 0,08; χ2 /df = 1,5.
Tabelle 9.5: Konfirmatorische Faktorenanalyse zur Businessplanung

225
Abschließend wird die Konvergenz- und Diskriminanzvalidität der vier Dimensionen

der Businessplanung nach der von Gatignon (2003, S. 179) vorgeschlagenen Methode
nachgewiesen. Anhand der χ2 -Statistik wird hierbei je Faktorenpaar ein Basismodell mit
einer frei geschätzten Faktorkorrelation Φ mit zwei geschachtelten Alternativmodellen
verglichen, bei denen die Faktorkorrelation auf den Wert Null bzw. Eins fixiert wurde.
Tabelle 9.6 zeigt, dass sich bei freier Schätzung der Faktorkorrelation in allen Fällen ei-
ne signifikant bessere Modellanpassung ergibt als bei der Restriktion auf den Wert Eins.
Obwohl die Faktoren also jeweils signifikant korreliert sein können, handelt es sich um
unterschiedliche Dimensionen (Diskriminanzvalidität). In ähnlicher Weise erweist sich die
freie Schätzung der Faktorkorrelationen in allen Fällen auch als signifikant besser als eine
Restriktion auf den Wert Null, was auf den wechselseitigen Zusammenhang zwischen den
Dimensionen hinweist (Konvergenzvalidität). Damit handelt es sich bei den vier unter-
suchten Dimensionen der Businessplanung also um zusammengehörige, aber unterscheid-
bare Faktoren.
Methodik Alternativenabw. Fit
Φ χ2 df p Φ χ2 df p Φ χ2 df p
0,42 2,47 4 0,650

Alternativen-
0 26,28 5 0,000
abwägung
1 98,93 5 0,000
0,46 3,16 4 0,532 0,42 2,31 1 0,128

Fit 0 28,47 5 0,000 0 23,91 2 0,000
1 89,93 5 0,000 1 78,76 2 0,000
0,50 2,30 4 0,680 0,33 1,42 1 0,491 0,50 4,44 1 0,109

Partizipation 0 21,91 5 0,001 0 12,80 2 0,012 0 29,98 2 0,000
1 39,13 5 0,000 1 43,60 2 0,000 1 39,16 2 0,000
2
Erläuterung. Die drei Zeilen je Faktorpaar geben jeweils die χ -Teststatistik für ein Modell mit einer frei geschätzten
Faktorkorrelation Φ sowie für Modelle mit einer auf Null bzw. Eins fixierten Faktorkorrelation an. Ist die Anpas-
sungsgüte im zweiten bzw. dritten Modell signifikant schlechter als im ersten, kann dies als Beleg für die Konvergenz-
bzw. Diskriminanzvalidität der Faktoren gewertet werden.
Tabelle 9.6: Konvergenz- und Diskriminanzvalidität der Businessplanung
227
9.2 Projektplanung und Risikomanagement
Die operativen Aspekte der Vorhabensplanung sollen durch zwei Faktoren, nämlich Pro-
jektplanung und Risikomanagement erfasst werden (Tabelle 9.7). Obwohl es sich bei die-
sen Konstrukten gemäß der Konzeptualisierung in Abschnitt 4.2 nicht um Faktoren eines
mehrdimensionalen Konstrukts handelt, sollen sie doch aufgrund ihrer inhaltlichen Nähe
in den folgenden statistischen Analysen gemeinsam betrachtet werden, um dadurch die
Modellidentifizierung im Rahmen der konfirmatorischen Faktorenanalysen und des Tetra-
dentestes zu gewährleisten. Für den Faktor Projektplanung sind fünf Indikatoren vorge-
sehen, die mit Struktur-, Meilenstein- und Ressourcenplanung sowie Kostenabschätzung
und Dokumentation typische Aktivitäten der Projektplanung abbilden.7 Der Faktor Risi-
komanagement lehnt sich stark an die von Raz et al. (2002) entwickelte Skala an. Die Items
Risikoidentifikation, Risikoanalyse, Risikoverhütung und Schadensverkürzung wurden di-
rekt der genannten Arbeit entnommen, das dort zusätzlich verwendete Item Ernennung
”
eines Risikomanagers“ jedoch weggelassen, da es im Gegensatz zu den anderen Indikatoren
weniger ein Prozessmerkmal als vielmehr einen aufbauorganisatorischen Aspekt erfasst.
Tabelle 9.8 illustriert die Befunde der exploratorischen Faktorenanalysen. Sowohl bei
der PCA/Varimax als auch bei der ML-FA/Promax werden nach dem Kaiser-Kriterium
jeweils zwei Faktoren extrahiert, was durch den deutlichen Abfall im Scree-Plot unter-
mauert wird. Die Korrelation der beiden Faktoren bei der MF-FA/Promax beträgt 0,62,
der Bartlett-Test weist auf signifikante Korrelationen hin, und das KMO-Maß sowie alle
MSA-Werte sind durchweg sehr hoch. Dennoch wurden nach Betrachtung des Faktorla-
dungsmusters die drei Items Kostenabschätzung, Dokumentation der Projektplanung und
Risikoidentifikation von der weiteren Analyse ausgeschlossen, da sie vergleichsweise hohe
Querladungen auf den jeweils anderen Faktor aufwiesen.
Unter Verwendung von Mathematica wurde ein Tetradentest durchgeführt, um die
Verträglichkeit der sechs verbleibenden Indikatoren mit einem reflexiven Messmodell zu
überprüfen (vgl. Tabelle 9.9). Die beiden korrelierenden Faktoren mit je drei Indikatoren
liefern acht nicht redundant verschwindende Tetraden sowie eine Teststatistik, die auf
einem Niveau α = 0,05 signifikant ist (χ2 = 15,85; df = 8; p = 0,045). Folglich ist für die
beiden Faktoren der operativen Vorhabensplanung die Nullhypothese H0 : τ = 0 abzuleh-
nen, die Daten sind hier also nicht mit einem reflexiven Messmodell verträglich. Angesichts
der sehr guten Ergebnisse der exploratorischen Faktorenanalyse ist dieses Ergebnis durch-
aus überraschend und sollte daher durch weitere Analysen untermauert werden. Da sich
zwar jedem Strukturgleichungsmodell eine Maximalzahl nichtredundant verschwindender
Tetraden zuordnen lässt, die Wahl der Tetradenmenge jedoch nicht eindeutig ist, wurde
7
Vgl. u. a. Bullinger (1996a), S. 37ff. sowie ausführlich Meredith und Mantel (1995).
9.2. Projektplanung und Risikomanagement 229
Item Item
Faktor
Die globale Aufgabenstellung wurde in klar umrissene

Projektstruktur-
Teil- und Einzelaufgaben gegliedert
planung
(Projektstrukturplan)
Die Aufgaben wurden sorgfältig in Arbeitsschritte
Projekt- Meilensteinplanung strukturiert, auf Abhängigkeiten überprüft und in
planung einem Meilensteinplan niedergelegt
Die zur Realisierung der Aufgaben benötigten
Ressourcenplanung
Ressourcen wurden detailliert abgeschätzt
Die mit der Realisierung verbundenen Kosten wurden
Kostenabschätzung
detailliert abgeschätzt
Die Ergebnisse der Projektplanung wurden sorgfältig
Dokumentation
dokumentiert
Die Haupt-Risikofaktoren im Projektverlauf wurden

Risikoidentifikation
systematisch identifiziert
Die Eintrittswahrscheinlichkeit und Konsequenzen der
Risiko- Risikoanalyse
Risikofaktoren wurden systematisch abgeschätzt
management
Maßnahmen zur Reduzierung der Risikofaktoren
Risikoverhütung
wurden gezielt geplant
Maßnahmenpläne für den Fall des Eintritts von
Schadensverkürzung
Risikofaktoren wurden erstellt
Tabelle 9.7: Messkonzept zu Projektplanung und Risikomanagement
die Analyse mit alternativen Tetradenmengen wiederholt, die jedoch zu noch höheren χ2 -
Werten führten. Weiterhin wurde für beide Faktoren ein separater Tetradentest berechnet,
wobei zur Modellidentifikation allerdings jeweils wieder ein viertes Items aufgenommen
werden musste (Kostenabschätzung im Fall der Projektplanung und Risikoidentifikation
im Fall des Risikomanagement). Beide Modelle liefern wiederum jeweils zwei nichtredun-
dant verschwindenden Tetraden und signifikante Teststatistiken (χ2 = 23,15; p = 0,000
sowie χ2 = 7,73; p = 0,021).
Im nächsten Schritt wurden die sechs Indikatoren auf multivariate Normalität unter-
sucht. Die mit PRELIS ermittelte relative multivariate Kurtosis von 1,2 ist akzeptabel,
so dass keine nennenswerten Verzerrungen bei der Verwendung der ML-Fitfunktion in
LISREL zu erwarten sind. Abschließend wurde daher entgegen der Indikation des Tetra-
dentests ein (reflexives) konfirmatorisches Faktorenmodell geschätzt, um die Modellanpas-
sung zu untersuchen und daraus eventuell den Grund für die Ablehnung eines reflexiven
Modells zu ermitteln. Tabelle 9.10 zeigt die durchweg hervorragenden Fitmaße, die alle
in Abschnitt 8.5 genannten Anforderungen erfüllen. Auch eine Betrachtung der stan-
dardisierten Residuen im LISREL-Output zeigt keine Auffälligkeiten. Die Abweichungen
PCA/Varimax ML-FA/Promax
Indikator 1 2 1 2 MSA Com. LMT
Projektstrukturplanung 0,84 0,16 0,71 -0,01 0,79 0,72 36,76

Meilensteinplanung 0,84 0,27 0,72 0,08 0,82 0,77 38,76
Ressourcenplanung 0,84 0,26 0,98 -0,11 0,82 0,78 57,82
Kostenabschätzung 0,78 0,35 0,87 0,01 0,83 0,73 51,88
Dokumentation 0,74 0,35 0,65 0,16 0,93 0,67 93,97
Risikoidentifikation 0,44 0,79 0,24 0,72 0,90 0,82 95,04
Risikoanalyse 0,34 0,88 0,07 0,88 0,87 0,88 100,44
Risikoverhütung 0,25 0,92 -0,06 0,98 0,87 0,90 94,12
Schadensverkürzung 0,19 0,91 -0,08 0,93 0,87 0,86 100,81
Eigenwert 5,71 1,42 5,38 1,22

Erklärte Varianz 63,4% 15,7% 59,5% 13,6%
Erläuterung. KMO = 0,853. Barlett-Test: χ2 (36) = 992,3 (p = 0, 00). Die Kommunalitäten

beziehen sich auf die ML-FA/Promax. Kursiv gedruckte Items werden im Folgenden elimi-
niert. Fett gedruckte Faktorladungen kennzeichnen Werte über 0,3. Die Korrelation der beiden
Faktoren nach Promax-Rotation beträgt 0,62.
Tabelle 9.8: EFA zu Projektplanung und Risikomanagement
verteilen sich relativ gleichmäßig über die einzelnen Indikatoren, so dass die Ersetzung
einzelner Indikatoren keine wesentliche Verbesserung der Anpassungsgüte zu erwarten
ist. Für die beiden Faktoren bleibt daher abschließend festzuhalten, dass sie zwar eine ho-
he Anpassungsgüte in der konfirmatorischen Faktorenanalyse aufweisen, der Tetradentest
ein solches Modell jedoch ablehnt. Aus diesem Grund sollen Projektplanung und Risiko-
management bei der Überprüfung des vollen Strukturmodells in Kapitel 10 sowohl durch
reflexive als auch durch formative Messmodelle abgebildet werden, um die Auswirkung
bei der Beurteilung der Substanzhypothesen abschätzen zu können.
t1234 0.5385 t1325 0.1623 t2435 0.0091

t1423 −0.7448 t1425 −0.0237 t2456 0.6472
t1235 0.5103 t1435 −0.0146
Tabelle 9.9: Nichtredundante verschwindende Tetraden und zugehörige Tetradenwerte zu Projektpla-

nung und Risikomanagement. Die Daten sind nicht mit einem reflexiven Messmodell verträglich: χ2 =
15,85; df = 8; p = 0,045.
Projektstrukturplanung 0,83 11,23 0,76 0,69

Projektplanung Meilensteinplanung 0,97 14,21 0,84 0,94 0,87 0,88 0,71
9.2. Projektplanung und Risikomanagement
Ressourcenplanung 0,71 9,16 0,67 0,51
Risikoanalyse 0,90 13,26 0,86 0,81

Risiko-
Risikoverhütung 0,95 14,46 0,90 0,90 0,94 0,94 0,83
management
Schadensverkürzung 0,89 12,86 0,85 0,78
Erläuterung. Analyse der Kovarianzmatrix. Faktorladungen zeigen die standardisierte Lösung ohne Skalenfixierung. Die Korrelation der beiden
Faktoren beträgt r12 = 0,54. Die Anpassungsmaße betragen SRMR=0,048; CFI=0,99; χ2 = 14,49; df = 8; p = 0,07; χ2 /df = 1,8.
Tabelle 9.10: Konfirmatorische Faktorenanalyse zu Projektplanung und Risikomanagement

231
9.3 Projektsteuerung (Prozessformalisierung und -stabilität)
Die Projektsteuerung soll durch zwei postulierte Faktoren, nämlich den Grad der Pro-
zessformalisierung und die Prozessstabilität, erfasst werden. Für die Prozessformalisierung
sind sechs Indikatoren vorgesehen, von denen sich vier (Meilensteinsteuerung, explizite
Zielvorgaben, Entscheidungen an Meilensteinen, klare Abbruchkriterien) stark an exi-
stierende Skalen zur Prozessformalisierung von Ernst (2001) sowie ferner Tatikonda und
Montoya-Weiss (2001) und Lewis et al. (2002) anlehnen.8 Ein weiteres Item (transparente
Entscheidungen) wurde zusätzlich aufgenommen, um die Prozessformalisierung durch den
Grad an Transparenz der im Projektverlauf getroffenen Entscheidungen zu reflektieren.
Prozessstabilität wird in Anlehnung an existierende Skalen von Covin und Slevin (1998)
sowie Lynn und Akgün (2001) durch vier Items operationalisiert, die messen, in welchem
Umfang im Projektverlauf Zielvorgaben und der ursprüngliche Zeitplan geändert wurden,
wie häufig Ressourcen-Commitments revidiert werden mussten, inwieweit die aktuellen
Projektziele noch mit denen übereinstimmen, die ursprünglich im Businessplan niederge-
legt wurden, und wie häufig das Top-Management direkt in die Projektarbeiten eingreift
(vgl. Tabelle 9.11).9
Tabelle 9.12 illustriert die Befunde der exploratorischen Faktorenanalysen zur For-
malisierung der Projektsteuerung. Sowohl bei der PCA/Varimax als auch bei der ML-
FA/Promax werden nach dem Kaiser-Kriterium jeweils zwei Faktoren extrahiert, wobei
der Bartlett-Test auf signifikante Korrelationen hinweist und das KMO-Maß sowie alle
MSA-Werte durchweg hoch sind. Beide Faktorlösungen zeigen ähnliche Faktorladungen,
wobei das Ladungsmuster bei der ML-FA/Promax noch deutlicher zu Tage tritt und zu
einer relativ hohen Faktorkorrelation (0,5) führt. Da nach dem Scree-Plot jedoch ebenfalls
Lösungen mit drei Faktoren in Frage kämen, wurden zusätzlich Faktorenanalysen mit ei-
ner auf Drei restringierten Faktorenzahl gerechnet, jedoch auf Grund der statistisch wie
inhaltlich unbefriedigenden Faktorladungsmuster verworfen. Im Zuge der Itembereinigung
wurden zwei Indikatoren (transparente Entscheidungen, geringe Managementinterventio-
nen) eliminiert, die niedrige Kommunalitäten und niedrige Werte in der Kano-Harada-
Statistik aufweisen und das Faktormodell inhaltlich dadurch stören, dass sie stärker auf
den jeweils anderen als den hypothetisierten Faktor laden.
Der Tetradentest wurde durchgeführt, um die Veträglichkeit der sieben verbleiben-
den Indikatoren mit einem reflexiven Messmodell zu überprüfen. Das in Mathematica
abgebildete Modell mit zwei korrelierenden Faktoren mit jeweils vier bzw. drei Indikato-
ren in Einfachstruktur liefert bei 13 nichtredundant verschwindenden Tetraden eine nicht
8
Ernst (2001), S. 198; Tatikonda und Montoya-Weiss (2001), S. 168; Lewis et al. (2002), S. 554.
9
Covin und Slevin (1998), S. 233; Lynn und Akgün (2001), S. 379.
9.3. Projektsteuerung (Prozessformalisierung und -stabilität) 233
signifikante Teststatistik, χ2 (13) = 7,98, p = 0, 85 und ist folglich mit einem reflexi-
ven Messmodell verträglich (vgl. Tabelle 9.13). In Vorbereitung auf die konfirmatorische
Faktorenanalyse werden die verbleibenden Indikatoren schließlich noch auf multivaria-
te Normalität untersucht. Die mit PRELIS ermittelte relative multivariate Kurtosis von
1,3 ist akzeptabel, so dass keine nennenswerten Verzerrungen bei der Verwendung der
ML-Fitfunktion in LISREL zu erwarten sind.
Item Item
Faktor
Meilenstein- Die Steuerung erfolgt anhand eines Meilensteinplans

steuerung mit klaren Zielvorgaben
Explizite Die Zielvorgaben sind den Projektteam-Mitgliedern
Zielvorgaben explizit bekannt
Prozess- Zentrale Vorhabensentscheidungen werden
formalisierung Entscheidungen an überwiegend beim Erreichen vorab definierter
Meilensteinen
Meilensteine gefällt
Es liegen klare Kriterien für die Entscheidungen über
Klare
Weiterführung bwz. Abbruch des Vorhabens bzw.
Abbruchkriterien
deutliche Ressourcenanpassung vor
Transparente Die getroffenen Entscheidungen sind für alle
Entscheidungen Beteiligten transparent
Geringe Zeitplan und Zielvorgaben wurden nur selten explizit

Planänderungen geändert
Geringe Ressour- Ressourcen-Commitments wurden nur selten explizit
Prozess- cenänderungen revidiert
stabilität
Die zentralen Projektziele stimmen im Wesentlichen
Zielkonstanz noch mit denen überein, die im ursprünglichen
Businessplan niedergelegt waren
Geringe Manage- Das Top-Management greift nur selten direkt in
mentinterventionen Projektarbeiten ein
Tabelle 9.11: Messkonzept zur Projektsteuerung
Die konfirmatorische Faktorenanalyse zeigt sehr gute Fitmaße und macht keine weiteren
Modellmodifikationen notwendig, vgl. Tabelle 9.14. Bemerkenswert ist insbesondere der
seltene Fall, dass aufgrund der niedrigen Werte der Fitfunktion und der Teststatistik T
die Nullhypothese S = Σ(θ) des χ2 -Tests nicht abgelehnt werden kann.
234
Indikator 1 2 1 2 MSA Com. LMT
Meilensteinsteuerung 0,89 0,13 0,97 -0,01 0,75 0,85 16,97

Explizite Zielvorgaben 0,71 0,21 0,59 0,01 0,87 0,42 23,02
Entscheidungen an Meilensteinen 0,85 0,11 0,81 -0,06 0,83 0,62 23,23
Klare Abbruchkriterien 0,65 0,27 0,56 0,12 0,86 0,40 18,06
Transparente Entscheidungen 0,12 0,70 -0,00 0,57 0,81 0,32 17,07
Geringe Planänderungen 0,15 0,83 -0,07 0,84 0,79 0,64 25,08
Geringe Ressourcenänderungen 0,25 0,81 0,08 0,77 0,78 0,66 19,18
Zielkonstanz 0,28 0,64 0,13 0,51 0,87 0,34 19,84
Geringe Managementinterventionen 0,55 0,28 0,42 0,18 0,86 0,29 17,01
Eigenwert 3,99 1,93 3,44 1,09

Erläuterung. Kursiv gedruckte Items werden im Folgenden eliminiert. Fett gedruckte Faktorladungen
kennzeichnen Werte über 0,3. Die Korrelation der beiden Faktoren nach Promax-Rotation beträgt 0,5.
KMO = 0,82. Barlett-Test: χ2 (36) = 400,6 (p = 0, 00).
Tabelle 9.12: Exploratorische Faktorenanalyse zur Projektsteuerung

9. Operationalisierung und Validierung der Konstrukte
9.3. Projektsteuerung (Prozessformalisierung und -stabilität) 235
t1234 0.1587 t1245 −0.0416 t1657 −0.0903

t1423 −0.0717 t1247 0.0912 t2534 0.0694
t1235 −0.3523 t1345 0.4587 t3547 −0.1279
t1325 0.4377 t1634 −0.3122
t1237 −0.0019 t1734 −0.3841
Tabelle 9.13: Nichtredundante verschwindende Tetraden und zugehörige Tetradenwerte zur Projekt-
steuerung (Prozessformalisierung und -stabilität). Die Daten sind mit einem reflexiven Messmodell ver-
träglich: χ2 (13) = 7,98 (p = 0, 85).
236
Meilensteinsteuerung 0,90 11,95 0,77 0,80

Grad der Explizite Zielvorgaben 0,64 7,69 0,56 0,41
Prozess- 0,82 0,84 0,56
formalisierung Entscheidungen an Meilensteinen 0,80 10,13 0,71 0,63
Klare Abbruchkriterien 0,64 7,56 0,57 0,41
Geringe Planänderungen 0,76 8,74 0,65 0,58

Prozess-
Geringe Ressourcenänderungen 0,85 9,88 0,66 0,72 0,77 0,77 0,54
stabilität
Zielkonstanz 0,57 6,35 0,50 0,32
Erläuterung. Analyse der Kovarianzmatrix. Faktorladungen zeigen die standardisierte Lösung ohne Skalenfixierung. Die Korrelation der beiden
Faktoren beträgt 0,5. Die Anpassungsmaße betragen SRMR=0,044; CFI=1,00; χ2 = 14,22; df =13; p=0,36; χ2 /df = 1,1.
Tabelle 9.14: Konfirmatorische Faktorenanalyse zur Projektsteuerung

9.4. Vorhabenserfolg 237
9.4 Vorhabenserfolg
Im Folgenden wird die Operationalisierung des Vorhabenserfolgs erläutert, wobei teilweise

auf die Ausführungen in Abschnitt 4.4 (S. 81ff.) zurückgegriffen wird. Tabelle 9.15 fasst
das Messkonzept in Anlehnung an die von Hauschildt (1991) entwickelte Systematik zur
Erfolgsbeurteilung zusammen.10
Aspekt der Messung Ausprägung
1. Messbereich: Projektebene
2. Messdimensionen: Produkterfolg, Markterfolg, Finanzerfolg,
Projekteffizienz
3. Messzeitpunkt: Markteinführungsphase
4. Referenzgrößen: Ursprüngliche Projektziele
5. Messsubjekt: Überwiegend subjektive Beurteilung
Tabelle 9.15: Messkonzept für den Vorhabenserfolg
Entsprechend der in Abschnitt 1.1 erläuterten Motivation wurde in dieser Unter-

suchung der Innovationserfolg auf der Ebene des Einzelprojektes ermittelt. Als Refe-
renzgrößen zur Erfolgsbeurteilung wurden die im Rahmen der Frühphasenplanung ur-
sprünglich definierten Vorhabensziele herangezogen. Eine solche Erfolgsmessung als Grad
der Zielerreichung – also relativ zu den selbst gesteckten Zielen – wird mitunter als pro-
blematisch angesehen. Sind beispielsweise die Gewinn- oder Umsatzziele von vornherein
sehr niedrig gewählt, so gibt ihre Erreichung nicht notwendigerweise darüber Aufschluss,
ob das betreffende Projekt als erfolgreicher einzustufen ist als ein anderes Vorhaben des-
selben Unternehmens oder gar eines Wettbewerbers.11 Auf der anderen Seite erscheint
ein Zeit- oder Betriebsvergleich nicht weniger problematisch, da hier durch die Auswahl
eines geeigneten Vergleichsprojektes der Referenzzustand praktisch willkürlich bestimmt
werden kann. In der Innovationsforschung hat sich daher weitgehend die Ansicht durch-
gesetzt, dass der Grad der Zielerreichung als Erfolgsmaßstab besser geeignet ist als die
absolute Ausprägung einzelner Erfolgsdimensionen.12 Hauschildt (2004) sieht sogar in ei-
nem Vergleich des Innovationserfolgs mit einem zuvor definierten Ziel den einzig rationalen
Messvorgang.13
10
Hauschildt (1991), S. 466 und ähnlich Kerssens-van Drongelen und Cook (1997), S. 351ff.
11
Ernst (2001), S. 168.
12
Block und MacMillan (1985), S. 184; Sheremata (2000), S. 392.
13
Hinsichtlich des Messsubjektes muss sich diese Untersuchung auf das Urteil von Key
Informants verlassen. Von dem Versuch, objektive Kennzahlen für die einzelnen Erfolgsdi-
mensionen zu erheben, wurde aus einer Reihe von Gründen abgesehen. Der größte Teil der
untersuchten Innovationen befand sich zum Zeitpunkt der Erhebung noch in der Phase der
Markteinführung, so dass keine aussagefähigen Profitabilitäts- und Umsatzzahlen vorla-
gen. Hinsichtlich der finanziellen Kennzahlen ist es ohnehin fraglich, ob bei allen Unterneh-
men Projekterfolgsrechnungen durchgeführt werden und inwieweit diese zu vergleichbaren
Ergebnissen führen. Selbst wenn solche Zahlen bereits vorgelegen hätten, wären sie zudem
aus Gründen der Vertraulichkeit wohl nur selten mitgeteilt worden. Dagegen sind subjek-
tive Erfolgseinschätzungen von den Respondenten relativ einfach vorzunehmen und haben
bei Studien mit breitem Industriequerschnitt möglicherweise den Vorteil, dass bei ihnen
bereits bestimmte Industriespezifika (z. B. typische Profitabilitätsniveaus) berücksichtigt
werden, die die Vergleichbarkeit objektiver Kennzahlen stark einschränken könnten.14
Als relevante Dimensionen des Vorhabenserfolgs werden entsprechend der Ausfüh-
rungen in Abschnitt 4.4.3 die vier Größen Produkterfolg, Markterfolg, Finanzerfolg und
Projekteffizienz herangezogen, vgl. Tabelle 9.16. Der Produkterfolg soll durch insgesamt
sieben Items messen, inwieweit das Produkt als solches die technischen und strategischen
Erwartungen bei Einhaltung der gesetzten Kostenziele erfüllt. Die Marktdimension erfasst
durch fünf Items, wie zufrieden die Kunden mit dem Produkt sind, ob es die Umsatz- bzw.
Marktanteilsziele erfüllt und inwieweit es dem Unternehmen einen nachhaltigen Wettbe-
werbsvorteil und Imagegewinn sichert. Der Finanzerfolg wird durch die geschätzte Er-
reichung von Plan-Kapitalwert und Verzinsung erfasst, während unter Projekteffizienz
die Einhaltung von Projektbudget sowie Projektzeitplan und Time-to-Market verstanden
wird.
Tabelle 9.17 präsentiert die Ergebnisse der exploratorischen Faktorenanalyse. So-
wohl bei der PCA/Varimax als auch bei der ML-FA/Promax werden nach dem Kaiser-
Kriterium vier Faktoren extrahiert, was auch durch den Scree-Plot nahegelegt wird. Die
resultierenden Faktorlösungen weisen jedoch in beiden Fällen z. T. recht niedrige Faktor-
ladungen mit deutlichen Querladungen auf und stimmen nur bedingt mit der hypotheti-
sierten Faktorstruktur überein. Insbesondere scheint das Faktorladungsmuster die Unidi-
mensionalität des Faktors Produkterfolg zu widerlegen. Unter Heranziehung von Kommu-
nalitäten sowie MSA- und LMT-Werten wurde daher eine Itembereinigung vorgenommen,
die auf vier Faktoren in Einfachstruktur mit jeweils zwei Indikatoren führt. Insbesonde-
re der erste Faktor hat durch die verbleibenden zwei Items Technische Leistung“ und
”
Qualität“ eine starke inhaltliche Re-Fokussierung erfahren und wird daher im Folgenden
”
als Technischer Erfolg bezeichnet. Daneben wird der Faktor Projekteffizienz nach Wegfall
14
Dawes (1999), S. 66.
9.4. Vorhabenserfolg 239
des Items Budgeteinhaltung“ in Zeitplaneinhaltung umbenannt.

”
Die vier resultierenden Faktoren wurden mit ihren je zwei Indikatoren in Einfach-
struktur in Mathematica abgebildet, um anhand des Tetradentests die Verträglichkeit
mit einem reflexiven Messmodell zu überprüfen. Mit 14 nicht redundant verschwindenden
Tetraden ist die Teststatistik nicht signifikant (χ2 = 11,88; df = 14; p = 0,62), so dass
die Verwendung eines reflexiven Modells nicht abgelehnt werden kann, vgl. Tabelle 9.18.
In Vorbereitung auf die konfirmatorische Faktorenanalyse wurde weiterhin für die multi-
variate Kurtosis der Wert 1,1 ermittelt, so dass keine wesentlichen Verzerrungen bei der
Verwendung der ML-Fitfunktion in LISREL zu erwarten sind.
Fitmaße (SRMR = 0,043; CFI = 0,98) und macht keine Modellmodifikationen notwendig,
vgl. Tabelle 9.20. Bei drei der vier Faktoren liegt die durchschnittlich erklärte Varianz
deutlich über 50 Prozent, so dass ihre Konvergenzvalidität als gewährleistet angesehen
werden kann. Lediglich der Faktor Technischer Erfolg verfehlt die geforderte Mindest-
grenze mit 49 Prozent knapp. Um weiterhin die Güte des multidimensionalen Messmo-
dells gegenüber alternativen Modellen beurteilen zu können, wurden durch Aufhebung
und Hinzufügung von Restriktionen mehrere ineinander geschachtelte Modelle konstru-
iert und durch χ2 -Differenztests verglichen.
Das Bi-Faktormodell, das aus dem Gruppen-Faktormodell durch Hinzufügung eines
mit den Gruppenfaktoren unkorrelierten allgemeinen Faktors hervorgeht, liefert eine sehr
gute Anpassung an die Daten (χ2 = 8,20; df = 8; p = 0,41), vgl. Tabelle 9.19, wobei
die ursprüngliche Lösung jedoch zwei negative Fehlervarianzen enthielt, die auf positive
Werte fixiert werden mussten.15 Ein Vergleich des Bi-Faktormodells mit dem Gruppen-
Faktormodell ist äquivalent zu einem Test darauf, dass alle Faktorladungen des allgemei-
nen Faktors gleich Null sind. Die signifikante χ2 -Differenz (∆χ2 = 13,74; df = 6; p =
0,03) zwischen beiden Modellen zeigt zwar, dass das Bi-Faktormodell besser an die Daten
angepasst ist, dies wird allerdings durch seine schwerere Interpretierbarkeit erkauft. Der
Übergang vom Gruppen-Faktormodell zur Faktoranalyse zweiter Ordnung führt dagegen
nur zu einer schwach signifikanten Verschlechterung der Anpassungsgüte (∆χ2 = 4,52;
df = 2; p = 0,10), so dass der Projekterfolg im Rahmen der im nächsten Kapitel unter-
suchten Strukturmodelle aus Gründen modelltechnischer Sparsamkeit als Faktor zweiter
Ordnung abgebildet werden sollte. Die Zusammenfassung aller acht Erfolgsitems zu ei-
nem Faktor erster Ordnung geht jedoch wiederum mit einer starken Veschlechterung der
15
Dies ist auch der Grund dafür, dass für das Bi-Faktormodell 8 Freiheitsgrade berichtet werden statt
der 6, die sich ceteris paribus durch Hinzufügen von 8 weiteren zu schätzenden Faktorladungen zum
Gruppen-Faktormodell mit 14 Freiheitsgraden ergeben würden.
Item Item
Faktor
Technische Leistung Erreichung der technischen Leistungsziele

Kompetenzgewinn Gewinn strategischer Kompetenzen
Patentschutz Erzielung eines Patentschutzes
Produkt-
erfolg Qualität Erreichung der Ziel-Qualität
Produktionsfreundlichkeit Produktionsfreundlichkeit des Produktes
Zielkosten Einhaltung der Produkt-Zielkosten
Lebenszykluskosten Einhaltung der Produkt-Lebenszykluskosten
Kundenzufriedenheit Kundenzufriedenheit
Umsatz Erreichung des Ziel-Umsatzes
Marktanteil Erreichung des Ziel-Marktanteiles
Markterfolg Erzielung eines nachhaltigen
Wettbewerbsvorteil
Wettbewerbsvorteiles
Kommunikationsfähigkeit im Markt,
Imagegewinn
Imagegewinn
Kapitalwert Kapitalwert / Net present value (NPV)

Finanzerfolg
ROI ROI oder IRR (interner Zinsfuß)
Budgeteinhaltung Einhaltung des Projektbudgets

Projekt-
effizienz Zeitplaneinhaltung Einhaltung des Projektzeitplanes
Time-to-Market Einhaltung der Time-to-Market
Erläuterung: Jede Itembatterie wurde mit der folgenden Frage eingeleitet: Wie wichtig waren
”
die folgenden produktbezogenen Zielgrößen für Ihr Vorhaben und wie hoch war jeweils die
Zielerreichung?“.
Tabelle 9.16: Operationalisierung des Vorhabenserfolgs
Anpassungsgüte (∆χ2 = 86,59; df = 4; p = 0,00) einher und ist folglich nicht mit den
Daten verträglich.
Indikator 1 2 3 4 1 2 3 4 MSA Com. LMT
Technische Leistung 0,13 0,16 0,25 0,64 0,33 -0,06 0,33 0,02 0,83 0,38 95,0
9.4. Vorhabenserfolg
Kompetenzgewinn 0,08 0,13 -0,04 0,76 0,45 -0,26 0,07 0,18 0,79 0,26 104,1
Patentschutz 0,09 -0,06 0,58 -0,09 -0,03 -0,02 0,33 0,05 0,70 0,19 105,1
Qualität 0,26 -0,03 0,67 0,41 0,33 -0,05 0,65 -0,17 0,83 0,54 98,8
Produktionsfreundlichkeit -0,12 0,19 0,73 0,27 -0,11 -0,01 0,79 -0,04 0,78 0,44 107,5
Zielkosten 0,12 0,51 0,55 0,02 -0,09 0,25 0,49 0,15 0,85 0,46 97,4
Lebenszykluskosten 0,18 0,39 0,62 -0,03 -0,07 0,25 0,49 0,13 0,88 0,43 106,2
Kundenzufriedenheit 0,47 0,05 0,27 0,57 0,70 -0,12 0,25 -0,05 0,87 0,55 102,4
Umsatz 0,82 0,20 0,09 0,22 0,68 0,35 -0,09 -0,07 0,87 0,69 105,8
Marktanteil 0,76 0,13 0,05 0,28 0,78 0,08 -0,17 0,13 0,83 0,64 94,3
Wettbewerbsvorteil 0,72 -0,05 0,33 0,21 0,66 0,04 0,08 0,03 0,90 0,52 104,0
Imagegewinn 0,40 -0,01 -0,13 0,45 0,47 -0,02 -0,09 0,02 0,88 0,21 111,8
Kapitalwert 0,50 0,45 0,25 0,01 0,10 0,54 0,16 -0,02 0,87 0,48 100,0
ROI 0,63 0,53 0,03 -0,15 -0,02 0,93 -0,09 -0,05 0,84 0,60 98,8
Time-to-break-even 0,74 0,31 0,02 0,08 0,37 0,54 -0,11 -0,02 0,89 0,57 105,6
Budgeteinhaltung 0,07 0,77 0,01 0,13 -0,20 0,53 0,17 0,11 0,78 0,45 86,5
Zeitplaneinhaltung 0,13 0,79 0,05 0,11 -0,07 0,34 0,06 0,47 0,80 0,53 104,5
Time-to-market 0,23 0,70 0,18 0,14 0,18 -0,04 -0,01 0,97 0,81 0,57 87,6
Eigenwert 5,94 1,90 1,81 1,16

Erläuterung. Kursiv gedruckte Items werden im Folgenden eliminiert. Fett gedruckte Faktorladungen kennzeichnen Werte über 0,3. Die Korre-
lation der beiden Faktoren nach Promax-Rotation beträgt 0,5. KMO = 0,82. Barlett-Test: χ2 (36) = 400,6 (p = 0, 00).
Tabelle 9.17: Exploratorische Faktorenanalyse zum Vorhabensserfolg

241
t1324 −0.0916 t1345 −0.1403 t2546 −0.1763

t1325 −0.0439 t1347 −0.0168 t2758 −0.1090
t1327 −0.2261 t1738 0.1178 t3548 0.4205
t1426 0.0020 t1748 0.2063 t3568 −0.3042
t1527 −0.0720 t2346 0.0153
Tabelle 9.18: Nichtredundante verschwindende Tetraden und zugehörige Tetradenwerte zum Vorha-
benserfolg. Die Daten sind mit einem reflexiven Messmodell verträglich: χ2 (14) = 11,88 (p = 0, 62).
Bi-Faktormodell 0,025 1,00 8,20 8 0,41 — — —

Tabelle 9.19: Vergleich geschachtelter Messmodelle zum Vorhabenserfolg
Abschließend wird die Konvergenz- und Diskriminanzvalidität der vier Erfolgsdi-

mensionen durch paarweise χ2 -Differenztests nachgewiesen, vgl. Tabelle 9.21. Bei frei-
er Schätzung der Faktorkorrelationen ergibt sich in allen Fällen eine signifikant bessere
Modellanpassung als bei der Restriktion auf den Wert Eins. Obwohl die Faktoren also je-
weils signifikant korreliert sein können, handelt es sich um unterschiedliche Dimensionen
(Diskriminanzvalidität). In ähnlicher Weise erweist sich die freie Schätzung der Faktorkor-
relationen in allen Fällen auch als signifikant besser als eine Restriktion auf den Wert Null,
was auf den wechselseitigen Zusammenhang zwischen den Dimensionen hinweist (Konver-
genzvalidität). Damit handelt es sich bei den vier untersuchten Erfolgsdimensionen also
um zusammengehörige, aber unterscheidbare Faktoren.
9.4. Vorhabenserfolg
Technischer Technische Leistung 0,66 6,00 0,49 0,44

0,65 0,65 0,49
Erfolg Qualität 0,73 6,38 0,49 0,54
Umsatz 0,94 12,42 0,70 0,89

Markterfolg 0,82 0,84 0,72
Marktanteil 0,75 9,34 0,70 0,56
ROI 0,77 9,67 0,63 0,60

Finanzerfolg 0,77 0,77 0,63
Time to break-even 0,81 10,26 0,63 0,66
Zeitplan- Zeitplaneinhaltung 0,81 8,70 0,67 0,65

0,80 0,78 0,64
einhaltung Time to market 0,79 8,58 0,67 0,63
CFI=0,98; χ2 = 22,07; df =14; p =0,08; χ2 /df = 1,6.
Tabelle 9.20: Konfirmatorische Faktorenanalyse zum Vorhabenserfolg

243
244
Technischer Erfolg Markterfolg Finanzerfolg
0,50 1,60 1 0,206

Markterfolg 0 21,56 2 0,000
1 23,49 2 0,000
0,38 0,00 1 0,959 0,78 0,00 1 0,975

Finanzerfolg 0 14,59 2 0,006 0 58,18 2 0,005
1 26,34 2 0,000 1 19,45 2 0,000
0,35 0,58 1 0,448 0,45 1,08 1 0,300 0,61 1,09 1 0,300

Zeitplan-
0 10,74 2 0,030 0 12,80 2 0,012 0 33,11 2 0,000
einhaltung
1 27,96 2 0,000 1 22,20 2 0,000 1 37,72 2 0,000
2
Tabelle 9.21: Konvergenz- und Diskriminanzvalidität des Vorhabenserfolgs
9.5. Innovationsgrad 245
9.5 Innovationsgrad
Wie im Abschnitt 2.2 ausführlich erläutert, sollte der Innovationsgrad eines Projektes als
mehrdimensionales Konstrukt aufgefasst werden, dessen Ausprägungen sowohl auf einer
unternehmensübergreifenden Makroperspektive wie auch auf einer unternehmensspezifi-
schen Mikroperspektive zu erfassen sind.
Auf der Makroebene wurden dabei eine Technologie- und eine Marktdimension so-
wie der Umfeld-Fit der Innovation unterschieden. Die Technologiedimension des Innova-
tionsgrads zielt hier in Anlehnung an Green et al. (1995) weniger auf die individuelle
Neuartigkeit einer Technologie für das innovierende Unternehmen ab, sondern erfasst
vielmehr, inwieweit eine Technologie prinzipiell neu ist, das Potenzial hat, existierende
Technologien zu verdrängen und eine deutliche Leistungssteigerung bewirken kann, vgl.
Tabelle 9.22.16 Die Makro-Marktdimension soll die Neuartigkeit der Innovation aus der
Sicht des Kunden ermitteln. Hierfür sind vier Indikatoren vorgesehen, die messen, ob das
neu entwickelte Produkt Vorteile gegenüber Konkurrenzprodukten aufweist und einen
neuen Kundennutzen adressiert, aber auch, ob dem Kunden dadurch Einstellungs- und
Verhaltensänderungen sowie ein erhöhter Lernaufwand abverlangt werden.17 Die Dimen-
sion Umfeld-Fit misst, ob die Innovation im Kreuzfeuer gesellschaftlicher Kritik steht und
die Schaffung neuer Infrastruktur und gesellschaftlicher Rahmenbedingungen notwendig
macht.18
Auf der Mikroebene wurden in Abschnitt 2.2.2 eine Vertrautheits- und eine Fitkompo-
nente unterschieden. Die Vertrautheitskomponente wird hier als Mikro-Marktdimension
durch drei Items operationalisiert, die erfassen, ob das Unternehmen in Folge der Inno-
vation mit vielen neuen Kunden sowie einer grundlegend veränderten Marktposition kon-
frontiert ist und ob sich ganze Wertschöpfungsstufen stark verändern oder sogar obsolet
werden, vgl. Tabelle 9.23.19 Der interne Ressourcenfit schließlich soll anhand von acht Indi-
katoren messen, wie gut ein Produkt zu den Kompetenzen und weitergehenden Merkmalen
eines Unternehmens passt. Hierfür wird im Wesentlichen der Anpassungsbedarf erfasst,
den die Innovation in Bezug auf Mitarbeiterqualifikationen, Geschäftsprozesse, Produk-
tionsverfahren, Unternehmensstrategie, Organisationsstruktur und Unternehmenskultur
ausgelöst hat.20
Die Befunde der exploratorischen Faktorenanalyse sind in Tabelle 9.24 zusammen-
gefasst. Sowohl bei der PCA/Varimax als auch bei der ML-FA/Promax werden nach
16
Green et al. (1995), S. 210f.
17
Atuahene-Gima (1996), S. 38; Lee und O’Connor (2003), S. 8; Veryzer (1998b), S. 138.
18
Salomo (2003), S. 6.
19
20
Item Item
Faktor
Bei dem Vorhaben wird ein völlig neues

Neue Technologie
technologisches Prinzip angewendet
Technologie- Die Technologie ermöglicht eine sprunghafte
Leistungssteigerung
dimension Leistungssteigerung
Technologie- Existierende Technologien werden durch die Innovation
Verdrängung verdrängt (z.B. DVD vs. Video)
Neuer Die Innovation adressiert einen völlig neuen

Kundennutzen Kundennutzen
Die Innovation bietet dem Kunden einzigartige Vorteile
Makro- Kundenvorteil
gegenüber Konkurrenzprodukten
Markt-
dimension Verhaltens- Die Innovation verlangt vom Kunden umfangreiche
änderungen Einstellungs- und Verhaltensänderungen
Hoher Die Innovation erfordert einen hohen Lernaufwand für
Lernaufwand den Kunden
Für die Durchsetzung der Innovation am Markt musste

Neue Infrastruktur
eine neue Infrastruktur geschaffen werden
Für die Durchsetzung der Innovation am Markt
Umfeld-Fit Regulatorische
mussten regulatorische Rahmenbedingungen erheblich
Anpassungen
angepasst / geschaffen werden
Gesellschaftliche Die Innovation steht im Kreuzfeuer gesellschaftlicher
Kritik Kritik
Tabelle 9.22: Messkonzept für die Makro-Perspektive des Innovationsgrads
dem Kaiser-Kriterium zunächst sechs Faktoren extrahiert. Der Scree Plot weist jedoch
spätestens beim fünften Faktor den Übergang in eine Asymptote zur Abszisse auf,21 so
dass die Faktorenzahl in der Folge auf fünf restringiert wurde. Dies wird tendenziell auch
durch eine Betrachtung der rotierten Lösung bei sechs extrahierten Faktoren bestätigt,
da einer der Faktoren nur relativ niedrige Ladungen mit gegenläufigen Vorzeichen auf-
weist. Allerdings weist das Faktorladungsmuster auch bei fünf extrahierten Faktoren z. T.
noch deutliche Querladungen auf und stimmt nur bedingt mit der hypothetisierten Fak-
torstruktur überein, so dass eine Itembereinigung auf der Basis von MSA- und LMT-
Werten vorgenommen wurde. Bei der Technologiedimension wird das Item Technologie-
”
Verdrängung“ aufgrund seiner niedrigen Faktorladung und LMT-Statistik eliminiert, bei
der Makro-Marktdimension die beiden Items, die Nutzen bzw. Vorteile der Innovation er-
fassen, da sie vergleichsweise niedrige Ladungen aufweisen und sowohl bei PCA/Varimax
21
Die Eigenwerte fünf bis sieben betragen 1,14, 1,06 und 0,97, womit eine Festlegung der Faktorenzahl
auf sechs nach dem Kaiser-Kriterium als relativ willkürlich erscheint.
9.5. Innovationsgrad 247
Item Item
Faktor
Durch die Innovation gewinnen wir sehr viele neue

Viele neue Kunden
Kunden
Mikro- Geänderte Wert- Wertschöpfungsstufen werden durch die Innovation
Markt- schöpfungskette überflüssig oder ändern sich stark
dimension
Verbesserte Das Innovationsprojekt verbessert (voraussichtlich) die
Marktposition Marktposition des eigenen Unternehmens grundlegend
Strategische Mit der Umsetzung des Vorhabens war eine

Neuorientierung Neuorientierung der Unternehmensstrategie verbunden
Neue
Die Umsetzung des Vorhabens verlangte eine
Organisations-
vollkommen neue Organisationsstruktur
struktur
Interner Die notwendigen Qualifikationen der Mitarbeiter zur
Neue Mitarbeiter-
Ressourcen- Umsetzung der Innovationsidee mussten komplett neu
qualifikationen
Fit aufgebaut werden
Geänderte Unter- Zur Umsetzung der Innovation mussten die
nehmensprozesse Unternehmensprozesse grundlegend verändert werden
Neue Produktions- Mit den zur Produktion verwendeten Verfahren /
verfahren Anlagen hatten wir nur sehr wenig Erfahrung
Veränderte Unter- Das gesamte Vorhaben hat die bisher in dem
nehmenskultur Unternehmen vorhandene Kultur sehr stark verändert
Die Umsetzung der Innovation verlangte eine deutlich
Externe Partner
intensivere Zusammenarbeit mit externen Partnern
Außergewöhnlicher Der Finanzbedarf für das Vorhaben übersteigt weit
Finanzbedarf den sonst bei Entwicklungsvorhaben üblichen Rahmen
Tabelle 9.23: Messkonzept für die Mikro-Perspektive des Innovationsgrads
als auch bei ML-FA/Promax jeweils anderen Faktoren zuzuordnen sind. Beim Faktor
Umfeld-Fit werden dagegen alle drei Items beibehalten. Die Mikro-Marktdimension konn-
te nicht nachgewiesen werden, da ihre Indikatoren in beiden Analyseformen auf jeweils
andere Faktoren luden. Beim Faktor Interner Ressourcen-Fit schließlich wurden die vier
Items mit den geringsten Kommunalitäten und den höchsten Querladungen eliminiert.
Die verbleibenden vier Faktoren wurden in Einfachstruktur in Mathematica abgebil-
det, um anhand des Tetradentests die Verträglichkeit mit einem reflexiven Messmodell zu
überprüfen. Mit 38 nicht redundant verschwindenden Tetraden ist die Teststatistik nicht
signifikant (χ2 = 17,80; df = 38; p = 0,99), so dass die Verwendung eines reflexiven Modells
nicht abgelehnt werden kann (vgl. Tabelle 9.25). In Vorbereitung auf die konfirmatorische
Faktorenanalyse wurde weiterhin für die multivariate Kurtosis der Wert 1,1 ermittelt, so
dass keine wesentlichen Verzerrungen bei der Verwendung der ML-Fitfunktion in LISREL
zu erwarten sind.
Fitmaße (SRMR = 0,044; CFI = 1,00; vgl. Tabelle 9.27), wobei allerdings eine als ne-
gativ geschätzte Fehlervarianz auf einen positiven Wert fixiert werden musste. Bei drei
der vier Faktoren liegt die durchschnittlich erklärte Varianz über 50 Prozent, so dass
ihre Konvergenzvalidität als gewährleistet angesehen werden kann. Lediglich die Tech-
nologiedimension verfehlt die geforderte Mindestgrenze, wird aber dennoch beibehalten,
um die inhaltliche Breite des Innovationsgradkonstrukts zu gewährleisten. Um weiterhin
die Güte des multidimensionalen Messmodells gegenüber alternativen Modellen beurtei-
len zu können, wurden durch Aufhebung und Hinzufügung von Restriktionen mehrere
ineinander geschachtelte Modelle konstruiert und durch χ2 -Differenztests verglichen.
Das Bi-Faktormodell, das aus dem Gruppen-Faktormodell durch Hinzufügung eines
mit den Gruppenfaktoren unkorrelierten allgemeinen Faktors hervorgeht, liefert ebenfalls
eine sehr gute Anpassung an die Daten (χ2 = 20,79; df = 29; p = 0,87), vgl. Tabel-
le 9.26, wobei die ursprüngliche Lösung jedoch zwei negative Fehlervarianzen enthielt, die
auf positive Werte fixiert werden mussten. Ein Vergleich des Bi-Faktormodells mit dem
Gruppen-Faktormodell ist äquivalent zu einem Test darauf, dass alle Faktorladungen des
allgemeinen Faktors gleich Null sind. Da die χ2 -Differenz zwischen beiden Modellen nicht
signifikant ist (∆χ2 = 11,72; df = 10; p = 0,30), kann hier die Nullhypothese nicht
widerlegt werden, der allgemeine Faktor kann also den Erklärungswert des Modells nicht
signifikant steigern. Die Übergänge vom Gruppen-Faktormodell zur Faktorenanalyse zwei-
ter Ordnung sowie von dieser zur Faktorenanalyse erster Ordnung führen dagegen jeweils
zu einer signifikanten Verschlechterung der Anpassungsgüte, so dass von der Verwendung
dieser beiden Modelle abgesehen werden sollte. Angesichts der Multidimensionalität des
Innovationsgrads ist dies im Fall der Faktorenanalyse erster Ordnung nicht überraschend,
deutet bei der Faktorenanalyse zweiter Ordnung allerdings darauf hin, dass sich der In-
novationsgrad nicht als mehrdimensionale latente Variable interpretieren lässt, sondern
eher als ein aggregiertes Konstrukt oder sogar durch ein Profilmodell erfasst werden sollte
(vgl. Abschnitt 8.5.5).
Um das Zusammenspiel der vier Dimensionen des postulierten Innovationsgrad-
Konstrukts besser zu verstehen, werden abschließend ihre Diskriminanz- und v. a. Konver-
genzvalidität untersucht (vgl. Tabelle 9.28). Die Diskriminanzvalidität der Faktoren kann
nach dem χ2 -Differenztest als gewährleistet angesehen werden, da die freie Schätzung der
Faktorkorrelationen in allen Fällen zu einer signifikant besseren Modellanpassung führt
als im Fall einer Restriktion auf Eins.
Indikator 1 2 3 4 5 1 2 3 4 5 MSA Com. LMT
Neue Technologie 0,66 0,28 -0,03 0,19 0,14 0,83 0,01 0,02 0,05 -0,02 0,82 0,71 117,4
Leistungssteigerung 0,73 0,13 -0,02 -0,20 0,19 0,30 0,07 -0,04 0,40 0,05 0,79 0,37 112,6
9.5. Innovationsgrad
Technologie-Verdrängung 0,49 0,13 0,07 0,01 0,16 0,29 -0,02 0,00 0,22 0,09 0,69 0,21 102,3
Neue Infrastruktur 0,16 0,72 0,13 0,18 0,05 0,08 0,64 0,07 0,01 0,02 0,67 0,49 109,9
Regulatorische Anpassungen 0,10 0,82 0,02 0,19 -0,05 -0,03 1,05 -0,12 0,01 -0,05 0,61 1,00 108,3
Gesellschaftliche Kritik 0,02 0,73 0,10 -0,07 0,01 -0,04 0,52 0,15 -0,03 -0,04 0,72 0,32 117,8
Neuer Kundennutzen 0,44 0,15 0,51 0,12 0,13 0,11 0,13 0,18 0,42 0,03 0,78 0,36 103,0
Kundenvorteil 0,65 -0,23 0,15 0,15 -0,06 0,27 -0,10 -0,08 0,47 -0,10 0,68 0,33 109,6
Verhaltensänderungen 0,01 0,39 0,62 -0,25 0,35 -0,04 0,02 0,94 0,03 0,03 0,75 0,91 113,3
Hoher Lernaufwand -0,07 0,40 0,47 -0,32 0,25 0,09 -0,01 0,69 -0,09 -0,04 0,66 0,46 119,0
Viele neue Kunden 0,41 -0,25 0,56 -0,04 0,09 -0,19 0,03 0,00 0,76 0,13 0,79 0,52 116,5
Geänderte Wertschöpfungskette 0,00 0,15 0,66 0,18 0,02 -0,06 0,14 0,22 0,21 -0,02 0,62 0,14 107,8
Verbesserte Marktposition 0,62 -0,11 0,28 -0,20 0,30 0,09 -0,02 -0,04 0,62 0,16 0,81 0,51 110,2
Strategische Neuorientierung 0,25 -0,01 0,06 0,14 0,73 0,07 -0,03 -0,02 0,06 0,71 0,88 0,56 111,2
Neue Organisationsstruktur 0,12 0,06 0,09 0,06 0,83 -0,10 0,02 0,00 0,03 0,85 0,87 0,69 111,9
Neue Mitarbeiterqualifikationen 0,12 0,19 0,06 0,36 0,55 0,10 0,09 -0,03 -0,06 0,54 0,85 0,34 107,9
Geänderte Unternehmensprozesse 0,10 -0,05 0,10 0,06 0,80 -0,10 -0,08 -0,02 0,05 0,83 0,82 0,63 110,1
Neue Produktionsverfahren -0,08 0,24 0,02 0,70 0,29 0,16 0,13 -0,03 -0,27 0,37 0,77 0,23 113,4
Veränderte Unternehmenskultur 0,10 -0,01 0,10 0,10 0,77 -0,08 -0,03 0,00 0,06 0,75 0,82 0,55 99,3
Externe Partner 0,04 -0,03 0,12 0,53 0,43 0,12 -0,08 0,03 -0,09 0,44 0,78 0,21 103,8
Außergewöhnlicher Finanzbedarf 0,36 0,18 -0,13 -0,05 0,47 0,33 -0,03 0,08 -0,03 0,31 0,80 0,29 112,3
Eigenwert 2,43 2,18 1,40 1,12 5,20 0,81 1,96 1,57 3,66 2,05
Erklärte Varianz 11,15% 9,9% 6,4% 5,4% 23,6% 3,7% 8,9% 7,1% 16,6% 9,4%
Erläuterung. KMO = 0,78. Barlett-Test: χ2 = 832,7; df = 210; p =0,00. Die Kommunalitaten beziehen sich auf die ML-FA/Promax. Kursiv
gedruckte Items werden im Folgenden eliminiert. Fett gedruckte Faktorladungen kennzeichnen Werte über 0,3. Die Korrelationen der Faktoren
nach Promax-Rotation betragen r12 = 0,32; r13 = 0,21; r14 = 0,35; r15 = 0,35; r23 = -0,01;r24 = 0,28; r25 = 0,34; r34 = 0,34; r35 = 0,29; r45 =
0,21.
249
Tabelle 9.24: Exploratorische Faktorenanalyse zum Innovationsgrad

tacbd 0.0591 taicj −0.0004 tbjck 0.0613

tacbe 0.1777 tajck 0.0215 tbf eg 0.0797
tacbg 0.0182 tadei 0.0279 tbif j −0.1134
tacbj 0.3618 tadek 0.0600 tbhjk 0.1580
tadbg −0.0278 tahdk −0.0021 tcdeg 0.4619
taebf −0.0831 taidk −0.1181 tcedh −0.1207
taf bg −0.1558 tahf k 0.3753 tchdk −0.0812
tagbj 0.2445 tajf k −0.0233 tcf gk −0.3942
tacde 0.3691 taigk −0.1320 tcigj −0.0548
tadce 0.0913 tahik 0.9055 tdhf k 0.0846
tacdi −0.0462 tahjk 1.0877 tdjik −0.3980
tacef 0.3120 tbcde 0.0884 tejik −0.1727
tacei 0.0211 tbcdh −0.0173
Tabelle 9.25: Nichtredundante verschwindende Tetraden und zugehörige Tetradenwerte zum Innovati-
onsgrad. Die Daten sind mit einem reflexiven Messmodell verträglich: χ2 (38) = 17,80 (p = 0, 99).
Bi-Faktormodell 0,035 1,00 20,79 29 0,87 — — —

Tabelle 9.26: Vergleich geschachtelter Messmodelle zum Innovationsgrad
Die Konvergenz der Faktoren ist dagegen nach dem von Gatignon et al. (2002) vorge-
schlagenen Kriterium nicht in allen Fällen gewährleistet. Tabelle 9.28 zeigt zwar in fünf
von sechs Fällen eine signifikant bessere Modellanpassung bei einer freien Schätzung der
Faktorkorrelation als bei einer Restriktion auf Eins, allerdings nicht für das Paar Interner
Ressourcenfit und Marktdimension. Die Domänen dieser beiden Faktoren weisen eine so
geringe Überschneidung auf, dass sie nicht durch einen latenten Faktor zweiter Ordnung
beschrieben werden können und die niedrige Anpassungsgüte der Faktorenanalyse zweiter
Ordnung in Tabelle 9.26 herbeiführen.
9.5. Innovationsgrad
Technologie- Neue Technologie 0,66 5,23 0,41 0,45

0,58 0,58 0,41
dimension Leistungssteigerung 0,62 5,07 0,41 0,38
Neue Infrastruktur 0,75 8,62 0,62 0,56

Umfeld-Fit Regulatorische Anpassungen 0,89 10,46 0,73 0,78 0,77 0,79 0,56
Gesellschaftliche Kritik 0,58 6,70 0,50 0,34
Markt- Verhaltensänderung 0,99 7,40 0,63 0,99

0,77 0,81 0,69
Dimension Hoher Lernaufwand 0,64 5,78 0,63 0,41
Strategische Neuorientierung 0,75 9,58 0,68 0,57

Interner Neue Organisationsstruktur 0,83 10,75 0,73 0,69
0,86 0,86 0,60
Ressourcen-Fit Geänderte Unternehmensprozesse 0,79 10,41 0,72 0,63
Veränderte Unternehmenskultur 0,73 9,56 0,68 0,53
CFI=1,00; χ2 = 32,51; df = 39; p= 0,76; χ2 /df = 0,83.
Tabelle 9.27: Konfirmatorische Faktorenanalyse zum Innovationsgrad

251
252
Technologiedimension Umfeld-Fit Marktdimension
0,27 5,36 4 0,252

Umfeld-Fit 0 11,38 5 0,077
1 24,75 5 0,000
0,30 1,33 1 0,250 0,32 9,61 4 0,048

Marktdimension 0 7,50 2 0,112 0 18,36 5 0,005
1 20,50 2 0,000 1 62,13 5 0,000
0,42 7,03 8 0,533 0,33 1,42 1 0,491 0,08 12,82 13 0,462

Interner
0 18,64 9 0,045 0 12,80 2 0,012 0 13,52 14 0,486
Ressourcen-Fit
1 24,22 9 0,004 1 43,60 2 0,000 1 120,94 14 0,000
2
Tabelle 9.28: Konvergenz- und Diskriminanzvalidität des Innovationsgrads
9.6. Vollständiges Messmodell und Diskriminanzvalidität 253
9.6 Vollständiges Messmodell und Diskriminanzvalidität
Wie in den Ausführungen zur Modellierungsstrategie in Abschnitt 8.1 bereits erwähnt,

soll hier im Anschluss an die Überprüfung der Messqualität einzelner Konstrukte eine
Analyse des gesamten Messmodells erfolgen, um einen lückenlosen Nachweis der Diskri-
minanzvalidität zu gewährleisten und eine Grundlage für die Beurteilung der Wechselwir-
kung zwischen Mess- und Pfadmodell beim Übergang zum vollständigen Strukturmodell
in Kapitel 10 zu legen.
Das vollständige Messmodell ist in Abbildung 9.1 dargestellt, wobei hier bereits exo-
gene Faktoren (ξ’s) und endogene Faktoren (η’s) entsprechend ihrer späteren Stellung im
vollständigen Strukturmodell unterschieden werden. Mit 16 latenten und 41 manifesten
Variablen weist das Modell eine hohe Komplexität auf und stellt angesichts der vergleichs-
weise niedrigen Fallzahl n = 134 hohe Anforderungen an die Datenqualität. Tabelle 9.29
zeigt das Ergebnis der Modellschätzung in LISREL. Die χ2 -Statistik ist zwar signifikant,
jedoch nicht allzu hoch im Verhältnis zu der sehr hohen Zahl an Freiheitsgraden (χ2 =
924,9; df =661; p=0,00; χ2 /df = 1,4). Während der SRMR mit 0,067 unterhalb des von Hu
und Bentler (1999) ermittelten Grenzwertes von 0,08 liegt, verfehlt der CFI mit 0,86 den
Zielbereich ( 0, 95) klar. Alle geschätzten Faktorladungen sind signifikant und zeigen nur
geringfügig veränderte Zahlenwerte gegenüber den in den letzten Abschnitten berichteten
Partialmodellen.
Nachdem die drei multidimensionalen Konstrukte dieser Arbeit bereits in den letzten
Abschnitten auf die Diskriminanzvalidität ihrer Einzeldimensionen hin untersucht wurden,
soll hier noch eine Überprüfung der Diskriminanzvalidität des vollständigen Messmodells
vorgenommen werden. Tabelle 9.30 zeigt zunächst die p-Werte von χ2 -Differenztests mit
einem Freiheitsgrad, die jeweils das vollständige Messmodell mit durchweg frei geschätzten
Faktorkorrelationen mit einem Alternativmodell vergleichen, bei dem eine der Faktorkor-
relationen auf den Wert Eins fixiert wurde. Bei nahezu allen Faktorenpaaren führt dieser
Test zu einer signifikanten Zunahme der Teststatistik und deutet damit auf die Diskri-
minanzvalidität der untersuchten Konstrukte hin. Einzige Ausnahme ist hier die Techno-
logiedimension des Innovationsgrads. Während der χ2 -Differenztest bei der Paarung mit
dem Umfeld-Fit zumindest noch auf einem 10%-Niveau signifikant ist, zeigt die Teststati-
stik im Zusammenhang mit der Markt-Dimension und dem Internen Ressourcen-Fit nur
noch einen nicht signifikanten Anstieg. Dieses Ergebnis ist insofern überraschend, als bei
der isolierten Analyse des multidimensionalen Innovationsgrad-Konstrukts in Tabelle 9.28
keine Probleme zutage traten.
Faktor Indikator Ladung (t-Wert) Fehlervar.
Alternativen- xa Suche nach Alternativkonzepten λξa1 = 0,86 (12,32) δa = 0,26

ξ1
abwägung xb Auswahl aus Alternativkonzepten λξb1 = 0,98 (15,69) δb = 0,04
xc Analyse auf Werttreiber λξc2 = 0,68 (8,29) δc = 0,54

ξ2 Methodik xd Analyse von Szenarien λξd2 = 0,72 (9,03) δd = 0,48
xe Methodisches Vorgehen λξe2 = 0,85 (11,17) δe = 0,29
xf Fit mit Unternehmensstrategie λξf 3 = 0,80 (10,34) δf = 0,36

ξ3 Fit
xg Fit mit Kernkompetenzen λξg3 = 0,99 (13,71) δg = 0,02
xh Einbindung von Fachabteilungen λξh4 = 0,67 (7,76) δh = 0,55

ξ4 Partizipation
xi Partizipative Zielvereinbarung λξi4 = 0,88 (10,06) δi = 0,23
Technologie- xj Neue Technologie λξj5 = 0,66 (6,17) δj = 0,56

ξ5
dimension xk Leistungssteigerung λξk5 = 0,62 (5,91) δk = 0,62
xl Neue Infrastruktur λξl6 = 0,76 (9,12) δl = 0,42

ξ6 Umfeld-Fit xm Regulatorische Anpassungen λξm6 = 0,87 (10,61) δm = 0,25
xn Gesellschaftliche Kritik λξn6 = 0,58 (6,76) δn = 0,66
Markt- xo Verhaltensänderung λξo7 = 0,97 (13,24) δo = 0,07

ξ7
Dimension xp Hoher Lernaufwand λξp7 = 0,67 (9,53) δp = 0,56
xq Strategische Neuorientierung λξq8 = 0,68 (9,81) δq = 0,42

Interner xr Neue Organisationsstrukturen λξr8 = 0,87 (10,60) δr = 0,35
ξ8
Ressourcen-Fit xs Geänderte Unternehmensprozesse λξs8 = 0,87 (10,36) δs = 0,37
xt Veränderte Unternehmenskultur λξt8 = 0,87 (9,76) δt = 0,42
ya Projektstrukturplanung ληa1 = 0,84 (11,72) a = 0,30

Projekt-
η1 yb Meilensteinplanung ληb1 = 0,95 (14,53) b = 0,09
planung
yc Ressourcenplanung ληc1 = 0,89 (9,55) c = 0,47
yd Risikoanalyse ληd2 = 0,91 (13,56) d = 0,17

Risiko-
η2 ye Risikoverhütung ληe2 = 0,93 (14,14) e = 0,13
management
yf Schadensverkürzung ληf 2 = 0,89 (13,03) f = 0,21
yg Meilensteinsteuerung ληg3 = 0,96 (14,51) g = 0,09

Prozess- yh Explizite Zielvorgaben ληh3 = 0,62 (7,81) h = 0,61
η3
formalisierung yi Entscheidungen an Meilensteinen ληi3 = 0,75 (9,95) i = 0,44
yj Klare Abbruchkriterien ληj3 = 0,60 (7,40) j = 0,64
yk Geringe Planänderungen ληk4 = 0,72 (9,08) k = 0,48

Prozess-
η4 yl Geringe Ressourcenänderungen ληl4 = 0,90 (12,17) l = 0,18
stabilität
ym Zielkonstanz ληm4 = 0,55 (6,44) m = 0,70
(wird fortgesetzt)
9.6. Vollständiges Messmodell und Diskriminanzvalidität 255
(Fortsetzung)
Technischer yn Technische Leistung ληn5 = 0,96 (13,19) n = 0,09

η5
Erfolg yo Qualität ληo5 = 0,74 (9,35) o = 0,46
yp Umsatz ληp6 = 0,69 (7,10) p = 0,52

η6 Markterfolg
yq Marktanteil ληq6 = 0,70 (7,19) q = 0,51
yr ROI ληr7 = 0,77 (9,75) r = 0,40

η7 Finanzerfolg
ys Time to break-even ληs7 = 0,81 (10,37) s = 0,34
Zeitplan- yt Zeitplaneinhaltung ληt8 = 0,74 (8,93) t = 0,45

η8
einhaltung yu Time to market ληu8 = 0,86 (10,67) u = 0,25
Erläuterung. Analyse der Kovarianzmatrix. Faktorladungen zeigen die standardisierte Lösung oh-
ne Skalenfixierung. Die Anpassungmaße betragen SRMR=0,067; CFI=0,86; χ2 = 924,9; df =661;
p=0,00; χ2 /df = 1,4.
Tabelle 9.29: Konfirmatorische Faktorenanalyse des gesamten Messmodells.
Um diesen Befund näher zu untersuchen, wird in einer zweiten Analyse die Diskrimi-
nanzvalidität der Konstrukte anhand des von Fornell und Larcker (1981) vorgeschlagenen
Kriteriums untersucht, nach dem die durchschnittlich erfasste Varianz ρave (i) eines Faktors
i größer sein sollte als die quadrierten Korrelationen Φij zwischen ihm und allen weiteren
Faktoren j. Wie Tabelle 9.31 zu entnehmen ist, fällt dieser Test wiederum für nahezu alle
Faktor-Paare positiv aus, insbesondere auch für die vier Dimensionen des Innovationsgrad-
Konstrukts. Grenzfälle bilden dagegen die aus Projektplanung und Prozessformalisierung
sowie aus Technischem Erfolg und der Technologiedimension des Innovationsgrads gebil-
deten Paare. Hier liegt für jeweils einen der beiden Faktoren die durchschnittlich erfasste
Varianz unter der quadrierten gemeinsamen Korrelation.
Da die Ergebnisse dieser Tests teilweise widersprüchlich ausfallen, wurden abschlie-
ßend noch aus dem LISREL-Output die Konfidenzintervalle der geschätzten Korrelati-
onskoeffizienten berechnet. Keines der Konfidenzintervalle enthält den Wert Eins, so dass
nach Anderson und Gerbing (1988, S. 416) die Diskriminanzvalidität aller Konstrukte im
vollständigen Messmodell als gewährleistet angesehen werden kann.
Alterna- Projekt-
tivenab- planung
wägung
Risiko-
Methodik mgmt.
Prozess-
Fit formali-
sierung
Partizipa- Prozess-
tion stabili-
tät
Technolo- Technischer
giedimen- Erfolg
sion
Umfeld- Markt-
Fit erfolg
Markt-
dimen- Finanz-
sion erfolg
Interner Zeitplanein-
Ressourcen- haltung
Fit
Abbildung 9.1: Vollständiges Messmodell. Die gestrichelten Pfeile stellen die 120 ungerichteten Pfade
(Kovarianzen) zwischen den Faktoren dar. Entsprechend ihrer späteren Stellung im vollständigen Struk-
turmodell werden hier bereits exogene Faktoren (ξ’s) und endogene Faktoren (η’s) unterschieden.
p-Werte (1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12) (13) (14) (15) (16)
(1) Methodik –
(2) Alternativenabwägung 0,00 –
(3) Fit 0,00 0,00 –
(4) Partizipation 0,00 0,00 0,00 –
(5) Projektplanung 0,00 0,00 0,00 0,00 –
(6) Risikomanagement 0,00 0,00 0,00 0,00 0,00 –
(7) Prozessformalisierung 0,00 0,00 0,00 0,00 0,00 0,00 –
(8) Prozessstabilität 0,00 0,00 0,00 0,00 0,00 0,00 0,00 –
(9) Technischer Erfolg 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 –
(10) Markterfolg 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 –
(11) Finanzerfolg 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 –
(12) Zeitplaneinhaltung 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 –
9.6. Vollständiges Messmodell und Diskriminanzvalidität
(13) Technologiedimension 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 –
(14) Umfeld-Fit 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,08 –
(15) Markt-Dimension 0,01 0,01 0,01 0,01 0,01 0,01 0,01 0,00 0,00 0,01 0,00 0,00 0,12 0,02 –
(16) Interner Ressourcen-Fit 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,29 0,00 0,01 –
2
Erläuterung. Dargestellt sind die p-Werte von χ -Differenztests mit einem Freiheitsgrad, die jeweils ein vollständiges Messmodell mit
durchweg frei geschätzten Faktorkorrelationen mit einem Alternativmodell vergleichen, bei dem eine der Faktorkorrelationen auf den
Wert Eins fixiert wurde. Die Diskriminanzvalidität kann als gewährleistet angesehen werden, wenn diese Restriktion zu einer signifikanten
Zunahme der Teststatistik führt.
Tabelle 9.30: Beurteilung der Diskriminanzvalidität anhand von χ2 -Differenztests
257
258
Quadrierte Korrelationen (1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12) (13) (14) (15) (16)
(1) Methodik – 0,22 0,24 0,20 0,24 0,49 0,35 0,34 0,17 0,05 0,20 0,08 0,00 0,01 0,01 0,00
(2) Alternativenabwägung 0,22 – 0,14 0,06 0,14 0,21 0,13 0,04 0,02 0,01 0,02 0,05 0,00 0,01 0,00 0,01
(3) Fit 0,24 0,14 – 0,25 0,26 0,26 0,18 0,14 0,01 0,03 0,01 0,03 0,00 0,00 0,02 0,01
(4) Partizipation 0,20 0,06 0,25 – 0,31 0,12 0,26 0,16 0,08 0,14 0,08 0,04 0,00 0,06 0,00 0,00
(5) Projektplanung 0,24 0,14 0,26 0,31 – 0,30 0,66 0,28 0,03 0,03 0,07 0,12 0,00 0,06 0,00 0,00
(6) Risikomanagement 0,49 0,21 0,26 0,12 0,30 – 0,36 0,32 0,19 0,10 0,19 0,17 0,00 0,00 0,02 0,00
(7) Prozessformalisierung 0,35 0,13 0,18 0,26 0,66 0,36 – 0,22 0,03 0,02 0,10 0,12 0,01 0,01 0,01 0,00
(8) Prozessstabilität 0,34 0,04 0,14 0,16 0,28 0,32 0,22 – 0,21 0,08 0,18 0,38 0,00 0,07 0,01 0,01
(9) Technischer Erfolg 0,17 0,02 0,01 0,08 0,03 0,19 0,03 0,21 – 0,24 0,61 0,14 0,00 0,02 0,02 0,06
(10) Markterfolg 0,05 0,01 0,03 0,14 0,03 0,10 0,02 0,08 0,24 – 0,17 0,12 0,01 0,00 0,03 0,08
(11) Finanzerfolg 0,20 0,02 0,01 0,08 0,07 0,19 0,10 0,18 0,61 0,17 – 0,35 0 0,01 0,02 0,03
(12) Zeitplaneinhaltung 0,08 0,05 0,03 0,04 0,12 0,17 0,12 0,38 0,14 0,12 0,35 – 0,00 0,00 0,03 0,00
(13) Technologiedimension 0,00 0,00 0,00 0,00 0,00 0,00 0,01 0,00 0,00 0,01 0,00 0,00 – 0,12 0,08 0,10
(14) Umfeld-Fit 0,01 0,01 0,00 0,06 0,06 0,00 0,01 0,07 0,02 0,00 0,01 0,00 0,12 – 0,18 0,01
(15) Markt-Dimension 0,01 0,00 0,02 0,00 0,00 0,02 0,01 0,01 0,02 0,03 0,02 0,03 0,08 0,18 – 0,10
(16) Interner Ressourcen-Fit 0,00 0,01 0,01 0,00 0,00 0,00 0,00 0,01 0,06 0,08 0,03 0,00 0,10 0,01 0,10 –
Durchschn. erfasste Varianz 0,57 0,84 0,82 0,60 0,71 0,83 0,56 0,54 0,49 0,72 0,63 0,64 0,41 0,56 0,69 0,60
Erläuterung. Dargestellt sind die durchschnittlich erfasste Varianz je Faktor sowie die quadrierten Korrelationen aller Faktoren, wobei die
obere Diagonalmatrix redundant ist, aber zur leichteren Vergleichbarkeit mit der durchschnittlich erfassten Varianz beibehalten wird. Nach
dem Fornell-Larcker-Kriterium ist die Diskriminanzvalidität eines Faktors i dann als gewährleistet anzusehen, wenn seine durchschnittlich
erfasste Varianz ρave (i) größer ist als die quadrierten Korrelationen Φij mit allen weiteren Faktoren j.
Tabelle 9.31: Beurteilung der Diskriminanzvalidität nach dem Fornell-Larcker-Kriterium

Kapitel 10
Wirkungszusammenhänge:
Überprüfung der Hypothesen
Die Überprüfung der in Kapitel 6 aufgestellten Hypothesen erfolgt in drei Schritten:
1. Im ersten Schritt werden die direkten Wirkungsbeziehungen zwischen Businesspla-

nung, operativer Planung und Projektsteuerung sowie dem Vorhabenserfolg unter-
sucht. Hierfür wird in Abschnitt 10.1 zunächst ein Basismodell überprüft, bei dem
alle Konstrukte durch reflexive Messmodelle erfasst und Businessplanung und Er-
folg als Faktoren zweiter Ordnung abgebildet werden. Anschließend wird in Ab-
schnitt 10.2 ein exploratives Alternativmodell betrachtet, das auf eine Verwendung
von Faktoren zweiter Ordnung verzichtet und stattdessen die Wirkungsbeziehungen
der Einzeldimensionen von Businessplanung und Vorhabenserfolg untersucht. Im
darauf folgenden Abschnitt 10.3 wird untersucht, inwiefern sich Änderungen in den
Kausalzusammenhängen ergeben, wenn Projektplanung und Risikomanagement als
formative Konstrukte erfasst werden, bevor schließlich in Abschnitt 10.4 mittels des
Veripath-Algorithmus’ auf seine Wahrheitsähnlichkeit des Basismodells überprüft
wird.
2. Im zweiten Schritt wird das Basismodell auf durch den Innovationsgrad hervorge-
rufene Interaktionseffekte untersucht (vgl. Abschnitt 10.5).
3. Im abschließenden dritten Schritt werden ergänzende Analysen zur Erfolgswirkung

der Zieldefinition in der Frühphase des Projektes durchgeführt (vgl. Abschnitt 10.6).
10.1 Basismodell mit Faktoren zweiter Ordnung
Als Basismodell wird hier ein lineares Strukturgleichungsmodell bezeichnet, das zunächst
alle Konstrukte durch reflexive Messmodelle erfasst und die in Kapitel 6 aufgestellten
260 10. Wirkungszusammenhänge: Überprüfung der Hypothesen
Hypothesen über direkte Wirkungsbeziehungen mittels entsprechender Pfadkoeffizienten

prüft, jedoch zunächst keine Moderatoreffekte untersucht und daher auch auf die Einbe-
ziehung des Innovationsgrad-Konstrukts verzichtet, vgl. Abbildung 10.1. Alle Konstrukte
werden zunächst durch reflexive Messmodelle erfasst, um eine Identifikation des vollen
in Kapitel 6 zusammengefassten Kausalmodells zu ermöglichen. Die Einzeldimensionen
von Businessplanung und Erfolg werden jeweils als Indikatoren eines Faktors zweiter Ord-
nung aufgefasst. In diesem Modell stellt der Faktor Businessplanung die einzige exogene
Variable dar, die in Abschnitt 9.6 mit ξ1 , . . . , ξ4 bezeichneten exogene Faktoren werden
daher jetzt durch die endogenen Variablen ηI , . . . , ηIV ersetzt, die zugehörigen manife-
sten Indikatoren von xa , . . . , xd in yA , . . . , yD umbenannt. Tabelle 10.1 fasst die Parame-
terschätzungen für Strukturpfade zwischen latenten Variablen zusammen und ordnet sie
– soweit möglich – den in Kapitel 6 aufgestellten Hypothesen zu. Die für die manife-
sten Variablen geschätzten Parameterwerte unterscheiden sich nur geringfügig von den in
Abschnitt 9.6 berichteten und werden zusammen mit den geschätzten Kovarianzen und
Korrelationen der latenten Variablen in Anhang B zusammengefasst.
Koeff. Abhängige Variable Unabhängige Variable Wert t-Wert Hyp
STRUKTURPFADE
γ1,0 η1 Projektplanung ξ0 Businessplanung 0,70 6,65 H1
γ2,0 η2 Risikomanagement ξ0 Businessplanung 0,79 7,12 H2
β3,1 η3 Prozessformalisierung η1 Projektplanung 0,77 10,88 H3
β4,1 η4 Prozessstabilität η1 Projektplanung 0,28 2,84 H4
β3,2 η3 Prozessformalisierung η2 Risikomanagement 0,18 2,75 H5
β4,2 η4 Prozessstabilität η2 Risikomanagement 0,43 4,29 H6
β9,2 η9 Erfolg η2 Risikomanagement 0,33 2,95 H7
β9,4 η9 Erfolg η4 Prozessstabilität 0,37 2,95 H9
MESSMODELL
γI,0 ηI Alternativenabwägung ξ0 Businessplanung 0,57 5,42
γII,0 ηII Methodik ξ0 Businessplanung 0,80 —
γIII,0 ηIII Fit ξ0 Businessplanung 0,66 6,47
γIV,0 ηIV Partizipation ξ0 Businessplanung 0,63 5,10
β5,9 η5 Technischer Erfolg η9 Erfolg 0,53 4,18
β6,9 η6 Markterfolg η9 Erfolg 0,86 8,57
β7,9 η7 Finanzerfolg η9 Erfolg 0,89 —
β8,9 η8 Zeitplaneinhaltung η9 Erfolg 0,64 5,41
Erläuterung. Angaben beziehen sich auf die standardisierte Lösung mit Skalenfixierung. t-Werte
können daher nur für die frei geschätzten Parameter angegeben werden.
Tabelle 10.1: Basismodell: Geschätzte Parameter zwischen latenten Variablen
10.1. Basismodell mit Faktoren zweiter Ordnung 261
Zeitplanein-
Technischer
haltung
Finanz-
Markt-
Erfolg
erfolg
erfolg
Erfolg
Prozess-
Prozess-
formali-
sierung
stabili-
tät
Projekt-
planung
Risiko-
mgmt.
Business-
planung
Partizipa-
Methodik
Alterna-
tivenab-
wägung
tion
Fit
Abbildung 10.1: Basismodell mit Faktoren zweiter Ordnung. Alle Konstrukte werden durch reflexive
Messmodelle erfasst, Businessplanung und Erfolg werden als Faktoren zweiter Ordnung abgebildet, Mo-
deration durch den Innovationsgrad wird noch nicht erfasst. Durch Einführung von Businessplanung“
”
als Faktor zweiter Ordnung ξ0 werden die vier Einzeldimensionen zu endogenen Variablen ηI , . . . , ηIV .
262
Prozessstabilität Projektplanung Risikomgmt. Businessplanung
Abhängige Variable T D I T D I T D I T D I R2
η9 Erfolg 0,37 0,37 0,10 0,10 0,49 0,33 0,16 0,46 0,46 0,39
η5 — Technischer Erfolg 0,20 0,20 0,05 0,05 0,26 0,26 0,25 0,25 0,28
η6 — Markterfolg 0,32 0,32 0,09 0,09 0,42 0,42 0,40 0,40 0,74
η7 — Finanzerfolg 0,30 0,30 0,09 0,09 0,44 0,44 0,41 0,41 0,80
η8 — Zeitplaneinhaltung 0,24 0,24 0,07 0,07 0,32 0,32 0,30 0,30 0,42
η3 Prozessformalisierung 0,77 0,77 0,18 0,18 0,68 0,68 0,77
η4 Prozessstabilität 0,28 0,28 0,43 0,43 0,53 0,53 0,39
η1 Projektplanung 0,70 0,70 0,49
η2 Risikomanagement 0,79 0,79 0,62
Erläuterung. T=Totaler Effekt; D=Direkter Effekt; I=Indirekter Effekt.
Tabelle 10.2: Basismodell: Totale, direkte und indirekte Effekte der latenten Variablen
10. Wirkungszusammenhänge: Überprüfung der Hypothesen
10.1. Basismodell mit Faktoren zweiter Ordnung 263
Tabelle 10.1 zeigt unmittelbar, dass die Hypothesen H1-H9 durch das Basismodell nicht
widerlegt werden können, wobei die Überprüfung der Moderatorhypothesen H1b, H2b und
H7b erst in Abschnitt 10.5 erfolgt. Die Durchführung von Aktivitäten der Businessplanung
hat sowohl auf Projektplanung als auch auf Risikomanagement einen sehr starken, signifi-
kanten Einfluss (H1a: γ1,0 = 0,70, t = 6,65 und H2a: γ2,0 = 0,79, t = 7,12). Projektplanung
wiederum zeigt signifikant positive Wirkungen auf Prozessformalisierung und -stabilität,
allerdings fällt der erste Effekt deutlich stärker als der zweite aus, Aktivitäten der Pro-
jektplanung scheinen also formelle Methoden der Projektsteuerung stark zu begünstigen
(H3: β3,1 = 0,77, t = 10,88), während sie nur in geringerem Umfang zu Aktivitäten-,
Ressourcen- und Zielkonstanz beitragen (H4: β4,1 = 0,28, t = 2,84). Ein ähnlich differen-
ziertes Bild zeigt sich auch hinsichtlich des Risikomanagement. Während Risikoanalyse
sowie Risiko- und Schadensverkürzung deutlich zur Stabilität der Projektsteuerung bei-
tragen (H6: β4,2 = 0,43, t = 4,29) und den Vorhabenserfolg positiv beeinflussen (H7a: β9,2
= 0,33, t = 2,95), begünstigen sie nur in deutlich geringerem Umfang eine formalisierte
Projektsteuerung (H5: β3,2 = 0,18, t = 2,75).
Besonders interessant ist schließlich die Frage, wie die beiden untersuchten Projekt-
steuerungsvariablen auf den Vorhabenserfolg wirken. Entsprechend der in Kapitel 6 aufge-
stellten Untersuchungshypothesen enthält das Basismodell einen Pfad, der den Effekt der
Prozesssstabilität auf den Vorhabenserfolg abbildet und im Rahmen der Modellprüfung
als signifikant und relativ hoch geschätzt wird (H9: β9,4 = 0,37, t = 2,95). Der direkte
(lineare) Effekt der Prozessformalisierung auf den Erfolg wird dagegen als nicht signifi-
kant angenommen und daher auch nicht im Basismodell abgebildet. Um diese Hypothese
zu untersuchen, wird das Basismodell mit einem Alternativmodell verglichen, das um
den betroffenen Pfad β9,3 zwischen Prozessformalisierung und Erfolg ergänzt wird. Bei
der Modellschätzung zeigt sich dabei einerseits, dass der Pfad nur schwach negativ und
nicht signifikant ist (H8a: β9,3 = -0,11, t= -0,97), sowie andererseits, dass sich die An-
passungsgüte des Gesamtmodells nicht signifikant verändert (χ2 = 1,7, df = 1, p =
0,00). Hypothese H8a kann damit als bestätigt angesehen werden, der Formalisierungs-
grad der Projektsteuerung hat im Mittel“ über Projekte verschiedenster Innovationsgra-
”
de tatsächlich keinen signifikanten Einfluss auf den Projekterfolg.
Obwohl die im Basismodell geschätzten Parameter die zentralen Untersuchungshy-
pothesen zu bestätigen scheinen, muss letztendlich vor allem die Anpassungsgüte des
Gesamtmodells beurteilt werden, um die Stichhaltigkeit der zugrunde liegenden Theorie
zu prüfen. Tabelle 10.3 weist die Fitmaße des Basismodells aus, und zwar sowohl für das
gesamte Strukturmodell als auch separat für Mess- und Pfadmodell.1 Die Anpassungsgüte
des Modells ist angesichts der sehr hohen Parameterzahl und der vergleichsweise niedri-
1
Das Vorgehen, um diese Fitmaße getrennt ausweisen zu können, wurde in Abschnitt 8.6.2 dargestellt.
Modell χ2 df p χ2 /df SRMR CFI RMSEA
Strukurmodell (gesamt) 602,4 389 0,00 1,55 0,078 0,89 0,064

Messmodell 494,6 339 0,00 1,46 0,066 0,91 0,059
Pfadmodell 107,8 50 0,00 2,16 — — 0,093
Erläuterung. Die χ2 -Statistik des Pfadmodells wird als Differenz aus den χ2 -Werten des
gesamten Strukturmodells und des separat geschätzten Messmodells errechnet. Der RMSEA
wird hier in Ergänzung zu SRMR und CFI ausgewiesen, da er sich im Gegensatz zu diesen
direkt aus der χ2 -Statistik errechnen lässt und somit auch für das nicht direkt zu schätzende
Pfadmodell angegeben werden kann.
Tabelle 10.3: Basismodell: Anpassungsgüte von Mess-, Pfad- und Gesamtmodell
gen Stichprobengröße insgesamt als gut zu beurteilen. Das Strukturmodell verfehlt den
von Hu und Bentler (1999) vorgeschlagenen Grenzwert für den SRMR zwar merklich,
den Grenzwert für den CFI aber nur knapp und weist darüberhinaus einen relativ nied-
rigen Quotienten aus χ2 -Statistik und Freiheitsgraden df auf. Die getrennte Betrachtung
von Mess- und Pfadkomponente zeigt, dass sich diese Anpassungsgüte als Mittelwert aus
einem angesichts der hohen Parameterzahl sehr guten Fit des Messmodells und einem
weniger guten Fit des Pfadmodells ergibt. Vergleicht man die Fitmaße allerdings mit den
bei McDonald und Ho (2002), Tabelle 2 berichteten Ergebnissen, so zeigt sich, dass dieser
Befund in der Praxis häufig vorkommt und Pfadkomponenten, die weniger Freiheitsgrade
bei höheren Fallzahlen aufweisen, oft eine deutlich schlechtere Anpassungsgüte realisie-
ren. Unter den genannten Umständen kann die Modellanpassung also ingesamt als gut
angesehen und das zugrunde liegende Theoriegerüst nicht zurückgewiesen werden.
10.2 Alternativmodell ohne Faktoren zweiter Ordnung
In Kapitel 9 konnte durch den Vergleich ineinander geschachtelter alternativer Messmo-

delle gezeigt werden, dass die Konstrukte Businessplanung und Erfolg im Interesse stati-
stischer Sparsamkeit als Faktoren zweiter Ordnung, also als multidimensionale Konstruk-
te erfasst werden sollten. Während dadurch eine sehr kompakte Prüfung der zentralen
Untersuchungshypothesen gewährleistet wird, besteht doch die Gefahr, dass durch diese
Verdichtung wichtige Informationen über den jeweiligen Einfluss der Einzeldimensionen
verloren gehen.
Vor diesem Hintergrund soll hier das in Abbildung 10.2 dargestellte Alternativmodell
untersucht werden, bei dem die Faktoren zweiter Ordnung für Businessplanung und Erfolg
aufgelöst und durch ihre Einzeldimensionen ersetzt werden. Tabelle 10.4 fasst die direkten
und indirekten Wirkungen der latenten Variablen untereinander zusammen.
10.2. Alternativmodell ohne Faktoren zweiter Ordnung 265
Zeitplanein-
Technischer
haltung
Finanz-
Markt-
Erfolg
erfolg
erfolg
Prozess-
Prozess-
formali-
sierung
stabili-
tät
Projekt-
planung
Risiko-
mgmt.
Partizipa-
Methodik
Alterna-
tivenab-
wägung
tion
Fit
Abbildung 10.2: Alternativmodell ohne Faktoren zweiter Ordnung. Alle Konstrukte werden durch
reflexive Messmodelle erster Ordnung erfasst, Moderation durch den Innovationsgrad wird noch nicht
erfasst.
266
Alternativenabw. Methodik Fit Partizipation
Abhängige Variable T D I T D I T D I T D I
η5 Technischer Erfolg 0,04 0,04 0,20 0,20 0,05 0,05 -0,01 -0,01
η6 Markterfolg 0,05 0,05 0,29 0,29 0,08 0,08 -0,01 -0,01
η7 Finanzerfolg 0,06 0,06 0,25 0,25 0,08 0,08 0,06 0,06
η8 Zeitplaneinhaltung 0,06 0,06 0,23 0,23 0,08 0,08 0,07 0,07
η3 Prozessformalisierung 0,11 0,11 0,29 0,29 0,16 0,16 0,28 0,28
η4 Prozessstabilität 0,08 0,08 0,32 0,32 0,12 0,12 0,11 0,11
η1 Projektplanung 0,11 0,11 0,22 0,22 0,16 0,16 0,36 0,36
η2 Risikomanagement 0,11 0,11 0,59 0,59 0,16 0,16 0,01 0,01
Prozessformalisierung Prozessstabilität Projektplanung Risikomgmt.
Abhängige Variable T D I T D I T D I T D I R2
η5 Technischer Erfolg -0,16 -0,16 0,31 0,31 -0,03 -0,03 0,36 0,26 0,10 0,18
η6 Markterfolg -0,26 -0,26 0,49 0,49 -0,05 -0,05 0,52 0,36 0,16 0,41
η7 Finanzerfolg -0,02 -0,02 0,51 0,51 0,14 0,14 0,37 0,15 0,22 0,37
η8 Zeitplaneinhaltung -0,03 -0,03 0,70 0,70 0,19 0,19 0,32 0,02 0,30 0,49
η3 Prozessformalisierung 0,77 0,70 0,20 0,20 0,77
η4 Prozessstabilität 0,30 0,30 0,44 0,44 0,40
η1 Projektplanung 0,45
η2 Risikomanagement 0,56
2
Erläuterung. T=Totaler Effekt; D=Direkter Effekt; I=Indirekter Effekt. R bezieht sich auf die Menge aller latenten Variablen mit
einer direkten Wirkung auf die jeweils abhängige Variable.
Tabelle 10.4: Alternativmodell ohne Faktoren zweiter Ordnung: Totale, direkte und indirekte Effekte
der latenten Variablen.
10. Wirkungszusammenhänge: Überprüfung der Hypothesen
10.2. Alternativmodell ohne Faktoren zweiter Ordnung 267
Ähnlich wie im Basismodell zeigt die Projektplanung einen sehr starken Einfluss auf die
Prozessformalisierung und einen schwächeren Effekt auf die Prozessstabilität , während
das Risikomanagement umgekehrt einen deutlichen Einfluss auf die Prozessstabilität und
einen schwächeren Effekt auf die Prozessformalisierung ausübt. Ebenso zeigen Risikoma-
nagement und Prozessstabilität deutliche direkte Wirkungen auf die Erfolgsdimensionen,
während von der Projektplanung nur ein schwacher indirekter Effekt ausgeht. Interessant
ist es hierbei, die jeweils unterschiedliche Betonung der Erfolgsdimensionen zu analysieren.
Während sich die Antizipation unvorhergesehener Ereignisse im Rahmen des Risikoma-
nagement insbesondere postiv auf den Markterfolg auswirkt, macht sich die Stabilität der
Projektsteuerung insbesondere durch die verbesserte Zeitplaneinhaltung bemerkbar.
Bei den Dimensionen der Businessplanung zeigt sich ebenfalls gegenüber dem Basis-
modell ein differenziertes Bild. Die stärkste Wirkung geht hier insgesamt von der Metho-
dik aus, die sich insbesondere als Grundlage für ein systematisches Risikomanagement
herausstellt. Die Partizipation aller Stakeholder im Prozess der Businessplanung erweist
sich dagegen vor allem als Voraussetzung für den Erfolg der anschließend durchgeführten
Projektplanung. Um näher zu verstehen, wie sich der nicht signifikante Zusammenhang
zwischen Prozessformalisierung und Vorhabenserfolg im Basismodell erklären lässt, wur-
de hier die Wirkung dieser Variable auf die einzelnen Erfolgsdimensionen mit untersucht.
Im Ergebnis zeigt sich, dass formelle Projektsteuerung im Mittel über die betrachteten
Projekte praktisch keinen Einfluss auf Finanzerfolg und Zeitplaneinhaltung hat, jedoch
negative Zusammenhänge mit Markt- und Technikerfolg aufweist.
Während die Betrachtung dieses disaggregierten Modells also interessante Informatio-
nen über die relative Bedeutung der Einzeldimensionen der beiden multidimensionalen
Konstrukte Businessplanung und Erfolg liefert, zeigt Tabelle 10.5 doch, dass die Anpas-
sungsgüte hier deutlich niedriger als im Basismodell ist und insbesondere ein vergleichswei-
se schlechter Fit des Pfadmodells zu verzeichnen ist. Das Basismodell ist damit aufgrund
seiner höheren statistischen Sparsamkeit und Erklärungskraft dem hier untersuchten dis-
aggregierten Modell vorzuziehen.
Modell χ2 df p χ2 /df SRMR CFI RMSEA
Strukurmodell (gesamt) 617,7 375 0,00 1,65 0,081 0,88 0,070

Messmodell 495,0 339 0,00 1,46 0,066 0,91 0,059
Pfadmodell 122,7 36 0,00 3,41 — — 0,135
Tabelle 10.5: Alternativmodell ohne Faktoren zweiter Ordnung: Anpassungsgüte von Mess-, Pfad- und
Gesamtmodell
10.3 Alternativmodell mit formativer Konstruktmessung
In Kapitel 9 wurde systematisch untersucht, ob die zur Operationalisierung eines Kon-

strukts gewählten Indikatoren mit einem reflexiven Messmodell verträglich sind. Während
die Verwendung reflexiver Messmodelle überwiegend nicht abgelehnt werden konnte, wur-
de die Nullhypothese für die beiden Konstrukte Projektplanung und Risikomanagement
widerlegt. Um Probleme bei der Modellidentifikation zu umgehen und eine Identifizierung
und Prüfung des gesamten in Kapitel 6 zusammengefassten Kausalmodells zu ermöglichen,
wurden im Basismodell zunächst ausschließlich reflexive Indikatoren verwendet. Im vorlie-
genden Abschnitt soll näher untersucht werden, inwieweit ein solcher Ansatz akzeptabel
ist, indem die geschätzten Pfadkoeffizienten bei Modellen mit reflexiven und formativen
Indikatoren verglichen werden.
Wie in Abschnitt 8.5.4 erwähnt wurde, unterliegt die Abbildung von Strukturmodel-
len mit formativen Indikatoren im LISREL-Modell vergleichsweise engen Restriktionen.
So muss jedes ausschließlich durch formative Indikatoren gemessene Konstrukt durch min-
destens zwei unabhängige Strukturpfade zu reflexiv gemessenen latenten Variablen iden-
tifiziert werden. Da es hierdurch nicht möglich ist, das Basismodell bei Abbildung der
latenten Variablen Projektplanung oder Risikomanagement durch formative Messmodel-
le zu identifizieren, wird die Auswirkung einer Umstellung von reflexiven auf formative
Messmodelle anhand von weniger komplexen Teilmodellen untersucht. Abbildung 10.3
vergleicht zwei Strukturmodelle, die die indirekte Wirkung der Projektplanung auf den
Vorhabenserfolg über die zwei Mediatorvariablen Prozessformalisierung und Prozesssta-
bilität abbilden. In der oberen Hälfte der Abbildung wird dabei Projektplanung durch ein
reflexives Messmodell erfasst, im unteren durch ein formatives. Hinsichtlich der Variablen-
benennung ist anzumerken, dass im Rahmen dieser Teilmodelle Projektplanung zu einer
exogenen Variable wird und daher durch eine lateinische Ziffer indiziert wird, während
die zugehörigen Indikatoren durch Großbuchstaben bezeichnet werden.
Beide Modelle unterscheiden sich hinsichtlich ihrer globalen Anpassungsgüte kaum,
die Fitindizes sind beim Strukturmodell mit formativer Messung der Projektplanung ge-
ringfügig besser, was jedoch zumindest teilweise auf die geringere Anzahl an Freiheits-
graden in diesem Modell zurückzuführen ist. Bei den geschätzten Pfadkoeffizienten ergibt
sich fast keine Veränderung, die Wirkung der Projektplanung auf die beiden folgenden
Mediatorvariablen wird bei formativer Konstruktmessung leicht höher geschätzt, der Pfad
von der Prozessstabilität auf den Vorhabenserfolg bleibt gleich. Auch bei den Faktorla-
dungen der reflexiv gemessenen Variablen ergibt sich praktisch keine Veränderung, nur
bei vier von 15 Indikatoren kommt es zu kleinen numerischen Verschiebungen.
10.3. Alternativmodell mit formativer Konstruktmessung 269
,67
Technischer
Erfolg
,96 ,61 ,75 ,58 ,72
,52 ,92
Prozess-
formali-
,82 sierung
,86 Markt-
,84 erfolg
,97 ,77
Projekt-
,72 planung Erfolg ,91 ,78
,52 ,54
,65 Finanz-
Prozess- erfolg
stabili- ,81
tät
,73 ,89 ,55 ,81
Zeitplanein-
haltung
,79
,57
Technischer
Erfolg
,96 ,62 ,76 ,59 ,72
Prozess- ,52 ,92

formali-
,03 sierung
,87 Markt-
,84 erfolg
,79 ,77
Projekt-
,21 planung Erfolg ,91 ,78
,54 ,54
,65 Finanz-
Prozess- erfolg
stabili- ,81
tät
,73 ,89 ,55 ,81
Zeitplanein-
haltung
,79
Abbildung 10.3: Strukturmodelle mit reflexiver und formativer Abbildung der Projektplanung
,66
Technischer
Erfolg
,91 ,63 ,78 ,65 ,73
,54 ,91
Prozess-
formali-
,91 sierung
,63 Markt-
,86 erfolg
,94 ,78
Risiko- ,39
,89 mgmt. Erfolg ,89 ,77
,58 ,39
,64 Finanz-
Prozess- erfolg
stabili- ,82
tät
,72 ,90 ,54 ,83
Zeitplanein-
haltung
,78
,57
Technischer
Erfolg
,91 ,63 ,78 ,55 ,73
,54 ,90
Prozess-
formali-
,67 sierung
,72 Markt-
,86 erfolg
,12 ,78
Risiko- ,39
,10 mgmt. Erfolg ,89 ,77
,67 ,27
,65 Finanz-
Prozess- erfolg
stabili- ,82
tät
,70 ,90 ,54 ,83
Zeitplanein-
haltung
,78
Abbildung 10.4: Strukturmodelle mit reflexiver und formativer Abbildung des Risikomanagement
10.4. Untersuchung des Basismodells auf Wahrheitsähnlichkeit 271
Ein ähnliches Ergebnis zeigt der Vergleich von reflexiver und formativer Konstruktmes-
sung auch für den in Abbildung 10.4 dargestellten Fall des Risikomanagement. Wiederum
führt die formative Konstruktmessung global zu einer leicht höheren Anpassungsgüte,
wobei die Verbesserung des SRMR von 0,76 auf 0,69 spürbar ausfällt. Im Pfadmodell
kommt es zu stärkeren Verschiebungen als im Fall der Projektplanung. Während der di-
rekte Pfad von Risikomanagement auf Vorhabenserfolg in beiden Fällen gleich geschätzt
wird, fällt im formativen Fall die Wirkung des Risikomanagement auf die beiden folgen-
den Mediatorvariablen höher aus. Dennoch sinkt im formativen Fall der totale Effekt des
Risikomanagement auf den Erfolg von 0,62 auf 0,57, da der Pfad über die Mediatorvaria-
ble Prozessstabilität an Wirkung verliert. Der höher geschätzte Pfadkoeffizient von Risi-
komanagement auf Prozessstabilität wird durch den niedriger geschätzten Koeffizienten
von Prozessstabilität auf Erfolg überkompensiert. Hinsichtlich der Faktorladungen blei-
ben auch hier analog zu den Befunden beim Projektmanagement größere Veränderungen
der reflexiv gemessenen Variablen aus.
Eine zusammenfassende Wertung dieser Befunde zeigt, dass die Umstellung von reflexi-
ver auf formative Konstruktmessung in den betrachteten Teilmodellen keine wesentlichen
Veränderungen ergeben hat. Dieser Befund ist insofern bemerkenswert, als eine Reihe ak-
tueller Artikel2 vor der irrtümlichen Erfassung formativ aufzufassender Konstrukte durch
reflexive Messmodelle warnt und Beispiele von signifant unterschiedlich geschätzten Struk-
turmodellen präsentiert. Zukünftige Untersuchungen sollten sich daher eingehender mit
der Frage beschäftigen, unter welchen Randbedingungen der in Abschnitt 8.5.2 erläuterte
Tetraden-Algorithmus Konstrukte als formativ einstuft und wann eine Umstellung von
reflexiver auf formative Messung zu signifikant unterschiedlich geschätzten Wirkungsbe-
ziehungen führt. Für die Belange der vorliegenden Untersuchung ergibt sich aus dieser
Diskussion jedenfalls kein Anlass, die Gültigkeit des Basismodells mit ausschließlich refle-
xiver Konstruktmessung anzuzweifeln.
10.4 Untersuchung des Basismodells auf Wahrheitsähnlichkeit
Obwohl das Basismodell in Abschnitt 10.1 nicht falsifiziert werden konnte und weder die
Auflösung der Faktoren zweiter Ordnung noch die Verwendung formativer Indikatoren in
den beiden letzten Abschnitten wesentliche Verschiebungen in den Wirkungsbeziehungen
der latenten Variablen hervorgerufen haben, existiert umgekehrt weder ein statistischer
Test noch ein Fitindex, durch den ein Modell verifiziert werden könnte. Meehl und Waller
(2002) argumentieren jedoch, dass die Nicht-Falsifikation eines Modells als Erhärtung
bzw. Untermauerung (corroboration) der zugrunde liegenden Theorie gewertet werden
2
So u. a. Diamantopoulos und Winklhofer (2001) und Jarvis et al. (2003).
kann, wenn die Vorhersage des Modells hinreichend risikoreich ist. Eine solche risikoreiche
Vorhersage besteht für sie darin, dass es einem zu beurteilenden Modell besser gelingt,
bestimmte Beobachtungen auf der Grundlage anderer Beobachtungen vorherzusagen, als
dies eine Menge möglicher Alternativmodelle leisten kann. Je größer dabei die Menge der
Alternativmodelle ist, desto risikoreicher ist die theoretische Vorhersage und desto größer
ist die Wahrheitsähnlichkeit (verisimilitude) des Basismodells, wenn es die Vorhersage
erfüllen kann.3
Die Wahrheitsähnlichkeit des Basismodells soll im Folgenden durch den in Ab-
schnitt 8.6.3 erläuterten Veripath-Algorithmus beurteilt werden. Da dieser nur Pfadmo-
delle überprüft, wird das im letzten Abschnitt beschriebene vollständige Strukturmodell
durch ein äquivalentes Pfadmodell ersetzt, bei dem alle Konstrukte als manifeste Va-
riablen abgebildet werden bzw. als Faktoren erster Ordnung mit einem Indikator, der
jeweils Faktorladung Eins und Fehlervarianz Null aufweist. Ein solches Modell kann nicht
direkt auf die bisher verwendete empirische Kovarianzmatrix der manifesten Variablen
zurückgreifen, sondern muss eine Kovarianzmatrix auf Konstruktebene verwenden. Ein
Weg, eine solche Eingabematrix zu generieren, könnte darin bestehen, Summenvariablen
je Konstrukt zu bilden und aus diesen eine Kovarianzmatrix zu errechnen. Bei einem
solchen Ansatz würden jedoch die bisher verwendeten reflexiven Konstrukte durch for-
mative ersetzt werden, was zu einer deutlich unterschiedlichen Konstruktmessung und
damit zu veränderten Schätzungen für die Pfadkoeffizienten führen würde. Um diesen
Effekt zu vermeiden, wird stattdessen auf die von LISREL geschätzte Kovarianzmatrix
der latenten Variablen für das in Abschnitt 9.6 dargestellte Messmodell zurückgegriffen,
wobei die Einzeldimensionen der Faktoren zweiter Ordnung hier irrelevant sind und keine
Verwendung finden.
Der Veripath-Algorithmus schätzt zunächst mit einer Limited-Information-Methode
das Basismodell und identifiziert anschließend unter Verwendung der in Abschnitt 8.6.3
beschriebenen D1A1-Regel insgesamt 69 Alternativmodelle, wobei auf die Möglichkeit
verzichtet wurde, eine Zeitordnung der Variablen vorzugeben. Tabelle 10.6 zeigt, dass die
Pfadkoeffizienten von LISREL und Veripath sehr ähnlich geschätzt werden, der SRMRVeri
jedoch deutlich niedriger als der SRMRLISREL ausfällt, da im vollständigen LISREL-
Strukturmodell die Parameterzahl aufgrund des Messmodells deutlich höher ist. Die An-
passungsgüte der Alternativmodelle reicht von SRMRVeri = 0,042 bis 0,235, wobei nur drei
Modelle einen besseren Fit als das Basismodell aufweisen. Entsprechend der Veripath-
Logik übertrifft damit das Basismodell hinsichtlich der Vorhersagegüte 95 Prozent der
Alternativmodelle und weist eine hohe Wahrheitsähnlichkeit auf.
Neben dieser zentralen Aussage ist weiterhin die Untersuchung der von Veripath vor-
3
Meehl und Waller (2002), S. 285.
Koeff. Abhängige Variable Unabhängige Variable LISREL Veripath
γ1,0 η1 Projektplanung ξ0 Businessplanung 0,70 0,70

γ2,0 η2 Risikomanagement ξ0 Businessplanung 0,79 0,79
β3,1 η3 Prozessformalisierung η1 Projektplanung 0,77 0,78
β4,1 η4 Prozessstabilität η1 Projektplanung 0,28 0,30
β3,2 η3 Prozessformalisierung η2 Risikomanagement 0,18 0,17
β4,2 η4 Prozessstabilität η2 Risikomanagement 0,43 0,41
β9,2 η9 Erfolg η2 Risikomanagement 0,33 0,33
β9,4 η9 Erfolg η4 Prozessstabilität 0,37 0,38
SRMR 0,78 0,60
Erläuterung. Schätzung des vollen Strukturmodells in LISREL (vgl. Abbildung 10.1 und Tabel-
le 10.1), Schätzung eines reinen Pfadmodells in Veripath.
Tabelle 10.6: Vergleich der durch LISREL und Veripath geschätzten Pfadkoeffizienten
geschlagenen Alternativmodelle interessant. Abbildung 10.5 zeigt zunächst das Basis-

Pfadmodell mit den von Veripath geschätzten Parametern, gefolgt von den 15 Alternativ-
modellen mit der besten Modellanpassung, die anhand des SRMRVeri in aufsteigender
Reihenfolge sortiert sind. Modell Nr. 49 (Abbildung 10.5b) zeigt gegenüber dem Ba-
sismodell einen deutlich verbesserten Fit, erkauft diesen jedoch durch die Invertierung
einer Wirkungsbeziehung. Da auf die in Veripath mögliche Zeitordnung von Variablen
verzichtet wurde, schätzt Veripath eine positive Wirkung des Vorhabenserfolgs auf die
Prozessstabilität, was bei der hier verwendeten Operationalisierung den Regeln der Kau-
salität widerspricht. Wesentlich interessanter sind die beiden folgenden Modelle Nr. 33
und Nr. 20, die hinsichtlich ihrer Struktur und Anpassungsgüte sehr ähnlich sind. Bei-
de Modelle ersetzen jeweils einen Pfad von einer der operativen Planungsvariablen auf
die Projektsteuerungsvariablen durch einen Pfad, der eine direkte Wirkung der Business-
planung auf die Projektsteuerung anzeigt. Unter den folgenden drei Alternativmodellen
befinden sich mit Nr. 44 und Nr. 21 noch zwei weitere Modelle, die einen deutlichen po-
sitiven Zusammenhang zwischen Businessplanung und Prozessstabilität unterstellen und
dabei eine nur geringfügig schlechtere Anpassung als das Basismodell erzielen. Während
die übrigen in Abbildung 10.5 dargestellten Alternativmodelle größtenteils Wirkungs-
beziehungen zwischen den beiden jeweils als gleichzeitig einzustufenden Planungs- und
Steuerungsvariablen enthalten und damit theoretisch weniger interessant sind, sollte die
mögliche direkte Beziehung zwischen Businessplanung und Projektsteuerung im Rahmen
des vollen Strukturmodells näher untersucht werden.
(a) SRMR = 0,060 (Basismodell) (b) SRMR = 0,042 (#49)
,78 ,78
,70 ,30 ,17 ,70 ,30 ,17
,33 ,55
,79 ,38 ,79 ,37
,41 ,21
(c) SRMR = 0,051 (#33) (d) SRMR = 0,055 (#20)
,22
,78 ,78
,70 ,17 ,70 ,30
,33 ,33
,79 ,38 ,79 ,38
,23 ,41
,43
(e) SRMR = 0,071 (#25) (f) SRMR = 0,072 (#44)
,78 ,78
,70 ,17 ,70 ,18 ,17
,18
,33 ,36
,79 ,38 ,79 ,40
,46
,48
(g) SRMR = 0,072 (#21) (h) SRMR = 0,074 (#19)
,87 ,87
,70 ,18 ,70 ,30
,33 -,15 ,39
,79 ,38 ,79 ,42
,23 ,41
,30
Abbildung 10.5: Veripath-Analyse. Für das Basismodell sowie die von Veripath vorgeschlagenen sieben
Alternativmodelle mit der besten Anpassungsgüte sind jeweils die von Veripath geschätzten Pfadkoeffi-
zienten und der SRMR dargestellt.
(i) SRMR = 0,075 (#67) (j) SRMR = 0,075 (#18)
,78 ,87
,70 ,30 ,17 ,70 ,30 -,03
,23 ,34
,79 ,45 ,79 ,39
,41 ,41
(k) SRMR = 0,077 (#12) (l) SRMR = 0,078 (#14)
,87 ,87
,70 ,30 ,70 ,27
,01 ,03
,33 ,33
,79 ,38 ,79 ,38
,41 ,41
(m) SRMR = 0,079 (#22) (n) SRMR = 0,079 (#15)
,87 ,87
,70 ,30 ,73 ,30
,18
,32 -,04 ,33
,79 ,38 ,79 ,38
,41 ,41
,02
(o) SRMR = 0,079 (#17) (p) SRMR = 0,081 (#13)
,87 ,88
,70 ,18 ,70 ,30 -,03
-,03 ,33 ,33
,81 ,38 ,79 ,38
,41 ,41
: Businessplanung : Risikomanagement : Prozessstabilität

: Projektplanung : Prozessformalisierung : Erfolg
Abbildung 10.6: Veripath-Analyse (Fortsetzung)

Zu diesem Zweck wurden in LISREL sowohl Varianten des Basismodells geschätzt,

deren Strukturmodell exakt den Alternativmodellen Nr. 44 und Nr. 21 entspricht, als
auch Varianten, die den jeweils neuen Pfad von der Businessplanung auf eine der Steue-
rungsvariablen enthalten, ohne dass im Gegenzug ein Pfad des Basismodells eliminiert
wird. Die beiden ersten Modelle resultieren in einer leichten Verschlechterung der Anpas-
sungsgüte bei gleicher Anzahl an Freiheitsgraden wie im Basismodell, während die bei-
den anderen Modelle praktisch die gleiche Anpassungsgüte wie das Basismodell zeigen,
jedoch einen Freiheitsgrad weniger besitzen. Inhaltlich folgt damit, dass es auf Grundla-
ge der Veripath-Analyse keinen Anlass gibt, das Basismodell zu revidieren. Methodisch
zeigt sich, dass die LISREL- und Veripath-Schätzungen zwar zu erstaunlich ähnlichen
Ergebnissen führen, im Detail jedoch leicht voneinander abweichen können, da hier ei-
ne Full-Information Schätzung des vollen Strukturmodells mit einer Limited-Information
Schätzung des Pfadmodells verglichen wird. Die Korrelation zwischen dem SRMRVeri und
verschiedenen in LISREL errechneten Fitmaßen wird in Abbildung C.1 auf Seite 316
systematisch anhand identischer Pfadmodelle verglichen, der verzerrende Einfluss eines
zusätzlichen Messmodells in der LISREL-Analyse wird dort also ausgeklammert.
10.5 Erweiterung des Basismodells um Moderatoreffekte
Nachdem in den letzten Abschnitten die Strukturparameter des Basismodells mit guter
Anpassungsgüte geschätzt wurden, die Verwendung von Faktoren zweiter Ordnung und
reflexiven Messmodellen gerechtfertigt werden konnte und die Wahrheitsähnlichkeit des
Basismodells nachgewiesen wurde, sollen im Folgenden die in Kapitel 6 aufgestellten Mo-
deratorhypothesen geprüft werden. Entsprechend den Ausführungen in Abschnitt 8.6.4
werden dabei zwei separate Analysemethoden, nämlich moderierte Regressionen und ein
LISREL-Pfadmodell mit Interaktionstermen verwendet und hinsichtlich ihrer Ergebnisse
miteinander verglichen.
Tabelle 10.7 präsentiert die in den Regressions- und LISREL-Analysen geschätzten
Parameter. Betrachtet man zunächst die Pfadkoeffizienten der Variablen erster Ordnung
im LISREL-Modell, so zeigt sich eine große Ähnlichkeit zu den in Abschnitt 10.1 berich-
teten Resultaten für das Basismodell, wobei der Pfad von Prozessformalisierung auf Er-
folg neu aufgenommen wurde, um den vermuteten Moderatoreffekt des Innovationsgrads
überprüfen zu können. Für diese Interaktion wird im LISREL-Modell tatsächlich ein si-
gnifikant negativer Pfadkoeffizient auf den Erfolg geschätzt (H8b: β = −0, 13, t = −1, 65).
Damit kann Hypothese H8b nicht abgelehnt werden, der Innovationsgrad moderiert die
Beziehung zwischen Prozessformalisierung und Erfolg also tatsächlich negativ, d. h. for-
melle Projektsteuerung wirkt erfolgssteigernd bei niedriginnovativen und erfolgshemmend
bei hochinnovativen Projekten. Es handelt sich hier allerdings nicht um einen reinen Mo-
10.5. Erweiterung des Basismodells um Moderatoreffekte 277
deratoreffekt, da der Innovationsgrad selbst einen signifikant negativen Effekt auf den
Vorhabenserfolg ausübt (β = −0, 21, t = −2, 95) und auch die Prozessformalisierung eine
negative Erfolgswirkung an der Grenze zur Signifikanz zeigt.4 Die drei anderen Mode-
ratorhypothesen H1b, H2b und H7b werden dagegen widerlegt, da die geschätzten Ko-
effizienten der Interaktionsterme nicht nur insignifikant sind, sondern auch ein positives
Vorzeichen haben. Die positive Wirkung von Businessplanung auf Projektplanung und
Risikomanagement wird folglich ebenso wenig durch den Innovationsgrad moderiert wie
die Wirkung des Risikomanagement auf den Vorhabenserfolg. Bemerkenswert ist schließ-
lich noch die Tatsache, dass der Innovationsgrad einen signifikant negativen Effekt auf
die Projektplanung und einen signifikant positiven Einfluss auf das Risikomanagement
ausübt.
Da die geschlossene Überprüfung der drei postulierten Moderatoreffekte in einem ein-
zigen Regressionsmodell nicht möglich ist, wird für jede der abhängigen Variablen eine
separate Regression gerechnet. Wie schon im Rahmen der LISREL-Analyse wird auch im
ersten Regressionsmodell für den Interaktionsterm zwischen Prozessformalisierung und In-
novationsgrad ein signifikant negativer Pfadkoeffizient auf den Vorhabenserfolg geschätzt.
Im Gegensatz zum LISREL-Modell zeigen hier jedoch die beiden Variablen erster Ord-
nung keine signifikante Erfolgwirkung, so dass ein reiner Moderatoreffekt vorliegt. Ein
Moderatoreffekt des Innovationsgrads auf die Beziehung zwischen Risikomanagement und
Erfolg kann dagegen auch hier nicht festgestellt werden. Die Regressionsmodelle 2 und 3
liefern strukturell ähnliche Ergebnisse wie die LISREL-Analyse, d. h. Moderatorbeziehun-
gen können zwar nicht nachgewiesen werden, dafür wird aber ein negativer Zusammen-
hang zwischen Innovationsgrad und Projektplanung sowie ein positiver Zusammenhang
zwischen Innovationsgrad und Risikomanagement geschätzt.
Die in diesem Abschnitt berichteten Befunde lassen sich also wie folgt zusammen-
fassen: Die Beziehung zwischen Prozessformalisierung und Vorhabenserfolg wird negativ
durch den Innovationsgrad moderiert, was den Umstand erklärt, dass im Basismodell
(vgl. Abbildung 10.1 auf Seite 261) dieser zentrale Strukturpfad fehlt. Das durch die
in Tabelle 10.7 zusammengefassten Wirkungsbeziehungen definierte Strukturgleichungs-
modell übertrifft in seinem Erklärungsumfang also das Basismodell und bildet das in
Abschnitt 6 entwickelte nomologische Netz vollständig ab. Die übrigen dort zusammen-
gefassten Moderatoreffekte lassen sich jedoch empirisch nicht nachweisen. Schließlich sind
die direkten Effekte des Innovationsgrads bemerkenswert, auch wenn sich der besonders
interessante Befund einer negativen Wirkung des Innovationsgrads auf den Erfolg nur im
LISREL-Modell nachweisen lässt.
4
Solche Konstellationen werden auch als Quasi-Moderatoren bezeichnet, vgl. Sharma et al. (1981), S.
292.
Im Anschluss an die letzte Bemerkung lässt sich also hinsichtlich der Methodik noch
die Schlussfolgerung ziehen, dass die Partialanalysen der Moderatoreffekte über mode-
rierte Regressionen strukturell ähnliche Befunde wie das LISREL-Modell liefern, Einzel-
ergebnisse aber durchaus voneinander abweichen können. Auf eine Überprüfung von Mo-
deratorhypothesen im Rahmen des vollen durch ein Strukturgleichungsmodell erfassten
nomologischen Netzes sollte daher nach Möglichkeit nicht verzichtet werden.
ABHÄNGIGE VARIABLEN Regression 1 Regression 2 Regression 3 LISREL-Modell
— Unabhängige Variablen Koeff. t-Wert Koeff. t-Wert Koeff. t-Wert Koeff. t-Wert
ERFOLG
— Prozessformalisierung 0,01 (0,06) −0,12 (−1,40)
— Prozessstabilität 0,38 (4,40) 0,28 (3,42)
— Risikomanagement 0,34 (3,52) 0,47 (5,13)
— Innovationsgrad (Innov.) −0,05 (−0,65) −0,21 (−2,95)
— Innov. × Prozessformalisierung −0,16 (−1,96) −0,13 (−1,65)
— Innov. × Risikomanagement 0,05 (0,55) 0,03 (0,39)
PROZESSFORMALISIERUNG
— Projektplanung 0,76 (15,39)
— Risikomanagement 0,19 (3,77)
PROZESSSTABILITÄT
— Projektplanung 0,29 (3,62)
— Risikomanagement 0,42 (5,21)
PROJEKTPLANUNG
10.5. Erweiterung des Basismodells um Moderatoreffekte
— Businessplanung 0,56 (7,55) 0,69 (11,63)

— Innovationsgrad (Innov.) −0,15 (−2,03) −0,21 (−3,43)
— Innov. × Businessplanung −0,03 (−0,37) 0,02 (0,38)
RISIKOMANAGEMENT
— Businessplanung 0,67 (9,11) 0,80 (15,46)
— Innovationsgrad (Innov.) 0,13 (1,87) 0,14 (2,61)
— Innov. × Businessplanung 0,06 (0,85) 0,05 (1,03)
2
Radj. 0,40 0,33 0,42
F 14,40∗∗∗ 20,72∗∗∗ 30,16∗∗∗
Erläuterung. Alle Koeffizienten geben standardisierte Lösungen wieder. Die Anpassungsmaße für das LISREL-
Modell betragen SRMR = 0,055; CFI = 0,96; χ2 = 52,76; df = 19; p= 0,00; χ2 /df = 2,8.
279
Tabelle 10.7: Moderatormodelle

(a) 1
Innovationsgrad
Innovationsgrad 0
1
0.5
0.25
Erfolg
Erfolg 0
0.25
0.5
1
0
Prozessformalisierung 1
Prozessformalisierung
(b) 1
Innovationsgrad
Innovationsgrad 0
1
0.5
Erfolg
Erfolg 0
0.5
1
0
Prozessformalisierung 1
Prozessformalisierung
Abbildung 10.7: Moderatorwirkung des Innovationsgrads auf die Beziehung zwischen Prozessformalisie-
rung und Erfolg. (a) Reiner Moderator im Regressionsmodell. (b) Quasi-Moderator im LISREL-Modell.
10.6. Ergänzende Analysen zur Zieldefinition 281
10.6 Ergänzende Analysen zur Zieldefinition
Nachdem die zentralen Wirkungsbeziehungen dieser Untersuchung getestet wurden, sol-

len im folgenden noch die ergänzenden Hypothesen zur Zieldefinition, also zu Zielhöhe,
Zielspezifität und zielorientierten Steuerungsgrößen geprüft werden.
In Hypothese H10 wurde zunächst vermutet, dass mit steigendem Anspruchsniveau in
bestimmten Erfolgsdimensionen auch der realisierte Erfolg in dieser Dimension steigt, der
Effekt jedoch mit zunehmendem Innovationsgrad schwächer ausgeprägt ist. Die Hypothe-
se wird für die vier Erfolgsdimensionen separat durch moderierte Regressionen untersucht,
deren Ergebnisse in den Tabellen 10.8 bis 10.11 zusammengefasst werden. Die Erfolgsdi-
mensionen werden hier durch Summenvariablen über die Items abgebildet, die auch bei
der Operationalisierung des Vorhabenserfolgs in Kapitel 9 verwendet wurden.5 Um das
Anspruchsniveau in den unterschiedlichen Erfolgsdimensionen erfassen und vergleichbar
machen zu können, wurde im Rahmen der Datenerhebung die Wichtigkeit aller erhobenen
Erfolgsgrößen ermittelt.6
Die statistischen Ergebnisse untermauern zunächst Hypothese H10a: Obwohl die Va-
rianzerklärung mit maximal 16 Prozent in den vier Regressionsmodellen relativ niedrig
ist, sind die F -Werte und die β-Koeffizienten der Zielwichtigkeit auf die entsprechen-
de Erfolgsdimension durchweg signifikant. Am stärksten ist dieser positive Einfluss des
Anspruchsniveaus beim Technischen Erfolg ausgeprägt (β = 0,34 und p < 0,001), am
schwächsten beim Markterfolg (β = 0,19 und p < 0,1). Die Moderationshypothese H10b
dagegen kann zwar nicht rundheraus abgelehnt werden, allerdings lässt sich nur im Fall
des Technischen Erfolgs ein signifikant negativer Moderatoreffekt des Innovationsgrads
auf die Beziehung zwischen Anspruchsniveau und Zielerreichung nachweisen. Modell 3 in
Tabelle 10.8 zeigt, dass der Moderatoreffekt auf 0,1-Prozent-Niveau signifikant ist und 6
Prozent zur Varianzerklärung beiträgt. In Modell 4 wurden zusätzlich noch die Zielwich-
tigkeiten der drei übrigen Erfolgsdimensionen als Kontrollvariablen aufgenommen, tragen
allerdings hier wie auch in den drei folgenden Regressionsanalysen nicht signifikant zur
Varianzerklärung bei. Um sicherzustellen, dass die OLS-Schätzung nicht durch Multikol-
linearität verzerrt wird, wurde der Variance Inflation Factor für alle Variablen ermittelt;
mit einem Maximum von 1,6 lag er deutlich unter dem allgemein akzeptierten Grenzwert
von 10. Insgesamt wird also Hypothese H10a deutlich untermauert, während die Mode-
rationshypothese H10b zweifelhaft erscheint und einer näheren Prüfung in zukünftigen
Untersuchungen bedarf.
5
Vgl. v. a. Tabelle 9.20 auf S. 243.
6
Die Items wurden anhand der Frage Wie wichtig waren die folgenden Zielgrößen für ihr Vorhaben?“
”
auf Siebenerskalen erhoben.
Technischer Erfolg
Unabhängige Variablen Modell 1 Modell 2 Modell 3 Modell 4
Zielwichtigkeit Technischer Erfolg 0,31∗∗∗ 0,30∗∗∗ 0,38∗∗∗ 0,34∗∗∗

Innovationsgrad (INNOV) −0,04 0,00 0,02
INNOV × Zielwichtigkeit Technischer Erfolg −0,30∗∗∗ −0,27∗∗
Zielwichtigkeit Markterfolg 0,13
Zielwichtigkeit Finanzerfolg 0,02
Zielwichtigkeit Zeitplaneinhaltung 0,08
2
R 0,09 0,10 0,18 0,21
∆R2 0,09 0,01 0,08 0,03
2
Radj. 0,09 0,08 0,15 0,16
F 11,29∗∗ 5,68∗∗ 7,67∗∗∗ 4,60∗∗∗
∗ ∗∗ ∗∗∗
p < 0, 10, p < 0, 01, p < 0, 001.
Tabelle 10.8: Moderierte Regressionsanalyse zum Einfluss von Zielwichtigkeit auf Technischen Erfolg
Markterfolg

∗∗ ∗∗ ∗∗
Zielwichtigkeit Markterfolg 0,28 0,27 0,29 0,19∗
Innovationsgrad (INNOV) −0,14 −0,11 −0,10
INNOV × Zielwichtigkeit Markterfolg −0,11 −0,12
Zielwichtigkeit Technikerfolg 0,05
Zielwichtigkeit Finanzerfolg 0,17
R2 0,08 0,10 0,11 0,14

∆R2 0,08 0,02 0,01 0,03
2
Radj. 0,07 0,08 0,08 0,09
F 9,82∗∗ 5,51∗∗ 4,12∗∗ 5,84∗∗
∗ ∗∗ ∗∗∗
p < 0, 10, p < 0, 01, p < 0, 001.
Tabelle 10.9: Moderierte Regressionsanalyse zum Einfluss von Zielwichtigkeit auf Markterfolg
Finanzerfolg
Zielwichtigkeit Finanzerfolg 0,39∗∗∗ 0,40∗∗∗ 0,40∗∗∗ 0,34∗

INNOV × Zielwichtigkeit Finanzerfolg −0,01 −0,02
2
R 0,16 0,17 0,17 0,19
∆R2 0,16 0,01 0,00 0,02
2
Radj. 0,15 0,15 0,14 0,14
F 19,04∗∗∗ 10,45∗∗∗ 6,90∗∗∗ 3,83∗∗
∗ ∗∗ ∗∗∗
p < 0, 10, p < 0, 01, p < 0, 001.
Tabelle 10.10: Moderierte Regressionsanalyse zum Einfluss von Zielwichtigkeit auf Finanzerfolg
Zeitplaneinhaltung

∗∗ ∗∗ ∗∗
Zielwichtigkeit Zeitplaneinhaltung 0,26 0,25 0,29 0,24∗∗
INNOV × Zielwichtigkeit Zeitplaneinhaltung −0,11 −0,09
Zielwichtigkeit Finanzerfolg 0,25∗
R2 0,07 0,07 0,08 0,13

∆R2 0,07 0,00 0,01 0,05
2
Radj. 0,06 0,06 0,06 0,08
F 8,00∗∗ 4,27∗ 3,27∗ 2,64∗
∗ ∗∗ ∗∗∗
p < 0, 10, p < 0, 01, p < 0, 001.
Tabelle 10.11: Moderierte Regressionsanalyse zum Einfluss von Zielwichtigkeit auf Zeitplaneinhaltung
Im folgenden soll Hypothese H11 überprüft werden, in der vermutet wurde, dass die
Zielerreichung in bestimmten Erfolgsdimensionen desto höher ausfällt, je spezifischer die
Vorhabensziele im Hinblick auf diese Erfolgsdimensionen formuliert wurden (H11a). Mit
zunehmendem Innovationsgrad eines Projektes wird dieser Zusammenhang vermutlich
schächer ausgeprägt sein (H11b).
Zur Messung der Zielspezifität wurde wiederum auf die Items zur Zielwichtigkeit
zurückgegriffen. So wird der Grad an Zielspezifität hinsichtlich einer bestimmten Er-
folgsdimension dadurch ermittelt, dass die Summe der für diese Dimension relevanten
Zielwichtigkeitsitems summiert und durch die Gesamtsumme aller Zielwichtigkeitsitems
dividiert wird. Die so errechnete Variable wird im folgenden als Betonung“ der jeweiligen
”
Erfolgsdimension bezeichnet. Auf diese Weise wird der Versuch unternommen, die Spezi-
fität der Zielformulierung direkt messbar zu machen, anstatt sich auf perzeptive Items zu
verlassen.7
Wie oben wurden für alle vier Erfolgsdimensionen separate Regressionsmodelle ana-
lysiert, deren Ergebnisse in den Tabellen 10.12 bis 10.15 zusammengefasst sind. Für den
Finanzerfolg lässt sich ein signifikanter positiver Zusammenhang zwischen einer Betonung
finanzieller Ziele und der tatsächlichen Zielerreichung nachweisen (β = 0,32 und p < 0,01),
der F -Wert ist signifikant und lässt damit eine sinnvolle Interpretation des Ergebnisses zu,
die Varianzerklärung ist mit 8 Prozent immerhin spürbar. Für alle anderen Erfolgsdimen-
sionen erweisen sich die direkten Zusammenhänge zwischen Zielbetonung und -erreichung
als nicht signifikant. Darüberhinaus haben die Moderatorprodukte zwar in allen vier Mo-
dellen negative Vorzeichen, sind jedoch nie signifikant. Eine mögliche Verzerrung durch
Multikollinearität kann vernachlässigt werden, da der Variance Inflation Factor einen Wert
von 1,2 nicht überschreitet.
Angesichts dieser Befunde können die Hypothesen H11a und H11b zwar nicht rund-
heraus abgelehnt werden, allerdings bestätigt sich die in Abschnitt 4.2.2 erwähnte Tat-
sache, dass der Zusammenhang zwischen Zielspezifität und Erfolg auf der Ebene von
Gruppenzielen bislang nicht besonders eingehend untersucht wurde und sogar auf der
Ebene von Individualzielen die Allgemeingültigkeit des Zusammenhangs mittlerweile an-
gezweifelt wird. Folgearbeiten sollten daher die theoretischen Grundlagen des vermuteten
Zusammenhangs näher beleuchten und sich daraus eventuell ergebende alternative Wege
der Variablenoperationalisierung und Hypothesenprüfung eingehend untersuchen.
7
Ein solches Item könnte etwa durch die Frage Wie spezifisch waren die technischen Ziele für das
”
Vorhaben formuliert?“ gebildet werden.
Technischer Erfolg
Unabhängige Variablen Modell 1 Modell 2 Modell 3
Betonung Technikziele −0,04 −0,04 0,02

Innovationsgrad (INNOV) −0,08 −0,10
INNOV × Betonung Technikziele −0,17
2
R 0,00 0,01 0,03
∆R2 0,00 0,01 0,02
2
Radj. −0,01 −0,01 0,01
F 0,15 0,43 1,17
∗ ∗∗ ∗∗∗
p < 0, 10, p < 0, 01, p < 0, 001.
Tabelle 10.12: Moderierte Regressionsanalyse zum Einfluss von Zielspezifität auf den Technischen Erfolg
Markterfolg
Betonung Marktziele −0,07 −0,08 0,07

Innovationsgrad (INNOV) −0,16 −0,17∗
INNOV × Betonung Marktziele −0,08
2
R 0,01 0,03 0,04
∆R2 0,01 0,02 0,01
2
Radj. −0,01 0,01 0,01
F 0,52 1,57 1,29
∗ ∗∗ ∗∗∗
p < 0, 10, p < 0, 01, p < 0, 001.
Tabelle 10.13: Moderierte Regressionsanalyse zum Einfluss von Zielspezifität auf den Markterfolg
Finanzerfolg
Betonung Finanzziele 0,29∗∗ 0,31∗∗ 0,32∗∗

INNOV × Betonung Finanzziele −0,11
2
R 0,08 0,11 0,12
∆R2 0,08 0,03 0,01
2
Radj. 0,08 0,09 0,09
F 9,55∗∗ 6,03∗∗ 4,46∗∗
∗ ∗∗ ∗∗∗
p < 0, 10, p < 0, 01, p < 0, 001.
Tabelle 10.14: Moderierte Regressionsanalyse zum Einfluss von Zielspezifität auf den Finanzerfolg
Zeitplaneinhaltung
Betonung Zeitplaneinhaltung 0,13 0,12 0,14

INNOV × Betonung Zeitplaneinhaltung −0,05
2
R 0,02 0,03 0,03
∆R2 0,02 0,01 0,00
2
Radj. 0,01 0,01 0,00
F 1,88 1,49 1,07
∗ ∗∗ ∗∗∗
p < 0, 10, p < 0, 01, p < 0, 001.
Tabelle 10.15: Moderierte Regressionsanalyse zum Einfluss von Zielspezifität auf die Zeitplaneinhaltung
Technischer Erfolg
Wahrscheinlichkeit technischen Erfolgs 0,11 0,11 0,09 0,06

INNOV × Wahrscheinlichkeit technischen Erfolgs 0,06 0,09
Wahrscheinlichkeit des Markterfolgs −0,14
Prognostiziertes Marktvolumen 0,26
Prognostizierter Umsatz −0,13
Prognostizierte Zielkosten −0,04
Prognostizierter Kapitalwert/NPV 0,29∗
Prognostizierter ROI/IRR −0,10
Prognostizierte Amortisationszeit 0,10
Einhaltung Projektzeitplan 0,06
Prognostizierte time-to-market 0,09
R2 0,01 0,01 0,02 0,18

∆R2 0,01 0,00 0,01 0,16
2
Radj. 0,00 −0,00 −0,01 0,08
F 1,46 0,90 0,72 1,83∗
∗ ∗∗ ∗∗∗
p < 0, 10, p < 0, 01, p < 0, 001.
Tabelle 10.16: Moderierte Regressionsanalyse zum Einfluss von Steuerungsgrößen auf den Technischen
Erfolg
Abschließend ist noch Hypothese H12 zu prüfen, in der vermutet wird, dass mit stei-
gender Betonung bestimmter Steuerungsgrößen im Rahmen der Projektsteuerung die Ziel-
erreichung in den korrespondierenden Erfolgsdimensionen steigt (H12a). Je höher der In-
novationsgrad eines Projektes ist, desto schwächer wird dieser Zusammenhang vermutlich
ausgeprägt sein (H12b).
Insgesamt wurden in Anlehnung an Hart et al. (2003) zehn verbreitete Steuerungs-
größen ausgewählt und auf Siebenerskalen erhoben, wie wichtig diese Größen für die
Entscheidungsfindung bei zentralen Vorhabensfragen waren. Um die Auswirkung der Be-
tonung verschiedener Steuerungsgrößen auf den Vorhabenserfolg zu beurteilen, wird für
jede der Erfolgsdimensionen wiederum ein separates Modell untersucht, bei dem zunächst
die auf die jeweilige Erfolgsdimension zugeschnittenen Steuerungsgrößen als unabhängige
Variablen in die stufenweise Regression aufgenommen werden, bevor der Innovationsgrad,
die Moderatorterme sowie als Kontrollvariablen die übrigen Steuerungsgrößen folgen. Die
Ergebnisse sind in den Tabellen 10.16 bis 10.19 zusammengefasst.
Markterfolg

∗ ∗ ∗
Wahrscheinlichkeit des Markterfolgs 0,20 0,21 0,20 0,20∗
Prognostiziertes Marktvolumen 0,26∗ 0,27∗ 0,22 0,17
Prognostizierter Umsatz −0,19 −0,20 −0,16 −0,08
Prognostizierte Zielkosten 0,31∗∗ 0,30∗∗ 0,32∗∗ 0,39∗∗
Innovationsgrad (INNOV) −0,04 0,03 −0,02
INNOV × Wahrscheinlichkeit des Markterfolgs −0,16 −0,22∗
INNOV × Prognostiziertes Marktvolumen −0,10 −0,09
INNOV × Prognostizierter Umsatz 0,13 0,16
INNOV × Prognostizierte Zielkosten −0,00 −0,05
Wahrscheinlichkeit technischen Erfolgs −0,04
Prognostizierter Kapitalwert/NPV 0,28∗
Prognostizierter ROI/IRR −0,10
Prognostizierte Amortisationszeit −0,19
Einhaltung Projektzeitplan −0,13
2
R 0,21 0,21 0,24 0,30
∆R2 0,21 0,00 0,03 0,06
2
Radj. 0,18 0,17 0,17 0,18
F 6,85∗∗∗ 5,47∗∗∗ 3,45∗∗ 2,55∗∗
∗ ∗∗ ∗∗∗
p < 0, 10, p < 0, 01, p < 0, 001.
Tabelle 10.17: Moderierte Regressionsanalyse zum Einfluss von Steuerungsgrößen auf den Markterfolg
Tabelle 10.16 kann entnommen werden, dass sich die geschätzte Wahrscheinlichkeit des
technischen Erfolgs nicht als geeignete Steuerungsgröße erweist, um den endgültig reali-
sierten technischen Erfolg signifikant zu steigern. Demgegenuber
¨ zeigt sich uberraschender
¨ -
weise, dass sich eine Projektsteuerung anhand der finanziellen Kenngröße Prognostizierter
”
Kapitalwert/NPV“ signifikant positiv auf die Erreichung technischer Ziele auswirkt. Even-
tuell lässt sich dieser Umstand dadurch erklären, dass eine stringente Steuerung anhand
nüchterner Finanzkennzahlen eine fokussierende Wirkung auf das Projektteam hat und
von der Verfolgung schwer einzuschätzender, risikoreicher technischer Lösungen abhält.
Demgegenüber entspricht die in Tabelle 10.17 gezeigte Analyse zur Wirkung von Steue-
rungsgrößen auf den Markterfolg stärker den ursprünglich formulierten Hypothesen. Ins-
besondere die Beurteilung zentraler Vorhabensentscheidungen vor dem Hintergrund der
aus Markt- und Kundenforderungen abgeleiteten Zielkosten zeigt hier eine stark positive
Erfolgswirkung, aber auch die Verwendung der Steuerungsgröße Wahrscheinlichkeit des
”
Finanzerfolg
Prognostizierter Kapitalwert/NPV 0,09 0,10 0,09 0,08

Prognostizierter ROI/IRR 0,30∗ 0,29∗ 0,28∗ 0,23∗
Prognostizierte Amortisationszeit 0,06 0,06 0,12 0,03
INNOV × Prognostizierter Kapitalwert/NPV −0,19 −0,19
INNOV × Prognostizierter ROI/IRR 0,15 0,12
INNOV × Prognostizierte Amortisationszeit −0,23∗ −0,23∗
Wahrscheinlichkeit des Markterfolgs 0,23∗
Prognostizierte Zielkosten 0,19
Einhaltung Projektzeitplan −0,10
2
R 0,16 0,17 0,24 0,31
∆R2 0,16 0,01 0,07 0,07
2
Radj. 0,14 0,13 0,18 0,20
F 6,39∗∗ 4,92∗∗ 4,29∗∗∗ 2,89∗∗
∗ ∗∗ ∗∗∗
p < 0, 10, p < 0, 01, p < 0, 001.
Tabelle 10.18: Moderierte Regressionsanalyse zum Einfluss von Steuerungsgrößen auf den Finanzerfolg
Markterfolgs“ stellt sich als positiv heraus. Für diese Variable bestätigt sich auch der in
H11b postulierte Moderatoreffekt, d. h. mit zunehmendem Innovationsgrad fällt die mit
der Verwendung dieser Steuerungsgröße verbundene Erfolgssteigerung geringer aus. Da-
neben erweist sich wie schon beim Technischen Erfolg auch hier wieder die Verwendung
der Kenngröße Prognostizierter Kapitalwert/NPV“ als erfolgswirksam.
”
Vor diesem Hintergrund ist es als erstaunlich zu werten, dass sich eine Steuerung
anhand zukünftig erwarteter Kapitalwerte nicht in einer signifikanten Steigerung des
endgültig realisierten Finanzerfolgs niederschlägt (vgl. Tabelle 10.18).8 Hier erweist
sich vielmehr die Betrachtung des erwarteten ROI bzw. des internen Zinsfusses als
zielführend sowie die Steuerungsgröße Wahrscheinlichkeit des Markterfolgs“, was inso-
”
fern verständlich ist, als ein Markterfolg als Voraussetzung für einen kommerziellen Erfolg
8
Hierbei ist allerdings zu berücksichtigen, dass der β-Koeffizient des Moderatorterms aus Innovations-
grad und erwartetem Kapitalwert negativ und an der Grenze zur Signifikanz auf 10-Prozent-Niveau
ist.
Zeitplaneinhaltung

∗∗∗ ∗∗∗ ∗∗∗
Einhaltung Projektzeitplan 0,36 0,36 0,36 0,27∗∗
Prognostizierte time-to-market 0,04 0,03 0,07 −0,06
INNOV × Einhaltung Projektzeitplan −0,09 −0,13
INNOV × Prognostizierte time-to-market −0,16∗ −0,16∗
Wahrscheinlichkeit des Markterfolgs −0,00
Prognostizierte Zielkosten −0,14
Prognostizierter Kapitalwert/NPV 0,19
Prognostizierter ROI/IRR 0,07
Prognostizierte Amortisationszeit −0,14
2
R 0,14 0,14 0,18 0,28
∆R2 0,14 0,00 0,04 0,10
2
Radj. 0,12 0,12 0,14 0,18
F 9,13∗∗∗ 6,23∗∗ 4,86∗∗∗ 2,99∗∗
∗ ∗∗ ∗∗∗
p < 0, 10, p < 0, 01, p < 0, 001.
Tabelle 10.19: Moderierte Regressionsanalyse zum Einfluss von Steuerungsgrößen auf die Zeitplanein-
haltung
anzusehen ist. Tabelle 10.17 kann schließlich noch entnommen werden, dass sich ein strik-
ter Fokus auf Zeitplaneinhaltung tatsächlich auch in einer entsprechenden Zielrealisierung
niederschlägt, wobei dieser Zusammenhang wiederum negativ durch den Innovationsgrad
moderiert wird.
Zusammenfassend kann festgestellt werden, dass Hypothese H12 nicht abgelehnt wer-
den kann, die Wirkung der Steuerungsvariablen allerdings nicht durchweg der Erwartung
entspricht. So erweist sich beispielsweise die Steuerung anhand der absoluten Finanzkenn-
zahl Kapitalwert/NPV v. a. als förderlich für die Erreichung von technischen und Markt-
zielen, während die Erreichung der finanziellen Projektziele eher durch die Verfolgung der
relativen Finanzkenngrößen ROI und IRR unterstützt werden sollte. Die Koeffizienten
der Moderatorterme sind nicht durchgängig signifikant und negativ, doch erweisen sich
zumindest alle signifikanten Terme als negativ, ein zunehmender Innovationsgrad scheint
also tatsächlich die Erfolgswirkung von Steuerungsgrößen einzuschränken.
Kapitel 11
Zusammenfassung und Ausblick
In diesem Kapitel sollen zunächst die zentralen Ergebnisse der theoretischen Analyse im
ersten Teil dieser Arbeit sowie die Befunde der empirischen Untersuchung im zweiten
Teil der Arbeit zusammenfassend diskutiert werden. Im Anschluss werden Konsequenzen
für die tatsächliche Planung und Steuerung von Innovationsvorhaben in der Unterneh-
menspraxis abgeleitet, bevor abschließend Ansatzpunkte für die weitere wissenschaftliche
Vertiefung des in dieser Arbeit betrachteten Untersuchungsgegenstands aufgezeigt wer-
den.
11.1 Zusammenfassung der Untersuchung
Ausgangspunkt der Untersuchung war die Tatsache, dass sich trotz der großen Bedeutung
von Innovationsprojekten nach wie vor viele Unternehmen mit erheblichen Problemen
bei der Planung und Umsetzung dieser strategisch wichtigen Vorhaben konfrontiert se-
hen. Angesichts der Tatsache, dass viele für die Unternehmenspraxis formulierte Best
Practices, die ein effizientes Management von Neuproduktentwicklungen versprechen, nur
unzureichend zwischen hoch- und niedriginnovativen Projekten und ihren spezifischen An-
forderungen differenzieren, wurden die Planung und Steuerung von Innovationsvorhaben
sowie die dabei möglicherweise auftretenden Moderatorwirkungen der Innovationshöhe
zuletzt verstärkt in der betriebswirtschaftlichen Forschung untersucht. Dabei traten eine
Reihe von offensichtlich widersprüchlichen Befunden und Forschungslücken zutage, die zu
den folgenden Forschungsfragen für die vorliegende Arbeit geführt haben:
1. Welchen Einfluss haben unterschiedliche Aspekte der Vorhabensplanung sowie der

formellen Projektsteuerung auf den Erfolg von Innovationsprojekten?
2. Welcher Zusammenhang besteht dabei zwischen den Planungs- und den Steuerungs-
aktivitäten, inwiefern übt also die Projektsteuerung eine Mediator -Rolle für die Be-
ziehung zwischen Planung und Erfolg aus?
292 11. Zusammenfassung und Ausblick
3. Welchen Einfluss hat die Innovationshöhe auf die Beziehungen zwischen Vorhabens-
planung, -steuerung und -erfolg, inwiefern übt also der Innovationsgrad eine Mode-
rator -Rolle aus?
Im theoretischen Teil der Arbeit wurde zunächst ein Grundmodell abgeleitet (vgl.
Abschnitt 3.5), das den Erfolg von Innovationsvorhaben aus den im Projektverlauf zum
Tragen kommenden Planungs- und Steuerungsfähigkeiten herleitet. Nach der situativen
Theorie der Informationsverarbeitung hängt deren optimale Ausprägung vom Grad der
Unsicherheit ab, der hier durch den Innovationsgrad des Vorhabens erfasst werden soll.
Weiterhin fordern Konfigurationsansätze die interne Konsistenz der Gestaltungsparame-
ter, hier also der Planungs- und Steuerungsaktivitäten. Dieses theoretische Grundmodell
wurde in Kapitel 4 anhand der wissenschaftlichen Literatur zum Innovations- und Pro-
jektmanagement konkretisiert und in eine Reihe von Aussagen gefasst, die in Kapitel 5 mit
den Befunden einer Metaanalyse über die bestehende empirische Forschung zum Untersu-
chungsgegenstand der Arbeit konfrontiert wurden. Auf dieser Basis wurden in Kapitel 6
die eigentlichen Hypothesen der Arbeit abgeleitet und im empirischen Teil überprüft.
Die Ergebnisse der statistischen Analyse zeigen zunächst, dass sorgfältige Business-
planung in der Frühphase eines Vorhabens einen starken positiven Effekt auf die Qualität
der sich anschließenden Aktivitäten von Projektplanung und Risikomanagement hat. Die-
se Beziehungen gelten sowohl für hoch- als auch für niedriginnovative Projekte. Die ur-
sprünglich vermutete positive Moderatorwirkung des Innovationsgrades konnte hier also
nicht nachgewiesen werden. Die operative Projektplanung in Form von Aktivitäten- und
Ressourcenplanung sowie systematischer Risikoanalyse und -vorbeugung zeigt wiederum
unabhängig vom realisierten Innovationsgrad einen starken Einfluss auf die Qualität der
Projektdurchführung, die hier durch Prozessformalisierung und -stabilität erfasst wird.
Als einzige der Planungsvariablen hat das Risikomanagement, das ja direkt Maßnah-
men der Verlustvermeidung bzw. -verkürzung beinhaltet, eine direkte Erfolgswirkung, die
wiederum unabhängig vom Innovationsgrad des Vorhabens ist. Im Gegensatz zu vielen
früheren Untersuchungen im Bereich des Innovationsmanagement unterstellt die vorliegen-
de Arbeit also nicht per se eine direkte Erfolgswirkung aller Planungsaktivitäten, sondern
weist anhand eines Pfadmodells mit mehreren zeitlich separierten Stufen nach, dass sich
sorgfältige Planung zunächst vor allem in einer verbesserten Prozessqualität im Rahmen
der Projektdurchführung niederschlägt, die dann möglicherweise den Vorhabenserfolg po-
sitiv beeinflussen kann.
In dieser letzten Stufe des nomologischen Netzes zeigt sich einer der interessantesten
Befunde der vorliegenden Arbeit. Basierend auf der situativen Theorie der Informations-
verarbeitung war die Hypothese abgeleitet worden, dass die Koordinations- und Kon-
trollmechanismen in der Implementierungsphase am Ausmaß der nach der Planungsphase
11.2. Methodische Aspekte und Ansatzpunkte für zukünftige Forschung 293
verbleibenden Unsicherheit auszurichten seien, dass also bei niedriginnovativen Projek-

ten ein hoher Formalisierungsgrad erfolgssteigernd wirkt, während er bei hochinnovativen
Projekten eine erfolgshemmende Wirkung hat. Diese zentrale Hypothese konnte sowohl
im Rahmen der Metaanalyse bestehender Forschung als auch in der eigenen empirischen
Untersuchung untermauert werden und relativiert damit zum Teil die Befunde früherer
Erfolgsfaktorenstudien zu Innovations- und Produktentwicklungsprojekten. Unabhängig
vom Innovationsgrad konnte dagegen nachgewiesen werden, dass Prozessstabilität im Sin-
ne von geringen Ziel-, Plan- und Ressourcenänderungen ein zentraler Erfolgsfaktor ist,
selbst bei hochgradigen Innovationen, die eine solche Konstanz schwierig darstellbar er-
scheinen lassen.
Neben diesem Hauptstrang der Untersuchung wurde in einer ergänzenden Analyse mit
der Zieldefinition ein spezieller Aspekt der Frühphasenplanung näher untersucht. Hier
zeigt sich zunächst in Übereinstimmung mit Befunden der individual- und gruppenpsy-
chologischen Forschung, dass die gewählte Anspruchs- bzw. Zielhöhe in einer bestimmten
Erfolgsdimension einen signifikanten Einfluss auf den tatsächlich erzielten Erfolg in dieser
Dimension hat. Eine negative Moderation dieser Beziehung konnte allerdings nur für eine
der Erfolgsdimensionen, nämlich den technischen Erfolg nachgewiesen werden. In einem
zweiten Schritt wurde untersucht, wie sich die Spezifität der Zielsetzung auf den realisier-
ten Erfolg auswirkt, ob also die Betonung einer bestimmten Zieldimension auch zu einer
höheren Erfolgsrealisierung in der entsprechenden Dimension führt. Diese Analyse ergab
keine schlüssigen Befunde, da nur im Fall der Finanzziele eine besondere Betonung auch
zu einer signifikant höheren Zielrealisierung geführt hat und sich ein Moderatoreffekt nur
hinsichtlich der Marktziele nachweisen ließ. Inwieweit dieser negative Befund auf die hier
gewählte Operationalisierung zurückzuführen ist, muss in Folgeuntersuchungen geprüft
werden. In einem dritten Schritt wurde schließlich untersucht, ob die Wahl bestimmter
Projektsteuerungs größen einen signifikanten Einfluss auf die Zielerreichung in den ent-
sprechenden Erfolgsdimensionen hat. Diese Hypothese wurde tendenziell untermauert,
wenn auch einige der Steuerungsgrößen deutliche Effekte auf scheinbar unverbundene Er-
folgsdimensionen zeigten. Hierin drückt sich aber offensichtlich die Tatsache aus, dass die
Dimensionen des Erfolgskonstruktes relativ stark korrelieren, dass also beispielsweise ein
hoher Finanzerfolg nicht ohne einen entsprechend hohen Markterfolg zu realisieren ist.
11.2 Methodische Aspekte und Ansatzpunkte für zukünftige

Forschung
Das in LISREL abgebildete Basismodell zur Planung und Steuerung von Innovations-
projekten erklärt knapp 40 Prozent der Varianz des Vorhabenserfolgs. Dieser Wert kann
als zufriedenstellend angesehen werden, lässt sich aber sicher steigern durch Modellerwei-
terungen, die über den Rahmen der vorliegenden Untersuchung hinausgehen und neue
Forschungsfragen aufwerfen.
Zunächst ist anzumerken, dass sich diese Arbeit klar auf die Ebene des Ein-
zelprojekts beschränkt hat und damit von der Einbettung des Vorhabens in einen
übergeordneten Unternehmenszusammenhang abstrahiert. Folgeuntersuchungen könnten
diese Einschränkung aufgeben und beispielsweise analysieren, ob die von einem Unter-
nehmen gewählte Innovationsstrategie einen nachweisbaren Einfluss auf die Planung und
Durchführung einzelner Innovationsprojekte hat, ob sich also signifikant unterschiedliche
Wirkungsbeziehungen für verschiedene Typen innovierender Unternehmen nachweisen
lassen. Ein anderer interessanter Gesichtspunkt ist die Frage, wie Innovationsprojekte in
ein Projektportfolio einzubetten sind und welche Auswirkungen dabei hinsichtlich ihrer
Planung und Steuerung zutage treten. Führen regelmäßige Priorisierungsentscheidungen
im Rahmen eines Portfolios dazu, dass erhöhtes Augenmerk auf Aspekte der Business-
planung und Risikoidentifikation gelegt wird? Welchen Effekt hat die Portfoliosteuerung
auf Steuerungsvariablen, führen also beispielsweise regelmäßige Portfolioreviews zu einer
formalisierteren Prozesssteuerung? Stellen sich Repriorisierungen im Rahmen des Innova-
tionsportfolios für das Einzelvorhaben als störende Eingriffe in den Projektablauf heraus,
die zu einer niedrigeren Prozessstabilität führen? Eine Analyse von Innovationsvorhaben
im Kontext des Projektportfolios würde darüber hinaus die Möglichkeit eröffnen, un-
abhängige Einschätzungen der Portfolio- und Einzelprojektperspektive zu erhalten und
damit den in der vorliegenden Untersuchung nicht zu vermeidenden Informant Bias zu
kontrollieren.
Ein weiterer Ansatzpunkt zukünftiger Forschung könnte in der Ausarbeitung und em-
pirischen Validierung der im theoretischen Teil erläuterten informationstheoretischen Fun-
dierung von Planungs- und Steuerungsgesichtspunkten liegen. Aus der situativen Theo-
rie der Informationsverarbeitung lassen sich hier zahlreiche Fragen ableiten, die den De-
taillierungsgrad der vorliegenden Arbeit übersteigen: Welche spezifischen Informationen
können in unterschiedlichen Projektphasen generiert werden? Wie wirkt sich die Güte der
Informationsverarbeitung an kritischen Entscheidungspunkten eines Vorhabens auf den
realisierten Erfolg aus? Wie lässt sich medialer Reichtum möglichst praxisnah operatio-
nalisieren, um das Konstrukt Prozessformalisierung informationstheoretisch messbar zu
machen?
Auch unter vorrangig methodischen Gesichtspunkten ergibt sich weiterer Forschungs-
bedarf. Im Rahmen der vorliegenden Untersuchungen ist großer Wert auf die statistische
Operationalisierung und Validierung der verwendeten Konstrukte gelegt worden. Hinsicht-
lich der dabei zu verwendenden Messmodelle stellt sich die ungelöste Frage, inwiefern sich
die Indikation des Tetradentests für oder gegen die Verwendung eines reflexiven Messmo-
delles in den spezifischen Charakteristika des analysierten Itempools widerspiegelt. So
11.3. Konsequenzen für die Unternehmenspraxis 295
sind in der vorliegenden Arbeit beispielsweise die für Projektplanung und Risikomana-
gement verwendeten Items durch den Tetradentest als klar formativ eingestuft worden,
obwohl sie sich auf den ersten Blick nicht offensichtlich von der bei den anderen Kon-
strukten gewählten Operationalisierung unterscheiden. Daran anschließend stellt sich die
Frage, welche Auswirkung die Umstellung von reflexiver auf formative Messung überhaupt
auf die im Gesamtmodell geschätzten Wirkungsbeziehungen (Pfadkoeffizienten) hat. Die
Analysen im Abschnitt 10.3 haben hier keine allzu großen Differenzen erkennen lassen.
Zu prüfen wäre weiterhin, ob die Wirkung einer Umstellung von reflexiv auf formativ
auch von der Position des Konstruktes innerhalb des nomologischen Netzes abhängt. Um
dies erschöpfend untersuchen zu können, müsste wahrscheinlich auf Analysen mit PLS
(Partial Least Squares)1 zurückgegriffen werden, da die in Abschnitt 8.5.4 skizzierten
Identifikationsprobleme bei dieser Analysemethode nicht auftreten.
Auch hinsichtlich der beiden in dieser Arbeit verwendeten multidimensionalen Kon-
strukte hat sich weiterer Untersuchungsbedarf ergeben. Für zwei Dimensionen des In-
novationsgrades (Marktdimension und Interner Ressourcenfit) war das hier verwendete
Kriterium für Konvergenz validität nicht erfüllt. Es sollte daher näher untersucht werden,
ob sich die Domänen dieser beiden Faktoren überhaupt so weit überschneiden, dass man
sie sinnvollerweise unter dem übergeordneten Konstrukt Innovationsgrad“ zusammenfas-
”
sen kann. In ähnlicher Weise ergeben sich je nach verwendetem Kriterium auch tendenziell
Probleme mit der Diskriminanz validität im Zusammenhang mit der Technologiedimensi-
on des Innovationsgrades sowie dem Konstruktpaar Projektplanung und Prozessformali-
sierung. Dimensionalität und Itempool dieser Konstrukte sollte in Folgeuntersuchungen
weiter geprüft und verfeinert werden.
11.3 Konsequenzen für die Unternehmenspraxis
Die Zielsetzung dieser Arbeit war in erster Linie eine wissenschaftliche Untersuchung der
Wechselwirkung und Erfolgswirkung von Projektplanung und Steuerung im Rahmen von
Innovationsvorhaben. Dennoch stellt sich nach der detaillierten Analyse von 134 Innova-
tionsprojekten die Frage, welche praktischen Handlungsempfehlungen sich für das Mana-
gement ableiten lassen. Eine Reihe solcher Empfehlungen soll hier kurz zusammengefasst
werden:
1. Businessplanung in frühen Projektphasen ist ein unverzichtbarer Erfolgsfaktor für
Innovationsprojekte, auch für hochgradige Innovationen, die sich scheinbar einer
solchen Planung entziehen. Auch wenn die eigentlichen Planungsinhalte bei hochin-
novativen Vorhaben evtl. im Projektverlauf modifiziert werden müssen, trägt doch
1
Lohmöller (1989); Chin (1998).
schon der Akt der Planung selbst wesentlich zur Strukturierung und Qualität der
späteren Projektphasen bei.
2. Stark operativ orientierte Projektplanung (Projektstrukturplan, Meilensteinplan,

Ressourcenplan) und eine entsprechend an Meilensteinen ausgerichtete Steuerung
sollte nur bei Vorhaben mit vergleichsweise niedriger Innovationshöhe betont wer-
den. Während sie sich sehr gut zur Bewältigung komplexer, aber planbarer Abläufe
eignen, können sie sich bei hochgradigen Innovationen als Ressourcenverschwendung
und Hindernis erweisen.
3. Das Zielsystem eines Projektes prägt deutlich die Art des letztendlich realisierten
Erfolges, insbesondere wenn die entsprechenden Steuerungsgrößen verwendet wer-
den. Finanzkennzahlen wurden in der untersuchten Stichprobe tendenziell weniger
als andere Kennzahlen verwendet, erweisen sich jedoch als zentraler Erfolgsfaktor,
da ihre Betonung die Erreichung von Technik-, Markt- und Finanzzielen signifikant
positiv beeinflusst.
4. Wichtiger als ablauforientierte Projektplanung sind Aspekte der Risikoidentifikati-

on, -analyse und -vermeidung. Solche Aktivitäten helfen bei der Stabilisierung des
späteren Projektverlaufs und haben darüber hinaus eine direkte Erfolgswirkung.
5. Häufige Anpassungen der zentralen Vorhabensziele und der Ressourcenausstattung

eines Projektes sollten unbedingt vermieden werden. Selbst bei hochinnovativen Pro-
jekten erweisen sich Konstanz und Stabilität der Projektsteuerung als wesentliche
Erfolgsfaktoren.
Teil III
Anhänge
Anhang A
Algorithmus zum Tetradentest
Zur Durchführung des Tetradentests wurde das von Ting (1995) beschriebene SAS-Makro
in ein Mathematica 5.0-Notebook übertragen, wobei z. T. die zusätzlichen symbolischen
Fähigkeiten dieses Computer-Algebra-Systems ausgenutzt wurden. Das Mathematica-
Notebook beginnt mit der Definition der Modellstruktur durch die Matrizen Λ, Φ und Θδ
sowie der Eingabe der empirischen Kovarianzmatrix und der Fallzahl. Im Anschluss wird
die Kovarianzstruktur des Modells in Form der Matrix Σ = Λx ΦΛ x + Θδ symbolisch –
d. h. ohne Verwendung der empirischen Daten – berechnet:
<< Statistics‘ContinuousDistributions‘;
Off[General::spell1]
(* Eingabe der Modellstruktur *)

lambda = {
{lam1, 0, 0, 0},
{lam2, 0, 0, 0},
{lam3, 0, 0, 0},
{0, lam4, 0, 0},
{0, lam5, 0, 0},
{0, 0, lam6, 0},
{0, 0, lam7, 0},
{0, 0, 0, lam8},
{0, 0, 0, lam9}};
phi = {
{aa, ab, ac, ad},
{ab, bb, bc, bd},
{ac, bc, cc, cd},
{ad, bd , cd, dd}};
theta = DiagonalMatrix[{del1, del2, del3, del4, del5, del6, del7, del8, del9}];
dim = Length[theta];
sigma = lambda.phi.Transpose[lambda] + theta;
(* Kovarianzmatrix für Businessplanung *)

no = 132;
300 A. Algorithmus zum Tetradentest
sigmaEmp = {
{2.905, 1.536, 1.601, 1.113, 1.206, 0.651, 0.726, 0.710, 0.555},
{1.536, 3.093, 1.638, 0.962, 1.265, 0.643, 0.946, 0.772, 0.586},
{1.601, 1.638, 2.537, 0.934, 1.132, 0.769, 0.960, 0.930, 0.863},
{1.113, 0.962, 0.934, 3.467, 3.109, 0.917, 0.903, 0.681, 0.851},
{1.206, 1.265, 1.132, 3.109, 3.940, 1.231, 1.051, 0.504, 0.621},
{0.651, 0.643, 0.769, 0.917, 1.231, 2.481, 1.815, 0.721, 0.705},
{0.726, 0.946, 0.960, 0.903, 1.051, 1.815, 2.109, 0.772, 1.002},
{0.710, 0.772, 0.930, 0.681, 0.504, 0.721, 0.772, 2.652, 1.510},
{0.555, 0.586, 0.863, 0.851, 0.621, 0.705, 1.002, 1.510, 2.468}};
Im nächsten Schritt werden die identisch verschwindenden Tetraden des Modells ermittelt.
Zunächst wird dafür eine Funktion definiert, die die Tetradendifferenz τijkl = σij σkl −σik σjl
abbildet. Mit Hilfe von vier ineinander geschachtelten Schleifen werden systematisch die
möglichen Indexkombinationen durchlaufen, um Nulltetraden zu idenfizieren:
tau[i_, j_, k_, l_] :=

Module[{el}, el = sigma[[i, j]]sigma[[k, l]] - sigma[[i, k]]sigma[[j, l]]]
switch[i_, j_] := Module[{e, f}, {e = j, f = i}];
var1 = {{1, 1, 1, 1}}; var2 = {1, 1, 1, 1, 1};
id = 0; i = 1; j = 2; k = 3; l = 3;
While[i <= (dim - 3),

While[j <= (dim - 2),
While[k <= (dim - 1),
While[l < dim,
l = l + 1;
If[tau[i, j, k, l] == 0 ,
id = id + 1;
var2 = {i, j, k, l, id};
var1 = Append[var1, var2];
];
If[tau[i, l, j, k] == 0 ,
id = id + 1;
var2 = {i, l, j, k, id};
];
If[tau[i, k, l, j] == 0 ,
id = id + 1;
var2 = {i, k, l, j, id};
];
];
k = k + 1; l = k
];
j = j + 1; k = j + 1; l = k
];
i = i + 1; j = i + 1; k = j + 1; l = k
]
var1 = var3 = Rest[var1];
301
Als nächstes wird ein maximaler Satz nichtredundant verschwindender Tetraden als Teil-
menge aller Nulltetraden identifiziert. Hierzu werden zunächst die jeweils vier Kovarianzen
einer Tetrade unter Ausnutzung der Symmetrie der Kovarianzmatrix in eine Standardform
gebracht, bei der der kleinere Index vor dem größeren steht. Anschließend wird die Menge
der Nulltetraden mit Hilfe mehrerer ineinander geschachtelter Schleifen durchlaufen, um
Redundanzen zu idenfizieren. Redundanzen treten nach der von Bollen und Ting (1993, S.
157ff.) abgeleiteten Regel dann auf, wenn zwei Tetraden ein gemeinsames Kovarianzpaar
besitzen:
For[i = 1, i <= Length[var3], i++,

var1[[i,1]] = 1000Min[var3[[i,1]], var3[[i,2]]] + Max[var3[[i,1]], var3[[i,2]]];
var1[[i,5]] = i
];
im = Table[0, {Length[var1]}];
nr = Table[0, {Length[var1]}];
rvt = {x};
For[i = 1, i <= Length[var1], i++,

If[(im[[i]] != 1), nr[[i]] = 1];
For[p = 1, p <= Length[var1], p++,
If[p == i, Goto[sprungziel2]];
If[((p < i) || (im[[p]] == 1)),
cu1 = var1[[i, 1]]; cu2 = var1[[i, 2]];
cu3 = var1[[i, 3]]; cu4 = var1[[i, 4]];
ps1 = var1[[p, 1]]; ps2 = var1[[p, 2]];
ps3 = var1[[p, 3]]; ps4 = var1[[p, 4]];
cu = {cu1, cu2, cu3, cu4}; ps = {ps1, ps2, ps3, ps4};
share = 0; lhs = 0; rhs = 0; xhs = 0;
For[x = 1, x <= 4, x++,
For[y = 1, y <= 4, y++,
If[(cu[[x]] == ps[[y]]),
share = share + 1;
If[((x <= 2) && (y <= 2)), lhs = lhs + 1];
If[((x >= 3) && (y >= 3)), rhs = rhs + 1];
If[x <= 2, xhs = xhs + 1];
];
If[share == 2,
If[((lhs == 1) && (rhs == 1)),
For[x = 1, x <= 4, x++,
For[y = 1, y <= 4, y++,
If[cu[[x]] == ps[[y]],
If[x == 1, cv1 = cu[[2]]];
If[x == 2, cv1 = cu[[1]]];
If[x == 3, cv4 = cu[[4]]];
If[x == 4, cv4 = cu[[3]]];
If[y == 1, cv3 = ps[[2]]];
If[y == 2, cv3 = ps[[1]]];
If[y == 3, cv2 = ps[[4]]];

If[y == 4, cv2 = ps[[3]]];
];
];
];
];
If[lhs == 2,
cv1 = cu[[3]]; cv2 = cu[[4]];
cv3 = ps[[3]]; cv4 = ps[[4]]
];
If[rhs == 2,
cv1 = cu[[1]]; cv2 = cu[[2]];
cv3 = ps[[1]]; cv4 = ps[[2]]
];
If[((lhs == 0) && (rhs == 0)),
If[xhs == 1,
For[x = 1, x <= 4, x++,
For[y = 1, y <= 4, y++,
If[cu[[x]] == ps[[y]],
If[x == 1, cv1 = cu[[2]]];
If[x == 2, cv1 = cu[[1]]];
If[x == 3, cv3 = cu[[4]]];
If[x == 4, cv3 = cu[[3]]];
If[y == 1, cv2 = ps[[2]]];
If[y == 2, cv2 = ps[[1]]];
If[y == 3, cv4 = ps[[4]]];
If[y == 4, cv4 = ps[[3]]]
]
]
]
];
If[xhs == 0,
cv1 = cu[[1]]; cv2 = cu[[2]];
cv3 = ps[[3]]; cv4 = ps[[4]]
];
If[xhs == 2,
cv1 = cu[[3]]; cv2 = cu[[4]];
cv3 = ps[[1]]; cv4 = ps[[2]]
];
]; (* if lhs == 0 && rhs == 0 *)
];
];
];
(* Schritt 2: konstruiere VT, wenn 2 gemeinsame Kovarianzen auftreten *)
If[share == 2,
If[cv1 > cv2, {cv1, cv2} = switch[cv1, cv2]];
If[cv3 > cv4, {cv3, cv4} = switch[cv3, cv4]];
If[cv1 > cv3, {cv1, cv3} = switch[cv1, cv3];
{cv2, cv4} = switch[cv2, cv4]];
(* Schritt 3: vergleiche 4 Kovarianzen von i + 1 zur letzten *)
For[cp = i + 1, cp <= Length[var1], cp++,
count = 0;
cp1 = var1[[cp, 1]]; cp2 = var1[[cp, 2]];
cp3 = var1[[cp, 3]]; cp4 = var1[[cp, 4]];
cv = {cv1, cv2, cv3, cv4}; af = {cp1, cp2, cp3, cp4};
For[m = 1, m <= 4, m++,
303
For[n = 1, n <= 4, n++,

If[cv[[m]] == af[[n]], count = count + 1];
If[count == 4,
If[(im[[cp]] != 1),
For[s = i + 1, s <= Length[var1], s++,
If[(im[[s]] != 1),
{var1[[s, 1]], var1[[cp, 1]]} =
switch[var1[[s, 1]], var1[[cp, 1]]];
{var1[[s, 2]], var1[[cp, 2]]} =
{var1[[s, 3]], var1[[cp, 3]]} =
{var1[[s, 4]], var1[[cp, 4]]} =
{var1[[s, 5]], var1[[cp, 5]]} =
im[[s]] = 1;
Goto[sprungziel1];
]
]
]
]
]
]
]
];
Label[sprungziel1];
];
Label[sprungziel2];
]
]
(* Zusammenstellung eines Vektors nrvt = non-redundant vanishing tetrads *)

nrvt = {{1, 1, 1, 1, 1}};
For[i = 1, i <= Length[nr], i++,
If[nr[[i]] == 1,
nrvt = Append[nrvt, var3[[i]]]
];
];
nrvt = Rest[nrvt];
Da die in der Stichprobe realisierten Schätzer tghij der verschwindenden Grundgesamtheits-

Tetraden τghij aufgrund des Stichprobenfehlers im Allgemeinen von Null abweichen
werden, muss nach Ermittlung der unabhängig voneinander verschwindenden Tetra-
den statistisch geprüft werden, ob die Nullhypothese H0 : τ = 0 haltbar ist. Bol-
len und Ting (1993) haben eine Teststatistik T = N t Σ−1 tt t

konstruiert, wobei N
die Stichprobengröße bezeichnet und t den Vektor der in der Stichprobe realisierten
nichtredundant verschwindenden Tetradendifferenzen. Σ−1tt bezeichnet die Inverse der
Kovarianzmatrix Σtt = (∂τ /∂σ) ΣSS (∂τ /∂σ) , für deren Berechnung ein Vektor σ
aus allen in τ enthaltenen nichtredundanten Kovarianzen gebildet werden muss. Durch
partielle Differentiation des Vektors τ nach σ erhält man eine Matrix (∂τ /∂σ). Die
Elemente der Matrix ΣSS können bei multinormalverteilten manifesten Variablen nach
[ΣSS ](ef )(gh) = σeg σf h −σeh σf g gebildet werden. Jeder der beiden Doppelindizes läuft dabei
über alle in σ auftretenden Indexpaare. Für das in Abschnitt 8.5.2 besprochene Beispiel ei-
nes reflexiven Messmodells mit vier Indikatoren ergeben sich nach Gleichung (8.5.15) drei
verschwindende Tetraden, von denen eine redundant ist. Eliminiert man letztere, verblei-
ben insgesamt fünf nichtredundante Kovarianzen, beispielsweise {σ12 , σ13 , σ14 , σ23 , σ24 }. In
diesem Beispiel ist ΣSS also eine 5 × 5-Matrix, wobei jeder der beiden Doppelindizes über
die Menge {(12), (13), (14), (23), (24)} läuft. Die Rechnungen werden in Mathematica wie
folgt durchgeführt:
(* Bestimmung der nichtredundante Kovarianzen aus nrvt *)

nrcovs = {{0, 0}};
For[i = 1, i <= Length[nrvt], i++,
a = {Min[nrvt[[i, 1]], nrvt[[i, 2]]], Max[nrvt[[i, 1]], nrvt[[i, 2]]]};
b = {Min[nrvt[[i, 3]], nrvt[[i, 4]]], Max[nrvt[[i, 3]], nrvt[[i, 4]]]};
c = {Min[nrvt[[i, 1]], nrvt[[i, 3]]], Max[nrvt[[i, 1]], nrvt[[i, 3]]]};
d = {Min[nrvt[[i, 2]], nrvt[[i, 4]]], Max[nrvt[[i, 2]], nrvt[[i, 4]]]};
nrcovs = Union[nrcovs, {a}, {b}, {c}, {d}]
];
nrcovs = Rest[nrcovs];
(* Symbolische Bildung Vektors sigma *)

For[i = 1, i <= dim, i++,
For[j = 1, j <= dim, j++,
sig[i, j] = 1; sig[i, j] =.
]
]
sigvec = {0};
For[i = 1, i <= Length[nrcovs], i++,
sigvec = Append[sigvec, sig[nrcovs[[i, 1]], nrcovs[[i, 2]]]]
];
sigvec = Rest[sigvec];
(* Numerische Bildung der Matrix Sigma_SS *)

sigmaSS = IdentityMatrix[Length[nrcovs]];
For[i = 1, i<= Length[nrcovs], i++,
For[j = 1, j <= Length[nrcovs], j++,
e = nrcovs[[i, 1]]; f = nrcovs[[i, 2]];
g = nrcovs[[j, 1]]; h = nrcovs[[j, 2]];
sigmaSS[[i, j]] =
sigmaEmp[[e, g]]sigmaEmp[[f, h]] + sigmaEmp[[e, h]]sigmaEmp[[f, g]]
]
]
(* Symbolische Bildung des Vektors tau und der Matrix Dtau/Dsigma *)

tauvec = {0};
For[i = 1, i<=Length[nrvt], i++,
e = nrvt[[i, 1]]; f = nrvt[[i, 2]];
g = nrvt[[i, 3]]; h = nrvt[[i, 4]];
tauvec = Append[tauvec, sig[Min[e, f], Max[e, f]] sig[Min[g, h], Max[g, h]]
- sig[Min[e, g], Max[e, g]]sig[Min[f, h], Max[f, h]]]
305
]
tauvec = Rest[tauvec];
DtauDsig = Outer[D, tauvec, sigvec];
(* Numerische Berechnung von Sigma_tt und T *)

For[i = 1, i <= dim, i++,
For[j = 1, j <= dim, j++,
sig[i, j] = sigmaEmp[[i, j]]
]
]
dim = Length[tauvec]
sigmaTT = DtauDsig.sigmaSS.Transpose[DtauDsig];
tstat = no tauvec.Inverse[sigmaTT].tauvec
pwert = 1 - N[CDF[ChiSquareDistribution[Length[nrvt]], tstat]]
Anhang B
Ergänzende Angaben zur

Strukturmodellprüfung
308
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12) (13) (14)
(1) Businessplanung 1,00 0,82 0,55 0,64 0,63 0,71 0,79 0,72 0,60 0,47 0,26 0,41 0,42 0,30
(2) Methodik 0,70 0,72 0,45 0,53 0,52 0,57 0,66 0,59 0,50 0,39 0,21 0,34 0,34 0,24
(3) Alternativenabwägung 0,52 0,36 0,89 0,35 0,35 0,38 0,44 0,40 0,34 0,25 0,14 0,22 0,23 0,16
(4) Fit 0,64 0,45 0,33 0,99 0,41 0,46 0,52 0,46 0,40 0,30 0,16 0,27 0,27 0,19
(5) Partizipation 0,50 0,35 0,26 0,32 0,63 0,44 0,50 0,46 0,39 0,30 0,15 0,26 0,26 0,20
(6) Projektplanung 0,68 0,47 0,35 0,44 0,34 0,93 0,54 0,86 0,52 0,29 0,16 0,25 0,26 0,19
(7) Risikomanagement 0,74 0,52 0,39 0,48 0,37 0,49 0,87 0,60 0,58 0,55 0,29 0,47 0,48 0,35
(8) Prozessformalisierung 0,69 0,48 0,36 0,44 0,35 0,80 0,54 0,92 0,46 0,31 0,17 0,28 0,28 0,20
(9) Prozessstabilität 0,55 0,39 0,29 0,36 0,28 0,46 0,49 0,40 0,83 0,57 0,30 0,50 0,50 0,35
(10) Erfolg 0,47 0,33 0,24 0,30 0,24 0,28 0,51 0,30 0,52 1,00 0,54 0,87 0,89 0,63
(11) Technischer Erfolg 0,19 0,13 0,10 0,12 0,09 0,11 0,20 0,12 0,20 0,40 0,54 0,47 0,48 0,33
(12) Markterfolg 0,37 0,26 0,19 0,24 0,19 0,22 0,40 0,24 0,41 0,79 0,31 0,82 0,77 0,56
(13) Finanzerfolg 0,42 0,29 0,22 0,27 0,21 0,25 0,45 0,27 0,46 0,89 0,35 0,70 1,00 0,57
(14) Zeitplaneinhaltung 0,23 0,16 0,12 0,15 0,12 0,14 0,25 0,15 0,25 0,49 0,19 0,39 0,44 0,60
Erläuterung. Die fettgedruckten Zahlen der Hauptdiagonale zeigen die Varianzen der latenten Variablen. In der unteren Diagonalmatrix
stehen die Kovarianzen, in der oberen Diagonalmatrix die Korrelationen.
Tabelle B.1: Messmodell: Kovarianzen und Korrelationen der latenten Variablen
B. Ergänzende Angaben zur Strukturmodellprüfung
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12) (13) (14)
(1) Businessplanung 1,17 0,80 0,57 0,66 0,64 0,70 0,79 0,68 0,53 0,46 0,25 0,40 0,41 0,30
(2) Methodik 1,17 1,81 0,46 0,53 0,51 0,57 0,63 0,55 0,43 0,37 0,20 0,32 0,33 0,24
(3) Alternativenabwägung 1,15 1,15 3,49 0,38 0,36 0,40 0,45 0,39 0,30 0,26 0,14 0,23 0,24 0,17
(4) Fit 1,03 1,03 1,02 2,08 0,42 0,46 0,52 0,45 0,35 0,31 0,16 0,26 0,27 0,20
(5) Partizipation 0,86 0,86 0,84 0,76 1,56 0,45 0,50 0,43 0,34 0,29 0,16 0,25 0,26 0,19
(6) Projektplanung 1,17 1,17 1,15 1,03 0,86 2,36 0,55 0,87 0,51 0,38 0,20 0,32 0,34 0,24
(7) Risikomanagement 1,38 1,38 1,36 1,22 1,01 1,38 2,63 0,60 0,58 0,55 0,29 0,47 0,49 0,35
(8) Prozessformalisierung 1,17 1,17 1,16 1,04 0,86 2,12 1,56 2,54 0,50 0,39 0,21 0,33 0,35 0,25
(9) Prozessstabilität 0,86 0,86 0,85 0,76 0,63 1,18 1,41 1,19 2,25 0,57 0,30 0,48 0,51 0,36
(10) Erfolg 0,50 0,50 0,49 0,44 0,36 0,58 0,89 0,62 0,85 1,00 0,54 0,86 0,89 0,64
(11) Technischer Erfolg 0,26 0,26 0,25 0,23 0,19 0,30 0,46 0,32 0,44 0,52 0,94 0,46 0,47 0,35
(12) Markterfolg 0,60 0,60 0,59 0,53 0,44 0,69 1,07 0,74 1,01 1,20 0,62 1,95 0,77 0,56
(13) Finanzerfolg 0,44 0,44 0,44 0,39 0,33 0,52 0,80 0,55 0,76 0,89 0,46 1,07 1,00 0,57
(14) Zeitplaneinhaltung 0,43 0,43 0,42 0,38 0,32 0,50 0,77 0,53 0,73 0,86 0,45 1,04 0,77 1,80
Erläuterung. Die fettgedruckten Zahlen der Hauptdiagonale zeigen die Varianzen der latenten Variablen. In der unteren Diagonalmatrix
stehen die Kovarianzen, in der oberen Diagonalmatrix die Korrelationen. Die Übereinstimmungen in den Spalten (1) und (2) sind
darauf zurückzuführen, dass die Ladung der Businessplanung auf die Methodik zur Modellidentifikation auf Eins fixiert werden musste.
Tabelle B.2: Basismodell: Kovarianzen und Korrelationen der latenten Variablen
309
310 B. Ergänzende Angaben zur Strukturmodellprüfung
Alternativen- yA Suche nach Alternativkonzepten ληA,I = 0,89 (9,66) A = 0,20

ηI
abwägung yB Auswahl aus Alternativkonzepten ληB,I = 0,94 B = 0,11
yC Analyse auf Werttreiber ληC,II = 0,68 (7,72) C = 0,54

ηII Methodik yD Analyse von Szenarien ληD,II = 0,72 (8,17) D = 0,48
yE Methodisches Vorgehen ληE,II = 0,84 E = 0,29
yF Fit mit Unternehmensstrategie ληF,III = 0,80 (9,05) F = 0,36

ηIII Fit
yG Fit mit Kernkompetenzen ληG,III = 0,99 G = 0,02
yH Einbindung von Fachabteilungen ληH,IV = 0,74 (5,61) H = 0,45

ηIV Partizipation
xI Partizipative Zielvereinbarung ληI,IV = 0,80 I = 0,37
ya Projektstrukturplanung ληa1 = 0,83 (14,24) a = 0,32

Projekt-
η1 yb Meilensteinplanung ληb1 = 0,97 b = 0,07
planung
yc Ressourcenplanung ληc1 = 0,72 (10,76) c = 0,48
yd Risikoanalyse ληd2 = 0,91 (17,95) d = 0,16

Risiko-
η2 ye Risikoverhütung ληe2 = 0,93 e = 0,13
management
yf Schadensverkürzung ληf 2 = 0,89 (16,83) f = 0,20
yg Meilensteinsteuerung ληg3 = 0,96 g = 0,08

Prozess- yh Explizite Zielvorgaben ληh3 = 0,61 (8,24) h = 0,62
η3
formalisierung yi Entscheidungen an Meilensteinen ληi3 = 0,75 (11,47) i = 0,43
yj Klare Abbruchkriterien ληj3 = 0,59 (7,89) j = 0,65
yk Geringe Planänderungen ληk4 = 0,72 (8,05) k = 0,49

Prozess-
η4 yl Geringe Ressourcenänderungen ληl4 = 0,91 l = 0,17
stabilität
ym Zielkonstanz ληm4 = 0,54 (6,05) m = 0,71
Technischer yn Technische Leistung ληn5 = 0,66 (3,80) n = 0,56

η5
Erfolg yo Qualität ληo5 = 0,74 o = 0,46
yp Umsatz ληp6 = 0,91 p = 0,18

η6 Markterfolg
yq Marktanteil ληq6 = 0,78 (9,12) q = 0,40
yr ROI ληr7 = 0,77 r = 0,41

η7 Finanzerfolg
ys Time to break-even ληs7 = 0,82 (8,19) s = 0,34
Zeitplan- yt Zeitplaneinhaltung ληt8 = 0,78 t = 0,40

η8
einhaltung yu Time to market ληu8 = 0,83 (6,29) u = 0,32
Erläuterung. Faktorladungen zeigen die standardisierte Lösung mit Skalenfixierung, t-Werte

können daher nur für die frei geschätzten Parameter angegeben werden.
Tabelle B.3: Basismodell: Geschätzte Parameter des Messmodells
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12)
(1) Methodik 0,69 0,48 0,49 0,46 0,52 0,72 0,55 0,47 0,25 0,35 0,35 0,33
(2) Alternativenabwägung 0,39 0,94 0,39 0,26 0,37 0,45 0,38 0,32 0,16 0,22 0,23 0,22
(3) Fit 0,40 0,37 0,96 0,52 0,50 0,50 0,48 0,37 0,17 0,24 0,26 0,25
(4) Partizipation 0,32 0,21 0,42 0,69 0,57 0,40 0,52 0,35 0,12 0,17 0,23 0,24
(5) Projektplanung 0,42 0,35 0,47 0,46 0,93 0,44 0,86 0,49 0,13 0,17 0,31 0,33
(6) Risikomanagement 0,56 0,41 0,46 0,31 0,40 0,87 0,53 0,56 0,34 0,49 0,44 0,39
(7) Prozessformalisierung 0,43 0,35 0,45 0,41 0,79 0,47 0,90 0,49 0,13 0,18 0,32 0,32
(8) Prozessstabilität 0,32 0,25 0,30 0,24 0,39 0,43 0,38 0,67 0,38 0,57 0,60 0,69
(9) Technischer Erfolg 0,16 0,12 0,13 0,08 0,10 0,25 0,10 0,24 0,61 0,27 0,24 0,27
(10) Markterfolg 0,26 0,19 0,21 0,13 0,15 0,41 0,15 0,42 0,19 0,81 0,37 0,41
(11) Finanzerfolg 0,29 0,22 0,25 0,19 0,30 0,41 0,30 0,49 0,19 0,33 1,00 0,41
(12) Zeitplaneinhaltung 0,23 0,18 0,21 0,17 0,27 0,31 0,26 0,48 0,18 0,31 0,35 0,72
Erläuterung. Die fettgedruckten Zahlen der Hauptdiagonale zeigen die Varianzen der latenten Variablen. In der unteren
Diagonalmatrix stehen die Kovarianzen, in der oberen Diagonalmatrix die Korrelationen.
Tabelle B.4: Alternativmodell ohne Faktoren zweiter Ordnung: Kovarianzen und Korrelationen der
latenten Variablen
311
Anhang C
Ergänzende Erläuterungen zur

Veripath-Analyse
Ausgangspunkt für die in Abschnitt 10.4 berichtete Untersuchung des Basismodells auf
Wahrheitsähnlichkeit ist die folgende Matrixgleichung:
⎡ ⎤ ⎡ ⎤⎡ ⎤ ⎡ ⎤ ⎡ ⎤
η 0 0 0 0 0 η1 γ1,0 ζ
⎢ 1⎥ ⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎢ 1⎥
⎢ ⎥ ⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢η2 ⎥ ⎢ 0 0 0 0 ⎥ ⎢ ⎥ ⎢
0⎥ ⎢η2 ⎥ ⎢γ2,0 ⎥ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎢ζ2 ⎥
⎢ ⎥ ⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢η ⎥ = ⎢β 0⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 3 ⎥ ⎢ 3,1 β3,2 0 0 ⎥ ⎢η3 ⎥ + ⎢ 0 ⎥ [ξ0 ] + ⎢ζ3 ⎥ (C.0.1)
⎢ ⎥ ⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢η4 ⎥ ⎢β4,1 β4,2 0 0 0⎥ ⎢η4 ⎥ ⎢ 0 ⎥ ⎢ζ4 ⎥
⎣ ⎦ ⎣ ⎦⎣ ⎦ ⎣ ⎦ ⎣ ⎦
η9 0 β9,2 0 β9,4 0 η9 0 ζ9
Die beiden ersten Zeilen beschreiben den Einfluss der Businessplanung (ξ0 ) auf Projekt-
planung (η1 ) und Risikomanagement (η2 ). Die Zeilen drei und vier bilden den Effekt
von Projektplanung und Risikomanagement auf Prozessformalisierung und -stabilität ab,
während die letzte Gleichung den Einfluss der Prozessstabilität und der Businessplanung
auf den Erfolg erfasst. Im Rahmen der Veripath-Algorithmus wird zunächst eine Lösung
für dieses Gleichungssystem errechnet, bevor durch Verschiebung jeweils eines Parameters
der B- oder Γ-Matrix die Menge aller nach der D1A1-Regel realisierbaren Alternativmo-
delle generiert und gelöst wird.
Die praktische Verwendung des Veripath-Algorithmus, der von Meehl und Waller
(2002) in Mathematica implementiert wurde, wird von Waller (2002) näher erläutert und
soll hier nur kurz anhand des auf der nächsten Seite wiedergegebenen ASCII-Files skizziert
werden, der die wichtigsten Eingabeinformationen für die Ausführung des Mathematica-
Notebooks enthält.
314 C. Ergänzende Erläuterungen zur Veripath-Analyse
(*======================================================================*)
(* Veripath-Analyse für das Basismodell *)
(*======================================================================*)
(* [1] OUTPUT OPTIONS *)

(* file1 ist der VERIPATH Output-File. *)
(* file2 enthält die LISREL-Kommandos für sämtliche Alternativmodelle. *)
file1=OpenWrite["c:\Documents and Settings\Veri0321.ver"];
file2=OpenWrite["c:\Documents and Settings\Veri0321.lpj"];
SetOptions[file1,PageWidth->75];
(* [2] JOB TITLE *)

jobTitle="Analyse auf Basis der geschätzten Korrelationsmatrix für das
Messmodell mit Faktoren zweiter Ordnung";
(* [3] ORDER CONSTRAINTS *)

(* timeOrder={ {1,{6}}, {2,{1,2}}, {3,{3,4}}, {4,{5}} }; *)
(* [4] OUTPUT VERBOSITY *)

printOutput="LONG";
(* [5] PARAMETER MATRICES *)

gamma={{ppbp},{rmbp},{0},{0},{0}};
beta={
{ 0, 0, 0, 0, 0},
{ 0, 0, 0, 0, 0},
{pfpp, pfrm, 0, 0, 0},
{pspp, psrm, 0, 0, 0},
{ 0, erm, 0, eps, 0}};
(* [6] INPUT CORRELATION MATRIX *)

(* Die Variablen werden in der Reihenfolge Projektplanung, Risiko- *)
(* management, Prozessformalisierung, Prozessstabilität, Erfolg und *)
(* Businessplanung angegeben. Die Korrelationsmatrix ist entsprechend *)
(* sortiert. *)
sigma={
{1.00, 0.54, 0.87, 0.52, 0.29, 0.70},
{0.54, 1.00, 0.60, 0.57, 0.55, 0.79},
{0.87, 0.60, 1.00, 0.46, 0.31, 0.72},
{0.52, 0.57, 0.46, 1.00, 0.57, 0.61},
{0.29, 0.55, 0.31, 0.57, 1.00, 0.47},
{0.70, 0.79, 0.72, 0.61, 0.47, 1.00}};
(* [7] INPUT STANDARD DEVIATIONS *)

stdVec={{1.0, 1.0, 1.0, 1.0, 1.0, 1.0}};
(* [8] NUMBER OF SUBJECTS *)

nSubj=134;
315
Kommentare werden in der Eingabedatei bzw. in Mathematica allgemein durch (* ein-

geleitet und durch *) abgeschlossen. In den Abschnitten [1] und [2] der Eingabedatei
wird festgelegt, in welche Dateien die Ergebnisse der Veripath-Analyse geschrieben wer-
den sollen und welchen Titel die Analyse trägt. In Abschnitt [3] besteht die Option, eine
natürliche Zeit- bzw. Kausalordnung der Variablen festzulegen. Auf diese Möglichkeit
wurde hier jedoch verzichtet, da alle Variablen zum gleichen Zeitpunkt mit dem glei-
chen Messinstrument erhoben wurden und daher auch scheinbar akausale Einflüsse (z. B.
Wirkung von Erfolg auf Projektplanung) aufgrund möglicher Methodeneffekte nicht von
vorneherein ausgeschlossen werden können. Durch die Option Long in Abschnitt [4] wird
festgelegt, dass durch Veripath eine Stapeldatei generiert wird, die den LISREL-Code
für alle generierten Alternativmodelle enthält (siehe unten). Abschnitt [5] enthält die
Pfadstruktur des Basismodells (ohne die Einzeldimensionen von Businessplanung und Er-
folg) in Form der B- und Γ-Matrizen, Abschnitt [6] die Korrelationsmatrix, die hier
auf der durch LISREL geschätzten Korrelationsmatrix des vollständigen Messmodells aus
Abschnitt 9.6 basiert (vgl. auch die numerischen Werte in der oberen Diagonalmatrix in
Tabelle B.1). Die Abschnitte [6] und [7] enthalten schließlich die Standardabweichungen
der latenten Variablen und die Stichprobengröße.
Obwohl die Modellschätzung in LISREL und Veripath nach stark unterschiedlichen
Methoden abläuft, treten in Tabelle 10.6 auf Seite 273 nur geringe Abweichungen der je-
weils geschätzten Pfadparameter zutage. Um abzuschätzten, inwieweit sich dieser Befund
verallgemeinern lässt, wurde durch Veripath eine Stapeldatei erzeugt, die den LISREL-
Programmcode für alle 69 nach der D1A1-Regel identifizierten Alternativmodelle enthält.
Die in LISREL errechneten Fitmaße wurden sowohl mit dem SRMRVeri als auch unter-
einander korreliert und in Abbildung C.1 aufgetragen. Im Ergebnis zeigt sich deutlich,
dass die Korrelation des SRMRVeri mit den LISREL-Fitmaßen im Schnitt ebenso hoch
ist wie die Korrelation der LISREL-Fitmaße untereinander, so dass beide Analysen auf
grundlegend unterschiedlichen Wegen zu praktisch demselben Ergebnis gelangen.
316 C. Ergänzende Erläuterungen zur Veripath-Analyse
SRMRVeri
r = 0,99 r = 0,92 r = -0,88 r = -0,90
SRMRLISREL
r = 0,99 r = 0,91 r = -0,87 r = -0,89
RMSEA
r = 0,92 r = 0,91 r = -0,97 r = -0,99
CFI
r = -0,88 r = -0,87 r = - 0,97 r = 0,99
AGFI
r = -0,90 r = -0,89 r = -0,99 r = 0,99
Abbildung C.1: Korrelationen von fünf ausgewählten Fitmaßen für die von Veripath erzeugten Alter-
nativmodelle. Der SRMRVeri wird direkt von Veripath berechnet, die anderen Anpassungsmaße wurden
durch Stapelverarbeitung in LISREL erzeugt.
Literaturverzeichnis
Abernathy, W. J.; K. B. Clark (1985): Innovation: mapping the winds of creative destruc-
tion. Research Policy 14, 3–12.
Aguilar, F. (1967): Scanning the Business Environment. MacMillan, New York.
Ahire, S. L.; S. Devaraj (2001): An Empirical Comparison of Statistical Construct Valida-

tion Approaches. IEEE Transactions on Engineering Management 48 (3), 319–329.
Aiken, L. S.; S. G. West (1991): Multiple regression: Testing and interpreting interactions.
Sage, Newbury Park (CA).
Aldrich, H. E. (1972): Technology and Organizational Structure: A Reexamination of the

Findings of the Aston Group. Administrative Science Quarterly 17, 26–43.
Aldrich, H. E. (1979): Organizations and environments. Prentice-Hall, Englewood Cliffs

(NJ).
Aldrich, H. E.; D. Herker (1977): Boundary spanning roles and organization structure.
Academy of Management Review 2, 217–203.
Ali, A. (1994): Pioneering Versus Incremental Innovation: Review and Research Proposi-
tions. Journal of Product Innovation Management 11, 46–51.
Ali, A.; R. Krapfel; D. LaBahn (1995): Product Innovativeness and Entry Strategy: Impact
on Cycle Time and Break-Even Time. Journal of Product Innovation Management
12 (1), 54–69.
Allen, T. J. (1971): Communications, technology transfer, and the role of technical gate-
keeper. R&D Management 1, 14–21.
Allen, T. J. (1977): Managing the Flow of Technology. MIT Press, Cambridge (MA).
Amit, R.; P. J. H. Schoemaker (1993): Strategic Assets and Organizational Rent. Strategic
Management Journal 14, 33–46.
Ancona, D. G.; D. F. Caldwell (1990): Beyond boundary spanning: Managing external

dependence in product development teams. Journal of High Technology Management
Research 1, 119–135.
Ancona, D. G.; D. F. Caldwell (1992a): Bridging the Boundary: External Activity and
Performance in Organizational Teams. Administrative Science Quarterly 37, 634–
666.
318 LITERATURVERZEICHNIS
Ancona, D. G.; D. F. Caldwell (1992b): Demography and design: Predictors of new pro-
duct team performance. Organization Science 3, 321–341.
Anderson, C. H. (1986): Hierarchical Moderated Regression Analysis: A Useful Tool for

Retail Management Decisions. Journal of Retailing 62 (2).
Anderson, J. C.; D. W. Gerbing (1982): Some Methods for Respecifiying Measurement

Models to Obtain Unidimensional Construct Measurement. Journal of Marketing
Research 19, 453–460.
Anderson, J. C.; D. W. Gerbing (1988): Structural Equation Modeling in Practice: A

Review and Recommended Two-Step Approach. Psychological Bulletin 103 (3), 411–
423.
Anderson, J. C.; D. W. Gerbing (1992): Assumptions and Comparative Strengths of the

Two-Step Approach: Comment on Fornell and Yi. Sociological Methods and Research
20, 321–333.
Anderson, J. C.; D. W. Gerbing; J. E. Hunter (1987): On the Assessment of Unidimen-

sional Measurement: Internal and External Consistency, and Overall Consistency
Criteria. Journal of Marketing Research 24, 432–437.
Anderson, P.; M. L. Tushman (1990): Technological discontinuities and dominant design.

A cyclical model of technological change. Administrative Science Quarterly 35 (4),
604–633.
Armstrong, J. S. (1982): The value of formal planning for strategic decisions: Review of
empirical research. Strategic Management Journal 3 (3), 197–211.
Atuahene-Gima, K. (1996): Differential Potency of Factors Affecting Innovation Perfor-

mance in Manufacturing and Services Firms in Australia. Journal of Product Inno-
vation Management 13, 35–52.
Atuahene-Gima, K.; H. Li (2004): Strategic Decision Comprehensiveness and New Pro-

duct Development Outcomes in New Technology Ventures. Academy of Management
Journal 47 (4), 583–597.
Avlonitis, G. J.; S. J. Hart; N. X. Tzokas (1999): An Analysis of Product Deletion Sce-

narios. Journal of Product Innovation Management 17, 41–56.
Avlonitis, G. J.; P. G. Papastathopoulou (2001): The Development Activities of Innovative

and Non-Innovative New Retail Financial Products: Implications for Success. Journal
of Marketing Management 17, 705–738.
Avlonitis, G. J.; P. G. Papastathopoulou; S. P. Gounaris (2001): An empirically-based

typology of product innovativeness for new financial services: Success and failure
scenarios. Journal of Product Innovation Management 18, 324–342.
Ayers, D. J.; R. Dahlstrom; S. J. Skinner (1997): An Exploratory Investigation of Orga-

nizational Antecedents to New Product Success. Journal of Marketing Research 34,
107–116.
LITERATURVERZEICHNIS 319
Ayers, D. J.; G. L. Gordon; D. D. Schoenbachler (2000): Integration and New Product

Development Success: The Role of Formal and Informal Controls. Journal of Applied
Business Research 17 (2), 133–148.
Baccarini, D. (1999): The Logical Framework Method for Defining Project Success. Project
Management Journal 30 (4), 25–32.
Backhaus, K.; B. Erichson; W. Plinke; R. Weiber (2000): Multivariate Analysemethoden.

9. Aufl., Springer, Berlin.
Bacon, G.; S. Beckmann; D. Mowery; E. Wilson (1994): Managing Product Definition

in High-Technology Industries: A Pilot Study. California Management Review 36
(Spring), 32–56.
Bagozzi, R. P. (1994): Structural Equation Models in Marketing Research: Basic Princip-

les. In: R. P. Bagozzi (Hrsg.): Principles of Marketing Resarch. Blackwell Publishers,
Cambridge (MA), 317–385.
Bagozzi, R. P.; H. Baumgartner (1994): The Evaluation of Structural Equation Models

and Hypothesis Testing. In: R. P. Bagozzi (Hrsg.): Principles of Marketing Research.
Blackwell Publishers, Cambridge (MA), 386–422.
Bagozzi, R. P.; L. Phillips (1982): Representing and testing organisational theories. A

holistic construal.. Administrative Science Quarterly 27, 459–489.
Bagozzi, R. P.; Y. Yi (1988): On the Evaluation of Structural Equation Models. Journal

of the Academy of Marketing Science 16, 74–94.
Bagozzi, R. P.; Y. Yi; L. Phillips (1991): Assessing Construct Validity in Organizational

Research. Administrative Science Quarterly 36, 421–458.
Bain, J. (1956): Barriers to New Competition. Harvard University Press, Cambridge

(MA).
Balachandra, R. (1994): Bestimmungsfaktoren für den Abbruch von Forschungs- und Ent-
wicklungsprojekten. Ein vergleichende Studie zwischen den USA und Deutschland.
Die Betriebswirtschaft 54 (4), 449–461.
Balachandra, R.; J. H. Friar (1997): Factors for Success in R&D Projects and New Product
Innovation: A Contextual Framework. IEEE Transactions on Engineering Manage-
ment 44 (3), 276–287.
Barczak, G.; D. L. Wilemon (1989): Leadership differences in new product development

teams. Journal of Product Innovation Management 6 (4), 259–267.
Barney, J. (1991): Firm Resources and Sustained Competitive Advantage. Journal of

Management 17, 99–120.
Barrett, F. J. (1998): Creativity and Improvisation in Jazz and Organizations. Implicati-

ons for Organizational Learning. Organization Science 9, 605–622.
Baumgartner, H.; C. Homburg (1996): Applications of structural equation modeling in

marketing and consumer research: A review. International Journal of Research in
Marketing 13, 139–161.
Baumler, J. V. (1971): Defined criteria of performance in organizational control. Admini-

strative Science Quarterly 16, 340–348.
Beard, C.; C. Easingwood (1996): New product launch: marketing action and launch
tactics for high-technology products. Industrial Marketing Management 25 (2), 87–
103.
Becker, B. J. (1996): The meta-analysis of factor analyses: An illustration based on the

cumulation of correlation matrices. Psychological Methods 1, 341–353.
Bentler, P. M. (1980): Multivariate analysis with latent variables: Causal modeling. An-
nual Review of Psychology 31, 419–456.
Bentler, P. M. (2000): Rites, Wrongs, and Gold in Model Testing. Structural Equation
Modeling 7 (1), 82–91.
Bentler, P. M.; D. G. Weeks (1980): Linear structural equations with latent variables.
Psychometrika 45, 289–308.
Billing, F. (2003): Dynamische Koordination zur erfolgreichen Steuerung radikaler Inno-

vationsvorhaben. Wiesbaden.
Bird, B. J. (1992): Intentions in Time: The Emergence of the New Venture. Entrepreneur-
ship: Theory and Practice 17 (1), 11–20.
Blalock, H. M. (1970): Estimating Measurement Error Using Multiple Indicators and

Several Points in Time. American Sociological Review 35, 101–111.
Blalock, H. M. (1971): Causal models involving unobserved variables in stimulus-response

situations. In: H. M. Blalock (Hrsg.): Causal models in the social sciences. Aldine,
Chicago, 335–347.
Block, Z.; I. C. MacMillan (1985): Growing concerns: Milestones for successful venture
planning. Harvard Business Review 63 (5), 184–196.
Blundell, R.; R. Griffith; J. van Reenen (1999): Market Share, Market Value and Inno-
vation in a Panel of British Manufacturing Firms. Review of Economic Studies 66,
529–554.
Bohrnstedt, G. W. (1970): Reliability and Validity Assessment in Attitude Measurement.

In: F. Summers (Hrsg.): Attitude Measurement. Rand McNally, Chicago, 80–99.
Bollen, K. A. (1987): Total, Direct, and Indirect Effects in Structural Equation Models.
In: C. C. Clogg (Hrsg.): Sociological Methodology. American Sociological Association,
Washington (DC),.
Bollen, K. A. (1989): Structural equations with latent variables. John Wiley & Sons, New
York.
Bollen, K. A. (1990): Outlier Screening and a Distribution-Free Test for Vanishing Tetrads.
Sociological Methods and Research 19, 80–92.
Bollen, K. A. (2000): Modeling Strategies: In Search of the Holy Grail. Structural Equation
Modeling 7 (1), 74–81.
Bollen, K. A. (2002): Latent Variables in Psychology and the Social Sciences. Annual
Review of Psychology 53, 605–634.
Bollen, K. A.; R. Lennox (1991): Conventional Wisdom on Measurement: A Structural

Equation Perspective. Psychological Bulletin 110 (2), 305–314.
Bollen, K. A.; J. S. Long (1993): Testing structural equation models. Sage, Thousand
Oaks (CA).
Bollen, K. A.; K.-f. Ting (1993): Confirmatory Tetrad Analysis. In: P. V. Marsden (Hrsg.):
Sociological Methodology (1993). Bd. 23 Jossey-Bass, San Francisco, 147–175.
Bollen, K. A.; K.-f. Ting (2000): A Tetrad Test for Causal Indicators. Psychological Me-
thods 5 (1), 3–22.
Bonner, J. M.; R. W. Ruekert; O. C. Walker (2002): Upper management control of new

product development projects and project performance. Journal of Product Innova-
tion Management 19, 233–245.
Boomsma, A.; J. J. Hoogland (2001): The robustness of LISREL modeling revisited.

In: R. Cudeck; S. du Toit; D. Sörbom (Hrsg.): Structural equation models: Present
and future. A festschrift in honor of Karl Jöreskog. Scientific Software International,
Chicago, 139–168.
Booz, Allen & Hamilton, Inc. (1982): New Product Management for the 1980’s. Booz,
Allen & Hamilton, Inc., New York.
Bortz, J. (1999): Statistik für Sozialwissenschaftler. Springer, Berlin.
Boulding, W.; R. Morgan; R. Staelin (1997): Pulling the Plug to Stop the New Product
Drain. Journal of Marketing Research 34, 164–176.
Bowman, E. H. (1974): Epistemology, corporate strategy, and academe. Sloan Manage-

ment Review 15, 35–50.
Bracker, J. S.; B. W. Keats; J. N. Pearson (1988): Planning and financial performance

among small firms in a growth industry. Strategic Management Journal 9, 591–603.
Bradburn, N. M.; N. M. Sudman (1979): Improving Interview Method and Questionnaire

Design. Response Effects to Threatening Questions in Survey Research. Jossey-Bass,
San Francisco.
Branscomb, L. M.; P. E. Auerswald (2001): Taking Technical Risks. How Innovators,

Executives, and Investors Manage High-Tech Risks. MIT Press, Cambridge (MA).
Brealey, R. A.; S. C. Myers (1996): Principles of Corporate Finance. 5. Aufl., McGraw-

Hill, New York.
Brennecke, V.; M. Drüner; H. G. Gemünden; S. Kassner; K. Richter; S. Salomo;

P. Schwarz; V. Trommsdorff (2002): INNOVATIONSKOMPASS – Abschlussbericht
für die Teilnehmer der Studie. Berlin.
Briggs, N. E.; R. C. MacCallum (2003): Recovery of Weak Common Factors by Maximum

Likelihood and Ordinary Least Squares Estimation. Multivariate Behavioral Research
38 (1), 25–56.
Brockhoff, K. (1999): Forschung und Entwicklung – Planung und Kontrolle. Oldenbourg,

München, Wien.
Bronner, R. (1992): Komplexität. In: E. Frese (Hrsg.): Handwörterbuch der Organisation.

3. Aufl., Poeschel, Stuttgart, 1121–1130.
Brown, M. G.; R. A. Svenson (1988): Measuring R&D Productivity. Research Technology

Brown, S. L.; K. M. Eisenhardt (1995): Product Development: Past Research, Present

Findings, And Future Directions. Academy of Management Review 20 (2), 343–378.
Browne, M. W. (1982): Covariance Structures. In: D. M. Hawkings (Hrsg.): Topics in

Applied Multivariate Analysis. Cambridge University Press, Cambridge,.
Browne, M. W.; G. Arminger (1995): Specification and Estimation of Mean- and

Covariance-Structure Models. In: G. Arminger; C. Clogg; M. E. Sobel (Hrsg.): Hand-
book of statistical modeling for the social and behavioral sciences. Plenum Press, New
York, 185–249.
Browne, M. W.; R. Cudeck; K. Tateneni; G. Mels (1998): CEFA: Comprehensi-

ve Exploratory Factor Analysis, Version 1.10 [Computer Software und Manual].
http://quantrm2.psy.ohio-state.edu/browne/.
Browning, T. R.; J. J. Deyst; S. D. Eppinger; D. E. Whitney (2002): Adding Value in Pro-

duct Development by Creating Information and Reducing Risk. IEEE Transactions
on Engineering Management 49 (4), 443–458.
Bullinger, H.-J. (1996a): Forschungs- und Entwicklungsplanung. In: W. Eversheim;

G. Schuh (Hrsg.): Betriebshütte“. Produktion und Management. 7. Aufl., Springer,
”
Heidelberg, 6.30 – 6.43.
Bullinger, H.-J. (1996b): Organisation der Forschung und Entwicklung. In: W. Eversheim;
G. Schuh (Hrsg.): Betriebshütte“. Produktion und Management. 7. Aufl., Springer,
”
Heidelberg, 6.43 – 6.52.
Burns, T.; G. M. Stalker (1961): The Management of Innovation. Travistock, London.
Burt, R. S. (1976): Interpretational Confounding of Unidimensional Variables in Structu-

ral Equation Modeling. Sociological Methods and Research 5, 3–51.
Buse, A. (1982): The likelihood ratio, Wald, and Lagrange Multiplier tests: An expository
note. The American Statistician 36, 153–157.
Busemeyer, J. R.; L. E. Jones (1983): Analyses of multiplicative combination rules when

the causal variables are measured with error. Psychological Bulletin 93, 549–562.
Byrne, B. M. (1998): Structural Equation Modeling with LISREL, PRELIS, and SIMPLIS:
Basic Concepts, Applications, and Programming. Lawrence Erlbaum, Mahwah (NJ).
Cameron, K. S.; D. A. Whetten (1983): Some conclusions about organizational effec-

tiveness. In: K. S. Cameron; D. A. Whetten (Hrsg.): Organizational effectiveness: A
comparison of multiple methods. Academic Press, New York, 261–277.
Campbell, D. T.; D. W. Fiske (1959): Convergent and discriminant validity by the

multitrait-multimethod matrix. Psychological Bulletin 58, 81–105.
Capon, N.; J. U. Farley; J. Hulbert (1994): Strategic Planning and Financial Performance:
More Evidence. Journal of Management Studies 31 (1), 105–110.
Carley, K. M.; M. Palmquist (1992): Extracting, representing, and analyzing mental mo-
dels. Social Forces 70, 601–636.
Castrogiovanni, G. J. (1996): Pre-Startup Planning and the Survival of new Small Busi-
nesses: Theoretical Linkages. Journal of Management 22 (6), 801–822.
Chamanski, A.; S. J. Waagö (2001): Organizational Performance of Technology-Based

Firms – the Role of Technology and Business Strategies. Enterprise and Innovation
Management Studies 2 (3), 205–223.
Chandy, R. K.; G. J. Tellis (1998): Organizing for Radical Product Innovation: The Over-
looked Role of Willingness to Cannibalize. Journal of Marketing Research 34, 474–
487.
Chandy, R. K.; G. J. Tellis (2000): The Incumbent’s Curse? Incumbency, Size, and Radical
Product Innovation. Journal of Marketing 64, 1–17.
Chaney, P. K.; T. M. Devinney (1991): The Impact of New Product Introductions on the
Market Value of Firms. Journal of Business 64 (4), 573–610.
Chaney, P. K.; T. M. Devinney (1992): New Product Innovations and Stock Price Perfor-
mance. Journal of Business, Finance and Accounting 19 (5), 677–695.
Chesbrough, H.; R. S. Rosenbloom (2001): The Dual-Edged Role of the Business Model in
Leveraging Corporate Technology Investments. In: L. M. Branscomb; P. E. Auerswald
(Hrsg.): Taking Technical Risks. How Innovators, Executives, and Investors Manage
High-Tech Risks. MIT Press, Cambridge (MA), 57–68.
Child, J. (1975): Managerial and organization factors associated with company perfor-
mance – Part I. Journal of Management Studies 12, 12–27.
Chin, W. W. (1998): The Partial Least Squares Approach for Structural Equation Mode-
ling. In: G. A. Marcoulides (Hrsg.): Modern Methods for Business Research. Lawrence
Erlbaum, Mahwaw (NJ), 295–336.
Christensen, C.; K. Andrews; J. Bower; G. Hamermesh; M. E. Porter (1982): Business

Policy: Text and Cases. 5. Aufl., Irwin, Homewood (IL).
Christensen, C. M.; M. Overdorf (2000): Meeting the challenge of disruptive change.

Harvard Business Review 78 (2), 67–76.
Churchill, G. A. (1979): A Paradigm for Developing Better Measures of Marketing Con-

structs. Journal of Marketing Research 16, 64–73.
Churchill, G. A.; J. P. Peter (1984): Research design effects on the reliability of rating
scales: a meta-analysis. Journal of Marketing Research 21, 360–375.
Clark, K. B. (1985): The Interaction of Design Hierarchies and Market Concepts on Tech-
nological Evolution. Research Policy 14, 235–251.
Clark, K. B.; T. Fujimoto (1991): Product Development Performance. Harvard University

Press, Boston (MA).
Clark, L. A.; D. Watson (1995): Constructing Validity: Basic Issues in Objective Scale
Development. Psychological Assessment 7 (3).
Constant, E. W. (1980): The Origins of the Turbojet Revolution. Hopkins University

Press, Baltimore (MD).
Cooper, R. G. (1979a): The Dimensions of Industrial New Product Success and Failure.
Journal of Marketing 43, 93–103.
Cooper, R. G. (1979b): Identifying Industrial New Product Success. Industrial Marketing

Cooper, R. G. (1980a): How to Identify Potential New Product Winner. Reseach Mana-
gement 23, 10–19.
Cooper, R. G. (1980b): Project NewProd: Factors in New Product Success. European

Journal of Marketing 14, 277–292.
Cooper, R. G. (1990): Stage-Gate Systems: A New Tool for Managing New Products.
Business Horizons.
Cooper, R. G. (1991): Stage-Gate Systems: A New Tool for Managing New Products.
Engineering Management Review (Fall), 5–12.
Cooper, R. G. (1994a): Debunking the Myths of New Product Development. Research

Technology Management 37 (4).
Cooper, R. G. (1994b): New Products: The Factors that Drive Success. International
Marketing Review 11 (1), 60–76.
Cooper, R. G.; E. J. Kleinschmidt (1986): An Investigation into the New Product De-
velopment Process: Steps, Deficiencies and Impact. Journal of Product Innovation
Management 3 (2), 71–85.
Cooper, R. G.; E. J. Kleinschmidt (1987a): New Products: What Separates Winners from
Losers. Journal of Product Innovation Management 4 (3), 169–184.
Cooper, R. G.; E. J. Kleinschmidt (1987b): Success Factors in Product Innovation. Indu-

strial Marketing Management 16 (3), 215–233.
Cooper, R. G.; E. J. Kleinschmidt (1987c): What Makes a New Product a Winner: Success
Factors at the Project Level. R&D Management 17 (3), 175–189.
Cooper, R. G.; E. J. Kleinschmidt (1990): Stage-Gate systems for new product success.
Marketing Management 1 (4), 20–24.
Cooper, R. G.; E. J. Kleinschmidt (1993a): Major New Products: What Distinguishes

the Winners in the Chemical Industry. Journal of Product Innovation Management
2 (10), 90–111.
Cooper, R. G.; E. J. Kleinschmidt (1993b): New Product Success in the Chemical Industry.
Industrial Marketing Management 22 (2), 85–99.
Cooper, R. G.; E. J. Kleinschmidt (1993c): Uncovering the Keys to New Product Success.
Engineering Management Review 11 (4), 5–18.
Cooper, R. G.; E. J. Kleinschmidt (1994): Determinants of Timeliness in Product Deve-

lopment. Journal of Product Innovation Management 11 (5), 381–396.
Cooper, R. G.; E. J. Kleinschmidt (1995): Benchmarking the Firm’s Critical Success

Factor in New Product Development. Journal of Product Innovation Management
12, 374–391.
Cordero, R. (1990): The measurement of innovation performance in the firm: An overview.

Research Policy 19, 185–192.
Cortina, J. M. (1993): What is coefficient alpha? An examination of theory and applica-

tions. Journal of Applied Psychology 78, 98–104.
Cortina, J. M.; G. Chen; W. P. Dunlap (2001): Testing Interaction Effects in LISREL: Ex-
amination and Illustration of Available Procedures. Organizational Research Methods
4 (4), 324–360.
Cote, J. A.; M. R. Buckley (1987): Estimating Trait, Method, and Error Variance: Gene-
ralizing Across 70 Construct Validation Studies. Journal of Marketing Research 24,
315–318.
Covin, J. G.; D. P. Slevin (1998): Adherence to plans, risk taking, and environment as
predictors of firm growth. Journal of High Technology Management Research 9 (2),
207–237.
Covin, J. G.; D. P. Slevin; R. L. Schultz (1994): Implementing Strategic Missions: Effective

Strategic, Structural and Tactical Choices. Journal of Management Studies 31 (4),
481–505.
Crawford, C. M. (1977): Marketing Research and the New Product Failure Rate. Journal
of Marketing 41, 51–61.
Crépon, B.; E. Duguet; J. Mairesse (1998): Research, Innovation and Productivity: An

Econometric Analysis at the Firm Level. Economics of Innovation and New Techno-
logy 7, 115–158.
Cronbach, L. J. (1951): Coefficient alpha and the internal structure of a test. Psychome-
trika 16, 297–334.
Cronbach, L. J.; P. E. Meehl (1955): Construct validity in psychological tests. Psycholo-

gical Bulletin 52, 281–302.
Cudeck, R. (1989): Analysis of correlation matrices using covariance structure models.

Psychological Bulletin 105, 317–327.
Curran, P. J.; J. West; J. F. Finch (1996): The Robustness of Test Statistics to Nonnorma-
lity and Specification Error in Confirmatory Factor Analysis. Psychological Methods
1 (1), 16–29.
Daft, R. L.; R. H. Lengel (1986): Organizational Information Requirements, Media Rich-

ness and Structural Design. Management Science 32 (5), 554–571.
Daft, R. L.; N. B. MacIntosh (1981): A Tentative Exploration into the Amount and
Equivocality of Information Processing in Organizational Work Units. Administrative
Science Quarterly 26, 207–224.
Daft, R. L.; K. E. Weick (1984): Toward a model of organizations as interpretation sy-

stems. Academy of Management Review 9, 284–296.
Damanpour, F.; S. Gopalakrishnan (2001): The dynamics of the adoption of product and
process innovation in organizations. Journal of Management Studies 38 (1), 45–65.
Danneels, E.; E. J. Kleinschmidt (2001): Product innovativeness from the firm’s perspecti-
ve: Its dimensions and their relation with project selection and performance. Journal
of Product Innovation Management 18, 357–373.
Dawes, J. (1999): The Relationship between Subjective and Objective Company Per-
formance Measures in Market Orientation Research: Further Empirical Evidence.
Marketing Bulletin 10, 65–75.
de Brentani, U. (1991): Success Factor in Developing New Business Services. European

Journal of Marketing 25 (2), 33–59.
de Brentani, U. (1995): Firm Size: Implications for Achieving Success in New Industrial
Services. Journal of Marketing Management 11, 207–225.
de Brentani, U. (2001): Innovative versus incremental new business services: Different

keys for achieving success. Journal of Product Innovation Management 18, 169–187.
DeCarlo, L. T. (1997): On the Meaning and Use of Kurtosis. Psychological Methods 2 (3),
292–307.
DeCotiis, T. A.; L. Dyer (1979): Defining and measuring project performance. Research
Deeds, D. L. (2001): The role of R&D intensity, technical development and absorbtive
capacity in creating entrepreneurial wealth in high technology start-ups. Journal of
Engineering and Technology Management 18, 29–47.
Delmar, F.; S. Shane (2003): Does Business Planning Facilitate the Development of New
Ventures. Strategic Management Journal 24, 1165–1185 delmarShane03.
DeMaris, A. (2004): Regression with Social Data - Modeling Continuous and Limited
Response Variables. John Wiley & Sons, Hoboken (NJ).
Dess, G. S.; R. B. Robinson (1984): Measuring organizational performance in the absence

of objective measures. Strategic Management Journal 5, 265–273.
Deszca, G.; H. Munro; H. Noori (1999): Developing breakthrough products: challenges

and options for market assessment. Journal of Operations Management 17, 613–630.
Diamantopoulos, A.; H. M. Winklhofer (2001): Index Construction with Formative In-

dicators: An Alternative to Scale Development. Journal of Marketing Research 38
(May), 269–277.
Dierickx, I.; K. Cool (1989): Asset Stock Accumulation and Sustainability of Competitive
Advantage. Management Science 35, 1504–1511.
DiMaggio, P. J.; W. W. Powell (1983): The Iron Cage Revisited: Institutional Isomorphism
and Collective Rationality in Organizational Fields. American Sociological Review 48,
147–160.
Donaldson, L. (1985): In Defence of Organization Theory: A Reply to the Critics. Cam-

bridge (MA).
Donaldson, L. (1987): Strategy and Structural Adjustment to Regain Fit and Performan-
ce: In Defence of Contingency Theory. Journal of Management Studies 24, 1–24.
Donaldson, L. (1996a): For Positivist Organization Theory. Sage, London.
Donaldson, L. (1996b): The Normal Science of Structural Contingency Theory. In: S. R.

Clegg; C. Hardy; W. R. Nord (Hrsg.): Handbook of Organization Studies. Sage, Thou-
sand Oaks (CA), 57–76.
Donaldson, L. (2001): The Contingency Theory of Organizations. Sage, Thousand Oaks

(CA).
Dosi, G. (1982): Technological Paradigms and Technological Trajectories. Research Policy

11, 147–162.
Dougherty, D. (1990): Understanding new markets for new products. Strategic Manage-
ment Journal 11, 59–78.
Dougherty, D. (1992): Interpretive Barriers to Successful Product Innovation in Large
Firms. Organization Science 3, 179–202.
Dougherty, D. (1996): Organizing for Innovation. In: S. R. Clegg; C. Hardy; W. R. Nord
(Hrsg.): Handbook of Organization Studies. Sage, Thousand Oaks (CA), 424–439.
Downey, H. K.; D. Hellriegel; J. W. Slocum (1975): Environmental Uncertainty. The
Construct and Its Application. Administrative Science Quarterly 20, 613–629.
Downey, H. K.; J. W. Slocum (1975): Uncertainty: Measures, Research, and Sources of
Variation. Academy of Management Journal 18, 562–577.
Drazin, R.; A. H. Van de Ven (1985): Alternative Forms of Fit in Contingency Theory.
Administrative Science Quarterly 30, 514–539.
Drucker, P. (1976): What results should you expect? A users’s guide to MBO. Public
Administration Review 36, 12–19.
Duncan, R. B. (1972): Characteristics of Organizational Environment and Perceived En-
vironmental Uncertainty. Administrative Science Quarterly 17, 313–327.
Dutton, J. E.; J. Webster (1988): Patterns of interest around issues: the role of uncertainty
and feasibility. Academy of Management Journal 31 (3), 663–675.
Dvir, D.; S. Lipovetsky; A. J. Shenhar; A. Tishler (1998): In search of project classification:
a non-universal approach to project success factors. Research Policy 27, 915–935.
Dvir, D.; T. Raz; A. J. Shenhar (2003): An empirical analysis of the relationship between
project planning and project success. International Journal of Project Management
21, 89–95.
Dwyer, L.; R. Mellor (1991): Organizational environment, new product process activities,
and project outcomes. Journal of Product Innovation Management 8, 39–48.
Earley, P. C.; T. Connolly; G. Ekegren (1989): Goals, Strategy Development, and Task
Performance: Some Limits on the Efficacy of Goal Setting. Journal of Applied Psy-
chology, 24–33.
Ebers, M. (1992): Situative Organisationstheorie. In: E. Frese (Hrsg.): Handwörterbuch
der Organisation. 3. Aufl., Poeschel, Stuttgart, 1818–1838.
Edgett, S. (1994): The Traits of Successful New Service Development. Journal of Services
Marketing 8 (3), 40–49.
Edgett, S.; S. Parkinson (1994): The Development of New Financial Services. Identify-
ing Determinants of Success and Failure. International Journal of Service Industry
Edwards, J. R. (2001): Multidimensional Constructs in Organizational Behavior Research:

An Integrative Analytical Framework. Organizational Research Methods 4 (2), 144–
192.
Edwards, J. R.; R. P. Bagozzi (2000): On the nature and direction of relationships between
constructs and measures. Psychological Methods 5, 155–174.
Egelhoff, W. G. (1982): Strategy and Structure in Multinational Corporations: An Infor-

mation Processing Approach. Administrative Science Quarterly 27, 435–458.
Egelhoff, W. G. (1991): Information-processing theory and the multinational enterprise.

Journal of Interational Business Studies 22 (3), 341–368.
Eisenhardt, K. M. (1989): Making Fast Strategic Decisions in High-Velocity Environments.

Academy of Management Journal 32 (3), 543–576.
Eisenhardt, K. M.; J. A. Martin (2000): Dynamic capabilities: what are they?. Strategic
Eisenhardt, K. M.; B. N. Tabrizi (1995): Accelerating Adaptive Processes: Product In-

novation in the Global Computer Industry. Administrative Science Quarterly 40,
84–110.
Ernst, H. (2001): Erfolgsfaktoren neuer Produkte. Grundlagen für eine valide empirische
Forschung. Deutscher Universitäts-Verlag, Wiesbaden.
Ernst, H. (2002): Success factors of new product development: A review of the empirical
literature. International Journal of Management Reviews 4 (1), 1–40.
Ernst, H. (2003): Ursachen eines Informant Bias und dessen Auswirkung auf die Validität
empirischer betriebswirtschaftlicher Forschung. Zeitschrift für Betriebswirtschaft 73
(12), 1249–1275.
Ettlie, J. E.; E. M. Reza (1992): Organizational integration and process innovation. Aca-
demy of Management Journal 35 (4), 795–827.
Fabrigar, L. R.; D. T. Wegener; R. C. MacCallum; E. C. Strahan (1999): Evaluating the

Use of Exploratory Factor Analysis in Psychological Research. Psychological Methods
4 (3), 272–299.
Fahrmeir, L.; A. Hamerle; G. Tutz (1996): Multivariate statistische Verfahren. 2. Aufl.,

de Gruyter, Berlin.
Farny, D. (1989): Risk Management und Planung. In: N. Szyperski (Hrsg.):

Handwörterbuch der Planung. Poeschel, Stuttgart, 1749–1758.
Fava, J. L.; W. F. Velicer (1992): The effects of overextraction on factor and component
analysis. Multivariate Behavioral Research 27, 387–415.
Fieten, R. (1980): Organisationslehre II (englischsprachige). In: E. Grochla (Hrsg.):

Handwörterbuch der Organisation. 2. Aufl., Poeschel, Stuttgart, 1602–1619.
Fiske, D. W. (1982): Convergent-discriminant validation in measurements and research

strategy. In: D. Brinbirg; L. H. Kidder (Hrsg.): Forms of validity in research. Jossey-
Bass, San Francisco (CA), 77–92.
Floyd, F. J.; K. F. Widaman (1995): Factor Analysis in the Development and Refinement
of Clinical Assessment Instruments. Psychological Assessment 7 (3), 286–299.
Ford, J. K.; R. C. MacCallum; M. Tait (1986): The application of exploratory factor

analysis in applied psychology: A critical review and analysis. Personnel Psychology
39, 291–314.
Fornell, C.; D. Larcker (1981): Evaluating Structural Equation Models with Unobservable
Variables and Measurement Error. Journal of Marketing Research 18, 39–50.
Fornell, C.; Y. Yi (1992): Assumptions of the Two-Step Approach to Latent Variable

Modeling. Sociological Methods and Research, 291–320.
Foster, R. N.; L. H. Linden; R. L. Whiteley; A. M. Kantrow (1985): Improving the return

on R&D - I. Research Management (January/February).
Freeman, B.; P. Beale (1992): Measuring Project Success. Project Management Journal
1, 8–17.
French, J. R. P.; J. Isreal; D. As (1960): An experiment in a Norwegian factory. Interper-

sonal dimensions in decision-making. Human Relations 13, 3–19.
Fricke, R.; G. Treinies (1985): Einführung in die Metaanalyse. Huber, Bern.
Galbraith, J. R.: Organizational design: An information-processing view. Working paper

No. 425-69. (1969).
Galbraith, J. R. (1973): Designing Complex Organizations. Addison-Wesley, Reading

(MA).
Galbraith, J. R. (1977): Organization Design. Addison-Wesley, Reading (MA).
Galbraith, J. R.; D. A. Nathanson (1978): Strategy Implementation: The Role of Structure

and Process. West Publishing Company, St. Paul (MN).
Galbraith, J. R.; D. A. Nathanson (1979): The Role of Organizational Structure and

Process in Strategy Implementation. In: D. Schendel; C. W. Hofer (Hrsg.): Strategic
Management: A New View of Business Policy and Planning. Little, Brown, Boston,
249–283.
Garcia, R.; R. Calantone (2002): A critical look at technological innovation typology

and innovativeness terminology: a literature review. Journal of Product Innovation
Gardiner, P. D.; K. Stewart (2000): Revisiting the golden triangle of cost, time and quality:
the role of NPV in project control, success and failure. International Journal of
Project Management 18, 251–256.
Gatignon, H. (2003): Statistical Analysis of Management Data. Kluwer, New York.
Gatignon, H.; T. S. Robertson (1991): Innovative decision process. In: T. S. Robertson;

H. H. Kassarjian (Hrsg.): Handbook of Consumer Behaviour. Prentice-Hall, Engle-
wood Cliffs (NJ), y–z.
Gatignon, H.; M. L. Tushman; W. Smith; P. Anderson (2002): A Structural Approach

to Assessing Innovation: Construct Development of Innovation Locus, Type, and
Characteristics. Management Science 48 (9), 1103–1122.
Gebert, D. (1995): Führung im MbO-Prozeß. In: A. Kieser; G. Reber; R. Wunderer

(Hrsg.): Handwörterbuch der Führung. 2. Aufl., Schäffer-Poeschel, Stuttgart, 426–
436.
Gemünden, H. G. (1990): Erfolgsfaktoren des Projektmanagements. Eine kritische Be-

standsaufnahme der empirischen Untersuchungen. Projekt Management 1 (1/2), 4–
15.
Gemünden, H. G. (1995): Zielbildung. In: H. Corsten; M. Reiß (Hrsg.): Handbuch Unter-

nehmensführung: Konzepte - Instrumente - Schnittstellen. Gabler, Wiesbaden, 251–
266.
Gemünden, H. G.; S. Salomo; A. Krieger (2005): The influence of project autonomy on

project success. International Journal of Project Management 23, 366–373.
Gerbing, D. W.; J. C. Anderson (1984): On the meaning of within-factor correlated mea-

surement errors. Journal of Consumer Research 11, 572–580.
Geroski, P.; S. Machin; J. v. Reenen (1993): The profitability of innovating firms. RAND
Journal of Economics 24 (2), 1993.
Gerwin, D.; N. J. Barrowman (2002): An Evaluation of Research on Integrated Product

Development. Management Science 48 (7), 938–953.
Gerwin, D.; L. Moffat (1997): Authorizing processes changing team autonomy during new
product development. Journal of Engineering and Technology Management 14 (3/4),
291–313.
Gido, J.; J. P. Clements (1998): Network Planning and Scheduling. In: J. K. Pinto (Hrsg.):
The Project Management Institute: Project Management Handbook. Jossey-Bass, San
Francisco (CA), 177–204.
Goldhar, J. D. (1980): Some modest Conclusions. In: B. V. Dean; J. D. Goldhar (Hrsg.):

Management of Research and Innovation. Amsterdam, 283–284.
Gopalakrishnan, S.; P. Bierly; E. H. Kessler (1999): A reexamination of product and

process innovations using a knowledge-based view. Journal of High Technology Ma-
nagement Research 10 (1), 147–166.
Gorsuch, R. L. (1983): Factor Analysis. 2. Aufl., Lawrence Erlbaum, Hillsdale (NJ).

Gorsuch, R. L. (1997): Exploratory Factor Analysis: Its Role in Item Analysis. Journal of
Personality Assessment 68 (3), 532–560.
Grant, R. (1991): The Resource-Based Theory of Competitive Advantage: Implications

for Strategy Formulation. California Management Review 33.
Green, S. B.; R. W. Lissitz; S. A. Mulaik (1977): Limitations of coefficient alpha as an

index of test unidimensionality. Educational and Psychological Measurement 37, 827–
838.
Green, S. G.; M. B. Gavin; L. Aiman-Smith (1995): Assessing a Multidimensional Measure

of Radical Technological Innovation. IEEE Transactions on Engineering Management
42 (3), 203–214.
Greenwood, R. G. (1981): Management by objectives: As developed by Peter Drucker,

assisted by Harold Schmiddy. Academy of Management Review 2, 225–230.
Griffin, A. (1997): The Effect of Project and Process Characteristics on Product Deve-
lopment Cycle Time. Journal of Marketing Research 34, 24–35.
Griffin, A.; J. R. Hauser (1996): Integrating R&D and Marketing: A Review and Analysis
of the Literature. Journal of Product Innovation Management 13, 191–215.
Griffin, A.; A. L. Page (1993): An Interim Report on Measuring Product Development

Success and Failure. Journal of Product Innovation Management 10, 291–308.
Griffin, A.; A. L. Page (1996): PDMA Success Measurement Project: Recommended Mea-
sures for Product Development Success and Failure. Journal of Product Innovation
Grinyer, P.; S. Al-Bazzaz; M. Yasai-Ardekani (1986): Towards a contingency theory of

corporate planning: Findings in 48 U.K. companies. Strategic Management Journal
7, 3–28.
Grupp, H. (1994): The measurement of technical performance of innovations by tech-

nometrics and its impact on established technology indicators. Research Policy 23,
175–193.
Grupp, H. (1997): Messung und Erklärung des Technischen Wandels. Springer, Berlin.
Gupta, A. K.; D. L. Wilemon (1990): Accelerating the development of technology-based

new products. California Management Review, 24–44.
Guttmann, L. (1953): Image Theory for the Structure of Quantitative Variates. Psycho-
metrika 18, 277–296.
Hage, J.; M. Aiken (1969): Routine Technology, Social Structure, and Organization Goals.
Administrative Science Quarterly, 366–376.
Hair, J. F.; R. E. Anderson; R. L. Tatham; W. C. Black (1998): Multivariate Data Ana-

lysis. Prentice-Hall, Upper Saddle River (NJ).
Hall, B. H.; J. Mairesse (1995): Exploring the relationship between R&D and productivity
in French manufacturing firms. Journal of Econometrics 65 (1), 263–293.
Hamilton, A. (2002): Considering value during early project development: a product case
study. International Journal of Project Management 20, 131–136.
Hannan, M. T.; J. H. Freeman (1977): The Population Ecology of Organizations. American

Sociological Review 82, 929–964.
Harman, H. H. (1978): Modern Factor Analysis. 3. Aufl., University of Chicago Press,

Chicago.
Hart, S. (1993): Dimensions of Success in New Product Development: an Exploratory

Investigation. Journal of Marketing Management 9, 23–41.
Hart, S.; C. Banbury (1994): How strategy-making processes can make a difference. Stra-
tegic Management Journal 15, 251–269.
Hart, S. L.; E. J. Hultink; N. X. Tzokas; H. R. Commandeur (2003): Industrial Com-

panies’ Evaluation Criteria in New Product Development Gates. Journal of Product
Innovation Management 20 (1), 22–36.
Haß, H. J. (1983): Die Messung des technischen Fortschritts. München.
Hattie, J. (1985): Methodology Review: Assessing Unidimensionality of Tests and Items.

Applied Psychological Measurement 9 (June), 139–164.
Hauschildt, J. (1970): Zur Artikulation von Unternehmenszielen. Zeitschrift für betriebs-

wirtschaftliche Forschung 22, 545–559.
Hauschildt, J. (1977): Entscheidungsziele. Zielbildung in innovativen Entscheidungspro-

zessen: theoretische Ansätze und empirische Prüfung. Tübingen.
Hauschildt, J. (1991): Zur Messung des Innovationserfolgs. Zeitschrift für Betriebswirt-

schaft 61 (4), 451–476.
Hauschildt, J. (1992): Innovationsmanagement. In: E. Frese (Hrsg.): Handwörterbuch Or-

ganisation. 3. Aufl., Schäffer-Poeschel, Stuttgart, 1029–1042.
Hauschildt, J. (1999): Widerstand gegen Innovation – destruktiv oder konstruktiv?.

In: H. Albach (Hrsg.): Zeitschrift für Betriebswirtschaft, Innovation und Absatz.
Ergänzungsheft 2/99, 1–21.
Hauschildt, J. (2004): Innovationsmanagement. 3. Aufl., Vahlen, München.
Hauschildt, J.; T. M. Schlaak (2001): Zur Messung des Innovationsgrades neuartiger Pro-
dukte. Zeitschrift für Betriebswirtschaft 71 (2), 161–182.
Hauser, R. M.; A. S. Goldberger (1971): The treatment of unobservable variables in path

analysis. In: H. L. Costner (Hrsg.): Sociological Methodology. Jossey-Bass, San Fran-
cisco, 81–117.
Hayduk, L. A. (1987): Structural equation modeling with LISREL: Essentials and advan-
ces. Bd. London John Hopkins University Press.
Hayduk, L. A.; D. N. Glaser (2000): Jiving the Four-Step, Waltzing Around Factor Ana-
lysis, and Other Serious Fun. Structural Equation Modeling 7 (1), 1–35.
Hayes, R. H.; S. C. Wheelwright; K. B. Clark (1988): Dynamic Manufacturing. The Free

Press, New York.
Haynes, S. N.; D. C. S. Richard; E. S. Kubany (1995): Content validity in psychological as-

sessment. A functional approach to concepts and methods. Psychological Assessment
7 (238-247).
Heath, C.; R. P. Larrick; G. Wu (1999): Goals as Reference Points. Cognitive Psychology

38, 79–109.
Hedges, L. V. (1989): An Unbiased Correction for Sampling Error in Validity Generaliza-

tion Studies. Journal of Applied Psychology 74 (3), 469–477.
Hedges, L. V.; I. Olkin (1980): Vote-counting methods in research synthesis. Psychological

Bulletin 88, 359–369.
Heise, D. R. (1973): Some Issues in Sociological Measurement. In: Sociological Methodology

1973-1974 (Vol. 5)., 1–16.
Henard, D. H.; D. M. Szymanski (2001): Why Some New Products Are More Successful
Than Others. Journal of Marketing Research 38 (August), 362–375.
Henderson, R. (1993): Underinvestment and incompetence as reponses to radical inno-

vation: Evidence from the photolitographic alignment equipment industry. RAND
Journal of Economics 24 (2), 248–270.
Henderson, R. (1995): Of Cycles Real and Imaginary. The unexpectedly long old age of
optical litography. Research Policy 24 (4), 631–645.
Henderson, R.; K. B. Clark (1990): Architectural Innovation. The Reconfiguration of

Existing Product Technologies and the Failure of Existing Firms. Administrative
Science Quarterly 35, 9–30.
Henderson, R.; I. Cockburn (1996): Scale, scope, and spillovers: the determinants of rese-
arch productivity in drug discovery. RAND Journal of Economics 27 (1), 32–59.
Hershberger, S. L. (2003): The Growth of Structural Equation Modeling. Structural Equa-

tion Modeling 10 (1), 35–46.
Hertenstein, H., Julie; M. B. Platt (2000): Performance Measures and Management Con-
trol in New Product Development. Accounting Horizons 14 (3), 303–323.
Herting, J. R.; H. L. Costner (2000): Another Perspective on The Proper Number of

”
Factors“ and the Appropriate Number of Steps. Structural Equation Modeling 7 (1),
92–110.
Högl, M.; H. G. Gemünden (2001): Teamwork Quality and the Success of Innovative
Projects: A Theoretical Concept and Empirical Evidence. Organization Science 12
(4), 435–449.
Hinings, C. R.; S. R. Clegg; J. Child; H. E. Aldrich; L. Karpik; L. Donaldson (1988):

Offence and Defence: A Symposium with Hinings, Clegg, Aldrich, Karpik, and Do-
naldson. Organization Studies 9 (1), 1–32.
Hippler, H.-J. (1988): Methodische Aspekte schriftlicher Befragungen: Probleme und For-
schungsperspektiven. Planung und Analyse 6, 244–248.
Hünecke, K. (1983): Flugtriebwerke. Ihre Technik und Funktion. 3. Aufl., Motorbuch

Verlag, Stuttgart.
Homburg, C.; A. Giering (1996): Konzeptualisierung und Operationalisierung komplexer

Konstrukte - Ein Leitfaden für die Marketingforschung. Marketing ZFP 1996 (1),
5–24.
Hu, L.; P. M. Bentler (1995): Evaluating Model Fit. In: R. H. Hoyle (Hrsg.): Structural
equation modeling: concepts, issues, and applications. Sage, Thousand Oaks (CA),
76–99.
Hu, L.; P. M. Bentler (1998): Fit indices in covariance structure modeling: Sensitivity to
underparameterized model misspecificaitons. Psychological Methods 3, 424–453.
Hu, L.; P. M. Bentler (1999): Cutoff criteria for fit indices in covariance structure analysis:
Convential criteria versus new alternatives. Structural Equation Modeling 6, 1–55.
Hu, L.; P. M. Bentler; Y. Kano (1992): Can Test Statistics in Covariance Structure Ana-
lysis Be Trusted?. Psychological Bulletin 112 (2), 351–362.
Huang, X.; G. N. Soutar; A. Brown (2002): New Product Development Processes in Small
and Medium-Sized Enterprises: Some Australian Evidence. Journal of Small Business
Huber, V. L. (1985): Effects of task difficulty, goal setting, and strategy on performance
of a heuristic task. Journal of Applied Psychology 70, 492–504.
Hulland, J.; Y. H. Chow; S. Lam (1996): Use of causal models in marketing research: A
review. International Journal of Research in Marketing 13 (2), 181–197.
Hultink, E. J.; H. S. J. Robben (1995): Measuring New Product Success: The Difference
that Time Perspective Makes. Journal of Product Innovation Management 12, 392–
405.
Hunter, J. E.; D. W. Gerbing (1982): Unidimensional measurement, second order factor

analysis, and causal models. Research in Organizational Behavior 4, 267–320.
Hunter, J. E.; F. L. Schmidt (1990): Methods of Meta-Analysis. Correcting Error and Bias
in Research Findings. Sage, Newbury Park (CA).
Hunter, J. E.; F. L. Schmidt (1994): Correcting for Sources of Artificial Variation Across
Studies. In: H. Cooper; L. V. Hedges (Hrsg.): The handbook of research synthesis.
Russell Sage Foundation, New York, 323–336.
Hunter, J. E.; F. L. Schmidt; G. B. Jackson (1982): Meta-Analysis. Sage, Beverly Hills
(CA).
Hurley, A. E.; T. A. Scandura; C. A. Schriesheim; M. T. Brannick; A. Seers; R. J. Vanden-
berg; L. J. Williams (1997): Exploratory and confirmatory factor analysis: guidelines,
issues, and alternatives. Journal of Organizational Behavior 18, 667–683.
Iansiti, M.: Science-based product development: An empirical study of the mainframe
computer industry. Techn. Ber. Harvard Business School (1992).
Iansiti, M. (1993): Real-world R&D: Jumping the Product Generation Gap. Harvard
Business Review 71 (3), 138–147.
Iansiti, M.; J. West (1999): From Physics to Function: An Empirical Study of Research
and Development Performance in the Semiconductor Industry. Journal of Product
Innovation Management 16, 385–399.
Idaszak, J.; F. Drasgow (1987): A revision of the job diagnostic survey: Elimination of a
measurement artifact. Journal of Applied Psychology 72, 69–74.
Imai, K.; N. Ikujiro; H. Takeuchi (1985): Managing the new product development process.
In: R. H. Hayes; K. B. Clark; Lorenz (Hrsg.): The Uneasy Alliance: Managing the
productivity-technology dilemma. Harvard Business School Press, Boston (MA), 337–
375.
Ittner, C. D.; D. F. Larcker (1997): Product Development Cycle Time and Organizational
Performance. Journal of Marketing Research 34, 13–23.
Jaccard, J.; R. Turrisi; C. K. Wan (1990): Interaction effects in multiple regression. Sage,
Newbury Park (CA).
Jaccard, J.; C. K. Wan (1995): Measurement error in the analysis of interaction effects bet-
ween continuous predictors using multiple regression - Multiple indicator and struc-
tural equation approach. Psychological Bulletin 117, 348–357.
Jaccard, J.; C. K. Wan (1996): LISREL approaches to interaction effects in multiple
regression. Sage, Thousand Oaks (CA).
Jacoby, J. (1978): Consumer Research: A State of the Art Review. Journal of Marketing
42 (April), 87–96.
Jarvis, C. B.; B. MacKenzie, Scott; P. M. Podsakoff (2003): A Critical Review of Construct
Indicators and Measurement Model Misspecification in Marketing and Consumer
Research. Journal of Consumer Research 30, 199–218.
Johannessen, J.-A.; B. Olsen; G. T. Lumpkin (2001): Innovation as newness: What is new,
how new, and new to whom?. European Journal of Innovation Management 4 (1),
20–31.
Johne, A.; C. Storey (1998): New service development: a review of the literature and
annotated bibliography. European Journal of Marketing 32 (3/4), 184–251.
Johne, F.; P. Snelson (1988): Success Factors in Product Innovation: A Selective Review
of the Literature. Journal of Product Innovation Management 5, 114–128.
Jovanović, P. (1999): Application of sensitivity analysis in investment project evaluation

under uncertainty and risk. International Journal of Project Management 17 (4),
217–222.
Jöreskog, K. (1973): A general method for estimating a linear structural equation system.
In: A. S. Goldberger; O. D. Duncan (Hrsg.): Structural Equation Models in the Social
Sciences. Academic Press, New York, 85–112.
Jöreskog, K. (1993): Testing Structural Equation Models. In: K. A. Bollen; J. S. Long

(Hrsg.): Testing Structural Equation Models. Sage, Newbury Park, 294–316.
Jöreskog, K.; A. S. Goldberger (1975): Estimation of a Model with Multiple Indicators

and Multiple Causes of a Single Latent Variable. Journal of the American Statistical
Association 70 (Sept.), 631–639.
Jöreskog, K.; D. Sörbom (1979): Advances in Factor Analysis and Structural Equation
Models. Abt Books, Cambridge (MA).
Jöreskog, K.; F. Yang (1996): Nonlinear structural equation models: The Kenny-Judd
model with interaction effects. In: G. A. Marcoulides; R. E. Schumacker (Hrsg.):
Advanced structural equation modeling techniques. Lawrence Erlbaum, Hillsdale (NJ),
57–88.
Jöreskog, K. G.; D. Sörbom (1982): Recent Developments in Structural Equation Mode-

ling. Journal of Marketing Research 19, 404–416.
Kaiser, H. F. (1970): A second generation Little-Jiffy. Psychometrika 35, 401–415.
Kaiser, H. F. (1974): Little Jiffy, Mark IV. Educational and Psychological Measurement
34, 111.
Kano, Y.; A. Harada (2000): Stepwise variable selection in factor analysis. Psychometrika
65, 7–22.
Kanter, R. M.; D. Brinkerhoff (1981): Organizational Performance: Recent Developments

in Measurement. Annual Review of Sociology 7, 321–349.
Katz, R. (1982): The effects of group longevity on project communication and performan-
ce. Administrative Science Quarterly 27, 81–104.
Katz, R.; T. J. Allen (1985): Project performance and the locus of influence in the R&D
matrix. Academy of Management Journal 28, 67–87.
Katz, R.; M. L. Tushman (1981): An investigation into the managerial roles and career
paths of gatekeepers and project supervisors in a major R&D facility. R&D Mana-
gement 11, 103–110.
Keesling, J. W. (1972): Maximum Likelihood Approaches to Causal Analysis.. Ph.D.

dissertation. Department of Eduction: University of Chicago.
Keizer, J. A.; J. P. Vos (2003): Diagnosing risks in new product development. Eindhoven
Centre for Innovation Studies, Working Paper 03.11.
Keller, R. T. (1994): Technology-Information Processing Fit and the Performance of R&D

Project Groups: A Test of Contingency Theory. Academy of Management Journal 37,
167–179.
Kelley, T. L. (1928): Crossroads in the mind of man. Stanford University, Stanford (CA).
Kenny, D.; C. M. Judd (1984): Estimating the nonlinear and interactive effects of latent
variables. Psychological Bulletin 96, 201–210.
Kerssens-van Drongelen, I. C.; J. Bilderbeek (1999): R&D performance measurement:

more than choosing a set of metrics. R&D Management 29 (1), 35–46.
Kerssens-van Drongelen, I. C.; A. Cook (1997): Design Principles for the Development of
Measurement Systems for Research and Development Processes. R&D Management
345-357.
Khandwalla, P. N. (1973): Viable and effective organizational design of firms. Academy of

Khurana, A.; S. R. Rosenthal (1997): Integrating the Fuzzy Front End of New Product
Development. Sloan Management Review (Winter), 103–120.
Kieser, A. (1993): Der Situative Ansatz. In: A. Kieser (Hrsg.): Organisationstheorien.

Kohlhammer, Stuttgart, 161–191.
Kieser, A.; H. Kubicek (1992): Organisation. 3. Aufl., de Gruyter, Berlin.
Klein, A. (2000): Moderatormodelle. Verfahren zur Analyse von Moderatoreffekten in

Strukturgleichungsmodellen. Verlag Dr. Kovač, Hamburg.
Klein, H. J. (1989): An Integrated Control Theory Model of Work Motivation. Academy

of Management Review, 150–172.
Kmetz, J. L. (1998): The Information Processing Theory of Organization. Ashgate, Al-

dershot.
Knyphausen, D. z. (1993): Why are Firms different? Der ’Ressourcenorientierte Ansatz’

im Mittelpunkt einer aktuellen Kontroverse im Strategischen Management. Die Be-
triebswirtschaft 53, 771–792.
Koontz, H.; C. O’Donnell (1976): Management: A Systems and Contingency Analysis of

Managerial Functions. McGraw-Hill, New York.
Kotzbauer (1992): Erfolgsfaktoren neuer Produkte: der Einfluß der Innovationshöhe auf
den Erfolg technischer Produkte. Lang, Frankfurt.
Krieger, A. (2005): Erfolgsreiches Management radikaler Innovationen. Deutscher Uni-

versität-Verlag, Wiesbaden.
Krishnan, V.; K. T. Ulrich (2001): Product Development Decisions: A Review of the

Literature. Management Science 47 (1), 1–21.
Kumar, A.; W. R. Dillon (1987): The Interaction of Measurement and Structure in Simul-
taneous Equation Models with Unobservable Variables. Journal of Marketing Rese-
arch 24, 98–105.
Kumar, N.; L. Stern; J. Anderson (1993): Conducting Interorganizational Research Using

Key Informants. Academy of Management Journal 36, 1633–1651.
Kupsch, P. U. (1995): Risikomanagement. In: H. Corsten; M. Reiß (Hrsg.): Handbuch

Unternehmensführung: Konzepte - Instrumente - Schnittstellen. Gabler, Wiesbaden,
529–543.
Kupsch, P. U.; R. Marr; A. Picot (1991): Innovationswirtschaft. In: E. Heinen (Hrsg.):

Industriebetriebslehre. Entscheidungen im Industriebetrieb. Wiesbaden, 1069–1156.
Lance, C. E.; J. M. Cornwell; S. A. Mulaik (1988): Limited Information Parameter Esti-

mates for Latent for Mixed Manifest and Latent Variable Models. Multivariate Be-
havioral Research 23, 171–187.
Landes, D. (1983): Revolution in Time. Harvard University Press, Cambridge (MA).
Lange, E. C. (1993): Abbruchentscheidung bei F&E-Projekten. Deutscher Universität-

Verlag, Wiesbaden.
Latham, G. P.; M. Erez; E. A. Locke (1988): Resolving Scientific Disputes by the Joint
Design of Crucial Experiments by the Antagonists: Application to the Erez-Latham
Dispute Regarding Participation in Goal Setting. Journal of Applied Psychology 73
(4), 753–772.
Latham, G. P.; E. A. Locke (1995): Zielsetzung als Führungsaufgabe. In: A. Kieser; G. Re-
ber; R. Wunderer (Hrsg.): Handwörterbuch der Führung. 2. Aufl., Schäffer-Poeschel,
Stuttgart, 2222–2234.
Law, K. S.; C. S. Wong (1999): Multidimensional constructs in structural equation analy-

sis: An illustration using the job perception and job satisfaction constructs. Journal
of Management 25, 143–160.
Law, K. S.; C. S. Wong; W. H. Mobley (1998): Toward a taxonomy of multidimensional

constructs. Academy of Management Review 23, 741–755.
Lawley, D. N.; A. E. Maxwell (1971): Factor Analysis as a Statistical Method. Butter-

worth, London.
Lawrence, P. R.; J. W. Lorsch (1967a): Differentiation and Integration in Complex Orga-

nisations. Administrative Science Quarterly 12, 1–47.
Lawrence, P. R.; J. W. Lorsch (1967b): Organization and Environment. Managing Diffe-

rentiation and Integration. Irwin, Homewood (IL).
Lawton, L.; A. Parasuraman (1980): The Impact of the Marketing Concept on New Pro-
duct Planning. Journal of Marketing (Winter), 19–25.
Leblebici, H.; G. R. Salancik (1981): Effects of Environmental Uncertainty on Information

and Decision Processes in Banks. Administrative Science Quarterly 26, 578–596.
Lechler, T. (1997): Erfolgsfaktoren des Projektmanagements. Lang, Frankfurt.
Lee, Y.; G. C. O’Connor (2003): The Impact of Communication Strategy on Launching

New Products: The Moderating Role of Product Innovativeness. Journal of Product
Innovation Management 20, 4–21.
Lehmann, H. (1992): Organisationstheorie, systemtheoretisch-kybernetisch orientierte. In:

E. Frese (Hrsg.): Handwörterbuch der Organisation. 3. Aufl., Poeschel, Stuttgart,
1838–1853.
Leifer, R.; C. M. McDermott; G. C. O’Connor; L. S. Peters; M. P. Rice; R. Veryzer (2000):

Radical innovation: how mature companies can outsmart upstarts. Harvard Business
School Press, Boston (MA).
Leifer, R.; P. K. Mills (1996): An Information Processing Approach for Deciding Upon
Control Strategies and Reducing Control Loss in Emerging Organizations. Journal
of Management 22 (1), 113–137.
Leifer, R.; G. C. O’Connor; M. Rice (2001): Implementing radical innovation in mature

firms: The role of hubs. Academy of Management Executive 15 (3), 102–113.
Leifer, R. T.; A. L. Delbecq (1978): Organizational/environmental interchange: A model

of boundaries spanning activity. Academy of Management Review 3, 40–50.
Lewis, M. W.; M. A. Welsh; G. E. Dehler; S. G. Green (2002): Product Developement

Tensions: Exploring Contrasting Styles of Project Management. Academy of Mana-
gement Journal 45 (3), 546–564.
Lööf, H.; A. Heshmati (2002): On the relationship between innovation and performance: a
sensitivity analysis. SSE/EFI Working Paper Series in Economics and Finance No.
446.
Li, F.; P. Harmer; T. E. Duncan; S. C. Duncan; A. Acock; S. Boles (1998): Approa-

ches to testing interaction effects using structural equation modeling methodology.
Multivariate Behavioral Research 33, 1–39.
Lilien, G. L.; E. Yoon (1989): Determinants of New Industrial Product Performance: A

Strategic Reexamination of the Empirical Literature. IEEE Transactions on Engi-
neering Management 36 (1), 3–10.
Lim, C. S.; M. Z. Mohamed (1999): Criteria of project success: an exploratory re-

examination. International Journal of Project Management 17 (4), 243–248.
Lipovetsky, S.; A. Tishler; D. Dvir; A. J. Shenhar (1997): The relative importance of

project success dimensions. R&D Management 27 (2), 97–106.
Lippmann, S.; R. Rumelt (1982): Uncertain imitability: An analysis of interfirm differences

in efficiency under competition. Bell Journal of Economics 13, 418–438.
Littkemann, J. (1997): Innovation und Rechnungswesen. Deutscher Universität-Verlag,

Wiesbaden.
Liu, A. N. N.; A. Walker (1998): Evaluation of project outcomes. Construction Manage-

ment & Economics 16, 209–219.
Locke, E. A.; G. P. Latham (1990): A Theory of Goal Setting and Task Performance.
Prentice-Hall, Englewood Cliffs.
Locke, E. A.; K. M. Shaw; L. M. Saari; G. P. Latham (1981): Goal Setting and Task
Performance: 1969-1980. Psychological Bulletin 90, 125–152.
Loevinger, J. (1957): Objective tests as instruments of psychological theory. Psychological

Reports 3, 635–694.
Lohmöller, J.-B. (1989): Latent variable path modelling with partial least squares. Physica,
Heidelberg.
Long, J. S. (1983): Confirmatory factor analysis: A preface to LISREL. Sage, Beverly

Hills (CA).
Lord, F. M.; M. R. Novick (1968): Statistical theories of mental test scores. Addison-
Wesley, Reading (MA).
Lumsden, J. (1976): Test Theory. Annual Review of Psychology, 251–280.
Lynn, G. S.; K. D. Abel; W. S. Valentine; R. C. Wright (1999): Key Factors in Increasing

Speed To Market and Improving New Product Success Rates. Industrial Marketing
Lynn, G. S.; A. E. Akgün (2001): Project visioning: Its components and impact on new
product success. Journal of Product Innovation Management 18, 374–387.
Lynn, G. S.; J. G. Morone; A. S. Paulson (1996): Marketing and discontinuous innovation:

the probe and learn process. California Management Review 38 (3), 8–21.
Lynn, G. S.; R. R. Reilly; A. E. Akgün (2000): Knowledge management in new product

teams: practices and outcomes. IEEE Transactions on Engineering Management 47
(2), 91–109.
MacCallum, R. C. (1986): Specification Searches in Covariance Structure Modeling. Psy-

chological Bulletin 100 (1), 107–120.
MacCallum, R. C.; J. T. Austin (2000): Applications of structural equation modeling in

psychology research. Annual Review of Psychology 51, 201–226.
MacCallum, R. C.; M. W. Browne (1993): The use of causal indicator in covariance

structure models: Some practical issues. Psychological Bulletin 114, 533–541.
MacCallum, R. C.; K. F. Widaman; S. Zhang; S. Hong (1999): Sample size in factor

analysis. Psychological Methods 4, 84–89.
Macharzina, K. (1995): Unternehmensführung: Das internationale Managementwissen. 2.

Aufl., Gabler, Wiesbaden.
MacMillan, I. C.; P. Narasimha (1987): Characteristics distinguishing funded from unfun-

ded business plans evaluated by venture capitalists. Strategic Management Journal
8 (6), 579–585.
Madauss, B.-J. (1994): Handbuch Projektmanagement. 5. Aufl., Schäffer-Poeschel, Stutt-

gart.
Madauss, B.-J. (1995): Methoden des Managements von Technologieprojekten. In:

E. Zahn (Hrsg.): Handbuch Technologiemanagement. Schäffer-Poeschel, Stuttgart,
681–703.
Mahoney, J. T. (1995): The Management of Resources and the Resource of Management.

Journal of Business Research 33, 91–101.
Mahoney, J. T.; R. Pandian (1992): The Resource-Based View Within the Conversation
of Strategic Management. Strategic Management Journal 13, 363– 380.
Maidique, M. A.; B. J. Zirger (1984): A study of success and failure in product innova-
tion: The case of the U.S. electronics industry. IEEE Transactions on Engineering
Maidique, M. A.; B. J. Zirger (1985): The new product learning cycle. Research Policy
14, 299–313.
Makhija, M. (2003): Comparing the resource-based and market-based views of the firm:
empirical evidence from Czech privatization. Strategic Management Journal 24, 433–
451.
March, J. G.; R. I. Sutton (1997): Organizational Performance as a Dependent Variable.

Organization Science 8 (6), 698–706.
Mardia, K. V. (1970): Measures of multivariate skewness and kurtosis with applications.

Biometrika 57 (3), 519–530.
Marks, M. A.; J. E. Mathieu; S. J. Zaccaro (2001): A temporally based framework and

taxonomy of team processes. Academy of Management Journal 26 (3), 356–376.
Marquardt, D. W. (1980): Comment: You should standardize the predictor variables in

your regression models. Journal of the American Statistical Association 75, 87–91.
Marr, R. (1980): Innovation. In: E. Grochla (Hrsg.): Handwörterbuch der Organisation.

2. Aufl., Poeschel, Stuttgart, 947–959.
Marsh, H. W.; D. Hocevar (1985): Application of confirmatory factor analysis to the

study of self-concept: First and higher-order factor models and their invariance across
groups. Psychological Bulletin 97, 562–582.
Mathieu, J. E.; S. I. Tannenbaum; E. Salas (1992): Influcences of individual and situa-
tional characteristics on measures of training effectiveness. Academy of Management
Journal 35, 828–847.
McArdle, J. J.; R. P. McDonald (1984): Some algebraic porperties of the reticular ac-
tion model for moment structures. British Journal of Mathematical and Statistical
Psychology 37, 234–251.
McComb, S. A.; S. G. Green; W. D. Compton (1999): Project Goals, Team Performance,
and Shared Understandings. Engineering Management Journal 11 (3), 7–12.
McDermott, C. M.; G. C. O’Connor (2002): Managing radical innovation: an overview of
emergent strategy issues. Journal of Product Innovation Management 19, 424–438.
McDonald, R. (1999): Test theory: A unified treatment. Lawrence Erlbaum, Mahwah
(NJ).
McDonald, R. P. (1981): The Dimensionality of Tests and Items. British Journal of Ma-
thematical and Statistical Psychology 34, 100–117.
McDonald, R. P.; M.-H. R. Ho (2002): Principles and Practice in Reporting Structural
Equation Analyses. Psychological Methods 7 (2), 64–82.
McDonough, E. F. (2000): Investigation of factors contributing to the success of cross-
functional teams. Journal of Product Innovation Management 17 (3), 221–235.
McGrath, M. E.; M. N. Romeri (1994): The R&D Effectiveness Index: A Metric for
Product Development Performance. Journal of Product Innovation Management 11,
213–220.
McGrath, R. G.; M.-H. Tsai; S. Venkataraman; I. C. MacMillan (1996): Innovation, Com-
petitive Advantage and Rent: A Model and Test. Management Science 42 (3), 389–
403.
Medsker, G. M.; L. J. Williams; P. Holohan (1994): A review of current practices for eva-
luating causal models in organizational behavior and human resources management
research. Journal of Management 20, 439–464.
Meehl, P. E.; N. G. Waller (2002): The Path Analysis Controversy: A New Statistical
Approach to Strong Appraisal of Verisimilitude. Psychological Methods 7 (3), 283–
300.
Mehra, A. (1996): Resource and market based determinants of performance in the U.S.
banking industry. Strategic Management Journal 17 (4), 307–322.
Mento, A. J.; R. P. Steel; R. J. Karren (1987): A meta-analytic study of the effects of
goal setting on task performance: 1966-1984. Organizational Behavior and Human
Decision Processes 39, 52–83.
Meredith, J. R.; S. J. Mantel (1995): Project Management. A Managerial Approach. 3.

Aufl., John Wiley & Sons, New York.
Meyer, A. D.; A. S. Tsui; C. R. Hinings (1993): Configurational Approaches to Organiza-

tional Analysis. Academy of Management Journal 36 (6), 1175–1195.
Meyers, P. W.; F. W. Tucker (1989): Defining Roles for Logistics during Routine and
Radical Technological Innovation. Journal of the Academy of Marketing Science 17
(1), 73–82.
Micceri, T. (1989): The unicorn, the normal curve, and other improbable creatures. Psy-
chological Bulletin 105, 156–166.
Miles, R. E.; C. C. Snow (1978): Organizational Strategy, Structure, and Process.

McGraw-Hill, New York.
Miller, C. C.; W. H. Glick; Y.-D. Wang; G. P. Huber (1991): Understanding Technology-

Structure Relationships: Theory Development and Meta-Analytic Theory Testing.
Academy of Management Journal 34 (2), 370–399.
Miller, D. (1981): Toward a New Contingency Approach: The Search for Organizational
Gestalts. Journal of Management Studies 18 (1), 1–26.
Miller, D. (1992): Environmental Fit Versus Internal Fit. Organization Science 3 (2),
159–178.
Miller, K. I.; P. R. Monge (1986): Participation, Satisfaction, and Productivity: A Meta-

Analytic Review. Academy of Management Journal 4, 727–753.
Mintzberg, H. (1979): The Structuring of Organizations: Structures, Processes & Outco-

mes. Prentice-Hall, Englewood Cliffs (NJ).
Mintzberg, H. (1981): What is planning anyway?. Strategic Management Journal 2 (3),

319–324.
Mintzberg, H.; D. Raisinghani; A. Thrort (1976): The Structure of Unstructured“ Deci-

”
sion Processes. Administrative Science Quarterly 21, 246–275.
Mishra, S.; D. Kim; D. H. Lee (1996): Factors Affecting New Product Success: Cross-
Country Comparisons. Journal of Product Innovation Management 13, 530–550.
Mitchell, T. R. (1985): An Evaluation of the Validity of Correlational Research Conducted

in Organizations. Academy of Management Review 10, 192–205.
Mitroff, I. I.; J. R. Emshoff (1979): On strategic assumption making: a dialectical approach

to policy and planning. Academy of Management Review 4, 1–12.
Moenaert, R. K.; A. De Meyer; W. E. Souder; D. Deschoolmeester (1995):

R&D/Marketing Communication During the Fuzzy Front-End. IEEE Transactions
on Engineering Management 42 (3), 243–258.
Moenaert, R. K.; W. E. Souder (1990): An Information Transfer Model for Integrating

Marketing and R&D Personnel in New Product Development Projects. Journal of
Product Innovation Management 7 (91-109).
Moenaert, R. K.; W. E. Souder; A. De Meyer; D. Deschoolmeester (1994): R&D-Marketing

Integration Mechanisms, Communication Flows, and Innovation Success. Journal of
Product Innovation Management 11, 31–45.
Montoya-Weiss, M. M.; R. Calantone (1994): Determinants of New Product Performance:

A Review and Meta-Analysis. Journal of Product Innovation Management 11 (4),
397–417.
Moorman, C.; A. S. Miner (1998): The Convergence of Planning and Execution: Impro-
visation in New Product Development. Journal of Marketing 62, 1–20.
Moriarity, R. T.; T. J. Kosnik (1989): High-tech marketing: concepts, continuity, and

change. Sloan Management Review 30 (4), 7–17.
Morris, P. W. G. (1998): Key Issues in Project Management. In: J. K. Pinto (Hrsg.):

The Project Management Institute: Project Management Handbook. Jossey-Bass, San
Francisco (CA), 3–26.
Moulder, B. C.; J. Algina (2002): Comparison of Methods for Estimating and Testing
Latent Variable Interactions. Structural Equation Modeling 9 (1), 1–19.
Mulaik, S. A.; R. E. Millsap (2000): Doing the Four-Step Right. Structural Equation
Modeling 7 (1), 36–73.
Myers, R. (1990): Classical and modern regression with applications. 2. Aufl., Duxbury
Press, Boston (MA).
Myers, S.; D. G. Marquis: Successful industrial innovations (NSF 69-17). Techn. Ber.
National Science Foundation (1969).
Neidhardt, F. (1980): Soziale und sozio-technische Systeme. In: E. Grochla (Hrsg.):

Handwörterbuch der Organisation. Schäffer-Poeschel, Stuttgart, 2077–2087.
Nelson, R.; S. G. Winter (1982): An Evolutionary Theory of Economic Change. Belknap

Press, Cambridge (MA).
Netemeyer, R.; P. M. Bentler; R. P. Bagozzi; R. Cudeck; J. Cote; D. Lehman; R. McDo-

nald; T. Heath; J. Irwin; T. Ambler (2001): Structural Equations Modeling. Journal
of Consumer Psychology 10 (1/2), 83–100.
Normann, R. (1971): Organizational innovativeness: product variation and reorientation.

Administrative Science Quarterly 16 (2), 203–215.
Nunnally, J. C. (1978): Psychometric Theory. 2. Aufl., McGraw-Hill, London.
Nunnally, J. C.; I. H. Bernstein (1994): Psychometric Theory. 3. Aufl., McGraw-Hill,

London.
O’Connor, G. C. (1998): Market Learning and Radical Innovation: A Cross Case Compari-
son of Eight Radical Innovation Projects. Journal of Product Innovation Management
15 (2), 151–166.
O’Leary-Kelly, A. M.; J. J. Martocchio; D. D. Frink (1994): A Review of the Influence

of Group Goals on Group Performance. Academy of Management Journal 37, 1285–
1301.
O’Leary-Kelly, S. W.; R. J. Vokurka (1998): The empirical assessment of construct validity.

Journal of Operations Management 16, 387–405.
Olson, E. M.; O. C. Walker; R. W. Ruekert (1995): Organizing for Effective New Product
Development: The Moderating Role of Product Innovativeness. Journal of Marketing
59, 31–45.
Olsson, U. H.; T. Foss; S. V. Troye; R. D. Howell (2000): The performance of ML, GLS,
WLS estimation in structural equation modeling under conditions of misspecification
and nonnormality. Structural Equation Modeling 7, 557–595.
Olsson, U. H.; S. V. Troye; R. D. Howell (1999): Theoretic fit and empirical fit: The
performance of maximum likelihood versus generalized least squares estimation in
structural equation modeling. Multivariate Behavioral Research 34, 31–58.
Ottum, B. D.; W. L. Moore (1997): The Role of Market Information in New Product
Success/Failure. Journal of Product Innovation Management 14, 258–273.
Ouchi, W. G. (1979): A conceptual framework for the design of organizational control

mechanisms. Management Science 25, 833–847.
Pappas, R. A.; D. S. Remer (1985): Measuring R&D Productivity. Research Technology

Management (May/June).
Parry, M. E.; X. M. Song (1994): Identifying New Product Successes in China. Journal
of Product Innovation Management 11, 15–30.
Pearce, J. A.; B. Freeman; R. B. Robinson (1987a): The tenuous link between formal
strategic planning and firm financial performance. Academy of Management Review,
658–675.
Pearce, J. A.; D. K. Robbins; R. B. Robinson (1987b): The Impact of Grand Strategy

and Planning Formality on Financial Performance. Strategic Management Journal 8,
125–134.
Pearson, A. W.; W. A. Nixon; I. C. Kerssens-van Drongelen (2000): R&D as a business -

what are the implications for performance measurement?. R&D Management 30 (4),
355–366.
Penrose, E. (1959): The Theory of the Growth of the Firm. Blackwell Publishers, Oxford.
Perrow, C. (1967): A Framework for the Comparative Analysis of Organizations. American

Sociological Review 32, 194–208.
Peter, J. P. (1979): Reliability: A Review of Psychometric Basics and Recent Marketing

Practices. Journal of Marketing Research 16 (1), 6–17.
Peter, J. P. (1981): Construct Validity: A Review of Basic Issues and Marketing Practices.
Journal of Marketing Research 18, 133–145.
Peter, J. P.; G. A. Churchill (1986): Relationship among Research Design Choices and
Psychometric Properties of Rating Scales: A Meta-Analysis. Journal of Marketing
Research 18 (May), 133–145.
Peteraf, M. A. (1993): The Cornerstone of Competitive Advantage: A Resource-Based

View. Strategic Management Journal 14, 179–191.
Peteraf, M. A.; M. E. Bergen (2003): Scanning dynamics competitive landscapes: a

market-based and a resource-based framework. Strategic Management Journal 24,
1027–1041.
Phillips, L. (1981): Assessing Measurement Error in Key Informant Reports: A Methodo-

logical Note on Organizational Analysis in Marketing. Journal of Marketing Research
18, 395–415.
Ping, R. A. (1995): A parsimonious estimating technique for interaction and quadratic

latent variables. Journal of Marketing Research 32, 336–347.
Ping, R. A. (1996): Latent variable interaction and quadratic effect estimation: A two-step
technique using structural equation analysis. Psychological Bulletin 199, 166–175.
Ping, R. A. (2004): On assuring valid measures for theoretical models using survey data.
Journal of Business Research 57, 125–141.
Pinto, J. K.; J. E. Prescott (1988): Variations in Critical Success Factors Over the Stages
in the Project Life Cycle. Journal of Management 14 (1), 5–18.
Pinto, J. K.; J. E. Prescott (1990): Planning and tactical factors in the project implemen-
tation process. Journal of Management Studies 27 (3), 305–327.
Platz, J.; H. J. Schmelzer (1986): Projektmanagement in der industriellen Forschung und

Entwicklung. Springer, Berlin.
Pleschak, F.; H. Sabisch (1996): Innovationsmanagement. Schäffer-Poeschel, Stuttgart.
Podsakoff, P. M.; B. MacKenzie, Scott; J.-Y. Lee; N. P. Podsakoff (2003): Common Me-
thod Biases in Behavioral Research: A Critical Review of the Literature and Recom-
mended Remedies. Journal of Applied Psychology 88 (5), 879–903.
Podsakoff, P. M.; D. Organ (1986): Self-Reporting In Organizational Research: Problems

and Prospects. Journal of Management 12 (4), 531–544.
Porter, M. E. (1980): Competitive Strategy: Techniques for Analyzing Industries and Com-
petitors. The Free Press, New York.
Porter, M. E. (1985): Competitive Advantage: Creating and Sustaining Superior Perfor-

mance. The Free Press, New York.
Prahalad, C.; G. Hamel (1990): The Core Competence and the Corporation. Harvard
Business Review 68 (Mai/Juni), 79–91.
Preacher, K. J.; R. C. MacCallum (2003): Repairing Tom Swift’s Electric Factor Analysis
Machine. Understanding Statistics 2 (1), 13–43.
Priem, R. L.; J. E. Butler (2001a): Is the resource-based view“ a useful perspective for
”
strategic management research?. Academy of Management Review 26 (1), 22–40.
Priem, R. L.; J. E. Butler (2001b): Tautology in the resource-based view and the im-
plications of externally determined resource value: further comments. Academy of
Management Review 26 (1), 57–65.
Ramanujam, V.; N. Venkatraman; J. Camillus (1986): Multil-objective assessment of ef-

fectiveness of strategic planning. Academy of Management Journal 29, 114–127.
Randolph, W. A. (1978): Organizational technology and the media and purpose dimensi-
ons of organizational communications. Journal of Business Research 6, 237–259.
Rasmussen, J. L.; B. T. Loher (1988): Appropriate Critical Percentages for the Schmidt
and Hunter Meta-Analysis Procedutre: Comparative Evaluation of Type I Error Rate
and Power. Journal of Applied Psychology 73 (4), 683–687.
Raz, T.; A. J. Shenhar; D. Dvir (2002): Risk management, project success, and technolo-
gical uncertainty. R&D Management 32 (2), 101–109.
Reid, S. E.; U. de Brentani (2004): The Fuzzy Front End of New Product Development
for Discontiuous Innovations: A Theoretical Model. Journal of Product Innovation
Rencher, A. C. (2002): Methods of Multivariate Analysis. John Wiley & Sons, New York.
Rice, M. P.; D. Kelley; L. Peters; G. C. O’Connor (2001): Radical innovation: triggering

initiation of opportunity recognition and evaluation. R&D Management 31 (4), 409–
420.
Rindskopf, D.; T. Rose (1988): Some Theory and Applications of Confirmatory Second-
Order Factor Analysis. Multivariate Behavioral Research 23, 51–67.
Ritchie, J. B.; R. E. Miles (1970): An analysis of quantity and quality of participati-

on as mediating variables in the participative decision making process. Personnel
Psychology 23, 347–359.
Robert, M. M. (1991): Attack Competitors by Changing the Game Rules. The Journal of
Business Strategy 12 (9-10), 53–56.
Robinson, R. B.; J. A. Pearce (1983): The impact of formalized strategic planning on

financial performance in small organizations. Strategic Management Journal 4 (3),
197–207.
Robinson, R. B.; J. A. Pearce (1984): Research Thrusts in Small Firm Strategic Planning.
Academy of Management Review 9 (1), 128–137.
Rogers, E. M. (1995): The Diffusion of Innovations. The Free Press, New York.
Rogers, E. M.; R. Agarwala-Rogers (1976): Communication in Organizations. Free Press,

New York.
Rogers, P. R.; A. Miller; W. Q. Judge (1999): Using Information-Processing Theory to

Understand Planning/Performance Relationships in the Context of Strategy. Strategic
Management Journal 20 (6), 567–577.
Romanelli, E. (1987): New venture strategies in the minicomputer industry. California

Management Review 30 (1), 170–175.
Rosenau, M. D.; J. J. Moran (1993): Managing the Development of New Products. Van
Nostrand Reinhold, New York.
Rosenthal, S. R. (1992): Effective Product Design and Development. Irwin, Homewood

(IL).
Rossiter, J. R. (2002): THe C-OAR-SE procedure for scale development in marketing.

International Journal of Research in Marketing 2002, 305–335.
Rothwell, R.: Factor for success in industrial innovations from project SAPPHO. A com-
parative study of success and failure in industrial innovation. Techn. Ber. S.P.R.U
(1972).
Rothwell, R.; C. Freeman; A. Horsley; V. Jervis; A. Robertson; J. Townsend (1974):

SAPPHO updated. Project SAPPHO phase II. Research Policy 3, 258–291.
Rubenstein, A. H.; A. K. Chakrabarti; R. D. O’Keefe; W. E. Souder; H. C. Young (1976):

Factor influencing success at the project level. Reseach Management 16, 15–20.
Rue, L. W.; R. M. Fulmer (1973): Is long-range-planning profitable?. Academy of Mana-

gement Proceedings, 66–72.
Rumelt, R. (1991): How Much Does Industry Matter?. Strategic Management Journal 12,
167–185.
Salomo, S. (2003): Konzept und Messung des Innovationsgrades - Ergebnisse einer empi-
rischen Studie zu innovativen Entwicklungsvorhaben. In: M. Schwaiger; D. Harhoff
(Hrsg.): Empirie und Betriebswirtschaft, Entwicklungen und Perspektiven. Schäffer-
Poeschel, Stuttgart, 399–427.
Salomo, S.; H. G. Gemünden; F. Billing (2003a): Dynamisches Schnittstellenmanagement

radikaler Innovationsvorhaben. In: C. Herstatt; B. Verworn (Hrsg.): Management der
frühen Innovationsphasen: Grundlagen - Methoden - Neue Ansätze. Gabler, Wiesba-
den, 161–194.
Salomo, S.; F. Steinhoff; V. Trommsdorff (2003b): Customer Orientation in Innovation

Projects and New Product Development Success the Moderating Effect of Product
Innovativeness. International Journal of Technology Management 26 (5/6), 442–463.
Saltelli, A.; S. Tarantola; F. Campolongo (2000): Sensitivity Analysis as an Ingredient of

Modeling. Statistical Science 15 (4), 377–395.
Saren, M. A. (1984): A classification and review of models of the intra-firm. R&D Mana-
gement 14 (1), 11–24.
Saunders, D. R. (1956): Moderator variables in prediction. Educational and Psychological

Measurement 16, 209–222.
Schilling, M. (2000): Toward a General Modular System Theory. Academy of Management

Review 25, 312–334.
Schlaak, T. M. (1999): Der Innovationsgrad als strategische Schlüsselvariable des Mana-

gements von Produktentwicklungen. Deutscher Universitäts-Verlag, Wiesbaden.
Schmidt, F. L.; J. E. Hunter (1977): Development of a general solution to the problem of

validity generalization. Journal of Applied Psychology 62, 529–540.
Schmidt, J. B.; R. Calantone (1998): Are Really New Product Development Projects
Harder to Shut Down?. Journal of Product Innovation Management 15 (2), 111–123.
Schmidt, J. B.; R. J. Calantone (2002): Escalation of Commitment During New Product

Development. Journal of the Academy of Marketing Science 30 (2), 103–118.
Schnell, R.; P. B. Hill; E. Esser (1995): Methoden der empirischen Sozialforschung. 5.

Aufl., Oldenbourg, München.
Schoemaker, P. J. H. (1990): Strategy, complexity and economic rent. Management Science

36, 1178–1192.
Schoenecker, T.; L. Swanson (2002): Indicators of Firm Technological Capability: Validity

and Performance Implications. IEEE Transactions on Engineering Management 49
(1), 36–44.
Schoonhoven, C. B. (1981): Problems with contingency theory: testing assumptions hidden

within the language of contingency theory. Administrative Science Quarterly 26, 349–
377.
Schreyögg, G. (1994): Umwelt, Technologie und Organisationsstruktur. 2. Aufl., Haupt,

Bern.
Schreyögg, G. (1998): Organisation: Grundlagen moderner Organisationsgestaltung. 2.

Aufl., Gabler, Wiesbaden.
Schumacker, R. E.; G. A. Marcoulides (1998): Interaction and nonlinear effects in struc-

tural equation modeling. Lawrence Erlbaum, Mahwah (NJ).
Schumann, P. A.; D. L. Ransley; D. C. L. Prestwood (1995): Measuring R&D Performance.

Research Technology Management (May/June).
Schumpeter, J. A. (1931): Theorie der wirtschaftlichen Entwicklung. Eine Untersuchung

über Unternehmergewinn, Kapital, Kredit, Zins und den Konjunkturzyklus. 3. Aufl.,
Duncker u. Humblot, Leipzig.
Schumpeter, J. A. (1939): Business Cycles. A Theoretical, Historical and Statistical Ana-

lysis of the Capitalist Process. New York.
Schwab, D. P. (1980): Construct validity in organizational behavior. In: L. L. Cum-

mings; B. M. Staw (Hrsg.): Research in Organizational Behavior, Volume 2. JAI
Press, Greenwich (CT), 3–43.
Schwarzer, R. (1996): Meta-Analysis Programs. Unveröffentlichtes Manuskript.

www.nochzuergänzen.
Seibt, D. (1989): Projektplanung. In: N. Szyperski (Hrsg.): Handwörterbuch der Planung.

Poeschel, Stuttgart, 1665–1678.
Seidler, J. (1974): On using informants: a technique for collecting quantitative data and
controlling measurement error in organizational analysis. American Sociological Re-
view 39 (6), 816–831.
Sharma, S.; R. M. Durand; O. Gur-Arie (1981): Identification and Analysis of Moderator

Variables. Journal of Marketing Research 18 (8), 291–300.
Shenhar, A. J. (2001): One Size does not Fit All Projects: Exploring Classical Contingency
Domains. Management Science 47 (3), 394–414.
Shenhar, A. J.; D. Dvir (1996): Toward a typological theory of project management.

Research Policy 25, 607–632.
Shenhar, A. J.; D. Dvir; O. Levy; A. C. Maltz (2001): Project Success: A Multidimensional

Strategic Concept. Long Range Planning 34 (6), 699.
Shenhar, A. J.; D. Dvir; Y. Shulman (1995): A two-dimensional taxonomy of products and

innovations. Journal of Engineering and Technology Management 12 (3), 175–200.
Shenhar, A. J.; A. Tishler; D. Dvir; S. Lipovetsky; T. Lechler (2002): Refining the search
for project success factors: a multivariate, typological approach. R&D Management
32 (2), 111–126.
Sheremata, W. A. (2000): Centrifugal and centripetal forces in radical new product deve-
lopment under time pressure. Academy of Management Journal 25 (2), 389–408.
Shook, C. L.; D. J. Ketchen; G. T. M. Hult; K. M. Kacmar (im Druck): An Assessment of

the Use of Structural Equation Modeling in Strategic Management Research. Strategic
Management Journal.
Simon, H. (1964): On the Concept of Organizational Goals. Administrative Science Quar-

terly 9, 1–22.
Simon, H. A. (1954): Spurious correlation: A causal interpretation. Journal of the Ame-

rican Statistical Association 49, 469–492.
Simons, G. R.; C. M. Lucarelli (1998): Work Breakdown Structures. In: J. K. Pinto

(Hrsg.): The Project Management Institute: Project Management Handbook. Jossey-
Bass, San Francisco (CA), 159–176.
Simonson, I.; B. M. Staw (1992): Deescalation Strategies: A Comparison of Techniques for

Reducing Commitment to Losing Courses of Action. Journal of Applied Psychology
77 (4), 419–426.
Simpson, J. T.; C. Kollmannsberger; H. Schmalen; D. Berkowitz (2002): New product

development in German and US technology firms. European Journal of Innovation
Management 5 (4), 194–207.
Smith, P. G.; D. G. Reinertsen (1991): Developing Products in Half the Time. Van
Nostrand Reinhold, New York.
Snyder, N.; W. F. Glueck (1980): How managers plan – the analysis of managers’ activities.
Long Range Planning (February).
Sobel, M. E.; G. W. Bohrnstedt (1985): Use of null models in evaluating the fit of co-
variance structure models. In: N. B. Tuma (Hrsg.): Sociological Methodology 1985.
Jossey-Bass, San Francisco, 152–178.
Solow, R. M. (1957): Technical Change and the Aggregate Production Function. Review
of Eocnomics and Statistics 39, 312–320.
Song, X. M.; M. M. Montoya-Weiss (1998): Critical Development Activities for Really

New versus Incremental Products. Journal of Product Innovation Management 15,
124–135.
Song, X. M.; M. E. Parry (1996): What Separates Japanese New Product Winners from
Losers. Journal of Product Innovation Management 13, 422–439.
Song, X. M.; M. E. Parry (1997): A Cross-National Comparative Study of New Product

Development Processes: Japan and the United States. Journal of Marketing 61, 1–18.
Souder, W. E. (1987): Managing New Product Innovations. Lexington (MA).
Souder, W. E.; R. K. Moenaert (1992): Integrating Marketing and R&D Project Per-
sonnel within Innovation Projects: An Information Uncertainty Model. Journal of
Management Studies 29 (4), 485–512.
Spearman, C. (1904): General intelligence objectively determined and measured. Ameri-

can Journal of Psychology 15, 201–293.
Specht, G.; C. Beckmann (1996): F&E-Management. Schäffer-Poeschel, Stuttgart.
Spirtes, P.; C. Glymour; R. Scheines (1993): Causation, Prediction, and Search. Lecture
Notes in Statistics Springer, New York.
Staehle, W. (1994): Management: eine verhaltenswissenschaftliche Perspektive. 7. Aufl.,

Vahlen, München.
Stalk, G.; P. Evans; L. Shulman (1992): Competing on Capabilities: The New Rules of
Corporate Strategy. Harvard Business Review 70 (März/April), 57–69.
Staw, B. M.; J. Ross (1987): Knowing When to Pull the Plug. Harvard Business Review
65 (March/April), 68–74.
Steckler, G. L.; N. Fondas (1995): Building team leader effectiveness: A diagnostic tool.
Organizational Dynamics 23 (3), 20–33.
Steenkamp, J.-B. E. M.; H. Baumgartner (2000): On the use of structural equation models
for marketing modeling. International Journal of Research in Marketing 17, 195–202.
Steenkamp, J.-B. E. M.; H. C. M. van Trijp (1991): The use of LISREL in validating
marketing constructs. International Journal of Research in Marketing 8, 283–299.
Steers, R. M. (1975): Problems in the Measurement of Organizational Effectiveness. Ad-

ministrative Science Quarterly 20, 546–558.
Steiger, J. H. (2001): Driving Fast in Reverse. Journal of the American Statistical Asso-
ciation 96 (453), 331–338.
Steiger, J. H.; A. Shapiro; M. W. Browne (1985): On the multivariate asymptotic distri-

bution of sequential chi-square statistics. Psychometrika 50, 253–264.
Steiner, G. (1969): Top Management Planning. MacMillan, New York.
Stoffelmayr, B. E.; D. Dillavou; J. E. Hunter (1983): Premorbid functioning and outcome

in schizophrenia: A cumulative analysis. Journal of Consulting and Clinical Psycho-
logy 51, 335–352.
Storey, C.; D. Kelly (2001): Measuring the Performance of New Service Development
Activities. The Service Industries Journal 21 (2), 71–90.
Story, V.; G. Smith; J. Saker (2001): Developing Appropriate Measures of New Product
Development: A Contingency-Based Approach. International Journal of Innovation
Management 5 (1).
Takeuchi, H.; I. Nonaka (1986): The New Product Development Game. Harvard Business
Review 64 (1), 137–146.
Tatikonda, M. V.; M. M. Montoya-Weiss (2001): Integrating Operations and Marketing

Perspectives of Product Innovation. The Influence of Organizational Process Factors
and Capabilities on Development Performance. Management Science 47 (1), 151–172.
Tatikonda, M. V.; S. R. Rosenthal (2000): Technology novelty, project complexity, and

product development execution success. IEEE Transactions on Engineering Mana-
gement 47, 74–87.
Teece, D.; G. Pisano; A. Shuen (1997): Dynamic Capabilities and Strategic Management.
Strategic Management Journal 18, 509–533.
Thamhain, H. J. (2003): Managing innovative R&D teams. R&D Management 33 (3),

297–311.
Thieme, R. J.; X. M. Song; G.-C. Shin (2003): Project Management Characteristics and
New Product Survival. Journal of Product Innovation Management 20, 104–119.
Thom, N. (1980): Grundlagen des betrieblichen Innovationsmanagements. 2. Aufl.,

Königstein.
Thom, N. (1992): Innovationsmanagement. Die Orientierung, Bd. 100 Schweizerische

Volksbank, Bern.
Thompson, J. D. (1967): Organizations in Action. McGraw-Hill, New York.
Thurstone, L. L. (1947): Multiple factor analysis. University of Chicago Press, Chicago.
Tidd, J. (2001): Innovation Management in Context. Environment, Organization and

Performance. International Journal of Management Reviews 3 (3), 169–183.
Tidd, J.; K. Bodley (2002): The influence of project novelty on the new product develop-
ment process. R&D Management 32 (2), 127–138.
Ting, K.-f. (1995): Confirmatory tetrad analysis in SAS. Structural Equation Modeling 2,
163–171.
Tomarken, A. J.; N. G. Waller (2003): Potential Problems with ”Well FittingModels.

Journal of Abnormal Psychology 112 (4), 578–598.
Tushman, M. L. (1978): Technical Communication in R&D Laboratories: The Impact of

Project Work Characteristics. Academy of Management Journal 21 (4), 624–645.
Tushman, M. L. (1979): Work characteristics and sub-unit communication structure: A

contingency analysis. Administrative Science Quarterly 24, 82–98.
Tushman, M. L.; P. Anderson (1986): Technological discontinuities and organizational

environments. Administrative Science Quarterly 31, 439–465.
Tushman, M. L.; D. A. Nadler (1978): Information Processing as an Integrating Concept

in Organizational Design. Academy of Management Review 3 (3), 613–624.
Tushman, M. L.; C. A. O’Reilly (1996): Ambidextrous organizations: Managing evolutio-

nary and revolutionary change. California Management Review 38 (4), 8–30.
Tymon, W. G. (1986): A Taxonomy of R&D Control Models and Variables Affecting

Their Use. R&D Management 16, 233–241.
Ueberla, K. (1968): Faktorenanalyse. Springer, Berlin.
Uhlmann, L. (1978): Der Innovationsprozess in westeuropäischen Industrieländern. Ber-

lin.
Urban, G. L.; J. R. Hauser (1993): Design and Marketing of New Products. Prentice-Hall,
Englewood Cliffs (NJ).
Utterback, J. M. (1994): Mastering the dynamics of innovation. Harvard Business School

Press, Boston (MA).
Utterback, J. M.; W. J. Abernathy (1975): A Dynamic Model of Process and Product

Innovation. Omega 3 (6), 639–656.
Van de Ven, A. H.; A. L. Delbecq (1974): A Task Contingent Model of Work Unit Struc-
ture. Administrative Science Quarterly 19, 183–197.
Van de Ven, A. H.; A. L. Delbecq; R. Koenig (1976): Determinants of coordination modes

within organizations. American Sociological Review 41, 322–338.
Van de Ven, A. H.; R. Drazin (1985): The Concept of Fit in Contingency Theory. In:
B. M. Staw; L. L. Cummings (Hrsg.): Research in Organizational Behavior, Volume
7. JAI Press, Greenwich (CT), 333–365.
Velicer, W. F.; J. L. Fava (1998): Effects of variable and subject sampling on factor pattern
recovery. Psychological Methods 3, 231–251.
Velicer, W. F.; D. N. Jackson (1990): Component Analysis versus Common Factor Ana-
lysis: Some Issues in Selecting an Appropriate Procedure. Multivariate Behavioral
Research 25 (1), 1–28.
Veliyath, R.; T. C. Srinivasan (1995): Gestalt Approaches to Assessing Strategic Coali-

gnment: A Conceptual Integration. British Journal of Management 6, 205–219.
Venkatraman, N. (1989): The Concept of Fit in Strategy Research: Toward Verbal and
Statistical Correspondence. Academy of Management Review 14 (3), 423–444.
Venkatraman, N.; V. Ramanujam (1986): Measurement of Business Performance in Stra-

tegy Research: A Comparison of Approaches. Academy of Management Review 11
(4), 801–814.
Verona, G. (1999): A resource-based view of product development. Academy of Manage-

ment Review 24, 132–142.
Veryzer, R. W. (1998a): Discontinuous innovation and the new product development pro-
cess. Journal of Product Innovation Management 15 (4), 304–321.
Veryzer, R. W. (1998b): Key factors affecting customer evaluation of discontiuous new

products. Journal of Product Innovation Management 15 (2), 136–150.
von Hippel, E. (1990): Task partitioning: An innovation process variable. Research Policy
19, 407–418.
von Werder, A. (1992): Organisation des Risk Management(s). In: E. Frese (Hrsg.):
Handwörterbuch Organisation. Schäffer-Poeschel, Stuttgart, 2212–2224.
Wagner, J. A.; R. Z. Gooding (1987): Shared influence and organizational behavior: A

meta-analysis of situational variables expected to moerate participation-outcome re-
lationships. Academy of Management Journal 30, 524–541.
Waller, N. G.: Veripath 1.2 - Program Manual. (2002).
Waller, N. G.; P. E. Meehl (2002): Risky Tests, Verisimilitude, and Path Analysis. Psy-
chological Methods 7 (3), 323–337.
Wateridge, J. (1998): How can IT/IS projects be measured for success?. International
Journal of Project Management 16 (1), 59–63.
Weick, K. E. (1993): The Collapse of Sensemaking in Organizations: the Mann Gulch

Disaster. Administrative Science Quarterly 38 (4), 628–652.
Weick, K. E. (1998): Improvisation as a Mindset for Organizational Analysis. Organization

Science 9, 543–555.
Wernerfelt, B. (1984): The Resource-based View of the Firm. Strategic Management Jour-
nal 5, 171–180.
Werts, C. E.; R. L. Linn; K. G. Jöreskog (1974): Interclass Reliability Estimates: Testing

Structural Assupmtions. Educational and Psychological Measurement 34, 25–33.
West, J. (2000): Institutions, information processing, and organization structure in rese-

arch and development: evidence from the semiconductor industry. Research Policy
29, 249–373.
West, S. G.; J. F. Finch; P. J. Curran (1995): Structural Equation Models with Nonnormal
Variables. In: R. H. Hoyle (Hrsg.): Structural Equation Modeling. Sage, Thousand
Oaks,.
Wheelwright, S. C.; K. B. Clark (1992a): Creating project plans to focus product deve-
lopment. Harvard Business Review (March-April), 70–82.
Wheelwright, S. C.; K. B. Clark (1992b): Revolutionizing Product Development. The Free

Press, New York.
Whipp, R.; P. Clark (1986): Innovation and the Auto Industry. Product, Process and Work
Organization. London.
Whyte, G. (1986): Escalating Commitment to a Course of Action: A Reinterpretation.

Academy of Management Review 11 (2), 311–321.
Widaman, K. F. (1985): Hierarchically nested covariance structure models for multitrait-

multimethod data. Applied Psychological Measurement 9 (1), 1–26.
Widaman, K. F. (1993): Common factor analysis versus principal component analysis:

Differential bias in representing model parameters?. Multivariate Behavioral Research
28, 263–311.
Wideman, R. M. (1998): Project Risk Management. In: J. K. Pinto (Hrsg.): The Project
Management Institute: Project Management Handbook. Jossey-Bass, San Francisco
(CA), 138–158.
Wiley, D. E. (1973): The identification problem for strucutral equation models with un-
measured variables. In: A. S. Goldberger; O. D. Duncan (Hrsg.): Structural Equation
Models in the Social Sciences. Academic Press, New York, 69–83.
Wiley, D. E.; J. A. Wiley (1970): The Estimation of Measurement Error in Panel Data.
American Sociological Review 35 (1), 112–117.
Williams, L. J.; J. R. Edwards; R. J. Vandenberg (2003): Recent Advances in Causal

Modeling Methods for Organizational and Management Research. Journal of Mana-
gement 29 (6), 903–936.
Williamson, O. E. (1999): Strategy research: governance and competence perspectives.

Strategic Management Journal 20 (12), 1087–1108.
Wind, J.; V. Mahajan (1997): Issues and Opportunities in New Product Development:
An Introduction to the Special Issue. Journal of Marketing Research 34, 1–12.
Winklhofer, H. M.; A. Diamantopoulos (2002): Managerial evaluation of sales forecasting

effectiveness: A MIMIC modeling approach. International Journal of Research in
Marketing 19, 151–166.
Witte, E. (1968): Phasen-Theorem und Organisation komplexer Entscheidungsverläufe.

Zeitschrift für betriebswirtschaftliche Forschung 20, 625–647.
Wolf, J. (2000): Der Gestaltansatz in der Management- und Organisationslehre. Deut-

scher Universität-Verlag, Wiesbaden.
Womack, J. P.; D. T. Jones; D. Roos (1990): The Machine that Changed the World.
HarperCollins, New York.
Wood, J. M.; D. J. Tataryn; R. L. Gorsuch (1996): Effects of under- and overextraction

on principal axis factor analysis with varimax rotation. Psychological Methods 1,
354–365.
Wood, R. E.; A. J. Mento; E. A. Locke (1987): Task Complexity as a Moderator of Goal

Effects: A Meta-Analysis. Journal of Applied Psychology 72, 416–425.
Woodward, J. (1958): Management and Technology. HMSO, London.
Woodward, J. (1965): Industrial Organization: Theory and Practice. Oxford University

Press, London.
Wright, P. M. (1990): Operationalization of Goal Difficulty as a Moderator of the Goal

Difficulty-Performance Relationship. Journal of Applied Psychology 75 (3), 227–234.
Zadeh, L. A. (1973): Outline of a new approach to the analysis of Complex systems and
decision processes. IEEE Transactions on Engineering Management SMC-3, 28–45.
Zahn, E.; A. Weidler (1995): Integriertes Innovationsmanagement. In: E. Zahn (Hrsg.):

Handbuch Technologiemanagement. Schäffer-Poeschel, Stuttgart, 351–376.
Zahra, S. A. (1996): Technology strategy and new venture performance: a study of

corporate-sponsored and independent biotechnology ventures. Journal of Business
Venturing 11 (4), 289–321.
Zapf, W. (1989): Über soziale Innovationen. Soziale Welt 40, 170–183.
Zedeck, S. (1971): Problems with the Use of Moderator Variables. Psychological Bulletin
76, 295–310.
Zeithaml, V. A.; A. Parasuraman; L. L. Berry (1985): Problems and Strategies in Services

Marketing. Journal of Marketing 49, 33–46.
Zeller, R. A.; E. G. Carmines (1980): Measurement in the social sciences. The link between
theory and data. Cambridge University Press, Cambridge.
Zirger, B. J.; M. A. Maidique (1990): A Model of New Product Development: An Empirical

Test. Management Science 36 (7), 867–883.
Index
Abbruchkriterien, 77–78, 232 Informant Bias, 99, 166, 294
Informationsnachfrage, 47
Bartlett Test of Sphericity, 176, 210 Informationsverarbeitung, 48
Bi-Faktormodell, 209, 209, 211, 221, 239, Theorie der, 45–52, 151–153, 292,
248 294
Businessplanung, 57, 58, 58–65, 112, 113, Innovation, 12
118–121, 141, 142, 147, 151, 219– architektonische, 17
228, 263, 267, 273, 277, 292, 294, Funktionaltypologie, 13
295 inkrementelle, 19
Communication Web-Forschung, 29 kompetenzvernichtende, 19
Cronbach’s Alpha, 138, 192, 200, 210 kompetenzverstärkende, 19
mittelinduzierte, 13
Datenerhebung, 163–167 modulare, 17
Disciplined Problem Solving-Forschung, objektbezogene Definition, 12
29 organisationale, 14
Domain-Sampling Modell, 191, 192 prozessuale Definition, 12
Dynamic Capabilities, 34 radikale, 18
soziale, 15
Effektstärke, 97, 99, 137, 139, 140, 141,
technische, 14
143, 212
wettbewerbsbezogene, 15
Einzelrestvarianz, 174, 177, 183, 209
zweckinduzierte, 13
Faktorenanalyse, 166, 172 Innovations-
exploratorische, 173, 174–180, 198 -erfolg, 81–94, 237
Grundgleichung, 183 -management, 4, 14, 18, 55, 98, 292
konfirmatorische, 173, 174, 198, 202 -rente, 18, 25, 34
zweiter Ordnung, 206–211 -strategie, 294
Fortschrittskontrolle, 5, 71, 75–77 -typen, 13
Innovationsgrad, 7, 16, 20–25, 45, 51, 53,
Go/No-Go-Entscheidung, 57, 71, 104, 54, 65, 67, 68, 72, 75, 77, 81, 97,
111, 112 119, 121, 136, 137, 144, 147–149,
Gruppen-Faktormodell, 209, 211, 221, 152–158, 245–253, 276, 277, 287–
239, 248 290
Hauptkomponentenanalyse, 176, 177, 179 Fitkomponente, 25, 245
Heywood-Fall, 177, 221 Interner Ressourcenfit, 245
Homogenität, 98, 140–141, 143, 199 Makroperspektive, 22–24
Marktdimension, 22, 245
Imitation, 11 Mikroperspektive, 24–25
Indexbildung, 191 Technologiedimension, 23, 245
Indikator, 170, 171, 172, 181, 190 Umfeld-Fit, 24, 245
formativer, 191 Vertrautheitskomponente, 24, 245
reflexiver, 191 Interpretational Confounding, 172
360 INDEX
Invention, 11 263, 267, 273, 276, 287, 288, 291,

293, 296
Kaiser-Kriterium, 178, 198, 210, 220, 228, Prozessformalisierung, 79, 80, 104, 129,
232, 238, 246 134, 152, 153, 155–157, 232–237,
Kommunalität, 174, 177, 178, 180 263, 267, 268, 276, 277, 292, 294,
Kompositvariable, 192, 193, 195 295
Konstrukt, siehe Latente Variable Prozessstabilität, 112, 152, 153, 155–157,
Kontingenzansatz, siehe Situativer An- 232–237, 267, 268, 271, 273, 293,
satz 294, 313
Konzeptualisierung, 30, 39, 85, 170, 196
Rational Plan-Forschung, 28
Latente Variable, 169–170, 172, 174, Regression, moderierte, 215–217, 276,
177, 184, 191, 192, 197, 198, 200, 278
204, 207, 248 Reliabilität, 138–140, 190, 196, 197, 199–
LISREL, 171, 175, 180–185, 214, 218 201, 210, 217
Ressourcen, 25, 30, 31
Market Based View, 31 -heterogenität, 32
Media Richness, 49 -immobilität, 32
Mehrdeutigkeit, 46, 47 immaterielle, 25, 32
Messmodell, 171–174, 181, 190–211, 212, materielle, 31
218, 294, 304 Ressourcenbasierter Ansatz, 30–35, 53
formatives, 192, 193 Risikomanagement, 57, 64, 73–75, 116,
reflexives, 191 117, 121, 123, 148, 151–153, 155,
Metaanalyse, 97–99, 137–141, 141–149 156, 228–232, 259, 263, 267, 268,
Methodenfehler, 165–166 271, 277, 292, 295
Moderatoreffekt, 215–218, 276–281
SARFIT, 36, 37
Operationalisierung, 20, 30, 46, 170, 192, Scree-Plot, 166, 178, 210, 228, 232, 238
196, 219, 268, 293, 294 Situativer Ansatz, 35–45
Overfitting, 175, 209 Skalenbildung, 191
Stage-Gate Prozess, 5, 56, 79, 100
Partizipation, 68–70, 78, 219, 220, 267 Stichprobe, 167
Pfadmodell, 171, 172, 180, 211–218, 264, Stichprobenfehler, 138–139, 141, 195,
267, 271, 272, 292 303
Postdecision Planning, 52 Strukturgleichungsmodell, 169, 170–171,
Predecision Planning, 51 172, 185, 186, 205, 207, 208, 211–
Pretest, 163, 165 213, 217
Programming, 52 Strukturmodell, 171
Projekteffizienz, 49, 84–88, 117, 134, 238 Sunk Costs, 77
Projektplanung, 5, 6, 53, 57, 58, 64, 70–
73, 111–121, 131, 132, 147, 148, Teststärke, 138, 141, 186
152, 153, 155, 228–232, 255, 259, Testtheorie, 192
263, 267, 268, 271, 277, 292, 295, Tetradentest, 193–196, 210, 294, 299–
296 305
Projektportfolio, 56, 57, 294 Underfactoring, 177, 178
Projektsteuerung, 5, 6, 53, 71, 72, 75–81, Unsicherheit, 46
111, 121–137, 141, 143, 144, 147–
149, 151, 153–158, 232–237, 259, Validität, 190, 196, 197, 201
INDEX 361
Diskriminanz-, 203, 211, 295

Inhalts-, 192, 193, 201
Konstrukt-, 192, 202, 211
Konvergenz-, 202, 211, 295
Kriteriums-, 201
nomologische, 193, 203, 208
Veripath, 169, 213–215, 271–276, 313–
315
Verisimilitude, siehe Wahrheitsähnlichkeit
Vorhabenserfolg, siehe Innovationserfolg
Wahrheitsähnlichkeit, 213–215, 259,

271–276, 313
Ziel-
-definition, 59, 65, 154, 281
-höhe, 66, 66, 281, 293
-spezifität, 66, 67, 67, 281
-wichtigkeit, 281, 284
Zielstabilität, 121, 136, 141, 144–147, 149

Joachim Weise Planung Und Steuerung Von Innovationsprojekten

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Joachim Weise Planung Und Steuerung Von Innovationsprojekten

Hochgeladen von

Copyright:

Verfügbare Formate

Joachim Weise

Planung und Steuerung von Innovationsprojekten

Herausgegeben von Prof. Dr. Dr. h.c. Sönke Albers,

In der Schriftenreihe werden Ergebnisse von Forschungsarbeiten

Planung und Steuerung

Mit einem Geleitwort von Prof. Dr. Hans Georg Gemünden

Dissertation Technische Universität Berlin, 2007

1. Auflage Oktober 2007

Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt.

Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem

Hans Georg Gemünden

Diese Arbeit entstand im Rahmen des Forschungsprojekts Innovationskompass“, das

1 Einführung in die Problemstellung 3

2 Begriﬄiche Grundlagen: Innovation und Innovationsgrad 11

3 Theoretische Bezugspunkte der Arbeit 27

4 Planung, Steuerung und Erfolg von Innovationsprojekten 55

5 Metaanalyse der empirischen Forschung zur Planung und Steuerung 97

6 Hypothesen der empirischen Untersuchung 151

II Empirischer Teil 161

8 Methodik der Datenauswertung 169

8.5 Vorgehen bei der Analyse des Messmodells . . . . . . . . . . . . . . . . . . 190

9 Operationalisierung und Validierung der Konstrukte 219

10 Wirkungszusammenhänge: Überprüfung der Hypothesen 259

11 Zusammenfassung und Ausblick 291

III Anhänge 297

A Algorithmus zum Tetradentest 299

B Ergänzende Angaben zur Strukturmodellprüfung 307

C Ergänzende Erläuterungen zur Veripath-Analyse 313

1.1 Aufbau der Arbeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2.1 Innovationstypen nach Henderson und Clark . . . . . . . . . . . . . . . . . 17

3.1 Grundmodell des situativen Ansatzes . . . . . . . . . . . . . . . . . . . . . 37

6.1 Zentrale Hypothesen der empirischen Untersuchung . . . . . . . . . . . . . 159

7.1 Segmentierung der Stichprobe nach Mitarbeiterzahl . . . . . . . . . . . . . 168

8.1 Reﬂexive und formative Messmodelle . . . . . . . . . . . . . . . . . . . . . 191

9.1 Vollständiges Messmodell . . . . . . . . . . . . . . . . . . . . . . . . . . . . 256

10.1 Basismodell mit Faktoren zweiter Ordnung . . . . . . . . . . . . . . . . . . 261

C.1 Fitmaße der von Veripath erzeugten Alternativmodelle . . . . . . . . . . . 316

3.1 Klassiﬁkation von Fit-Konzepten . . . . . . . . . . . . . . . . . . . . . . . 42

4.1 Studien zur Erfolgsmessung bei Innovationsvorhaben . . . . . . . . . . . . 89

5.1 Übersicht über allgemeine NPD- und NSD-Studien . . . . . . . . . . . . . 101

6.1 Aussagen, Befunde und Hypothesen zur Planung . . . . . . . . . . . . . . . 155

7.1 Charakterisierung der Stichprobe nach Industrien . . . . . . . . . . . . . . 167

9.1 Messkonzept für die Qualität der Businessplanung . . . . . . . . . . . . . . 220

9.5 Konﬁrmatorische Faktorenanalyse zur Businessplanung . . . . . . . . . . . 225

10.1 Basismodell: Geschätzte Parameter zwischen latenten Variablen . . . . . . 260

10.8 Moderierte Regressionsanalyse zum Einﬂuss von Zielwichtigkeit auf Tech-

B.1 Messmodell: Kovarianzen und Korrelationen der latenten Variablen . . . . 308

Einführung in die Problemstellung

1.1 Motivation und zentrale Forschungsfragen

[. . . ] a careful reading of recent industrial history leads to the conclusion

der empirischen Literatur zur Neuproduktentwicklung noch feststellten, dass Faktoren

1. Welchen Einﬂuss haben unterschiedliche Aspekte der Vorhabensplanung sowie der

1.2 Aufbau der Arbeit

Teil I – Theoretischer Teil

Kap. 1 Einführung in die Problemstellung

Planung, Steuerung und Er- Metaanalyse der empirischen For-

Teil II – Empirischer Teil

Kap. 7 Untersuchungsdesign Kap. 8 Methodik der Datenauswertung

Kap. 11 Zusammenfassung und Ausblick

Abbildung 1.1: Aufbau der Arbeit

1. Die zentralen Konstrukte der Untersuchung werden als mehrdimensionale Konstruk-

2. Der Bezugsrahmen der empirischen Untersuchung berücksichtigt, dass unter dem

3. Da der Grad der Produktneuheit als zentraler Kontingenzfaktor im Rahmen der